CN116996148B - 基于生成对抗网络的极地环境水下声信道建模方法及装置 - Google Patents
基于生成对抗网络的极地环境水下声信道建模方法及装置 Download PDFInfo
- Publication number
- CN116996148B CN116996148B CN202310875184.5A CN202310875184A CN116996148B CN 116996148 B CN116996148 B CN 116996148B CN 202310875184 A CN202310875184 A CN 202310875184A CN 116996148 B CN116996148 B CN 116996148B
- Authority
- CN
- China
- Prior art keywords
- generator
- sample
- underwater acoustic
- discriminator
- polar
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 16
- 238000009827 uniform distribution Methods 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 14
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Abstract
本发明属于水下声通信领域,具体涉及一种基于生成对抗网络的极地环境水下声信道建模方法及装置。传统的极地信道模型在极地环境参数获取不完全的情况下无法准确刻画极地信道中的非线性和随机性,模型预测精度较低。本发明利用生成对抗网络捕捉真实信号概率分布的能力,结合传统的极地信道模型输出结果,在输入参数不足的情况下,通过生成器和判别器对抗学习,可以更好地捕捉极地环境信道的特性,进而提高建模的准确性。与传统的极地信道模型相比,有效的提高了预测精度。
Description
技术领域
本发明属于水下声通信领域,具体涉及一种基于生成对抗网络的极地环境水下声信道建模方法及装置。
背景技术
极地水下通信是无线通信领域中的重要研究领域,极地信道作为极地通信中的一个关键要素,对极地水下通信的可靠性和性能具有重要影响。传统的极地信道模型通常基于物理模型,但是由于传统的极地信道模型在极地环境参数获取不完全的情况下无法准确刻画极地信道中的非线性和随机性,模型预测精度较低。
在现有的各种基于射线、简正波和抛物线的极地水下声信道模型中,如BELLHOP射线模型是一种直观的海洋声传播建模手段。这些模型大多基于数学假设和近似,而非真实的水下通信数据,所以在海洋环境要素参数掌握不全的情况下,它们在实际应用中效果不佳。
发明内容
针对极地环境的海底地形以及海底参数难以获取的问题,本发明要解决的技术问题是提供一种基于生成对抗网络的极地环境水下声信道建模方法及装置,利用生成对抗网络捕捉真实信号概率分布的能力,结合传统的极地信道模型输出结果,在输入参数不足的情况下,可以有效地修正传统的极地信道模型结果。
“生成对抗网络”是一种深度学习框架,用于建模复杂分布并生成遵循特定分布的模拟样本,可用于各种应用,包括无线信道建模、噪声建模、和声场重建等。
本发明提出一种基于生成对抗网络的极地环境水下声信道建模方法,该方法包括以下步骤:
S1、构建真实接收信号集yr=[yr1,yr2,...,yrn];
S2、构建仿真接收信号集yb=[yb1,yb2,...,ybn],并按比例划分为训练集和测试集;
S3、根据接收信号集的维度,构建生成对抗网络,包括生成器G和判别器D;
S4、训练生成对抗网络并获得水下声信道模型
步骤A:训练判别器D
冻结生成器G的可训练参数θg,计算判别器的损失函数LD=Hb(D(yri;θd),yrlabel)+Hb(D(G(ybi,θg);θd),yblabel),应用标签平滑技术对yrlabel和yglabel进行平滑,使用Adam优化器更新判别器D的可训练参数θd;
步骤B:训练生成器G
固定判别器D的可训练参数θd,计算生成器G的损失函数为:LG=μHb(D(G(ybi,θg);θd),yblabel)+λL2(yri,ygi),其中μ和λ是两项自适应权重,应用标签平滑技术对yrlabel和yglabel进行平滑,使用Adam优化器更新生成器G的可训练参数θg,在训练前期μ起主导作用,主要目的是先将数据分布拉近;然后在训练后期λ起主导作用,主要目的是减小生成样本和真实样本的幅值差异;
