增强条件生成对抗网络的自适应信道建模方法及系统技术方案

本发明专利技术公开了一种增强条件生成对抗网络的自适应信道建模方法及系统，方法按如下步骤：步骤S1，初始化生成对抗网络模型，获得信道样本序列；步骤S2，通过先验知识设置潜在变量方法，得到潜在变量序列；步骤S3，通过复数序列重新构造方法，得到满足神经网络处理要求的重构样本序列；步骤S4，通过惩罚样本构建方法，得到惩罚样本序列；步骤S5，通过增强条件生成对抗网络误差函数优化方法，得到输入序列和生成对抗网络目标函数；步骤S6，网络对抗训练，输出可模拟真实信道数据分布的生成器模型。本发明专利技术选择改进生成对抗网络使其准确地捕捉随机信道行为，实现无需手动假定物理模型的自适应信道建模。道建模。道建模。

【技术实现步骤摘要】
增强条件生成对抗网络的自适应信道建模方法及系统


[0001]本专利技术属于数字通信
，具体涉及一种增强条件生成对抗网络的自适应信道建模方法及系统。

技术介绍

[0002]近年来在无线通信领域，对大规模多输入多输出系统(multiple input multiple output，MIMO)的信道建模得到了业界的广泛关注和研究。而深度学习(Deep Learning，DL)作为人工智能领域的一个重要分支，被认为是分析测量数据、理解传播过程和构造非线性模型的有力工具。基于深度学习的信道建模具有自适应的特点，网络结构相对固定，如果需要重新对一个无线信道进行建模，只需用不同的数据对其训练就可以做到。Popoola S I等人使用实测数据训练神经网络(Neural Network，NN)模型，以了解输出变量(路径损耗)与输入变量(训练集)之间的非线性关系，从而确定实现最佳路径损耗预测时的输入向量和所需的神经网络参数。SALMAN M A等人优化降维算法提高了深度学习模型的信道建模精度，且证明NN的输出结果优于支持向量机。但，前述现有技术还存在测量数据有限的情况下参数分析困难和建模方法缺乏通用性的技术问题。

