本发明属于通信对抗
技术领域：
，尤其涉及一种基于生成对抗网络的信号重构方法。即基于生成对抗网络技术，搭建自动生成信号的神经网络作为生成器和判别生成数据质量的判别器，适用于重构电磁环境中的收噪声干扰的信号。
背景技术：
：目前，业内常用的现有技术是这样的：在无线电信号重构的
技术领域：
，传统的信号重构采用基于参数测量、特征提取、信号重构的技术体制。这种信号重构体制在以往信息密度不高、通信信号样式较少的电磁环境下，实现无线电信号的重构较为容易。然而通信技术的发展日新月异，通信新技术、新体制如雨后春笋不断涌现。在复杂的通信环境中，传统信号重构体制难以准确提取出信号的参数和特征信息，在现代的电磁环境中显现出疲态。本发明结合生成对抗网络实现信号重构，避免了传统信号重构技术中参数测量、特征提取等繁琐低效的过程，通过神经网络的映射，自动重构与接收信号相似度高的信号。在现有的生成对抗网络算法下，生成的信号数据质量低劣，生成数据的多样性不足。为了解决这一问题，本发明对生成对抗网络的损失函数进行改进，并调整生成对抗网络的框架，使得生成信号的质量得到了很大的改善。综上所述，现有技术存在的问题是：(1)传统的通信信号重构基于参数测量、特征提取、信号重构的体制，难以在日益复杂的电磁环境中，从种类繁多的信号中获取重要的参数和特征信息，使得重构出的信号准确率低；(2)现有生成对抗网络算法在生成信号的应用中，存在难以准确提取和学习信号的序列特性、神经网络层的梯度消失严重的问题，导致了重构生成的信号数据多样性单一、与原始信号拟合度低等缺点。解决上述技术问题的难度和意义：针对上述问题，在面对信号重构时面临以下难点：(1)如何在复杂的电磁环境中，准确提取信号的关键特征和参数；(2)根据信号的参数和特征等先验信息，如何准确重构出生成信号，使得重构的信号与原信号的相似度高；(3)在满足生成数据准确性的前提下，如何使得各个生成数据具有一定的差异。以上问题是在复杂电磁环境中，针对种类繁多的各类信号实现准确的重构中面临的主要问题。在通信对抗领域，通过重构出与接收信号具有高度相关的信号数据集，再由发射天线发射出去，使得对方在接收到重构的信号时难以分辨出信号的真实来源，达到有效干扰对方通信的效果。技术实现要素：针对现有技术在通信信号重构中存在的问题，本发明提供了一种基于生成对抗网络的信号重构算法，本发明通过对生成对抗网络的损失函数进行改进，并调整生成对抗网络的框架，使得生成的信号数据质量得到了很大的改善。本发明是这样实现的：本发明提出了一种基于生成对抗网络的信号重构方法，免去信号进行常规的参数测量和信号样式的识别，生成对抗网络中包括信号生成器和信号判别器，信号生成器的作用是生成信号，信号判别器则是判断生成信号是否是真实信号，信号生成器和判别器均通过多层神经网络搭建。在信号生成器和判别器的交叉训练下，生成器的网络参数不断地得到优化，生成的数据与原信号的相似度也不断提高。进一步，真实信号的数据是对原信号进行采样离散化后，得到的一维实向量：X＝{x1,...,xm}(2)式中：xi表示数据集第中i个信号，表示信号的第1,...,n维的信号电平值，X表示训练集，m表示训练集中样本数据的数目，n表示信号的维度。该数据是对原始信号进行采样后得到的离散数据，采样定理符合奈奎斯特定律。进一步，生成信号的好坏是通过与真实数据的相似度来衡量的，生成数据与真实数据的相似度越高，表明生成数据的质量越好，反之生成数据的质量越差。生成数据集与真实数据集的相似度采用如下指标衡量：式中：Z表示生成数据的集合，X表示真实数据的集合，Zi和Xj分别表示生成数据和真实数据中的单个数据样本，两个数据集的相似度通过(3)式衡量。进一步，真实信号数据和生成信号数据都需要输入到判别器中，通过判别器判断输入的信号数据是否是真实数据，如式(5)所示损失函数包括由真实数据计算的损失和生成数据计算的损失，式中第一项表示真实数据和生成数据的评价值之差，通过最小化该值可以使得判别器能够准确分辨真实数据和生成数据，式中第二项表示损失函数在抽样样本上的梯度惩罚，通过最小化该值可以将判别器约束损失函数在样本空间上的梯度：式(6)定义了抽样数据，首先从生成数据和真实数据中各抽取一个信号组成一对数据新构成的数据在这两个数据分布空间的连线上。进一步，判别器的架构是通过神经网络搭建构成的，神经网络的框架如图2所示，该神经网络架构由5层全连接神经网络构成，输入为信号数据，输出为一维的评价值。进一步，生成数据由生成器生成，生成器的输入为一定维度的随机高斯噪声，经过神经网络层的一层层映射之后，输出生成信号数据，其损失函数如下式所示，通过最小化该损失函数，使得生成数据与真实数据更相似。进一步，生成器是由神经网络搭建构成的，生成器的网络结构如图3所示。生成器的输入层是一定维度的高斯噪声，经过多个密度连接层的映射之后，输出的维度与真实数据的维度一致，输出即为生成的信号数据。进一步，生成器和判别器的交叉训练。在交叉训练时，固定生成器不变，通过最小化(5)式训练判别器，训练判别器学习生成数据和真实数据的区别；在训练生成器时，固定判别器不变，通过最小化(7)式训练生成器，使得生成器生成的数据更加逼近训练集中的数据，这两个过程不断交叉进行。综上所述，本发明的优点及积极效果为：本发明提供的基于生成对抗网络的信号重构算法，适用于电磁环境中无线电通信信号。