基于辅助分类对抗生成网络的孔隙介质生成

由于孔隙介质应用广泛,如何生成具有一定特性的介质结构引起了研究者们的兴趣。文章采用几何体随机填充法形成训练数据,采用无监督深度学习方法,搭建辅助分类对抗生成网络(Auxiliary Classifier GANs,AC-GAN),通过输入标签条件和随机噪声,生成具有一定特性的三维孔隙介质结构图像,并结合直观视觉感受和量化指标对生成图像进行分析。结果表明,生成图像质量良好,能复现训练数据图像的形态特征,且具有多样性。     

RIS辅助无线系统中基于压缩感知的稀疏度自适应级联信道估计方法研究

为了解决可重构智能超表面(Reconfigurable Intelligent Surface,RIS)辅助无线通信系统中级联信道的估计问题,本文提出了一种基于压缩感知(Compressive Sensing,CS)的自适应双结构稀疏正交匹配追踪算法(Adaptive Double-Structured Orthogonal Matching Pursuit,ADS-OMP)。已有的双结构稀疏正交匹配追踪算法(Double-Structured Orthogonal Matching Pursuit,DS-OMP)利用级联信道的双结构稀疏特性即行稀疏特性和列稀疏特性来提高算法估计性能,但需要已知相关信道稀疏度信息。本文提出的ADS-OMP算法在现有的DS-OMP算法基础上设计合理的判决准则和迭代阈值来估计相关稀疏度,从而能在角域级联信道的行稀疏度和列稀疏度均未知的情况下完成级联信道估计,有效克服了现有DS-OMP算法对相关信道稀疏度的依赖,算法实用性更强。仿真结果表明,本文提出的ADS-OMP算法和已有DS-OMP算法估计性能一致,算法复杂度在同一数量级上,前者复杂度略微提升。     

分布式机器学习在RIS辅助的无线信道估计中的应用

无线信道估计是部署可重构智能超表面(Reconfigurable Intelligent Surface, RIS)辅助通信系统的关键与前提,然而下行链路传输环境下信道估计困难且导频开销大是对智能超表面辅助通信的重大挑战。针对以上问题,提出了一种基于分布式机器学习(Distributed Machine Learning, DML)训练模型的区域交集切换方案。首先,建立了一个多用户共享的下行信道估计神经网络,通过DML技术协同用户与基站训练网络模型。其次,搭建分层次神经网络结构对用户区域信道进行分类和特征提取。最后,针对用户处于相邻信道交集位置问题采用特征区域模型融合。仿真结果表明,基于区域交集的DML模型方案能在减少信道训练导频开销的同时最大化信道估计的精准性能。     

基于复数生成对抗网络的5G OFDM信道估计方法

准确的信道估计能够显著地降低误码率（bit error rate,BER）,提高无线通信效率和质量,是5G OFDM通信系统接收机设计的关键环节之一。基于最小二乘（least square,LS）法和基于最小均方差（minimum mean square error,MMSE）的信道估计方法利用系统稀疏性计算信道响应矩阵,但LS算法计算精度较低,而MMSE算法计算量过大。为提升估计精度,业界设计了基于深度学习的信道估计方法。然而,现有的深度学习方法将复数矩阵拆分成实部和虚部,没有充分提取信道中的复数特征,造成估计的信道响应矩阵出现失真。为此,设计了一种基于复数的生成对抗网络模型,充分提取信号的复数特征,从而更准确地估计5G新空口（new radio,NR）标准的物理下行链路共享信道（physical downlink shared channel,PDSCH）的信道响应矩阵。为了验证所提方法的有效性,将所提方法分别与LS算法、实际信道估计、超分辨率神经网络、残差神经网络信道估计算法进行了对比分析。结果表明,当估计的信道响应矩阵与真实矩阵之间的均方差达到0.01时,采用所提方法实现的无线...     

