CN111917487B - 激光通信干扰消除方法、装置及计算机可读存储介质 - Google Patents

激光通信干扰消除方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111917487B
CN111917487B CN202010805225.XA CN202010805225A CN111917487B CN 111917487 B CN111917487 B CN 111917487B CN 202010805225 A CN202010805225 A CN 202010805225A CN 111917487 B CN111917487 B CN 111917487B
Authority
CN
China
Prior art keywords
data
output
input
laser communication
layer
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
CN202010805225.XA
Other languages
English (en)
Other versions
CN111917487A (zh
Inventor
李亚添
耿天文
高世杰
李学良
马爽
李林
田若彤
王一诺
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.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
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 Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN202010805225.XA priority Critical patent/CN111917487B/zh
Publication of CN111917487A publication Critical patent/CN111917487A/zh
Application granted granted Critical
Publication of CN111917487B publication Critical patent/CN111917487B/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
    • H04B10/60—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03165—Arrangements for removing intersymbol interference using neural networks

Abstract

本申请公开了一种激光通信干扰消除方法、装置及计算机可读存储介质。其中，方法应用于多输入单输出的激光通信系统，激光通信系统的发射端将包括导频数据和待发送信息的发射数据发送给接收端，从接收端采集其接收到的数据作为接收数据集，接收数据集包括与导频数据对应的训练数据，和与待发送信息对应的待处理数据。将训练数据作为预先构建的长短期记忆网络模型的输入，导频数据作为目标输出对长短期记忆网络模型进行训练；将待处理数据输入至训练好的长短期记忆网络模型中，模型输出数据即为消除干扰的通信数据，不仅在未知信道信息与延迟信息的情况下有效消除了激光通信系统的干扰，而且对实施环境要求不高且整个方法流程操作简单便捷。

Description

激光通信干扰消除方法、装置及计算机可读存储介质
技术领域
本申请涉及激光通信技术领域，特别是涉及一种激光通信干扰消除方法、装置及计算机可读存储介质。
背景技术
随着信息技术快速发展，数据通信速率需求也与日俱增，传统的射频通信已经不能满足高速率的现实需求，激光通信技术得到了飞速发展。
在激光通信系统中，激光通信过程会受到大气湍流与指向误差等因素的影响，这些因素都会造成光信号接收端的功率起伏与相位畸变。尤其是在大气环境中，由于大气湍流的折射效应引起接收端功率起伏和相位的畸变，而指向误差会增大接收端功率起伏的方差，进一步损伤接收性能。为了对抗大气湍流、指向误差对激光通信系统的影响，相关技术采用分集技术用来抵抗功率起伏。常用的分集技术包括时间分集、频率分集、空间分集等。其中，空间分集应用于多输入多输出系统(multi-input-multi-output，MIMO)，由于多条路径都经历衰落的概率远小于单条路径经历衰落的概率，从而可提升激光通信系统的可靠性。不同于传统的射频通信，在强度调制直接探测的系统中，重复码的性能优于空时码(orthogonal space-time block codes，OSTBC)，并且二者均可以获得满分集阶数。
