基于循环生成对抗网络的信道特性迁移方法
阅读说明：本技术 基于循环生成对抗网络的信道特性迁移方法 (Channel characteristic migration method based on cycle generation countermeasure network ) 是由 陈丽 张君毅 谭毅华 刘芳 冯奇 闫培 于 2021-08-25 设计创作，主要内容包括：本发明属于无线通信信号传输信道仿真的技术领域,公开了一种基于循环生成对抗网络(CycleGAN)的信道特性迁移方法,主要包括以下环节。信号数据集构建：产生多种原始调制信号以及信道叠加信号作为训练数据。信道特性迁移网络结构设计：基于Cycle-GAN网络框架构建面向一维信号的信道特性迁移GAN网络。网络模型训练：选取信号样本训练获取信道迁移后信号,设计损失函数并使用优化算法进行模型参数更新直至获得训练好的信道特性迁移网络。信道特性迁移仿真信号生成与评估：对信道迁移后的信号进行误码率、频率偏移和幅值衰落等指标的计算。本发明所设计的信道迁移方法无需显式构建信道的数学模型,且不依赖于信道的输入信号和输出信号样本对,具有实际应用价值。(The invention belongs to the technical field of wireless communication signal transmission channel simulation, and discloses a channel characteristic migration method based on a cyclic generation countermeasure network (cycleGAN), which mainly comprises the following steps. Signal data set construction: various original modulation signals and channel superimposed signals are generated as training data. And (3) designing a channel characteristic migration network structure: and constructing a channel characteristic migration GAN network facing one-dimensional signals based on a Cycle-GAN network framework. Training a network model: selecting a signal sample to train to obtain a signal after channel migration, designing a loss function, and updating model parameters by using an optimization algorithm until a trained channel characteristic migration network is obtained. Generating and evaluating a channel characteristic migration simulation signal: and calculating indexes such as bit error rate, frequency offset, amplitude fading and the like of the signal after channel migration. The channel migration method designed by the invention does not need to explicitly construct a mathematical model of the channel, does not depend on the input signal and output signal sample pair of the channel, and has practical application value.)
技术领域
本发明涉及无线通讯信号传输信道仿真领域，尤其涉及一种基于循环生成对抗网络的信道特性迁移方法。
背景技术
