[發明專利]一種基于深度學習的無線紫外光散射信道估計方法

有效

• 申請號: 202011305231.5
• 申請日: 2020-11-19
• 公開（公告）號: CN112468230B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 趙太飛;呂鑫喆;趙毅;張爽;薛蓉莉
• 申請（專利權）人: 西安華企眾信科技發展有限公司
• 主分類號: H04B10/11
• 分類號: H04B10/11;H04L25/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的無線紫外光散射信道估計方法，其特征在于，包括以下步驟：

步驟1，無線紫外光散射信道建模：首先打開仿真環境，構造出大氣環境下的無線紫外光非直視單次散射信道模型，然后添加噪聲和失真條件；

所述步驟1首先對無線紫外光單次散射進行建模仿真，形成無線紫外光非直視單次散射信道模型，在短距離的通信情況下，紫外光信號在大氣信道傳輸過程中只受到一次散射就被接收端接收，非直視通信方式選用NLOS(c)類模式，即收發仰角均為不定值但小于90度，考慮晴天時的大氣散射，由于空氣中的氣溶膠濃度較低，大氣分子主要發生瑞利散射，瑞利散射系數由下式表示：

式中n(λ)為大氣折射率，N_A為大氣粒子濃度，l(x)為粒子的有效平均直徑，一般取l(x)＝0.035；

無線紫外光非直視單次散射信道模型發送端光源采用紫外LED，接收端光電檢測器采用光電倍增管，所述步驟1的具體做法為：

步驟1.1，根據無線紫外光非直視單次散射信道模型計算接收端的總能量，然后求出路徑損耗，通過不斷增加發送信號的樣本數量，得到足夠的路徑損耗數據，進而擬合出路徑損耗函數表達式；使用微元法求體積分計算得到接收端的總能量，取體積元δV，根據散射理論，體積元接收到的能量為：

式中，E_T和E_R分別表示發射能量和接收能量，P(μ)為散射相函數，k_S和k_e分別表示大氣瑞利散射系數和吸收系數，A_r為接收孔面積，Ω為發射端光束立體角，φ為接收端和δV的連線與接收視場角軸線的夾角，建立橢球坐標系，公共散射體V的下界為Φ1，上界為Φ2，r₁為發送端到公共散射體V的距離，r₂為接收端到公共散射體V的距離，經過轉換微元積分然后在整個橢球面上積分，可以得到單次散射接收端的總能量近似為：

式中，β_T和β_R分別為發送端和接收端的仰角，θ_T為光束發散角的半角，θ_S為散射角；

步驟1.2，分析無線紫外光非直視信道的脈沖響應，發送端發送一個脈沖信號，通過步驟1.1得到的接收端能量計算出接收信號，即信道脈沖響應，然后進行近似和化簡，即信道脈沖響應函數近似表達式為：

式中，θ_R接收視場角的半角；

步驟1.3，無線紫外光非直視單次散射信道模型仿真參數選擇為：信道為瑞利散射信道，發送端仰角θ_T為60度，接收端仰角θ_R為60度，光束發散角的半角為20度，接收視場角的半角為20度，最大數據傳輸速率R_b為1.5Mbps，通信距離d為100m；

步驟2，離線訓練：隨機產生發送序列，設置導頻信號，獲取大量的信道訓練數據，通過訓練深度神經網絡模型，得到接收數據和信道響應的映射關系f(y,H)；

所述步驟2中神經網絡模型選用深度神經網絡，深度神經網絡輸入為傳輸信號數據和導頻處的信道參數，輸出為高精度的信道參數，步驟2的具體做法為：

步驟2.1，首先需要獲取大量的信道訓練數據，發送端隨機產生傳輸信號，經過預處理操作生成信號序列，設置導頻，并讓其通過步驟1構造好的無線紫外光非直視單次散射信道模型，產生足夠的接收數據y(n)，然后利用傳統的最小二乘估計算法估計出粗略的信道響應H(n)；

步驟2.2，對接收信號數據y(n)和導頻處的信道相關參數H(n)進行預處理和特征處理操作，將得到的參數輸入到深度神經網絡中進行訓練，設置初始權重為w＝0，誤差閾值ε＝10^-7，激勵函數選擇sigmoid函數

步驟2.3，選擇梯度下降算法進行神經網絡的訓練，計算出訓練誤差，根據訓練誤差來調整輸入權重和偏置的二次函數，分別對權重和偏置求偏導，獲得梯度向量，沿著此梯度方向就是訓練誤差增加最快的方向，在這個方向上找出訓練誤差函數的最小值；

步驟2.4，判斷深度神經網絡模型的合理性，根據設置好的閾值進行判斷，如果訓練誤差結果大于閾值，則迭代回上一步繼續進行訓練；如果訓練誤差結果小于閾值，則停止訓練，更新每個神經元的權重w；

步驟2.5，最終獲取到接收數據y(n)和信道響應的映射關系f(y,H)；

步驟3，在線信道估計：使用訓練好的深度神經網絡進行信道估計，將訓練好的信道參數發送到接收端，然后將接收數據輸入到深度神經網絡中，輸出最優的信道脈沖響應，從而實現信道估計；

所述步驟3的具體做法為：

步驟3.1，導入步驟2中已經訓練好的深度神經網絡；

步驟3.2，發送端發射需要傳輸的信號，通過無線紫外光非直視單次散射信道模型，產生接收數據y(n)；

步驟3.3，將接收數據y(n)輸入到深度神經網絡中，進行在線信道估計操作，最終獲取到最優估計的信道響應從而完成信道估計。