步骤C:重复步骤A和B,直至判别器D损失收敛至目标状态,得到的生成器G作为目标极地水声信道模型Gtrained;
S5、在线测试,确定模型可靠性。
有利地,步骤S1中,将采集到的真实接收信号根据频带进行带通滤波,将带外噪声滤除,然后根据信号的发射结构截取信号,构建真实接收信号集yr=[yr1,yr2,...,yrn]。
有利地,步骤S2中,对信道接收端冰站采集到的声速剖面sspori添加微弱扰动生成声速剖面矩阵ssp=[ssp1,ssp2,...,sspn],将其输入给射线声学模型B,由射线声学模型B输出的信道结果hb=[hb1,hb2,...,hbn]与发射信号xt进行卷积,得到仿真接收信号集yb=[yb1,yb2,...,ybn]。
有利地,步骤S3中,根据接收信号集的维度,结合一维卷积神经网络构建生成器和判别器,自适应调整卷积神经网络中卷积核的步长以适应不同维度极地信号的特征。
有利地,判别器D的损失函数为:LD=Hb(D(yri;θd),yrlabel)+Hb(D(G(ybi,θg);θd),yblabel),其中Hb为交叉熵,Hb(p,q)=-q·log(p)-(1-p)·log(1-q),p,q分别代表概率和标签,训练时:
冻结生成器G的可训练参数θg,在真实接收信号集yr中随机采样一个真实样本yri并归一化到(-1,1),输入到判别器D中并输出判别概率pri=D(yri;θd),从均匀分布U(0.7,1.2)中采样yrlabel,计算Hb(D(yri;θd),yrlabel);在仿真接收信号集yb中随机采样1个样本ybi并归一化到(-1,1),输入生成器G中,得到生成样本ygi=G(ybi;θg),然后将生成样本ygi输入判别器D中并输出判别概率pgi=D(G(ybi,θg);θd),从均匀分布U(0,0.3)中采样yglabel,计算Hb(D(G(ybi,θg);θd),yblabel),使用Adam优化器更新判别器D的可训练参数θd;
生成器G的损失函数为:LG=μHb(D(G(ybi,θg);θd),yblabel)+λL2(yri,ygi),其中μ和λ是两项自适应权重,训练时:
固定判别器D的可训练参数θd,在仿真接收信号集yb的训练集中随机采样1个样本ybi输入生成器G中,得到生成样本ygi,然后将ygi输入判别器D中并输出判别概率pgi=D(G(ybi,θg);θd),从均匀分布U(0,0.3)中采样yglabel,计算Hb(D(G(ybi,θg);θd),yblabel);在真实接收信号集yr中随机采样一个真实样本yri输入到判别器D中并输出判别概率pri=D(yri;θd),计算L2(yri,ygi),使用Adam优化器更新生成器G的可训练参数θg。
有利地,生成器G从M维Dense层开始,然后是根据接收信号集的维度决定的P个上采样块,每个上采样块包括上采样层、一维卷积层和Instance Normalization层,每个一维卷积层将通道的数量减半,直到1,最后使用两个Dense层产生最终输出,其维度与实测接收信号相同。
有利地,生成器G采用标签平滑技术,将生成样本的标签yglabel从均匀分布U(0,0.3)中采样。
有利地,判别器D从一个Flatten层开始,将输入数据展平,然后经过根据接收信号集的维度决定的Q个下采样块,每个下采样块由一个一维卷积层、一个LeakyRelu层和一个Dropout层构成,每个下采样块的一维卷积层使通道的数量加倍,直到M,最后使用两个Dense层产生最终的输出,最后的Dense层维度是1,激活函数是sigmoid。
有利地,判别器D采用标签平滑技术,将真实样本的标签yrlabel从均匀分布U(0.7,1.2)中采样。
本发明还提出一种基于生成对抗网络的极地环境水下声信道建模装置,该装置具有处理单元,执行如上所述的极地环境水下声信道建模方法。
有益效果:本发明将九北实测数据和传统的极地信道模型输出的结果输入到生成对抗网络中进行训练,通过生成器和判别器对抗学习,可以更好地捕捉极地环境信道的特性,进而提高建模的准确性。结果表明,与传统的极地信道模型相比,本文所提出的方法有效的提高了预测精度。
在海洋环境要素参数掌握不全的情况下修正传统射线信道模型的结果。该方法基于冰下噪声环境的水声信号,生成器损失添加正则化项对其生成信号幅值施加限制,在概率分布接近的同时保证生成样本和真实样本的幅值一致,可以有效地提升对蕴含在水声接收信号中的复杂海洋环境信息的学习能力,从而使极地环境下信道建模更加精准且更加贴近实际。
