CN111525955A - 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统 - Google Patents

一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统 Download PDF

Info

Publication number
CN111525955A
CN111525955A CN202010287522.XA CN202010287522A CN111525955A CN 111525955 A CN111525955 A CN 111525955A CN 202010287522 A CN202010287522 A CN 202010287522A CN 111525955 A CN111525955 A CN 111525955A
Authority
CN
China
Prior art keywords
posterior
variance
regression
mean
matrix
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.)
Granted
Application number
CN202010287522.XA
Other languages
English (en)
Other versions
CN111525955B (zh
Inventor
苗圃
刘希
宋康
殷作亮
王新华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University
Original Assignee
Qingdao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University filed Critical Qingdao University
Priority to CN202010287522.XA priority Critical patent/CN111525955B/zh
Publication of CN111525955A publication Critical patent/CN111525955A/zh
Priority to ZA2021/02091A priority patent/ZA202102091B/en
Application granted granted Critical
Publication of CN111525955B publication Critical patent/CN111525955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • 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
    • H04B10/6972—Arrangements for reducing noise and distortion using passive filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Optical Communication System (AREA)

Abstract

本发明涉及一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统，方法包括从光电检测器处获取电域信号；以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器；利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号。本发明所提供得一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统，能够实现VLC系统复杂动态非线性与多径传输损伤的自适应的补偿，提高VLC系统的通信性能。

