基于SABEGAN的通信干擾信號生成與效能分析

摘要： 針對復雜電磁環(huán)境下，傳統(tǒng)電子干擾方法對目標信號識別困難、干擾效能弱化等問題，提出了一種基于自注意力邊界平衡生成對抗網(wǎng)絡的干擾信號生成模型。所提模型利用上采樣模塊來增強生成數(shù)據(jù)的適應度，引入自注意力機制來兼顧信號特征提取的局部性與全局性，既使結果更精準，又降低了計算復雜度。同時，利用基于自編碼器架構的判別器來促進模型快速穩(wěn)定地收斂。實驗結果表明，該模型能對非合作目標信號進行自適應識別與學習，自動生成對應的干擾信號，且干擾效能優(yōu)于傳統(tǒng)干擾算法及經(jīng)典生成對抗網(wǎng)絡模型算法，為基于機器學習的通信對抗技術提供了新的研究思路。

關鍵詞： 通信對抗; 生成對抗網(wǎng)絡; 自注意力機制; 自編碼器; 信號生成

中圖分類號： TN 975

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.06.34

Generation and efficiency analysis of communication jamming signal based on SABEGAN

XUE Lisha， GE Ruixing， ZHU Yuxuan， BAO Yanfei^*

（Unit 32802 of the PLA， Beijing 100083， China）

Abstract： Aiming at the problems of difficult target signal identification and weakened jamming effectiveness of traditional electronic jamming methods in complex electromagnetic environment， a jamming signal generation model based on self-attentive boundary-balanced generative adversarial network is proposed. The proposed model uses the up-sampling module to enhance the fineness of the generated data， and introduces the self-attention mechanism to take into account the local and global nature of the signal feature extraction， which not only makes the results more accurate， but also reduces the computational complexity. A discriminator based on the self-encoder architecture is also used to facilitate the fast and stable convergence of the model. The experimental results show that the proposed model can adaptively identify and learn the non-cooperative target signals and automatically generate the corresponding jamming signals， and the jamming efficiency is better than the traditional jamming algorithms and the classical generative adversarial network model algorithms， which provides a new research idea for the communication adversarial technology based on machine learning.

Keywords： communication countermeasures; generative adversarial network; self-attention mechanism; self-encoder; signal generation

0 引 言

隨著通信和網(wǎng)絡技術的發(fā)展進步，無線通信環(huán)境愈發(fā)復雜、多樣，電磁信號呈現(xiàn)模式多樣、制式多變、智能化和高適應性等特點^［1］。面對未知通信體制復雜信號，基于信號識別分選、參數(shù)估計提取、干擾信號生成的傳統(tǒng)通信干擾樣式面臨信號識別困難、干擾信號生成復雜的難題。

近年來，機器學習技術蓬勃發(fā)展，在眾多領域都得到了廣泛應用^［2-5］。在通信對抗領域，也有學者對此進行了大量研究：劉永貴等^［6］把遺傳算法和數(shù)字射頻儲存技術融合，有效提升了對雷達信號的欺騙式干擾效果。Amuru等^［7］基于強化學習對干擾成功概率進行學習，以獲得最優(yōu)干擾策略。Wang等^［8］結合遺傳算法，提出了一種優(yōu)化的奇異頻譜分解方法，實現(xiàn)了脈沖信號的自適應提取。然而，上述研究多基于遺傳算法，算法程序實現(xiàn)以及模型訓練復雜度高，且交叉率、變異率等參數(shù)多依靠經(jīng)驗獲取，算法結果的質量對參數(shù)選擇依賴性大。

2014年，Goodfellow等^［9］首次提出生成對抗網(wǎng)絡（generative adversarial networks， GAN）的概念。隨后GAN迅速成為了近年來的研究熱點，在眾多領域都得到了廣泛應用^［10-14］。在無線通信中，GAN主要用于增加數(shù)據(jù)樣本和信號重構，比如Erpek等^［15］使用GAN合成頻譜樣本來增強訓練數(shù)據(jù)集，提升基于強化學習的干擾機性能。Davaslioglu等^［16］利用GAN為頻譜感知問題生成訓練數(shù)據(jù)。李蓉等^［17］為解決侵徹多層過載信號樣本數(shù)量少且仿真難的問題，使用Info GAN模型對其進行生成。楊鴻杰等^［18］利用邊界平衡GAN（boundary equilibrium GAN， BEGAN）重構了二進制相移鍵控（binary phase shift keying， BPSK）和八相移鍵控（8 phase shift keying， 8PSK）信號。

