CN113114399B - 基于生成对抗网络的三维频谱态势补全方法和装置 - Google Patents

基于生成对抗网络的三维频谱态势补全方法和装置 Download PDF

Info

Publication number
CN113114399B
CN113114399B CN202110345357.3A CN202110345357A CN113114399B CN 113114399 B CN113114399 B CN 113114399B CN 202110345357 A CN202110345357 A CN 202110345357A CN 113114399 B CN113114399 B CN 113114399B
Authority
CN
China
Prior art keywords
dimensional
field intensity
spectrum situation
data
situation
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.)
Active
Application number
CN202110345357.3A
Other languages
English (en)
Other versions
CN113114399A (zh
Inventor
黄洋
余智
胡田钰
吴启晖
陆逸炜
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110345357.3A priority Critical patent/CN113114399B/zh
Publication of CN113114399A publication Critical patent/CN113114399A/zh
Priority to PCT/CN2022/073723 priority patent/WO2022206149A1/zh
Priority to US18/032,573 priority patent/US20230386098A1/en
Application granted granted Critical
Publication of CN113114399B publication Critical patent/CN113114399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开了一种基于生成对抗网络的三维频谱态势补全方法，包括：离线获取存储的历史或经验无线电监测数据，得到若干完整三维频谱态势或场强训练数据；对生成对抗网络变种进行迭代且对抗式的离线训练，得到已学得三维频谱态势或场强补全机制的生成对抗网络变种；在线采集当前三维目标区域的实际无线电监测数据，预处理得到三维目标区域缺损频谱态势或场强实测数据；将所得实测数据输入生成对抗网络变种，得到生成对抗网络变种的输出数据，处理得到当前三维目标区域补全频谱态势或场强。本发明面向空天地信息网络中的三维频谱态势或场强应用，能够有效降低三维频谱态势或场强的补全误差。

Description

基于生成对抗网络的三维频谱态势补全方法和装置
技术领域
本发明涉及通信技术技术领域，具体而言涉及一种基于生成对抗网络的三维频谱态势或场强补全方法和装置。
背景技术
近年来，随着我国空天地信息网络一体化的不断发展，卫星网络和地面移动网络已作为常态化基础网络存在，而各类基于无人机或其他空中平台的中继网络则将组成天地之间的机动网络，通信系统正迎来从地面5G到航空6G这一6G形态的重大演进。但随之而来的，空天地信息网络中无线智能终端和业务的数量急剧增长，日益稀缺的频谱资源与已分配频谱资源利用不足之间的尖锐矛盾也愈发突出。因此，急需适用于空天地信息网络的认知无线电技术。以提高三维电磁频谱空间的频谱利用率。
认知无线电技术(Cognitive Radio，CR)旨在改变以往固定分配频谱资源的模式，使通信系统可以动态识别并接入空闲频谱资源，以提高频谱利用率。CR将无线通信网络中的用频设备分为主要用户(Primary Users，PUs)和次级用户(Secondary Users，SUs)。如图2所示，在三维目标区域中，PUs占用频谱资源并进行信号发射，但其位置信息、发射信号功率谱密度(Power Spectrum Density，PSD)等未知；而进行信号接收的SUs所在位置和接收PSD 则是已知的。因此，此时通过SUs的实测频谱数据只能得到缺损三维频谱态势或场强。所以，三维频谱态势或场强构建的基本任务和主要难点便在于利用现有实测数据和PSD时空频相关性，对三维频谱态势或场强进行精确补全，以形成可供系统使用的补全三维频谱态势或场强。对于地面通信系统，常用的一种表征当前区域内频谱资源使用情况的CR技术是将SUs所获取的信号功率谱密度等无线电参数的分布情况进行可视化。该可视化方法通常被叫做频谱地图。因此，通信系统可以基于频谱地图“有的放矢”地实现频谱预测/预警、频谱决策、频谱监控以及频谱接入等多种应用，以更有效地提高通信系统频谱资源利用率。
但是传统的方面仍然有许多不足。例如传统方法往往只能通过插值或假设信号传播模型的方法来对缺损栅格处的频谱数据进行补全，进而得到符合目标区域电磁环境特征但存在较大误差的补全三维频谱态势或场强。因此，传统的方法仅仅考虑了PSD在地理位置上的二维分布情况，不能简单地套用于空天地信息网络。
发明内容
本发明针对现有技术中的不足，提供一种基于生成对抗网络的三维频谱态势补全方法、装置和系统，可以以较短的运行时间对缺损频谱态势或场强进行精确补全，并能有效的降低频谱态势或场强补全误差，且其补全效果远好于传统基于插值的方法。
为实现上述目的，本发明采用以下技术方案：
第一方面，本发明实施例提及一种基于生成对抗网络的三维频谱态势补全方法，所述补全方法包括以下步骤：
S101：离线获取存储的历史或经验无线电监测数据，对其进行切片处理和灰度处理，得到一定量的完整三维频谱态势或场强训练数据；每组训练数据为三通道的完整三维频谱态势或场强“灰度图”和对应的三通道的缺损三维频谱态势或场强“彩色图”；
S102：基于步骤S101中得到的训练数据，对生成对抗网络变种进行迭代且对抗式的离线训练，得到已学得三维频谱态势或场强补全机制的生成对抗网络变种；
S103：通过搭载于无人机上的无线电监测设备，在线采集当前三维目标区域的实际无线电监测数据，对其进行预处理后，得到当前三维目标区域的缺损频谱态势或场强实测数据；实测数据含有三通道的缺损三维频谱态势或场强“灰度图”，对三通道的缺损三维频谱态势或场强“灰度图”的未采样点进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”；
