WO2022262173A1 - 一种基于条件生成对抗网络的时变水声信道模拟方法 - Google Patents
一种基于条件生成对抗网络的时变水声信道模拟方法 Download PDFInfo
- Publication number
- WO2022262173A1 WO2022262173A1 PCT/CN2021/127831 CN2021127831W WO2022262173A1 WO 2022262173 A1 WO2022262173 A1 WO 2022262173A1 CN 2021127831 W CN2021127831 W CN 2021127831W WO 2022262173 A1 WO2022262173 A1 WO 2022262173A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- model
- underwater acoustic
- acoustic channel
- time
- real
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 19
- 239000000523 sample Substances 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001386813 Kraken Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- 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
Definitions
- the invention relates to the technical field of underwater acoustic communication, in particular to a time-varying underwater acoustic channel simulation method based on Conditional Generative Adversarial Nets (CGAN, Conditional Generative Adversarial Nets).
- CGAN Conditional Generative Adversarial Nets
- FIG. 4 is a constellation diagram for receiving 4QAM modulation in an embodiment of the present invention.
- Step 1 Establish a sufficient amount of communication data set according to the measured underwater acoustic channel response in the Bohai Sea, perform data preprocessing and randomly divide the training set and test set; the preparation of the data set is as follows: the binary bit sequence s is modulated by 4QAM at the sending end of the FBMC system After the superimposed noise passes through the measured underwater acoustic channel h in the Bohai Sea, the ZF algorithm is used at the receiving end to equalize and recover the received signal constellation, which is recorded as a set of data. Since CGAN cannot directly process complex data, the real and imaginary parts need to be extracted separately, rearranged according to the output layer tensor of the CGAN generator, and the above process is repeated to form a sufficient communication data set.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
一种基于条件生成对抗网络的时变水声信道模拟方法，属于水声通信技术领域。利用半监督学习模型实现小样本数据增广，自适应地学习时变水声信道状态信息，达到模拟时变水声信道的效果。通过固定判别模型，训练生成模型使得所生成的样本接近真实分布；固定生成模型，训练判别模型来尽可能区分出生成样本和真实样本，形成一个动态的博弈过程。判别模型采用KL散度来衡量生成样本分布与真实样本分布的误差，训练完成的生成模型就具备了模拟时变水声信道的能力。采用本方法可以根据实测样本更真实还原水声信道，同时生成更多的试验数据，极大的降低了试验成本，有效提高了信道模拟准确度。
Description
本发明涉及水声通信技术领域，具体为一种基于条件生成对抗网络(CGAN,Conditional Generative Adversarial Nets)的时变水声信道模拟方法。
由于电磁波在水中衰减严重，传播距离有限，以声波为载体的水声通信技术在军事方面和民用方面都有着重要的作用。与陆上无线信道不同，水声信道具有多普勒频移大、多径效应强、信道带宽受限、环境噪声严重等特点，这些空间差异和时间起伏效应会影响水下装备对信号的接收和检测精度，对实现高速稳健的水下信息传输提出了巨大挑战。