Description

一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统
技术领域
本发明涉及可见光通信领域，特别是涉及一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统。
背景技术
移动互联技术的快速发展和无线数据业务的倍增必将带来频谱需求的爆炸式增长，频谱供需矛盾将更加突出。可见光通信(Visible Light Communication，VLC)是应对频谱紧缺问题的一种有效解决方案。借助发光二极管(Light Emitting Diode，LED)的发光特性，VLC不仅具有无电磁干扰和绿色环保等优点，又兼具照明和通信的双重功能，在矿井、核电站、机舱和医院等电磁敏感环境，为传统射频通信提供一种有益的补充，具有非常广阔的应用前景。
强度调制直接检测(IM/DD)是VLC系统常用通信架构，主要包括发光器件，无线光链路和光电检测器件。信号收发过程可概述为：发送符号经过调制器后生成电域通信信号；利用电域通信信号幅度的变化对LED的发光强度进行调制，以实现信息电-光转换；光信号经过无线链路传输后到达接收端，在接收端被光电检测器(PD)所捕获，输出光电流信号，进而实现光-电的转换；然后将得到的电域信号进行解调，恢复出原始发送符号。
现有的VLC系统中存在许多问题，使得VLC系统的接收端的信号与原始信号相差甚远，以下为造成这种现象的原因：
照明器件特性非理想的问题：VLC系统中，有很多因素会引入非线性失真，LED、光电转换器(PD)、功率放大器(PA)等器件的非线性特性均会引入非线性失真。而LED是非线性失真的主要来源。主要由于LED的线性输入范围非常有限，信号的幅度过大，就会造成饱和失真；幅度过小，就会造成截止失真。另外，LED载流子密度响应和频率有关，宽带信号激励的LED呈现较为显著的记忆效应，导致LED的调制输出不仅由当前时刻输入信号决定，还取决于前几个时刻的信号。因此，照明器件非理想特性引入严重的非线性失真。
光通信链路的多径传输问题：在室内VLC系统中，通信信道的特性受到很多因素影响，如通信链路格局、路径损耗、多径色散产生的时延等。VLC信道具有显著的多径特性，光信号室内漫射传输时，高速通信易受多径影响，多径效应引起的码间干扰，降低信号传输质量与通信速率。
信道损伤均衡问题：VLC系统的信道损伤主要来自器件的非线性失真与传输信道的多径效应。通常情况下，可在VLC系统中可分别、独立地设计相应的均衡器以补偿非线性失真或抵抗多径衰落。但这样会造成的重复设计、资源浪费的结果。
发明内容
本发明的目的是提供一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统，能够实现VLC系统复杂动态非线性与多径传输损伤的自适应的补偿，提高VLC系统的通信性能。
为实现上述目的，本发明提供了如下方案：
一种基于稀疏贝叶斯学习的可见光通信的均衡方法，包括：
从光电检测器处获取电域信号；
以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器；
利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号。
可选的，所述以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器，具体包括：
根据Volterra级数的内核架构，生成回归矩阵；
根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差；
根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵；
根据更新后的回归矩阵，采用卡尔曼滤波迭代的方法，确定均衡模型系数；
根据所述均衡模型系数构建所述非线性均衡器。
可选的，其特征在于，所述根据Volterra级数的内核架构，生成回归矩阵，具体包括以下公式：
Figure BDA0002449097580000031
其中，
Figure BDA0002449097580000032
为P阶Volterra级数的输出，p≥2时，
Figure BDA0002449097580000033
Figure BDA0002449097580000034
为Kronecker乘积，
Figure BDA0002449097580000035
Figure BDA0002449097580000036
为Volterra内核矢量，hp中包含了按{k1,…,kp}顺序排列的hp(k1,…,kp)内核系数；
Figure BDA0002449097580000037
Figure BDA0002449097580000038
为待估计的Volterra内核参数，
Figure BDA0002449097580000039
为观测矢量，
Figure BDA00024490975800000310
为回归矩阵，
Figure BDA00024490975800000311
是系统噪声矢量，服从高斯分布
Figure BDA00024490975800000312
Figure BDA00024490975800000313
为系统噪声的方差。
可选的，所述根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差，具体包括以下公式：
Figure BDA00024490975800000314
Figure BDA00024490975800000315
为
Figure BDA00024490975800000316
的条件概率密度；
Figure BDA00024490975800000317
Pr(h；γ)为h的参数化先验分布，γ为超参数用于控制hp(k1,…,kp)的方差，γ＝[γ1,…,γM]T，h服从高斯分布
Figure BDA00024490975800000318
Γ＝diag(γ)是协方差矩阵；
Figure BDA00024490975800000319
Figure BDA00024490975800000320
为边缘密度函数，
Figure BDA00024490975800000321
为方差矩阵的逆矩阵，
Figure BDA00024490975800000322
Figure BDA00024490975800000323
为方差矩阵，
Figure BDA00024490975800000324
Figure BDA00024490975800000325
Figure BDA00024490975800000326
为h的后验概率密度；
Figure BDA00024490975800000327
μh为h的后验概率均值；
Figure BDA00024490975800000328
Σh为h的后验方差。
可选的，所述根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵，具体包括：
根据所述后验概率均值和所述后验方差确定超参数和系统噪声的方差；
采用稀疏贝叶斯学习更新超参数和系统噪声方差；
修剪更新后的超参数和回归矩阵；
根据修剪的超参数和修剪的回归矩阵确定当前的后验均值；
判断当前的后验均值和上一后验均值的差是否大于设定阈值；
若当前的后验均值和上一后验均值的差大于设定阈值，则继续更新后验均值和后验方差；
若当前的后验均值和上一后验均值的差小于或等于设定阈值，则根据当前后验均值对回归矩阵进行二次修剪，确定回归因子；
根据所述回归因子更新回归矩阵。
一种基于稀疏贝叶斯学习的可见光通信的均衡系统，包括：
电域信号获取模块，用于从光电检测器处获取电域信号；
