CN113052267A - 基于生成对抗网络的无监督发射器相位噪声参数提取方法 - Google Patents

基于生成对抗网络的无监督发射器相位噪声参数提取方法 Download PDF

Info

Publication number
CN113052267A
CN113052267A CN202110462746.4A CN202110462746A CN113052267A CN 113052267 A CN113052267 A CN 113052267A CN 202110462746 A CN202110462746 A CN 202110462746A CN 113052267 A CN113052267 A CN 113052267A
Authority
CN
China
Prior art keywords
network
signal
phase noise
training
discrimination
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110462746.4A
Other languages
English (en)
Other versions
CN113052267B (zh
Inventor
熊文汇
张琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110462746.4A priority Critical patent/CN113052267B/zh
Publication of CN113052267A publication Critical patent/CN113052267A/zh
Application granted granted Critical
Publication of CN113052267B publication Critical patent/CN113052267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种基于生成对抗网络的无监督发射器相位噪声模型参数提取方法，具体包括：信号预处理、输入数据、训练判别网络、训练生成网络；当生成对抗网络收敛时，得到的最优生成网络权重即为欲估计的相位噪声参数。本发明的方法可以在不需要标签数据的情况下，仅需要对接收信号进行简单预处理，实现高精度在线相位噪声参数提取；适应性很强，针对不同的相位噪声建模方式，仅需要根据模型变更生成网络自定义结构即可；在存在其余的发射器不理想因素条件下，例如I/Q不平衡，仍能实现提取，仅需要根据需求更改调制器模型即可。

