一种基于生成对抗网络的无线电信号生成方法技术

本发明专利技术涉及一种基于生成对抗网络的无线电信号生成方法。本发明专利技术通过使用生成对抗网络，构造一个完整的生成器和鉴别器系统，并将原始信号按一定比例分割作为网络结构的训练样本，利用训练数据进行网络结构参数的调整，根据原始信号数据的真实性，设计了一种新的损失度量函数，进一步度量真实的信号数据与合成信号数据的相似性损失，并利用该损失函数对生成器进行训练。最后完成对调制后原始无线电信号的学习，通过加入随机噪声生成新的合成信号数据。本发明专利技术生成的合成信号和原始信号高度相似，在信号接收机中有较高的识别率。在信号接收机中有较高的识别率。在信号接收机中有较高的识别率。

【技术实现步骤摘要】
一种基于生成对抗网络的无线电信号生成方法


[0001]本专利技术涉及深度学习和无线电领域，特别是一种基于生成对抗网络的无线电信号生成方法。

技术介绍

[0002]OFDM(Orthogonal Frequency Division Multiplexing)是一种用于数字通信的调制技术，它将一个高速数据流分成多个子载波进行传输，每个子载波的调制方式可以是QPSK、16QAM、64QAM等，通过将多个低速信号合并成一个高速信号的方式形成高速数据流，这个高速数据流被发送到接收器，接收器通过反向过程解调和还原原始数字数据，实现了高效的频谱利用。OFDM技术广泛应用于数字电视、无线局域网(WLAN)、移动通信等领域。
[0003]生成对抗网络(GAN)是一种深度学习模型，由Ian Goodfellow等人在2014年提出，它能够生成高度逼真的新数据，包括图像、音频、视频等。GAN的核心思想是通过对抗的方式，让生成器逐渐学习到真实数据的特征分布，从而生成与真实数据相似的新数据。GAN模型的训练过程中，生成器和判别器互相竞争。生成器的目标是生成足够逼真的数据，以欺骗判别器，使其无法区分真实数据和生成的数据。而判别器的目标是区分真实数据和生成的数据，尽可能准确地判断数据的来源。通过这种竞争关系，生成器不断地优化自己的生成能力，直到生成的数据无法被判别器区分出来为止。目前生成对抗网络主要用于图像、视频、音频等领域，而现有技术生成的伪造信号与真实信号具有较大差异，易被识别，因此使用生成对抗网络生成信号是可行的方法。
专利
技术实现思路

