[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

本發明公開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，使用多種不同分布特性的已知隨機信號，對信道特性進行完整的測量。將接收信號作為訓練神經網絡的參考數據，將對應的發射信號作為訓練神經網絡時的輸入數據。使用神經網絡對接收信號和發射信號之間關系進行訓練，得到信道的非線性和記憶性。以此訓練完成的網絡，當輸入發射信號時，網絡輸出為對實際信道中接收信號的估計。本發明對LED信道的非線性和記憶性都準確的估計出來，并且如果改變LED的偏置電流大小測量信道，也可以得到不同偏置下的LED非線性特性。

技術領域：

本發明涉及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，屬于可見光通信領域。

背景技術：

隨著移動通信對傳輸速率的要求不斷提高，光通信研究逐漸成為研究熱。尤其是在室內高速數據傳輸的應用上。可見光通信擁有極寬的頻譜，信號具有封閉性，保密性高。伴隨著LED技術的進步，LED成為可見光通信中發射端電光轉換器件的首選。

可見光通信采用強度調制/直接檢測(IM/DD)的方案。在發射端通過LED將電信號轉變為以人眼不能察覺的頻率閃爍的交變光信號，可在保證正常照明的前提下完成數據傳輸。然而LED的電光轉換幅度特性是非線性的，伴隨著時域信號的時延擴展同時產生。建立LED的時域信道模型，為更好均衡非線性信道提供幫助。利用人工神經網絡可以建立準確的非線性信道模型。

發明內容：

針對現有技術的不足，本發明提供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，使用神經網絡建立模型，以時域發射信號為訓練數據，以時域接收信號為參考數據對網絡進行訓練，得到的網絡模型可以再現實際信道的非線性特性和低通特性即時延擴展。

上述目的通過以下技術方案實現：

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，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將數字信號轉換為模擬信號，以DAC的最大幅度輸出，經過功率放大器放大，再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，如果在其中添加二階項甚至三階項，可以通過犧牲計算復雜度提高建模準確度，如X_i＝[x(i-N)，...，x(i)，...，x(i+M)，x²(i)，x(i-1)*x(i)，...]^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。