CN114301749A - 一种基于生成对抗网络的信号抗干扰方法 - Google Patents
一种基于生成对抗网络的信号抗干扰方法 Download PDFInfo
- Publication number
- CN114301749A CN114301749A CN202111617411.1A CN202111617411A CN114301749A CN 114301749 A CN114301749 A CN 114301749A CN 202111617411 A CN202111617411 A CN 202111617411A CN 114301749 A CN114301749 A CN 114301749A
- Authority
- CN
- China
- Prior art keywords
- interference
- signal
- target
- image
- countermeasure network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000001629 suppression Effects 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000001131 transforming effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 9
- 230000006854 communication Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于生成对抗网络的信号抗干扰方法。本发明包括：步骤1、通过数据预处理将含干扰的调制信息与不含干扰的调制信号进行维度变换，将一维信号变换为二维图像，作为生成对抗网络的数据集；步骤2、基于生成对抗网络的BPSK信号抗干扰模型结构以及目标函数设计，由含干扰的调制信号向不含干扰的目标调制信号的映射，从而实现调制信号的抗干扰。本发明将抗干扰问题转化为图像的映射问题，相比于传统的频域陷波的干扰抑制方法具有更好的抗干扰性能。与普遍应用的基于窗函数的频域陷波算法相比，在同干信比以及高信噪比下，相同误码率，对窄带噪声干扰性能提升1.5dB，对多音干扰性能提升1dB。在同信噪比下，本文所提出的基于生成对抗网络的BPSK抗干扰算法随着干信比的逐渐增大误码率平缓上升，整体趋势优于基于窗函数的频域陷波算法，且在窄带噪声干扰下提升较大。
Description
技术领域
本发明主要针对高斯信道与存在干扰信息时传输的调制信号，主要涉及一种基于生成对抗网络的信号抗干扰方法。
背景技术
在通信技术飞速发展的大环境下，现有的电磁环境逐渐趋于复杂，信号接收机收到的信号受到干扰的概率逐渐增大。在通信过程中接收机对信号干扰较为敏感，无论是信号识别还是信号解调过程中若受到较强的干扰，整个系统极大可能出现瘫痪现象从而造成重大通信事故。其中在现有通信环境中信号受人为的窄带压制干扰，脉冲干扰情况居多，这种干扰对当前通信影响较大，为降低干扰对原有信号的影响，需要应用信号抗干扰算法实现干扰抑制。
近年来，深度学习算法的发展迅速，通信领域逐渐与深度学习算法相互结合并且在信道估计，信号解调，信号识别等领域均有突破。深度学习算法通过利用深度学习网络出色的卷积计算能力，在处理通信领域问题时无论是在信道估计上还是在信号解调上均获得更好性能。基于以GAN为算法核心的信道估计算法利用生成对抗网络的对抗特性改善优化模型映射能力，从而获得较好的信道估计能力。基于卷积神经网络的端到端的信号解调算法利用卷积神经网络实现了信号解调并在不同信道下均有较为出色的性能表现。因此将信号抗干扰技术与深度学习算法相结合，通过利用深度学习算法的强映射能力达到更好的干扰抑制效果成为了信号抗干扰算法突破口。
发明内容
本发明的目的是优化高斯信道与存在干扰下调制信号的抗干扰性能，提出了一种基于生成对抗网络的抗干扰方法。通过图像化构造的方式凸显信号数据整体分布，并且调制信号的基带信息，载频信息等均会转换为图像中的强纹理特征。通过利用深度学习算法优秀的数据卷积计算能力对含有干扰信息图像的数据分布与目标图像的数据分布进行学习，实现了由含有干扰信息图像向不含干扰信息的目标图像的映射，从而达到干扰抑制的目的。理论分析和仿真实验表明，针对BPSK信号，在高斯信道和存在干扰下该方法与普遍应用的基于窗函数的频域陷波算法相比，在同干信比以及高信噪比下，相同误码率，对窄带噪声干扰性能提升1.5dB，对多音干扰性能提升1dB。在同信噪比下，本文所提出的基于生成对抗网络的BPSK抗干扰算法随着干信比的逐渐增大误码率平缓上升，整体趋势优于基于窗函数的频域陷波算法，且在窄带噪声干扰下提升较大。
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、通过数据预处理将含干扰的调制信息与不含干扰的调制信号进行维度变换，将一维信号变换为二维图像，作为生成对抗网络的数据集；