[0004]本专利技术的目的在于解决人工智能与信号生成领域，合成信号接收率低的技术问题，提供一种基于生成对抗网络的无线电信号生成方法，该方法不需要对原始信号进行复杂的处理，可以自适应地提取不同信号的特征，并生成相同类型的信号；经过测试，生成的信号能达到与原始信号近似的接收率。
[0005]为实现上述目的，本专利技术的技术方案是：一种基于生成对抗网络的无线电信号生成方法，信号发射机生成原始信号，并将干扰信号加入原始信号中，然后放入生成对抗网络模型中学习，通过生成对抗网络模型训练，生成与原始信号相似的合成数据信号；所述方法具体包括：生成OFDM信号；构建生成对抗网络模型；训练生成对抗网络模型。
[0006]本专利技术的内容主要为建立一个生成对抗神经网络，网络主要由生成器网络和鉴别器网络组成，如图1所示，生成器输入真实的信号数据，根据其分布和特征，并加入随机噪声合成信号数据，鉴别器区分信号样本是否来自训练集或者信号生成器训练信号生成器，其生成新的信号能够替换原始信号，具体包括有以下步骤：
[0007]1、生成OFDM信号：通过OFDM信号发射机生成OFDM信号，其中比特信噪比EbNoVec＝
‑
10，调制阶数M＝4，每个符号传递的比特数k＝log2(M)，子载波总数numSC＝2048，符号信噪比snrVec＝EbNoVec+10*log10(k)+10*log10(numDC/numSC)，numDC为OFDM中数据的子
载波数。OFDM信号表示为x＝[x1，...x
i
，...x
n
]，x
i
＝(a
i
，b
i
)是x的第i个数据，a
i
和b
i
分别为x
i
的实部和虚部。
[0008]2、构建生成对抗网络模型
[0009]定义生成器模型：如图2所示，生成器由输入层、嵌入层、特征融合层、LSTM层和回归层这五个功能层组成，生成器首先将编码的真实OFDM信号数据和随机噪声作为输入，对于信号的实部和虚部，使用多层感知器(MLP)分别嵌入它们的每一对得到64维向量：e
i
＝φ
s
(Δa
i
，Δb
i
；W
es
)，其中φ
s
是具有激活函数的MLP用于嵌入数据的校正线性单元(ReLU)，是具有激活函数的MLP用于嵌入数据的校正线性单元(ReLU)，是具有激活函数的MLP用于嵌入数据的校正线性单元(ReLU)，为a
i
的均值，为b
i
的均值，W
es
为嵌入信号数据的多层感知器的权重矩阵。在嵌入过程后，进一步连接所有向量和随机噪声，然后使用密集层将它们融合成100维向量，再利用每个数据的分布和类型特征，最后通过特征融合，以支持网络的建模和信号的生成。在LSTM建模层，使用多对多LSTM结构，将具有特定时间步长的序列作为输入，并生成具有相同时间步长的序列作为输出，给定融合特征的尺寸，在LSTM模型中分配100个单元，并将融合特征馈送到模型：H＝LSTM(F；W
lstm
)，其中F表示信号数据中所有数据的融合特征，即F＝[f0，f1，...，f
maxlength
‑1]，f
i
为第i个数据的融合特征向量，H为LSTM模型的输出，具有与输入相同的时间步长维度，即H＝[h0，h1，...，h
maxlength
‑1]，h
i
是f
i
的建模输出量，W
lstm
是LSTM模型的权重矩阵。最后，解码来自LSTM建模层的输出H的合成信号数据，其中H中的每个特征向量h
i
是包含合成信号数据的分布特征的100维向量，使用具有两个单元的密集层(Dense layer)和双曲正切函数(tanh)来解码信号数据实部和虚部的偏差。此外，为了进一步扩展输出范围，以确保其范围覆盖所有可能的偏差值，使用Dense layer和归一化指数函数(Softmax)来恢复这些数据的one
‑
hot表示：(Δa
′
i
，Δb
′
i
)＝D
s
(h
i
；W
ds
)，其中Δa
′
i
和Δb
′
i
为第i个合成信号数据的实部与虚部偏差，D
s
表示具有解码分布特征属性的tanh或Softmax函数的Dense layer，W
ds
是这些Denselayer的解码权重矩阵(解码权重矩阵在所有数据之间共享)。
[0010]定义鉴别器模型：如图3所示，鉴别器具有与生成器相似的网络结构，由输入层、嵌入层、特征融合层、LSTM层组成，与生成器的区别在于：(1)鉴别器的输入层仅以信号数据作为输入而不需要加入随机噪声。(2)鉴别器使用多对一LSTM模型，将带有时间步长的特征作为输入，并将一个标量作为输出：其中F表示所有信号数据的融合特征，F＝[f0，f1，...，f
maxlength
‑1]，f
i
是第i个数据的融合特征向量，是LSTM模型的权重矩阵，h是LS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的无线电信号生成方法，其特征在于，信号发射机生成原始信号，并将干扰信号加入原始信号中，然后放入生成对抗网络模型中学习，通过生成对抗网络模型训练，生成与原始信号相似的合成数据信号；所述方法具体包括：生成OFDM信号；构建生成对抗网络模型；训练生成对抗网络模型。2.根据权利要求1所述的一种基于生成对抗网络的无线电信号生成方法，其特征在于，所述OFDM信号的生成：通过OFDM信号发射机生成OFDM信号，其中比特信噪比EbNoVec＝
‑
10，调制阶数M＝4，每个符号传递的比特数k＝log2(M)，子载波总数numSC＝2048，符号信噪比snrVec＝EbNoVec+10*log10(k)+10*log10(numDC/numSC)，numDC为OFDM中数据的子载波数，OFDM信号表示为x＝[x1,...x
i
,...x
n
]，x
i
＝(a
i
,b
i
)是x的第i个数据，a
i
和b
i
分别为x
i
的实部和虚部。3.根据权利要求1所述的一种基于生成对抗网络的无线电信号生成方法，其特征在于，所述生成对抗网络模型由生成器和鉴别器组成，具体构建方式如下：(1)生成器由输入层、嵌入层、特征融合层、LSTM层和回归层这五个功能层组成，生成器首先将编码的真实OFDM信号和随机噪声作为输入，对于信号的实部和虚部，使用多层感知器MLP分别嵌入它们的每一对得到64维向量；在嵌入过程后，连接所有向量和随机噪声，然后使用密集层将它们融合成100维向量，再利用每个数据的分布和类型特征，通过特征融合，以支持网络的建模和信号的生成；在LSTM层，使用多对多LSTM结构，将具有预定时间步长的序列作为输入，并生成具有相同时间步长的序列作为输出，给定融合特征的尺寸，在LSTM层中分配100个单元，并将融合特征馈送到LSTM层；最后，解码来自LSTM层的输出的合成信号数据H；(2)鉴别器由输入层、嵌入层、特征融合层、LSTM层组成，与生成器的区别在于：鉴别器的输入层...

【专利技术属性】
技术研发人员：林瑞全，刘明轩，王俊，周云飞，赵越，杨亮，李胜，
申请(专利权)人：福建金石电子有限公司，
类型：发明
国别省市：