CN109347555A - 一种基于径向基函数神经网络的可见光通信均衡方法 - Google Patents

Abstract

本发明公开了一种基于径向基函数神经网络的可见光通信均衡方法，用于改善可见光通信的误码性能，提高均衡算法收敛速度，降低传统神经网络均衡的复杂程度。信号通过可见光信道从发送端到接收端，分析均衡器输入信号与发射信号之间的关系，由径向基函数确定的神经网络隐层完成信号的非线性变化，将输入映射到射出层，输出层对隐节点输出进行线性加权，优化均衡器结构；利用k均值聚类算法进行中心向量的学习，训练神经网络，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。本发明实现了一种基于径向基函数神经网络的可见光通信均衡方法，提高了可见光通信的通信质量和传输速率，缩短了均衡算法的训练时长，降低了系统复杂度。

Description

一种基于径向基函数神经网络的可见光通信均衡方法

技术领域

本发明涉及可见光通信领域，具体涉及一种基于径向基函数神经 网络的可见光通信均衡方法。

背景技术

基于LED的可见光通信(Visible Light Communication,VLC)技 术是一种宽带无线接入技术，具有频谱资源丰富、潜在通信容量大、 保密性好、绿色安全、无需许可等优点。可见光通信融合了照明与通 信技术，不仅符合现代发展绿色节能的需求，而且使用免费频谱，可 以得到更高的数据传输速率，还有比传统无线通信系统更高的信噪比， 可以缓解当前的射频频谱资源越来越紧缺等问题。可见光通信作为一 种新兴的无线通信技术，正受到越来越多的瞩目。

可见光通信系统中LED的调制带宽非常有限，需要研究各种提 高可见光通信系统速率和网络容量的方法和技术，以实现高速通信的 目标。可见光通信系统的非理想传输特性在传输速率、通信误码率等 方面限制着可见光通信技术的发展，尤其是可见光在高速无线光通信 领域的应用。信道均衡(Channel equalization)是指为了提高衰落 信道中的通信系统的传输性能而采取的一种抗衰落措施。它主要是为 了消除或者是减弱宽带通信时的多径时延带来的码间串扰(Inter Symbol Interference,ISI)问题。针对可见光通信的发展现状，很多 专家提出了各种信道均衡的方法以期解决高速可见光通信现存的问 题。60年代初期，信道均衡技术不是自适应的，需要手动调节均衡 器参数，步骤繁琐，灵活性差，也有学者研究基于不同准则的均衡算 法，例如最小均方误差(Mean-Square Error，MSE)等，随着技 术不断发展，结构简单的线性均衡器逐渐发展到复杂的非线性均衡器。 但是目前的诸多主流均衡算法仍然存在收敛速度慢，运算复杂度高， 均衡效果不理想等缺点。

均衡器完成的是一个非线性映射，它可以描述观察空间的判决区 域划分问题，而神经网络又可以形成比较复杂的非线性判决面，利用 神经网络设计的盲均衡器开始成为研究热点。目前在可见光通信的相 关研究中，已经有一些将神经网络运用到可见光通信的研究。其中针 对均衡技术的研究是一个热门方向，有将BP(Back Propagation) 神经网络用于可见光通信均衡的，还有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等。但因为神经网络均衡方法用在可见光 通信不同于传统的神经网络研究，不仅要考虑通信系统中均衡的性能， 还要考虑可见光通信的特性，现在的研究依然存在算法复杂度和神经 网络结构设计的诸多问题。神经网络的泛化能力是评价其性能的核心， 而泛化能力又与网络结构的设计相关，节点太少则误差过大，收敛速 度慢，节点太多，则容易出现过拟合现象。网络中的权值和阈值可直 接影响神经网络的训练和均衡性能，因此如何优化神经网络结构是关 键，以便尽量提高神经网络均衡的性能，使神经网络均衡用于可见光 通信技术能改善可见光通信的性能指标，还能相对原有神经网络均衡 技术提升收敛速度，降低算法复杂度。

发明内容

(一)要解决的技术问题

本发明的目的是提供一种基于径向基函数神经网络的可见光通 信均衡方法，以解决可见光通信中调制带宽有限，传输速率低，码间 干扰严重的问题，提高传统神经网络均衡技术用于可见光通信的收敛 速度，降低其算法复杂度。

(二)技术方案

1.本发明采用的技术方案是：一种基于径向基函数神经网络的可见光 通信均衡方法，包括以下步骤：

步骤一：产生随机信号比特流a(n)，独立等概取值为{±1}，将 原始序列发送给编码模块进行编码，编码模块输出信号到调制模块进 行调制，将调制完的信号x(n)再发送到Bias-Tee信号耦合模块，增 加直流偏置，最后LED将电信号转换为光信号s(n)，光信号经过可 见光信道被接收端的光电探测器接收；