步骤2、基于生成对抗网络的BPSK信号抗干扰模型结构以及目标函数设计，由含干扰的调制信号向不含干扰的目标调制信号的映射，从而实现调制信号的抗干扰；
步骤1具体实现如下：
1-1.接收到含干扰的BPSK调制信号，经过采样后的数学模型为：
其中，Smix代表经过采样的含有干扰的BPSK调制信号，fs代表采样频率，bmn属于{-1，1}代表基带数据信息的当前采样点，m代表当前码元，n代表当前码元当时刻采样点，fc代表信号载波频率，Sint代表干扰信息，ns为服从(0,σ2)高斯噪声。
采用的多音干扰与窄带噪声干扰这两种干扰的数学表达式如下所示：
上式中Sint_mutone与Sint_noise分别代表多音干扰与窄带噪声干扰，其中多音干扰是由多个载频为fc1 fc2…fck的正弦信号组成，窄带噪声干扰则是对高斯噪声进行低通滤波，得到带限噪声干扰nc，并将该带限噪声调制到fc_noise频率上。
1-2.把经过采样的BPSK一维调制信号绘制成一个二维图像，BPSK信号包含M个码元且每个码元采样N个点。经过维度变换后信号的实部与虚部部分变成了M*N的矩阵，在该矩阵中每一行代表同一个码元，在同一行内每一个点代表该码元不同时刻的采样点。其中Smix_re与Smix_im分别代表二维图像的实部信息与虚部信息，经过变换后的表达式如下所示：
Smix＝(Smix_re,Smix_im) (4)
上式中Sint_re(i)与Sint_im(i)分别代表干扰信号的实部信号与虚部信号的第i个采样点的值,Ns代表噪声信号经过图像化构造后的噪声矩阵。在信号抗干扰的过程中，希望通过基于生成对抗网络的抗干扰算法对信号与干扰实现有效的分离。在这个映射过程中通过生成对抗网络的对抗特性，使生成信号与不含干扰信息的目标信号的数据分布相似性保持高度一致。
因此，本文同样将不含干扰信息的目标信号Starget转化为M*N*2维度的图像矩阵,其中Starget_re,Starget_im分别代表目标信号图像的实部与虚部信息，具体数学表达式如下所示：
Starget＝(Starget_re,Starget_im) (7)
通过将信号抗干扰与深度学习算法相结合后，将原本干扰抑制的过程转换为两个图像矩阵的映射过程。这种映射过程是从数据分布角度出发的，在这个过程中生成对抗网络输入含有干扰信息的混合图像矩阵后，通过生成与目标图像具有相似数据分布的新的图像矩阵的方式，完成由图像Smix向目标图像Starget的映射。
步骤2具体实现如下：
2-1.搭建基于生成对抗网络的抗干扰模型，将含干扰的调制信息(经过采样的BPSK调制信号)作为模型的输入，目标调制信号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抗干扰模型，抗干扰模型包括生成器与鉴别器两部分。基于GAN抗干扰模型的生成器使用21层U-Net网络结构，该架构三个4×4卷积块、三个4×4反卷积块和两个全连接层组成。每个卷积块由卷积层、归一化层和ReLU激活层组成。本文采用的21层多层结构，能够有效提高网络提取含干扰信息信号高维特征的能力。与此同时，为了加快信号特征提取，本文在卷积运算中将卷积步长设置为2，并且在卷积运算中使用4×4的卷积核来增强对含干扰信息的混合信号的感受野。每个反卷积块由反卷积层、归一化层、Drop层和ReLU激活层组成。反卷积核的大小、步长与卷积模块中卷积核的设置相同，这样做可以有效地利用连接层将卷积层提取的特征信息与反卷积层输出的生成特征信息连接起来。
在鉴别器中使用补丁架构来识别输入的图像样本。补丁鉴别器将输入信息映射到感受野中，在感受野中的每个元素均可以表示输入的一部分是真实的还是虚假的，通过这种方式能够提升局部细节的鉴定能力从而利用网络的对抗特性提高细节恢复能力。鉴别器具体结构由两个4×4卷积块和一个输出块组成。卷积块与生成器中的卷积块相同，主要作用是提取目标图像和生成图像的高维特征。输出块是一个带有4×4卷积核的卷积层，该卷积层的感受野中每一个元素代表着输入信息部分细节特征的真假。
2-3.设计抗干扰模型的目标函数，提出的生成对抗网络的目标函数为：
其中G表示生成器网络,D表示鉴别器网络。是D(Starget)目标信号被判断为真实样本的概率。G(Smix)表示当含有干扰信息的图像Smix输入到生成器网络G时生成的恢复图像。E[*]代表当前数据的期望值。
鉴别器D的目的是将G(Smix)分类为假标签，将Starget分类为真实标签。生成器G的目的是使恢复图像与目标图像更加相似。当D的数学期望最大时，说明鉴别器区分生成的恢复图像G(Smix)和目标图像Starget最佳。当G的数学期望最小时，意味着生成器G生成的恢复图像G(Smix)与目标图像Starget基本相同。在这个对抗训练的过程中生成网络与鉴别网络相互博弈使得干扰抑制性能更加优越。
为了使生成网络生成的不含干扰信息的数据分布与目标分布更加贴近本文在原有目标函数基础上增加一个MSE目标函数，该函数表示为：
L2(G)＝E[||Starget-G(Smix)||2] (12)