S104：将步骤S103中得到的实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到生成对抗网络变种的输出数据，将三通道的缺损三维频谱态势或场强“彩色图”中的采样点数据复制到生成对抗网络变种的输出数据中，得到三维目标区域补全频谱态势或场强，直到三维目标区域的电磁频谱环境变化幅度超出预设幅度阈值。
可选的，步骤S101中，所述对其进行切片处理和灰度处理，得到一定量的完整三维频谱态势或场强训练数据的过程包括以下步骤：
S11，对每组完整三维频谱态势或场强数据沿频率进行切片处理，得到一定量的完整三维频谱态势或场强切片；
S12，对所有完整三维频谱态势或场强切片逐个进行归一化操作，得到一定量的灰度模式下的一通道完整三维频谱态势或场强“灰度图”，逐个扩充后得到若干三通道的完整三维频谱态势或场强“灰度图”，其中每通道的频谱数据仍与原一通道时的数据相同；
S13，对步骤S12得到的所有一通道完整三维频谱态势或场强“灰度图”进行逐个采样，得到若干一通道缺损三维频谱态势或场强“灰度图”，同样逐个扩充后得到若干三通道的缺损三维频谱态势或场强“灰度图”；
S14，对步骤S13得到的所有三通道的缺损三维频谱态势或场强“灰度图”中的未采样点逐个进行重新着色，得到若干三通道的缺损三维频谱态势或场强“彩色图”；
S15，构造面向生成对抗网络变种的训练集，其中每组训练数据为三通道的完整三维频谱态势或场强“灰度图”和对应的三通道的缺损三维频谱态势或场强“彩色图”。
可选的，步骤S102中，所述生成对抗网络变种是指：带有U形结构和梯度惩罚项的、基于Wasserstein距离的条件三维生成对抗网络；
其中：U形结构是指在采用三维卷积层进行下采样和采用三维转置卷积层进行上采样的过程中，将上采样和下采样过程中对应层的输出三维特征图在通道维度进行拼接的一种结构；梯度惩罚项和基于Wasserstein距离指目标函数带有梯度惩罚因子且采用wasserstein距离作为分布距离衡量函数，条件三维生成对抗网络是指生成对抗网络中的生成器网络和鉴别器网络被额外输入了已知的条件信息。
可选的，步骤S103中，所述对其进行预处理后，得到当前三维目标区域的缺损频谱态势或场强实测数据的过程包括以下步骤：
S31，根据以往实测接收功率的最值与此次在线采集时的数据最值比较后的更大/小值，对上述当前缺损三维频谱态势或场强数据进行归一化操作，得到灰度模式下的一通道缺损三维频谱态势或场强“灰度图”，扩充得到三通道的缺损三维频谱态势或场强“灰度图”；
S32，对步骤S31中得到的三通道的缺损三维频谱态势或场强“灰度图”的未采样点进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”。
可选的，步骤S104中，所述将三通道的缺损三维频谱态势或场强“彩色图”中的采样点数据复制到生成对抗网络变种的输出数据中，得到三维目标区域补全频谱态势或场强的过程包括以下步骤：
S41，结合采集得到的三通道的缺损三维频谱态势或场强“彩色图”，将其中的采样点数据复制到生成对抗网络变种的输出数据中，得到三通道的输出补全三维频谱态势或场强“灰度图”；
S42，对步骤S41中得到的三通道的输出补全三维频谱态势或场强“灰度图”进行逆归一化操作得到当前三维目标区域补全频谱态势或场强。
第二方面，本发明实施例还提及一种基于生成对抗网络的三维频谱态势补全装置，所述补全装置包括：
离线数据收集模块：用于离线获取存储的历史或经验无线电监测数据，对其进行切片处理和灰度处理，得到一定量的完整三维频谱态势或场强训练数据；每组训练数据为三通道的完整三维频谱态势或场强“灰度图”和对应的三通道的缺损三维频谱态势或场强“彩色图”；
离线网络训练模块：利用上述离线数据收集模块输出的训练数据，对生成对抗网络变种进行迭代且对抗式的离线训练，得到已学得三维频谱态势或场强补全机制的生成对抗网络变种；
在线数据收集模块：用于通过搭载于无人机上的无线电监测设备，在线采集当前三维目标区域的实际无线电监测数据，对其进行预处理后，得到当前三维目标区域的缺损频谱态势或场强实测数据；实测数据含有三通道的缺损三维频谱态势或场强“灰度图”，对三通道的缺损三维频谱态势或场强“灰度图”的未采样点进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”；
在线态势补全模块：用于将在线数据收集模块得到的实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到生成对抗网络变种的输出数据，将三通道的缺损三维频谱态势或场强“彩色图”中的采样点数据复制到生成对抗网络变种的输出数据中，得到三维目标区域补全频谱态势或场强。
可选的，所述离线数据收集模块还包括：
训练数据收集单元：通过离线检索获取三维目标区域的若干历史完整频谱态势或场强数据或通过仿真获取三维目标区域的若干经验完整频谱态势或场强数据；
切片单元：用于对每组完整三维频谱态势或场强数据沿频率进行切片处理，得到一定量的完整三维频谱态势或场强切片；
第一归一化单元：用于对所有完整三维频谱态势或场强切片逐个进行归一化操作，得到一定量的灰度模式下的一通道完整三维频谱态势或场强“灰度图”，逐个扩充后得到若干三通道的完整三维频谱态势或场强“灰度图”，其中每通道的频谱数据仍与原一通道时的数据相同；
采样单元：用于对第一归一化单元得到的所有一通道完整三维频谱态势或场强“灰度图”进行逐个采样，得到若干一通道缺损三维频谱态势或场强“灰度图”，同样逐个扩充后得到若干三通道的缺损三维频谱态势或场强“灰度图”；
第一着色单元：对采样单元得到的所有三通道的缺损三维频谱态势或场强“灰度图”中的未采样点逐个进行重新着色，得到若干三通道的缺损三维频谱态势或场强“彩色图”。
可选的，所述离线网络训练模块还包括：
生成对抗网络变种单元：包括带有U形结构和梯度惩罚项的、基于Wasserstein距离的条件三维生成对抗网络变种单元；其中：U形结构是指在采用三维卷积层进行下采样和采用三维转置卷积层进行上采样的过程中，将上采样和下采样过程中对应层的输出三维特征图在通道维度进行拼接的一种结构；梯度惩罚项和基于Wasserstein距离指目标函数带有梯度惩罚因子且采用wasserstein距离作为分布距离衡量函数，条件三维生成对抗网络是指生成对抗网络中的生成器网络和鉴别器网络被额外输入了已知的条件信息；
生成对抗网络变种训练单元：用于对生成对抗网络变种单元进行训练。
可选的，所述在线数据收集模块还包括：
在线数据采集单元：用于通过搭载于无人机上的无线电监测设备，在线采集三维目标区域的当前缺损频谱态势或场强数据；
第二归一化单元：用于根据以往实测接收功率的最值与此次在线采集时的数据最值比较后的更大/小值，对上述当前缺损三维频谱态势或场强数据进行归一化操作，得到灰度模式下的一通道缺损三维频谱态势或场强“灰度图”，扩充得到三通道的缺损三维频谱态势或场强“灰度图”；
第二着色单元：用于对第二归一化单元得到的三通道的缺损三维频谱态势或场强“灰度图”的未采样点进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”。
