CN117874525A - 一种基于生成对抗网络的电磁信号生成方法 - Google Patents
一种基于生成对抗网络的电磁信号生成方法 Download PDFInfo
- Publication number
- CN117874525A CN117874525A CN202410112775.1A CN202410112775A CN117874525A CN 117874525 A CN117874525 A CN 117874525A CN 202410112775 A CN202410112775 A CN 202410112775A CN 117874525 A CN117874525 A CN 117874525A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- true
- false
- generator
- 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 31
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 title claims description 28
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008485 antagonism Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 241001522296 Erithacus rubecula Species 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 abstract 1
- 238000003199 nucleic acid amplification method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/094—Adversarial learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于生成对抗网络的电磁信号生成方法,该方法采用生成器G,真假判别器D以及分类器C;生成器G的输入为真实数据信号以及目标生成域的标签,并生成虚假信号,虚假信号既用于信号重构检验生成信号是否在对现有特征进行生成的时候改变了原始其他特征,还要用于向真假判别器D、分类器C输出判断真伪和判断类别;真假判别器D用于区分真实信号和生成器G生成的虚假信号;分类器C用于将信号准确分类到相应的领域;本发明的模型能够生成涵盖多种信号特征的电磁信号,并且能够实现电磁信号IQ数据的直接输入和输出,生成的电磁信号还携带相应的标签,实现了在特定场景下带有完整标签的电磁信号大规模生成和数据扩增。
Description
技术领域
本发明属于电磁信号处理技术领域,特别涉及一种适用于低轨星座电磁感知***的电磁信号生成方法。
背景技术
进入信息时代,电磁信号已成为人类生活中不可或缺的一部分,电磁空间与现实世界紧密相融,电磁空间的实时感知和有效管理已经成为国际竞争的关键领域。全球范围内宽频带、高动态范围的电磁频谱感知,实时持续地获取电磁频谱在空域和频域上的分布和特性,对于增强国家电磁空间的掌控能力以及经济建设、国家安全等至关重要。
低轨星座是实现全球电磁感知的主要方式。相对于高轨卫星,低轨卫星更接近地球,具有更短的链路、更低的传输延迟和更高的信号强度,具有独特优势。通过构建低轨卫星星座,可以更低的成本实现对电磁信号的实时连续监测,这对于实现大范围、全天候、宽频段、长时间的电磁频谱监测至关重要。
当然,低轨星座电磁感知***目前面临一系列挑战,包括卫星数量有限、数据采集困难以及数据缺少标注等问题。为了提升这一***的感知性能,迫切需要大量真实场景下的数据,以建立全面的数据集。
近年来,生成对抗网络(GAN)已成为数据生成领域的热门技术,具备出色的性能表现。GAN由生成器和判别器两部分组成,其中生成器负责生成伪造的电磁信号数据,判别器则负责区分真实数据和生成的伪造数据。GAN能够生成高质量、逼真且具有多样性的电磁信号样本。在图像和音频生成领域,GAN已经取得了显著的成果。StarGAN是一种星形网络结构,具备适应多领域转换的能力,只需要一个生成器(G)即可完成不同领域之间的转换,从而大大减少了生成器和判别器的数量以及模型训练的复杂性。
发明内容