非线性均衡器构建模块，用于以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器；
原始发送符号恢复模块，用于利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号。
可选的，所述非线性均衡器构建模块具体包括：
回归矩阵生成单元，用于根据Volterra级数的内核架构，生成回归矩阵；
后验概率均值与后验方差确定单元，用于根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差；
回归矩阵更新单元，用于根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵；
均衡模型系数确定单元，用于根据更新后的回归矩阵，采用卡尔曼滤波迭代的方法，确定均衡模型系数；
非线性均衡器构建单元，用于根据所述均衡模型系数构建所述非线性均衡器。
可选的，所述回归矩阵确定单元具体包括：
P阶Volterra级数的输出确定子单元，用于
Figure BDA0002449097580000051
其中，
Figure BDA0002449097580000052
为P阶Volterra级数的输出，p≥2时，
Figure BDA0002449097580000053
Figure BDA0002449097580000054
为Kronecker乘积，
Figure BDA0002449097580000055
为Volterra内核矢量，hp中包含了按(k1,…,kp)顺序排列的hp(k1,…,kp)内核系数；
观测矢量确定子单元，用于
Figure BDA0002449097580000056
Figure BDA0002449097580000057
为待估计的Volterra内核参数，
Figure BDA0002449097580000058
为观测矢量，
Figure BDA0002449097580000059
为回归矩阵，
Figure BDA00024490975800000510
是系统噪声矢量，服从高斯分布
Figure BDA00024490975800000511
Figure BDA00024490975800000512
为系统噪声的方差。
可选的，所述后验概率均值与后验方差确定单元具体包括：
Figure BDA00024490975800000513
的条件概率密度确定子单元，用于
Figure BDA00024490975800000514
Figure BDA00024490975800000515
为
Figure BDA00024490975800000516
的条件概率密度；
h的参数化先验分布确定子单元，用于
Figure BDA00024490975800000517
Pr(h；γ)为h的参数化先验分布，γ为超参数用于控制hp(k1,…,kp)的方差，γ＝[γ1,…,γM]T，h服从高斯分布
Figure BDA00024490975800000518
Γ＝diag(γ)是协方差矩阵；
Figure BDA00024490975800000519
确定子单元，用于
Figure BDA00024490975800000520
Figure BDA00024490975800000521
为边缘密度函数，
Figure BDA00024490975800000522
为方差矩阵的逆矩阵，
Figure BDA00024490975800000523
Figure BDA00024490975800000524
为方差矩阵，
Figure BDA00024490975800000525
后验概率密度确定子单元，用于
Figure BDA00024490975800000526
Figure BDA00024490975800000527
为h的后验概率密度；
后验概率均值确定子单元，用于
Figure BDA00024490975800000528
μh为h的后验概率均值；
后验方差确定子单元，用于
Figure BDA00024490975800000529
Σh为h的后验方差。
可选的，所述回归矩阵更新单元具体包括：
超参数和系统噪声的方差确定子单元，用于根据所述后验概率均值和所述后验方差确定超参数和系统噪声的方差；
超参数和系统噪声方差更新子单元，用于采用稀疏贝叶斯学习更新超参数和系统噪声方差；
第一修剪子单元，用于修剪更新后的超参数和回归矩阵；
当前的后验均值确定子单元，用于根据修剪的超参数和修剪的回归矩阵确定当前的后验均值；
判断单元，用于判断当前的后验均值和上一后验均值的差是否大于设定阈值；
后验均值和后验方差更新子单元，用于若当前的后验均值和上一后验均值的差大于设定阈值，则继续更新后验均值和后验方差；
回归因子确定子单元，用于若当前的后验均值和上一后验均值的差小于或等于设定阈值，则根据当前后验均值对回归矩阵进行二次修剪，确定回归因子；
回归矩阵更新子单元，用于根据所述回归因子更新回归矩阵。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统，以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器，明显改善了记忆非线性和多径干扰环境下的VLC系统传输能力，提高系统抗噪声性能，系统稳定性好，对训练样本集长度的变化具有较强的鲁棒性，使用非常少的均衡系数却能提供较为优异的均衡质量，且能同时够维持较为优异的整体综合性能，进而能够实现VLC系统复杂动态非线性与多径传输损伤的自适应的补偿，提高VLC系统的通信性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于稀疏贝叶斯学习的可见光通信的均衡方法流程示意图；
图2为LOS信道下收发信号的幅度特性对比示意图；
图3为NLOS信道下的收发信号幅度特性对比示意图；
图4为LOS信道下三种方法的均衡性能对比示意图；
图5为NLOS信道下三种方法的均衡性能对比示意图；
图6为LOS信道小样本下所发明方法的综合性能示意图；
图7为NLOS信道下小样本下所发明方法的综合性能示意图；
图8为本发明所提供的一种基于稀疏贝叶斯学习的可见光通信的均衡系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统，能够实现VLC系统复杂动态非线性与多径传输损伤的自适应的补偿，提高VLC系统的通信性能。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于稀疏贝叶斯学习的可见光通信的均衡方法流程示意图，如图1所示，本发明所提供的一种基于稀疏贝叶斯学习的可见光通信的均衡方法，包括：
S101，从光电检测器处获取电域信号y(n)。为了提高信号处理的速率和准确性，进一步，从电域信号中提取导频信号，并对导频信号进行预处理。
S102，以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器。
根据Volterra级数的内核架构，生成回归矩阵。
Figure BDA0002449097580000081
其中，
Figure BDA0002449097580000082
为P阶Volterra级数的输出，p≥2时，
Figure BDA0002449097580000083
Figure BDA0002449097580000084
为Kronecker乘积，
Figure BDA0002449097580000085
Figure BDA0002449097580000086
为Volterra内核矢量，hp中包含了按{k1,…,kp}顺序排列的hp(k1,…,kp)内核系数。
Figure BDA0002449097580000087
的推导过程为：