已经讨论的特征、功能和优点可在各种示例中独立实现,或者可以在其他示例中进行组合。
附图说明
当结合附图阅读时,通过参考以下对本发明示例的详细描述,将最好地理解示例以及优选的使用模式、其他目的机器描述,其中:
图1是本发明建模方法的整体框架图;
图2是生成器和判别器的结构。
具体实施方式
将参照附图更充分地描述所公开的示例,在附图中示出了所公开示例中的一些(但并非全部)。事实上,可描述许多不同的示例并且这些示例不应被解释为限于本文中阐述的示例。相反,描述这些示例,是的本发明公开彻底且完全,并且将把本发明公开的范围充分传达给本领域技术人员。
本发明基于生成对抗网络的极地环境水下声信道建模方法,包括以下步骤:
步骤1、构建真实接收信号集
将采集到的真实接收信号根据频带进行带通滤波,将带外噪声滤除,然后根据信号的发射结构截取信号,构建真实接收信号集yr=[yr1,yr2,...,yrn],其中真实接收信号集yr具有对应的pr(yr),pr是真实接收信号集的概率密度函数。
步骤2、构建仿真接收信号集并划分
为了得到在一段时间内相似的信道状态,对信道接收端冰站采集到的声速剖面sspori添加微弱扰动生成声速剖面矩阵ssp=[ssp1,ssp2,...,sspn],将其输入给射线声学模型B,由射线声学模型B输出的信道结果hb=[hb1,hb2,...,hbn]与发射信号xt进行卷积,得到仿真接收信号集yb=[yb1,yb2,...,ybn],其中仿真接收信号集yb具有对应的pb(yb),pb是仿真接收信号集的概率密度函数。将仿真接收信号集yb以8:2的比例划分成训练集和测试集。
步骤3、构建生成对抗网络
本发明构建的生成对抗网络包括生成器G和判别器D两部分,结合极地水声信号特征复杂的特点,应用一维卷积神经网络构建生成器和判别器。
步骤A:构建生成器G
参见图2,生成器G从M维Dense层开始,然后是P个上采样块。每个上采样块包括上采样层、一维卷积层和Instance Normalization层。每个一维卷积层将通道的数量减半,直到1。最后使用两个Dense层产生最终输出,其维度与实测接收信号相同。
其中,上采样层的作用是扩大输入的尺寸,使得输入的低维信息仿真接收信号集yb映射到高维空间。生成器G随着网络层数的增加,特征向量的深度递减,但是特征向量的维度递增,直到与真实样本维度相同。Instance Normalization层对每个样本的特征做归一化处理来标准化特征,有效减少训练集和测试集的差异,提高模型的泛化性能。生成器G的优化器使用Adam,设置学习率为0.0002。生成器G采用标签平滑技术,将生成样本的标签yglabel从均匀分布U(0,0.3)中采样,从而约束生成器G,防止生成器G过度“自信”导致模式崩溃。ReLU激活函数的作用是在生成器中添加非线性,增强其生成能力。
步骤B:构建判别器D
判别器D从一个Flatten层开始,将输入数据展平,然后经过Q个下采样块。每个下采样块由一个一维卷积层、一个LeakyRelu层和一个Dropout层构成。每个下采样块的一维卷积层使通道的数量加倍,直到M。最后使用两个Dense层产生最终的输出,最后的Dense层维度是1,激活函数是sigmoid,目的是将Dense层的输出映射为概率。
其中,下采样块和上采样块的结构几乎是对称的,下采样块取消了InstanceNormalization层,并将ReLU激活函数更换为LeakyReLU。判别器D采用标签平滑技术,将真实样本的标签yrlabel从均匀分布U(0.7,1.2)中采样,从而约束判别器D。生成器和判别器的结构形式在图1中也有显示。
步骤4、训练生成对抗网络并获得水下声信道模型
设置batchsize=1,即每次训练只送入生成对抗网络一个样本,保证生成器G能学习到单个样本的分布。
判别器D的目的是区分出输入的样本是来自于真实分布还是来自于生成模型,因此判别器D实际上是一个二分类器,判别器D的损失函数为:
LD=Hb(D(G(yb,θg);θd),yblabel)+Hb(D(yr;θd),yrlabel)
式中,Hb为交叉熵,Hb(p,q)=-q·log(p)-(1-p)·log(1-q),p,q分别代表概率和标签。θg和θd分别是生成器G和判别器D的可训练参数。
生成器G的目标是让判别器D将自己生成的样本判别为真实样本,所以其损失函数为:
LG=μHb(D(G(yb,θg);θd),yblabel)+λL2(yr,yg)
