馮奇 張君毅 陳麗 劉芳

摘 要：為了解決非合作通信情況下，具有特定幀結(jié)構(gòu)的復(fù)雜信號難以重構(gòu)問題，設(shè)計了一種利用深度無悔分析生成對抗網(wǎng)絡(luò)（deep regret analytic generative adversarial networks，DRAGAN）重構(gòu)信號的方法。首先利用無悔算法（no-regret algorithms）對判別器損失函數(shù)進行約束，判別器的梯度被迫向更加穩(wěn)定的方向變化;其次通過生成器與判別器的對抗學(xué)習(xí)，生成器的分布逐步擬合到目標(biāo)數(shù)據(jù)的潛在分布;最后構(gòu)建具有特定幀的復(fù)雜信號模型，并據(jù)此進行DRAGAN方法的實驗驗證。仿真實驗結(jié)果表明，在信噪比為9 dB及以上的條件下，生成信號不僅學(xué)習(xí)到了樣本信號的調(diào)制樣式、符號速率和頻率帶寬等特性，還能較準確還原出特定幀部分的符號信息。相較于傳統(tǒng)方法，利用DRAGAN生成信號具有相關(guān)性高、重構(gòu)流程簡易和泛化能力強等特點，所設(shè)計的網(wǎng)絡(luò)模型在電磁環(huán)境構(gòu)建等場景中具有實用價值。

關(guān)鍵詞：無線通信技術(shù);信號重構(gòu);生成對抗網(wǎng)絡(luò);無悔算法;電磁環(huán)境構(gòu)建

中圖分類號：TN975 ? 文獻標(biāo)識碼：A ? DOI： 10.7535/hbgykj.2022yx01001

Abstract：In order to solve the problem that complex signals with a specific frame structure were difficult to reconstruct in the case of non-cooperative communication，a method of reconstructing signals by using Deep Regret Analytic Generative Adversarial Networks （DRAGAN） was designed.Firstly，no-regret algorithms were used to constrain the loss function of the discriminator，and the gradient of the discriminator was forced to change in a more stable direction.Secondly，through the confrontation learning between the generator and the discriminator，the distribution of the generator was gradually fitted to the potential distribution of the target data.Finally，a complex signal model with a specific frame was constructed，and the experimental verification of DRAGAN method was carried out.The simulation results show that when the signal-to-noise ratio is 9 dB or above，the generated signal not only learns the modulation style，symbol rate and frequency bandwidth of the sample signal，but also accurately restores the symbol information of a specific frame.Compared with the traditional methods，the signal generated by DRAGAN has the characteristics of high correlation，simple reconstruction process and strong generalization ability.The designed network model has practical value in the construction of electromagnetic environment and other scenes.

Keywords：wireless communication technology;signal reconstruction;generative adversarial networks;no-regret algorithm;electromagnetic environment construction

復(fù)雜電磁環(huán)境構(gòu)建[1-2]是無線通信領(lǐng)域的一個重要研究方向，尤其當(dāng)今電磁環(huán)境十分復(fù)雜，無論是在空間、空中、海上和陸地，所有的通信信號都伴隨著日趨復(fù)雜多樣的人為干擾、無意串?dāng)_或者大自然產(chǎn)生的雷暴等信號。為了提高自身通信系統(tǒng)適應(yīng)未來戰(zhàn)場電磁環(huán)境能力，各軍事強國、區(qū)域大國和糾紛地區(qū)國家都增強了復(fù)雜電磁環(huán)境構(gòu)建的關(guān)注度。通信信號生成[3-4]技術(shù)是復(fù)雜電磁環(huán)境構(gòu)建中的關(guān)鍵一環(huán)，對此開展研究具有重要意義。

對于空間中非合作方的通信信號生成，有兩種傳統(tǒng)解決方式：一種是基于參數(shù)測量分析，通過捕獲目標(biāo)信號，對其碼速率、調(diào)制樣式、載頻等參數(shù)進行估計后，通過信號重構(gòu)方式完成通信信號的生成;另一種是基于盲偵察、盲干擾的方式，對目標(biāo)信號進行稀疏采樣后，偵知其稀疏特性，再施以信號重構(gòu)。然而，現(xiàn)代戰(zhàn)場上的電磁環(huán)境中必然存在大量特殊結(jié)構(gòu)的新型通信信號，憑借傳統(tǒng)方式已經(jīng)無法準確勾畫出目標(biāo)信號特征，亟需一種新型信號生成方式的問世。

