CN116112378A - 一种基于vae-gan的dsss信号波形生成方法 - Google Patents
一种基于vae-gan的dsss信号波形生成方法 Download PDFInfo
- Publication number
- CN116112378A CN116112378A CN202310120445.2A CN202310120445A CN116112378A CN 116112378 A CN116112378 A CN 116112378A CN 202310120445 A CN202310120445 A CN 202310120445A CN 116112378 A CN116112378 A CN 116112378A
- Authority
- CN
- China
- Prior art keywords
- data
- generator
- encoder
- signal
- length
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 12
- 230000007480 spreading Effects 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims 4
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于VAE‑GAN的DSSS信号波形生成方法。该方法首先构建具有不同PN序列周期长度和信噪比的数据集；设计结合变分自编码器的生成对抗网络架构，并对网络中编码器和生成器分别设计适合的优化目标函数；通过编码器、生成器与判别器间的博弈训练使生成模型具备学习DSSS信号中较高维PN序列特征的能力，从而实现对DSSS信号的重构。本发明方法能够解决非合作方的DSSS信号难以重构的问题，模型中添加了自注意力机制和深度残差收缩网络使模型能够对具有不同长度扩频码的目标信号进行学习，模型灵活易训练，因此具有实际应用价值。
Description
技术领域
本发明涉及无线通信信号的仿真生成领域，尤其涉及一种基于VAE-GAN(变分自编码器生成对抗网络)的DSSS(Direct Sequence Spread Spectrum，直接序列扩展频谱)信号波形生成方法。
背景技术
当今电磁环境十分复杂，无论是在空中、海上或者陆地，通信信号都伴随着日趋复杂的人为干扰、无意串扰或者大自然产生的雷暴等信号。为了提高自身通信系统对特定电磁环境的适应能力，复杂电磁环境的构建便具有重要的意义，其中非合作方的通信信号重构是构建复杂电磁环境的重要组成部分。传统的信号重构方式需要对非合作方信号进行复杂的参数测量与分析，增加了人工决策的过程，花费大量的时间成本。生成对抗网络是一种隐式的生成模型，它以潜在空间随机取样作为输入，可以在目标信号特征未知的情况下，通过两个对抗的网络去学习样本在空间中的分布，生成符合目标特征的数据。然而，对于直接序列扩展频谱信号这种结构较为复杂的通信信号，一般的GAN在学习的过程中容易忽略PN码序列这种较为高层的特征，存在着DSSS信号重构难的问题。
发明内容
本发明所要解决的技术问题在于避免上述背景技术中的不足之处而提供一种基于VAE-GAN的DSSS信号波形生成方法。本发明在模型中添加了自注意力机制和深度残差收缩网络使模型，能够对具有不同长度扩频码的目标信号进行学习，模型灵活易训练，解决了非合作方的DSSS信号难以重构的问题。
本发明所采取的技术方案是：
一种基于VAE-GAN的DSSS信号波形生成方法，包括以下步骤：
(1)对实际采集的DSSS信号进行标注，分别构建具有不同长度扩频码和不同信噪比的训练数据集；
(2)构建具有自注意力机制并对样本信号进行降噪的VAE-GAN模型，用以生成IQ双通道DSSS信号；VAE-GAN模型包括编码器E、生成器G和判别器D，编码器E和生成器G构成变分自编码器，生成器G和判别器D组成生成对抗网络，变分自编码器为生成对抗网络提供真实数据与生成数据之间的损失；
(3)分别设计编码器E、生成器G与判别器D中的损失函数；
(4)使用步骤(1)中所得的训练数据集，基于训练优化策略对VAE-GAN模型进行训练，得到训练好的生成器G；
