CN108494710A - 基于bp神经网络的可见光通信mimo抗扰降噪方法 - Google Patents
基于bp神经网络的可见光通信mimo抗扰降噪方法 Download PDFInfo
- Publication number
- CN108494710A CN108494710A CN201810279530.2A CN201810279530A CN108494710A CN 108494710 A CN108494710 A CN 108494710A CN 201810279530 A CN201810279530 A CN 201810279530A CN 108494710 A CN108494710 A CN 108494710A
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- visible light
- interference
- light communication
- 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.)
- Withdrawn
Links
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
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- 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
- 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
- H04B10/60—Receivers
- H04B10/66—Non-coherent receivers, e.g. using direct detection
- H04B10/69—Electrical arrangements in the receiver
- H04B10/697—Arrangements for reducing noise and distortion
- H04B10/6971—Arrangements for reducing noise and distortion using equalisation
-
- 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
- H04L25/03891—Spatial equalizers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于BP神经网络的可见光通信MIMO抗扰降噪方法,涉及可见光通信领域的MIMO天线技术。本系统包括依次连通的系统发射端、系统接收端信号处理部分和BP神经网络信号处理部分。本方法是:①电信号加载到LED阵列上,以光信号的形式发射出去;②接收端光电探测器将光信号转为电信号;③多路电信号经低通滤波器去除高频干扰;④BP神经网络经过训练后对多路信号进行降噪以及消除干扰的处理,最后通过并串转换成为二进制串行数据流。本发明改进了现有MIMO技术的传输性能;将神经网络与可见光MIMO技术结合,发挥神经网络在无线通信中去扰降噪方面的优势;采用神经网络接收处理技术使整个VLC系统更加稳定。
Description
技术领域
本发明涉及可见光通信领域的MIMO天线技术,尤其涉及一种基于BP神经网络的可见光通信MIMO抗扰降噪方法。
背景技术
在室内VLC(Visible Light Communication,多媒体播放器)系统中,为了优化系统性能并提高数据传输速率,多输入多输出(Multiple Input Multiple Output,MIMO)技术成为了最直接的技术之一。将MIMO技术应用于室内VLC系统中,可以在不增加系统带宽及发射功率的条件下显著提升频带利用率,提高数据传输速率,是目前的研究热点之一。
但是,可见光MIMO通信中存在严重的码间干扰以及较高的信道相关性,同时信道中的噪声源复杂多样,涉及各种光噪声和电噪声,这些因素都会对信号传输造成不可忽视的影响。为了提高信息传输的可靠性,降低误码率,通常采用线性检测算法还原发送的原始信号,在MIMO系统中应用比较广泛的检测算法有两种:迫零检测以及最小均方误差检测。虽然传统的迫零检测在理论上可以完全抑制码间干扰,但其在消除码间干扰的同时放大了噪声,传输的多路信号经低通滤波后受到噪声影响依旧较为严重。对最小均方误差检测技术而言,尽管能够起到抑制噪声的作用,但无法去除码间干扰。针对此问题,有研究者提出了排序串行干扰相消(OSIC)检测,球形译码(SD)检测等解决方案,但都无法满足在完全消除码间干扰的同时抑制噪声的要求。
为此,我们提出了基于BP神经网络的室内可见光通信MIMO技术。
人工神经网络是一种进行分布式并行信号处理的智能算法模型,相较于其他优化算法,具有非线性、输入输出映射性、自适应性、容错性、高速并行性以及自学习性的优点。近几年来,神经网络广泛而深入的应用于通信领域的各种信号处理问题中。在我们所提出的基于BP神经网络的室内可见光通信MIMO系统中,可以利用各种标准的信号处理样本训练神经网络,将信号的处理过程集中存储在权重和偏置矩阵中,然后通过神经网络的联想能力实现信号处理。
