CN110289927A - 基于条件生成对抗网络的信道模拟实现方法 - Google Patents

Abstract

一种基于条件生成对抗网络的信道模拟实现方法，通过从实际发送接收信号对中生成原始数据集，然后将原始数据集以双通道的二维时频域信号方式表示，用于条件生成对抗网络模型的训练，训练后的条件生成对抗网络模型能够对信道进行准确模拟。本发明利用cGAN在学习数据概率分布上的有效性和精准性的优势以及在图像生成领域取得的成功，将其应用于信道建模上。将大量测量采集的发送信号和接收信号作为配对数据集对生成对抗网络训练，当生成对抗网络中的鉴别器不能分辨出真实信道中的接收信号和生成网络生成的接收信号的时候，该生成网络就等价于信道的模型。

Description

基于条件生成对抗网络的信道模拟实现方法

技术领域

本发明涉及的是一种通信领域的技术，具体是一种基于条件生成对抗网络cGAN(conditional Generative Adversarial Nets)的信道模拟实现方法。

背景技术

对于无线通信系统，无线信道建模对于无线通信系统的理论分析和实际应用一直是一个基础任务，准确的信道模型能够帮助理解不同无线信道对于传输信号的物理影响。现有的信道建模主要依赖于“参数化”的方法，即依赖于某些参数去表征复杂的无线信道环境。这些“参数化”方式生成的信道在网络性能的评估过程中，显然是不太适用的。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于条件生成对抗网络的信道模拟实现方法，利用cGAN在学习数据概率分布上的有效性和精准性的优势以及在图像生成领域取得的成功，将其应用于信道建模上。将大量测量采集的发送信号和接收信号作为配对数据集对生成对抗网络训练，当生成对抗网络中的鉴别器不能分辨出真实信道中的接收信号和生成网络生成的接收信号的时候，该生成网络就等价于信道的模型。

本发明是通过以下技术方案实现的：

本发明通过从实际发送接收信号对中生成原始数据集，然后将原始数据集以双通道的二维时频域信号方式表示，用于条件生成对抗网络模型的训练，训练后的条件生成对抗网络模型能够对信道进行准确模拟。

所述的原始数据集通过对发送信号x在其可行域中进行充分采样，产生大量的发送信号和在接收端采集到的接收信号y配对数据(x，y)，对于I个OFDM符号的多载波已调信号为：经信道衰落后，接收到的信号为其中：为幅度，为相位，第i个OFDM符号子载波f_k的调制信号X(i,k)＝A(i,k)+B(i,k)j，N为子载波的个数，A为调制信号实部，B为调制信号虚部。

所述的以双通道的二维时频域信号方式表示是指：以时间和子载波频率为图像坐标，每一个资源元素(Resource Element，RE)作为图像中的一个像素，将待模拟信道的衰落特性通过建立发送信号与接收信号之间对应位置RE的映射关系进行表示。

所述的映射关系是指：Y_i,k＝H[X_i,k]，其中：X_i,k为发送信号的RE，Y_i,k为接收信号的RE(在GAN中表示为Y＝G(X)，G为生成器网络，X为生成器的输入，Y为生成器的输出)。

发送信号和接收信号每个位置的RE包含了信号的幅度信息M和相位信息为了避免两种信息耦合在一起，将由单通道表示的时频通信信号中每个RE的幅度值和相位值分离，从而将通信信号转变为双通道的信号，每个通道可单独表示信号的幅度值和相位值。

考虑到信号幅度和相位两个通道中元素值的取值范围的差异性，需对两个通道的元素值做归一化处理，将幅度值和相位值变为[0，1]之间的小数，以使通信信号进一步类似图像信号。归一化的方式可采用最小-最大归一化方法，转换方式为其中：x为任一通道的实际元素值，x_min为此通道中元素的最小值，x_max为此通道中元素的最大值。

所述的条件生成对抗网络模型采用但不限于图像到图像转换的pix2pix的模型框架，具体为一个生成器G和一个鉴别器D之间的最小最大化的两个博弈者间的博弈，其中：鉴别器D通过学习以区分由生成器生成的接收端数据和实际测量采集的接收端数据，生成器G通过学习以使生成的接收端数据能够欺骗鉴别网络D，使之做出错误的决定。

