CN110875790A - 基于生成对抗网络的无线信道建模实现方法 - Google Patents
基于生成对抗网络的无线信道建模实现方法 Download PDFInfo
- Publication number
- CN110875790A CN110875790A CN201911131740.8A CN201911131740A CN110875790A CN 110875790 A CN110875790 A CN 110875790A CN 201911131740 A CN201911131740 A CN 201911131740A CN 110875790 A CN110875790 A CN 110875790A
- Authority
- CN
- China
- Prior art keywords
- generator
- discriminator
- channel data
- generated
- channel
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于生成对抗网络的信道模型实现方法,通过使用真实信道数据和生成器生成的信道数据对对抗网络的鉴别器和生成器交替训练,直至鉴别器无法分辨真实信道数据和生成数据,达到生成器对信道数据的学***稳信道及广义非平稳信道模型的目标。本发明生成的信道数据JS散度均小于0.08,能够准确的服从真实信道数据分布。
Description
技术领域
本发明涉及的是一种无线通信领域的技术,具体是一种基于生成对抗网络的无线信道建模实现方法。
背景技术
对于无线通信***,无线信道建模对于无线通信***的理论分析和实际应用一直是一个基础任务,准确的信道模型能够帮助理解不同无线信道对于传输信号的物理影响。现有的信道生成方式主要依赖于某些参数去表征复杂的无线信道环境的质量。这些“参数化”方式生成的信道在网络性能的评估过程中,显然是不太适用的。以车车信道为例,车辆本身的行进过程中,会造成一定的色散效应和多普勒效应,可能影响的无线信道环境参数非常多,设计生成信道的模型必须足够复杂才能精确反应信道的特征。
发明内容
本发明针对现有技术对于高密集、高移动的通信信道,由于其信道模型的复杂性,难以通过传统的理论闭式推导获得其精准的信道模型参数的缺陷和不足,提出一种基于生成对抗网络的信道模型实现方法,使用生成对抗网络用于无线信道建模,学习出真实信道的统计特性,并能够生成具有相同统计特性的信道数据且对于鉴别器的输入数据进行了预处理的工作,提取出信道数据的统计参数,减少鉴别器的输入维度。
本发明是通过以下技术方案实现的:
本发明通过使用真实信道数据和生成器生成的信道数据对对抗网络的鉴别器和生成器交替训练,直至鉴别器无法分辨真实信道数据和生成数据,达到生成器对信道数据的学***稳信道及广义非平稳信道模型的目标。
所述的真实信道数据是指:选定信道模型的场景和相应的信道参数后通过仿真平台或者使用专用的信道数据采集工具,得到真实的信道数据。
所述的生成器生成的信道数据是指:使用批次的随机噪声作为生成器的输入,得到其生成的信道数据样本。
所述的生成器优选使用均匀分布的随机噪声作为输入。
所述的对抗网络,包括均采用全连接神经网络的生成器和鉴别器,其中:鉴别器包括两个隐藏层,每个隐藏层为10个神经元,激活函数为sigmod,鉴别器的输入为真实信道数据和生成器生成的信道数据的均值、方差、峰度和偏度;生成器包括两个隐藏层,每个隐藏层为5个神经元,激活函数为tanh,生成器的输入为随机噪声。
所述的交替训练是指:固定生成器的参数的同时训练鉴别器或固定鉴别器的参数的同时训练生成器,两者交替迭代训练直至鉴别器无法鉴别虚假样本和真实样本。
附图说明
图1为城市信道场景示意图;
图2为jakes信道模型示意图;
图3为生成对抗网络信道建模的框架示意图;
图4为实验结果示意图。
具体实施方式
本实施例场景如图1所示,为城市信道场景的示意图,本发明实际实现不仅限于该信道场景。针对该场景信道建模的具体步骤包括:
步骤一、选定信道模型的场景和相应的信道参数:在该场景中基站作为发射机,位于固定位置;汽车作为发射机,沿着固定方向匀速行驶。在该场景中分别因为汽车的移动和发射信号的反射导致存在多普勒效应和多径效应,而且因为楼房的遮挡,使得不存在视距链路。使用传统的信道建模方法,该信道可视为jakes信道模型。在仿真中将多普勒频率设定为926Hz,采样时间设定为10-6s,每次采集5×104个样本。
步骤二、为了更好的验证结果的准确性,根据设定的参数,通过Matlab仿真平台仿真该信道模型。通过运行Matlab程序,可以得到真实的信道数据。真实信道数据是服从特定的统计特性的,从图2可以看出,信道值的幅度服从瑞丽分布,相位服从均匀分布。
步骤三、在本实施例中,采用的实验平台为Ubuntu16.04、Python3.6、PyTorch0.4GPU框架,生成网络和鉴别网络均采用全连接神经网络,生成器网络结构和鉴别器网络结构如下所示:
步骤四、将步骤三得到的统计值作为鉴别器的输入,将一个随机噪声作为生成器的输入。通过上述参数设置构建得到简单轻量的生成对抗网络并进行训练,训练方式为鉴别器网络和生成器网络交替迭代训练5000回合并在训练结束后保留生成器的网络模型参数,其中每一回合包括:
a)使用真实信道数据作为鉴别器输入,计算损失:将真实样本进行数据处理得到四个统计值输入到鉴别器中,将真实信道数据的输出标签设为真,通过交叉熵损失函数计算损失lossreal。
