CN111786724B - 基于深度学习的多波长led水下可见光通信调制方法 - Google Patents

基于深度学习的多波长led水下可见光通信调制方法 Download PDF

Info

Publication number
CN111786724B
CN111786724B CN202010616305.0A CN202010616305A CN111786724B CN 111786724 B CN111786724 B CN 111786724B CN 202010616305 A CN202010616305 A CN 202010616305A CN 111786724 B CN111786724 B CN 111786724B
Authority
CN
China
Prior art keywords
transmitter
channel
neural network
receiver
underwater
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.)
Active
Application number
CN202010616305.0A
Other languages
English (en)
Other versions
CN111786724A (zh
Inventor
江明
杨子贤
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202010616305.0A priority Critical patent/CN111786724B/zh
Publication of CN111786724A publication Critical patent/CN111786724A/zh
Application granted granted Critical
Publication of CN111786724B publication Critical patent/CN111786724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/11Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
    • H04B10/114Indoor or close-range type systems
    • H04B10/116Visible light communication
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795Performance monitoring; Measurement of transmission parameters
    • H04B10/07953Monitoring or measuring OSNR, BER or Q
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795Performance monitoring; Measurement of transmission parameters
    • H04B10/07955Monitoring or measuring power
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/50Transmitters
    • H04B10/501Structural aspects
    • H04B10/502LED transmitters
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/50Transmitters
    • H04B10/516Details of coding or modulation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/50Transmitters
    • H04B10/516Details of coding or modulation
    • H04B10/54Intensity modulation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B13/00Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/004Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056Systems characterized by the type of code used
    • H04L1/0057Block codes
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/004Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056Systems characterized by the type of code used
    • H04L1/0059Convolutional codes
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/004Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056Systems characterized by the type of code used
    • H04L1/007Unequal error protection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Communication System (AREA)

Abstract

本发明提供的基于深度学习的多波长LED水下可见光通信调制方法,使用多个不同波长的LED,并基于深度学习神经网络,利用接收机估计的信道和噪声功率信息进行自适应的调制解调;通过训练,本方法不但能满足基于强度调制和直接检测的VLC的非负实信号要求,还能保持发射机星座图平均光功率恒定,并能自动适应不同的水下信道特征,在大多数水下环境中比已有方案在相同的频谱效率下达到更好的BER性能。

