一种基于对抗学习网络的星地链路信号识别方法

1.本发明涉及无线通信技术领域，尤其涉及一种基于对抗学习网络的星地链路信号识别方法。


背景技术：

2.空天地一体化信息战的战争双方都企图通过截获、干扰、控制信息来把握战场主动权。在很多信息对抗场景中，侦察无法获知目标侦察数据的先验信息，同时还需要识别多址方式、估计信号参数、识别调制方式、捕获跳频图案、特别是各种新体制的传输方式、调制方式、编码方式等，甚至需要获取军事目的、行为特征、协作方式、战术意图等情报信息。因此，在无先验知识下，能够对星地链路的数据的精确分析、识别、形成精确情报对现代空天地一体化信息对抗，军事对抗具有重要意义，也是信息情报获取、战场认知和战场指挥控制的瓶颈和核心。
3.由于人工智能技术的飞速发展，星地链路的信号检测等技术得到应用。对于典型的卫星对地下行链路，由于是低轨道卫星，相对较大的运动会引入多普勒频移。用户和低轨卫星之间会出现多普勒频率。低轨卫星移动通信系统下行链路对载波频偏很敏感，严重破坏了子载波间的正交性，造成接收机失真。宽带信号检测技术是从人工智能技术发展而来的。基于对抗网络的人工智能技术应用于知识的插入和提取等各个领域
4.对抗网络的最大优势在于可以通过非线性网络架构实现海量数据的复杂非线性函数逼近，进而表征分布，形成学习数据特征本质的能力。
5.如果数据的特征发生变化或数据类型扩大，传统的信号识别方法描述海量数据的能力就会变弱。对于星地链路检测，多星下行信道种类复杂。对于多星下行业务场景，传统方法建立的模型并不通用，每个通信类型的模型都有变化。
6.其次，对抗网络对训练数据的质量可以有效提高。随着训练数据的增加，数据分析的准确性也随之提高。在星地链路信号识别中，很多通信场景无法获得高质量的训练数据，因此无法形成质量较差的数据进行对抗网络，从而获得通用的有效模型。
7.如何利用少量的训练数据，在不同场景下建立可靠的多卫星下行检测很重要。很多下行场景无法获得高质量的训练数据。传统对抗网络建立的模型不具有通用性，因此下行数据类型的模型因信道模型而异，但是对抗网络对训练数据的质量要求过高。


技术实现要素：

8.针对现有技术存在的问题，本发明提供一种基于对抗学习网络的星地链路信号识别方法。本发明提出了对抗学习网络，在较差的信道条件下，通过对抗性生成网络，利用少量数据训练信息形成，进而实现高效高精度的信号检测。同时将对抗学习引入海量数据识别中，构建海量数据潜在的分布多层复杂特征表达，用海量数据去学习特征，先从数据去学习较低层次特征，然后在这些低层次特征的基础上再建立更高层次表达，最终形成海量数据的线性或者非线性组合特征表达，以超越人工提取数据特征表达的界限。
9.一种基于对抗学习网络的星地链路信号识别方法，包括以下步骤：
10.步骤1：建立广义损失函数模型、对抗学习网络，通过生成网络及鉴别网络对链路信号进行检测；
11.所述广义损失函数模型定义为：
[0012][0013][0014]
式中，y(k)为星地链路检测后期望信号，w深度学习网络权值，s(k)为星地链路接收信号，f为范数运算，f(w)为权值优化函数，α为步长，wj为不同权值，j为权值序列号；
[0015]
引入对抗网络来实现最优权重w，基于广义损失函数，提出生成对抗网络损失成本函数来识别多卫星下行链路数据，其中对抗网络损失成本函数表示为，
[0016][0017]
lgan为对抗网络损失函数、e
x～pt
检测网络期望损失，d(s)检测网络目标函数，g(s)生成网络目标函数，s为星地链路接收信号；
[0018]
从对抗网络损失成本函数得到由生成器网络和鉴别器网络组成的对抗网络，其中，定义g(s)为生成器网络，d(s)为鉴别器网络。
[0019]
提出了对抗网络权值矩阵w的重构，即迭代成本函数l
