特表 2023-534325 条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-08-09

(54)【発明の名称】条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法

(51)【国際特許分類】

   G06N 3/094 20230101AFI20230802BHJP

   B63G 8/39 20060101ALI20230802BHJP

【ＦＩ】

G06N3/094

B63G8/39

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2022538476

(86)(22)【出願日】2021-11-01

(85)【翻訳文提出日】2022-06-21

(86)【国際出願番号】 CN2021127831

(87)【国際公開番号】W WO2022262173

(87)【国際公開日】2022-12-22

(31)【優先権主張番号】202110672889.8

(32)【優先日】2021-06-17

(33)【優先権主張国・地域又は機関】CN

(81)【指定国・地域】

(71)【出願人】

【識別番号】520154254

【氏名又は名称】江蘇科技大学

【氏名又は名称原語表記】ＪＩＡＮＧＳＵ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＳＣＩＥＮＣＥ ＡＮＤ ＴＥＣＨＮＯＬＯＧＹ

【住所又は居所原語表記】Ｎｏ．２ Ｍｅｎｇｘｉ Ｒｏａｄ，Ｚｈｅｎｊｉａｎｇ，Ｊｉａｎｇｓｕ ２１２００３，Ｃｈｉｎａ

(74)【代理人】

【識別番号】110001139

【氏名又は名称】ＳＫ弁理士法人

(74)【代理人】

【識別番号】100130328

【弁理士】

【氏名又は名称】奥野 彰彦

(74)【代理人】

【識別番号】100130672

【弁理士】

【氏名又は名称】伊藤 寛之

(72)【発明者】

【氏名】王彪

(72)【発明者】

【氏名】朱雨男

(72)【発明者】

【氏名】解方▲トォン▼

(72)【発明者】

【氏名】呉承希

(72)【発明者】

【氏名】李涵瓊

(72)【発明者】

【氏名】張友文

(57)【要約】

水中音響通信技術の分野に属する、条件付き敵対的生成ネットワークに基づく水中音響チャネルのミュレーション方法である。半教師あり学習モデルを利用して、少量のサンプルデータの拡張を実現し、時変水中音響チャネルの状態情報を適応的に学習し、時変水中音響チャネルをシミュレートする効果を実現する。識別モデルを固定し、生成モデルをトレーニングすることにより、生成されたサンプルは実際の分布に近づく。生成モデルを固定し、識別モデルをトレーニングして、生成されたサンプルと実際のサンプルとを可能な限り区別し、動的なゲームプロセスを形成する。識別モデルでは、ＫＬダイバージェンスを使用して生成されたサンプル分布と実際のサンプル分布との誤差を測定し、トレーニング済みの生成モデルは時変水中音響チャネルをシミュレートする機能を備える。本方法を採用すれば、実測サンプルにより、水中音響チャネルをよりリアルに復元するとともに、より多くのテストデータを生成することができ、テストコストを大幅に削減し、チャネルシミュレーションの精度を効果的に向上させる。
【選択図】図１

【特許請求の範囲】

【請求項1】

渤海で実測された水中音響チャネル応答に基づいて十分な量の通信データセットを確立し、データ前処理を実行し、トレーニングセットとテストセットをランダムに分割する、ステップ１と、
生成モデルＧ、識別モデルＤ、及び追加条件情報を含む条件付き敵対的生成ネットワークＣＧＡＮモデルを構築する、ステップ２と、
ネットワークパラメータを設定し、トレーニングセットデータを導入するとともに、生成モデルＧと識別モデルＤをトレーニングする、ステップ３と、
テストセットデータをジェネレータネットワークに入力し、ジェネレータ出力とテストセットのコンスタレーション図を比較し、水中音響チャネルをシミュレートするＣＧＡＮの効果を検証する、ステップ４と、
を含むことを特徴とする、条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【請求項2】

