CN111064512B - 基于深度学习的光正交频分复用调制方法与系统 - Google Patents

Abstract

本发明提供的基于深度学习的光正交频分复用调制方法，包括信号发射过程和信号接收过程，包括：训练构建具有神经网络结构的自动编码器，包括自动编码器发射端和自动编码器接收端；将待发送信号输入自动编码器发射端中进行信号预处理，得到预处理信号；对预处理信号进行OFDM调制，可得到正实信号，经VLC信道进行发射；信号接收端由VLC信道接收调制信号并进行OFDM解调，得到OFDM解调信号；将OFDM解调信号输入自动编码器接收端中进行解调，还原出待发送信号。本发明还提供应用该方法的系统，通过构建具有神经网络结构的自动编码器，在满足VLC系统正实数限制的同时，用较低的复杂度获取了高的系统性能增益，大幅度地降低了信号峰均功率比PAPR。

Description

基于深度学习的光正交频分复用调制方法与系统

技术领域

本发明涉及可见光通信技术领域，更具体的，涉及一种基于深度学习的光正交频分复用调制方法与系统。

背景技术

近年来，可见光通信(Visible Light Communication，VLC)技术作为传统无线通信技术的一种重要补充，受到了学术界和工业界的广泛关注。VLC技术使用白光LED配置，可同时实现照明和通信，具有高速率、高带宽、频谱无需授权、绿色环保、价格低廉等诸多优点[1][2]。VLC系统一般使用光强调制和直接检测(Intensity Modulation/DirectDetection，IM/DD)技术，其信号调制在光载波的瞬时强度上，因此仅支持正实数信号的传输[1][3]。

此外，正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)具有高速率、低码间串扰、可使用简单的频域均衡等诸多优点，可以与VLC无缝结合[1][4]。为了兼容IM/DD技术，传统OFDM需要经过适配才可用于VLC系统中，形成光OFDM(OpticalOFDM，OOFDM)系统。传统的OOFDM方案包括不对称削波OOFDM(Asymmetrical ClippedOOFDM，ACO-OFDM)[5]，直流偏置OOFDM(Direct Current biased OOFDM，DCO-OFDM)[6]，单极性OFDM(Unipolar OFDM，U-OFDM)[7]等。近年来，也有学者提出了进一步改善比特误码率(Bit Error Rate，BER)的改进方案，如多层不对称削波OOFDM(LayeredACO-OFDM，LACO-OFDM)[8]，增强的单极性OFDM(enhanced U-OFDM，eU-OFDM)[9]等。

留意到，OFDM属于多载波通信技术，其携带统计独立的信息符号的多个子载波在时域上相互叠加后，信号会产生较大的峰值，导致合成信号的信号峰均功率比(Peak-to-Average Power Ratio，PAPR)偏高[10]。另一方面，由于系统的功率放大器具有一定的线性工作范围，高PAPR的信号容易超过这个范围而发生失真[10]。因此，降低OFDM信号的PAPR具有十分重要的意义。面向基于OFDM的传统无线通信系统，研究者们提出了很多方法去降低PAPR，如大幅度信号切除(Amplitude Clipping)、子载波预留(Tone Reservation，TR)、子载波注入(Tone Injection，TI)等[11]。然而，在VLC系统中，由于信号必须是正实数，上述传统方法一般无法直接得到使用。因此，研究者们对于不同的OOFDM方案设计了不同的PAPR改进方案[8][12][13]。这些方案大多较为复杂或实施效果并不理想，还有很大的技术改进和提升空间。

发明内容

本发明为克服现有的VLC系统降低PAPR方法存在无法直接使用、复杂程度高和技术效果不明显的技术缺陷，提供一种基于深度学习的光正交频分复用调制方法与系统。

为解决上述技术问题，本发明的技术方案如下：

基于深度学习的光正交频分复用调制方法，包括信号发射过程和信号接收过程，包括以下步骤：

S1：构建并训练具有神经网络结构的自动编码器，包括自动编码器发射端和自动编码器接收端；

S2：信号发射端将待发送信号输入自动编码器发射端中进行信号预处理，得到预处理信号；

S3：对预处理信号进行OFDM调制，得到的正实调制信号经VLC信道进行发射，完成信号发射过程；

S4：信号接收端由VLC信道接收调制信号并进行OFDM解调，得到OFDM解调信号；

S5：将OFDM解调信号输入自动编码器接收端中进行解调，还原出待发送信号，完成信号的接收过程。

上述方案中，通过构建具有神经网络结构的自动编码器，结合VLC、OFDM系统实现了一种基于深度学习的光正交频分复用调制方法；经自动编码器处理后的信号差错率低，在满足VLC系统正实数限制的同时，用较低的复杂度获取了高的系统性能增益，并大幅度地降低了PAPR。

其中，在所述步骤S1中，通过混合损失函数对自动编码器进行训练；所述混合损失函数包括L₁、L₂和L₃三部分损失函数，具体为：

为了有效评估输出正交幅度调制(QAM)符号的差错程度，采用均方误差(MSE)作为损失函数L₁，具体表达式为：

其中：s为输入符号矢量，

为输出符号矢量，||·||₂表示矢量的2-范数，N表示子载波的数量；L₁反映了输出符号与输入符号之间的均方误差，通过训练降低L₁可以减小输出符号的差错概率，从而有助于降低BER；为了使OFDM输入x满足正实数限制且减小信号峰均功率比PAPR，采用修正线性单元ReLU函数对负值部分和幅值超过参考值的信号进行惩罚，则损失函数L₂具体表达式为：