所述的训练，包括鉴别器训练和生成器训练，采用迭代交替训练的方式实现，其中：

鉴别器训练采用的训练集包括：①输入信号和实际采集的信号对为标记为真实的标签1或②输入信号和由生成网络生成的信号对为标记为虚假的标签0，通过训练使鉴别器对输入信号对的类别最大化正确分类。

生成器训练，以使生成网络的输入和输出信号对能够欺骗鉴别器，也就是使鉴别器的输出概率值接近1，鉴别结果为真实。

所述的迭代交替训练是指：权重初始化后先固定生成器的权重并训练鉴别器，当第一代鉴别器的训练完成后固定鉴别器的权重并训练生成器以得到新一代的生成器，两者迭代交替进行，当鉴别器无法鉴别生成器生成的信号和真实接收端信号时，即完成训练。

技术效果

与现有技术相比，本发明将二维时频域信号作为图像，使用cDCGAN训练机制能够学习得到数据的分布特性对复杂信道进行建模。本方法中则是基于对抗生成网络，训练其基于深度神经网络模型的生成网络来模拟(或建模)信道的衰落特性。基于真实的接收数据服从高斯分布，本发明生成的接收信号也近似服从对应的高斯分布，表明本发明模拟效果良好。

附图说明

图1为通信系统示意图；

图2为时频域二维信号示意图；

图3为时频域二维信号的双通道示意图；

图4为生成器网络结构示意图；

图5为鉴别器网络结构示意图；

图6为鉴别器网络训练示意图；

图7为生成器网络训练示意图；

图8为生成网络模型模拟信道模型示意图。

具体实施方式

如图1所示，为本实施例涉及的通信系统示意图，包含：发射机、信道和接收机，以OFDM信号为例，其衰落模型为y(t)＝h[x(t)]，其中：x(t)为发送信号，y(t)为接收信号，噪声的影响也包含在信道模型中h[·]。

本实施例具体步骤包括：

步骤一、用于cGAN训练的发送信号和接收信号配对的原始数据集采集：创建一个OFDM信号配对数据集，采集发送信号和接受信号配对，其调制方式采用但不限于OFDM多载波调制，其中：N个子载波的频率为f_k，k＝1,2,…,N，，多载波已调信号在第i个OFDM符号为：当子载波采用普通，即没有采用波束成形的数字调制时，第i个OFDM符号子载波f_k的调制信号X(i,k,t)与t无关，即简写成X(i,k)，其为与i,k有关的复常数，携带了要传输的信息，与每个子载波的调制方式有关。

将X(i,k)作为位于(i,k)位置的RE，其决定每个子载波的幅度和相位，i∈[0，I-1]。

例如，当第k个子载波采用QPSK调制，且采用π/4方式的星座图，则每个星座点可携带2位2进制信息，当位于第i个OFDM符号上子载波f_k上的RE的调制信号为“00”时，则将X(i,k)写成实数与虚数之和的形式即X(i,k)＝A(i,k)+B(i,k)j，则在第i个OFDM符号的多载波已调信号为：

其中：

表示幅度，表示相位。

对于I个OFDM符号的多载波已调信号为：

经信道衰落后，接收到的信号为

通过软件定义网络，考虑IEEE802.11g协议，配置一个802.11g的发送机和接收机，传播信道考虑真实的实验室室内环境。数据集的大小为P＝8000对OFDM的时域信号。通信信号时频资源块大小设定为256×256，即一次采集处理的通信信号在时间上包含256个OFDM符号，在频域上包含256个子载波。

步骤二、数据集预处理

(1)通信数据集的通道化处理

对发送信号和接收信号数据集进行预处理以转换为与传统图像信号类似的信号，从而能够研究采用用于图像处理的深度卷积神经网络对无线信道的衰落特性进行模拟分析。

针对通信信号的时频资源块表示，可将每一个RE视为图像中的一个像素。发送端和接收端信号对应位置的RE变化，如幅度值的衰减和相位的偏移，可以反映出信道的衰落特性，所以信道的衰落特性可以通过建立输入信号与输出信号之间对应位置RE的映射关系来表达。

