CN113141214B - 基于深度学习的水下光通信失准鲁棒盲接收机设计方法 - Google Patents

Abstract

本发明提供基于深度学习的水下光通信失准鲁棒盲接收机设计方法，包括：构建LM效应相关的UWOC信道模型；设计基于深度神经网络的UWOC失准鲁棒盲接收机，即设计DNN‑MBR；基于UWOC信道模型和DNN‑MBR，搭建DNN辅助的MIMO‑UWOC系统；在MIMO‑UWOC系统中完成水下光通信，完成水下光通信失准鲁棒盲接收机的设计。本发明提出一种基于深度学习的水下光通信失准鲁棒盲接收机设计方法，提出一种新型的基于深度学习DL的MIMO接收机，能有效解决UWOC环境中的LM问题；同时，本方案所提出的DL设计将信号合并和解调过程解耦为两个级联的功能，形成一体化的DNN，MBR设计不需要先验信道状态信息，对UWOC信道下的LM效应具有很强的鲁棒性。

Description

基于深度学习的水下光通信失准鲁棒盲接收机设计方法

技术领域

本发明涉及面向水下无线光通信(Underwater Wireless OpticalCommunication，UWOC)技术领域，特别是涉及一种基于深度学习的水下光通信失准鲁棒盲接收机设计方法。

背景技术

近年来，水下无线光通信(Underwater Wireless Optical Communication，UWOC)凭借其丰富的光带宽，在高速无线通信中得到了越来越广泛的应用。与水声通信技术相比，水声通信技术利用声波以非常有限的带宽(kHz量级)传输信息，并且具有较大的传输延迟，UWOC技术可以在保持较低传输时延的同时，将可实现的数据速率大幅度提高到千兆每秒(Giga Bit Per Second，Gbps)。

然而，光束在UWOC信道中传输时会受到吸收(Absorption)、散射(Scattering)和湍流(Turbulence)的影响[1]C.D.Mobley,Light and water:radiative transfer innatural waters.Academic Press:San Diego,CA,USA,1994.[2]W.C.Cox,“Simulation,modeling,and design of underwater optical communication systems,”Dissertations and Theses-Gradworks,vol.34,no.9,pp.930–942,Feb.2012。这些有害的信道效应将导致UWOC系统中光传输功率的严重损耗和信道时延。目前，已有一些研究通过实际UWOC数据的采集对吸收、散射和湍流效应进行表征，以便进行相对精确的信道建模，从而可以评估复杂的UWOC信道条件[3]S.Jaruwatanadilok,“Underwater wireless opticalcommunication channel modeling and performance evaluation using vectorradiative transfer theory,”IEEE J.Sel.Areas Commun.,vol.26,no.9,pp.1620–1627,Dec.2008.[4]C.Gabriel,M.Khalighi,S.Bourennane,P.Leon,and V.Rigaud,“Monte-Carlo-based channel characterization for underwater optical communicationsystems,”IEEE J.Opt.Commun.Netw.,vol.8,no.1,pp.1–12,Jan.2013.。具体而言，有研究提出应用辐射传输理论[3]，并依赖蒙特卡罗仿真[4]进行UWOC信道建模。

此外，关于UWOC的大多数现有研究[3][4][5]J.Chen,L.Zhao,M.Jiang,and Z.Wu,“Sherman-Morrison formula aided adaptive channel estimation for underwatervisible light communication with fractionally-sampled OFDM,”IEEE Trans.SignalProcess.,vol.68,pp.2784–2798,Apr.2020.都假设发射机和接收机之间的光链路是理想对准的。然而，由于水的波动和光收发器的运动所造成的不可预测的偏移，在实际场景中实现理想对准的条件是很有挑战性的。文献[6]S.Tang,Y.Dong,and X.Zhang,“On linkmisalignment for underwater wireless optical communications,”IEEECommun.Lett.,vol.16,no.10,pp.1688–1690,Oct.2012.中使用波束传输函数模型研究链路失准(Link Misalignment，LM)的性能影响。文献[7]H.Zhang and Y.Dong,“Linkmisalignment for underwater wireless optical communications,”in Proceedingsof Advances in Wireless and Optical Communications(RTUWO),5-6Nov.2015.研究了由光源特性(如发散角和仰角)引起的UWOC-LM效应。此外，文献[8]Z.Vali et al.,“Use ofGaussian beam divergence to compensate for misalignment of underwaterwireless optical communication links,”IET Optoelectronics,vol.11,no.5,pp.171–175,Oct.2017.的作者增加了发射端透射高斯光束的发散角以减轻LM效应，与理想对准情况相比，其代价是增加了功耗和性能下降。最近，有研究提出应用深度神经网络(DeepNeural Network，DNN)技术来解决UWOC系统中的信道分类、信道估计和信号检测问题[9]H.Lu,M.Jiang,and J.Cheng,“Deep learning aided robust joint channelclassification,channel estimation,and signal detection for underwater opticalcommunication,”IEEE Trans.Commun.(early access),pp.1–1,Dec.2020，但是没有考虑LM效应带来的影响。

