微弱信号数据增强方法

摘要

本发明公开的一种微弱信号数据增强方法，数据采集精度高、抗干扰能力强。本发明通过下述技术方案实现：在数据增强模型中，原始信号数据通过变分自编码模块指定具体特征生成初步增强信号；将原始信号数据的概率分布密度，编码映射到一个隐变量样本空间中，计算出其隐变量样本的均值和方差；生成网络从已知服从似然分布数据中随机采样，获取隐变量，计算出服从高斯分布初步增强信号；生成对抗模块采用生成器对初步增强信号进行增量生成，得到最优生成器与判别器，生成器根据变分自编码模块输出的初步增强信号生成最终增强信号数据，然后利用训练好的网络生成增强的高信噪比信号，输出真实信号的概率，用于生成器的迭代训练，输出增强信号数据。

权利要求

1.一种微弱信号数据增强方法，其特征在于：基于变分对抗模型将原始信号数据输入数据增强模型，由推断网络和生成网络构成变分自编码模块，由生成器和判别器组成生成对抗模块；在数据增强模型中，原始信号数据通过变分自编码模块指定具体特征生成初步增强信号；推断网络使用一组深度神经网络模型作为编码器，编码器将原始信号数据的概率分布密度，编码映射到一个隐变量样本空间中，通过神经网络计算出其隐变量样本的均值μ和方差δ；生成网络将使用一组深度神经网络模型作为解码器，生成网络对隐变量Z进行采样，从已知服从似然分布数据中随机采样，获取隐变量z，通过神经网络计算出服从高斯分布初步增强信号X′；生成对抗模块继续增强变分自编码模块输出的初步增强信号，首先通过采用生成器G对初步增强信号X′进行增量生成，然后通过判别器D判别输入信号样本Q真实与否，判断最终增强信号是否为真的概率，如果输出100％是真实值为D，利用判别器D指导学习带噪信号与纯净信号之间的非线性关系，生成器模型G与判别器D模型不断训练迭代直到收敛，得到最优生成器G与判别器D，生成器G根据变分自编码模块输出的初步增强信号X′生成最终增强信号数据G(X′)，然后利用训练好的网络生成增强的高信噪比信号，输出真实信号的概率值D(X)，用于生成器G的迭代训练。当概率值D(X)足够高时，输出增强信号数据。

2.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块输入真实的原始信号样本，通过编码器Q变成一个服从高斯分布的隐变量，然后将随机变量z再输入到解码器P中生成初步增强信号，初步增强信号被送入对抗生成模块的生成器G中，生成增强信号，然后初始信号和增强信号均被送入对抗生成模块的判别器D中，让D去判断输入信号是真实信号的概率；这样交替学习，最终得到训练好的数据增强模型来生成增强的信号。

3.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块针对在据的真实后验概率Pθ(z|x)无法实际确定的问题，设定服从高斯分布qφ(z|x)，在推断网络中2

引入真实验概率qθ(z|x)代替Pθ(z|x)，在qφ(z|x)～N(μ,δ)范围内，通过优约束参数θ和φ，对高斯分布qφ(z|x)做期望，计算qφ(z|x)与Pθ(z|x)的KL散度最小化，得到同时得到log Pθ(X)＝DKL(qφ(z|x)||Pθ(z|x))+L(θ,φ；X)             (2)其中，DKL表示计算KL散度，Eqφ(z|x)表示对qφ(z|x)做期望计算。qθ(.)表示推断网络模型，L(θ,φ；X)被称为集合X对数边际似然变分下届函数logPθ(X)。

4.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块通过推断网络，用一组深度神经网络模型作为编码器，编码器将满足高斯分布，属于高维稀疏随机向量的原始信号数据的概率分布密度，编码映射到一个隐变量Z样本空间中，并将样本空间分布为 得到每个信号样本xi都是随机产生的离散或连续，并且相互独立的分布变量，其中，隐变量Z是一个低维稠密的随机向量，N表示样本容量，i为标记空间中所有可能的样本。