考虑多输入单输出系统在不同发射端与同一个接收端之间的光程差会造成严重的码间串扰。比如，若光速是3E8米/秒，15厘米的光程差可以会造成0.5纳秒的延迟，这对于速率为1Gbps数据速率的激光通信系统来说是致命的。多输入单输出系统(multi-input-single-output，MISO)干扰消除的方法可以分成三类，分别是基于OSTBC设计的时域方法，采用频域补偿的频域方法和均衡方法。时域方法需要不同发射孔径的信号延迟是信号周期的整数倍，这种苛刻的条件很难满足，实用性较差。频域方法需要接收端已知时延值，需要与时延估计的方法相结合，会增加复杂度。而均衡方法可以在未知信道信息与延迟信息的情况下消除激光通信系统的干扰，对实施环境要求不高且整个方法流程操作简单便捷，可以克服时域方法和频域方法的弊端。
鉴于此，如何基于均衡方法来消除激光通信系统的干扰，是所属领域技术人员需要解决的技术问题
发明内容
本申请提供了一种激光通信干扰消除方法、装置及计算机可读存储介质，有效消除激光通信系统的干扰，对实施环境要求不高且整个方法流程操作简单便捷。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种激光通信干扰消除方法，应用于多输入单输出的激光通信系统，包括：
从所述激光通信系统的接收端采集接收数据集，所述接收数据集包括训练数据和待处理数据；所述训练数据为发射端的发射数据中的导频数据被所述接收端接收到的数据，所述待处理数据为所述发射端的发射数据中的待发送信息被所述接收端接收到的数据；
以所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型；
将所述待处理数据输入至训练好的长短期记忆网络模型中，得到所述长短期记忆网络模型的输出数据以作为消除干扰的通信数据。
可选的，所述发射数据被分为多组，各组数据长度均为N；对每个分组，前A个数据为所述导频数据，后N-A个数据为所述待发送消息；所述从所述激光通信系统的接收端采集接收数据集之后，还包括：
按照所述接收端的数据接收时间顺序对所述接收数据集进行分组处理，每组数据长度为N；
将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为所述训练数据，后N-A列数据作为所述待处理数据。
可选的，所述将所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型包括：
将所述训练数据和所述导频数据分别作为所述长短期记忆网络模型的输入和输出，采用梯度反向传播方法同时选择均方误差作为损失函数训练所述长短期记忆网络模型。
可选的，所述长短期记忆网络模型的训练结束条件为：
若所述损失函数小于10-4，则完成模型训练；或是
若所述长短期记忆网络模型进行了60次循环没有收敛，则停止模型训练。
可选的，所述长短期记忆网络模型包括输入层、隐含层、LSTM层和输出层；所述输入层的输出与所述LSTM层的输入相连，所述LSTM层的输出与所述输出层的输入相连；所述隐含层的神经元总数和所述激光通信系统的发射端总数相同，所述输入层包含p个神经元，所述输出层包含1个神经元；
所述输入层的激活函数为sigmoid激活函数σ，所述LSTM层的输入pk为pk＝σ(HI·Ik+JI)；所述输出层的激活函数为线性函数Ψ，所述输出层的输出Ok为Ok＝Ψ(Ho·hk+Jo)，
Figure BDA0002628873270000031
式中，Ik为第k时刻所述输入层的输入，HI为所述输入层的权重，JI为所述输入层的阈值，Ho为所述输出层的权重，Jo为所述输出层的阈值，hk为所述LSTM层的输出。
可选的，所述LSTM层包括输入门、遗忘门和输出门；所述LSTM层第k时刻的内容ck为ck＝fk⊙ck-1+ik⊙tanh(Wcpk+Uchk-1+bc)，所述LSTM层第k时刻的输出hk为hk＝ok⊙tanh(ck)；
所述输入门在第k时刻的输出ik为ik＝σ(Wipk+Uihk-1+bi)；
所述遗忘门在第k时刻的输出fk为fk＝σ(Wfpk+Ufhk-1+bf)；
所述输出门在第k时刻的输出ok为ok＝σ(Wopk+Uohk-1+bo)；
式中，Wf、Wi、Wo分别为所述LSTM层在第k时刻的输入pk分别在所述遗忘门、所述输入门和所述输出门的权重值，Uf、Ui、Uo分别为所述LSTM层在第k-1时刻的输出hk-1分别在所述遗忘门、所述输入门和所述输出门的权重值，bf、bi、bo分别为所述遗忘门、所述输入门和所述输出门的阈值，ck-1所述LSTM层第k-1时刻的内容，Wc、Uc分别为所述LSTM层的内容ck的在输入部分、循环部分对应的权重值，bc分别为所述LSTM层的内容ck的阈值。
本发明实施例另一方面提供了一种激光通信干扰消除装置，应用于多输入单输出的激光通信系统，包括：
数据采集处理模块，用于从所述激光通信系统的接收端采集接收数据集，所述接收数据集包括训练数据和待处理数据；所述训练数据为发射端的发射数据中的导频数据被所述接收端接收到的数据，所述待处理数据为所述发射端的发射数据中的待发送信息被所述接收端接收到的数据；
模型训练模块，用于将所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型；
干扰消除模块，用于将所述待处理数据输入至训练好的长短期记忆网络模型中，得到所述长短期记忆网络模型的输出数据以作为消除干扰的通信数据。
可选的，所述数据采集处理模块还用于：