Description

基于生成对抗网络的无监督发射器相位噪声参数提取方法
技术领域
本发明属于通信技术领域，具体涉及信号检测与处理和机器学习技术。
背景技术
相位噪声(PHN，Phase Noise)主要是由发射器的载波合成器元件失真引起的造成信号相位漂移的随机性噪声影响。在数字通信链路中，相位噪声的存在会导致数据采样错误，严重影响通信质量；且由于相位噪声是器件物理特性引起的，所以对于发射机来说是独特的且不可复制的，在特殊辐射源识别(SEI，Specific Emitter Identification)领域其通常可以作为合适的辐射源指纹特征，相位噪声的消除和特征参数提取都需要低误差的相位噪声模型参数估计。
在射频信号生成中，上载波过程必须经过载波合成器，因此由其产生的载波频率信号始终伴有相位噪声，一个载波合成器的理想输出为：S(t)＝A sin(ωt)，其中，A为理想载波幅度，ω为载波角频率。
但由于模拟元器件的制作工艺限制或是外界环境因素影响，实际信号输出为：S(t)＝(A+a(t))sin(ωt+θ(t))，其中，a(t)与θ(t)分别是幅度和相位波动。一般情况下幅度噪声较小且可以使用自动增益控制器对其进行检查消除，但相位噪声很难消除，且会对系统性能产生重大影响。
发射器具备的物理层器件非理想性，例如I/Q不平衡或频率偏移之类的非理想因素是随时间推移保持不变的损害，但相位噪声本质上是随时间变化的随机过程。因此通过在训练阶段测量频偏和I/Q不平衡，然后在数据传输阶段检测符号时对其进行补偿这类方案对于相位噪声不适用。
发射器相位噪声的特性取决于其所使用的频率合成器的类型。在实际中由于高稳定性、易于通过数字电路进行控制以及更高的精度，基于锁相环(PLL,Phase Locked Loop)的频率合成器在大多数无线发射器中广泛使用。
PLL频率合成器的主要组成部分包括参考信号源，鉴相器，低通滤波器，压控振荡器(VCO,Voltage Controlled Oscillator)以及分频器和乘法器。鉴相器比较两个输入信号的相位差，产生一个与相位差成正比的误差信号，其通过低通滤波器后用于驱动压控振荡器产生输出频率，输出频率通过分频器反馈回系统。频率合成器中的每个模块都是潜在的噪声源，但输出相位噪声主要受到来自中心频率的高偏移频率处的环路内部VCO相位噪声的影响，以及低偏移频率处的随输入参考信号源引入环路的相位噪声的影响。
根据基本电路原理，发射机频率源的等效相位噪声模型如图1所示，其中，x(n)表示参考信号源，PLL的输出相位噪声可以视为彼此独立的参考信号源相位噪声和VCO相位噪声之和。但VCO相位噪声在整个工作带宽中占据着主导地位，参考信号源引入的相噪几乎可以忽略不记，于是可以将相位噪声建模为：
(1+a1KdH(z)-z-1)θ(n)＝b1δ(n)
假设环路滤波器H(z)＝1，这在实际中是很普遍的，因此相位噪声的产生过程可以看作是由高斯白噪声激发的自滑动平均(ARMA,Auto Regressive Moving Average)过程，即可简化为：
θn＝a1θn-1+b0φn
因此频率源的输出信号可以表示为：
Figure BDA0003042919410000021
相位噪声存在相当于对信号载波添加时变加性因子，从而导致信号功率谱密度变宽和星座点切向漂移。
传统的基于ARMA的参数估计方案，首先通过奇异值分解估计出AR与MA模型阶数，然后采用总体最小二乘法计算得到ARMA的系数。但该方案系数估计误差较大，精确度仅适用于辐射源识别，而传统的机器学习方法并不能用于随时间变化的相位噪声的参数估计。
发明内容
为解决现有技术存在的上述问题，本发明提出了一种基于生成对抗网络的无监督发射器相位噪声参数提取方法，可以记为：PHGAN(phase noise parameter estimationgenerative adversarial networks)。
本发明的具体技术方案为：一种基于生成对抗网络的无监督发射器相位噪声参数提取方法，包括如下步骤：
步骤1.信号预处理：假设信噪比满足基本通信所需，即信道状况良好的情况下，对接收信号进行采样和时频误差补偿，得到数字信号zr(n)；对数字信号解调后得到发射信息比特流
Figure BDA0003042919410000022
数字信号zr(n)和信息比特流
Figure BDA0003042919410000023
将作为先验知识送入自定义GAN中；
步骤2.输入数据e(n)、
Figure BDA0003042919410000024
与zr(n)：生成网络
Figure BDA0003042919410000025
从随机高斯噪声e(n)中学习相位噪声的生成分布，在初始值
Figure BDA0003042919410000026
的设置下，输入随机高斯噪声e(n)到生成网络
Figure BDA0003042919410000027
生成伪相位噪声序列
Figure BDA0003042919410000028
调制器
Figure BDA0003042919410000029
如下式所述，使用来自
