[發明專利]一種適用于高速可見光通信的神經網絡輔助的迭代接收方法

有效

• 申請號: 201910051483.0
• 申請日: 2019-01-21
• 公開（公告）號: CN109889462B
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 趙春明;賀淵;姜明;凌昕彤;李驍敏
• 申請（專利權）人: 東南大學
• 主分類號: H04L27/26
• 分類號: H04L27/26;H04L27/34;H04L25/03
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.一種適用于高速可見光通信的神經網絡輔助的迭代接收方法，包括如下步驟，其特征在于：

S1：初始化，給定非線性程度Ψ、調制階數M和子載波數N；確定最大的大迭代次數T_m；確定神經網絡NN1和NN2的隱含層層數以及各隱含層的神經元個數；

S2：多路選擇器模塊，NN-BICM接收機通過多路選擇器MUX選擇神經網絡，如果大迭代次數T等于1，多路選擇器選擇NN1模塊即S3步驟；如果大迭代次數T大于1，多路選擇器選擇NN2即S5步驟；

神經網絡BICM接收機包括：(1)代價函數采用交叉熵函數；(2)訓練方法采用反向傳播算法；(3)輸入層包括接受符號的實部、虛部以及對應的高斯噪聲，輸出層得到各星座點的概率值；(4)隱含層和輸出層分別采用tanh和softmax函數；

S3：NN1模塊，NN-BICM接收機通過神經網絡NN1進行條件概率計算，最大后驗概率MAP解調器能夠利用神經網絡NN1輸出的信道條件概率計算修正后的對數似然比，進入S4步驟；

S4：修正得到的對數似然比經過偽隨機交織器后，進行LDPC譯碼，軟信息通過置信傳播譯碼BP算法在變量節點和校驗節點間迭代更新所有校驗式則輸出LDPC碼譯碼判決結果，或達到BP算法最大迭代次數仍無法滿足校驗則終止譯碼，輸出變量節點的軟信息，大迭代次數T加1，T++，并計算先驗概率

假如迭代次數TT_m，則返回步驟S2；否則，輸出譯碼判決結果；

S5：NN2模塊，BICM接收機

通過神經網絡NN2進行條件概率計算，最大后驗概率MAP解調器能夠利用神經網絡NN2輸出的信道條件概率計算修正后的對數似然比，返回S4步驟。

2.根據權利要求1所述的一種適用于高速可見光通信的神經網絡輔助的迭代接收方法，其特征在于：步驟S3中NN1實現的具體步驟如下：

S31：訓練階段，根據非線性程度Ψ、調制階數M和子載波數N，確定訓練樣本的訓練信噪比γ_t合理值；確定神經網絡輸入層數等于d⁽⁰⁾＝3，包括接收信號Y_k的實部和虛部，以及訓練信噪比γ_t對應的均衡處理后高斯噪聲方差

S32：訓練階段，神經網絡的輸出層個數等于星座點數，即確定訓練樣本的目標輸出，即發射信號S_k屬于星座點集合χ中各點的概率質量函數，其中是指示函數，χ_j表示按照映射順序的第j個星座點；

S33：訓練階段，在(0,1)范圍內隨機初始化各權重和偏置其中表示第l-1層的第i個神經元到第l層的第j個神經元的權重；根據加權求和函數和激活函數，得到各層的輸出值隱含層和輸出層分別采用激活函數tanh和softmax函數，其中非線性參數集合θ＝{α,D_k,H_k}，經過softmax激活函數，輸出層能夠得到接收信號Y_k對應各發射星座點S_k的信道條件概率p(Y_k|S_k)，該神經網絡采用交叉熵形式的代價函數，并通過反向傳播算法迭代優化權重根據代價函數的梯度值，通過反向傳播計算得到各層的殘差項假設學習率等于η，反向傳播算法可更新權重；

S34:測試階段，在雙邊削波情況下，給定接收信號Y_k以及測試集合中的測試信噪比對應的高斯噪聲利用訓練階段得到的權重和偏置并通過加權求和函數和激活函數得到在非線性參數集合θ情況的輸出p(Y_k|S_k；θ)。

3.根據權利要求1所述的一種適用于高速可見光通信的神經網絡輔助的迭代接收方法，其特征在于：步驟S5中NN2實現的具體步驟如下：

S51：訓練階段，根據非線性程度Ψ、調制階數M和子載波數N，確定訓練樣本的訓練信噪比γ_t合理值；確定神經網絡輸入層數等于d⁽⁰⁾＝4，包括接收信號Y_k的實部和虛部，上次迭代的各星座點先驗概率p(S_k)以及訓練信噪比γ_t對應的均衡處理后高斯噪聲方差

S52：訓練階段，神經網絡的輸出層個數等于星座點數，即確定訓練樣本的目標輸出，即發射信號S_k屬于星座點集合χ中各點的概率質量函數，其中是指示函數，χ_j表示按照映射順序的第j個星座點；

S53：訓練階段，在(0,1)范圍內隨機初始化各權重和偏置其中表示第l-1層的第i個神經元到第l層的第j個神經元的權重；根據加權求和函數和激活函數，得到各層的輸出值隱含層和輸出層分別采用激活函數tanh和softmax函數，其中非線性參數集合θ＝{α,D_k,H_k}，經過softmax激活函數，輸出層能夠得到接收信號Y_k對應各發射星座點S_k的信道條件概率p(Y_k|S_k)，該神經網絡采用交叉熵形式的代價函數，并通過反向傳播算法迭代優化權重根據代價函數的梯度值，通過反向傳播計算得到各層的殘差項假設學習率等于η，反向傳播算法可更新權重；

S54：測試階段，在雙邊削波情況下，給定接收信號Y_k，上次迭代的各星座點先驗概率p(S_k)以及測試集合中的測試信噪比對應的高斯噪聲利用訓練階段得到的權重和偏置并通過加權求和函數和激活函數得到在非線性參數θ情況的輸出p(Y_k|S_k；θ)。