一种基于生成对抗网络的信号重构方法与流程

技术特征：

1.一种基于生成对抗网络的信号重构方法，其特征在于：采用生成对抗网络实现信号重构，通过搭建多层神经网络的生成器生成信号数据，和多层神经网络的判别器，判断生成数据是否与真实数据相似，在两者的交叉训练下，生成器的网络参数不断优化，最终生成器能够生成与原信号相似度高的信号，实现无线电信号的有效重构。

2.如权利要求1中所述的基于生成对抗网络的信号重构方法，其特征在于，真实信号的数据是对原信号进行采样离散化后，得到的一维实向量：

X＝{x1,...,xm}；

式中：xi表示数据集第中i个信号，表示信号的第1,...,n维的信号电平值，X表示训练集，m表示训练集中样本数据的数目，n表示信号的维度；该数据是对原始信号进行采样后得到的离散数据，采样定理符合奈奎斯特定律。

3.如权利要求1中所述的基于生成对抗网络的信号重构方法，其特征在于，生成信号的好坏是通过与真实数据的相似度来衡量的，生成数据与真实数据的相似度越高，表明生成数据的质量越好，反之生成数据的质量越差；生成数据集与真实数据集的相似度采用如下指标衡量：

式中：Z表示生成数据的集合，X表示真实数据的集合，Zi和Xj分别表示生成数据和真实数据中的单个数据样本，两个数据集的相似度衡量。

4.如权利要求1中所述的基于生成对抗网络的信号重构方法，其特征在于，真实信号数据和生成信号数据都需要输入到判别器中，通过判别器判断输入的信号数据是否是真实数据，损失函数包括由真实数据计算的损失和生成数据计算的损失，式中第一项表示真实数据和生成数据的评价值之差，通过最小化该值可以使得判别器能够准确分辨真实数据和生成数据，式中第二项表示损失函数在抽样样本上的梯度惩罚，通过最小化该值可以将判别器约束损失函数在样本空间上的梯度：

抽样数据，首先从生成数据和真实数据中各抽取一个信号组成一对数据新构成的数据在这两个数据分布空间的连线上。

5.如权利要求4中所述的基于生成对抗网络的信号重构方法，其特征在于，判别器的架构是通过神经网络搭建构成的，神经网络架构由5层全连接神经网络构成，输入为信号数据，输出为一维的评价值。

6.如权利要求1所述的基于生成对抗网络的信号重构方法，其特征在于，生成数据由生成器生成，生成器的输入为一定维度的随机高斯噪声，经过神经网络层的一层层映射之后，输出生成信号数据，其损失函数如下式所示，通过最小化该损失函数，使得生成数据与真实数据更相似：

7.如权利要求6所述的基于生成对抗网络的信号重构方法，其特征在于，生成器是由神经网络搭建构成的，生成器的网络结构；生成器的输入层是一定维度的高斯噪声，经过多个密度连接层的映射之后，输出的维度与真实数据的维度一致，输出即为生成的信号数据。

8.如权利要求1所述的基于生成对抗网络的信号重构方法，其特征在于，生成器和判别器的交叉训练；在交叉训练时，固定生成器不变，通过最小化训练判别器，训练判别器学习生成数据和真实数据的区别；在训练生成器时，固定判别器不变，通过最小化训练生成器，使得生成器生成的数据更加逼近训练集中的数据，这两个过程不断交叉进行。