gan
。
[0020]
l
gan
＝lg+ldꢀꢀ
(3)
[0021]
其中，lg表示生成器网络的函数。ld表示检测网络的函数，优化损失函数，包括两部分，即g生成网络，第二部分是d检测网络下面分别建立生成网络和对抗网络。
[0022]
步骤s1：建立生成网络；
[0023]
定义{si,yj}＝{(s1,y1),(s2,y2),
…
(si,yj)}为生成集；其中,si为第i次迭代后的数据特征，sj为第j次迭代后的数据特征，yj为期望检测数据，si和yj分别为数据集，
[0024]
定义生成器网络的成本函数lg,
[0025][0026]
其中m为多维空间距离，si为第i代后的数据特征，sj为第j代后的数据特征，s为星地链路接收信号；
[0027]
生成器网络的误差为，
[0028][0029]
空间距离表示为
[0030][0031]
简化为，
[0032][0033]
其中，w是对抗网络的权重矩阵
[0034]
步骤s2：建立检测网络
[0035]
建立检测网络特征空间的提取方向，
[0036]
l
gan
＝l
g-αldꢀꢀ
(7)
[0037]
其中，lg代表生成器网络的代价函数，ld代表判别器网络的代价函数，其中α为生成器和对抗网络的消除系数，
[0038][0039]
tr(
·
)表示取矩阵迹的操作
[0040]
其中，权重w通过对抗网络获得:
[0041][0042]
步骤2：误差更新网络；
[0043]
建立了一个误差更新网络
[0044][0045]
tr(
·
)表示取矩阵迹的操作，
[0046]
通过扩展性分析，得到进一步的计算，
[0047][0048]
进一步获得w的优化表示。
[0049][0050]
其中，对抗网络的权重包括生成器wj(n)权重传递的过程、wi(n)判别器权重传递的过程以及通过wk(n)网络进行误差权重更新的过程；
[0051]
{h
ijk
(n)}＝{h
ijk
(1),h
ijk
(2),
…hijk
(n)}定义为对抗网络的激活函数，包括生成器网络激活函数hj(n)，判别器网络激活函数hi(n)和错误更新网络激活函数hk(n)；
[0052]
为公式(12)给出的生成过程中的生成数据。在这个处理过程中，{si}＝{s1,s2,
…
si}被定义为本地数据，定义为生成集。
[0053]
{ej(n)}＝{ej(1),ej(2),
…ej
(n)}是第j个生成器网络和第j个判别器网络之间的第j个误差，由生成器网络和判别器网络之间的处理产生。
[0054]
其中，生成器空间是通过优化生成器部分所示的权重建立的，然后在判别器过程中给出公式(16)。判别器空间wi(n)的建立如判别器部分所示。然后通过wk(n)更新误差网络得到最优权重。
[0055]
步骤3：对对抗网络进行优化；
[0056]
[0057][0058]
进一步，其中，rank(
·
)是表示矩阵进行秩运算,wxu
σ
是在矩阵对抗的过程中，针对不同的用户信号进行识别的特征限制。
[0059]
对目标进行优化，设||
·
||1被认为是模矩阵，建立最小优化方程来求解w，如下所示，
[0060][0061]
s.t.w
t
w＝i
ꢀꢀ
(16)
[0062]
为了构建优化方法，凸理论寻求优化。
[0063]
求出w之后，通过公式
[0064]
获得期望信号估值也即是获得星地链路的信号识别。
[0065]
本发明所产生的有益效果在于：
[0066]
本发明提出一种基于对抗学习网络的星地链路信号识别方法，具备以下有益效果：
[0067]
1、本发明的对抗网络可以通过非线性网络架构实现海量数据的复杂非线性函数逼近，进而表征分布，形成学习数据特征本质的能力。
[0068]