在通信干擾領域，干擾信號的干擾效果在一定程度上隨著干擾信號與目標信號相關性的提升而變強。基于這一特性，有些學者將GAN應用于通信干擾信號的生成：Shi等^［19］利用GAN生成了正交相移鍵控（quadrature phase shift keying， QPSK）無線欺騙信號，其欺騙率可以達到76.2%。趙凡等^［20］使用基礎的GAN模型生成了BPSK、QPSK、16正交幅度調制（16 quadrature amplitude modulation， 16QAM）和BPSK等調制方式的干擾信號，其干擾效果能逼近最佳干擾效果。陳麗等^［21］利用GAN對電磁擴頻信號頻譜數(shù)據(jù)的分布進行學習，并生成與其相似的干擾信號。

然而，傳統(tǒng)GAN均基于卷積網(wǎng)絡，具有局部性的特點^［22］，其受限于感受野的大小，難以覆蓋目標全局信息，導致學習到的特征不夠完整。因此，本文考慮引入自注意力機制^［23］來彌補上述缺點，通過將自注意力BEGAN（self-attention BEGAN， SABEGAN）用于通信干擾信號的生成，對目標信號進行深度學習，獲取其潛在分布，進而提升干擾信號與目標信號的相關性，以解決復雜電磁環(huán)境下的通信干擾信號生成問題。

1 GAN

1.1 原始GAN

GAN是典型的無監(jiān)督生成模型，由生成器和判別器構成， 其基本結構如圖1所示。

其中，生成器用于對隨機數(shù)據(jù)進行處理，使數(shù)據(jù)的概率分布逼近真實數(shù)據(jù)的概率分布。判別器則用于對輸入數(shù)據(jù)來自于真實樣本分布的概率進行計算，識別數(shù)據(jù)的真假。GAN訓練的本質是生成器和判別器不斷博弈的過程，優(yōu)化目標如下：

minGmaxD V（D，G）=E_x～Pdata（x）［ln D（x）］+

E_z～Pnoise（z）［ln（1－D（G（z）））］（1）

式中：E代表期望;x為真實數(shù)據(jù);P_data為真實數(shù)據(jù)的分布;z為隨機數(shù)據(jù);P_noise為隨機數(shù)據(jù)的分布;G（z）表示生成器G生成的數(shù)據(jù);D（G（z））表示判別器D判定生成數(shù)據(jù)是真實數(shù)據(jù)的概率。D（x）表示判別器D判定真實數(shù)據(jù)是真實數(shù)據(jù)的概率。

1.2 BEGAN

雖然GAN生成效果很好，但模式崩潰和訓練不平衡等問題嚴重限制了GAN的性能^［24］。為解決這一問題，Berthelo等于2017年提出了BEGAN^［25］，其結構如圖2所示。

與GAN的優(yōu)化目標不同，BEGAN旨在使生成器生成的數(shù)據(jù)和真實數(shù)據(jù)的自編碼器誤差分布盡可能接近，從而具有更簡單的訓練過程。

BEGAN首先引入自編碼器誤差L以衡量自編碼器重構數(shù)據(jù)與輸入數(shù)據(jù)的差距，用v表示輸入樣本，D表示自編碼器的函數(shù)：

L（v）=v－D（v）^η，

D∶R^N_x→R^N_x;η∈{1，2};v∈R^N_x（2）

然后，計算生成器生成數(shù)據(jù)的自編碼器誤差分布μ₁和真實數(shù)據(jù)的自編碼器誤差分布μ₂之間的Wasserstein距離^［26］的下界值。設Γ（μ₁，μ₂）為μ₁和μ₂所有耦合的集合，m₁，m₂∈R為μ₁和μ₂各自的均值，公式如下：

W（μ₁，μ₂）=infγ∈Γ（μ₁，μ₂）E_{（x1，x2）～γ}［x₁－x₂］（3）

式中：inf表示下界。

基于Jensen不等式，可以推導W（μ₁，μ₂）的下界：

inf E［x₁－x₂］≥infE［x₁－x₂］=

m₁－m₂（4）

BEGAN中，判別器的目標是最大化式（4）中的歐氏距離。

而生成器的目標是最小化歐氏距離，它們的損失函數(shù)可分別表示為

L_D=L（x;θ_D）－L（G（z;θ_G）;θ_D）

L_G=L（G（z;θ_G）;θ_D）（5）

式中：x為真實數(shù)據(jù);z為生成器生成的數(shù)據(jù);θ_G和θ_D為生成器和判別器的參數(shù)，隨訓練更新。

理想狀態(tài)下，當E［L（x）］=E［L（G（z））］時，生成器和判別器的訓練達到均衡，但為了平衡生成目標的多樣性和質量，BEGAN還引入超參數(shù)γ∈（0，1）：