我们利用BP神经网络对在MIMO系统中受到干扰和噪声影响的多路信号进行一种分类处理,最大限度识别并输出不带有干扰以及噪声的信号,以此来达到在消除码间干扰的同时抑制噪声的目的。
发明内容
本发明的目的就在于针对传统可见光通信MIMO技术中难以在消除码间干扰的同时抑制噪声的问题,提供一种基于BP神经网络的可见光通信MIMO抗扰降噪方法;具体地说,就是利用神经网络减轻传输信号经过空间信道时受到的噪声以及码间干扰的影响,缓解传统MIMO技术中信号检测的压力,降低整个VLC系统的误码率。
为了实现上述目的,本发明的技术方案如下:
一、基于BP神经网络的可见光通信MIMO抗扰降噪系统(简称系统)
本系统包括依次连通的系统发射端、系统接收端信号处理部分和BP神经网络信号处理部分;
二、基于BP神经网络的可见光通信MIMO抗扰降噪方法(简称方法)
本方法包括下列步骤:
①采用可调LED阵列作为发射端,电信号经过特定调制加载到LED阵列上,同时以多路光信号的形式发射出去;
②每一路LED光信号将通过自由空间信道h(t)照射到组成接收天线阵列的每一个光电探测器上,光电探测器将光信号转换为电信号;
③得到的多路电信号经过低通滤波器去除高频干扰,此时的信号中掺杂着多个不同发射天线信号之间的干扰以及信道噪声;
④BP神经网络要先经过训练,训练方式采用有监督的方式,收敛算法选用梯度下降算法;
采用训练好的BP神经网络来对多路信号同时进行降噪以及消除码间干扰的处理,得到的多路电信号通过并/串转换成为二进制串行数据流。
本发明具有下列优点和积极效果:
①采用神经网络替代传统技术中的线性检测算法,提供了一种同时应对码间干扰以及空间信道噪声的可见光MIMO技术方案,改进了现有MIMO技术的传输性能;
②将神经网络与可见光MIMO技术结合,发挥神经网络在无线通信中去扰降噪方面的优势;
③采用神经网络接收处理技术使整个VLC系统更加稳定,为不断优化学习算法进一步降低误码率提供了一个可行的技术路线。
附图说明
图1是本系统的结构方框图;
图2是BP神经网络的拓扑结构图;
图3是本方法的工作流程图;
图4是神经网络的训练流程图。
图中:
100—系统发射端
110—串并转换模块,
120—多LED阵列,
121、122、123……12N—第1、2、3……NLED阵列;
N是自然数,1≤N≤10000
200—系统接收端信号处理部分,
210—光电转换器阵列,
211、212、213……21N—第1、2、3……N光电转换器阵列;
220—低通滤波器阵列,
221、222、223……22N—第1、2、3……N低通滤波器;
300—BP神经网络信号处理部分,
310—神经网络输入端,
311、312、313……31N—第1、2、3……N神经网络输入端
320—神经网络隐层,
330—神经网络输出端,
331、332、333……33N—第1、2、3……N神经网络输出端。
英译汉:
1、MIMO(Multiple-Input Multiple-Output)是一种用来描述多天线无线通信系统的抽象数学模型,能利用发射端的多个天线各自独立发送信号,同时在接收端用多个天线接收并恢复原信息。
2、BP(BackPropagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一;BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程;它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小;BP神经网络模型拓扑结构包括输入层(input)、隐层(hiddenlayer)和输出层(outputlayer)。
具体实施方式
下面结合附图和实施例详细说明:
1、总体
如图1,本系统包括依次连通的系统发射端100、系统接收端信号处理部分200和BP神经网络信号处理部分300;
2、功能块
1)系统发射端100
系统发射端100包括前后交互的串并转换模块110和LED阵列120;
(1)串并转换模块110
串并转换模块110由移位寄存器组成,在锁存的移位寄存器中,串行数据首先被加载到内部缓冲寄存器中,然后在接收到加载信号时,缓冲寄存器的状态被复制到一组输出寄存器中。
串行二进制数据先通过串并转换模块110转化为并行数据,此时的多路信号记做X=[x1 x2 ... xn]T,其中x1、x2...xn为并行的二进制信号。
(2)LED阵列120
LED阵列120包括并行的第1、2、3…NLED121、122、123…12N;
LED阵列120是一种由若干LED组成的安装在室内天花板的阵列,串并转换模块110输出的并行二进制数据经由LED阵列120产生光信号;
串行二进制数据先通过串并转换模块110转化为并行数据,再经过LED阵列120以光信号的形式传输到光空间信道。
2)系统接收端信号处理部分200
可见光信号经由光空间信道到达接收端PD阵列;