Figure BDA0002449097580000088
其中，设记忆深度为L，非线性阶数为P，接收信号y(n)经过同步处理后，取截断序列y1(n)＝[y(n),…,y(n-L+1)]T。对于P阶Volterra级数的输出
Figure BDA0002449097580000089
可表示为p(p＝1,…,P)阶内核输出结果Hp[y1(n)]的和值。hp(k1,…,kp)为p阶Volterra内核，
Figure BDA00024490975800000810
为对应的回归因子，v(n)为系统噪声，可建模为加性高斯白噪声。
当p≥2时，令
Figure BDA00024490975800000811
其中，
Figure BDA00024490975800000812
为Kronecker乘积，
Figure BDA00024490975800000813
进而得到
Figure BDA00024490975800000814
Figure BDA00024490975800000815
Figure BDA00024490975800000816
为待估计的Volterra内核参数，
Figure BDA00024490975800000817
为观测矢量，
Figure BDA00024490975800000818
为回归矩阵，
Figure BDA00024490975800000819
是系统噪声矢量，服从高斯分布
Figure BDA00024490975800000820
Figure BDA00024490975800000821
为系统噪声的方差。
根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差。
Figure BDA00024490975800000822
Figure BDA00024490975800000823
为
Figure BDA00024490975800000824
的条件概率密度。
Figure BDA00024490975800000825
Pr(h；γ)为h的参数化先验分布，γ为超参数用于控制hp(k1,…,kp)的方差，γ＝[γ1,…,γM]T，h服从高斯分布
Figure BDA00024490975800000826
Γ＝diag(γ)是协方差矩阵。
Figure BDA0002449097580000091
Figure BDA0002449097580000092
为边缘密度函数，
Figure BDA0002449097580000093
为方差矩阵的逆矩阵，
Figure BDA0002449097580000094
Figure BDA0002449097580000095
为方差矩阵，
Figure BDA0002449097580000096
Figure BDA0002449097580000097
Figure BDA0002449097580000098
为h的后验概率密度。
Figure BDA0002449097580000099
μh为h的后验概率均值。
Figure BDA00024490975800000910
Σh为h的后验方差。
只要γ和
Figure BDA00024490975800000911
确定后，那么输出结果μh和Σh就可以精确地计算出来，取
Figure BDA00024490975800000912
将
Figure BDA00024490975800000913
对γ取偏导数
Figure BDA00024490975800000914
确定γ，其中γ的第i个分量为
Figure BDA00024490975800000915
同样的，
Figure BDA00024490975800000916
根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵。
根据所述后验概率均值和所述后验方差确定超参数和系统噪声的方差。
采用稀疏贝叶斯学习更新超参数
Figure BDA00024490975800000917
和系统噪声方差
Figure BDA00024490975800000918
即将不合适的超参数从γ中剔除，选择新的超参数为γnew＝γ(Ω0)。其中，Ω0＝{m:γm＞γmin}为索引子集。γmin为设定阈值，用于控制γ的修剪过程。同时，修剪回归矩阵为：Yp＝Y(Ω0)。
修剪更新后的超参数和回归矩阵。
根据修剪的超参数和修剪的回归矩阵确定当前的后验均值。
判断当前的后验均值和上一后验均值的差是否大于设定阈值。
若当前的后验均值和上一后验均值的差大于设定阈值，则继续更新后验均值和后验方差。
若当前的后验均值和上一后验均值的差小于或等于设定阈值，则根据当前后验均值对回归矩阵进行二次修剪，确定回归因子。二次修剪的步骤如下：
将|μh|按照降序排列，得到对应的索引集和为Ω1；
根据设定阈值的容限ζ，从Ω1取出Ω2＝{m:|μh(m)|＞ζ}，Ω2长度为Ma＝||Ω2||0；
从Yp对应的Ω2列里面取出回归因子Ynew＝Yp(Ω2)
根据所述回归因子更新回归矩阵。
根据更新后的回归矩阵Ynew，采用卡尔曼滤波迭代的方法，确定均衡模型系数。
设
Figure BDA0002449097580000101
是h的瞬时变量，在状态d，
Figure BDA0002449097580000102
可以由前一时刻的状态预测：
Figure BDA0002449097580000103
其中，A为状态转移矩阵，
Figure BDA0002449097580000104
是过程噪声，其方差为Q。那么，预测协方差可计算为：P(d)＝P(d-1)+Q。
设
Figure BDA0002449097580000105
是Ynew的第d行向量，可求出卡尔曼增益为：
Figure BDA0002449097580000106
更新状态：
Figure BDA0002449097580000107
并更新预测协方差：P(d)＝P(d)-kalyTP(d)经过N次迭代后，可得到Ω2位置处的模型系数为：
Figure BDA0002449097580000108
根据所述均衡模型系数构建所述非线性均衡器。
S103，利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号。
本发明所提供的一种基于稀疏贝叶斯学习的可见光通信的均衡方法应用到具体的实施例中分别对不同的均衡方法达到的线性化能力、均衡精度、均衡系数总量、计算复杂度、均衡信号功率谱边带电平与解调性能进行对比。其中，取带宽为125MHz、循环前缀长度为32的OFDM信号作为训练样本，根据IEEE802.15.7r1的IM/DD参考信道，取一条直射(LOS)链路与一条散射(NLOS)链路作为测试信道，其中NLOS链路的RMS时延扩展为8.9ns。LED的3-dB带宽为20MHz，归一化直流偏置点为0.4。设置Volterra级数的记忆深度L＝5，非线性阶数P＝4。另外，在不同信道噪声污染下，取IM/DD信道的接收信号，与原始发射信号组成训练集{x(n),y(n)}。
(1)线性化能力
在LOS信道下，取训练集{x(n),y(n)}的长度为N＝250，y(n)经过非线性均衡器后得到均衡信号
Figure BDA0002449097580000111
以x(n)的幅度值为参考，对比y(n)的幅度特性(AM-AM)如图2所示。由y(n)的幅度的发散特性可以看出，原始信号经历了较为严重的无记忆非线性和记忆非线性失真。而均衡后的信号
Figure BDA0002449097580000112
与原始发送信号x(n)则具有保持着较好的线性关系，表明本发明方法下的非线性均衡器能够较好地抑制IM/DD信道的非线性损伤。
