《基于条件生成式对抗网络的信道估计》2023最新36页技术报告

本文的目的是利用生成对抗网络（GAN）对射频（RF）传输过程中可能出现的复杂信道效应进行建模。为了研究不同生成对抗网络的潜力，并学习射频传输过程中可能出现的复杂信道效应，我们在具有不同调制方案和信道效应的配对和非配对射频数据集上训练了两种不同的生成对抗网络。基于特征的专家系统 GNU Radio（基于物理建模）用于生成合成射频发射和接收数据集对。在对合成数据进行训练后，条件 GANs 产生的输出结果与训练数据基本吻合。这是训练 GAN 的第一步，GAN 可以定性和定量地再现发射射频数据和接收射频信号之间的转换。最终，这种方法可应用于真实世界条件下记录的配对数据集。

方法

要训练条件 GAN，必须有一个包含发射和接收对的代表性数据集。

• 使用 GNU Radio 创建了合成数据集，并对已发布的调制数据集 RadioML[1] 进行了扩展。

  • 该调制数据集包含八种数字调制，设置在不同的信噪比（SNR）水平上。

  • 创建的示例有信道模型和无信道模型，以模拟这对发射机和接收机，并将其输入到 GAN 训练中。

• 本研究主要使用了两种不同的条件 GAN 架构：

  • Pix2Pix，一种需要配对数据的传输型 GAN。
  • Wasserstein GAN，一种不需要配对数据的随机生成器。

• GAN 输出通过同相和正交（IQ）图和时间序列图进行可视化，然后与训练数据进行定性比较。

结论和建议

虽然还需要进一步的工作，但 GAN 在生成射频数据和信道效应估计方面显示出了前景。两种 GAN 架构生成的原始 IQ 数据在质量上与调制和信噪比数据集的训练数据一致。利用定量指标进行进一步优化将能改善这一性能。本研究中使用的数据集包含射频信号的小片段。将 GAN 生成的信号长度增加到秒级，将需要一种新的 GAN 架构。目前的工作显示了对合成数据的定性模仿，因此在这一点上，GAN 并不优于合成生成。今后的目标是将这项研究扩展到空中数据收集。