系统接收端信号处理部分200包括前后交互的光电转换器整列210和低通滤波器220;
光电转换器整列210检测到光信号并将其转换成电信号后,经由低通滤波器220去除高频干扰,得到的多路信号再通过BP神经网络信号处理部分300的处理消除干扰并且降噪;系统噪声模型为各种光噪声、电噪声的模型。
(1)光电转换器阵列210
光信号经由空间信道到达接收端,光电转换器阵列210(德国SICK公司生产的光电传感器产品系列为W9-3)将检测到的多路光信号转换成电信号。
(2)低通滤波器阵列220
多路信号经过低通滤波器阵列220(采用常规的巴特沃斯低通滤波器),去除多路信号的高频干扰。
3)BP神经网络信号处理部分300
BP神经网络信号处理部分300是一个高度非线性的静态系统,是采用BP算法的多层神经网络模型,包括神经网络输入端310、神经网络隐层320和神经网络输出端330。
如图2,BP神经网络拓扑结构主要包含输入层、隐含层和输出层,是一种多层前馈网络结构。输入层负责接收外部输入信息,隐含层是内部信息处理层,负责信息变换,隐含层可以是单隐含层或多隐含层,输出层向外部输出信息。
如图4,BP神经网络训练流程如下:
A、开始-401;
B、初始化权重以及偏置矩阵-402;
C、输入样本-403;
D、前向传播-404;
E、得到输出-405;
F、计算损失-406;
G、反向传播-407;
H、判断误差函数是否收敛-408,是则进入下一步骤,否则跳转到步骤D;
I、结束-409。
(1)神经网络输入端310
神经网络输入端310包括第1、2、3…神经网络输入端311、312、313…31N。
经过低通滤波器阵列220的多路信号理论上已经消除了高频干扰;此时,把从低通滤波器阵列220输出的多路信号作为BP神经网络的输入通过神经网络输入端310,此时的多路信号记做S=[s1 s2 … sn]T,其中s1、s2...sn为并行的二进制信号。
(2)神经网络隐层320
神经网络隐层320包含多层结构以及多个节点。
(3)神经网络输出端330
神经网络输出端330包括第1、2、3…N神经网络输出端331、332、333…33N。
输出的多路并行信号已经消除了系统的码间干扰以及噪声的影响,此时多路并行信号记做Y=[y1 y2 … yn]T,其中y1、y2...yn为多路并行信号,经过并串转换即可得到误码率较低的二进制数据。
3、工作机理:
图1为本发明系统的结构方框图,在输入端串行的二进制比特流转换为并行数据流,每路并行电信号符号流对每路LED进行强度调制,产生的光信号经过光空间信道h(t);在接收端通过光电探测器将光信号转换为电信号,同时会受到噪声的影响,利用BP神经网络降噪并消除码间干扰来恢复出原始信号,最后经过滤波及并串转换成为接收到的二进制串行数据流。
二、方法
如图3,本方法的工作流程如下:
本方法包括下列步骤:
①采用可调LED阵列作为发射端,电信号经过特定调制加载到LED阵列上,同时以多路光信号的形式发射出去-301;
二进制比特流经过串并转换模块110转化为并行数据流,输出到LED阵列120对多路LED进行强度调制,以光信号的形式发射出去。
②每一路LED光信号将通过自由空间信道h(t)照射到组成接收天线阵列的每一个光电探测器上,光电探测器将光信号转换为电信号-302;
LED阵列120发射的光信号经过光空间信道h(t)之后,被光电转换器整列210接收转化为电信号。
③得到的多路电信号经过低通滤波器去除高频干扰,此时的信号中掺杂着多个不同发射天线信号之间的干扰以及信道噪声-303;
光电转换器整列210转化的多路信号再经过低通滤波器阵列220,起到去除干扰的作用。
④BP神经网络要先经过训练,训练方式采用有监督的方式,收敛算法选用梯度下降算法-304;
采用训练好的BP神经网络来对多路信号同时进行降噪以及消除码间干扰的处理,得到的多路电信号通过并/串转换成为二进制串行数据流-305;
神经网络的运行机制:
我们用神经网络模拟一个映射函数,此函数可以把输入空间数据映射到输出空间;神经网络会尽量的去拟合一个原始的输入信号和其经过信道后接收的信号之间的函数;为了训练神经网络得到输入输出间的映射函数。我们需要尽可能的收集多的样本,其中神经网络的输入为通过空间信道,经过光电探测器进行光电转换,从低通滤波器输出的多路信号,神经网络想要得到的输出为通过信道脉冲响应推算出的理论信号,也就是我们想得到的真实信号;我们训练的神经网络产生的映射函数也就相当于对除空间光信道外的电信道建模,有了这个模型我们就可以根据接收到的信号还原出理论推算的不受干扰和噪声影响的接收信号。我们使用均方误差来衡量神经网络输出与真实输出间的差异;需要训练神经网络使得网络的输入(接收器接收信号)经过神经网络后的输出能够尽可能的接近理论输出;为了使损失函数最小我们使用随机梯度下降法求解网络参数。当求解到最优的网络权重后。我们就建立了一个映射函数来模拟当前信道。为了尽可能的将信号与干扰以及噪声区分开来,需要先收集大量的样本数据,并且人为的标记正确的分类结果,然后用这些标记好的数据训练神经网络,在这个过程中,根据当前的输出值以及被标记的正确的目标值之间的差异,神经网络中的每一层都在不断的调整自身的权重和偏置,直到能够准确输出目标值。
