[發(fā)明專利]基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的可見光MIMO通信系統(tǒng)顏色檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010138040.8
• 申請(qǐng)日: 2020-03-03
• 公開（公告）號(hào): CN111458029A
• 公開（公告）日: 2020-07-28
• 發(fā)明（設(shè)計(jì)）人: 楊愷;王軍;趙美玲;楊潤(rùn)豐;朱嘉琪
• 申請(qǐng)（專利權(quán)）人: 東莞職業(yè)技術(shù)學(xué)院
• 主分類號(hào): G01J3/46
• 分類號(hào): G01J3/46;G06N3/08
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 陳偉斌

本發(fā)明公開了一種基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的可見光MIMO通信系統(tǒng)顏色檢測(cè)方法，包括以下步驟：采集目標(biāo)區(qū)域的LED圖像數(shù)據(jù)集，將LED圖像數(shù)據(jù)集分為訓(xùn)練集、預(yù)測(cè)集；基于雙三次插值法實(shí)現(xiàn)對(duì)LED圖像的大小進(jìn)行調(diào)整，將所有LED圖像的分辨率調(diào)整為相同的大小；在自聯(lián)想神經(jīng)網(wǎng)絡(luò)中間增加一個(gè)瓶頸層，并將自聯(lián)想神經(jīng)網(wǎng)絡(luò)與主成分分析PCA結(jié)合，構(gòu)建提取主成分的自聯(lián)想神經(jīng)網(wǎng)絡(luò)；再將自聯(lián)想神經(jīng)網(wǎng)絡(luò)的映射層、瓶頸層和逆映射層分解為多個(gè)并行連接的子網(wǎng)絡(luò)，完成構(gòu)建并行自聯(lián)想神經(jīng)網(wǎng)絡(luò)PAANN，實(shí)現(xiàn)并行自聯(lián)想神經(jīng)網(wǎng)絡(luò)的非線性主成分分析；搜索并確定神經(jīng)網(wǎng)絡(luò)的系數(shù)，將LED圖像的訓(xùn)練集輸入步驟S4得到的PAANN中，利用反向傳播算法進(jìn)行更新迭代訓(xùn)練PAANN；將LED圖像測(cè)試集輸入步驟S5的得到的PAANN，完成顏色檢測(cè)。

技術(shù)領(lǐng)域

本發(fā)明涉及光通信系統(tǒng)顏色檢測(cè)技術(shù)領(lǐng)域，更具體的，涉及一種基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的可見光MIMO通信系統(tǒng)顏色檢測(cè)方法。

背景技術(shù)

在利用攝像頭采集可見光信號(hào)的系統(tǒng)中，一般根據(jù)光強(qiáng)度接收和恢復(fù)信號(hào)。首先獨(dú)立調(diào)制每個(gè)LED，通過(guò)攝像頭拍攝所有LED的圖像序列，每個(gè)光源位于圖像的不同位置。然后，計(jì)算檢測(cè)圖像的光亮度，利用圖像處理技術(shù)恢復(fù)每個(gè)光源的信號(hào)流。現(xiàn)有的多光源的多輸入多輸出(MIMO)可見光無(wú)線通信系統(tǒng)成功實(shí)現(xiàn)了攝像頭對(duì)于可見光信號(hào)的采集，但依然存在一些不足之處，如無(wú)法分辨光源的顏色，且僅在黑暗環(huán)境中完成了實(shí)驗(yàn)驗(yàn)證。在通過(guò)攝像頭接收可見光信號(hào)的系統(tǒng)應(yīng)用中，檢測(cè)光源的顏色是一個(gè)難題，并且多光源間的干擾和環(huán)境光的干擾加大了光源顏色檢測(cè)的難度。環(huán)境光的噪聲存在隨機(jī)性，導(dǎo)致傳統(tǒng)的圖像處理技術(shù)無(wú)法對(duì)光源的顏色實(shí)現(xiàn)精確地檢測(cè)和分析。

隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的發(fā)展，研究人員利用學(xué)習(xí)機(jī)學(xué)習(xí)不同環(huán)境中可見光光源的顏色特征，再利用訓(xùn)練的模型對(duì)光源的顏色進(jìn)行預(yù)測(cè)。多光源間的干擾和環(huán)境光的干擾導(dǎo)致基于機(jī)器學(xué)習(xí)的光源顏色檢測(cè)方法僅能達(dá)到弱學(xué)習(xí)機(jī)的效果，因此無(wú)法應(yīng)用于實(shí)際的可見光通信解調(diào)程序中。在機(jī)器學(xué)習(xí)領(lǐng)域中，Adaboost算法是將弱學(xué)習(xí)機(jī)提升為強(qiáng)學(xué)習(xí)機(jī)的常用方法，但由于弱學(xué)習(xí)機(jī)本身的非線性映射能力弱，且多個(gè)弱學(xué)習(xí)機(jī)的訓(xùn)練復(fù)雜度較高，因此無(wú)法保證多光源可見光通信系統(tǒng)的顏色檢測(cè)準(zhǔn)確率和時(shí)間效率。深度神經(jīng)網(wǎng)絡(luò)則具有極強(qiáng)的非線性映射能力，但存在超參數(shù)難以確定、訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題。

HSMIMO和LEADT是兩個(gè)支持彩色可見光的MIMO通信解調(diào)算法，其中HSMIMO：輸入多輸出(MIMO)方案可以擴(kuò)展基于發(fā)光二極管(LED)的可見光通信(VLC)系統(tǒng)的傳輸容量。MIMOVLC系統(tǒng)使用智能手機(jī)相機(jī)作為光接收器(Rx)從n*n紅綠藍(lán)(RGB)LED陣列接收MIMO信號(hào)是理想的。解碼該信號(hào)的關(guān)鍵步驟是檢測(cè)信號(hào)的方向。如果LED發(fā)射器(Tx)旋轉(zhuǎn)，則Rx可能無(wú)法實(shí)現(xiàn)旋轉(zhuǎn)，并且可能發(fā)生傳輸錯(cuò)誤。HSMIMO換手機(jī)算法提出并論證了一種新的分層傳輸方案，該方案可以降低LED陣列VLC系統(tǒng)中旋轉(zhuǎn)檢測(cè)的計(jì)算復(fù)雜度，如圖1所示。

LEADT：在非彩色視覺多輸入多輸出(visual MIMO)技術(shù)中，由于接收?qǐng)D像中的發(fā)光陣列(LEA)檢測(cè)和跟蹤錯(cuò)誤，使得通信性能下降，這是因?yàn)閿z像機(jī)中包含的圖像傳感器必須用作視覺MIMO系統(tǒng)中的接收機(jī)。為了提高檢測(cè)的可靠性，LEADT算法首先建立了基于顏色空間的感興趣區(qū)域(ROI)，在感興趣區(qū)域中放置LEA，然后采用Harris角點(diǎn)檢測(cè)方法。其次，當(dāng)攝像機(jī)與LEA之間的相對(duì)位置發(fā)生變化時(shí)，通過(guò)預(yù)測(cè)LEA的最可能位置，利用Kalman濾波進(jìn)行魯棒跟蹤。最后一步，利用透視投影對(duì)畸變圖像進(jìn)行校正，提高了符號(hào)判定的精度。詳見下圖，如圖2所示。

上述現(xiàn)有的技術(shù)存在以下缺點(diǎn)：

1.多光源間的干擾和環(huán)境光的干擾導(dǎo)致基于機(jī)器學(xué)習(xí)的光源顏色檢測(cè)方法僅能達(dá)到弱學(xué)習(xí)機(jī)的效果，因此無(wú)法應(yīng)用于實(shí)際的可見光通信解調(diào)程序中。

2.在機(jī)器學(xué)習(xí)領(lǐng)域中，Adaboost算法是將弱學(xué)習(xí)機(jī)提升為強(qiáng)學(xué)習(xí)機(jī)的常用方法，但由于弱學(xué)習(xí)機(jī)本身的非線性映射能力弱，且多個(gè)弱學(xué)習(xí)機(jī)的訓(xùn)練復(fù)雜度較高，因此無(wú)法保證多光源可見光通信系統(tǒng)的顏色檢測(cè)準(zhǔn)確率和時(shí)間效率。