CN109889462B - 一种适用于高速可见光通信的神经网络辅助的迭代接收方法 - Google Patents

Abstract

本发明提供了一种适用于高速可见光通信的神经网络辅助的迭代接收方法，该方案的目的是通过神经网络接收机修正软判决信息，以消除削波失真的影响。神经网络BICM接收机包括：（1）代价函数采用交叉熵函数；（2）训练方法采用反向传播算法；（3）输入层包括接受符号的实部、虚部以及对应的高斯噪声，输出层得到各星座点的概率值；（4）隐含层和输出层分别采用tanh和softmax函数。与现有削波增强方案对比，本发明具有更明显的抑制效果，以及合理的算法复杂度，有利于增强DCO‑OFDM针对削波失真的鲁棒性。

Description

一种适用于高速可见光通信的神经网络辅助的迭代接收方法

技术领域

本发明涉及可见光通信领域，特别是涉及一种适用于高速可见光通信的神经网络辅助的迭代接收方法。

背景技术

作为第五代通信系统(5G)的补充，可见光通信已经成为极具前景的室内短距离通信技术。可见光通信利用强度调制直接检测方式驱动发光二极管(LED)，可同时实现数据通信和室内照明。近年来，光正交频分复用多载波技术(O-OFDM)凭借更高的频谱利用率和抗多径效应的特点，而受到广泛关注。O-OFDM技术包括非对称限幅光OFDM(ACO-OFDM)、脉冲幅度调制离散多音频(PAM-DMT)以及直流偏置光OFDM(DCO-OFDM)等多种候选方案。相较于其他方案，DCO-OFDM具有频谱利用率高和易于实现的优势，其基本原理是通过频域共轭偶对称保证实数信号，并在时域信号叠加直流偏置，以保证非负性。值得注意的是，DCO-OFDM需要通过双边削波以适配线性放大动态范围，而DCO-OFDM信号峰均比(PAPR)高的特性将导致严重的非线性削波失真和子载波间干扰(ICI)。

围绕该技术挑战，国内外提出多种非线性削波抑制方案，包括峰均比降低、预失真、后失真以及编码调制等。其中，编码调制技术(BICM)在发射端利用比特级交织器将编码与调制分割，进行单独优化实现编码分集最大化，并在接收端改用软判决度量实现译码，能够提供抗非线性失真的能力。研究表明，考虑到LDPC码的逼近香农和高速译码特性，基于LDPC码的BICM技术能够在非线性削波失真情况下，获得明显的编码增益。尽管如此，传统的BICM接收机仍然受到严重的失真影响，其原因是削波失真并没有考虑到最大后验软解调过程中，仍然采用高斯分布作为信道条件概率，从而产生失配的对数似然比。研究机构针对非线性失真场景，提出诸如最大似然序列检测BICM接收机(MLSD-BICM)、高斯混合模型BICM接收机(GMM-BICM)等，但是两者性能离香农限仍有差距。因此，本发明提供了一种DCO-OFDM系统的神经网络BICM迭代接收机方案(NN-BICM)，通过神经网络修正软判决信息，以消除削波失真的影响。

发明内容

为了解决以上问题，本发明提供一种适用于高速可见光通信的神经网络辅助的迭代接收方法，具有更明显的抑制效果，以及合理的算法复杂度，有利于增强DCO-OFDM针对削波失真的鲁棒性，为达此目的，本发明所述的一种适用于高速可见光通信的神经网络辅助的迭代接收方法，包括如下步骤：

S1：初始化，给定非线性程度Ψ、调制阶数M和子载波数N；确定最大的大迭代次数T_m；确定神经网络NN1和NN2的隐含层层数以及各隐含层的神经元个数；

S2：多路选择器模块，NN-BICM接收机通过多路选择器MUX选择神经网络，如果大迭代次数T等于1，多路选择器选择NN1模块即S3步骤；如果大迭代次数T大于1，多路选择器选择NN2即S5步骤；

S3：NN1模块，NN-BICM接收机通过神经网络NN1进行条件概率计算，最大后验概率MAP解调器能够利用神经网络NN1输出的信道条件概率

计算修正后的对数似然比，进入S4步骤；

S4：修正得到的对数似然比经过伪随机交织器后，进行LDPC译码，软信息通过置信传播译码BP算法在变量节点和校验节点间迭代更新，所有校验式则输出LDPC码译码判决结果，或达到BP算法最大迭代次数仍无法满足校验则终止译码，输出变量节点的软信息。大迭代次数T加1，T++，并计算先验概率