式中,第一项通过判别器输出的结果计算交叉熵损失拉近生成样本与真实样本的概率分布差异。第二项中L2(yr,yg)=E[||yr-G(yb,θg)||2]是对生成器损失添加的L2正则化项,其作用是对生成器生成信号幅值施加限制,在概率分布接近的同时保证生成样本和真实样本的幅值一致。μ和λ是两项自适应权重,在训练前期μ起主导作用,主要目的是先将数据分布拉近;然后在训练后期λ起主导作用,主要目的是减小生成样本和真实样本的幅值差异。
生成对抗网络的总目标函数为:
执行时具体包括:
步骤A:训练判别器D
冻结生成器G的可训练参数θg,在步骤1构建的真实接收信号集yr中随机采样一个真实样本yri并归一化到(-1,1),输入到判别器D中并输出判别概率pri=D(yri;θd),从均匀分布U(0.7,1.2)中采样yrlabel,计算Hb(D(yri;θd),yrlabel)。
在步骤2构建的仿真接收信号集yb的训练集中随机采样1个样本ybi并归一化到(-1,1),输入生成器G中,得到生成样本ygi=G(ybi;θg),然后将生成样本ygi输入判别器D中,并输出判别概率pgi=D(G(ybi,θg);θd),从均匀分布U(0,0.3)中采样yglabel,计算Hb(D(G(ybi,θg);θd),yblabel),最终将两者相加得到LD=Hb(D(yri;θd),yrlabel)+Hb(D(G(ybi,θg);θd),yblabel),使用Adam优化器更新判别器D的可训练参数θd。
步骤B:训练生成器G
固定判别器D的可训练参数θd,在步骤2构建的仿真接收信号集yb的训练集中随机采样1个样本ybi输入生成器G中,得到生成样本ygi,然后将ygi输入判别器D,输出判别概率pgi=D(G(ybi,θg);θd),从均匀分布U(0,0.3)中采样yglabel,计算Hb(D(G(ybi,θg);θd),yblabel)。
在步骤1构建的真实接收信号集yr中随机采样一个真实样本yri输入到判别器D中,并输出判别概率pri=D(yri;θd)。然后,计算L2(yri,ygi)得到LG=μHb(D(G(ybi,θg);θd),yblabel)+λL2(yri,ygi)。使用Adam优化器更新生成器G的可训练参数θg。
步骤C:重复步骤A和B,直至判别器D损失收敛至目标状态,此时可以得到目标极地水下声信道模型Gtrained,该模型能够输出与真实信号分布基本一致的生成接收信号。
步骤5、在线测试
步骤A:从步骤2中划分出的仿真接收信号集yb的测试集输入到目标极地水下声信道模型Gtrained中,得到生成的接收信号ytrainedg,为了观察接收信号ytrainedg所蕴含的水下声信道特征,需要对接收信号ytrainedg通过OMP(正交匹配追踪)算法估计得到水下声信道冲激响应,判断目标极地水下声信道模型是否准确地模拟极地水下声信道中的传输过程。
已出示示例和描述的目的展示了对不同有利布置的描述,但是该描述并不旨在是排他性的或限于所公开形式的示例。许多修改形式和变化形式对于本领域技术人员而言将是显而易见的。另外,不同的有利示例可描述与其他有利示例相比具有不同的有点。选择和描述所选择的一个示例或多个示例,以便最佳地说明示例的原理、实际应用,并且使本领域的普通技术人员能够理解本公开有进行了适于所料想特定使用的各种修改的各种示例。
Claims (9)
1.一种基于生成对抗网络的极地环境水下声信道建模方法,其特征在于,该方法包括以下步骤:
S1、构建真实接收信号集yr=[yr1,yr2,...,yrn];
S2、构建仿真接收信号集yb=[yb1,yb2,...,ybn],并按比例划分为训练集和测试集;
S3、根据接收信号集的维度,构建生成对抗网络,包括生成器G和判别器D;
S4、训练生成对抗网络并获得水下声信道模型
步骤A:训练判别器D
冻结生成器G的可训练参数θg,计算判别器D的损失函数LD=Hb(D(yri;θd),yrlabel)+Hb(D(G(ybi,θg);θd),yblabel),其中Hb为交叉熵,Hb(p,q)=-q·log(p)-(1-p)·log(1-q),p,q分别代表概率和标签,应用标签平滑技术对yrlabel和yblabel进行平滑,使用Adam优化器更新判别器D的可训练参数θd,训练时:在真实接收信号集yr中随机采样一个真实样本yri并归一化到(-1,1),输入到判别器D中并输出判别概率pri=D(yri;θd),从均匀分布U(0.7,1.2)中采样yrlabel,计算Hb(D(yri;θd),yrlabel);在仿真接收信号集yb中随机采样1个样本ybi并归一化到(-1,1),输入生成器G中,得到生成样本ygi=G(ybi;θg),然后将生成样本ygi输入判别器D中并输出判别概率pgi=D(G(ybi,θg);θd),从均匀分布U(0,0.3)中采样yblabel,计算Hb(D(G(ybi,θg);θd),yblabel),使用Adam优化器更新判别器D的可训练参数θd;
