CN111458029A - 基于自联想神经网络的可见光mimo通信系统颜色检测方法 - Google Patents

Abstract

本发明公开了一种基于自联想神经网络的可见光MIMO通信系统颜色检测方法，包括以下步骤：采集目标区域的LED图像数据集，将LED图像数据集分为训练集、预测集；基于双三次插值法实现对LED图像的大小进行调整，将所有LED图像的分辨率调整为相同的大小；在自联想神经网络中间增加一个瓶颈层，并将自联想神经网络与主成分分析PCA结合，构建提取主成分的自联想神经网络；再将自联想神经网络的映射层、瓶颈层和逆映射层分解为多个并行连接的子网络，完成构建并行自联想神经网络PAANN，实现并行自联想神经网络的非线性主成分分析；搜索并确定神经网络的系数，将LED图像的训练集输入步骤S4得到的PAANN中，利用反向传播算法进行更新迭代训练PAANN；将LED图像测试集输入步骤S5的得到的PAANN，完成颜色检测。

Description

基于自联想神经网络的可见光MIMO通信系统颜色检测方法

技术领域

本发明涉及光通信系统颜色检测技术领域，更具体的，涉及一种基于自联想神经网络的可见光MIMO通信系统颜色检测方法。

背景技术

在利用摄像头采集可见光信号的系统中，一般根据光强度接收和恢复信号。首先独立调制每个LED，通过摄像头拍摄所有LED的图像序列，每个光源位于图像的不同位置。然后，计算检测图像的光亮度，利用图像处理技术恢复每个光源的信号流。现有的多光源的多输入多输出(MIMO)可见光无线通信系统成功实现了摄像头对于可见光信号的采集，但依然存在一些不足之处，如无法分辨光源的颜色，且仅在黑暗环境中完成了实验验证。在通过摄像头接收可见光信号的系统应用中，检测光源的颜色是一个难题，并且多光源间的干扰和环境光的干扰加大了光源颜色检测的难度。环境光的噪声存在随机性，导致传统的图像处理技术无法对光源的颜色实现精确地检测和分析。

随着机器学习和深度学习技术的发展，研究人员利用学习机学习不同环境中可见光光源的颜色特征，再利用训练的模型对光源的颜色进行预测。多光源间的干扰和环境光的干扰导致基于机器学习的光源颜色检测方法仅能达到弱学习机的效果，因此无法应用于实际的可见光通信解调程序中。在机器学习领域中，Adaboost算法是将弱学习机提升为强学习机的常用方法，但由于弱学习机本身的非线性映射能力弱，且多个弱学习机的训练复杂度较高，因此无法保证多光源可见光通信系统的颜色检测准确率和时间效率。深度神经网络则具有极强的非线性映射能力，但存在超参数难以确定、训练时间长的问题。

HSMIMO和LEADT是两个支持彩色可见光的MIMO通信解调算法，其中HSMIMO：输入多输出(MIMO)方案可以扩展基于发光二极管(LED)的可见光通信(VLC)系统的传输容量。MIMOVLC系统使用智能手机相机作为光接收器(Rx)从n*n红绿蓝(RGB)LED阵列接收MIMO信号是理想的。解码该信号的关键步骤是检测信号的方向。如果LED发射器(Tx)旋转，则Rx可能无法实现旋转，并且可能发生传输错误。HSMIMO换手机算法提出并论证了一种新的分层传输方案，该方案可以降低LED阵列VLC系统中旋转检测的计算复杂度，如图1所示。

LEADT：在非彩色视觉多输入多输出(visual MIMO)技术中，由于接收图像中的发光阵列(LEA)检测和跟踪错误，使得通信性能下降，这是因为摄像机中包含的图像传感器必须用作视觉MIMO系统中的接收机。为了提高检测的可靠性，LEADT算法首先建立了基于颜色空间的感兴趣区域(ROI)，在感兴趣区域中放置LEA，然后采用Harris角点检测方法。其次，当摄像机与LEA之间的相对位置发生变化时，通过预测LEA的最可能位置，利用Kalman滤波进行鲁棒跟踪。最后一步，利用透视投影对畸变图像进行校正，提高了符号判定的精度。详见下图，如图2所示。

