CN112468230B - 一种基于深度学习的无线紫外光散射信道估计方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的无线紫外光散射信道估计方法，具体步骤为：首先对无线紫外光非直视单次散射信道进行建模，计算出信道响应等相关信道参数，然后利用大量离线的信道训练数据进行离线深度神经网络训练，根据训练结果计算出接收数据和信道响应的映射关系，最后使用训练好的深度神经网络进行信道估计，将训练好的信道参数发送到接收端，将接收数据输入到深度神经网络中，输出最优的信道响应，从而实现信道估计。本发明解决了传统信道估计算法中存在的误码率高、鲁棒性差、需要先验信道特性等问题，将深度学习和无线紫外光通信相结合，提高了通信系统的收发准确性和可靠性，为深度学习进一步应用于光通信提供了理论基础。

Description

一种基于深度学习的无线紫外光散射信道估计方法

技术领域

本发明属于光通信系统中的信道估计领域，具体涉及一种基于深度学习的无线紫外光散射信道估计方法。

背景技术

无线紫外光通信是一种利用大气散射进行信息传输的无线光通信方式。当光信号传输到大气中遇到粒子、气溶胶、灰尘等微粒，从而发生强烈的散射作用，这种强散射特性有利于实现非直视通信，但是这一特性也会使无线紫外光发生较为明显的信号多径效应，这种现象会引发严重的脉冲展宽现象，如图2所示。当传输数据速率较高时，脉冲展宽现象就会在信息码元之间造成码间串扰，这会对后续的信号检测过程带来较大的影响，会提高系统的误码率。

为了消除上述影响以及提高通信系统性能，研究适合于无线紫外光通信的信道估计方法是有必要的。信道估计的目的就是准确估计出信道的响应特性，由于在复杂大气环境下的信道特性可能是时变的，所以准确估计出信道特性是十分必要的，然后可以根据信道估计结果对传输信号进行检测，为后续检测器中的信道均衡或者信道编码提供参考依据。

人工智能技术近年来发展迅速，而深度学习正是通向人工智能的途径之一，是从数据中学习表示的一种新方法，利用一系列连续的表示层进行学习。深度学习中的神经网络就是一种实现分层表示的学习模型，通过模仿动物神经网络的行为特征，进行分布式并行信息处理。将深度学习和无线紫外光通信模型结合为信道估计提供了新的思路，可以进一步提高通信系统的收发准确性和可靠性，为新型无线紫外光通信系统模型的设计提供了参考依据。

发明内容

针对上述问题，本发明的目的是提供一种基于深度学习的无线紫外光散射信道估计方法，解决了传统方法中存在的问题和不足，例如需要先验信道特性、复杂度高、误码率高、鲁棒性差等。

本发明所采用的技术方案是：

一种基于深度学习的无线紫外光散射信道估计方法，包括以下步骤：

步骤1，无线紫外光散射信道建模：首先打开仿真环境，构造出大气环境下的无线紫外光非直视单次散射信道模型，然后添加噪声和失真条件；

所述步骤1首先对无线紫外光单次散射进行建模仿真，形成无线紫外光非直视单次散射信道模型，在短距离的通信情况下，紫外光信号在大气信道传输过程中只受到一次散射就被接收端接收，非直视通信方式选用NLOS(c)类模式，即收发仰角均为不定值但小于90度，考虑晴天时的大气散射，由于空气中的气溶胶浓度较低，大气分子主要发生瑞利散射，瑞利散射系数由下式表示：

式中n(λ)为大气折射率，

N_A为大气粒子浓度，l(x)为粒子的有效平均直径，一般取l(x)＝0.035；

无线紫外光非直视单次散射信道模型发送端光源采用紫外LED，接收端光电检测器采用光电倍增管，所述步骤1的具体做法为：

步骤1.1，根据无线紫外光非直视单次散射信道模型计算接收端的总能量，然后求出路径损耗，通过不断增加发送信号的样本数量，得到足够的路径损耗数据，进而拟合出路径损耗函数表达式；使用微元法求体积分计算得到接收端的总能量，取体积元δV，根据散射理论，体积元接收到的能量为：

式中，E_T和E_R分别表示发射能量和接收能量，P(μ)为散射相函数，k_S和k_e分别表示大气瑞利散射系数和吸收系数，A_r为接收孔面积，Ω为发射端光束立体角，φ为接收端和δV的连线与接收视场角轴线的夹角，建立椭球坐标系，公共散射体V的下界为Φ1，上界为Φ2，r₁为发送端到公共散射体V的距离，r₂为接收端到公共散射体V的距离，经过转换微元积分然后在整个椭球面上积分，可以得到单次散射接收端的总能量近似为：

式中，β_T和β_R分别为发送端和接收端的仰角，θ_T为光束发散角的半角，θ_S为散射角；

步骤1.2，分析无线紫外光非直视信道的脉冲响应，发送端发送一个脉冲信号，通过步骤1.1得到的接收端能量计算出接收信号，即信道脉冲响应，然后进行近似和化简，即信道脉冲响应函数近似表达式为：

式中，θ_R接收视场角的半角；

步骤1.3，无线紫外光非直视单次散射信道模型仿真参数选择为：信道为瑞利散射信道，发送端仰角θ_T为60度，接收端仰角θ_R为60度，光束发散角的半角为20度，接收视场角的半角为20度，最大数据传输速率R_b为1.5Mbps，通信距离d为100m；

步骤2，离线训练：随机产生发送序列，设置导频信号，获取大量的信道训练数据，通过训练深度神经网络模型，得到接收数据和信道响应的映射关系f(y,H)；

所述步骤2中神经网络模型选用深度神经网络，深度神经网络输入为传输信号数据和导频处的信道参数，输出为高精度的信道参数，步骤2的具体做法为：

步骤2.1，首先需要获取大量的信道训练数据，发送端随机产生传输信号，经过预处理操作生成信号序列，设置导频，并让其通过步骤1构造好的无线紫外光非直视单次散射信道模型，产生足够的接收数据y(n)，然后利用传统的最小二乘估计算法估计出粗略的信道响应H(n)；

步骤2.2，对接收信号数据y(n)和导频处的信道相关参数H(n)进行预处理和特征处理操作，将得到的参数输入到深度神经网络中进行训练，设置初始权重为w＝0，误差阈值ε＝10^-7，激励函数选择sigmoid函数

步骤2.3，选择梯度下降算法进行神经网络的训练，计算出训练误差，根据训练误差来调整输入权重和偏置的二次函数，分别对权重和偏置求偏导，获得梯度向量，沿着此梯度方向就是训练误差增加最快的方向，在这个方向上找出训练误差函数的最小值；

步骤2.4，判断深度神经网络模型的合理性，根据设置好的阈值进行判断，如果训练误差结果大于阈值，则迭代回上一步继续进行训练；如果训练误差结果小于阈值，则停止训练，更新每个神经元的权重w；

步骤2.5，最终获取到接收数据y(n)和信道响应的映射关系f(y,H)；

步骤3，在线信道估计：使用训练好的深度神经网络进行信道估计，将训练好的信道参数发送到接收端，然后将接收数据输入到深度神经网络中，输出最优的信道脉冲响应，从而实现信道估计；

所述步骤3的具体做法为：

步骤3.1，导入步骤2中已经训练好的深度神经网络；

步骤3.2，发送端发射需要传输的信号，通过无线紫外光非直视单次散射信道模型，产生接收数据y(n)；

步骤3.3，将接收数据y(n)输入到深度神经网络中，进行在线信道估计操作，最终获取到最优估计的信道响应

从而完成信道估计。

与现有技术相比，本发明的有益效果是：

(1)本发明提出的新型信道估计方法可以有效抑制无线紫外光通信系统中由于散射特性造成的码间串扰和多径衰落问题，相比于传统信道估计方法，具有更低的系统误码率和均方误差以及更高的系统鲁棒性。

(2)深度学习是一种基于数据驱动的多层神经网络预测模型，通过不断地迭代训练，可以更新出适合信道条件下的最优参数，不仅可以实时地学习到信道响应系数的最优估计，另一方面还可以通过包含噪声等干扰信号的数据学习到信道数据的分布，进而可以实现降噪功能。

(3)深度学习和无线光通信的结合是一种新的尝试，深度学习中的自适应调整过程可以满足快速时变信道下的无线光信号传输，保证通信系统的收发准确性和可靠性，以形成更加智能和适应性强的无线紫外光通信系统。

附图说明

图1是本发明一种基于深度学习的无线紫外光散射信道估计方法的整体方案框图；

图2是无线紫外光由于散射导致的脉冲展宽现象示意图；

图3是本发明一种基于深度学习的无线紫外光散射信道估计方法的整体原理模型图；

图4是本发明中无线紫外光非直视单次散射信道模型；

图5是本发明中离散训练阶段的流程图；

图6是深度神经网络训练过程中选择的sigmoid函数曲线图像；

图中，1.发送端，2.接收端，3.公共散射体。

具体实施方法

为使本发明的上述目的、特征和优点能够更加明显易懂，以下结合具体实施方式，对本发明进行进一步详细说明。

一种基于深度学习的无线紫外光散射信道估计方法，其整体原理模型图如图3所示，具体按照如下步骤实施：

步骤1，首先对无线紫外光单次散射进行建模仿真，形成紫外光非直视单次散射信道模型，然后添加噪声和失真等条件，如图4所示，图中β_T和β_R分别为发送端和接收端的仰角，θ_T为光束发散角的半角，θ_R接收视场角的半角，θ_S为散射角，V为公共散射体，r₁和r₂分别为发送端和接收端到V的距离，d为收发端距离。

在短距离的通信情况下，紫外光信号在大气信道传输过程中只受到一次散射就被接收端接收，非直视通信方式选用NLOS(c)类模式，即收发仰角均为不定值但小于90度，这种方式的重叠区域是有限的，支持的通信带宽较宽，主要考虑晴天时的大气散射，由于空气中的气溶胶浓度较低，大气分子主要发生瑞利散射，瑞利散射系数由下式表示：

式中n(λ)为大气折射率，

N_A为大气粒子浓度，l(x)为粒子的有效平均直径，一般取l(x)＝0.035；

无线紫外光非直视单次散射信道模型发送端光源采用紫外LED，接收端光电检测器采用光电倍增管，具体做法为：

步骤1.1，根据无线紫外光非直视单次散射信道模型计算接收端的总能量，然后求出路径损耗，通过不断增加发送信号的样本数量，得到足够的路径损耗数据，进而拟合出路径损耗函数表达式；这里使用微元法求体积分计算得到接收端的总能量，取体积元δV，根据散射理论，体积元接收到的能量为：

式中，E_T和E_R分别表示发射能量和接收能量，P(μ)为散射相函数，k_S和k_e分别表示大气散射系数和吸收系数，A_r为接收孔面积，Ω为发射端光束立体角，φ为接收端与δV的连线与接收视场角轴线的夹角。建立椭球坐标系，公共散射体V的下界为Φ1，上界为Φ2，r₁为发送端到公共散射体V的距离，r₂为接收端到公共散射体V的距离，经过转换微元积分然后在整个椭球面上积分，可以得到单次散射接收端的总能量近似为：

步骤1.2，分析无线紫外光非直视信道的脉冲响应，发送端发送一个脉冲信号，通过步骤1.1得到的接收端能量计算出接收信号，即信道脉冲响应，然后进行近似和化简，即信道脉冲响应函数近似表达式为：

步骤1.3，无线紫外光非直视单次散射信道模型仿真参数选择为：信道为瑞利散射信道，发送端仰角θ_T为60度，接收端仰角θ_R为60度，光束发散角的半角为20度，接收视场角的半角为20度，最大数据传输速率R_b为1.5Mbps，通信距离d为100m。

步骤2，离线训练：随机产生发送序列，设置导频信号，获取大量的信道训练数据，通过训练深度神经网络模型，得到接收数据和信道响应的映射关系f(y,H)，图5为本发明训练阶段的流程图。具体为：

步骤2.1，首先需要获取大量的信道训练数据，发送端随机产生传输信号，经过预处理操作生成信号序列，设置导频，并让其通过步骤1构造好的无线紫外光非直视单次散射信道模型，产生足够的接收数据y(n)，然后利用传统的最小二乘估计算法估计出粗略的信道响应H(n)；

步骤2.2，对接收信号数据y(n)和导频处的信道相关参数H(n)进行预处理和特征处理操作，将得到的参数输入到深度神经网络中进行训练，这里需要进行参数初始化，设置初始权重为w＝0，误差阈值ε＝10^-7，激励函数选择sigmoid函数

函数图像如图6所示；

步骤2.3，选择梯度下降算法进行神经网络的训练，计算出训练误差，根据训练误差来调整输入权重和偏置的二次函数，分别对权重和偏置求偏导，获得梯度向量，沿着此梯度方向就是训练误差增加最快的方向，在这个方向上找出训练误差函数的最小值；

步骤2.4，判断深度神经网络模型的合理性，根据设置好的阈值ε进行阈值判断，如果训练误差结果大于阈值，则迭代回上一步继续进行训练；如果训练误差结果小于阈值，则停止训练，更新每个神经元的权重w；

步骤2.5，最终获取到接收数据y(n)和信道响应的映射关系f(y,H)。

步骤3，在线信道估计：使用训练好的深度神经网络进行信道估计，将训练好的信道参数发送到接收端，然后将接收数据输入到深度神经网络中，输出最优的信道响应，从而实现信道估计。具体做法如下：

步骤3.1，导入步骤2中已经训练好的深度神经网络；

步骤3.2，发送端发射传输信号，经过预处理生成离散信号序列数据x(n)，通过无线紫外光非直视单次散射信道模型，获取接收端的接收数据y(n)；

步骤3.3，将接收数据y(n)输入到步骤2中训练好的深度神经网络，通过深度学习估计出最优的信道响应

从而完成信道估计。

本发明最终估计出的信道响应

可以为后续的信号检测及编码工作提供一定的参考依据。最后可以选用误码率和均方误差作为衡量标准来评估本方法的估计性能。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (1)

1.一种基于深度学习的无线紫外光散射信道估计方法，其特征在于，包括以下步骤：

步骤1，无线紫外光散射信道建模：首先打开仿真环境，构造出大气环境下的无线紫外光非直视单次散射信道模型，然后添加噪声和失真条件；

所述步骤1首先对无线紫外光单次散射进行建模仿真，形成无线紫外光非直视单次散射信道模型，在短距离的通信情况下，紫外光信号在大气信道传输过程中只受到一次散射就被接收端接收，非直视通信方式选用NLOS(c)类模式，即收发仰角均为不定值但小于90度，考虑晴天时的大气散射，由于空气中的气溶胶浓度较低，大气分子主要发生瑞利散射，瑞利散射系数由下式表示：

式中n(λ)为大气折射率，

N_A为大气粒子浓度，l(x)为粒子的有效平均直径，一般取l(x)＝0.035；

无线紫外光非直视单次散射信道模型发送端光源采用紫外LED，接收端光电检测器采用光电倍增管，所述步骤1的具体做法为：

步骤1.1，根据无线紫外光非直视单次散射信道模型计算接收端的总能量，然后求出路径损耗，通过不断增加发送信号的样本数量，得到足够的路径损耗数据，进而拟合出路径损耗函数表达式；使用微元法求体积分计算得到接收端的总能量，取体积元δV，根据散射理论，体积元接收到的能量为：

式中，E_T和E_R分别表示发射能量和接收能量，P(μ)为散射相函数，k_S和k_e分别表示大气瑞利散射系数和吸收系数，A_r为接收孔面积，Ω为发射端光束立体角，φ为接收端和δV的连线与接收视场角轴线的夹角，建立椭球坐标系，公共散射体V的下界为Φ1，上界为Φ2，r₁为发送端到公共散射体V的距离，r₂为接收端到公共散射体V的距离，经过转换微元积分然后在整个椭球面上积分，可以得到单次散射接收端的总能量近似为：

式中，β_T和β_R分别为发送端和接收端的仰角，θ_T为光束发散角的半角，θ_S为散射角；

步骤1.2，分析无线紫外光非直视信道的脉冲响应，发送端发送一个脉冲信号，通过步骤1.1得到的接收端能量计算出接收信号，即信道脉冲响应，然后进行近似和化简，即信道脉冲响应函数近似表达式为：

式中，θ_R接收视场角的半角；

步骤1.3，无线紫外光非直视单次散射信道模型仿真参数选择为：信道为瑞利散射信道，发送端仰角θ_T为60度，接收端仰角θ_R为60度，光束发散角的半角为20度，接收视场角的半角为20度，最大数据传输速率R_b为1.5Mbps，通信距离d为100m；

步骤2，离线训练：随机产生发送序列，设置导频信号，获取大量的信道训练数据，通过训练深度神经网络模型，得到接收数据和信道响应的映射关系f(y,H)；

所述步骤2中神经网络模型选用深度神经网络，深度神经网络输入为传输信号数据和导频处的信道参数，输出为高精度的信道参数，步骤2的具体做法为：

步骤2.1，首先需要获取大量的信道训练数据，发送端随机产生传输信号，经过预处理操作生成信号序列，设置导频，并让其通过步骤1构造好的无线紫外光非直视单次散射信道模型，产生足够的接收数据y(n)，然后利用传统的最小二乘估计算法估计出粗略的信道响应H(n)；

步骤2.2，对接收信号数据y(n)和导频处的信道相关参数H(n)进行预处理和特征处理操作，将得到的参数输入到深度神经网络中进行训练，设置初始权重为w＝0，误差阈值ε＝10^-7，激励函数选择sigmoid函数

步骤2.3，选择梯度下降算法进行神经网络的训练，计算出训练误差，根据训练误差来调整输入权重和偏置的二次函数，分别对权重和偏置求偏导，获得梯度向量，沿着此梯度方向就是训练误差增加最快的方向，在这个方向上找出训练误差函数的最小值；

步骤2.4，判断深度神经网络模型的合理性，根据设置好的阈值进行判断，如果训练误差结果大于阈值，则迭代回上一步继续进行训练；如果训练误差结果小于阈值，则停止训练，更新每个神经元的权重w；

步骤2.5，最终获取到接收数据y(n)和信道响应的映射关系f(y,H)；

步骤3，在线信道估计：使用训练好的深度神经网络进行信道估计，将训练好的信道参数发送到接收端，然后将接收数据输入到深度神经网络中，输出最优的信道脉冲响应，从而实现信道估计；

所述步骤3的具体做法为：

步骤3.1，导入步骤2中已经训练好的深度神经网络；

步骤3.2，发送端发射需要传输的信号，通过无线紫外光非直视单次散射信道模型，产生接收数据y(n)；

步骤3.3，将接收数据y(n)输入到深度神经网络中，进行在线信道估计操作，最终获取到最优估计的信道响应

从而完成信道估计。

Images