5.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块根据服从高斯分布qφ(z|x)的隐变量Z，利用集合X对数边际似然变分下届函数logPθ(X)，计算数信号数据集合的对数，得到等于各个离散且独立分布的变量对数和：通过推断网络得到优约束参数θ和φ的优化目标：φ,θ＝argφ,θmax L(θ,φ；X)。

6.如权利要求1所述的微弱信号数据增强方法，其特征在于：在生成网络中，生成网络使用一组深度神经网络模型作为解码器，利用推断网络生成的变量x′与隐变量z的联合概率分布Pθ(z)，计算x′与随机变量z的联合先验分布Pθ(x′,z)：Pθ(x′,z)＝Pθ(z)Pθ(x′|z)其中，Pθ(x’|z)为生成网络的条件分布。

7.如权利要求6所述的微弱信号数据增强方法，其特征在于：生成网络对隐变量Z的后验分布Pθ(x|z)进行参数变换，令生成网络的条件分布Pθ(x′|z)满足高斯分布，有变分下届：得到生成网络优约束参数θ和φ的优化目标函数：φ,θ＝argφ,θmaxL(θ,φ；X)    (7)。

8.如权利要求1所述的微弱信号数据增强方法，其特征在于：变分自编码模块从已知分布qφ(z|x)中随机采样获取隐变量Z1，Z2、…Zn引入辅助参数ε，对真实后验概率qφ(z|x)进行i变换得随机变量z＝gφ(ε,x)，通过条件分布Pθ(x'i|z)服从高斯分布，神经网络计算出均值μ和方差δ，在样本空间分布X1、X2、…Xn与隐变量Z1，Z2、…Zn之间组成μ1‑δ1、μ2‑δ2、…μn‑δn推断网络，在隐变量Z1，Z2、…Zn与X1、X’2、…X’n之间组成μ1‑δ1、μ2‑δ2、…μn‑δn生成网络，通过下i i i i式可以对隐变量Z进行采样，获取解码器的输入样本：z＝μ+δ·ε  (8)i

根据概率密度函数公式直接计算得出Pθ(x'i|z)，使得Pθ(z)～N(0,1)，且每次只采样一个信号数据样本，每一项均可直接计算得到L(θ,φ；X)

其中，ε～p(ε)，p(ε)为具有已知的似然分布。

9.如权利要求1所述的微弱信号数据增强方法，其特征在于：对抗生成模块包括：采用深度神经网络的生成器G和判别器D，判别器D是一个二分类器，生成器G以尽可能去“欺骗”判别器D作为任务，D则尽量区别出来，两者为了达到各自的目的，它们的输入分别为真实数据x和随机变量z，生成器G生成的尽量服从真实数据分布的样本G(z)，如果判别器D的输入来自真实数据，标注为1，如果输入样本为G(z)，标注为0，以使自身生成的伪数据G(z)为目标，在D上的表现D(G(z))和真实数据x，在D上的表现D(x)一致，其中，表示计算期望，D(X)表示判别器D判断真实信号是否为真的概率。

10.如权利要求1所述的微弱信号数据增强方法，其特征在于：原始信号数据X通过判别器D正确判别输入数据是来自真实数据还是来自生成器G，比较生成器G生成的新信号数据与真实信号数据之间的差异，做出判断，然后反馈给生成器G学习真实的数据分布，生成器G捕捉真实数据样本的潜在分布，根据变分自编码模块输出的初步增强信号X,，生成新的数据样本G(X,)；生成器G生成增强信号数据模型，输入经过变分自编码模块输出的初步增强信号，在此基础上生成信号，判别器D判别样本真实与否，根据其输入信号样本Q，输出实真实信号的概率值，如果输出100％是真实值，则记为D(Q)＝1。判别器D判断最终增强信号是否为真的概率，生成器G根据变分自编码模块输出的初步增强信号X′生成最终增强信号。

