CN112787966A - 基于端到端的级联生成对抗网络信号解调方法 - Google Patents

Abstract

本发明公开了一种基于端到端的级联生成对抗网络信号解调方法。本发明步骤：1、通过数据预处理将调制信息与解调信息进行维度变换，作为生成对抗网络的数据集；2、基于GAN网络的解调模型实现由调制信息向解调信息的映射，从而实现信号解调；3、基于CGAN网络的信道估计补偿模型对接收信息进行补偿，然后映射得到稳定的调制信息；4、将基于CGAN网络的信道估计补偿模型与GAN网络的解调模型进行级联形成端到端的级联生成对抗网络解调模型。本发明利用GAN网络目标函数更具约束性的优势提升整个系统解调能力。并且针对高斯信道，瑞利衰落信道仍有良好的应对策略。

Description

基于端到端的级联生成对抗网络信号解调方法

技术领域

本发明主要针对高斯信道与瑞利衰落信道下传输的调制信号，主要涉及一种基于端到端的级联生成对抗网络信号解调方法。

背景技术

传统无线通信是以信号发射器与信号接收机为基础的包含多个通信处理模块的完善系统。虽然传统无线通信系统技术日益成熟，各个通信模块之间的技术也趋于完善，但是随着通信环境的逐渐复杂化，低信噪比传输，密集信号传输，多干扰传输的情况出现，使得现有的通信模块的通信能力受到挑战，甚至在某些较为苛刻的情况下无法满足通信条件。因此将深度学习与通信系统相结合提供了了一种新的方向，并且这种结合在MIMO检测、信道解码和信道估计中均得到显著提升。

目前为止基于CNN网络的数字信号解调器相较于传统相干解调算法有所突破，但是受限于传统CNN结构与目标函数的问题，导致模型学习能力映射能力并不能达到理想高度，因此在面对复杂的传输环境或者高噪声传输环境时信号解调能力表现一般。为进一步增强信号解调能力，需要寻找一种映射能力强，抗噪性能好的深度学习网络，从而设计出在衰落环境下仍能保证良好性能的解调器。

发明内容

本发明的目的是优化高斯信道与衰落信道下调制信号的解调性能，提出了一种基于级联生成对抗网络的解调方法。通过将调制信息与解调信息进行维度变换将一维信号转换为二维的图片，应用生成对抗网络模型实现由调制信息向解调信息的映射，实现调制信号的解调。理论分析和仿真实验表明，针对BPSK信号，在高斯信道下该方法与普遍应用的相干解调算法与CNN解调算法方案相比，同误码率下解调性能提高了4dB以上，在瑞利衰落信道下该方法与在MMSE信道估计下的解调算法方案相比同误码率下提升1dB左右。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1、通过数据预处理将调制信息与解调信息进行维度变换，将一维信号变换为二维图片，作为生成对抗网络的数据集；

步骤2、基于GAN网络的解调模型实现由调制信息向解调信息的映射，从而实现信号解调；

步骤3、基于CGAN网络的信道估计补偿模型对接收信息进行补偿，然后映射得到稳定的调制信息；

步骤4、将基于CGAN网络的信道估计补偿模型与GAN网络的解调模型进行级联形成端到端的级联生成对抗网络解调模型。

步骤1具体实现如下：

1-1.接收到BPSK调制信号，经过采样后的数学模型为：

S_mod(n)＝∑a_ncos(2πf_c*n/f_s) (1)

其中，S_mod(n)代表经过采样的BPSK调制信号，a_n代表双极性基带信息，规定a_n的正负分别代表发送“1”“0”符号，f_c代表发送信号载波频率，其中f_s表示采样频率，n表示当前采样点。

1-2.将经过采样的BPSK调制信号与经过GAN网络得到的输出数据规定维度为M*t*2的双通道图片，其中M代表码元个数，t代表每个码元采样点数，两个通道分别代表传输数据的实部与虚部。以实部调制信息为例变换的数学模型可表示为：

解调信息可以变换为：

上述公式中S_mod与S_demod分别代表调制信息(经过采样的BPSK调制信号)与解调信息

步骤2具体实现如下：

2-1.搭建基于生成对抗网络的映射模型，将调制信息(经过采样的BPSK调制信号)作为模型的输入，解调信息作为模型的输出建立如下映射：

2-2.搭建基于生成对抗网络的解调模型，模型包括生成器与鉴别器两部分。生成器采用U-Net网络结构，包括卷积层、反卷积层、激活层、归一化层、Drop层，具有生成解调信息作用；鉴别器采用CNN结构，具有卷积层、归一化层、激活层并应用softmax激活函数实现标签的标注，具有区分真实样本与从生成器生成样本的能力。

2-3.设计解调模型目标函数，生成对抗网络的目标函数为：

max_Dmin_GL(D,G)＝E[log(D(S_demod))]+E[log(1-D(((S_mod)))] (5)

G代表生成器网络，D代表判决器网络，V(D,G)是目标函数，D(S_demod)表示将正确的双极性解调信息样本输入判决网络后判断为真实样本的概率，G(S_mod)表示由调制信息输入到生成器网络后得到的生成样本，E[*]代表分布函数的数学期望值。鉴别器D的目标是能更有效的区分真实数据与来自生成器生成的数据，生成器G目标是能使生成的数据与真实数据更加相似，因此令D使目标函数最大化，G使目标函数最小化,二者产生对抗得到更加优化性能。

为了生成数据与真实数据更加贴近，增加一个生成数据的目标函数：

L₂＝E[||S_demod-G(S_mod)||²] (6)

将两者按照一定权重进行结合，其中L₂的权重系数为ε，得到最终的整个系统目标函数:

max_Dmin_GL(D,G)+εL₂ (7)

2-4.将调制信号作为生成器的输入，解调信息作为生成器的输出，并将正确的解调信息与生成器生成的调制信息作为鉴别器输入判别真假并反馈给生成器，进行训练，得到基于GAN网络的的解调模型。

步骤3具体实现如下：

3-1.在衰落信道下因接收数据受信道影响导致接收到的调制信息有不同程度上的变换，若单一使用解调模型则无法建立稳定的映射关系，所以需要建立信道估计补偿模型。以瑞利衰落信道为例，将经过瑞利衰落信道的调制信号作为输入期望得到未经过瑞利信道的调制信号，具体数学模型可表示为：

其中y表示经过瑞利信道的调制信息，h表示瞬时信道参数且服从h～CN(0,1)，n_c表示高斯噪声，S_mod为调制信号。

3-2.搭建基于CGAN网络(条件生成对抗网络)的信道估计补偿模型。信道估计补偿模型生成器采用U-net结构并包括卷积层、反卷积层、激活层、归一化层、Drop层。因信道估计补偿模型采用CGAN网络结构,导频信息作为条件约束与输入信息一起输入到网络中，在生成过程中起到约束作用，提高生成信息准确性。鉴别器结构采用CNN结构，具有卷积层、归一化层、激活层并应用softmax激活函数，起到对补偿信道信息与真实为经过信道的调制信息判别真假作用。

3-3.设计信道估计补偿模型目标函数，条件生成对抗网络的目标函数为：

max_Dmin_GL_c(D,G)＝E[log(D(S_mod|S_pilot))]+E[log(1-D(G(y|S_pilot)))] (9)

其中，D(S_mod|S_pilot)表示将导频信息与调制信息样本一同输入鉴别器判为真的概率，G(y|S_pilot)表示将导频信息与经过衰落信道的调制信息样本一同输入生成器生成的样本数据。鉴别器D的目标是能更有效的区分调制信息与来自生成器生成的样本信息，生成器G目标是能使生成的样本信息与调制信息样本相似，因此令D使目标函数最大化，G使目标函数最小化,二者产生对抗得到更加优化性能。为有效使得生成器生成的样本信息与调制信息更加相似，增加一个目标函数：

L_2c＝E[||S_mod-G_c(y|S_pilot)||²] (10)

将两个目标函数按照一定权重进行结合，其中L_2c的权重系数为ε_c,因此基于CGAN网络的信道估计补偿模型最终目标函数为：

max_Dmin_GL_c(D,G)+ε_cL_2c (11)

3-4.将经过衰落信道的调制信号与导频信号作为生成器的输入，未经过到衰落信道的调制信号作为生成器的输出，并将正确的调制信息与生成器生成的调制信息作为鉴别器输入判别真假并反馈给生成器，进行训练，得到基于瑞利衰落信道下的信道估计补偿模型。

步骤4具体实现如下

4-1.将基于CGAN网络的信道估计补偿模型与基于GAN网络的解调模型进行级联，形成端到端的级联生成对抗网络结构，建立如下映射过程：

4-2.将接收到的经由衰落信道传输的调制信息作为模型输入，基带双极性解调信息作为生成器的输出，对端到端的级联生成对抗网络的解调模型进行训练，实现在衰落信道下的端到端的信号解调。