其中：||·||₁表示矢量的1-范数，而ReLU(·)函数定义为：

ReLU(x)＝max{x,0} (3)

另外，式(2)中的s_ref是信号参考峰值，具体为：

其中，参数PAPR_ref代表信号的PAPR参考值，根据需求进行调整取值；另外，为了使得训练更为平滑，从而提升训练效果，本方法引入损失函数L₃继续训练，具体表示为：

其中，其中ε为一个较小的正常数，用于防止当x取值过小时，影响训练效果；所述的混合损失函数将上述三个部分的损失函数组合起来，得到的表达式为：

Loss＝L₁+λ₁L₂+λ₂L₃ (6)

其中，Loss表示混合损失函数，λ₁,λ₂＞0用于平衡各部分损失函数对整体系统的影响比例。

上述方案中，基于混合损失函数进行训练可有效地降低系统BER，同时使输出的OFDM符号保持非负，且保持较低的PAPR。通过调制参数λ₁,λ₂和式(4)中的PAPR_ref，可以改变系统对BER与PAPR的偏重程度，从而适应不同的系统设计需求。

其中，在所述步骤S2中，所述的待发送信号为已调制的QAM符号序列；将QAM符号输入自动编码器发射端中，输出N/2路复数符号，记为X＝[X₀,X₁,...,X_N/2-1]，其中N表示子载波的数量，完成信号的预处理过程，得到预处理信号。

其中，所述步骤S3具体包括以下步骤：

S31：对X进行赫米特对称(HS)变换得到

则有[13]：

其中，Re{·}和Im{·}分别表示实部与虚部，(·)^*表示共轭复数；

S32：进行快速傅里叶反变换(IFFT)得到实数信号x，表示为：

S33：对实数信号经过加入循环前缀(CP)、数模转换(DAC)、信号下界与上界削波进行削波处理，完成OFDM调制；

S34：将调制完成的信号通过发光二极管向VLC信道中进行发射，经过自动编码器发射端处理后的PAPR具体表示为：

上述方案中，步骤S31的HS变换只能使IFFT的输出x为实数，并不能满足非负限制，经过自动编码器发射端处理后，可使x不仅非负，且拥有较小的PAPR，具体的PAPR表达式如步骤S34所述。

其中，所述步骤S4具体为：信号接收端经过VLC信道的信号通过光电检测器(PD)检测后进行模数转换(ADC)、循环前缀移除处理后，在经过快速傅里叶变换(FFT)变化得到OFDM解调信号。

上述方案中，将OFDM解调信号输入自动编码器接收端中完成解调，可以得到所发送的QAM符号的估计值，大大降低了QAM符号估计值与真值之间的均方误差，降低系统BER。

其中，所述自动编码器发射端和自动编码器接收端均由全连接神经网络(FCNN)和卷积神经网络(CNN)级联而成，其中，FCNN由两层以上全连接层构成，也称稠密层(DenseLayer)，稠密层具体表示为[18]：

z＝σ(Wp+b) (10)

其中，p表示稠密层的输入，z表示稠密层的输出，W,b为该层的参数矩阵，通过训练进行参数更新，σ(·)为激活函数用于使网络拥有非线性表示能力；而CNN由卷积层(Convolution Layer)、池化层(Pooling Layer)和稠密层构成，根据卷积层的定义[18]，此处的一维卷积层表示为：

其中

表示第n个卷积核中的第j个权重参数，bⁿ表示第n个卷积核中的偏置参数，

表示第n个卷积核卷积后的第i个输出，x_k,k＝0,1,...,I,表示卷积层的第k个输入，I表示卷积层的输入信号向量的维度，S表示卷积核的数量，K＞1表示卷积核的长度，δ代表卷积步长，

表示向下取整；池化层对卷积层的输出结果进行下采样时，采用最大池化方式，得到池化区域内的最大值。

上述方案中，自动编码器发射端主要进行OFDM调制之前的信号预处理功能，通过训练学习可以使OFDM调制后的信号拥有系统需求的特性。经过大量的训练测试，证实了本发明采用的FCNN与CNN级联的网络结构，不仅可以满足系统对信号有用非负特性与低PAPR的需求，而且具有优秀的系统性能。

上述方案中，和自动编码器发射端类似的，自动编码器接收端也使用了FCNN与CNN级联网络结构，负责在接收端正确恢复发送信号的功能。

上述方案中，为了进一步提升训练效果，在网络中加入一些辅助训练的网络层，如批量标准化(BNL)和随机失活层(DPL)[18]等。BNL可以对某一层的网络输入进行标准化，使其具有稳定的统计分布，可用于防止梯度消失，提升训练速度，增强训练效果；DPL可以在学习过程中随机地将某些单元的输出置0，使该单元与网络断开，可防止网络出现过拟合。

基于深度学习的光正交频分复用调制系统，包括自动编码器发射端、自动编码器接收端和等效信道模块；其中：

所述自动编码器发射端具有神经网络结构，用于对待发送信号的预处理，得到预处理信号，可使OFDM调制后的信号拥有非负特性；

所述等效信道模块接收由所述自动编码器发射端发送的预处理信号信号后，进行OFDM调制、VLC信号传送和OFDM解调处理，得到OFDM解调信号；

所述自动编码器接收端具有神经网络结构，对OFDM解调信号进行解调，还原出待发送信号。

其中，所述自动编码器发射端、自动编码器接收端通过混合损失函数进行训练；所述混合损失函数包括L₁、L₂和L₃三部分损失函数，具体为：

采用均方误差作为损失函数L₁，具体表达式为：

其中：s为输入符号矢量，

为输出符号矢量，||·||₂表示矢量的2-范数；N表示子载波的数量；L₁反映了输出符号与输入符号之间的均方误差；采用修正线性单元ReLU函数对负值部分和幅值超过参考值的信号进行惩罚，则损失函数L₂具体表达式为：

