一种基于条件生成对抗网络的时变水声信道模拟方法与流程

1.本发明涉及水声通信技术领域，具体为一种基于条件生成对抗网络(cgan,conditional generative adversarial nets)的时变水声信道模拟方法。


背景技术：

2.由于电磁波在水中衰减严重，传播距离有限，以声波为载体的水声通信技术在军事方面和民用方面都有着重要的作用。与陆上无线信道不同，水声信道具有多普勒频移大、多径效应强、信道带宽受限、环境噪声严重等特点，这些空间差异和时间起伏效应会影响水下装备对信号的接收和检测精度，对实现高速稳健的水下信息传输提出了巨大挑战。
3.目前国内外在水声信道的建模仿真中常用bellhop射线模型和kraken简正波模型来模拟水声信道冲激响应以及相应的接收信号。英国约克大学提出了waymark水下传播模型，补充了时变信道模型的基带等效表示，降低了采样率，节省了仿真时间。近年来，深度学习技术和大数据处理的发展为突破传统水声信号处理技术瓶颈提供了新思路。


技术实现要素：

4.本发明的目的是利用深度学习架构设计一种水声信道模拟方法，根据实测样本更真实还原水声信道，同时生成更多的试验数据，极大的降低了试验成本，有效提高了信道模拟准确度。
5.一种基于条件生成对抗网络的时变水声信道模拟方法，包括如下步骤：
6.步骤1：根据渤海实测水声信道响应建立足量通信数据集，进行数据预处理并随机划分训练集和测试集；
7.步骤2：搭建条件生成对抗网络cgan模型，包含一个生成模型g、一个判别模型d和附加条件信息；
8.步骤3：设置网络参数并导入训练集数据同时训练生成模型g和判别模型d；
9.步骤4：将测试集数据输入生成器网络，对比生成器输出和测试集星座图，检验cgan模拟水声信道的效果。
10.进一步地，所述步骤1中数据集的制备为，在fbmc系统发送端采用4qam调制，发送信号叠加噪声经由渤海实测水声信道，在接收端采用zf均衡恢复出接收信号星座图，记录为一组数据，重复上述过程以组成足量的通信数据集。
11.进一步地，所述步骤1中数据预处理为，将数据中的实部和虚部分别提取，根据cgan生成器的输出层张量重新排列。
12.进一步地，所述步骤2中，生成模型g通过迭代学习产生越来越接近真实分布的虚假样本，所产生的虚假样本会和真实样本一起送入判别模型d进行辨别，判别模型d区分出真实样本和虚假样本。
13.进一步地，cgan模型中，在生成模型g和判别模型d中均增加原始发送信号和接收导频信号作为条件，作为输入层的一部分。
14.进一步地，所述步骤3中生成模型g和判别模型d同时训练的方式为，固定判别模型d，训练生成模型g使得最小；固定生成模型g，训练判别模型d使得最大；上述优化过程视作极大极小博弈问题，表示为：
[0015][0016]
cgan的优化函数类似地表示为带条件概率y的博弈：
[0017][0018]
进一步地，所述步骤3中训练生成模型g时的输入为一随机噪声向量，输出为4qam接收星座图经预处理后重新排列的数据；训练判别模型d时，生成模型g的输出被保存为虚假样本与真实的训练样本一起输入到判别模型d中进行识别；所生成的虚假样本标记为0，真实样本标记为1，判别模型d的输出层采用sigmoid激活函数，输出值越高则表示此样本更有可能属于真实样本集合，反之亦然。
[0019]
进一步地，所述步骤3中训练过程用kl散度来衡量生成样本和真实样本间概率分布的相似性：
[0020][0021]
式中p(x
i
)为真实样本的概率分布，q(x
i
)为生成样本的概率分布。
[0022]
进一步地，所述步骤4中测试cgan模型为，将一等长度噪声向量和作为附加条件的原始发送信号以及接收导频信号输入生成模型g，所输出结果经过数据重组即为生成的星座图，此时训练完成的生成模型g即具备了模拟时变水声信道的能力；将生成星座图与接收信号真实星座图进行比对来衡量当前模型模拟真实水声环境的效果。
[0023]
本发明的有益效果：
[0024]