按照所述接收端的数据接收时间顺序对所述接收数据集进行分组处理，每组数据长度为N；
将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为所述训练数据，后N-A列数据作为所述待处理数据；
其中，所述发射数据被分为多组，各组数据长度均为N；对每个分组，前A个数据为所述导频数据，后N-A个数据为所述待发送消息。
本发明实施例还提供了一种激光通信干扰消除装置，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述激光通信干扰消除方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有激光通信干扰消除程序，所述激光通信干扰消除程序被处理器执行时实现如前任一项所述激光通信干扰消除方法的步骤。
本申请提供的技术方案的优点在于，利用发射端的导频数据和接收端的训练数据对长短期记忆网络模型进行训练，得到长短期记忆网络模型适用于当前应用场景的模型参数，基于长短期记忆网络可以计算信息中的长期依赖关系，然后将接收端收到的通信数据输入至训练好的长短期记忆网络模型进行处理，模型输出数据即为消除干扰的通信数据，在未知信道信息与延迟信息的情况下消除激光通信系统的干扰，有利于提升激光通信系统的信号传输质量；消除干扰的方法对实施环境要求不高易于推广使用，实用性强，且整个方法流程操作简单便捷。
此外，本发明实施例还针对激光通信干扰消除方法提供了相应的实现装置及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置及计算机可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，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为本发明实施例提供的一种激光通信干扰消除方法的流程示意图；
图2为本发明实施例提供的示意性例子的激光通信系统模型示意图；
图3为本发明实施例提供的长短期记忆网络模型的一种框架示意图；
图4为本发明实施例提供的验证性例子的硬件结构示意图；
图5为本发明实施例提供的基于图5所示硬件系统的验证结果示意图；
图6为本发明实施例提供的一个示例性应用场景的结构框架图；
图7为本发明实施例提供的激光通信干扰消除装置的一种具体实施方式结构图；
图8为本发明实施例提供的激光通信干扰消除装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
首先参见图1，图1为本发明实施例提供的一种激光通信干扰消除方法的流程示意图，应用于多输入单输出的激光通信系统，本发明实施例可包括以下内容：
为了验证多输入单输出系统的接收端接收到的数据存在干扰，本申请以图2所示的一个示意性例子从理论层面说明接收端的干扰，可包括下述内容：
多输入单输出系统可包括M个发射镜头和1个接收镜头。M镜头发射相同的信息以获得空间分集，这样一共有M个独立的收发路径。若τj表示第j路对应的时延，j＝1,2,…,M，τj的整数部分与小数部分可分别用vj与εj表示，即
Figure BDA0002628873270000071
τj＝vj+εj。
若第k时刻发射的信息为xk，k＝1,2,…，那么在接收端对应时刻的光电转换后的电信号可以表示为：
Figure BDA0002628873270000072
其中，η为光电转换效率，hj为第j路的信道增益，nk为第k时刻的噪声。可以看出，由于M个路径的不同时延，接收端会造成码间串扰。
可选择关系式(1)中信道增益最大的那一路作为信息，其余的作为干扰，这样可以获得尽量大的初始信干噪比。例如，假设对于l＝1,2,…,M，hl是信道增益集合{h1,h2,...,hM}的最大项，那么可选择xk-vl作为信号项，其余项作为干扰。
S101：从激光通信系统的接收端采集接收数据集。
可以理解的是，对于多输入单输出的激光通信系统，其包括多个发射端，一个接收端。发射端向外发射光信号作为发射数据，接收端接收发射机发射的光信号并经由光电转换器件将其转换为电信号进行后续处理或输出，相应的，整个过程中涉及到发射数据和接收数据，发射端在发送数据过程中，包括两部分数据，一部分数据为导频数据，一部分为待发送消息。发射端会先发送用于进行信道估计、模型训练等操作的导频数据，这些导频数据可为收发两端预先设定好的数据，然后在发送待发送消息，待发送消息即为发射端发送给接收端的数据，也即激光通信系统要传输的通信数据。接收端接收到的数据也包括两部分，一部分为导频数据对应的训练数据，另外一部分为待发送消息对应的待处理数据。基于本申请要解决的技术问题是消除激光通信过程中的干扰信息，也即消除待发送消息在传输过程中引入的干扰信息，所以本申请需要对接收端接收到的待发送消息也即待处理数据进行数据处理来去除其干扰信息，使得经过本申请技术方案处理后的待处理数据最大程度的与待发送消息相同。在对待处理数据进行处理之前，需要先从接收端获取所需数据，从接收端采集的数据可称为接收数据集，接收数据集包括训练数据和待处理数据，其中，训练数据为发射端的发射数据中的导频数据被接收端接收到的数据，待处理数据为发射端的发射数据中的待发送信息被接收端接收到的数据。
