CN109890043A - 一种基于生成式对抗网络的无线信号降噪方法 - Google Patents
一种基于生成式对抗网络的无线信号降噪方法 Download PDFInfo
- Publication number
- CN109890043A CN109890043A CN201910150001.7A CN201910150001A CN109890043A CN 109890043 A CN109890043 A CN 109890043A CN 201910150001 A CN201910150001 A CN 201910150001A CN 109890043 A CN109890043 A CN 109890043A
- Authority
- CN
- China
- Prior art keywords
- wireless signal
- noise reduction
- gan
- time
- 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
Landscapes
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于生成式对抗网络的无线信号降噪方法,包括以下步骤:构建无线信号降噪网络GAN‑G和无线信号降噪判别网络GAN‑D,其中,GAN‑G包括LSTM、卷积层以及时间注意力模块,其输入为添加噪声的原始无线信号,输出为降噪的无线信号;GAN‑D包括LSTM和全连接层,输入为原始无线信号和降噪的无线信号,输出是判断结果;采用对抗训练策略对GAN‑G和GAN‑D进行训练,获得无线信号降噪模型和无线信号降噪判别模型;提取无线信号降噪模型对待降噪无线信号进行处理,获得降噪后的无线信号。经过该方法对无线信号数据进行降噪处理可以有效地提高无线信号调制类型识别在低信噪比区间的准确性。
Description
技术领域
本发明属于深度学习方法在无线信号识别领域的应用,具体涉及一种基于生成式对抗网络的无线信号降噪方法。
背景技术
深度学习技术凭借着强大的特征学习能力,广泛地应用于各个领域,主要包括计算机视觉、自然语言处理、复杂网络分析和无线信号分析等。深度学习是机器学习中一种基于对数据进行表征学习的方法,通过庞大的神经网络对数据进行特征提取,从而模拟人脑的机制来解释数据。典型的深度神经网络有卷积神经网络和循环神经网络,其中,卷积神经网络凭借着其强大的特征提取性能,广泛地应用于图像分类任务和目标检测任务中。此外,长短时记忆网络,通过学习序列数据的时序信息,能够较好地处理自然语言翻译、语音识别等功能。作为近年来深度学习领域中一种较为先进的技术,生成式对抗网络(GAN)凭借着其优良的学习映射关系的能力在许多领域中取得了良好的结果,如图片合成、图片补全、文本生成和视频生成等应用。生成式对抗网络包括了两个深度模型结构:生成器模型(Generator)和判别器模型(Discriminator)。对于某种给定的信息,生成器模型可以通过一定的映射关系将该信息映射到某一特征空间中;判别器模型主要是对生成数据和真实数据进行真假判断。目前,已有将深度学习技术应用于无线信号处理任务中,并取得较好结果。无线信号处理主要包括了信号检测、信号调制类型识别和信号解调等任务。无线信号调制类型自动识别技术主要是实现调制信号的智能接收和处理。按照不同调制信号的形式,信号调制可以分为模拟调制和数字调制。使用模拟信号的称为模拟调制;使用数字信号调制称为数字调制。
针对不同的应用需要,通信信号采用了不同的调制类型。虽然无线信号调制技术已经较为成熟,但当无线信号中含有较多噪声时,无线信号调制类型识别就会变得困难,已有的识别方法都会受到不同程度的影响,从而无法保证识别的准确率。因此,设计有效的无线信号降噪方法至关重要。根据相关专利和论文的调研,已经有一些专利和论文提出了不同的降噪方法,例如专利《一种适用于非高斯信号的贝叶斯小波包降噪方法》,提出了一种适用于非高斯信号的贝叶斯小波包降噪方法,通过对信号时间序列进行离散小波包分解,并确定最优分解层数,再对估算得到的各分解层中真实信号的小波系数进行逆变换实现对信号的重构,从而得到降噪后的信号。专利《基于遗传算法优化阈值的Mallat算法在心音信号降噪的应用》,提出了利用遗传算法优化阈值的方法实现信号降噪,通过遗传算法优化后的阈值以及使用马拉算法分高频段与低频段对信号进行去噪。这些方法都存在着一定的适用性。
发明内容
本发明的目的是提供一种基于生成式对抗网络的无线信号降噪方法,设计基于长短时记忆网络的生成器模型,并引入时间注意力机制提高生成降噪信号的效果,设计基于长短时记忆网络的判别器模型,通过真假信号的二分类提高生成模型的准确率,从而实现针对噪声无线信号的高效地降噪处理。经过该方法对无线信号数据进行降噪处理可以有效地提高无线信号调制类型识别在低信噪比区间的准确性。极大地提高了无线信号调制类型识别的效率。
为实现上述发明目的,本发明提供以下技术方案:
一种基于生成式对抗网络的无线信号降噪方法,包括以下步骤:
构建无线信号降噪网络和无线信号降噪判别网络,其中,无线信号降噪网络包括长短时记忆神经网络、卷积层以及时间注意力模块,其输入为添加噪声的低信噪比无线信号,输出为降噪后的无线信号;