现代人的生活与无线信号息息相关，智能手机、电脑等设备都需要使用无线信号进行通讯。但在传播过程中，不同的传播通道即信道，会对信号产生不同程度的干扰，可能会造成信号失真等影响，因此对于信道的研究是非常具有实际意义的。信道特性迁移作为信道研究的一个重要方向，得到了快速的发展，在军事和民用领域均有广泛的应用：在军事领域，可应用于对敌方电子通信系统进行干扰；在民用领域，可为提高传输信号传输提供重要依据。
根据是否对信道模型的具体形式作出假设，可将信道特性迁移方法分为两大类：显式迁移方法和隐式迁移方法。其中，显式信道特性迁移方法假设信道模型的具体数学形式，利用求得的信道模型将信道特性添加到信号中。在模型假设符合实际信道状态的条件下，显示迁移方法可实现较高精度且具有良好的可解释性。但当信道受到严重的干扰时，信道特性往往十分复杂，此时难以给出准确的信道模型，这将大大降低显式信道特性迁移方法的可靠性。隐式信道特性迁移方法则不限制信道模型的具体形式，而是直接建立信号的生成模型，并通过优化该模型使生成的信号具有所需的信道特性。因其不对信道模型具体形式作出假设，隐式迁移方法更适合于严重失真和干扰等复杂信道传输条件。
如何适应复杂的信道特性是信道特性迁移面临的一项挑战。军用方面，信号在传输过程中往往面临严重的干扰，导致对应的信道特性十分复杂。民用方面，随着通信技术的进步，无线通信的覆盖范围越来越广，对应的信道特性也趋于多样化和复杂化。复杂的信道特性难以通过显式的数学模型进行精确描述，这限制了传统的显式信道特性迁移方法的精度。近几年逐步发展的隐式信道特性迁移方法避免了对信道模型的显式假设，特别是基于生成对抗网络的方法被初步验证可直接生成具有信道特性的信号，有望适应更为复杂的信道条件。
信道特性迁移面临的另一困难是难以获得信道的输入信号和输出信号样本对。现有的隐式信道特性迁移方法依赖于信道的输入信号和输出信号样本对，而在军事对抗这种非合作应用场景下，往往只能获得敌方信道输出的信号，对应的信道输入的信号则一般无法获取，导致现有的迁移方法难以满足应用需求。因此，在没有成对样本的情况下实现信道特性的迁移是一项亟待解决的问题。
通过上述分析，现有信道特性迁移方法存在的问题、缺陷有：
(1)现有的显式迁移方法依赖于具体的数学模型对信道特性进行描述，难以自适应处理复杂信道特性下的信道特性迁移。
(2)现有的隐式迁移方法依赖于信道的输入信号和输出信号样本对，而实际应用场景下，往往只能获取输入/输出一方信号。
解决上述信道特性迁移问题、缺陷的意义为：
(1)提出一种隐式信道特性迁移的方法，可自适应复杂传输环境下的信道特性，为今后此问题的研究打下坚实的基础，对推动此类问题的解决有重大意义。
(2)将循环生成对抗网络方法引入隐式信道特性迁移方向，可在没有成对样本的情况下实现对信道特性的迁移。
发明内容
针对现有信道特性迁移存在的难点，即自适应处理复杂信道特性下信道特性迁移和信道的输入信号和输出信号样本对缺失的问题，本发明提出了一种基于生成对抗网络的信道特性迁移方法。
本发明采用的技术方案为：
一种基于循环生成对抗网络的信道特性迁移方法，包括以下步骤：
步骤A10，设置不同的调制方法和理论信道参数组合，产生对应的原始调制信号以及信道叠加信号，作为训练信号数据集；
步骤A20，基于Cycle-GAN网络框架构建面向一维信号的信道特性迁移网络；
步骤A30，基于步骤A10所得的信号数据集，随机选取若干原始调制信号和信道叠加信号，通过信道特性迁移网络获取信道迁移后信号，并设计损失函数计算信道迁移损失值；
步骤A40，若所述信道迁移损失值大于设定阈值或者未达到预设训练次数，则更新所述信道特性迁移网络的参数，返回步骤A30，否则获得训练好的信道特性迁移网络；
步骤A50，将原始调制信号数据输入到训练好的信道特性迁移网络，输出信道迁移后的仿真信号；
步骤A60，对信道迁移后的仿真信号进行迁移信号质量评估。
进一步的，步骤A10具体包括以下步骤：
步骤B10，随机生成若干二进制编码信号数据；
步骤B20，对步骤B10生成的二进制编码信号数据进行调制，调制方式选择DBPSK调制和FSK调制；
步骤B30，设置理论信道参数，并将步骤B20生成的调制数据输入理论信道，输出信道叠加信号；其中，信道类型参数选择平坦衰落信道和频率选择性衰落信道；
上述步骤B10至B30中所获取的数据即为所构建的训练信号数据集。
进一步的，步骤A20所述的信道特性迁移网络基于循环生成对抗网络构建，包括生成器、判别器和还原器三部分网络模块。
进一步的，步骤A30所述损失函数包括生成-判别对抗损失、循环一致性损失和信道特性损失，信道迁移损失值表示为：
Loss＝LGAN+λ1Lcycle+λ2Lchannel