隨著計算機計算能力的提升，許多基于深度學(xué)習(xí)[5]的智能化模型和算法被提出，解決了傳統(tǒng)通信技術(shù)無法解決的大量難題，其中，生成對抗網(wǎng)絡(luò)（generative adversarial networks，GAN）[6-8]展現(xiàn)出非常強大的能力，GAN是一種隱式的生成模型，可以在不知道目標(biāo)樣本先驗知識的情況下，學(xué)習(xí)樣本在空間中的分布，生成符合目標(biāo)特征的數(shù)據(jù)。

在GAN生成信號方面，前人進行了許多研究，秦劍[9]利用改進的CGAN生成了AM和CPFSK信號;楊鴻杰等[10]利用BEGAN生成的BPSK和8PSK信號波形具有很好的質(zhì)量;SHI等[11]使用GAN 生成的QPSK無線欺騙信號可以使欺騙率達到76.2%;趙凡等[12]利用非常簡單的GAN網(wǎng)絡(luò)生成了BPSK，QPSK，16QAM和2FSK調(diào)制的通信信號，并驗證了網(wǎng)絡(luò)的泛化性。然而對于具有特定幀結(jié)構(gòu)的復(fù)雜通信信號重構(gòu)，目前仍未提出解決方式。

針對以上問題，本文通過Matlab構(gòu)建了具有特定幀結(jié)構(gòu)的通信信號樣本，提出了利用DRAGAN重構(gòu)信號的算法模型[13]，設(shè)計了GAN的網(wǎng)絡(luò)結(jié)構(gòu)，并對樣本進行了訓(xùn)練，實現(xiàn)了對不同信噪比下具有特征幀結(jié)構(gòu)的信號重構(gòu)，對比樣本信號，生成的信號取得了較高的相關(guān)性，表現(xiàn)出較好的結(jié)果。

1 DRAGAN原理及數(shù)據(jù)集準備

1.1 GAN的基本原理

GAN是最近幾年發(fā)展最快的深度學(xué)習(xí)模型之一，它采用對抗的方式對目標(biāo)特征分布進行學(xué)習(xí)，模型主要由兩部分網(wǎng)絡(luò)架構(gòu)組成：一個是生成器G，用于生成數(shù)據(jù)并欺騙判別器;另一個是判別器D，用于判斷數(shù)據(jù)是生成數(shù)據(jù)還是真實樣本。隨機噪聲z輸入到生成器網(wǎng)絡(luò)中，生成器會輸出生成數(shù)據(jù)，生成的數(shù)據(jù)和真實的樣本作為判別器的輸入輸進判別器，判別器會對輸入的數(shù)據(jù)進行分辨，判斷數(shù)據(jù)是來自生成器的生成數(shù)據(jù)還是真實樣本，而生成器力求學(xué)習(xí)真實樣本分布來欺騙判別器，2個網(wǎng)絡(luò)采用這種梯度交替更新策略（alternating gradient updates procedure，AGD），雙方通過不斷動態(tài)博弈的過程，最后達到納什均衡，此時，判別器無法分辨數(shù)據(jù)是來自真實樣本還是生成數(shù)據(jù)。GAN的結(jié)構(gòu)如圖1所示。

3 實驗仿真

根據(jù)第2章所設(shè)計的生成器和判別器的網(wǎng)絡(luò)架構(gòu)，本節(jié)將1.2節(jié)生成的目標(biāo)信號作為訓(xùn)練樣本數(shù)據(jù)，對GAN進行訓(xùn)練生成。

在SNR=20 dB時，樣本信號波形如圖6所示，生成信號波形如圖7所示，可以看出，生成信號在特定幀部分與樣本信號波形十分相似，而有效負載部分與樣本信號則不盡相同，生成信號的星座如圖8所示，生成信號的調(diào)制樣式為QPSK，符合樣本信號的調(diào)制特征。

當(dāng)SNR=20 dB時，在生成的1 500個信號中，有0.999 9的概率認為特定幀部分的實部與樣本的特定幀實部具有很強的相關(guān)性，有0.999 9的概率認為特定幀部分虛部與樣本的特定幀虛部具有很強的相關(guān)性，有0.925 9的概率認為有效負載實部與樣本的有效負載實部沒有相關(guān)性，有0.952 2的概率認為有效負載虛部與樣本有效負載虛部沒有相關(guān)性。

