基于DRAGAN的通信信号波形生成技术

冯奇 张君毅 陈丽 刘芳

摘 要：为了解决非合作通信情况下，具有特定帧结构的复杂信号难以重构问题，设计了一种利用深度无悔分析生成对抗网络（deep regret analytic generative adversarial networks，DRAGAN）重構信号的方法。首先利用无悔算法（no-regret algorithms）对判别器损失函数进行约束，判别器的梯度被迫向更加稳定的方向变化;其次通过生成器与判别器的对抗学习，生成器的分布逐步拟合到目标数据的潜在分布;最后构建具有特定帧的复杂信号模型，并据此进行DRAGAN方法的实验验证。仿真实验结果表明，在信噪比为9 dB及以上的条件下，生成信号不仅学习到了样本信号的调制样式、符号速率和频率带宽等特性，还能较准确还原出特定帧部分的符号信息。相较于传统方法，利用DRAGAN生成信号具有相关性高、重构流程简易和泛化能力强等特点，所设计的网络模型在电磁环境构建等场景中具有实用价值。

关键词：无线通信技术;信号重构;生成对抗网络;无悔算法;电磁环境构建

中图分类号：TN975   文献标识码：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

复杂电磁环境构建[1-2]是无线通信领域的一个重要研究方向，尤其当今电磁环境十分复杂，无论是在空间、空中、海上和陆地，所有的通信信号都伴随着日趋复杂多样的人为干扰、无意串扰或者大自然产生的雷暴等信号。为了提高自身通信系统适应未来战场电磁环境能力，各军事强国、区域大国和纠纷地区国家都增强了复杂电磁环境构建的关注度。通信信号生成[3-4]技术是复杂电磁环境构建中的关键一环，对此开展研究具有重要意义。

对于空间中非合作方的通信信号生成，有两种传统解决方式：一种是基于参数测量分析，通过捕获目标信号，对其码速率、调制样式、载频等参数进行估计后，通过信号重构方式完成通信信号的生成;另一种是基于盲侦察、盲干扰的方式，对目标信号进行稀疏采样后，侦知其稀疏特性，再施以信号重构。然而，现代战场上的电磁环境中必然存在大量特殊结构的新型通信信号，凭借传统方式已经无法准确勾画出目标信号特征，亟需一种新型信号生成方式的问世。

随着计算机计算能力的提升，许多基于深度学习[5]的智能化模型和算法被提出，解决了传统通信技术无法解决的大量难题，其中，生成对抗网络（generative adversarial networks，GAN）[6-8]展现出非常强大的能力，GAN是一种隐式的生成模型，可以在不知道目标样本先验知识的情况下，学习样本在空间中的分布，生成符合目标特征的数据。

在GAN生成信号方面，前人进行了许多研究，秦剑[9]利用改进的CGAN生成了AM和CPFSK信号;杨鸿杰等[10]利用BEGAN生成的BPSK和8PSK信号波形具有很好的質量;SHI等[11]使用GAN 生成的QPSK无线欺骗信号可以使欺骗率达到76.2%;赵凡等[12]利用非常简单的GAN网络生成了BPSK，QPSK，16QAM和2FSK调制的通信信号，并验证了网络的泛化性。然而对于具有特定帧结构的复杂通信信号重构，目前仍未提出解决方式。

针对以上问题，本文通过Matlab构建了具有特定帧结构的通信信号样本，提出了利用DRAGAN重构信号的算法模型[13]，设计了GAN的网络结构，并对样本进行了训练，实现了对不同信噪比下具有特征帧结构的信号重构，对比样本信号，生成的信号取得了较高的相关性，表现出较好的结果。

1 DRAGAN原理及数据集准备

1.1 GAN的基本原理

GAN是最近几年发展最快的深度学习模型之一，它采用对抗的方式对目标特征分布进行学习，模型主要由两部分网络架构组成：一个是生成器G，用于生成数据并欺骗判别器;另一个是判别器D，用于判断数据是生成数据还是真实样本。随机噪声z输入到生成器网络中，生成器会输出生成数据，生成的数据和真实的样本作为判别器的输入输进判别器，判别器会对输入的数据进行分辨，判断数据是来自生成器的生成数据还是真实样本，而生成器力求学习真实样本分布来欺骗判别器，2个网络采用这种梯度交替更新策略（alternating gradient updates procedure，AGD），双方通过不断动态博弈的过程，最后达到纳什均衡，此时，判别器无法分辨数据是来自真实样本还是生成数据。GAN的结构如图1所示。

3 实验仿真

根据第2章所设计的生成器和判别器的网络架构，本节将1.2节生成的目标信号作为训练样本数据，对GAN进行训练生成。

在SNR=20 dB时，样本信号波形如图6所示，生成信号波形如图7所示，可以看出，生成信号在特定帧部分与样本信号波形十分相似，而有效负载部分与样本信号则不尽相同，生成信号的星座如图8所示，生成信号的调制样式为QPSK，符合样本信号的调制特征。

当SNR=20 dB时，在生成的1 500个信号中，有0.999 9的概率认为特定帧部分的实部与样本的特定帧实部具有很强的相关性，有0.999 9的概率认为特定帧部分虚部与样本的特定帧虚部具有很强的相关性，有0.925 9的概率认为有效负载实部与样本的有效负载实部没有相关性，有0.952 2的概率认为有效负载虚部与样本有效负载虚部没有相关性。

可以说明，网络学习到了前导码、后导码和导频块中的符号信息;随机部分生成信号和样本信号二者几乎没有相关性，符合样本信号中生成负载部分符号的随机性。

从SNR=7 dB到SNR=20 dB分别选取1 500个生成信号，统计这些生成信号与样本信号在特定帧部分和有效负载部分的相关系数均值，相关系数如图11所示，可以得出，生成信号在特定帧的实部和虚部随着样本信噪比的升高相关性逐渐增大，其中样本SNR=7 dB到SNR=11 dB之间时生成信号和样本信号的相关性快速增长，在SNR=11 dB到SNR=16 dB之间时相关性增长缓慢，在SNR=16 dB到SNR=20 dB之间时相关性增长再次加快，该现象表明，随着样本信号的信噪比增加，网络更易于学习到样本的特征，但是网络对样本信噪比的区间敏感程度不同;在有效负载部分，生成信号和样本信号的相关系数分布在0～0.2，两者不相关。

4 结 语

通信信号生成是复杂电磁环境仿真构建的关键一步，对于空间中非合作方的具有特定帧结构的复杂通信信号，传统方式很难对其进行重构，本文提出了一种利用DRAGAN生成具有特定帧结构的QPSK信号方法，仅对目标信号采样后做简单样本处理，将样本输入到设计好的网络中进行训练，利用卷积网络提取样本的特征并使用DRAGAN的惩罚项使训练更加稳定，通过GAN的对抗学习即可重构出具有目标信号特征的生成信号。实验结果表明，当样本信号信噪比为9～12 dB时，生成信号在特定帧部分与样本的相关系数可达0.7～0.8，当样本信号信噪比为12 dB以上时，特定帧部分的相关系数可达0.8以上。

与传统方式相比，该算法不需要复杂的参数测量和特征分析，缩短了研发时间，减少了人力成本;并且对于具有其他类型特定帧结构的信号，只需要适当修改网络架构就可以重新再利用，模型泛化能力强。该算法在实际工程使用中具有重要意义。

利用GAN生成的信号能够学习到目标信号的调制样式、符号速率和频率特性等，对于特定帧部分的前导码、后导码和导频块部分，网络不但能学习到它们的持续时间，存在位置，还能较准确地学习到这些部分包含的符号信息;对于样本信号信噪比低于9 dB的情况下，网络无法有效学习到目标的特征分布，这也是日后重构带有特定帧的低信噪比信号尚待解决的问题。

参考文献/References：

[1] 周波，申绪涧，戴幻尧，等.基于逼真度的战场电磁环境构建要素分析[J].电子信息对抗技术，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，底明曦，等.海战场复杂电磁环境构建研究[J].舰船电子对抗，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] 孙翱.复杂电磁环境下武器装备试验与评估[J].舰船电子工程，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，陈筱，朱向冰.生成对抗网络介绍及应用[J].无线电通信技术，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] 秦剑.基于生成对抗网络的信号重构[D].西安：西安电子科技大学，2018.

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

[10] 杨鸿杰，陈丽，张君毅.基于生成对抗网络的数字信号生成技术研究[J].电子测量技术，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] 赵凡，金虎.基于GAN的通信干扰波形生成技术[J].系统工程与电子技术，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，FLEURET 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.