γ=E［L（G（z））］E［L（x）］（6）

BEGAN借鑒比例控制理論平衡E［L（G（z））］=γ·E［L（x）］。使用變量k_t表示在對L_D梯度下降時，對L（G（z_D））計算的強調程度，λ_k是k的比例增益。完整的BEGAN損失函數(shù)如下：

L_D=L（x）－k_t·L（G（z_D））

L_G=L（G（z_G））

k_t+1=k_t+λ_k（γL（x）－L（G（z_G）））（7）

此外，BEGAN還提出了一個衡量全局收斂性的指標M，可用于確定網(wǎng)絡是否發(fā)生模式崩潰或何時達到最終狀態(tài)。如下所示：

M=L（x）+γL（x）－L（G（z_G））（8）

M的值越小，表明訓練的效果越好。

2 自注意力機制

注意力機制源于人類的視覺注意力，其本質是識別出目標各項特征的重要性，生成權重系數(shù)對輸入進行加權求和，從而有選擇地聚焦重點內容，能夠在提升計算結果精準度的同時，降低計算的復雜度。該機制最初提出于計算機視覺領域，在被Rubinstein等^［27］用于圖像分類任務后，受到了深度學習領域的廣泛關注，隨后又被陸續(xù)運用于自然語言處理^［28］（natural language processing，NLP）、機器翻譯任務^［29］等領域。注意力機制的優(yōu)勢在于它能夠捕獲全局聯(lián)系，且相較于卷積神經(jīng)網(wǎng)絡（convolutional neural network， CNN）和循環(huán)神經(jīng)網(wǎng)絡（recurrent neural network， RNN）等模型更簡單、參數(shù)更少，還可以實現(xiàn)并行計算，訓練速度較快。

自注意力機制是注意力機制的一種，通過利用數(shù)據(jù)內部固有的特征進行注意力交互，既能減少對外部信息的依賴，又可以捕獲長距離依賴關系。其計算公式為

式中：Q，K，V的概念源于信息檢索系統(tǒng)， 其中Q為查詢向量矩陣，代表樣本的特征;K和V鍵為一一對應的鍵向量矩陣和值向量矩陣，K代表信息庫中信息的特征，V則是信息的內容。點積可以計算兩個矩陣的相似度，故QK^T代表查詢向量與鍵向量之間的相似度。softmat（QK^T/d_k）表示各樣本與各信息間相似程度的分布，將其與V相乘可得到Attention（Q，K，V），即值向量的加權和，也就是自注意力的輸出結果。

3 SABEGAN網(wǎng)絡架構

本文考慮將自注意力機制與BEGAN模型進行結合，提出了SABEGAN模型以改善卷積算子的局限性，使模型能兼顧信號特征提取的局部性與全局性。

目前GAN多用于圖像生成領域^［24］，其訓練樣本均為二維矩陣，而數(shù)字信號生成任務的樣本為一維，因此在移植前需要進行適應性調整。本文針對通信信號的屬性設計了生成器與判別器，使用BEGAN損失作為損失函數(shù)。

3.1 生成器

SABEGAN的生成器由1層全連接層、6組上采樣模塊、1組自注意力模塊和3層卷積層構成。首先向生成器輸入序列為1通道64長度的隨機噪聲，經(jīng)過全連接層后長度變?yōu)? 048，再調整變?yōu)?56通道8長度的序列，并進行批歸一化。其次，將數(shù)據(jù)輸入上采樣模塊，輸出為512通道512長度的序列，接著進入自注意力模塊，通道和長度不變。最后輸入卷積層，輸出1通道512長度的序列，即為生成信號。生成器結構如圖3所示。

其中，上采樣模塊包括3個卷積層，在每個卷積層后，添加了批歸一化層來提升模型的收斂速度^［30］，還將上一層的輸出數(shù)據(jù)與每個上采樣模塊的輸出數(shù)據(jù)進行了拼接，從而增強了生成數(shù)據(jù)的細膩程度。