Figure BDA00030429194100000210
网络的
Figure BDA00030429194100000211
与解调得到的信息比特流
Figure BDA0003042919410000031
生成伪I/Q信号样本数据
Figure BDA0003042919410000032
Figure BDA0003042919410000033
判别网络
Figure BDA0003042919410000034
是一个二元分类器，其识别信号来自于真实信号还是伪信号，即输入是伪信号
Figure BDA0003042919410000035
时，判别网络
Figure BDA0003042919410000036
输出接近0；输入为真实信号zr(n)时，判别网络
Figure BDA0003042919410000037
的输出接近1，具体来说，生成网络
Figure BDA0003042919410000038
的目标是生成判别网络无法辨别的数据，而判别网络
Figure BDA0003042919410000039
的目标是以最大正确概率判别数据的真伪，最终通过生成网络与判别网络的互相对抗实现训练，表示为：
Figure BDA00030429194100000310
其中，zr表示真实信号的分布，e表示随机噪声的分布，
Figure BDA00030429194100000311
表示真实信号输入判别网络
Figure BDA00030429194100000312
的分类结果；
Figure BDA00030429194100000313
表示生成网络
Figure BDA00030429194100000314
使用随机噪声e(n)生成的伪信号，即
Figure BDA00030429194100000315
Figure BDA00030429194100000328
表示伪信号经过判别网络
Figure BDA00030429194100000316
的分类结果，
Figure BDA00030429194100000329
表示对真实信号求期望，Ee～N(0，1)表示对噪声求期望；
步骤3.训练判别网络
Figure BDA00030429194100000317
在模型训练中，生成网络与判别网络采取交替训练方式，首先将步骤2中生成网络
Figure BDA00030429194100000318
生成的伪信号
Figure BDA00030429194100000319
与输入网络的真实信号zr(n)分别送入判别网络
Figure BDA00030429194100000320
输出判别结果
Figure BDA00030429194100000321
与
Figure BDA00030429194100000330
通过最小化如下式所示的判别结果与真伪数据标签之间的组合二元交叉熵的损失函数dloss，训练最佳判别网络：
Figure BDA00030429194100000322
其中，Lfake、Lreal分别表示伪信号标签与真实信号标签；
Figure BDA00030429194100000323
表示真实信号判别网络输出结果与其标签之间的二元交叉熵损失，
Figure BDA00030429194100000324
表示伪信号判别网络输出结果与其标签的二元交叉熵，判别网络输出可具体表示为：
Figure BDA00030429194100000325
其中，
Figure BDA00030429194100000326
为需要更新的判别网络的权重矩阵，
Figure BDA00030429194100000327
为判别网络的偏置矩阵；求偏导
Figure BDA0003042919410000041
由求导链式法则得到
Figure BDA0003042919410000042
网络权重矩阵
Figure BDA00030429194100000427
与偏置矩阵
Figure BDA00030429194100000426
的更新公式，以此更新
Figure BDA0003042919410000043
网络的参数；
步骤4.训练
Figure BDA0003042919410000044
网络：调制器
Figure BDA0003042919410000045
使用伪相位噪声序列
Figure BDA0003042919410000046
生成伪信号
Figure BDA0003042919410000047
最后送入判别网络
Figure BDA0003042919410000048
得到输出score，通过优化score与真实数据的标签Lreal之间的损失函数
Figure BDA0003042919410000049
实现生成网络
Figure BDA00030429194100000410
的训练，
Figure BDA00030429194100000411
可表示为
Figure BDA00030429194100000412
其中
Figure BDA00030429194100000413