本发明有益效果如下：

本发明提出的基于级联GAN网络的解调算法，该算法有两个模型级联构成，分别为就GAN网络的解调模型与基于CGAN网络的信道估计补偿模型，并且对模型的输入输出数据维度做出了规定，将信号解调问题转换成有高分辨率图片向低分辨率图片映射问题，以达到降低模型收敛难度，增强模型解调能力的目的。由此可见，应用级联生成对抗网络模型实现对调制信号解调有着非常广泛的应用前景。

1.本发明优化了在高斯信道下解调性能，在高斯信道下相比于传统相干解调算法与现有CNN解调算法得到明显的解调性能提升，同误码率下对传统相干解调算法有4dB的性能提升，对CNN解调算法有3dB的性能提升。

2.本发明优化了在瑞利衰落信道下解调性能，相比于MMSE信道估计下的解调算法解调性能有所提高，同误码率下约有1dB解调性能提升。

3.本发明提供了一种解调算法的新思路，将信号解调问题转化成图片映射问题，相比于其他与深度学习相结合的解调算法有更强的映射能力与收敛性。

附图说明

图1维度变换的调制信号与解调信息

图2基于GAN网络的解调模型

图3不同信噪比下瑞利信道传输信息对比图

图4基于CGAN网络的信道估计补偿模型

图5瑞利衰落信号解调模型

图6高斯信道下误码率曲线

图7瑞利信道下误码率曲线

具体实施方式

下面结合附图对本发明的具体实施例做进一步的说明。

步骤1、将采样后BPSK信号M*t*2方式进行变换，经过变换后的图形如图1所示；

步骤2、将制作的BPSK信号的调制信息与解调信息作为生成对抗网络得输入与输出，按照图2所示模型结构进行训练得到基于GAN网络的解调模型；

步骤3、对经过瑞利衰弱信道下的信息进行维度变换，变换后得到如图3所示的图片，并将经过衰落信道的调制信息与补偿后的调制信息作为输入与输出，按照如图4所示的CGAN网络结构进行训练，得到基于CGAN网络的信道估计补偿模型。

步骤4、将解调模型与信道估计补偿模型进行级联，形成端到端的结构如图5所示，通过对该模型进行联合训练得到基于级联生成对抗网络的解调模型。

步骤1具体实现如下：

1-1.将BPSK信号调制信息按照式(2)所示制作成如图1中(a)所示的图片其中码元个数规定为256，每个码元采样8个点因此得到256*8大小的调制信息图片

1-2.将BPSK信号的解调双极性基带信息按照式(3)所示制作成如图1中(b)所示的图片，图片大小为256*8，每一行代表同一个码元信息因此每一行的各个采样点颜色相同。

步骤2具体实现如下：

2-1.按照图2所示的网络结构进行搭建，采用U-net结构通过卷积层生成高维信息，并将提取出的高维信息与原有低维信息通过连接层进行连接合并，然后将合并信息作为反卷积层的输入，通过反卷积层恢复出原来的尺寸大小，完成由调制信号向双极性解调信息的映射过程。

2-2.将图1中(a)所示调制信息图片作为生成器输入，图1中(b)所示解调信息作为生成器的输出对模型进行训练。得到基于GAN网络的解调模型。

步骤3具体实现如下：

3-1.将经过衰落信道的调制信息进行维度变换，如图3所示分别为各个信噪比下经过瑞利衰落信道的调制信息。

3-2.按照如图4所示的结构搭建条件生成对抗网络结构，信道的估计与补偿模型因采用CGAN网络，在信息输入方面需要将固定的导频序列S_pilot作为条件输入以确保信道估计与补偿的准确性。将经过衰落信道的调制信号与导频序列作为输入，经过信道补偿的调制信息作为输出，得到针对瑞利信道的信道估计与补偿模型。

步骤4具体实现如下：

4-1.将解调模型与信道估计补偿模型进行级联，形成端到端的级联结构如图5所示。

4-2对端到端的级联生成对抗网络模型进行联合训练，把接收到的经过信道传输的调制信息作为输入，基带双极性解调信息作为输出，实现在衰落信道传输下端到端的信号解调。

实施例：

本文实验所用服务器GPU为NVIDIA TITAN RTX，训练所使用的的深度学习框架是tensorflow2.0。实验所应用信号为BPSK信号，中心频率为2000Hz采样频率为12800Hz码元速率为1600Baund，每个训练数据包含256个码元，每个码元采样8个点。

测试模型在高斯信道下解调性能，因在高斯信道下接收到的调制信息仅受到高斯噪声影响不存在衰落损失，可以用单一解调模型进行测试。制作训练集与测试集通过MATLAB2019a仿真生成BPSK信号，训练集为1000个无噪声下的BPSK信号，测试集为500个BPSK信号，将BPSK信号的调制信息与解调信息作为模型的输入与输出进行训练，训练时每个批次包含10个信息，迭代5次完成训练。对训练好的解调模型加入信噪比为-12dB到10dB间隔为2dB的高斯噪声模拟高斯信道，统计各个信噪比下解调误码率并分别与基于CNN网络下与传统相干解调下的误码率，具体如图6所示。从误码率曲线可知本文所提出的方案在同误码率下与相干解调相比提升越4dB解调性能，因本方案的误码率灵敏度受到统计数据量的影响在8dB处为0值。CNN解调算法因训练时收敛性能不好在无噪声下训练时仍不能达到误码率为零，因此在高信噪比下逐渐贴合无噪声时误码率导致下降速度变慢，本文提出的方案在8dB之前与CNN解调算法相比，同误码率下解调性能提升3dB左右。该结果说明本方案在高斯信道下有良好的解调性能。

测试模型在瑞利衰落信道下解调性能，为模拟各个信噪比下的瑞利衰落信道，针对不同信噪比制作训练集，信噪比范围为0dB到20dB间隔为2dB，每个信噪比下制作1000个经过衰落信道的BPSK信号作为训练集，500个经过衰落信道的BPSK信号作为测试集。模型完成训练后统计各个信噪比下瑞利衰落信道解调模型的误码率并与基于MMSE信道估计的解调算法做出对比如图7所示。由结果可知在瑞利信道下端到端的级联生成对抗网络的解调模型相比于基于MMSE信道估计的解调算法在同误码率下约提升1dB的解调性能。该结果说明本方案在瑞利衰落信道下仍有良好的解调性能。

综上所述本算法基于生成对抗网络进行信号的解调，相比于传统解调算法解调性能有所提升，并且针对高斯信道，瑞利衰落信道仍有良好的应对策略。

最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (5)

1.基于端到端的级联生成对抗网络信号解调方法，其特征在于包括如下步骤：

步骤1、通过数据预处理将调制信息与解调信息进行维度变换，将一维信号变换为二维图片，作为生成对抗网络的数据集；

步骤2、基于GAN网络的解调模型实现由调制信息向解调信息的映射，从而实现信号解调；

步骤3、基于CGAN网络的信道估计补偿模型对接收信息进行补偿，然后映射得到稳定的调制信息；

步骤4、将基于CGAN网络的信道估计补偿模型与GAN网络的解调模型进行级联形成端到端的级联生成对抗网络解调模型。

2.根据权利要求1所述的基于端到端的级联生成对抗网络信号解调方法，其特征在于步骤1具体实现如下：

1-1.接收到BPSK调制信号，经过采样后的数学模型为：

S_mod(n)＝∑a_ncos(2πf_c*n/f_s) (1)

其中，S_mod(n)代表经过采样的BPSK调制信号，a_n代表双极性基带信息，规定a_n的正负分别代表发送“1”“0”符号，f_c代表发送信号载波频率，其中f_s表示采样频率，n表示当前采样点；

1-2.将经过采样的BPSK调制信号与经过GAN网络得到的输出数据规定维度为M*t*2的双通道图片，其中M代表码元个数，t代表每个码元采样点数，两个通道分别代表传输数据的实部与虚部；以实部调制信息为例变换的数学模型可表示为：

解调信息变换为：

上述公式中S_mod与S_demod分别代表调制信息与解调信息。

3.根据权利要求2所述的基于端到端的级联生成对抗网络信号解调方法，其特征在于步骤2具体实现如下：

2-1.搭建基于生成对抗网络的映射模型，将调制信息作为模型的输入，解调信息作为模型的输出建立如下映射：

2-2.搭建基于生成对抗网络的解调模型，模型包括生成器与鉴别器两部分；生成器采用U-Net网络结构，包括卷积层、反卷积层、激活层、归一化层、Drop层，具有生成解调信息作用；鉴别器采用CNN结构，具有卷积层、归一化层、激活层并应用softmax激活函数实现标签的标注，具有区分真实样本与从生成器生成样本的能力；