目前国内外在水声信道的建模仿真中常用Bellhop射线模型和Kraken简正波模型来模拟水声信道冲激响应以及相应的接收信号。英国约克大学提出了Waymark水下传播模型，补充了时变信道模型的基带等效表示，降低了采样率，节省了仿真时间。近年来，深度学习技术和大数据处理的发展为突破传统水声信号处理技术瓶颈提供了新思路。
发明内容
本发明的目的是利用深度学习架构设计一种水声信道模拟方法，根据实测样本更真实还原水声信道，同时生成更多的试验数据，极大的降低了试验成本，有效提高了信道模拟准确度。
一种基于条件生成对抗网络的时变水声信道模拟方法，包括如下步骤：
步骤1：根据渤海实测水声信道响应建立足量通信数据集，进行数据预处理并随机划分训练集和测试集；
步骤2：搭建条件生成对抗网络CGAN模型，包含一个生成模型G、一个判别模型D和附加条件信息；
步骤3：设置网络参数并导入训练集数据同时训练生成模型G和判别模型D；
步骤4：将测试集数据输入生成器网络，对比生成器输出和测试集星座图，检验CGAN模拟水声信道的效果。
进一步地，所述步骤1中数据集的制备为，在FBMC系统发送端采用4QAM调制，发送信号叠加噪声经由渤海实测水声信道，在接收端采用ZF均衡恢复出接收信号星座图，记录为一组数据，重复上述过程以组成足量的通信数据集。
进一步地，所述步骤1中数据预处理为，将数据中的实部和虚部分别提取，根据CGAN生成器的输出层张量重新排列。
进一步地，所述步骤2中，生成模型G通过迭代学习产生越来越接近真实分布的虚假样本，所产生的虚假样本会和真实样本一起送入判别模型D进行辨别，判别模型D区分出真实样本和虚假样本。
进一步地，CGAN模型中，在生成模型G和判别模型D中均增加原始发送信号和接收导频信号作为条件，作为输入层的一部分。
进一步地，所述步骤3中生成模型G和判别模型D同时训练的 方式为，固定判别模型D，训练生成模型G使得
最小；固定生成模型G，训练判别模型D使得
最大；上述优化过程视作极大极小博弈问题，表示为：
CGAN的优化函数类似地表示为带条件概率y的博弈：
进一步地，所述步骤3中训练生成模型G时的输入为一随机噪声向量，输出为4QAM接收星座图经预处理后重新排列的数据；训练判别模型D时，生成模型G的输出被保存为虚假样本与真实的训练样本一起输入到判别模型D中进行识别；所生成的虚假样本标记为0，真实样本标记为1，判别模型D的输出层采用Sigmoid激活函数，输出值越高则表示此样本更有可能属于真实样本集合，反之亦然。
进一步地，所述步骤3中训练过程用KL散度来衡量生成样本和真实样本间概率分布的相似性：
式中p(x
i)为真实样本的概率分布，q(x
i)为生成样本的概率分布。
进一步地，所述步骤4中测试CGAN模型为，将一等长度噪声向量和作为附加条件的原始发送信号以及接收导频信号输入生成模型G，所输出结果经过数据重组即为生成的星座图，此时训练完成的生成模型G即具备了模拟时变水声信道的能力；将生成星座图与接收信号真实星座图进行比对来衡量当前模型模拟真实水声环境的效果。
本发明的有益效果：
本发明基于半监督模型中的生成对抗网络来模拟水声信道响应，高效实现小样本数据量增广，无需长时间外场试验数据采集，降低了设备损耗，极大地节约了成本。同时将原始发送信号和接收导频信号作为附加条件，真实模拟水声信道时变特性。没有固定的理论模型，根据实际数据样本更新网络权值，自适应拟合真实水声信道环境。
图1为本发明一种水声信道模拟方法的流程图；
图2为本发明中条件生成对抗网络结构示意图；
图3为本发明实施例中渤海实测水声信道冲激响应图；
图4为本发明实施例中4QAM调制接收星座图。
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示，本发明提供了一种基于条件生成对抗网络的时变水声信道模拟方法，具体步骤以及细节如下：
步骤1：根据渤海实测水声信道响应建立足量通信数据集，进行数据预处理并随机划分训练集和测试集；数据集的制备具体为：在FBMC系统发送端对二进制比特序列s采用4QAM调制后叠加噪声经过渤海实测水声信道h，在接收端采用ZF算法均衡恢复出接收信号星座图，记录为一组数据。由于CGAN无法直接处理复数数据，需将实部和虚部分别提取，根据CGAN生成器的输出层张量重新排列，重复上述过程以组成足量的通信数据集。
步骤2：搭建CGAN模型，包含一个生成模型(G)、一个判别模型(D)和附加条件信息。如图2所示，所搭建的网络结构包含了两个对抗模型：生成模型(G)旨在通过迭代学习产生越来越接近真实分布的虚假样本，其输入为服从先验分布p
z(z)的噪声向量z。所产生的虚假样本G(z)会和目标分布p
data(x)中的真实样本一起送入判别模型(D)进行辨别。判别模型(D)旨在区分出步骤1中所记录的真实样本和生成的虚假样本。CGAN是对原始GAN的一个扩展，在生成模型(G)和判别模型(D)中都增加了原始发送信号x和接收导频信号y
p作为条件，作为输入层的一部分。
步骤3：设置网络参数并导入训练集数据同时训练生成模型(G)和判别模型(D)：①固定判别模型(D)，训练生成模型(G)使得
最小；②固定生成模型(G)，训练判别模型(D)使得
最大。上述优化过程可以看作极大极小博弈问题，表示为：
CGAN的优化函数可以类似地表示为带条件概率y的博弈：
训练生成模型(G)时的输入为一随机噪声向量，输出为4QAM接收星座图经预处理后重新排列的数据；训练判别模型(D)时，生成模型(G)的输出被保存为虚假样本与真实的训练样本一起输入到判别模型(D)中进行识别。所生成的虚假样本标记为0，真实样本标记为1，判别模型(D)的输出层采用Sigmoid激活函数，输出值越 高则表示此样本更有可能属于真实样本集合，反之亦然。
训练过程用KL(Kullback-Leibler Divergence)散度来衡量生成样本和真实样本间概率分布的相似性：
式中p(x
i)为真实样本的概率分布，q(x
i)为生成样本的概率分布。当p(x
i)和q(x
i)的相似度越高，KL散度越小。