通过结合上述两个目标函数来进行模型训练，这两个目标函数中MSE目标函数的权重为ε，经过结合后该目标函数表示为：
2-4.将含干扰的调制信号作为生成器的输入，不含干扰的目标调制信息作为生成器的输出，并将不含干扰的目标调制信号与生成器生成的恢复调制信号作为鉴别器输入判别真假并反馈给生成器，进行训练，得到基于生成对抗网络的的抗干扰模型。
本发明有益效果如下：
1.本发明提供了一种抗干扰的新思路，将抗干扰问题转化为图像的映射问题，相比于传统的频域陷波的干扰抑制方法具有更好的抗干扰性能。
2.本发明较于频域陷波方法，高斯信道，在同干信比的情况下，相同误码率时，对窄带噪声干扰性能提升1.5dB，对多音干扰性能提升1dB。在同信噪比情况下，提出的基于生成对抗网络的BPSK抗干扰方法随着干信比的逐渐增大误码率平缓上升，整体趋势优于传统的频域陷波算法，且在窄带噪声干扰下提升较大。
本发明提出的基于提出一种基于生成对抗网络的BPSK信号抗干扰算法，该算法提出采用生成对抗网络模型以及合理设计其目标函数，主要针对同频压制干扰进行抑制，通过信号图像化构造的方式，凸显信号的整体数据分布趋势，通过训练生成对抗网络建立含有干扰信息图像与不含干扰信息图像的精准映射关系，实现干扰抑制。通过构建含有干扰信息的混合信号向不含干扰信息的目标信号的映射关系实现了有对窄带干扰信号的抑制。理论分析和仿真实验表明，这种基于分布映射的干扰抑制方法在窄带噪声干扰与多音干扰下信号下，比传统基于频域滤波的干扰抑制算法具有更好的抗干扰性能。由此可见，应用生成对抗网络模型实现对含干扰的调制信号抗干扰有着非常广泛的应用前景。
附图说明
图1含干扰信号的图像化构造图
图2无干扰信息的目标信号图像化构造图
图3基于生成对抗网络的信号抗干扰算法的结构模型
图4不同信噪比下抗窄带噪声干扰的信号误码率仿真图
图5不同信噪比下抗多音干扰的信号误码率仿真图
图6不同干信比下抗窄带噪声干扰的信号误码率仿真图
图7不同干信比下抗多音干扰的信号误码率仿真图
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、将采样后的含干扰信息的BPSK调制信号和不含干扰信息的BPSK调制信号以M*N*2方式变换为二维图像，经过变换后的图形如图1所示:
步骤2、将制作的含干扰的BPSK调制信号与解不含干扰的BPSK调制信号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生成对抗网络的抗干扰模型，直到目标函数收敛，最后将测试集数据输入训练好的网络模型中进行测试。
步骤1具体实现如下：
1-1.将含窄带噪声干扰信息的BPSK调制信号按照式(5)和(6)所示，制作成如图1.(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，因此得到生成对抗网络每次处理的信息块大小为256*8*2的图像张量。
1-2.将含多音干扰信息的BPSK调制信号按照式(5)和(6)所示，制作成如图1所示的图片，其中码元个数规定为256，每个码元采样8个点，因此得到生成对抗网络每次处理的信息块大小为256*8*2的图像张量。
1-3.将不含干扰信息的BPSK调制信号按照式(8)和(9)所示，制作成如图2所示的图片，其中码元个数规定为256，每个码元采样8个点，因此得到生成对抗网络每次处理的信息块大小为256*8*2的图像张量。
步骤2具体实现如下：
2-1.按照图3所示的网络结构进行搭建，生成器使用21层U-Net架构，该架构通过将卷积层提取的特征与反卷积层输出的生成特征相结合，能够有效防止模型退化和过拟合，加速网络收敛。鉴别器中使用补丁架构来识别输入的图像样本。补丁鉴别器将输入信息映射到感受野中，在感受野中的每个元素均可以表示输入的一部分是真实的还是虚假的，通过这种方式能够提升局部细节的鉴定能力从而利用网络的对抗特性提高细节恢复能力。
2-2.将图1所示含干扰的调制信号图片作为生成器输入，图2所示的不含干扰的目标调制信号图片解调信息作为生成器的输出对模型进行训练，训练得到基于生成对抗网络的抗干扰模型。
2-3.将测试集的信号图片输入训练好的网络模型中，最后恢复出不含干扰的调制信号图片。
实施例：
在本次实验中使用GPU为NVIDIA RTX 2080,在训练过程中使用的深度学习框架为Tensorflow 2.1。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1600Baud，每个训练数据包含256个码元，每个码元采样8个点。采用已知BPSK信号与相应的受干扰信息作为训练数据，基带信号采用升余弦滤波器进行成型处理，成型系数为0.6，并对BPSK进行多音干扰和窄带噪声干扰。在Matlab 2019a仿真平台上将一维信号转换为M×N图像矩阵。