基于条件生成对抗网络的交互式辅助室内设计算法

针对现有室内设计方法计算量大、无法根据用户需求快速迭代更新生成结果的问题,文中提出了一种基于条件对抗网络的交互式辅助室内设计算法。该算法使用生成对抗网络作为基础结构,将用户的需求编码成输入向量,通过级联3个生成对抗网络逐步得到用户定义的房间轮廓、功能分区和家具布置结果,实现由粗放到精细的辅助室内设计,并生成多样化的室内设计结果。仿真与测试结果表明,文中所提出的方法能够得到更加真实的室内布局结果,且用户满意度更高。     

基于条件生成对抗网络的信号生成技术

通信信号生成通常也叫信号重构,信号重构在欺骗干扰、环境构建等方面具有广泛应用,而生成对抗网络的提出为通信领域中的信号重构带来了新思路。文中利用生成对抗网络,在不对通信信号进行参数测量与特征分析的情况下,实现通信模拟调制信号的生成,并加入监督学习,使用有标签的数据集,在WGAN-GP的基础上构建CGAN与ACGAN两种网络模型进行模拟调制信号的生成,并在训练完成的生成器中通过指定标签生成特定调制样式的通信信号,最后经过对比分析,基于ACGAN的模拟调制信号生成的质量更优。     

可重构智能表面辅助通信系统时变级联信道估计

针对可重构智能表面（RIS）辅助通信系统时变级联信道的估计中需解决的级联信道稀疏表示、时变信道参数跟踪和信号重构等关键问题,提出了一种结合Khatri-Rao积的分层贝叶斯卡尔曼滤波（KR-HBKF）算法。该算法首先利用信道的稀疏特性,通过Khatri-Rao积和克罗内克积变换得到RIS级联信道的稀疏表示,将RIS级联信道估计问题转化为低维度的稀疏信号恢复问题。然后,根据RIS级联信道的状态演化模型,在HBKF算法的预测模型中引入了时间相关性参数,应用改进的HBKF解决时变信道参数跟踪和信号重构问题,完成时变级联信道的估计。KR-HBKF算法综合利用了信道的稀疏性和时间相关性,能以较小的导频开销获得更好的估计精度。仿真结果表明,与传统压缩感知算法相比,所提算法具有约5dB的估计性能提升,且在不同的时变信道条件下具有更好的鲁棒性。     

可重构智能表面辅助的毫米波信道估计算法

针对可重构智能表面(RIS)辅助的毫米波通信中信道状态信息难以获取问题,该文给RIS的部分器件配备射频链,以分开估计基站(BS)/用户(UE)到RIS之间的信道。根据该结构,提出一种低复杂度的信道估计算法。该算法首先采用解耦原子范数最小化(ANM)方法将信道的离开角和到达角的2维角度估计问题转化为两个1维的角度估计的半正定规划(SDP)问题;其次,利用交替方向乘子算法(ADMM)对该SDP问题进行求解,采用动量梯度下降法对信道矩阵参数进行更新以避免矩阵求逆运算,并通过对迭代步长和信道矩阵参数的联合优化以获得更加精准的信道估计值;最后利用信号的2维角度和信道矩阵参数得到路径增益估计。仿真结果表明,该算法达到了优良的信道估计性能,且在确保信道估计性能的系统参数设置下,该算法的复杂度较低。     

基于GAN的导频配置和信道估计联合优化算法

随着通信设备的爆炸式增长,信道环境变得愈加复杂,传统信道估计方法需要进一步增加导频开销以维持现有信道估计精度。然而,这会导致系统吞吐量的下降。首先,提出了一种基于GAN的信道估计方法以在OFDM通信系统中解决这一问题。然后,采用GAN模型去学习从低维的潜向量到真实信道样本的映射关系。最后,在此基础上进行联合的导频配置优化。     

基于改进生成对抗网络的红外图像增强算法

针对红外图像细节分辨率不高、目标边缘模糊等,提出一种基于改进生成对抗网络的红外图像增强算法。首先,基于编码解码网络U-Net构建生成器,优化U-Net跳跃连接方式,融合全局上下文模块,实现全局和局部特征的上下文建模;然后,基于胶囊网络构建鉴别器,结合Res2Net改进胶囊网络结构,并对胶囊网络全连接层进行反卷积重构,实现多尺度图像特征提取,减少模型参数冗余。实验表明,与当前主流算法相比,该算法能有效突出细节信息、抑制噪声,提高图像分辨率和视觉效果。     