Figure BDA00030429194100000414
为生成网络
Figure BDA00030429194100000415
的权重矩阵，
Figure BDA00030429194100000416
为生成网络
Figure BDA00030429194100000417
的偏置矩阵，求偏导
Figure BDA00030429194100000418
反向传播更新生成网络
Figure BDA00030429194100000419
参数；
通过
Figure BDA00030429194100000420
与
Figure BDA00030429194100000421
的对抗训练，当GAN收敛时，得到的最优生成网络
Figure BDA00030429194100000422
的权重值即为欲估计的相位噪声参数。
本发明的有益效果：本发明的方法可以在不需要标签数据的情况下(需要特别强调的是，在GAN中，对于真实信号与伪信号的标签并不属于监督学习)，对接收信号进行简单预处理，实现高精度在线相位噪声参数提取；且本发明提出的方法适应性很强，针对不同的相位噪声建模方式，仅需要根据模型变更生成网络自定义结构即可。且该方案在存在其余的发射器不理想因素条件下，例如I/Q不平衡，仍能实现提取，仅需要根据需求更改调制器
Figure BDA00030429194100000423
即可。
附图说明
图1为锁相环(PLL)相位噪声模型示意图。
图2为本发明具体实施例的主流程图。
图3为本发明具体实施例的GAN具体训练过程示意图。
图4为本发明具体实施例的
Figure BDA00030429194100000424
网络的结构示意图。
图5为本发明具体实施例的
Figure BDA00030429194100000425
网络的结构示意图。
图6为本发明不同信噪比下相位噪声模型参数估计值点仿真图。
图7为本发明不同信噪比下相位噪声参数估计值绝对误差曲线。
图8为本发明与传统方案性能对比仿真图。
具体实施方式
下面结合附图和具体实例实施对本发明作进一步说明。
生成对抗网络(GAN,Generative Adversarial Networks)是一种通过生成对抗过程来估计生成模型的机器学习网络，最初由Lan Goodfellow提出，其由捕捉数据分布的生成网络
Figure BDA0003042919410000051
与估计样本来自真实数据概率的判别网络
Figure BDA0003042919410000052
组成，经过minmax的对抗优化实现无监督学习，是目前无监督学习方向最具前景的网络结构，且GAN允许多样的直接扩展，例如：
1.通过将先验信息c作为生成网络
Figure BDA0003042919410000053
和判别网络
Figure BDA0003042919410000054
的输入，可以得到条件生成模型p(x|c)。
2.半监督学习：当标记数据有限时，来自判别网络或推理网络的特征可以提高分类器的性能。
3.自定义学习：可以通过自定义生成网络或判别网络的结构实现不同的需求。
发射机生成的发射信号建模如下：
y(t)＝Fpn(Fmod(d)，spn)
其中，d为随机比特流，即发射机生成的携带信息的数字符号，Fmod(·)表示发射机端采用的调制模型，常规调制为QPSK，QAM等，在本方案中均可行，Fpn(·)表示发射机端引入的相位噪声模型，在本发明中，相位噪声建模为一阶ARMA模型，信号经过一个加性高斯白噪声(AWGN，Add White Gaussian Noise)信道后如下：
Sr(t)＝y(t)+n(t)
其中，n(t)为高斯白噪声。
本发明的流程示如图2所示，对接收信号预处理后分别训练
Figure BDA0003042919410000055
与
Figure BDA0003042919410000056
网络提取相位噪声参数a1，具体包括如下步骤：
步骤1.信号预处理：对接收信号Sr(t)进行预处理，采样、时频误差补偿后得到数字信号zr(n)，对zr(n)解调得到发射机发送的数字符号
Figure BDA0003042919410000057
作为下一步的输入。本发明的方案可以扩展到更复杂的信号情况下，只需要准确进行相应的预处理即可。
步骤2.输入数据：如图3所示，初始化
Figure BDA0003042919410000061
将随机高斯噪声e(n)送入结构与前馈方式自定义的生成网络
Figure BDA0003042919410000062
中，生成伪相位噪声序列
Figure BDA0003042919410000063
然后将其输入调制器
Figure BDA0003042919410000064
中。调制器
Figure BDA0003042919410000065
使用
Figure BDA0003042919410000066
与
Figure BDA0003042919410000067
生成伪I/Q信号样本数据
Figure BDA0003042919410000068
最终判别网络
Figure BDA0003042919410000069