步骤二：在信号接收端，信道噪声w(n)和原光信号s(n)一起被 光电检测器接收，将其转换为电信号，去除直流偏置，得到放大滤波 后的电信号y(n)；

步骤三：将步骤二中得到的序列y(n)输入到径向基函数神经网 络均衡器的各个中心节点c_i(n)，1<i<I，I为RBF网络隐层节点的个 数，c_i(n)表示RBF网络的第i个中心节点；

步骤四：由第三步中的RBF网络中心节点和均衡器输入序列， 进行信号的恢复训练；

通过RBF网络结构，得到均衡器输出信号为

其中即径向基函数，其 中f_i(n)为RBF网络输出层的第i个权系数，σ为高斯函数的宽度， exp(·)为以e为底的指数函数，||·||表示输入空间的欧几里得范数， 下同；

步骤五：将步骤四中均衡器的输出信号z(n)解调解码，之后通 过符号函数sign(·)进行判决，输出数据，得到原始信号的估计 2.步骤三中采用K均值聚类算法求取中心向量c_i(n)，步骤如下：

1)输入样本集，聚类个数I，聚类中心为c_i(n)；

2)令n＝1，并从样本集中选择I个不同的初始聚类中心(可 以随机选取或者直接固定I个样本成为聚类中心)；

3)计算每个样本y(n)与聚类中心的距离||y(n)-c_i(n)||， i＝1,2,…I；n＝1,2,…N，并按最小距离准则对样本进行归类， 当s(y(n))＝min||y(n)-c_i(n)||时，y(n)就被分到i 类；

4)按照下式更新聚类中心：

N是第i类聚类中的样本总数；

5)判断c_i(n+1)＝c_i(n)，如果不相等，转到第3)，如果相 等，结束聚类；

6)由确定的聚类中心，可得到I为隐层单元数， d是各聚类中心的最大距离。

3.步骤四中所述的RBF神经网络权系数f_i(n)的求取步骤如下：

1)根据均衡器的输出z(n)，规定误差函数e(n)＝ d(n)-z(n)，d(n)为期望的均衡器输出序列；

2)定义代价函数J(n)＝e²(n)/2，对RBF输出层权系数求 梯度，由最速梯度下降法得到f_i(n)的迭代公式：

μ为迭代步长；

3)将变步长的思想引入RBF神经网络均衡算法，利用sigmoid 函数，设计新的步长更新方式：

α为参数，主要控制步长的变化范围；β为参数，主要控制 步长变化函数的变化陡峭程度。

(三)有益效果

RBF网络具有局部作用特性以及整体极小值等优点，为了充分 利用它的分类和聚类能力，本方法充分利用RBF网络其结构简单、 收敛速度快的特点，将RBF网络用作均衡器，分析输入输出信号的 关系，确定神经网络的中心向量值，提出新的均衡器结构和盲均衡算法，利用变步长的思想迭代参数，将中心向量与均方差分开调整。本 发明方法与传统神经网络均衡算法在收敛速度和均方误差方面有很 大的优越性，改善了可见光通信的误码性能和通信效率。

附图说明：

图1是本发明实施例中RBF神经网络均衡的结构示意图；

图2是本发明实施例中可见光通信的信号流程图。

具体实施方式：

下面结合附图和实施例，对本发明的具体实施方式做进一步描述。 以下实施例仅用于说明本发明，但不用来限制本发明的范围。

本实施例中，整个可见光通信系统的信号传输流程如图2所示：

步骤一：产生随机信号比特流a(n)，原始序列发送给编码模块进 行编码，编码模块输出信号到调制模块进行调制，将调制完的信号 x(n)再发送到Bias-Tee信号耦合模块，增加直流偏置，完成电光转 换，光信号经过可见光信道被接收端的光电探测器接收；

步骤二：在信号接收端，信道噪声w(n)和原光信号s(n)一起被光 电检测器接收，将其转换为电信号，去除直流偏置，得到放大滤波后 的电信号y(n)；

步骤三：将步骤二中得到的序列y(n)输入到径向基函数神经网络 均衡器；

步骤四：由步骤三中的RBF网络中心节点和均衡器输入序列， 进行信号的恢复训练；

步骤五：将步骤四中均衡器的输出信号z(n)解调解码，之后 通过符号函数sign(·)进行判决，输出数据，得到原始信号的估计a (n)。

本发明提供了一种基于径向基函数的可见光通信神经网络均衡 方法，其RBF神经网络结构如图1所示。

RBF神经网络是一种三层前向神经网络，包括输入层、隐含层、 输出层。完成的是输入空间到隐单元空间的非线性变换以及对隐层空 间的线性分类。网络输出为

上式中y(n)为输入向量， c_i(n)是隐含层第i个中心节点。其中：

1.本网络中针对中心节点的选取使用k均值聚类算法：

k均值聚类算法是先随机选取k个对象作为初始的聚类中心，然 后计算每个对象与各个聚类中心的距离，把每个对象分配到距离最近 的聚类中心，并不断更新聚类中心，再分配新的对象，最终完成聚类。 迭代过程如下：

