CN107124378B - 基于正交映射与概率神经网络的可见光信道联合均衡方法 - Google Patents
基于正交映射与概率神经网络的可见光信道联合均衡方法 Download PDFInfo
- Publication number
- CN107124378B CN107124378B CN201710213235.2A CN201710213235A CN107124378B CN 107124378 B CN107124378 B CN 107124378B CN 201710213235 A CN201710213235 A CN 201710213235A CN 107124378 B CN107124378 B CN 107124378B
- Authority
- CN
- China
- Prior art keywords
- visible light
- orthogonal
- channel
- equalization
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013507 mapping Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 8
- JBKPUQTUERUYQE-UHFFFAOYSA-O pralidoxime Chemical compound C[N+]1=CC=CC=C1\C=N\O JBKPUQTUERUYQE-UHFFFAOYSA-O 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 22
- 238000005516 engineering process Methods 0.000 abstract description 10
- 241001024304 Mino Species 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
- H04B10/114—Indoor or close-range type systems
- H04B10/116—Visible light communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03343—Arrangements at the transmitter end
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Optical Communication System (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开一种基于正交映射与概率神经网络的可见光信道联合均衡方法,包括发送端和接收端,信号通过可见光MIMO信道从发射端传送到接收端;所述的可见光MINO信道为多输入多输出信道;所述的联合均衡为前置均衡与后置均衡相结合;本发明采用的是前置均衡技术与后置均衡技术相结合的联合均衡方案,即基于正交映射与概率神经网络的可见光多输入多输出信道联合均衡方法,能有效抑制可见光MIMO通信系统信道之间的干扰,提高数据传输可靠性。
Description
技术领域
本发明涉及移动通信的可见光通信领域,更具体地,涉及一种基于正交映射与概率神经网络的可见光信道联合均衡方法。
背景技术
近年来,随着发光二极管(Light-emitting Diode,LED)的发展与推广,可见光通信(Visible Light Communications,VLC)也凭借其各项突出的优点(清洁,高安全性,频谱资源丰富等)而引起了广大学者的注意[1]。同时,可见光通信因其能短距离高速传输而成为解决接入设备爆炸式增长需求的一个潜在的强有力的候选者。
现有的商业化的LED的调制带宽有限(约为10~20MHz),这一特性限制了采用LED作为发射端的可见光通信的传输速率。为了进一步提高速率和充分利用频谱资源,可以引入多输入多输出(Multiple Input Multiple Output,MIMO)技术[2]。
另外,不同于传统的电磁波(Radio Frequency,RF)通信系统,可见光通信的信道必须为非负实数,因为LED的光强不能为负数和复数,因而在发送端一般采用幅度调制和直接检测(Intensity Modulation/Direct Detection,IM/DD)技术,因而信道之间的相关性是可见光MIMO通信的传输速率的另一个瓶颈[2]。为了减小信道之间的相关性,提高传输的可靠性,提高数据传输速率,在接收端或者发送端采用均衡技术是很有必要的[2]。具体可以用实物模拟框图说明。
如图1所示为可见光MIMO通信系统的实物模拟框图。该系统有Nt个发送端(即发光二极管LED)和Nr个接收端(即光电检测器Photo-Diode,PD)。为简单起见,我们取Nt=4,Nr=4。这是个4乘4的可见光MIMO通信系统。由实物