b)使用生成的信道数据作为鉴别器输入,计算损失:对生成器参数进行随机初始化。使用噪声作为生成器的输入,得到生成的信道数据样本。对于生成器采用批次的输入,即输入5000个批次,可得到5000个批次的生成样本。将生成样本输入到鉴别器中训练,标签设为假,通过交叉熵损失函数计算损失lossfake。
c)将步骤a和步骤b中的损失相加得到鉴别器的损失,即lossadv=lossreal+lossreal;固定生成器网络模型的参数,通过对鉴别器损失函数进行反向传播,仅对鉴别器进行训练并重复该训练步骤20次。
i)使用批次的随机噪声作为生成器的输入,得到生成的信道数据样本,将批次的生成信道数据样本进行数据处理后,输入到鉴别器中,将生成信道数据的输出结果标签设为真;
ii)根据交叉熵损失函数计算生成器的损失lossgen,固定鉴别器网络模型的参数,通过对鉴别器损失函数进行反向传播,仅对生成器进行训练并重复该训练步骤20次。
步骤五、在测试阶段,通过加载训练后的生成器的网络模型参数,对生成器网络输入随机噪声便可得到服从真实信道数据分布特性的信道数据。
如图4所示,为本实施例实验结果,可以看出通过采样真实信道数据对生成对抗网络进行训练后,生成器生成的信道数据近似服从真实信道数据分布特性。图4(a)表示生成的信道数据幅度值近似服从瑞丽分布,图4(b)相位近似服从均匀分布。图4(c)使用服从正态分布真实信道数据对生成对抗网络进行训练,生成的信道数据同样近似正态分布。
通过常用的衡量数据概率分布的数值指标JS散度度量生成的信道数据分布与真实的信道数据分布,对于图4中的三对信道数据分布的JS散度均小于0.08,表明生成的信道数据能够准确的服从真实信道数据分布。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (5)
1.一种基于生成对抗网络的信道模型实现方法,其特征在于,通过使用真实信道数据和生成器生成的信道数据对对抗网络的鉴别器和生成器交替训练,直至鉴别器无法分辨真实信道数据和生成数据,达到生成器对信道数据的学***稳信道及广义非平稳信道模型的目标;
所述的生成器生成的信道数据是指:使用批次的随机噪声作为生成器的输入,得到其生成的信道数据样本。
2.根据权利要求1所述的方法,其特征是,所述的生成器使用均匀分布的随机噪声作为输入。
3.根据权利要求1所述的方法,其特征是,所述的对抗网络,包括均采用全连接神经网络的生成器和鉴别器,其中:鉴别器包括两个隐藏层,每个隐藏层为10个神经元,激活函数为sigmod,鉴别器的输入为真实信道数据和生成器生成的信道数据的均值、方差、峰度和偏度;生成器包括两个隐藏层,每个隐藏层为5个神经元,激活函数为tanh,生成器的输入为随机噪声。
4.根据权利要求1所述的方法,其特征是,所述的交替训练是指:固定生成器的参数的同时训练鉴别器或固定鉴别器的参数的同时训练生成器,两者交替迭代训练直至鉴别器无法鉴别虚假样本和真实样本。
5.根据权利要求1或4所述的方法,其特征是,所述的交替训练包括以下步骤:
1)计算所有样本的均值、方差、峰度和偏度;
2)分别对鉴别器和生成器进行与样本个数相同次数的训练并在训练结束后保留生成器的网络模型参数,其中每一回合包括:
a)使用真实信道数据作为鉴别器输入,计算损失:将真实样本的均值、方差、峰度和偏度输入到鉴别器中,将真实信道数据的输出标签设为真,通过交叉熵损失函数计算损失lossreal;
b)使用生成的信道数据作为鉴别器输入,计算损失:对生成器参数进行随机初始化;使用噪声作为生成器的输入,得到生成的信道数据样本;对于生成器采用批次的输入得到生成样本;将生成样本输入到鉴别器中训练,标签设为假,通过交叉熵损失函数计算损失lossfake;
c)将步骤a和步骤b中的损失相加得到鉴别器的损失,即lossadv=lossreal+lossreal;固定生成器网络模型的参数,通过对鉴别器损失函数进行反向传播,仅对鉴别器进行训练并重复该训练步骤20次,具体为:
i)使用批次的随机噪声作为生成器的输入,得到生成的信道数据样本,将批次的生成信道数据样本进行数据处理后,输入到鉴别器中,将生成信道数据的输出结果标签设为真;
ii)根据交叉熵损失函数计算生成器的损失lossgen,固定鉴别器网络模型的参数,通过对鉴别器损失函数进行反向传播,仅对生成器进行训练并重复该训练步骤20次。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131740.8A CN110875790A (zh) | 2019-11-19 | 2019-11-19 | 基于生成对抗网络的无线信道建模实现方法 |
PCT/CN2020/126042 WO2021098501A1 (zh) | 2019-11-19 | 2020-11-03 | 基于生成对抗网络的无线信道建模实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131740.8A CN110875790A (zh) | 2019-11-19 | 2019-11-19 | 基于生成对抗网络的无线信道建模实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110875790A true CN110875790A (zh) | 2020-03-10 |
Family