发明内容

本发明的目的是解决现有的通过DNN技术来解决UWOC系统中的信道估计和信号检测问题存在无法解决LM效应问题的技术缺陷，提供一种基于深度学习的水下光通信失准鲁棒盲接收机设计方法。

为解决上述技术问题，本发明的技术方案如下：

基于深度学习的水下光通信失准鲁棒盲接收机设计方法，包括以下步骤：

S1：构建LM效应相关的UWOC信道模型；

S2：设计基于深度神经网络的UWOC失准鲁棒盲接收机，即设计DNN-MBR；

S3：基于UWOC信道模型和DNN-MBR，搭建DNN辅助的MIMO-UWOC系统；

S4：在MIMO-UWOC系统中完成水下光通信，完成水下光通信失准鲁棒盲接收机的设计。

上述方案中，本方案提出一种新型的基于深度学习(Deep Learning，DL)的MIMO接收机，能有效解决UWOC环境中的LM问题；同时，提出基于DNN的接收器来取代传统的信号合并器和解调器，不同于大多数现有的基于DL的MIMO接收机对接收信号的直接检测设计[10]D.Huang et al.,“Deep learning based parallel detector for MIMO systems,”inProceedings of International Conference on Communication,Image and SignalProcessing(CCISP),13-15Nov.2020.[11]M.-S.Baek et al.,“Implementationmethodologies of deep learning based signal detection for conventional MIMOtransmitters,”IEEE Trans.Broadcast.,vol.65,no.3,pp.636–642,Apr.2019，本方案所提出的DL设计将信号合并和解调过程解耦为两个级联的功能，形成一体化的DNN。此外，MBR设计不需要先验信道状态信息(Channel State Information，CSI)，对UWOC信道下的LM效应具有很强的鲁棒性。

其中，在所述步骤S1中，所述UWOC信道模型是建立在基于蒙特卡罗统计解析表达式(Analytical Expression ofthe Monte Carlo Statistical，AEMCS)模型[12]H.Zhang,J.Cheng,and Z.Wang,“On integrated stochastic channel model for underwateroptical wireless communications,”in Proceedings of IEEE InternationalConference onCommunications(ICC),20-24May2018，即AEMCS模型基础上的时域UWOC信道冲激响应(Channel Impulse Response，CIR)模型，用于描述光子与海水相互作用产生的吸收和散射效应，以及对光束在UWOC环境中的传输产生影响。

其中，在所述步骤S1中，基于AEMCS模型[12]，单位功率光子在n个散射分量作用下的轨迹微分概率表示为：

P_n(μ₀,θ₀,φ₀,...,μ_l,θ_l,φ_l,...,μ_n,θ_n,φ_n)dV (1)

其中，μ_l,(0≤l≤n)表示第l个和(l+1)个散射体之间的随机距离，θ_l和φ_l是第l个实体偏转角的天顶角和方位角分量，

接着，对公式(1)所有变量的积分是接收光功率与发射光功率的比值，表示为光路损耗[12]；通过计算和组合公式(1)的积分的相关时间样本，得到考虑吸收和散射效应的CIR，表示为h₀(t)；

接着，采用对数正态分布模型仿真湍流引起的衰落[13]H.Minh et al.,“100-Mb/s NRZ visible light communications using a postequalized white LED,”IEEEPhoton.Technol.Lett.,vol.21,no.15,pp.1063–1065,Aug.1,2009；α＝exp(2ξ)表示湍流引起的信道衰落幅度的随机变量；

最后，得到结合吸收、散射和湍流效应的信道模型，具体表示为：

h(t)＝αh₀(t) (2)

其中，h(t)表示UWOC信道模型。

其中，在所述步骤S1中，所述α具有对数正态分布的概率分布函数(ProbabilityDistribution Function，PDF)[13]，具体表示为：

其中ξ是均值为μ_ξ，方差为

的高斯分布随机变量；通过令

令对数正态分布衰落保持归一化E[α]＝1[13]；接着通过式(4)得到的表达式

其中

是是平面波和球面波的闪烁指数[13]。

其中，在所述步骤S1中，在UWOC信道模型基础上，借助天顶角θ_z对LM进行建模，具体为：

考虑到LM模型[7]和AEMCS模型[12]，通过使用LM效应相关的CIR，h_z(t)，来反映吸收、散射、湍流和LM效应；h_z(t)是通过用θ_z修改公式(1)中的实体发射角(θ₀,φ₀)并结合公式(1)积分的相关时间样本来获得的[7]。

上述方案中，在UWOC场景中，由于光源特性的不理想(如发散和校准失配)，LM经常发生。LM会降低接收到的光强度并增加信道延迟扩展[7]。如果UWOC发射器或接收器移动，LM会变得更严重。LM可以借助天顶角θ_z来建模[7]。