Description

基于深度学习的多波长LED水下可见光通信调制方法
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多波长LED水下可见光通信调制方法。
背景技术
随着人类对海洋的不断探索,水下的无线通信技术变得日益重要。水下无线通信的载波主要有三种,声波、射频(Radio Frequency,RF)波段和光波。目前较为广泛采用的水下无线通信技术是水声通信。然而,水声通信能支持的数据速率较低且延时高[1]H.Kaushal and G.Kaddoum,“Underwater optical wireless communication,”IEEEAccess,vol.4,pp.1518-1547,Apr.2016。基于RF频段的电磁波的水下无线通信,能在较短距离提供较高的数据传输速率,但是RF电磁波在海水中的衰减比较大,并随着频率的增加而增加[1]。而电磁波中的可见光频段则是一个在水下相对衰减较低的“窗口”,所以水下可见光通信(Visible Light Communication,VLC)技术能在较长的海水通信链路下提供较高的数据传输速率[1]。因此,研究水下VLC具有重要的意义。
吸收效应、散射效应和湍流效应是影响水下VLC的重要因素[1][2]Z.Zeng,S.Fu,H.Zhang,Y.Dong,and J.Cheng,“A survey of underwater optical wirelesscommunications,”IEEE Commun.Surveys Tuts.,vol.19,no.1,pp.204–238,Firstquarter 2017。历史文献中提出了多种对水体的分类方法,其中Jerlov水体分类方法[3]N.G.Jerlov,Optical oceanography.Amsterdam,the Netherlands:Elsevier PublishingCompany,1968使用较为广泛。根据Jerlov水体分类方法,开放海域水体分为I、IA、IB、II和III,近海水域水体分为1、3、5、7和9[3]。文献[4]V.I.Haltrin,“Chlorophyll-based modelof seawater optical properties,”Applied Optics,vol.38,no.33,pp.6826–6832,Nov.1999中提出利用不同水体中不同的叶绿素浓度来对吸收系数、散射系数以及体散射函数进行建模。利用吸收系数、散射系数以及体散射函数,文献[5]J.W.C.Cox,“Simulation,modeling,and design of underwater optical communication systems,”Ph.D.dissertation,North Carolina State University,Raleigh,North Carolina,USA,2012中提出使用蒙特卡洛(Monte Carlo,MC)仿真来对水下VLC信道进行建模。另外,文献[6]M.V.Jamali,J.A.Salehi,and F.Akhoundi,“Performance studies of underwaterwireless optical communication systems with spatial diversity:MIMO scheme,”IEEE Trans.Commun.,vol.65,no.3,pp.1176–1192,Mar.2017中提出使用对数正态模型来对湍流效应进行建模。上述对VLC信道的研究,为水下VLC调制技术的研究奠定了基础。
对于水下VLC调制技术,由于使用激光器作为发射端会存在难以对准接收机的问题,所以本发明采用发散角较大的发光二极管(Light Emitting Diode,LED)作为发射端。本发明主要关注水下短距离漫射链路[1]的通信,主要包括潜水员之间的语音或视频实时通信、水下航行器短距离通信、传感器之间的短距离高速数据传输等场景。文献[6]中提出了将多输入多输出(Multiple-Input Multiple-Output,MIMO)技术用于水下VLC,能有利于减轻湍流效应带来的影响,提升误比特率(Bit Error Rate,BER)性能。但是,在湍流强度较小或者不同链路的湍流具有相关性的情况下,MIMO方案的性能提升比较有限;而且,MIMO方案在发射端使用多个相同波长的光源,这些光源在同一时隙发送的是同样的符号,因此频谱效率比较低。虽然现有水下VLC方案大多数采用蓝绿色波段的LED,但文献[7]Y.Ito,S.Haruyama,and M.Nakagawa,“Short-range underwater wireless communicationusing visible light LEDs,”Keio University,Tokyo,Japan,Tech.Rep.,Mar.2006中提出了两种同时使用多个不同波长的LED的方案,分别为最优波长选择(Best WavelengthSelection,BWS)方案和带有功率控制的复用(Multiplexing with Power Control,MPC)方案。使用多个不同波长的LED进行水下VLC不仅能适应水下多变的信道环境,也能利用多个独立的链路提升数据传输速率。然而,BWS方案同一时间只使用一个LED,没有利用到其他不同波长LED所提供的信道;MPC方案的功率分配方案并不是最优的。在室内VLC的现有调制技术中,也有一种使用多个不同波长LED的调制方案,称为颜色键控(Color-Shift Keying,CSK)[8]“IEEE standard for local and metropolitan area networks–part 15.7:short-range wireless optical communication using visible light,”IEEE Std802.15.7-2011,pp.1–309,Sep.2011。然而,由于室内VLC对照明的颜色和灯光闪烁有要求,所以直接将CSK用于水下VLC,性能不是最优的。文献[9]H.Lee,I.Lee,and S.H.Lee,“Deeplearning based transceiver design for multicolored VLC systems,”OpticsExpress,vol.26,no.5,pp.6222–6238,Mar.2018中还提出了一种使用深度学习设计VLC的多波长调制方案,但此方案需要在训练过程中通过迭代求解优化问题,因而需要较大的计算负担;再者,此方案没有考虑水下VLC场景中多变的信道特征,不具有自适应调制功能。
发明内容
本发明为克服现有的水下调制方法存在无法同时满足基于强度调制和直接检测的VLC的非负实信号要求及保持发射机星座图平均光功率恒定、自动适应不同的水下信道特征的技术缺陷,提供一种基于深度学习的多波长LED水下可见光通信调制方法。
为解决上述技术问题,本发明的技术方案如下:
基于深度学习的多波长LED水下可见光通信调制方法,包括以下步骤:
S1:构建使用多个不同波长并基于深度学习自动编码器的通信系统,即构建MW-AAE系统;
S2:构建深度学习神经网络,并对神经网络进行训练;
S3:在发射机中通过神经网络进行调制,根据帧设计的结果将每一帧数据进行发送;
S4:接收机接收数据并进行帧同步操作,得到SNR估计器的输出;
S5:对SNR估计器的输出进行归一化处理后,对每个值进行均匀量化操作,输出噪声功率信息;
S6:接收机的神经网络根据SNR估计器输出的噪声功率信息为输入,解调得到发射机信息比特序列的估计;
S7:接收机的缓存器将当前的噪声功率信息用于下一帧的解调,并通过反馈信道将噪声功率信息反馈回发射机中,用于对下一帧的调制,直至所有帧完成调制发送、接收过程。
其中,在所述步骤S1中,对MW-AAE系统中的水下多波长VLC信道进行表示并完成帧设计,具体为:
由于水下VLC信道的时间色散小,因此当信号的符号速率不高时,忽略水下VLC信道的时间色散;同时,通过湍流效应对一个乘法湍流衰落系数进行建模,因此,假设不同波长的LED光信号在接收机可以通过光学滤镜完全隔离,则水下VLC信道表示为:
Figure BDA0002563831400000041
式中,k∈{1,...,NLED},NLED表示LED的数量;rk表示第k个光电检测器检测到的信号;sk表示第k个LED的发射信号;
Figure BDA0002563831400000042
表示第k路信号的湍流衰落系数,即从第k个LED到对应波长的第k个光学滤镜和光电检测器的湍流衰落系数;hP,k表示第k路信号在水下VLC信道的路径损耗;hO,k表示第k路接收机光学滤镜的效率;hG,k表示第k路接收机光电检测器的光电转换因子;nk表示第k个光电检测器的加性高斯白噪声;记第k路的光信号在真空中波长为λk,则
Figure BDA0002563831400000043
hP,k、hO,k、hG,k和nk均与λk有关;
由于水下多波长VLC信道中有湍流效应引起的时变的衰落,因此需要对系统进行对应的帧设计,具体为:
设计帧头
Figure BDA0002563831400000044
用于进行接收机的帧同步和信道、噪声功率的估计;另外,因为水下VLC信道的湍流衰落的相干时间通常在10-5s到10-2s之间,因此帧长应设置为小于5×10-6s,即小于信道相干时间的一半;又因为噪声功率信息
Figure BDA0002563831400000045
的反映的是信道和接收机噪声功率的特征,所以若假设噪声功率不变,则
Figure BDA0002563831400000046
在两帧内几乎相同,因此通过设置发射机的缓存器和接收机的缓存器,使得输入接收机神经网络的
Figure BDA0002563831400000047
与当前待解调的符号在发射机神经网络调制时所使用的
Figure BDA0002563831400000048
是相同的,并始终与当前实际的信道特征一致。
其中,所述步骤S2具体为:
构建深度学习神经网络,其中输入为发射机信息比特序列b和噪声功率信息
Figure BDA0002563831400000049
发射机部分的输出为每个NLED维符号s′,接收机部分的输入为r′和
Figure BDA00025638314000000410
神经网络的输出为发射机信息比特序列b的估计
Figure BDA00025638314000000411
其中,发射机和接收机部分的中间层数是可以改变的;
