[发明专利]一种基于生成式对抗网络的无线信号降噪方法

说明书

本发明公开了一种基于生成式对抗网络的无线信号降噪方法，包括以下步骤：构建无线信号降噪网络GAN‑G和无线信号降噪判别网络GAN‑D，其中，GAN‑G包括LSTM、卷积层以及时间注意力模块，其输入为添加噪声的原始无线信号，输出为降噪的无线信号；GAN‑D包括LSTM和全连接层，输入为原始无线信号和降噪的无线信号，输出是判断结果；采用对抗训练策略对GAN‑G和GAN‑D进行训练，获得无线信号降噪模型和无线信号降噪判别模型；提取无线信号降噪模型对待降噪无线信号进行处理，获得降噪后的无线信号。经过该方法对无线信号数据进行降噪处理可以有效地提高无线信号调制类型识别在低信噪比区间的准确性。

技术领域

本发明属于深度学习方法在无线信号识别领域的应用，具体涉及一种基于生成式对抗网络的无线信号降噪方法。

背景技术

深度学习技术凭借着强大的特征学习能力，广泛地应用于各个领域，主要包括计算机视觉、自然语言处理、复杂网络分析和无线信号分析等。深度学习是机器学习中一种基于对数据进行表征学习的方法，通过庞大的神经网络对数据进行特征提取，从而模拟人脑的机制来解释数据。典型的深度神经网络有卷积神经网络和循环神经网络，其中，卷积神经网络凭借着其强大的特征提取性能，广泛地应用于图像分类任务和目标检测任务中。此外，长短时记忆网络，通过学习序列数据的时序信息，能够较好地处理自然语言翻译、语音识别等功能。作为近年来深度学习领域中一种较为先进的技术，生成式对抗网络(GAN)凭借着其优良的学习映射关系的能力在许多领域中取得了良好的结果，如图片合成、图片补全、文本生成和视频生成等应用。生成式对抗网络包括了两个深度模型结构：生成器模型(Generator)和判别器模型(Discriminator)。对于某种给定的信息，生成器模型可以通过一定的映射关系将该信息映射到某一特征空间中；判别器模型主要是对生成数据和真实数据进行真假判断。目前，已有将深度学习技术应用于无线信号处理任务中，并取得较好结果。无线信号处理主要包括了信号检测、信号调制类型识别和信号解调等任务。无线信号调制类型自动识别技术主要是实现调制信号的智能接收和处理。按照不同调制信号的形式，信号调制可以分为模拟调制和数字调制。使用模拟信号的称为模拟调制；使用数字信号调制称为数字调制。

针对不同的应用需要，通信信号采用了不同的调制类型。虽然无线信号调制技术已经较为成熟，但当无线信号中含有较多噪声时，无线信号调制类型识别就会变得困难，已有的识别方法都会受到不同程度的影响，从而无法保证识别的准确率。因此，设计有效的无线信号降噪方法至关重要。根据相关专利和论文的调研，已经有一些专利和论文提出了不同的降噪方法，例如专利《一种适用于非高斯信号的贝叶斯小波包降噪方法》，提出了一种适用于非高斯信号的贝叶斯小波包降噪方法，通过对信号时间序列进行离散小波包分解，并确定最优分解层数，再对估算得到的各分解层中真实信号的小波系数进行逆变换实现对信号的重构，从而得到降噪后的信号。专利《基于遗传算法优化阈值的Mallat算法在心音信号降噪的应用》，提出了利用遗传算法优化阈值的方法实现信号降噪，通过遗传算法优化后的阈值以及使用马拉算法分高频段与低频段对信号进行去噪。这些方法都存在着一定的适用性。

发明内容

本发明的目的是提供一种基于生成式对抗网络的无线信号降噪方法，设计基于长短时记忆网络的生成器模型，并引入时间注意力机制提高生成降噪信号的效果，设计基于长短时记忆网络的判别器模型，通过真假信号的二分类提高生成模型的准确率，从而实现针对噪声无线信号的高效地降噪处理。经过该方法对无线信号数据进行降噪处理可以有效地提高无线信号调制类型识别在低信噪比区间的准确性。极大地提高了无线信号调制类型识别的效率。

为实现上述发明目的，本发明提供以下技术方案：

一种基于生成式对抗网络的无线信号降噪方法，包括以下步骤：

构建无线信号降噪网络和无线信号降噪判别网络，其中，无线信号降噪网络包括长短时记忆神经网络、卷积层以及时间注意力模块，其输入为添加噪声的低信噪比无线信号，输出为降噪后的无线信号；