上述现有的技术存在以下缺点：

1.多光源间的干扰和环境光的干扰导致基于机器学习的光源颜色检测方法仅能达到弱学习机的效果，因此无法应用于实际的可见光通信解调程序中。

2.在机器学习领域中，Adaboost算法是将弱学习机提升为强学习机的常用方法，但由于弱学习机本身的非线性映射能力弱，且多个弱学习机的训练复杂度较高，因此无法保证多光源可见光通信系统的颜色检测准确率和时间效率。

3.深度神经网络则具有极强的非线性映射能力，但存在超参数难以确定、训练时间长的问题。

4.HSMIMO和LEADT是两个支持彩色可见光的MIMO通信解调算法。

发明内容

为了提高机器学习的准确率和效率，本发明提出的一种基于自联想神经网络的可见光MIMO通信系统颜色检测方法，其将自联想神经网络运用于彩色可见光MIMO通信系统的解调程序中，以期获得较好的光源颜色检测性能，并实现对环境光的抗干扰能力。

为实现上述本发明目的，采用的技术方案如下：一种基于自联想神经网络的可见光MIMO通信系统颜色检测方法，所述方法包括以下步骤：

S1：采集目标区域的LED图像数据集，将LED图像数据集分为训练集、预测集；

S2：基于双三次插值法实现对LED图像的大小进行调整，将所有LED图像的分辨率调整为相同的大小；

S3：在自联想神经网络中间增加一个瓶颈层，并将自联想神经网络与主成分分析PCA结合，构建提取主成分的自联想神经网络；

S4：在步骤S3的基础上将自联想神经网络的映射层、瓶颈层和逆映射层分解为多个并行连接的子网络，完成构建并行自联想神经网络PAANN，实现并行自联想神经网络的非线性主成分分析；

S5：由于PAANN以神经网络结构为基础，搜索并确定神经网络的系数，将LED图像的训练集输入步骤S4得到的PAANN中，利用反向传播算法进行更新迭代训练PAANN，网络的输入为失真的像素强度；

S6：将LED图像测试集输入步骤S5的得到的PAANN，完成颜色检测。

本发明的有益效果如下：

本发明设计了自联想神经网络结构，系统地剪枝全连接神经网络的连接，对神经网络进行解耦处理，提高类别之间的不相关性。本发明设计的自联想神经网络的分类准确率高于多神经网络并行的结构(如自编码器)，而训练效率高于多神经网络级联的神经网络结构。将自联想神经网络运用于彩色可见光MIMO通信系统的解调程序中，以期获得较好的光源颜色检测性能，并实现对环境光的抗干扰能力。