说明书

微弱信号数据增强方法

技术领域

[0001] 本发明涉信号数据处理领域，具体涉及微弱信号数据增强方法。

背景技术

[0002] 近年来，越来越多的GPS产品应用到人们的生活中，但是在高楼密集区、室内以及森林等恶劣环境下，GPS信号会因被遮挡或反射而衰减严重，其载噪比通常会低于36dB‑Hz，因此一般的GPS接收机就难以捕获或跟踪到这种微弱信号。微弱信号检测是随着工程应用
而不断发展的一门学科，是利用电子学、信息论和物理的方法，分析噪声产生的原因和规
律，研究被测信号的特点与相关性，采用一系列信号处理的方法，检测被噪声背景淹没的微弱信号。强噪声背景下微弱信号处理是现代信号处理技术中的一项综合技术和尖端领域，
运用这种技术使得微弱量(如弱光、小位移、微振动、弱声及微电流等)的检测成为可能。微电子领域的两大难点在于高频信号和微弱信号的处理。微弱信号是指深埋在背景噪声中的
极其微弱的有用信号。主要指声信号、光信号或电信号等消息强度低，既小又弱，不易被接收、感觉到或设备接收。微弱：一般幅值小，但其实是相对噪声及干扰。通常把由于材料或器件(内部电路器件)的物理原因产生的扰动称为噪声，频谱分布一般比较宽。广义噪声就是
扰乱或者干扰有用信号的某种不期望有的扰动。把来自外部(人为或者自然)的扰动称为干
扰，往往有一定的规律性和途径，可以减少或消除。噪声虽然无用，但是它时刻不在，是躲不过，难以回避，需要面对的。众所周知，信号噪声可转换确知信号。确知信号能够以确定的时间函数表示的信号，但有些小信号处理起来不方便，可能会造成最终结果的不确定性。确知信号在定义域内任意时刻都有确定的函数值。例如电路中的正弦信号和各种形状周期信号
等。但随机信号在事件发生之前无法预知信号的取值，即写不出明确的数学表达式，通常只知道它取某一数值的概率，具有随机性。例如，半导体载流子随机运动所产生的噪声和从目标反射回来的雷达信号(其出现的时间与强度是随机的)等都是随机信号。所有的实际信号
在一定程度上都是随机信号。微弱信号检测放大的关键在于抑制噪声恢复、增强和提取有
用信号即提高其信噪改善比SNR。造成信噪比低的原因,一方面是因为特征信号本身十分微
弱；另一方面是因为强噪声干扰使得信噪比降低。如在机械设备处于故障早期阶段时,往往以某种方式与其它信源信号混合的故障对应的各类特征信号,使得特征信号相当微弱；在
设备在工作时,又有强噪声干扰。因此,特征信号基本为低信噪比的微弱信号。

