一种基于VAE-GAN的DSSS信号波形生成方法技术

本发明专利技术提供了一种基于VAE

【技术实现步骤摘要】
一种基于VAE
‑
GAN的DSSS信号波形生成方法


[0001]本专利技术涉及无线通信信号的仿真生成领域，尤其涉及一种基于VAE
‑
GAN(变分自编码器生成对抗网络)的DSSS(Direct Sequence Spread Spectrum，直接序列扩展频谱)信号波形生成方法。

技术介绍

[0002]当今电磁环境十分复杂，无论是在空中、海上或者陆地，通信信号都伴随着日趋复杂的人为干扰、无意串扰或者大自然产生的雷暴等信号。为了提高自身通信系统对特定电磁环境的适应能力，复杂电磁环境的构建便具有重要的意义，其中非合作方的通信信号重构是构建复杂电磁环境的重要组成部分。传统的信号重构方式需要对非合作方信号进行复杂的参数测量与分析，增加了人工决策的过程，花费大量的时间成本。生成对抗网络是一种隐式的生成模型，它以潜在空间随机取样作为输入，可以在目标信号特征未知的情况下，通过两个对抗的网络去学习样本在空间中的分布，生成符合目标特征的数据。然而，对于直接序列扩展频谱信号这种结构较为复杂的通信信号，一般的GAN在学习的过程中容易忽略PN码序列这种较为高层的特征，存在着DSSS信号重构难的问题。

