CN110875790A - 基于生成对抗网络的无线信道建模实现方法 - Google Patents

Abstract

一种基于生成对抗网络的信道模型实现方法，通过使用真实信道数据和生成器生成的信道数据对对抗网络的鉴别器和生成器交替训练，直至鉴别器无法分辨真实信道数据和生成数据，达到生成器对信道数据的学习，从而用于产生具有相同的统计特性的信道数据，实现对信道的建立平稳信道及广义非平稳信道模型的目标。本发明生成的信道数据JS散度均小于0.08，能够准确的服从真实信道数据分布。

Description

基于生成对抗网络的无线信道建模实现方法

技术领域

本发明涉及的是一种无线通信领域的技术，具体是一种基于生成对抗网络的无线信道建模实现方法。

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。现有的信道生成方式主要依赖于某些参数去表征复杂的无线信道环境的质量。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。以车车信道为例，车辆本身的行进过程中，会造成一定的色散效应和多普勒效应，可能影响的无线信道环境参数非常多，设计生成信道的模型必须足够复杂才能精确反应信道的特征。

发明内容

本发明针对现有技术对于高密集、高移动的通信信道，由于其信道模型的复杂性，难以通过传统的理论闭式推导获得其精准的信道模型参数的缺陷和不足，提出一种基于生成对抗网络的信道模型实现方法，使用生成对抗网络用于无线信道建模，学习出真实信道的统计特性，并能够生成具有相同统计特性的信道数据且对于鉴别器的输入数据进行了预处理的工作，提取出信道数据的统计参数，减少鉴别器的输入维度。

本发明是通过以下技术方案实现的：

本发明通过使用真实信道数据和生成器生成的信道数据对对抗网络的鉴别器和生成器交替训练，直至鉴别器无法分辨真实信道数据和生成数据，达到生成器对信道数据的学习，从而用于产生具有相同的统计特性的信道数据，实现对信道的建立平稳信道及广义非平稳信道模型的目标。

所述的真实信道数据是指：选定信道模型的场景和相应的信道参数后通过仿真平台或者使用专用的信道数据采集工具，得到真实的信道数据。

所述的生成器生成的信道数据是指：使用批次的随机噪声作为生成器的输入，得到其生成的信道数据样本。

所述的生成器优选使用均匀分布的随机噪声作为输入。

所述的对抗网络，包括均采用全连接神经网络的生成器和鉴别器，其中：鉴别器包括两个隐藏层，每个隐藏层为10个神经元，激活函数为sigmod，鉴别器的输入为真实信道数据和生成器生成的信道数据的均值、方差、峰度和偏度；生成器包括两个隐藏层，每个隐藏层为5个神经元，激活函数为tanh，生成器的输入为随机噪声。

所述的交替训练是指：固定生成器的参数的同时训练鉴别器或固定鉴别器的参数的同时训练生成器，两者交替迭代训练直至鉴别器无法鉴别虚假样本和真实样本。

附图说明

图1为城市信道场景示意图；

图2为jakes信道模型示意图；

图3为生成对抗网络信道建模的框架示意图；

图4为实验结果示意图。

具体实施方式

本实施例场景如图1所示，为城市信道场景的示意图，本发明实际实现不仅限于该信道场景。针对该场景信道建模的具体步骤包括：

步骤一、选定信道模型的场景和相应的信道参数：在该场景中基站作为发射机，位于固定位置；汽车作为发射机，沿着固定方向匀速行驶。在该场景中分别因为汽车的移动和发射信号的反射导致存在多普勒效应和多径效应，而且因为楼房的遮挡，使得不存在视距链路。使用传统的信道建模方法，该信道可视为jakes信道模型。在仿真中将多普勒频率设定为926Hz，采样时间设定为10^-6s，每次采集5×10⁴个样本。

步骤二、为了更好的验证结果的准确性，根据设定的参数，通过Matlab仿真平台仿真该信道模型。通过运行Matlab程序，可以得到真实的信道数据。真实信道数据是服从特定的统计特性的，从图2可以看出，信道值的幅度服从瑞丽分布，相位服从均匀分布。

步骤三、在本实施例中，采用的实验平台为Ubuntu16.04、Python3.6、PyTorch0.4GPU框架，生成网络和鉴别网络均采用全连接神经网络，生成器网络结构和鉴别器网络结构如下所示：