S102：以训练数据作为预先构建的长短期记忆网络模型的输入，导频数据作为目标输出训练长短期记忆网络模型。
在本步骤中，基于S101获取的数据对长短期记忆网络模型进行模型训练，长短期记忆网络模型的输入为训练数据，输出为导频数据。模型训练方法例如可采用梯度反向传播方法，损失函数可采用均方误差，当然，也可采用其他模型训练方法及损失函数，所属领域技术人员基于实际应用场景进行选择即可，本申请对此不做任何限定。长短期记忆网络模型训练结束条件可为训练完成后结束，也可为达不到收敛条件后停止。可选的，若损失函数小于10-4，则完成模型训练；若长短期记忆网络模型的训练样本数据进行了60次循环没有收敛，则停止模型训练。
S103：将待处理数据输入至训练好的长短期记忆网络模型中，得到长短期记忆网络模型的输出数据以作为消除干扰的通信数据。
在S102训练好长短期记忆网络模型之后，可将待处理数据输入至长短期记忆网络模型，长短期记忆网络模型输出的数据即为消除干扰的数据，将长短期记忆网络模型输出的数据代替接收端接收到的待处理数据作为接收到发射端发送的数据。
在本发明实施例提供的技术方案中，利用发射端的导频数据和接收端的训练数据对长短期记忆网络模型进行训练，得到长短期记忆网络模型适用于当前应用场景的模型参数，基于长短期记忆网络可以计算信息中的长期依赖关系，然后将接收端收到的通信数据输入至训练好的长短期记忆网络模型进行处理，模型输出数据即为消除干扰的通信数据，在未知信道信息与延迟信息的情况下消除激光通信系统的干扰，有利于提升激光通信系统的信号传输质量；消除干扰的方法对实施环境要求不高易于推广使用，实用性强，且整个方法流程操作简单便捷。
需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1只是一种示意方式，并不代表只能是这样的执行顺序。
可以理解的是，模型训练的精准度与训练模型的训练样本数据的数据在一定范围内成正比，作为一种可选的实施方式，为了提高长短期记忆网络模型的训练精准度，本申请还通过切割数据的方式扩增训练数据集，包括下述内容：
发射数据被分为多组，各组数据长度均为N；对每个分组，前A个数据为导频数据，后N-A个数据为待发送消息；相应的，按照接收端的数据接收时间顺序对接收数据集进行分组处理，每组数据长度为N；将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为训练数据，后N-A列数据作为待处理数据。
在上述实施例中，对于如何执行步骤S102并不做限定，本实施例中给出长短期记忆网络模型的训练方式，可包括如下内容：
参阅图3所示的长短期记忆网络模型的结构框架图，长短期记忆网络模型可包括输入层、隐含层、LSTM层和输出层。其中，输入层的输出与LSTM层的输入相连，LSTM层的输出与输出层的输入相连；隐含层的神经元总数和激光通信系统的发射端总数相同，输入层包含p个神经元，输出层包含1个神经元。Ik为第k时刻的输入，输入层有p个输入，显然Ik为p维向量，同时为输入层第k时刻的输入，HI为输入层的权重，JI为输入层的阈值，Ho为输出层的权重，Jo为输出层的阈值。输入层的激活函数为sigmoid激活函数σ，LSTM层的输入pk可表示为pk＝σ(HI·Ik+JI)，LSTM层的输出为hk，
Figure BDA0002628873270000091
输出层的激活函数为线性函数Ψ，输出层的输出Ok可表示为Ok＝Ψ(Ho·hk+Jo)。
对于LSTM层，结合图3，其包括输入门、遗忘门和输出门。LSTM层第k时刻的内容ck为ck＝fk⊙ck-1+ik⊙tanh(Wcpk+Uchk-1+bc)，LSTM层第k时刻的输出hk为hk＝ok⊙tanh(ck)。Wf、Wi、Wo分别为LSTM层在第k时刻的输入pk分别在遗忘门、输入门和输出门的权重值，Uf、Ui、Uo分别为LSTM层在第k-1时刻的输出hk-1分别在遗忘门、输入门和输出门的权重值，bf、bi、bo分别为遗忘门、输入门和输出门的阈值，ck-1LSTM层第k-1时刻的内容，Wc、Uc分别为所述LSTM层的内容ck的在输入部分、循环部分对应的权重值，bc分别为所述LSTM层的内容ck的阈值。则LSTM层的各参数的内部计算方法可如下所示：
输入门在第k时刻的输出ik为ik＝σ(Wipk+Uihk-1+bi)；
遗忘门在第k时刻的输出fk为fk＝σ(Wfpk+Ufhk-1+bf)；
输出门在第k时刻的输出ok为ok＝σ(Wopk+Uohk-1+bo)。
利用训练样本数据训练本实施例的长短期记忆网络模型，不断更新LSTM层阈值、输入和输出的权重值直至结束模型训练，将模型训练结束后得到的LSTM层阈值、输入和输出的权重值作为长短期记忆网络模型的模型参数值，用于S103步骤中处理后续待处理数据。
