[發明專利]一種深度學習檢測-超奈奎斯特速率大氣光傳輸方法

在審

• 申請號: 202110392584.1
• 申請日: 2021-04-13
• 公開（公告）號: CN113114422A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 曹明華;吳照恒;王惠琴;張偉;王博;周洪濤;王效兵;邱艷;王瑩
• 申請（專利權）人: 蘭州理工大學
• 主分類號: H04L1/00
• 分類號: H04L1/00;H04B10/112;G06N3/04
• 代理公司: 蘭州振華專利代理有限責任公司 62102
• 代理人: 董斌

1.一種深度學習檢測-超奈奎斯特速率大氣光傳輸方法，其特征在于，通過引入超奈奎斯特技術從而使符號傳輸速率大于奈奎斯特速率；通過引入深度學習檢測算法對QPSK/QAM進行譯碼，在保持與最大似然譯碼誤碼性能一致的情況下降低了75％的計算量；該深度學習檢測方法具體步驟如下：

步驟1：在發送端，首先將二進制信息序列進行調制映射成正交相移鍵控(QPSK)信號或正交振幅調制(QAM)信號，然后經超奈奎斯特成形濾波器形成超奈奎斯特信號：

步驟2：將步驟1得到的超奈奎斯特信號調制到激光載波上并由光學天線發出：

步驟3：激光經服從Gamma-Gamma分布的弱湍流大氣信道后到達光學接收天線，接收天線上的光電二極管將光信號轉換為電信號并通過匹配濾波器，再以τT為時間間隔進行采樣，得到相應的碼元波形，其中，τ為加速因子(0τ1)，T為碼元周期：

步驟4：采用torch庫構建神經網絡，采用串聯的形式構建多層神經網絡，將上一單層網絡的輸出作為下一單層神經網絡的輸入；此神經網絡采用先遞增再遞減結構，該系統共包含7層神經網絡，其中輸入層1層、隱藏層5層以及輸出層，其神經元數量分別為M、100、150、200、100、50、N(M與N為輸入和輸出網絡的窗口數)，損失函數為交叉熵函數(CrossEntropyLoss)，優化器為隨機梯度優化器(SGD)/標準梯度下降法(GD)，學習速率為0.001、0.0001、0.00001：

步驟5：利用步驟4訓練完成的神經網絡對步驟3接收得到的碼元波形進行譯碼處理，譯碼過程如下，一、將步驟3接收的信號傳入神經網絡輸入層經過隱藏層的處理再到輸出層；二、輸出層有四類輸出對應著QPSK/QAM的四個相位，從而恢復原始信息。