接着设计神经网络的损失函数对申请网络进行训练,由于设计的发射机部分神经网络输出s′必须满足下列条件:
条件一:s′k≥0,
Figure BDA00025638314000000412
条件二:
Figure BDA00025638314000000413
对所有可能的
Figure BDA00025638314000000414
其中,P′O,T表示发射机的平均光功率,输出
Figure BDA00025638314000000415
表示输入为
Figure BDA00025638314000000416
时s′的星座图中的符号构成的集合;因此,设计损失函数对s′进行约束,对于每一个样本为J的minibatch,具体表示为:
Figure BDA0002563831400000051
其中,第一项表示样本平均的二元交叉熵,是比特解调误差所带来的损失;第二项代表的是s′不满足条件一的程度所带来的损失;第三项代表的是s′不满足条件二的程度所带来的损失;ζ123∈R+是三个系数,用于调节三个损失在训练过程中的相对重要性;
最后,根据损失函数对神经网络进行训练;其中,损失函数对训练数据有顺序要求,即训练数据从第1个样本开始每
Figure BDA0002563831400000052
个样本
Figure BDA0002563831400000053
才改变一次,并且这
Figure BDA0002563831400000054
个样本遍历所有可能的比特序列,即其中每个样本的b(i)都不相同;上述对训练数据的要求由下列公式表示:
Figure BDA0002563831400000055
Figure BDA0002563831400000056
Figure BDA0002563831400000057
Figure BDA0002563831400000058
Figure BDA0002563831400000059
Figure BDA00025638314000000510
另外,为了训练时网络的学习能兼顾样本中不同的
Figure BDA00025638314000000511
须使每个不同的
Figure BDA00025638314000000512
所对应样本的平均二元交叉熵大小相似,因此为
Figure BDA00025638314000000513
不同的样本所对应的噪声n′(i)设置不同的标准差
Figure BDA00025638314000000517
也即设置不同的噪声功率;若都使用同样的噪声功率进行训练,则具有不同
Figure BDA00025638314000000514
的样本对应的接收SNR差别很大,因此平均二元交叉熵的差别也比较大;而且,元素大小相差较大的
Figure BDA00025638314000000515
意味着各个波长对应的信道衰减相差较大,信道的自由度减少了,所以通常需要较大的接收SNR才能达到与信道衰减相差不大的样本相似的BER性能,也即相似的平均二元交叉熵;因此,要想使得每个样本的平均二元交叉熵大小相似,必须根据
Figure BDA00025638314000000516
来对不同样本使用不同的噪声功率;
通过以上操作过程,即可完成所述步骤S2。
其中,所述步骤S3具体为:
发射机通过神经网络进行调制,将二进制比特序列b与反映信道和噪声功率的信息
Figure BDA0002563831400000061
输入到发射机神经网络中;记
Figure BDA0002563831400000062
其中bk(k=1,...,Nbit)∈{0,1},Nbit为比特数量;输入神经网络的
Figure BDA0002563831400000063
是接收机反馈回来的反映信道和噪声功率的信息;当
Figure BDA0002563831400000064
不变时,不同的输入b对应着发射机NLED维星座图上的不同的点;当
Figure BDA0002563831400000065
变化时,通过发射机神经网络,这个NLED维星座图也发生变化;因此,发射机能根据信道和噪声功率特征自适应地调整星座图,以期达到当前信道特征下的最优BER性能;在整个发射过程中,发射机先发送帧头
Figure BDA0002563831400000066
然后再一直发送不同的多维符号
Figure BDA0002563831400000067
直到这一帧结束。
其中,在发射机中,神经网络的输出s′经过削波并乘以发射机平均光功率PO,T,生成s,最后发射出去,具体表示为:
s=PO,T·max{0,s′}
其中,max{0,x}表示将向量中所有负数元素变成0,非负数元素保持不变。
其中,在发射机中,所述Nbit越大,神经网络输出的每个NLED维符号
Figure BDA0002563831400000068
所携带的比特数就越多,也即调制阶数越大,频谱效率越高。
其中,所述步骤S4具体为:
接收机接收到数据符号后,首先进行帧同步,同步后将NLED个帧头
Figure BDA0002563831400000069
输入到SNR估计器中,令:
Figure BDA00025638314000000610
Figure BDA00025638314000000611
Figure BDA00025638314000000612
其中,
Figure BDA00025638314000000613
为噪声nk的功率;将SNR估计器的输出记为
Figure BDA00025638314000000614
Figure BDA00025638314000000615
其中,
Figure BDA00025638314000000616
为h的估计,
Figure BDA00025638314000000617
为σn的估计。
其中,所述步骤S5具体为:
Figure BDA0002563831400000071
进行归一化处理,输出
Figure BDA0002563831400000072
具体表示为:
Figure BDA0002563831400000073
其中max{·}表示求最大值;接着对
Figure BDA0002563831400000074
中的每个值通过NQ比特的均匀量化操作,具体为:
Figure BDA0002563831400000075
其中,
Figure BDA0002563831400000076
其中,所述步骤S6具体为:
接收机的NLED维符号r经过接收处理模块,在SNR估计器输出的
Figure BDA0002563831400000077
Figure BDA0002563831400000078
的帮助下,得到
Figure BDA0002563831400000079
具体表示为:
Figure BDA00025638314000000710
接收机的神经网络以r′和缓存器输出的上一帧的信道和噪声功率信息
Figure BDA00025638314000000711
为输入,解调输出对发射机信息比特序列b的估计
Figure BDA00025638314000000712
其中,所述步骤S7具体为:
量化后输出的
Figure BDA00025638314000000713
有两个流向,其中一个流向是输入到接收机缓存器中用于下一帧的解调,另一个流向是反馈回发射机;具体的,先使用自然二进制码将
Figure BDA00025638314000000714
编码为NQ·NLED个比特,再使用基于终止卷积码的线性分组不等差错保护码进行信道编码,然后通过反馈信道反馈到发射机,最后发射机进行信道解码后将
Figure BDA00025638314000000715
输入到缓存器中,用于下一帧的调制。
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多波长LED水下可见光通信调制方法,使用多个不同波长(Multi-Wavelength,MW)的LED,并基于深度学习神经网络,利用接收机估计的信道和噪声功率信息进行自适应的调制解调;通过训练,本方法不但能满足基于强度调制和直接检测的VLC的非负实信号要求,还能保持发射机星座图平均光功率恒定,并能自动适应不同的水下信道特征,在大多数水下环境中比已有方案在相同的频谱效率下达到更好的BER性能。
附图说明
图1为本发明所述方法流程图;
图2为本发明MW-AAE方案的系统框图;
图3为MW-AAE深度学习自动编码器结构示意图;
图4为不同距离不同水体不同湍流强度下各方案的BER性能仿真结果对比图一;
图5为不同距离不同水体不同湍流强度下各方案的BER性能仿真结果对比图二。
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,本发明提供一种基于深度学习的多波长LED水下可见光通信调制方法,包括以下步骤:
S1:构建使用多个不同波长并基于深度学习自动编码器的通信系统,即构建MW-AAE系统;
S2:构建深度学习神经网络,并对神经网络进行训练;
S3:在发射机中通过神经网络进行调制,根据帧设计的结果将每一帧数据进行发送;
S4:接收机接收数据并进行帧同步操作,得到SNR估计器的输出;
S5:对SNR估计器的输出进行归一化处理后,对每个值进行均匀量化操作,输出噪声功率信息;
S6:接收机的神经网络根据SNR估计器输出的噪声功率信息为输入,解调得到发射机信息比特序列的估计;
S7:接收机的缓存器将当前的噪声功率信息用于下一帧的解调,并通过反馈信道将噪声功率信息反馈回发射机中,用于对下一帧的调制,直至所有帧完成调制发送、接收过程。
在具体实施过程中,本发明提供的基于深度学习的多波长LED水下可见光通信调制方法,使用多个不同波长(Multi-Wavelength,MW)的LED,并基于深度学习神经网络,利用接收机估计的信道和噪声功率信息进行自适应的调制解调;通过训练,本方法不但能满足基于强度调制和直接检测的VLC的非负实信号要求,还能保持发射机星座图平均光功率恒定,并能自动适应不同的水下信道特征,在大多数水下环境中比已有方案在相同的频谱效率下达到更好的BER性能。
实施例2
更具体的,在实施例1的基础上,本发明设计的MW-AAE方案应用于开放海域水体和近海水域水体中的短距离水下VLC漫射链路场景。在不同的湍流强度、不同的距离以及不同的水体下的水下VLC仿真结果表明,本发明设计的MW-AAE方案在大多数水下环境中比已有方案在相同的频谱效率下具有更好的BER性能。
本发明设计的MW-AAE方案的系统框图如图2所示。注意,为了便于理解,图2只是本发明设计的方案的一个具体实施例,实际上本发明设计的方案也可以使用除了红、绿、蓝之外的其他不同波长的多个LED进行通信。