如图2所示,BP神经网络的权重为:
其中,下标第一位代表层,第二位代表所在层的第几个神经元
偏置为:
B=[b1 b2 … bn]T
已知神经网络的输入为:
S=[s1 s2 ... sn]T
神经网络的输出为:
Y=[y1 y2 … yn]T,
引入一个非线性算子:
则可以推导出:
Y=F(WS+B)
采用梯度下降法对神经网络进行训练:
由于神经网络的训练需要大量的样本数据,在这里,我们将低通滤波器处理过的n路信号中t0时刻下的n个数据S(t0)=[s1(t0) s2(t0) … sn(t0)]T作为一组输入,每一组输入经过神经网络的处理之后都可以得到对应的一组输出Y(t0)=[y1(t0) y2(t0) ... yn(t0)]T。这样,在连续进行的信号传输过程中就可以得到足够多的样本数据。同时,根据信道脉冲响应公式可以推算出t0时刻每一组并行信号X(t0)=[x1(t0) x2(t0) ... xn(t0)]T的理论输出Z(t0)=[z1(t0) z2(t0) ... zn(t0)]T,然后再对每组的输出与理论输出进行比较,根据两者的差异情况利用梯度下降法来逐层调整权重以及偏置矩阵,直到输出与理论输出之间的误差最小。
因此设定神经网络的输入信号为S=[s1 s2 ... sn]T,根据可见光信道脉冲响应可推算出理想的输出结果为Z=[Z1 Z2 ... Zn]T,经过神经网络处理之后的实际输出为
Y=[y1 y2 ... yn]T。
具体训练过程主要分为前向传播过程和反向传播过程。
1、前向传播过程
1)对于输入S,在经过第一层神经网络时,会进行如下操作:
(1)W*S+B:
其中W=[W11 W12 ... W1n]T,下标第一位代表层,第二位代表所在层的第几个神经元,此时初始化偏置B=[1 1 ... 1]T。
(2)H1=F(W*S+B):
其中H1=(h11 h12 ... h1n)T,F为非线性变换函数。
2)在进行第二层计算时,计算过程如下:
(1)W*H1+B:H1为经过第一层后的输出
(2)H2=F(W*H1+B):
其中H2=(h21 h22 ... h2n)T,F为非线性变换函数。
3)经过多层神经元的计算后,得到网络的最终输出Y=(y1 y2 … yn)T。
4)计算损失Loss(均方差):
加1/2是为了简便后续求导过程。Y是实际经过神经网络之后的输出,Z为我们得到的预测信号。
2、反向传播过程
计算梯度,使用链式法则,将误差一层一层回传,更新网络参数
1)计算最后一层的梯度
(1)计算Loss对非线性变换函数F的梯度
(2)计算输出Y对W,B的梯度。并按照梯度的负方向更新梯度。
2)计算倒数第二层的梯度
(1)计算上层回传的误差对非线性变换函数F的梯度
(2)计算Hn-1(H为每层经过激活函数后的输出)对W,B的梯度。并按照梯度的负方向更新梯度。
3)经过一层一层回传之后,最后计算第一层的梯度
(1)计算第二层回传的误差对非线性变换函数F的梯度;
(2)计算H1对W,B的梯度。并按照梯度的负方向更新梯度。
第一次反向传播过程循环结束后,我们继续进行上面的前向传播得到输出,后向传播更新参数这两步。直到均方差最小,就完成了训练过程。此模型可以很好的建立发射信号与其经过信道后得到的信号之间的函数关系。
Claims (5)
1.一种基于BP神经网络的可见光通信MIMO抗扰降噪系统,其特征在于:
包括依次连通的系统发射端(100)、系统接收端信号处理部分(200)和BP神经网络信号处理部分(300)。
2.按权利要求1所述的可见光通信MIMO抗扰降噪系统,其特征在于:
所述的系统发射端(100)包括前后交互的串并转换模块(110)和LED阵列(120)。
3.按权利要求1所述的可见光通信MIMO抗扰降噪系统,其特征在于:
所述的系统接收端信号处理部分(200)包括前后交互的光电转换器整列(210)和低通滤波器(220)。
4.按权利要求1所述的可见光通信MIMO抗扰降噪系统,其特征在于:
所述的BP神经网络信号处理部分(300)是一个高度非线性的静态系统,是采用BP算法的多层神经网络模型,包括神经网络输入端(310)、神经网络隐层(320)和神经网络输出端(330);
神经网络输入端(310)包括第1、2、3…神经网络输入端(311、312、313…31N);
神经网络隐层(320)包含多层结构以及多个节点;
神经网络输出端(330)包括第1、2、3…N神经网络输出端(331、332、333…33N)。
5.基于权利要求1-4所述可见光通信MIMO抗扰降噪系统的抗扰降噪方法,其特征在于:
①采用可调LED阵列作为发射端,电信号经过特定调制加载到LED阵列上,同时以多路光信号的形式发射出去;
②每一路LED光信号将通过自由空间信道h(t)照射到组成接收天线阵列的每一个光电探测器上,光电探测器将光信号转换为电信号;
③得到的多路电信号经过低通滤波器去除高频干扰,此时的信号中掺杂着多个不同发射天线信号之间的干扰以及信道噪声;
④BP神经网络要先经过训练,训练方式采用有监督的方式,收敛算法选用梯度下降算法;
