基于CGAN恢复陷窄带干扰信号的通信系统测试

已于 2024-03-30 16:26:50 修改
阅读量2.3k 收藏 45
点赞数 56
文章标签： matlab 信息与通信 神经网络 python
于 2024-02-22 15:49:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46846151/article/details/136107026
版权

一、系统框架

通信系统的一般框架如下图所示。实际通信系统不一定包含图中的所有环节，本设计是数字带通传输系统，但仿真中省略了上变频、下变频部分。并且省略了信源编码、加密、信道编码部分，直接产生随机二进制序列进行QPSK映射。另外，在上采样后，对信号添加了AWGN和窄带干扰，下采样后陷波陷掉窄带干扰，然后进行解调译码等，在不同的参数下，测试系统的抗干扰性能。当系统有频率偏移时，采用PLL锁相环对频偏进行矫正，测试不同频偏下的BER，锁相会引入相位模糊，通过插入导频的方式解决。
在这里插入图片描述

如图所示为本设计的系统结构之一。随机产生的二进制序列经过QPSK、成型滤波、上采样后，直接下采样得到的信号clean_signals为CGAN的标签。上采样后的信号经过加性高斯白噪声、窄带噪声，加频偏后通过匹配滤波、下采样，后陷波、载波同步、消除相位模糊。如果不经过锁相，那么陷波后的信号即为CGAN网络的输入，如果经过锁相，那么经过载波同步、消除相位模糊的信号为CGAN网络的输入。输入信号学习标签，生成的信号再送入MATLAB计算BER。在实验数据1~4中采用的是这种结构。
在这里插入图片描述

下图所示为本设计的另一个系统结构。加窄带高斯后，先陷波，在PLL同步、消除相位模糊，然后匹配滤波和下采样。在实验数据5（包括）及以后的部分采用此结构。后续可以将第一种结构作为baseline对比。
在这里插入图片描述

二、系统参数

参数内容
调制方式QPSK
符号速率2e8
成型滤波器点数8
匹配滤波器点数8
带宽100M
窄带范围[4e7,5e7]（10M）
陷波带宽10M/15M/20M
上采样倍数2/4
采样频率4e8/8e8
信噪比8dB/5dB
信干比-10dB/-20dB/-30dB
频偏0/2000/4000/5000
EbN08dB

三、基础知识

1.EbN0与SNR关系

EbN0和SNR的关系在MATLAB的官方文档中有具体的说明，详见help awgn（在命令行输入即可）：
在这里插入图片描述
EbN0 = SNR + 10log10（oversampled rate）-10log10（k），其中oversampled rate为上采样倍数，k为每个符号包含的比特数，当上采样倍数为2且调制方式为QPSK时，EbN0等于SNR。
在MATLAB中，我们可以使用bertool工具箱计算不同EbN0下的BER。 在本设计中，BER要求为10e-2，由图知EbN0大于等于4dB即可，由于bertool中的理论仿真是没有干扰的，所以我们设计中，保证EbN0大于7dB或者8dB即可。
在这里插入图片描述

2.锁相原理（参考MATLAB官方文档）

（1）载波同步

载波同步是基于锁相环技术使本地获取和载波同频同相的参考信号，用来解调信号。载波同步就是对本地参考信号进行频率和相位偏差的补偿，进而实现本地参考信号和载波信号同频同相。
comm.CarrierSynchronizer System object™ 用于补偿使用单载波调制方案的信号中的载波频率和相位偏移，创建并调用即可。载波同步器算法对于 BPSK、QPSK、OQPSK、8-PSK、PAM 和QAM 兼容。详见help comm.CarrierSynchronizer。

% 校正接收信号中的相位和频率偏移
carrierSync = comm.CarrierSynchronizer('SamplesPerSymbol',1,'Modulation','QPSK');
 % 对输入信号的频率偏移进行补偿
syncSignal(:,jj) = step(carrierSync,sig_r_trap(:,jj));