(5)将随机噪声输入生成器G，输出符合目标DSSS信号特征的生成数据。
进一步地，步骤(1)的具体方式为：
(101)对目标信号进行数据采集，利用倒谱法对需要重构的目标DSSS信号扩谱周期进行估计；
(102)将采集到的IQ数据进行下变频操作，将信号变为零中频，接着对基频信号去除频偏，并通过滤波器将信号的带外噪声进行滤除，然后再对信号进行重采样；此外，对信号的幅度进行归一化处理，通过包络均值归一化将不同能量的样本信号缩放到统一尺度；
(103)按照估计的目标DSSS信号扩谱周期对连续数据进行分割，以保证训练样本起始相位的一致，根据目标DSSS信号扩谱周期，结合过采样倍数确定零中频采样数据切块大小，假设目标DSSS信号扩谱周期为L＝2n-1，5≤n≤11，过采样倍数为M，单个数据样本长度包含P个目标DSSS信号扩谱周期，则单个样本数据长度为L×M×P；
(104)按照扩频码长度和信噪比特性对所有实际采集的QPSK信号进行分类标注，得到具有不同长度扩频码和不同信噪比的训练数据集。
进一步地，步骤2中：
编码器E包括多个一维卷积层Conv1d(a,b,c)，其中，a代表卷积核大小，b代表卷积步长，c代表padding大小；将样本信号的I、Q路数据分别作为一个通道输入到编码器E中，编码器E使用三种卷积层，首先以Conv1d(3,1,1)卷积层和Conv1d(4,2,1)卷积层对样本在不同尺度上进行特征提取，数据每次经过Conv1d(3,1,1)的卷积层后长度不变，经过Conv1d(4,2,1)的卷积层后长度变为原来的二分之一，将Conv1d(3,1,1)和Conv1d(4,2,1)卷积层组合为第一模块，根据不同的样本信号长度，设定相对应数量的第一模块后，数据输出长度变为L，随后经过Conv1d(4,1,2)卷积层，数据长度变为2n，数据每次经过卷积层后都会进行批归一化处理，接着进入Leaky ReLU激活函数；经过上述的特征提取后，输出的数据经过Self-Attention层使网络能够捕获数据中的全局信息，在Self-Attention层中不改变数据的长度以及通道数，再经过逐通道不同阈值的深度残差收缩网络DRSN-CW层对特征进行降噪处理，DRSN-CW层中的残差部分同样使用Conv1d(3,1,1)和Conv1d(4,2,1)，将Self-Attention层和DRSN-CW层组合为第二模块，经过第二模块的数据从输入到输出依次经过1个Self-Attention层和2个DRSN-CW层，数据经过相对应数量的第二模块后，输出数据长度为M，再经过仿射变换将数据一维展开在全连接层上，经过参数再现技巧，将样本信号变为潜在空间，潜在空间的通道数为1，长度为128；
生成器G包括对数据进行2倍上采样的Upsample(2)上采样层和一维卷积层Conv1d(3,1,1)；生成器G的输入通道数为1，长度为128，经过全连接层后输出长度变为256×L，全连接层输出的数据经过仿射变换，通道数变为256，长度变为L，随后数据经过相对应数量的由2个Conv1d(3,1,1)卷积层和1个Upsample(2)上采样层组成的第三模块后，输出通道数为2，长度为L×M×P的生成信号，为了保持模型稳定，输出数据再经过3个Conv1d(3,1,1)层，最后输出通道数为2，长度为L×M×P的生成信号；
判别器D的网络结构与编码器类似，仅在最后全连接层部分不同，判别器中，经过最后一个DRSN-CW层后的数据再经过三个全连接层，三个全连接层的输出维度依次为1024、256、1，最后经过Sigmoid激活函数后输出一个分数。
进一步地，步骤(3)中，编码器E的损失函数为：
其中，Lprior＝DKL(Q(z|x)||P(zp))，
式中，x表示样本，z表示样本x通过编码后的数据，Q(z|x)表示样本x通过编码后变为z的变分分布，zp表示来自正态分布的数据，P(zp)表示正态分布，Lprior表示利用KL散度来测量Q(z|x)与P(zp)之间的分布差异，DKL表示KL散度，||||2表示2-范数；
表示由z经过生成器生成的数据，fD(a)为数据a经过判别器的两个模块1后的输出特征，
表示编码器的特征损失；
生成器G的损失函数为：
其中，
式中，xp表示由zp通过生成器生成的数据，