发送信号和接收信号每个位置的RE包含了信号的幅度信息和相位信息，为了避免两种信息耦合在一起，类比图像针对像素点采用的三颜色通道处理方式，可将由单通道表示的时频通信信号中每个RE的幅度值和相位值分离，从而将通信信号转变为双通道的信号，每个通道可单独表示信号的幅度值和相位值。

(2)通道数据集的归一化处理

考虑到幅度和相位两个通道中元素值的取值范围的差异性，需对两个通道的元素值做归一化处理，将幅度值和相位值变为[0，1]之间的小数，以使通信信号进一步类似图像信号。归一化的方式可采用最小-最大归一化方法，转换方式为其中：x表示某个通道的实际元素值，x_min表示此通道中元素的最小值，x_max表示此通道中元素的最大值。

将一次采样处理的通信信号时频资源块大小设定为256×256，但不限于此大小，即一次采集处理的通信信号在时间上包含256个OFDM符号，在频域上包含256个子载波。经过对通信数据的双通道化处理后，可得到大小为256×256×2的类图像信号。类比图像处理中对图像信号的描述，可对此采样通信信号用H＝256，W＝256，C＝2进行描述，其中：H表示高度，W表示宽度，C表示通道数。

步骤三、构建条件生成对抗网络模型

当信道输入信号为x，信道输出信号为y时，信道特性可由条件分布p(y|x)进行描述。因此可将x作为条件信息，利用cGAN(Conditional GAN)学习信道的p(y|x)分布，从而对信道进行精确地模拟。在具体的条件生成网络模型上，可采用但不限于图像到图像转换的pix2pix的模型框架。

1)生成器模型

基于cGAN的图像到图像转换的实质是使用生成器网络模型来建立一种输入图像到输出图像的映射关系，本实施例中使用一个自编码解码器的网络，如图4(a)所示，其中：输入图像信号通过编码器中的一系列网络层，渐近地进行下采样，直到瓶颈层。在瓶颈层之后，会通过解码器的一系列网络层渐进地进行上采样，最后生成输出图像。这样的网络需要所有的信息通过所有的层，包括瓶颈层。但是对于多数图像转换的问题，底层的信息在输入输出之间很多是共享的，因此宜将这些共享信息直接跨过中间不必要的网络层。

为使生成器中的共享信息绕过瓶颈，在图4(a)的基础增加一个跳跃连接，形成一个U-Net通用的模型，如图4(b)所示。本实施例在第i层和n-i层之间添加了跳跃连接，其中：n是总共的层数，每个跳跃连接将第i层和第n-i层的所有通道串联起来；当未添加跳跃连接时，第i层网络输出特征图的通道数是C_i，第n-i层网络的输出特征图的通道数是C_n-i，则在添加跳跃连接之后第n-i层网络的输出特征图的通道数是C_n-i+C_i。

2)鉴别器模型

鉴别器的结构如图5所示，为自编码器解码器的编码器部分。其中，鉴别器网络的输入是两个时频域信号的组合配对，叠加为四通道。鉴别器的输出为一个概率值p∈[0,1]，表示对未知输入图像对鉴别为真的概率：小于0.5表示虚假，大于0.5表示真实。

由于生成对抗网络模型主体使用图像处理中的Pix2Pix网络模型，但是因为图像为三通道，而本方法处理的信号为二通道，因此在Pix2Pix的生成器网络模型基础上，将第一层网络的卷积核的通道数量由3修改为2；为使输出的信号为期望的双通道信号，将最后一个卷积层的卷积核的数量由3修改为2；同时。鉴别器模型：在Pix2Pix的鉴别器网络模型基础上，将第一层网络的卷积核的通道数量由6修改为4。

步骤四、基于cGAN生成网络的信道模型模拟。

所述的条件生成对抗网络的目标函数为：

L_cGAN(G,D)＝E_x,y[log D(x,y)]+E_x[log(1-D(x,G(x)))]，其中：生成器G尽可能去最小化这个目标，而鉴别器D尽可能去最大化这个目标，两者相互对抗，最佳的生成器可以表示为