2、如果数据的特征发生变化或数据类型扩大，对抗网络描述海量数据的能力就会变弱。对于多星下行信号检测，多星下行信道种类复杂。对于多星下行业务场景，对抗网络建立的模型并不通用，每个通信类型的模型都有变化。所以对抗网络能够提供的变量数量是有限的，深度网络的层数也是有限的。
[0069]
3、对抗网络对训练数据的质量要求过高。随着训练数据的增加，数据分析的准确性也随之提高。在很多通信场景中，很多通信场景无法获得高质量的训练数据，因此无法形成质量较差的数据进行对抗网络，从而获得通用的有效模型。
附图说明
[0070]
图1为本发明具体实施方式中基于对抗学习的信息处理流程图；
[0071]
图2为本发明具体实施方式中对抗网络模型图；
[0072]
图3为本发明具体实施方式中基于对抗网络的信号处理流程图。
具体实施方式
[0073]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0074]
一种基于对抗学习网络的星地链路信号识别方法，包括以下步骤：
[0075]
步骤1：建立广义损失函数模型、对抗学习网络，通过生成网络及鉴别网络对链路信号进行检测；
[0076]
如图1所示为基于对抗学习的信息处理流程图。生成器网络实现本地信号的生成，用于信号检测。
[0077]
所述广义损失函数模型定义为：
[0078][0079][0080]
式中，y(k)为星地链路检测后期望信号，w深度学习网络权值，s(k)为星地链路接收信号，f为范数运算，f(w)为权值优化函数，α为步长，wj为不同权值，j为权值序列号；其中αf(w)由对抗性网络生成器；
[0081]
为了获得卫星下行的信号检测，我们通过引入对抗网络来实现最优权重w,下面的讨论旨在利用对抗网络来获得最优消除矩阵。为了获得最优权重，建立对抗网络的损失函数。
[0082]
基于广义损失函数，提出生成对抗网络损失成本函数来识别多卫星下行链路数据，其中对抗网络损失成本函数表示为，
[0083][0084]
lgan为对抗网络损失函数、e
x～pt
检测网络期望损失，d(s)检测网络目标函数，g(s)生成网络目标函数，s为星地链路接收信号；
[0085]
从对抗网络损失成本函数得到由生成器网络和鉴别器网络组成的对抗网络，其中，定义g(s)为生成器网络，d(s)为鉴别器网络。
[0086]
生成器网络产生输出g(s)作为目标域，如下图2所示。然而，结合广泛的容量，目标是最小化对抗性损失。它可以保证学习网络的输入与理想输出对应。
[0087]
如图2所示为对抗网络模型图。为了进一步减少对抗网络函数，提出了对抗网络权值矩阵w的重构。为了减少重构特征的迭代次数，提出了一种近似代价函数的方法。即迭代成本函数l
gan
。
[0088]
l
gan
＝lg+ldꢀꢀ
(3)
[0089]
其中，lg表示生成器网络的函数。ld表示检测网络的函数。生成器网络包括前向和后向特征。也就是说，可以根据原始生成的数据重构单独生成的网络，然后形成双向迭代。
[0090]
如图3所示为基于对抗网络的信号处理流程图。在图3中，我们也给出了对抗网络建立的处理过程。
[0091]
优化损失函数，包括两部分，即g生成网络，第二部分是d检测网络下面分别建立生成网络和对抗网络。
[0092]
步骤s1：建立生成网络；
[0093]
定义{si,yj}＝{(s1,y1),(s2,y2),
…
(si,yj)}为生成集；其中,si为第i次迭代后的数据特征，sj为第j次迭代后的数据特征，yj为期望检测数据，si和yj分别为数据集，在特征空间和生成空间之间建立一个正的多维空间距离m，这样我们就可以对数据在目标空间中进行分类。空间距离是在不同的目标分类中形成的。
[0094]
定义生成器网络的成本函数lg,