A.水下多波长VLC信道:
本发明首先对水下多波长VLC信道进行说明。由于水下VLC信道的时间色散较小,所以当信号的符号速率不高时,可以忽略水下VLC信道的时间色散。而湍流效应可以建模为一个乘法湍流衰落系数。因此,假设不同波长的LED光信号在接收机可以通过光学滤镜完全隔离,则水下VLC信道可由以下公式表示:
Figure BDA0002563831400000091
其中k∈{1,...,NLED},NLED表示LED的数量;rk表示第k个光电检测器检测到的信号;sk表示第k个LED的发射信号;
Figure BDA0002563831400000092
表示第k路信号(从第k个LED到对应波长的第k个光学滤镜和光电检测器)的湍流衰落系数;hP,k表示第k路信号在水下VLC信道的路径损耗;hO,k表示第k路接收机光学滤镜的效率;hG,k表示第k路接收机光电检测器的光电转换因子;nk表示第k个光电检测器的加性高斯白噪声(Additive White Gaussian Noise,AWGN)。记第k路的光信号在真空中波长为λk。本发明设计的方案使用不同波长的LED,所以各路信号的波长λk是不相同的。公式(1)中的
Figure BDA0002563831400000101
hP,k、hO,k、hG,k和nk均与λk有关。
B.帧设计:
由于水下多波长VLC信道中有湍流效应引起的时变的衰落,所以本发明进行了对应的帧设计。
图2中的帧头
Figure BDA0002563831400000102
的作用是进行接收端的帧同步和信道、噪声功率的估计。另外,因为水下VLC信道的湍流衰落的相干时间通常在10-5s到10-2s之间[6],所以帧长应设置为小于5×10-6s,即小于信道相干时间的一半。此时,我们能够保证同一路信号两帧内的信道几乎相同。又因为图2中
Figure BDA0002563831400000103
的反映的是信道和接收机噪声功率的特征,所以若假设噪声功率不变,则
Figure BDA0002563831400000104
在两帧内几乎相同。因此,通过设置图2中的发射机的缓存器和接收机的缓存器,可以使得输入接收机神经网络的
Figure BDA0002563831400000105
与当前待解调的符号在发射机神经网络调制时所使用的
Figure BDA0002563831400000106
是相同的,并始终与当前实际的信道特征一致。也就是说,发射机神经网络的调制和接收机神经网络对应的解调能够利用相同的信道和噪声功率信息
Figure BDA0002563831400000107
这有助于调制解调的正常进行。
C.发射机:
本发明设计的方案的发射机先发送帧头
Figure BDA0002563831400000108
然后再一直发送不同的多维符号
Figure BDA0002563831400000109
直到这一帧结束。这一过程在图2中以两路选择开关的方式表示。
如图2所示,发射机通过神经网络进行调制,将二进制比特序列b与反映信道和噪声功率的信息
Figure BDA00025638314000001010
输入到发射机神经网络中。记
Figure BDA00025638314000001011
其中bk(k=1,...,Nbit)∈{0,1},Nbit为比特数量。Nbit越大,神经网络输出的每个NLED维符号
Figure BDA00025638314000001012
所携带的比特数就越多,也即调制阶数越大,频谱效率越高。输入神经网络的
Figure BDA00025638314000001013
是接收机反馈回来的反映信道和噪声功率的信息。当
Figure BDA00025638314000001014
不变时,不同的输入b对应着发射机NLED维星座图上的不同的点;当
Figure BDA00025638314000001015
变化时,通过发射机神经网络,这个NLED维星座图也发生变化。因此,发射机能根据信道和噪声功率特征自适应地调整星座图,以期达到当前信道特征下的最优BER性能。
在发射处理模块中,神经网络的输出s′经过削波并乘以发射机平均光功率PO,T,生成s,最后发射出去,如下式所示:
s=PO,T·max{0,s′} (2)
其中max{0,x}表示将向量中所有负数元素变成0,非负数元素保持不变。记输入为
Figure BDA0002563831400000111
时发射机发射信号的星座图的符号集合为
Figure BDA0002563831400000112
则发射的数据符号
Figure BDA0002563831400000113
须满足下列条件:
Figure BDA0002563831400000114
Figure BDA0002563831400000115
公式(3)是基于IM/DD的VLC系统对发射信号的非负要求;公式(4)是对发射机平均光功率的要求。
本发明设计的方案对发射机LED和接收机光电检测器的空间位置没有特殊的要求,但一般地,LED的空间分布与光电检测器的空间分布应相同,这样可以尽量使得LED与对应的光电检测器一一对准,最大化接收信号的信噪比(Signal to Noise Ratio,SNR)。
D.接收机:
接收机首先进行帧同步,同步后将NLED个帧头
Figure BDA0002563831400000116
输入到SNR估计器中,如图2所示。令:
Figure BDA0002563831400000117
Figure BDA0002563831400000118
Figure BDA0002563831400000119
其中
Figure BDA00025638314000001110
为噪声nk的功率。将SNR估计器的输出记为
Figure BDA00025638314000001111
Figure BDA00025638314000001112
如图2所示。其中,
Figure BDA00025638314000001113
为h的估计,
Figure BDA00025638314000001114
为σn的估计。
Figure BDA00025638314000001115
通过归一化,输出
Figure BDA00025638314000001116
如下所示:
Figure BDA00025638314000001117
其中max{·}表示求最大值。
Figure BDA0002563831400000121
中的每个值通过NQ比特的均匀量化操作,输出
Figure BDA0002563831400000122
如下所示:
Figure BDA0002563831400000123
量化后输出的
Figure BDA0002563831400000124
有两个流向,其中一个流向是输入到接收机缓存器中用于下一帧的解调,另一个流向是反馈回发射机。具体地,先使用自然二进制码将
Figure BDA0002563831400000125
编码为NQ·NLED个比特,再使用文献[11]提出的基于终止卷积码的线性分组不等差错保护码进行信道编码,然后通过反馈信道反馈到发射机,最后发射机进行信道解码后将
Figure BDA0002563831400000126
输入到缓存器中,用于下一帧的调制。此处的反馈信道可以使用水下RF通信信道,也可以通过时分双工的方式使用水下VLC信道。
当接收机接收完帧头
Figure BDA0002563831400000127
之后,就开始一直接收不同的多维数据符号r直到这一帧结束。这一过程在图2中以两路选择开关的方式表示。
接收到的NLED维符号r经过接收处理模块,在SNR估计器输出的
Figure BDA0002563831400000128
Figure BDA0002563831400000129
的帮助下,生
Figure BDA00025638314000001210
如下所示:
Figure BDA00025638314000001211
如图2所示,接收机的神经网络以r′和缓存器输出的上一帧的信道和噪声功率信息
Figure BDA00025638314000001212
为输入,解调输出对发射机信息比特序列b的估计
Figure BDA00025638314000001213
值得说明的是,输出
Figure BDA00025638314000001214
是估计比特的软信息(比特为1的概率),如果需要输出硬比特(0或1),则需要进行门限为0.5的判决。而如果结合前向纠错编码技术,那么该方案解调输出的软比特将会为信道解码带来非常有利的优势。
下面将对本发明设计的MW-AAE系统中的神经网络部分(如图2所示)即深度学习自动编码器进行设计。
E.MW-AAE深度学习自动编码器的结构设计:
如图3所示,为了满足基于IM/DD的VLC调制技术的要求,并用于水下多波长LED自适应调制,本文设计了新的深度学习自动编码器结构。从图中可以看到,整个自动编码器的输入是b和
Figure BDA00025638314000001215
发射机部分的输出是s′,接收机部分的输入是r′和
Figure BDA0002563831400000131
整个自动编码器的输出是
Figure BDA0002563831400000132
注意,图3只是本发明设计的方案的一个具体实施例,其中发射机部分和接收机部分的中间的层数是可以改变的。
作为本发明设计的方案的一个具体实施例,记
Figure BDA0002563831400000133
并令上标(i)表示第i个训练或验证样本,则图3中各层的输出如下所示:
Figure BDA0002563831400000134
Figure BDA0002563831400000135
Figure BDA0002563831400000136
Figure BDA0002563831400000137
Figure BDA0002563831400000138
Figure BDA0002563831400000139
Figure BDA00025638314000001310
Figure BDA00025638314000001311
其中max{0,x}即是ReLU激活函数[12]T.O’Shea and J.Hoydis,“Anintroduction to deep learning for the physical layer,”IEEE Trans.onCogn.Commun.Netw.,vol3,no 4,pp.563–575,Dec.2017;sigm(·)表示sigmoid激活函数[12];