无线信号降噪判别网络包括长短时记忆神经网络和全连接层,其输入与无线信号降噪网络的输出连接,输入数据为未添加噪声的原始无线信号和降噪后的无线信号,输出是对降噪后的无线信号和未添加噪声的原始无线信号的判断结果;
采用对抗训练策略对无线信号降噪网络和无线信号降噪判别网络进行训练,获得无线信号降噪模型和无线信号降噪判别模型;
提取无线信号降噪模型对待降噪无线信号进行处理,获得降噪后的无线信号。
上述低信噪比无线信号取自添加噪声后的原始无线信号数据,低信噪比无线信号样本的尺寸为time*2,其中time表示无线信号采样节点,2表示无线信号的特征维数。
本发明中,获得的无线信号降噪模型的主要功能是将添加噪声的低信噪比无线信号进行降噪处理,即在最大程度保留原始无线信号数据信息的情况下减小样本中所含有的噪声。
其中,无线信号降噪网络包括:
依次连接的LSTM1、LSTM2、卷积层、LSTM3、LSTM4;
时间注意力模块α1:LSTM1输出尺寸大小为time*32的特征图层,通过LSTM_A1得到尺寸为time*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为time*time的特征层,将该特征层输入到LSTM_B1中,得到尺寸为time*32的时间注意力权重W1,将该时间注意力权重反馈到LSTM1中改变计算输出时的权重;具体方式如下:
f1=W1*f1
其中,表示矩阵乘法运算,f1为LSTM1输出的特征层,尺寸为time*32,fA1为LSTM_A1输出的特征层,尺寸为time*2,表示fA1的转置矩阵,F1为得到的尺寸为time*time的特征层,W1为LSTM_B1输出的时间注意力权重,尺寸为time*32,*表示两矩阵对应元素相乘。
时间注意力模块α2:LSTM2输出尺寸大小为time*64的特征层,通过LSTM_A2得到尺寸为time*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为time*time的特征层,将该特征层输入到LSTM_B2中,得到尺寸为time*64的时间注意力权重W2,将该时间注意力权重反馈到LSTM2中改变计算输出的权重;具体方式如下:
f2=W2*f2
其中,表示矩阵乘法运算,f2为LSTM2输出的特征层,尺寸为time*64,fA2为LSTM_A2输出的特征层,尺寸为128*2,表示fA2的转置矩阵,F2为得到的尺寸为time*time的特征层,W2为LSTM_B2输出的时间注意力权重,尺寸为time*64,*表示两矩阵对应元素相乘。
时间注意力模块α3:LSTM3输出尺寸大小为time*32的特征层,通过LSTM_A3得到尺寸为time*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为time*time的特征层,将该特征层输入到LSTM_B3中,得到尺寸为time*32的时间注意力权重W3,将该时间注意力权重反馈到LSTM3中改变其权重,具体方式如下:
f3=W3*f3
其中,表示矩阵乘法运算,f3为LSTM3输出的特征层,尺寸为time*32,fA3为LSTM_A3输出的特征层,尺寸为time*32,表示fA3的转置矩阵,F3为得到的尺寸为time*time的特征层,W3为LSTM_B3输出的时间注意力权重,尺寸为time*32,*表示两矩阵对应元素相乘。
无线信号降噪判别网络包括:
LSTM,用于提取输入的无线信号的时序特征;
第一全连接层,用于综合LSTM输出的时序特征;
第二全连接层,作为输出层,用于综合第一全连接层输出的特征,输出分类结果。
无线信号降噪判别模型GAN-D的输入是未添加噪声的原始无线信号和降噪后的无线信号,输出是对降噪后的无线信号和不添加噪声的原始无线信号的判断结果。设计基于长短时记忆网络的判别器模型,过真假信号的二分类提高生成模型的准确率,从而实现针对噪声无线信号的高效地降噪处理。
在训练GAN-D模型参数的时候,将降噪后的无线信号的类标定义为0,将原始无线信号数据的类标定义为1;无线信号降噪判别模型GAN-D的主要功能是对于降噪后的无线信号的分布进行差异性的判断,即判断降噪后的无线信号的分布是否与原始无线信号分布一致,并根据判断的结果反馈训练无线信号降噪模型GAN-G的参数。
具体地,训练的具体过程为:
(a)预训练无线信号降噪网络和无线信号降噪判别网络;
(b)对抗训练预训练后的无线信号降噪网络GAN-G和和无线信号降噪判别网络GAN-D,具体过程为:
固定GAN-G的参数,将降噪后的无线信号输入到GAN-D中,训练GAN-D的参数;固定GAN-D的参数,将低信噪比无线信号输入到GAN-G中,训练GAN-G的参数;
(c)重复步骤(a)和步骤(b),交替训练GAN-G和GAN-D的参数,直到两者实现G-D纳什均衡或达到最大的训练次数T2;
(d)加入由长短时记忆网络构成的时间注意力模块,再训练GAN-G,即重复步骤(a)~(c),使GAN-G更高效地提取无线信号的时序特征,产生降噪后的无线信号。
对抗训练时,训练无线信号降噪网络GAN-G的过程为:
将GAN-G输出的降噪后的无线信号输入到GAN-D,将得到的输出与0进行交叉熵计算损失;将原始无线信号输入到GAN-D,将得到的输出与1进行交叉熵计算损失;