本发明的目的是:基于生成对抗网络技术,提出一种适用于低轨星座电磁感知***的电磁信号生成方法,旨在高效生成电磁信号,从而扩充低轨星座***的实际数据资源,提升数据获取的经济效益。
本发明的技术方案是:一种基于生成对抗网络的电磁信号生成方法,它包括以下步骤:
A.数据预处理;
对卫星实际采集的信号IQ数据进行数据预处理;对于实际采集的信号IQ数据,进行采样得到N个点,从而获得N*2的I/Q两路信号;其中:I代表同相正交信号,Q代表正交相位信号,相位相差90度;
将所有信号数据按比例划分为训练集、验证集和测试集;
B.对数据进行标签、编码;
根据单星单信号数据类型,对I/Q数据进行信号特征标签;对标签进行独立的one-hot编码,以生成相应的类别序列ci,i代表第i种特征,每种特征包含若干不同类型的标签;
C.构建生成对抗网络模型;
用于多特征电磁信号生成的GAN模型包括:生成器G,真假判别器D以及分类器C;其中:生成器G的输入为真实的I/Q数据信号以及目标生成域的标签,并生成一种既无法与真实信号区分,又能够被分类器C归类为目标域的虚假信号,生成的虚假信号既用于信号重构检验生成信号是否在对现有特征进行生成的时候改变了原始其他特征,还要用于向真假判别器D、分类器C输出判断真伪和判断类别;真假判别器D用于区分真实信号和生成器G生成的虚假信号;分类器C用于将信号准确分类到相应的领域;
D.选择特征领域;
从全部特征领域内,选择某特征进行训练,设置掩码向量,将其余特征对应标签全部置0;
E.将编码标签及I/Q数据输入至对抗网络模型;
将真假判别器D和生成器G的对抗性损失、分类器C和生成器G的分类损失、重构信号的循环一致性损失的最小化作为目标函数;
对生成器G、分类器C、真假判别器D进行迭代训练,直至满足目标函数最小化其值时,进入步骤F;
F.输出生成的指定特征信号与标签;
G.判断是否已对所有特征进行了信号生成;
若是,进入步骤H,若否返回步骤D;
H.输出带有完成标注的电磁信号数据集。
有益效果:本发明借鉴了多领域图像转换中的StarGAN模型结构,采用了一个生成器和两个判别器的设计,并结合了门控卷积神经网络(GLU)结构,适用于低轨星座电磁感知***的单星单信号场景的信号生成。本发明的模型能够生成涵盖多种信号特征的电磁信号,并且能够实现电磁信号IQ数据的直接输入和输出。同时,生成的电磁信号还携带相应的标签,实现了在特定场景下带有完整标签的电磁信号大规模生成和数据扩增。
相对于现有的用于简单调制信号生成和雷达信号生成的基础方法,本发明更适用于低轨星座电磁感知***所在的场景。生成的数据具有更高的复杂性和多样性,并且都附带各个特征的标签。这些生成的数据为低轨星座电磁感知***的后续发展以及定位、目标识别等工作提供了坚实的基础。
附图说明
图1为本发明的流程示意图;
图2为本发明中多特征电磁信号生成的GAN模型的示意图;
图3为本发明步骤B中某一信号所含标签示意图;
图4为本发明中生成器G的结构示意图;
图5为本发明中真假判别器D的结构示意图;
图6为本发明中分类器C的结构示意图;
图7为本发明实施例中用于两个特征领域的信号生成训练过程示意图。
具体实施方式
实施例1:参见附图1,一种基于生成对抗网络的电磁信号生成方法,适用于低轨星座电磁感知***中的单星单信号场景,旨在对卫星接收到的通信、雷达等信号进行信号生成和数据扩充。电磁信号生成方法包括以下步骤:
A.数据预处理。
对卫星实际采集的信号IQ数据进行数据预处理;对于实际采集的信号IQ数据,进行采样得到N个点,从而获得N*2的I/Q两路信号;其中:I代表同相正交信号,Q代表正交相位信号,相位相差90度。
将所有信号数据按比例划分为训练集、验证集和测试集;所有电磁信号的信噪比范围从-20dB至30dB不等。
B.对数据进行标签、编码。
根据单星单信号数据类型,对I/Q数据进行信号特征标签;对标签进行独立的one-hot编码,以生成相应的类别序列ci,i代表第i种特征,每种特征包含若干不同类型的标签;本例旨在生成电磁信号的IQ数据,这些数据的特定标签信息分为3类共19种,包括卫星相关数据、目标相关数据和信号数据等,如图3所示,卫星相关数据包括:覆盖角度、采样频率、卫星名称、接收数据、轨道数据位置与速度;卫星对应的目标相关数据包括:目标当前位置、目标初始位置、目标当前速度、目标初始速度、目标名称;信号数据包括:衰减系数、持续时间、中心频率、时间延迟、频率延迟、初试时间、间隔时间、IQ速率、信噪比;i的取值范围为0-18。
