基于生成對抗網絡的ADS-B信號降噪*

官成功，高 勇

（四川大學，四川 成都 610065）

0 引言

廣播式自動相關監視（Automatic Dependent Surveillance-Broadcast，ADS-B）是一種廣泛應用于空管系統的技術。與傳統雷達系統相比，它具有成本低、誤差小和監視能力強等優點。在信號去噪方面，傳統方法如文獻[1]Donoho 提出的利用小波變換法降噪，含噪信號經過小波變換處理后，有用信號與噪聲會產生不同的小波系數，前者的小波系數大數目少，后者的小波系數小但數目多。通過選取一個恰當的閾值，保留產生大于閾值的小波系數，剔除小于閾值的小波系數，可以實現有用信號與噪聲的分離，達到去噪的效果。但是，小波基的選取、閾值的確定及分解層數，都會對去噪效果產生影響，難度較大。又如，文獻[2-4]采用的主成分分析（Principal Component Analysis，PCA），通過線性變換與數據映射，將初始數據中關聯性較大的一些向量轉化成含有初始數據最多信息的相互獨立的少數代表向量，即保留低階主成分，略去高階主成分，降低初始數據的維數，選出最少的維數來概括信號最重要的特征，以達到去除噪聲和冗余成分的目的。但是，主成分各個特征維度的含義存在一定的模糊性，不如原始樣本特征的解釋性強。此外，針對非線性的相關關系，采取線性變換的PCA 很難取得比較滿意的效果。文獻[5]中利用卷積自編碼器的方法對信號進行去噪，將數據進行編碼和解碼，使得潛在編碼變量服從懲罰約束，但其需要進行參數變換、變分推理等，過程煩瑣且為無監督學習，維度信息低，難以得到有效利用。

針對使用傳統方法對信號進行去噪出現的問題，提出了基于生成對抗網絡的改進式生成對抗網絡，將深度學習應用于ADS-B 信號的降噪，通過比較網絡降噪后的輸出信號與加噪信號，可以觀察到處理后噪聲明顯減少，提高了ADS-B 的譯碼準確率。

1 ADS-B 信號模型

1090ES（1 090 MHz Extended Squitter）協議是目前國內運用較多的鏈路協議[6]。本文研究的ADS-B 1090ES 信號以該數據鏈路協議為基礎，與S 模式信號工作頻率均為1 090 MHz。它的幀格式如圖1 所示。前導脈沖部分由4 個確定位置的脈沖構成，每個脈沖的寬度為0.5 μs。4 個脈沖的上升沿分別位于幀0 μs、1 μs、3.5 μs、4.5 μs 的位置。根據國際民航組織（International Civil Aviation Organization，ICAO）的標準，在實際信號傳輸過程中，所規定的脈沖時間位置允許有±0.05 μs 的波動范圍。由于不同模式下前導格式不同，因此可以根據前導判斷是否為該類信號。

數據位部分起始時間點為8 μs，采用脈沖位置調制（Pulse Position Modulation，PPM）對信息數據進行編碼，如圖2 所示。每個比特所占時間為1 μs，當前0.5 μs 為高電平，后0.5 μs 為低電平，代表信息比特“1”；當前0.5 μs 為低電平，后0.5 μs 為高電平，則代表信息比特“0”[7]。數據位的比特數通常固定為112 bit 或56 bit，本文采用的數據位為112 bit，也就是說數據位所占時長112 μs。因此，一條ADS-B 信息所持續的時間約為120 μs。

圖1 ADS-B 信號

圖2 數據位PPM 調制

2 生成對抗網絡

2.1 傳統生成對抗網絡

2014 年生成對抗網絡（Generative Adversarial Nets，GAN）由Goodfellow 首次提出，之后被業界稱為“近年來機器學習領域最棒的想法”，目前已經在傳統的圖像處理領域取得了一定的成就，如超分辨等方面，但在信號處理方面如信號去噪方面的研究應用還較少。生成對抗網絡由兩部分組成，生成網絡模型即生成器（Generator）和判別網絡模型即判別器（Discriminator），如圖3 所示。它的基本思想源自于博弈論中的納什均衡，其中生成器與判別器被看作相互博弈的雙方。生成器學習真實數據樣本的分布特征，不斷逼近真實樣本，最終達到能夠欺騙判別器的目的；而判別器的目的是通過學習正確辨別出真實樣本與生成樣本。為了達到利益最大化，生成器和判別器必須不斷學習優化，以提高自身的生成能力與判別能力，最終實現二者的納什均衡[8]。