可选的，所述在线态势补全模块，还包括：
生成对抗网络变种补全单元：用于将在线数据收集模块输出的三通道的缺损三维频谱态势或场强“彩色图”输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到三通道的生成对抗网络变种补全三维频谱态势或场强“灰度图”；
输出补全单元：用于结合采集得到的三通道的缺损三维频谱态势或场强“彩色图”，将其中的采样点数据复制到生成对抗网络变种补全单元的输出数据中，得到三通道的输出补全三维频谱态势或场强“灰度图”；
逆归一化输出单元：用于对输出补全单元发送的三通道的输出补全三维频谱态势或场强“灰度图”进行逆归一化操作得到当前三维目标区域补全频谱态势或场强。
第三方面，本发明实施例还提及一种基于生成对抗网络的三维频谱态势补全系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序；所述处理器执行所述计算机程序时实现如前所述基于生成对抗网络的三维频谱态势补全方法的步骤。
本发明的有益效果是：
本发明在信号功率谱密度在三维空间上的时空频谱分布情况的表征进行研究，并且以“频谱态势或场强”的说法来代指该分布情况。三维频谱态势或场强根据实时测量来动态建立更新，以使人们可以查看在任何时间和三维位置的准确PSD分布，从而提高频谱资源在时间和空间维度上的利用率。本发明离线获取存储的历史或经验无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到若干完整三维频谱态势或场强训练数据；基于所得训练数据对生成对抗网络变种进行迭代且对抗式的离线训练，若干次迭代后得到已学得三维频谱态势或场强补全机制的生成对抗网络变种；再通过搭载于无人机上的无线电监测设备，在线采集当前三维目标区域的实际无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到三维目标区域缺损频谱态势或场强实测数据；将所得实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种进行，得到生成对抗网络变种的输出数据，最终处理得到当前三维目标区域补全频谱态势或场强，直到三维目标区域的电磁频谱环境发生剧烈变化。本发明利用现有实测数据和PSD时空频相关性，面向空天地信息网络中的三维频谱态势或场强应用，对三维频谱态势或场强进行实时且精确的补全，能够有效降低三维频谱态势或场强的补全误差。因此，本发明可以以较短的运行时间对缺损频谱态势或场强进行精确补全，并能有效的降低频谱态势或场强补全误差，且其补全效果远好于传统基于插值的方法。
附图说明
图1是本发明提供的基于生成对抗网络的三维频谱态势或场强补全方法流程示意图。
图2是本发明提供的基于生成对抗网络的三维频谱态势或场强补全方法、装置和系统的场景示意图；其中，1表示空中次级用户(SUs)，2表示地面次级用户(SUs)，3表示主要用户(Pus)，4表示城市建筑物，5表示空中次级用户飞行轨迹。
图3是具体实施例的步骤S101的流程示意图。
图4是具体实施例的步骤S102的流程示意图。
图5是具体实施例的步骤S103的流程示意图。
图6是具体实施例的步骤S104的流程示意图。
图7是本发明提供的基于生成对抗网络的三维频谱态势或场强补全装置结构示意图。
图8是本发明提供的基于生成对抗网络的三维频谱态势或场强补全系统结构示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
具体地，本发明将通过以下实施例来进行阐述，实施例背景均如下：现代无线通信三维目标区的频谱态势或场强呈现出信号功率谱密度在不同位置、频率和时间上的不规则变化情况。因此我们将三维频谱态势或场强(记作Ψ(x，f，t))，定义为位置(记作x)、频率(记作f)、时间(记作t)的三元组变量(x，f，t)到信号功率(记作Ψ)的一种映射关系，其中
Figure BDA0002998479190000061
表示通信系统在使用三维频谱态势或场强时所查看位置处的三维坐标(记作(xl，xw，xh))，简化模型如下：
对于三维目标区域(记作A)，将其进行栅格化，把三维目标区域分为NL*NW*NH个栅格。后文中的位置坐标均代表栅格的位置坐标。如果某栅格处存在多个接收次级用户(Sus)，则我们将这些SUs接收功率谱的平均值视为该栅格在频谱态势或场强上展现的接收功率谱，此时可认为每个栅格中至多存在一个接收SU。
假设三维目标区域中均匀分布着NR个数量已知的接收SUs，同时存在着若干数量未知的发射主要用户(Pus)。对于三维频谱态势或场强补全问题，我们设定发射PU的位置坐标和发射功率谱是未知的；而接收SU的位置坐标和接收功率谱是已知的。而其余栅格处的接收频谱数据则是未知且需要补全的。我们将此时的频谱态势或场强称为区域A的缺损三维频谱态势或场强(记作
Figure BDA0002998479190000062
)，其采样率表示接收Sus个数除以栅格总数(计作
Figure BDA0002998479190000063
)。理想情况下，若每个栅格处均存在一个接收SU，则区域A的三维频谱态势或场强是已知且完整的，记为
Figure BDA0002998479190000064
进一步的，在目标区域的无线电环境下，发射PU将信号发送至任一其他栅格处，且信号传播规律固定，记为
Figure BDA0002998479190000065
(表示第i个发射PU将频率为f的信号从栅格xT，i发送至任一其他栅格x处)。则三维频谱态势或场强补全问题可被建模为：在当前三维目标区域的电磁频谱环境下，通过无线电监测设备测得部分位置处的接收信号功率谱密度后，求解整个三维目标区域所有位置处接收信号功率谱密度的问题，其中接收信号功率谱密度即为当前三维目标区域中主要用户的发射信号功率谱密度经传播损耗和噪声干扰后的所得信号功率谱密度。该问题的公式表示如下：
Figure BDA0002998479190000066
其中
Figure BDA0002998479190000071
表示三维目标区域A中任一栅格处的接收功率谱，而σ2为当前目标区域的环境噪声。因为存在无数个满足当前约束条件的PUs发射功率谱。因此，传统方法往往只能通过插值或假设信号传播模型的方法来对缺损栅格处的频谱数据进行补全，进而得到符合目标区域电磁环境特征但存在较大误差的补全三维频谱态势或场强。
同时，本发明所使用的生成对抗网络主要由生成器网络和鉴别器网络组成，其中生成器网络在参数(即网络中各神经元的权重与偏置)的作用下，将潜变量转换为与真实样本(服从真实数据分布)规格相同的模拟样本(服从生成器网络对真实数据分布隐式建模得到的分布)。而鉴别器网络则在参数作用下，判断输入样本服从于真实数据分布而不是隐式建模得到的分布的可能性。生成对抗网络旨在学习真实数据分布，并采用生成器网络和鉴别器网络相互对抗的训练策略来实现。针对鉴别器网络，该策略最大化其正确鉴别的概率，而针对生成器网络则最大化鉴别器网络鉴别出错的概率。进而在不同鉴别结果的反馈下，不断提升网络鉴别/生成能力。假如具备足够的网络容量，则鉴别器网络和生成器网络可实现动态平衡。此时生成器网络隐性建模得到的分布收敛于真实数据分布，而鉴别器网络不能正确的区分真实样本和模拟样本。
