復(fù)雜電磁環(huán)境中的信號(hào)重構(gòu)是對(duì)電磁環(huán)境的一種近似,通過對(duì)電磁信號(hào)的準(zhǔn)確重構(gòu),能夠有效還原真實(shí)的電磁環(huán)境。重構(gòu)生成的信號(hào)除了可以用于獲取電磁環(huán)境中的信息以外,還被廣泛應(yīng)用于通信對(duì)抗領(lǐng)域,信號(hào)重構(gòu)技術(shù)是通信信號(hào)處理的關(guān)鍵技術(shù)之一。隨著通信技術(shù)的迅猛發(fā)展,傳統(tǒng)的信號(hào)重構(gòu)方法在日益復(fù)雜的電磁環(huán)境中顯現(xiàn)出疲態(tài),難以準(zhǔn)確重構(gòu)信號(hào)。本文結(jié)合當(dāng)前炙手可熱的生成對(duì)抗網(wǎng)絡(luò),提出了基于生成對(duì)抗網(wǎng)絡(luò)的信號(hào)重構(gòu)方法。針對(duì)信號(hào)重構(gòu)的應(yīng)用場(chǎng)景,改進(jìn)后的生成對(duì)抗網(wǎng)絡(luò),有效地提升了生成信號(hào)的質(zhì)量,使得基于生成對(duì)抗網(wǎng)絡(luò)的信號(hào)重構(gòu)方法具有很好的魯棒性和泛化性。本文的工作主要包括以下幾點(diǎn):(1)生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練包括多個(gè)回合的交叉訓(xùn)練,在每一回合中,生成器和判別器的優(yōu)化更新均通過損失函數(shù)計(jì)算得到,因此損失函數(shù)的優(yōu)劣與生成數(shù)據(jù)的質(zhì)量密切相關(guān)。本文結(jié)合信號(hào)重構(gòu)的應(yīng)用場(chǎng)景,重點(diǎn)研究了交叉熵?fù)p失函數(shù)和EM(Earth Mover)距離損失函數(shù)對(duì)于生成對(duì)抗網(wǎng)絡(luò)算法效果的影響,并在此基礎(chǔ)上加入了信號(hào)波動(dòng)過大的懲罰項(xiàng),有效地改善了生成數(shù)據(jù)的質(zhì)量。(2)在深度學(xué)習(xí)中,神經(jīng)網(wǎng)絡(luò)的架構(gòu)對(duì)算法的效果起著至關(guān)重要的作用,不同的應(yīng)用場(chǎng)景適用不同的神經(jīng)網(wǎng)...

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 研究背景和意義
    1.2 生成對(duì)抗網(wǎng)絡(luò)的研究現(xiàn)狀
    1.3 論文的創(chuàng)新點(diǎn)及內(nèi)容組織
第二章 相關(guān)理論基礎(chǔ)和工作準(zhǔn)備
    2.1 信號(hào)重構(gòu)理論
        2.1.1 通信信道模型
        2.1.2 現(xiàn)有信號(hào)重構(gòu)方法
    2.2 神經(jīng)網(wǎng)絡(luò)理論
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.3 反卷積神經(jīng)網(wǎng)絡(luò)
    2.3 生成對(duì)抗網(wǎng)絡(luò)理論
        2.3.1 生成對(duì)抗網(wǎng)絡(luò)
        2.3.2 條件生成對(duì)抗網(wǎng)絡(luò)
    2.4 數(shù)據(jù)集及生成數(shù)據(jù)質(zhì)量指標(biāo)
        2.4.1 數(shù)據(jù)集準(zhǔn)備
        2.4.2 生成數(shù)據(jù)的準(zhǔn)確性度量指標(biāo)
    2.5 本章小結(jié)
第三章 生成對(duì)抗網(wǎng)絡(luò)損失函數(shù)的改進(jìn)
    3.1 基于交叉熵的生成對(duì)抗網(wǎng)絡(luò)
        3.1.1 交叉熵?fù)p失函數(shù)
        3.1.2 交叉熵?fù)p失函數(shù)的缺陷
        3.1.3 基于交叉熵?fù)p失生成對(duì)抗網(wǎng)絡(luò)的信號(hào)重構(gòu)
    3.2 基于EM距離的生成對(duì)抗網(wǎng)絡(luò)
        3.2.1 EM距離
        3.2.2 EM距離的近似
    3.3 生成對(duì)抗網(wǎng)絡(luò)中損失函數(shù)的改進(jìn)
        3.3.1 最小均方誤差損失函數(shù)
        3.3.2 改進(jìn)后的損失函數(shù)
        3.3.3 改進(jìn)損失函數(shù)的算法效果
    3.4 本章小結(jié)
第四章 生成對(duì)抗網(wǎng)絡(luò)框架的改進(jìn)
    4.1 基于DCGAN的信號(hào)生成
        4.1.1 DCGAN的網(wǎng)絡(luò)架構(gòu)
        4.1.2 基于DCGAN網(wǎng)絡(luò)架構(gòu)的信號(hào)生成
    4.2 預(yù)訓(xùn)練和噪聲增強(qiáng)在生成對(duì)抗網(wǎng)絡(luò)中的應(yīng)用
        4.2.1 生成對(duì)抗網(wǎng)絡(luò)的預(yù)訓(xùn)練
        4.2.2 生成對(duì)抗網(wǎng)絡(luò)的噪聲加強(qiáng)
    4.3 改進(jìn)的生成對(duì)抗網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)
        4.3.1 批量數(shù)據(jù)多樣性特征
        4.3.2 生成器網(wǎng)絡(luò)架構(gòu)的改進(jìn)
        4.3.3 判別器網(wǎng)絡(luò)架構(gòu)的改進(jìn)
    4.4 本章小結(jié)
第五章 基于條件生成對(duì)抗網(wǎng)絡(luò)的信號(hào)重構(gòu)
    5.1 基于數(shù)據(jù)標(biāo)簽的條件生成對(duì)抗網(wǎng)絡(luò)
        5.1.1 基于數(shù)據(jù)標(biāo)簽的條件生成對(duì)抗網(wǎng)絡(luò)框架
        5.1.2 不同損失函數(shù)下的條件生成對(duì)抗網(wǎng)絡(luò)
        5.1.3 基于數(shù)據(jù)標(biāo)簽的條件生成對(duì)抗網(wǎng)絡(luò)在信號(hào)重構(gòu)中的應(yīng)用
    5.2 改進(jìn)后的條件生成對(duì)抗網(wǎng)絡(luò)
        5.2.1 條件信息與隱藏層的結(jié)合
        5.2.2 基于判別器特征的條件生成對(duì)抗網(wǎng)絡(luò)框架
        5.2.3 基于改進(jìn)條件生成對(duì)抗網(wǎng)絡(luò)的信號(hào)重構(gòu)
    5.3 基于條件生成對(duì)抗網(wǎng)絡(luò)的信號(hào)重構(gòu)流程
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3797757