CN111786724B

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

Info

Publication number: CN111786724B
Application number: CN202010616305.0A
Authority: CN
Inventors: 江明; 杨子贤
Original assignee: Sun Yat Sen University
Current assignee: Sun Yat Sen University
Priority date: 2020-06-30
Filing date: 2020-06-30
Publication date: 2021-07-09
Anticipated expiration: 2040-06-30
Also published as: CN111786724A

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：

式中，k∈{1,...,N_LED}，N_LED表示LED的数量；r_k表示第k个光电检测器检测到的信号；s_k表示第k个LED的发射信号；

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；h_P,k表示第k路信号在水下VLC信道的路径损耗；h_O,k表示第k路接收机光学滤镜的效率；h_G,k表示第k路接收机光电检测器的光电转换因子；n_k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λ_k，则

h_P,k、h_O,k、h_G,k和n_k均与λ_k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

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

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

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

与当前待解调的符号在发射机神经网络调制时所使用的

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

发射机部分的输出为每个N_LED维符号s′，接收机部分的输入为r′和

神经网络的输出为发射机信息比特序列b的估计

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,

条件二：

对所有可能的

其中，P′_O,T表示发射机的平均光功率，输出

表示输入为

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：

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；ζ₁,ζ₂,ζ₃∈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

个样本

才改变一次，并且这

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：

另外，为了训练时网络的学习能兼顾样本中不同的

须使每个不同的

所对应样本的平均二元交叉熵大小相似，因此为

不同的样本所对应的噪声n′⁽ⁱ⁾设置不同的标准差

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

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

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

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

输入到发射机神经网络中；记

其中b_k(k＝1,...,N_bit)∈{0,1}，N_bit为比特数量；输入神经网络的

是接收机反馈回来的反映信道和噪声功率的信息；当

不变时，不同的输入b对应着发射机N_LED维星座图上的不同的点；当

变化时，通过发射机神经网络，这个N_LED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

然后再一直发送不同的多维符号

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P_O,T，生成s，最后发射出去，具体表示为：

s＝P_O,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N_bit越大，神经网络输出的每个N_LED维符号

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N_LED个帧头

输入到SNR估计器中，令：

其中，

为噪声n_k的功率；将SNR估计器的输出记为

和

其中，

为h的估计，

为σ_n的估计。

其中，所述步骤S5具体为：

将

进行归一化处理，输出

具体表示为：

其中max{·}表示求最大值；接着对

中的每个值通过N_Q比特的均匀量化操作，具体为：

其中，

其中，所述步骤S6具体为：

接收机的N_LED维符号r经过接收处理模块，在SNR估计器输出的

和

的帮助下，得到

具体表示为：

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

为输入，解调输出对发射机信息比特序列b的估计

其中，所述步骤S7具体为：

量化后输出的

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

编码为N_Q·N_LED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

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：

S2：构建深度学习神经网络，并对神经网络进行训练；

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：

其中k∈{1,...,N_LED}，N_LED表示LED的数量；r_k表示第k个光电检测器检测到的信号；s_k表示第k个LED的发射信号；

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；h_P,k表示第k路信号在水下VLC信道的路径损耗；h_O,k表示第k路接收机光学滤镜的效率；h_G,k表示第k路接收机光电检测器的光电转换因子；n_k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λ_k。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λ_k是不相同的。公式(1)中的

h_P,k、h_O,k、h_G,k和n_k均与λ_k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

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

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

与当前待解调的符号在发射机神经网络调制时所使用的

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

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

然后再一直发送不同的多维符号

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

输入到发射机神经网络中。记

其中b_k(k＝1,...,N_bit)∈{0,1}，N_bit为比特数量。N_bit越大，神经网络输出的每个N_LED维符号

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

是接收机反馈回来的反映信道和噪声功率的信息。当

变化时，通过发射机神经网络，这个N_LED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P_O,T，生成s，最后发射出去，如下式所示：

s＝P_O,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

时发射机发射信号的星座图的符号集合为

则发射的数据符号

须满足下列条件：

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N_LED个帧头

输入到SNR估计器中，如图2所示。令：

其中

为噪声n_k的功率。将SNR估计器的输出记为

和

如图2所示。其中，

为h的估计，

为σ_n的估计。

通过归一化，输出

如下所示：

其中max{·}表示求最大值。

中的每个值通过N_Q比特的均匀量化操作，输出

如下所示：

量化后输出的

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

编码为N_Q·N_LED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

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

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N_LED维符号r经过接收处理模块，在SNR估计器输出的

和

的帮助下，生

如下所示：

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

为输入，解调输出对发射机信息比特序列b的估计

值得说明的是，输出

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

发射机部分的输出是s′，接收机部分的输入是r′和

整个自动编码器的输出是

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

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：

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]；

表示向量各元素分别相乘；各层的权重矩阵

和各层的偏置向量

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

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：

其中，

表示输入为

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：

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。ζ₁,ζ₂,ζ₃∈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

个样本

才改变一次，并且这

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：

另外，为了训练时网络的学习能兼顾样本中不同的

须使每个不同的

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

不同的样本所对应的噪声n′⁽ⁱ⁾设置不同的标准差

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

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

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N_LED＝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

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

与当前待解调的符号在发射机神经网络调制时所使用的

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。

需要满足公式(22)。在训练集样本中，对于每个需要生成的

随机选某一个元素取为1，其他元素在集合

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

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

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

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

能取到大多数可能取值的范围，且让验证集的

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

根据

产生，如下式所示：

其中b₁和b₂两个系数根据不同的每符号比特数N_bit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N_bit＝4和N_bit＝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 N_bit＝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
														值	1600	16	2	2	0.001	20	100	512	256	512	256	64	0.002

表2 N_bit＝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
														值	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

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。

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N_bit＝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P_O,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N_LED个帧头

输入到SNR估计器中，输出

和

如图2所示。

通过归一化，输出

如公式(8)所示；

中的每个值通过N_Q比特的均匀量化操作，输出

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N_Q为5或6。

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

的另一个流向，先使用自然二进制码将

编码为N_Q·N_LED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

输入到缓存器中，用于下一帧的调制；

当接收机接收完帧头

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N_LED维符号r经过接收处理模块，在SNR估计器输出的

和

的帮助下，生r′，如公式(10)所示。

为输入，解调输出对发射机信息比特序列b的估计

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N_bit＝4和N_bit＝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α_T,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h_P,k；假设所有光学滤镜效率相同，也即假设公式(1)中的h_O,k与λ_k无关，记为h_O；对于公式(1)中的h_G,k，可由下式得到[5]：

其中q_e表示电子电荷；G_det表示光电检测器的电域增益；γ_QE表示光电检测器的量子效率；h_C表示普朗克常数；

表示光子频率，其中c_L表示真空中的光速。对于公式(1)中的n_k的噪声功率

可由下式得到[5]：

其中B表示带宽；I_D表示检测器的暗电流；k_B表示玻尔兹曼常数；T_e表示检测器温度；R_L表示检测器的等效负载电阻；P_sol,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：

其中，D表示检测器孔径(直径)；θ_FOV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；L_sol,k表示太阳辐射在第k路对应的波长λ_k处的强度，可由下式计算[14]：

其中，E_d(0,λ_k)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；R_d表示下降面辐照度的反射系数；L_fac表示水下辐射强度受方向影响的一个因子；z表示深度；

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

不相同，数据来源于文献[3]。

对训练好的N_bit＝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d_P＝2m和d_P＝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χ_T＝1×10^-5K²/s和χ_T＝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

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。