在本发明中，我们将使用所提出生成对抗网络变种对历史频谱态势或场强数据或经验频谱态势或场强数据进行挖掘，从而对式(1)进行隐性建模，以学得更符合三维目标区域电磁频谱环境特征的频谱态势或场强补全机制，从而降低补全误差。
实施例一
结合图1，本发明提及一种基于生成对抗网络的三维频谱态势或场强补全方法，所述方法包括：
S101：离线获取存储的历史或经验无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到若干完整三维频谱态势或场强训练数据。
S102：基于所得训练数据对生成对抗网络变种进行迭代且对抗式的离线训练，若干次迭代后得到已学得三维频谱态势或场强补全机制的生成对抗网络变种。
S103：通过搭载于无人机上的无线电监测设备，在线采集当前三维目标区域的实际无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到三维目标区域缺损频谱态势或场强实测数据。
S104：将所得实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种进行，得到生成对抗网络变种的输出数据，再处理后即可得到当前三维目标区域补全频谱态势或场强，直到三维目标区域的电磁频谱环境发生剧烈变化。
首先，结合图3，本实施例执行S101步骤：
离线获取存储的历史或经验无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到若干完整三维频谱态势或场强训练数据，具体执行流程如下：
步骤1、通过离线检索获取三维目标区域的若干历史完整三维频谱态势或场强数据或通过仿真获取三维目标区域的若干经验完整三维频谱态势或场强数据(记作
Figure BDA0002998479190000081
Figure BDA0002998479190000082
)。
步骤2、对上述每组完整三维频谱态势或场强
Figure BDA0002998479190000083
沿频率进行切片得到训练数据(记作
Figure BDA0002998479190000084
)。
步骤3、对所有完整三维频谱态势或场强切片逐个进行归一化操作，即得到灰度模式下的一通道完整三维频谱态势或场强“灰度图”(数据维度：1*NL*NW*NH)，进一步的，将一通道三维频谱态势或场强“灰度图”逐个扩充为三通道的完整三维频谱态势或场强“灰度图” (数据维度：3*NL*NW*NH)，其中每通道的频谱数据仍与原一通道时的数据相同。
步骤4、对上述所有一通道三维频谱态势或场强“灰度图”进行采样得到若干一通道缺损三维频谱态势或场强“灰度图”，同样逐个扩充后得到若干三通道的缺损三维频谱态势或场强“灰度图”。
步骤5、对上述所有三通道的缺损三维频谱态势或场强“灰度图”中的未采样点逐个以红色进行重新着色，得到若干三通道的缺损三维频谱态势或场强“彩色图”。
步骤6、构造面向生成对抗网络变种的训练集，其中每组训练数据为三通道的完整三维频谱态势或场强“灰度图”和对应的三通道的缺损三维频谱态势或场强“彩色图”。
至此，我们已经完成了离线获取并预处理若干完整三维频谱态势或场强数据操作，结合图4，进而执行S102步骤，对所提出的生成对抗网络变种进行离线训练，对生成对抗网络变种中的生成器网络而言，其输入为缺损三维频谱态势或场强，而输出的为生成对抗网络变种补全三维频谱态势或场强；对于鉴别器网络，其则对输入的生成对抗网络变种补全三维频谱态势或场强或完整三维频谱态势或场强加以区分鉴别。在生成器网络和鉴别器网络经迭代训练达到动态平衡后，我们可得到已训练好的生成器网络，即得到已学得三维频谱态势或场强补全机制的生成对抗网络变种。
至此，我们得到已学得三维频谱态势或场强补全机制的生成对抗网络变种。结合图5，执行S103步骤：
在线采集当前三维目标区域的实际无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到三维目标区域缺损频谱态势或场强实测数据，具体执行流程如下：
步骤1、在线采集三维目标区域的当前缺损频谱态势或场强数。
步骤2、根据以往实测接收功率的最值与此次在线采集时的数据最值比较后的更大/小值，对上述当前缺损三维频谱态势或场强数据进行归一化操作，得到灰度模式下的一通道缺损三维频谱态势或场强“灰度图”，扩充得到三通道的缺损三维频谱态势或场强“灰度图”。
步骤3、对上述三通道的缺损三维频谱态势或场强“灰度图”的未采样点以红色进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”。
至此，我们完成了在线采集并预处理当前缺损三维频谱态势或场强数据操作，结合图6，随后执行S104步骤，将所得实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种进行，得到生成对抗网络变种的输出数据，再处理后即可得到当前三维目标区域补全频谱态势或场强，具体执行流程如下：
步骤1、将上述三通道的缺损三维频谱态势或场强“彩色图”输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，具体而言是已训练好的生成器网络，即已学得三维频谱态势或场强补全机制的生成器网络，得到三通道的生成对抗网络变种补全三维频谱态势或场强“灰度图”。
步骤2、结合采集得到的三通道的缺损三维频谱态势或场强“彩色图”，将其中的采样点数据复制到生成对抗网络变种的输出数据中，得到三通道的输出补全三维频谱态势或场强“灰度图”。
步骤3、将上述三通道的输出补全三维频谱态势或场强“灰度图”进行逆归一化操作得到当前三维目标区域补全频谱态势或场强。
本实施例中，离线获取并预处理若干完整三维频谱态势或场强数据，基于所得数据对生成对抗网络变种进行离线训练，得到已学得三维频谱态势或场强补全机制的生成对抗网络变种；在线采集并预处理当前三维目标区域缺损频谱态势或场强数据，根据已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到生成对抗网络变种的输出数据，再处理得到当前三维目标区域补全频谱态势或场强，直到三维目标区域的电磁频谱环境发生剧烈变化。可以以较短的运行时间对缺损频谱态势或场强进行精确补全，有效的降低频谱态势或场强补全误差。
实施例二
结合图7，本发明提及一种基于生成对抗网络的频谱态势补全装置，该装置包括：离线数据收集模块701、离线网络训练模块702、在线数据收集模块703和在线态势补全模块704，其中：