[0003] 随着科学技术的不断发展和对微弱信号的检测技术的发展，人们对信息的需求量日益增加，而信号在传输过程中容易混有噪声和干扰，如何从噪声中检测被噪声掩盖的各
种微弱信号的检测(如、弱光、微温差、微振动、弱磁、微电流等)愈来愈受到人们的重视。微弱信号检测的目的是利用电子学的、信息论的和物理学的方法分析噪声的原因及其统计规
律研究被检测量信号的特点及其相干性利用现代电子技术实现理论方法过程,从而将混杂
在背景噪音中的信号检测出来。由于微弱信号极易受到各种干扰因素的影响,因此对它们
进行精确的测量就变得非常的困难和复杂。微弱信号种类很多，如卫星的下行信号，热电偶信号，收音机电视机信号，麦克风输出信号，微弱脉冲信号、微弱周期信号、微弱非周期信号、冲击信号，噪声有如限带噪声、窄带噪声、白噪声、高斯噪声等，由于不同特性的信号和噪声混合，造成了待测信号的复杂。其检测方法都是需要专门对应放大器放大之后做分析
检测。比如采用传感器+运算放大器+ADC+处理器是运算放大器的典型应用电路，在这种应
用中，由于通信信号在传输过程中会受到外界因素的干扰，使得信号常常淹没在干扰噪声
当中，有时杂波及干扰强度甚至会超过目标信号，导致接收机无法获取有效信号。此外，由于距离和阻挡的原因，常规信号在到达接收器时的功率往往达不到灵敏度，也使得无法有
效处理。一个典型的问题是传感器提供的电流非常低，在这种情况下，如何完成信号放大，对于微弱信号的放大，只用单个放大器难以达到好的效果。变分自编码器(Variational 
Auto‑Encoder，VAE)是现在最流行的无监督学习复杂分布的方法之一。变分自编码器之所以吸引人，是因为它们建立在标准函数近似器(神经网络)之上，并且可以使用随机梯度下
降进行训练。变分自编码器已经显示出生成多种复杂数据的希望，包括手写数字，面部，门牌号，CIFAR图像，场景的物理模型，分割以及从静态图像预测未来。变分自编码器继承自贝叶斯理论，变分自编码器可用于对先验数据分布进行建模。从名字上就可以看出，它包括两部分：编码器Q和解码器P。编码器将数据分布的高维特征映射到数据的低维表征，低维表征叫做本征向量(latentvector)。解码器吸收数据的低维表征，然后输出同样数据的高维表
征。变分编码器是自动编码器的升级版本，其结构跟自动编码器是类似的，也由编码器和解码器构成。例如在自动编码器生成图片的例子中，需要输入一张图片，然后将一张图片编码之后得到一个隐含向量，这比原始方法的随机取一个随机噪声更好，因为这包含着原图片
的信息，然后隐含向量解码得到与原图片对应的照片。但是这样其实并不能任意生成图片，因为没有办法自己去构造隐藏向量。现实生活中的样本分布一般比较复杂，可以将样本的
原始分布通过编码器Q映射到一个简单的高斯分布，再从高斯分布解码回原始分布，然后这个解码器P就可以单独被提取出来作为生成器，通过抽样后验概率来生成信号。

[0004] 具体地，对于复杂的样本分布空间X，我们先假设一个后验空间Z，只要X空间和Z空间是可以相互映射转换，从一个简单的Z空间中抽样随机变量，就能从生成在X空间中的真实样本x。变分自编码器不仅是编码器和解码器的简单组合，最终的样本表示不是用深度神经网络直接拿出一层隐藏层，而是用随机变量z去抽样，使随机变量z的空间分布模拟这个
隐层分布。这样，变分自编码器的编码器隐藏层就赋予了Z空间分布的表征意义。但是变分自编码器的中隐变量没有包含信号中的高层语义，即无法生成原始信号中不存在的形式，
并且解码产生的信号往往都比较模糊。

[0005] 在微弱信号检测程中,一般是通过一定的传感器将许多非电量的微小变化变换成电信号来进行放大再显示和记录的。由于这些微小变化通过传感器转变成的电信号也十分
微弱,可能是VV甚至V或更少。对于这些弱信号的检测时,噪声是其主要干扰,它无处不在。
针对此问题，人们提出了生成对抗网络(Generative Adversarial Network，GAN)进行数据增强。

[0006] 生成对抗网络的核心思想来源于博弈论的纳什均衡。它设定参与游戏双方分别为一个生成器(Generator)和一个判别器(Discriminator)，生成器的目的是尽量去学习真实
的数据分布，而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器；
为了取得游戏胜利，这两个游戏参与者需要不断优化，各自提高自己的生成能力和判别能
力，这个学习优化过程就是寻找二者之间的一个纳什均衡。任意可微分的函数都可以用来
表示生成对抗网络的生成器和判别器，由此，我们用可微分函数D和G来分别表示判别器和
生成器，它们的输入分别为真实数据x和随机变量z。G(z)则为由G生成的尽量服从真实数据分布的样本。如果判别器的输入来自真实数据，标注为1。如果输入样本为G(z)，标注为0。这里D的目标是实现对数据来源的二分类判别：真(来源于真实数据x的分布)或者伪(来源于
生成器的伪数据G(z)。而G的目标是使自己生成的伪数据G(z)在D上的表现D(G(z))和真实
数据x在D上的表现D(x)一致，这两个相互对抗并迭代优化的过程使得D和G的性能不断提
升，当最终D的判别能力提升到一定程度，并且无法正确判别数据来源时，可以认为这个生成器G已经学到了真实数据的分布。