其中：||·||₁表示矢量的1-范数，而ReLU(·)函数定义为：

ReLU(x)＝max{x,0} (3)

另外，式(2)中的s_ref是信号参考峰值，具体为：

其中，参数PAPR_ref代表信号的PAPR参考值，根据需求进行调整取值；另外，引入损失函数L₃，具体表示为：

其中，其中ε为正常数，用于防止当x取值过小时，影响训练效果；所述的混合损失函数将上述三个部分的损失函数组合起来，得到的表达式为：

Loss＝L₁+λ₁L₂+λ₂L₃ (6)

其中，Loss表示混合损失函数，λ₁,λ₂＞0用于平衡各部分损失函数对整体系统的影响比例。

其中，所述等效信道模块包括赫米特对称变换模块、快速傅里叶反变换模块、循环前缀添加模块、数模转换模块、信号下界与上界削波模块、发光二极管LED和VLC信道；其中：

所述赫米特对称变换模块用于对预处理信号进行赫米特对称变换，使OFDM调制信号为实数；

所述快速傅里叶反变换模块用于对赫米特对称变换后的信号进行快速傅里叶反变换；

所述循环前缀添加模块用于在快速傅里叶反变换后的信号中加入循环前缀；

所述数模转换模块用于将加入循环前缀的信号进行数模转换；

所述信号下界与上界削波模块用于对数模转换后的信号进行下界与上界削波处理；

所述发光二极管LED用于将下界与上界削波后的信号发送至所述VLC信道中。

其中，所述等效信道模块还包括光电检测模块、模数转换模块、循环前缀移除模块和快速傅里叶变换模块；其中：

所述光电检测模块用于检测由所述VLC信道中接收到的信号；

所述模数转换模块将光电检测后的信号进行模数转换；

所述循环前移除模块用于将模数转换后的信号进行移除循环前缀处理；

所述快速傅里叶变换模块用于将移除循环前缀后的信号进行快速傅里叶变换，得到OFDM解调信号。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供的基于深度学习的光正交频分复用调制方法及系统，通过构建具有神经网络结构的自动编码器，结合VLC、OFDM系统实现了一种基于深度学习的光正交频分复用调制方法；经自动编码器处理后的信号差错率低，在满足VLC系统正实数限制的同时，用较低的复杂度获取了高的系统性能增益，并大幅度地降低了PAPR。

附图说明

图1为本发明所述方法流程图；

图2为本发明使用的自动编码器的神经网络结构示意图；

图3为本发明所述系统结构示意图；

图4为经典AE与CAAE的结构示意图，其中除信道(Channel)外的其他模块均由神经网络NN实现；

图5为本发明所述系统与传统方案的BER对比图；

图6为DL-OOFDM与其他降低PAPR方法的PAPR CCDF对比图；

图7为不同削峰比下PAPR-4dB的DL-OOFDM与降低PAPR的其他方法的BER对比图。

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

如图1所示，基于深度学习的光正交频分复用调制方法DL-OOFDM，包括信号发射过程和信号接收过程，包括以下步骤：

S1：构建并训练具有神经网络(NN)结构的自动编码器(AE)，包括自动编码器发射端AE-TX和自动编码器接收端AE-RX；

S2：信号发射端将待发送信号输入自动编码器发射端AE-TX中进行信号预处理，得到预处理信号；

S3：对预处理信号进行OFDM调制，得到的正实调制信号经VLC信道进行发射，完成信号发射过程；

S4：信号接收端由VLC信道接收调制信号并进行OFDM解调，得到OFDM解调信号；

S5：将OFDM解调信号输入自动编码器接收端AE-RX中进行解调，还原出待发送信号，完成信号的接收过程。

在具体实施过程中，通过构建具有神经网络NN结构的自动编码器AE，结合VLC、OFDM系统实现了一种基于深度学习的光正交频分复用调制方法DL-OOFDM；经自动编码器AE处理后的信号差错率低，在满足VLC系统正实数限制的同时，用较低的复杂度获取了高的系统性能增益，并大幅度地降低了PAPR。

更具体的，在所述步骤S1中，通过混合损失函数对自动编码器AE进行训练；所述混合损失函数包括L₁、L₂和L₃三部分损失函数，具体为：

为了有效评估输出正交幅度调制(QAM)符号的差错程度，采用均方误差(MSE)作为损失函数L₁，具体表达式为：

其中：s为输入符号矢量，

为输出符号矢量，||·||₂表示矢量的2-范数，N表示子载波的数量；L₁反映了输出符号与输入符号之间的均方误差，通过训练降低L₁可以减小输出符号的差错概率，从而有助于降低BER；为了使OFDM输入x满足正实数限制且减小信号峰均功率比PAPR，采用修正线性单元ReLU函数对负值部分幅值超过参考值的信号进行惩罚，则损失函数L₂具体表达式为：

其中：||·||₁表示矢量的1-范数，而ReLU(·)函数定义为：

ReLU(x)＝max{x,0} (3)

另外，式(2)中的s_ref是信号参考峰值，具体为：

其中，参数PAPR_ref代表信号的PAPR参考值，根据需求进行调整取值；另外，为了使得训练更为平滑，从而提升训练效果，本方法引入损失函数L₃继续训练，具体表示为：