表示由z通过生成器生成的数据，fD(a)为数据a经过判别器的两个模块1后的输出特征，
表示生成器的特征损失；
判别器D的损失函数为：
式中，x表示样本，
表示由z通过生成器生成的数据，xp表示由zp通过生成器生成的数据。
进一步地，步骤(4)的具体方式如下：
(1)初始化编码器E、生成器G、判别器D的参数；
(2)循环运行下面的步骤：
a.从真实的训练数据集中随机采样真实的样本x1,x2,…,xi；
b.通过编码器E对真实数据中采样获得的样本进行编码，获得隐变量zi＝E(xi)；
c.生成器G利用编码器E产生的隐变量zi生成对应的数据
d.生成器利用随机采样的噪声向量
生成对应的数据
e.更新编码器E，以最小化通过隐变量生成的数据与真实样本的损失
以及最小化KL散度DKL(Q(z|x)||P(zp))；
f.更新生成器，以最小化通过随机噪声生成的数据与真实样本之间的特征损失
以及最大化生成数据在判别器中获取的分数，即最大化
和
g.更新判别器D，以最大化真实样本在判别器中获取的分数D(xi)，以及最小化生成数据在判别器中获得的分数，即最小化
和
(3)重复步骤(2)，直到VAE-GAN模型收敛。
本发明与现有技术相比具有如下优点：
1、本发明基于VAE-GAN的DSSS信号波形生成模型，避免了传统方式需要对非合作信号重构时进行复杂的参数测量与分析，生成方式简单，节约了大量时间成本与人力成本，并且相较于其他生成对抗网络更易训练，模型更易收敛；
2、本发明基于VAE-GAN的DSSS信号波形生成模型，避免了传统的生成对抗网络单一模型只可以生成针对某一DSSS系统的一种扩谱信号。通过在网络中加入自注意力机制对数据间的长期依赖关系有着更强的捕捉能力，可以使模型注意到网络整个输入中不同部分之间的相关性，无论选择哪种码长，自注意力机制都可以捕获到一个周期内PN码的完整性与正确性，并且考虑多个周期PN码之间的关系；
3、本发明基于VAE-GAN的DSSS信号波形生成模型，利用深度残差收缩网络可以对目标信号进行降噪处理，深度残差收缩网络具有将冗余噪声特征变化到0附近的能力。阈值通过一个特殊设计的子网络进行自动设置，它的作用是将绝对值低于某个阈值的特征置为零，将其他的特征也朝着零进行伸缩，针对不同的输入信号，子网络都会学习一个适合该输入信号的阈值。通过这种方式模型可以在信号信噪比更低的情况下学习到信号具有PN码这一深层特征。
附图说明
图1是本发明实施例中一种基于VAE-GAN的DSSS信号波形生成方法的整体流程图。
图2是编码器结构示意图。
图3是生成器结构示意图。
图4是判别器结构示意图。
具体实施方式
参照图1，一种基于VAE-GAN的DSSS信号波形生成方法，包括以下步骤：
(1)对实际采集的DSSS信号进行标注，分别构建具有不同PN序列周期长度和不同信噪比下的训练数据集等；
(2)构建具有自注意力机制并可以对样本信号进行降噪的VAE-GAN架构用以生成IQ双通道DSSS信号；
(3)分别设计编码器、生成器与鉴别器中的优化目标函数；
(4)使用步骤(1)中所得的训练数据集，基于训练优化策略对模型进行训练，得到训练好的生成器；
(5)将随机噪声输入生成器，输出符合目标DSSS信号特征的生成数据。
其中，步骤(1)中训练数据集构建方法具体为：
对目标信号进行数据采集，利用倒谱法对需要重构的目标DSSS信号扩谱周期进行估计；将采集到的IQ数据进行下变频操作，将信号变为零中频，接着会对基频信号去除频偏，为了消除不必要的干扰，通过滤波器将信号的带外噪声进行滤除，然后再对信号进行重采样，由于采样到的数据幅度并不一定一致，所以需要对信号的幅度进行归一化处理，通过包络均值归一化可以将不同能量的样本信号缩放到统一尺度；为保证生成的相关扩谱波形中扩谱码初始相位的可控性，按照已提取的扩谱周期对连续数据进行分割，以保证训练样本起始相位保持一致，根据扩谱周期结合过采样倍数确定零中频采样数据切块大小，假设扩谱周期为L＝2n-1，过采样倍数为M，单个数据样本长度包含P个扩谱周期，则单个样本数据长度为L×M×P；按照PN序列周期长度和信噪比特性对所有实际采集QPSK信号进行分类标注。
步骤(2)中基于VAE-GAN的DSSS信号波形生成模型架构设计方法具体为：