[0007] 但是生成对抗网络不能直接给出一个信号的隐分布的表征(可以生成一个信号，但是无法马上生成一个带“尖峰”的信号)，即很难用隐变量随意操纵生成的信号，只知道生成的是任意的一种信号。

[0008] 现有技术中，微弱特征信号检测方法各种各样,从传统的相关检测、频谱分析、取样积分和时域平均方法到新近发展起来的神经网络、小波分析理论、混沌振子、随机共振、高阶统计量等方法,在微弱特征信号检测中有着广泛的应用。具体来说,用的较多的有以下
几种:时域检测法、微弱特征信号的时域检测方法主要有相关检测、取样积分与数字式平
均、时域平均等方法。相关检测主要是对信号和噪声进行相关性分析,主要物理量是相关函数R(τ)。确定性信号的不同时刻取值有较强的相关性；而对干扰噪声,因为其随机性较强,不同时刻取值的相关性一般较差。

发明内容

[0009] 本发明的目的是针对现有技术存在问题，提供一种数据采集精度高、抗干扰能力强，能够提高微弱信号检测精度，既可以指定数据的某些具体特征，进行定向增强，又能够借助对抗生成网络的博弈论模型，生成能够以假乱真的增强数据，提升信号信噪比的微弱
信号数据增强方法，通过人工智能的方式，对原始的信号数据进行质量上的提升，用以更好地支撑信号数据分析。

[0010] 本发明的上述目的可以通过以下措施来得到，一种微弱信号数据增强方法，其特征在于：基于变分对抗模型将原始信号数据输入数据增强模型，由推断网络和生成网络构
成变分自编码模块，由生成器和判别器组成生成对抗模块；在数据增强模型中，原始信号数据通过变分自编码模块指定具体特征生成初步增强信号；推断网络使用一组深度神经网络
模型作为编码器，编码器将原始信号数据的概率分布密度，编码映射到一个隐变量样本空
间中，通过神经网络计算出其隐变量样本的均值μ和方差δ；生成网络将使用一组深度神经网络模型作为解码器，生成网络对隐变量Z进行采样，从已知服从似然分布数据中随机采
样，获取隐变量z，通过神经网络计算出服从高斯分布初步增强信号X′；生成对抗模块继续增强变分自编码模块输出的初步增强信号，首先通过采用生成器G对初步增强信号X′进行
增量生成，然后通过判别器D判别输入信号样本Q真实与否，判断最终增强信号是否为真的
概率，如果输出100％是真实值为D，利用判别器D指导学习带噪信号与纯净信号之间的非线性关系，生成器模型G与判别器D模型不断训练迭代直到收敛，得到最优生成器G与判别器D，生成器G根据变分自编码模块输出的初步增强信号X′生成最终增强信号数据G(X′)，然后利用训练好的网络生成增强的高信噪比信号，输出真实信号的概率值D(X)，用于生成器G的迭代训练。当概率值D(X)足够高时，输出增强信号数据。

[0011] 本发明相比于现有技术具有如下有益效果：

[0012] 本发明针对现有信号检测系统中微弱信号检测困难及噪声干扰等问题，针对现有信号检测系统中微弱信号检测困难及噪声干扰等问题，基于变分对抗模型将原始信号数据
输入数据增强模型，在数据增强模型中，变分自编码模块指定具体特征生成初步增强信号，使用推断网络将一组深度神经网络模型作为编码器，编码器将原始信号数据的概率分布密
度，编码映射到一个隐变量样本空间中，通过神经网络计算出其隐变量样本的均值和方差；
生成初步的增强信号数据；能够根据领域业务实际需求，采集精度较高的数据，对信号数据样本进行增强。可以再进一步借助对抗生成网络的博弈论模型，生成能够以假乱真的增强
数据，利用变分对抗模型的信号增强方法，利用变分对抗模型的信号增强，提升信号数据的信噪比，大大提高微弱信号检测的精度。