其中，其中ε为一个较小的正常数，用于防止当x取值过小时，影响训练效果；所述的混合损失函数将上述三个部分的损失函数组合起来，得到的表达式为：

Loss＝L₁+λ₁L₂+λ₂L₃ (6)

其中，Loss表示混合损失函数，λ₁,λ₂＞0用于平衡各部分损失函数对整体系统的影响比例。

在具体实施过程中，基于混合损失函数进行训练可有效地降低系统BER，同时使输出的OFDM符号保持非负，且保持较低的PAPR。通过调整参数λ₁,λ₂和式(4)中的PAPR_ref，可以改变系统对BER与PAPR的偏重程度，从而适应不同的系统设计需求。

更具体的，在所述步骤S2中，所述的待发送信号为已调制的QAM符号序列；将QAM符号输入自动编码器发射端中，输出N/2路复数符号，记为X＝[X₀,X₁,...,X_N/2-1]，其中N表示子载波的数量，完成信号的预处理过程，得到预处理信号。

更具体的，所述步骤S3具体包括以下步骤：

S31：对X进行赫米特对称(HS)变换得到

则有[13]：

其中，Re{·}和Im{·}分别表示实部与虚部，(·)^*表示共轭复数；

S32：进行快速傅里叶反变换(IFFT)得到实数信号x，表示为：

S33：对实数信号经过加入循环前缀(CP)、数模转换(DAC)、信号下界与上界削波进行削波处理，完成OFDM调制；

S34：将调制完成的信号通过发光二极管向VLC信道中进行发射，经过自动编码器发射端处理后的PAPR具体表示为：

在具体实施过程中，步骤S31的HS变换只能使IFFT的输出x为实数，并不能满足非负限制，经过自动编码器发射端处理后，可使x不仅非负，且拥有较小的PAPR，具体的PAPR表达式如步骤S34所述。

更具体的，所述步骤S4具体为：信号接收端经过VLC信道的信号通过光电检测器(PD)检测后进行模数转换(ADC)、循环前缀移除(CP removed)处理后，在经过快速傅里叶变换(FFT)变化得到OFDM解调信号。

在具体实施过程中，将OFDM解调信号输入自动编码器接收端中完成解调，可以得到所发送的QAM符号的估计值，大大降低了QAM符号估计值与真值之间的均方误差，降低系统BER。

更具体的，如图2所示，所述自动编码器发射端AE-TX和自动编码器接收端AE-RX均由全连接神经网络(FCNN)和卷积神经网络(CNN)级联而成，其中，FCNN由两层以上全连接层构成，也称稠密层(Dense Layer)，稠密层具体表示为[18]：

z＝σ(Wp+b) (10)

其中，p表示稠密层的输入，z表示稠密层的输出，W,b为该层的参数矩阵，通过训练进行参数更新，σ(·)为激活函数用于使网络拥有非线性表示能力；而CNN由卷积层(Convolution Layer)、池化层(Pooling Layer)和稠密层构成，根据卷积层的定义[18]，此处的一维卷积层表示为：

其中

表示第n个卷积核中的第j个权重参数，bⁿ表示第n个卷积核中的偏置参数，

表示第n个卷积核卷积后的第i个输出，x_k,k＝0,1,...,I,表示卷积层的第k个输入，I表示卷积层的输入信号向量的维度，S表示卷积核的数量，K＞1表示卷积核的长度，δ代表卷积步长，

表示向下取整；池化层对卷积层的输出结果进行下采样时，采用最大池化方式，得到池化区域内的最大值。

在具体实施过程中，自动编码器发射端主要进行OFDM调制之前的信号预处理功能，通过训练学习可以使OFDM调制后的信号拥有系统需求的特性。经过大量的训练测试，证实了本发明采用的FCNN与CNN级联的网络结构，不仅可以满足系统对信号有用非负特性与低PAPR的需求，而且具有优秀的系统性能。

在具体实施过程中，和自动编码器发射端类似的，自动编码器接收端也使用了FCNN与CNN级联网络结构，负责在接收端正确恢复发送信号的功能。

在具体实施过程中，为了进一步提升训练效果，在网络中加入一些辅助训练的网络层，如批量标准化(BNL)和随机失活层(DPL)[18]等。BNL可以对某一层的网络输入进行标准化，使其具有稳定的统计分布，可用于防止梯度消失，提升训练速度，增强训练效果；DPL可以在学习过程中随机地将某些单元的输出置0，使该单元与网络断开，可防止网络出现过拟合。

实施例2

更具体的，在实施例1的基础上，如图3所示，基于深度学习的光正交频分复用调制系统，包括自动编码器发射端AE-TX、自动编码器接收端AE-RX和等效信道模块；其中：

所述自动编码器发射端AE-TX具有神经网络结构，用于对待发送信号的预处理，得到预处理信号，可使OFDM调制后的信号拥有非负特性；

所述等效信道模块接收由所述自动编码器发射端AE-TX发送的预处理信号后，进行OFDM调制、VLC信号传送和OFDM解调处理，得到OFDM解调信号；

所述自动编码器接收端AE-RX具有神经网络结构，对OFDM解调信号进行解调，还原出待发送信号。

更具体的，所述自动编码器发射端、自动编码器接收端通过混合损失函数进行训练；所述混合损失函数包括L₁、L₂和L₃三部分损失函数，具体为：

采用均方误差作为损失函数L₁，具体表达式为：

其中：s为输入符号矢量，

为输出符号矢量，||·||₂表示矢量的2-范数；N表示子载波的数量；L₁反映了输出符号与输入符号之间的均方误差；采用修正线性单元ReLU函数对负值部分和幅值超过参考值的信号进行惩罚，则损失函数L₂具体表达式为：

