[發明專利]一種基于深度學習的位置信息輔助的可見光信道估計方法

有效

• 申請號: 201911360037.4
• 申請日: 2019-12-25
• 公開（公告）號: CN111049768B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 張琳;林心桐
• 申請（專利權）人: 中山大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;H04B10/116
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明提供的基于深度學習的位置信息輔助的可見光信道估計方法，包括：采集導頻信號、位置坐標和真實的可見光信道頻率響應CFR，獲取訓練數據集；對訓練數據集進行預處理，得到預處理后的訓練數據集；將預處理后的導頻信號、位置坐標作為深度神經網絡DNN模型的輸入，真實的CFR為DNN模型的目標輸出，對DNN模型進行離線訓練；實時采集導頻信號和位置坐標，進行數據預處理后輸入訓練完成的DNN模型中，輸出實時的CFR，完成可見光信道的估計。本發明提供的可見光信道估計方法，充分利用了位置坐標信息和導頻信息，通過訓練深度神經網絡實現對可見光的信道估計，準確程度高；同時，通過訓練后的神經網絡模型進行可見光的信道估計，操作簡單，復雜程度低。

技術領域

本發明涉及可見光通信技術領域，更具體的，涉及一種基于深度學習的位置信息輔助的可見光信道估計方法。

背景技術

可見光通信(Visible Light Communication，VLC)具有照明和提供通信的雙重功能。與傳統的射頻(Radio Frequency，RF)通信相比，VLC可提供更高的數據速率和更高的安全性，在鄰近房間可以實現頻率復用，擁有不經許可即可使用的近乎無限的頻譜資源，對人體健康幾乎沒有危害。

在室內VLC中，準確的信道估計(Channel Estimation，CE)有助于接收機進行相干解調和干擾消除。許多文獻已經提出了關于信道估計的方案，例如導頻輔助信道估計[1]和盲信道估計[2]。其中，導頻輔助信道估計是一種簡便有效的信道估計方案。最小二乘(Least Squares，LS)估計方法[1]和最小均方誤差(Minimum Mean Square Error，MMSE)估計方法[1]是兩種常用的導頻輔助信道估計方法。LS估計方法不需要先驗的信道統計量，但存在估計性能差的問題。MMSE估計方法利用信道的二階統計量來獲得更好的估計性能，但由于引入矩陣求逆操作而導致較高的復雜度。

發明內容

本發明為克服現有的可見光通信信道估計方法，存在估計準確度低、估計復雜程度高的技術問題，提供一種基于深度學習的位置信息輔助的可見光信道估計方法。

為解決上述技術問題，本發明的技術方案如下：

基于深度學習的位置信息輔助的可見光信道估計方法，包括以下步驟：

S1：采集導頻信號、位置坐標和真實的可見光信道頻率響應CFR，獲取訓練數據集；

S2：對訓練數據集進行預處理，得到預處理后的訓練數據集；

S3：將預處理后的導頻信號、位置坐標作為深度神經網絡DNN模型的輸入，真實的CFR為DNN模型的目標輸出，對DNN模型進行離線訓練；

S4：實時采集導頻信號和位置坐標，進行數據預處理后輸入訓練完成的DNN模型中，輸出實時的CFR，完成可見光信道的估計。

上述方案中，本發明充分利用了位置坐標信息和導頻信息，通過訓練具有強大學習能力的深度神經網絡，實現對可見光的信道估計，準確程度高；同時，通過訓練后的神經網絡模型進行可見光的信道估計，操作簡單，復雜程度低。

其中，所述步驟S1具體為：在房間內部署一個可見光通信VLC系統，通過發光二極管LED發送可見光信號，以接收二極管PD作為接收機，通過室內定位技術獲取各個采樣點的位置坐標；收集各個采樣點處的來自LED的經過快速傅里葉變換FFT處理后的導頻信號；采用信道測量方法來測得真實的CFR[6]，或通過已有的信道建模方法計算出真實的CFR[3]。

其中，所述步驟S2具體包括以下步驟：

S21：對導頻信號進行拆分實部虛部處理；

S22：對已拆分實部虛部的導頻信號、位置坐標分別進行歸一化處理，完成導頻信號、位置坐標的預處理；