该过程的优化目标为:
其中,D(·)表示无线信号降噪判别模型GAN-D,G(·)表示无线信号降噪模型GAN-G,xsignal表示原始无线信号数据,表示低信噪比无线信号数据,E(·)表示数学期望,x~pdata(xsignal)表示x采样自原始无线信号数据集xsignal,表示x采样自低信噪比无线信号数据集
对抗训练时,训练无线信号降噪网络GAN-D的过程为:
将低信噪比无线信号输入无线信号降噪模型GAN-G,将得到的降噪后的无线信号输入到无线信号降噪判别模型GAN-D,得到的输出进行交叉熵计算损失,通过最小化上述损失反馈训练GAN-G的参数:
该过程的优化目标为:
其中,D(·)表示无线信号降噪判别模型GAN-D,G(·)表示无线信号降噪模型GAN-G,表示低信噪比无线信号数据,E(·)表示数学期望,表示x采样自低信噪比无线信号数据集
通过上述训练策略,无线信号降噪模型GAN-G可以作为一种无线信号的滤波器,可以较好的过滤无线信号中的噪声,并且最大程度地保留原无线信号中所含的信息。通过使用生成式对抗网路使得降噪模型GAN-G的输出更加接近真实的无线信号的分布,提高了无线信号降噪模型的精确性,既可以较好地过滤低信噪比无线信号中的噪声,也能够最大程度地保留原始信号数据中的信号数据。经过该方法对无线信号数据进行降噪处理可以有效地提高无线信号调制类型识别在低信噪比区间的准确性。
本发明提出的一种基于生成式对抗网络的无线信号降噪方法,利用长短时记忆网络学习无线信号的时序特征,利用生成式对抗网络优良的学习映射关系的能力对于无线信号进行降噪处理,并且通过在生成式对抗网络中的生成模型中引入时间注意力模块,提高无线信号降噪器的效率,更具普适性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1为实施例提供的time=128的基于生成式对抗网络的无线信号降噪方法的结构示意图;
图2(a)、2(b)、2(c)为实施例提供的时间注意力模块α1、时间注意力模块α2、时间注意力模块α3的结构示意图;
图3为实施例提供的基于深度学习的无线信号调制类型分类器;
图4为实施例提供的经过基于生成式对抗网络的无线信号降噪方法前后无线信号调试识别准确率的对比。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
本实施例提供了一种基于生成式对抗网络的无线信号降噪方法,利用无线信号降噪模型将低信噪比无线信号进行降噪处理。通过图1所示训练方法,可以得到无线信号降噪模型GAN-G以及无线信号降噪判别模型GAN-D。
无线信号降噪模型GAN-G,可以过滤低信噪比无线信号中的噪声,得到高信噪比的无线信号。使用长短时记忆神经网络(LSTM)、卷积层(Conv)以及时间注意力模块构建无线电降噪模型GAN-G。以time=128为例,具体结构如图1所示:输入的原始无线信号样本的尺寸为128*2,其中128表示无线信号的采样时间节点,2表示无线信号的特征维度;对原始无线信号数据进行加入噪声的处理,得到低信噪比无线信号数据。将所得的低信噪比无线信号数据输入到无线信号降噪模型中,通过LSTM1后得到尺寸为128*32的特征层,通过时间注意力模块α1对LSTM1中计算的特征层进行时间注意力集中,更加充分地提取出无线信号数据时序上的特征,通过LSTM2得到尺寸为128*64的特征层,并且通过时间注意力模块α2更充分地提取无线信号数据时序上的特征,使用步长为1,尺寸为[5,5,1]的卷积核对128*64的特征层进行卷积操作提取无线信号的局部特征,得到尺寸为128*64的特征层,通过LSTM3得到尺寸为128*32的特征层,通过时间注意力模块α3更充分地提取无线信号数据的时序特征,通过LSTM4得到尺寸为128*2的输出,输出即为降噪后的无线信号信号数据。
无线信号降噪判别模型GAN-D的结构如图1中所示:输入的信号尺寸为128*2,通过LSTM网络提取无线信号时序上的特征得到尺寸为128*64的特征层,使用全连接FC综合前一层的特征得到大小为64的特征层,使用全连接FC得到大小为1的输出层,即未归一化的置信度。将所得到的的未归一化的置信度0或1矩阵做交叉熵计算损失,定量计算降噪后的无线信号与原始无线信号的差异。该无线信号降噪判别模型GAN-D的输入为原始无线信号和降噪后的无线信号,输出为对降噪后无线信号的判断结果。
通过无线信号降噪模型GAN-G对低信噪比的无线信号进行降噪处理,输出的降噪后的无线信号和原始无线信号作为无线信号降噪判别模型GAN-D的输入。通过GAN-D对于GAN-G产生的降噪无线信号的差异性判断来调整GAN-G和GAN-D的参数。GAN-D和GAN-G的博弈,使得GAN-G输出的降噪无线信号更加接近原始无线信号的分布,提高了降噪器的高效性与准确性。经过该方法对无线信号数据进行降噪处理可以有效地提高无线信号调制类型识别在低信噪比区间的准确性。极大地提高了无线信号调制类型识别的效率。
为了避免该生成式对抗网络在训练过程中发生模型崩塌,同时更加准确地对低信噪比的无线信号进行降噪,基于生成式对抗网络的无线信号降噪方法采用了以下训练方法:
预训练GAN-D和GAN-D:对原始无线信号xsignal进行添加噪声处理,得到添加噪声的低信噪比无线信号将低信噪比无线信号作为GAN-G的输入,输出即为降噪后的无线信号将降噪后的无线信号以及对应的原始无线信号xsignal作为GAN-D的输入,输出即为降噪后的无线信号与原始无线信号差异性的判断,当迭代次数(epochs)达到预设值T1时,预训练结束。
GAN-G和GAN-D的对抗训练:具体过程为:
(1)固定无线信号降噪模型GAN-G的参数,将低信噪比无线信号输入到无线信号降噪模型GAN-G中,得到降噪后的无线信号将降噪后的无线信号以及对应的原始无线信号xsignal作为无线信号降噪判别模型GAN-D的输入,将得到的输出与相同尺寸1矩阵或0矩阵进行交叉熵计算损失,通过最小化损失函数反馈训练GAN-D的参数,使无线信号降噪判别模型能够较准确区分降噪后的无线信号和原始无线信号,该训练过程中降噪后的无线信号的类标设为0,对应的原始无线信号的类标设置为1。
该训练过程中的优化目标为:
其中,D(·)表示无线信号降噪判别模型GAN-D,G(·)表示无线信号降噪模型GAN-G,xsignal表示原始无线信号数据,表示低信噪比无线信号数据,E(·)表示数学期望,x~pdata(xsignal)表示x采样自原始无线信号数据集xsignal,表示x采样自低信噪比无线信号数据集
(2)固定无线信号降噪判别模型GAN-D的参数,将低信噪比无线信号输入到无线信号降噪模型GAN-G中,得到降噪后的无线信号数据将降噪后的无线信号输入到无线信号降噪判别模型GAN-D,所得到的输出进行交叉熵计算损失,1代表了GAN-G输出的降噪后的无线信号的类标,通过最小化该损失反馈训练GAN-D的参数。
该过程的优化目标为:
其中,D(·)表示无线信号降噪判别模型GAN-D,G(·)表示无线信号降噪模型GAN-G,表示低信噪比无线信号数据,E(·)表示数学期望,表示x采样自低信噪比无线信号数据集
(3)重复步骤(1)~(2),直到无线信号降噪模型GAN-G和无线信号降噪判别模型GAN-D实现纳什均衡,或者达到预设的迭代次数。
实现纳什均衡的时候有:
通过GAN-D与GAN-G两者的对抗训练,实现上述的优化目标,使得GAN-G产生的降噪后的无线信号更加接近原始信号的分布,即实现了在最大程度保留原始信号信息的基础上进行降噪。
(4)在GAN-G基础上引入如图2(a)、2(b)、2(c)所示的时间注意力模块α1、时间注意力模块α2、时间注意力模块α3,重训练无线信号降噪网络。通过引入由LSTM以及全连接所构成的时间注意力模块,更加充分地提取无线信号时序上的特征,使无线信号降噪模型GAN-G更好地学习无线信号的时序特征,提高无线信号降噪的准确性。
时间注意力模块具体结构为:
时间注意力模块α1:LSTM1输出尺寸大小为128*32的特征图层,通过LSTM_A1得到尺寸为128*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为128*128的特征层,将该特征层输入到LSTM_B1中,得到尺寸为128*32的时间注意力权重W1,将该时间注意力权重反馈到LSTM1中改变计算输出时的权重,具体方式如下:
f1=W1*f1
其中,表示矩阵乘法运算,f1为LSTM1输出的特征层,尺寸为128*32,fA1为LSTM_A1输出的特征层,尺寸为128*2,表示fA1的转置矩阵,F1为得到的尺寸为128*128的特征层,W1为LSTM_B1输出的时间注意力权重,尺寸为128*32,*表示两矩阵对应元素相乘。
对于时间注意力模块α2:LSTM2输出尺寸大小为128*64的特征层,通过LSTM_A2得到尺寸为128*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为128*128的特征层,将该特征层输入到LSTM_B2中,得到尺寸为128*64的时间注意力权重W2,将该时间注意力权重反馈到LSTM2中改变计算输出的权重,具体方式如下:
f2=W2*f2
其中,表示矩阵乘法运算,f2为LSTM2输出的特征层,尺寸为128*64,fA2为LSTM_A2输出的特征层,尺寸为128*2,表示fA2的转置矩阵,F2为得到的尺寸为128*128的特征层,W2为LSTM_B2输出的时间注意力权重,尺寸为128*64,*表示两矩阵对应元素相乘。
对于时间注意力模块α3:LSTM3输出尺寸大小为128*32的特征层,通过LSTM_A3得到尺寸为128*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为128*128的特征层,将该特征层输入到LSTM_B3中,得到尺寸为128*32的时间注意力权重W3,将该时间注意力权重反馈到LSTM3中改变其权重,具体方式如下:
f3=W3*f3
其中表示矩阵乘法运算,f3为LSTM3输出的特征层,尺寸为128*32,fA3为LSTM_A3输出的特征层,尺寸为128*32,表示fA3的转置矩阵,F3为得到的尺寸为128*128的特征层,W3为LSTM_B3输出的时间注意力权重,尺寸为128*32,*表示两矩阵对应元素相乘。