其中，Loss表示信道迁移损失值，LGAN表示生成-判别对抗损失，Lcycle表示循环一致性损失，Lchannel表示信道特性损失，λ1,λ2表示平衡各损失之间的权重因子；
其中，对于生成器G和判别器DY，生成-判别对抗损失LGAN表示为：
式中，X为原始调制信号所构成的数据集合，Y为通过理论信道后的信道叠加信号所构成的数据集合，x表示某个原始调制信号数据，Pdata(x)表示x数据服从的分布，y表示某个原始调制信号通过理论信道后得到的信道叠加信号，Pdata(y)表示y数据服从的分布，DY(·)表示返回判别器DY对给定信号的判定概率，越接近于1表示判别器认为该信号为真实信号的概率越高，G(x)表示生成器G针对原始调制信号x所生成的仿真信号，E[·]表示求期望运算，表示变量logDY(y)相对于随机变量y的期望；
对于还原器R和判别器DX，生成对抗损失LGAN表示为：
式中，DX(·)表示返回判别器DX对给定信号的判定概率，越接近于1表示判别器认为该信号为原始调制信号的概率越高，R(y)表示生成器G针对信道叠加信号y所还原得到的信号；
其中，循环一致性损失表示为：
式中，||·||1表示计算给定向量的L1范数，||R(G(x))-x||1表示信号R(G(x))与信号x之间的差值向量的L1范数，是计算两个信号之间差异的一种度量，||G(R(y))-y||1表示信号G(R(y))与信号y之间的差值向量的L1范数；
其中，信道特性损失可表示为：
Lchannel＝Lamplitude+σLfrequency
式中，A(·)表示计算信号幅值衰落的操作，F(·)表示计算信号频率偏移的操作，a*和f*分别为根据步骤A10所得信号数据集统计得到的标准幅值衰落和频率偏移，σ是平衡两项损失的权重因子。
进一步的，步骤A50具体包括下述过程：
将随机生成的二进制信号进行调制，调制方式选择为DBPSK调制或者FSK调制，得到原始调制信号；
将原始调制信号输入到训练好的信道特性迁移网络中，输出信道迁移后的仿真信号。
进一步的，步骤A60所述的迁移信号质量评估采用误码率、幅值衰落和频率偏移三个典型的评估指标。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)本发明使用生成对抗网络学习从原始调制信号到信道叠加信号的映射，从而实现对信道的仿真，该过程无需对信道建立显式的数学模型，可更有效地应用于数学模型未知的复杂信道。
(2)本发明利用生成-判别对抗损失和循环一致性损失对仿真信号施加约束，在训练过程中无需原始调制信号和信道叠加信号的成对样本，可应用于成对样本难以获取的非合作应用场景，如军事通信对抗等。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明基于生成对抗网络的信道特性迁移方法的流程示意图。
图2是本发明基于生成对抗网络的信道特性迁移方法的模型运算结构和损失函数计算示意图。
图3是本发明基于生成对抗网络的信道特性迁移方法在评估阶段的频率偏移计算指标示意图。
图4是本发明基于生成对抗网络的信道特性迁移方法的一种实施例中生成器和还原器的网络结构实施细节示意图。
图5是本发明基于生成对抗网络的信道特性迁移方法的一种实施例中判别器的网络结构实施细节示意图。
图6是本发明基于生成对抗网络的信道特性迁移方法的一种实施例中，FSK原始调制信号的频域响应图，横轴为频率值，纵轴为对应频率下的响应幅值。
图7是本发明基于生成对抗网络的信道特性迁移方法的一种实施例中，FSK调制信号通过理论频率选择性信道后得到的信道叠加信号的频域响应图，横轴为频率值，纵轴为对应频率下的响应幅值。
图8是本发明基于生成对抗网络的信道特性迁移方法的一种实施例中，FSK调制信号通过生成器模型后得到的仿真信号的频域响应图，横轴为频率值，纵轴为对应频率下的响应幅值。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅出示了有关发明的相关部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施中的特征可以互相结合。下面将参考附图并结合具体实施例来详细说明本申请。
本发明提出了一种基于生成对抗网络的信道特性迁移方法，该方法针对现有信道特性迁移技术中存在的问题，将生成对抗网络引入信道特性迁移任务，解决了自适应复杂信道特性迁移和信道样本对缺失的问题。
本发明一种实施例提供了一种基于生成对抗网络的信道特性迁移方法，该信道特性迁移方法包括：
以原始调制信号为输入，通过训练好的信道特性迁移GAN网络获取对应的信道迁移后的仿真信号，并对仿真信号进行质量评估；