其中：||·||₁表示矢量的1-范数，而ReLU(·)函数定义为：

ReLU(x)＝max{x,0} (3)

另外，式(2)中的s_ref是信号参考峰值，具体为：

其中，参数PAPR_ref代表信号的PAPR参考值，根据需求进行调整取值；另外，引入损失函数L₃，具体表示为：

其中，其中ε为正常数，用于防止当x取值过小时，影响训练效果；所述的混合损失函数将上述三个部分的损失函数组合起来，得到的表达式为：

Loss＝L₁+λ₁L₂+λ₂L₃ (6)

其中，Loss表示混合损失函数，λ₁,λ₂＞0用于平衡各部分损失函数对整体系统的影响比例。

更具体的，所述等效信道模块包括赫米特对称变换模块、快速傅里叶反变换模块、循环前缀添加模块、数模转换模块、信号下界与上界削波模块、发光二极管LED和VLC信道；其中：

所述赫米特对称变换模块用于对预处理信号进行赫米特对称变换(HermitianSymmetry，HS)，使OFDM调制信号为实数；

所述快速傅里叶反变换模块用于对赫米特对称变换后的信号进行快速傅里叶反变换(Inverse Fast Fourier Transform，IFFT)；

所述循环前缀添加模块用于在快速傅里叶反变换后的信号中加入循环前缀(Cyclic Prefix，CP)；

所述数模转换模块用于将加入循环前缀的信号进行数模转换(Digital toAnalog Conversion，DAC)；

所述信号下界与上界削波模块用于对数模转换后的信号进行下界(LowerBoundary，LB)与上界(Upper Boundary，UB)削波处理；

所述发光二极管LED用于将下界与上界削波后的信号发送至所述VLC信道中。

更具体的，所述等效信道模块还包括光电检测模块、模数转换模块、移除循环前缀移除模块和快速傅里叶变换模块；其中：

所述光电检测模块(Photodetector，PD)用于检测由所述VLC信道中接收到的信号；

所述模数转换模块将光电检测后的信号进行模数转换(Analog-to-DigitalConversion，ADC)；

所述循环前缀移除模块用于将模数转换后的信号进行循环前缀移除处理；

所述快速傅里叶变换模块用于将移除循环前缀后的信号进行快速傅里叶变换(Fast Fourier Transform，FFT)，得到OFDM解调信号。

上述方案中，将神经网络融入OOFDM通信系统模型中，将OOFDM系统设计为一个端对端的自动编码器AE，通过端对端的训练，使系统拥有超过传统方案的优越BER与PAPR性能。此外，本系统的输入输出数据为已调制符号，而现有方案[14][19]的输入输出多采用信息比特。同时，本系统可与各种数字调制方法兼容，如相移键控、正交幅度调制等。

实施例3

在具体实施过程中，深度学习模型中常使用全连接神经网络(Fully ConnectedNeural Network，FCNN)和卷积神经网络(Convolution Neural Network，CNN)结构。FCNN是主要由多层全连接层级联而成的网络，是最简单、最典型的神经网络结构。CNN是主要由卷积层、池化层、全连接层组合而成的网络，在图像识别、目标检测等领域有大量应用[15]。CNN可用于提取信号特征，或者相邻信号之间的关联特性。因此，在OFDM调制中，可用CNN提取各个子载波之间的联系，通过学习协调各个子载波的输入，使得输出的OFDM信号可满足我们需要的某些限制条件。同时，CNN由于具有稀疏连接的特性，可大幅降低所需参数的数量[18]。

更具体的，如图4所示，自动编码器AE是一种常用的神经网络，它一般分为两部分：编码器(Encoder)部分，用r＝f(s)表示；译码器(Decoder)部分，用

表示[18]，其中：s表示网络输入，r表示编码输出，

表示网络输出，如图4的(a)所示。网络训练目的是使得网络输出与网络输入近似相同，同时编码输出能满足系统所需的编码要求。部分研究者将AE应用于通信领域，提出了端对端通信系统的自动编码器模型[14]，称作加入信道的自动编码器(Channel-Added Auto-Encoder，CAAE)，如图4的(b)所示。与经典的自动编码器不同的是，CAAE加入了信道加噪过程，训练会增加系统对噪声的鲁棒性。

在现有的将深度学习与OFDM结合的神经网络设计方案中，Alexander Felix等人使用一个较小的发射端AE单独处理每一路子载波信号[19]，具有网络结构简单、功能灵活的特点，但该发射端AE不能学习到子载波之间的联系，不能完成降低PAPR的需求；InsoonSohn等人使用小型FCNN降低传统OFDM信号的PAPR[20]，虽然复杂度较低，但系统的链路性能没有获得增益；Minhoe Kim等人使用大型FCNN降低传统OFDM信号的PAPR[17]，获得了可观的性能增益，但其网络复杂度太高，需要海量训练参数。

因此，利用CAAE的基本原则，本发明设计的DL-OOFDM系统模型针对VLC系统的特点进行了设计及优化。将OOFDM系统设计为一种新型的AE模型，使用神经网络(NeuralNetwork，NN)代替传统的OOFDM调制与解调模块，针对新系统设计了相应的损失函数，使得训练后的系统能拥有更低的BER，同时在OOFDM符号满足VLC系统的非负实数信号限制的条件下，大幅降低了PAPR。