步骤B:训练生成器G
固定判别器D的可训练参数θd,计算生成器G的损失函数为:LG=μHb(D(G(ybi,θg);θd),yblabel)+λL2(yri,ygi),其中L2(yr,yg)=E[||yr-G(yb,θg)||2]是对生成器损失添加的L2正则化项,用于对生成器生成信号幅值施加限制,μ和λ是两项自适应权重,应用标签平滑技术对yblabel进行平滑,使用Adam优化器更新生成器G的可训练参数θg,在训练前期μ起主导作用,主要目的是先将数据分布拉近;然后在训练后期λ起主导作用,主要目的是减小生成样本和真实样本的幅值差异;训练时:在仿真接收信号集yb的训练集中随机采样1个样本ybi输入生成器G中,得到生成样本ygi,然后将ygi输入判别器D中并输出判别概率pgi=D(G(ybi,θg);θd),从均匀分布U(0,0.3)中采样yblabel,计算Hb(D(G(ybi,θg);θd),yblabel);在真实接收信号集yr中随机采样一个真实样本yri输入到判别器D中并输出判别概率pri=D(yri;θd),计算L2(yri,ygi),使用Adam优化器更新生成器G的可训练参数θg;
步骤C:重复步骤A和B,直至判别器D损失收敛至目标状态,得到的生成器G作为目标极地水声信道模型Gtrained;
S5、在线测试,确定模型可靠性。
2.根据权利要求1所述的极地环境水下声信道建模方法,其特征在于:步骤S1中,将采集到的真实接收信号根据频带进行带通滤波,将带外噪声滤除,然后根据信号的发射结构截取信号,构建真实接收信号集yr=[yr1,yr2,...,yrn]。
3.根据权利要求1所述的极地环境水下声信道建模方法,其特征在于:步骤S2中,对信道接收端冰站采集到的声速剖面sspori添加微弱扰动生成声速剖面矩阵ssp=[ssp1,ssp2,...,sspn],将其输入给射线声学模型B,由射线声学模型B输出的信道结果hb=[hb1,hb2,...,hbn]与发射信号xt进行卷积,得到仿真接收信号集yb=[yb1,yb2,...,ybn]。
4.根据权利要求1所述的极地环境水下声信道建模方法,其特征在于:步骤S3中,根据接收信号集的维度,结合一维卷积神经网络构建生成器G和判别器D,自适应调整卷积神经网络中卷积核的步长以适应不同维度极地信号的特征。
5.根据权利要求1所述的极地环境水下声信道建模方法,其特征在于:生成器G从M维Dense层开始,然后是根据接收信号集的维度决定的P个上采样块,每个上采样块包括上采样层、一维卷积层和Instance Normalization层,每个一维卷积层将通道的数量减半,直到1,最后使用两个Dense层产生最终输出,其维度与实测接收信号相同。
6.根据权利要求5所述的极地环境水下声信道建模方法,其特征在于:生成器G采用标签平滑技术,将生成样本的标签yblabel从均匀分布U(0,0.3)中采样。
7.根据权利要求1所述的极地环境水下声信道建模方法,其特征在于:判别器D从一个Flatten层开始,将输入数据展平,然后经过根据接收信号集的维度决定的Q个下采样块,每个下采样块由一个一维卷积层、一个LeakyRelu层和一个Dropout层构成,每个下采样块的一维卷积层使通道的数量加倍,直到M,最后使用两个Dense层产生最终的输出,最后的Dense层维度是1,激活函数是sigmoid。
8.根据权利要求7所述的极地环境水下声信道建模方法,其特征在于:判别器D采用标签平滑技术,将真实样本的标签yrlabel从均匀分布U(0.7,1.2)中采样。
9.一种基于生成对抗网络的极地环境水下声信道建模装置,其特征在于:该装置具有处理单元,执行如权利要求1-8中任一项所述的极地环境水下声信道建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875184.5A CN116996148B (zh) | 2023-07-17 | 基于生成对抗网络的极地环境水下声信道建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875184.5A CN116996148B (zh) | 2023-07-17 | 基于生成对抗网络的极地环境水下声信道建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116996148A CN116996148A (zh) | 2023-11-03 |