识别输入信号的真伪。
步骤3.训练
Figure BDA00030429194100000610
网络：
Figure BDA00030429194100000611
与
Figure BDA00030429194100000612
网络通过调制器
Figure BDA00030429194100000613
级联，如图5所示，判别网络
Figure BDA00030429194100000614
使用2个卷积层和2个全连接层为例，但不限于此结构。除了输出层，每个隐藏层都带有leakyReLU激活函数。将接收到的真实信号zr(n)与上一步生成的伪信号
Figure BDA00030429194100000615
作为训练
Figure BDA00030429194100000616
的训练样本。优化过程采用Adam优化原则，对梯度一阶矩估计和二阶矩估计进行综合考虑，在训练过程中自适应调整学习速率；通过最小化组合损失函数dloss，更新判别网络
Figure BDA00030429194100000617
的参数。在本步骤中，生成网络
Figure BDA00030429194100000618
不参与参数更新。
步骤4.训练
Figure BDA00030429194100000619
网络：
循环神经网络(RNN，Recurrent Neural Networks)专门用于处理输入数据之间存在时间关系的情况。考虑到相位噪声生成模型与RNN的相似性，本发明采用的生成网络
Figure BDA00030429194100000620
的结构与循环神经网络的结构相似。
如图4所示，生成网络
Figure BDA00030429194100000621
由两个关闭偏置bias的全连接层组成，采用循环前向传播的模式，每一次循环的输出作为下一次循环的输入。具体来说，初始化第一层layer1的输出
Figure BDA00030429194100000622
然后输入随机噪声e(n)到第二层得到输出w2e(0)，将
Figure BDA00030429194100000623
与
Figure BDA00030429194100000624
之和作为layer1的下一次循环的输入，循环次数为输入GAN网络的真实信号zr(n)的长度，最终采用二进制交叉熵损失函数来测量伪信号
Figure BDA00030429194100000625
和真实信号zr(n)之间的错误概率。使用优化器分别对
Figure BDA00030429194100000626
和
Figure BDA00030429194100000627
进行学习，其学习率分别为
Figure BDA00030429194100000628
和
Figure BDA00030429194100000629
降低梯度消失概率的软标签方法用于标记真实和伪造信号，即真实信号标记为Lreal，伪信号为Lfake。
在训练阶段，调整
Figure BDA00030429194100000630
与
Figure BDA00030429194100000631
的训练比例，每训练n次
Figure BDA00030429194100000632
网络训练1次
Figure BDA00030429194100000633
网络，通过
Figure BDA00030429194100000634
与
Figure BDA00030429194100000635
的对抗训练，当GAN收敛时，可以得到最优化的生成网络
Figure BDA00030429194100000636
权重w1即为欲估计的相位噪声参数
Figure BDA00030429194100000638
在本步骤中，分类网络
Figure BDA00030429194100000639
不参与参数更新。
相位噪声模型参数
Figure BDA00030429194100000640
的估计为在线学习方式，在整个参数提取过程中，不需要任何由实际发射器畸变参数标记的标签数据。本发明的方法在非合作场景，即标签数据难以获取的情况下具有较大优势。
以上文所述信号生成模型生成仿真信号验证本发明可行性，以QPSK调制为例但不限于QPSK调制。如图6和7所示，本发明PHNGAN方案对信噪比鲁棒，即在不同的信噪比下，本发明方案均能以低于0.0127的绝对误差估计相位噪声模型参数。
对于相位噪声模型参数提取性能，在此比较了传统的基于奇异值分解与最小二乘(SVD-TLS)方法与PHNGAN方法的估计值均方误差性能。在图8中，本发明提出的方法相位噪声模型参数估计性能比基于SVD-TLS方案的小得多，估计性能MSE相差40dB以上。
综上可以看出，本发明的方法可以在不需要标签数据的情况下，仅对接收信号进行简单预处理，实现高精度在线相位噪声参数提取；且适应性很强，针对不同的相位噪声建模方式，仅需要根据模型变更生成网络自定义结构即可，且该方案在存在其余的发射器不理想因素条件下，例如I/Q不平衡，仍能实现提取，仅需要根据需求更改调制器
Figure BDA0003042919410000071
模型即可。