可以說明，網(wǎng)絡(luò)學(xué)習(xí)到了前導(dǎo)碼、后導(dǎo)碼和導(dǎo)頻塊中的符號信息;隨機部分生成信號和樣本信號二者幾乎沒有相關(guān)性，符合樣本信號中生成負載部分符號的隨機性。

從SNR=7 dB到SNR=20 dB分別選取1 500個生成信號，統(tǒng)計這些生成信號與樣本信號在特定幀部分和有效負載部分的相關(guān)系數(shù)均值，相關(guān)系數(shù)如圖11所示，可以得出，生成信號在特定幀的實部和虛部隨著樣本信噪比的升高相關(guān)性逐漸增大，其中樣本SNR=7 dB到SNR=11 dB之間時生成信號和樣本信號的相關(guān)性快速增長，在SNR=11 dB到SNR=16 dB之間時相關(guān)性增長緩慢，在SNR=16 dB到SNR=20 dB之間時相關(guān)性增長再次加快，該現(xiàn)象表明，隨著樣本信號的信噪比增加，網(wǎng)絡(luò)更易于學(xué)習(xí)到樣本的特征，但是網(wǎng)絡(luò)對樣本信噪比的區(qū)間敏感程度不同;在有效負載部分，生成信號和樣本信號的相關(guān)系數(shù)分布在0～0.2，兩者不相關(guān)。

4 結(jié) 語

通信信號生成是復(fù)雜電磁環(huán)境仿真構(gòu)建的關(guān)鍵一步，對于空間中非合作方的具有特定幀結(jié)構(gòu)的復(fù)雜通信信號，傳統(tǒng)方式很難對其進行重構(gòu)，本文提出了一種利用DRAGAN生成具有特定幀結(jié)構(gòu)的QPSK信號方法，僅對目標(biāo)信號采樣后做簡單樣本處理，將樣本輸入到設(shè)計好的網(wǎng)絡(luò)中進行訓(xùn)練，利用卷積網(wǎng)絡(luò)提取樣本的特征并使用DRAGAN的懲罰項使訓(xùn)練更加穩(wěn)定，通過GAN的對抗學(xué)習(xí)即可重構(gòu)出具有目標(biāo)信號特征的生成信號。實驗結(jié)果表明，當(dāng)樣本信號信噪比為9～12 dB時，生成信號在特定幀部分與樣本的相關(guān)系數(shù)可達0.7～0.8，當(dāng)樣本信號信噪比為12 dB以上時，特定幀部分的相關(guān)系數(shù)可達0.8以上。

與傳統(tǒng)方式相比，該算法不需要復(fù)雜的參數(shù)測量和特征分析，縮短了研發(fā)時間，減少了人力成本;并且對于具有其他類型特定幀結(jié)構(gòu)的信號，只需要適當(dāng)修改網(wǎng)絡(luò)架構(gòu)就可以重新再利用，模型泛化能力強。該算法在實際工程使用中具有重要意義。

利用GAN生成的信號能夠?qū)W習(xí)到目標(biāo)信號的調(diào)制樣式、符號速率和頻率特性等，對于特定幀部分的前導(dǎo)碼、后導(dǎo)碼和導(dǎo)頻塊部分，網(wǎng)絡(luò)不但能學(xué)習(xí)到它們的持續(xù)時間，存在位置，還能較準確地學(xué)習(xí)到這些部分包含的符號信息;對于樣本信號信噪比低于9 dB的情況下，網(wǎng)絡(luò)無法有效學(xué)習(xí)到目標(biāo)的特征分布，這也是日后重構(gòu)帶有特定幀的低信噪比信號尚待解決的問題。

參考文獻/References：

[1] 周波，申緒澗，戴幻堯，等.基于逼真度的戰(zhàn)場電磁環(huán)境構(gòu)建要素分析[J].電子信息對抗技術(shù)，2014，29（5）：17-20.

ZHOU Bo，SHEN Xujian，DAI Huanyao，et al.Analysis of battlefield electromagnetic environment constructing element based on fidelity[J].Electronic Warfare Technology，2014，29（5）：17-20.

[2] WEN Qi.An overview of the study of the complexity of the complex electromagnetic environments[C]//2015 8th International Symposium on Computational Intelligence and Design （ISCID）.Hangzhou：IEEE，2015：245-250.