CN116996148B true CN116996148B (zh) | 2024-06-04 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289927A (zh) * | 2019-07-01 | 2019-09-27 | 上海大学 | 基于条件生成对抗网络的信道模拟实现方法 |
CN110875790A (zh) * | 2019-11-19 | 2020-03-10 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
CN111931412A (zh) * | 2020-06-19 | 2020-11-13 | 中国船舶重工集团公司第七一五研究所 | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 |
CN113541835A (zh) * | 2021-06-17 | 2021-10-22 | 江苏科技大学 | 一种基于条件生成对抗网络的时变水声信道模拟方法 |
CN113890799A (zh) * | 2021-10-28 | 2022-01-04 | 华南理工大学 | 一种基于域对抗网络的水声通信信道估计与信号检测方法 |
CN114362859A (zh) * | 2021-12-28 | 2022-04-15 | 杭州电子科技大学 | 增强条件生成对抗网络的自适应信道建模方法及系统 |
CN114866158A (zh) * | 2022-07-07 | 2022-08-05 | 中国海洋大学三亚海洋研究院 | 一种水下激光数字通信系统信道建模和模拟方法 |
WO2023086982A1 (en) * | 2021-11-12 | 2023-05-19 | Qualcomm Incorporated | Generative wireless channel modeling |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289927A (zh) * | 2019-07-01 | 2019-09-27 | 上海大学 | 基于条件生成对抗网络的信道模拟实现方法 |
CN110875790A (zh) * | 2019-11-19 | 2020-03-10 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
WO2021098501A1 (zh) * | 2019-11-19 | 2021-05-27 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
CN111931412A (zh) * | 2020-06-19 | 2020-11-13 | 中国船舶重工集团公司第七一五研究所 | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 |
CN113541835A (zh) * | 2021-06-17 | 2021-10-22 | 江苏科技大学 | 一种基于条件生成对抗网络的时变水声信道模拟方法 |
WO2022262173A1 (zh) * | 2021-06-17 | 2022-12-22 | 江苏科技大学 | 一种基于条件生成对抗网络的时变水声信道模拟方法 |
CN113890799A (zh) * | 2021-10-28 | 2022-01-04 | 华南理工大学 | 一种基于域对抗网络的水声通信信道估计与信号检测方法 |
WO2023086982A1 (en) * | 2021-11-12 | 2023-05-19 | Qualcomm Incorporated | Generative wireless channel modeling |
CN114362859A (zh) * | 2021-12-28 | 2022-04-15 | 杭州电子科技大学 | 增强条件生成对抗网络的自适应信道建模方法及系统 |