网络模型架构包括编码器、生成器和判别器，编码器和生成器构成了变分自编码器，生成器和判别器组成了一般的生成对抗网络，变分自编码器部分可以为生成对抗网络提供一个真实数据与生成数据之间的损失，这样在训练模型时更加稳定；
如图2所示，编码器部分中，Conv1d(a,b,c)代表一维卷积层，a代表卷积核大小，b代表卷积步长，c代表padding大小。将样本信号的I、Q路数据分别作为一个通道输入到编码器中，编码器使用三种卷积层，首先以Conv1d(3,1,1)卷积层和Conv1d(4,2,1)卷积层对样本在不同尺度上进行特征提取，数据每次经过Conv1d(3,1,1)的卷积层后长度不变，经过Conv1d(4,2,1)的卷积层后长度变为原来的二分之一，根据不同的样本信号长度，设定相对应的卷积层后，数据长度变为L，随后经过Conv1d(4,1,2)卷积层，数据长度变为2n，数据每次经过卷积层后都会进行批归一化处理，接着进入Leaky ReLU激活函数。经过上述的特征提取后，输出的数据经过Self-Attention层使网络能够捕获信号中的全局信息，在Self-Attention层中不改变数据的长度以及通道数，再经过DRSN-CW层对特征进行降噪处理，DRSN-CW层中的残差部分同样使用Conv1d(3,1,1)和Conv1d(4,2,1)组成，经过最后一个DRSN-CW层后，输出数据长度为M，再经过仿射变换将数据变为一维展开在全连接层上，经过参数再现技巧样本信号就变为了带有信号特征的潜在空间，潜在空间的通道数为1，长度为128；
生成器的架构如图3所示，图中Upsample(2)代表对数据进行2倍上采样，生成器的输入通道数为1，长度为128，经过全连接层后长度变为256×L，全连接层输出的数据经过仿射变换，通道数变为256，长度变为L，随后数据经过Conv1(3,1,1)卷积层后和Upsample(2)上采样层后，最终输出通道数为2，长度为L×M×P的生成信号；
判别器的网络结构与编码器类似，仅在最后全连接层部分不同，其结构如图4所示，经过最后一个DRSN-CW层后的数据再经过三个全连接层，最后经过Sigmoid激活函数后输出判别器给的分数。
步骤(3)中优化目标设计方法具体为：
对于编码器而言，一个目标是通过编码器定义出的样本空间z与正态分布越接近越好，以KL散度来衡量二者之间的分布Lprior，即Lprior＝DKL(Qφ(z|x)||P(z))，另一个目标是最小化生成器通过隐变量z生成的数据分布
与真实数据x之间的损失，以判别器中卷积网络的第四层输出特征来构建它们之间的损失，设判别器第四层的特征输出为fD(·)，那么编码器的特征损失为
其中
表示数学期望，x～Pdata表示输入数据x来源于真实数据分布Pdata，
表示输入数据
来源于生成器G生成的数据，所以编码器的损失函数为
对于生成器而言，一个目标是最小化生成器通过随机噪声zp生成的数据分布xp与真实数据之间的损失x，以判别器中卷积网络的第四层输出特征来构建它们之间的损失，设判别器第四层的特征输出为fD(·)，那么生成器的特征损失为
其中
表示数学期望，x～Pdata表示输入数据x来源于真实数据分布Pdata，xp～G表示输入数据xp来源于生成器G生成的数据，其次生成器还需要接收判别器传递的对抗损失，它的目标是通过随机噪声生成的数据xp与隐变量z生成的数据
可以获得更高的分数。所以生成器的损失为：
判别器的优化目标函数为VAE-GAN通用目标函数LD，对判别器而言，判别器给真实样本打高分，给生成器生成的数据打低分，所以判别器的损失为：
步骤(4)中模型的训练策略为：在一次迭代中，分别对编码器、生成器和判别器的模型参数更新一次。具体训练方法为：
(1)初始化编码器E、生成器G、判别器D的参数；
(2)循环运行下面的步骤：
a.从真实的训练数据集中随机采样真实的样本x1,x2,…,xi；
b.通过编码器对真实数据中采样获得的样本进行编码，获得隐变量
c.生成器利用编码器产生的隐变量生成对应的数据
d.生成器利用随机采样的噪声向量zi生成对应的数据
e.最小化隐变量生成的数据与真实样本的损失
以及最小化KL散度DKL(Q(z|x)||P(z))，用以更新编码器E；
f.最小化通过隐变量生成的数据与真实样本之间的特征损失
