[發明專利]基于神經網絡的可見光通信系統非線性信道建模方法

有效

• 申請號: 202010044920.9
• 申請日: 2020-01-15
• 公開（公告）號: CN111245512B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 梁霄;郭大眾;趙春明
• 申請（專利權）人: 東南大學
• 主分類號: H04B10/116
• 分類號: H04B10/116;H04B17/391
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 許小莉

1.一種基于神經網絡的可見光通信系統非線性信道建模方法，其特征是：該方法包括如下步驟：

S1：產生多種分布的隨機信號，分段保存為一個.mat文件；

S2：將所有.mat文件在發射端逐個讀取，通過DAC轉換為模擬信號，以DAC的最大幅度輸出，經過功率放大器放大，與偏置電流相加后輸入LED，由LED將電信號轉換為光信號發射，該信號由接收端經過光電轉換、模數轉換后發送到計算機，經過歸一化和同步后保存為與發射文件一一對應的.mat文件；

S3：利用神經網絡得到非線性記憶性信道的模型：

網絡在時刻i的輸入為X_i＝[x(i-N),…,x(i),…,x(i+M)]^T，網絡中每一層隱藏層之間的輸入輸出關系為：

其中k指第k層網絡，為激活函數，ω_k及b_k為網絡參數，輸入層節點數為N+M+1+N₂，N₂指二階項個數，輸出層節點數為1，為了使網絡參數最優化，設計如下的誤差指標函數：

上式中第一項為真實的誤差函數，第二項為正則化項，防止出現過擬合現象，其中K指網絡的最大層數，λ是一個可調參數，用來控制正則化對誤差函數的影響，y為網絡輸出,d為參考數據；

S4：Python程序以隨機順序逐個讀取步驟S2中保存的.mat文件，將發射信號作為輸入數據X，將已經與發射信號同步后的接收信號作為參考數據d，調整神經網絡的參數，循環執行這一步，直至步驟S3中的誤差函數不再隨著迭代的進行而下降。

2.根據權利要求1所述的基于神經網絡的可見光通信系統非線性信道建模方法，其特征是：步驟S1的具體方法是：產生多種分布的隨機信號，用MATLAB生成多種分布的隨機信號，包括獨立高斯分布隨機信號、獨立均勻分布隨機信號、獨立離散均勻分布隨機信號、獨立低通高斯分布隨機信號、獨立高通高斯分布隨機信號；每種分布的信號都以較短的長度分成多段信號，每一段保存為一個.mat文件。

3.根據權利要求1所述的基于神經網絡的可見光通信系統非線性信道建模方法，其特征是：步驟S2中所述的偏置電流可以采用單一偏置電流或者采用多個偏置電流重復步驟S2，采用單一偏置電流的數據訓練得到的神經網絡，不能適用于其他偏置電流下的信道；用多個偏置電流的數據訓練得到的神經網絡可以適用于各個偏置電流下的信道，但是就它對單一偏置電流下的信道來說，其誤差要比只針對該偏置電流的數據訓練的神經網絡的誤差要大。

4.根據權利要求1所述的基于神經網絡的可見光通信系統非線性信道建模方法，其特征是：步驟S3中所述的網絡隱藏層層數大于1，層數可調，網絡第一層的激活函數為，

其他層的激活函數為，

5.根據權利要求1所述的基于神經網絡的可見光通信系統非線性信道建模方法，其特征是：步驟S4中所述的調整神經網絡的參數采用Adam學習率自適應優化算法，在tensorflow中對應函數tf.train.AdamOptimizer().其中初始學習率為0.001。

6.根據權利要求1或2或3或4或5所述的基于神經網絡的可見光通信系統非線性信道建模方法，其特征是：還包括對調整完成的神經網絡測試的結果，歸一化發射幅度表示DAC輸出信號幅值的最大值，1表示DAC能夠輸出的最大值，預測值與真實值之間的歸一化均方誤差NMSE為衡量波形估計的準確度的誤差指標函數：

發射端LED與接收端PD的相對位置保持不變，因此，發射幅度越小，接收端的信噪比越小，當歸一化發射幅度小于0.5時，信道仍處于線性階段，預測誤差主要受信噪比影響，隨著信噪比增加誤差越來越小，當歸一化發射幅度大于0.5時，信道非線性失真將越來越嚴重，預測誤差基本保持不變，證明模型對信道的記憶性和非線性都作了較為準確的估計。