CN105007118A - 一种用于室内可见光通信系统的神经网络均衡方法 - Google Patents

Abstract

本发明请求保护一种用于室内可见光通信系统的神经网络均衡方法，属于可见光无线通信技术领域。本方法首先利用天花板弹跳模型计算VLC信道冲激响应，并对接收端接收到的可见光功率信号进行光电转换，经过放大采样之后将序列送入神经网络信道均衡器；然后利用遗传算法优化神经元之间的初始化权值和阈值，进而构建神经网络进行训练，最小化误差函数；最后判决输出，恢复发送序列，最终实现均衡的目的。该方案能够明显减小码间干扰，降低误码率，进一步提高通信质量以及系统可以达到的传输速率，并且缩短了训练时长，降低了系统复杂度。

Description

一种用于室内可见光通信系统的神经网络均衡方法

技术领域

本发明属于可见光无线通信领域，涉及一种用于室内可见光通信系统的神经网络均衡方法。

背景技术

由于网络频段资源的枯竭，网络干扰，以及网络泄密等问题的日益严峻，我们需要找到能够克服上述问题的新的网络通信技术，而可见光通信技术是最有发展前景的技术之一。

可见光通信(Visible Light Communication，VLC)技术是一种使用可见光作为信息载体的新型无线光通信方式，它主要利用半导体发光二极管(LightEmitting Diode，LED)所具有的高速响应特性，同时实现通信和照明的双重功能。可见光通信发出的光是电磁波谱中人眼所可以感知的那部分，波长在380nm到780nm之间，对人眼安全。基于LED的可见光无线通信系统，无论是应用于室内还是室外，在其物理实现上均分为光信号发射和光信号接收两部分。光信号发射部分主要包括：将信号源信号转换成便于大气信道传输的电信号的输入和处理电路，以及将电信号转化调制成光载波强度变化的LED可见光驱动电路。可见光接收机部分主要包括：能对信号光源实现最佳接收的光学系统，将光信号还原成电信号的光电探测器和前置放大电路，为了获得最佳接收信噪比的滤波电路，以及将电信号转换成可被终端识别的信号处理和输出电路等。

目前，可见光通信的研究热点之一是如何提高通信速率，减小码间干扰。对可见光无线通信系统来说，LED光源为散射光，无方向性，因此可见光信号从LED发出后，有的经过LOS链路直接到达接收端，有的将会经过天花板、墙壁、障碍物等的反射和折射才能到达接收端。可见光信号在经过不同的传输路径之后将会产生传输时延，从而形成多径效应，并最终产生码间干扰和延迟失真，影响接收端对可见光信号接收的质量。且VLC系统提供调光功能，在发送端使用脉冲调制，在经由不同传输路径之后会产生码间干扰。如何抑制码间干扰成为研究者的一大难题。信道均衡技术可用于对抗码间干扰。在无线电通信系统中，信道均衡技术已经十分成熟，然而对于可见光通信系统来说，信道均衡技术尚处于研究阶段。综上所述，可见光通信系统中的均衡技术需要做进一步的研究。

发明内容

针对现有技术的不足，提出了一种明显减小码间干扰，降低误码率，提高系统可以达到的传输速率，并且缩短训练时长，降低系统复杂度的用于室内可见光通信系统的神经网络均衡方法。本发明的技术方案如下：一种用于室内可见光通信系统的神经网络均衡方法，所述可见光通信系统包括信号发送端A、光无线通信信道B和信号接收端C，信号发送端A包括编码模块、调制模块、LED驱动模块、Bias-Tee信号耦合模块和LED光源模块，信号接收端C包括光电检测模块、信号放大滤波模块、GA-ANN均衡模块、判决模块和信号解调解码模块，所述神经网络均衡方法包括以下步骤：