[0013] 本发明采用生成对抗模块继续增强变分自编码模块输出的信号，生成对抗模块采用生成器G生成增强信号数据的模型，经过变分自编码模块输出初步增强信号，通过判别器D判别输入信号样本Q真实与否，判断最终增强信号是否为真的概率，如果输出100％是真实值为D，输出真实信号的概率值D(X)；生成器G根据变分自编码模块输出的初步增强信号生
成最终增强信号数据；提高了微弱信号测量准确度，且抗干扰能力强，能够提高微弱信号检测精度，在进行数据增强时，既可以指定数据的某些具体特征，进行定向增强，又能够借助对抗生成网络的博弈论模型，生成能够以假乱真的增强数据，提升信号信噪比解决了人工
智能技术在信号领域应用时，遇到的训练数据质量不高的问题。

[0014] 本发明使用ADS‑B信号对本发明进行验证，无需人工操作或查询，可自动从相关机载设备获取参数，将飞机的位置、高度、速度、航向、识别号等信息广播给其他飞机或地面站，供管制员监视飞机状态。ADS‑B源自自动相关监视(ADS)，最初用于在无法进行雷达监视的情况下对飞机进行卫星监视。ADS‑B作为下一代空中交通管理监控技术在世界范围内得到了广泛的应用。

附图说明

[0015] 图1是本发明基于变分对抗模型的信号数据增强原理示意图；

[0016] 图2是图1基于变分对抗模型的实施例示意图；

[0017] 图3是图1变分自编码模块的编码原理示意图；

[0018] 图4是图3变分自编码模块原理示意图；

[0019] 图5是图1对抗生成模块组成示意图；

[0020] 图6是实施例信号数据ADS‑B帧结构示意图；

[0021] 图7是基于变分对抗模型的信号数据增强实施例效果示意图。

[0022] 为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施方式，对本发明作进一步地详细描述。

具体实施方式

[0023] 参阅图1、图2。根据本发明，基于变分对抗模型将原始信号数据输入数据增强模型，由推断网络和生成网络构成变分自编码模块，由生成器和判别器组成生成对抗模块；在数据增强模型中，原始信号数据通过变分自编码模块指定具体特征生成初步增强信号；推
断网络使用一组深度神经网络模型作为编码器，编码器将原始信号数据的概率分布密度，
编码映射到一个隐变量样本空间中，通过神经网络计算出其隐变量样本的均值μ和方差δ；
生成网络将使用一组深度神经网络模型作为解码器，生成网络对隐变量Z进行采样，从已知服从似然分布数据中随机采样，获取隐变量z，通过神经网络计算出服从高斯分布初步增强信号X′；生成对抗模块继续增强变分自编码模块输出的初步增强信号，首先通过采用生成器G对初步增强信号X′进行增量生成，然后通过判别器D判别输入信号样本Q真实与否，判断最终增强信号是否为真的概率，如果输出100％是真实值为D，利用判别器D指导学习带噪信号与纯净信号之间的非线性关系，生成器模型G与判别器D模型不断训练迭代直到收敛，得
到最优生成器G与判别器D，生成器G根据变分自编码模块输出的初步增强信号X’生成最终
增强信号数据G(X’)，然后利用训练好的网络生成增强的高信噪比信号，输出真实信号的概率值D(X)。

[0024] 输入真实的原始信号样本通过编码器Q变成一个服从高斯分布的隐变量，然后将随机变量z再输入到解码器P中生成初步增强信号，初步增强信号被送入对抗生成模块的生
成器G中，生成增强信号，然后初始信号和增强信号均被送入对抗生成模块的判别器D中，让D去判断输入信号是真实信号的概率；这样交替学习，最终得到训练好的数据增强模型来生成增强的信号。这时变分自编码器希望与之间的损失函数值越小越好，但是损失小不代表
信号一定质量好。

[0025] 参阅图3。变分自编码模块针对在据的真实后验概率Pθ(z|x)无法实际确定的问题，设定服从高斯分布qφ(z|x)，在推断网络中引入真实验概率qθ(z|x)代替Pθ(z|x)，在qφ(z
2
|x)～N(μ,δ)范围内，通过优约束参数θ和φ，对高斯分布qφ(z|x)做期望，计算qφ(z|x)与Pθ(z|x)的KL散度最小化，得到