其中，在所述步骤S2中，所述DNN-MBR包括一个DNN合并器和一个DNN解调器，通过一个合并层(Combination Layer)将两个DNN部分连接起来，形成一个具有信号合并和解调功能的DNN整体。

上述方案中，利用具有信号合并先验知识的合并层的DNN-MBR设计可以减少信号检测中间过程中需要提取的特征数量，与直接检测设计相比，能够以较低复杂度提供可靠的信息恢复性能。

其中，在所述步骤S3中，设在发射端有M个发光二极管LED，在接收端有N个PD；相同的光信号从M个LED中发射到N个PD中，光信号传输经历LM效应相关的UWOC信道，其中LED发射端表示为TX_i，i＝1,...,M，PD接收端表示为RX_j，j＝1,...,N；基于LM效应相关的UWOC信道模型，将TX_i和RX_j之间的CIR表示为h_z,ij(t)；所述DNN辅助的MIMO-UWOC系统采用强度调制和直接检测技术，以及用于调制信息比特向量b的OOK调制，其中开状态指示来自TX_i的脉冲信号R_i(t)的传输；以矩形脉冲为例，脉冲信号表示为R_i(t)＝P_i·Γ(t)，其中P_i是每比特的发射功率，

为矩形脉冲，T_b是比特持续周期；为了与发射功率为P的单个发射机情况进行公平比较，将MIMO情况中矩形脉冲的总发射功率设置为

；更具体地说，TX_i发送

的数据序列，其中b_k∈{0,1}是在第k信号周期中发送的信息比特；

在经过h_z,ij(t)信道后，M个数据序列在第j个PD处的叠加信号表示为：

其中，*表示卷积运算符，y_i,j表示从TX_i到RX_j发送的信号；然后，对T_b内的y_j，j＝1,...,N进行积分运算，得到比特周期内的积分信号r_j，该信号r_j将被转发给所述DNN-MBR进行信号合并和解调。

上述方案中，更明确地说，DNN合并器分析来自N个PD输入数据的特性并优化合并权重以获得合并信号r_c。随后，r_c被送到DNN解调器，在该解调器中，借助在离线DNN训练期间优化的判决策略来获得发射比特的估计版本

其中，在所述步骤S2中，所述DNN合并器的输入数据为L×1的向量r_j＝[r_j,1,r_j,2,...,r_j,L]^T，表示在RX_j处以连续L个比特持续时间采样的j个接收信号，其中，j＝1,...,N；然后，N个PD上的数据比特向量一起形成叠加的NL×1向量

向量r被转发到

个卷积层，即CL和

个全连接层，即FCL，CL和FCL提取接收信号的特征以生成合并权重向量w；第x(x＝1,...,C_c)个卷积过程由J_c,_x个大小为F_c,x×1的卷积核实现，卷积步长为s＝s_c,x；连接两个连续CL的池化运算是通过最大池化实现的，该过程调用的大小为F^P×1滤波器，池化步长为s＝s^P，在CL之后，每个FCL将前一层的神经元连接到下一层的神经元，其中第l层

的FCL包含

个神经元；

此外，所述DNN合并器在除最后一个FCL之外的所有层中使用修正线性单元(Rectified Linear Unit，ReLU)函数[14]，即ReLU函数作为激活函数来实现良好的梯度下降，而在最后一个FCL中应用线性函数来保持所生成的合并权重的性质[14]I.Goodfellow,Y.Bengio,and A.Courville,Deep Learning.Cambridge,MA,USA:MIT Press,2016；最后一个FCL的输出向量，即合并权重w＝[w₁,...,w_N]，被用于产生合并信号

，该合并信号由所述DNN解调器进行解调。

其中，在所述步骤S2中，所述DNN解调器由

个CL和

个FCL组成，它们对合并信号r_c实现特征提取和OOK解调；DNN解调器中的卷积和全连接运算规则与DNN合并器中相同；在DNN解调器中，除了最后一个FCL，ReLU函数被应用到DNN解调器所有层作为激活函数；最后一个FCL采用修正的Sigmoid函数来生成估计的OOK信号，具体为：

通过将Sigmoid函数

沿x轴正方向平移0.5的位移，修正的Sigmoid函数表示为：

修正的Sigmoid函数是基于OOK解调过程的判决函数设计的。

其中，在所述步骤S2中，所述DNN-MBR使用基于MIMO-UWOC系统随机生成的数据经历LM效应相关的UWOC信道模型进行训练；具体为：

随机数据序列b被生成并调制为OOK符号，以便从M个LED发射；用于训练的信道h_z(t)通过UWOC信道模型生成；然后，DNN-MBR将经过信道衰落和环境噪声影响的接收符号y_j，j＝1,...,N和原始信息比特向量b分别作为DNN-MBR的输入和预期输出训练数据完成训练；

DNN-MBR的训练目标是最小化预测比特向量和发送比特向量之间的均方误差(Mean Square Error，MSE)，损失函数表示为：

其中

是DNN解调器的预测比特输出，对应的误比特率(Bit Error Rate，BER)γ表达式表示为：

其中f_b(·)是判决函数，表示为：

然后，以最小化公式(7)中的

为目标对DNN-MBR进行训练。

上述方案中，为了逼近不可导函数f_b(x)，在DNN解调器的最后一层采用了公式(6)中的修正的Sigmoid函数f_MS作为激活函数。

利用基于公式(7)的损失函数

的训练模型，对提出的DNN-MBR进行训练，实现LM效应相关的UWOC信道特征的提取，并利用这些特征学习信号合并和解调策略。这有助于改进在具有LM的UWOC信道下传播的传输信息恢复。

上述方案中，本发明提出一种新型的基于深度学习的下无线光通信失准鲁棒盲接收机(Misalignment-robust Blind Receiver，MBR)设计。本方案设计了基于深度神经网络的MBR，提出了DNN合并器设计方案，用于分析到达接收端的多个光电探测器(Photodetector，PD)上的光信号，分析UWOC链路失准信道中的接收信号能量分布特性，并完成优化的信号合并。

此外，在DNN-MBR设计中，本方案提出了DNN解调器(Demodulator)以优化的解调策略实现合并后信号的解调，提升UWOC系统在LM场景中信号恢复的可靠性。不失一般性的情况下，本方案将MBR设计融入到开关键控(On-Off Keying，OOK)调制的输入多输出(Multiple Input Multiple Output，MIMO)UWOC系统中，在系统的接收端完成信息恢复。本发明也适用于其他经典的光调制方案，如脉冲幅度调制(Pulse Amplitude Modulation，PAM)[15].Minh et al.,“100-Mb/s NRZ visible light communications using apostequalized white LED,”IEEE Photon.Technol.Lett.,vol.21,no.15,pp.1063–1065,Aug.1,2009。

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种基于深度学习的水下光通信失准鲁棒盲接收机设计方法，提出一种新型的基于深度学习DL的MIMO接收机，能有效解决UWOC环境中的LM问题；同时，本方案所提出的DL设计将信号合并和解调过程解耦为两个级联的功能，形成一体化的DNN，MBR设计不需要先验信道状态信息，对UWOC信道下的LM效应具有很强的鲁棒性。

附图说明

图1为本发明所述方法流程示意图；

图2为UWOC系统中的LM问题坐标系；

图3为UWOC系统中的LM引起的光强度变化图；

图4为具有LM的MIMO-UWOC系统框图；

图5为DNN-MBR的结构图；

图6为UWOC信道中系统用于训练的θ_z的UWOC信道的BER性能图；

图7为UWOC信道中系统未用于训练的θ_z的UWOC信道的BER性能图。

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，基于深度学习的水下光通信失准鲁棒盲接收机设计方法，包括以下步骤：

S1：构建LM效应相关的UWOC信道模型；

S2：设计基于深度神经网络的UWOC失准鲁棒盲接收机，即设计DNN-MBR；

S3：基于UWOC信道模型和DNN-MBR，搭建DNN辅助的MIMO-UWOC系统；

S4：在MIMO-UWOC系统中完成水下光通信，完成水下光通信失准鲁棒盲接收机的设计。

在具体实施过程中，本方案提出一种新型的基于深度学习(Deep Learning，DL)的MIMO接收机，能有效解决UWOC环境中的LM问题；同时，提出基于DNN的接收器来取代传统的信号合并器和解调器，不同于大多数现有的基于DL的MIMO接收机对接收信号的直接检测设计[10][11]，本方案所提出的DL设计将信号合并和解调过程解耦为两个级联的功能，形成一体化的DNN。此外，MBR设计不需要先验信道状态信息，对UWOC信道下的LM效应具有很强的鲁棒性。

更具体的，在所述步骤S1中，所述UWOC信道模型是建立在基于蒙特卡罗统计解析表达式(Analytical Expression ofthe Monte Carlo Statistical，AEMCS)模型[12]即在AEMCS模型基础上的时域UWOC信道冲激响应(Channel Impulse Response，CIR)模型，用于描述光子与海水相互作用产生的吸收和散射效应，以及对光束在UWOC环境中的传输产生影响。

更具体的，在所述步骤S1中，基于AEMCS模型[12]，单位功率光子在n个散射分量作用下的轨迹微分概率表示为：

P_n(μ₀,θ₀,φ₀,...,μ_l,θ_l,φ_l,...,μ_n,θ_n,φ_n)dV (1)

其中，μ_l,(0≤l≤n)表示第l个和(l+1)个散射体之间的随机距离，θ_l和φ_l是第l个实体偏转角的天顶角和方位角分量，

接着，对公式(1)所有变量的积分是接收光功率与发射光功率的比值，表示为光路损耗[12]；通过计算和组合公式(1)的积分的相关时间样本，得到考虑吸收和散射效应的CIR，表示为h₀(t)；

接着，采用对数正态分布模型仿真湍流引起的衰落[13]；α＝exp(2ξ)表示湍流引起的信道衰落幅度的随机变量；

最后，得到结合吸收、散射和湍流效应的信道模型，具体表示为：

h(t)＝αh₀(t) (2)

其中，h(t)表示UWOC信道模型。

更具体的，在所述步骤S1中，所述α具有对数正态分布的概率分布函数(Probability Distribution Function，PDF)[13]，具体表示为：

其中ξ是均值为μ_ξ，方差为

的高斯分布随机变量；通过令

令对数正态分布衰落保持归一化E[α]＝1[13]；接着通过式(4)得到的表达式

其中

是是平面波和球面波的闪烁指数[13]。

更具体的，在所述步骤S1中，在UWOC信道模型基础上，借助天顶角θ_z对LM进行建模，具体为：

考虑到LM模型[7]和AEMCS模型[12]，通过使用LM效应相关的CIR，h_z(t)，来反映吸收、散射、湍流和LM效应；h_z(t)是通过用θ_z修改公式(1)中的实体发射角(θ₀,φ₀)并结合公式(1)积分的相关时间样本来获得的[7]。

在具体实施过程中，在UWOC场景中，由于光源特性的不理想(如发散和校准失配)，LM经常发生。LM会降低接收到的光强度并增加信道延迟扩展[7]。如果UWOC发射器或接收器移动，LM会变得更严重。LM可以借助天顶角θ_z来建模[7]。如图2所示，其中z轴为接收器处PDs的法线。

在具体实施过程中，图3显示了在不同θ_z值下仿真的光强度变化趋势，其中D是发射器和接收器之间的距离，而Φ_1/2是LED的半功率半角[7]。从图3可以看到，当LM由于θ_z的增长而变得更严重时，接收器能够接收到的光强度降低，因为在这种情况下，更多的光子将在偏离z轴即PD法线的方向上传播。

更具体的，在所述步骤S2中，所述DNN-MBR包括一个DNN合并器和一个DNN解调器，通过一个合并层(Combination Layer)将两个DNN部分连接起来，形成一个具有信号合并和解调功能的DNN整体。

在具体实施过程中，利用具有信号合并先验知识的合并层的DNN-MBR设计可以减少信号检测中间过程中需要提取的特征数量，与直接检测设计相比，能够以较低复杂度提供可靠的信息恢复性能。

更具体的，在所述步骤S3中，图4为DNN辅助的MIMO-UWOC系统框图；其中，设在发射端有M个发光二极管LED，在接收端有N个PD；相同的光信号从M个LED中发射到N个PD中，光信号传输经历LM效应相关的UWOC信道，其中LED发射端表示为TX_i，i＝1,...,M，PD接收端表示为RX_j，j＝1,...,N；基于LM效应相关的UWOC信道模型，将TX_i和RX_j之间的CIR表示为h_z,ij(t)；所述DNN辅助的MIMO-UWOC系统采用强度调制和直接检测技术，以及用于调制信息比特向量b的OOK调制，其中开状态指示来自TX_i的脉冲信号R_i(t)的传输；以矩形脉冲为例，脉冲信号表示为R_i(t)＝P_i·Γ(t)，其中P_i是每比特的发射功率，

为矩形脉冲，T_b是比特持续周期；为了与发射功率为P的单个发射机情况进行公平比较，将MIMO情况中矩形脉冲的总发射功率设置为

更具体地说，TX_i发送

的数据序列，其中b_k∈{0,1}是在第k信号周期中发送的信息比特；

在经过h_z,ij(t)信道后，M个数据序列在第j个PD处的叠加信号表示为：

其中，*表示卷积运算符，y_i,j表示从TX_i到RX_j发送的信号；然后，对T_b内的y_j，j＝1,...,N进行积分运算，得到比特周期内的积分信号r_j，该信号r_j将被转发给所述DNN-MBR进行信号合并和解调。

在具体实施过程中，更明确地说，DNN合并器分析来自N个PD输入数据的特性并优化合并权重以获得合并信号r_c。随后，r_c被送到DNN解调器，在该解调器中，借助在离线DNN训练期间优化的判决策略来获得发射比特的估计版本

更具体的，在所述步骤S2中，图5为包括合并器和解调器的DNN-MBR的结构示意图。图5左侧所示的DNN合并器的输入数据为L×1的向量r_j＝[r_j,1,r_j,2,...,r_j,L]^T，表示在RX_j处以连续L个比特持续时间采样的j个接收信号，其中，j＝1,...,N；然后，N个PD上的数据比特向量一起形成叠加的NL×1向量