保持训练样本集长度不变，在NLOS信道下，得到对应的AM-AM特性曲线如图3所示。在多径信道环境下，y(n)不仅含有非线性失真的污染，而且还夹杂着较为严重的多径干扰。可以看出，在非线性失真和多径干扰的共同作用下，虽然
Figure BDA0002449097580000113
与x(n)的幅度关系曲线要比图3中的曲线要有所发散，但是，两者仍然表现出较为显著的线性关系。因此，可以说明本发明方法构造的非线性均衡器能够有效地纠正VLC系统中的LED非线性特性与光传播链路多径干扰带来的信道损伤。另外，在本发明方法作用下，允许发射端使用较大的直流偏置点以提高LED的发光效率，可将LED的线性调制范围进一步扩大。
(2)均衡精度
非线性均衡器对接收信号y(n)进行信道损伤补偿后得到均衡后的信号
Figure BDA0002449097580000114
最终目的是使
Figure BDA0002449097580000115
能够尽可能地接近原始发送信号x(n)。因此，取x(n)与
Figure BDA0002449097580000116
的归一化均方误差(NMSE)作为衡量本发明方法构造的均衡器均衡精度评价指标，计算如下：
Figure BDA0002449097580000117
在下述仿真中，取验证样本集的长度为62400。另外，为了更公平地对比非线性均衡器在LOS和NLOS信道中的均衡性能，我们保持Volterra级数的记忆深度L＝5、非线性阶数P＝4的取值不变。同时，为了更好地展示本发明方法的性能优势，将传统的最小均方(LS)、正交匹配追踪(OMP)方案的所构造的均衡器的NMSE性能一并列出对比。
在LOS信道中，不同训练样本长度下，三种方法的NMSE性能对比如图4所示。整体上来看，三种方法的NMSE曲线随着训练样本长度增大而逐渐趋于稳定，LS的性能最差。OMP与所发明方法在大样本情况下，性能趋于一致。但是，OMP方法波动较为严重，说明其均衡精度对数据量的变化较为敏感。相比而言，本发明方法构造的非线性均衡器均衡精度非常稳定，而且在小样本集情况下，依然具有较好的性能输出。比如，在N＝150时候，所发明方法的NMSE为-31.6dB；而OMP的NMSE则为-12.68dB，表明了在小样本情况下OMP的均衡精度非常差，而本发明方法的均衡性依然非常优异。另外，对于相同的NMSE指标，比如，OMP需要600个训练样本才能满足NMSE＝-30dB的指标要求；而本发明方法仅仅需要100个训练样本点即可满足NMSE＝-30dB的指标要求，可以将训练开销足足降低了6倍。因此，本发明方法不仅具有较优异且稳定的均衡精度，而且在训练样本数量较少情况下依然可以有效地工作，极大地降低了均衡器训练开销。
另外，在NLOS信道中，三种方法的NMSE性能对比如图5所示。可以得到与图4类似的结论。总的来说，在NLOS信道中，本发明方法依然具有最为稳定的NMSE；在同一NMSE指标要求下，本发明方法且具有最小的训练成本开销。虽然在NLOS信道中三种方法的NMSE性能均有一定的损失，但是所发明方法的性能损失最小，且依然能够达到NMSE＝-30dB的性能目标。
(3)均衡系数总量、计算复杂度、均衡信号功率谱边带电平与解调性能
由前面结果可知，三种方法下的均衡精度不同。同样地，三种方法下所使用的均衡系数总量、计算复杂度、均衡后信号的功率谱边带电平与解调性能也截然不同。在Volterra级数记忆深度L＝5、非线性阶数P＝4时，原始均衡系数总额为780个。不同的方法则会从780个均衡系数里面抽取不同数量的内核组成所需的非线性均衡抽头。抽头数目越少，代表着所设计的非线性均衡器的硬件复杂度越小。因此，我们使用内核利用率来衡量不用均衡方法的均衡系数总量，从而衡量硬件资源开销。在同样一组样本下，计算复杂度则使用估计出均衡系数的算法运行时间来衡量，运行时间越少，说明算法收敛速度越快，有利于实时系统的部署运行。在一定程度上，均衡后信号的功率谱边带电平可反映均衡器均衡质量，可使用相邻信道功率比(ACPR)指标来衡量功率谱边带电平情况。而均衡后信号的解调性能则最终影响着VLC系统通信质量，可采用误差矢量幅度(EVM)指标来衡量。需要说明的是，无论在LOS还是NLOS信道中，LS方法的NMSE非常差，已经无法满足系统正常通信要求，因此，在均衡系数总量、计算复杂度、均衡信号功率谱边带电平与解调性能对比分析中，LS方法的相关性能就不予在此展示。
取N＝150，在LOS信道下，OMP与所发明方法的综合性能对比如图6所示。总的来说，OMP与本发明方法具有非常近似的内核利用率和算法运行时间。但是，虽然OMP方法的均衡系数总量得到了降低，但是却以牺牲了NMSE、ACPR和EVM性能为代价来换取均衡器硬件资源的降低。然而，本发明方法不仅具更低的内核利用率，而且还有比OMP方法更为优异的NMSE、ACPR和EVM性能，表明了本发明方法使用更少的均衡系数，即更小的硬件资源开销，已足以满足后续信号解调需求，同时能够更好地兼顾系统整体性能。另外，本发明方法的均衡系数估计时间稍微长于OMP方法，但依然满足不大于10秒的运行时间需求。因此，综上所述，本发明方法有利于节省硬件资源，比OMP方法允许使用更少的均衡系数，且能够同时维持较好的NMSE、ACPR和EVM性能。
取N＝150，在NLOS信道下，OMP与本发明方法的综合性能对比如图7所示。可以看出，在多径信道环境下，本发明方法依然具有比OMP方法优异的整体性能。说明本发明方法同时具有较强的非线性失真抑制能力和抗多径干扰能力。
图8为本发明所提供的一种基于稀疏贝叶斯学习的可见光通信的均衡系统结构示意图，如图8所示，本发明所提供的一种基于稀疏贝叶斯学习的可见光通信的均衡系统，包括：电域信号获取模块801、非线性均衡器构建模块802和原始发送符号恢复模块803。
电域信号获取模块801用于从光电检测器处获取电域信号。
非线性均衡器构建模块802用于以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器。
原始发送符号恢复模块803用于利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号。
所述非线性均衡器构建模块802具体包括：回归矩阵生成单元、验概率均值与后验方差确定单元、回归矩阵更新单元、均衡模型系数确定单元和非线性均衡器构建单元。
回归矩阵生成单元用于根据Volterra级数的内核架构，生成回归矩阵。
后验概率均值与后验方差确定单元用于根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差。
回归矩阵更新单元用于根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵。
均衡模型系数确定单元用于根据更新后的回归矩阵，采用卡尔曼滤波迭代的方法，确定均衡模型系数。
非线性均衡器构建单元用于根据所述均衡模型系数构建所述非线性均衡器。
所述回归矩阵确定单元具体包括：P阶Volterra级数的输出确定子单元和观测矢量确定子单元。
P阶Volterra级数的输出确定子单元用于
Figure BDA0002449097580000141
其中，
Figure BDA0002449097580000142
为P阶Volterra级数的输出，p≥2时，
Figure BDA0002449097580000143
Figure BDA0002449097580000144
为Kronecker乘积，
Figure BDA0002449097580000145
为Volterra内核矢量，hp中包含了按(k1,…,kp)顺序排列的hp(k1,…,kp)内核系数。
观测矢量确定子单元用于
Figure BDA0002449097580000146
Figure BDA0002449097580000147
为待估计的Volterra内核参数，
Figure BDA0002449097580000148