Figure BDA00025638314000001317
表示向量各元素分别相乘;各层的权重矩阵
Figure BDA00025638314000001312
Figure BDA00025638314000001313
和各层的偏置向量
Figure BDA00025638314000001314
Figure BDA00025638314000001315
为该网络需要进行学习的参数;n′(i)的各元素为服从独立高斯分布的随机变量。忽略
Figure BDA00025638314000001316
的量化和信号s′的削波的影响,公式(14)可由公式(1)、公式(2)、公式(5)、公式(8)和公式(10)得出。
图3中的发射机部分和接收机部分分别与图2所示的系统模型中的发射机神经网络模块和接收机神经网络模块对应。在离线训练和验证阶段时,采取图3的结构;在系统在线运行阶段时,则将图2所示的系统模型中的发射机神经网络模块和接收机神经网络模块替换为图3中已经完成训练的发射机部分和接收机部分即可。
F.MW-AAE深度学习自动编码器的损失函数设计:
由公式(2)、公式(3)和公式(4)可知,设计的自动编码器的发射机部分神经网络输出s′须满足下列条件:
Figure BDA0002563831400000141
Figure BDA0002563831400000142
其中,
Figure BDA0002563831400000143
表示输入为
Figure BDA0002563831400000144
时s′的星座图中的符号构成的集合。如果s′不能满足公式(19),则在系统在线运行阶段时信号将会被削波而失真,从而造成BER的上升;如果s′不能满足公式(20),则在系统在线运行阶段时,发射机的平均光功率将无法控制。所以,本发明提出利用损失函数来对s′进行约束。对于每一个样本数为J的minibatch[10]I.Goodfellow,Y.Bengio,and A.Courville,Deep learning.Cambridge,MA,USA:MITPress,2016,http://www.deeplearningbook.org,本发明设计的损失函数如下所示:
Figure BDA0002563831400000145
其中第一项表示样本平均的二元交叉熵,是比特解调误差所带来的损失;第二项代表的是s′不满足公式(19)的程度所带来的损失;第三项代表的是s′不满足公式(20)的程度所带来的损失。ζ123∈R+是三个系数,用于调节三个损失在训练过程中的相对重要性。一般来说,不能将ζ2和ζ3设置得太小,这样才能保证在训练后公式(19)和公式(20)得到满足。
G.MW-AAE深度学习自动编码器的训练数据:
公式(21)中的第三项损失对训练数据有顺序要求,即训练数据从第1个样本开始每
Figure BDA0002563831400000146
个样本
Figure BDA0002563831400000147
才改变一次,并且这
Figure BDA0002563831400000148
个样本遍历所有可能的比特序列,即其中每个样本的b(i)都不相同。上述对训练数据的要求可由下列公式表示:
Figure BDA0002563831400000149
Figure BDA0002563831400000151
另外,为了训练时网络的学习能兼顾样本中不同的
Figure BDA0002563831400000152
须使每个不同的
Figure BDA0002563831400000153
所对应样本的平均二元交叉熵大小(公式(21)的等号右边第一项)相似,因此我们为
Figure BDA0002563831400000154
不同的样本所对应的噪声n′(i)设置不同的标准差
Figure BDA00025638314000001511
也即设置不同的噪声功率。如果都使用同样的噪声功率进行训练,则具有不同
Figure BDA0002563831400000155
的样本对应的接收SNR差别很大,因此平均二元交叉熵的差别也比较大;而且,元素大小相差较大的
Figure BDA0002563831400000156
意味着各个波长对应的信道衰减相差较大,信道的自由度减少了,所以通常需要较大的接收SNR才能达到与信道衰减相差不大的样本相似的BER性能,也即相似的平均二元交叉熵。因此,要想使得每个样本的平均二元交叉熵大小相似,必须根据
Figure BDA0002563831400000157
来对不同样本使用不同的噪声功率。
基于上述的设计思路,本发明提出的MW-AAE水下VLC系统,通过使用多个不同波长的LED,基于深度学习自动编码器,能够利用当前估计的信道和噪声功率信息进行自适应的调制解调。通过训练,该方案不但能满足基于IM/DD的VLC的非负实信号要求,还能保持发射机星座图平均光功率恒定,并能自动适应不同的水下信道特征,以达到更好的BER性能。
实施例3
更具体的,作为本发明设计的方案的一个具体实施例,可以取NLED=3,λ1=625nm,λ2=525nm,λ3=470nm;3个LED和3个光电检测器都各自排成一条直线,LED形成的直线和光电检测器形成的直线相互平行,且每两个相邻的LED中心和每两个相邻的光电检测器中心之间的距离都相等,记为l0
在具体实施过程中,帧头
Figure BDA0002563831400000158
可采用巴克码;帧长可取4×10-6s;设置图2中的发射机的缓存器和接收机的缓存器,使得输入接收机神经网络的
Figure BDA0002563831400000159
与当前待解调的符号在发射机神经网络调制时所使用的
Figure BDA00025638314000001510
相同。
对基于图3以及公式(11)-(18)所示的神经网络结构进行训练。使用公式(21)所示的损失函数。作为本发明设计的方案的一个具体实施例,使用Adam算法[13]D.P.Kingmaand J.L.Ba,“Adam:a method for stochastic optimization,”in Proceedings of 3rdInternational Conference on Learning Representations(ICLR 2015),San Diego,CA,USA,7-9May2015,pp.1-15进行训练,并采用平台处自动降低学习率的算法(PyTorch 0.4.0的“ReduceLROnPlateau”Scheduler)来提升训练效果。另外,可使用以下方法产生训练集和验证集:
b(i)根据公式(23)的要求来产生,遍历所有的可能性。
Figure BDA0002563831400000161
需要满足公式(22)。在训练集样本中,对于每个需要生成的
Figure BDA0002563831400000162
随机选某一个元素取为1,其他元素在集合
Figure BDA0002563831400000163
中取值,其中0≤Δh≤1。训练集遍历满足上述要求的所有可能的
Figure BDA0002563831400000164
因此,Δh越小,集合H(Δh)越大,训练集的样本数也就越多。验证集的
Figure BDA0002563831400000165
的产生方法与上述训练集的基本相同,只是将集合H(Δh)改为
Figure BDA0002563831400000166
其中x为区间(0,Δh)中的随机数。这样设置的目的是让训练集的
Figure BDA0002563831400000167
能取到大多数可能取值的范围,且让验证集的
Figure BDA0002563831400000168
与训练集的都不相同。
每个样本的噪声n′(i)都根据高斯分布随机产生,其标准差
Figure BDA00025638314000001612
根据
Figure BDA0002563831400000169
产生,如下式所示:
Figure BDA00025638314000001610
其中b1和b2两个系数根据不同的每符号比特数Nbit来选择,可通过多次训练和仿真验证的过程来找到比较合适的值。
作为本发明设计的方案的一个具体实施例,对于Nbit=4和Nbit=6的网络,可以分别采用表1和表2所示的参数进行训练。
表1 Nbit=4网络的训练参数
参数 J ζ<sub>1</sub> ζ<sub>2</sub> ζ<sub>3</sub> 学习率 b<sub>1</sub> b<sub>2</sub> M<sub>1</sub> M<sub>2</sub> M<sub>4</sub> M<sub>5</sub> M<sub>6</sub> Δh
1600 16 2 2 0.001 20 100 512 256 512 256 64 0.002
表2 Nbit=6网络的训练参数
参数 J ζ<sub>1</sub> ζ<sub>2</sub> ζ<sub>3</sub> 学习率 b<sub>1</sub> b<sub>2</sub> M<sub>1</sub> M<sub>2</sub> M<sub>4</sub> M<sub>5</sub> M<sub>6</sub> Δh
6400 24 2 2 0.001 70 280 1024 512 1024 512 128 0.002
在发射机中,发射机先发送帧头
Figure BDA00025638314000001611
然后再一直发送不同的多维符号s,直到这一帧结束;
作为本发明设计的方案的一个具体实施例,s可为三维符号。
发射机通过神经网络进行调制,将二进制比特序列b与反映信道和噪声功率的信息
Figure BDA0002563831400000171
输入到发射机神经网络中;神经网络输出s′。
作为本发明设计的方案的一个具体实施例,可取Nbit=6。
发射机神经网络输出在发射处理模块中,神经网络的输出s′经过削波并乘以发射机平均光功率PO,T,生成s,最后发射出去,如公式(2)所示。
更具体的,在接收机中,接收机首先进行帧同步,同步后将NLED个帧头
Figure BDA0002563831400000172
输入到SNR估计器中,输出
Figure BDA0002563831400000173
Figure BDA0002563831400000174
如图2所示。
Figure BDA0002563831400000175
通过归一化,输出
Figure BDA0002563831400000176
如公式(8)所示;
Figure BDA0002563831400000177
中的每个值通过NQ比特的均匀量化操作,输出
