使用非卷积设计的生成对抗网络生成无线电信号

MMJun, 2023

使用非卷积设计的生成对抗网络生成无线电信号

Radio Generation Using Generative Adversarial Networks with An Unrolled Design

Weidong Wang, Jiancheng An, Hongshu Liao, Lu Gan, Chau Yuen

TL;DR本文提出了一种基于采样点和未卷积生成器设计的无线电 GAN 框架，并结合估计的纯信号分布作为先验分布，通过能量约束优化算法实现更好的训练稳定性和收敛性，在广泛的仿真实验中展示了该框架可以有效地学习发射机特性和各种通道效应，从而准确地建模基础采样分布以合成高质量的无线电信号。

Abstract

As a revolutionary generative paradigm of deep learning, generative adversarial networks (GANs) have been widely applied in various fields to synthesize realistic data. However, it is challenging for conventional GANs to synthesize raw signal data, especially in some complex cases. In

generative adversarial networks deep learning radio generation sampling distribution energy-constrained optimization

发现论文，激发创造

生成对抗网络概述

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

基于生成对抗网络的无线信号欺骗

本文介绍了使用生成对抗网络（GAN）生成和传输合成信号的新方法。两个对抗者，一个发射机和一个接收机，各扮演生成器和判别器的角色，并玩决策论游戏，产生最佳欺骗信号以愚弄训练最佳的防御机制。结果表明，GAN 成攻击提高了对无线电信号欺骗成功概率的可能性，即使使用深度学习分类器作为防御措施也是如此。

May, 2019

对抗性音频合成

本篇论文介绍了 WaveGAN，这是将 GANs 应用到无监督的原始音频波形合成中的第一个尝试。WaveGAN 能够合成具有全局一致性的音频波形，适用于音效生成，并且实验结果表明，它能够在没有标签的情况下学习生成一些可理解的单词和其他领域（如鸟类鸣叫、钢琴和鼓声等）的音频。

Feb, 2018

正则化生成对抗网络

提出一个基于对抗生成网络的新模型 RegGAN，该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器，以便从与训练集概率分布不同的概率分布中生成样本，并可用于学习拓扑学中的某些先验概念。

Feb, 2021

用于数据稀缺光谱应用的生成对抗网络

本文介绍了生成对抗网络在合成光谱数据方面的应用，提出了改进的 Wasserstein GANs 来避免模型崩溃，并证明了利用 CWGAN 数据增强可充分提高性能，同时显示 CWGAN 在低数据量条件下可作为简单 FFNN 的代理模型。

Jul, 2023

引导式生成对抗神经网络用于表示学习和使用更少标注音频数据生成高保真音频

本论文提出了一种新的 GAN 框架，即指导生成神经网络（GGAN），旨在解决无监督表征学习模型在忽略后续使用情况时可能出现的泛化能力问题，在少量标记数据的指导下，GGAN 可以学习更好的表示。

Mar, 2020

基于 ACT 块的生成对抗网络的无线电地图构建

本文介绍了一种基于生成对抗网络（GAN）的新型无线电地图构建方法，命名为 ACT-GAN，并通过三种不同场景的实验结果表明，ACT-GAN 在提高无线电地图的重建精度方面具有显著优势，同时有助于更准确地预测电磁空间场分布和发射源位置。

Jan, 2024

利用生成对抗网络增强角色设计师的创造力

本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

May, 2023

展开型生成对抗网络

我们引入了一种方法来稳定生成对抗网络（GAN），即通过将生成器目标定义为对鉴别器的展开优化来训练，从而解决了 GAN 训练中的常见问题和提高了生成器的多样性和数据分布覆盖率。

Nov, 2016

进化生成式对抗网络

本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。

Mar, 2018