圖3 生成對抗網絡結構

在生成對抗網絡結構中，生成器和判別器可以分別用G 與D 表示。生成器G 通過學習真實數據樣本x產生生成樣本G(z)。判別器D 相當于一個二分類器，辨別出輸入D 中的樣本是來自生成樣本G(z)還是真實樣本x。當輸入數據來自真實樣本x時，D 的目標是使輸出的D(x)不斷趨近于1；當輸入數據來自生成樣本G(z)時，D 的目標是使輸出的D[G(z)]不斷趨近于0。此時，對于生成器G 說，則是使之趨近于1。因此，可以把生成對抗網絡的訓練過程看作一個極小-極大化的問題。目標函數表示為：

式中：z為潛在表征；x代表真實樣本數據；P表示概率分布；E表示期望。

總的來說，在生成對抗網絡訓練學習的過程中，既要訓練判別器D 最大化其判別數據來源的準確率，也要訓練生成器G 使這一準確率達到最小，漸漸達到自己的最佳性能。在求解式（1）目標函數時，可以采用交替優化的方法：先固定生成器G，對判別器D 進行訓練，使判別準確率達到最大；再固定判別器，對生成器G 進行訓練，使判別器D 的判別準確率達到最小；最后，二者達到納什均衡。考慮到實際情況，一般對同一輪參數進行訓練時，對D 訓練多次后再對G 的參數進行訓練更新。

2.2 深度卷積生成對抗網絡

生成對抗網絡（Generative Adversarial Networks，GAN）屬于無監督學習模型，可以對沒有標注的數據進行學習得到概率分布規律，但存在訓練不穩定、模式坍塌和不易收斂等問題。針對這些問題，可以采用深度卷積生成對抗網絡。

深度卷積生成對抗網絡是一種將卷積神經網絡（Convolutional Neural Network，CNN）與生成對抗網絡相結合的神經網絡。與傳統生成對抗網絡相同，它的內部有一個生成器G 與判別器D，但將G 與D變成了改進的卷積神經網絡來提高特征提取能力，同時對以下幾個方面做了優化。第一，取消生成對抗網絡中生成器G 與判別器D 的池化層，用步長卷積層代替。第二，除生成器G 的輸出層與判別器D的輸入層外，對數據均進行批量歸一化處理（Batch Normalization）。第三，判別器D 中的激活函數用LeakyReLU 函數，生成器G 中激活函數用ReLU函數，最后一層用tanh 函數，其中LeakyReLU 與ReLU 兩種激活并無本質區別，選擇多為經驗總結。第四，除生成器G 的第一層和判別器的最后一層，網絡中不再使用全連接層[9]。

3 基于改進式深度卷積生成對抗網絡的ADS-B 信號去噪方法

3.1 ADS-B 信號模塊化處理

本文采用的ADS-B 信號采樣率為100 MHz，即在1 μs 的時間內可以采樣100 個點。一條ADS-B信號120 μs，那么需要12 000 個采樣點記錄這條數據。本文實驗中擴大為12 500 個采樣點，以確保每個樣本有一條完整的ADS-B 信號。

如果將12 500 個數據同時輸入訓練網絡，由于數據量過大會增加網絡的訓練難度，因此采取模塊分割處理的方法，將12 500 個采樣點均勻分割成25 個模塊，每個模塊長度相等，均為500 個采樣點，并每個模塊作為一個數據樣本。

進行生成對抗網絡訓練時，需要大量數據作為樣本，但可以獲得的ADS-B 信號數據量較少且獲取標準無噪信號較為困難。為了解決這個問題，采用隨機方波數據作為數據集。因為ADS-B 采用PPM 調制，所以可以控制方波占空比來模擬ADS-B數據的格式。如圖4 所示，上方圖為隨機方波，標準固定脈寬50個采樣點，作為真實樣本輸入判別器；下方圖為對應添加了高斯白噪聲的含噪方波數據，此處通過awgn 函數加噪，SNR=0 dB，并將其作為含噪數據輸入生成器與判別器。