通过设计上述的训练方法,训完结束后的无线信号降噪模型GAN-G就可以作为一个无线信号的噪声滤波器,能够在最大程度保留原始信号数据信息的基础下进行噪声滤波。通过引入时间注意力模块提高了无线信号降噪器的效率;通过无线信号降噪模型GAN-G和无线信号降噪判别模型GAN-D的对抗训练,提高了无线信号降噪器的精确性。
具体实验:
数据集的基本情况包括:(1)原始无线信号数据集有132000个训练样本和33000个测试样本,每个样本是尺寸为[128,2]的矩阵;(2)根据不同的无线信号调制类型数据集可以分为11类,每类等分,即训练集中每类有12000个样本,测试集每类有3000个样本;(3)每一种调制类型的信号都有20种不同的信噪比(信噪比的值为-20~18的偶数)。(4)在信噪比为18DB的无线电信信号中加入高斯白噪声,得到与之对应的低信噪比无线信号数据集。
无线信号调制类型识别器的情况:
使用上述原始无线信号数据集训练由LSTM和全连接所构成的基于深度学习无线信号调制类型识别器。
该无线信号调制类型识别器的具体结构如图3所示:输入尺寸为128*2的无线信号数据,通过LSTM得到尺寸为128*128的特征层,通过LSTM得到尺寸为128*32的特征层,通过全连接FC得到大小为11的输出层。11即代表无线信号数据集中11类的调制类型。
如图4所示,使用所述无线信号调制类型识别器,分别输入低信噪比无线信号与降噪后的无线信号的调制类型识别结果比对:
使用所述信噪比为18DB的原始训练集和添加噪声后的低信噪比无线信号对无线信号降噪模型进行训练。原始无线信号测试集中信噪比低于-10DB的无线信号输入到无线信号降噪模型GAN-G中,得到对应的降噪后的无线信号数据。
将原始无线信号数据集中信噪比为-12~-20DB的无线信号输入到无线信号调制类型识别器中得到降噪前无线信号调制类型的识别结果;将降噪后的无线信号数据输入到无线信号调制类型识别器中得到降噪后无线信号调制类型的识别结果。
实验结果表明经过该方法对无线信号数据进行降噪处理可以有效地提高无线信号调制类型识别在低信噪比区间的准确性。极大地提高了无线信号调制类型识别的效率。说明该无线信号降噪模型达到了预期的效果。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于生成式对抗网络的无线信号降噪方法,包括以下步骤:
构建无线信号降噪网络和无线信号降噪判别网络,其中,无线信号降噪网络包括长短时记忆神经网络、卷积层以及时间注意力模块,其输入为添加噪声的低信噪比无线信号,输出为降噪后的无线信号;
无线信号降噪判别网络包括长短时记忆神经网络和全连接层,其输入与无线信号降噪网络的输出连接,输入数据为未添加噪声的原始无线信号和降噪后的无线信号,输出是对降噪后的无线信号和未添加噪声的原始无线信号的判断结果;
采用对抗训练策略对无线信号降噪网络和无线信号降噪判别网络进行训练,获得无线信号降噪模型和无线信号降噪判别模型;
提取无线信号降噪模型对待降噪无线信号进行处理,获得降噪后的无线信号。
2.如权利要求1所述的基于生成式对抗网络的无线信号降噪方法,其特征在于,无线信号降噪网络包括:
依次连接的LSTM1、LSTM2、卷积层、LSTM3、LSTM4;
时间注意力模块α1:LSTM1输出尺寸大小为time*32的特征图层,通过LSTM_A1得到尺寸为time*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为time*time的特征层,将该特征层输入到LSTM_B1中,得到尺寸为time*32的时间注意力权重W1,将该时间注意力权重反馈到LSTM1中改变计算输出时的权重;
时间注意力模块α2:LSTM2输出尺寸大小为time*64的特征层,通过LSTM_A2得到尺寸为time*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为time*time的特征层,将该特征层输入到LSTM_B2中,得到尺寸为time*64的时间注意力权重W2,将该时间注意力权重反馈到LSTM2中改变计算输出的权重;
时间注意力模块α3:LSTM3输出尺寸大小为time*32的特征层,通过LSTM_A3得到尺寸为time*2的特征层,该特征层的转置与输入的低信噪比无线信号进行矩阵乘法的运算,得到尺寸为time*time的特征层,将该特征层输入到LSTM_B3中,得到尺寸为time*32的时间注意力权重W3,将该时间注意力权重反馈到LSTM3中改变其权重。
3.如权利要求1所述的基于生成式对抗网络的无线信号降噪方法,其特征在于,无线信号降噪判别网络包括:
LSTM,用于提取输入的无线信号的时序特征;
第一全连接层,用于综合LSTM输出的时序特征;
第二全连接层,作为输出层,用于综合第一全连接层输出的特征,输出分类结果。
4.如权利要求1~3任一项所述的基于生成式对抗网络的无线信号降噪方法,其特征在于,训练的具体过程为:
(a)预训练无线信号降噪网络和无线信号降噪判别网络;
(b)对抗训练预训练后的无线信号降噪网络GAN-G和和无线信号降噪判别网络GAN-D,具体过程为:
固定GAN-G的参数,将降噪后的无线信号输入到GAN-D中,训练GAN-D的参数;固定GAN-D的参数,将低信噪比无线信号输入到GAN-G中,训练GAN-G的参数;