步骤4：将测试集数据输入生成器网络，对比生成器输出和测试集星座图，检验CGAN模拟水声信道的效果。具体为：将一等长度噪声向量和作为附加条件的原始发送信号以及接收导频信号输入生成模型(G)，所输出结果经过数据重组即为生成的星座图，此时训练完成的生成模型(G)即具备了模拟时变水声信道的能力。将生成星座图与接收信号真实星座图进行比对来衡量当前模型模拟真实水声环境的效果。
图3为制备通信数据样本集所用的渤海海域实测信道冲激响应。试验船只相距约5km，试验处水深约50m，发射换能器吊放深度约为15m，接收水听器吊放深度约15m。实验过程中，发送船和接收船均处于自由漂泊状态。
图4为接收端采用ZF算法均衡恢复的4QAM星座图示例。用于步骤3中对CGAN的训练。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。
Claims (9)
- 一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：包括如下步骤：步骤1：根据渤海实测水声信道响应建立足量通信数据集，进行数据预处理并随机划分训练集和测试集；步骤2：搭建条件生成对抗网络CGAN模型，包含一个生成模型G、一个判别模型D和附加条件信息；步骤3：设置网络参数并导入训练集数据同时训练生成模型G和判别模型D；步骤4：将测试集数据输入生成器网络，对比生成器输出和测试集星座图，检验CGAN模拟水声信道的效果。
- 根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：所述步骤1中数据集的制备为，在FBMC系统发送端采用4QAM调制，发送信号叠加噪声经由渤海实测水声信道，在接收端采用ZF均衡恢复出接收信号星座图，记录为一组数据，重复上述过程以生成足量的通信数据集。
- 根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：所述步骤1中数据预处理为，将数据中的实部和虚部分别提取，根据CGAN生成器的输出层张量重新排列。
- 根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：所述步骤2中，生成模型G通过迭代学习产生越来越接近真实分布的虚假样本，所产生的虚假样本会和真实样本一起送入判别模型D进行辨别，判别模型D区分出真实样本 和虚假样本。
- 根据权利要求4所述的一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：CGAN模型中，在生成模型G和判别模型D中均增加原始发送信号和接收导频信号作为条件，作为输入层的一部分。
- 根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：所述步骤3中生成模型G和判别模型D同时训练的方式为，固定判别模型D，训练生成模型G使得最小；固定生成模型G，训练判别模型D使得
最大；上述优化过程视作极大极小博弈问题，表示为：
CGAN的优化函数类似地表示为带条件概率y的博弈：
- 根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：所述步骤3中训练生成模型G时的输入为一随机噪声向量，输出为4QAM接收星座图经预处理后重新排列的数据；训练判别模型D时，生成模型G的输出被保存为虚假样本与真实的训练样本一起输入到判别模型D中进行识别；所生成的虚假样本标记为0，真实样本标记为1，判别模型D的输出层采用Sigmoid激活函数，输出值越高则表示此样本更有可能属于真实样本集合，反之亦然。
- 根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：所述步骤3中训练过程用KL散度来衡量生成样本和真实样本间概率分布的相似性：
式中p(x i)为真实样本的概率分布，q(x i)为生成样本的概率分布。 - 根据权利要求1所述的一种基于条件生成对抗网络的时变水声信道模拟方法，其特征在于：所述步骤4中测试CGAN模型为，将一等长度噪声向量和作为附加条件的原始发送信号以及接收导频信号输入生成模型G，所输出结果经过数据重组即为生成的星座图，此时训练完成的生成模型G即具备了模拟时变水声信道的能力；将生成星座图与接收信号真实星座图进行比对来衡量当前模型模拟真实水声环境的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022538476A JP7362168B2 (ja) | 2021-06-17 | 2021-11-01 | 条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110672889.8 | 2021-06-17 | ||
| CN202110672889.8A CN113541835B (zh) | 2021-06-17 | 2021-06-17 | 一种基于条件生成对抗网络的时变水声信道模拟方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022262173A1 true WO2022262173A1 (zh) | 2022-12-22 |
Family
ID=78125094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2021/127831 WO2022262173A1 (zh) | 2021-06-17 | 2021-11-01 | 一种基于条件生成对抗网络的时变水声信道模拟方法 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7362168B2 (zh) |
| CN (1) | CN113541835B (zh) |
| WO (1) | WO2022262173A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116319196A (zh) * | 2023-05-24 | 2023-06-23 | 南京邮电大学 | THz-MIMO系统中基于SRGAN信道估计方案 |