前記ステップ１におけるデータセットの作成としては、ＦＢＭＣシステムの送信側で４ＱＡＭによって変調され、ノイズが重畳された送信信号が、渤海で実測された水中音響チャネルを経由し、受信側でＺＦを用いて、受信信号のコンスタレーション図を等化・復元して、１つのデータセットとして記録され、上記の手順を繰り返して十分な量の通信データセットを生成することを特徴とする、請求項１に記載の条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【請求項3】

前記ステップ１におけるデータ前処理としては、データの実数部と虚数部をそれぞれ抽出し、ＣＧＡＮジェネレータの出力層テンソルに従ってそれらを再配置することを特徴とする、請求項１に記載の条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【請求項4】

前記ステップ２では、生成モデルＧが反復学習によって実際の分布にますます近づく偽のサンプルを生成し、生成された偽のサンプルが、識別のために実際のサンプルと一緒に識別モデルＤに送信され、識別モデルＤが実際のサンプルと偽のサンプルを区別することを特徴とする、請求項１に記載の条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【請求項5】

ＣＧＡＮモデルでは、元の送信信号と受信パイロット信号が、入力層の一部として、生成モデルＧと識別モデルＤの両方の条件として追加されることを特徴とする、請求項４に記載の条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【請求項6】

前記ステップ３では、生成モデルＧと識別モデルＤを同時にトレーニングする方式としては、識別モデルＤを固定し、

が最小となるように生成モデルＧをトレーニングし、生成モデルＧを固定し、

が最大となるように識別モデルＤをトレーニングし、上記の最適化プロセスがミニマックスゲーム問題と見なされ、次のように表され、

ＣＧＡＮの最適化関数が、同様に条件付き確率

のゲームとして表されることを特徴とする、請求項１に記載の条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【請求項7】

前記ステップ３では、生成モデルＧをトレーニングする時の入力が、ランダムノイズベクトルであり、出力が４ＱＡＭ受信コンスタレーション図を前処理した後再配置されたデータであり、識別モデルＤをトレーニングする時、生成モデルＧの出力が偽のサンプルとして保存され、識別のために実際のトレーニングサンプルと一緒に識別モデルＤに入力され、生成された偽のサンプルが０として、実際のサンプルが１として表記され、識別モデルＤの出力層がＳｉｇｍｏｉｄ活性化関数を採用し、出力値が高いほど、そのサンプルが実際のサンプルセットに属する可能性が高く、その逆も同様であることを特徴とする、請求項１に記載の条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【請求項8】

前記ステップ３におけるトレーニングプロセスでは、ＫＬダイバージェンスを用いて、生成されたサンプルと実際のサンプルの間の確率分布の類似性を測定し、前記ＫＬダイバージェンスは、

であり、
この式において、

が実際のサンプルの確率分布であり、

が生成されたサンプルの確率分布である、ことを特徴とする、請求項１に記載の条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【請求項9】

前記ステップ４では、ＣＧＡＮモデルのテストとして、等長ノイズベクトルと追加条件としての元の送信信号及び受信パイロット信号を生成モデルＧに入力し、出力結果をデータ再編成することにより、生成されるコンスタレーション図となり、その際トレーニング済みの生成モデルＧが、時変水中音響チャネルをシミュレートする機能を備え、生成されたコンスタレーション図と受信信号の実際のコンスタレーション図を比較して、実際の水中音響環境をシミュレートする現在のモデルの効果を測定することを特徴とする、請求項１に記載の条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、水中音響通信技術の分野、具体的には、条件付き敵対的生成ネットワーク（ＣＧＡＮ、Ｃｏｎｄｉｔｉｏｎａｌ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｓ）に基づく時変水中音響チャネルのシミュレーション方法に関するものである。

【背景技術】

【0002】

電磁波は水中で減衰が激しく、伝搬距離が限られているため、音波をキャリアとする水中音響通信技術は、軍事面でも民生面でも重要な役割を果たしている。水中音響チャネルは、陸上無線チャンネルと異なり、ドップラー周波数シフトが大きく、マルチパス効果が強く、チャンネル帯域幅が制限され、深刻な環境ノイズが発生するなどの特徴がある。これらの空間差や時間変動効果は、水中機器による信号の受信や検出精度に影響を与え、高速で安定な水中情報伝送の実現に大きな挑戦を提起した。