可重构智能表面中低复杂度毫米波信道估计算法

针对可重构智能表面(RIS)辅助的大规模多输入多输出(MIMO)毫米波系统中信道估计复杂度高的问题,该文提出一种低复杂度的信道估计算法。在该方案中,将RIS部分元素连接射频(RF)链,分离估计基站/用户和RIS之间的信道,分开获取信道有助于提升用户移动性场景下信道估计的灵活性。在所考虑系统中,首次使用低复杂度的2维快速傅里叶变换(2D-FFT)算法对角度进行估计,并考虑信号补零以获得更加精准的角度估计值,最后利用信号2维空间谱的谱峰和其对应的辐角得到路径增益估计。仿真结果表明,该算法达到了优良的信道估计性能,且在确保信道估计性能的系统参数设置下,该算法具有压倒性的复杂度优势。     

基于对抗生成网络的纹理合成方法

纹理合成是计算机图形学、计算机视觉和图像处理领域的研究热点之一。传统的纹理合成方法往往通过提取有效的特征样式或统计量并在该特征信息的约束下生成随机图像来实现。对抗生成网络作为一种较新的深度网络形式,通过生成器和判别器的对抗训练能够随机生成与观测数据具有相同分布的新数据。鉴于此,提出了一种基于对抗生成网络的纹理合成方法。该算法的优点是不需要经过多次迭代就能够生成更真实纹理图像,且生成图像在视觉上与观测纹理图像一致的同时具有一定随机性。一系列针对随机纹理和结构性纹理的合成实验验证了该算法的有效性。     

基于谱约束的生成对抗网络图像数据生成研究

数据匮乏是深度学习面临的一大难题。利用生成对抗网络(GAN)能够基于语义生成新的图像数据这一特性,提出一种基于谱约束的生成对抗网络图像数据生成方法,该方法针对卷积生成对抗网络模型易崩溃不收敛的问题,从每层神经网络的参数矩阵W的谱范数角度出发,引入谱范数归一化网络参数矩阵,将网络梯度限制在固定范围内,减缓判别网络收敛速度,从而提高GAN的训练稳定性。实验表明,通过该方法生成的数据相比原始GAN以及DCGAN、WGAN等生成的图像样本数据在图像识别网络中具有更高的准确率,能够对少量样本数据进行有效扩充。     

基于注意力机制的双向生成对抗压缩网络

针对现有的图像超分辨率算法网络模型参数量大、计算复杂度高、前向推理过程中耗时长等问题,将深度可分离卷积层引入双向对抗生成网络模型中,同时为了保证双向生成对抗网络的精度,在下采样网络中引入混合注意力机制,以保证模拟生成的低分辨率图片更加贴近现实.在i78700 CPU上对Urban100测试集的图像放大4倍,所提算法的重...     

基于改进超分辨率生成对抗网络的图像重建算法

针对现有基于像素损失的超分辨率图像重建算法对纹理等高频细节的重建效果差问题,提出了一种基于改进超分辨率生成对抗网络(SRGAN)的图像重建算法.首先,去除了生成器中的批归一化层,并结合多级残差网络和密集连接,用残差套残差密集块提高了网络提取特征的能力.然后,结合均方误差与感知损失作为指导生成器训练的损失函数,既保留了图...     

基于生成对抗网络的红外图像自适应校正算法

红外相机经过两点校正后会发生漂移,导致图像产生非均匀性噪声.传统的基于场景的非均匀性校正算法适应性较强,但会产生鬼影问题.基于深度学习的非均匀性校正方法,面对红外图像特殊的非均匀性噪声,随着网络深度增加,很容易出现图像模糊,对比度变小,细节丢失问题.针对此问题,提出一种基于生成对抗网络的非均匀性校正算法,网络分为生成网...     

基于生成对抗网络的单帧红外图像超分辨算法

高分辨率红外图像的获取受到了硬件性能的限制,利用信号处理的方法实现红外图像的超分辨率重建可以有效地提高红外图像的分辨率.将基于深度学习的超分辨方法应用于红外图像,实现了单帧红外图像的超分辨率重建,获得了更好的评价结果.通过引入对抗训练的思想,以及添加基于判别网络的损失函数分量,提高了放大倍数的同时,获得更好的高频细节恢复,图像边缘锐化,避免了超分辨率红外图像过于模糊.