根据模拟框图可以看出,接收端同时收到来自周围的发送端发送的信号,对一个接收端来说,其他用户的信号就是干扰,因而限制了传输速率。另外一个影响传输可靠性的因素是噪声。对于可见光通信系统,来自环境的光的影响的噪声可以建模为加性高斯白噪声[2]。
均衡技术分为前置均衡和后置均衡。在接收端采用的均衡技术称之为后置均衡。在发送端采用均衡技术的称之为前置均衡,也称为预均衡或者预编码[5]。接收端可以通过接收发送端发送的导频(训练序列)得到MIMO信道的估计矩阵,从而得到信道的信息(Channel State Information,CSI)[5]。
相对后置均衡技术而言,在发送端采用的前置均衡技术若需要用到信道估计信息(比如最小均方差预均衡时),则需要接收端从另一可靠信道将信道估计信息(CSI)反馈给发送端[5]。但是在发送端采用前置均衡技术的效果要比在接收端采用前置均衡技术的效果要好,原因是采用后置均衡时传输噪声已经叠加在信号上了,而前置均衡则没有这一影响[8]。神经网络由于其可以形成任意的非线性界限而被广泛应用于各个领域。在通信系统中也有利用神经网络分类特性来进行信号均衡的技术。但是神经网络训练时需要大量的计算量,这对于通信系统尤其是实时或高速通信系统来说是一个极大的负担[6]。而概率神经网络在训练时不需要迭代,而是直接将训练序列存储于模式层,从而简化了计算量[7]。
与目前的均衡技术不同的是,本专利采用的是前置均衡技术与后置均衡技术相结合的联合均衡方案,即基于正交映射与概率神经网络的可见光多输入多输出信道联合均衡方法,有效提高传输可靠性。
参考文献
[1].Jovicic,A.,Li,J.,&Richardson,T.(2013).Visible lightcommunication:opportunities,challenges and the path to market.IEEECommunications Magazine,51(12),26-32.C.Luo,Y.Gong,and F.Zheng,“Fullinterference cancellation for two-path relay cooperative networks,”IEEETrans.Veh.Technol.,vol.60,no.1,pp.343-347,Jan.2011.
[2].Ying,K.,Qian,H.,Baxley,R.J.,&Yao,S.(2015).Joint optimization ofprecoder and equalizer in MIMO VLC systems.IEEE Journal on Selected Areas inCommunications,33(9),1949-1958.
[3].Fath,T.,&Haas,H.(2013).Performance comparison of MIMO techniquesfor optical wireless communications in indoor environments.IEEE Transactionson Communications,61(2),733-742.
[4].Long,S.,Khalighi,M.A.,Wolf,M.,Bourennane,S.,&Ghassemlooy,Z.(2016).Investigating channel frequency selectivity in indoor visible-lightcommunication systems.IET Optoelectronics,10(3),80-88.
[5].Cho,Y.S.,Kim,J.,&Yang,W.Y.(2013).MIMO-OFDM无线通信技术及MATLAB实现.
[6].Burse,K.,Yadav,R.N.,&Shrivastava,S.C.(2010).Channel equalizationusing neural networks:A review.IEEE Transactions on Systems,Man,andCybernetics,Part C(Applications and Reviews),40(3),352-357.
[7].Specht,D.F.(1990).Probabilistic neural networks.Neural networks,3(1),109-118.
[8].Li,X.,Bamiedakis,N.,Guo,X.,McKendry,J.J.D.,Xie,E.,Ferreira,R.&White,I.H.(2016).Wireless visible light communications employing feed-forwardpre-equalization and PAM-4modulation.Journal of Lightwave Technology,34(8),2049-2055.