[0026]

[0027] 可得logPθ(X)＝DKL(qφ(z|x)||Pθ(z|x))+L(θ,φ；X)  (2)

[0028] 其中，DKL表示计算KL散度，Eqφ(z|x)表示对qφ(z|x)做期望计算。qθ(.)表示推断网络模型，L(θ,φ；X)被称为集合X对数边际似然变分下届函数logPθ(X)。

[0029] 变分自编码模块通过推断网络，用一组深度神经网络模型作为编码器，编码器将满足高斯分布，属于高维稀疏随机向量的原始信号数据的概率分布密度，编码映射到一个
隐变量Z样本空间中，并将样本空间分布为 得到每个信号样本xi都是随机产生
的离散或连续，并且相互独立的分布变量，其中，隐变量Z是一个低维稠密的随机向量，N表示样本容量，i为标记空间中所有可能的样本。

[0030] 变分自编码模块根据服从高斯分布qφ(z|x)的隐变量Z，利用集合X对数边际似然变分下届函数logPθ(X)，计算数信号数据集合的对数，得到等于各个离散且独立分布的变量对数和：
通过推断网络得到优约束参数θ和φ的优化目标：φ,θ＝argφ,θmaxL(θ,φ；X)  (4)。

[0031] 在生成网络中，生成网络使用一组深度神经网络模型作为解码器，利用推断网络生成的变量x′与隐变量z的联合概率分布Pθ(z)，计算x′与随机变量z的联合先验分布Pθ(x′,z)：

[0032] Pθ(x′,z)＝Pθ(z)Pθ(x′|z)                                     (5)

[0033] Pθ(x’|z)为生成网络的条件分布。

[0034] 生成网络对隐变量Z的后验分布Pθ(x|z)进行参数变换，令生成网络的条件分布Pθ(x′|z)满足高斯分布，有变分下届：

[0035]

[0036] 得到生成网络优约束参数θ和φ的优化目标函数：φ,θ＝argφ,θmaxL(θ,φ；X)(7)。

[0037] 参阅图4。变分自编码模块从已知分布qφ(z|x)中随机采样获取隐变量Z1，Z2、…Zn引入辅助参数ε，对真实后验概率qφ(z|x)进行变换得随机变量z＝gφ(ε,x)，通过条件分布iPθ(xi'|z)服从高斯分布，神经网络计算出均值μ和方差δ，在样本空间分布X1、X2、…Xn与隐变量Z1，Z2、…Zn之间组成μ1‑δ1、μ2‑δ2、…μn‑δn推断网络，在隐变量Z1，Z2、…Zn与X1、X’2、…X’n之间组成μ1‑δ1、μ2‑δ2、…μn‑δn生成网络，通过下式可以对隐变量Z进行采样，获取解码器的i i i i
输入样本：z＝μ+δ·ε  (8)

[0038] 根据概率密度函数公式直接计算得出Pθ(x'i|zi)，使得Pθ(z)～N(0,1)，且每次只采样一个信号数据样本，每一项均可直接计算得到L(θ,φ；X)

[0039]

[0040] 其中，ε～p(ε)，p(ε)为具有已知的似然分布。

[0041] 参阅图5。对抗生成模块包括：可以采用深度神经网络的生成器G(Generator)和判别器D(Discriminator)，判别器D是一个二分类器，生成器G以尽可能去“欺骗”判别器D作为任务，D则尽量区别出来，两者为了达到各自的目的，它们的输入分别为真实数据x和随机变量z，生成器G生成的尽量服从真实数据分布的样本G(z)，如果判别器D的输入来自真实数
据，标注为1，如果输入样本为G(z)，标注为0，以使自身生成的伪数据G(z)为目标，在D上的表现D(G(z))和真实数据x，在D上的表现D(x)一致，这两个相互对抗并迭代优化的过程使得D和G的性能不断提升，当最终D的判别能力提升到一定程度，并且无法正确判别数据来源
时，可以认为这个生成器G已经学到了真实数据的分布。