[3] 李楠，王標(biāo)，底明曦，等.海戰(zhàn)場復(fù)雜電磁環(huán)境構(gòu)建研究[J].艦船電子對抗，2021，44（2）：11-17.

LI Nan，WANG Biao，DI Mingxi，et al.Research into the construction of complex electromagnetic environment for sea battlefield[J].Shipboard Electronic Countermeasure，2021，44（2）：11-17.

[4] 孫翱.復(fù)雜電磁環(huán)境下武器裝備試驗與評估[J].艦船電子工程，2017，37（4）：81-85.

SUN Ao.Test and evaluation on the armament based on complex electromagnetic environment[J].Ship Electronic Engineering，2017，37（4）：81-85.

[5] NIRANJANI V，SELVAM N S.Overview on deep neural networks：Architecture，application and rising analysis trends[C]//Business Intelligence for Enterprise Internet of Things.Cham：Springer，2020：271-278.

[6] GOODFELLOW I，POUGET-ABADIE J，MIRZA M，et al.Generative adversarial nets[C]//Proceedings of the 27th International Conference on Advances in Neural Information Processing Systems.Boston：MIT Press，2014：2672-2680.

[7] ALQAHTANI H，KAVAKLI-THORNE M，KUMAR G.Applications of generative adversarial aetworks（GANs）：An updated review[J].Archives of Computational Methods in Engineering，2021，28（2）：525-552.

[8] 奚祥品，陳筱，朱向冰.生成對抗網(wǎng)絡(luò)介紹及應(yīng)用[J].無線電通信技術(shù)，2021，47（3）：338-343.

XI Xiangpin，CHEN Xiao，ZHU Xiangbing.Introduction and application of generative adversarial networks[J].Radio Communications Technology，2021，47（3）：338-343.

[9] 秦劍.基于生成對抗網(wǎng)絡(luò)的信號重構(gòu)[D].西安：西安電子科技大學(xué)，2018.

QIN Jian.Signal Reconstruction Based on Generative Adversarial Networks[D].Xi′an：Xidian University，2018.

[10] 楊鴻杰，陳麗，張君毅.基于生成對抗網(wǎng)絡(luò)的數(shù)字信號生成技術(shù)研究[J].電子測量技術(shù)，2020，43（20）：127-132.

YANG Hongjie，CHEN Li，ZHANG Junyi.Research on digital signal generation technology based on generative adversarial network[J].Electronic Measurement Technology，2020，43（20）：127-132.

[11] SHI Yi，DAVASLIOGLU K，SAGDUYU Y E.Generative adversarial network for wireless signal spoofing[C]//ACM Workshop on Wireless Security and Machine Learning.New York：Association for Computing Machinery，2019：55-60.

[12] 趙凡，金虎.基于GAN的通信干擾波形生成技術(shù)[J].系統(tǒng)工程與電子技術(shù)，2021，43（4）：1080-1088.

ZHAO Fan，JIN Hu.Communication jamming waveform generation technology based on GAN[J].Systems Engineering and Electronics，2021，43（4）：1080-1088.

[13] KODALI N，ABERNETHY J，HAYS J，et al.On convergence and stability of GANs[EB/OL].（2017-12-10）.https：//arxiv.org/abs/1705.07215v5.

[14] ARJOVSKY M，CHINTALA S，BOTTOU L.Wasserstein generative adversarial networks[C]//Proceedings of the 34th International Conference on Machine Learning.Sydney：MLResearch Press，2017：214-223.

[15] CHEN Xi，DUAN Yan，HOUTHOOFT R，et al.Infogan：Interpretable representation learning by information maximizing generative adversarial Nets[C]//Proceedings of the 30th International Conference on Neural Information Processing Systems.Red Hook：Curran Associates Inc.，2016：2180-2188.

[16] CHAVDAROVA T，F(xiàn)LEURET F.SGAN：An alternative training of generative adversarial networks[C]//Proceedings of the IEEE international conference on Computer Vision and Pattern Recognition.New York：IEEE.2018：9407-9415.

[17] WU Jiqing，HUANG Zhiwu，THOMA J，et al.Wasserstein divergence for GANs[C]//Proceedings of the European Conference on Computer Vision.Cham：Springer，2018：673-688.

[18] NOWOZIN S，CSEKE B，TOMIOKA R.F-gan：Training generative neural samplers using variational divergence minimization[C]//Proceedings of the 30th International Conference on Neural Information Processing Systems.Red Hook：Curran Associates Inc.，2016：271-279.