实施例4

更具体的，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。

不失一般性，取子载波数量N＝64，采用QAM的调制方式及加性高斯白噪声(Additive White Gaussian Noise，AWGN)信道模型，比较本发明的DL-OOFDM方案与传统OOFDM方案在不同PAPR需求时的系统性能。表1、表2分别给出了采用4QAM和16QAM的DL-OOFDM样例的网络结构与训练参数。其中，在16QAM方案中，测试了两种PAPR取值作为训练参数，即PAPR-7dB和PAPR-4dB，分别对应于对PAPR要求较松和较严的两种实际需求。在训练中，选用了Adam优化器[21]。值得注意的是，虽然在本实施例中对AE-TX和AE-RX使用了相同的网络结构与参数，但这并不是必须的；实际可根据不同系统和场景的具体情况，灵活选择和调整二者的网络结构。

表1：AE-TX与AE-RX的网络结构参数

表2：DL-OOFDM训练参数，其中16QAM分PAPR-7dB与PAPR-4dB两个场景

在PAPR要求不高(PAPR-7dB)的场景下，系统性能指标主要以BER评估。在这个场景下，DL-OOFDM方案可以调整损失函数参数，选取较小的λ₁，以偏重于最小化BER。图5中展示了DL-OOFDM在同等的传输速率r＝1比特/符号(Bits per Symbol，BPS)和r＝2BPS情况下与传统方案的BER性能对比。其中，DCO-OFDM分别选择了7dB与13dB的直流偏置；LACO选择了层数L＝4，eU-OFDM选择了深度D＝4，使二者的频谱效率与DCO-OFDM大致相等。

从图5中可以看出，采用4QAM时，DL-OOFDM方案与同速率的传统方案ACO-OFDM、DCO-OFDM相比，有大约4dB的性能增益；与传统的加强方案LACO-OFDM、eU-OFDM方案相比，也有超过2dB的性能增益。当采用16QAM时，DL-OOFDM与同速率的ACO-OFDM、DCO-OFDM相比，有8dB的性能增益；与LACO-OFDM、eU-OFDM相比也有1dB的性能增益。这说明了DL-OOFDM拥有超越各种传统OOFDM方案的BER性能。

另一方面，在PAPR要求较高的场景下(PAPR-4dB)，系统性能指标主要以信号的PAPR互补累积分布函数(Complementary Cumulative Distribution Function，CCDF)以及削峰后信号的BER来评估。在该场景下，DL-OOFDM方案可以调整损失函数参数，选取较大的λ₁，牺牲一些BER性能以换取更优的PAPR性能。图6对比了PAPR-4dB场景下采用16QAM及传输速率r＝2BPS时，DL-OOFDM与其他方案的PAPR CCDF性能，同时提供了PAPR-7dB的DL-OOFDM曲线以供参考，其中PAPR₀表示参考PAPR值。各对比方案均采用了各自较优的降PAPR算法。

具体地，降低PAPR的ACO方案[12]使用的削峰比(Upper Clipping Ratio，UCR)为τ＝9dB，阈值系数α＝0.85，其中UCR定义为削峰阈值功率与平均功率的比值；降低PAPR的DCO方案[13]选择了13dB的直流偏置；降低PAPR的LACO方案[8]选择了层数L＝3，候选向量数量Z＝200。从图6中可以看出，相比之前提出的各种方案，DL-OOFDM方案都拥有更小的PAPR。而PAPR-4dB的训练方式相比PAPR-7dB能进一步降低DL-OOFDM系统的PAPR。另外，特别指出的是，DL-OOFDM在降低PAPR的同时，还可降低系统的BER。

更具体的，图7展示了在不同τ取值下各个系统的BER对比。从图7中可以看出，在较高削峰比τ＝9dB的情况下，PAPR-4dB的DL-OOFDM相比BER性能最优的LACO方案有2dB的增益，相比其余两种方案有超过7dB的增益。当削峰比降低至τ＝7dB时，LACO方案的BER迅速恶化，DL-OOFDM相比此时BER性能最优的DCO方案有超过7dB的增益。可见，在PAPR性能要求较高的场景下，DL-OOFDM相比传统方案可以同时在BER与PAPR方面获得更优的性能。

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。

[1]H.Elgala,R.Mesleh and H.Haas,“Indoor optical wirelesscommunication:potential and state-of-the-art,”in IEEE CommunicationsMagazine,vol.49,no.9,pp.56-62,September 2011.

[2]T.Komine and M.Nakagawa,“Fundamental analysis for visible-lightcommunication system using LED lights,”in IEEE Transactions on ConsumerElectronics,vol.50,no.1,pp.100-107,Feb.2004.

[3]J.M.Kahn and J.R.Barry,“Wireless infrared communications,”inProceedings oftheIEEE,vol.85,no.2,pp.265-298,Feb.1997.

[4]J.Armstrong,“OFDM for optical communications,”in JournalofLightwave Technology,vol.27,no.3,pp.189-204,Feb.2009.

[5]S.D.Dissanayake and J.Armstrong,“Comparison of ACO-OFDM,DCO-OFDMand ADO-OFDM in IM/DD systems,”in Journal of Lightwave Technology,vol.31,no.7,pp.1063-1072,April 2013.

[6]O.Gonzalez,R.Perez-Jimenez,S.Rodriguez,J.Rabadan,and A.Ayala,“OFDMover indoor wireless optical channel,”in IETProceedings-Optoelectronics,vol.152,no.4,pp.199-204,Aug.2005.

[7]D.Tsonev,S.Sinanovic,and H.Haas,“Novel unipolar orthogonalfrequency division multiplexing(U-OFDM)for optical wireless,”in 2012 IEEE75th Vehicular Technology Conference(VTCSpring),Yokohama,2012,pp.1-5.