采用训练好的BP神经网络来对多路信号同时进行降噪以及消除码间干扰的处理,得到的多路电信号通过并/串转换成为二进制串行数据流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810279530.2A CN108494710A (zh) | 2018-03-30 | 2018-03-30 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810279530.2A CN108494710A (zh) | 2018-03-30 | 2018-03-30 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108494710A true CN108494710A (zh) | 2018-09-04 |
Family
ID=63317445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810279530.2A Withdrawn CN108494710A (zh) | 2018-03-30 | 2018-03-30 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108494710A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036412A (zh) * | 2018-09-17 | 2018-12-18 | 苏州奇梦者网络科技有限公司 | 语音唤醒方法和系统 |
CN109450553A (zh) * | 2018-09-20 | 2019-03-08 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109596040A (zh) * | 2018-11-15 | 2019-04-09 | 天津大学 | 基于bp神经网络的柔性传感器迟滞补偿方法 |
CN109921882A (zh) * | 2019-02-20 | 2019-06-21 | 深圳市宝链人工智能科技有限公司 | 一种基于深度学习的mimo解码方法、装置及存储介质 |
CN110581732A (zh) * | 2019-09-30 | 2019-12-17 | 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 |
CN111431565A (zh) * | 2020-03-16 | 2020-07-17 | 东莞职业技术学院 | 一种光通信mimo检测方法及系统 |
CN111435926A (zh) * | 2019-01-11 | 2020-07-21 | 中国移动通信有限公司研究院 | 一种mimo系统信道预测方法、装置、介质和设备 |
CN111628833A (zh) * | 2020-06-10 | 2020-09-04 | 桂林电子科技大学 | 基于卷积神经网络的mimo天线数目估计方法 |
CN112600617A (zh) * | 2020-12-07 | 2021-04-02 | 中南大学 | 自由空间光通信的信号去噪方法 |
CN113676425A (zh) * | 2020-05-15 | 2021-11-19 | 北京三星通信技术研究有限公司 | 用于消除无源互调制干扰的方法及装置 |
WO2022151067A1 (zh) * | 2021-01-13 | 2022-07-21 | Oppo广东移动通信有限公司 | 无线信号降噪方法、装置、设备及存储介质 |
US20220291329A1 (en) * | 2019-11-28 | 2022-09-15 | HELLA GmbH & Co. KGaA | Method for identifying interference in a radar system |
CN115987731A (zh) * | 2022-12-23 | 2023-04-18 | 中南民族大学 | 一种适配频率调制的vmd迭代噪声抑制系统及其方法 |
TWI834837B (zh) * | 2019-03-12 | 2024-03-11 | 南韓商三星電子股份有限公司 | 用於訓練神經網路的方法及系統 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007118A (zh) * | 2015-06-10 | 2015-10-28 | 重庆邮电大学 | 一种用于室内可见光通信系统的神经网络均衡方法 |
CN107124378A (zh) * | 2017-04-01 | 2017-09-01 | 中山大学 | 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 |
CN107342814A (zh) * | 2017-07-21 | 2017-11-10 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