在信号发送端A，首先，数据源的待发送数据发送给编码模块进行编码；然后编码模块的输出信号发送给调制模块进行调光，调制模块完成对信号调光后，发送给Bias-Tee信号耦合模块，Bias-Tee信号耦合模块从LED光源模块输出，即发射可见光信号；所述可见光信号经过可见光无线信道B被接收端的光电探测器接收；

在信号接收端C，光电探测器接收可见光信号后将微小的幅度变化量转换为电信号，然后将该放大滤波后的电信号输入一个基于遗传算法改进的人工神经网络信道均衡器GA-ANN进行光信号的序列恢复训练，并经过信号判决模块的判决、解调解码模块的解码之后输出数据。

进一步的，所述基于遗传算法改进的人工神经网络信道均衡器GA-ANN的输入层采用系列的延迟线抽头，信息处理发生在隐层，隐层由多个神经元组成，这些神经元并行，且每个神经元都与输入层的所有抽头相连接，具体为：

A1、离散的接收信号表示为：其中，b_i为无噪声的信道输出，n_i是加性高斯白噪声，h_n是由天花板弹跳模型给出的信道抽头；L阶的均衡器有L个等距延迟为τ的抽头；

A2、把信道输出写成向量模式：Y_i＝[y_iy_i-1...y_i-L+1]^T根据输出向量Y_i，均衡器把接收向量分类成这两类中的其中之一：二进制“0”和二进制“1”，对接收符号划判决边界。

进一步的，所述基于遗传算法改进的人工神经网络信道均衡器GA-ANN进行光信号的序列恢复训练采用多层感知机，并且使用反向传播BP算法进行学习训练，具体包括：

B1、初始化权重为小于设定值M(例如M＝1)和阀值小于N(例如N＝1)的随机数；

B2、指定输入向量x(n)和期望得到的输出向量d(n)；

B3、根据输入向量集算出实际的输出向量y(n)，然后计算出成本函E(n)；

B4、采用遗传算法优化神经元之间的权值和阈值，返回步骤B2。

进一步的，步骤B4采用遗传算法优化初始神经元之间的权值和阈值，具体包括：

C1、建立初始化的BP神经网络，并设置参数，包括隐含层和输出层的神经元数目(例如，隐层使用6个神经元，输出层1个神经元)，隐含层传递函数为tansig，输出层激活函数为logsig，训练函数为trainscg，并对神经元的初始化权值和阈值进行实数编码，作为GA的染色体；

C2、将预测数据与期望数据之间的误差作为适应度函数，计算每个个体的适应度函数值，其中适应度函数o_pi为输入第p个训练样本时第i个节点的输出值，d_pi为期望的输出值，n为输出层神经元个数，k为训练集合的大小；

C3、进行遗传操作，即选择、交叉、变异，产生新的种群，其中选择概率P_s＝0.9，交叉概率P_c＝0.2，变异概率P_m＝0.6；

C4、遗传算法结束之后，解码得到最佳神经元初始化权值和阈值，建立最佳BP神经网络用于训练，并最终判决输出。

本发明的优点及有益效果如下：

本方法在可见光无线通信系统的接收端使用基于遗传算法改进的人工神经网络信道均衡技术。采用人工神经网络(ANN)线性均衡器或人工神经网络判决反馈均衡器从接收到的光功率信号中恢复发送序列，减小码间干扰，改善误码率；并利用遗传算法(GA)对人工神经网络中神经元之间的初始化权值和阈值进行优化，加快收敛速度，减小稳态剩余误差以及误差函数陷入局部极小值的可能性；