Figure BDA0002563831400000178
如公式(9)所示;
作为本发明设计的方案的一个具体实施例,可取NQ为5或6。
Figure BDA0002563831400000179
的其中一个流向输入到接收机缓存器中用于下一帧的解调;对于
Figure BDA00025638314000001710
的另一个流向,先使用自然二进制码将
Figure BDA00025638314000001711
编码为NQ·NLED个比特,再使用文献[11]O.Bredtmann andA.Czylwik,“Linear unequal error protection codes based on terminatedconvolutional codes,”Journal of Communications and Networks,vol.17,no.1,pp.12-19,Feb.2015提出的基于终止卷积码的线性分组不等差错保护码进行信道编码,然后通过反馈信道反馈到发射机,最后发射机进行信道解码后将
Figure BDA00025638314000001712
输入到缓存器中,用于下一帧的调制;
当接收机接收完帧头
Figure BDA00025638314000001713
之后,就开始一直接收不同的多维数据符号r直到这一帧结束。
作为本发明设计的方案的一个具体实施例,r可为三维符号。
接收到的NLED维符号r经过接收处理模块,在SNR估计器输出的
Figure BDA00025638314000001714
Figure BDA00025638314000001715
的帮助下,生r′,如公式(10)所示。
接收机的神经网络以r′和缓存器输出的上一帧的信道和噪声功率信息
Figure BDA00025638314000001716
为输入,解调输出对发射机信息比特序列b的估计
Figure BDA00025638314000001717
为了更充分地阐述本发明所具有的有益效果,以下结合具体实施例与相关的仿真结果及分析,进一步对本发明的有效性和先进性予以说明。
使用Python 3.5和PyTorch 0.4.0完成了Nbit=4和Nbit=6时的MW-AAE深度学习自动编码器的训练。仿真时,我们使用对数正态分布[6][16]来建模公式(1)中的αT,k;结合基于叶绿素浓度的单参数模型[4]和蒙特卡洛仿真方法[5]计算公式(1)中的hP,k;假设所有光学滤镜效率相同,也即假设公式(1)中的hO,k与λk无关,记为hO;对于公式(1)中的hG,k,可由下式得到[5]:
Figure BDA0002563831400000181
其中qe表示电子电荷;Gdet表示光电检测器的电域增益;γQE表示光电检测器的量子效率;hC表示普朗克常数;
Figure BDA0002563831400000182
表示光子频率,其中cL表示真空中的光速。对于公式(1)中的nk的噪声功率
Figure BDA0002563831400000183
可由下式得到[5]:
Figure BDA0002563831400000184
其中B表示带宽;ID表示检测器的暗电流;kB表示玻尔兹曼常数;Te表示检测器温度;RL表示检测器的等效负载电阻;Psol,k表示第k路光电检测器接收到的背景太阳光功率,可由下式计算[14]S.Jaruwatanadilok,“Underwater wireless optical communicationchannel modeling and performance evaluation using vector radiative transfertheory,”IEEE J.Sel.Areas Commun.,vol.26,no.9,pp.1620-1627,Dec.2008:
Figure BDA0002563831400000185
其中,D表示检测器孔径(直径);θFOV表示以弧度为单位的检测器的全角视场角(Field Of View,FOV);Δλ表示光学滤镜的带宽;Lsol,k表示太阳辐射在第k路对应的波长λk处的强度,可由下式计算[14]:
Figure BDA0002563831400000186
其中,Ed(0,λk)表示水平面(海平面)的下降面辐照度,数据来源于U.S.Departmentof Energy(DOE)/NREL/ALLIANCE中的ASTM G173-03参考光谱的直接法向光谱;Rd表示下降面辐照度的反射系数;Lfac表示水下辐射强度受方向影响的一个因子;z表示深度;
Figure BDA0002563831400000187
表示平均下降面辐照度漫衰减系数[15]C.D.Mobley,Light and water:radiativetransfer in natural waters,San Diego,CA,USA:Academic Press,1994,不同水体不同波长的
Figure BDA0002563831400000188
不相同,数据来源于文献[3]。
对训练好的Nbit=6的MW-AAE进行水下VLC的BER性能仿真,仿真中上述的模型。我们在不同水下环境中将MW-AAE方案的BER性能与文献中已有的方案进行对比。这些参照方案如下所示:64-CSK[17]L.Jia,J.-Y.Wang,W.Zhang,M.Chen,and J.-B.Wang,“Symbolerror rate analysis for colour-shift keying modulation in visible lightcommunication system with RGB light-emitting diodes,”IET Optoelectronics,vol.9,no.5,pp.199-206,Oct.2015、BWS[7]、MPC[7]、MIMO[6]、SISO和不带功率控制的复用方案(本文称为MNPC)。其中SISO指使用单个LED和单个光电检测器的PAM方案;MNPC则是MPC方案去掉功率控制后的方案。我们主要给出并分析各方案在短距离漫射链路场景下的BER性能,主要仿真参数如表3所示。在对比中,我们假设所有方案的反馈都没有错误,并且不考虑量化带来的误差。所有方案的对比都是在相同的频谱效率下进行的。SISO、MIMO、BWS、MPC和MNPC方案采用PAM以达到与其余方案相同的频谱效率。在BER性能的对比与分析中,我们考虑了dP=2m和dP=4m两种距离,考虑了JerlovI和Jerlov1两种水体以代表清澈水体和稍浑浊水体,并取χT=1×10-5K2/s和χT=1×10-8K2/s以分别代表较强和较弱两种湍流效应[16]O.Korotkova,N.Farwell,E.Shchepakina,“Light scintillation in oceanicturbulence,”Waves in Random and Complex Media,vol.22,no.2,pp.260-266,May2012。仿真结果如图4、图5所示。
表3水下VLC性能仿真的主要参数
Figure BDA0002563831400000201
从图4、图5中可以看出,在仿真的水下环境中,本章提出的MW-AAE方案具有比已有方案更优的BER性能。具体分析如下:
在所有仿真的水下环境中,提出的MW-AAE方案比所有SISO方案都具有更优的BER性能。这是因为MW-AAE方案利用了3条通信链路,而SISO方案只利用了一条通信链路,因此要达到和MW-AAE方案一样的频谱效率,必须利用高阶的PAM,因此更加容易产生误码。
在所有仿真的水下环境中,提出的MW-AAE方案比BWS方案都具有更优的BER性能。BWS方案可以根据湍流效应带来的时变的信道衰落自适应地选择最优的链路进行通信,因此会比SISO方案的BER性能更优。但是,和SISO一样,BWS方案在每个时刻只利用了一条通信链路。因此与SISO方案同理,BWS方案需要利用高阶的PAM以达到和MW-AAE方案一样的频谱效率,因此BWS方案的BER性能比MW-AAE方案差。
在所有仿真的水下环境中,提出的MW-AAE方案比64-CSK方案都具有更优的BER性能。这是因为CSK是用于室内VLC的,因此设计CSK星座图时有白光和每个星座点的光功率都相等两个限制,导致64-CSK的星座图都是二维的。相比于MW-AAE方案的三维星座图,64-CSK的二维星座图具有较小的最小欧式距离,因此BER性能相比于MW-AAE方案更差。另外,64-CSK的星座图都是固定的,不能很好地应对湍流效应所带来的时变的信道衰落。
在所有仿真的水下环境中,提出的MW-AAE方案比MNPC方案和MPC方案都具有更好的BER性能。这是因为MW-AAE方案中的深度神经网络能学习到不同的水下信道所对应的不同的最优星座图,因此可以在不同的水下环境中利用对应的最优星座图进行通信,因此在时变的水下VLC信道中具有更优的BER性能。MNPC方案不进行功率控制,每一路都分配同样的功率,并且每一路的调制阶数相同,即相当于只采用一种立方体样式的星座图。因此,在湍流效应较弱并且3条链路的接收信号SNR都相似时,MNPC方案的BER性能和MW-AAE方案相比相差不大,如图5所示。但是,当湍流效应较强时或距离稍远导致3条链路的接收信号SNR相差较大时,MNPC方案的BER性能与MW-AAE方案相比就有较大差距,如图4、图5的其他图所示。MPC方案是在MNPC方案基础上加上功率控制,使得每一路的接收信号SNR相同。这样能使BER性能得到一定提升,但是这种功率控制的方法不是最优的方法。因为MPC功率控制方法在信噪比较差的链路分配更大的发射功率,这相当于减少了其他链路的发射功率,导致其他链路的BER性能大大下降。
在所有仿真的水下环境中,提出的MW-AAE方案比所有MIMO方案都具有更优的BER性能。这是因为MW-AAE方案使用了3个独立的通信链路,而这里的MIMO方案只使用同一种波长进行通信。所以,MW-AAE方案的3个独立链路能提供3个自由度,而MIMO方案的所有链路都是相关的。因此,MIMO方案需要采用高阶的PAM来提高频谱效率,以使得频谱效率和MW-AAE方案的3个自由度所实现的频谱效率相同。高阶的PAM导致了MIMO方案具有较差的BER性能。
通过上述的不同的湍流强度、不同的距离以及不同的水体下的水下VLC仿真结果可以得出,本发明设计的MW-AAE方案应用于短距离水下VLC漫射链路场景时,在大多数水下环境中比已有方案在相同的频谱效率下具有更好的BER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。

Claims (8)

1.基于深度学习的多波长LED水下可见光通信调制方法,其特征在于,包括以下步骤:
S1:构建使用多个不同波长并基于深度学习自动编码器的通信系统,即构建MW-AAE系统;
S2:构建深度学习神经网络,并对神经网络进行训练;
S3:在发射机中通过神经网络进行调制,根据帧设计的结果将每一帧数据进行发送;
S4:接收机接收数据并进行帧同步操作,得到SNR估计器的输出;
S5:对SNR估计器的输出进行归一化处理后,对每个值进行均匀量化操作,输出噪声功率信息;
S6:接收机的神经网络根据SNR估计器输出的噪声功率信息为输入,解调得到发射机信息比特序列的估计;
S7:接收机的缓存器将当前的噪声功率信息用于下一帧的解调,并通过反馈信道将噪声功率信息反馈回发射机中,用于对下一帧的调制,直至所有帧完成调制发送、接收过程;
其中,在所述步骤S1中,对MW-AAE系统中的水下多波长VLC信道进行表示并完成帧设计,具体为:
由于水下VLC信道的时间色散小,因此当信号的符号速率不高时,忽略水下VLC信道的时间色散;同时,湍流效应可以建模为一个乘法湍流衰落系数,因此,假设不同波长的LED光信号在接收机可以通过光学滤镜完全隔离,则水下VLC信道表示为:
Figure FDA0002988724900000011
式中,k∈{1,...,NLED},NLED表示LED的数量;rk表示第k个光电检测器检测到的信号;sk表示第k个LED的发射信号;
Figure FDA0002988724900000012
表示第k路信号的湍流衰落系数,即从第k个LED到对应波长的第k个光学滤镜和光电检测器的湍流衰落系数;hP,k表示第k路信号在水下VLC信道的路径损耗;hO,k表示第k路接收机光学滤镜的效率;hG,k表示第k路接收机光电检测器的光电转换因子;nk表示第k个光电检测器的加性高斯白噪声;记第k路的光信号在真空中波长为λk,则
Figure FDA0002988724900000013
hP,k、hO,k、hG,k和nk均与λk有关;
由于水下多波长VLC信道中有湍流效应引起的时变的衰落,因此需要对系统进行对应的帧设计,具体为:
设计帧头
Figure FDA0002988724900000021
用于进行接收机的帧同步和信道、噪声功率的估计;另外,因为水下VLC信道的湍流衰落的相干时间通常在10-5s到10-2s之间,因此帧长应设置为小于5×10- 6s,即小于信道相干时间的一半;又因为噪声功率信息
Figure FDA0002988724900000022
的反映的是信道和接收机噪声功率的特征,所以若假设噪声功率不变,则
Figure FDA0002988724900000023
在两帧内几乎相同,因此通过设置发射机的缓存器和接收机的缓存器,使得输入接收机神经网络的
Figure FDA0002988724900000024
与当前待解调的符号在发射机神经网络调制时所使用的
Figure FDA0002988724900000025
是相同的,并始终与当前实际的信道特征一致;
其中:所述步骤S2具体为:
构建深度学习神经网络,其中输入为发射机信息比特序列b和噪声功率信息
Figure FDA0002988724900000026
发射机部分的输出为每个NLED维符号s′,接收机部分的输入为r′和
Figure FDA0002988724900000027
神经网络的输出为发射机信息比特序列b的估计
Figure FDA0002988724900000028
其中,发射机和接收机部分的中间层数是可以改变的;
接着设计神经网络的损失函数对神经网络进行训练,由于设计的发射机部分神经网络输出s′必须满足下列条件:
条件一:s′k≥0,
Figure FDA0002988724900000029
条件二:
Figure FDA00029887249000000210
对所有可能的
Figure FDA00029887249000000211
其中,P′O,T表示发射机的平均光功率,输出
Figure FDA00029887249000000212
表示输入为
Figure FDA00029887249000000213
时s′的星座图中的符号构成的集合;因此,设计损失函数对s′进行约束,对于每一个样本数为J的minibatch,具体表示为:
Figure FDA00029887249000000214
其中,第一项表示样本平均的二元交叉熵,是比特解调误差所带来的损失;第二项代表的是s′不满足条件一的程度所带来的损失;第三项代表的是s′不满足条件二的程度所带来的损失;ζ123∈R+是三个系数,用于调节三个损失在训练过程中的相对重要性;
最后,根据损失函数对神经网络进行训练;其中,损失函数对训练数据有顺序要求,即训练数据从第1个样本开始每
Figure FDA0002988724900000031
个样本
Figure FDA0002988724900000032
才改变一次,并且这
Figure FDA0002988724900000033
个样本遍历所有可能的比特序列,即其中每个样本的b(i)都不相同;上述对训练数据的要求由下列公式表示:
Figure FDA0002988724900000034
Figure FDA0002988724900000035
Figure FDA0002988724900000036
Figure FDA0002988724900000037
Figure FDA0002988724900000038
Figure FDA0002988724900000039
另外,为了训练时网络的学习能兼顾样本中不同的
Figure FDA00029887249000000310
须使每个不同的
Figure FDA00029887249000000311
所对应样本的平均二元交叉熵大小相似,因此为
Figure FDA00029887249000000312
不同的样本所对应的噪声n′(i)设置不同的标准差
Figure FDA00029887249000000313
也即设置不同的噪声功率;若都使用同样的噪声功率进行训练,则具有不同
Figure FDA00029887249000000314
的样本对应的接收SNR差别很大,因此平均二元交叉熵的差别也比较大;而且,元素大小相差较大的
Figure FDA00029887249000000315
意味着各个波长对应的信道衰减相差较大,信道的自由度减少了,所以通常需要较大的接收SNR才能达到与信道衰减相差不大的样本相似的BER性能,也即相似的平均二元交叉熵;因此,要想使得每个样本的平均二元交叉熵大小相似,必须根据
Figure FDA00029887249000000316
来对不同样本使用不同的噪声功率;
通过以上操作过程,即可完成所述步骤S2。
2.根据权利要求1所述的基于深度学习的多波长LED水下可见光通信调制方法,其特征在于,所述步骤S3具体为:
发射机通过神经网络进行调制,将二进制比特序列b与反映信道和噪声功率的信息
Figure FDA00029887249000000317
输入到发射机神经网络中;记
Figure FDA00029887249000000318
其中bk(k=1,...,Nbit)∈{0,1},Nbit为比特数量;输入神经网络的
Figure FDA00029887249000000319
是接收机反馈回来的反映信道和噪声功率的信息;当
Figure FDA00029887249000000320
不变时,不同的输入b对应着发射机NLED维星座图上的不同的点;当
Figure FDA00029887249000000321
变化时,通过发射机神经网络,这个NLED维星座图也发生变化;因此,发射机能根据信道和噪声功率特征自适应地调整星座图,以期达到当前信道特征下的最优BER性能;在整个发射过程中,发射机先发送帧头
Figure FDA0002988724900000041
然后再一直发送不同的多维符号
Figure FDA0002988724900000042
直到这一帧结束。
3.根据权利要求2所述的基于深度学习的多波长LED水下可见光通信调制方法,其特征在于,在发射机中,神经网络的输出s′经过削波并乘以发射机平均光功率PO,T,生成s,最后发射出去,具体表示为:
s=PO,T·max{0,s′}
其中,max{0,x}表示将向量中所有负数元素变成0,非负数元素保持不变。
4.根据权利要求2所述的基于深度学习的多波长LED水下可见光通信调制方法,其特征在于,在发射机中,所述Nbit越大,神经网络输出的每个NLED维符号
Figure FDA0002988724900000043
所携带的比特数就越多,也即调制阶数越大,频谱效率越高。
5.根据权利要求2所述的基于深度学习的多波长LED水下可见光通信调制方法,其特征在于,所述步骤S4具体为:
接收机接收到数据符号后,首先进行帧同步,同步后将NLED个帧头
Figure FDA0002988724900000044
输入到SNR估计器中,令:
Figure FDA0002988724900000045
Figure FDA0002988724900000046
Figure FDA0002988724900000047
其中,
Figure FDA0002988724900000048
为噪声nk的功率;将SNR估计器的输出记为
Figure FDA0002988724900000049
Figure FDA00029887249000000410
其中,
Figure FDA00029887249000000411
为h的估计,
Figure FDA00029887249000000412
为σn的估计。
6.根据权利要求5所述的基于深度学习的多波长LED水下可见光通信调制方法,其特征在于,所述步骤S5具体为:
Figure FDA00029887249000000413
进行归一化处理,输出
Figure FDA00029887249000000414
具体表示为:
Figure FDA0002988724900000051
其中max{·}表示求最大值;接着对
Figure FDA0002988724900000052
中的每个值通过NQ比特的均匀量化操作,具体为:
Figure FDA0002988724900000053
其中,
Figure FDA0002988724900000054
7.根据权利要求6所述的基于深度学习的多波长LED水下可见光通信调制方法,其特征在于,所述步骤S6具体为:
接收机的NLED维符号r经过接收处理模块,在SNR估计器输出的
Figure FDA0002988724900000055
Figure FDA0002988724900000056
的帮助下,得到
Figure FDA0002988724900000057
具体表示为:
Figure FDA0002988724900000058
接收机的神经网络以r′和缓存器输出的上一帧的信道和噪声功率信息
Figure FDA0002988724900000059
为输入,解调输出对发射机信息比特序列b的估计
Figure FDA00029887249000000510
8.根据权利要求7所述的基于深度学习的多波长LED水下可见光通信调制方法,其特征在于,所述步骤S7具体为:
量化后输出的
Figure FDA00029887249000000511
有两个流向,其中一个流向是输入到接收机缓存器中用于下一帧的解调,另一个流向是反馈回发射机;具体的,先使用自然二进制码将
Figure FDA00029887249000000512
编码为NQ·NLED个比特,再使用基于终止卷积码的线性分组不等差错保护码进行信道编码,然后通过反馈信道反馈到发射机,最后发射机进行信道解码后将
Figure FDA00029887249000000513
输入到缓存器中,用于下一帧的调制。
CN202010616305.0A 2020-06-30 2020-06-30 基于深度学习的多波长led水下可见光通信调制方法 Active CN111786724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010616305.0A CN111786724B (zh) 2020-06-30 2020-06-30 基于深度学习的多波长led水下可见光通信调制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010616305.0A CN111786724B (zh) 2020-06-30 2020-06-30 基于深度学习的多波长led水下可见光通信调制方法

Publications (2)

Publication Number Publication Date
CN111786724A CN111786724A (zh) 2020-10-16
CN111786724B true CN111786724B (zh) 2021-07-09

Family

ID=72760468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010616305.0A Active CN111786724B (zh) 2020-06-30 2020-06-30 基于深度学习的多波长led水下可见光通信调制方法

Country Status (1)

Country Link
CN (1) CN111786724B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114978310B (zh) * 2021-02-22 2024-02-20 广州视源电子科技股份有限公司 使用光谱进行通信的方法、装置、处理器与电子设备
CN113141214B (zh) * 2021-04-06 2022-03-15 中山大学 基于深度学习的水下光通信失准鲁棒盲接收机设计方法
CN113411122B (zh) * 2021-05-08 2022-09-06 西安理工大学 一种基于深度学习的日盲紫外光通信自适应信号检测方法
CN113328807B (zh) * 2021-05-27 2023-04-18 长春理工大学 一种深空光通信中dmppm调制方法及系统
CN113364528B (zh) * 2021-06-07 2022-05-03 中山大学 一种基于深度条件生成对抗网络的水下无线光通信接收机
CN113225281B (zh) * 2021-07-08 2021-10-29 中国科学院空天信息创新研究院 应用于水下远距离高速光通信系统的数据传输方法及装置
CN113890633B (zh) * 2021-11-11 2023-10-20 中国船舶重工集团公司第七一五研究所 一种基于深度神经网络的水声通信体制自适应选取方法
CN114866144B (zh) * 2022-04-29 2024-01-23 北京智芯微电子科技有限公司 基于可见光通信的数据传输方法、装置、设备及存储介质
CN116506261B (zh) * 2023-06-27 2023-09-08 南昌大学 一种可见光通信感知方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105680941A (zh) * 2016-02-26 2016-06-15 中国科学技术大学 一种基于可见光的水下led长距离通信系统
CN107317634A (zh) * 2017-06-20 2017-11-03 中国科学技术大学 智能水下无线光通信系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10224634B2 (en) * 2016-11-03 2019-03-05 At&T Intellectual Property I, L.P. Methods and apparatus for adjusting an operational characteristic of an antenna

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105680941A (zh) * 2016-02-26 2016-06-15 中国科学技术大学 一种基于可见光的水下led长距离通信系统
CN107317634A (zh) * 2017-06-20 2017-11-03 中国科学技术大学 智能水下无线光通信系统

Also Published As

Publication number Publication date
CN111786724A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111786724B (zh) 基于深度学习的多波长led水下可见光通信调制方法
CN109714086B (zh) 基于深度学习的优化mimo检测方法
CN110581732B (zh) 基于神经网络的室内可见光通信多目标优化系统及方法
Stavridis et al. Performance evaluation of space modulation techniques in VLC systems
Chatzidiamantis et al. Iterative near maximum-likelihood sequence detection for MIMO optical wireless systems
Ulkar et al. VLCnet: Deep learning based end-to-end visible light communication system
CN112583458B (zh) 基于深度学习和无线变换网络的mimo端到端传输系统
Mesleh et al. On the effect of Gaussian imperfect channel estimations on the performance of space modulation techniques
CN111431619A (zh) 一种广义空时脉冲位置调制方法
CN113141214B (zh) 基于深度学习的水下光通信失准鲁棒盲接收机设计方法
Zou et al. Underwater wireless optical communication with one-bit quantization: A hybrid autoencoder and generative adversarial network approach
CN112398535B (zh) 基于概率整形提升非正交多址可见光通信传输容量的方法
CN101355377B (zh) 一种多输入多输出v-balst系统信号检测方法
Li et al. Precoded optical spatial modulation for indoor visible light communications
Huang et al. Deep learning based parallel detector for MIMO systems
CN111431620B (zh) 一种基于ppm调制的差分空间调制系统的构建方法
CN116015536A (zh) 一种非相干反射调制的方法
Le-Tran et al. Enhanced multi-level multi-pulse modulation for MIMO visible light communication
Mroueh et al. Quadratic extension field codes for free space optical intensity communications
Zhao et al. Link adaptation in Underwater Wireless Optical Communications based on deep learning
Kaur et al. Analysis of MIMO FSO over different Modulation Techniques.
Walter et al. Deep learning based optical camera communications
Ma et al. Design of DBN based Demodulator in Underwater Wireless Optical Communications
Al Hammadi et al. Joint Power Allocation and LED Transmission Angle Tuning in NOMA-Enabled VLC Networks
Chen et al. Experimental demonstration of a hybrid OFDMA/NOMA scheme for multi-user underwater wireless optical communication systems

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