技术实现思路

[0003]针对现有技术存在测量数据有限的情况下参数分析困难和建模方法缺乏通用性的问题，本专利技术提供了一种采用增强条件生成对抗网络的自适应信道建模方法及系统，本专利技术利用训练序列和相应的接收序列作为条件信息，并利用Wasserstein距离作为分布之间的度量，有效提高GANs的训练稳定性和学习能力；利用先验知识，探讨训练过程中潜在变量的分布，显著增强所提出的增强条件生成对抗网络(Enhanced Conditional Generative adversarial networks)框架的模拟性能。
[0004]为达到上述目的，本专利技术采用以下技术方案：
[0005]一种采用增强条件生成对抗网络的自适应信道建模方法，
[0006]按如下步骤：
[0007]步骤S1，初始化生成对抗网络模型，获得信道样本序列；
[0008]步骤S2，通过先验知识设置潜在变量方法，得到潜在变量序列；
[0009]步骤S3，通过复数序列重新构造方法，得到满足神经网络处理要求的重构样本序列；
[0010]步骤S4，通过惩罚样本构建方法，得到惩罚样本序列；
[0011]步骤S5，通过增强条件生成对抗网络误差函数优化方法，得到输入序列和生成对抗网络目标函数；
[0012]步骤S6，网络对抗训练，输出可模拟真实信道数据分布的生成器模型。作为优选方案，步骤S1具体如下：
[0013]步骤S1.1，按生成对抗网络构建方法执行模型初始化，得到生成器、判别器网络与
训练参数集合，包括迭代次数K；
[0014]步骤S1.2，根据步骤S1.1所得生成器模型输入维度，对需要建模的随机信道执行采样方法，获得l
×
N维信道样本序列X。
[0015]作为优选方案，步骤S2，将步骤S1.2所得信道样本序列X作为输入参数，按先验知识设置潜在变量方法执行计算，得到服从位置参数μ
z
＝0、尺度参数的正态分布2l
×
N维潜在变量序列Z；
[0016]步骤S3，将步骤S1.2所得信道样本序列X作为输入参数，按复数序列重新构造方法执行计算，得到满足神经网络处理要求的2l
×
N维重构样本序列X
R
；
[0017]步骤S4，将步骤S2所得潜在变量序列Z与步骤S3所得重构样本序列X
R
作为输入参数，按惩罚样本构建方法，得到2l
×
N维惩罚样本序列X
P
；
[0018]步骤S5，将步骤S2所得潜在变量序列Z、步骤S3所得重构样本序列X
R
、步骤S4所得惩罚样本序列X
P
作为输入参数，按增强条件生成对抗网络误差函数优化方法执行计算，得到1
×
3维条件输入序列m和生成对抗网络目标函数。
[0019]作为优选方案，步骤S6具体步骤如下：
[0020]步骤S6.1，将步骤S1.1所得训练参数集合与步骤S2所得潜在变量序列Z、步骤S3所得重构样本序列X
R
、步骤S4所得惩罚样本序列X
P
和步骤S5所得条件输入序列m、目标函数作为输入参数，按Adam梯度下降迭代更新方法执行训练；
[0021]步骤S6.2，判断是否达到步骤S1.1训练参数集中预设的迭代次数K，若是，则输出可模拟真实信道数据分布的生成器模型G；若否，则跳转至步骤S6.1。
[0022]作为优选方案，先验知识设置潜在变量方法，包括以下步骤：
[0023]步骤S2.1，采用步骤S1.2所得信道样本数据序列X以l
×
N维的矩阵形式存在，即X为：
[0024]X＝[x1,x2,...,x
n
,...,x
N
]ꢀꢀꢀ
(1)
[0025]其中N为正整数，表示序列长度；l为正整数，表示为每符号x的维度；每个符号x以l
×
1维的矩阵形式存在，即x为：
[0026]x＝[x1,x2,...,x
l
‑1,x
l
]T
ꢀꢀꢀ
(2)
[0027]计算每个符号x的样本均值，则第n个(n为正整数且(1≤n≤N))符号x
n
的均值为：
[0028][0029]计算每个符号x的样本方差，则第n个符号x
n
的方差为：
[0030][0031]将X的样本方差集合作为输入参数，组成先验知识序列I，以1
×
N维的矩阵形式存在，即I为：
[0032][0033]步骤S2.2，每一训练批次输入的原潜在变量序列Z
p
服从标准正态分布Z
p
～N(0,1)，
为使其近似于信道数据分布p
data
，将序列Z的方差更改为序列I的均值μ
I
：
[0034][0035]输出优化后的2l
×
N维潜在变量序列Z，服从位置参数μ
z
＝0、尺度参数的正态分布。
[0036]作为优选方案，复数序列重新构造方法的方法，包括以下步骤：
[0037]步骤S3.1，采用步骤S1.2所得信道样本序列X，当其由复数构成时，因为神经网络不能直接处理复数，所以不满足输入要求，因此定义重构函数f
R
(x)。
[0038]给定第n个复数序列符号x
n
＝[a1+b1j,...,a
l
+b
l
j]T
，其中a、b皆为实数，重构函数f
R
(x)为：
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.增强条件生成对抗网络的自适应信道建模方法，其特征在于按如下步骤：步骤S1，初始化生成对抗网络模型，获得信道样本序列；步骤S2，通过先验知识设置潜在变量方法，得到潜在变量序列；步骤S3，通过复数序列重新构造方法，得到满足神经网络处理要求的重构样本序列；步骤S4，通过惩罚样本构建方法，得到惩罚样本序列；步骤S5，通过增强条件生成对抗网络误差函数优化方法，得到输入序列和生成对抗网络目标函数；步骤S6，网络对抗训练，输出可模拟真实信道数据分布的生成器模型。2.如权利要求1所述增强条件生成对抗网络的自适应信道建模方法，其特征在于，步骤S1具体如下：步骤S1.1，按生成对抗网络构建方法执行模型初始化，得到生成器、判别器网络与训练参数集合，包括迭代次数K；步骤S1.2，根据步骤S1.1所得生成器模型输入维度，对需要建模的随机信道执行采样方法，获得l
×
N维信道样本序列X。3.如权利要求2所述增强条件生成对抗网络的自适应信道建模方法，其特征在于，步骤S2，将步骤S1.2所得信道样本序列X作为输入参数，按先验知识设置潜在变量方法执行计算，得到服从位置参数μ
z
＝0、尺度参数的正态分布2l
×
N维潜在变量序列Z；步骤S3，将步骤S1.2所得信道样本序列X作为输入参数，按复数序列重新构造方法执行计算，得到满足神经网络处理要求的2l
×
N维重构样本序列X
R
；步骤S4，将步骤S2所得潜在变量序列Z与步骤S3所得重构样本序列X
R
作为输入参数，按惩罚样本构建方法，得到2l
×
N维惩罚样本序列X
P
；步骤S5，将步骤S2所得潜在变量序列Z、步骤S3所得重构样本序列X
R
、步骤S4所得惩罚样本序列X
P
作为输入参数，按增强条件生成对抗网络误差函数优化方法执行计算，得到1
×
3维条件输入序列m和生成对抗网络目标函数。4.如权利要求3所述增强条件生成对抗网络的自适应信道建模方法，其特征在于，步骤S6具体步骤如下：步骤S6.1，将步骤S1.1所得训练参数集合与步骤S2所得潜在变量序列Z、步骤S3所得重构样本序列X
R
、步骤S4所得惩罚样本序列X
P
和步骤S5所得条件输入序列m、目标函数作为输入参数，按Adam梯度下降迭代更新方法执行训练；步骤S6.2，判断是否达到步骤S1.1训练参数集中预设的迭代次数K，若是，则输出可模拟真实信道数据分布的生成器模型G；若否，则跳转至步骤S6.1。5.如权利要求4所述增强条件生成对抗网络的自适应信道建模方法，其特征在于，所述先验知识设置潜在变量方法采用以下步骤：步骤S2.1，采用步骤S1.2所得信道样本数据序列X以l
×
N维的矩阵形式存在，即X为：X＝[x1,x2,...,x
n
,...,x
N
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中N为正整数，表示序列长度；l为正整数，表示为每符号x的维度；每个符号x以l
×
1维的矩阵形式存在，即x为：x＝[x1,x2,...,x
l
‑1,x
l
]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
计算每个符号x的样本均值，则第n个(n为正整数且(1≤n≤N))符号x
n
的均值为：计算每个符号x的样本方差，则第n个符号x
n
的方差为：将X的样本方差集合作为输入参数，组成先验知识序列I，以1
×
N维的矩阵形式存在，即I为：步骤S2.2，每一训练批次输入的原潜在变量序列Z
p
服从标准正态分布Z
p
～N(0,1)，为使其近似于信道数据分布p
data
，将序列Z的方差更改为序列I的均值μ

【专利技术属性】
技术研发人员：姜斌，程子巍，包建荣，刘超，曾嵘，翁格奇，邱雨，唐向宏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：