为观测矢量，
Figure BDA0002449097580000149
为回归矩阵，
Figure BDA00024490975800001410
是系统噪声矢量，服从高斯分布
Figure BDA00024490975800001411
Figure BDA00024490975800001412
为系统噪声的方差。
所述后验概率均值与后验方差确定单元具体包括：
Figure BDA00024490975800001413
的条件概率密度确定子单元、h的参数化先验分布确定子单元、
Figure BDA00024490975800001414
确定子单元、后验概率密度确定子单元后验概率均值确定子单元和后验方差确定子单元。
Figure BDA00024490975800001415
的条件概率密度确定子单元用于
Figure BDA00024490975800001416
Figure BDA00024490975800001417
为
Figure BDA00024490975800001418
的条件概率密度。
h的参数化先验分布确定子单元用于
Figure BDA00024490975800001419
Pr(h；γ)为h的参数化先验分布，γ为超参数用于控制hp(k1,…,kp)的方差，γ＝[γ1,…,γM]T，h服从高斯分布
Figure BDA00024490975800001420
Γ＝diag(γ)是协方差矩阵。
Figure BDA0002449097580000151
确定子单元用于
Figure BDA0002449097580000152
Figure BDA0002449097580000153
为边缘密度函数，
Figure BDA0002449097580000154
为方差矩阵的逆矩阵，
Figure BDA0002449097580000155
Figure BDA0002449097580000156
为方差矩阵，
Figure BDA0002449097580000157
后验概率密度确定子单元用于
Figure BDA0002449097580000158
Figure BDA0002449097580000159
为h的后验概率密度。
后验概率均值确定子单元用于
Figure BDA00024490975800001510
μh为h的后验概率均值；
后验方差确定子单元用于
Figure BDA00024490975800001511
Σh为h的后验方差。
所述回归矩阵更新单元具体包括：超参数和系统噪声的方差确定子单元、超参数和系统噪声方差更新子单元、第一修剪子单元、当前的后验均值确定子单元、判断单元、后验均值和后验方差更新子单元、回归因子确定子单元和回归矩阵更新子单元。
超参数和系统噪声的方差确定子单元用于根据所述后验概率均值和所述后验方差确定超参数和系统噪声的方差。
超参数和系统噪声方差更新子单元用于采用稀疏贝叶斯学习更新超参数和系统噪声方差。
第一修剪子单元用于修剪更新后的超参数和回归矩阵。
当前的后验均值确定子单元用于根据修剪的超参数和修剪的回归矩阵确定当前的后验均值。
判断单元用于判断当前的后验均值和上一后验均值的差是否大于设定阈值。
后验均值和后验方差更新子单元用于若当前的后验均值和上一后验均值的差大于设定阈值，则继续更新后验均值和后验方差。
回归因子确定子单元用于若当前的后验均值和上一后验均值的差小于或等于设定阈值，则根据当前后验均值对回归矩阵进行二次修剪，确定回归因子。
回归矩阵更新子单元用于根据所述回归因子更新回归矩阵。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于稀疏贝叶斯学习的可见光通信的均衡方法，其特征在于，包括：
从光电检测器处获取电域信号；
以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器；
利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号。
2.根据权利要求1所述的一种基于稀疏贝叶斯学习的可见光通信的均衡方法，其特征在于，所述以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器，具体包括：
根据Volterra级数的内核架构，生成回归矩阵；
根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差；
根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵；
根据更新后的回归矩阵，采用卡尔曼滤波迭代的方法，确定均衡模型系数；
根据所述均衡模型系数构建所述非线性均衡器。
3.根据权利要求2所述的一种基于稀疏贝叶斯学习的可见光通信的均衡方法，其特征在于，所述根据Volterra级数的内核架构，生成回归矩阵，具体包括以下公式：
Figure FDA0002449097570000011
其中，
Figure FDA0002449097570000012
为P阶Volterra级数的输出，p≥2时，
Figure FDA0002449097570000013
Figure FDA0002449097570000014
为Kronecker乘积，
Figure FDA0002449097570000015
Figure FDA0002449097570000016
为Volterra内核矢量，hp中包含了按(k1,…,kp)顺序排列的hp(k1,…,kp)内核系数；
Figure FDA0002449097570000017
Figure FDA0002449097570000018
为待估计的Volterra内核参数，
Figure FDA0002449097570000019
为观测矢量，
Figure FDA00024490975700000110
为回归矩阵，
Figure FDA00024490975700000111
是系统噪声矢量，服从高斯分布
Figure FDA00024490975700000112
Figure FDA00024490975700000113
为系统噪声的方差。
4.根据权利要求3所述的一种基于稀疏贝叶斯学习的可见光通信的均衡方法，其特征在于，所述根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差，具体包括以下公式：
Figure FDA0002449097570000021
Figure FDA0002449097570000022
为
Figure FDA0002449097570000023
的条件概率密度；
Figure FDA0002449097570000024
Pr(h；γ)为h的参数化先验分布，γ为超参数用于控制hp(k1,…,kp)的方差，γ＝[γ1,…,γM]T，h服从高斯分布
Figure FDA0002449097570000025
Γ＝diag(γ)是协方差矩阵；
Figure FDA0002449097570000026
Figure FDA0002449097570000027
为边缘密度函数，
Figure FDA0002449097570000028
为方差矩阵的逆矩阵，
Figure FDA0002449097570000029
Figure FDA00024490975700000210
为方差矩阵，
Figure FDA00024490975700000211
Figure FDA00024490975700000212
Figure FDA00024490975700000213
为h的后验概率密度；
Figure FDA00024490975700000214
μh为h的后验概率均值；