(c)重复步骤(a)和步骤(b),交替训练GAN-G和GAN-D的参数,直到两者实现G-D纳什均衡或达到最大的训练次数T2;
(d)加入由长短时记忆网络构成的时间注意力模块,再训练GAN-G,即重复步骤(a)~(c),使GAN-G更高效地提取无线信号的时序特征,产生降噪后的无线信号。
5.如权利要求1所述的基于生成式对抗网络的无线信号降噪方法,其特征在于,对抗训练时,训练无线信号降噪网络GAN-G的过程为:
将GAN-G输出的降噪后的无线信号输入到GAN-D,将得到的输出与0进行交叉熵计算损失;将原始无线信号输入到GAN-D,将得到的输出与1进行交叉熵计算损失;
该过程的优化目标为:
其中,D(·)表示无线信号降噪判别模型GAN-D,G(·)表示无线信号降噪模型GAN-G,xsignal表示原始无线信号数据,表示低信噪比无线信号数据,E(·)表示数学期望,x~pdata(xsignal)表示x采样自原始无线信号数据集xsignal,表示x采样自低信噪比无线信号数据集
6.如权利要求1所述的基于生成式对抗网络的无线信号降噪方法,其特征在于,对抗训练时,训练无线信号降噪网络GAN-D的过程为:
将低信噪比无线信号输入无线信号降噪模型GAN-G,将得到的降噪后的无线信号输入到无线信号降噪判别模型GAN-D,得到的输出进行交叉熵计算损失,通过最小化上述损失反馈训练GAN-G的参数:
该过程的优化目标为:
其中,D(·)表示无线信号降噪判别模型GAN-D,G(·)表示无线信号降噪模型GAN-G,表示低信噪比无线信号数据,E(·)表示数学期望,表示x采样自低信噪比无线信号数据集
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150001.7A CN109890043B (zh) | 2019-02-28 | 2019-02-28 | 一种基于生成式对抗网络的无线信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150001.7A CN109890043B (zh) | 2019-02-28 | 2019-02-28 | 一种基于生成式对抗网络的无线信号降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109890043A true CN109890043A (zh) | 2019-06-14 |
CN109890043B CN109890043B (zh) | 2021-12-21 |
Family
ID=66929872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910150001.7A Active CN109890043B (zh) | 2019-02-28 | 2019-02-28 | 一种基于生成式对抗网络的无线信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109890043B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969186A (zh) * | 2019-10-28 | 2020-04-07 | 浙江工业大学 | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 |
CN112132266A (zh) * | 2020-09-23 | 2020-12-25 | 中国人民解放军陆军工程大学 | 基于卷积循环网络的信号调制识别***及调制识别方法 |
CN112307926A (zh) * | 2020-10-26 | 2021-02-02 | 西北工业大学 | 一种基于生成对抗网络的声学被动式舰船目标分类方法 |
CN112487914A (zh) * | 2020-11-25 | 2021-03-12 | 山东省人工智能研究院 | 一种基于深度卷积生成对抗网络的ecg降噪方法 |
CN113191321A (zh) * | 2021-05-21 | 2021-07-30 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113349800A (zh) * | 2021-06-10 | 2021-09-07 | 重庆工程学院 | 一种基于生成式对抗网络的脑电波信号降噪方法 |
CN113626960A (zh) * | 2021-07-29 | 2021-11-09 | 南京信息工程大学 | 一种抗模式耦合少模信号复杂格式解析方法及装置 |
WO2022151067A1 (zh) * | 2021-01-13 | 2022-07-21 | Oppo广东移动通信有限公司 | 无线信号降噪方法、装置、设备及存储介质 |
CN115442191A (zh) * | 2022-11-08 | 2022-12-06 | 中国人民解放军战略支援部队航天工程大学 | 基于相对平均生成对抗网络的通信信号降噪方法及*** |
CN116956201A (zh) * | 2023-09-19 | 2023-10-27 | 成都中轨轨道设备有限公司 | 一种大数据决策的智能耦合预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