（2）相位模糊

同步算法会产生相位模糊问题，同步器引入的潜在相位模糊度取决于调制类型，如本设计中的QPSK引入的相位模糊可能是0、90、180、270。以下是解决相位模糊的代码。idx是随机选取的部分导频信号，通过这些符号来估计相位偏移，用于纠正相位模糊。

%%--------------------------- Phase ambiguity ---------------------------%%
idx = 1:50;
phOffset = angle(modSig(idx) .* conj(syncSignal(idx)));
phOffset = round((2/pi) * phOffset); % -1, 0, 1, +/-2
phOffset(phOffset==-2) = 2; % Prep for mean operation
phOffset = mean((pi/2) * phOffset); % -pi/2, 0, pi/2, or pi
disp(['Estimated mean phase offset = ',num2str(phOffset*180/pi),' degrees'])
%%------------------------------ Phase Shift ----------------------------%%
resPhzSig = exp(1i*phOffset) * syncSignal;

四、CGAN网络

五、部分实验数据

1.第一部分实验数据：上采样倍数16，EbN0为19.03dB（SNR=10dB）

参数内容
EbN019.03dB
信噪比10dB
上采样倍数16
采样频率32e8
信干比-10dB/-20dB/-30dB
频偏0~5000

（1）SIR=-10dB，SNR=10dB，不同频偏下加锁相的BER和BER（afterGAN）

结论：SIR=-10dB，SNR=10dB，频偏0~10kHz，锁相后BER为10e-2量级，通过GAN增强后BER降低至10e-3量级。
在这里插入图片描述

（2）SIR=-10dB，SNR=10dB，相同频偏下，加锁相和不加锁相的BER和BER（afterGAN）

结论：
2.SIR=-10dB，SNR=10dB，当FrequencyOffset<5000时，不锁相效果更好；当FrequencyOffset≥5000时，锁相后BER更低。BER为10e-2量级，通过GAN增强后BER降低至10e-3量级。
在这里插入图片描述

（3）SNR=10dB，SIR=-20dB，相同频偏下，加锁相和不加锁相下的BER和BER（afterGAN）

结论：
3.SIR=-20dB，SNR=10dB，当FrequencyOffset≤5000时，不锁相效果更好，BER为10e-2量级，通过GAN增强后BER降低。
在这里插入图片描述

（4）SNR=10dB，SIR=-30dB，相同频偏下，加锁相和不加锁相下的BER和BER（afterGAN）

结论：
4.SIR=-30dB，SNR=10dB，当FrequencyOffset≤5000时，不锁相效果更好，BER为10e-1量级，通过GAN增强后BER降低至10e-2量级。锁相后BER为0.5左右。
在这里插入图片描述

（5）SNR=10dB，相同频偏，不加锁相，不同SIR下的BER和BER（afterGAN）

结论：
5.当FrequencyOffset≤5000、SIR≥-30dB且不加锁相时，GAN能有效降低BER。
在这里插入图片描述

（6）SNR=10dB，相同频偏，加锁相，不同SIR下的BER和BER（afterGAN）

结论：
6.当FrequencyOffset≤5000、SIR≥-20dB且加锁相时，GAN能有效降低BER。SIR=-30dB时且加锁相时，BER为0.5，且生成器不收敛。
在这里插入图片描述
实际系统中，上采样倍数没有这么高，为和硬件保持一致，设置为2或者4。

2.第二部分实验数据：上采样倍数2/4

参数内容
EbN08dB
信噪比8dB
上采样倍数2/4
采样频率4e8/8e8
信干比-10dB/-20dB/-30dB
频偏0/2000/5000

（1）sps=2，SNR=8dB，不加锁相，相同频偏不同SIR下的BER和BER（afterGAN）

在这里插入图片描述

（2）sps=4，SNR=5dB，不加锁相，相同频偏不同SIR下的BER和BER（afterGAN）

在这里插入图片描述

3.第三部分实验数据：每帧符号数为16384，上采样倍数为2/4

（1）频率分辨率

频率分辨率是指所用的算法能将信号中两个靠得很近的谱峰保持分开的能力。DFT频率分辨率为Δf=fs/N。
实际应用时，可以将频率分辨率理解为频谱图中，在频率轴（频谱图的水平轴)）上得到的最小频率间隔如果采样频率为fs，采样时间间隔为t，采样点数为N，采样时间为t（完成一组样本的采集所需要的时间），则频率分辨率为：f0 = fs/N = 1/t。所以信号长度越长，频率分辨率越好。
为了使陷波更加精准，将每帧符号数修改为16384，最后生成的clean_signals和noise_signals均reshape为[frame,1024,16]输入CGAN。

（2）实验参数

参数内容
EbN08dB
信噪比8dB
上采样倍数2
采样频率4e8
信干比-10dB/-20dB/-30dB
频偏0/2000/5000

（3）实验结果

不加PLL时，每帧符号数16384，上采样倍数为2，EbNo = SNR = 8dB
结论：当符号数增加为16384后，频偏为0时BER有所提升；频偏不为0时，BER增大。原因如下。
在这里插入图片描述

（4）原因分析

如下是代码中添加频偏的部分：

Rs = 2e8;                          % 符号速率
sps = 2;                           % 上采样倍数
fs = sps * Rs;                     % 采样频率
symbol_num = 16384;
f_shift = 2000;                        % 频率偏移
t0 = (0:symbol_num*sps-1)/fs;
% 加频偏
channel_out_delay(:,jj) = channel_out(:,jj).*exp(1j*2*pi*f_shift*t0');
plot(t0,real(exp(1j*2*pi*f_shift*t0')));

以频偏为2000为例，不同符号数的指数信号实部时域图像如图所示。
符号数为1024时，值基本上都在0.99附近，所以频偏对信号影响就比较小。符号数增长后，信号衰减较大，导致了BER变高。序列越长、频偏越大，对BER的影响越大。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.第四部分实验数据：每帧符号数16384，上采样倍数为2，EbNo = SNR = 8dB

结论：当信干比为-10dB时，陷波15M效果更好；当信干比为-20dB时，陷波20M效果更好；当信干比为-30dB时，陷波应该更多。（符号序列长度、频偏不影响陷波的多少）
在这里插入图片描述

5.第五部分实验数据：

之前系统结构不对，接收端应该是陷波-PLL-匹配-下采，而不是匹配-下采-陷波-PLL。系统结构改变后，数据下表所示：

（1）表5.1 SNR=8dB，相同频偏不加PLL不同SIR下的BER(先陷波)和BER(先匹配)

在这里插入图片描述
结论：没有锁相时，总体来说是更改后的系统结构更好，且下采样时应该用OM插值点。

（2）表5.2 SNR=8dB，相同频偏加PLL不同SIR下的BER(先陷波)和BER(先匹配)

在这里插入图片描述
结论：加锁相后，接收端先匹配下采后陷波PLL（更改前的系统结构）效果更好。表5.1和5.2对比，不锁相效果更好。

6.第六部分实验数据

用16384点陷波时，并没有让BER提高，可能是因为陷波不加过渡带是10M，加上过渡带可能是15M、16M，所以调整干扰，使得干扰加上过渡带后一共10M，然后陷10M测试BER。（事实上不对，因为以前也陷15M，肯定陷干净了，看频谱图也知道陷干净了，这样做只不过给干扰减小了）
干扰+过渡带一共10M时，加的干扰只有4~5M。

（1）干扰5M，陷波10M，不加锁相，对比不同符号数对BER的影响

在这里插入图片描述
结论：当符号数增加为16384后，频偏为0时BER有所提升；频偏不为0时，BER增大。

（2）每帧符号数16384，干扰5M，陷波10M，对比锁相和不锁相对BER的影响

在这里插入图片描述
结论：当符号数增加为16384后，频偏不为0时，累计频偏变大，PLL有效，所以BER提升。（与之前的结论是一致的）

（3）干扰4M，陷波10M，不加锁相，对比不同符号数对BER的影响

在这里插入图片描述
结论：当符号数增加为16384后，频偏为0时BER有所提升；频偏不为0时，BER增大。

（4）每帧符号数16384，干扰4M，陷波10M，对比锁相和不锁相对BER的影响

在这里插入图片描述
结论：当符号数增加为16384后，频偏不为0时，累计频偏变大，PLL有效，所以BER提升。（与之前的结论是一致的）

7.第七部分实验数据

符号数改为16384后，当频偏不为0时，BER会变大。为了解决这个问题，引入多普勒频偏，多普勒频偏的最大值设置为5kHz。

六、实验中报错及解决

1.转置导致BER高的问题

MATLAB中，复数信号的矩阵转置为共轭转置，如果仅仅需要转置，不能使用以下代码进行转置。

Sig = rxsig';

在命令行中进行测试：
在这里插入图片描述
因此，在转置时导致了数据共轭，而数据维度正确从而不会报错，导致BER在0.5左右。
正确的转置代码如下：

Sig = rxsig.';

2.画图出现的陷波不完全问题

修改系统结构后，从匹配-下采-陷波-PLL到陷波-PLL-匹配-下采。第一种系统结构，画陷波后数据时已经下采过了，所以是channel_out_r(1:symbol_num,pp)，symbol_num=1024。修改系统结构后，陷波之后还没下采，应该横坐标是2048个点，channel_out_r(:,pp)。如果还用channel_out_r(1:symbol_num,pp)就会出现陷波好像没陷干净的问题。

3.comm.QPSKModulator和pskmod

matlab中提示：以后的版本中将会删除’comm.QPSKModulator’。请对代码进行相应更改后改用’pskmod’。
y = pskmod(x,M,phaseoffset,symorder,InputType=‘bit’)
其中， Input type, specified as either ‘integer’ or ‘bit’.
‘integer’ –– Input signal consists of integers in the range [0, M–1].
‘bit’ –– Input signal consists of binary values and the number of rows must be an integer multiple of log2(M).
接下来两种都给个示例：
首先是integer输入：

		M = 4;
        symbol_num = 1024;
        % 产生随机二进制序列
        msg(:,jj) = randi([0 M-1], symbol_num , 1);   
        % 调制
        msgmod(:,jj) = pskmod(msg(:,jj),M,pi/M,'gray');

在这里插入图片描述
在这里插入图片描述

其次是bit输入：

		M = 4;
        symbol_num = 1024;
        % 产生随机二进制序列
        msg(:,jj) = randi([0 1], 2*symbol_num , 1);   
        % 调制
        msgmod(:,jj) = pskmod(msg(:,jj),M,pi/M,'gray',InputType='bit');

在这里插入图片描述

在这里插入图片描述
对应关系是一致的，黑色的是bit，红色的是integer，蓝色的是qpsk调制的结果。采用的是格雷码编码方式。
调制的输入为InputType=‘bit’，解调的输出为OutputType=‘bit’，可以测误比特率；如果是InputType=‘integer’，OutputType=‘integer’，可以测误码率。

PerfectSignal
关注
  • 56
    点赞
  • 踩
  • 45
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
CGAN之条件生成对抗网络（Matlab）
ynn4818172的博客
01-30 3272
CGAN之条件生成对抗网络（Matlab）
java未定义变量_从java调用未定义变量“调制解调器”或类“modem.pskmod”
weixin_42402241的博客
02-25 368
好的，经过多次测试并比较了不带GUI的应用程序和带GUI的应用程序之间的区别。我找到了解决我的问题的方法。由于没有GUI运行初始化从应用程序的启动方法的应用程序(只有一个线程)import matlabFunction.*;public static void main(String[] args) {matlabFunction test = new matlabFunction(); test...
GAN生成对抗网络-CGAN原理与基本实现-条件生成对抗网络04
gemoumou的python学习实记
12-14 1146
CGAN - 条件GAN 原始GAN的缺点
深度学习故障诊断之-使用条件生成对抗网络CGAN生成泵流量信号
weixin_39402231的博客
09-29 3365
生成对抗网络 (GAN) 可用于生成近似真实数据的数据。 当模拟计算成本较高或实验成本较高时，GAN 非常有用。 条件 GAN（CGAN）可以在训练过程中使用数据标签来生成属于特定类别的数据。注意：本例将泵Simulink模型获得的模拟信号视为“真实”数据，当作CGAN 的训练数据集。 CGAN 使用一维卷积网络，此外本例使用主成分分析 (PCA) 直观地比较生成信号和真实信号的特征。三缸柱塞泵的Simulink模型如下，来源于mathworks大佬。
GAN生成对抗网络
02-22
大神介绍GAN，完美诠释作者思想。当前最火GAN的最详细介绍
基于CGAN-LSTM的无监督网络异常流量检测算法.docx
06-19
"基于CGAN-LSTM的无监督网络异常流量检测算法" 该文档关注的是基于Conditional Generative Adversarial Networks-Long Short Term Memory（CGAN-LSTM）的无监督网络异常流量检测算法。该算法旨在解决现有的无监督...
基于CGAN的自适应密集特征融合水下图像增强算法.docx
12-01
"基于CGAN的自适应密集特征融合水下图像增强算法" 本文提出了一种基于条件生成对抗网络（Conditional GAN，CGAN）的自适应密集特征融合水下图像增强算法，以解决水下图像增强问题。该算法基于CGAN，使用U-Net结构...
9.基于cGAN的pix2pix 模型与自动上色技术 python代码实现
05-08
在本主题中，我们将深入探讨基于cGAN（条件生成对抗网络）的pix2pix模型以及如何使用Python实现自动上色技术。cGANs是生成对抗网络（GANs）的一个变体，它引入了条件信息来指导生成过程，使得生成的结果更加具体和可...
CGAN_CGAN_GaN_
10-03
CGAN的损失函数通常基于原始GAN的损失函数进行修改，添加了条件信息y的影响。对于生成器，目标是欺骗判别器，使其认为生成的样本是真实的，因此损失函数通常为： L_G = - E[log D(G(z,y))] 对于判别器，目标是正确...
实用代码 17 CGAN和ACGAN
04-18
实用代码 17 CGAN和ACGAN实用代码 17 CGAN和ACGAN实用代码 17 CGAN和ACGAN实用代码 17 CGAN和ACGAN实用代码 17 CGAN和ACGAN实用代码 17 CGAN和ACGAN实用代码 17 CGAN和ACGAN实用代码 17 CGAN和ACGAN实用代码 17 CGAN...
matlab对比实验代码-pGAN-cGAN:肝癌
05-22
matlab对比实验代码pGAN和cGAN 这些技术（pGAN和cGAN）在论文中进行了描述： Dar SUH，Yurt M，Karancan L，Erdem A，Erdem E，ÇukurT.使用条件生成对抗网络的多对比度MRI中的图像合成。 IEEE医学影像交易。 2019。 演示版 以下命令在IXI数据集中的图像上训练和测试用于T1到T2合成的pGAN和cGAN模型。 可以从上下载注册的培训和测试科目的数据集。 复制当前目录中的“数据集”文件夹。 预训练的pGAN和cGAN模型也出现在checkpoints目录中。 要在其他数据集上运行代码，请创建一个名为“ data.mat”的文件以进行训练，测试和验证样本，并将其放置在其相应的目录（数据集/您的数据/火车，测试，val）中。 “ data.mat”应包含名为data_x的变量（用于源对比度）和名为data_y的变量（用于目标对比度）。 如果您是通过Matlab创建“ data.mat”文件，请确保尺寸（1、2、3、4）对应于（相邻切片，样本数量，x尺寸，y尺寸）。 如果要通过python保存文件，则转置尺寸。 另外，请确保每个