CN107342813A (zh) * | 2017-07-21 | 2017-11-10 | 华南理工大学 | 基于神经元均衡器的高速有机可见光通信系统 |
WO2018018038A1 (en) * | 2016-07-22 | 2018-01-25 | The Regents Of The University Of California | System and method for small molecule accurate recognition technology ("smart") |
-
2018
- 2018-03-30 CN CN201810279530.2A patent/CN108494710A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007118A (zh) * | 2015-06-10 | 2015-10-28 | 重庆邮电大学 | 一种用于室内可见光通信系统的神经网络均衡方法 |
WO2018018038A1 (en) * | 2016-07-22 | 2018-01-25 | The Regents Of The University Of California | System and method for small molecule accurate recognition technology ("smart") |
CN107124378A (zh) * | 2017-04-01 | 2017-09-01 | 中山大学 | 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 |
CN107342814A (zh) * | 2017-07-21 | 2017-11-10 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
CN107342813A (zh) * | 2017-07-21 | 2017-11-10 | 华南理工大学 | 基于神经元均衡器的高速有机可见光通信系统 |
Non-Patent Citations (1)
Title |
---|
洪国南: "基于信道均衡技术的室内可见光MIMO通信系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑,第10期》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036412A (zh) * | 2018-09-17 | 2018-12-18 | 苏州奇梦者网络科技有限公司 | 语音唤醒方法和系统 |
CN109450553A (zh) * | 2018-09-20 | 2019-03-08 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109450553B (zh) * | 2018-09-20 | 2020-07-07 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109596040A (zh) * | 2018-11-15 | 2019-04-09 | 天津大学 | 基于bp神经网络的柔性传感器迟滞补偿方法 |
CN111435926A (zh) * | 2019-01-11 | 2020-07-21 | 中国移动通信有限公司研究院 | 一种mimo系统信道预测方法、装置、介质和设备 |
CN109921882A (zh) * | 2019-02-20 | 2019-06-21 | 深圳市宝链人工智能科技有限公司 | 一种基于深度学习的mimo解码方法、装置及存储介质 |
TWI834837B (zh) * | 2019-03-12 | 2024-03-11 | 南韓商三星電子股份有限公司 | 用於訓練神經網路的方法及系統 |
CN110581732A (zh) * | 2019-09-30 | 2019-12-17 | 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 |
US20220291329A1 (en) * | 2019-11-28 | 2022-09-15 | HELLA GmbH & Co. KGaA | Method for identifying interference in a radar system |
CN111431565A (zh) * | 2020-03-16 | 2020-07-17 | 东莞职业技术学院 | 一种光通信mimo检测方法及系统 |
CN113676425A (zh) * | 2020-05-15 | 2021-11-19 | 北京三星通信技术研究有限公司 | 用于消除无源互调制干扰的方法及装置 |
CN111628833A (zh) * | 2020-06-10 | 2020-09-04 | 桂林电子科技大学 | 基于卷积神经网络的mimo天线数目估计方法 |