其中，所述的信道特性迁移GAN网络基于Cycle-GAN网络框架进行构建，其损失函数包括生成-判别对抗损失、循环一致性损失和信道特性损失，上述方法的总体框架图为图1，可以描述为：
步骤A10，信号数据集构建：设置不同的调制方法和理论信道参数组合，产生对应的原始调制信号以及信道叠加信号，作为训练信号数据集。
步骤A20，信道特性迁移GAN网络结构设计：基于Cycle-GAN
网络框架构建面向一维信号的信道特性迁移GAN网络。
步骤A30，信道特性迁移GAN网络训练：基于步骤A10所得的信号数据集，随机选取若干原始调制信号和信道叠加信号，通过信道特征迁移网络获取信道迁移后信号；并设计损失函数计算信道迁移损失值。
步骤A30所述的损失函数包括生成-判别对抗损失、循环一致性损失和信道特性损失，可用图2表示，信道迁移损失值表示为：
Loss＝LGAN+λ1Lcycle+λ2Lchannel (1)
式中，LGAN表示生成对抗损失，Lcycle表示循环一致性损失，Lchannel
为基于信道特性构建的信道特性损失，λ1,λ2表示平衡各损失之间的权重因子。
其中，对于生成器G和判别器DY，生成-判别对抗损失LGAN可表示为：
式中，X为原始调制信号所构成的数据集合，Y为通过理论信道后的信道叠加信号所构成的数据集合，x表示某个原始调制信号数据，Pdata(x)表示x数据服从的分布，y表示某个原始调制信号通过理论信道后得到的信道叠加信号，Pdata(y)表示y数据服从的分布，DY(·)表示返回判别器DY对给定信号的判定概率，越接近于1表示判别器认为该信号为真实信号的概率越高，G(x)表示生成器G针对原始调制信号x所生成的仿真信号，E[·]表示求期望运算，表示变量logDY(y)相对于随机变量y的期望；
对于还原器R和判别器DX，生成-判别对抗损失LGAN可表示为：
式中，DX(·)表示返回判别器DX对给定信号的判定概率，越接近于1表示判别器认为该信号为原始调制信号的概率越高，R(y)表示生成器G针对信道叠加信号y所还原得到的信号；
其中，循环一致性损失可表示为：
式中，||·||1表示计算给定向量的L1范数，||R(G(x))-x||1表示信号R(G(x))与信号x之间的差值向量的L1范数，是计算两个信号之间差异的一种度量，||G(R(y))-y||1表示信号G(R(y))与信号y之间的差值向量的L1范数；
其中，信道特性损失可表示为：
式中，A(·)表示计算信号幅值衰落的操作，F(·)表示计算信号频率偏移的操作，a*和f*分别为根据步骤A10所得信号数据集统计得到的标准幅值衰落和频率偏移，σ是平衡两项损失的权重因子。
步骤A40，若所述信道迁移损失值大于设定阈值或者未达到预设训练次数，则更新所述信道特性迁移的网络参数，返回步骤A30，直至所述信道迁移网络损失值小于设定阈值或达到预设训练次数，获得训练好的信道特性迁移网络；否则获得训练好的信道特性迁移网络；
步骤A50，信道特性迁移仿真信号生成：将原始调制信号数据输入到仿真信道中，此处仿真信道是指训练好的信道特性迁移网络的生成器模块，输出信道迁移后的仿真信号。
步骤A60，信号质量评估：对生成的信道迁移后的仿真信号进行误码率、频率偏移和幅值衰落等指标的计算。
其中，三个评价指标分别为误码率、幅值衰落和频率偏移，三者的说明和计算方法分别如下：
误码率即信道迁移后的信号经过解调后错误的码数占原始二进制信号(数据1)总长度的百分比，计算公式为：
其中，原始二进制信号为x，对仿真信号进行解调后所得信号为信号长度为N，I为指示函数。
幅值衰落即调制后信号(数据2)经过信道传输后，接收信号(数据3)幅值衰落的均值，计算公式为：
其中，m为信号的幅值，输入信号的幅值和生成信号的幅值分别为mori,mnew；对于信号幅值的计算，可定义为对于信号向量中各元素取幅值后取均值，计算公式为：
频率偏移即频率选择性衰落信道下，由于信号传播距离所造成的相位变化。频率偏移也是基于原始调制信号(数据2)和叠加信道数据(数据3)所得，计算公式如下：
其中，上式中的a,b,c对应图3中的a,b,c频率，c为接收信号的中心频率，a,b分别为频谱幅值衰落3dB应的边界频率值，T为预设的频率偏移值。
以下结合实施例对本发明作进一步描述。
实施例1
本实施例实现了基于生成对抗网络的信道特性迁移方法，所使用数据的调制方式为DBPSK，所使用的信道类型为平坦衰落信道和白噪声信道。该实施例的实现过程概述如下：
(1)信号数据集构建。针对DBPSK调制方式和平坦衰落信道+白噪声信道，生成信号数据集。