为了验证本申请技术方案的有效性，本申请还基于图4所示的实际应用场景进行了验证。本申请将实现上述任何一个可实现激光通信干扰消除方法对应的计算机程序写入至处理器芯片中。发射端信号源的两路输出相同的信号，经过调制器之后发送给两路发射镜头。两路发射镜头摆放的距离差d分别为0、3、6、9和15cm，速率为1Gbps。接收端接收到光信号后经过光电探测器转化为电信号并进行放大处理，对放大后的数据进行采样并输出值处理器芯片中，处理器芯片调用实现激光通信干扰消除方法对应的计算机程序处理这些数据。图5给出了使用本申请技术方案与不使用本申请技术方案的误码率的差别，并且给出了传统判决反馈均衡(DFE)作为对比。由图5可以看出，在相同条件下本申请技术方案的误码率远优于传统DFE方法以及未使用本申请技术方案的误码性能，提升激光通信系统的数据传输可靠性。
基于上述本发明实施例的技术方案，本申请实施例的应用场景之一，将本申请技术方案应用于图6所示的多个发射天线单个接收天线的发射分集激光通信系统，调制方式既可以是强度调制/直接探测也可以是相干调制/外差或者零差探测的激光通信系统。如图6所示，在这一应用场景中，可预先将实现上述任何一个可实现激光通信干扰消除方法对应的计算机程序写入至芯片中，如DSP芯片。发射机将信号源输出的信号经过光调制通过多个发射镜头向外发送光信号，接收机通过接收镜头接收发射机发射的比特信息，然后将接收的光信号通过光电转换器件转换为电信号，接收端将接收到光信号后经过光电探测器或混频器转化为电信号并进行采样处理，并将采样数据发送至芯片，芯片调用实现激光通信干扰消除方法对应的计算机程序处理这些数据进行处理，最后输出判决得到的数据代替采样数据作为发射端发送的光信息，芯片的数据处理过程可包括：
第1步：发射端将发射数据{xq}以长度N进行分组，xq为发射端发射的第q个数据，q＝1,2,3……，每个分组内前A个数据发射训练序列，后N-A个数据是待发送的信息。
第2步：将接收到的数据集合{yq}以长度N按照接收时间顺序进行分组。得到的第i组的数据集合Yi可表示为Yi＝[y(i-1)N+1,y(i-1)N+2,...,yiN]，将数据集合Yi写成移位矩阵的形式：
Figure BDA0002628873270000111
第3步：将矩阵Yi的前A个列Yi,train作为训练集合，剩余的N-A列作为待判决的数据集合Yi,test：
Figure BDA0002628873270000121
Figure BDA0002628873270000122
第4步：Yi,train的每一列作为长短期记忆网络模型的输入，目标输出是分组后{xq}的前A个数据，选择梯度反向传播作为训练方法、采用均方误差作为损失函数对长短期记忆网络模型进行训练。在训练过程中，若满足损失函数小于1E-4，那么训练完成。若训练样本进行了60次循环仍旧没有收敛，那么将停止训练。
第5步：长短期记忆网络模型训练完成，将Yi,test的每一列作为网络输入，用训练好的网络输出完成信号的判决。
需要注意的是，上述应用场景仅是为了便于理解本申请的思想和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
由上可知，本发明实施例可以有效地降低系统误码率，提升激光通信系统的可靠性。
本发明实施例还针对激光通信干扰消除方法提供了相应的装置，进一步使得所述方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的激光通信干扰消除装置进行介绍，下文描述的激光通信干扰消除装置与上文描述的激光通信干扰消除方法可相互对应参照。
基于功能模块的角度，参见图7，图7为本发明实施例提供的激光通信干扰消除装置在一种具体实施方式下的结构图，应用于多输入单输出的激光通信系统，该装置可包括：
数据采集处理模块701，用于从激光通信系统的接收端采集接收数据集，接收数据集包括训练数据和待处理数据；训练数据为发射端的发射数据中的导频数据被接收端接收到的数据，待处理数据为发射端的发射数据中的待发送信息被接收端接收到的数据。
模型训练模块702，用于将训练数据作为预先构建的长短期记忆网络模型的输入，导频数据作为目标输出训练长短期记忆网络模型。
干扰消除模块703，用于将待处理数据输入至训练好的长短期记忆网络模型中，得到长短期记忆网络模型的输出数据以作为消除干扰的通信数据。
可选的，在本实施例的一些实施方式中，所述数据采集处理模块还可用于：
按照接收端的数据接收时间顺序对接收数据集进行分组处理，每组数据长度为N；
将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为训练数据，后N-A列数据作为待处理数据；
其中，发射数据被分为多组，各组数据长度均为N；对每个分组，前A个数据为导频数据，后N-A个数据为待发送消息。
在本实施例的另一些实施方式中，所述模型训练模块702例如还可以包括：
训练子模块，用于将训练数据和导频数据分别作为长短期记忆网络模型的输入和输出，采用梯度反向传播方法同时选择均方误差作为损失函数训练长短期记忆网络模型；
训练结束条件判断子模块，用于若损失函数小于10-4，则完成模型训练；或是若长短期记忆网络模型进行了60次循环没有收敛，则停止模型训练。
本发明实施例所述激光通信干扰消除装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例有效消除激光通信系统的干扰，对实施环境要求不高且整个方法流程操作简单便捷。
上文中提到的激光通信干扰消除装置是从功能模块的角度描述，进一步的，本申请还提供一种激光通信干扰消除装置，是从硬件角度描述。图8为本申请实施例提供的另一种激光通信干扰消除装置的结构图，应用于多输入单输出的激光通信系统。如图8所示，该装置包括存储器80，用于存储计算机程序；
处理器81，用于执行计算机程序时实现如上述任一实施例提到的激光通信干扰消除方法的步骤。
其中，处理器81可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器81可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器81也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器81可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器81还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器80可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器80还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器80至少用于存储以下计算机程序801，其中，该计算机程序被处理器81加载并执行之后，能够实现前述任一实施例公开的激光通信干扰消除方法的相关步骤。另外，存储器80所存储的资源还可以包括操作系统802和数据803等，存储方式可以是短暂存储或者永久存储。其中，操作系统802可以包括Windows、Unix、Linux等。数据803可以包括但不限于测试结果对应的数据等。
在一些实施例中，激光通信干扰消除装置还可包括有显示屏82、输入输出接口83、通信接口84、电源85以及通信总线86。
本领域技术人员可以理解，图8中示出的结构并不构成对激光通信干扰消除装置的限定，可以包括比图示更多或更少的组件，例如传感器87。
本发明实施例所述激光通信干扰消除装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例有效消除激光通信系统的干扰，对实施环境要求不高且整个方法流程操作简单便捷。
可以理解的是，如果上述实施例中的激光通信干扰消除方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本发明实施例还提供了一种计算机可读存储介质，存储有激光通信干扰消除程序，所述激光通信干扰消除程序被处理器执行时如上任意一实施例所述激光通信干扰消除方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例有效消除激光通信系统的干扰，对实施环境要求不高且整个方法流程操作简单便捷。
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它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种激光通信干扰消除方法、装置及计算机可读存储介质进行了详细介绍。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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (8)

1.一种激光通信干扰消除方法，其特征在于，应用于多输入单输出的激光通信系统，包括：
从所述激光通信系统的接收端采集接收数据集，所述接收数据集包括训练数据和待处理数据；所述训练数据为发射端的发射数据中的导频数据被所述接收端接收到的数据，所述待处理数据为所述发射端的发射数据中的待发送信息被所述接收端接收到的数据；
以所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型；
将所述待处理数据输入至训练好的长短期记忆网络模型中，得到所述长短期记忆网络模型的输出数据以作为消除干扰的通信数据；
其中，所述发射数据被分为多组，各组数据长度均为N；对每个分组，前A个数据为所述导频数据，后N-A个数据为所述待发送消息；所述从所述激光通信系统的接收端采集接收数据集之后，还包括：
按照所述接收端的数据接收时间顺序对所述接收数据集进行分组处理，每组数据长度为N；
将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为所述训练数据，后N-A列数据作为所述待处理数据。
2.根据权利要求1所述的激光通信干扰消除方法，其特征在于，所述将所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型包括：
将所述训练数据和所述导频数据分别作为所述长短期记忆网络模型的输入和输出，采用梯度反向传播方法同时选择均方误差作为损失函数训练所述长短期记忆网络模型。
3.根据权利要求2所述的激光通信干扰消除方法，其特征在于，所述长短期记忆网络模型的训练结束条件为：
若所述损失函数小于10-4，则完成模型训练；或是
若所述长短期记忆网络模型进行了60次循环没有收敛，则停止模型训练。