自注意力模塊的結構如圖4所示。

自注意力模塊首先對f（x）的輸出進行轉置，然后和g（x）的輸出相乘，再對其進行softmax歸一化后獲得注意力圖β，β_j，i表示該模塊生成第j個區(qū)域信息時第i個區(qū)域的參與程度：

β_j，i=exp（s_ij）∑Ni=1exp（s_ij）

s_ij=f（x_i）^Tg（x_j）（10）

最后將h（x）的輸出和β相乘，得到注意層的輸出o_j=［o₁，o₂，…，o_j，…，o_N］，表達式為

o_j=∑Ni=1β_j，ih（x_i）（11）

此外，本文還引入了比例參數(shù)φ，其數(shù)值初始化為0并隨著訓練改變，使網(wǎng)絡在優(yōu)先學習局部信息后，利用自注意力機制來探索全局信息。因此，自注意力模塊最終的輸出為

y_i=φo_i+x_i（12）

從上述計算可以看出，每一個元素的特征提取都與數(shù)據(jù)中所有的元素有關，這樣網(wǎng)絡可以提取到數(shù)據(jù)的全局特征。且自注意力模塊使用了加權求和的方法，權重由元素之間的相關性計算得出，即相關性較高的元素產(chǎn)生的作用也相應較大，使網(wǎng)絡提取也不易丟掉重要的局部信息。因此，SABEGAN可以兼顧信號特征提取的全局性和局部性。

3.2 判別器

GAN的判別網(wǎng)絡是一個二元分類器，在訓練時需要真實樣本和生成網(wǎng)絡產(chǎn)生的負樣本，不能單獨訓練。本文中的判別器使用自編碼器架構，不再直接判斷輸入數(shù)據(jù)是否來自真實數(shù)據(jù)集，而是首先將數(shù)據(jù)進行重構，然后根據(jù)重構的誤差來進行判斷。因此，判別器可以被提前獨立訓練，也能指導生成器很快進步，促進模型快速且穩(wěn)定的收斂。

判別器的結構如圖5所示，由編碼和解碼兩大模塊組成，解碼模塊與生成器結構一樣，編碼模塊由6層卷積層、1組自注意力模塊和2層全連接層構成。

判別器的輸入為1通道512長度的序列，經(jīng)過6個卷積層后輸出256通道8長度的序列，接著進入自注意力模塊，通道和長度不變。隨后經(jīng)過兩個全連接層后變?yōu)椋蓖ǖ?4長度的序列，然后輸入解碼器模塊，最終輸出1通道512長度的序列。

4 實驗與結果

本文仿真試驗所使用的操作系統(tǒng)為Windows 10，電腦的配置是Intel（R） Xeon（R） Silver 4210R（CPU）和 NVIDIA GeForce RTX 2 080 Ti（GPU）。深度學習環(huán)境使用的是python3.8.8，pytorch1.12.0。模型訓練使用Adam優(yōu)化函數(shù)作為優(yōu)化器，訓練時使用的超參數(shù)如表1所示，其中l(wèi)_G表示生成器的學習率，l_D表示判別器的學習率。

4.1 泛化能力測試

選取典型BPSK和QPSK信號制作訓練數(shù)據(jù)集，對SABEGAN模型的應用效果做實驗探究，驗證其泛化能力。仿真試驗使用的訓練樣本具體生成流程如圖6所示。

圖7為使用BPSK信號數(shù)據(jù)集對網(wǎng)絡進行訓練后，生成的干擾信號的時域波形圖和星座圖。圖7（a）為信噪比（signal to noise ratio， SNR）等于20 dB時實際信號和生成干擾信號的時域波形圖，其中紅線表示實部波形，藍線表示虛部波形;圖7（b）為SNR等于20 dB時實際信號和生成干擾信號的星座圖。

從信號波形來看，生成的干擾信號波形連續(xù)性好，且與實際信號類似，實部波形幅度較大，虛部波形幅度較小;從星座圖來看，數(shù)據(jù)點集中在兩個相對于縱軸對稱的區(qū)域，與BPSK信號星座圖具有一定的相似性。

因此，SABEGAN模型生成的BPSK干擾信號從信號波形和星座圖層面均符合生成要求。

進一步使用QPSK信號數(shù)據(jù)集對網(wǎng)絡進行訓練，圖8（a）為SNR等于20 dB時實際信號和生成干擾信號的時域波形圖，其中紅線表示實部波形，藍線表示虛部波形;圖8（b）為SNR等于20 dB時實際信號和生成干擾信號的星座圖。

從信號波形來看，生成的干擾信號波形連續(xù)性好，且與實際信號類似，實部波形和虛部波形幅度相似;從星座圖來看，數(shù)據(jù)點集中在4個相對于原點對稱的區(qū)域，符合QPSK調制特征。

因此，SABEGAN模型生成的QPSK干擾信號從信號波形和星座圖層面均符合生成要求。

上述結果表明，本文設計的SABEGAN具有較好的泛化能力，可以用于不同體制目標信號的通信干擾。

4.2 干擾效能驗證

為了驗證使用本文SABEGAN模型生成的干擾信號的干擾效能，將生成的干擾信號、單音干擾信號和BPSK干擾信號分別用于干擾BPSK通信鏈路，在SNR等于5 dB和SNR等于20 dB的高斯信道下進行仿真試驗。以誤比特率作為評估標準，對干擾效果的驗證情況如圖9所示。仿真結果表明，在干信比（jamming to signal ratio， JSR）小于0 dB的情況下，SABEGAN模型生成的干擾信號效果最佳;在0 dBlt;JSRlt;2 dB的情況下，單音干擾信號效果最佳，SABEGAN模型生成的干擾信號其次，BPSK干擾信號稍差。在JSR＞2 dB的情況下，3種干擾信號的干擾效果基本一致。

需要注意的是，雖然理論上頻率等于信號載頻的單音信號能最大化BPSK相干接收的誤碼率，但單音干擾信號的頻譜過于單一^［31］，很容易被通信方偵測和消除，在實際通信對抗中不宜采用。而基于SABEGAN模型生成的干擾信號頻譜比較復雜且不易被消除，且在JSR較高時干擾效果與單音干擾差距很小，在JSR較低時干擾效果甚至優(yōu)于單音干擾。

同理，將生成的干擾信號、QPSK干擾信號和高斯白噪聲干擾信號加入建立的QPSK通信鏈路中，分別使用SNR等于5 dB和SNR等于20 dB的高斯信道進行仿真試驗。其中，由于高斯白噪聲一般用于壓制式干擾，故將其JSR增加10 dB以增加比較可信度，其JSR在9～16 dB之間變化，以誤比特率作為評估標準，對干擾效果的驗證情況如圖10所示。以往研究認為QPSK信號的最佳干擾為QPSK信號^［32］，仿真結果表明，基于SABEGAN模型生成的干擾信號的干擾效果比QPSK干擾信號更優(yōu)。

上述結果表明，本文設計的SABEGAN生成的干擾波形可以達到良好的干擾效果。

考慮到在實際通信對抗中，存在采集到的目標信號質量較差、波形失真較嚴重的情況，SABEGAN模型不一定能從中學習到原本目標信號的特征，從而生成有效的干擾波形，因此本文進一步對SABEGAN模型的使用邊界進行了研究，如圖11所示。

本文選取SNR等于-10 dB至5 dB的QPSK信號作為訓練數(shù)據(jù)集，以誤比特率為標準，將模型生成的干擾信號和白噪聲信號加入建立的QPSK通信鏈路中，在SNR等于20 dB的高斯信道下進行仿真試驗。對比模型針對不同SNR目標信號生成干擾波形的有效性。

結果表明，隨著目標信號SNR的降低，SABEGAN模型生成的干擾信號干擾效果減弱，在SNR為-10 dB時與白噪聲的干擾效果基本一致，達到了算法的使用邊界。

4.3 對比實驗

本文選取QPSK信號作為訓練數(shù)據(jù)集，以誤比特率為標準，選擇GAN和BEGAN兩種GAN經(jīng)典模型與本文提出的SABEGAN模型進行了干擾效果對比實驗，仿真結果如圖12所示。

可以看出，當JSR相同時，SABEGAN模型生成的干擾信號引起的誤比特率最高， BEGAN模型次之，GAN模型較低。這是因為原始GAN模型由全連接層構成，結構比較簡單，不適用于復雜的信號生成任務，SABEGAN模型相對于BEGAN模型添加了自注意力機制，對卷積結構進行了補充，能夠更全面地提取信號數(shù)據(jù)的特征。