在生成对抗网络的框架下，搭建用于生成信号的生成器和判断信号是否为真实数据的判别器，通过生成器和判别器的交叉训练，更新优化生成器的参数。本发明适用于复杂电磁环境中的信号重构，具有操作流程简单、生成数据相似度高等特点，有效地克服了现有信号重构方法存在的生成样本相似度低和样本多样性不足的缺点。传统信号重构机制难以从种类繁多的信号中获取重要的参数和特征信息，使得重构出的信号准确率低，本发明提出采用生成对抗网络实现信号重构，利用生成对抗网络的交叉博弈训练，通过网络层的映射提取信号特征，免去了对信号进行参数测量和特征提取等繁琐低效的流程，解决了复杂电磁环境下信号分析困难的问题；现有生成对抗网络算法在生成信号的应用中，存在难以准确提取和学习信号的序列特性、神经网络层的梯度消失严重的问题，导致了重构生成的信号数据多样性单一、与原始信号拟合度低等缺点。本发明改进生成对抗网络的损失函数和调制神经网络的架构，使得生成的数据样本与接收信号的相似度提升，信号多样性丰富，生成数据效果如表1所示。表格1算法性能的比较迭代次数(次)信号相似度原始生成对抗网络11990.60改进生成对抗网络7250.92附图说明图1是本发明实施例提供的基于生成对抗网络的信号重构方法流程图。图2是本发明实施例提供的判别器的网络架构图。图3是本发明实施例提供的生成器的神经网络架构图。图4是本发明实施例提供的AM调制信号的信号重构比较图。图中：(a)、AM调制信号的真实数据；(b)、已有生成对抗网络重构出来的信号；(c)、基于改进后的生成对抗网络生成的信号。图5是本发明实施例提供的改进后生成数据的相似度比较图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。本发明适用于复杂电磁环境中的信号重构，具有操作流程简单、生成数据相似度高等特点，有效地克服了现有信号重构方法存在的生成样本相似度低和样本多样性不足的缺点。在生成对抗网络的框架下，搭建用于生成信号的生成器和判断信号是否与对方信号相似的判别器，通过生成器和判别器的博弈训练，使得自动重构的数据与接收信号相关性很高，本发明针对现有生成对抗网络的算法生成信号数据质量低劣的问题，对算法在损失函数和网络框架上进行改进，使得生成数据的质量得到显著的改善。下面结合附图及具体实施例对本发明的应用原理作进一步描述。本发明基于生成对抗网络，利用生成对抗网络中生成器和判别器的交叉优化，使得生成器能够模拟生成与训练集中数据相似的信号。在生成对抗网络的基础上，本发明融合了EM距离损失函数和最小均方误差损失函数作为生成对抗网络中的损失函数，并设计基于全连接层的对称网络结构。在改进算法下，生成数据具有与接收数据相似度很高的信号，并具有丰富的多样性。如图1所示，本发明实例提供的基于生成对抗网络的信号重构算法步骤主要包括以下几步：(1)，在电磁环境中，接收无线电通信信号。(2)，通过采样定理对信号离散化，得到一定维度的离散信号数据，将该数据作为训练数据集。(3)，将训练数据集输入到生成对抗网络中，通过生成器和判别器的交叉训练优化生成器和判别器，最终使得生成器能够生成与接收到的无线电信号相似度很高的数据。(4)，通过训练好后的生成器生成多个信号数据。下面结合附图，对该系统流程作进一步的说明。如图1所示，本发明主要包括以下步骤：步骤一：在电磁环境中接收信号数据步骤二：对接收到的信号进行离散化，并切分成多个信号数据步骤三：初始化生成器中的参数w0和判别器中的参数θ0当参数w0和θ0没有收敛时，或者迭代次数没有达到停止条件时，重复进行如下步骤：当t＝1,...,ncritic时，重复执行如下步骤，其中ncritic为判别器和生成器的训练次数比，表示每训练一次生成器，训练判别器的次数，通常设为一个大于1的常数；当i＝1,...,m重复执行如下步骤，m为批大小，表示每次神经网络训练时，输入数据的样本数目，通常设置为一个大于1的常数；(a)从真实数据中采样抽取出一个真实数据x∈X,从多元随机高斯分布中抽取一个一定维度的一维噪声向量z～pz,从0到1之间的均匀分布中抽取一个参数ε～U[0,1]，其中X表示真实数据集合，pz表示多元高斯分布，U[0,1]表示0到1之间的均匀分布；(b)将z作为生成器的输入，得到构造的信号数据其中Gθ表示生成器；(c)计算得到由生成数据和真实数据构造的新的抽样信号；(d)计算损失函数其中Dw表示判别器；(e)通过深度学习中常用的Adam优化器计算损失函数的梯度，并在神经网络中反向传播，以更新优化判别器中的参数θ；(f)当i＝m时，通过Adam优化器计算损失函数的梯度，并在生成器的神经网络中反向传播，以更新优化生成器中的参数w；步骤四：训练结束后，通过生成器生成多个信号构成生成信号数据集，完成信号重构的任务。本发明部分生成信号数据如图4所示，图4(a)表示真实数据的样本，图4(b)表示现有生成对抗网络算法生成的信号样本，图4(c)表示本发明改进后的生成对抗网络生成的信号数据。通过图4，可以看出，相比较于现有生成对抗网络算法生成的样本，改进后的生成对抗网络生成的信号与真实数据的拟合度更高；在图5中，表示了现有生成对抗网络算法和改经后的生成对抗算法在训练迭代的过程中，生成的信号集与真实信号数据集相似度的变化，由图可以看出，改经后的算法在生成信号的相似度上有了明显的改善。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3