生成器的任务是对信道模型的模拟，使输出的生成接收端信号与真实信道的接收端信号尽可能相似，包括分布的相似性和像素点间的相似性，其中：通过分布相似性的提升欺骗鉴别器，而像素点间的相似性提升是使生成器的输出接近真实信道接收端信号。采用L1损失函数作为像素点间的相似性约束为：L_L1(G)＝E_x,y[||y-G(x)||₁]；则对生成对抗网络的优化目标为：其中：λ为L_cGAN(G,D)和L_L1(G)的权重比。

所述的条件生成对抗网络的训练具体为：对生成器和鉴别器的权重初始化，通过基于采样的发送信号和接收信号对其进行训练，不断地调整权重参数，使得定义的损失函数最小。训练包含两个分支：鉴别器训练和生成器训练。

在生成对抗网络的训练阶段，发射信号和接收信号都为经过预处理后的信号，即x_i，和都是大小为256×256×2的类图像信号。

如图6所示，所述的鉴别器训练是指：将发射信号x_i作为输入信号输入到生成网络中，生成器的输出信号为生成器生成的接收信号将x_i与真实接收信号配对为将x_i与生成器的输出配对为两个信号的配对方式是将两个信号在通道方向相加：x_i是一个双通道信号，或者也是双通道信号，两个信号在通道方向的叠加，也就得到一个四通道的信号。鉴别器的输入是或者鉴别器的输出D(x_i,y_i)是一个判断输入是真实还是虚假的概率值。

本实施例对标记上真实的标签1，对标记上虚假的标签0，鉴别器的任务就是对输入进行正确分类。使用二进制交叉熵损失-y×log(D(x))-(1-y)×log(1-D(x))来计算分类误差，其中：x表示鉴别器的输入，y表示输入对应的标签。在本实施例中鉴别器的输入是或者对应的标签是1或者0。

以样本x_i为例，鉴别器的训练为：将真实输入输出对作为鉴别器的输入，计算鉴别器输出与真实标签的误差。鉴别器的输出为对应的标签是1，所以计算得到的误差为将虚假输入输出对作为鉴别器的输入，计算鉴别器输出与真实标签的误差。鉴别器的输出为对应的标签是0，所以计算得到的误差为将两个误差相加组成损失函数，反向传播通过优化器来调整鉴别器的权重，使得损失函数最小。

如图7所示，所述的生成器训练为使生成的输出图像能够欺骗鉴别器，也就是使鉴别器的输出概率值接近1，鉴别结果为真实，所以训练生成器时，标记的标签是1。另外一方面，生成器也增加了一项L1损失，目的是使生成的接收端信号与真实的接收端信号对应像素点相似。训练生成器的时候，需要使用鉴别器去计算生成损失，为了避免更新生成器的权重时也更新了鉴别器的权重，会在训练生成器的时候，固定鉴别器的权重。

本实施例通过将发射信号输入到生成器中，输出生成的接收端信号，将发射信号和生成的接收端信号配对方式组合成一个四通道的输入信号，输入到鉴别器中，此时输入信号的标签标注为1，也就是希望鉴别器可以将输入信号鉴别为真实，将鉴别器的输出结果与标签1作对比，计算得到的误差为同时生成的接收端信号也会与真实的接收信号对比，通过计算L1损失计算得到的误差为将两种误差相加，得到最后的生成器的损失函数。将误差反向传播，通过优化器更新生成器的权重。

上述鉴别器和生成器的训练时采用迭代交替训练的方式，具体为：权重初始化后先固定生成器的权重并训练鉴别器，第一代鉴别器的训练完成之后再固定鉴别器的权重并训练生成器，得到新一代的生成器，两者交替进行，当鉴别器无法鉴别生成器生成的信号和真实接收端信号时，生成对抗网络的训练完成。

经过上述步骤后，完成训练的生成对抗网络中生成网络模型就可以作为真实信道的一个模拟信道，如图8所示。实验数据包括由仿真平台产生的发送信号和接收信号以及该过程中的信道模型。性能指标为生成器对信道模型的拟合程度，表现为，输入相同的发送信号，由真实信道和生成器得到的接收信号的分布相似度。

本方法通过深度神经网络模型强大的非线性拟合能力，可以模拟出复杂的真实信道模型，不需要复杂的数学公式，减少了人工设计的复杂度，提高了信道模型的准确度。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (10)