[0042] 判别器D以实现对数据来源的二分类作为判别目标，判别来源于真实数据x的分布和来源于生成器的伪数据G(z))真或者伪，采用不断交替学习来优化自身的能力，优化过程寻找二者之间的一个纳什均衡，最终达到平衡。

[0043] 原始信号数据X通过判别器D正确判别输入数据是来自真实数据还是来自生成器G，比较生成器G生成的新信号数据与真实信号数据之间的差异，做出判断，然后反馈给生成器G学习真实的数据分布，生成器G捕捉真实数据样本的潜在分布，根据变分自编码模块输
出的初步增强信号X’，生成新的数据样本G(X’)。

[0044] 生成器G生成增强信号数据模型，输入经过变分自编码模块输出的初步增强信号，在此基础上生成信号，判别器D判别样本真实与否，根据其输入信号样本Q，输出实真实信号的概率值，如果输出100％是真实值，则记为D(Q)＝1。判别器D判断最终增强信号是否为真的概率，生成器G根据变分自编码模块输出的初步增强信号X’生成的最终增强信号；生成器G希望D(G(X’))尽可能大，此时V(D,G)将变小因此上式对G而言是求最小。判别器D希望D(X)尽可能大，而D(G(X’))尽可能小，此时V(D,G)将变大，因此上式对D而言是求最大。其中，D(X)表示判别器D判断真实信号是否为真的概率，G(X’)表示数据样，本显然概率值越接近于
1越好。

[0045] 对抗生成模块在优化过程中，对抗生成模块利用博弈论原理，目标函数V(D,G)。优化过程可用下式极大极小竞争博弈来表示：

[0046]

[0047] 生成器G生成增强信号数据模型，输入经过变分自编码模块输出的初步增强信号，在此基础上生成信号，判别器D判别样本真实与否，根据其输入信号样本Q，输出实真实信号的概率值，如果输出100％是真实值，则记为D(Q)＝1。

[0048] 参阅图6。实验中，为了验证信号增强方法提升的效果，利用信噪比来评估模型学习的效果，其中信噪比的计算公式为：Ssignal＝10*log10(S/N)  (11)

[0049] 上式中的S为ADS‑B的信号功率，N为噪声功率。信噪比为ADS‑B信号功率S和噪声功率N的比值，代表了信号的质量。

[0050] 信号数据自增强性能指标主要是根据增强后ADS‑B通信信号的信噪描述。为了验证通过模型增强后信号信噪比提升的效果，本实施例对于每一类信号进行实验的测试，其
结果如图7所示。实验结果表明，对于不同类型的ADS‑B信号，其提升的信噪比结果均在10dB～14dB之间，证明本发明的方法达能够提升信号质量10dB以上。

[0051] ADS‑B消息主要由前序脉冲部分和数据脉冲部分两部分组成，其中前序脉冲部分为8us，包括两个连续的高脉冲，0‑1us有两个高脉冲，3.5‑4.5us有两个高脉冲，第8‑120us为数据部分，其具体格式规范如图6所示。

[0052] 本实施例设计的试验信号数据来源于开源网站中里搭建的ADS‑Breceiver接收器。经过筛查以及数据预处理，共得到A、B、C、D四类飞机的ADS‑B信号数据。ADS‑B信号每类
400条飞机信号数据，共1600条ADS‑B信号数据。对于每条信号，实验加入了高斯白噪声对信号进行预处理，共得到含有高斯白噪声信号1600条。

[0053] 为了验证方法的有效性，对于模型的训练，本实施例设计的实验，对每类数据，随机将其中的75％划分为训练集，另外25％为测试集。本文的实验是在深度学习框架TensorFlow1.8.0下完成的网络搭建、训练与测试，系统环境为Centos7.6，开发环境为
Python3.6.5。网络在训练时设置的学习率为，迭代次数为9000次，当迭代到8800次左右时曲线趋于稳定。

[0054] 以上所述为本发明较佳实施例，应该注意的是上述实施例对本发明进行说明，然而本发明并不局限于此，并且本领域技术人员在脱离所附权利要求的范围情况下可设计出
替换实施例。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。