US20180322385A1 (en) * | 2017-05-05 | 2018-11-08 | Intel Corporation | Efficient learning and using of topologies of neural networks in machine learning |
CN108877832A (zh) * | 2018-05-29 | 2018-11-23 | 东华大学 | 一种基于gan的音频音质还原*** |
CN108986835A (zh) * | 2018-08-28 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 基于改进gan网络的语音去噪方法、装置、设备及介质 |
CN108986797A (zh) * | 2018-08-06 | 2018-12-11 | 中国科学技术大学 | 一种语音主题识别方法及*** |
US20190012581A1 (en) * | 2017-07-06 | 2019-01-10 | Nokia Technologies Oy | Method and an apparatus for evaluating generative machine learning model |
-
2019
- 2019-02-28 CN CN201910150001.7A patent/CN109890043B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322385A1 (en) * | 2017-05-05 | 2018-11-08 | Intel Corporation | Efficient learning and using of topologies of neural networks in machine learning |
US20190012581A1 (en) * | 2017-07-06 | 2019-01-10 | Nokia Technologies Oy | Method and an apparatus for evaluating generative machine learning model |
CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
CN108877832A (zh) * | 2018-05-29 | 2018-11-23 | 东华大学 | 一种基于gan的音频音质还原*** |
CN108986797A (zh) * | 2018-08-06 | 2018-12-11 | 中国科学技术大学 | 一种语音主题识别方法及*** |
CN108986835A (zh) * | 2018-08-28 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 基于改进gan网络的语音去噪方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
莫凌飞等: "基于深度学习的视频预测研究综述", 《智能***学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969186A (zh) * | 2019-10-28 | 2020-04-07 | 浙江工业大学 | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 |
CN110969186B (zh) * | 2019-10-28 | 2023-04-07 | 浙江工业大学 | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 |
CN112132266A (zh) * | 2020-09-23 | 2020-12-25 | 中国人民解放军陆军工程大学 | 基于卷积循环网络的信号调制识别***及调制识别方法 |
CN112307926A (zh) * | 2020-10-26 | 2021-02-02 | 西北工业大学 | 一种基于生成对抗网络的声学被动式舰船目标分类方法 |
CN112307926B (zh) * | 2020-10-26 | 2022-12-06 | 西北工业大学 | 一种基于生成对抗网络的声学被动式舰船目标分类方法 |
CN112487914A (zh) * | 2020-11-25 | 2021-03-12 | 山东省人工智能研究院 | 一种基于深度卷积生成对抗网络的ecg降噪方法 |
CN112487914B (zh) * | 2020-11-25 | 2021-08-31 | 山东省人工智能研究院 | 一种基于深度卷积生成对抗网络的ecg降噪方法 |
WO2022151067A1 (zh) * | 2021-01-13 | 2022-07-21 | Oppo广东移动通信有限公司 | 无线信号降噪方法、装置、设备及存储介质 |