离线数据收集模块701：离线获取存储的历史或经验无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到若干完整三维频谱态势或场强训练数据。
离线网络训练模块702：基于所得训练数据对生成对抗网络变种进行迭代且对抗式的离线训练，若干次迭代后得到已学得三维频谱态势或场强补全机制的生成对抗网络变种。
在线数据收集模块703：通过搭载于无人机上的无线电监测设备，在线采集当前三维目标区域的实际无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到三维目标区域缺损频谱态势或场强实测数据。
在线态势补全模块704：将所得实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种进行，得到生成对抗网络变种的输出数据，再处理后即可得到当前三维目标区域补全频谱态势或场强，直到三维目标区域的电磁频谱环境发生剧烈变化。
进一步的，所述离线数据收集模块701还包括：
训练数据收集单元7011：通过离线检索获取三维目标区域的若干历史完整频谱态势或场强数据或通过仿真获取三维目标区域的若干经验完整频谱态势或场强数据。
切片单元7012：对上述每组完整三维频谱态势或场强数据沿频率进行切片，得到若干完整三维频谱态势或场强切片。
归一化单元7013：对所有完整三维频谱态势或场强切片逐个进行归一化操作，得到若干灰度模式下的一通道完整三维频谱态势或场强“灰度图”，逐个扩充后得到若干三通道的完整三维频谱态势或场强“灰度图”。
采样单元7014：对上述所有一通道完整三维频谱态势或场强“灰度图”进行逐个采样，得到若干一通道缺损三维频谱态势或场强“灰度图”，同样逐个扩充后得到若干三通道的缺损三维频谱态势或场强“灰度图”；
着色单元7015：对上述所有三通道的缺损三维频谱态势或场强“灰度图”中的未采样点逐个以红色进行重新着色，得到若干三通道的缺损三维频谱态势或场强“彩色图”。
进一步的，所述离线网络训练模块702还包括：
生成对抗网络变种单元7021：带有U形结构和梯度惩罚项的、基于Wasserstein距离的条件三维生成对抗网络变种单元。
生成对抗网络变种控制单元7022：对生成对抗网络变种单元进行训练。
进一步的实施例中，所述在线数据收集模块703还包括：
在线数据采集单元7031：在线采集三维目标区域的当前缺损频谱态势或场强数据。
归一化单元7032：根据以往实测接收功率的最值与此次在线采集时的数据最值比较后的更大/小值，对上述当前缺损三维频谱态势或场强数据进行归一化操作，得到灰度模式下的一通道缺损三维频谱态势或场强“灰度图”，扩充得到三通道的缺损三维频谱态势或场强“灰度图”。
着色单元7033：对上述三通道的缺损三维频谱态势或场强“灰度图”的未采样点以红色进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”。
进一步的实施例中，所述在线态势补全模块704还包括：
生成对抗网络变种补全单元7041：将上述三通道的缺损三维频谱态势或场强“彩色图”输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到三通道的生成对抗网络补全三维频谱态势或场强“灰度图”。
输出补全单元7042：结合采集得到的三通道的缺损三维频谱态势或场强“彩色图”，将其中的采样点数据复制到生成对抗网络变种补全单元7024的输出数据中，得到三通道的输出补全三维频谱态势或场强“灰度图”。
逆归一化输出单元7043：对上述三通道的输出补全三维频谱态势或场强“灰度图”进行逆归一化操作得到当前三维目标区域补全频谱态势或场强。
本实施例的基于生成对抗网络的频谱态势或场强补全装置可以执行图1所示方法的实施例的技术方案，其实现原理类似，在此不再赘述。
本实施例中，通过所提出频谱态势或场强补全装置说明，对具有实施例背景和特点的三维频谱态势或场强补全问题进行解决，可以以较短的运行时间对缺损频谱态势或场强进行精确补全，有效降低频谱态势或场强补全误差。
实施例三
结合图8，本发明提及一种基于生成对抗网络的频谱态势补全系统，该系统包括：储存器801和处理器802，其中：
存储器801，用于存储指令和数据。
处理器802，与所述存储器801耦合，所述处理器802被配置为调用并执行存储在存储器801中的指令与数据，具体为：
处理器802，离线获取存储的历史或经验无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到若干完整三维频谱态势或场强训练数据。
处理器802，基于所得训练数据对生成对抗网络变种进行迭代且对抗式的离线训练，若干次迭代后得到已学得三维频谱态势或场强补全机制的生成对抗网络变种。
处理器802，通过搭载于无人机上的无线电监测设备，在线采集当前三维目标区域的实际无线电监测数据，进而通过适用于该步骤的切片处理和灰度处理等预处理方法得到三维目标区域缺损频谱态势或场强实测数据。
处理器802，将所得实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种进行，得到生成对抗网络变种的输出数据，再处理后即可得到当前三维目标区域补全频谱态势或场强，直到三维目标区域的电磁频谱环境发生剧烈变化。
更进一步，所述处理器802通过离线检索获取三维目标区域的若干历史完整频谱态势或场强数据或通过仿真获取三维目标区域的若干经验完整频谱态势或场强数据，并将其储存于存储器801。
更进一步，所述处理器802对上述每组完整三维频谱态势或场强数据沿频率进行切片，得到若干完整三维频谱态势或场强切片，并将其储存于存储器801。
更进一步，所述处理器802对所有完整三维频谱态势或场强切片逐个进行归一化操作，得到若干灰度模式下的一通道完整三维频谱态势或场强“灰度图”，逐个扩充后得到若干三通道的完整三维频谱态势或场强“灰度图”，并将其储存于存储器801。
更进一步，所述处理器802对上述所有一通道完整三维频谱态势或场强“灰度图”进行逐个采样，得到若干一通道缺损三维频谱态势或场强“灰度图”，同样逐个扩充后得到若干三通道的缺损三维频谱态势或场强“灰度图”，并将其储存于存储器801；
更进一步，所述处理器802对上述所有三通道的缺损三维频谱态势或场强“灰度图”中的未采样点逐个以红色进行重新着色，得到若干三通道的缺损三维频谱态势或场强“彩色图”，并将其储存于存储器801。
更进一步，所述处理器802构造面向生成对抗网络变种的训练集，其中每组训练数据为三通道的完整三维频谱态势或场强“灰度图”和对应的三通道的缺损三维频谱态势或场强“彩色图”，并将其储存于存储器801。
更进一步，所述处理器802基于上述训练集对所提出的生成对抗网络变种进行离线训练，得到已学得三维频谱态势或场强补全机制的生成对抗网络变种，并将其储存于存储器801。