ID=69718191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911131740.8A Pending CN110875790A (zh) | 2019-11-19 | 2019-11-19 | 基于生成对抗网络的无线信道建模实现方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110875790A (zh) |
WO (1) | WO2021098501A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111355675A (zh) * | 2020-03-11 | 2020-06-30 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和*** |
CN112446002A (zh) * | 2020-11-13 | 2021-03-05 | 天津大学 | 一种面向时序kpi数据的异常检测方法 |
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 |
CN114584230A (zh) * | 2022-03-07 | 2022-06-03 | 东南大学 | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 |
CN115208494A (zh) * | 2022-07-25 | 2022-10-18 | 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 |
WO2023070675A1 (zh) * | 2021-11-01 | 2023-05-04 | Oppo广东移动通信有限公司 | 数据处理的方法及装置 |
WO2023077272A1 (zh) * | 2021-11-02 | 2023-05-11 | Oppo广东移动通信有限公司 | 信道数据生成方法、装置、设备及存储介质 |
WO2023097636A1 (zh) * | 2021-12-03 | 2023-06-08 | Oppo广东移动通信有限公司 | 数据处理的方法和装置 |
WO2023097645A1 (zh) * | 2021-12-03 | 2023-06-08 | Oppo广东移动通信有限公司 | 数据获取方法、装置、设备、介质、芯片、产品及程序 |
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 |
---|---|---|---|---|
CN113449468B (zh) * | 2021-06-22 | 2024-03-12 | 北京交通大学 | 一种锂离子电池组的多参数分布特性建模和参数生成方法 |
CN115276766B (zh) * | 2022-07-19 | 2024-05-31 | 西安电子科技大学 | 协作无人机(uav)辅助干扰功率与轨迹联合的优化方法 |
CN116389287B (zh) * | 2023-05-29 | 2023-08-18 | 北京理工大学 | 一种模分复用通信***的信道构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10173620A (ja) * | 1996-12-10 | 1998-06-26 | Nec Corp | Pcm試験信号発生器の試験信号パターン設定装置 |
CN108696331A (zh) * | 2018-03-19 | 2018-10-23 | 西安电子科技大学 | 一种基于生成对抗网络的信号重构方法 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107293289B (zh) * | 2017-06-13 | 2020-05-29 | 南京医科大学 | 一种基于深度卷积生成对抗网络的语音生成方法 |
US20190259474A1 (en) * | 2018-02-17 | 2019-08-22 | Regeneron Pharmaceuticals, Inc. | Gan-cnn for mhc peptide binding prediction |
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 |
-
2019
- 2019-11-19 CN CN201911131740.8A patent/CN110875790A/zh active Pending
-
2020
- 2020-11-03 WO PCT/CN2020/126042 patent/WO2021098501A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10173620A (ja) * | 1996-12-10 | 1998-06-26 | Nec Corp | Pcm試験信号発生器の試験信号パターン設定装置 |
CN108696331A (zh) * | 2018-03-19 | 2018-10-23 | 西安电子科技大学 | 一种基于生成对抗网络的信号重构方法 |
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 |
Non-Patent Citations (2)
Title |
---|
TIM O’SHEA 等: "An Introduction to Machine Learning Communications Systems", 《RESEARCH GATE》 * |