1.一种基于条件生成对抗网络的信道模拟实现方法，其特征在于，通过从实际发送接收信号对中生成原始数据集，然后将原始数据集以双通道的二维时频域信号方式表示，用于条件生成对抗网络模型的训练，训练后的条件生成对抗网络模型能够对信道进行准确模拟；

所述的以双通道的二维时频域信号方式表示是指：以时间和子载波频率为图像坐标，每一个资源元素作为图像中的一个像素，将待模拟信道的衰落特性通过建立发送信号与接收信号之间对应位置RE的映射关系进行表示。

2.根据权利要求1所述的方法，其特征是，所述的原始数据集通过对发送信号x在其可行域中进行充分采样，产生大量的发送信号和在接收端采集到的接收信号y配对数据(x,y)，对于I个OFDM符号的多载波已调信号为：经信道衰落后，接收到的信号为其中：为幅度，为相位，第i个OFDM符号子载波f_k的调制信号X(i,k)＝A(i,k)+B(i,k)j，N为子载波的个数，A为调制信号实部，B为调制信号虚部。

3.根据权利要求1所述的方法，其特征是，所述的映射关系是指：Y_i,k＝H[X_i,k]，其中：X_i,k为发送信号的RE，Y_i,k为接收信号的RE，其在GAN中表示为Y＝G(X)，G为生成器网络，X为生成器的输入，Y为生成器的输出。

4.根据权利要求1所述的方法，其特征是，将信息图中每个RE的幅度值和相位值分离，从而将通信信号转变为双通道的信号，每个通道可单独表示信号的幅度值和相位值。

5.根据权利要求4所述的方法，其特征是，对每个通道的元素值做归一化处理，将幅度值和相位值变为[0,1]之间的小数，以使通信信号进一步类似图像信号。

6.根据权利要求1所述的方法，其特征是，所述的条件生成对抗网络模型采用图像到图像转换的pix2pix的模型框架，具体为一个生成器和一个鉴别器之间的最小最大化的两个博弈者间的博弈，其中：鉴别器通过学习以区分由生成器生成的接收端数据和实际测量采集的接收端数据，生成器通过学习以使生成的接收端数据能够欺骗鉴别网络，使之做出错误的决定。

7.根据权利要求6所述的方法，其特征是，所述的生成器采用自编码解码器的网络，其中：输入图像信号通过编码器中的一系列网络层，渐近地进行下采样，直到瓶颈层，然后通过解码器的一系列网络层渐进地进行上采样，最后生成输出图像，并且生成器中的共享信息通过跳跃连接绕过瓶颈层；

所述的跳跃连接位于第i层和n-i层之间，其中：n是总共的层数，每个跳跃连接将第i层和第n-i层的所有通道串联起来；当未添加跳跃连接时，第i层网络输出特征图的通道数是C_i，第n-i层网络的输出特征图的通道数是C_n-i，则在添加跳跃连接之后第n-i层网络的输出特征图的通道数是C_n-i+C_i。

8.根据权利要求6所述的方法，其特征是，所述的生成器的第一层网络的卷积核的通道数量为2，最后一个卷积层的卷积核的数量为2；

所述的鉴别器的第一层网络的卷积核的通道数量为4。

9.根据权利要求1所述的方法，其特征是，所述的训练，包括鉴别器训练和生成器训练，采用迭代交替训练的方式实现，其中：

鉴别器训练采用的训练集包括：①输入信号和实际采集的信号对为标记为真实的标签1或②输入信号和由生成网络生成的信号对为标记为虚假的标签0，通过训练使鉴别器对输入信号对的类别最大化正确分类；

生成器训练，以使生成网络的输入和输出信号对能够欺骗鉴别器，也就是使鉴别器的输出概率值接近1，鉴别结果为真实。

10.根据权利要求9所述的方法，其特征是，所述的迭代交替训练是指：权重初始化后先固定生成器的权重并训练鉴别器，当第一代鉴别器的训练完成后固定鉴别器的权重并训练生成器以得到新一代的生成器，两者迭代交替进行，当鉴别器无法鉴别生成器生成的信号和真实接收端信号时，即完成训练。