更进一步，所述处理器802在线采集三维目标区域的当前缺损频谱态势或场强数据，并将其储存于存储器801。
更进一步，所述处理器802根据以往实测接收功率的最值与此次在线采集时的数据最值比较后的更大/小值，对上述当前缺损三维频谱态势或场强数据进行归一化操作，得到灰度模式下的一通道缺损三维频谱态势或场强“灰度图”，扩充得到三通道的缺损三维频谱态势或场强“灰度图”，并将其储存于存储器801。
更进一步，所述处理器802对上述三通道的缺损三维频谱态势或场强“灰度图”的未采样点以红色进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”，并将其储存于存储器801。
更进一步，所述处理器802将上述三通道的缺损三维频谱态势或场强“彩色图”输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到三通道的生成对抗网络变种补全三维频谱态势或场强“灰度图”，并将其储存于存储器801。
更进一步，所述处理器802结合采集得到的三通道的缺损三维频谱态势或场强“彩色图”，将其中的采样点数据复制到生成对抗网络变种补全的输出数据中，得到三通道的输出补全三维频谱态势或场强“灰度图”，并将其储存于存储器801。
更进一步，所述处理器802对上述三通道的输出补全三维频谱态势或场强“灰度图”进行逆归一化操作得到当前三维目标区域补全频谱态势或场强，并将其储存于存储器801。
本实施例中，通过所提出的面向频谱态势或场强补全的生成对抗网络变种离线训练和在线部署，对具有实施例背景和特点的三维频谱态势或场强补全问题进行解决，可以以较短的运行时间对缺损频谱态势或场强进行精确补全，有效降低频谱态势或场强补全误差。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种基于生成对抗网络的三维频谱态势补全方法，其特征在于，所述补全方法包括以下步骤：
S101：离线获取存储的历史或经验无线电监测数据，对其进行切片处理和灰度处理，得到一定量的完整三维频谱态势或场强训练数据；每组训练数据为三通道的完整三维频谱态势或场强“灰度图”和对应的三通道的缺损三维频谱态势或场强“彩色图”；
S102：基于步骤S101中得到的训练数据，对生成对抗网络变种进行迭代且对抗式的离线训练，得到已学得三维频谱态势或场强补全机制的生成对抗网络变种；
S103：通过搭载于无人机上的无线电监测设备，在线采集当前三维目标区域的实际无线电监测数据，对其进行预处理后，得到当前三维目标区域的缺损频谱态势或场强实测数据；实测数据含有三通道的缺损三维频谱态势或场强“灰度图”，对三通道的缺损三维频谱态势或场强“灰度图”的未采样点进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”；
S104：将步骤S103中得到的实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到生成对抗网络变种的输出数据，将三通道的缺损三维频谱态势或场强“彩色图”中的采样点数据复制到生成对抗网络变种的输出数据中，得到三维目标区域补全频谱态势或场强，直到三维目标区域的电磁频谱环境变化幅度超出预设幅度阈值。
2.根据权利要求1所述的基于生成对抗网络的三维频谱态势补全方法，其特征在于，步骤S101中，所述对其进行切片处理和灰度处理，得到一定量的完整三维频谱态势或场强训练数据的过程包括以下步骤：
S11，对每组完整三维频谱态势或场强数据沿频率进行切片处理，得到一定量的完整三维频谱态势或场强切片；
S12，对所有完整三维频谱态势或场强切片逐个进行归一化操作，得到一定量的灰度模式下的一通道完整三维频谱态势或场强“灰度图”，逐个扩充后得到若干三通道的完整三维频谱态势或场强“灰度图”，其中每通道的频谱数据仍与原一通道时的数据相同；
S13，对步骤S12得到的所有一通道完整三维频谱态势或场强“灰度图”进行逐个采样，得到若干一通道缺损三维频谱态势或场强“灰度图”，同样逐个扩充后得到若干三通道的缺损三维频谱态势或场强“灰度图”；
S14，对步骤S13得到的所有三通道的缺损三维频谱态势或场强“灰度图”中的未采样点逐个进行重新着色，得到若干三通道的缺损三维频谱态势或场强“彩色图”；
S15，构造面向生成对抗网络变种的训练集，其中每组训练数据为三通道的完整三维频谱态势或场强“灰度图”和对应的三通道的缺损三维频谱态势或场强“彩色图”。
3.根据权利要求1所述的基于生成对抗网络的三维频谱态势补全方法，其特征在于，步骤S102中，所述生成对抗网络变种是指：带有U形结构和梯度惩罚项的、基于Wasserstein距离的条件三维生成对抗网络；
其中：U形结构是指在采用三维卷积层进行下采样和采用三维转置卷积层进行上采样的过程中，将上采样和下采样过程中对应层的输出三维特征图在通道维度进行拼接的一种结构；梯度惩罚项和基于Wasserstein距离指目标函数带有梯度惩罚因子且采用Wasserstein距离作为分布距离衡量函数，条件三维生成对抗网络是指生成对抗网络中的生成器网络和鉴别器网络被额外输入了已知的条件信息。
4.根据权利要求1所述的基于生成对抗网络的三维频谱态势补全方法，其特征在于，步骤S103中，所述对其进行预处理后，得到当前三维目标区域的缺损频谱态势或场强实测数据的过程包括以下步骤：
S31，根据以往实测接收功率的最值与此次在线采集时的数据最值比较后的更大/小值，对上述当前三维目标区域的缺损频谱态势或场强实测数据进行归一化操作，得到灰度模式下的一通道缺损三维频谱态势或场强“灰度图”，扩充得到三通道的缺损三维频谱态势或场强“灰度图”；
S32，对步骤S31中得到的三通道的缺损三维频谱态势或场强“灰度图”的未采样点进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”。
5.根据权利要求1所述的基于生成对抗网络的三维频谱态势补全方法，其特征在于，步骤S104中，所述将三通道的缺损三维频谱态势或场强“彩色图”中的采样点数据复制到生成对抗网络变种的输出数据中，得到三维目标区域补全频谱态势或场强的过程包括以下步骤：
S41，结合采集得到的三通道的缺损三维频谱态势或场强“彩色图”，将其中的采样点数据复制到生成对抗网络变种的输出数据中，得到三通道的输出补全三维频谱态势或场强“灰度图”；
S42，对步骤S41中得到的三通道的输出补全三维频谱态势或场强“灰度图”进行逆归一化操作得到当前三维目标区域补全频谱态势或场强。
6.一种基于生成对抗网络的三维频谱态势补全装置，其特征在于，所述补全装置包括：
离线数据收集模块：用于离线获取存储的历史或经验无线电监测数据，对其进行切片处理和灰度处理，得到一定量的完整三维频谱态势或场强训练数据；每组训练数据为三通道的完整三维频谱态势或场强“灰度图”和对应的三通道的缺损三维频谱态势或场强“彩色图”；