人工神经网络信道均衡是一种自适应的盲均衡方法，用于可见光通信系统中，它通过对直接检测的接收光功率信号光电转换之后的采样序列进行训练，并最终判决输出，具体包括：

基于多层前馈ANN网络的线性信道均衡器：信号在经过放大采样之后，再被送入基于遗传算法的人工神经网络线性均衡器，最后经过判决输出最终的信号；

能够有效地减小可见光通信系统中由于多径效应所引发的码间干扰，降低误码率，提高系统可以达到的传输速率，并且缩短训练时长，在保证通信质量的同时有能够降低系统复杂度。

附图说明

图1是本方法的系统框图；

图2为VLC等效系统框图；

图3为室内可见光通信系统模型图；

图4为单个LED灯的系统模型图；

图5为神经元示意图；

图6为前馈多层神经网络连接图；

图7为基于人工神经网络的线性均衡器的结构图；

图8为基于人工神经网络的判决反馈均衡器的结构图；

图9为遗传算法优化神经网络权值流程图；

具体实施方式

以下结合附图，对本发明作进一步说明：

图1为本发明所述方法的系统框图，如图所示，可见光通信系统包括信号发送端A、光无线通信信道B和信号接收端C。

信号发送端A由编码模块、调制模块、LED驱动模块、Bias-Tee信号耦合模块和LED光源模块组成。在信号发送端，白光LED驱动模块的输出端与Bias-Tee信号耦合模块的直流输入端相连，信号调制模块A2的输出端与Bias-Tee信号耦合模块的交流输入端相连。首先，输入数据经过编码模块，然后输出。编码模块可能包含信源编码和信道编码，也可能只包含信道编码，看具体的需求而定，而信道编码的方式可以是卷积编码、Turbo编码，也可以是LDPC编码；其次，编码模块的输出信号输入调制模块，因为可见光通信系统需要同时提供照明和数据传输的功能，所以调光功能对于VLC来说是不可或缺的基本功能，考虑到VLC系统使用的是LED光源，所以调光功能可以在调制模块A1中实现，具体参见图2；然后，输出信号经过Bias-Tee信号耦合模块之后，从LED输出，即发射可见光信号；

在经过了可见光无线信道B之后被光电探测器接收，可见光无线通信信道为多径信道，信号将会被反射，会产生时延扩展。

信号接收端C由光电检测模块、信号放大滤波模块、GA-ANN均衡模块、判决模块、信号解调解码模块组成。在信号接收端，在光电探测器(photo-detector)接收光信号之前会经过一个光滤波器和光聚能器，然后信号被PD接收，转化为电信号；在经过放大、滤波采样之后，被输入一个基于遗传算法改进的人工神经网络信道均衡器，在判决、解调解码之后输出数据。在这里使用信道均衡器是为了改善系统的误码率性能，并且同时也能够降低系统的功率需求，这对于小功率的终端应用来说也是非常重要的。

图2，图2为可见光通信系统的等效系统框图，如图所示，信号在经过编码之后要经过调制器A1。首先，信号经过M-2-PAPM调制器a1之后生成随幅度和位置变化的周期脉冲波形；然后输入脉冲宽度调制器a3，这里假设调光目标a2已知，如果调光速率为0.5，则脉冲宽度为符号周期的一半。设x(t)和y(t)分别表示发送光信号c1和接收光信号c4，PD产生与接收到的瞬时功率成正比的光电流。经过放大、滤波、采样之后的接收光信号c4被送入均衡模块，首先经过GA-ANN线性均衡器c5，然后输入判决模块c6，如果信道失真严重，c5的信息需要反馈给c6，即使用GA-ANN判决反馈均衡器。

接收到的平均光功率可以表示为：

P_r＝∑_LEDs{H(0)P_t+∫_wallsP_tdH_ref(0)}

在这个系统模型中仍然采用朗伯特辐射格局，LED和PD之间的直射视距光信道直流增益H(0)可以表示为：

$H\left(0\right)=\left\{\begin{array}{cc}\frac{(m+1)A}{2{\mathrm{\πd}}^2}{\cos }^m\left(\mathrm{\φ}\right)T_s\left(\mathrm{\ψ}\right)g\left(\mathrm{\ψ}\right)\cos \left(\mathrm{\ψ}\right)& 0\≤\mathrm{\ψ}\≤{\mathrm{\ψ}}_c\\ 0& \mathrm{\ψ}>{\mathrm{\ψ}}_c\end{array}\right.$