技术实现思路

[0003]本专利技术所要解决的技术问题在于避免上述
技术介绍
中的不足之处而提供一种基于VAE
‑
GAN的DSSS信号波形生成方法。本专利技术在模型中添加了自注意力机制和深度残差收缩网络使模型，能够对具有不同长度扩频码的目标信号进行学习，模型灵活易训练，解决了非合作方的DSSS信号难以重构的问题。
[0004]本专利技术所采取的技术方案是：
[0005]一种基于VAE
‑
GAN的DSSS信号波形生成方法，包括以下步骤：
[0006](1)对实际采集的DSSS信号进行标注，分别构建具有不同长度扩频码和不同信噪比的训练数据集；
[0007](2)构建具有自注意力机制并对样本信号进行降噪的VAE
‑
GAN模型，用以生成IQ双通道DSSS信号；VAE
‑
GAN模型包括编码器E、生成器G和判别器D，编码器E和生成器G构成变分自编码器，生成器G和判别器D组成生成对抗网络，变分自编码器为生成对抗网络提供真实数据与生成数据之间的损失；
[0008](3)分别设计编码器E、生成器G与判别器D中的损失函数；
[0009](4)使用步骤(1)中所得的训练数据集，基于训练优化策略对VAE
‑
GAN模型进行训练，得到训练好的生成器G；
[0010](5)将随机噪声输入生成器G，输出符合目标DSSS信号特征的生成数据。
[0011]进一步地，步骤(1)的具体方式为：
[0012](101)对目标信号进行数据采集，利用倒谱法对需要重构的目标DSSS信号扩谱周期进行估计；
[0013](102)将采集到的IQ数据进行下变频操作，将信号变为零中频，接着对基频信号去除频偏，并通过滤波器将信号的带外噪声进行滤除，然后再对信号进行重采样；此外，对信号的幅度进行归一化处理，通过包络均值归一化将不同能量的样本信号缩放到统一尺度；
[0014](103)按照估计的目标DSSS信号扩谱周期对连续数据进行分割，以保证训练样本起始相位的一致，根据目标DSSS信号扩谱周期，结合过采样倍数确定零中频采样数据切块大小，假设目标DSSS信号扩谱周期为L＝2
n
‑
1，5≤n≤11，过采样倍数为M，单个数据样本长度包含P个目标DSSS信号扩谱周期，则单个样本数据长度为L
×
M
×
P；
[0015](104)按照扩频码长度和信噪比特性对所有实际采集的QPSK信号进行分类标注，得到具有不同长度扩频码和不同信噪比的训练数据集。
[0016]进一步地，步骤2中：
[0017]编码器E包括多个一维卷积层Conv1d(a,b,c)，其中，a代表卷积核大小，b代表卷积步长，c代表padding大小；将样本信号的I、Q路数据分别作为一个通道输入到编码器E中，编码器E使用三种卷积层，首先以Conv1d(3,1,1)卷积层和Conv1d(4,2,1)卷积层对样本在不同尺度上进行特征提取，数据每次经过Conv1d(3,1,1)的卷积层后长度不变，经过Conv1d(4,2,1)的卷积层后长度变为原来的二分之一，将Conv1d(3,1,1)和Conv1d(4,2,1)卷积层组合为第一模块，根据不同的样本信号长度，设定相对应数量的第一模块后，数据输出长度变为L，随后经过Conv1d(4,1,2)卷积层，数据长度变为2
n
，数据每次经过卷积层后都会进行批归一化处理，接着进入Leaky ReLU激活函数；经过上述的特征提取后，输出的数据经过Self
‑
Attention层使网络能够捕获数据中的全局信息，在Self
‑
Attention层中不改变数据的长度以及通道数，再经过逐通道不同阈值的深度残差收缩网络DRSN
‑
CW层对特征进行降噪处理，DRSN
‑
CW层中的残差部分同样使用Conv1d(3,1,1)和Conv1d(4,2,1)，将Self
‑
Attention层和DRSN
‑
CW层组合为第二模块，经过第二模块的数据从输入到输出依次经过1个Self
‑
Attention层和2个DRSN
‑
CW层，数据经过相对应数量的第二模块后，输出数据长度为M，再经过仿射变换将数据一维展开在全连接层上，经过参数再现技巧，将样本信号变为潜在空间，潜在空间的通道数为1，长度为128；
[0018]生成器G包括对数据进行2倍上采样的Upsample(2)上采样层和一维卷积层Conv1d(3,1,1)；生成器G的输入通道数为1，长度为128，经过全连接层后输出长度变为256
×
L，全连接层输出的数据经过仿射变换，通道数变为256，长度变为L，随后数据经过相对应数量的由2个Conv1d(3,1,1)卷积层和1个Upsample(2)上采样层组成的第三模块后，输出通道数为2，长度为L
×
M
×
P的生成信号，为了保持模型稳定，输出数据再经过3个Conv1d(3,1,1)层，最后输出通道数为2，长度为L
×
M
×
P的生成信号；
[0019]判别器D的网络结构与编码器类似，仅在最后全连接层部分不同，判别器中，经过最后一个DRSN
‑
CW层后的数据再经过三个全连接层，三个全连接层的输出维度依次为1024、256、1，最后经过Sigmoid激活函数后输出一个分数。
[0020]进一步地，步骤(3)中，编码器E的损失函数为：
[0021][0022]其中，L
prior
＝D
KL本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VAE
‑
GAN的DSSS信号波形生成方法，其特征在于，包括以下步骤：(1)对实际采集的DSSS信号进行标注，分别构建具有不同长度扩频码和不同信噪比的训练数据集；(2)构建具有自注意力机制并对样本信号进行降噪的VAE
‑
GAN模型，用以生成IQ双通道DSSS信号；VAE
‑
GAN模型包括编码器E、生成器G和判别器D，编码器E和生成器G构成变分自编码器，生成器G和判别器D组成生成对抗网络，变分自编码器为生成对抗网络提供真实数据与生成数据之间的损失；(3)分别设计编码器E、生成器G与判别器D中的损失函数；(4)使用步骤(1)中所得的训练数据集，基于训练优化策略对VAE
‑
GAN模型进行训练，得到训练好的生成器G；(5)将随机噪声输入生成器G，输出符合目标DSSS信号特征的生成数据。2.根据权利要求1所述的一种基于VAE
‑
GAN的DSSS信号波形生成方法，其特征在于，步骤(1)的具体方式为：(101)对目标信号进行数据采集，利用倒谱法对需要重构的目标DSSS信号扩谱周期进行估计；(102)将采集到的IQ数据进行下变频操作，将信号变为零中频，接着对基频信号去除频偏，并通过滤波器将信号的带外噪声进行滤除，然后再对信号进行重采样；此外，对信号的幅度进行归一化处理，通过包络均值归一化将不同能量的样本信号缩放到统一尺度；(103)按照估计的目标DSSS信号扩谱周期对连续数据进行分割，以保证训练样本起始相位的一致，根据目标DSSS信号扩谱周期，结合过采样倍数确定零中频采样数据切块大小，假设目标DSSS信号扩谱周期为L＝2
n
‑
1，5≤n≤11，过采样倍数为M，单个数据样本长度包含P个目标DSSS信号扩谱周期，则单个样本数据长度为L
×
M
×
P；(104)按照扩频码长度和信噪比特性对所有实际采集的QPSK信号进行分类标注，得到具有不同长度扩频码和不同信噪比的训练数据集。3.根据权利要求1所述的一种基于VAE
‑
GAN的DSSS信号波形生成方法，其特征在于，步骤2中：编码器E包括多个一维卷积层Conv1d(a,b,c)，其中，a代表卷积核大小，b代表卷积步长，c代表padding大小；将样本信号的I、Q路数据分别作为一个通道输入到编码器E中，编码器E使用三种卷积层，首先以Conv1d(3,1,1)卷积层和Conv1d(4,2,1)卷积层对样本在不同尺度上进行特征提取，数据每次经过Conv1d(3,1,1)的卷积层后长度不变，经过Conv1d(4,2,1)的卷积层后长度变为原来的二分之一，将Conv1d(3,1,1)和Conv1d(4,2,1)卷积层组合为第一模块，根据不同的样本信号长度，设定相对应数量的第一模块后，数据输出长度变为L，随后经过Conv1d(4,1,2)卷积层，数据长度变为2
n
，数据每次经过卷积层后都会进行批归一化处理，接着进入Leaky ReLU激活函数；经过上述的特征提取后，输出的数据经过Self
‑
Attention层使网络能够捕获数据中的全局信息，在Self
‑
Attention层中不改变数据的长度以及通道数，再经过逐通道不同阈值的深度残差收缩网络DRSN
‑
CW层对特征进行降噪处理，DRSN
‑
CW层中的残差部分同样使用Conv1d(3,1,1)和Conv1d(4,2,1)，将Self
‑
Attention层和DRSN
‑
CW层组合为第二模块，经过第二模块的数据从输入到输出依次经过1个Self
‑
Attention层和2个DRSN
‑
CW层，数据经过相对应数量的第二模块后，输出数据长度为...

【专利技术属性】
技术研发人员：冯奇，陈丽，刘芳，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：