1.一种基于生成对抗网络的深度学习信号增强方法，含有以下步骤：

S1：从公开数据集中，提取高信噪比信号作为目标信号，再在这些信号数据中添加定量的高斯噪声，得到对应的低信噪比的噪声信号数据，并对应组成数据对；

S2：分别定义生成器与判别器的模型结构，并采用Virtual Batch Norm算法对输入判别器中的数据进行归一化操作，构建生成对抗网络模型；

S3：分别定义生成对抗网络的生成器与判别器的损失函数，将数据对作为判别器的输入，数据对中的噪声数据作为生成器的输入，通过对抗训练，最小化生成数据与目标数据分布之间的差异，从而获得实现信号增强的生成器；

S4：提取训练好的生成器，输入噪声信号，输出去噪信号，评估方法为计算去噪信号的信噪比、重构星座图。

2.如权利要求1所述的一种基于生成对抗网络的深度学习信号增强方法，其特征在于：步骤S1具体包括：

步骤11：采用公开数据集RML2016.10a，提取其中信噪比为18dB，调制类型为8PSK、BPSK、CPFSK、GFSK、PAM4、QAM16、QAM64、QPSK、WBFM的数据作为目标信号，共9000个数据，作为提供给生成对抗网络中的判别器的判别为真实信号数据对中的主要成分。

步骤12：在提取的目标信号数据中添加定量的高斯噪声，得到对应的低信噪比的噪声信号数据。输入目标信号数据和预期添加高斯噪声得到后的得到的低信噪比大小(SNR)，通过以下公式计算即可获得对应的低信噪比的噪声信号数据。

Nsignal＝Anoise+Asignal                      (5)Anoise为标准化噪声，Rnoise为随机噪声，Asignal为18db信号幅值，Psignal为信号频率，n为信号长度，Vnoise为噪声方差，σnoise为噪声标准差，Nsignal为噪声信号。

步骤13：通过步骤2获得低信噪比的15dB、14dB、13dB、12dB、11dB、10dB、9dB、8dB、3dB的噪声数据，利用enumerate枚举函数以及zip函数，将目标信号数据分别与对应的噪声信号数据组成数据对，得到实验所需的数据集。

3.如权利要求2所述的一种基于生成对抗网络的深度学习信号增强方法，其特征在于：步骤13所述的数据集包括81000组数据对，数据结构为(None，4，128)。

4.如权利要求1所述的一种基于生成对抗网络的深度学习信号增强方法，其特征在于：步骤S2具体包括：

步骤21：定义生成器模型，L为信号长度，K为通道数。前半部分网络使用了6层一维卷积神经网络，卷积核大小为3，步长为2，填充为1，并在每层之后使用带参数的激活函数。最终将输入数据结构由(None，2，128)变为(None，128，2)；后半部分网络使用了6层一维逆卷积神经网络，卷积核大小为4，步长为2，填充为1，并在每层之后使用带参数的激活函数；每层输入都为随机噪声或上一层逆卷积输出数据和前半部分网络对应层输出数据的结合体；最终生成器输出的数据结构仍然为(None，2，128)；

步骤22：定义判别器模型，采用了6层卷积核大小为3，步长为2，填充为1的一维卷积神经网络，并在每层后使用了一维的Virtual Batch Norm以及Leaky ReLU激活函数，且在第3层卷积层后加入了Dropout层。后又接有1层卷积核大小为1，步长为1的一维卷积神经网络、

1个线性层、一个sigmoid层。最终将数据结构由输入的(None，4，128)变为输出的标量。

5.如权利要求1所述的一种基于生成对抗网络的深度学习信号增强方法，其特征在于：步骤S3具体包括：

判别器采用最小平方误差，把判别器输出值(f(xi))与目标值(1/0)的差值的平方和最小化；

输入为目标信号和噪声信号的数据对时，目标值1为真，损失函数为：

输入为去噪信号和噪声信号的数据对时，目标值0为假，损失函数为：

生成器结合最小平方误差和最小绝对值偏差作为损失函数，其中最小绝对值偏差是把生成器生成的去噪信号数据(G(xi′))与目标信号数据(S(xi))的绝对差值的总和最小化；

生成器的损失函数结合采用以上两种损失函数为：

定义模型优化器，将相应的数据对输入到判别器中，让判别器判别目标信号和噪声信号的数据对为真，判别去噪信号和噪声信号的数据对为假；将噪声信号数据输入到生成器，生成新的去噪信号，再将新的去噪信号和噪声信号的数据对输入到判别器并期望判别为真，使得去噪信号与目标信号的数据越来越像；最终，判别器对于数据对的真假判别概率都相同时，训练完成。

6.如权利要求1所述的一种基于生成对抗网络的深度学习信号增强方法，其特征在于：步骤S4具体包括：将训练好的生成器单独提取出，输入噪声信号，输出去噪信号；评估方法为计算去噪信号的信噪比以及重构星座图：将去噪信号减去目标信号，获得噪声值，同时把目标信号作为信号值，利用公式，得到去噪信号的信噪比；同时通过重构星座图，直观得到去噪信号和噪声信号之间的差异。