秦剑: "基于生成对抗网络的信号重构", 《中国优秀硕士论文 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111355675A (zh) * | 2020-03-11 | 2020-06-30 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和*** |
CN112446002A (zh) * | 2020-11-13 | 2021-03-05 | 天津大学 | 一种面向时序kpi数据的异常检测方法 |
WO2023070675A1 (zh) * | 2021-11-01 | 2023-05-04 | Oppo广东移动通信有限公司 | 数据处理的方法及装置 |
WO2023077272A1 (zh) * | 2021-11-02 | 2023-05-11 | Oppo广东移动通信有限公司 | 信道数据生成方法、装置、设备及存储介质 |
WO2023097636A1 (zh) * | 2021-12-03 | 2023-06-08 | Oppo广东移动通信有限公司 | 数据处理的方法和装置 |
WO2023097645A1 (zh) * | 2021-12-03 | 2023-06-08 | Oppo广东移动通信有限公司 | 数据获取方法、装置、设备、介质、芯片、产品及程序 |
CN114584230A (zh) * | 2022-03-07 | 2022-06-03 | 东南大学 | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 |
CN115208494A (zh) * | 2022-07-25 | 2022-10-18 | 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 |
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 |
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 |
---|---|
WO2021098501A1 (zh) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110875790A (zh) | 基于生成对抗网络的无线信道建模实现方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN105160678A (zh) | 基于卷积神经网络的无参考立体图像质量评估方法 | |
CN106851821B (zh) | 一种基于无线通信基站的室内三维定位方法 | |
CN104683051B (zh) | 一种无线多径衰落信道仿真方法及信道仿真器 | |
CN112468230B (zh) | 一种基于深度学习的无线紫外光散射信道估计方法 | |
CN114531729B (zh) | 基于信道状态信息的定位方法、***、存储介质及设备 | |
CN112182961B (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
CN114866158B (zh) | 一种水下激光数字通信***信道建模和模拟方法 | |
CN106992823A (zh) | 一种认知无线电网络频谱感知方法 | |
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
CN114301558B (zh) | 信道建模方法、装置、电子设备及存储介质 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及*** | |
CN114580087A (zh) | 一种船载设备的联邦剩余使用寿命预测方法、装置及*** | |
CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
CN107306409A (zh) | 参数确定方法、干扰分类识别方法及其装置 | |
CN106406290B (zh) | 一种车辆横向动力远程测控***的故障检测方法 | |
CN117560104A (zh) | 一种混合交通中可解释性机器学习辅助的信道模型的构建方法 | |
CN111859241A (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
CN110968949A (zh) | 一种高速列车车载设备电磁敏感性预测模型的建模方法 | |
CN108259098B (zh) | 一种瑞利-巴特沃斯衰落信道的验证*** | |
CN116502672A (zh) | 一种神经网络量化部署方法、***、设备和介质 | |
CN113746580B (zh) | 基于循环生成对抗网络的信道特性迁移方法 | |
US20210241074A1 (en) | System for generating synthetic digital data for data multiplication |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200310 |
|
RJ01 | Rejection of invention patent application after publication |