测试模型在相同干信比，不同信噪比情况下的抗干扰性能，在不同信噪比下，对具有不同干扰种类的BPSK信号进行网络训练，待网络收敛后，用相应的测试集进行测试，并对生成的调制信号进行解调，统计误码率。制作训练集与测试集通过MATLAB2019a仿真生成BPSK信号，训练集为5000个含噪声的BPSK信号，测试集为500个BPSK信号，将含有干扰的BPSK调制信号与不含干扰的BPSK调制信号作为模型的输入与输出进行训练。待网络收敛后，对训练好的抗干扰模型加入干信比0dB，信噪比为0dB到8dB间隔为1dB的高斯噪声模拟高斯信道，统计各个信噪比下解调误码率，并与传统频域陷波抗干扰下的误码率进行比较，其中窄带噪声干扰和多音干扰的误码率测试一致，测试结果如图4和图5所示。从误码率曲线可知本文所提出的方案在同误码率下优于传统的频域陷波算法，且在高信噪比下，相同误码率时，对窄带噪声干扰性能提升1.5dB，对多音干扰性能提升1dB。该结果说明本方案在高斯信道下有良好的抗干扰性能。
测试模型在相同信噪比，不同干信比情况下的抗干扰性能，在不同干信比下，对具有不同干扰种类的BPSK信号进行网络训练，待网络收敛后，用相应的测试集进行测试，并对生成的调制信号进行解调，统计误码率。其中信噪比固定为8dB，干信比为0dB到8dB间隔为1dB，统计各个干信比下解调误码率，并与传统频域陷波抗干扰下的误码率进行比较，其中窄带噪声干扰和多音干扰的误码率测试一致，测试结果如图6和图7所示。从误码率曲线可知本文所提出的方案在同误码率下优于传统的频域陷波算法，在8dB信噪比下，本文所提出的基于生成对抗网络的BPSK抗干扰算法随着干信比的逐渐增大误码率平缓上升，整体趋势优于基于窗函数的频域陷波算法，且在窄带噪声干扰下提升较大。
综上所述本算法基于生成对抗网络进行信号的抗干扰，相比于传统的频域陷波抗干扰算法性能有所提升，并且针对不同信噪比，不同干信比下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 (8)
1.一种基于生成对抗网络的信号抗干扰方法，其特征在于包括以下步骤：
步骤1、通过数据预处理将含干扰的调制信息与不含干扰的调制信号进行维度变换，将一维信号变换为二维图像，作为生成对抗网络的数据集；
步骤2、基于生成对抗网络的BPSK信号抗干扰模型结构以及目标函数设计，由含干扰的调制信号向不含干扰的目标调制信号的映射，从而实现调制信号的抗干扰。
2.根据权利要求1所述的一种基于生成对抗网络的信号抗干扰方法，其特征在于步骤2具体实现如下：
搭建基于生成对抗网络的抗干扰模型，将含干扰的调制信息作为模型的输入，目标调制信号作为模型的输出建立如下映射：
3.根据权利要求1所述的一种基于生成对抗网络的信号抗干扰方法，其特征在于搭建基于生成对抗网络的抗干扰模型，抗干扰模型包括生成器与鉴别器两部分；基于GAN抗干扰模型的生成器使用21层U-Net网络结构，该架构三个4×4卷积块、三个4×4反卷积块和两个全连接层组成；每个卷积块由卷积层、归一化层和ReLU激活层组成；
卷积运算中将卷积步长设置为2，并且在卷积运算中使用4×4的卷积核来增强对含干扰信息的混合信号的感受野；每个反卷积块由反卷积层、归一化层、Drop层和ReLU激活层组成；反卷积核的大小、步长与卷积模块中卷积核的设置相同。
4.根据权利要求3所述的一种基于生成对抗网络的信号抗干扰方法，其特征在于在鉴别器中使用补丁架构来识别输入的图像样本；补丁鉴别器将输入信息映射到感受野中，在感受野中的每个元素均能够表示输入的一部分是真实的还是虚假的，鉴别器具体结构由两个4×4卷积块和一个输出块组成；卷积块与生成器中的卷积块相同，主要作用是提取目标图像和生成图像的高维特征；输出块是一个带有4×4卷积核的卷积层，该卷积层的感受野中每一个元素代表着输入信息部分细节特征的真假。
5.根据权利要求3所述的一种基于生成对抗网络的信号抗干扰方法，其特征在于设计抗干扰模型的目标函数，提出的生成对抗网络的目标函数为：
其中G表示生成器网络,D表示鉴别器网络；是D(Starget)目标信号被判断为真实样本的概率；G(Smix)表示当含有干扰信息的图像Smix输入到生成器网络G时生成的恢复图像；E[*]代表当前数据的期望值；
鉴别器D的目的是将G(Smix)分类为假标签，将Starget分类为真实标签；生成器G的目的是使恢复图像与目标图像更加相似；当D的数学期望最大时，说明鉴别器区分生成的恢复图像G(Smix)和目标图像Starget最佳；当G的数学期望最小时，意味着生成器G生成的恢复图像G(Smix)与目标图像Starget基本相同。
6.根据权利要求4所述的一种基于生成对抗网络的信号抗干扰方法，其特征在于在生成对抗网络的目标函数基础上增加一个MSE目标函数，该函数表示为：
L2(G)＝E[||Starget-G(Smix)||2] (12)
通过结合两个目标函数来进行模型训练，这两个目标函数中MSE目标函数的权重为ε，经过结合后该目标函数表示为：
7.根据权利要求4所述的一种基于生成对抗网络的信号抗干扰方法，其特征在于将含干扰的调制信号作为生成器的输入，不含干扰的目标调制信息作为生成器的输出，并将不含干扰的目标调制信号与生成器生成的恢复调制信号作为鉴别器输入判别真假并反馈给生成器，进行训练，得到基于生成对抗网络的的抗干扰模型。
8.根据权利要求4所述的一种基于生成对抗网络的信号抗干扰方法，其特征在于