【0003】

現在、国内外では、水中音響チャネルのモデリングとシミュレーションにおいて、Ｂｅｌｌｈｏｐ光線モデルとＫｒａｋｅｎノーマルモードモデルは、水中音響チャネルのインパルス応答と対応する受信信号をシミュレートするために一般的に使用されている。英国ヨーク大学は、時変チャネルモデルのベースバンド等価表現を補足し、サンプリングレートを下げ、シミュレーション時間を節約するＷａｙｍａｒｋ水中伝搬モデルを提案した。近年、深層学習技術とビッグデータ処理の発展により、従来の水中音響信号処理技術のボトルネックを打破するための新しいアイデアが提供されている。

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明の目的は、深層学習を利用して、水中音響チャネルのミュレーション方法を構築・設計することである。実測サンプルにより、水中音響チャネルをよりリアルに復元するとともに、より多くのテストデータを生成することができ、テストコストを大幅に削減し、チャネルシミュレーションの精度を効果的に向上させる。

【課題を解決するための手段】

【0005】

以下のステップを含む条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法である。

【0006】

ステップ１：渤海で実測された水中音響チャネル応答に基づいて十分な量の通信データセットを確立し、データ前処理を実行し、トレーニングセットとテストセットをランダムに分割する。

【0007】

ステップ２：生成モデルＧ、識別モデルＤ、及び追加条件情報を含む条件付き敵対的生成ネットワークＣＧＡＮモデルを構築する。

【0008】

ステップ３：ネットワークパラメータを設定し、トレーニングセットデータを導入するとともに、生成モデルＧと識別モデルＤをトレーニングする。

【0009】

ステップ４：テストセットデータをジェネレータネットワークに入力し、ジェネレータ出力とテストセットのコンスタレーション図を比較し、水中音響チャネルをシミュレートするＣＧＡＮの効果を検証する。

【0010】

さらに、前記ステップ１におけるデータセットの作成としては、ＦＢＭＣシステムの送信側で４ＱＡＭによって変調され、ノイズが重畳された送信信号は、渤海で実測された水中音響チャネルを経由し、受信側でＺＦを用いて、受信信号のコンスタレーション図を等化・復元して、１つのデータセットとして記録され、上記の手順を繰り返して十分な量の通信データセットを生成する。

【0011】

さらに、前記ステップ１におけるデータ前処理としては、データの実数部と虚数部をそれぞれ抽出し、ＣＧＡＮジェネレータの出力層テンソルに従ってそれらを再配置する。

【0012】

さらに、前記ステップ２では、生成モデルＧは反復学習によって実際の分布にますます近づく偽のサンプルを生成し、生成された偽のサンプルは、識別のために実際のサンプルと一緒に識別モデルＤに送信され、識別モデルＤは実際のサンプルと偽のサンプルを区別する。

【0013】

さらに、ＣＧＡＮモデルでは、元の送信信号と受信パイロット信号は、入力層の一部として、生成モデルＧと識別モデルＤの両方の条件として追加される。

【0014】

さらに、前記ステップ３では、生成モデルＧと識別モデルＤを同時にトレーニングする方式としては、識別モデルＤを固定し、

が最小となるように生成モデルＧをトレーニングし、生成モデルＧを固定し、

が最大となるように識別モデルＤをトレーニングし、上記の最適化プロセスはミニマックスゲーム問題と見なされ、次のように表される。

【0015】

ＣＧＡＮの最適化関数は、同様に条件付き確率

のゲームとして表される。

【0016】

さらに、前記ステップ３では、生成モデルＧをトレーニングする時の入力は、ランダムノイズベクトルであり、出力は４ＱＡＭ受信コンスタレーション図を前処理した後再配置されたデータであり、識別モデルＤをトレーニングする時、生成モデルＧの出力は偽のサンプルとして保存され、識別のために実際のトレーニングサンプルと一緒に識別モデルＤに入力される。生成された偽のサンプルは０として、実際のサンプルは１として表記され、識別モデルＤの出力層はＳｉｇｍｏｉｄ活性化関数を採用し、出力値が高いほど、そのサンプルが実際のサンプルセットに属する可能性が高く、その逆も同様である。