CN114866158A (zh) * | 2022-07-07 | 2022-08-05 | 中国海洋大学三亚海洋研究院 | 一种水下激光数字通信系统信道建模和模拟方法 |
Non-Patent Citations (4)
Title |
---|
Modulation Identification of Underwater Acoustic Communications Signals Based on Generative Adversarial Networks;Xiaohui Yao 等;OCEANS 2019 - Marseille;20191014;全文 * |
基于深度学习的水声OFDM物理层技术研究;郑志鹏;中国优秀硕士学位论文全文信息库 信息科技辑;20230215;I136-1189 * |
极地海冰声波导建模综述;殷敬伟 等;物理学报;20220104;第162-172页 * |
深海RAP下的水声信道特性与通信技术研究;李伟哲 等;数字海洋与水下攻防;20221015;第397-406页 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN114429156B (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
CN110632572A (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN112733447B (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
CN115442191B (zh) | 基于相对平均生成对抗网络的通信信号降噪方法及系统 | |
WO2022057305A1 (zh) | 信号处理方法、装置、终端设备及存储介质 | |
US20240135145A1 (en) | Generation of Realistic Data for Training Of Artificial Neural Networks | |
CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN114758230A (zh) | 基于注意力机制的地下目标体分类识别方法 | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
Kamal et al. | Generative adversarial learning for improved data efficiency in underwater target classification | |
CN113253248B (zh) | 一种基于迁移学习的小样本垂直阵目标距离估计方法 | |
CN111368930A (zh) | 基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN116996148B (zh) | 基于生成对抗网络的极地环境水下声信道建模方法及装置 | |
Hosseini Nejad Takhti et al. | Classification of marine mammals using the trained multilayer perceptron neural network with the whale algorithm developed with the fuzzy system | |
CN115630326B (zh) | 利用水听器监测海洋生态系统的健康状态的方法及装置 | |
CN117036901A (zh) | 一种基于视觉自注意力模型的小样本微调方法 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
CN116996148A (zh) | 基于生成对抗网络的极地环境水下声信道建模方法及装置 | |
CN111446998A (zh) | 基于深度学习的波达方向估计方法 | |
CN116106827A (zh) | 一种基于四麦克风阵列和深度学习的声源定位方法 | |
CN114285545B (zh) | 一种基于卷积神经网络的侧信道攻击方法及系统 | |
CN114814776A (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |