CN111565160A

CN111565160A - 一种海洋通信系统联合信道分类、估计和检测方法

Info

Publication number: CN111565160A
Application number: CN202010419800.2A
Authority: CN
Inventors: 江明; 卢怀因
Original assignee: Sun Yat Sen University
Current assignee: Sun Yat Sen University
Priority date: 2020-05-18
Filing date: 2020-05-18
Publication date: 2020-08-21
Anticipated expiration: 2040-05-18
Also published as: CN111565160B

Abstract

本发明提供的一种海洋通信系统联合信道分类、估计和检测方法，包括：构建DCO‑OFDM系统，完成信号的发送和接收；在DCO‑OFDM系统上，构建深度神经网络DNN检测器和DNN信道分类器，即DNN检测器和DNN‑CC；对DNN检测器和DNN‑CC进行训练，构建联合信道分类、估计和检测JCCESD模型；利用JCCESD模型对海洋通信系统进行联合信道的分类、估计和检测。本发明提供的联合信道分类、估计和检测方法，通过设计一种DNN检测器将信道估计CE和信号检测SD过程结合起来，在一个DNN中完成CE和SD的功能实现；设计一个新型的DNN‑CC，以产生优化的估计组合权重ECW，并将ECW应用于DNN检测器的CE和SD过程，显著提高时变UWOC信道下的CE和SD性能；最后将JCCESD模型设计融入到DCO‑OFDM系统中，在系统的接收端完成信道分类、CE和SD过程。

Description

一种海洋通信系统联合信道分类、估计和检测方法

技术领域

本发明涉及海洋通信技术领域，更具体的，涉及一种海洋通信系统联合信道分类、估计和检测方法。

背景技术

近年来，水下无线光通信(Underwater Wireless Optical Communication，UWOC)凭借其丰富的光带宽，在高速无线通信中得到了越来越广泛的应用。与水声通信技术相比，水声通信技术利用声波以非常有限的带宽(kHz量级)传输信息，并且具有较大的传输延迟，UWOC技术可以在保持较低传输时延的同时，将可实现的数据速率大幅度提高到千兆每秒(Giga Bit Per Second，Gbps)[1]。

然而，光束在UWOC信道中传输时会受到吸收(Absorption)、散射(Scattering)和湍流(Turbulence)的影响[2][3][4]。吸收效应是一个不可逆的过程，在传播过程中光子与水分子和其他粒子相互作用，从而损失其能量。在散射现象中，每个光子的发射方向是随机变化的，因此接收器可以捕获的能量减少。此外，光学湍流(Optical Turbulence)是水下介质随机变化的结果，其主要原因是温度和盐度的波动[5]。上述的吸收、散射和湍流传播效应使得精确地获取信道估计(Channel Estimation，CE)变得困难，从而对信号检测(SignalDetection，SD)产生了不可忽视的负面影响。

然而，由于水下环境的复杂性，信道状态信息(Channel State Information，CSI)估计的准确度通常不足以保证UWOC接收机的SD质量。直到最近，现有的信道均衡和数据检测方案很难满足UWOC场景中应用的性能和成本要求。此外，文献[6]的作者提出了一种用于正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)系统的线下训练辅助的深度神经网络(Deep Neural Network，DNN)线上CE方案。然而，在这个模型中，DNN只使用了全连接层(Fully Connected Layer，FCL)，DNN网络基于子载波数目被划分成几个子部分，从而造成较高复杂度。总体来说，简单地将最初为无线电频率设计的DNN技术应用于UWOC系统并不能获得理想的性能，因为UWOC信道的信道冲激响应(Channel ImpulseResponses，CIR)可能会因许多因素而发生显著变化，例如水深，水温，水流和阳光强度的变化等[7]。

发明内容

本发明为克服现有的将最初为无线电频率设计的DNN技术应用于UWOC系统中，存在无法获得理想性能的技术缺陷，提供一种海洋通信系统联合信道分类、估计和检测方法。

为解决上述技术问题，本发明的技术方案如下：

一种海洋通信系统联合信道分类、估计和检测方法，包括以下步骤：

S1：构建基于深度神经网络DNN的直流偏置光OFDM系统，即DCO-OFDM系统，完成信号的发送和接收；

S2：在DCO-OFDM系统上，构建DNN检测器和DNN信道分类器(Channel Classifier)，即DNN检测器和DNN-CC；

S3：对DNN检测器和DNN-CC进行训练，构建联合信道分类、估计和检测(JointChannel Classification and Estimation with Signal Detection，JCCESD)模型；

S4：利用JCCESD模型对海洋通信系统进行联合信道的分类、估计和检测。

上述方案中，通过设计一种新型的DNN检测器将CE和SD过程结合起来，在一个DNN中完成CE和SD的功能实现；同时，设计一个新型的DNN-CC，以产生优化的估计组合权重(Estimated Combinational Weights，ECW)，并将ECW应用于DNN检测器的CE和SD过程，显著提高时变UWOC信道下的CE和SD性能；不失一般性的，将JCCESD模型设计融入到DCO-OFDM系统[9]中，在系统的接收端完成信道分类、CE和SD过程，本发明也适用于其他经典的光OFDM方法，非对称性限幅光OFDM(Asymmetrically Clipped Optical OFDM，ACO-OFDM)[9]和单极性OFDM(U-OFDM)[11]。

其中，所述步骤S1具体为：

在DCO-OFDM系统中发射机侧，发送的比特b被调制并映射到特定星座，由此产生的复数码流X＝[X₀,X₁,…,X_N-1]进行快速傅里叶反变换(Inverse Fast Fourier Transform，IFFT)，其中N取偶数，是OOFDM子载波的数目；由于DCO-OFDM系统中采用了无线光通信中的光强度调制，IFFT后的输出信号应取实数，因此，X应该满足公式(1)中赫米特对称(Hermitian Symmetry，HS)：

其中，(·)^*为复共轭运算；基于式(1)，X在IFFT后成为实数信号，从IFFT得到的时域信号x的第k个样本表示为：

其中X_m是第m个子载波上的符号；接着，在DCO-OFDM系统进行添加循环前缀(Cyclic Prefix，CP)，并行到串行(Parallel-to-Serial，P/S)转换，数模转换(Digital-to-Analog Conversion，DAC)和低通滤波(Low-Pass Filtering，LPF)操作之后，x被转换为其时域版本x(t)；在x(t)信号经过添加直流(Direct Current，DC)偏置，零点削波(ZeroClipping)和电光转换(Electrical-to-Optical Conversion，EOC)之后，产生可见光信号，然后通过VLC信道传输，完成信号的发送；

在接收器侧，在光电二极管(Photodiode，PD)检测到的接收信号上进行光电转换(Optical-to-Electrical Conversion，OEC)后，得到时域信号y(t)，公式如下：

y(t)＝x(t)*h(t)+n(t) (3)

其中*为卷积运算符，h(t)是水下无线光通信UWOC的信道冲激响应CIR，n(t)是加性高斯白噪声(Additive White Gaussian Noise，AWGN)；然后在模数转换(Analog-to-Digital Conversion，ADC)，串行到并行(Serial-to-Parallel，S/P)转换，去除CP和快速傅里叶变换(Fast Fourier Transform，FFT)后，完成信号的接收。

上述方案中，本发明提出的DNN-CC应用于接收信号的前几帧K上以获得ECW向量

借助ECW向量，本发明所提出的DNN检测器对接收信号Y执行联合CE和SD操作以获得发射信号的估计值

信号Y的第m个子载波处的符号可表示为：

其中，y_k是时域接收信号y的第k个样本。

其中，在所述步骤S2中，所述DNN检测器的构建过程具体为：

定义C为卷积层CL的数量，对第c个CL，F_c为卷积核(ConvolutionKernel)大小，J_c为卷积核个数(KernelNumber)，s_c为卷积步长(Convolution Strides)，

是由卷积核大小、数目和卷积步长所确定的卷积特征(Convolutional Feature)尺寸，其中(1≤c≤C)；对于全连接层FCL，定义

为FCL的数量，

是第C个CL的输出向量长度，

为第l个FCL的输出长度和神经元数目，即DNN检测器的结构用以下参数表示为：

其中，前C层为完成卷积和激活操作的CL，然后是完成特征映射和激活功能的

层FCL；激活函数是属于表征前一层的各种神经元加权和的典型非线性函数，除了最后一个FCL外，对所有层都使用修正线性单元(Rectified Linear Unit，ReLU)激活函数[9]；对于最后一个FCL，调用Sigmoid函数[9]将前面的输出映射到(0,1)区间用以表示传输比特向量的估计版本。

上述方案中，除了最后一个FCL外，对所有层都使用ReLU激活函数，因为ReLU函数在非线性关系和梯度下降方面具有良好的性能[9]。对于最后一个FCL，调用Sigmoid函数将前面的输出映射到(0,1)区间用以表示传输比特向量的估计版本。大多数现有的在无线通信系统中的DL应用仅使用FCL[6][14]，相比之下，本发明提出利用具有一维卷积的CL作为前几层，以提高特征提取性能。更明确地说，虽然FCL可以被视为卷积核大小等于输入大小的CL，但独立的CL可以根据输入数据的特征(如频域相关性)调整卷积核大小，从而提供更好的特征提取。

其中，在所述步骤S2中，所述ReLU激活函数具体表示为：

f_R(x)＝max{0,x}

所述Sigmoid函数具体表示为：

其中，在所述步骤S2中，所述DNN信道分类器的构建过程具体为：通过比较原始(Original)AlexNet结构[8]和用于本发明所提出的DNN-CC实现水体类型分类功能的一维修正(Modified)AlexNet结构。原始的AlexNet是为二维图像目标识别而设计的，由五个CL和三个FCL组成。最后一个FCL的输出被传输到一个大小为1000的softmax激活函数，该函数在1000个分类标签上产生用于目识别的概率分布[8]。

在本发明提出的DNN-CC结构中，原始AlexNet的二维卷积和池化操作被一维卷积和池化操作所取代。改进后的结构充分考虑了接收信号的一维特性，提高了特征提取性能，更好地对水体进行分类，具体为：

采用一维卷积和池化操作取代原始AlexNet结构的二维卷积和池化操作，得到修改后的一维AlexNet结构；所述一维AlexNet结构由四个CL和三个FCL组成，其中：

CL和除最后一个FCL之外的所有FCL的激活函数都是ReLU函数，最后一个FCL的激活函数是softmax函数，用于DL分类的核心元素，定义如下：

其中

是最后一个FCL的输出向量

的第i个元素，

是激活函数f_soft(·)的输入向量

的第i个元素；实际上，激活函数f_soft(·)把最后一个FCL的M个神经元的值

映射到M个合法分类结果的概率

即所有可能的水体类型组合。

其中，在所述步骤S3中，对DNN检测器和DNN-CC进行训练的过程具体为：

DNN检测器训练过程：

DNN检测器需要根据M种不同水体类型的UWOC信道下的模拟生成的数据进行线下训练；更具体地说，在线下训练的每个实例中，随机数据序列b被生成并调制为导频符号，该导频符号被发送到UWOC信道；假设存在信道失真和AWGN，则接收信号Y和发送的训练数据序列b分别作为DNN检测器的输入信息和预期检测结果数据集；通过DNN检测器中CL和FCL进行操作，获得作为训练数据序列估计版本的检测器训练输出

然后，以最小化随机数据序列b与其估计版本

之间的差异为目标对DNN检测器进行训练，采用均方误差(Mean Square Error，MSE)作为DNN检测器的损失函数：

其中

是DNN检测器的输出，对应的误比特率(Bit Error Rate，BER)表达式表示为：

其中f_b(·)是判决函数，表示为：

然后，以最小化公式(6)中的

为目标对DNN检测器进行训练；

DNN-CC训练过程：

DNN-CC的训练过程共享DNN检测器相同的仿真训练数据集，其训练流程包括两步，具体为：

在第一步中，将M个不同水体类型对应的训练数据集

输入M个训练好的DNN检测器组中，生成M个估计符号集，用

表示；

的每个元素是一个存储由相应DNN检测器产生的所有M种水体估计结果的向量；

在第二步中，

和

都被应用到DNN-CC的模型训练中，训练损失函数为：

其中λ是平衡两个分量对

的贡献的比例因子，即标签项分量

和预测误差项分量

更具体地说，损失函数的第一个分量

反映了水体类型真实组合权重向量TCW w的概率分布与估计组合权重ECW向量

之间的基于交叉熵度量的距离，公式如下：

其中w_i是水体类型TCW向量w的第i个元素，那么第k个水体类型TCW向量w表示为：

然后，通过最小化公式(10)，在M个不同水体类型的特征训练下，

的概率分布与水体类型标签w相匹配；然而，如果只依赖于标签项分量

则训练出来的DNN-CC会发生过拟合，从而导致DNN-CC在M个训练水体类型中具有良好性能，而在其他水体类型中具有不良性能；因此，将公式(9)中损失函数的第二个分量预测误差项

作为一种调整措施，以增强DNN-CC的泛化性能，具体为：

借助于DNN-CC生成的ECW向量

对产生于M个DNN检测器输出的估计符号集

进行线性组合，生成传输数据符号的估计向量：

其中

是ECW向量

的第i个元素；此外，基于公式(7)的BER公式，设计损失函数的第二分量估计误差项

用于表征JCCESD模型对传输数据符号向量b的估计性能；由于BER公式(7)是不可导的，基于公式(6)中DNN检测器损失函数的可导性，将在训练过程中要最小化的预测误差项

表示为b与

之间的MSE：

上述方案中，通过采用基于公式(9)损失函数的训练模型，在两个分量最小化的情况下，本发明所提出的DNN-CC可以识别和分类UWOC环境中的不同类型的水体，为所提出的DNN检测器高质量SD提供准确的ECW。DNN-CC的这种优异的信道识别和结果最终转化为多种水体下的UWOC系统的优良BER性能。

其中，在DNN检测器训练过程中，所述的UWOC信道具体表示为：

针对UWOC信道的典型传输特性，首先采用基于蒙特卡罗(Monte Carlo)方法的无湍流信道模型[3]来描述吸收和散射效应；关于湍流引起的衰落，通过对数正态分布(通常用于表示自由空间和海洋光信道中的弱湍流效应[4])对其进行建模[13]；更具体地说，将α＝exp(2ξ)表示为湍流引起信道衰落幅度的随机变量，其中α具有对数正态分布的概率分布函数(Probability Density Function，PDF)[12]：

其中ξ是均值为μ_ξ，方差为

的高斯分布随机变量；通过令

令对数正态分布衰落保持归一化E[α]＝1[12]；通过公式(15)得到的表达式

其中

是瞬时强度I的方差[12]；

最后，结合吸收、散射和湍流效应的信道模型表示为：

h(t)＝αh₀(t) (16)

其中，h₀(t)是无湍流衰落的CIR。

其中，在所述步骤S3中，构建JCCESD模型为线下阶段，具体为：

在线下阶段，DNN-CC和DNN检测器都借助蒙特卡罗模拟产生的初始UWOC信道系数进行训练[3]；更具体地说，通过将导频符号输入M个不同水体类型的训练信道，获得包含M个接收信号的数据集，用

表示；然后，大小为M的

数据集中的每个子数据集分别用于训练具有相同DNN结构的M个独立的DNN检测器；接着，使用训练好的M个DNN检测器生成M个估计符号集，用

表示，最后，借助数据集

和

进行DNN-CC的训练；

至此，完成JCCESD模型的构建。

其中，在所述步骤S4中，利用JCCESD模型对海洋通信系统进行联合信道的分类、估计和检测为线上阶段，具体为：

在线上阶段，接收信号的前几帧K被输入到已训练的DNN-CC，通过DNN-CC在训练阶段提取的各种水体类型的特性来计算ECW向量

另一方面，接收信号向量Y输入M个独立DNN检测器，生成测试向量Q＝[Q₁,Q₂,...,Q_M]，然后，

和Q线性组合以产生传输比特向量的估计版本

至此，完成利用JCCESD模型对海洋通信系统进行联合信道的分类、估计和检测。

上述方案中，本发明提出应用DNN来解决UWOC系统中具有挑战性的SD问题。现有的DNN设计的系统性能仅取决于线下训练数据集，而本发明提出由DNN-CC和DNN检测器(DNNDetector)组成的DNN设计，用于线上信道分类和基于分类结果的UWOC系统中的有效数据恢复。本发明是首个利用DNN来实现线上时变UWOC信道分类，根据线上分类结果组合不同DNN检测器输出结果实现CE和SD的设计。

上述方案中，本发明提出了一种新型DNN设计，能够适应动态变化的UWOC环境。受经典卷积网络AlexNet[8]的启发，通过用一维卷积和池化代替二维卷积和池化设计了一种新的DNN-CC。基于新的一维AlexNet网络的特点设计的DNN-CC可以有效地提取和分类UWOC信道的关键特性，而不必考虑信道的水体类型。此外，DNN-CC生成的估计组合权重ECW是相应的真实组合权重向量(True Combinational Weights，TCW)的估计版本，用于线性组合不同DNN检测器的输出。ECW在离线训练阶段完成对DNN-CC的进行训练，在线上测试阶段进行信息位的检测。定义组合权重向量(Combinational Weights，CW)为不同水体类型的贡献加权组合向量，TCW为反映不同水体类型用于训练的比率的实际CW。

上述方案中，针对UWOC系统，本发明提出了一种由FCL和卷积层构成的CE和SD相结合的DNN检测器。所提出的DNN检测器可以根据输入数据的特点调整卷积核的大小，为大规模信道数据集提供改进的特征提取和dropout[9]训练性能。

上述方案中，利用上述的DNN-CC和DNN检测器，提出了JCCESD的设计。在此基础上，本发明设计了一种新的损失函数，该损失函数在训练ECW的概率分布的同时进行SD的预检验。借助所提出的JCCESD设计，UWOC系统可以实现在未知水体类型下的通信性能提升。

上述方案中，本发明面向海洋通信领域，利用深度学习(Deep Learning，DL)和光正交频分复用(Optical Orthogonal Frequency Division Multiplexing，OOFDM)技术，提出一种新型的基于DL的水下无线光通信联合信道分类、CE和SD设计。本发明通过设计一种新型的深度神经网络检测器将CE和SD过程结合起来，在一个DNN中完成CE和SD的功能实现。此外，本发明设计了一种新型DNN信道分类器DNN-CC，通过线下训练提取信道特征，在线上完成对水体类型的识别和分类，产生优化的估计组合权重ECW，将优化ECW应用于DNN检测器的CE和SD过程可以显著提高时变UWOC信道下的CE和SD性能。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供的一种海洋通信系统联合信道分类、估计和检测方法，通过设计一种新型的DNN检测器将CE和SD过程结合起来，在一个DNN中完成CE和SD的功能实现；同时，设计一个新型的DNN-CC，以产生优化的估计组合权重ECW，并将ECW应用于DNN检测器的CE和SD过程，显著提高时变UWOC信道下的CE和SD性能；最后将JCCESD模型设计融入到DCO-OFDM系统[9]中，在系统的接收端完成信道分类、CE和SD过程。

附图说明

图1为本发明所述方法流程示意图；

图2为基于DNN的DCO-OFDM系统结构示意图；

图3为DNN检测器结构示意图；

图4为DNN-CC的一维AlexNet结构示意图；

图5为JCCESD线下阶段流程图；

图6为DNN-CC的训练流程示意图；

图7为JCCESD线上阶段流程图；

图8为DNN检测器与LS和LMMSE方法的性能比较示意图；

图9为DNN-CC的分类性能示意图；

图10为JCCESD与LS和LMMSE方法性能比较示意图。

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，一种海洋通信系统联合信道分类、估计和检测方法，包括以下步骤：

S2：在DCO-OFDM系统上，构建DNN检测器和DNN信道分类器，即DNN检测器和DNN-CC；

S3：对DNN检测器和DNN-CC进行训练，构建联合信道分类、估计和检测JCCESD模型；

在具体实施过程中，通过设计一种新型的DNN检测器将CE和SD过程结合起来，在一个DNN中完成CE和SD的功能实现；同时，设计一个新型的DNN-CC，以产生优化的估计组合权重ECW，并将ECW应用于DNN检测器的CE和SD过程，显著提高时变UWOC信道下的CE和SD性能；不失一般性的，将JCCESD模型设计融入到DCO-OFDM系统[9]中，在系统的接收端完成信道分类、CE和SD过程，本发明也适用于其他经典的光OFDM方法，ACO-OFDM[9]和单极性U-OFDM[11]。

更具体的，构建如图2所示的DCO-OFDM系统，具体为：

在DCO-OFDM系统中发射机侧，发送的比特b被调制并映射到特定星座，由此产生的复数码流X＝[X₀,X₁,…,X_N-1]进行快速傅里叶反变换IFFT，其中N取偶数，是OOFDM子载波的数目；由于DCO-OFDM系统中采用了无线光通信中的光强度调制，IFFT后的输出信号应取实数，因此，X应该满足公式(1)中赫米特对称HS：

其中X_m是第m个子载波上的符号；接着，如图2上部所示，在DCO-OFDM系统进行添加循环前缀CP，并行到串行P/S转换，数模转换DAC和低通滤波LPF操作之后，x被转换为其时域版本x(t)；在x(t)信号经过添加直流DC偏置，零点削波(Zero Clipping)和电光转换EOC之后，产生可见光信号，然后通过VLC信道传输，完成信号的发送；

在接收器侧，如图2下部所示，在光电二极管PD检测到的接收信号上进行光电转换OEC后，得到时域信号y(t)，公式如下：

y(t)＝x(t)*h(t)+n(t) (3)

其中*为卷积运算符，h(t)是水下无线光通信UWOC的信道冲激响应CIR，n(t)是加性高斯白噪声AWGN；然后在模数转换ADC，串行到并行S/P转换，去除CP和快速傅里叶变换FFT后，完成信号的接收。

在具体实施过程中，本发明提出的DNN-CC应用于接收信号的前几帧K上以获得ECW向量

信号Y的第m个子载波处的符号可表示为：

其中，y_k是时域接收信号y的第k个样本。

更具体的，在所述步骤S2中，所述DNN检测器的构建过程具体为：

DNN检测器如图3所示。定义C为卷积层CL的数量，对第c个CL，F_c为卷积核(Convolution Kernel)大小，J_c为卷积核个数(Kernel Number)，s_c为卷积步长(Convolution Strides)，

为FCL的数量，

是第C个CL的输出向量长度，

在图3中，前C层为完成卷积和激活操作的CL，然后是完成特征映射和激活功能的

层FCL；激活函数是属于表征前一层的各种神经元加权和的典型非线性函数，除了最后一个FCL外，对所有层都使用修正线性单元ReLU激活函数[9]；对于最后一个FCL，调用Sigmoid函数[9]将前面的输出映射到(0,1)区间用以表示传输比特向量的估计版本。

在具体实施过程中，除了最后一个FCL外，对所有层都使用ReLU激活函数，因为ReLU函数在非线性关系和梯度下降方面具有良好的性能[9]。对于最后一个FCL，调用Sigmoid函数将前面的输出映射到(0,1)区间用以表示传输比特向量的估计版本。大多数现有的在无线通信系统中的DL应用仅使用FCL[6][14]，相比之下，本发明提出利用具有一维卷积的CL作为前几层，以提高特征提取性能。更明确地说，虽然FCL可以被视为卷积核大小等于输入大小的CL，但独立的CL可以根据输入数据的特征(如频域相关性)调整卷积核大小，从而提供更好的特征提取。

更具体的，在所述步骤S2中，所述ReLU激活函数具体表示为：

f_R(x)＝max{0,x}

所述Sigmoid函数具体表示为：

更具体的，在所述步骤S2中，所述DNN信道分类器的构建过程具体为：如图4所示，通过比较原始(Original)AlexNet结构[8]和用于本发明所提出的DNN-CC实现水体类型分类功能的一维修正(Modified)AlexNet结构。原始的AlexNet是为二维图像目标识别而设计的，由五个CL和三个FCL组成。最后一个FCL的输出被传输到一个大小为1000的softmax激活函数，该函数在1000个分类标签上产生用于目识别的概率分布[8]。

在本发明提出的DNN-CC结构中，原始AlexNet的二维卷积和池化操作被一维卷积和池化操作所取代。改进后的结构充分考虑了接收信号的一维特性，提高了特征提取性能，更好地对水体进行分类，更明确地说，修改后的一维AlexNet由四个CL和三个FCL组成。第一个卷积层CL 1的卷积过程由卷积核大小为9×1，卷积步长为s＝4的64个卷积核实现。如图4下方的右箭头所示，修改后的一维AlexNet中使用的最大池化，由大小为3×1且步长为s＝2的滤器实现。与LeNet-5等其他网络不同，AlexNet提供了更多的CL数量和不同大小的卷积核，为水体类型分类提供了多尺度特征提取。更具体地说，四个CL的卷积核大小分别为9×1、5×1、3×1和3×1，从而逐步细化特征提取过程。这四个不同卷积核大小构成的CL能提供良好的特征提取和高维特征分类性能。

在图4中提出的一维AlexNet结构中，CL和除最后一个FCL之外的所有FCL的激活函数都是ReLU函数，最后一个FCL的激活函数是softmax函数[9]，它是用于DL分类的核心元素，定义如下：

其中

是图4中最后一个FCL的输出向量

的第i个元素，

是激活函数f_soft(·)的输入向量

映射到M个合法分类结果的概率

即所有可能的水体类型组合。

更具体的，在所述步骤S3中，对DNN检测器和DNN-CC进行训练的过程具体为：

DNN检测器训练过程，如图5左侧所示：

DNN检测器需要根据M种不同水体类型的UWOC信道下的模拟生成的数据进行线下训练；更具体地说，在线下训练的每个实例中，随机数据序列b被生成并调制为导频符号，该导频符号被发送到UWOC信道；假设存在信道失真和AWGN，则接收信号Y和发送的训练数据序列b分别作为DNN检测器的输入信息和预期检测结果数据集；通过图3所示的DNN检测器中CL和FCL进行操作，获得作为训练数据序列估计版本的检测器训练输出

然后，以最小化随机数据序列b与其估计版本

之间的差异为目标对DNN检测器进行训练，采用均方误差MSE作为DNN检测器的损失函数：

其中

其中f_b(·)是判决函数，表示为：

然后，以最小化公式(6)中的

为目标对DNN检测器进行训练；

DNN-CC训练过程：

DNN-CC的训练过程共享DNN检测器相同的仿真训练数据集，其训练流程包括如图6所示的两步，具体为：

在第一步中，将M个不同水体类型对应的训练数据集

输入M个训练好的DNN检测器组中，生成M个估计符号集，用

表示；

在第二步中，

和

都被应用到DNN-CC的模型训练中，训练损失函数为：

其中λ是平衡两个分量对

的贡献的比例因子，即标签项分量

和预测误差项分量

更具体地说，损失函数的第一个分量

之间的基于交叉熵度量的距离，公式如下：

作为一种调整措施，以增强DNN-CC的泛化性能，具体为：

借助于DNN-CC生成的ECW向量

对产生于M个DNN检测器输出的估计符号集

进行线性组合，生成传输数据符号的估计向量：

其中

是ECW向量

表示为b与

之间的MSE：

更具体的，在DNN检测器训练过程中，所述的UWOC信道具体表示为：

针对UWOC信道的典型传输特性，首先采用基于蒙特卡罗(Monte Carlo)方法的无湍流信道模型[3]来描述吸收和散射效应；关于湍流引起的衰落，通过对数正态分布(通常用于表示自由空间和海洋光信道中的弱湍流效应[4])对其进行建模[13]；更具体地说，将α＝exp(2ξ)表示为湍流引起信道衰落幅度的随机变量，其中α具有对数正态分布的概率分布函数PDF[12]：

其中ξ是均值为μ_ξ，方差为

的高斯分布随机变量；通过令

其中

是瞬时强度I的方差[12]；

最后，结合吸收、散射和湍流效应的信道模型表示为：

h(t)＝αh₀(t) (16)

其中，h₀(t)是无湍流衰落的CIR。

更具体的，在所述步骤S3中，如图5、图7所示，构建JCCESD模型为线下阶段，具体为：

如图5所示，在线下阶段，DNN-CC和DNN检测器都借助蒙特卡罗模拟产生的初始UWOC信道系数进行训练[3]；更具体地说，通过将导频符号输入M个不同水体类型的训练信道，获得包含M个接收信号的数据集，用

表示；然后，如图5的左侧所示，大小为M的

表示，最后，如图5的右侧所示，借助数据集

和

进行DNN-CC的训练；

至此，完成JCCESD模型的构建。

在所述步骤S4中，利用JCCESD模型对海洋通信系统进行联合信道的分类、估计和检测为线上阶段，具体为：

如图7所示，在线上阶段，接收信号的前几帧K被输入到已训练的DNN-CC，通过DNN-CC在训练阶段提取的各种水体类型的特性来计算ECW向量

和Q线性组合以产生传输比特向量的估计版本

在具体实施过程中，本发明提出应用DNN来解决UWOC系统中具有挑战性的SD问题。现有的DNN设计的系统性能仅取决于线下训练数据集，而本发明提出由DNN-CC和DNN检测器(DNN Detector)组成的DNN设计，用于线上信道分类和基于分类结果的UWOC系统中的有效数据恢复。本发明是首个利用DNN来实现线上时变UWOC信道分类，根据线上分类结果组合不同DNN检测器输出结果实现CE和SD的设计。

在具体实施过程中，本发明提出了一种新型DNN设计，能够适应动态变化的UWOC环境。受经典卷积网络AlexNet[8]的启发，通过用一维卷积和池化代替二维卷积和池化设计了一种新的DNN-CC。基于新的一维AlexNet网络的特点设计的DNN-CC可以有效地提取和分类UWOC信道的关键特性，而不必考虑信道的水体类型。此外，DNN-CC生成的估计组合权重ECW是相应的真实组合权重向量TCW的估计版本，用于线性组合不同DNN检测器的输出。ECW在离线训练阶段完成对DNN-CC的进行训练，在线上测试阶段进行信息位的检测。定义组合权重向量CW为不同水体类型的贡献加权组合向量，TCW为反映不同水体类型用于训练的比率的实际CW。

在具体实施过程中，针对UWOC系统，本发明提出了一种由FCL和卷积层构成的CE和SD相结合的DNN检测器。所提出的DNN检测器可以根据输入数据的特点调整卷积核的大小，为大规模信道数据集提供改进的特征提取和dropout[9]训练性能。

在具体实施过程中，利用上述的DNN-CC和DNN检测器，提出了JCCESD的设计。在此基础上，本发明设计了一种新的损失函数，该损失函数在训练ECW的概率分布的同时进行SD的预检验。借助所提出的JCCESD设计，UWOC系统可以实现在未知水体类型下的通信性能提升。

上述方案中，本发明面向海洋通信领域，利用深度学习DL和OOFDM技术，提出一种新型的基于DL的水下无线光通信联合信道分类、CE和SD设计。本发明通过设计一种新型的深度神经网络检测器将CE和SD过程结合起来，在一个DNN中完成CE和SD的功能实现。此外，本发明设计了一种新型DNN信道分类器DNN-CC，通过线下训练提取信道特征，在线上完成对水体类型的识别和分类，产生优化的估计组合权重ECW，将优化ECW应用于DNN检测器的CE和SD过程可以显著提高时变UWOC信道下的CE和SD性能。

实施例2

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。本仿真对所提出的DNN检测器、DNN-CC和JCCESD的性能进行了评估，并与传统的最小二乘(Least Squares，LS)和线性最小均方误差(Linear Minimum Mean Square Error，LMMSE)CE方法进行了比较。

A.仿真参数设置

在文献[3]的蒙特卡罗方法的基础上，利用文献[4]方法产生的湍流衰落，建立了UWOC信道模型。表1总结了UWOC仿真中使用的主要参数，其中不同水体类型的衰减和吸收水平用一对值表示，[衰减，吸收]＝[c，a]，方差

可用公式(15)计算得到。

本发明采用三种典型的水体类型，即港口(Harbor)、沿海(Coastal)和清澈(Clear)类型，用于DNN的训练和测试。此外，还将这三种经典水体类型的衰减和吸收特性按照预定比例进行线性组合，以表征两种新的混合水体类型用于训练和一种新的混合水体类型用于测试，如表1所示。为了便于表示，使用一个元组来表示混合成一个新水体类型中的三个经典水体类型的贡献比例。

表1：UWOC仿真中使用的主要参数

表2：DNN线下训练主要参数

在表2中总结了建议的DNN探测器和DNN-CC的主要线下训练参数。DNN检测器的参数为

在训练过程中，总共训练了4个DNN检测器，用于M＝4个具有湍流衰减方差

的水体类型。值得注意的是，我们使用了dropout方法来解决过度拟合和结合多个网络结构消耗时间过长的问题[9]，其中dropout率设置为η＝0.1。对于DNN-CC训练，采用了上述相同的配置，但有一个小的不同，即CL和FCL的dropout率分别设置为η＝0.1和η＝0.2。

B.DNN检测器性能

作为第一项设计，用表1中的四种测试水体类型分别训练并测试了所提出的DNN检测器设计。如图8所示，比较在不同湍流方差下本发明的方案与传统的LS和LMMSE的CE方法的BER性能。可以看出，与传统的LS和LMMSE的CE方法相比，联合实现CE和SD的DNN检测器具有更好的BER性能，特别是当湍流效应变得更严重

时。而且，该方案与具有理想CSI(Ideal CSI)的理想情况相比，性能差距很小。

C.DNN-CC性能

在接下来的研究中，在图9中演示所提出的DNN-CC方案的分类性能。由于最后一个FCL的激活函数是由等式(5)给出的softmax函数，因此分类性能定义为相对熵度量[9]：

如图9所示，相对熵τ随E_b/N₀水平的增加而减小，在较高的信噪比(Signal-to-Noise Ratios，SNR)下，这五种水体的相对熵均能以较小的相对熵(τ＜10^-2)达到较好的分类性能，这也表明无论测试水体是否属于M个训练水体中的一种，在高信噪比条件下都能获得优良的水体分类性能。

D.JCCESD性能

为了测试JCCESD的性能，在图10(a)测试了JCCESD、LS和LMMSE方法在测试水体5，湍流方差

情景中的BER性能，其中JCCESD的平衡参数设置为λ＝0.5。在图10(a)中，还提供了由测试水体5数据集专门训练的DNN检测器的性能。

由图10(b)中可知，虽然测试水体5不是训练水体之一，在测试水体5的情景中，本发明所提出的JCCESD在误比特率为10^-5时，相对于LS和LMMSE方法分别获得约2.4dB和1.3dB的E_b/N₀增益。此外，与在测试水体5中完成线下训练的DNN探测器相比，JCCESD的性能损失很小。从这些结果中，我们可以得出结论，本发明所提出的JCCESD设计即使不预先了解未经训练的UWOC信道信息，也能够获得优异的性能。

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.M.Oubei,J.R.Duran,B.Janjua,H.Wang,C.Tsai,Y.Chi,T.Ng,H.Kuo,J.He,M.Alouini,G.Lin,and B.S.Ooi,“4.8Gbit/s 16-QAM-OFDM transmission based oncompact 450-nm laser for underwater wireless optical communication,”Opt.Exp.,vol.23,no.18,pp.23302–23309,Sept.2015.

[2]C.D.Mobley,Light and water:radiative transfer in naturalwaters.Academic Press:San Diego,CA,USA,1994.

[3]W.C.Cox,“Simulation,modeling,and design of underwater opticalcommunication systems,”Dissertations and Theses-Gradworks,vol.34,no.9,pp.930–942,Feb.2012.

[4]M.V.Jamali,P.Nabavi,and J.A.Salehi,“MIMO underwater visible lightcommunications:comprehensive channel study,performance analysis,and multiple-symbol detection,”IEEE Trans.Veh.Technol.,vol.67,no.9,pp.8223–8237,Sept.2018.

[5]S.Tang,X.Zhang,and Y.Dong,“Temporal statistics ofirradiance inmoving turbulent ocean,”in Proceedings ofMTS/IEEE OCEANS-Bergen,pp.1–4,Jun.2013.

[6]H.Ye,G.Y.Li,and B.Juang,“Power ofdeep learning for channelestimation and signal detection in OFDM systems,”IEEE Wireless communicationsletters,vol.7,no.1,pp.114–117,2018.

[7]Z.Zeng,S.Fu,H.Zhang,Y.Dong,and J.Cheng,“A survey of underwateroptical wireless communications,”IEEE Commun.Surveys Tuts.,vol.19,no.1,pp.204–238,2017.

[8]A.Krizhevsky,I.Sutskever,and G.Hinton,“ImageNet classificationwith deep convolutional neural networks,”in Proceedings of InternationalConference on Neural Information Processing Systems(NIPS),pp.1097–1105,Dec.2012.

[9]I.Goodfellow,Y.Bengio,andA.Courville,Deep Learning.MIT Press,2016.

[10]S.D.Dissanayake and J.Armstrong,“Comparison of ACO-OFDM,DCO-OFDMand ADO-OFDM in IM/DD Systems,”J.Lightw.Technol.,vol.31,no.7,pp.1063–1072,Apr.2013.

[11]D.Tsonev,S.Sinanovic,and H.Haas,“Novel unipolar orthogonalfrequency division multiplexing(U-OFDM)for optical wireless,”in Proceedingsof IEEE Vehicular Technology Conference(VTC Spring),pp.1–5,May 2012.

[12]M.V.Jamali,P.Khorramshahi,A.Tashakori,A.Chizari,S.Shahsavari,S.AbdollahRamezani,M.Fazelian,S.Bahrani,and J.A.Salehi,“Statisticaldistribution ofintensity fluctuations for underwater wireless opticalchannels in the presence ofair bubbles,”in Proceedings ofIEEE Iran Workshopon Communication and Information Theory(IWCIT),pp.1–6,Mar.2016.

[13]X.Zhu and J.M.Kahn,“Free-space optical communication throughatmospheric turbulence channels,”IEEE Trans.Commun.,vol.50,no.8,pp.1293–1300,2002.

[14]M.Kim,W.Lee,and D.Cho,“A novel PAPR reduction scheme for OFDMsystem based on deep learning,”IEEE Commun.Lett.,vol.22,no.3,pp.510–513,2018.

Claims

1.一种海洋通信系统联合信道分类、估计和检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种海洋通信系统联合信道分类、估计和检测方法，其特征在于，所述步骤S1具体为：

其中X_m是第m个子载波上的符号；接着，在DCO-OFDM系统进行添加循环前缀CP，并行到串行P/S转换，数模转换DAC和低通滤波LPF操作之后，x被转换为其时域版本x(t)；在x(t)信号经过添加直流DC偏置，零点削波和电光转换EOC之后，产生可见光信号，然后通过VLC信道传输，完成信号的发送；

在接收器侧，在光电二极管PD检测到的接收信号上进行光电转换OEC后，得到时域信号y(t)，公式如下：

y(t)＝x(t)*h(t)+n(t) (3)

3.根据权利要求2所述的一种海洋通信系统联合信道分类、估计和检测方法，其特征在于，在所述步骤S2中，所述DNN检测器的构建过程具体为：

定义C为卷积层CL的数量，对第c个CL，F_c为卷积核大小，J_c为卷积核个数，s_c为卷积步长，

是由卷积核大小、数目和卷积步长所确定的卷积特征尺寸，其中(1≤c≤C)；对于全连接层FCL，定义

为FCL的数量，

是第C个CL的输出向量长度，

层FCL；激活函数是属于表征前一层的各种神经元加权和的典型非线性函数，除了最后一个FCL外，对所有层都使用修正线性单元ReLU激活函数；对于最后一个FCL，调用Sigmoid函数将前面的输出映射到(0,1)区间用以表示传输比特向量的估计版本。

4.根据权利要求3所述的一种海洋通信系统联合信道分类、估计和检测方法，其特征在于，在所述步骤S2中，所述ReLU激活函数具体表示为：

f_R(x)＝max{0,x}

所述Sigmoid函数具体表示为：

5.根据权利要求2所述的一种海洋通信系统联合信道分类、估计和检测方法，其特征在于，在所述步骤S2中，所述DNN信道分类器DNN-CC的构建过程具体为：采用一维卷积和池化操作取代原始AlexNet结构的二维卷积和池化操作，得到修改后的一维AlexNet结构；所述一维AlexNet结构由四个CL和三个FCL组成，其中：