CN113191321B (zh) * | 2021-05-21 | 2022-04-22 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113191321A (zh) * | 2021-05-21 | 2021-07-30 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113349800A (zh) * | 2021-06-10 | 2021-09-07 | 重庆工程学院 | 一种基于生成式对抗网络的脑电波信号降噪方法 |
CN113626960B (zh) * | 2021-07-29 | 2022-06-14 | 南京信息工程大学 | 一种抗模式耦合少模信号复杂格式解析方法及装置 |
CN113626960A (zh) * | 2021-07-29 | 2021-11-09 | 南京信息工程大学 | 一种抗模式耦合少模信号复杂格式解析方法及装置 |
CN115442191A (zh) * | 2022-11-08 | 2022-12-06 | 中国人民解放军战略支援部队航天工程大学 | 基于相对平均生成对抗网络的通信信号降噪方法及*** |
CN115442191B (zh) * | 2022-11-08 | 2023-03-24 | 中国人民解放军战略支援部队航天工程大学 | 基于相对平均生成对抗网络的通信信号降噪方法及*** |
CN116956201A (zh) * | 2023-09-19 | 2023-10-27 | 成都中轨轨道设备有限公司 | 一种大数据决策的智能耦合预警方法 |
CN116956201B (zh) * | 2023-09-19 | 2023-12-08 | 成都中轨轨道设备有限公司 | 一种大数据决策的智能耦合预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109890043B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109890043A (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN107979554B (zh) | 基于多尺度卷积神经网络的无线电信号调制识别方法 | |
CN109171707A (zh) | 一种智能心电图分类方法 | |
CN108234370A (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN108243129A (zh) | 基于注意力深度网络的无线电信号特征提取方法 | |
CN109307862A (zh) | 一种目标辐射源个体识别方法 | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
CN110110738A (zh) | 一种基于多特征融合的雷达辐射源识别方法 | |
CN110428842A (zh) | 语音模型训练方法、装置、设备及计算机可读存储介质 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN104887222B (zh) | 可逆化脑电信号分析方法 | |
CN108462509A (zh) | 基于时频图信息的异步跳频网台分选方法 | |
CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN107317778B (zh) | 基于1d-cnn的bpsk调制信号相位跳变检测方法 | |
CN110417694A (zh) | 一种通信信号调制方式识别方法 | |
CN112580486B (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
CN113094993A (zh) | 基于自编码神经网络的调制信号去噪方法 | |
CN109412725A (zh) | 无线电通信pcma信号盲解调方法及装置 | |
CN104887263A (zh) | 一种基于心音多维特征提取的身份识别算法及其*** | |
CN115442191B (zh) | 基于相对平均生成对抗网络的通信信号降噪方法及*** | |
CN113598759B (zh) | 一种基于肌电特征优化的下肢动作识别方法及*** | |
CN103093244A (zh) | 一种基于稀疏分解的雷达信号识别方法 | |
Ma et al. | CNN-based automatic modulation recognition of wireless signal | |
CN103505189B (zh) | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 | |
Smith et al. | A communication channel density estimating generative adversarial network |
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 |