一种基于生成对抗网络的深度学习信号增强方法与流程

[0001]
本发明涉及一种无线电信号增强方法。


背景技术：

[0002]
噪声是无线通信中信号最具挑战性的问题。传统的解决方法有线性方法和非线性方法。线性信号增强方法由于相对简单而被广泛应用于降噪，典型技术有最小均方。然而，实际信号具有非平稳统计特性，线性信号方法的性能有限，不能完全消除噪声。因此，非线性方法如小波变换、非线性阈值小波变换方法在过去几年一直是一个活跃的研究领域，因为它们能够同时阐明信号的光谱和时间信息或是将信号按频率范围分割成不同的尺度分量，滤除噪声和干扰。但在某些情况下，例如在信号的不连续点，信号增强后会出现吉布斯现象。而且，如果阈值选择不正确，信号增强效果较差，对噪声波动的适应性较弱。
[0003]
由于以上原因，无线通信领域的研究者也将深度学习应用到信号增强任务中，并取得了显著的效果。例如研究发现深度神经网络除了频率选择性外，还可以学习和分析无线信道的噪声和干扰特性。这说明了在无线信道复杂、噪声严重的情况下，深度学习方法具有一定的优势。
[0004]
申请号为200480024164.2的专利所公开的技术方案，该方案利用生成对抗网络进行信号重构，但只利用生成器把随机噪声变成了一个和真实信号相似的信号，并无法实现信号增强的功能。本发明提出了一个基于gan的信号增强网络来实现信号增强的方法，其与其他信号增强方法的不同点在于其他信号增强方法是先提取信号的噪声分布，然后再从原始信号中消除噪声，而本发明的gan增强方法则是以一种敌对的方式学习信号的特性，省去了先提取噪声再消除的环节，并且在原有信号重构的基础上能够保留除噪声外的有效信号特征，实现了信号增强。本发明是一种能够自适应学习信号特性，实现时变系统信号增强的鲁棒方法。


技术实现要素：

[0005]
本发明要克服现有技术的上述缺点，提供一种基于生成对抗网络的深度学习信号增强方法。
[0006]
本发明的目的在于提供一种基于gan的信号增强方法，该方法不需要对原始数据进行复杂的预处理操作，可以自适应提取信号的时序和“空间”特征，实现端到端的信号增强，并能有效提高低信噪比信号的信噪比，更能通过重构星座图直观得出增强效果。且通过测试，去噪信号的信噪比能提升7db。
[0007]
表1本发明信噪比提升对比
[0008]
测试集个数噪声信号信噪比去噪信号信噪比9000个10db17.82db3600个0db7.93db
[0009]
本发明解决其技术问题所采用的技术方案是：
[0010]
一种基于生成对抗网络的深度学习信号增强方法，含有以下步骤：
[0011]
s1：从公开数据集中，提取高信噪比信号作为目标信号，再在这些信号数据中添加定量的高斯噪声，得到对应的低信噪比的噪声信号数据，并对应组成数据对；
[0012]
s2：分别定义生成器与判别器的模型结构，并采用virtual batch norm算法对输入判别器中的数据进行归一化操作，构建生成对抗网络模型；
[0013]
s3：分别定义生成对抗网络的生成器与判别器的损失函数，将数据对作为判别器的输入，数据对中的噪声数据作为生成器的输入，通过对抗训练，最小化生成数据与目标数据分布之间的差异，从而获得实现信号增强的生成器；
[0014]
s4：提取训练好的生成器，输入噪声信号，输出去噪信号，评估方法为计算去噪信号的信噪比、重构星座图。
[0015]
本发明的技术构思：一种融合深度卷积神经网络和生成对抗网络的深度学习信号增强方法，本发明整个模型框架的训练是端到端的，生成器中输入一维逆卷积网络的数据是结合随机噪声和一维卷积网络对应层输出数据的带有有效特征的数据，提升了生成器的增强能力。通过制作数据对，利用额外增加的输入判别器中的噪声数据，提供了噪声信号中有效数据的特征，再通过判别器和生成器之间的对抗，让生成器生成的去噪信号能够保留有些数据特征、去除其余噪声特征，从而达到增强效果。另外，本发明可以设置不同的训练参数，例如不同的学习率和不同的权重衰减，实验结果证实了本方法的可行性和有效性。
[0016]
本发明的有益效果：
[0017]
1)使用深度卷积网络自动提取无线电信号的特征，充分利用了深度学习自我学习特征的优势，免去了提取噪声的过程，避免了噪声提取不完全的弊端，大大降低了复杂度，简化了流程，节约了时间；
[0018]
2)在生成器中使用了6层相对应的卷积网络结构，确保了数据结构一致，且输入一维逆卷积网络的数据是结合随机噪声和一维卷积网络对应层输出数据的带有有效特征的数据，提升了生成器的增强能力。并且在判别器中使用了数据对作为输入，提供了噪声信号中有效数据的特征，提升了判别器的辨别能力；
[0019]
3)本发明实现的增强效果在重构星座图对比图中十分明显，而且对于低信噪比的噪声数据的信噪比提升显著。同时，可以通过调整训练集，实现对不同低信噪比数据进行去噪，而且即使是训练集中不包含的更低信噪比的0db噪声数据，也能有效被增强。
附图说明
[0020]
图1是实现本发明方法的系统的整体结构示意图。
[0021]
图2是本发明的生成器网络模型结构图。
[0022]
图3是本发明的判别器网络模型结构图。
[0023]
图4是本发明的重构星座图对比图。
具体实施方式
[0024]
下面结合说明书附图对本发明的具体实施方式作进一步详细描述。
[0025]
参照图1～图4，一种基于生成对抗网络的深度学习信号增强方法，包括以下步骤：
[0026]
(1)构建实验所需数据集：
[0027]
步骤11：采用公开数据集rml2016.10a，提取其中信噪比为18db，调制类型为8psk、bpsk、cpfsk、gfsk、pam4、qam16、qam64、qpsk、wbfm的数据作为目标信号，共9000个数据，作为提供给生成对抗网络中的判别器的判别为真实信号数据对中的主要成分。
[0028]
步骤12：在提取的目标信号数据中添加定量的高斯噪声，得到对应的低信噪比的噪声信号数据。输入目标信号数据和预期添加高斯噪声得到后的得到的低信噪比大小(snr)，通过以下公式计算即可获得对应的低信噪比的噪声信号数据。
[0029][0030][0031][0032][0033]
n
signal
＝a
noise
+a
signal
ꢀꢀꢀꢀ
(5)
[0034]
a
noise
为标准化噪声，r
noise
为随机噪声，a
signal
为18db信号幅值，p
signal
为信号频率，n为信号长度，v
noise
为噪声方差，σ
noise
为噪声标准差，n
signal
为噪声信号。
[0035]
步骤13：通过步骤2获得低信噪比的15db、14db、13db、12db、11db、10db、9db、8db、3db的噪声数据，利用enumerate枚举函数以及zip函数，将目标信号数据分别与对应的噪声信号数据组成数据对，得到实验所需的数据集。实验最终制作的数据集中包括了81000组数据对，数据结构为(none，4，128)。
[0036]
(2)构建生成对抗网络模型：
[0037]
步骤21：定义生成器模型，l为信号长度，k为通道数。前半部分网络使用了6层一维卷积神经网络，卷积核大小为3，步长为2，填充为1，并在每层之后使用带参数的激活函数。最终将输入数据结构由(none，2，128)变为(none，128，2)。后半部分网络使用了6层一维逆卷积神经网络，卷积核大小为4，步长为2，填充为1，并在每层之后使用带参数的激活函数；每层输入都为随机噪声(或上一层逆卷积输出数据)和前半部分网络对应层输出数据的结合体。最终生成器输出的数据结构仍然为(none，2，128)。
[0038]
步骤22：定义判别器模型，采用了6层卷积核大小为3，步长为2，填充为1的一维卷积神经网络，并在每层后使用了一维的virtual batchnorm以及leaky relu激活函数，且在第3层卷积层后加入了dropout层。后又接有1层卷积核大小为1，步长为1的一维卷积神经网络、1个线性层、一个sigmoid层。最终将数据结构由输入的(none，4，128)变为输出的标量。
[0039]
(3)训练生成对抗网络：
[0040]
分别定义生成对抗网络的生成器与判别器的损失函数：判别器主要采用最小平方误差，它是把判别器输出值(f(x
i
))与目标值(1/0)的差值的平方和最小化。
[0041]
输入为目标信号和噪声信号的数据对时，目标值1为真，损失函数为：
[0042]
[0043]
输入为去噪信号和噪声信号的数据对时，目标值0为假，损失函数为：
[0044][0045]
生成器结合最小平方误差和最小绝对值偏差作为损失函数，其中最小绝对值偏差是把生成器生成的去噪信号数据(g(x
i
′
))与目标信号数据(s(x
i
))的绝对差值的总和最小化。
[0046]
生成器的损失函数结合采用以上两种损失函数为：
[0047][0048]
定义模型优化器，将相应的数据对输入到判别器中，让判别器判别目标信号和噪声信号的数据对为真，判别去噪信号和噪声信号的数据对为假。再将噪声信号数据输入到生成器，生成新的去噪信号。再将新的去噪信号和噪声信号的数据对输入到判别器并期望判别为真，使得去噪信号与目标信号的数据越来越像。最终，判别器对于数据对的真假判别概率都相同时，训练完成。
[0049]
(4)去噪信号保存以及评估：
[0050]
将训练好的生成器单独提取出，输入噪声信号，输出去噪信号；评估方法为计算去噪信号的信噪比以及重构星座图：将去噪信号减去目标信号，获得噪声值，同时把目标信号作为信号值，利用公式，得到去噪信号的信噪比；同时通过重构星座图，直观得到去噪信号和噪声信号之间的差异。
[0051]
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。