最大化生成数据在判别器中获取的分数，即最大化
和
用以更新生成器G；
g.最大化真实样本在判别器中获取的分数D(xi)，最小化生成数据在判别器中获得的分数，即最小化
和
用以更新判别器D。
(3)训练直到VAE-GAN收敛。
总之，本发明构建了具有不同PN序列周期长度和信噪比的数据集；设计了结合变分自编码器的生成对抗网络架构，并对网络中编码器和生成器分别设计适合的优化目标函数；通过编码器、生成器与判别器间的博弈训练使生成模型具备学习DSSS信号中较高维PN序列特征的能力，从而实现对DSSS信号的重构。
Claims (5)
1.一种基于VAE-GAN的DSSS信号波形生成方法，其特征在于，包括以下步骤：
(1)对实际采集的DSSS信号进行标注，分别构建具有不同长度扩频码和不同信噪比的训练数据集；
(2)构建具有自注意力机制并对样本信号进行降噪的VAE-GAN模型，用以生成IQ双通道DSSS信号；VAE-GAN模型包括编码器E、生成器G和判别器D，编码器E和生成器G构成变分自编码器，生成器G和判别器D组成生成对抗网络，变分自编码器为生成对抗网络提供真实数据与生成数据之间的损失；
(3)分别设计编码器E、生成器G与判别器D中的损失函数；
(4)使用步骤(1)中所得的训练数据集，基于训练优化策略对VAE-GAN模型进行训练，得到训练好的生成器G；
(5)将随机噪声输入生成器G，输出符合目标DSSS信号特征的生成数据。
2.根据权利要求1所述的一种基于VAE-GAN的DSSS信号波形生成方法，其特征在于，步骤(1)的具体方式为：
(101)对目标信号进行数据采集，利用倒谱法对需要重构的目标DSSS信号扩谱周期进行估计；
(102)将采集到的IQ数据进行下变频操作，将信号变为零中频，接着对基频信号去除频偏，并通过滤波器将信号的带外噪声进行滤除，然后再对信号进行重采样；此外，对信号的幅度进行归一化处理，通过包络均值归一化将不同能量的样本信号缩放到统一尺度；
(103)按照估计的目标DSSS信号扩谱周期对连续数据进行分割，以保证训练样本起始相位的一致，根据目标DSSS信号扩谱周期，结合过采样倍数确定零中频采样数据切块大小，假设目标DSSS信号扩谱周期为L＝2n-1，5≤n≤11，过采样倍数为M，单个数据样本长度包含P个目标DSSS信号扩谱周期，则单个样本数据长度为L×M×P；
(104)按照扩频码长度和信噪比特性对所有实际采集的QPSK信号进行分类标注，得到具有不同长度扩频码和不同信噪比的训练数据集。
3.根据权利要求1所述的一种基于VAE-GAN的DSSS信号波形生成方法，其特征在于，步骤2中：
编码器E包括多个一维卷积层Conv1d(a,b,c)，其中，a代表卷积核大小，b代表卷积步长，c代表padding大小；将样本信号的I、Q路数据分别作为一个通道输入到编码器E中，编码器E使用三种卷积层，首先以Conv1d(3,1,1)卷积层和Conv1d(4,2,1)卷积层对样本在不同尺度上进行特征提取，数据每次经过Conv1d(3,1,1)的卷积层后长度不变，经过Conv1d(4,2,1)的卷积层后长度变为原来的二分之一，将Conv1d(3,1,1)和Conv1d(4,2,1)卷积层组合为第一模块，根据不同的样本信号长度，设定相对应数量的第一模块后，数据输出长度变为L，随后经过Conv1d(4,1,2)卷积层，数据长度变为2n，数据每次经过卷积层后都会进行批归一化处理，接着进入Leaky ReLU激活函数；经过上述的特征提取后，输出的数据经过Self-Attention层使网络能够捕获数据中的全局信息，在Self-Attention层中不改变数据的长度以及通道数，再经过逐通道不同阈值的深度残差收缩网络DRSN-CW层对特征进行降噪处理，DRSN-CW层中的残差部分同样使用Conv1d(3,1,1)和Conv1d(4,2,1)，将Self-Attention层和DRSN-CW层组合为第二模块，经过第二模块的数据从输入到输出依次经过1个Self-Attention层和2个DRSN-CW层，数据经过相对应数量的第二模块后，输出数据长度为M，再经过仿射变换将数据一维展开在全连接层上，经过参数再现技巧，将样本信号变为潜在空间，潜在空间的通道数为1，长度为128；
生成器G包括对数据进行2倍上采样的Upsample(2)上采样层和一维卷积层Conv1d(3,1,1)；生成器G的输入通道数为1，长度为128，经过全连接层后输出长度变为256×L，全连接层输出的数据经过仿射变换，通道数变为256，长度变为L，随后数据经过相对应数量的由2个Conv1d(3,1,1)卷积层和1个Upsample(2)上采样层组成的第三模块后，输出通道数为2，长度为L×M×P的生成信号，为了保持模型稳定，输出数据再经过3个Conv1d(3,1,1)层，最后输出通道数为2，长度为L×M×P的生成信号；
判别器D的网络结构与编码器类似，仅在最后全连接层部分不同，判别器中，经过最后一个DRSN-CW层后的数据再经过三个全连接层，三个全连接层的输出维度依次为1024、256、1，最后经过Sigmoid激活函数后输出一个分数。
4.根据权利要求1所述的一种基于VAE-GAN的DSSS信号波形生成方法，其特征在于，步骤(3)中，编码器E的损失函数为：
其中，Lprior＝DKL(Q(z|x)||P(zp))，
式中，x表示样本，z表示样本x通过编码后的数据，Q(z|x)表示样本x通过编码后变为z的变分分布，zp表示来自正态分布的数据，P(zp)表示正态分布，Lprior表示利用KL散度来测量Q(z|x)与P(zp)之间的分布差异，DKL表示KL散度，||||2表示2-范数；
表示由z经过生成器生成的数据，fD(a)为数据a经过判别器的两个模块1后的输出特征，
表示编码器的特征损失；
生成器G的损失函数为：
其中，
式中，xp表示由zp通过生成器生成的数据，
表示由z通过生成器生成的数据，fD(a)为数据a经过判别器的两个模块1后的输出特征，
表示生成器的特征损失；
判别器D的损失函数为：
式中，x表示样本，
表示由z通过生成器生成的数据，xp表示由zp通过生成器生成的数据。
5.根据权利要求1所述的一种基于VAE-GAN的DSSS信号波形生成方法，其特征在于，步骤(4)的具体方式如下：
(1)初始化编码器E、生成器G、判别器D的参数；
(2)循环运行下面的步骤：
a.从真实的训练数据集中随机采样真实的样本x1,x2,,xi；
b.通过编码器E对真实数据中采样获得的样本进行编码，获得隐变量zi＝E(xi)；
c.生成器G利用编码器E产生的隐变量zi生成对应的数据
d.生成器利用随机采样的噪声向量
生成对应的数据
e.更新编码器E，以最小化通过隐变量生成的数据与真实样本的损失
以及最小化KL散度DKL(Q(z|x)||P(zp))；
f.更新生成器，以最小化通过随机噪声生成的数据与真实样本之间的特征损失
以及最大化生成数据在判别器中获取的分数，即最大化
和
g.更新判别器D，以最大化真实样本在判别器中获取的分数D(xi)，以及最小化生成数据在判别器中获得的分数，即最小化
和
(3)重复步骤(2)，直到VAE-GAN模型收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310120445.2A CN116112378A (zh) | 2023-02-15 | 2023-02-15 | 一种基于vae-gan的dsss信号波形生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310120445.2A CN116112378A (zh) | 2023-02-15 | 2023-02-15 | 一种基于vae-gan的dsss信号波形生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116112378A true CN116112378A (zh) | 2023-05-12 |
Family
ID=86267086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310120445.2A Pending CN116112378A (zh) | 2023-02-15 | 2023-02-15 | 一种基于vae-gan的dsss信号波形生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116112378A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332268A (zh) * | 2023-10-08 | 2024-01-02 | 上海交通大学 | 一种改进gan的gis局放数据增强方法及系统 |
