JP7362168B2 - Time-varying underwater acoustic channel simulation method based on conditional generative adversarial network - Google Patents
Time-varying underwater acoustic channel simulation method based on conditional generative adversarial network Download PDFInfo
- Publication number
- JP7362168B2 JP7362168B2 JP2022538476A JP2022538476A JP7362168B2 JP 7362168 B2 JP7362168 B2 JP 7362168B2 JP 2022538476 A JP2022538476 A JP 2022538476A JP 2022538476 A JP2022538476 A JP 2022538476A JP 7362168 B2 JP7362168 B2 JP 7362168B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- underwater acoustic
- generative
- time
- conditional
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Description
本発明は、水中音響通信技術の分野、具体的には、条件付き敵対的生成ネットワーク（ＣＧＡＮ、Ｃｏｎｄｉｔｉｏｎａｌ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｓ）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に関するものである。 The present invention relates to the field of underwater acoustic communication technology, and specifically to a method for simulating time-varying underwater acoustic channels based on Conditional Generative Adversarial Nets (CGAN).
電磁波は水中で減衰が激しく、伝搬距離が限られているため、音波をキャリアとする水中音響通信技術は、軍事面でも民生面でも重要な役割を果たしている。水中音響チャネルは、陸上無線チャンネルと異なり、ドップラー周波数シフトが大きく、マルチパス効果が強く、チャンネル帯域幅が制限され、深刻な環境ノイズが発生するなどの特徴がある。これらの空間差や時間変動効果は、水中機器による信号の受信や検出精度に影響を与え、高速で安定な水中情報伝送の実現に大きな挑戦を提起した。 Because electromagnetic waves are severely attenuated underwater and their propagation distance is limited, underwater acoustic communication technology that uses sound waves as carriers plays an important role in both military and civilian fields. Underwater acoustic channels differ from terrestrial radio channels in that they have large Doppler frequency shifts, strong multipath effects, limited channel bandwidth, and severe environmental noise. These spatial differences and temporal variation effects affect signal reception and detection accuracy by underwater equipment, posing a major challenge to realizing high-speed and stable underwater information transmission.
現在、国内外では、水中音響チャネルのモデリングとシミュレーションにおいて、Ｂｅｌｌｈｏｐ光線モデルとＫｒａｋｅｎノーマルモードモデルは、水中音響チャネルのインパルス応答と対応する受信信号をシミュレートするために一般的に使用されている。英国ヨーク大学は、時変チャネルモデルのベースバンド等価表現を補足し、サンプリングレートを下げ、シミュレーション時間を節約するＷａｙｍａｒｋ水中伝搬モデルを提案した。近年、深層学習技術とビッグデータ処理の発展により、従来の水中音響信号処理技術のボトルネックを打破するための新しいアイデアが提供されている。 At present, in the modeling and simulation of underwater acoustic channels at home and abroad, the Bellhop ray model and Kraken normal mode model are commonly used to simulate the impulse response of the underwater acoustic channel and the corresponding received signal. The University of York, UK, proposed a Waymark underwater propagation model that supplements the baseband equivalent representation of time-varying channel models, reduces sampling rates, and saves simulation time. In recent years, the development of deep learning technology and big data processing has provided new ideas to break the bottlenecks of traditional underwater acoustic signal processing technology.
本発明の目的は、深層学習を利用して、水中音響チャネルのミュレーション方法を構築・設計することである。実測サンプルにより、水中音響チャネルをよりリアルに復元するとともに、より多くのテストデータを生成することができ、テストコストを大幅に削減し、チャネルシミュレーションの精度を効果的に向上させる。 The purpose of the present invention is to utilize deep learning to construct and design a simulation method for underwater acoustic channels. The actual measurement sample can restore the underwater acoustic channel more realistically, and generate more test data, which can greatly reduce the test cost and effectively improve the accuracy of channel simulation.
以下のステップを含む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である。 A time-varying underwater acoustic channel simulation method based on a conditional generative adversarial network includes the following steps.
ステップ１：渤海で実測された水中音響チャネル応答に基づいて十分な量の通信データセットを確立し、データ前処理を実行し、トレーニングセットとテストセットをランダムに分割する。 Step 1: Establish a sufficient amount of communication data set based on the underwater acoustic channel response actually measured in the Bohai Sea, perform data preprocessing, and randomly split the training set and test set.
ステップ２：生成モデルＧ、識別モデルＤ、及び追加条件情報を含む条件付き敵対的生成ネットワークＣＧＡＮモデルを構築する。 Step 2: Build a conditional generative adversarial network CGAN model including the generative model G, the discriminative model D, and additional condition information.
ステップ３：ネットワークパラメータを設定し、トレーニングセットデータを導入するとともに、生成モデルＧと識別モデルＤをトレーニングする。 Step 3: Set network parameters, introduce training set data, and train the generative model G and the discriminative model D.
ステップ４：テストセットデータをジェネレータネットワークに入力し、ジェネレータ出力とテストセットのコンスタレーション図を比較し、水中音響チャネルをシミュレートするＣＧＡＮの効果を検証する。 Step 4: Input the test set data into the generator network, compare the generator output and the constellation diagram of the test set, and verify the effectiveness of CGAN in simulating the underwater acoustic channel.
さらに、前記ステップ１におけるデータセットの作成としては、ＦＢＭＣシステムの送信側で４ＱＡＭによって変調され、ノイズが重畳された送信信号は、渤海で実測された水中音響チャネルを経由し、受信側でＺＦを用いて、受信信号のコンスタレーション図を等化・復元して、１つのデータセットとして記録され、上記の手順を繰り返して十分な量の通信データセットを生成する。 Furthermore, to create the data set in step 1, the transmission signal is modulated by 4QAM on the transmitting side of the FBMC system and on which noise is superimposed. is used to equalize and restore the constellation diagram of the received signal and recorded as one data set, and the above procedure is repeated to generate a sufficient amount of communication data sets.
さらに、前記ステップ１におけるデータ前処理としては、データの実数部と虚数部をそれぞれ抽出し、ＣＧＡＮジェネレータの出力層テンソルに従ってそれらを再配置する。 Furthermore, as data preprocessing in step 1, the real part and imaginary part of the data are respectively extracted and rearranged according to the output layer tensor of the CGAN generator.
さらに、前記ステップ２では、生成モデルＧは反復学習によって実際の分布にますます近づく偽のサンプルを生成し、生成された偽のサンプルは、識別のために実際のサンプルと一緒に識別モデルＤに送信され、識別モデルＤは実際のサンプルと偽のサンプルを区別する。 Furthermore, in step 2, the generative model G generates false samples that increasingly approximate the actual distribution through iterative learning, and the generated false samples are sent to the discriminative model D together with the real samples for identification. transmitted, the discriminative model D distinguishes between real and fake samples.
さらに、ＣＧＡＮモデルでは、元の送信信号と受信パイロット信号は、入力層の一部として、生成モデルＧと識別モデルＤの両方の条件として追加される。 Furthermore, in the CGAN model, the original transmitted signal and received pilot signal are added as conditions for both the generative model G and the discriminative model D as part of the input layer.
さらに、前記ステップ３では、生成モデルＧと識別モデルＤを同時にトレーニングする方式としては、識別モデルＤを固定し、
が最小となるように生成モデルＧをトレーニングし、生成モデルＧを固定し、
が最大となるように識別モデルＤをトレーニングし、上記の最適化プロセスはミニマックスゲーム問題と見なされ、次のように表される。
Furthermore, in step 3, the method of training the generative model G and the discriminative model D at the same time is to fix the discriminative model D;
Train the generative model G so that G is the minimum, fix the generative model G,
The above optimization process is regarded as a minimax game problem and is expressed as follows.
ＣＧＡＮの最適化関数は、同様に条件付き確率
のゲームとして表される。
The optimization function of CGAN similarly uses the conditional probability
It is expressed as a game.
さらに、前記ステップ３では、生成モデルＧをトレーニングする時の入力は、ランダムノイズベクトルであり、出力は４ＱＡＭ受信コンスタレーション図を前処理した後再配置されたデータであり、識別モデルＤをトレーニングする時、生成モデルＧの出力は偽のサンプルとして保存され、識別のために実際のトレーニングサンプルと一緒に識別モデルＤに入力される。生成された偽のサンプルは０として、実際のサンプルは１として表記され、識別モデルＤの出力層はＳｉｇｍｏｉｄ活性化関数を採用し、出力値が高いほど、そのサンプルが実際のサンプルセットに属する可能性が高く、その逆も同様である。 Further, in step 3, the input for training the generative model G is a random noise vector, the output is data rearranged after preprocessing the 4QAM reception constellation diagram, and the discriminative model D is trained. At this time, the output of the generative model G is stored as a fake sample and input into the discriminative model D together with the real training samples for identification. The generated fake samples are expressed as 0, and the real samples are expressed as 1. The output layer of the discriminative model D adopts a Sigmoid activation function, and the higher the output value, the more likely the sample belongs to the real sample set. and vice versa.
さらに、前記ステップ３におけるトレーニングプロセスでは、ＫＬダイバージェンスを用いて、生成されたサンプルと実際のサンプルの間の確率分布の類似性を測定する。
ここで、
は実際のサンプルの確率分布であり、
は生成されたサンプルの確率分布である。
Furthermore, the training process in step 3 uses KL divergence to measure the similarity of probability distributions between the generated samples and the actual samples.
here,
is the probability distribution of the actual sample,
is the probability distribution of the generated samples.
さらに、前記ステップ４では、ＣＧＡＮモデルのテストとして、等長ノイズベクトルと追加条件としての元の送信信号及び受信パイロット信号を生成モデルＧに入力し、出力結果をデータ再編成することにより、生成されるコンスタレーション図となり、その際トレーニング済みの生成モデルＧは、時変水中音響チャネルをシミュレートする機能を備える。生成されたコンスタレーション図と受信信号の実際のコンスタレーション図を比較して、実際の水中音響環境をシミュレートする現在のモデルの効果を測定する。 Furthermore, in step 4, as a test of the CGAN model, the equal-length noise vector and the original transmitted signal and received pilot signal as additional conditions are input to the generation model G, and the output result is data-reorganized. constellation diagram, where the trained generative model G has the ability to simulate a time-varying underwater acoustic channel. Compare the generated constellation diagram with the actual constellation diagram of the received signal to measure the effectiveness of the current model in simulating the real underwater acoustic environment.
本発明は、以下の有益な効果を有する。本発明は、半教師ありモデルにおける生成敵対的ネットワークに基づいて、水中音響チャネル応答をシミュレートし、少量のサンプルデータの拡張を効果的に実現し、長時間のフィールドテストデータ収集を必要とせず、機器の損失を低減し、コストを大幅に節約する。それと同時に、元の送信信号と受信パイロット信号を追加条件として、実際に水中音響チャネルの時変特性をシミュレートする。固定された理論モデルはなく、実際のデータサンプルに基づいてネットワークの重みを更新し、実際の水中音響チャネル環境に適応的にフィットする。 The present invention has the following beneficial effects. The present invention simulates the underwater acoustic channel response based on a generative adversarial network in a semi-supervised model, effectively realizing the expansion of a small amount of sample data, and without requiring long field test data collection. , reducing equipment losses and significantly saving costs. At the same time, the time-varying characteristics of the underwater acoustic channel are actually simulated using the original transmitted signal and received pilot signal as additional conditions. There is no fixed theoretical model, and the network weights are updated based on real data samples to adaptively fit the real underwater acoustic channel environment.
以下、本発明の技術的手段について、明細書の図面を参照してさらに詳細に説明する。 Hereinafter, the technical means of the present invention will be explained in more detail with reference to the drawings of the specification.
図１に示すように、本発明は、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を提供する。具体的なステップ及び詳細は以下のとおりである。 As shown in FIG. 1, the present invention provides a simulation method for time-varying underwater acoustic channels based on conditional generative adversarial networks. The specific steps and details are as follows.
ステップ１：渤海で実測された水中音響チャネル応答に基づいて十分な量の通信データセットを確立し、データ前処理を実行し、トレーニングセットとテストセットをランダムに分割する。データセットの作成としては、具体的に、ＦＢＭＣシステムの送信側で、バイナリビットシーケンスｓは４ＱＡＭによって変調された後、ノイズが重畳され、渤海で実測された水中音響チャネルｈを経由し、受信側でＺＦアルゴリズムを用いて、受信信号のコンスタレーション図を等化・復元して、１つのデータセットとして記録される。ＣＧＡＮは複素数データを直接処理できないため、実数部と虚数部を別々に抽出し、ＣＧＡＮジェネレータの出力層テンソルに従ってそれらを再配置する必要があり、上記の手順を繰り返して十分な量の通信データセットを生成する。 Step 1: Establish a sufficient amount of communication data set based on the underwater acoustic channel response actually measured in the Bohai Sea, perform data preprocessing, and randomly split the training set and test set. To create the data set, specifically, on the transmitting side of the FBMC system, the binary bit sequence s is modulated by 4QAM, noise is superimposed, and the signal is passed through the underwater acoustic channel h actually measured in the Bohai Sea, and then sent to the receiving side. The constellation diagram of the received signal is equalized and restored using the ZF algorithm and recorded as one data set. Since CGAN cannot directly process complex data, it is necessary to extract the real and imaginary parts separately and rearrange them according to the output layer tensor of the CGAN generator, and repeat the above steps to create a sufficient amount of communication data set. generate.
ステップ２：生成モデル（Ｇ）、識別モデル（Ｄ）、及び追加条件情報を含むＣＧＡＮモデルを構築する。図２に示すように、構築されたネットワーク構造には、二つの敵対的モデルが含まれる。生成モデル（Ｇ）は、反復学習によって実際の分布にますます近づく偽のサンプルを生成することを目的とし、その入力は、事前分布
に従うノイズベクトルｚである。生成された偽のサンプル
は、識別のために目標分布
における実際のサンプルと一緒に識別モデル（Ｄ）に送信される。識別モデル（Ｄ）は、ステップ１で記録された実際のサンプルと生成された偽のサンプルを区別することを目的としている。ＣＧＡＮは、元のＧＡＮの拡張であり、元の送信信号
と受信パイロット信号
は、入力層の一部として、生成モデル（Ｇ）と識別モデル（Ｄ）の両方の条件として追加される。
Step 2: Build a CGAN model including a generative model (G), a discriminative model (D), and additional condition information. As shown in Figure 2, the constructed network structure includes two adversarial models. The purpose of the generative model (G) is to generate fake samples that increasingly approximate the actual distribution through iterative learning, and its input is the prior distribution
is the noise vector z according to . Generated fake sample
is the target distribution for identification
is sent to the discriminative model (D) together with the actual samples in . The discriminative model (D) aims to distinguish between the real samples recorded in step 1 and the generated fake samples. CGAN is an extension of the original GAN and the original transmitted signal
and receive pilot signal
is added as a condition to both the generative model (G) and the discriminative model (D) as part of the input layer.
ステップ３：ネットワークパラメータを設定し、トレーニングセットデータを導入するとともに、生成モデル（Ｇ）と識別モデル（Ｄ）をトレーニングする。
識別モデル（Ｄ）を固定し、
が最小となるように生成モデル（Ｇ）をトレーニングする。
生成モデル（Ｇ）を固定し、
が最大となるように識別モデル（Ｄ）をトレーニングする。上記の最適化プロセスはミニマックスゲーム問題と見なされ、次のように表される。
Step 3: Set network parameters, introduce training set data, and train the generative model (G) and discriminative model (D).
Fix the identification model (D),
The generative model (G) is trained so that .
Fix the generative model (G),
The discriminative model (D) is trained so that . The above optimization process is considered as a minimax game problem and can be expressed as:
ＣＧＡＮの最適化関数は、同様に条件付き確率
のゲームとして表される。
The optimization function of CGAN similarly uses the conditional probability
It is expressed as a game.
生成モデル（Ｇ）をトレーニングする時の入力は、ランダムノイズベクトルであり、出力は４ＱＡＭ受信コンスタレーション図を前処理した後再配置されたデータである。識別モデル（Ｄ）をトレーニングする時、生成モデル（Ｇ）の出力は、偽のサンプルとして保存され、識別のために実際のトレーニングサンプルと一緒に識別モデル（Ｄ）に入力される。生成された偽のサンプルは０として、実際のサンプルは１として表記され、識別モデル（Ｄ）の出力層はＳｉｇｍｏｉｄ活性化関数を採用し、出力値が高いほど、そのサンプルが実際のサンプルセットに属する可能性が高く、その逆も同様である。 The input when training the generative model (G) is a random noise vector, and the output is data rearranged after preprocessing the 4QAM reception constellation diagram. When training the discriminative model (D), the output of the generative model (G) is stored as fake samples and input into the discriminative model (D) together with the real training samples for discrimination. The generated fake samples are expressed as 0, and the real samples are expressed as 1. The output layer of the discriminative model (D) adopts a Sigmoid activation function, and the higher the output value, the more the sample is added to the real sample set. likely to belong and vice versa.
トレーニングプロセスでは、ＫＬ（Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ Ｄｉｖｅｒｇｅｎｃｅ）ダイバージェンスを用いて、生成されたサンプルと実際のサンプルの間の確率分布の類似性を測定する。
ここで、
は実際のサンプルの確率分布であり、
は生成されたサンプルの確率分布である。
と
の類似性が高いほど、ＫＬダイバージェンスは小さくなる。
In the training process, Kullback-Leibler Divergence (KL) is used to measure the similarity of probability distributions between generated samples and real samples.
here,
is the probability distribution of the actual sample,
is the probability distribution of the generated samples.
and
The higher the similarity, the smaller the KL divergence.
ステップ４：テストセットデータをジェネレータネットワークに入力し、ジェネレータ出力とテストセットのコンスタレーション図を比較し、水中音響チャネルをシミュレートするＣＧＡＮの効果を検証する。具体的には、等長ノイズベクトルと追加条件としての元の送信信号及び受信パイロット信号を生成モデル（Ｇ）に入力し、出力結果をデータ再編成することにより、生成されるコンスタレーション図となり、その際トレーニング済みの生成モデル（Ｇ）は、時変水中音響チャネルをシミュレートする機能を備える。生成されたコンスタレーション図と受信信号の実際のコンスタレーション図を比較して、実際の水中音響環境をシミュレートする現在のモデルの効果を測定する。 Step 4: Input the test set data into the generator network, compare the generator output and the constellation diagram of the test set, and verify the effectiveness of CGAN in simulating the underwater acoustic channel. Specifically, by inputting the equal-length noise vector and the original transmitted signal and received pilot signal as additional conditions into the generation model (G), and rearranging the data of the output result, a constellation diagram is generated. The trained generative model (G) then has the ability to simulate a time-varying underwater acoustic channel. Compare the generated constellation diagram with the actual constellation diagram of the received signal to measure the effectiveness of the current model in simulating the real underwater acoustic environment.
図３は、通信データサンプルセットの作成に使用される渤海海域で実測されたチャネルのインパルス応答である。試験船は約５ｋｍ離れており、試験場の水深は約５０ｍ、送信トランスデューサーの吊り下げ深さは約１５ｍ、受信ハイドロホンの吊り下げ深さは約１５ｍである。実験中、送信船と受信船の両方が自由浮遊状態である。 Figure 3 shows the impulse response of a channel actually measured in the Bohai area used to create the communication data sample set. The test vessel is approximately 5 km away, the water depth of the test site is approximately 50 m, the hanging depth of the transmitting transducer is approximately 15 m, and the hanging depth of the receiving hydrophone is approximately 15 m. During the experiment, both the sending and receiving ships are free-floating.
図４は、受信端でＺＦアルゴリズムによって等化・復元された４ＱＡＭコンスタレーション図の例である。ステップ３でＣＧＡＮをトレーニングするために使用される。 FIG. 4 is an example of a 4QAM constellation diagram equalized and restored by the ZF algorithm at the receiving end. Used to train the CGAN in step 3.
上記の説明は、本発明の好ましい実施形態にすぎず、本発明の保護範囲は、上記の実施形態に限定されず、本発明に開示される内容に基づいて当業者によって行われる同等の修正または変更は、いずれも特許請求の範囲に記載される保護範囲内に含まれるべきである。 The above description is only the preferred embodiments of the present invention, and the protection scope of the present invention is not limited to the above embodiments, and the equivalent modifications or equivalent modifications made by a person skilled in the art based on the contents disclosed in the present invention or All modifications should be included within the scope of protection stated in the claims.
Claims (9)
生成モデルＧ、識別モデルＤ、及び追加条件情報を含む条件付き敵対的生成ネットワークＣＧＡＮモデルを構築する、ステップ２と、
ネットワークパラメータを設定し、トレーニングセットデータを導入するとともに、生成モデルＧと識別モデルＤをトレーニングする、ステップ３と、
テストセットデータをジェネレータネットワークに入力し、ジェネレータ出力とテストセットのコンスタレーション図を比較し、水中音響チャネルをシミュレートするＣＧＡＮの効果を検証する、ステップ４と、
を含むことを特徴とする、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。 Step 1: establishing a sufficient amount of communication data set based on underwater acoustic channel responses actually measured in the Bohai Sea, performing data pre-processing, and randomly dividing a training set and a test set;
Step 2 of constructing a conditional generative adversarial network CGAN model including the generative model G, the discriminative model D, and additional condition information;
Step 3 of setting network parameters, introducing training set data, and training the generative model G and the discriminative model D;
Step 4: inputting the test set data into the generator network and comparing the generator output with the test set constellation diagram to verify the effectiveness of the CGAN in simulating the underwater acoustic channel;
A simulation method for a time-varying underwater acoustic channel based on a conditional generative adversarial network, comprising:
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110672889.8A CN113541835B (en) | 2021-06-17 | 2021-06-17 | Time-varying underwater acoustic channel simulation method for generating countermeasure network based on conditions |
| CN202110672889.8 | 2021-06-17 | ||
| PCT/CN2021/127831 WO2022262173A1 (en) | 2021-06-17 | 2021-11-01 | Time-varying underwater acoustic channel simulation method based on conditional generative adversarial network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023534325A JP2023534325A (en) | 2023-08-09 |
| JP7362168B2 true JP7362168B2 (en) | 2023-10-17 |
Family
ID=78125094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022538476A Active JP7362168B2 (en) | 2021-06-17 | 2021-11-01 | Time-varying underwater acoustic channel simulation method based on conditional generative adversarial network |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7362168B2 (en) |
| CN (1) | CN113541835B (en) |
| WO (1) | WO2022262173A1 (en) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821229B (en) * | 2022-04-14 | 2023-07-28 | 江苏集萃清联智控科技有限公司 | Underwater acoustic data set augmentation method and system based on condition generation countermeasure network |
| CN114866158B (en) * | 2022-07-07 | 2022-11-01 | 中国海洋大学三亚海洋研究院 | Channel modeling and simulating method for underwater laser digital communication system |
| CN115208494B (en) * | 2022-07-25 | 2023-09-22 | 中国人民解放军国防科技大学 | Channel switching strategy learning method based on condition generation countermeasure network |
| CN116319196B (en) * | 2023-05-24 | 2023-08-04 | 南京邮电大学 | SRGAN-based channel estimation method in THz-MIMO system |
| CN116403590B (en) * | 2023-06-08 | 2023-08-18 | 青岛科技大学 | Bionic signal processing method based on wavelet transformation and generation countermeasure network |
| CN116824146B (en) * | 2023-07-05 | 2024-06-07 | 深圳技术大学 | Small sample CT image segmentation method, system, terminal and storage medium |
| CN116996148B (en) * | 2023-07-17 | 2024-06-04 | 哈尔滨工程大学 | Polar environment underwater acoustic channel modeling method and device based on generation countermeasure network |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110289927A (en) | 2019-07-01 | 2019-09-27 | 上海大学 | The channel simulation implementation method of confrontation network is generated based on condition |
Family Cites Families (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 |
| CN110995382A (en) * | 2019-11-29 | 2020-04-10 | 中国科学院微电子研究所 | Interference avoidance communication model based on meta-learning and training method thereof |
| CN112215054B (en) * | 2020-07-27 | 2022-06-28 | 西北工业大学 | Depth generation countermeasure method for denoising underwater sound signal |
| CN112821926A (en) * | 2021-01-18 | 2021-05-18 | 重庆邮电大学 | Depth signal detection method based on model driving |
-
2021
- 2021-06-17 CN CN202110672889.8A patent/CN113541835B/en active Active
- 2021-11-01 WO PCT/CN2021/127831 patent/WO2022262173A1/en active Application Filing
- 2021-11-01 JP JP2022538476A patent/JP7362168B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110289927A (en) | 2019-07-01 | 2019-09-27 | 上海大学 | The channel simulation implementation method of confrontation network is generated based on condition |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023534325A (en) | 2023-08-09 |
| CN113541835A (en) | 2021-10-22 |
| CN113541835B (en) | 2022-05-20 |
| WO2022262173A1 (en) | 2022-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7362168B2 (en) | Time-varying underwater acoustic channel simulation method based on conditional generative adversarial network | |
| US11581967B2 (en) | Wireless channel scenario identification method and system | |
| Liu et al. | Adversarial attack on DL-based massive MIMO CSI feedback | |
| ElMoslimany et al. | An underwater acoustic communication scheme exploiting biological sounds | |
| CN109995449A (en) | A kind of millimeter-wave signal detection method based on deep learning | |
| CN109039506A (en) | A kind of underwater mobile channel emulation mode | |
| CN112949846B (en) | Method for constructing generated deception jamming signal suitable for direct sequence spread spectrum system | |
| Yao et al. | Modulation identification of underwater acoustic communications signals based on generative adversarial networks | |
| CN112466320A (en) | Underwater acoustic signal noise reduction method based on generation countermeasure network | |
| Wang et al. | IAFNet: Few-shot learning for modulation recognition in underwater impulsive noise | |
| Jiang et al. | Joint compressed sensing and enhanced whale optimization algorithm for pilot allocation in underwater acoustic OFDM systems | |
| CN112285666A (en) | Radar interference suppression method based on deep U-inclusion network | |
| Wolff et al. | Acoustic underwater channel and network simulator | |
| Zhang et al. | Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection | |
| Seyedsalehi et al. | Propagation channel modeling by deep learning techniques | |
| Zou et al. | Generative adversarial network for wireless communication: Principle, application, and trends | |
| Xu et al. | Blind modulation recognition of UWA signals with semi-supervised learning | |
| CN107635181A (en) | A kind of multiple access based on channel study perceives the feedback optimized method in source | |
| CN116996147A (en) | Underwater sound communication self-adaptive modulation method and device based on deep reinforcement learning | |
| Jia et al. | The study on time-variant characteristics of under water acoustic channels | |
| CN116232478A (en) | Underwater non-fixed node communication method based on deep learning and deep migration learning | |
| CN114070688A (en) | Multi-standard underwater acoustic communication signal modulation identification method and system | |
| Wang et al. | Modulation recognition method for underwater acoustic communication signal based on relation network under small sample set | |
| CN113037409B (en) | Large-scale MIMO system signal detection method based on deep learning | |
| CN113037411B (en) | Multi-user signal detection method and device based on deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220621 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230822 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230824 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230926 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230927 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7362168 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |