基于无监督生成对抗网络建模正交频分复用通信信号的可行性

在真实环境中从商用通信设备获取的高质量射频（RF）发射记录，常需用于开发和评估频谱共享技术与实践，例如用于训练和测试频谱感知算法以及干扰测试。遗憾的是，此类数据收集耗时、昂贵，加之数据共享限制，带来了显著挑战，限制了数据集的可用性。此外，从第一性原理出发建立真实世界射频发射的精确模型通常非常困难，因为系统参数和实现细节至多仅部分已知，且复杂系统动态难以刻画。因此，亟需灵活的、数据驱动的方法，能够利用现有数据集合成额外的相似波形。一种有前景的机器学习方法是使用生成对抗网络（GANs）的无监督深度生成建模。迄今为止，针对射频通信信号的 GAN 尚未被深入研究。本文首次对使用基带正交频分复用（OFDM）信号训练的 GAN 所生成信号的保真度进行了深入探究，其中每个子载波采用正交振幅调制（QAM）进行数字调制。在已有 GAN 方法基础上，我们开发了两种新颖的 GAN 模型，并利用具有已知真值的模拟数据集评估其性能。具体而言，我们针对一系列 OFDM 参数与条件（包括衰落信道）下数据集复杂度的增加考察了模型性能。本文所得发现阐明了相关用例的可行性，并为进一步研究射频通信信号的深度生成模型奠定了基础。