其中m为光源的朗伯特辐射模式；A为光电探测器的接收面积；d是发射端与接收端之间的距离；ψ为入射角，φ为发射角；T_s(ψ)是光滤波器增益；g(ψ)是光聚能器增益；ψ_c是接收机视场。

光聚能增益g(ψ)可以由下式求得：

$g\left(\mathrm{\ψ}\right)=\left\{\begin{array}{cc}\frac{n^2}{{\sin }^2{\mathrm{\ψ}}_c}& 0\≤\mathrm{\ψ}\≤{\mathrm{\ψ}}_c\\ 0& \mathrm{\ψ}>{\mathrm{\ψ}}_c\end{array}\right.$

其中n为折射率；光信道在第一级反射的直流增益为：

${\mathrm{dH}}_{\mathrm{ref}}\left(0\right)=\left\{\begin{array}{cc}\frac{(m+1)A}{2{\mathrm{\π}}^2{D}_1^2{D}_2^2}\mathrm{\ρ}{\mathrm{dA}}_{\mathrm{wall}}{\cos }^m\left(\mathrm{\θ}\right)\cos \left(\mathrm{\α}\right)\cos \left(\mathrm{\β}\right)T_s\left(\mathrm{\ψ}\right)g\left(\mathrm{\ψ}\right)\cos \left(\mathrm{\ψ}\right)& 0\≤\mathrm{\ψ}{\≤\mathrm{\ψ}}_{\text{c}}\\ 0& \mathrm{\ψ}>{\mathrm{\ψ}}_c\end{array}\right.$

其中，D₁是LED光源与一个反射点之间的距离，D₂是一个反射点与接收机之间的距离；ρ是反射系数；dA_wall是一个小区域的反射面积；α是光源到反射点之间的角度；β是反射点到接收机之间的角度。

假设有发送端和接收端之间有M条直接通路和N条反射通路，那么接收到的光信号的总功率就可以用下式来计算：

$P_T=\underset{i}{\overset{M}{\mathrm{\Σ}}}{P}_{d,i}+\underset{j}{\overset{N}{\mathrm{\Σ}}}{P}_{r,j}$

其中，P_d,i是直射光在第i点的接收光功率；P_r,j表示反射光在第j点的接收光功率。

对于多反射信道来说，归一化的延迟时间可以用均方根时延扩展(RMSdelay spread)来估算，因此，均方根时延扩展将会是数据传输速率上限的一种重要的判决准则，平均过度时延(mean excess delay)可以表示为：

$\stackrel{\‾}{\mathrm{\τ}}=(\underset{i}{\overset{M}{\mathrm{\Σ}}}{P}_{d,i}{t}_{d,i}+\underset{j}{\overset{N}{\mathrm{\Σ}}}{P}_{r,j}{t}_{r,j})/P_T$

其中，t_d,i为第i条直射光的传播时间；t_r,j是第j条反射光的传播时间；

均方根时延扩展可以由下式算出：

${\mathrm{\τ}}_{\mathrm{RMS}}=\sqrt{{\stackrel{\‾}{\mathrm{\τ}}}^2-{\left(\stackrel{\‾}{\mathrm{\τ}}\right)}^2}$

其中， ${\stackrel{\‾}{\mathrm{\τ}}}^2=(\underset{i}{\overset{M}{\mathrm{\Σ}}}{P}_{d,i}{t_{d,i}}^2+\underset{j}{\overset{N}{\mathrm{\Σ}}}{P}_{r,j}{t_{r,j}}^2)/P_T$

图3，图3为室内可见光通信系统模型图。房间长宽高分别为5米、5米和3米，接收端PD所在的桌面高0.85米。天花板上分布着四组LED阵列，每个LED阵列有60*60个LED灯。