假如迭代次数T＜T_m，则返回步骤S2；否则，输出译码判决结果；

S5：NN2模块，BICM接收机通过神经网络NN2进行条件概率计算，最大后验概率MAP解调器能够利用神经网络NN2输出的信道条件概率

计算修正后的对数似然比，返回S4步骤。

作为本发明进一步改进，步骤S3中NN1实现的具体步骤如下：

S31：训练阶段，根据非线性程度Ψ、调制阶数M和子载波数N，确定训练样本

的训练信噪比γ_t合理值；确定神经网络输入层数等于d⁽⁰⁾＝3，包括接收信号Y_k的实部和虚部，以及训练信噪比γ_t对应的均衡处理后高斯噪声方差

S32：训练阶段，神经网络的输出层个数等于星座点数，即

确定训练样本

的目标输出，即发射信号S_k属于星座点集合χ中各点的概率质量函数，

其中

是指示函数，χ_j表示按照映射顺序的第j个星座点；

S33：训练阶段，在(0,1)范围内随机初始化各权重

和偏置

其中

表示第l-1层的第i个神经元到第l层的第j个神经元的权重；根据加权求和函数和激活函数，得到各层的输出值

隐含层和输出层分别采用激活函数tanh和softmax函数，其中非线性参数集合θ＝{α,D_k,H_k}，经过softmax激活函数，输出层能够得到接收信号Y_k对应各发射星座点S_k的信道条件概率p(Y_k|S_k)，该神经网络采用交叉熵形式的代价函数，并通过反向传播算法迭代优化权重

根据代价函数的梯度值，通过反向传播计算得到各层的残差项

假设学习率等于η，反向传播算法可更新权重；

S34:测试阶段，在双边削波情况下，给定接收信号Y_k以及测试集合中的测试信噪比对应的高斯噪声

利用训练阶段得到的权重

和偏置

并通过加权求和函数和激活函数得到在非线性参数集合θ情况的输出p(Y_k|S_k；θ)。

作为本发明进一步改进，步骤S5中NN2实现的具体步骤如下：

S51：训练阶段，根据非线性程度Ψ、调制阶数M和子载波数N，确定训练样本

的训练信噪比γ_t合理值；确定神经网络输入层数等于d⁽⁰⁾＝4，包括接收信号Y_k的实部和虚部，上次迭代的各星座点先验概率p(S_k)以及训练信噪比γ_t对应的均衡处理后高斯噪声方差

S52：训练阶段，神经网络的输出层个数等于星座点数，即

确定训练样本

的目标输出，即发射信号S_k属于星座点集合χ中各点的概率质量函数，

其中

是指示函数，χ_j表示按照映射顺序的第j个星座点；

S53：训练阶段，在(0,1)范围内随机初始化各权重

和偏置

其中

表示第l-1层的第i个神经元到第l层的第j个神经元的权重；根据加权求和函数和激活函数，得到各层的输出值

隐含层和输出层分别采用激活函数tanh和softmax函数，其中非线性参数集合θ＝{α,D_k,H_k}，经过softmax激活函数，输出层能够得到接收信号Y_k对应各发射星座点S_k的信道条件概率p(Y_k|S_k)，该神经网络采用交叉熵形式的代价函数，并通过反向传播算法迭代优化权重

根据代价函数的梯度值，通过反向传播计算得到各层的残差项

假设学习率等于η，反向传播算法可更新权重；

S54：测试阶段，在双边削波情况下，给定接收信号Y_k，上次迭代的各星座点先验概率p(S_k)以及测试集合中的测试信噪比对应的高斯噪声

利用训练阶段得到的权重

和偏置

并通过加权求和函数和激活函数得到在非线性参数θ情况的输出p(Y_k|S_k；θ)。

本发明提供了一种适用于高速可见光通信的神经网络辅助的迭代接收方法，该方案的目的是通过神经网络接收机修正软判决信息，以消除削波失真的影响。神经网络BICM接收机包括：(1)代价函数采用交叉熵函数；(2)训练方法采用反向传播算法；(3)输入层包括接受符号的实部、虚部以及对应的高斯噪声，输出层得到各星座点的概率值；(4)隐含层和输出层分别采用tanh和softmax函数。与现有削波增强方案对比，本发明具有更明显的抑制效果，以及合理的算法复杂度，有利于增强DCO-OFDM针对削波失真的鲁棒性。

