Synthetic Channel Generation using Generative Adversarial Networks
Author
Bangshaab, Mads
Term
4. term
Education
Publication year
2020
Submitted on
2020-06-03
Pages
54
Abstract
Dette speciale undersøger, om Generative Adversarial Networks (GANs) kan bruges til at generere syntetiske radiosignalkanalsvar – altså hvordan et trådløst signal ændres på vej fra sender til modtager. Vi gennemgår central teori om neurale netværk og GANs og vælger modeller på den baggrund. Til træning og vurdering fremstilles først simulerede kanalsvar ud fra en stokastisk (sandsynlighedsbaseret) model, og der beregnes statistiske mål, som danner grundlag for evaluering. Vi designer to GAN-varianter: én baseret på et fuldt forbundet neuralt netværk (FCNN) og én med konvolutionelle lag (CNN). Testene viser, at en DCGAN (en dyb konvolutionel GAN) præsterer bedst. Vi undersøger derefter DCGAN’ens robusthed over for tilføjet støj i træningsdata og forskellige størrelser af datasættet. På baggrund af disse resultater trænes den samme model på et andet datasæt med virkelige målinger, hvor data er begrænsede og indeholder støj. Selvom resultaterne ikke er perfekte, peger forsøgene på, at GAN-baseret generering af stokastiske radiosignalkanalsvar er gennemførlig.
This thesis investigates whether Generative Adversarial Networks (GANs) can generate synthetic radio channel responses—that is, how a wireless signal is altered as it travels from transmitter to receiver. We review key concepts in neural networks and GANs and choose model architectures accordingly. To train and evaluate the models, we first create simulated channel responses from a probabilistic (stochastic) model and compute statistical measures that serve as evaluation targets. We design two GAN variants: one built on a fully connected neural network (FCNN) and one using convolutional layers (CNN). Tests show that a DCGAN (a deep convolutional GAN) performs best. We then examine the DCGAN’s robustness to added noise in the training data and to different training-set sizes. Based on these results, we retrain the same model on a second dataset with real measurements, where the training data are limited and noisy. Although the results are not perfect, our experiments indicate that GAN-based generation of stochastic radio channel responses is feasible.
[This abstract was generated with the help of AI]
Keywords
Documents