附图说明

图1是现有技术HSMIMO算法实现检测的流程示意图。

图2是现有技术LEADT算法实现检测的流程示意图。

图3是实施例1所述的颜色检测方法的流程图。

图4是实施例1提取主成分的自联想神经网络结构示意图。

图5是实施例1并行自联想神经网络PAANN的结构示意图。

图6是实施例1所述的PAANN的网络分解、解耦合的示意图，其中(a)表示一个5层自联想神经网络结构，(b)表示将(a)网络分解的示意图，(c)表示网络解耦合。

图7是实施例1所述的搜索Leaky ReLU激活函数系数的流程图。

图8是实施例1对PAANN网络训练程序的流程图。

图9是实施例1实验方法获取目标区域的示意图。

图10是实施例1训练AANN神经网络红色通道的收敛曲线。

图11是实施例1训练AANN神经网络绿色通道的收敛曲线。

图12是实施例1训练AANN神经网络蓝色通道的收敛曲线。

图13是实施例1不同距离的平均SER结果。

图14是实施例1实验得到RGB中红色通道的ACA值。

图15是实施例1实验得到RGB中绿色通道的ACA值。

图16是实施例1实验得到RGB中蓝色通道的ACA值。

具体实施方式

下面结合附图和具体实施方式对本发明做详细描述。

实施例1

本实施例设计了基于自联想神经网络(Auto Associative neural network,AANN)的训练算法，通过AANN检测LED的颜色。本实施例的步骤流程框图，如图3所示。在可见光MIMO通信系统中，接收端预先知道发送端LED阵列光源的颜色数量(符号数量)，使用广义色移调制(Generalized Color Modulation,GCM)技术调制光源的颜色。环境光发生微小地变化即可能导致LED的标准颜色失真，为了学习不同环境的LED颜色信号，收集随机发送的颜色信号集训练AANN模型。训练后的模型包含了LED颜色失真的特征，能够预测当前环境的光源颜色。

本实施例提出的一种基于自联想神经网络的可见光MIMO通信系统颜色检测方法，所述方法包括以下步骤：

步骤S1：采集LED光源的图像

首先设定LED阵列的位置，再用摄像头采集目标区域的LED图像。使用MATLAB内部函数imfindcircles()检测LED光源的圆形，该函数具体有两个方法：PhaseCode和TwoStage，由于PhaseCode方法快于TwoStage方法，因此本实施例使用PhaseCode方法检测LED的圆形。

步骤S2：图像预处理

本实施例使用MATLAB的内部函数imresize()调整分离后LED图像的大小，该函数基于双三次插值法实现对图像大小的调整。考虑环境噪声的效应，将所有的LED图像调整为10×10的大小，作为AANN的输入集。本实施例实验中LED和摄像头的距离为30厘米，该距离拍摄的图像大小约为36×36像素。LED图像的大小依赖发送端(LED阵列)和接收端(摄像头)之间的距离，距离越远，LED图像越小，所以LED图像的分辨率为变化值。本实施例在预处理程序中将所有的LED图像调整为统一的10×10分辨率，能够降低系统的复杂度。

步骤S3：主成分分析PCA是一种经典的特征提取技术，自联想神经网络(Auto-Associative Neural Network,AANN)的训练速度和模型准确率较为均衡，因此将主成分分析PCA和自联想神经网络AANN结合，设计了基于AANN的主成分分析PCA提取模型。AANN的核心思想是在自联想神经网络中间增加一个瓶颈层(Bottleneck Layer)，该层的维度小于输入层和输出层，从而降低数据的维度。主要存在两种神经网络和PCA结合的方式：①使用一个多层网络提取所有的主成分，这种结构和自编码器类似；②使用一个网络序列依次提取主成分。方式①存在主成分对齐的问题，而方式②的中间次优网络可能影响后续网络的性能，导致总体神经网络的准确率降低。

本实施例所述将自联想神经网络和主成分分析的结合，具体如下：

设X为一个n×m的矩阵，元素x_ij表示第i个观察的第j个变量。线性PCA将X转化为线性不相关的变量，转化的方法为：

T＝XP(1)

式中T为主成分的得分矩阵，P为载荷矩阵。

非线性主成分分析(Nonlinear principal component analysis,NLPCA)将线性PCA的线性载荷向量替换为非线性函数，定义为下式：

式中G和H分别为映射函数和逆映射函数，

为重建数据。

非线性主成分分析NLPCA的目标是寻找最小化重建误差的函数G和函数H。一般通过两个神经网络分别学习映射函数和逆映射函数，但这种方法需要主成分的先验知识。采用自联想神经网络可解决该问题，其网络结构如图4所示。自联想网络用前两个变换逼近映射函数G，前两个变换定义为：

y_m＝a(xW₁+b₁)，t＝y_mW₂+b₂(3)

用最后两个变换逼近逆映射函数H，最后两个变换定义为：

式中x为X的行向量,y_m为维度h的映射向量，t为维度f的主成分向量，y_d为维度h的逆映射向量，

为重建数据。W和b分别为权重矩阵和偏差向量，a为非线性激活函数，本实施例所述的自联想神经网络采用Leaky ReLU激活函数。

对自联想神经网络与PCA结合后的神经网络进行训练，最小化以下的重建误差：

步骤S4：为了解决上述两种方式的问题，本实施例提出一种新的自联想神经网络，将网络分解为多个并行连接的子网络。本实施例将提出一个新的自联想神经网络结构，称为PAANN，如图5所示。将自联想神经网络AANN的映射层、瓶颈层和逆映射层分解，其结果为PAANN网络的结构，具体的：

网络分解：

考虑一个5层自联想神经网络的实例，假设共有两个主成分，假设h为偶数，分解为2个相等的平行层，将(3)(4)式分解为以下的方程组：

[y_m，1y_m，2]＝a(x[W_1，1W_1，2]+[b_1，1b_1，2])

网络解耦合：

将W_2,12,W_2,21,W_3,12和W_3,21的所有元素设为0，上述等式解耦为以下两个方程组，表示PAANN的两个子网络：

[y_m,1]＝a(xW_1,1+b_1,1)，t₁＝y_m,1W_2,11+b_2,1

[y_m,2]＝a(xW_1,2+b_1,2),t₂＝y_m,2W_2,22+b_2,2

上述的分解过程如图6所示。PAANN从分离的子网络提取主成分，实现并行自联想神经网络的非线性主成分分析。因此主成分之间的相关性小于并行方式①提取的主成分，主成分之间的相关性越小，重建误差则越小。PAANN实现了网络分离，所以解决了方式②的次优子网络问题。PAANN协作地训练每个子网络，一个AANN的解作为另一个AANN的起始点。PAANN经过少量的epoch即可获得最优解，其训练时间长于方式①，短于方式②。

步骤S5：由于PAANN以神经网络(Neural Networks,NN)结构为基础，NN模型首先需要决定激活函数的系数，本实施例将NN的训练和预测程序总结为两个阶段：搜索激活函数的系数和训练PAANN网络。第1阶段，设计了基于迭代的程序搜索激活函数的系数。第2阶段，使用收集的LED图像符号集训练PAANN，网络的输入为失真的像素强度。

第1阶段：搜索并确定激活函数的系数，如图7；

A1：首先搜索Leaky ReLU激活函数的系数，PAANN的权重设为随机值，RMSE_min设为255，a_C设为-0.1，RMSE_min表示最小的RMSE值，a_C表示Leaky ReLU激活函数的系数；

A2：输入像素值作为PAANN的输入，评估PAANN的最终输出，计算PAANN输出的RMSE，并和RMSE_min比较；

A3：如果RMSE低于RMSE_min，将RMSE_min设为当前的RMSE值，a_C系数的值按步长0.01递增；

A4：否则，结束程序，保存当前的a_C值和权重。

第2阶段：训练神经网络

在确定激活函数的系数之后，运行第2阶段的网络训练程序，第2阶段的训练程序如图8所示。将LED图像的训练集输入步骤S4得到的PAANN中，利用反向传播算法进行更新迭代训练PAANN，具体如下：

D1：首先保存激活函数的权重，设置初始化参数m＝1和RMSEmin＝255；变量preRMSEmin保存之前所有迭代的最小RMSE，检查RMSEmin是否发生变化；训练的初始化强度为1，即m＝1；