图4，图4为单个LED灯的系统模型图。可见光信号从LED发出之后经过光无线信道到达接收端，在接收端首先经过一个光学滤波器，然后通过聚光器之后被PD接收。

图5，图5为神经网络中的神经元示意图。图中包括各个输入分量d1、偏置d3、传递函数d5以及输出d6；神经网络中的每一个神经元都有一个简单的任务，即根据预先定义的数学规则来修改输入分量；如图所示，假设这个神经元有N个输入分量，则w1～wN就表示神经元各个突触的权值d2；w0为与经常设置为1的常数x0相连的权值，也就是偏置；a为中间输出量d4，可以由下式计算：

$a=\underset{i}{\mathrm{\Σ}}{w}_i{x}_i$

其中，如果有偏置的话，那么i＝0,…,N；否则，i＝1,…,N。

输出y为中间变量a的函数：

y＝f(a)

传递函数f(·)通常为非线性函数。

图6，图6为前馈多层神经网络连接图。假设有一个具有足够多神经元的3层神经网络，那么它就具有映射任何输入输出数据的通用近似特性；如图所示为一个全连接的3层网络，包含有n个神经元的输入层e1，6个神经元的隐藏层e2，1个神经元的输出层e3；递归神经网络与多层前馈网络不同的是它的输出会反馈到输入层，而且它的训练会更加的复杂；

本发明使用的是基于多层前馈神经网络的自适应均衡器。

图7，图7为基于人工神经网络的线性均衡器的结构图。如图所示，抽样输出y_i进入神经网络f2之前会经过延迟线路f1；如果是二进制数据的话，神经网络的输出判决器f3的门限为0.5；

图8，图8为基于人工神经网络的判决反馈均衡器的结构图。本发明如果使用判决反馈均衡器，判决输出结果会反馈给神经网络；向前和反馈的延迟线路的长度都与信道跨度有关，它同样也与时延扩展有关；神经网络需要以监督的方式来调整它的自由参数；输入输出层的神经元的数目由输入向量和期望的输出向量决定；隐藏层以及隐藏层的神经元是可变的；增加隐藏层会增大系统的复杂度和训练时间，但是隐藏层中过少的神经元又会导致得不到理想的性能。

本发明的人工神经网络类型为前馈反向传播的多层感知机；并且使用一个隐藏层以及隐藏层中使用6个神经元；隐藏层中的传递函数使用tansig函数；输出层的输出层激活函数为logsig；训练方法使用量化共轭梯度法。

图9，图9为遗传算法优化神经网络权值的流程图。

步骤901：产生样本数据。

步骤902：对样本数据进行归一化预处理。

步骤903：建立初始化的BP神经网络，并设置参数，包括隐含层和输出层的神经元数目，隐含层传递函数为tansig，输出层激活函数为logsig，训练函数为trainscg。

步骤904：设置初始种群的数目，并设置遗传算法优化的目标。

步骤905：对神经元的初始化权值和阈值进行实数编码，作为GA的染色体。

步骤906：将预测数据与期望数据之间的误差作为适应度函数，计算每个个体的适应度函数值，其中适应度函数o_pi为输入第p个训练样本时第i个节点的输出值，d_pi为期望的输出值，n为输出层神经元个数，k为训练集合的大小。