4.根据权利要求1至3任意一项所述的激光通信干扰消除方法，其特征在于，所述长短期记忆网络模型包括输入层、隐含层、LSTM层和输出层；所述输入层的输出与所述LSTM层的输入相连，所述LSTM层的输出与所述输出层的输入相连；所述隐含层的神经元总数和所述激光通信系统的发射端总数相同，所述输入层包含p个神经元，所述输出层包含1个神经元；
所述输入层的激活函数为sigmoid激活函数σ，所述LSTM层的输入pk为pk＝σ(HI·Ik+JI)；所述输出层的激活函数为线性函数Ψ，所述输出层的输出Ok为Ok＝Ψ(Ho·hk+Jo)，
Figure FDA0003021962170000021
式中，Ik为第k时刻所述输入层的输入，HI为所述输入层的权重，JI为所述输入层的阈值，Ho为所述输出层的权重，Jo为所述输出层的阈值，hk为所述LSTM层的输出。
5.根据权利要求4所述的激光通信干扰消除方法，其特征在于，所述LSTM层包括输入门、遗忘门和输出门；所述LSTM层第k时刻的内容ck为ck＝fk⊙ck-1+ik⊙tanh(Wcpk+Uchk-1+bc)，所述LSTM层第k时刻的输出hk为hk＝ok⊙tanh(ck)；
所述输入门在第k时刻的输出ik为ik＝σ(Wipk+Uihk-1+bi)；
所述遗忘门在第k时刻的输出fk为fk＝σ(Wfpk+Ufhk-1+bf)；
所述输出门在第k时刻的输出ok为ok＝σ(Wopk+Uohk-1+bo)；
式中，Wf、Wi、Wo分别为所述LSTM层在第k时刻的输入pk分别在所述遗忘门、所述输入门和所述输出门的权重值，Uf、Ui、Uo分别为所述LSTM层在第k-1时刻的输出hk-1分别在所述遗忘门、所述输入门和所述输出门的权重值，bf、bi、bo分别为所述遗忘门、所述输入门和所述输出门的阈值，ck-1为所述LSTM层第k-1时刻的内容，Wc、Uc分别为所述LSTM层的内容ck的在输入部分、循环部分对应的权重值，bc分别为所述LSTM层的内容ck的阈值。
6.一种激光通信干扰消除装置，其特征在于，应用于多输入单输出的激光通信系统，包括：
数据采集处理模块，用于从所述激光通信系统的接收端采集接收数据集，所述接收数据集包括训练数据和待处理数据；所述训练数据为发射端的发射数据中的导频数据被所述接收端接收到的数据，所述待处理数据为所述发射端的发射数据中的待发送信息被所述接收端接收到的数据；
模型训练模块，用于将所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型；
干扰消除模块，用于将所述待处理数据输入至训练好的长短期记忆网络模型中，得到所述长短期记忆网络模型的输出数据以作为消除干扰的通信数据；
其中，所述数据采集处理模块还用于：
按照所述接收端的数据接收时间顺序对所述接收数据集进行分组处理，每组数据长度为N；
将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为所述训练数据，后N-A列数据作为所述待处理数据；
其中，所述发射数据被分为多组，各组数据长度均为N；对每个分组，前A个数据为所述导频数据，后N-A个数据为所述待发送消息。
7.一种激光通信干扰消除装置，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述激光通信干扰消除方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有激光通信干扰消除程序，所述激光通信干扰消除程序被处理器执行时实现如权利要求1至5任一项所述激光通信干扰消除方法的步骤。
CN202010805225.XA 2020-08-12 2020-08-12 激光通信干扰消除方法、装置及计算机可读存储介质 Active CN111917487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010805225.XA CN111917487B (zh) 2020-08-12 2020-08-12 激光通信干扰消除方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010805225.XA CN111917487B (zh) 2020-08-12 2020-08-12 激光通信干扰消除方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111917487A CN111917487A (zh) 2020-11-10
CN111917487B true CN111917487B (zh) 2021-08-03

Family

ID=73284237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010805225.XA Active CN111917487B (zh) 2020-08-12 2020-08-12 激光通信干扰消除方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111917487B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104243057A (zh) * 2010-09-24 2014-12-24 高通股份有限公司 接入点发射功率控制