为了解决多特征信号的数据生产问题,参考StarGAN的思路,在模型输入中引入了掩码m(Mask),将所有标签编码放在一起,记为ci代表第i个信号特征的标签,m是一个长度为n的onehot编码。通过设置这样的标签,可以确保GAN在每次生成信号特征时只关注该特征对应的标签。
C.构建生成对抗网络模型。
针对多特征电磁信号生成问题,本例设计了新的生成对抗网络模型,可以对每个特征进行单独训练,然后将训练好的结果固定下来,再针对下一个特征进行信号生成。为了使生成器G具备学习多个特征的能力,首先,在生成器G的输入中添加特征A的相关信息,以告知信号生成模型有关某个特征的生成信息。其次,真假判别器D不仅具有判断信号真伪的功能,还需要判断信号在该特征下的具体信息,因此除了真假判别器D之外,还要引入分类器C。前者用于判断数据的真伪,后者用于判定数据在每个特征领域的标签类别。除上述两点外,还需要确保在针对某一特征进行信号生成过程中,上一信号特征内容保持不变,只改变领域之间的差异部分。为实现这一点,考虑采用信号重建方法,即将信号从特征A生成后的结果用于特征B的生成,然后再进行生成训练。这样可以确保信号可以还原到针对特征A训练后的原始结果。
参见附图2,用于多特征电磁信号生成的GAN模型包括:生成器G,真假判别器D以及分类器C;其中:生成器G的输入为真实的I/Q数据信号以及目标生成域的标签,并生成一种既无法与真实信号区分,又能够被分类器C归类为目标域的虚假信号,生成的虚假信号既用于信号重构检验生成信号是否在对现有特征进行生成的时候改变了原始其他特征,还要用于向真假判别器D、分类器C输出判断真伪和判断类别;真假判别器D用于区分真实信号和生成器G生成的虚假信号;分类器C用于将信号准确分类到相应的领域。
参见附图4,生成器G由编码器网络和解码器网络组成,采用门控卷积神经网络,编码器部分包括4组卷积层、批量归一化层和线性门控单元;解码器部分包括4组,每组由转置卷积层、批量归一化层和线性门控单元组成;编码器网络以真实I/Q数据信号x作为输入,解码器网络以编码器网络的输出及标签c作为输入。
在编码器网络部分,第l个隐藏层的输出hl经过门控机制,表达式为:
hl=(Wl*hl-1+bl)⊙σ(Vl(hl-1+dl),
其中,Wl,bl,Vl和dl为要训练的生成器网络参数;
在解码器网络部分,第l隐层的输出hl为:
h′l-1=[hl-1;cl-1],
hl=(Wl*h′l-1+bl)⊙σ(Vl*h′l-1+dl),
其中,[hl;cl]表示沿通道维度hl和cl的连接,cl由输入信号的特征维度和时间维度决定;
第l层生成器的输入为h0=x,最后一层的输出为正则线性投影;
h′L-1=[hL-1;cL-1],
y=WL*h′L-1+bL。
参见附图5,真假判别器D使用门控卷积神经网络;将信号输入真假判别器D,首先经过由四组小模块的处理,每个小模块包含卷积层、批量归一化层和线性门控单元,之后通过Sigmoid层和乘积池化层进行处理,最终输出确定输入信号真伪的判定结果。
参见附图6,分类器C使用门控卷积神经网络;将信号输入分类器C,首先通过五组小模块,每个小模块由卷积层、批量归一化层和线性门控单元组成,之后通过softmax层和乘积池化层进行处理,最终获得信号的分类结果。
本例中,生成器G、真假判别器D和分类器C都没有使用全连接网络,而是采用了卷积神经网络,因此输入信号的长度可以是任意取值,以适应不同长度的电磁信号生成需求。
D.选择特征领域。
从全部特征领域内,选择某特征进行训练,设置掩码向量,将其余特征对应标签全部置0。
E.将编码标签及I/Q数据输入至对抗网络模型。
将真假判别器D和生成器G的对抗性损失、分类器C和生成器G的分类损失、重构信号的循环一致性损失的最小化作为目标函数。
对于生成器G,输入真实的I/Q数据信号x以及选定特征的标签c,输出为该特征的电磁信号y=G(x,c);
真假判别器D的输入有两种,一种为I/Q数据信号x及选定特征的标签c,另一种为生成器G产生的信号y以及选定特征的标签c,输出为概率D(y,c),D(y,c)表示当前特征领域的信号的真假概率;
分类器C的输入为生成器G产生的信号y,输出为判定的类别概率pC(c∣y);
真假判别器D和生成器G的对抗性损失如下:
其中:y~p(y|c)表示针对特征c领域进行训练的生成信号,x~p(x)表示具有任意属性的真实信号;在真假判别器D正确地将y分类为假信号且将x分类为真信号时取值较小;/>在生成器G成功地欺骗真假判别器D使y被真假判别器D判定为真实信号时取值较小;
分类器C和生成器G的分类损失如下:
分类器C将y~p(y|c)和G(x,c)分类为特征c的正确率越高,和/>取值越小;
重构信号的循环一致性损失如下:
其中,x~p(x|c′)表示一个具有属性c'的真实信号,ρ是一个正值常数,的训练目标也是最小化其值;
GAN模型全部最小化目标函数如下:
其中,λcls≥0、λcyc≥0为正则化参数,用于改变分类损失和循环一致性损失相对于对抗损失的重要性。
对生成器G、分类器C、真假判别器D进行迭代训练,直至满足目标函数最小化其值时,进入步骤F。
F.输出生成的指定特征信号与标签。
G.判断是否已对所有特征进行了信号生成。
若是,进入步骤H,若否返回步骤D。
H.输出带有完成标注的电磁信号数据集。
实施例2,以AIS信号为例,利用实施例1所述的方法进行电磁信号生成训练。
卫星在特定的时间范围和空间区域内进行信号采集,获取一小批AIS信号数据。这些电磁信号的信噪比范围从-20dB至30dB不等。每个AIS信号都要进行预处理,对IQ两路数据分别进行采样,生成1*512*2的I/Q两路信号。此外,训练数据按照8:1:1被分为训练集、验证集和测试集,并对各个属性的标签进行onehot编码,不同属性的信号特征共有19种,每种特征中又包含若干不同标签。为了说明多特征领域的电磁信号生成,这里以信噪比和时间延迟两个特征为例。信噪比记为特征A,时间延迟记为特征B,假设信噪比有5种取值,时间延迟有4种取值,为了解决多特征领域电磁信号的生成,使用掩码向量m,它允许GAN忽略未指定的标签,并专注于特定特征领域提供的明确已知标签。由于现在考虑的是两个特征领域,所以使用一个2维的向量来表示掩码向量m,标签的统一版本定义为向量 具体的训练过程如图7所示。
步骤(a)-(d)用于生成特征A(信噪比)的信号,而步骤(e)-(h)则用于生成特征B(时间延迟)的信号。步骤(a)和(e)用于训练判别器D和分类器C,目的是辨别真假信号,并最小化分类错误,针对足够逼真的生成信号进行分类。步骤(b)、(c)、(f)、(g)的操作是针对掩码向量为(1,0)时的情况,生成器用于训练特征A的信号生成,只关注特征A的标签,并忽略特征B的标签以生成信号。步骤(d)和(h)则是生成器G生成难以与真实信号区分的信号,这些信号属于当前特征领域中的某一类。上述的G、D和C这三个模型均通过Adam优化方法进行参数优化和反向传播。
通过上述的训练过程,可以输入原始信号和所需特征的信号标签,从而生成目标特征的信号。例如,通过针对特征A的训练,可以生成出5种不同信噪比的信号。对于每种信噪比的信号,可以再针对特征B生成4种不同时间延迟的信号,从而获得20种不同类型的信号。将此扩展到低轨星座电磁感知***单星单信号场景下数据所包含的19种特征,为每种特征训练网络,从而生成大量具有不同特征的信号。此外,在信号生成过程中,信号的幅值等不需要标注的特征也会略微变化,从而增加生成信号的多样性。
经过模型训练,生成器生成信号的真实度已经能够与实际信号媲美。此时,可以将生成器生成的信号输入到分类器后获得的类别标签添加到信号数据上,从而实现数据的完整标注。
完成所有特征领域的信号生成后,即可得到一个大规模、多样性丰富的电磁信号数据集。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (6)
1.一种基于生成对抗网络的电磁信号生成方法,其特征在于,它包括以下步骤:
A.数据预处理;
对卫星实际采集的信号IQ数据进行数据预处理;对于实际采集的信号IQ数据,进行采样得到N个点,从而获得N*2的I/Q两路信号;其中:I代表同相正交信号,Q代表正交相位信号,相位相差90度;
将所有信号数据按比例划分为训练集、验证集和测试集;
B.对数据进行标签、编码;
根据单星单信号数据类型,对I/Q数据进行信号特征标签;对标签进行独立的one-hot编码,以生成相应的类别序列ci,i代表第i种特征,每种特征包含若干不同类型的标签;
C.构建生成对抗网络模型;
用于多特征电磁信号生成的GAN模型包括:生成器G,真假判别器D以及分类器C;其中:生成器G的输入为真实的I/Q数据信号以及目标生成域的标签,并生成一种既无法与真实信号区分,又能够被分类器C归类为目标域的虚假信号,生成的虚假信号既用于信号重构检验生成信号是否在对现有特征进行生成的时候改变了原始其他特征,还要用于向真假判别器D、分类器C输出判断真伪和判断类别;真假判别器D用于区分真实信号和生成器G生成的虚假信号;分类器C用于将信号准确分类到相应的领域;
D.选择特征领域;
从全部特征领域内,选择某特征进行训练,设置掩码向量,将其余特征对应标签全部置0;
E.将编码标签及I/Q数据输入至对抗网络模型;
将真假判别器D和生成器G的对抗性损失、分类器C和生成器G的分类损失、重构信号的循环一致性损失的最小化作为目标函数;
对生成器G、分类器C、真假判别器D进行迭代训练,直至满足目标函数最小化其值时,进入步骤F;
F.输出生成的指定特征信号与标签;
G.判断是否已对所有特征进行了信号生成;
若是,进入步骤H,若否返回步骤D;
H.输出带有完成标注的电磁信号数据集。
2.如权利要求1所述的一种基于生成对抗网络的电磁信号生成方法,其特征在于,所述步骤B中,根据单星单信号数据类型,对I/Q数据进行标签,标签分为3类共19种,其中,卫星相关数据包括:覆盖角度、采样频率、卫星名称、接收数据、轨道数据位置与速度;卫星对应的目标相关数据包括:目标当前位置、目标初始位置、目标当前速度、目标初始速度、目标名称;信号数据包括:衰减系数、持续时间、中心频率、时间延迟、频率延迟、初试时间、间隔时间、IQ速率、信噪比;i的取值范围为0-18;
引入掩码m将所有标签编码放在一起,记为ci代表第i个信号特征的标签,m是一个长度为n的onehot编码。
3.如权利要求1所述的一种基于生成对抗网络的电磁信号生成方法,其特征在于,所述步骤C中,生成器G由编码器网络和解码器网络组成,采用门控卷积神经网络,编码器部分包括4组卷积层、批量归一化层和线性门控单元;解码器部分包括4组,每组由转置卷积层、批量归一化层和线性门控单元组成;编码器网络以真实I/Q数据信号x作为输入,解码器网络以编码器网络的输出及标签c作为输入;
在编码器网络部分,第l个隐藏层的输出hl经过门控机制,表达式为:
hl=(Wl*hl-1+bl)⊙σ(Vl*hl-1+dl),
其中,Wl,bl,Vl和dl为要训练的生成器网络参数;
在解码器网络部分,第l隐层的输出hl为:
h′l-1=[hl-1;cl-1],
hl=(Wl*h′l-1+bl)⊙σ(Vl*h′l-1+dl),
其中,[hl;cl]表示沿通道维度hl和cl的连接,cl由输入信号的特征维度和时间维度决定;
第l层生成器的输入为h0=x,最后一层的输出为正则线性投影;
h′L-1=[hL-1;cL-1],
y=wL*h′L-1+bL。
4.如权利要求1所述的一种基于生成对抗网络的电磁信号生成方法,其特征在于,所述步骤C中,真假判别器D使用门控卷积神经网络;将信号输入真假判别器D,首先经过由四组小模块的处理,每个小模块包含卷积层、批量归一化层和线性门控单元,之后通过Sigmoid层和乘积池化层进行处理,最终输出确定输入信号真伪的判定结果。
5.如权利要求1所述的一种基于生成对抗网络的电磁信号生成方法,其特征在于,所述步骤C中,分类器C使用门控卷积神经网络;将信号输入分类器C,首先通过五组小模块,每个小模块由卷积层、批量归一化层和线性门控单元组成,之后通过softmax层和乘积池化层进行处理,最终获得信号的分类结果。
6.如权利要求1所述的一种基于生成对抗网络的电磁信号生成方法,其特征在于,所述步骤E中,对于生成器G,输入真实的I/Q数据信号x以及选定特征的标签c,输出为该特征的电磁信号y=G(x,c);
真假判别器D的输入有两种,一种为I/Q数据信号x及选定特征的标签c,另一种为生成器G产生的信号y以及选定特征的标签c,输出为概率D(y,c),D(y,c)表示当前特征领域的信号的真假概率;
分类器C的输入为生成器G产生的信号y,输出为判定的类别概率pc(c|y);
真假判别器D和生成器G的对抗性损失如下:
其中:y~p(y|c)表示针对特征c领域进行训练的生成信号,x~p(x)表示具有任意属性的真实信号;在真假判别器D正确地将v分类为假信号且将x分类为真信号时取值较小;/>在生成器G成功地欺骗真假判别器D使v被真假判别器D判定为真实信号时取值较小;
分类器C和生成器G的分类损失如下:
分类器C将y~p(y|c)和G(x,c)分类为特征c的正确率越高,和/>取值越小;
重构信号的循环一致性损失如下:
其中,x~p(x|c′)表示一个具有属性c′的真实信号,ρ是一个正值常数,的训练目标也是最小化其值;
GAN模型全部最小化目标函数如下:
其中,λcls≥0、λcyc≥0为正则化参数,用于改变分类损失和循环一致性损失相对于对抗损失的重要性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112775.1A CN117874525A (zh) | 2024-01-26 | 2024-01-26 | 一种基于生成对抗网络的电磁信号生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112775.1A CN117874525A (zh) | 2024-01-26 | 2024-01-26 | 一种基于生成对抗网络的电磁信号生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117874525A true CN117874525A (zh) | 2024-04-12 |
Family
ID=90594464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410112775.1A Pending CN117874525A (zh) | 2024-01-26 | 2024-01-26 | 一种基于生成对抗网络的电磁信号生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874525A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598530A (zh) * | 2019-07-30 | 2019-12-20 | 浙江工业大学 | 一种基于acgan的小样本无线电信号增强识别方法 |
CN114091529A (zh) * | 2021-11-12 | 2022-02-25 | 江苏科技大学 | 一种基于生成对抗网络数据增强的脑电情感识别方法 |
US20230074968A1 (en) * | 2021-08-17 | 2023-03-09 | Northrop Grumman Systems Corporation | Machine learning classification of signals and related systems, methods, and computer-readable media |
CN117115530A (zh) * | 2023-08-22 | 2023-11-24 | 中国人民解放军63891部队 | 一种多类别、多方位角的sar图像生成方法 |
-
2024
- 2024-01-26 CN CN202410112775.1A patent/CN117874525A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598530A (zh) * | 2019-07-30 | 2019-12-20 | 浙江工业大学 | 一种基于acgan的小样本无线电信号增强识别方法 |
US20230074968A1 (en) * | 2021-08-17 | 2023-03-09 | Northrop Grumman Systems Corporation | Machine learning classification of signals and related systems, methods, and computer-readable media |
CN114091529A (zh) * | 2021-11-12 | 2022-02-25 | 江苏科技大学 | 一种基于生成对抗网络数据增强的脑电情感识别方法 |
CN117115530A (zh) * | 2023-08-22 | 2023-11-24 | 中国人民解放军63891部队 | 一种多类别、多方位角的sar图像生成方法 |
Non-Patent Citations (2)
Title |
---|
HIROKAZU KAMEOKA ET AL.: "STARGAN-VC: NON-PARALLEL MANY-TO-MANY VOICE CONVERSION WITH STAR GENERATIVE ADVERSARIAL NETWORKS", ARXIV, 29 January 2018 (2018-01-29), pages 1 - 9 * |
YUNJEY CHOI ET AL.: "StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation",Yunjey Choi et al.", ARXIV, 21 September 2018 (2018-09-21), pages 1 - 15 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107529222B (zh) | 一种基于深度学习的WiFi室内定位*** | |
CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
Chen et al. | Automatic modulation classification scheme based on LSTM with random erasing and attention mechanism | |
CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
Guo et al. | Self-supervised GANs with similarity loss for remote sensing image scene classification | |
CN115238749B (zh) | 一种基于Transformer的特征融合的调制识别方法 | |
CN115830471B (zh) | 一种多尺度特征融合和对齐的域自适应云检测方法 | |
Xiong et al. | Multi-dimensional edge features graph neural network on few-shot image classification | |
CN113838107A (zh) | 一种基于稠密连接的异源图像自动配准方法 | |
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 | |
Zha et al. | LT-SEI: Long-tailed specific emitter identification based on decoupled representation learning in low-resource scenarios | |
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
Zhou | Deep embedded clustering with adversarial distribution adaptation | |
CN108153519B (zh) | 一种目标智能跟踪方法通用设计框架 | |
Tang et al. | FMNet: Latent feature-wise mapping network for cleaning up noisy micro-Doppler spectrogram | |
Hu et al. | Feature fusion convolution-aided transformer for automatic modulation recognition | |
Zhang et al. | Bidirectional parallel feature pyramid network for object detection | |
Li et al. | Few-shot fine-grained classification with rotation-invariant feature map complementary reconstruction network | |
CN117688607A (zh) | 基于隐马尔可夫模型和生成对抗网络的车辆轨迹合成方法 | |
Hou et al. | SEA-net: sequence attention network for seismic event detection and phase arrival picking | |
CN117874525A (zh) | 一种基于生成对抗网络的电磁信号生成方法 | |
CN115327544B (zh) | 基于自监督学习的少样本空间目标isar散焦补偿方法 | |
CN115712867A (zh) | 一种多分量雷达信号调制识别方法 | |
CN115115819A (zh) | 面向装配顺序监测的图像多视角语义变化检测网络及方法 | |
CN114529939A (zh) | 基于毫米波雷达点云聚类和深度学习的行人识别方法 |
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 |