| CN116403590A (zh) * | 2023-06-08 | 2023-07-07 | 青岛科技大学 | 基于小波变换与生成对抗网络的仿生信号处理方法 |
| CN116824146A (zh) * | 2023-07-05 | 2023-09-29 | 深圳技术大学 | 一种小样本ct图像分割方法、系统、终端及存储介质 |
| CN116996148A (zh) * | 2023-07-17 | 2023-11-03 | 哈尔滨工程大学 | 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 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821229B (zh) * | 2022-04-14 | 2023-07-28 | 江苏集萃清联智控科技有限公司 | 基于条件生成对抗网络的水下声学数据集增广方法及系统 |
| CN114866158B (zh) * | 2022-07-07 | 2022-11-01 | 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 |
| CN115208494B (zh) * | 2022-07-25 | 2023-09-22 | 中国人民解放军国防科技大学 | 一种基于条件生成对抗网络的信道切换策略学习方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013066940A2 (en) * | 2011-10-31 | 2013-05-10 | University Of Delaware | Channel simulator and method for acoustic communication |
| 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 |
| CN110995382A (zh) * | 2019-11-29 | 2020-04-10 | 中国科学院微电子研究所 | 基于元学习的避扰通信模型及其训练方法 |
| CN112821926A (zh) * | 2021-01-18 | 2021-05-18 | 重庆邮电大学 | 一种基于模型驱动的深度信号检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215054B (zh) * | 2020-07-27 | 2022-06-28 | 西北工业大学 | 一种用于水声信号去噪的深度生成对抗方法 |
-
2021
- 2021-06-17 CN CN202110672889.8A patent/CN113541835B/zh active Active
- 2021-11-01 JP JP2022538476A patent/JP7362168B2/ja active Active
- 2021-11-01 WO PCT/CN2021/127831 patent/WO2022262173A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013066940A2 (en) * | 2011-10-31 | 2013-05-10 | University Of Delaware | Channel simulator and method for acoustic communication |
| 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 |
| CN110995382A (zh) * | 2019-11-29 | 2020-04-10 | 中国科学院微电子研究所 | 基于元学习的避扰通信模型及其训练方法 |
| CN112821926A (zh) * | 2021-01-18 | 2021-05-18 | 重庆邮电大学 | 一种基于模型驱动的深度信号检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116319196A (zh) * | 2023-05-24 | 2023-06-23 | 南京邮电大学 | THz-MIMO系统中基于SRGAN信道估计方案 |
| CN116319196B (zh) * | 2023-05-24 | 2023-08-04 | 南京邮电大学 | THz-MIMO系统中基于SRGAN信道估计方法 |
| CN116403590A (zh) * | 2023-06-08 | 2023-07-07 | 青岛科技大学 | 基于小波变换与生成对抗网络的仿生信号处理方法 |
| CN116403590B (zh) * | 2023-06-08 | 2023-08-18 | 青岛科技大学 | 基于小波变换与生成对抗网络的仿生信号处理方法 |
| CN116824146A (zh) * | 2023-07-05 | 2023-09-29 | 深圳技术大学 | 一种小样本ct图像分割方法、系统、终端及存储介质 |
| CN116824146B (zh) * | 2023-07-05 | 2024-06-07 | 深圳技术大学 | 一种小样本ct图像分割方法、系统、终端及存储介质 |
| CN116996148A (zh) * | 2023-07-17 | 2023-11-03 | 哈尔滨工程大学 | 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 |
| CN116996148B (zh) * | 2023-07-17 | 2024-06-04 | 哈尔滨工程大学 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113541835B (zh) | 2022-05-20 |