[0095][0096]
其中m为多维空间距离，si为第i代后的数据特征，sj为第j代后的数据特征，s为星地链路接收信号；
[0097]
生成器网络的误差为，
[0098][0099]
空间距离表示为
[0100][0101]
简化为，
[0102][0103]
其中，w是对抗网络的权重矩阵
[0104]
步骤s2：建立检测网络
[0105]
建立检测网络特征空间的提取方向，
[0106]
l
gan
＝l
g-αldꢀꢀ
(7)
[0107]
其中，lg代表生成器网络的代价函数，ld代表判别器网络的代价函数，其中α为生成器和对抗网络的消除系数，
[0108][0109]
tr(
·
)表示取矩阵迹的操作
[0110]
其中，权重w通过对抗网络获得:
[0111][0112]
步骤2：误差更新网络
[0113]
建立了一个误差更新网络
[0114][0115]
tr(
·
)表示取矩阵迹的操作，
[0116]
通过扩展性分析，得到进一步的计算，
[0117][0118]
进一步获得w的优化表示。
[0119][0120]
其中，对抗网络的权重包括生成器wj(n)权重传递的过程、wi(n)判别器权重传递的过程以及通过wk(n)网络进行误差权重更新的过程；
[0121]
{h
ijk
(n)}＝{h
ijk
(1),h
ijk
(2),
…hijk
(n)}定义为对抗网络的激活函数，包括生成器网络激活函数hj(n)，判别器网络激活函数hi(n)和错误更新网络激活函数hk(n)；
[0122]
为公式(12)给出的生成过程中的生成数据。在这个处理过程中，{si}＝{s1,s2,
…
si}被定义为本地数据，定义为生成集。
[0123]
{ej(n)}＝{ej(1),ej(2),
…ej
(n)}是第j个生成器网络和第j个判别器网络之间的第j个误差，由生成器网络和判别器网络之间的处理产生。
[0124]
其中，生成器空间是通过优化生成器部分所示的权重建立的，然后在判别器过程中给出公式(16)。判别器空间wi(n)的建立如判别器部分所示。然后通过wk(n)更新误差网络得到最优权重。
[0125]
步骤3：对对抗网络进行优化；
[0126][0127][0128]
进一步，其中，rank(
·
)是表示矩阵进行秩运算,wxu
σ
是在矩阵对抗的过程中，针对不同的用户信号进行识别的特征限制。
[0129]
对目标进行优化，设||
·
||1被认为是模矩阵，建立最小优化方程来求解w，如下所示，
[0130][0131]
s.t.w
t
w＝i
ꢀꢀ
(16)
[0132]
为了构建优化方法，凸理论寻求优化。
[0133]
求出w之后，通过公式
[0134]
获得期望信号估值也即是获得星地链路的信号识别。
[0135]
本技术创新采用生成对抗网络系统,利用深度学习技术，通过非线性网络架构实现海量数据的复杂非线性函数逼近，进而表征分布，形成学习数据特征本质的能力。
[0136]
本技术创新通过对抗网络扩大数据的特征及数据类型，对抗网络描述海量数据的能力就会变弱。由于多星下行信道种类复杂。对于星地链路行业务场景，对抗网络建立的模型并不通用，每个通信类型的模型都有变化。所以对抗网络能够提供的变量数量是有限的，深度网络的层数也是有限的。
[0137]
三、对抗网络对训练数据的质量要求过高。本技术创新实现在馈线网络的长度与馈源端口的主瓣相位扫描控制加载。随着训练数据的增加，数据分析的准确性也随之提高。在很多通信场景中，很多通信场景无法获得高质量的训练数据，因此无法形成质量较差的数据进行对抗网络，从而获得通用的有效模型。
[0138]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。