CN113098601A - 一种深度学习预均衡-超奈奎斯特速率大气光传输方法 - Google Patents

Abstract

一种深度学习预均衡‑超奈奎斯特速率大气光传输方法，将深度学习预均衡技术与FTN技术相结合，在高传输速率下进一步提高了大气光通信系统的误码性能，属于无线光通信技术领域。从而实现传输速率大于奈奎斯特速率；收端通过采用匹配滤波器、超奈奎斯特采样和最大似然检测技术实现信号的恢复。相比于传统无线光通信系统，FTN以及深度学习技术的引入在保证系统性能的前提下有效提高了系统的传输速率，对新型大气光通信系统的设计具有参考价值。

Description

一种深度学习预均衡-超奈奎斯特速率大气光传输方法

技术领域

本发明涉及一种深度学习预均衡-超奈奎斯特速率大气光传输方法，该方法将基于深度学习(DL,Deep Learning)的预均衡技术与超奈奎斯特(FTN,Faster-than-Nyquist)技术相结合，进一步提高了大气光通信系统的误码性能，属于无线光通信技术领域。

背景技术

随无线通信网络对网络容量、速率和延迟的要求不断增长。大气激光通信作为下一代通信的备选技术之一具有频谱不受限、链路灵活等优点。但是大气激光通信系统易受天气、气溶胶以及湍流的影响，导致系统的传输性能受到影响。为了解决这一问题，科研人员提出了高阶调制技术、波分复用技术以及超奈奎斯特速率传输技术等方法补偿链路的缺陷。其中，FTN技术是一种新型的非正交传输技术，它可有效提高系统的传输速率。同时，将它与高阶调制、波分复用等技术相结合可以提升系统性能。

FTN技术在微波通信与光纤通信领域的研究已取得了丰富的成果。在自由空间光通信领域，技术人员将FTN技术引入室内可见光通信系统中，实现了1.5m传输距离下1.47Gb/s的传输速率。众多研究表明将FTN技术从无线和光纤领域扩展到大气光通信系统中，其应用场景和前景将更加丰富和广阔。但是室外大气信道中存在着复杂的不确定因素，导致通信系统的性能变差。因此对于湍流信道下的FTN大气光通信系统就成了急需研究的问题。另一方面，深度学习技术最近开始在通信中广泛应用，神经网络具有灵活多变以及抗干扰能力强等优点。因此，将FTN技术与深度学习相结合，构建DL-FTN大气光传输预均衡方法，并分析其在弱湍流(Gamma-Gamma)信道中的误码性能。

发明内容

本发明的目的是提供一种深度学习预均衡-超奈奎斯特(DL-FTN)速率大气光传输方法，通过引入FTN技术以及深度学习来提高大气光通信系统的传输速率。

1.一种深度学习预均衡-超奈奎斯特速率大气光传输方法，其特征在于，一、通过引入超奈奎斯特技术从而使符号传输速率大于奈奎斯特速率。二、引入深度学习预均衡技术有效的提高了系统性能。该深度预均衡方法具体步骤如下：

步骤1：在发送端，首先将二进制信息序列转换为二进制开关键控(OOK，On-OffKeying)信号，再经超奈奎斯特成形滤波器形成超奈奎斯特信号。

步骤2：采用torch库构建神经网络，采用串联的形式构建多层神经网络，将上一单层网络的输出作为下一单层神经网络的输入；此神经网络采用先递增再递减结构，该系统共包含6层神经网络，其中输入层1层、隐藏层4层以及输出层，其数量分别为M、150、200、150、50、N(M与N为输入和输出网络的窗口数)，损失函数为交叉熵函数(CrossEntropyLoss)，优化器为随机梯度优化器(SGD,Stochastic Gradient Optimizer)，学习速率为0.001、0.0001：

步骤3：将步骤1得到的超奈奎斯特信号经过步骤2离线训练好的神经网络做预均衡处理，均衡原理为：产生的FTN-OOK信号导入输入层，经过4层隐藏层处理后，输出层输出DL-OOK信号：

步骤4：将步骤3得到的预均衡处理后的DL-OOK信号调制到载波光上并由光学天线发出：

步骤5：激光经服从Gamma-Gamma分布的弱湍流大气信道后到达光学接收天线，接收天线上的光电二极管将光信号转换为电信号并通过匹配滤波器，再以τT为时间间隔进行采样，得到相应的码元波形。其中，τ为加速因子(0<τ<1)，T为码元周期：

步骤6：采用最大似然序列检测算法对得到的码元波进行处理，并恢复出信息。

附图说明

图1为DL-FTN大气光通信系统框图，图2为均衡FTN与FTN误码性能的对比。

具体实施方式

本发明提出了一种深度学习预均衡-超奈奎斯特(DL-FTN)速率大气光传输方法。该方法在大气光通信中引入FTN技术并与深度学习相结合，从而突破Nyquist准则限制，进一步提高系统的传输速率与误码性能。下面结合附图以具体实施例来详细说明本发明

本发明通过如下技术措施来达到：

1.基本假设

本发明采用深度学习预均衡，信道状态服从Gamma-Gamma分布，假设背景光已被滤波器滤除，仅考虑加性高斯白噪声。该假设是此类系统的典型情况，非本发明的特殊要求。

2.具体实施方法

根据图1中的系统框图，在发送端，首先将二进制信息序列经FTN成形滤波器形成FTN信号。

其中，E为符号脉冲能量，τ为时间加速因子((0<τ<1)，r(t)为脉冲波形，T为码元周期；

经过数模转换的光信号为；

其中，P_OC为平均发射光功率，ω_oc为光频率，φ_oc为初始相位。

S_DL-OP(t)经过大气信道之后信号可表示为；

S_R(t)＝h·S_DL-OP(t)+N(t) (4)

接收信号S_R(t)经匹配滤波，ADC采样，信号可表示为；

对采样过后的信号直接进行硬判决，设置一阈值，规则如下；

3.误码性能

为了进一步说明本发明的正确性以及大气湍流对系统误码率的影响，在上述理论分析的基础上，采用蒙特卡罗方法分析了DL-FTN方案在Gamma-Gamma湍流信道中的误码性能。仿真条件如下：系统误码限设为3.8×10^-3，光电转换系数为0.5，λ为1550nm，

为7×10^-15m^-23，L为500m。神经网络层数为6层，其中输入层1层、隐藏层4层以及输出层。其数量分别为M、150、200、150、50、N(M与N为输入和输出网络的窗口数)。

图2为系统误码性能与蒙特卡洛仿真结果之间的关系。可以看出：经过DL预均衡后的误码性能与未均衡的信号性能进行对比，且随着信噪比增大，该方案在加速因子大于0.7时能得到与奈奎斯特系统近似的误码性能。而当加速因子为0.8、0.7和0.6时，其性能比原系统可分别提高5.1dB、6.0dB和8.6dB。

通过以上实施方式的描述，所属领域的技术人员对本发明关于现有技术的贡献部分可以通过软件或硬件来执行本发明实施例所述的方法。

Claims (1)

1.一种深度学习预均衡-超奈奎斯特速率大气光传输方法，其特征在于，通过引入超奈奎斯特技术从而使符号传输速率大于奈奎斯特速率；引入深度学习预均衡技术有效的提高了系统性能；该深度预均衡方法具体步骤如下：

步骤1：在发送端，首先将二进制信息序列转换为二进制开关键控(OOK)信号，再经超奈奎斯特成形滤波器形成超奈奎斯特信号：

步骤2：采用torch库构建神经网络，采用串联的形式构建多层神经网络，将上一单层网络的输出作为下一单层神经网络的输入；此神经网络采用先递增再递减结构，该系统共包含6层神经网络，其中输入层1层、隐藏层4层以及输出层，其数量分别为M、150、200、150、50、N(M与N为输入和输出网络的窗口数)，损失函数为交叉熵函数(CrossEntropy Loss)，优化器为随机梯度优化器(SGD)，学习速率为0.001、0.0001：

步骤3：将步骤1得到的超奈奎斯特信号经过步骤2离线训练好的神经网络做预均衡处理，均衡原理为：产生的FTN-OOK信号导入输入层，经过4层隐藏层处理后，输出层输出均衡后的DL-OOK信号：

步骤4：将步骤3得到的预均衡处理后的DL-OOK信号调制到载波光上并由光学天线发出：

步骤5：激光经服从Gamma分布的弱湍流大气信道后到达光学接收天线，接收天线上的光电二极管将光信号转换为电信号并通过匹配滤波器，再以τT为时间间隔进行采样，得到相应的码元波形，其中，τ为加速因子(0<τ<1)，T为码元周期：

步骤6：采用最大似然序列检测算法对得到的码元波进行处理，并恢复出信息。

Images