【0017】

さらに、前記ステップ３におけるトレーニングプロセスでは、ＫＬダイバージェンスを用いて、生成されたサンプルと実際のサンプルの間の確率分布の類似性を測定する。

ここで、

は実際のサンプルの確率分布であり、

は生成されたサンプルの確率分布である。

【0018】

さらに、前記ステップ４では、ＣＧＡＮモデルのテストとして、等長ノイズベクトルと追加条件としての元の送信信号及び受信パイロット信号を生成モデルＧに入力し、出力結果をデータ再編成することにより、生成されるコンスタレーション図となり、その際トレーニング済みの生成モデルＧは、時変水中音響チャネルをシミュレートする機能を備える。生成されたコンスタレーション図と受信信号の実際のコンスタレーション図を比較して、実際の水中音響環境をシミュレートする現在のモデルの効果を測定する。

【発明の効果】

【0019】

本発明は、以下の有益な効果を有する。本発明は、半教師ありモデルにおける生成敵対的ネットワークに基づいて、水中音響チャネル応答をシミュレートし、少量のサンプルデータの拡張を効果的に実現し、長時間のフィールドテストデータ収集を必要とせず、機器の損失を低減し、コストを大幅に節約する。それと同時に、元の送信信号と受信パイロット信号を追加条件として、実際に水中音響チャネルの時変特性をシミュレートする。固定された理論モデルはなく、実際のデータサンプルに基づいてネットワークの重みを更新し、実際の水中音響チャネル環境に適応的にフィットする。

【図面の簡単な説明】

【0020】

【図1】本発明にかかる水中音響チャネルのミュレーション方法のフローチャートである。

【図2】本発明における条件付き敵対的生成ネットワークの構造模式図である。

【図3】本発明の実施形態における渤海で実測された水中音響チャネルのインパルス応答図である。

【図4】本発明の実施形態における４ＱＡＭによって変調された受信コンスタレーション図である。

【発明を実施するための形態】

【0021】

以下、本発明の技術的手段について、明細書の図面を参照してさらに詳細に説明する。

【0022】

図１に示すように、本発明は、条件付き敵対的生成ネットワークに基づく時変水中音響チャネルのシミュレーション方法を提供する。具体的なステップ及び詳細は以下のとおりである。

【0023】

ステップ１：渤海で実測された水中音響チャネル応答に基づいて十分な量の通信データセットを確立し、データ前処理を実行し、トレーニングセットとテストセットをランダムに分割する。データセットの作成としては、具体的に、ＦＢＭＣシステムの送信側で、バイナリビットシーケンスｓは４ＱＡＭによって変調された後、ノイズが重畳され、渤海で実測された水中音響チャネルｈを経由し、受信側でＺＦアルゴリズムを用いて、受信信号のコンスタレーション図を等化・復元して、１つのデータセットとして記録される。ＣＧＡＮは複素数データを直接処理できないため、実数部と虚数部を別々に抽出し、ＣＧＡＮジェネレータの出力層テンソルに従ってそれらを再配置する必要があり、上記の手順を繰り返して十分な量の通信データセットを生成する。

【0024】

ステップ２：生成モデル（Ｇ）、識別モデル（Ｄ）、及び追加条件情報を含むＣＧＡＮモデルを構築する。図２に示すように、構築されたネットワーク構造には、二つの敵対的モデルが含まれる。生成モデル（Ｇ）は、反復学習によって実際の分布にますます近づく偽のサンプルを生成することを目的とし、その入力は、事前分布

