CN113328807B - 一种深空光通信中dmppm调制方法及系统 - Google Patents

一种深空光通信中dmppm调制方法及系统 Download PDF

Info

Publication number
CN113328807B
CN113328807B CN202110583664.5A CN202110583664A CN113328807B CN 113328807 B CN113328807 B CN 113328807B CN 202110583664 A CN202110583664 A CN 202110583664A CN 113328807 B CN113328807 B CN 113328807B
Authority
CN
China
Prior art keywords
dmppm
data
modulation
data set
score
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
CN202110583664.5A
Other languages
English (en)
Other versions
CN113328807A (zh
Inventor
詹伟达
唐雁峰
李锐
郝子强
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 University of Science and Technology
Original Assignee
Changchun University of Science and Technology
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 University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN202110583664.5A priority Critical patent/CN113328807B/zh
Publication of CN113328807A publication Critical patent/CN113328807A/zh
Application granted granted Critical
Publication of CN113328807B publication Critical patent/CN113328807B/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
    • H04B10/50—Transmitters
    • H04B10/516—Details of coding or modulation
    • H04B10/524—Pulse modulation
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种深空光通信中DMPPM调制方法及系统，应用于脉冲调制领域，通过构建数据集；获取与数据集中数据对应的影响因子；构建神经网络，根据数据集中的数据和影响因子之间的映射关系训练权重系数；计算调制评分，将数据集中的数据与权重系数累加获取调制评分方程；根据调制评分方程预测调制方法的性能。本发明通过数据集中的数据确定高评分的影响因子，通过影响因子的参数进行DMPPM调制，保证调制效果。