1)输入样本集，聚类个数I，聚类中心为c_i(n)；

2)令n＝1，并从样本集中选择I个不同的初始聚类中心(可 以随机选取或者直接固定I个样本成为聚类中心)；

3)计算每个样本y(n)与聚类中心的距离||y(n)-c_i(n)||， i＝1,2,…I；n＝1,2,…N，并按最小距离准则对样本进行归类，当 s(y(n))＝min||y(n)-c_i(n)||时，y(n)就被分到i类；

4)按照下式更新聚类中心：

N是第i类聚类中的样本总数；

5)判断c_i(n+1)＝c_i(n)，如果不相等，转到第3)，如果相 等，结束聚类；

6)由确定的聚类中心，可得到I为隐层单元数， d是各聚类中心的最大距离。

2.针对网络中的另一重要参数步长，采用下述方式迭代：

1)根据均衡器的输出z(n)，规定误差函数e(n)＝ d(n)-z(n)，d(n)为期望的均衡器输出序列；

2)定义代价函数J(n)＝e²(n)/2，对RBF输出层权系数求 梯度，由最速梯度下降法得到f_i(n)的迭代公式：

μ为迭代步长；

3)将变步长的思想引入RBF神经网络均衡算法，利用 sigmoid函数，设计新的步长更新方式：

α为参数，主要控制步长的变化范围；β为参数，主要控制 步长变化函数的变化陡峭程度。

Claims (3)

1.一种基于径向基函数神经网络的可见光通信均衡方法，包括以下步骤：

步骤一：产生随机信号比特流a(n)，独立等概取值为{±1}，将原始序列发送给编码模块进行编码，编码模块输出信号到调制模块进行调制，将调制完的信号x(n)再发送到Bias-Tee信号耦合模块，增加直流偏置，最后LED将电信号转换为光信号s(n)，光信号经过可见光信道被接收端的光电探测器接收；

步骤二：在信号接收端，信道噪声w(n)和原光信号s(n)一起被光电检测器接收，将其转换为电信号，去除直流偏置，得到放大滤波后的电信号y(n)；

步骤三：将步骤二中得到的序列y(n)输入到径向基函数神经网络均衡器的各个中心节点c_i(n)，1<i<I，I为RBF网络隐层节点的个数，c_i(n)表示RBF网络的第i个中心节点；

步骤四：由第三步中的RBF网络中心节点和均衡器输入序列，进行信号的恢复训练，

通过RBF网络结构，得到均衡器输出信号为

其中即径向基函数，其中f_i(n)为RBF网络输出层的第i个权系数，σ为高斯函数的宽度，exp(·)为以e为底的指数函数，||·||表示输入空间的欧几里得范数，下同；

步骤五：将步骤四中均衡器的输出信号z(n)解调解码，之后通过符号函数sign(·)进行判决，输出数据，得到原始信号的估计(n)。

2.根据权利要求1所述，步骤三中采用k聚类算法求取中心向量c_i(n)，步骤如下：

1)输入样本集，聚类个数I，聚类中心为c_i(n)；

2)令n＝1，并从样本集中选择I个不同的初始聚类中心(可以随机选取或者直接固定I个样本成为聚类中心)；

3)计算每个样本y(n)与聚类中心的距离||y(n)-c_i(n)||，i＝1,2,…I；n＝1,2,…N，并按最小距离准则对样本进行归类，当s(y(n))＝min||y(n)-c_i(n)||时，y(n)就被分到i类；

4)按照下式更新聚类中心：

N是第i类聚类中的样本总数；

5)判断c_i(n+1)＝c_i(n)，如果不相等，转到第3)，如果相等，结束聚类；

6)由确定的聚类中心，可得到I为隐层单元数，d是各聚类中心的最大距离。

3.根据权利要求1所述，步骤四中所述的RBF神经网络权系数f_i(n)的求取步骤如下：

1)根据均衡器的输出z(n)，规定误差函数e(n)＝d(n)-z(n)，d(n)为期望的均衡器输出序列；

2)定义代价函数J(n)＝e²(n)/2，对RBF输出层权系数求梯度，由最速梯度下降法得到f_i(n)的迭代公式：

μ为迭代步长；

3)将变步长的思想引入RBF神经网络均衡算法，利用sigmoid函数，设计新的步长更新方式：

α为参数，主要控制步长的变化范围；β为参数，主要控制步长变化函数的变化陡峭程度。