本发明基于半监督模型中的生成对抗网络来模拟水声信道响应，高效实现小样本数据量增广，无需长时间外场试验数据采集，降低了设备损耗，极大地节约了成本。同时将原始发送信号和接收导频信号作为附加条件，真实模拟水声信道时变特性。没有固定的理论模型，根据实际数据样本更新网络权值，自适应拟合真实水声信道环境。
附图说明
[0025]
图1为本发明一种水声信道模拟方法的流程图；
[0026]
图2为本发明中条件生成对抗网络结构示意图；
[0027]
图3为本发明实施例中渤海实测水声信道冲激响应图；
[0028]
图4为本发明实施例中4qam调制接收星座图。
具体实施方式
[0029]
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
[0030]
如图1所示，本发明提供了一种基于条件生成对抗网络的时变水声信道模拟方法，
具体步骤以及细节如下：
[0031]
步骤1：根据渤海实测水声信道响应建立足量通信数据集，进行数据预处理并随机划分训练集和测试集；数据集的制备具体为：在fbmc系统发送端对二进制比特序列s采用4qam调制后叠加噪声经过渤海实测水声信道h，在接收端采用zf算法均衡恢复出接收信号星座图，记录为一组数据。由于cgan无法直接处理复数数据，需将实部和虚部分别提取，根据cgan生成器的输出层张量重新排列，重复上述过程以组成足量的通信数据集。
[0032]
步骤2：搭建cgan模型，包含一个生成模型(g)、一个判别模型(d)和附加条件信息。如图2所示，所搭建的网络结构包含了两个对抗模型：生成模型(g)旨在通过迭代学习产生越来越接近真实分布的虚假样本，其输入为服从先验分布p
z
(z)的噪声向量z。所产生的虚假样本g(z)会和目标分布p
data
(x)中的真实样本一起送入判别模型(d)进行辨别。判别模型(d)旨在区分出步骤1中所记录的真实样本和生成的虚假样本。cgan是对原始gan的一个扩展，在生成模型(g)和判别模型(d)中都增加了原始发送信号x和接收导频信号y
p
作为条件，作为输入层的一部分。
[0033]
步骤3：设置网络参数并导入训练集数据同时训练生成模型(g)和判别模型(d)：
①
固定判别模型(d)，训练生成模型(g)使得最小；
②
固定生成模型(g)，训练判别模型(d)使得最大。上述优化过程可以看作极大极小博弈问题，表示为：
[0034][0035]
cgan的优化函数可以类似地表示为带条件概率y的博弈：
[0036][0037]
训练生成模型(g)时的输入为一随机噪声向量，输出为4qam接收星座图经预处理后重新排列的数据；训练判别模型(d)时，生成模型(g)的输出被保存为虚假样本与真实的训练样本一起输入到判别模型(d)中进行识别。所生成的虚假样本标记为0，真实样本标记为1，判别模型(d)的输出层采用sigmoid激活函数，输出值越高则表示此样本更有可能属于真实样本集合，反之亦然。
[0038]
训练过程用kl(kullback
‑
leibler divergence)散度来衡量生成样本和真实样本间概率分布的相似性：
[0039][0040]
式中p(x
i
)为真实样本的概率分布，q(x
i
)为生成样本的概率分布。当p(x
i
)和q(x
i
)的相似度越高，kl散度越小。
[0041]
步骤4：将测试集数据输入生成器网络，对比生成器输出和测试集星座图，检验cgan模拟水声信道的效果。具体为：将一等长度噪声向量和作为附加条件的原始发送信号以及接收导频信号输入生成模型(g)，所输出结果经过数据重组即为生成的星座图，此时训练完成的生成模型(g)即具备了模拟时变水声信道的能力。将生成星座图与接收信号真实星座图进行比对来衡量当前模型模拟真实水声环境的效果。
[0042]
图3为制备通信数据样本集所用的渤海海域实测信道冲激响应。试验船只相距约5km，试验处水深约50m，发射换能器吊放深度约为15m，接收水听器吊放深度约15m。实验过程中，发送船和接收船均处于自由漂泊状态。
[0043]
图4为接收端采用zf算法均衡恢复的4qam星座图示例。用于步骤3中对cgan的训练。
[0044]
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。