D2：计算训练数据集的RMSE，然后计算RMSEmin，如果RMSEmin减小，则保存当前迭代的权重集；

D3：运用反向传播算法更新每次迭代的权重，如果preRMSEmin和RMSEmin之间的差值小于0.001，则输入下一组像素值进行训练，迭代地运行训练程序；

D4：如果m大于100，则结束训练程序。

通过反向传播算法提高权重的性能：

式中E^C _i,2为反向传播算法的代价函数，其中t^C _i为第i个样本的目标值。

式中

和

为更新的权重，

和

为之前的权重，γ₂为学习率，B_tr为训练的样本总量，

和

分别表示

对

和

求偏导数。

训练程序将γ₂值设为10^-10，该阶段采用mini-batch训练，可以加快每个epoch的计算速度。

步骤S6：将LED图像测试集输入步骤S5的训练完成的PAANN，完成颜色检测。

实验和结果分析

1.实验环境和实验方法

图9所示是实验方法的示意图。

首先在一个黑暗的房间内，放置两个三脚架，三脚架分别固定一个智能手机和4个LED光源，光源的亮度支持人工调节。LED和智能手机的距离固定为30厘米，LED和智能手机的摄像头处于同一个水平面。采用光强计CL-200A测量环境光的亮度，采用WS2812B的(1×4)LED阵列作为光源。采用华为荣耀手机在低曝光度的设置下拍摄LED的图像，采集了5个环境光亮度的图像集，分别为565(lux),1150(lux),1450(lux),1950(lux),2450(lux)，共拍摄了5组图像数据，每个数据包含84个LED阵列图像。每个图像包含4个符号，为了度量误码率(Symbol Error Rate,SER)，在5个距离分别拍摄了包含100000个符号的视频。

采用MATLAB软件编程实现以上本实施例所述的基于自联想神经网络的可见光MIMO通信系统颜色检测方法。运行环境为Intel Core i7处理器，12GB内存，Windows 10操作系统。

2.神经网络的训练实验

实验采集了5组LED图像集，将每个数据集的70％作为训练集，10％作为验证集，20％作为测试集。划分验证集的目的是防止过拟合问题。图10、图11、图12所示是本发明神经网络训练程序和验证程序的RMSE收敛曲线，观察图中结果，RGB三个颜色通道的RMSE均随着epoch数量的增加而呈现明显的收敛趋势，图中验证RMSE的曲线和训练RMSE的曲线几乎同步的下降，反映了本发明神经网络并未出现过拟合的现象。综合三个颜色通道的收敛情况，将epoch数量设为1000。

3.模型的检测准确率实验

HSMIMO和LEADT是两个支持彩色可见光的MIMO通信解调算法，比较了3个彩色可见光解调算法的误码率(Symbol Error Rate,SER)指标，结果如图13所示。本发明所述的颜色检测方法在不同的传输距离均明显地好于HSMIMO和LEADT两个算法。本发明所述的颜色检测方法在传输距离30厘米-90厘米范围内，保持了较低的SER值，且不受距离变化的影响。当距离超过90厘米之后，多光源之间的干扰变得显著，导致SER值升高。

4.预测的准确率

采用平均相似(Average Closeness Accuracy,ACA)百分比评估颜色判断的准确率，ACA定义为：

统计了5种环境光亮度下ACA的平均值，如图14、图15、图16所示。LED在1450(lux)环境光的情况下ACA值最低，而在565(lux)和2450(lux)两种环境光下获得了较好的ACA值。本发明PAANN算法通过有效地训练，实现了最佳的抗环境光干扰的能力，在不同的环境光强度下，均实现了高于90％的ACA值。

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。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 (5)

1.一种基于自联想神经网络的可见光MIMO通信系统颜色检测方法，其特征在于：所述方法包括以下步骤：

S1：采集目标区域的LED图像数据集，将LED图像数据集分为训练集、预测集；

S2：基于双三次插值法实现对LED图像的大小进行调整，将所有LED图像的分辨率调整为相同的大小；

S3：在自联想神经网络中间增加一个瓶颈层，并将自联想神经网络与主成分分析PCA结合，构建提取主成分的自联想神经网络；

S4：在步骤S3的基础上将自联想神经网络的映射层、瓶颈层和逆映射层分解为多个并行连接的子网络，完成构建并行自联想神经网络PAANN，实现并行自联想神经网络的非线性主成分分析，；

S5：由于PAANN以神经网络结构为基础，搜索并确定神经网络的系数，将LED图像的训练集输入步骤S4得到的PAANN中，利用反向传播算法进行更新迭代训练PAANN，PAANN的输入为失真的像素强度；

S6：将LED图像测试集输入步骤S5的得到的PAANN，完成颜色检测。

2.根据权利要求1基于自联想神经网络的可见光MIMO通信系统颜色检测方法，其特征在于：步骤S3，所述将自联想神经网络与主成分分析PCA结合，具体如下：

设X为一个n×m的矩阵，元素x_ij表示第i个观察的第j个变量，线性PCA将X转化为线性不相关的变量，转化的方法为：

T＝XP (1)

式中T为主成分的得分矩阵，P为载荷矩阵；

利用非线性主成分分析将线性PCA的线性载荷向量替换为非线性函数，定义为下式：

式中G和H分别为映射函数和逆映射函数，

为重建数据；

非线性主成分分析的目标是寻找最小化重建误差的函数G和函数H，采用自联想神经网络可解决该问题，自联想神经网络用前两个变换逼近映射函数G，前两个变换定义为：

y_m＝a(xW₁+b₁)，t＝y_mW₂+b₂ (3)

用最后两个变换逼近逆映射函数H，最后两个变换定义为：

式中，x为X的行向量，y_m为维度h的映射向量，t为维度f的主成分向量，y_d为维度h的逆映射向量，

为重建数据；W和b分别为权重矩阵和偏差向量，a为非线性激活函数，所述的自联想神经网络采用Leaky ReLU激活函数

对自联想神经网络与PCA结合后的神经网络进行训练，最小化以下的重建误差：

3.根据权利要求2所述的基于自联想神经网络的可见光MIMO通信系统颜色检测方法，其特征在于：步骤S4，所述将自联想神经网络的映射层、瓶颈层和逆映射层分解为多个并行连接的子网络，具体的：

网络分解：

若自联想神经网络为5层，假设共有两个主成分，假设h为偶数，分解为2个相等的平行层，将(3)(4)式分解为以下的方程组：

[y_m,1y_m,2]＝a(x[W_1,1W_1,2]+[b_1,1b_1,2])

网络解耦合：

将W_2,12,W_2,21,W_3,12和W_3,21的所有元素设为0，上述等式解耦为以下两个方程组，表示PAANN的两个子网络：

[y_m,1]＝a(xW_1,1+b_1,1)，t₁＝y_m,1W_2,11+b_2,1

[y_m,2]＝a(xW_1,2+b_1,2),t₂＝y_m,2W_2,22+b_2,2

PAANN从分离的子网络提取主成分，实现并行自联想神经网络的非线性主成分分析。

4.根据权利要求3基于自联想神经网络的可见光MIMO通信系统颜色检测方法，其特征在于：步骤S5，所述的搜索并确定神经网络的系数，具体如下：

A1：首先搜索Leaky ReLU激活函数的系数，PAANN的权重设为随机值，RMSE_min设为255，a_C设为-0.1，RMSE_min表示最小的RMSE值，a_C表示Leaky ReLU激活函数的系数；

A2：输入像素值作为PAANN的输入，评估PAANN的最终输出，计算PAANN输出的RMSE，并和RMSE_min比较；

A3：如果RMSE低于RMSE_min，将RMSE_min设为当前的RMSE值，a_C系数的值按步长0.01递增；

A4：否则，结束程序，保存当前的a_C值和权重。

5.根据权利要求4基于自联想神经网络的可见光MIMO通信系统颜色检测方法，其特征在于：步骤S5，在确定激活函数的系数后，将LED图像的训练集输入步骤S4得到的PAANN中，利用反向传播算法进行更新迭代训练PAANN，具体如下：

D1：首先保存激活函数的权重，设置初始化参数m＝1和RMSEmin＝255；变量preRMSEmin保存之前所有迭代的最小RMSE，检查RMSEmin是否发生变化；训练的初始化强度为1，即m＝1；

D2：计算训练数据集的RMSE，然后计算RMSEmin，如果RMSEmin减小，则保存当前迭代的权重集；

D3：运用反向传播算法更新每次迭代的权重，如果preRMSEmin和RMSEmin之间的差值小于0.001，则输入下一组像素值进行训练，迭代地运行训练程序；

D4：如果m大于100，则结束训练程序。

Images