(2)使用卷积神经网络实现一维信号信道特性迁移GAN网络的各个模块。
(3)执行信道特性迁移GAN网络的训练。
(4)使用训练所得GAN网络生成信道特性迁移仿真信号。
(5)对信道特性迁移仿真信号进行质量评估。
以下对每个实现环节进行具体介绍。
(1)信号数据集构建
本实施例中，信号数据集包括原始调制信号和信道叠加信号两部分。为生成原始调制信号，首先随机生成若干长度为16384的二进制编码信号数据，并将其输入到DBPSK调制器中，所输出的长度为16384的调制信号即为原始调制信号。该部分数据使用符号X表示。
随后生成信道叠加信号。构造采样率为1000的平坦衰落信道，并构造信噪比为6dB的白噪声信道。将原始调制信号依次输入到平坦衰落信道和白噪声信道中，所输出的信号为信道叠加信号，其长度与原始调制信号相同，同样为16384。该部分数据使用符号Y表示。
利用上述过程生成共3000条原始调制信号和3000条信道叠加信号。选取其中的1000条原始调制信号和非成对的1000条信道叠加信号作为训练集，另外的1000条原始调制信号和成对的1000条信道叠加信号作为测试集。测试集中使用成对信号的目的是便于评价信噪比等指标。
(2)使用卷积神经网络实现一维信号信道特性迁移GAN网络的各个模块
该实施例中，选取Cycle-GAN网络框架作为本发明信道特性迁移网络的网络主框架，如图2所示，为实施例中采用的循环对抗生成网络的结构示意图。其中：
X表示原始调制信号数据，Y表示原始调制信号通过理论信道后得到的信道叠加信号，特别指出Y对应的原始调制信号往往不是X，即X和Y一般不是成对数据。图中所有涉及到的待学习模型均由带矩形框的符号表示，这些模型均为卷积神经网络，具体含义如下。
1)G为生成器，作用是对理论信道进行仿真，其主要的输入为原始调制信号X，对应的输出为信道特性迁移的仿真信号
2)R为还原器，作用是将通过信道后的信号还原为原始调制信号，其主要的输入为仿真信号对应的输出为还原出的原始调制信号
3)为引入更多约束信息，还对G和R设置了其他输入与输出：还原器R的另一输入为真实的信道叠加信号Y，输出是还原出的原始调制信号生成器G的另一输入为上述还原信号输出是针对该信号的信道特性迁移仿真信号
4)Dy为针对信道叠加信号Y和仿真信号的判别器，其输入为信道叠加信号或仿真信号，输出为0或1。0表示判别器认为输入信号为仿真信号，1表示判别器认为输入信号为信道叠加信号。
5)Dx为针对原始调制信号X和还原信号的判别器，其输入为原始调制信号或还原信号，输出为0或1。0表示判别器认为还原信号，1表示判别器认为输入信号为原始调制信号。
上述生成器G和还原器R的网络结构如图4所示。输入信号首先会经过三层卷积网络，这三层卷积网络构成生成器中的编码器，用于提取信号的特征；然后经过N层残模块，这N层残差模块构成转换器，用于将原域的特征转换为目标域的特征；转换特征接着经过三层反卷积层生成与输入信号尺寸一样的生成信号，这三层反卷积层构成生成器中的解码器。编码器，转换器和解码器的具体组成见表1。
表1生成器和还原器中编码器、转换器和解码器的具体构成
上述判别器Dx和Dy的网络结构如图5所示，它的输出是输入信号为真实信号的概率值。判别器把输入信号映射为长度是n的信号子段Si，Si代表每个子段是真实样本的概率，最后将所有子段Si的值求均值，作为判别器最终的输出。输入信号首先经过四层卷积网络，得到一个特征图，这个特征图上的每一个值可以追溯到原始信号中的某一段子信号，最后使用一层全卷积网络分别对特征图的每个值做判别，输出对应子信号的真实信号概率，使用所有判别结果的平均值作为整个判别器的输出值。判别器的具体网络结构如表2所示。
表2判别器的具体网络结构
(3)执行信道特性迁移GAN网络的训练
如图2所示，将训练集中的信号数据输入到各网络模块中，并计算对应的损失。以下介绍具体过程。
将原始调制信号X输入到生成器G中，得到信道特性迁移的仿真信号随后将输入到还原器R中，输出为还原出的原始调制信号此外，将真实的信道叠加信号Y输入到还原器R中，输出还原出的原始调制信号随后将输入到生成器G中，输出针对该信号的信道特性迁移仿真信号
基于上述模型输出，计算损失值。具体过程如下：
1)针对信号X和结合判别器Dx计算生成对抗损失，所用公式为(2)；
2)针对信号Y和结合判别器Dy计算生成对抗损失，所用公式为(3)；
3)针对X和计算循环一致性损失，所用公式为(4)；
4)针对Y和计算循环一致性损失，所用公式为(4)；
5)针对信号计算信道特性损失，公式为(5)，其中所使用的幅值衰落和频移真值通过统计训练集中Y信号的标准幅值衰落和频率偏移得到。