Figure FDA00024490975700000215
Σh为h的后验方差。
5.根据权利要求4所述的一种基于稀疏贝叶斯学习的可见光通信的均衡方法，其特征在于，所述根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵，具体包括：
根据所述后验概率均值和所述后验方差确定超参数和系统噪声的方差；
采用稀疏贝叶斯学习更新超参数和系统噪声方差；
修剪更新后的超参数和回归矩阵；
根据修剪的超参数和修剪的回归矩阵确定当前的后验均值；
判断当前的后验均值和上一后验均值的差是否大于设定阈值；
若当前的后验均值和上一后验均值的差大于设定阈值，则继续更新后验均值和后验方差；
若当前的后验均值和上一后验均值的差小于或等于设定阈值，则根据当前后验均值对回归矩阵进行二次修剪，确定回归因子；
根据所述回归因子更新回归矩阵。
6.一种基于稀疏贝叶斯学习的可见光通信的均衡系统，其特征在于，包括：
电域信号获取模块，用于从光电检测器处获取电域信号；
非线性均衡器构建模块，用于以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器；
原始发送符号恢复模块，用于利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号。
7.根据权利要求6所述的一种基于稀疏贝叶斯学习的可见光通信的均衡系统，其特征在于，所述非线性均衡器构建模块具体包括：
回归矩阵生成单元，用于根据Volterra级数的内核架构，生成回归矩阵；
后验概率均值与后验方差确定单元，用于根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差；
回归矩阵更新单元，用于根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵；
均衡模型系数确定单元，用于根据更新后的回归矩阵，采用卡尔曼滤波迭代的方法，确定均衡模型系数；
非线性均衡器构建单元，用于根据所述均衡模型系数构建所述非线性均衡器。
8.根据权利要求7所述的一种基于稀疏贝叶斯学习的可见光通信的均衡系统，其特征在于，所述回归矩阵确定单元具体包括：
P阶Volterra级数的输出确定子单元，用于
Figure FDA0002449097570000031
其中，
Figure FDA0002449097570000032
为P阶Volterra级数的输出，p≥2时，
Figure FDA0002449097570000033
Figure FDA0002449097570000034
为Kronecker乘积，
Figure FDA0002449097570000035
Figure FDA0002449097570000036
为Volterra内核矢量，hp中包含了按(k1,…,kp)顺序排列的hp(k1,…,kp)内核系数；
观测矢量确定子单元，用于
Figure FDA0002449097570000037
Figure FDA0002449097570000038
为待估计的Volterra内核参数，
Figure FDA0002449097570000041
为观测矢量，
Figure FDA0002449097570000042
为回归矩阵，
Figure FDA0002449097570000043
是系统噪声矢量，服从高斯分布
Figure FDA0002449097570000044
Figure FDA0002449097570000045
为系统噪声的方差。
9.根据权利要求8所述的一种基于稀疏贝叶斯学习的可见光通信的均衡系统，其特征在于，所述后验概率均值与后验方差确定单元具体包括：
Figure FDA0002449097570000046
的条件概率密度确定子单元，用于
Figure FDA0002449097570000047
Figure FDA0002449097570000048
为
Figure FDA0002449097570000049
的条件概率密度；
h的参数化先验分布确定子单元，用于
Figure FDA00024490975700000410
Pr(h；γ)为h的参数化先验分布，γ为超参数用于控制hp(k1,…,kp)的方差，γ＝[γ1,…,γM]T，h服从高斯分布
Figure FDA00024490975700000411
Γ＝diag(γ)是协方差矩阵；
Figure FDA00024490975700000412
确定子单元，用于
Figure FDA00024490975700000413
Figure FDA00024490975700000414
为边缘密度函数，
Figure FDA00024490975700000415
为方差矩阵的逆矩阵，
Figure FDA00024490975700000416
Figure FDA00024490975700000417
为方差矩阵，
Figure FDA00024490975700000418
后验概率密度确定子单元，用于
Figure FDA00024490975700000419
Figure FDA00024490975700000420
为h的后验概率密度；
后验概率均值确定子单元，用于
Figure FDA00024490975700000421
μh为h的后验概率均值；
后验方差确定子单元，用于
Figure FDA00024490975700000422
Σh为h的后验方差。
10.根据权利要求9所述的一种基于稀疏贝叶斯学习的可见光通信的均衡系统，其特征在于，所述回归矩阵更新单元具体包括：
超参数和系统噪声的方差确定子单元，用于根据所述后验概率均值和所述后验方差确定超参数和系统噪声的方差；
超参数和系统噪声方差更新子单元，用于采用稀疏贝叶斯学习更新超参数和系统噪声方差；
第一修剪子单元，用于修剪更新后的超参数和回归矩阵；
当前的后验均值确定子单元，用于根据修剪的超参数和修剪的回归矩阵确定当前的后验均值；
判断单元，用于判断当前的后验均值和上一后验均值的差是否大于设定阈值；
后验均值和后验方差更新子单元，用于若当前的后验均值和上一后验均值的差大于设定阈值，则继续更新后验均值和后验方差；
回归因子确定子单元，用于若当前的后验均值和上一后验均值的差小于或等于设定阈值，则根据当前后验均值对回归矩阵进行二次修剪，确定回归因子；
回归矩阵更新子单元，用于根据所述回归因子更新回归矩阵。
CN202010287522.XA 2020-04-13 2020-04-13 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统 Active CN111525955B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010287522.XA CN111525955B (zh) 2020-04-13 2020-04-13 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统
ZA2021/02091A ZA202102091B (en) 2020-04-13 2021-03-29 Method and system for equalizing in visible light communication based on sparse bayesian learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010287522.XA CN111525955B (zh) 2020-04-13 2020-04-13 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统