发明内容
本发明通过利用正交向量构建正交映射方法,使得多输入多输出信道正交化,同时将一维的比特映射到多维空间,增加比特间距,并结合接收端的概率神经网络的分类特性,提出一种基于正交映射与概率神经网络的可见光信道联合均衡方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于正交映射与概率神经网络的可见光信道联合均衡方法,包括发送端和接收端,信号通过可见光MIMO信道从发射端传送到接收端;所述的可见光MINO信道为多输入多输出信道;所述的联合均衡为前置均衡与后置均衡相结合;其方法包括以下步骤:
发送端:
S1:产生比特流;
S2:对比特流进行信号调制;
S3:将调制后的信号进行正交向量映射;
S4:将正交向量映射后得到的新的调制信号进行功率控制;
S5:对输出信号增加直流偏置,使得所有值为非负值;
S6:LED将电信号转换为光信号发送到可见光信道中;
接收端:
S7:光电检测器接收光信号,转换为电信号;
S8:去除电信号的直流偏置;
S9:对所得的电信号进行正交逆映射;
S10:检测判决;
S11:接收比特流。
在一种优选的方案中,可见光信道为多输入多输出信道,当发送端个数为Nt时,接收端个数为Nr,可见光MIMO信道矩阵为Nr乘Nt的二维矩阵H。
在一种优选的方案中,步骤S2中的信号调制为2-PAM调制。
在一种优选的方案中,步骤S3中的正交向量映射具体实现方法为:取发送端和接收端都已经知道的一个D维正交矩阵U∈RD×D,且D>Nt,U=[u1,u2,...,uD],其中u1,u2,...,uD∈RD×1为单位正交列向量;在这些正交向量中取Nt个分别分配给Nt个信道,假设第i个信道分配到的单位正交向量为ui,这个信道的经过正交映射后的发送信息其中运算符表示克罗内克(Kronecker)积。
在一种优选的方案中,步骤S4中的功率控制为对正交映射后的新的调制信号乘上一个固定值使得发送信号的期望为一恒定值,保证LED在一定时间内的功率恒定且保证发送信号的幅值平方的均值为一恒定值,使得发射机的发射功率不变。
在一种优选的方案中,步骤S9中的正交逆映射为以正交向量的长度D为基准进行串并转换;所述的串并转换是为了构造概率神经网络的输入。
在一种优选的方案中,步骤S10中检测判决为将串并转换后的信号输入概率神经网络,概率神经网络根据输入信息与训练序列的对比进行匹配分类。
与现有技术相比,本发明技术方案的有益效果是:一种基于正交映射与概率神经网络的可见光信道联合均衡方法,包括发送端和接收端,信号通过可见光MIMO信道从发射端传送到接收端;所述的可见光MINO信道为多输入多输出信道;所述的联合均衡为前置均衡与后置均衡相结合;本发明采用的是前置均衡技术与后置均衡技术相结合的联合均衡方案,即基于正交映射与概率神经网络的可见光多输入多输出信道联合均衡方法,能有效抑制可见光MIMO通信系统信道之间的干扰,提高数据传输可靠性。
附图说明
图1为本发明可见光MIMO通信系统示意图。
图2为本发明采用正交映射和概率神经网络联合均衡方法的可见光MIMO通信系统框图。
图3为实施例2BER性能比较图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于正交映射与概率神经网络的可见光信道联合均衡方法,包括发送端和接收端,信号通过可见光MIMO信道从发射端传送到接收端;所述的可见光MINO信道为多输入多输出信道;所述的联合均衡为前置均衡与后置均衡相结合;其方法包括以下步骤见图2:
发送端:
S1:产生比特流;
S2:对比特流进行信号调制;
S3:将调制后的信号进行正交向量映射;
S4:将正交向量映射后得到的新的调制信号进行功率控制;
S5:对输出信号增加直流偏置,使得所有值为非负值;
S6:LED将电信号转换为光信号发送到可见光信道中;
接收端:
S7:光电检测器接收光信号,转换为电信号;
S8:去除电信号的直流偏置;
S9:对所得的电信号进行正交逆映射;
S10:检测判决;
S11:接收比特流。
在具体实施过程中,可见光信道为多输入多输出信道,当发送端个数为Nt时,接收端个数为Nr,可见光MIMO信道矩阵为Nr乘Nt的二维矩阵H。
在具体实施过程中,步骤S2中的信号调制为2-PAM调制。
在具体实施过程中,步骤S3中的正交向量映射具体实现方法为:取发送端和接收端都已经知道的一个D维正交矩阵U∈RD×D,且D>Nt,U=[u1,u2,...,uD],其中u1,u2,...,uD∈RD×1为单位正交列向量;在这些正交向量中取Nt个分别分配给Nt个信道,假设第i个信道分配到的单位正交向量为ui,这个信道的经过正交映射后的发送信息其中运算符表示克罗内克(Kronecker)积。
在具体实施过程中,步骤S4中的功率控制为对正交映射后的新的调制信号乘上一个固定值使得发送信号的期望为一恒定值,保证LED在一定时间内的功率恒定且保证发送信号的幅值平方的均值为一恒定值,使得发射机的发射功率不变。
在具体实施过程中,步骤S9中的正交逆映射为以正交向量的长度D为基准进行串并转换;所述的串并转换是为了构造概率神经网络的输入。
在具体实施过程中,步骤S10中检测判决为将串并转换后的信号输入概率神经网络,概率神经网络根据输入信息与训练序列的对比进行匹配分类。
实施例2
本实施例的关注点在于抑制多输入多输出信道之间的干扰。文献[4]指出,传统RF传输系统由于多径效应的存在,符号间会有串扰(Inter Symbol Interference,ISI),但是相对于传统的RF信道,由多径效应引起的均方根(Root Mean Square,RMS)时延扩展远小于RF信道,故暂不考虑时域上的符号间干扰。