将上述损失按公式(1)进行累加，并使用Adam梯度下降法进行求解。当达到预设的200代轮次后停止训练，此时所得生成器G即为信道迁移模型。
(4)使用训练所得GAN网络生成信道特性迁移仿真信号
将测试集中的原始调制信号输入到上一环节中训练所得的生成器G，输出即为信道迁移后的仿真信号。
(5)对信道特性迁移仿真信号进行质量评估
对仿真信号的质量进行评估。对于平坦衰落信道+白噪声信道而言，主要关注仿真信号的误码率和幅值衰落是否合理。在测试集上的误码率和幅值衰落指标统计结果分别如表3和表4所示。
表3 DBPSK调制方式和平坦衰落信道下的误码率指标统计结果
通过理论信道后的误码率
4.093％±0.182％
通过模型仿真信道后的误码率
3.151％±0.172％
表4 DBPSK调制方式和平坦衰落信道下的幅值衰落指标统计结果
通过理论信道后的幅值衰落
0.933±0.0231
通过模型仿真信道后的幅值衰落
0.935±0.0004
由表3和表4的结果可知，同样的测试集样本在分别通过理论信道和仿真信道后，误码率和幅值衰落均较为相近，表明仿真信道可有效实现信道特性的迁移。
实施例2
本实施例实现了基于生成对抗网络的信道特性迁移方法，所使用数据的调制方式为FSK，所使用的信道类型为频率选择性信道。该实施例的实现过程概述如下：
(1)信号数据集构建。针对FSK调制方式和频率选择性信道，生成信号数据集。
(2)使用卷积神经网络实现一维信号信道特性迁移GAN网络的各个模块。
(3)执行信道特性迁移GAN网络的训练。
(4)使用训练所得GAN网络生成信道特性迁移仿真信号。
(5)对信道特性迁移仿真信号进行质量评估。
其中，环节(2)、(3)、(4)与实施例1中的实现方式相同，本实施例中不再展开叙述。以下主要针对环节(1)和环节(5)进行具体介绍。
(1)信号数据集构建
本实施例中，信号数据集包括原始调制信号和信道叠加信号两部分。为生成原始调制信号，首先随机生成若干长度为2048的二进制编码信号数据，并将其输入到FSK调制器中。该调制器的阶数为2，频率分离值为500Hz，符号速率为125，上述参数决定了该调制器的采样率为8。二进制编码信号数据通过该FSK调制器后输出长度为16384的调制信号，即为原始调制信号。该部分数据使用符号X表示。
随后生成信道叠加信号。构造频率选择性信道，该信道采样率为1000，最大多普勒频移为30Hz。将原始调制信号输入到频率选择性信道中，所输出的信号为信道叠加信号，其长度与原始调制信号相同，同样为16384。该部分数据使用符号Y表示。图7是展示了FSK调制信号通过理论频率选择性信道后得到的信道叠加信号的频域响应图，横轴为频率值，纵轴为对应频率下的响应幅值。
利用上述过程生成共3000条原始调制信号和3000条信道叠加信号。选取其中的1000条原始调制信号和非成对的1000条信道叠加信号作为训练集，另外的1000条原始调制信号和成对的1000条信道叠加信号作为测试集。测试集中使用成对信号的目的是便于评价信噪比等指标。
(5)对信道特性迁移仿真信号进行质量评估
对仿真信号的质量进行评估。对于频率选择性信道而言，主要关注仿真信号的误码率、幅值衰落和频率偏移是否合理。
表5 FSK调制方式和频率选择性信道下的误码率指标统计结果
通过理论信道后的误码率
5.071％±0.342％
通过模型仿真信道后的误码率
8.486％±0.679％
表6 FSK调制方式和频率选择性信道下的幅值衰落指标统计结果
通过理论信道后的幅值衰落
0.870±0.0020
通过模型仿真信道后的幅值衰落
0.872±0.0004
表7 FSK调制方式和频率选择性信道下的频率偏移指标统计结果
由表5、表6和表7的结果可知，同样的测试集样本在分别通过理论信道和仿真信道后，误码率、幅值衰落和频移偏差均较为相近，表明仿真信道可有效实现信道特性的迁移。为了更直观地体现仿真信号的频移偏差，图6展示了原始调制信号的频域响应，可见原始调制信号的能量主要集中在250Hz和750Hz附近。图8展示了信道迁移后仿真信号的频域响应，可见仿真信号的能量主要分布在200～300Hz和700～800Hz，表明信号产生了约30Hz的频移偏差，这符合理论信道的性质。
需要说明的是，以上实施例实现的基于生成对抗式网络的信道迁移方法，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的不同模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于粒子滤波的三维毫米波波束跟踪方法