Publications (2)

Publication Number Publication Date
CN111525955A true CN111525955A (zh) 2020-08-11
CN111525955B CN111525955B (zh) 2022-08-02

Family

ID=71903418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010287522.XA Active CN111525955B (zh) 2020-04-13 2020-04-13 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统

Country Status (2)

Country Link
CN (1) CN111525955B (zh)
ZA (1) ZA202102091B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257795A (zh) * 2020-10-28 2021-01-22 重庆邮电大学 一种基于朴素贝叶斯的空间光通信系统非线性补偿方法
CN112737682A (zh) * 2020-12-31 2021-04-30 华南师范大学 Led非线性失真补偿方法、装置及可见光通信系统
CN113128705A (zh) * 2021-03-24 2021-07-16 北京科技大学顺德研究生院 一种智能体最优策略获取方法及装置
CN116015458A (zh) * 2022-12-12 2023-04-25 北京理工大学 一种针对随机特性的贝叶斯神经网络非线性均衡方法
CN116015509A (zh) * 2022-12-27 2023-04-25 华中科技大学 一种应用于DML/DD系统的Volterra滤波器建立方法、装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109194596A (zh) * 2018-10-15 2019-01-11 哈尔滨工程大学 一种基于稀疏贝叶斯学习的水声ofdm时变信道估计方法
CN110161499A (zh) * 2019-05-09 2019-08-23 东南大学 改进的稀疏贝叶斯学习isar成像散射系数估计方法
CN110457854A (zh) * 2019-08-21 2019-11-15 青岛大学 支撑集修正近似消息传递的Volterra数字预失真参数辨识方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109194596A (zh) * 2018-10-15 2019-01-11 哈尔滨工程大学 一种基于稀疏贝叶斯学习的水声ofdm时变信道估计方法
CN110161499A (zh) * 2019-05-09 2019-08-23 东南大学 改进的稀疏贝叶斯学习isar成像散射系数估计方法
CN110457854A (zh) * 2019-08-21 2019-11-15 青岛大学 支撑集修正近似消息传递的Volterra数字预失真参数辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
P. MIAO: "Kernels pruning for Volterra digital predistortion using sparse Bayesian learning", 《IEEE》, 25 December 2019 (2019-12-25) *
董作霖等: "基于稀疏贝叶斯学习的可见光通信系统中LED非线性补偿技术", 《电视技术》, no. 02, 5 February 2018 (2018-02-05) *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257795A (zh) * 2020-10-28 2021-01-22 重庆邮电大学 一种基于朴素贝叶斯的空间光通信系统非线性补偿方法
CN112257795B (zh) * 2020-10-28 2022-10-18 重庆邮电大学 一种基于朴素贝叶斯的空间光通信系统非线性补偿方法
CN112737682A (zh) * 2020-12-31 2021-04-30 华南师范大学 Led非线性失真补偿方法、装置及可见光通信系统
CN112737682B (zh) * 2020-12-31 2022-02-18 华南师范大学 Led非线性失真补偿方法、装置及可见光通信系统
CN113128705A (zh) * 2021-03-24 2021-07-16 北京科技大学顺德研究生院 一种智能体最优策略获取方法及装置
CN113128705B (zh) * 2021-03-24 2024-02-09 北京科技大学顺德研究生院 一种智能体最优策略获取方法及装置
CN116015458A (zh) * 2022-12-12 2023-04-25 北京理工大学 一种针对随机特性的贝叶斯神经网络非线性均衡方法
CN116015458B (zh) * 2022-12-12 2024-08-02 北京理工大学 一种针对随机特性的贝叶斯神经网络非线性均衡方法
CN116015509A (zh) * 2022-12-27 2023-04-25 华中科技大学 一种应用于DML/DD系统的Volterra滤波器建立方法、装置及系统
CN116015509B (zh) * 2022-12-27 2023-09-29 华中科技大学 一种应用于DML/DD系统的Volterra滤波器建立方法、装置及系统

Also Published As

Publication number Publication date
CN111525955B (zh) 2022-08-02
ZA202102091B (en) 2022-08-31

Similar Documents

Publication Publication Date Title
CN111525955B (zh) 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统
CN109714086B (zh) 基于深度学习的优化mimo检测方法
US6889060B2 (en) Optical fiber based on wireless scheme for wideband multimedia access
US7184497B2 (en) Method of estimating a signal-to-interference+noise ratio (SINR)
CN114499601B (zh) 一种基于深度学习的大规模mimo信号检测方法
CN105306396A (zh) 一种无线宽带通信信道迭代均衡的优化方法
CN113794515B (zh) 一种基于lstm的可见光通信系统非线性抑制方法
Gurbilek et al. Blind channel estimation for DCO-OFDM based vehicular visible light communication
Li et al. Nonlinearity mitigation for VLC with an artificial neural network based equalizer
Osinsky et al. Data-aided ls channel estimation in massive mimo turbo-receiver
CN106506425B (zh) 一种基于误码累积检测的水声ofdm通信系统中部分传输序列峰均比抑制算法
Saengudomlert et al. Unipolar GFDM With Dimming Support for Visible Light Communications
Amirabadi A deep learning based solution for imperfect CSI problem in correlated FSO communication channel
CN111726309A (zh) 用于移动正交频分复用系统的信道估计方法及其估计装置
CN108965172B (zh) 带有相位噪声的大规模mimo系统上行链路信道估计方法
CN107465472B (zh) 一种基于路径合成的多径时延估计方法
Shu et al. An OTFS channel estimation scheme based on efficient sparse Bayesian learning
Wang et al. Low complexity post-distorter based on extended kernel recursive least squares for visible light communications
De Souza et al. A novel signal detector in MIMO systems based on complex correntropy
Romia et al. Design optimization of LMS-based adaptive equalizer for ZigBee systems with fading channels
Romia et al. Optimization of recursive least square-based adaptive linear equalizer for ZigBee transceiver
Mathew et al. Semi blind neural network based channel estimation technique for OFDM receivers
Chi et al. A Combination Rule Based on Signal Power for Distributed Blind Equalization
KR102224641B1 (ko) 하향링크 대용량 mimo 시스템 기반의 gs 프리코딩의 최적 반복횟수 추정 장치 및 그 방법
Savaux et al. Convergence analysis of a joint signal‐to‐noise ratio and channel estimator for frequency selective channels in orthogonal frequency division multiplexing context

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
GR01 Patent grant
GR01 Patent grant