圖4 隨機方波及其加噪圖

3.2 網絡結構設計

典型的深度卷積生成對抗網絡，生成器卷積層數較少，可以獲取的特征信息比較簡單，將會導致網絡訓練不完全且模型精度不高，且多用于圖像處理領域。本文提出的改進式深度卷積生成對抗網絡結構示意圖，如圖5 所示。該網絡修改了輸入數據維度，以適用于一維信號的輸入，同時增加了卷積層數，以獲取數據更深層次的信息。生成器由12層卷積層構成，其中6 層為卷積層，將信號維度壓縮至256×15，通過卷積操作對數據進行特征提取。多次卷積可以獲得更多的中間隱藏特征，再通過6層的轉置卷積層將信號恢復至1×500，與原始數據維度相同。轉置卷積可以看作卷積操作的逆運算，通過對稱結構的轉置卷積層對特征向量進行插值，最后使其與原始數據向量維度（1×500）達到一致。

生成器最后一層的激活函數采用tanh 函數：

tanh 函數取值范圍為（-1，1），經過生成器G 生成的數據值也在（-1，1），但判別器網絡需要同時對真實數據和生成的數據進行判別，因此需要對輸入判別器的真實數據進行預處理，將其取值范圍控制在上述范圍內，以滿足判別器的需要。在網絡訓練過程中，先創建Label 值，其中1 代表真實數據，0 代表生成的數據。在兩者經過判別器后得到各自loss 值，兩個值相加后得到總的loss 值，然后反向傳播更新參數，優化判別器。由于判別器相當于一個二分類器，因此本次實驗可以采用交叉熵（Binary Cross Entropy）作為損失函數來計算loss值，可表示為：

式中，y為標簽值，x為模型輸出的值。在訓練生成器的時候，采用式（3）損失函數。但是，在方向傳播優化生成器參數的時候，需要固定判別器參數，以實現穩定訓練。

圖5 改進式深度卷積生成對抗網絡結構

3.3 算法流程

算法流程如圖6 所示，利用制作的訓練集對生成對抗網絡進行訓練優化，得到滿意的模型后，再用其對ADS-B 數據進行去噪，最后進行譯碼分析。

4 實驗結果及分析

4.1 仿真數據集及環境

仿真實驗的數據集選取添加噪聲的信噪比為-2～2 dB 的隨機方波信號和對應的未添加噪聲的純凈方波信號，數目均為10 000 條，訓練輪數200 輪，batchsize 為250。

為了驗證提出的改進式深度卷積生成對抗網絡對ADS-B 信號的降噪效果，采用Pytorch 深度學習平臺在計算機上進行驗證。計算機CPU 型號為Intel(R) Core? i9-9900k CPU @ 3.6 GHz 32 GB內存，GPU 型號為NVIDIA GeForce RTX 2080 Ti。

圖6 算法流程

4.2 針對仿真方波信號的去噪驗證

驗證時，另外產生不同于訓練集的隨機方波數據，如圖7 所示。添加信噪比為0 dB 的噪聲，輸入訓練完成后的生成器，則去噪前后的信號對比如圖8 所示。可以看出，經過生成器的去噪后，噪聲已經基本消除。

圖7 原始隨機方波信號

圖8 加噪及去噪后方波信號

4.3 針對實測ADS-B 信號的去噪驗證

取采樣率為100 MHz 的ADS-B 信號添加0 dB高斯白噪聲，結果如圖9 所示。可見，信號質量明顯變差，對其直接進行譯碼，未能獲取相關有效信息。取其前一段采樣點如圖10 所示，可見4 個前導脈沖均已淹沒在噪聲中，難以判斷它是否為ADS-B 信號。

圖9 ADS-B 信號加噪前后波形

經過降噪處理后的信號如圖11 所示。相比去噪之前，信號質量有了很大提升，且可以明顯看出前導脈沖。取其中一段采樣數據，如圖12 所示，可見噪聲得到了很好的消除，處理得到的112 bit數據流對應的十六進制信息為88 00 03 94 90 0B 00 AA AB 77 77 8C B3 08。可以看出，改進式深度卷積生成對抗網絡對ADS-B 信號去噪具有有效性。

圖10 前導脈沖加噪前后波形

圖11 去噪后信號波形

圖12 ADS-B 部分信號去噪前后對比

5 結語

針對ADS-B 信號在傳輸過程中低信噪比下難以譯碼處理的問題，提出了一種改進式深度卷積生成對抗網絡的深度學習方法，通過模塊化處理，利用隨機方波信號，訓練生成器G 與判別器D，再用訓練完成的生成器G 對ADS-B 信號進行降噪處理，相比較傳統去噪算法省去了尋找提取特征的步驟。實驗結果表明，改進式深度卷積生成對抗網絡能夠對ADS-B 信號進行降噪，一定程度上提高了受干擾后的ADS-B 信號的正確譯碼率。