5 結 論

本文針對復雜電磁環(huán)境下的通信干擾信號生成問題，提出了一種基于SABEGAN的干擾信號生成模型。本文面向時域通信干擾信號生成場景，對GAN進行了改進：首先，通過添加上采樣模塊，增強了生成數(shù)據(jù)的細膩程度;其次，引入自注意力機制，兼顧信號特征提取的局部性與全局性，在提升生成結果逼真性的同時降低了計算的復雜度;進一步選用基于自編碼器架構的判別器來促進模型快速且穩(wěn)定的收斂。最后，本文選取典型BPSK和QPSK信號作為數(shù)據(jù)集，驗證了所提信號生成模型的泛化能力，比較了所生成干擾信號與傳統(tǒng)干擾信號及經(jīng)典GAN模型生成信號的干擾效能。結果表明，本文所提模型具有良好的泛化能力，且相比傳統(tǒng)通信干擾信號生成模式與典型GAN模型具有更好的干擾效能。

參考文獻

［1］張君毅， 李淳， 楊勇. 認知通信對抗關鍵技術研究［J］. 無線電工程， 2020， 50（8）： 619-623.

ZHANG J Y， LI C， YANG Y. A study on key techniques in cognitive communication countermeasures［J］. Radio Engineering， 2020， 50（8）： 619-623.

［2］SARKER I H. Machine learning： algorithms， real-world applications and research directions［J］. SN Computer Science， 2021， 2（3）： 160.

［3］GREENER J G， KANDATHIL S M， MOFFAT L， et al. A guide to machine learning for biologists［J］. Nature Reviews Molecular Cell Biology， 2022， 23（1）： 40-55.

［4］BENOS L， TAGARAKIS A C， DOLIAS G， et al. Machine learning in agriculture： a comprehensive updated review［J］. Sensors， 2021， 21（11）： 3758.

［5］RAI R， TIWARI M K， IVANOV D， et al. Machine learning in manufacturing and industry 4.0 applications［J］. International Journal of Production Research， 2021， 59（16）： 4773-4778.

［6］劉永貴， 胡國平. 基于 DRFM 的遺傳算法干擾技術研究［J］. 無線電工程， 2009， 39（6）： 31-33.

LIU Y G， HU G P. Research on DRFM jamming rechnology based on genetic algorithm［J］. Radio Engineering， 2009， 39（6）： 31-33.

［7］AMURU S， BUEHRER R M. Optimal jamming using delayed learning［C］∥Proc.of the IEEE Military Communications Conference， 2014： 1528-1533.

［8］WANG X， ZHANG S N， ZHU L Z， et al. Research on anti-narrowband AM jamming of ultra-wideband impulse radio detection radar based on improved singular spectrum analysis［J］. Measurement， 2022， 188： 110386.

［9］GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］∥Proc.of the 27th International Conference on Advances in Neural Information Processing Systems， 2014： 2672-2680.

［10］GUI J， SUN Z N， WEN Y G， et al. A review on generative adversarial networks： algorithms， theory， and applications［J］. IEEE Trans.on Knowledge and Data Engineering， 2021， 35（4）： 3313-3332.

［11］TOSHPULATOV M， LEE W， LEE S. Generative adversarial networks and their application to 3D face generation： a survey［J］. Image and Vision Computing， 2021， 108： 104119.

［12］WANG Z W， SHE Q， WARD T E. Generative adversarial networks in computer vision： a survey and taxonomy［J］. ACM Computing Surveys， 2021， 54（2）： 1-38.

［13］SINGH N K， RAZA K. Medical image generation using generative adversarial networks： a review［M］∥PATGIRI R， BISWAS A， ROY P， ed. Health informatics： A Computational Perspective in Healthcare， 2021： 77-96.

［14］PENG J， ZHOU Y Y， SUN X S， et al. Knowledge-driven ge-nerative adversarial network for text-to-image synthesis［J］. IEEE Trans.on Multimedia， 2021， 24： 4356-4366.

［15］ERPEK T， SAGDUYU Y E， SHI Y. Deep learning for launching and mitigating wireless jamming attacks［J］. IEEE Trans.on Cognitive Communications and Networking， 2018， 5（1）： 2-14.

［16］DAVASLIOGLU K， SAGDUYU Y E. Generative adversarial learning for spectrum sensing［C］∥Proc.of the IEEE international Conference on Communications， 2018.

［17］李蓉， 房安琪. 基于TransUnet的侵徹多層過載信號生成［J］. 測試技術學報， 2023， 37（1）： 43-53.