[8]X.Zhang,Q.Wang,R.Zhang,S.Chen and L.Hanzo,“Performance analysis oflayeredACO-OFDM,”in IEEEAccess,vol.5,pp.18366-18381,2017.

[9]D.Tsonev,S.Videv and H.Haas,“Unlocking spectral efficiency inintensity modulation and direct detection systems,”in IEEE Journal onSelected Areas in Communications,vol.33,no.9,pp.1758-1770,Sept.2015.

[10]H.Elgala,R.Mesleh and H.Haas,“A study ofLED nonlinearity effectson optical wireless transmission using OFDM,”2009 IFIP InternationalConference on Wireless and Optical Communications Networks,Cairo,2009,pp.1-5.

[11]Seung Hee Han and Jae Hong Lee,“An overview ofpeak-to-averagepower ratio reduction techniques for multicarrier transmission,”in IEEEWireless Communications,vol.12,no.2,pp.56-65,April 2005.

[12]W.Xu,M.Wu,H.Zhang,X.You and C.Zhao,“ACO-OFDM-specifiedrecoverable upper clipping with efficient detection for optical wirelesscommunications,”in IEEE Photonics Journal,vol.6,no.5,pp.1-17,Oct.2014,Artno.7902617.

[13]H.Zhang,Y.Yuan and W.Xu,“PAPR reduction for DCO-OFDM visiblelight Communications via Semidefinite Relaxation,”in IEEE PhotonicsTechnology Letters,vol.26,no.17,pp.1718-1721,Sept.1,2014.

[14]T.O’Shea and J.Hoydis,“An introduction to deep learning for thephysical layer,”in IEEE Transactions on Cognitive Communications andNetworking,vol.3,no.4,pp.563-575,Dec.2017.

[15]F.Liang,C.Shen and F.Wu,“An iterative BP-CNN architecture forchannel decoding,”inIEEEJournal ofSelected Topics in SignalProcessing,vol.12,no.1,pp.144-159,Feb.2018.

[16]S.

S.Cammerer,J.Hoydis and S.T.Brink,“Deep learning basedcommunication over the air,”inIEEEJournal ofSelected Topics inSignalProcessing,vol.12,no.1,pp.132-143,Feb.2018.

[17]M.Kim,W.Lee and D.Cho,“A novel PAPR reduction scheme for OFDMsystem based on deep learning,”in IEEE Communications Letters,vol.22,no.3,pp.510-513,March 2018.

[18]I.Goodfellow,Y.Bengio,andA.Courville,Deep Learning.Cambridge,MA,USA:MIT Press,2016.

[19]A.Felix,S.Cammerer,S.

J.Hoydis and S.T.Brink,“OFDM-autoencoder for end-to-end learning of communications systems,”2018IEEE 19thInternational Workshop on Signal Processing Advances in WirelessCommunications(SPAWC),Kalamata,2018,pp.1-5.

[20]I.Sohn and S.C.Kim,“Neural network based Simplified clipping andfiltering technique for PAPR reduction of OFDM signals,”in IEEECommunications Letters,vol.19,no.8,pp.1438-1441,Aug.2015.

[21]D.P.Kingma and J.Ba,“Adam:a method for stochastic optimization,”in Proceeding ofthe International Conference on LearningRepresentations(ICLR),San Diego,CA,USA,2015,pp.1-15.

Claims (8)

1.基于深度学习的光正交频分复用调制方法，包括信号发射过程和信号接收过程，其特征在于，包括以下步骤：

S1：构建并训练具有神经网络结构的自动编码器，包括自动编码器发射端和自动编码器接收端；

S2：信号发射端将待发送信号输入自动编码器发射端中进行信号预处理，得到预处理信号；

S3：对预处理信号进行OFDM调制，得到的正实调制信号经VLC信道进行发射，完成信号发射过程；

S4：信号接收端由VLC信道接收调制信号并进行OFDM解调，得到OFDM解调信号；

S5：将OFDM解调信号输入自动编码器接收端中进行解调，还原出待发送信号，完成信号的接收过程；

在所述步骤S1中，通过混合损失函数对自动编码器进行训练；所述混合损失函数包括L₁、L₂和L₃三部分损失函数，具体为：

为了有效评估输出正交幅度调制QAM符号的差错程度，采用均方误差作为损失函数L₁，具体表达式为：

其中：s为输入符号矢量，

为输出符号矢量，||·||₂表示矢量的2-范数，N表示子载波的数量；L₁反映了输出符号与输入符号之间的均方误差；为了使OFDM输入x满足正实数限制且减小信号峰均功率比PAPR，采用修正线性单元ReLU函数对负值部分和幅值超过参考值的信号进行惩罚，则损失函数L₂具体表达式为：

其中：||·||₁表示矢量的1-范数，而ReLU(·)函数定义为：

ReLU(x)＝max{x,0} (3)

另外，式(2)中的s_ref是信号参考峰值，具体为：

其中，参数PAPR_ref代表信号的PAPR参考值，根据需求进行调整取值；另外，为了使得训练更为平滑，引入损失函数L₃，具体表示为：

其中，其中ε为正常数，用于防止当x取值过小时，影响训练效果；所述的混合损失函数将上述三个部分的损失函数组合起来，得到的表达式为：

Loss＝L₁+λ₁L₂+λ₂L₃ (6)

其中，Loss表示混合损失函数，λ₁,λ₂＞0用于平衡各部分损失函数对整体系统的影响比例。

2.根据权利要求1所述的基于深度学习的光正交频分复用调制方法，其特征在于，在所述步骤S2中，所述的待发送信号为已调制的QAM符号序列；将QAM符号输入自动编码器发射端中，输出N/2路复数符号，记为X＝[X₀,X₁,...,X_N/2-1]，其中N表示子载波的数量，完成信号的预处理过程，得到预处理信号。

3.根据权利要求2所述的基于深度学习的光正交频分复用调制方法，其特征在于，所述步骤S3具体包括以下步骤：

S31：对X进行赫米特对称HS变换得到

则有：

其中，Re{·}和Im{·}分别表示实部与虚部，(·)^*表示共轭复数；

S32：进行快速傅里叶反变换IFFT得到实数信号x，表示为：

S33：对实数信号经过加入循环前缀CP、数模转换DAC、信号下界与上界削波进行削波处理，完成OFDM调制；

S34：将调制完成的信号通过发光二极管向VLC信道中进行发射，经过自动编码器发射端处理后的PAPR具体表示为：

4.根据权利要求3所述的基于深度学习的光正交频分复用调制方法，其特征在于，所述步骤S4具体为：信号接收端经过VLC信道的信号通过光电检测器PD检测后进行模数转换ADC、循环前缀移除处理后，在经过快速傅里叶变换FFT变化得到OFDM解调信号。

5.根据权利要求4所述的基于深度学习的光正交频分复用调制方法，其特征在于，所述自动编码器发射端和自动编码器接收端均由全连接神经网络FCNN和卷积神经网络CNN级联而成，其中，FCNN由两层以上全连接层构成，也称稠密层，稠密层具体表示为：

z＝σ(Wp+b) (10)

其中，p表示稠密层的输入，z表示稠密层的输出，W,b为该层的参数矩阵，通过训练进行参数更新，σ(·)为激活函数用于使网络拥有非线性表示能力；CNN由卷积层、池化层和稠密层构成，根据卷积层的定义，此处的一维卷积层表示为：

其中

表示第n个卷积核中的第j个权重参数，bⁿ表示第n个卷积核中的偏置参数，

表示第n个卷积核卷积后的第i个输出，x_k,k＝0,1,...,I,表示卷积层的第k个输入，I表示卷积层的输入信号向量的维度，S表示卷积核的数量，K＞1表示卷积核的长度，δ代表卷积步长，

表示向下取整；池化层对卷积层的输出结果进行下采样时，采用最大池化方式，得到池化区域内的最大值。

6.基于深度学习的光正交频分复用调制系统，其特征在于：包括自动编码器发射端、自动编码器接收端和等效信道模块；其中：

所述自动编码器发射端具有神经网络结构，用于对待发送信号的预处理，得到预处理信号，可使OFDM调制后的信号拥有非负特性；

所述等效信道模块接收由所述自动编码器发射端发送的非负信号后，进行OFDM调制、VLC信号传送和OFDM解调处理，得到OFDM解调信号；

所述自动编码器接收端具有神经网络结构，对OFDM解调信号进行解调，还原出待发送信号；

所述自动编码器发射端、自动编码器接收端通过混合损失函数进行训练；所述混合损失函数包括L₁、L₂和L₃三部分损失函数，具体为：

采用均方误差作为损失函数L₁，具体表达式为：

其中：s为输入符号矢量，

为输出符号矢量，||·||₂表示矢量的2-范数；N表示子载波的数量；L₁反映了输出符号与输入符号之间的均方误差；采用修正线性单元ReLU函数对负值部分和幅值超过参考值的信号进行惩罚，则损失函数L₂具体表达式为：

其中：||·||₁表示矢量的1-范数，而ReLU(·)函数定义为：

ReLU(x)＝max{x,0} (3)

另外，式(2)中的s_ref是信号参考峰值，具体为：

其中，参数PAPR_ref代表信号的PAPR参考值，根据需求进行调整取值；另外，引入损失函数L₃，具体表示为：

其中，其中ε为正常数，用于防止当x取值过小时，影响训练效果；所述的混合损失函数将上述三个部分的损失函数组合起来，得到的表达式为：

Loss＝L₁+λ₁L₂+λ₂L₃ (6)

其中，Loss表示混合损失函数，λ₁,λ₂＞0用于平衡各部分损失函数对整体系统的影响比例。

7.根据权利要求6所述的光正交频分复用调制系统，其特征在于：所述等效信道模块包括赫米特对称变换模块、快速傅里叶反变换模块、循环前缀添加模块、数模转换模块、信号下界与上界削波模块、发光二极管LED和VLC信道；其中：

所述赫米特对称变换模块用于对预处理信号进行赫米特对称变换，使OFDM调制信号为实数；

所述快速傅里叶反变换模块用于对赫米特对称变换后的信号进行快速傅里叶反变换；

所述循环前缀添加模块用于在快速傅里叶反变换后的信号中加入循环前缀；

所述数模转换模块用于将加入循环前缀的信号进行数模转换；

所述信号下界与上界削波模块用于对数模转换后的信号进行下界与上界削波处理；

所述发光二极管LED用于将下界与上界削波后的信号发送至所述VLC信道中。

8.根据权利要求7所述的光正交频分复用调制系统，其特征在于：所述等效信道模块还包括光电检测模块、模数转换模块、循环前缀移除模块和快速傅里叶变换模块；其中：

所述光电检测模块用于检测由所述VLC信道中接收到的信号；

所述模数转换模块将光电检测后的信号进行模数转换；

所述循环前缀移除模块用于将模数转换后的信号进行移除循环前缀处理；

所述快速傅里叶变换模块用于将移除循环前缀后的信号进行快速傅里叶变换，得到OFDM解调信号。

Images