步骤1具体实现如下：
1-1.接收到含干扰的BPSK调制信号，经过采样后的数学模型为：
其中，Smix代表经过采样的含有干扰的BPSK调制信号，fs代表采样频率，bmn属于{-1，1}代表基带数据信息的当前采样点，m代表当前码元，n代表当前码元当时刻采样点，fc代表信号载波频率，Sint代表干扰信息，ns为服从(0,σ2)高斯噪声；
采用的多音干扰与窄带噪声干扰这两种干扰的数学表达式如下所示：
上式中Sint_mutone与Sint_noise分别代表多音干扰与窄带噪声干扰，其中多音干扰是由多个载频为fc1 fc2…fck的正弦信号组成，窄带噪声干扰则是对高斯噪声进行低通滤波，得到带限噪声干扰nc，并将该带限噪声调制到fc_noise频率上；
1-2.把经过采样的BPSK一维调制信号绘制成一个二维图像，BPSK信号包含M个码元且每个码元采样N个点；经过维度变换后信号的实部与虚部部分变成了M*N的矩阵，在该矩阵中每一行代表同一个码元，在同一行内每一个点代表该码元不同时刻的采样点；其中Smix_re与Smix_im分别代表二维图像的实部信息与虚部信息，经过变换后的表达式如下所示：
Smix＝(Smix_re,Smix_im) (4)
上式中Sint_re(i)与Sint_im(i)分别代表干扰信号的实部信号与虚部信号的第i个采样点的值,Ns代表噪声信号经过图像化构造后的噪声矩阵；
将不含干扰信息的目标信号Starget转化为M*N*2维度的图像矩阵,其中Starget_re,Starget_im分别代表目标信号图像的实部与虚部信息，具体数学表达式如下所示：
Starget＝(Starget_re,Starget_im) (7)
通过将信号抗干扰与深度学习算法相结合后，将原本干扰抑制的过程转换为两个图像矩阵的映射过程；生成对抗网络输入含有干扰信息的混合图像矩阵后，通过生成与目标图像具有相似数据分布的新的图像矩阵的方式，完成由图像Smix向目标图像Starget的映射。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111617411.1A CN114301749B (zh) | 2021-12-27 | 2021-12-27 | 一种基于生成对抗网络的信号抗干扰方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111617411.1A CN114301749B (zh) | 2021-12-27 | 2021-12-27 | 一种基于生成对抗网络的信号抗干扰方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114301749A true CN114301749A (zh) | 2022-04-08 |
| CN114301749B CN114301749B (zh) | 2024-02-13 |
Family
ID=80969380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111617411.1A Active CN114301749B (zh) | 2021-12-27 | 2021-12-27 | 一种基于生成对抗网络的信号抗干扰方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114301749B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
| CN109639710A (zh) * | 2018-12-29 | 2019-04-16 | 浙江工业大学 | 一种基于对抗训练的网络攻击防御方法 |
| CN110647923A (zh) * | 2019-09-04 | 2020-01-03 | 西安交通大学 | 小样本下基于自我学习的变工况机械故障智能诊断方法 |
| CN112787966A (zh) * | 2020-12-28 | 2021-05-11 | 杭州电子科技大学 | 基于端到端的级联生成对抗网络信号解调方法 |
| AU2021101336A4 (en) * | 2021-03-15 | 2021-05-13 | Shandong University | A Classification System Of Modulation Signal Time-Frequency Image Based On Generative Adversarial Network And Its Operation Method |
| CN112949820A (zh) * | 2021-01-27 | 2021-06-11 | 西安电子科技大学 | 基于生成对抗网络的认知抗干扰目标检测方法 |
-
2021
- 2021-12-27 CN CN202111617411.1A patent/CN114301749B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