向量r被转发到

个卷积层，即CL和

个全连接层，即FCL，CL和FCL提取接收信号的特征以生成合并权重向量w；第x(x＝1,...,C_c)个卷积过程由J_c,_x个大小为F_c,x×1的卷积核实现，卷积步长为s＝s_c,x；连接两个连续CL的池化运算是通过最大池化实现的，该过程调用的大小为F^P×1滤波器，池化步长为s＝s^P，在CL之后，每个FCL将前一层的神经元连接到下一层的神经元，其中第l层

的FCL包含

个神经元；

此外，所述DNN合并器在除最后一个FCL之外的所有层中使用修正线性单元(Rectified Linear Unit，ReLU)函数[14]，即ReLU函数作为激活函数来实现良好的梯度下降，而在最后一个FCL中应用线性函数来保持所生成的合并权重的性质[14]I.Goodfellow,Y.Bengio,and A.Courville,Deep Learning.Cambridge,MA,USA:MIT Press,2016；最后一个FCL的输出向量，即合并权重w＝[w₁,...,w_N]，被用于产生合并信号

该合并信号由图5右侧所示的DNN解调器进行解调。

更具体的，在所述步骤S2中，所述DNN解调器由

个CL和

个FCL组成，它们对合并信号r_c实现特征提取和OOK解调；DNN解调器中的卷积和全连接运算规则与DNN合并器中相同；在DNN解调器中，除了最后一个FCL，ReLU函数被应用到DNN解调器所有层作为激活函数；最后一个FCL采用修正的Sigmoid函数来生成估计的OOK信号，具体为：

通过将Sigmoid函数

沿x轴正方向平移0.5的位移，修正的Sigmoid函数表示为：

修正的Sigmoid函数是基于OOK解调过程的判决函数(9)设计的，判决阈值为0.5。

更具体的，在所述步骤S2中，所述DNN-MBR使用基于图4所示的MIMO-UWOC系统随机生成的数据经历LM效应相关的UWOC信道模型进行训练；具体为：

随机数据序列b被生成并调制为OOK符号，以便从M个LED发射；用于训练的信道h_z(t)通过UWOC信道模型生成；然后，DNN-MBR将经过信道衰落和环境噪声影响的接收符号y_j，j＝1,...,N和原始信息比特向量b分别作为DNN-MBR的输入和预期输出训练数据完成训练；

DNN-MBR的训练目标是最小化预测比特向量和发送比特向量之间的均方误差(Mean Square Error，MSE)，损失函数表示为：

其中

是DNN解调器的预测比特输出，对应的误比特率(Bit Error Rate，BER)γ表达式表示为：

其中f_b(·)是判决函数，表示为：

然后，以最小化公式(7)中的

为目标对DNN-MBR进行训练。

在具体实施过程中，为了逼近不可导函数f_b(x)，在DNN解调器的最后一层采用了公式(6)中的修正的Sigmoid函数f_MS作为激活函数。

利用基于公式(7)的损失函数

的训练模型，对提出的DNN-MBR进行训练，实现LM效应相关的UWOC信道特征的提取，并利用这些特征学习信号合并和解调策略。这有助于改进在具有LM的UWOC信道下传播的传输信息恢复。

在具体实施过程中，本发明提出一种新型的基于深度学习的下无线光通信失准鲁棒盲接收机(Misalignment-robust Blind Receiver，MBR)设计。本方案设计了基于深度神经网络的MBR，提出了DNN合并器设计方案，用于分析到达接收端的多个光电探测器(Photodetector，PD)上的光信号，分析UWOC链路失准信道中的接收信号能量分布特性，并完成优化的信号合并。

此外，在DNN-MBR设计中，本方案提出了DNN解调器(Demodulator)以优化的解调策略实现合并后信号的解调，提升UWOC系统在LM场景中信号恢复的可靠性。不失一般性的情况下，本方案将MBR设计融入到开关键控(On-Off Keying，OOK)调制的输入多输出(Multiple Input Multiple Output，MIMO)UWOC系统中，在系统的接收端完成信息恢复。本发明也适用于其他经典的光调制方案，如脉冲幅度调制(Pulse Amplitude Modulation，PAM)[15]。

实施例2

更具体的，在实施例1的基础上，为更充分地阐述本发明所具有的有益效果，以下结合仿真分析及结果，进一步对本发明的有效性和先进性予以说明。本仿真对本发明所提出的DNN-MBR的性能进行了评估，并与传统的最大似然检测(Maximum LikelihoodDetection，MLD)辅助的最优最大比合并器(Maximum Ratio Combiner，MRC)和等增益合并器(Equal Gain combiner，EGC)方法进行了比较，这两种对比方法都假设了理想的先验CSI。