离线网络训练模块：利用上述离线数据收集模块输出的训练数据，对生成对抗网络变种进行迭代且对抗式的离线训练，得到已学得三维频谱态势或场强补全机制的生成对抗网络变种；
在线数据收集模块：用于通过搭载于无人机上的无线电监测设备，在线采集当前三维目标区域的实际无线电监测数据，对其进行预处理后，得到当前三维目标区域的缺损频谱态势或场强实测数据；实测数据含有三通道的缺损三维频谱态势或场强“灰度图”，对三通道的缺损三维频谱态势或场强“灰度图”的未采样点进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”；
在线态势补全模块：用于将在线数据收集模块得到的实测数据输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到生成对抗网络变种的输出数据，将三通道的缺损三维频谱态势或场强“彩色图”中的采样点数据复制到生成对抗网络变种的输出数据中，得到三维目标区域补全频谱态势或场强。
7.根据权利要求6所述的基于生成对抗网络的三维频谱态势补全装置，其特征在于，所述离线数据收集模块还包括：
训练数据收集单元：通过离线检索获取三维目标区域的若干历史完整频谱态势或场强数据或通过仿真获取三维目标区域的若干经验完整频谱态势或场强数据；
切片单元：用于对每组完整三维频谱态势或场强数据沿频率进行切片处理，得到一定量的完整三维频谱态势或场强切片；
第一归一化单元：用于对所有完整三维频谱态势或场强切片逐个进行归一化操作，得到一定量的灰度模式下的一通道完整三维频谱态势或场强“灰度图”，逐个扩充后得到若干三通道的完整三维频谱态势或场强“灰度图”，其中每通道的频谱数据仍与原一通道时的数据相同；
采样单元：用于对第一归一化单元得到的所有一通道完整三维频谱态势或场强“灰度图”进行逐个采样，得到若干一通道缺损三维频谱态势或场强“灰度图”，同样逐个扩充后得到若干三通道的缺损三维频谱态势或场强“灰度图”；
第一着色单元：对采样单元得到的所有三通道的缺损三维频谱态势或场强“灰度图”中的未采样点逐个进行重新着色，得到若干三通道的缺损三维频谱态势或场强“彩色图”。
8.根据权利要求6所述的基于生成对抗网络的三维频谱态势补全装置，其特征在于，所述离线网络训练模块还包括：
生成对抗网络变种单元：包括带有U形结构和梯度惩罚项的、基于Wasserstein距离的条件三维生成对抗网络变种单元；其中：U形结构是指在采用三维卷积层进行下采样和采用三维转置卷积层进行上采样的过程中，将上采样和下采样过程中对应层的输出三维特征图在通道维度进行拼接的一种结构；梯度惩罚项和基于Wasserstein距离指目标函数带有梯度惩罚因子且采用W asserstein距离作为分布距离衡量函数，条件三维生成对抗网络是指生成对抗网络中的生成器网络和鉴别器网络被额外输入了已知的条件信息；
生成对抗网络变种训练单元：用于对生成对抗网络变种单元进行训练。
9.根据权利要求6所述的基于生成对抗网络的三维频谱态势补全装置，其特征在于，所述在线数据收集模块还包括：
在线数据采集单元：用于通过搭载于无人机上的无线电监测设备，在线采集三维目标区域的当前缺损频谱态势或场强数据；
第二归一化单元：用于根据以往实测接收功率的最值与此次在线采集时的数据最值比较后的更大/小值，对上述当前三维目标区域的缺损频谱态势或场强实测数据进行归一化操作，得到灰度模式下的一通道缺损三维频谱态势或场强“灰度图”，扩充得到三通道的缺损三维频谱态势或场强“灰度图”；
第二着色单元：用于对第二归一化单元得到的三通道的缺损三维频谱态势或场强“灰度图”的未采样点进行重新着色，得到三通道的缺损三维频谱态势或场强“彩色图”。
10.根据权利要求6所述的基于生成对抗网络的三维频谱态势补全装置，其特征在于，所述在线态势补全模块，还包括：
生成对抗网络变种补全单元：用于将在线数据收集模块输出的三通道的缺损三维频谱态势或场强“彩色图”输入已学得三维频谱态势或场强补全机制的生成对抗网络变种，得到三通道的生成对抗网络变种补全三维频谱态势或场强“灰度图”；
输出补全单元：用于结合采集得到的三通道的缺损三维频谱态势或场强“彩色图”，将其中的采样点数据复制到生成对抗网络变种补全单元的输出数据中，得到三通道的输出补全三维频谱态势或场强“灰度图”；
逆归一化输出单元：用于对输出补全单元发送的三通道的输出补全三维频谱态势或场强“灰度图”进行逆归一化操作得到当前三维目标区域补全频谱态势或场强。
CN202110345357.3A 2021-03-30 2021-03-30 基于生成对抗网络的三维频谱态势补全方法和装置 Active CN113114399B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110345357.3A CN113114399B (zh) 2021-03-30 2021-03-30 基于生成对抗网络的三维频谱态势补全方法和装置
PCT/CN2022/073723 WO2022206149A1 (zh) 2021-03-30 2022-01-25 基于生成对抗网络的三维频谱态势补全方法及装置
US18/032,573 US20230386098A1 (en) 2021-03-30 2022-01-25 Three-dimensional spectrum situation completion method and device based on generative adversarial network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110345357.3A CN113114399B (zh) 2021-03-30 2021-03-30 基于生成对抗网络的三维频谱态势补全方法和装置

Publications (2)

Publication Number Publication Date
CN113114399A CN113114399A (zh) 2021-07-13
CN113114399B true CN113114399B (zh) 2022-02-01

Family

ID=76712968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110345357.3A Active CN113114399B (zh) 2021-03-30 2021-03-30 基于生成对抗网络的三维频谱态势补全方法和装置

Country Status (3)

Country Link
US (1) US20230386098A1 (zh)
CN (1) CN113114399B (zh)
WO (1) WO2022206149A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114900234B (zh) * 2022-07-14 2022-10-21 四川太赫兹通信有限公司 一种太赫兹频谱环境地图构建方法及设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017155634A1 (en) * 2016-03-11 2017-09-14 Origin Wireless, Inc. Methods, devices, servers, apparatus, and systems for wireless internet of things applications
CN106569044B (zh) * 2016-11-02 2019-05-03 西安电子科技大学 基于沉浸式虚拟现实系统的电磁频谱态势观测方法
CN107945811B (zh) * 2017-10-23 2021-06-01 北京大学 一种面向频带扩展的生成式对抗网络训练方法及音频编码、解码方法
US20200293875A1 (en) * 2019-03-12 2020-09-17 International Business Machines Corporation Generative Adversarial Network Based Audio Restoration
CN110276745B (zh) * 2019-05-22 2023-04-07 南京航空航天大学 一种基于生成对抗网络的病理图像检测算法
CN110166154B (zh) * 2019-06-13 2021-03-26 桂林电子科技大学 一种基于神经网络的软件无线电频谱监测识别的方法
CN111431580B (zh) * 2020-03-24 2022-05-03 南京航空航天大学 一种基于无人机平台的频谱态势认知测绘装置及方法
CN111444967B (zh) * 2020-03-30 2023-10-31 腾讯科技（深圳）有限公司 生成对抗网络的训练方法、生成方法、装置、设备及介质
CN112331232B (zh) * 2020-11-06 2022-08-12 杭州电子科技大学 一种结合cgan谱图去噪和双边滤波谱图增强的语音情感识别方法

Also Published As

Publication number Publication date
WO2022206149A1 (zh) 2022-10-06
US20230386098A1 (en) 2023-11-30
CN113114399A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
Ahmed et al. A reinforcement learning based approach for multitarget detection in massive MIMO radar
Kasparick et al. Kernel-based adaptive online reconstruction of coverage maps with side information
CN107843774B (zh) 电磁态势的计算成像方法及电磁态势成像系统
Krijestorac et al. Spatial signal strength prediction using 3D maps and deep learning
US20220092415A1 (en) Forecasting with deep state space models
Rufaida et al. Construction of an indoor radio environment map using gradient boosting decision tree
CN113064117A (zh) 一种基于深度学习的辐射源定位方法及装置
WO2021076084A1 (en) A system providing prediction of communication channel parameters
CN113114399B (zh) 基于生成对抗网络的三维频谱态势补全方法和装置
Zhang et al. Generative adversarial networks based digital twin channel modeling for intelligent communication networks
Nguyen et al. Deep learning for path loss prediction in the 3.5 GHz CBRS spectrum band
CN114264220A (zh) 一种移动设备的相对位移精确感知与检测方法
Bal et al. Regression of large-scale path loss parameters using deep neural networks
Klein et al. On UAV routing protocols for sparse sensor data exfiltration
CN113644996A (zh) 基于深度学习的小区级rsrp估计方法
CN115984084B (zh) 一种基于动态可拆分网络的遥感分布式数据处理方法
CN115913424A (zh) 一种基于条件生成对抗网络的频谱地图精确构建方法
WO2022073398A1 (en) Location prediction using hierarchical classification
US11507803B2 (en) System for generating synthetic digital data for data multiplication
Yayeh Munaye et al. Hybrid deep learning‐based throughput analysis for UAV‐assisted cellular networks
CN111628837B (zh) 一种信道建模的方法及设备
CN114785433A (zh) 信道场景识别的方法、网络设备及存储介质
Sukemi et al. Path Loss Prediction Accuracy Based on Random Forest Algorithm in Palembang City Area
Shrestha et al. Radio map estimation in the real-world: Empirical validation and analysis
Waheed et al. DeepChannel: Robust Multimodal Outdoor Channel Model Prediction in LTE Networks Using Deep Learning

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