| JP7362168B2 (ja) | 2023-10-17 |
| JP2023534325A (ja) | 2023-08-09 |
| CN113541835A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022262173A1 (zh) | 一种基于条件生成对抗网络的时变水声信道模拟方法 | |
| Wang et al. | A novel underwater acoustic signal denoising algorithm for Gaussian/non-Gaussian impulsive noise | |
| CN110365612A (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
| US11581967B2 (en) | Wireless channel scenario identification method and system | |
| Stojanovic et al. | Recent trends in underwater acoustic communications | |
| Yao et al. | Modulation identification of underwater acoustic communications signals based on generative adversarial networks | |
| CN112466320B (zh) | 一种基于生成对抗网络的水声信号降噪方法 | |
| CN109995449A (zh) | 一种基于深度学习的毫米波信号检测方法 | |
| Li-Da et al. | Modulation classification of underwater acoustic communication signals based on deep learning | |
| 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 | |
| Wang et al. | IAFNet: Few-shot learning for modulation recognition in underwater impulsive noise | |
| Zhao et al. | Federated meta-learning enhanced acoustic radio cooperative framework for ocean of things | |
| Van Huynh et al. | Generative AI for physical layer communications: A survey | |
| Tsai et al. | Refined autoencoder-based CSI hidden feature extraction for indoor spot localization | |
| CN115392285A (zh) | 一种基于多模态的深度学习信号个体识别模型防御方法 | |
| 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 | |
| Zou et al. | Generative adversarial network for wireless communication: Principle, application, and trends | |
| Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
| Xu et al. | Blind modulation recognition of UWA signals with semi-supervised learning | |
| Zou et al. | Underwater optical channel generator: A generative adversarial network based approach | |
| Wang et al. | Modulation recognition method for underwater acoustic communication signal based on relation network under small sample set | |
| Liu et al. | Research on Signal Modulation Recognition in Wireless Communication Network by Deep Learning. | |
| CN115561739A (zh) | 一种基于WaveGAN的水声信号仿冒方法 | |
| CN103841067B (zh) | 一种水声信道通信信号的均衡方法 | |
| CN114070688A (zh) | 多制式水声通信信号调制识别方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| ENP | Entry into the national phase |
Ref document number: 2022538476 Country of ref document: JP Kind code of ref document: A |
|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21945752 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 21945752 Country of ref document: EP Kind code of ref document: A1 |