2-3.设计解调模型目标函数，生成对抗网络的目标函数为：

max_Dmin_GL(D,G)＝E[log(D(S_demod))]+E[log(1-D(G(S_mod)))] (5)

G代表生成器网络，D代表判决器网络，V(D,G)是目标函数，D(S_demod)表示将正确的双极性解调信息样本输入判决网络后判断为真实样本的概率，G(S_mod)表示由调制信息输入到生成器网络后得到的生成样本，E[*]代表分布函数的数学期望值；鉴别器D的目标是能更有效的区分真实数据与来自生成器生成的数据，生成器G目标是能使生成的数据与真实数据更加相似，因此令D使目标函数最大化，G使目标函数最小化,二者产生对抗得到更加优化性能；

为了生成数据与真实数据更加贴近，增加一个生成数据的目标函数：

L₂＝E[||S_demod-G(S_mod)||²] (6)

将两者按照一定权重进行结合，其中L₂的权重系数为ε，得到最终的整个系统目标函数:

max_Dmin_GL(D,G)+εL₂ (7)

2-4.将调制信号作为生成器的输入，解调信息作为生成器的输出，并将正确的解调信息与生成器生成的调制信息作为鉴别器输入判别真假并反馈给生成器，进行训练，得到基于GAN网络的的解调模型。

4.根据权利要求3所述的基于端到端的级联生成对抗网络信号解调方法，其特征在于步骤3具体实现如下：

3-1.将经过瑞利衰落信道的调制信号作为输入期望得到未经过瑞利信道的调制信号，具体数学模型可表示为：

其中y表示经过瑞利信道的调制信息，h表示瞬时信道参数且服从h～CN(0,1)，n_c表示高斯噪声，S_mod为调制信号；

3-2.搭建基于CGAN网络的信道估计补偿模型；信道估计补偿模型生成器采用U-net结构并包括卷积层、反卷积层、激活层、归一化层、Drop层；因信道估计补偿模型采用CGAN网络结构,导频信息作为条件约束与输入信息一起输入到网络中，在生成过程中起到约束作用，提高生成信息准确性；鉴别器结构采用CNN结构，具有卷积层、归一化层、激活层并应用softmax激活函数，起到对补偿信道信息与真实为经过信道的调制信息判别真假作用；

3-3.设计信道估计补偿模型目标函数，条件生成对抗网络的目标函数为：

max_Dmin_GL_c(D,G)＝E[log(D(S_mod|S_pilot))]+E[log(1-D(G(y|S_pilot)))] (9)

其中，D(S_mod|S_pilot)表示将导频信息与调制信息样本一同输入鉴别器判为真的概率，G(y|S_pilot)表示将导频信息与经过衰落信道的调制信息样本一同输入生成器生成的样本数据；鉴别器D的目标是能更有效的区分调制信息与来自生成器生成的样本信息，生成器G目标是能使生成的样本信息与调制信息样本相似，因此令D使目标函数最大化，G使目标函数最小化,二者产生对抗得到更加优化性能；为有效使得生成器生成的样本信息与调制信息更加相似，增加一个目标函数：

L_2c＝E[||S_mod-G_c(y|S_pilot)||²] (10)

将两个目标函数按照一定权重进行结合，其中L_2c的权重系数为ε_c,因此基于CGAN网络的信道估计补偿模型最终目标函数为：

max_Dmin_GL_c(D,G)+ε_cL_2c (11)

3-4.将经过衰落信道的调制信号与导频信号作为生成器的输入，未经过到衰落信道的调制信号作为生成器的输出，并将正确的调制信息与生成器生成的调制信息作为鉴别器输入判别真假并反馈给生成器，进行训练，得到基于瑞利衰落信道下的信道估计补偿模型。

5.根据权利要求4所述的基于端到端的级联生成对抗网络信号解调方法，其特征在于步骤4具体实现如下

4-1.将基于CGAN网络的信道估计补偿模型与基于GAN网络的解调模型进行级联，形成端到端的级联生成对抗网络结构，建立如下映射过程：

4-2.将接收到的经由衰落信道传输的调制信息作为模型输入，基带双极性解调信息作为生成器的输出，对端到端的级联生成对抗网络的解调模型进行训练，实现在衰落信道下的端到端的信号解调。

Images