A.仿真参数设置

在仿真中，采用了基于AEMCS模型[12]和具有LM效应[7]的UWOC信道模型。使用的主要系统参数汇总在表1中。

表1：UWOC系统的仿真参数，其中一些典型值参考

表2：DNN线下训练主要参数

在本发明所提出的训练过程中，DNN-MBR在一系列典型的信噪比(Signal-to-Noise Ratio，SNR)下训练。在训练过程中，根据文献[3]计算固定的噪声功率，SNR随着发射功率的改变而改变。具体地说，本发明采用了一种连续的DNN训练策略，首先从最大发射功率P＝30dBm开始，经过100次仿真运行，得到初始训练的神经网络权重。在这100次仿真运行中，一次仿真运行生成的神经网络权重结果将作为下一次仿真运行的起点。然后，降低发射功率至25dbm对先前训练的神经网络权重结果执行另外100次仿真。这样的过程依次以20dbm、15dbm、10dbm和5dbm的发射功率重复。然后，在训练的最后一个信噪比水平，将发射功率降为0dbm，并将仿真次数增加到1000次。除此之外，本发明将dropout方法应用于DNN-MBR的训练中，以解决组合不同神经网络结构的过度拟合和长耗时问题[16]M.V.Jamali,J.A.Salehi,and F.Akhoundi,“Performance studiesof underwater wireless opticalcommunication systems with spatial diversity:MIMO scheme,”IEEE Trans.Commun.,vol.65,no.3,pp.1176–1192,Mar.2017，其中CL和FCL分别使用不同的dropout比例。本发明所提出的DNN-MBR方案的主要参数见表2。

此外，本发明所提出的DNN-MBR方案可以避免在不同通信距离D下进行训练。这对于实际场景是有益的，在实际场景中，D的估计可能不准确。通过将合并信号r_c归一化为对应于训练D的数量级，可以避免在不同通信距离D下进行训练。

更具体的，在图6-图7中仿真评估DNN-MBR作用的UWOC系统的BER性能。传统的MLD辅助的最优MRC和EGC被用作参考对比对象，这两种方案都假设了完美的先验CSI。此外，UWOC信道的LM效应仿真通过改变的天顶角θ_z的值来实现。从图6可以看出，在没有LM的情况下，即在θ_z＝0的情况下，所有方案的BER性能都非常相似。当θ_z增加到10°时，本发明所提出的不含CSI信息的DNN-MBR系统优于MLD-EGC，其性能接近MRC的理想方案。此外，图7表明，DNN-MBR甚至可以在未训练θ_z的UWOC信道中很好地工作，前提是这些θ_z值不超过最大训练θ_z值。因此，只要训练一个适当的θ_z范围，DNN-MBR系统能够在实际UWOC场景中表现出很高的鲁棒性，即使当前通信所处的LM状态是未知的。

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 (6)

1.基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，包括以下步骤：

S1：构建LM效应相关的UWOC信道模型；

S2：设计基于深度神经网络的UWOC失准鲁棒盲接收机，即设计DNN-MBR；

S3：基于UWOC信道模型和DNN-MBR，搭建DNN辅助的MIMO-UWOC系统；

S4：在MIMO-UWOC系统中完成水下光通信，完成水下光通信失准鲁棒盲接收机的设计；

在所述步骤S2中，所述DNN-MBR包括一个DNN合并器和一个DNN解调器，通过一个合并层将两个DNN部分连接起来，形成一个具有信号合并和解调功能的DNN整体；所述DNN合并器分析来自N个PD接收端输入数据的特性并优化合并权重以获得合并信号r_c；随后，r_c被送到所述DNN解调器，在该解调器中，借助在离线DNN训练期间优化的判决策略来获得发射比特的估计版本

在所述步骤S3中，设在发射端有M个发光二极管LED，在接收端有N个PD；相同的光信号从M个LED中发射到N个PD中，光信号传输经历LM效应相关的UWOC信道，其中LED发射端表示为TX_i，i＝1,...,M，PD接收端表示为RX_j，j＝1,...,N；基于LM效应相关的UWOC信道模型，将TX_i和RX_j之间的CIR表示为h_z,ij(t)；所述DNN辅助的MIMO-UWOC系统采用强度调制和直接检测技术，以及用于调制信息比特向量b的OOK调制，其中开状态指示来自TX_i的脉冲信号R_i(t)的传输；以矩形脉冲为例，脉冲信号表示为R_i(t)＝P_i·Γ(t)，其中P_i是每比特的发射功率，

为矩形脉冲，T_b是比特持续周期；为了与发射功率为P的单个发射机情况进行公平比较，将MIMO情况中矩形脉冲的总发射功率设置为

更具体地说，TX_i发送

的数据序列，其中b_k∈{0,1}是在第k信号周期中发送的信息比特；

在经过h_z,ij(t)信道后，M个数据序列在第j个PD处的叠加信号表示为：

其中，*表示卷积运算符，y_i,j表示从TX_i到RX_j发送的信号；然后，对T_b内的y_j，j＝1,...,N进行积分运算，得到比特周期内的积分信号r_j，该信号r_j将被转发给所述DNN-MBR进行信号合并和解调；