LI R， FANG A Q. Penetration multilayer oerload signal generation based on TansUnet［J］. Journal of Test and Measurement Technology， 2023， 37（1）： 43-53.

［18］楊鴻杰， 陳麗， 張君毅. 基于生成對抗網(wǎng)絡的數(shù)字信號生成技術研究［J］. 電子測量技術， 2020， 43（20）： 127-132.

YANG H J， CHEN L， ZHANG J Y. Research on digital signal generation technology based on generative adversarial network［J］. Electronic Measurement Technology， 2020， 43（20）： 127-132.

［19］SHI Y， DAVASLIOGLU K， SAGDUYU Y E. Generative adversarial network in the air： deep adversarial learning for wireless signal spoofing［J］. IEEE Trans.on Cognitive Communications and Networking， 2020， 7（1）： 294-303.

［20］趙凡， 金虎. 基于GAN的通信干擾波形生成技術［J］. 系統(tǒng)工程與電子技術， 2021， 43（4）： 1080-1088.

ZHAO F， JIN H. Communication jamming waveform generation technology based on GAN［J］. Systems Engineering and Electronics， 2021， 43（4）： 1080-1088.

［21］陳麗， 方梓涵， 梅立泉. 基于GAN的直擴信號生成算法［J］. 系統(tǒng)工程與電子技術， 2023， 45（5）： 1544-1552.

CHEN L， FANG Z H， MEI L Q. DSS signal generation algorithm based on GANs［J］. Systems Engineering and Electro-nics， 2023， 45（5）： 1544-1552.

［22］ARJOVSKY M， CHINTALA S， BOTTOU L. Wasserstein generative adversarial networks［C］∥Proc.of the International Conference on Machine Learning， 2017： 214-223.

［23］VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］∥Proc.of the 31st Conference on Neural Information Processing Systems， 2017.

［24］梁俊杰， 韋艦晶， 蔣正鋒. 生成對抗網(wǎng)絡GAN綜述［J］. 計算機科學與探索， 2020， 14（1）： 1-17.

LIANG J J， WEI J J， JIANG Z F. Generative adversarial networks GAN overview［J］. Journal of Frontiers of Computer Science and Technology， 2020， 14（1）： 1-17.

［25］BERTHELOT D， SCHUMM T， METZ L. BEGAN： boundary equilibrium generative adversarial networks［EB/OL］. ［2023-02-27］. https：∥arxiv.org/abs/1703.10717.

［26］RUBNER Y， TOMASI C， GUIBAS L J. The earth mover’s distance as a metric for image retrieval［J］. International Journal of Computer Vision， 2000， 40： 99-121.

［27］RUBINSTEIN R. The cross-entropy method for combinatorial and continuous optimization［J］. Methodology and Computing in Applied Probability， 1999， 1： 127-190.

［28］HU D C. An introductory survey on attention mechanisms in NLP problems［C］∥Proc.of the Intelligent Systems and Applications： Proceedings of the Intelligent Systems Conference， 2020： 432-448.

［29］CHOI H， CHO K， BENGIO Y. Fine-grained attention mechanism for neural machine translation［J］. Neurocomputing， 2018， 284： 171-176.

［30］IOFFE S， SZEGEDY C. Batch normalization： accelerating deep network training by reducing internal covariate shift［C］∥Proc.of the International Conference on Machine Learning， 2015： 448-456.

［31］眭惠巧. 對BPSK相干接收最佳干擾的研究［J］. 無線電通信技術， 2001（6）： 33-34.

SUI H Q. Research on optimal jamming for coherent reception of BPSK［J］. Radio Communications Technology， 2001（6）： 33-34.

［32］秦偉， 王可人， 金虎， 等. 不同干擾對QSPK解調性能的影響分析［J］. 火力與指揮控制， 2017， 42（4）： 128-132.

QIN W， WANG K R， JIN H， et al. Analysis on different jamming effects on QPSK demodulation performance［J］. Fire Control amp; Command Control， 2017， 42（4）： 128-132.

作者簡介

薛麗莎（1994—），女，碩士研究生，主要研究方向為機器學習、通信電子對抗。

葛瑞星（1993—），男，工程師，博士，主要研究方向為通信電子對抗。

朱宇軒（1992—），男，工程師，博士，主要研究方向為機器學習、通信電子對抗。

鮑雁飛（1977—），男，高級工程師，碩士，主要研究方向為通信電子對抗。