-
2023
- 2023-02-15 CN CN202310120445.2A patent/CN116112378A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332268A (zh) * | 2023-10-08 | 2024-01-02 | 上海交通大学 | 一种改进gan的gis局放数据增强方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113113030B (zh) | 一种基于降噪自编码器的高维受损数据无线传输方法 | |
| CN112214929B (zh) | 针对间歇采样重复转发式干扰的雷达干扰抑制方法 | |
| CN116112378A (zh) | 一种基于vae-gan的dsss信号波形生成方法 | |
| CN112180325B (zh) | 一种基于约束矩阵完备化的射频干扰源定位方法 | |
| CN113376600B (zh) | 一种基于RSDNet的行人雷达回波去噪方法 | |
| CN112115821B (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
| CN109191404A (zh) | 一种基于e-3dtv正则的高光谱图像修复方法 | |
| CN103364646B (zh) | 微波暗室天线远场快速测量方法 | |
| CN111680666A (zh) | 欠采样跳频通信信号深度学习恢复方法 | |
| CN111562597A (zh) | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 | |
| CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
| CN114509731B (zh) | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 | |
| CN111757250B (zh) | 一种基于张量分解的信道状态信息定位指纹构造方法 | |
| CN116399588A (zh) | 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法 | |
| CN114624646B (zh) | 一种基于模型驱动复数神经网络的doa估计方法 | |
| CN113343796B (zh) | 一种基于知识蒸馏的雷达信号调制方式识别方法 | |
| CN113987924A (zh) | 一种基于目标特征自学习的复杂电磁信号模拟发生方法 | |
| CN116055270B (zh) | 一种调制识别模型及其训练方法、信号调制处理方法 | |
| He et al. | Fault diagnosis of analog circuits based on wavelet packets | |
| CN116418633A (zh) | 基于稀疏与低秩特征的深度展开水声信道估计方法 | |
| CN111105364A (zh) | 一种基于秩一分解和神经网络的图像复原方法 | |
| CN114826459B (zh) | 基于跨域推理的频谱地图精确构建方法 | |
| CN115980668A (zh) | 一种基于宽度神经网络的广义互相关的声源定位方法 | |
| CN114255392B (zh) | 基于卫星超光谱遥感和人工智能的二氧化氮浓度预测系统 | |
| CN111932473B (zh) | 一种多分辨率稀疏编码的相位信息降噪算法及存储介质 |
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 |