1.一种基于特征增强的深度接收器的防御方法，其特征在于，包括以下步骤：步骤(1)：构建数据集并训练深度接收器；

步骤(2)：构建生成对抗网络，构建的生成对抗网络包括生成器、判别器、解调器；

步骤(3)：对生成对抗网络进行预训练；

步骤(4)：训练生成对抗网络，最终得到性能充足的生成器；

步骤(5)：将无线电信号输入到步骤(4)得到的生成器中处理，得到特征增强的电信号，再输入到深度接收器，实现对无线电信号解码的低误码率。

2.根据权利要求1所述的一种基于特征增强的深度接收器的防御方法，其特征在于，所述步骤(1)包括以下子步骤：(1.1)构建数据集：构建的数据集包括a条样本信号，分为b类样本信号，从每类样本信号中抽取c％的样本信号作为训练集，训练集参与后续的模型生成训练，所述样本信号均为干净样本信号，a、b、c为自然数；

(1.2)训练深度接收器：所述深度接收器由密集卷积神经网络组成；训练设置的超参数为：模型训练轮数Epochdense、批处理样本信号数M1、设置梯度更新规则；深度接收器模型训练损失函数Lossdense表示为以下公式：其中，上标i代表第i个样本信号，i＝1,2，…，M1，M1为每轮批处理样本信号数，N为比特位数，j＝1,2,…,N， 为第i个输入样本信号在第j位的第k类上的真实标签，k为比特位1i

或0的预测结果，即 表示真实标签为0， 表示真实标签为1，pj(x)表示深度接收器模型i

对样本信号x的输出的第j位的比特预测概率。

3.根据权利要求1所述的一种基于特征增强的深度接收器的防御方法，其特征在于，所述步骤(2)包括以下子步骤：(2.1)搭建一个生成器：所述生成器由编码器和解码器组成，所述编码器由卷积神经网络和长短记忆神经网络组成，所述解码器由反卷积神经网络组成；

(2.2)搭建一个判别器：所述判别器由卷积神经网络和长短记忆神经网络组成；

(2.3)搭建一个解调器；

所述解调器由密集卷积神经网络组成。

4.根据权利要求1所述的一种基于特征增强的深度接收器的防御方法，其特征在于，所述步骤(3)包括以下子步骤：(3.1)判别器预训练

对判别器进行预训练，设置训练参数：预训练轮数Epochk，批处理样本信号数M2，梯度更新规则设置为随机梯度下降SGD，判别器D的预训练损失函数LossD(x,wD)的公式如下所示：i

其中x 为干净样本信号，上标i代表第i个样本信号，i＝1,2，…，M2，M2为每轮批处理样i i

本信号数；D(x ；ωD)表示判别器判断x是否为干净信号的概率，大于阈值被认为是干净样本信号，小于阈值被认为是非干净样本信号；wD表示判别器的权重参数；对输出概率D(·；·)取log，是将事件发生概率转为信息量；

(3.2)解调器预训练

对解调器进行预训练，设置训练参数：预训练轮数Epochk，批处理样本信号数M3，梯度更新规则设置为随机梯度下降SGD，解调器C的预训练损失函数LossC(x,wc)的公式如下所示：i

其中x 为干净样本信号，上标i代表第i个干净样本信号，i＝1,2，…，M3，M3为每轮批处i i

理样本信号数；N为比特位数，j＝1,2,…,N，Cj(x ；ωC)表示解调器C对样本信号x的输出的第j位的比特位预测概率， 表示第i个输入样本在第j位的第k类上的真实标签，k为比特位1或0的预测结果；wC表示解调器的权重参数。

5.根据权利要求1所述的一种基于特征增强的深度接收器的防御方法，其特征在于，所述步骤(4)包括以下子步骤：i 1 2 i

(4.1)生成噪声样本信号：从高斯分布中得到随机噪声样本信号z ＝{z ,z ,…,z ,…M4 i i

z }，z的维度和干净样本信号x的维度相同，为2*n；

i i

(4.2)将步骤(4.1)得到的噪声样本信号z 和干净样本信号x 重叠组合得到的维度为4*n，并将所述 输入到生成器中；

(4.3)生成器生成增强噪声样本信号：输入到生成器中的 经过生成器内的编码器i i i

和解码器处理，输出增强噪声样本信号v ；所述噪声样本信号v和干净样本信号x的维度相同；

其中G(；)表示生成器，wG表示生成器的模型参数；

i i I

(4.4)增强噪声样本信号v和干净样本信号x相加获得增强样本信号x：I i i

x＝x+v

I i I

(4.5)增强样本信号x 和干净样本信号x输入到判别器：分别将增强样本信号x 和干净i

样本信号x输入到判别器，判别器的输出是对输入样本信号是否为干净样本信号的概率输出，判别器的输出区间范围为[0,1]；通过提升其随机梯度更新判别器，判别器训练的损失函数为：

其中D(·；·)表示判别器对输入样本是否为干净样本的判别概率，M4为判别器每轮训练数；

判别器D的输出进行反向传播，即输出结果再输入到判别器D中；

(4.6)判别器输出反馈到生成器：根据步骤(4.5)判别器的输出，通过提升随机梯度来更新生成器；从判别器的输出反馈到生成器的训练损失函数 为：其中 表示判别器的输出反馈回生成器的loss，wD表示判别器的权重参数，wG表示生成器的权重参数；

I i I

(4.7)增强样本信号x 和干净样本信号x输入到解调器：分别将增强样本信号x 和干净i

样本信号x 输入解调器，解调器输出各个比特位的概率 对解调器C的输出进行反向传播，通过提升其随机梯度更新解调器；解调器的训练损失函数LossC(x,wc)如下所示：

其中M4为解调器每轮批处理样本信号数，与步骤(4.5)中判别器每轮批处理样本信号数相同；wC表示解调器的权重参数；N为比特位数，j＝1,2,…,N， 为第i个输入样本信号在第j位的第k类上的真实标签，k为比特位1或0的预测结果，即 表示真实标签为0， 表示真实标签为1；

解调器C的输出进行反向传播，即输出结果再输入到解调器C中；

(4.8)解调器输出反馈到生成器：将步骤(4.7)解调器的输出反馈到生成器进行训练；通过提升随机梯度来更新生成器，解调器的训练损失函数 为：其中 表示解调器的输出反馈回生成器的损失函数；M4为生成器G每轮批处理样本信号数，与步骤(4.7)中判别器D每轮批处理样本信号数相同；N为比特位数，j＝1,2,…,N， 为第i个输入样本信号在第j位的第k类上的真实标签，k为比特位1或0的预测结果，即表示真实标签为0， 表示真实标签为1返回步骤(4.1)，重复步骤(4.2)‑(4.8)，直至生成器、判别器、解调器都收敛，输出保存得到性能充足的生成器。