其中，所述DNN合并器的输入数据为L×1的向量r_j＝[r_j,1,r_j,2,...,r_j,L]^T，表示在RX_j处以连续L个比特持续时间采样的j个接收信号，其中，j＝1,...,N；然后，N个PD上的数据比特向量一起形成叠加的NL×1向量

向量r被转发到C_c个卷积层，即CL和

个全连接层，即FCL，CL和FCL提取接收信号的特征以生成合并权重向量w；第x个卷积过程由J_c,x个大小为F_c,_x×1的卷积核实现，卷积步长为s＝s_c,x，其中x＝1,...,C_c；连接两个连续CL的池化运算是通过最大池化实现的，该过程调用的大小为F^P×1滤波器，池化步长为s＝s^P，在CL之后，每个FCL将前一层的神经元连接到下一层的神经元，其中第l层的FCL包含

个神经元，其中

此外，所述DNN合并器在除最后一个FCL之外的所有层中使用修正线性单元函数，即ReLU函数作为激活函数来实现良好的梯度下降，而在最后一个FCL中应用线性函数来保持所生成的合并权重的性质；最后一个FCL的输出向量，即合并权重w＝[w₁,...,w_N]，被用于产生合并信号

该合并信号由所述DNN解调器进行解调；

所述DNN解调器由C_d个CL和

个FCL组成，它们对合并信号r_c实现特征提取和OOK解调；DNN解调器中的卷积和全连接运算规则与DNN合并器中相同；在DNN解调器中，除了最后一个FCL，ReLU函数被应用到DNN解调器所有层作为激活函数；最后一个FCL采用修正的Sigmoid函数来生成估计的OOK信号；

所述DNN-MBR使用基于MIMO-UWOC系统随机生成的数据经历LM效应相关的UWOC信道模型进行训练；具体为：

随机数据序列b被生成并调制为OOK符号，以便从M个LED发射；用于训练的信道h_z(t)通过UWOC信道模型生成；然后，DNN-MBR将经过信道衰落和环境噪声影响的接收符号y_j，j＝1,...,N和原始信息比特向量b分别作为DNN-MBR的输入和预期输出训练数据完成训练；

DNN-MBR的训练目标是最小化预测比特向量和发送比特向量之间的均方误差MSE，损失函数表示为：

其中

是DNN解调器的预测比特输出，对应的误比特率γ表达式表示为：

其中f_b(·)是判决函数，表示为：

然后，以最小化公式(7)中的

为目标对DNN-MBR进行训练。

2.根据权利要求1所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S1中，所述UWOC信道模型是建立在基于蒙特卡罗统计解析表达式模型，即AEMCS模型基础上的时域UWOC信道冲激响应模型，即CIR模型，用于描述光子与海水相互作用产生的吸收和散射效应，以及对光束在UWOC环境中的传输产生影响。

3.根据权利要求2所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S1中，基于AEMCS模型，单位功率光子在n个散射分量作用下的轨迹微分概率表示为：

P_n(μ₀,θ₀,φ₀,...,μ_l,θ_l,φ_l,...,μ_n,θ_n,φ_n)dV (1)

其中，μ_l,(0≤l≤n)表示第l个和(l+1)个散射体之间的随机距离，θ_l和φ_l是第l个实体偏转角的天顶角和方位角分量，

接着，对公式(1)所有变量的积分是接收光功率与发射光功率的比值，表示为光路损耗；通过计算和组合公式(1)的积分的相关时间样本，得到考虑吸收和散射效应的CIR，表示为h₀(t)；

接着，采用对数正态分布模型仿真湍流引起的衰落；α＝exp(2ξ)表示湍流引起的信道衰落幅度的随机变量；

最后，得到结合吸收、散射和湍流效应的信道模型，具体表示为：

h(t)＝αh₀(t) (2)

其中，h(t)表示UWOC信道模型。

4.根据权利要求3所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S1中，所述α具有对数正态分布的概率分布函数，具体表示为：

其中ξ是均值为μ_ξ，方差为

的高斯分布随机变量；通过令

令对数正态分布衰落保持归一化E[α]＝1；接着通过式(4)得到的表达式

其中

是平面波和球面波的闪烁指数。

5.根据权利要求2所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S1中，在UWOC信道模型基础上，借助天顶角θ_z对LM进行建模，具体为：

考虑到LM模型和AEMCS模型，通过使用LM效应相关的CIR，h_z(t)，来反映吸收、散射、湍流和LM效应；h_z(t)是通过用θ_z修改公式(1)中的实体发射角(θ₀,φ₀)并结合公式(1)积分的相关时间样本来获得的。

6.根据权利要求1所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S2中，最后一个FCL采用修正的Sigmoid函数来生成估计的OOK信号，具体为：

通过将Sigmoid函数

沿x轴正方向平移0.5的位移，修正的Sigmoid函数表示为：

修正的Sigmoid函数是基于OOK解调过程的判决函数设计的。

Images