一种基于扩散模型的信号智能生成方法和装置与流程

本发明涉及通信信号管理，尤其涉及一种基于扩散模型的信号智能生成方法和装置。

背景技术：

1、随着通信新技术、信息处理新方法等不断应用使用，越来越多新型设备不断出现，并且智能化水平越来越高。新的设备技术和智能通信技术在给社会带来方便的同时，也带来了危险，如何针对新的未知的信号进行有效管理是急需要解决的问题。

2、在通信领域，信号管理是一个关键的技术环节，其涉及到信号的生成、处理、传输和接收等多个方面。信号管理的主要目标是确保信号在传输过程中的质量和完整性，以及在接收端能够准确地恢复出原始信息。目前，对无线信号的管理，通常需要获取反馈信号，或者对被管理的目标信号进行前期调研，获取一些先验知识，例如信号的频段、调制样式和技术参数等。但是，随着新的智能通信信号技术不断出现，反馈信号的获取和处理变得更加困难，新信号的先验知识也难以获取。现有技术中，针对新型设备发出的新无线信号，以及其他的无先验知识或无反馈信息的信号，通常会采用生成对抗网络等较先进的技术进行管理，但是，生成对抗网络技术存在梯度爆炸、不稳定性等问题，无法实现对无线信号的有效管理。

技术实现思路

1、鉴于上述的分析，本发明实施例旨在提供一种基于扩散模型的信号智能生成方法和装置，用以解决现有技术难以对无先验知识或无反馈信息的信号进行有效管理的问题。

2、一方面，本发明实施例提供了一种基于扩散模型的信号智能生成方法和装置，所述方法包括：

3、对无先验知识的目标信号进行预处理，获得预处理信号；

4、在所述预处理信号中添加噪声，获得噪声注入信号；

5、构建噪声估计模型，并采用所述噪声注入信号对所述噪声估计模型进行训练；

6、选取纯噪声信号，并将所述纯噪声信号输入训练好的噪声估计模型中，以获取所述纯噪声信号的噪声估计值；

7、根据所述噪声估计值对所述纯噪声信号进行去噪处理，从而获得与所述目标信号相似的生成信号。

8、基于上述方法的进一步改进，所述在所述预处理信号中添加噪声，获得噪声注入信号，包括：

9、基于扩散过程对所述预处理信号进行处理，通过次迭代在所述预处理信号中添加噪声，从而获得所述噪声注入信号，为大于1的整数。

10、基于上述方法的进一步改进，所述扩散过程包括固定马尔科夫链传播过程；

11、其中，基于所述固定马尔科夫链传播过程，通过次迭代在所述预处理信号中添加噪声，从而获得所述噪声注入信号，公式为：

12、；；

13、；

14、；

15、式中，为大于1的整数，、分别为预处理信号经过t次、次迭代添加噪声后的信号，为迭代参数，表示符合标准正态分布，并且从标准正态分布中随机取值，为第t次迭代的标准正态分布的方差，从方差值集中随机取值。

16、基于上述方法的进一步改进，所述逆向过程为可学习的马尔科夫链传播过程；

17、其中，基于可学习的马尔科夫链传播过程，根据所述噪声估计值对所述纯噪声信号进行t次逐步迭代进行去噪声处理，从而获得与所述目标信号相似的生成信号，公式为：

18、；；

19、；

20、式中，、分别为纯噪声信号经过、次迭代进行去噪声处理后的信号，为输入训练好的噪声估计模型中得到的信号噪声估计值，是次迭代的标准正态分布的累积均值；表示符合标准正态分布，并且，时，从标准正态分布中随机取值；时，。

21、基于上述方法的进一步改进，所述纯噪声信号为随机噪声信号，并且所述随机噪声信号的信号值从标准正态分布中随机取值。

22、基于上述方法的进一步改进，所述噪声估计模型的损失函数为：

23、；

24、；

25、式中，为噪声损失，为信号输入噪声估计模型得到的噪声估计值，表示l2损失函数运算。

26、基于上述方法的进一步改进，所述噪声估计模型为tunet网络，

27、所述tunet网络，包括：

28、残差网络，用于对输入信号进行初步的特征提取；

29、下采样网络块，用于对所述残差网络输出的数据进行下采样操作；

30、中间处理网络块，用于对所述下采样网络块输出的数据进行逆卷积操作；

31、上采样网络块，用于对所述中间处理网络块输出的数据和所述下采样网络块输出的数据进行上采样操作；

32、时间信息嵌入网络块，用于向所述上采样网络块输入时间信息，从而在所述上采样网络块的输出数据中嵌入时间信息，获取嵌入时间信息的上采样数据；

33、输出网络块，用于对所述嵌入时间信息的上采样数据进行进一步的特征提取，以生成最终的输出信号。

34、基于上述方法的进一步改进，所述方法还包括：

35、分别对所述生成信号和所述预处理信号进行核密度估计，并绘制相应的概率密度曲线；

36、根据所述生成信号和所述预处理信号的概率密度曲线比较两个信号的概率分布是否相同，以评估所述生成信号与目标信号的相似程度。

37、基于上述方法的进一步改进，所述方法还包括：

38、计算所述生成信号与所述预处理信号的kl散度，以评估所述生成信号与目标信号的相似程度。

39、另一方面，本发明实施例提供了一种基于扩散模型的信号智能生成装置，所述装置包括：

40、预处理模块，对无先验知识的目标信号进行预处理，获得预处理信号；

41、噪声注入模块，在所述预处理信号中添加噪声，获得噪声注入信号；

42、噪声估计模型，所述噪声估计模型的输入为信号，输出为该信号的噪声估计值；

43、训练模块，采用所述噪声注入信号对所述噪声估计模型进行训练；

44、信号生成模块，选取纯噪声信号，并将所述纯噪声信号输入训练好的噪声估计模型中，以获取所述纯噪声信号的噪声估计值；根据所述噪声估计值对所述纯噪声信号进行去噪处理，从而获得与所述目标信号相似的生成信号。

45、与现有技术相比，本发明至少可实现如下有益效果之一：

46、1、本发明中，基于扩散模型实现对无反馈信息或无先验知识的目标信号的管理，具体来说，首先基于扩散过程在目标信号中添加噪声，然后将添加噪声后的信号输入所构建的噪声估计模型中进行噪声估计，实现对目标信号的特征学习，然后再基于逆向过程利用学习到的特征对纯噪声信号进行去噪处理，从而可以在无先验知识或无反馈信息的情况下，生成与目标信号相似的信号，能够实现对危险信号的管理。

47、2、本发明的噪声估计模型采用tunet网络，是一种改进的unet网络，实现了特征的自动提取和优化，能够有效得分割噪声和目标信号，获得精确的噪声估计值，有利于实现新信号的高质量生成。

48、具体来说，本发明的tunet网络采用残差网络为基础模块搭建，是网络能够学到信号的深度特征，同时解决了模型中的梯度消失问题，下采样模块有助于捕获信号的上下文信息，并减少计算复杂度，中间处理网络块有助于特征的深度处理和转换，上采样模块有助于恢复信号的细节信息，从而实现对信号的精确的定位和识别，输出网络块对上采样后的数据进行进一步特征提取和处理生成最终的输出信号，时间信息嵌入网络块在信号处理过程中嵌入时间信息，通过将时间信息纳入网络，可以提高模型对时间动态变化的敏感性，从而在时间序列信号分析任务中获得更好的性能。tunet网络通过这些网络块的有机结合，实现了对输入信号的高效处理和特征提取，提高了tunet网络网络的整体性能和适应性。

49、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。