CN109347562A (zh) * 2018-10-08 2019-02-15 浙江工业大学 一种co-ofdm系统相位噪声优化补偿方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10470200B2 (en) * 2016-06-16 2019-11-05 Qualcomm Incorporated Low complexity higher order MIMO

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104243057A (zh) * 2010-09-24 2014-12-24 高通股份有限公司 接入点发射功率控制
CN109347562A (zh) * 2018-10-08 2019-02-15 浙江工业大学 一种co-ofdm系统相位噪声优化补偿方法

Also Published As

Publication number Publication date
CN111917487A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
Liao et al. The Rayleigh fading channel prediction via deep learning
Wang et al. Transfer learning for semi-supervised automatic modulation classification in ZF-MIMO systems
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
CN111181619A (zh) 基于深度强化学习的毫米波混合波束成形设计方法
EP4149067A1 (en) Method for implementing uplink and downlink channel reciprocity, communication node, and storage medium
CN112039807A (zh) 下行信道估计方法、装置、通信设备和存储介质
Elbir et al. Federated learning for physical layer design
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
Shi et al. A new incremental optimization algorithm for ML-based source localization in sensor networks
Yu et al. Role of deep learning in wireless communications
CN111224905A (zh) 一种大规模物联网中基于卷积残差网络的多用户检测方法
CN114844545A (zh) 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法
CN111917487B (zh) 激光通信干扰消除方法、装置及计算机可读存储介质
Bai et al. Data-driven compressed sensing for massive wireless access
WO2021088465A1 (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
CN109818891B (zh) 一种格基约减辅助的低复杂度贪心球形译码检测方法
CN107181705A (zh) 一种半盲信道估计方法及系统
CN114938232B (zh) 基于lstm的同时同频全双工数字域自干扰抑制方法
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
Liu et al. Fpga implementation of multi-layer machine learning equalizer with on-chip training
Ribeiro et al. Low‐Complexity separable beamformers for massive antenna array systems
CN115473553A (zh) 一种智能抑制波束斜视的方法、装置及电子设备
CN111541472B (zh) 低复杂度机器学习辅助鲁棒预编码方法及装置
CN114337745A (zh) 一种模型驱动深度学习的大规模mimo信号检测方法
An et al. Channel estimation for one-bit massive MIMO based on improved cGAN

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