假设发送端个数为Nt,接收端个数为Nr,可见光MIMO信道矩阵为Nr乘Nt二维矩阵H。
发送端首先产生Nt路N比特的0 1信号B,接着对B进行2-PAM调制得到信号且其中为第i个信道发送的调制后信息。将调制后的信号A进行正交向量映射,具体实现方法为,取发送端和接收端都已经知道的一个D维正交矩阵U∈RD×D,且D>Nt,U=[u1,u2,...,uD],其中u1,u2,...,uD∈RD×1为单位正交列向量。在这些正交向量中取Nt个分别分配给Nr个信道,假设第i个信道分配到的单位正交向量为ui。这个信道的经过正交映射后的发送信息其中运算符表示克罗内克(Kronecker)积。
正交映射后得到新的调制信号其中然后对调制信号T进行功率控制,对其乘上一个固定值使得发送信号的期望为一恒定值,保证LED在一定时间内的功率恒定,且保证发送信号的幅值平方的均值为一恒定值,使得发射机的发射功率不变。最后给输出信号加上直流偏置,使得所有值为非负值,得到发送信号S经由LED将电信号S转换为光信号发送到可见光信道中。
在接收端,光电检测器接收光信号并将其转换为电信号将所得到的电信号R1,去除直流偏置。正交逆映射以正交向量的长度D为基准进行串并转换得到检测判决:以Nt个发送信道的当前时刻的M进制调制信息作为分类依据,若每个发送信道的信息为M进制,则总的分类个数即为串并转换是为了构造概率神经网络的输入,将来自同一类的信息放到一起,对于R2来说,每一列就是关于当前发送信道所处类别的分类依据信息的集合。在神经网络分类之前,需要将收到的信息一段作为训练序列ST,假设训练序列长度为LT,则训练序列来源于所发送信息,并假设已知这段信息所对应的类别信息将串并转换后的信号R2输入概率神经网络,概率神经网络根据输入信息与训练序列的对比进行匹配分类,具体的过程如下。假设当前时刻输入向量为计算rin(t)与训练序列ST的每个列向量的欧氏距离分别将每个距离作为自变量输入激活函数其中σ为调节分类边缘效果的一个常数。得到激活函数输出d1,再根据训练序列各个向量的类别信息,分别将同一个类别的激活函数的输出累加起来。最后每个类别都会有个属于自己类别的累加值,判断累加值的最大值,并认为输入rin(t)属于这个分类。分类的具体过程如上。将输入信息R2输入概率神经网络,最后分类结果就是接收端所需的比特流。
为更充分地阐述本发明所具有的有益效果,以下结合仿真分析及结果,进一步对本发明的有效性和先进性予以说明。
本实施例所使用仿真工具为MATLAB2014a。仿真中参数如下[2][3],取Nt=4,Nr=4,可见光MIMO信道矩阵直流偏置为1,总发射功率为1,发送比特长度N=105,训练序列长度ST=2000,
调制方式采用2-PAM调制,维度D设为4,生成的正交矩阵
仿真的结果如图3所示。不考虑信道估计误差的情况,即是假设信道估计完全正确。图3给出了采用不同均衡方案的误比特率(Bit Error Rate,BER)随信噪比变化的性能曲线,包括本发明提出的联合正交映射与概率神经网络均衡方案、发送端前置正交映射方案、接收端概率神经网络均衡方案、文献[5]中的最小均方误差(Minimum Mean SquareError,MMSE)预均衡方案等。从图中可以看出,采用本发明所提出来的联合均衡方案的性能曲线远好于其他方案的性能曲线,这说明采用本发明提出的联合均衡方案能使可见光MIMO通信系统获得更好的传输可靠性。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种基于正交映射与概率神经网络的可见光信道联合均衡方法,其特征在于,信号通过可见光MIMO信道从发射端传送到接收端;所述的可见光MIMO信道为多输入多输出信道,当发送端个数为Nt时,接收端个数为Nr,可见光MIMO信道矩阵为Nr乘Nt的二维矩阵H;所述的联合均衡为前置均衡与后置均衡相结合;其方法包括以下步骤:
发送端:
S1:产生比特流;
S3:将调制后的信号进行正交向量映射;具体实现方法为:取发送端和接收端都已经知道的一个D维正交矩阵U∈RD×D,且D>Nt,U=[u1,u2,...,uD],其中u1,u2,...,uD∈RD×1为单位正交列向量;在这些正交向量中取Nt个分别分配给Nt个信道,假设第i个信道分配到的单位正交向量为ui,这个信道的经过正交映射后的发送信息其中运算符表示克罗内克积;
S4:将正交向量映射后得到的新的调制信号进行功率控制,功率控制为对正交映射后的新的调制信号乘上一个固定值;
S5:对输出信号增加直流偏置;
S6:LED将电信号转换为光信号发送到可见光信道中;
接收端:
S7:光电检测器接收光信号,转换为电信号;
S8:去除电信号的直流偏置;
S9:对所得的电信号进行正交逆映射,正交逆映射为以正交向量的长度D为基准进行串并转换;
S10:检测判决,检测判决为将串并转换后的信号输入概率神经网络,概率神经网络根据输入信息与训练序列的对比进行匹配分类;
S11:接收比特流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710213235.2A CN107124378B (zh) | 2017-04-01 | 2017-04-01 | 基于正交映射与概率神经网络的可见光信道联合均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710213235.2A CN107124378B (zh) | 2017-04-01 | 2017-04-01 | 基于正交映射与概率神经网络的可见光信道联合均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107124378A CN107124378A (zh) | 2017-09-01 |