3 李宏毅生成对抗网络学习———cGAN条件生成对抗网络
qq_35608277的博客
11-09 1760
ref https://blog.csdn.net/Teeyohuang/article/details/82391251 code https://blog.csdn.net/yinruiyang94/article/details/78122629
CGAN-条件生成式对抗网络（附源代码，可以直接运行）
qq_29462849的博客
06-02 1万+
简介 所谓CGAN，就是conditional Gan，针对GAN本身不可控的缺点，加入监督信息，指导GAN网络进行生成。关于GAN，可以参考这篇博客，GAN算法讲解。 不同之处 CGAN和GAN唯一不同处就是，CGAN是在条件下的概率，y就是加入的监督信息，比如说MNIST数据集可以提供数字label信息，人脸生成可以提供性别、是否微笑、年龄等信息。从下面的公式可以看出，CGAN和GAN几...
ML之RF：基于Matlab利用RF算法实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
10-20 1万+
ML之RF：基于Matlab利用RF算法实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性 目录 输出结果 实现代码 输出结果 更新…… 实现代码 %RF：RF实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性 loaddata.mat a =randperm(569); Train...
生成对抗网络(二)——cGAN
木盏
08-02 3948
cGAN = conditional GAN 也是
CGAN结构详细解读
ForLearning
10-17 2万+
前言本文适用于对CGAN结构不懂得同学，所谓CGAN，就是conditional Gan，针对GAN本身不可控的缺点，加入监督信息，指导GAN网络进行生成。CGAN结构y就是加入的监督信息，比如说MNIST数据集可以提供数字label信息，人脸生成可以提供性别、是否微笑、年龄等信息；我们具体分析的是InfoGan里面的MNIST生成结构，网络结构如下图： 如果对conv和upconv有不理解的同学
CGAN原理及tensorflow代码
qq_26499769的博客
11-07 4698
1.首先说明一下CGAN的意义 GAN的原始模型有很多可以改进的缺点，首当其中就是“模型不可控”。从上面对GAN的介绍能够看出，模型以一个随机噪声为输入。显然，我们很难对输出的结构进行控制。例如，使用纯粹的GAN，我们可以训练出一个生成器：输入随机噪声，产生一张写着0-9某一个数字的图片。然而，在现实应用中，我们往往想要生成“指定”的一张图片。 2.直观解决方案 在GAN上增加一个额外的输入...
CGAN（条件生成-对抗网络）简述教程
热门推荐
与贰的博客
09-17 5万+
一直以来提醒自己说，你要坚持，要坚持，要坚持更新，坚持读paper，要是现在都坚持不下去，还有将近五年该怎么办呐。 所幸，我还是有底线的，在今天抽了一个下午，看了看论文，跑了跑代码，过程谈不上舒服，也谈不上艰辛，但是终究是有收获的。记录一下今天的收获 今天看的这篇论文其实很简单，名字叫《Conditional Generative Adversarial Nets》，简单来说就是条件生成-对抗...
无线通信与编码实验_MATLAB利用限幅和滤波操作实现OFDM系统降峰均比（PAPR）_含实现代码
qq_45908742的博客
06-11 4410
OFDM系统中需要采用一些技术来控制PAPR，以改善系统性能，例如：部分传输序列（Partial Transmit Sequence, PTS）、选择性 mapping、幅度调制和调制指数优化等。在OFDM系统中，经过IFFT运算之后所有的子载波相加，时域的发射信号会有很高的峰值。与单载波系统相比，OFDM系统具有很高的PAPR。（峰值-平均功率比 Peak to Average Power Ratio, PAPR）
基于gan和cgan的脑电情绪识别
最新发布
08-02
基于生成对抗网络（GAN）和条件生成对抗网络（CGAN）的脑电情绪识别是一种使用人工智能技术来分析和预测人的情绪状态的方法。脑电情绪识别是指通过对人脑产生的电信号进行分析，来确定人的情绪状态，这对于心理学和...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值