Claims (1)

1.一种基于生成对抗网络的无监督发射器相位噪声模型参数提取方法，包括如下步骤：
步骤1.信号预处理：假设信噪比满足基本通信所需，即信道状况良好的情况下，对接收信号进行采样和时频误差补偿，得到数字信号zr(n)；对数字信号解调后得到发射信息比特流
Figure FDA0003042919400000011
数字信号zr(n)和信息比特流
Figure FDA0003042919400000012
将作为先验知识送入GAN中；
步骤2.输入数据e(n)、
Figure FDA0003042919400000013
与zr(n)：生成网络
Figure FDA0003042919400000014
从随机高斯噪声e(n)中学习相位噪声的生成分布，在初始值
Figure FDA0003042919400000015
的设置下，输入随机高斯噪声e(n)到生成网络
Figure FDA0003042919400000016
生成伪相位噪声序列
Figure FDA0003042919400000017
调制器
Figure FDA0003042919400000018
如下式所述，使用来自
Figure FDA0003042919400000019
网络的
Figure FDA00030429194000000110
与解调得到的信息比特流
Figure FDA00030429194000000111
生成伪I/Q信号样本数据
Figure FDA00030429194000000112
Figure FDA00030429194000000113
判别网络
Figure FDA00030429194000000114
是一个二元分类器，其识别信号来自于真实信号还是伪信号，即输入是伪信号
Figure FDA00030429194000000115
时，判别网络
Figure FDA00030429194000000116
输出接近0；输入为真实信号zr(n)时，判别网络
Figure FDA00030429194000000117
的输出接近1，具体来说，生成网络
Figure FDA00030429194000000118
的目标是生成判别网络无法辨别的数据，而判别网络
Figure FDA00030429194000000119
的目标是以最大正确概率判别数据的真伪，最终通过生成网络与判别网络的互相对抗实现训练，表示为：
Figure FDA00030429194000000120
其中，zr表示真实信号的分布，e表示随机噪声的分布，
Figure FDA00030429194000000121
表示真实信号输入判别网络
Figure FDA00030429194000000122
的分类结果；
Figure FDA00030429194000000123
表示生成网络
Figure FDA00030429194000000124
使用随机噪声e(n)生成的伪信号，即
Figure FDA00030429194000000125
Figure FDA00030429194000000126
表示伪信号经过判别网络
Figure FDA00030429194000000127
的分类结果，
Figure FDA00030429194000000128
表示对真实信号求期望，Ee～N(0，1)表示对噪声求期望；
步骤3.训练判别网络
Figure FDA00030429194000000129
在模型训练中，生成网络与判别网络采取交替训练方式，首先将步骤2中生成网络
Figure FDA00030429194000000130
生成的伪信号
Figure FDA00030429194000000131
与输入网络的真实信号zr(n)分别送入判别网络
Figure FDA00030429194000000132
输出判别结果
Figure FDA00030429194000000133
与
Figure FDA00030429194000000134
通过最小化如下式所示的判别结果与真伪数据标签之间的组合二元交叉熵的损失函数dloss，训练最佳判别网络：
Figure FDA0003042919400000021
其中，Lfake、Lreal分别表示伪信号标签与真实信号标签；
Figure FDA0003042919400000022
表示真实信号判别网络输出结果与其标签之间的二元交叉熵损失，
Figure FDA0003042919400000023
表示伪信号判别网络输出结果与其标签的二元交叉熵，判别网络输出可具体表示为：
Figure FDA0003042919400000024
其中，
Figure FDA00030429194000000224
为需要更新的判别网络的权重矩阵，
Figure FDA00030429194000000225
为判别网络的偏置矩阵；求偏导
Figure FDA0003042919400000025
由求导链式法则得到
Figure FDA0003042919400000026
网络权重矩阵
Figure FDA00030429194000000226
与偏置矩阵
Figure FDA00030429194000000227
的更新公式，以此更新
Figure FDA0003042919400000027
网络的参数；
步骤4.训练
Figure FDA0003042919400000028
网络：调制器
Figure FDA0003042919400000029
使用伪相位噪声序列
Figure FDA00030429194000000210
生成伪信号
Figure FDA00030429194000000211
最后送入判别网络
Figure FDA00030429194000000212
得到输出score，通过优化score与真实数据的标签Lreal之间的损失函数
Figure FDA00030429194000000228
实现生成网络
Figure FDA00030429194000000213
的训练，
Figure FDA00030429194000000229
表示为：
Figure FDA00030429194000000230
其中
Figure FDA00030429194000000214
Figure FDA00030429194000000215
为生成网络
Figure FDA00030429194000000216
的权重矩阵，
Figure FDA00030429194000000217
为生成网络
Figure FDA00030429194000000218
的偏置矩阵，求偏导
Figure FDA00030429194000000219
反向传播更新生成网络
Figure FDA00030429194000000220
参数；
通过
Figure FDA00030429194000000221
与
Figure FDA00030429194000000222
的对抗训练，当GAN收敛时，得到的最优生成网络
Figure FDA00030429194000000223
的权重值即为欲估计的相位噪声参数。
CN202110462746.4A 2021-04-28 2021-04-28 基于生成对抗网络的无监督发射器相位噪声参数提取方法 Active CN113052267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110462746.4A CN113052267B (zh) 2021-04-28 2021-04-28 基于生成对抗网络的无监督发射器相位噪声参数提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110462746.4A CN113052267B (zh) 2021-04-28 2021-04-28 基于生成对抗网络的无监督发射器相位噪声参数提取方法