CN107124378B true CN107124378B (zh) | 2020-03-31 |
Family
ID=59724659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710213235.2A Expired - Fee Related CN107124378B (zh) | 2017-04-01 | 2017-04-01 | 基于正交映射与概率神经网络的可见光信道联合均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107124378B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108494710A (zh) * | 2018-03-30 | 2018-09-04 | 中南民族大学 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
CN108566257B (zh) * | 2018-04-27 | 2020-08-18 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
CN109379138B (zh) * | 2018-08-24 | 2021-07-13 | 中国电子科技集团公司第二十九研究所 | 基于光子神经网络的高线性微波光子链路实现方法及结构 |
CN110581732B (zh) * | 2019-09-30 | 2021-02-26 | 山东建筑大学 | 基于神经网络的室内可见光通信多目标优化系统及方法 |
CN112910600A (zh) * | 2019-12-04 | 2021-06-04 | 中兴通讯股份有限公司 | 译码结果的确定方法、装置、存储介质及电子装置 |
CN111555804B (zh) * | 2020-05-15 | 2021-03-26 | 桂林电子科技大学 | 一种面向移动用户的可见光通信安全增强方法 |
CN112491754B (zh) * | 2020-11-20 | 2023-01-31 | 西华大学 | 基于ddst及深度学习的信道估计与信号检测方法 |
CN113098601B (zh) * | 2021-04-13 | 2022-05-24 | 兰州理工大学 | 一种深度学习预均衡-超奈奎斯特速率大气光传输方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731779A (zh) * | 2005-08-05 | 2006-02-08 | 西安电子科技大学 | 基于神经网络均衡器的小波包多载波扩频系统及控制方法 |
CN103560986A (zh) * | 2013-11-08 | 2014-02-05 | 武汉邮电科学研究院 | 基于mimo-ofdm调制的可见光通信系统及信道估计方法 |
CN105207963A (zh) * | 2015-08-13 | 2015-12-30 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 应用于可见光通信系统中的基于概率神经网络的均衡方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8958291B2 (en) * | 2009-10-09 | 2015-02-17 | At&T Intellectual Property I, L.P. | Data routing in hybrid wireless communication networks |
-
2017
- 2017-04-01 CN CN201710213235.2A patent/CN107124378B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731779A (zh) * | 2005-08-05 | 2006-02-08 | 西安电子科技大学 | 基于神经网络均衡器的小波包多载波扩频系统及控制方法 |
CN103560986A (zh) * | 2013-11-08 | 2014-02-05 | 武汉邮电科学研究院 | 基于mimo-ofdm调制的可见光通信系统及信道估计方法 |
CN105207963A (zh) * | 2015-08-13 | 2015-12-30 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 应用于可见光通信系统中的基于概率神经网络的均衡方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107124378A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107124378B (zh) | 基于正交映射与概率神经网络的可见光信道联合均衡方法 | |
Chen et al. | OFDM-based generalized optical MIMO | |
Bahloul et al. | Modulation classification for MIMO systems: State of the art and research directions | |