步骤907：选择。从当前的种群中选出适应度高的染色体，即选出优良的染色体，以产生新的种群。选择概率P_s＝0.9。

步骤908：对新种群进行遗传算法，交叉。将交叉算子作用于群体。交叉概率P_c＝0.2。

步骤909：变异，将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。变异概率P_m＝0.6。

步骤910：判断是否达到优化目标，若没有达到，则转向步骤906；若达到，则转向步骤911；

步骤911：遗传算法结束，解码得到最佳神经元初始化权值和阈值，建立最佳BP神经网络。

步骤912：利用BP网络进行训练学习，并计算误差函数。

步骤913：更新权值和阈值。

步骤914：判断总的误差函数是否满足条件，若满足，训练结束；若不满足，返回步骤912，直到达到预先设定的迭代次数。

步骤915：对模型的准确性进行验证。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.一种用于室内可见光通信系统的神经网络均衡方法，所述可见光通信系统包括信号发送端A、光无线通信信道B和信号接收端C，信号发送端A包括编码模块、调制模块、LED驱动模块、Bias-Tee信号耦合模块和LED光源模块，信号接收端C包括光电检测模块、信号放大滤波模块、GA-ANN均衡模块、判决模块和信号解调解码模块，其特征在于，所述神经网络均衡方法包括以下步骤：

在信号发送端A，首先，数据源的待发送数据发送给编码模块进行编码；然后编码模块的输出信号发送给调制模块进行调光，调制模块完成对信号调光后，发送给Bias-Tee信号耦合模块，Bias-Tee信号耦合模块从LED光源模块输出，即发射可见光信号；所述可见光信号经过可见光无线信道B被接收端的光电探测器接收；

在信号接收端C，光电探测器接收可见光信号后将微小的幅度变化量转换为电信号，然后将该放大滤波后的电信号输入一个基于遗传算法改进的人工神经网络信道均衡器GA-ANN进行光信号的序列恢复训练，并经过信号判决模块的判决、解调解码模块的解码之后输出数据。

2.根据权利要求1所述的一种用于室内可见光通信系统的神经网络均衡方法，其特征在于：所述基于遗传算法改进的人工神经网络信道均衡器GA-ANN的输入层采用系列的延迟线抽头，信息处理发生在隐层，隐层由多个神经元组成，这些神经元并行，且每个神经元都与输入层的所有抽头相连接，具体为：

A1、离散的接收信号表示为：其中，b_i为无噪声的信道输出，n_i是加性高斯白噪声，h_n是由天花板弹跳模型给出的信道抽头；L阶的均衡器有L个等距延迟为τ的抽头；

A2、把信道输出写成向量模式：Y_i＝[y_iy_i-1...y_i-L+1]^T根据输出向量Y_i，均衡器把接收向量分类成这两类中的其中之一：二进制“0”和二进制“1”，对接收符号划判决边界。

3.根据权利要求1所述的一种用于室内可见光通信系统的神经网络均衡方法，其特征在于：所述基于遗传算法改进的人工神经网络信道均衡器GA-ANN进行光信号的序列恢复训练采用多层感知机，并且使用反向传播BP算法进行学习训练，具体包括：

B1、初始化权重为小于设定值M和阀值小于N的随机数；

B2、指定输入向量x(n)和期望得到的输出向量d(n)；

B3、根据输入向量集算出实际的输出向量y(n)，然后计算出成本函E(n)；

B4、采用遗传算法优化神经元之间的权值和阈值，返回步骤B2。

4.根据权利要求3所述的一种用于室内可见光通信系统的神经网络均衡方法，其特征在于：步骤B4采用遗传算法优化初始神经元之间的权值和阈值，具体包括：

C1、建立初始化的BP神经网络，并设置参数，包括隐含层和输出层的神经元数目，隐含层传递函数为tansig，输出层激活函数为logsig，训练函数为trainscg，并对神经元的初始化权值和阈值进行实数编码，作为GA的染色体；

C2、将预测数据与期望数据之间的误差作为适应度函数，计算每个个体的适应度函数值，其中适应度函数o_pi为输入第p个训练样本时第i个节点的输出值，d_pi为期望的输出值，n为输出层神经元个数，k为训练集合的大小；

C3、进行遗传操作，即选择、交叉、变异，产生新的种群，其中选择概率P_s＝0.9，交叉概率P_c＝0.2，变异概率P_m＝0.6；

C4、遗传算法结束之后，解码得到最佳神经元初始化权值和阈值，建立最佳BP神经网络用于训练，并最终判决输出。