基于生成对抗网络的信号重构

发布时间：2023-04-22 13:44

　　复杂电磁环境中的信号重构是对电磁环境的一种近似,通过对电磁信号的准确重构,能够有效还原真实的电磁环境。重构生成的信号除了可以用于获取电磁环境中的信息以外,还被广泛应用于通信对抗领域,信号重构技术是通信信号处理的关键技术之一。随着通信技术的迅猛发展,传统的信号重构方法在日益复杂的电磁环境中显现出疲态,难以准确重构信号。本文结合当前炙手可热的生成对抗网络,提出了基于生成对抗网络的信号重构方法。针对信号重构的应用场景,改进后的生成对抗网络,有效地提升了生成信号的质量,使得基于生成对抗网络的信号重构方法具有很好的鲁棒性和泛化性。本文的工作主要包括以下几点:(1)生成对抗网络的训练包括多个回合的交叉训练,在每一回合中,生成器和判别器的优化更新均通过损失函数计算得到,因此损失函数的优劣与生成数据的质量密切相关。本文结合信号重构的应用场景,重点研究了交叉熵损失函数和EM(Earth Mover)距离损失函数对于生成对抗网络算法效果的影响,并在此基础上加入了信号波动过大的惩罚项,有效地改善了生成数据的质量。(2)在深度学习中,神经网络的架构对算法的效果起着至关重要的作用,不同的应用场景适用不同的神经网...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景和意义
    1.2 生成对抗网络的研究现状
    1.3 论文的创新点及内容组织
第二章 相关理论基础和工作准备
    2.1 信号重构理论
        2.1.1 通信信道模型
        2.1.2 现有信号重构方法
    2.2 神经网络理论
        2.2.1 人工神经网络
        2.2.2 卷积神经网络
        2.2.3 反卷积神经网络
    2.3 生成对抗网络理论
        2.3.1 生成对抗网络
        2.3.2 条件生成对抗网络
    2.4 数据集及生成数据质量指标
        2.4.1 数据集准备
        2.4.2 生成数据的准确性度量指标
    2.5 本章小结
第三章 生成对抗网络损失函数的改进
    3.1 基于交叉熵的生成对抗网络
        3.1.1 交叉熵损失函数
        3.1.2 交叉熵损失函数的缺陷
        3.1.3 基于交叉熵损失生成对抗网络的信号重构
    3.2 基于EM距离的生成对抗网络
        3.2.1 EM距离
        3.2.2 EM距离的近似
    3.3 生成对抗网络中损失函数的改进
        3.3.1 最小均方误差损失函数
        3.3.2 改进后的损失函数
        3.3.3 改进损失函数的算法效果
    3.4 本章小结
第四章 生成对抗网络框架的改进
    4.1 基于DCGAN的信号生成
        4.1.1 DCGAN的网络架构
        4.1.2 基于DCGAN网络架构的信号生成
    4.2 预训练和噪声增强在生成对抗网络中的应用
        4.2.1 生成对抗网络的预训练
        4.2.2 生成对抗网络的噪声加强
    4.3 改进的生成对抗网络架构设计
        4.3.1 批量数据多样性特征
        4.3.2 生成器网络架构的改进
        4.3.3 判别器网络架构的改进
    4.4 本章小结
第五章 基于条件生成对抗网络的信号重构
    5.1 基于数据标签的条件生成对抗网络
        5.1.1 基于数据标签的条件生成对抗网络框架
        5.1.2 不同损失函数下的条件生成对抗网络
        5.1.3 基于数据标签的条件生成对抗网络在信号重构中的应用
    5.2 改进后的条件生成对抗网络
        5.2.1 条件信息与隐藏层的结合
        5.2.2 基于判别器特征的条件生成对抗网络框架
        5.2.3 基于改进条件生成对抗网络的信号重构
    5.3 基于条件生成对抗网络的信号重构流程
    5.4 本章小结
第六章 总结与展望
    6.1 论文工作总结
    6.2 展望
参考文献
致谢
作者简介



本文编号：3797757