Tejaswi et al. | Quad-LED complex modulation (QCM) for visible light wireless communication | |
CN103414534B (zh) | 一种结合门限判决的广义空间调制系统接收机检测方法 | |
Sachan et al. | Performance analysis of SM-MIMO system employing binary PSK and M’ary PSK techniques over different fading channels | |
CN111565160A (zh) | 一种海洋通信系统联合信道分类、估计和检测方法 | |
Khadr et al. | Machine learning-based massive augmented spatial modulation (ASM) for IoT VLC systems | |
Tavakkolnia et al. | OFDM-based spatial modulation for optical wireless communications | |
Shi et al. | Enhanced performance of PAM7 MISO underwater VLC system utilizing machine learning algorithm based on DBSCAN | |
Qi et al. | Range-extending optical transceiver structure for underwater vehicles and robotics | |
CN113141214A (zh) | 基于深度学习的水下光通信失准鲁棒盲接收机设计方法 | |
Joshi et al. | Comparative performance investigation of MIMO-OTFS and MIMO-OFDM using deep neural network modeling | |
Zhao et al. | Link adaptation in Underwater Wireless Optical Communications based on deep learning | |
Badarneh et al. | Performance analysis of space modulation techniques over alpha-mu fading channels with imperfect channel estimation | |
Soundari et al. | Improved Energy Efficiency of Massive MIMO-OFDM | |
Matta et al. | Channel Estimation of massive MIMO Using Code Shift Keying Pilot Symbols (CSK-PS) | |
Ha et al. | Post equalization scheme based on deep neural network for a probabilistic shaping 128 QAM DFT-S OFDM signal in underwater visible light communication system | |
Alamir et al. | Efficient Optical MIMO–OFDM Channel Estimation Based on Correntropy Compressive Sensing | |
Jha et al. | Performance analysis of transmission techniques for multi-user optical MIMO pre-coding for indoor visible light communication | |
KR101960699B1 (ko) | 무선광통신시스템의 신호검출방법 및 신호검출장치 | |
Joseph et al. | Highly accurate technique for CO-OFDM channel estimation technique using extreme learning machine (ELM) | |
CN104753849A (zh) | Mimo dco-ofdm通信方法、信号接收装置及系统 | |
Liu et al. | MIMO Signals Classification with Cauchy Noise in Space-air-ground Integrated Networks | |
Datta et al. | Deep neural network aided sparse bayesian learning for wireless access channel estimation in mm-wave massive Mimo cloud radio access network systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200331 |
|
CF01 | Termination of patent right due to non-payment of annual fee |