Description

一种深空光通信中DMPPM调制方法及系统
技术领域
本发明涉及信号调制技术领域，更具体的说是涉及一种深空光通信中DMPPM调制方法及系统。
背景技术
自由空间光通信，具有不需要申请频谱、安全保密、信息容量大、设备尺寸小、功耗低等优点，已经成为当前倍受青睐的一种通信手段。
目前自由空间光通信调制装置主要有开关键控(OOK)装置、脉冲位置调制(PPM)装置和多脉冲位置调制(MPPM)装置。OOK调制装置是利用脉冲的有无来代表二进制信息，这种调制方式最简单，但能量利用率低；PPM调制装置是在调制过程中，利用脉冲的位置来代表信息，相对提高了能量利用率但很大程度上牺牲了带宽利用率；MPPM调制装置是在一个信息帧周期内包含多个脉冲信号，用来表示一个N位的二进制数。这种调制方式虽然在一定程度上提高了带宽利用率，但是扔有继续提高的空间，并且MPPM调制与PPM调制一样，在调制过程中需要进行帧同步，这将大大增加系统的复杂性。
因此，如何提供一种保证调制性能的深空光通信中信号调制方法及装置是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种深空光通信中DMPPM调制方法及系统，综合调制指标，构建调制评分方程，确定高评分对应的影响因子，从而根据影响因子确定调制参数，以保证调制性能。
为了实现上述目的，本发明提供如下技术方案：
一种深空光通信中DMPPM调制方法，具体步骤如下：
构建数据集，所述数据集包括：平均时隙数、带宽利用率、平均功率中的一种或几种；
获取与所述数据集中数据对应的影响因子；
构建神经网络，根据所述数据集中的数据和所述影响因子之间的映射关系训练权重系数；
计算调制评分，将所述数据集中的数据与所述权重系数累加获取调制评分方程；
根据所述调制评分方程预测调制方法的性能。
优选的，在上述的一种深空光通信中DMPPM调制方法中，所述影响因子包括：总时隙个数、存在光脉冲的时隙个数、比特率、峰值功率。
优选的，在上述的一种深空光通信中DMPPM调制方法中，所述数据集中的数据和所述影响因子之间的映射关系包括：
Figure BDA0003087211110000021
其中，LDMPPM为DMPPM的平均时隙数；M为经调制映射后的总时隙个数；k为存在光脉冲的时隙个数；Rb为比特率；Ps.DMPPM为峰值功率；BDMPPM为所述带宽利用率；PDMPPM为平均功率。
优选的，在上述的一种深空光通信中DMPPM调制方法中，计算调制评分时，对所述数据集中的数据进行标准化，其中标准化的方法为min-max标准化、log函数转换、atan函数转换、z-score标准化、归一化方法中的一种。
优选的，在上述的一种深空光通信中DMPPM调制方法中，所述调制评分方程为θ＝ω1L′DMPPM+ω2P′DMPPM+ω3B′DMPPM+ω4P′s.DMPPM+......；
其中，L′DMPPM为DMPPM的平均时隙数的标准化数据；B′DMPPM为所述带宽利用率的标准化数据；P′DMPPM为平均功率的标准化数据；ωi为神经网络训练得到的每个标准化数据对应的权重值。
一种深空光通信中DMPPM调制系统，包括：
第一获取模块，用于构建数据集，所述数据集包括：平均时隙数、带宽利用率、平均功率中的一种或几种；
第二获取模块，用于获取与所述数据集中数据对应的影响因子；
建模模块，用于构建神经网络，根据所述数据集中的数据和所述影响因子之间的映射关系训练权重系数；
评分模块，用于计算调制评分，将所述数据集中的数据与所述权重系数累加获取调制评分方程；
预测模块，用于根据所述调制评分方程预测调制方法的性能。
优选的，在上述的一种深空光通信中DMPPM调制系统中，所述第二获取模块用于获取总时隙个数、存在光脉冲的时隙个数、比特率、峰值功率。
优选的，在上述的一种深空光通信中DMPPM调制系统中，所述建模模块利用所述数据集中的数据和所述影响因子之间的映射关系构建数学模型，并训练所述数据集中的数据对应的权重；所述数据集中的数据和所述影响因子之间的映射关系：
Figure BDA0003087211110000031
其中，LDMPPM为DMPPM的平均时隙数；M为经调制映射后的总时隙个数；k为存在光脉冲的时隙个数；Rb为比特率；Ps.DMPPM为峰值功率；BDMPPM为所述带宽利用率；PDMPPM为平均功率。
优选的，在上述的一种深空光通信中DMPPM调制系统中，计算调制评分时，对所述数据集中的数据进行标准化，其中标准化的方法为min-max标准化、log函数转换、atan函数转换、z-score标准化、归一化方法中的一种。
优选的，在上述的一种深空光通信中DMPPM调制系统中，所述调制评分方程为θ＝ω1L′DMPPM+ω2P′DMPPM+ω3B′DMPPM+ω4P′s.DMPPM+......；
其中，L′DMPPM为DMPPM的平均时隙数的标准化数据；B′DMPPM为所述带宽利用率的标准化数据；P′DMPPM为平均功率的标准化数据；P′s.DMPPM为峰值功率的标准化数据；ωi为神经网络训练得到的每个标准化数据对应的权重值。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种深空光通信中DMPPM调制方法及系统，综合调制指标，构建调制评分方程，确定高评分对应的影响因子，从而根据影响因子确定调制参数，以保证调制性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1附图为本发明的方法流程图；
图2附图为本发明的结构框图；
图3附图为本发明的脉冲时隙个数与平均时隙数的关系图；
图4附图为本发明的脉冲时隙个数与带宽需求关系图；
图5附图为本发明的脉冲时隙个数与平均功率关系图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
本发明的实施例公开了一种深空光通信中DMPPM调制方法，如图1所示，具体步骤如下：
构建数据集，数据集包括：平均时隙数、带宽利用率、平均功率中的一种或几种；
获取与数据集中数据对应的影响因子；
构建神经网络，根据数据集中的数据和影响因子之间的映射关系训练权重系数；
计算调制评分，将数据集中的数据与权重系数累加获取调制评分方程；
根据调制评分方程预测调制方法的性能。
进一步，通过上述技术方案，通过数据集中的数据确定高评分的影响因子，通过影响因子的参数进行DMPPM调制，保证调制效果。
为了进一步优化上述技术方案，影响因子包括：总时隙个数、存在光脉冲的时隙个数、比特率、峰值功率。
为了进一步优化上述技术方案，数据集中的数据和影响因子之间的映射关系包括：
Figure BDA0003087211110000051
其中，LDMPPM为DMPPM的平均时隙数；M为经调制映射后的总时隙个数；k为存在光脉冲的时隙个数；Rb为比特率；Ps.DMPPM为峰值功率；BDMPPM为带宽利用率；PDMPPM为平均功率。
进一步，如图3-5所示，为数据集中的数据与影响因子之间的关系示意图，根据不同评分确定不同影响因子，利用高评分筛选出的影响因子参数确定调制参数。