に従うノイズベクトルｚである。生成された偽のサンプル

は、識別のために目標分布

における実際のサンプルと一緒に識別モデル（Ｄ）に送信される。識別モデル（Ｄ）は、ステップ１で記録された実際のサンプルと生成された偽のサンプルを区別することを目的としている。ＣＧＡＮは、元のＧＡＮの拡張であり、元の送信信号

と受信パイロット信号

は、入力層の一部として、生成モデル（Ｇ）と識別モデル（Ｄ）の両方の条件として追加される。

【0025】

ステップ３：ネットワークパラメータを設定し、トレーニングセットデータを導入するとともに、生成モデル（Ｇ）と識別モデル（Ｄ）をトレーニングする。

識別モデル（Ｄ）を固定し、

が最小となるように生成モデル（Ｇ）をトレーニングする。

生成モデル（Ｇ）を固定し、

が最大となるように識別モデル（Ｄ）をトレーニングする。上記の最適化プロセスはミニマックスゲーム問題と見なされ、次のように表される。

【0026】

ＣＧＡＮの最適化関数は、同様に条件付き確率

のゲームとして表される。

【0027】

生成モデル（Ｇ）をトレーニングする時の入力は、ランダムノイズベクトルであり、出力は４ＱＡＭ受信コンスタレーション図を前処理した後再配置されたデータである。識別モデル（Ｄ）をトレーニングする時、生成モデル（Ｇ）の出力は、偽のサンプルとして保存され、識別のために実際のトレーニングサンプルと一緒に識別モデル（Ｄ）に入力される。生成された偽のサンプルは０として、実際のサンプルは１として表記され、識別モデル（Ｄ）の出力層はＳｉｇｍｏｉｄ活性化関数を採用し、出力値が高いほど、そのサンプルが実際のサンプルセットに属する可能性が高く、その逆も同様である。

【0028】

トレーニングプロセスでは、ＫＬ（Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ Ｄｉｖｅｒｇｅｎｃｅ）ダイバージェンスを用いて、生成されたサンプルと実際のサンプルの間の確率分布の類似性を測定する。

ここで、

は実際のサンプルの確率分布であり、

は生成されたサンプルの確率分布である。

と

の類似性が高いほど、ＫＬダイバージェンスは小さくなる。

【0029】

ステップ４：テストセットデータをジェネレータネットワークに入力し、ジェネレータ出力とテストセットのコンスタレーション図を比較し、水中音響チャネルをシミュレートするＣＧＡＮの効果を検証する。具体的には、等長ノイズベクトルと追加条件としての元の送信信号及び受信パイロット信号を生成モデル（Ｇ）に入力し、出力結果をデータ再編成することにより、生成されるコンスタレーション図となり、その際トレーニング済みの生成モデル（Ｇ）は、時変水中音響チャネルをシミュレートする機能を備える。生成されたコンスタレーション図と受信信号の実際のコンスタレーション図を比較して、実際の水中音響環境をシミュレートする現在のモデルの効果を測定する。

【0030】

図３は、通信データサンプルセットの作成に使用される渤海海域で実測されたチャネルのインパルス応答である。試験船は約５ｋｍ離れており、試験場の水深は約５０ｍ、送信トランスデューサーの吊り下げ深さは約１５ｍ、受信ハイドロホンの吊り下げ深さは約１５ｍである。実験中、送信船と受信船の両方が自由浮遊状態である。

【0031】

図４は、受信端でＺＦアルゴリズムによって等化・復元された４ＱＡＭコンスタレーション図の例である。ステップ３でＣＧＡＮをトレーニングするために使用される。

【0032】

上記の説明は、本発明の好ましい実施形態にすぎず、本発明の保護範囲は、上記の実施形態に限定されず、本発明に開示される内容に基づいて当業者によって行われる同等の修正または変更は、いずれも特許請求の範囲に記載される保護範囲内に含まれるべきである。

【図1】

【図2】

【図3】

【図4】

【国際調査報告】