附图说明

图1为本发明NN-BICM迭代接收机的系统示意图；

图2为本发明NN-BICM迭代接收方法流程示意图；

图3为本发明NN-BICM系统误比特率仿真图(16-QAM和64子载波)；

图4为本发明NN-BICM系统误比特率仿真图(16-QAM和1024子载波)；

图5为本发明NN-BICM系统误比特率仿真图(64-QAM和1024子载波)。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种适用于高速可见光通信的神经网络辅助的迭代接收方法，具有更明显的抑制效果，以及合理的算法复杂度，有利于增强DCO-OFDM针对削波失真的鲁棒性。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。

实施例

如图1所示为验证NN-BICM接收机的性能结果，需要搭建双边削波影响的DCO-OFDM系统仿真平台，主要物理层参数如表1所示。编码方案确定为IEEE 802.11协议的LDPC码；编码码长根据子载波数选择，具体而言，子载波64对应的编码码长等于1296，而子载波数1024对应的编码码长等于1944；译码算法采用置信传播(BP)算法，并设定最大译码迭代次数为50次。

如图2所示，一种适用于高速可见光通信的神经网络辅助的迭代接收方法，按照以下步骤进行：

实施例中的S1步骤需要注意，调制阶数M能够选择4或者6，对应16-QAM和64-QAM；16-QAM调制情况，选取非线性程度Ψ＝9dB；64-QAM调制情况，选取非线性程度Ψ＝10dB；确定最大的大迭代次数T_m＝2；确定神经网络NN1和NN2为[31 16 8]和[128 64 32]，其中向量元素表示各隐含层的神经元个数。NN1和NN2的层数等于L₁＝L₂＝5。

实施例中的S31和S51步骤需要注意，训练样本

的规模选择50倍编码码长；根据非线性程度Ψ、调制阶数M和子载波数N，确定训练样本

的训练信噪比γ_t合理值(见表1)；γ_t的选取准则存在很多情况，本实施例是选取误比特性能达到1e-4对应的信噪比。例如，图3-5中，最大迭代次数等于1时，NN1训练信噪比γ_t分别等于12、10和9dB。最大迭代次数等于2时，NN1训练信噪比γ_t分别等于7、6和7dB；NN2训练信噪比γ_t分别等于7、6和2dB。本实施例选择的梯度下降法为Scaled Conjugate Gradient。

以MAP-BICM作为比较对象，从系统误比特率评估NN-BICM接收算法的优越性。以横坐标γ_e表示电信噪比，上述具体实施例的仿真结果如图3-5所示，其中NN-BICM接收机分别在16-QAM和64子载波、16-QAM和1024子载波以及64-QAM和1024子载波的三种情况下的误比特性能。仿真表明，NN-BICM具有明显的编码增益，且随着迭代次数的增加，编码增益不断扩大，这说明非线性失真抑制效果有显著提高。

表1 DCO-OFDM系统的NN-BICM参数表

本申请的上述实施例中，通过提供一种适用于高速可见光通信的神经网络辅助的迭代接收方法，该方案将单个接收符号的实虚部和对应高斯噪声方差作为神经网络输入层的输入；其代价函数采用交叉熵，并利用反向传播算法训练权重值，最终通过softmax激活函数得到期望的信道条件概率。凭借输出的信道条件概率，解调器能够改进对数似然比计算，起到抑制非线性削波失真的作用。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.一种适用于高速可见光通信的神经网络辅助的迭代接收方法，包括如下步骤，其特征在于：

S1：初始化，给定非线性程度Ψ、调制阶数M和子载波数N；确定最大的大迭代次数T_m；确定神经网络NN1和NN2的隐含层层数以及各隐含层的神经元个数；

S2：多路选择器模块，NN-BICM接收机通过多路选择器MUX选择神经网络，如果大迭代次数T等于1，多路选择器选择NN1模块即S3步骤；如果大迭代次数T大于1，多路选择器选择NN2即S5步骤；

神经网络BICM接收机包括：(1)代价函数采用交叉熵函数；(2)训练方法采用反向传播算法；(3)输入层包括接受符号的实部、虚部以及对应的高斯噪声，输出层得到各星座点的概率值；(4)隐含层和输出层分别采用tanh和softmax函数；