为了进一步优化上述技术方案，计算调制评分时，对数据集中的数据进行标准化，其中标准化的方法为min-max标准化、log函数转换、atan函数转换、z-score标准化、归一化方法中的一种。
为了进一步优化上述技术方案，调制评分方程为θ＝ω1L′DMPPM+ω2P′DMPPM+ω3B′DMPPM+ω4P′s.DMPPM+......；
其中，L′DMPPM为DMPPM的平均时隙数的标准化数据；B′DMPPM为带宽利用率的标准化数据；P′DMPPM为平均功率的标准化数据；ωi为神经网络训练得到的每个标准化数据对应的权重值。
本发明公开的另一实施例公开了一种深空光通信中DMPPM调制系统，如图2所示，包括：
第一获取模块，用于构建数据集，数据集包括：平均时隙数、带宽利用率、平均功率中的一种或几种；
第二获取模块，用于获取与数据集中数据对应的影响因子；
建模模块，用于构建神经网络，根据数据集中的数据和影响因子之间的映射关系训练权重系数；
评分模块，用于计算调制评分，将数据集中的数据与权重系数累加获取调制评分方程；
预测模块，用于根据调制评分方程预测调制方法的性能。
为了进一步优化上述技术方案，第二获取模块用于获取总时隙个数、存在光脉冲的时隙个数、比特率、峰值功率。
为了进一步优化上述技术方案，建模模块利用数据集中的数据和影响因子之间的映射关系构建数学模型，并训练数据集中的数据对应的权重；数据集中的数据和影响因子之间的映射关系：
Figure BDA0003087211110000071
其中，LDMPPM为DMPPM的平均时隙数；M为经调制映射后的总时隙个数；k为存在光脉冲的时隙个数；Rb为比特率；Ps.DMPPM为峰值功率；BDMPPM为带宽利用率；PDMPPM为平均功率。
为了进一步优化上述技术方案，计算调制评分时，对数据集中的数据进行标准化，其中标准化的方法为min-max标准化、log函数转换、atan函数转换、z-score标准化、归一化方法中的一种。
为了进一步优化上述技术方案，调制评分方程为θ＝ω1L′DMPPM+ω2P′DMPPM+ω3B′DMPPM+ω4P′s.DMPPM+......；
其中，L′DMPPM为DMPPM的平均时隙数的标准化数据；B′DMPPM为带宽利用率的标准化数据；P′DMPPM为平均功率的标准化数据；P′s.DMPPM为峰值功率的标准化数据；ωi为神经网络训练得到的每个标准化数据对应的权重值。
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他实施例的不同之处，各个实施例之间相同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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种深空光通信中DMPPM调制方法，其特征在于，具体步骤如下：
构建数据集，所述数据集包括：平均时隙数、带宽利用率、平均功率中的一种或几种；
获取与所述数据集中数据对应的影响因子；
构建神经网络，根据所述数据集中的数据和所述影响因子之间的映射关系训练权重系数；所述数据集中的数据和所述影响因子之间的映射关系包括：
Figure FDA0004107357620000011
其中，LDMPPM为DMPPM的平均时隙数；M为经调制映射后的总时隙个数；k为存在光脉冲的时隙个数；Rb为比特率；Ps.DMPPM为峰值功率；BDMPPM为带宽利用率；PDMPPM为平均功率；
计算调制评分，将所述数据集中的数据与所述权重系数累加获取调制评分方程；
所述调制评分方程为θ＝ω1L′DMPPM+ω2PD′MPPM+ω3B′DMPPM+ω4Ps′.DMPPM；
其中，L′DMPPM为DMPPM的平均时隙数的标准化数据；B′DMPPM为所述带宽利用率的标准化数据；PD′MPPM为平均功率的标准化数据；Ps′.DMPPM为峰值功率的标准化数据；ωi为神经网络训练得到的每个标准化数据对应的权重值；
根据所述调制评分方程预测调制方法的性能。
2.根据权利要求1所述的一种深空光通信中DMPPM调制方法，其特征在于，所述影响因子包括：总时隙个数、存在光脉冲的时隙个数、比特率、峰值功率。
3.根据权利要求1所述的一种深空光通信中DMPPM调制方法，其特征在于，计算调制评分时，对所述数据集中的数据进行标准化，其中标准化的方法为min-max标准化、log函数转换、atan函数转换、z-score标准化、归一化方法中的一种。
4.一种深空光通信中DMPPM调制系统，其特征在于，包括：
第一获取模块，用于构建数据集，所述数据集包括：平均时隙数、带宽利用率、平均功率中的一种或几种；
第二获取模块，用于获取与所述数据集中数据对应的影响因子；
建模模块，用于构建神经网络，根据所述数据集中的数据和所述影响因子之间的映射关系训练权重系数；所述建模模块利用所述数据集中的数据和所述影响因子之间的映射关系构建数学模型，并训练所述数据集中的数据对应的权重；所述数据集中的数据和所述影响因子之间的映射关系：
Figure FDA0004107357620000021
其中，LDMPPM为DMPPM的平均时隙数；M为经调制映射后的总时隙个数；k为存在光脉冲的时隙个数；Rb为比特率；Ps.DMPPM为峰值功率；BDMPPM为带宽利用率；PDMPPM为平均功率；
评分模块，用于计算调制评分，将所述数据集中的数据与所述权重系数累加获取调制评分方程；所述调制评分方程为θ＝ω1L′DMPPM+ω2PD′MPPM+ω3B′DMPPM+ω4Ps′.DMPPM；
其中，L′DMPPM为DMPPM的平均时隙数的标准化数据；B′DMPPM为所述带宽利用率的标准化数据；PD′MPPM为平均功率的标准化数据；Ps′.DMPPM为峰值功率的标准化数据；ωi为神经网络训练得到的每个标准化数据对应的权重值；
预测模块，用于根据所述调制评分方程预测调制方法的性能。
5.根据权利要求4所述的一种深空光通信中DMPPM调制系统，其特征在于，所述第二获取模块用于获取总时隙个数、存在光脉冲的时隙个数、比特率、峰值功率。
6.根据权利要求4所述的一种深空光通信中DMPPM调制系统，其特征在于，计算调制评分时，对所述数据集中的数据进行标准化，其中标准化的方法为min-max标准化、log函数转换、atan函数转换、z-score标准化、归一化方法中的一种。
CN202110583664.5A 2021-05-27 2021-05-27 一种深空光通信中dmppm调制方法及系统 Active CN113328807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110583664.5A CN113328807B (zh) 2021-05-27 2021-05-27 一种深空光通信中dmppm调制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110583664.5A CN113328807B (zh) 2021-05-27 2021-05-27 一种深空光通信中dmppm调制方法及系统