计算5000批次大小的生成信道数据或者采样的5000批次真实信道数据x_i的均值

方差

峰度

和偏度

其中：N为5000。

步骤四、将步骤三得到的统计值作为鉴别器的输入，将一个随机噪声作为生成器的输入。通过上述参数设置构建得到简单轻量的生成对抗网络并进行训练，训练方式为鉴别器网络和生成器网络交替迭代训练5000回合并在训练结束后保留生成器的网络模型参数，其中每一回合包括：

a)使用真实信道数据作为鉴别器输入，计算损失：将真实样本进行数据处理得到四个统计值输入到鉴别器中，将真实信道数据的输出标签设为真，通过交叉熵损失函数计算损失loss_real。

b)使用生成的信道数据作为鉴别器输入，计算损失：对生成器参数进行随机初始化。使用噪声作为生成器的输入，得到生成的信道数据样本。对于生成器采用批次的输入，即输入5000个批次，可得到5000个批次的生成样本。将生成样本输入到鉴别器中训练，标签设为假，通过交叉熵损失函数计算损失loss_fake。

c)将步骤a和步骤b中的损失相加得到鉴别器的损失，即loss_adv＝loss_real+loss_real；固定生成器网络模型的参数，通过对鉴别器损失函数进行反向传播，仅对鉴别器进行训练并重复该训练步骤20次。

i)使用批次的随机噪声作为生成器的输入，得到生成的信道数据样本，将批次的生成信道数据样本进行数据处理后，输入到鉴别器中，将生成信道数据的输出结果标签设为真；

ii)根据交叉熵损失函数计算生成器的损失loss_gen，固定鉴别器网络模型的参数，通过对鉴别器损失函数进行反向传播，仅对生成器进行训练并重复该训练步骤20次。

步骤五、在测试阶段，通过加载训练后的生成器的网络模型参数，对生成器网络输入随机噪声便可得到服从真实信道数据分布特性的信道数据。

如图4所示，为本实施例实验结果，可以看出通过采样真实信道数据对生成对抗网络进行训练后，生成器生成的信道数据近似服从真实信道数据分布特性。图4(a)表示生成的信道数据幅度值近似服从瑞丽分布，图4(b)相位近似服从均匀分布。图4(c)使用服从正态分布真实信道数据对生成对抗网络进行训练，生成的信道数据同样近似正态分布。

通过常用的衡量数据概率分布的数值指标JS散度度量生成的信道数据分布与真实的信道数据分布，对于图4中的三对信道数据分布的JS散度均小于0.08，表明生成的信道数据能够准确的服从真实信道数据分布。

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 (5)

1.一种基于生成对抗网络的信道模型实现方法，其特征在于，通过使用真实信道数据和生成器生成的信道数据对对抗网络的鉴别器和生成器交替训练，直至鉴别器无法分辨真实信道数据和生成数据，达到生成器对信道数据的学习，从而用于产生具有相同的统计特性的信道数据，实现对信道的建立平稳信道及广义非平稳信道模型的目标；

所述的生成器生成的信道数据是指：使用批次的随机噪声作为生成器的输入，得到其生成的信道数据样本。

2.根据权利要求1所述的方法，其特征是，所述的生成器使用均匀分布的随机噪声作为输入。

3.根据权利要求1所述的方法，其特征是，所述的对抗网络，包括均采用全连接神经网络的生成器和鉴别器，其中：鉴别器包括两个隐藏层，每个隐藏层为10个神经元，激活函数为sigmod，鉴别器的输入为真实信道数据和生成器生成的信道数据的均值、方差、峰度和偏度；生成器包括两个隐藏层，每个隐藏层为5个神经元，激活函数为tanh，生成器的输入为随机噪声。

4.根据权利要求1所述的方法，其特征是，所述的交替训练是指：固定生成器的参数的同时训练鉴别器或固定鉴别器的参数的同时训练生成器，两者交替迭代训练直至鉴别器无法鉴别虚假样本和真实样本。

5.根据权利要求1或4所述的方法，其特征是，所述的交替训练包括以下步骤：

1)计算所有样本的均值、方差、峰度和偏度；

2)分别对鉴别器和生成器进行与样本个数相同次数的训练并在训练结束后保留生成器的网络模型参数，其中每一回合包括：

a)使用真实信道数据作为鉴别器输入，计算损失：将真实样本的均值、方差、峰度和偏度输入到鉴别器中，将真实信道数据的输出标签设为真，通过交叉熵损失函数计算损失loss_real；

b)使用生成的信道数据作为鉴别器输入，计算损失：对生成器参数进行随机初始化；使用噪声作为生成器的输入，得到生成的信道数据样本；对于生成器采用批次的输入得到生成样本；将生成样本输入到鉴别器中训练，标签设为假，通过交叉熵损失函数计算损失loss_fake；

c)将步骤a和步骤b中的损失相加得到鉴别器的损失，即loss_adv＝loss_real+loss_real；固定生成器网络模型的参数，通过对鉴别器损失函数进行反向传播，仅对鉴别器进行训练并重复该训练步骤20次，具体为：

i)使用批次的随机噪声作为生成器的输入，得到生成的信道数据样本，将批次的生成信道数据样本进行数据处理后，输入到鉴别器中，将生成信道数据的输出结果标签设为真；

ii)根据交叉熵损失函数计算生成器的损失loss_gen，固定鉴别器网络模型的参数，通过对鉴别器损失函数进行反向传播，仅对生成器进行训练并重复该训练步骤20次。

Images