[发明专利]一种基于条件生成对抗网络的信道切换策略学习方法

说明书

本发明公开了一种基于条件生成对抗网络的信道切换策略学习方法，包括：将通信方当前时刻通信信道作为生成网络的输入，受到干扰后所转移到下一时刻通信信道作为真实样本，对CGAN进行训练，使得生成网络能够根据输入的当前时刻通信信道，预测出下一时刻的通信信道。本发明的方法通过对通信方信道选择历史进行学习，能够较快地学习到通信方的信道转换策略，准确预测通信方下一时刻的通信信道。

技术领域

本发明涉及通信技术，具体涉及一种基于条件生成对抗网络的信道切换策略学习方法。

背景技术

在通信干扰过程中，当通信方采用切换通信信道的方式躲避干扰时，干扰方往往要经过一段时间的观察，才能确定通信方下一时刻的通信信道，并切换干扰信道实施干扰，但此时可能已经错过了最佳的干扰时机。因此，为使干扰方能够自适应地对通信方的信道切换策略进行学习，预测出下一时刻的通信信道，在一定程度上前瞻性对下一时刻的通信信道进行干扰。

发明内容

本发明的主要目的在于提供一种基于条件生成对抗网络的信道切换策略学习方法，能够较快地学习到通信方的信道转换策略，准确预测通信方下一时刻的通信信道。

本发明采用的技术方案是：一种基于条件生成对抗网络的信道切换策略学习方法，包括：

将通信方当前时刻通信信道作为生成网络的输入，受到干扰后所转移到下一时刻通信信道作为真实样本，对CGAN进行训练，使得生成网络能够根据输入的当前时刻通信信道，预测出下一时刻的通信信道。

进一步地，所述方法具体包括：

条件生成对抗网络：

CGAN的损失函数为式(1)：

(1)

式(1)中为真实样本的分布，为输入随机噪声的分布，表示输入是真实样本和标签时，D的输出，表示输入为随机噪声和标签时，G的输出；经过训练，G根据指定的标签生成相应的数据；

损失函数设计：

用均方误差衡量同一当前信道下，预测的下一时刻信道和真实的下一时刻信道之间的相似度，并添加到生成的损失函数中去，生成网络的损失函数就如式(2)所示：

          (2)

式中，表示真实的下一时刻信道和生成网络预测的下一时刻信道间的MSE，表示两向量和间的距离；

CGAN的整体损失函数如式(3)所示：

         (3)

网络结构设计：

生成网络与判别网络都只含有一个隐藏层，并且隐藏层和输出层都用全连接层加激活函数实现。

本发明的优点：

本发明的方法将通信方当前时刻通信信道作为生成网络的输入，受到干扰后所转移到下一时刻通信信道作为真实样本，对CGAN进行训练，使得生成网络能够根据输入的当前时刻通信信道，预测出下一时刻的通信信道。通过对通信方信道选择历史进行学习，能够较快地学习到通信方的信道转换策略，准确预测通信方下一时刻的通信信道。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是CGAN的基本结构图；

图2是本发明的基于条件生成对抗网络的信道切换策略学习技术模型图；