CN111628833B (zh) * | 2020-06-10 | 2022-02-08 | 桂林电子科技大学 | 基于卷积神经网络的mimo天线数目估计方法 |
CN112600617A (zh) * | 2020-12-07 | 2021-04-02 | 中南大学 | 自由空间光通信的信号去噪方法 |
WO2022151067A1 (zh) * | 2021-01-13 | 2022-07-21 | Oppo广东移动通信有限公司 | 无线信号降噪方法、装置、设备及存储介质 |
CN115987731A (zh) * | 2022-12-23 | 2023-04-18 | 中南民族大学 | 一种适配频率调制的vmd迭代噪声抑制系统及其方法 |
CN115987731B (zh) * | 2022-12-23 | 2024-04-16 | 中南民族大学 | 一种适配频率调制的vmd迭代噪声抑制系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108494710A (zh) | 基于bp神经网络的可见光通信mimo抗扰降噪方法 | |
CN110460402B (zh) | 一种基于深度学习的端到端通信系统建立方法 | |
CN105007118B (zh) | 一种用于室内可见光通信系统的神经网络均衡方法 | |
CN107332598B (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
US9515789B2 (en) | MIMO-OFDM system for robust and efficient neuromorphic inter-device communication | |
CN105164928B (zh) | 具有分离的模决定的非线性预编码器 | |
CN111786724B (zh) | 基于深度学习的多波长led水下可见光通信调制方法 | |
Teich et al. | Code division multiple access communications: Multiuser detection based on a recurrent neural network structure | |
JP2021513251A (ja) | ニューラルネットワークを用いた光ファイバ非線形性補償 | |
CN109617584A (zh) | 一种基于深度学习的mimo系统波束成形矩阵设计方法 | |
CN105099553B (zh) | 一种基于神经元网络的可见光通信接收方法及其系统 | |
CN109905337A (zh) | 一种基于narx神经网络与块状反馈的信道均衡方法 | |
CN103634248A (zh) | 高速并行判决反馈均衡器、均衡方法及信道接口模块 | |
Mandloi et al. | A low-complexity hybrid algorithm based on particle swarm and ant colony optimization for large-MIMO detection | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
JP2022537979A (ja) | 機械学習支援プリコーディングのためのデバイス及び方法 | |
CN106921470A (zh) | 一种基于神经元网络的可见光通信接收方法及其接收系统 | |
CN103117970A (zh) | Mimo系统中全双工天线的选择方法 | |
CN112583458B (zh) | 基于深度学习和无线变换网络的mimo端到端传输系统 | |
Sidelnikov et al. | Nonlinear equalization in long haul transmission systems using dynamic multi-layer perceptron networks | |
CN109936399A (zh) | 一种基于深度神经网络的不可信中继网络天线选择方法 | |
Manzoor et al. | Noise filtering, channel modeling and energy utilization in wireless body area networks | |
CN113225114A (zh) | 基于预编码联合优化的无线通信信号发送和接收方法 | |
Lawal et al. | Massive MIMO systems for underwater acoustic communication | |
CN101651643A (zh) | 基于空间分集的小波神经网络盲均衡方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180904 |
|
WW01 | Invention patent application withdrawn after publication |