S3：NN1模块，NN-BICM接收机通过神经网络NN1进行条件概率计算，最大后验概率MAP解调器能够利用神经网络NN1输出的信道条件概率

计算修正后的对数似然比，进入S4步骤；

S4：修正得到的对数似然比经过伪随机交织器后，进行LDPC译码，软信息通过置信传播译码BP算法在变量节点和校验节点间迭代更新所有校验式则输出LDPC码译码判决结果，或达到BP算法最大迭代次数仍无法满足校验则终止译码，输出变量节点的软信息，大迭代次数T加1，T++，并计算先验概率

假如迭代次数T<T_m，则返回步骤S2；否则，输出译码判决结果；

S5：NN2模块，BICM接收机

通过神经网络NN2进行条件概率计算，最大后验概率MAP解调器能够利用神经网络NN2输出的信道条件概率

计算修正后的对数似然比，返回S4步骤。

2.根据权利要求1所述的一种适用于高速可见光通信的神经网络辅助的迭代接收方法，其特征在于：步骤S3中NN1实现的具体步骤如下：

S31：训练阶段，根据非线性程度Ψ、调制阶数M和子载波数N，确定训练样本

的训练信噪比γ_t合理值；确定神经网络输入层数等于d⁽⁰⁾＝3，包括接收信号Y_k的实部和虚部，以及训练信噪比γ_t对应的均衡处理后高斯噪声方差

S32：训练阶段，神经网络的输出层个数等于星座点数，即

确定训练样本

的目标输出，即发射信号S_k属于星座点集合χ中各点的概率质量函数，

其中

是指示函数，χ_j表示按照映射顺序的第j个星座点；

S33：训练阶段，在(0,1)范围内随机初始化各权重

和偏置

其中

表示第l-1层的第i个神经元到第l层的第j个神经元的权重；根据加权求和函数和激活函数，得到各层的输出值

隐含层和输出层分别采用激活函数tanh和softmax函数，其中非线性参数集合θ＝{α,D_k,H_k}，经过softmax激活函数，输出层能够得到接收信号Y_k对应各发射星座点S_k的信道条件概率p(Y_k|S_k)，该神经网络采用交叉熵形式的代价函数，并通过反向传播算法迭代优化权重

根据代价函数的梯度值，通过反向传播计算得到各层的残差项

假设学习率等于η，反向传播算法可更新权重；

S34:测试阶段，在双边削波情况下，给定接收信号Y_k以及测试集合中的测试信噪比对应的高斯噪声

利用训练阶段得到的权重

和偏置

并通过加权求和函数和激活函数得到在非线性参数集合θ情况的输出p(Y_k|S_k；θ)。

3.根据权利要求1所述的一种适用于高速可见光通信的神经网络辅助的迭代接收方法，其特征在于：步骤S5中NN2实现的具体步骤如下：

S51：训练阶段，根据非线性程度Ψ、调制阶数M和子载波数N，确定训练样本

的训练信噪比γ_t合理值；确定神经网络输入层数等于d⁽⁰⁾＝4，包括接收信号Y_k的实部和虚部，上次迭代的各星座点先验概率p(S_k)以及训练信噪比γ_t对应的均衡处理后高斯噪声方差

S52：训练阶段，神经网络的输出层个数等于星座点数，即

确定训练样本

的目标输出，即发射信号S_k属于星座点集合χ中各点的概率质量函数，

其中

是指示函数，χ_j表示按照映射顺序的第j个星座点；

S53：训练阶段，在(0,1)范围内随机初始化各权重

和偏置

其中

表示第l-1层的第i个神经元到第l层的第j个神经元的权重；根据加权求和函数和激活函数，得到各层的输出值

隐含层和输出层分别采用激活函数tanh和softmax函数，其中非线性参数集合θ＝{α,D_k,H_k}，经过softmax激活函数，输出层能够得到接收信号Y_k对应各发射星座点S_k的信道条件概率p(Y_k|S_k)，该神经网络采用交叉熵形式的代价函数，并通过反向传播算法迭代优化权重

根据代价函数的梯度值，通过反向传播计算得到各层的残差项

假设学习率等于η，反向传播算法可更新权重；

S54：测试阶段，在双边削波情况下，给定接收信号Y_k，上次迭代的各星座点先验概率p(S_k)以及测试集合中的测试信噪比对应的高斯噪声

利用训练阶段得到的权重

和偏置

并通过加权求和函数和激活函数得到在非线性参数θ情况的输出p(Y_k|S_k；θ)。

Images