复杂电磁环境中的信号重构是对电磁环境的一种近似,通过对电磁信号的准确重构,能够有效还原真实的电磁环境。重构生成的信号除了可以用于获取电磁环境中的信息以外,还被广泛应用于通信对抗领域,信号重构技术是通信信号处理的关键技术之一。随着通信技术的迅猛发展,传统的信号重构方法在日益复杂的电磁环境中显现出疲态,难以准确重构信号。本文结合当前炙手可热的生成对抗网络,提出了基于生成对抗网络的信号重构方法。针对信号重构的应用场景,改进后的生成对抗网络,有效地提升了生成信号的质量,使得基于生成对抗网络的信号重构方法具有很好的鲁棒性和泛化性。本文的工作主要包括以下几点:(1)生成对抗网络的训练包括多个回合的交叉训练,在每一回合中,生成器和判别器的优化更新均通过损失函数计算得到,因此损失函数的优劣与生成数据的质量密切相关。本文结合信号重构的应用场景,重点研究了交叉熵损失函数和EM(Earth Mover)距离损失函数对于生成对抗网络算法效果的影响,并在此基础上加入了信号波动过大的惩罚项,有效地改善了生成数据的质量。(2)在深度学习中,神经网络的架构对算法的效果起着至关重要的作用,不同的应用场景适用不同的神经网络架构。对于本文要处理的信号重构问题,神经网络框架的设计也决定着生成数据的质量。基于深度卷积生成对抗网络(Deep Convoutional Generative Adversarial Networks,DCGAN)的神经网络架构难以有效学习和模拟通信信号的序列特性,使得生成数据质量低劣。针对这一问题,本文取消了神经网络架构中卷积层的应用,采用基于全连接层的生成对抗网络框架;此外引入了判别器的预训练过程和生成器中批数据多样性特征,使得生成对抗网络能够更加准确地生成信号,进一步提高了信号重构的性能。(3)现有信号重构机制在复杂的电磁环境中难以有效地实现信号的参数测量和特征提取。针对这一问题,本文结合条件生成对抗网络,将判别器神经网络的中间层输出作为信号的特征矢量,通过深度神经网络的学习,完成信号特征的自动提取;在生成器中,将特征矢量作为条件信息与高斯噪声结合后作为输入数据,通过神经网络的映射生成信号,实现信号的准确重构。