| CN109639710A (zh) * | 2018-12-29 | 2019-04-16 | 浙江工业大学 | 一种基于对抗训练的网络攻击防御方法 |
| CN110647923A (zh) * | 2019-09-04 | 2020-01-03 | 西安交通大学 | 小样本下基于自我学习的变工况机械故障智能诊断方法 |
| CN112787966A (zh) * | 2020-12-28 | 2021-05-11 | 杭州电子科技大学 | 基于端到端的级联生成对抗网络信号解调方法 |
| CN112949820A (zh) * | 2021-01-27 | 2021-06-11 | 西安电子科技大学 | 基于生成对抗网络的认知抗干扰目标检测方法 |
| AU2021101336A4 (en) * | 2021-03-15 | 2021-05-13 | Shandong University | A Classification System Of Modulation Signal Time-Frequency Image Based On Generative Adversarial Network And Its Operation Method |
Non-Patent Citations (1)
| Title |
|---|
| 郭清杨;: "基于生成对抗网络的对抗样本生成", 现代计算机, no. 07 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114301749B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
| CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
| CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
| CN110086737A (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
| CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
| CN110266620A (zh) | 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 | |
| CN104811276A (zh) | 一种超奈奎斯特速率通信的dl-cnn解调器 | |
| CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
| CN111614584B (zh) | 基于神经网络的变换域自适应滤波信道估计方法 | |
| CN101895494B (zh) | 基于随机共振预处理的数字调制方式自动识别方法 | |
| CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
| CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
| CN109120563B (zh) | 一种基于神经网络集成的调制识别方法 | |
| CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
| CN113055107B (zh) | 一种针对具有未知通信模式电台的干扰策略生成方法 | |
| CN110659684A (zh) | 一种基于卷积神经网络stbc信号识别方法 | |
| CN116132239A (zh) | 采用预激活残差单元和超分辨网络的ofdm信道估计方法 | |
| CN114896887A (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
| CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
| CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
| CN114615118A (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
| CN114301749A (zh) | 一种基于生成对抗网络的信号抗干扰方法 | |
| CN116896492A (zh) | 基于多通道注意力网络的调制编码联合识别方法及系统 | |
| CN114567398B (zh) | 一种基于卷积长短时记忆神经网络的频谱感知方法 | |
| CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 |
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 |