Publications (2)

Publication Number Publication Date
CN113328807A CN113328807A (zh) 2021-08-31
CN113328807B true CN113328807B (zh) 2023-04-18

Family

ID=77421604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110583664.5A Active CN113328807B (zh) 2021-05-27 2021-05-27 一种深空光通信中dmppm调制方法及系统

Country Status (1)

Country Link
CN (1) CN113328807B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105007118A (zh) * 2015-06-10 2015-10-28 重庆邮电大学 一种用于室内可见光通信系统的神经网络均衡方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107659360A (zh) * 2017-10-25 2018-02-02 长春理工大学 一种差分多脉冲位置调制装置
CN107682093A (zh) * 2017-10-25 2018-02-09 长春理工大学 一种差分多脉冲位置调制方法
US10430708B1 (en) * 2018-08-17 2019-10-01 Aivitae LLC System and method for noise-based training of a prediction model
CN109660297B (zh) * 2018-12-19 2020-04-28 中国矿业大学 一种基于机器学习的物理层可见光通信方法
CN110289914B (zh) * 2019-05-31 2022-03-25 东南大学 一种基于光学神经网络的相干光qpsk判决方法及系统
CN111786724B (zh) * 2020-06-30 2021-07-09 中山大学 基于深度学习的多波长led水下可见光通信调制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105007118A (zh) * 2015-06-10 2015-10-28 重庆邮电大学 一种用于室内可见光通信系统的神经网络均衡方法

Also Published As

Publication number Publication date
CN113328807A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN105632486A (zh) 一种智能硬件的语音唤醒方法和装置
CN103531205A (zh) 基于深层神经网络特征映射的非对称语音转换方法
CN110190909B (zh) 一种用于光通信的信号均衡方法及装置
CN104092618A (zh) 一种基于杜鹃搜索算法的对等网络流量特征选择方法
CN115296737B (zh) 基于自由空间光通信的adm-gsmppm星座构建方法和装置
CN102546061A (zh) 基于小波变换的自适应时频空穴检测方法
CN113392919A (zh) 基于客户端选择的联邦注意力dbn协同检测系统
CN105656826A (zh) 基于顺序统计量和机器学习的调制识别方法及系统
CN109548044A (zh) 一种基于ddpg的能量可收集通信的比特率优化算法
CN113328807B (zh) 一种深空光通信中dmppm调制方法及系统
CN105553574A (zh) 一种认知无线电中基于支持向量机的mac协议识别方法
Ya et al. Modulation recognition of digital signal based on deep auto-ancoder network
CN102664838A (zh) 无线光通信 ook 数字调制方式的信道估计及软解调方法
CN103379049A (zh) 4ppm数字调制方式的无线光通信信道估计及软解调方法
CN107527625A (zh) 基于仿生听觉系统中耳蜗模型的海豚哨声信号听觉特征提取方法
CN114827956B (zh) 一种面向用户隐私保护的高能效v2x资源分配方法
US10333746B2 (en) Efficient data transmission using orthogonal pulse shapes
CN102158254A (zh) 信号接收方法及装置
US12015507B2 (en) Training in communication systems
CN104394599B (zh) 一种应用于m2m网络的csma/ca协议的设计方法
CN108282199A (zh) 无线供能mimo中继系统中的功率分配方法及无线供能mimo中继系统
CN113838459A (zh) 一种基于脉冲神经网络聚合标签学习的语音识别方法
CN111988252A (zh) 基于深度学习的信号调制方式识别方法
CN102868653A (zh) 一种基于双谱和稀疏矩阵的数字调制信号分类方法
KR102006190B1 (ko) 불확실한 페이딩 채널 환경에서의 특징값 선택 기반 자동변조분류 방법

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