Publications (2)

Publication Number Publication Date
CN113052267A true CN113052267A (zh) 2021-06-29
CN113052267B CN113052267B (zh) 2022-06-14

Family

ID=76517783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110462746.4A Active CN113052267B (zh) 2021-04-28 2021-04-28 基于生成对抗网络的无监督发射器相位噪声参数提取方法

Country Status (1)

Country Link
CN (1) CN113052267B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626960A (zh) * 2021-07-29 2021-11-09 南京信息工程大学 一种抗模式耦合少模信号复杂格式解析方法及装置
CN114299349A (zh) * 2022-03-04 2022-04-08 南京航空航天大学 一种基于多专家系统和知识蒸馏的众包图像学习方法
CN116031894A (zh) * 2023-03-29 2023-04-28 武汉新能源接入装备与技术研究院有限公司 一种有源滤波器的控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110808057A (zh) * 2019-10-31 2020-02-18 南昌航空大学 一种基于约束朴素生成对抗网络的语音增强方法
CN110879254A (zh) * 2018-09-05 2020-03-13 哈尔滨工业大学 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法
CN111190227A (zh) * 2020-01-09 2020-05-22 吉林大学 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法
WO2020103123A1 (zh) * 2018-11-23 2020-05-28 华为技术有限公司 一种相位噪声校正方法和相关设备
CN111260568A (zh) * 2020-01-10 2020-06-09 西安理工大学 基于多辨别器对抗网络的碑帖二值化背景噪声去除方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110879254A (zh) * 2018-09-05 2020-03-13 哈尔滨工业大学 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法
WO2020103123A1 (zh) * 2018-11-23 2020-05-28 华为技术有限公司 一种相位噪声校正方法和相关设备
CN110808057A (zh) * 2019-10-31 2020-02-18 南昌航空大学 一种基于约束朴素生成对抗网络的语音增强方法
CN111190227A (zh) * 2020-01-09 2020-05-22 吉林大学 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法
CN111260568A (zh) * 2020-01-10 2020-06-09 西安理工大学 基于多辨别器对抗网络的碑帖二值化背景噪声去除方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MIKAEL HÖRBERG等: "Phase-Noise Analysis of an X-Band Ultra-Low Phase-Noise GaN HEMT Based Cavity Oscillator", 《IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》 *
SZHAU LAI等: "Low Phase Noise GaN HEMT Oscillators With Excellent Figures of Merit", 《IEEE MICROWAVE AND WIRELESS COMPONENTS LETTERS》 *
贾松霖等: "全双工通信中对抗相位噪声的极化自干扰消除算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626960A (zh) * 2021-07-29 2021-11-09 南京信息工程大学 一种抗模式耦合少模信号复杂格式解析方法及装置
CN113626960B (zh) * 2021-07-29 2022-06-14 南京信息工程大学 一种抗模式耦合少模信号复杂格式解析方法及装置
CN114299349A (zh) * 2022-03-04 2022-04-08 南京航空航天大学 一种基于多专家系统和知识蒸馏的众包图像学习方法
CN114299349B (zh) * 2022-03-04 2022-05-13 南京航空航天大学 一种基于多专家系统和知识蒸馏的众包图像学习方法
CN116031894A (zh) * 2023-03-29 2023-04-28 武汉新能源接入装备与技术研究院有限公司 一种有源滤波器的控制方法
CN116031894B (zh) * 2023-03-29 2023-06-02 武汉新能源接入装备与技术研究院有限公司 一种有源滤波器的控制方法

Also Published As

Publication number Publication date
CN113052267B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN113052267B (zh) 基于生成对抗网络的无监督发射器相位噪声参数提取方法
Güner et al. Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features
Zhang et al. Non-data-aided k-nearest neighbors technique for optical fiber nonlinearity mitigation
CN111884685B (zh) 数字通信信号同步解调方法及其装置
US20060120486A1 (en) Method of estimating fading coefficients of channels and of receiving symbols and related single or multi-antenna receiver and transmitter
CN113630130B (zh) 端到端数字通信解调方法
US20060291592A1 (en) Multi-symbol noncoherent CPM detector
CN108683620B (zh) 一种适合高阶调制方式的抗相位噪声盲载波恢复方法
Li et al. IQ symbols processing schemes with LSTMs in OFDM system
CN111343116A (zh) 密集信号环境下基于星座轨迹图的调制识别方法
Abbasi et al. Deep learning-based list sphere decoding for Faster-than-Nyquist (FTN) signaling detection
CN112422208B (zh) 未知信道模型下基于对抗式学习的信号检测方法
CN109891820B (zh) 眼图的解偏斜方法及装置
Lerner et al. Features of Capacity of Communication Channel with APSK-N signals, which Implements the Theory of Resolution Time
CN114500200B (zh) 数字信号处理方法、动态均衡方法、装置、介质以及设备
GB2453185A (en) Clock recovery in a sampled received signal including removal of ISI effects from data samples used to detect zero-crossing
CN113489545B (zh) 基于k均值聚类的光空间脉冲位置调制分步分类检测方法
Ghauri et al. -PAM signals classification using modified Gabor filter network
Yang et al. Neural network-assisted robust symbol detection under intersymbol interference
CN112821971A (zh) 一种基于对抗式学习的时变信道信号检测方法
Zhao et al. Communication Signal Recognition Technique Based on Fusion Deep Belief Network
Hanoon et al. Performance Evaluation of SISO-OFDM Channel Equalization Utilizing Deep Learning
US7460593B2 (en) Signal processing device capable of enhancing correctness of feedback signals
Zhu et al. Blind modulation classification via accelerated deep learning
CN115276818B (zh) 一种基于深度学习的光载无线传输链路解调方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant