CN113364528B

CN113364528B - 一种基于深度条件生成对抗网络的水下无线光通信接收机

Info

Publication number: CN113364528B
Application number: CN202110634168.8A
Authority: CN
Inventors: 江明; 卢怀因
Original assignee: Sun Yat Sen University
Current assignee: Sun Yat Sen University
Priority date: 2021-06-07
Filing date: 2021-06-07
Publication date: 2022-05-03
Anticipated expiration: 2041-06-07
Also published as: CN113364528A

Abstract

本发明提出一种基于深度条件生成对抗网络的水下无线光通信接收机，该方案提出了一种新的DNN检测器，能够应对CSI变化的UWOC场景中的SD问题。在该方案中，提出了一种CGAN结构，用于生成具有DNN检测器训练特性的信号以辅助实现SD过程。大多数现有DNN设计的可实现系统性能仅依赖于线下训练过程，与之不同的是，本发明所提出的CGAN结构提供的CSI变化追踪功能可与线下训练后的网络相结合，实现线上信号生成，从而提供更好的SD性能。

Description

一种基于深度条件生成对抗网络的水下无线光通信接收机

技术领域

本发明面向水下无线光通信(Underwater Wireless Optical Communication，UWOC)领域，设计一种基于深度条件生成对抗网络的水下无线光通信接收机。

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)[1]H.M.Oubei,J.R.Duran,B.Janjua,H.Wang,C.Tsai,Y.Chi,T.Ng,H.Kuo,J.He,M.Alouini,G.Lin,and B.S.Ooi,“4.8Gbit/s 16-QAM-OFDMtransmission based on compact 450-nm laser for underwater wireless opticalcommunication,”Opt.Exp.,vol.23,no.18,pp.23302–23309,Sept.2015。

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[2]C.D.Mobley,Light and water:radiative transfer innatural waters.Academic Press:San Diego,CA,USA,1994.[3]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.。这些传输效应会对信号检测(Signal Detection，SD)产生不可忽视的负面影响。由于水下环境的复杂性和时变特性，信道状态信息(Channel State Information，CSI)估计的准确度通常不足以保证UWOC接收机的SD质量。此外，由于洋流、水压、盐度和收发机的运动等因素，CSI会随着时间和空间的改变呈现明显的差异性，现有的线下训练DNN无法解决该场景下的SD问题。

发明内容

本发明的目的是解决现有的线下训练DNN方法存在无法解决该场景下SD问题的技术缺陷，提供一种基于深度条件生成对抗网络的水下无线光通信接收机，实现UWOC系统的CSI变化线上追踪、信号生成和数据恢复。

为解决上述技术问题，本发明的技术方案如下：

一种基于深度条件生成对抗网络的水下无线光通信接收机，包括信号接收单元、转换单元、预处理单元；还包括CGAN结构和DNN检测器；其中：

所述信号接收单元用于检测接收信号并进行光电转换，获取时域信号；

所述转换单元用于对时域信号进行模数转换和串行到并行转换；

所述预处理单元用于转换完成的信号进行去除循环前缀和快速傅里叶变换处理，得到接收信号Y；

所述CGAN结构用于根据接收信号Y判别CSI的变化并进行转换，得到转换信号K；

所述DNN检测器对转换信号K执行SD操作以获得发射比特向量的估计概率，完成光通信的接收；

其中：所述CGAN全称为：Conditional Generative Adversarial Net，表示条件生成对抗网络结构；所述CSI全称为：Channel State Information，表示信道状态信息；所述DNN全称为：Deep Neural Network，表示深度神经网络；所述SD全称为：Signal Detection，SD操作表示信号检测操作。

上述方案中，提出一种由条件生成对抗网络和深度神经网络检测器构成的信号生成与检测设计方案，该方案能够在CSI变化场景中，实现UWOC系统的CSI变化追踪、信号生成和SD。在该方案中，提出了一种新的CGAN结构，用于生成具有DNN检测器训练特性的信号以辅助实现SD过程。不失一般性的情况下，本发明将SGD设计融入到直流偏置光OFDM系统(DCbiased optical OFDM，DCO-OFDM)中，在系统的接收端完成CSI变化追踪、信号生成和SD过程。本发明也适用于其他经典的光OFDM方案，如非对称性限幅光OFDM(AsymmetricallyClipped Optical OFDM，ACO-OFDM)和单极性OFDM(U-OFDM)。

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条件生成对抗网络的水下无线光通信接收机，提出了一种新的DNN检测器，该检测器能够应对CSI变化的UWOC场景中的SD问题。还提出了一种CGAN结构，用于生成具有DNN检测器训练特性的信号以辅助实现SD过程，其提供的CSI变化追踪功能可与线下训练后的网络相结合，实现线上信号生成，从而提供更好的SD性能。

附图说明

图1为一实施例中基于SGD的DCD-OFDM系统结构示意图；

图2为一实施例中UWOC系统的帧结构图；

图3为一实施例中SGD方案处理流程图；

图4为一实施例中数据集产生阶段图；

图5为一实施例中线下训练阶段示意图；

图6为一实施例中线上处理阶段示意图；

图7为一实施例中的SGD设计中的DNN检测器结构示意图；

图8为一实施例中的SGD中的CGAN设计图；

图9为一实施例中的SGD中CGAN的线上训练过程示意图；

图10为一实施例中的SGD中CGAN判别器的线上判别过程示意图；

图11为一实施例中的SGD中CGAN生成器的线上更新过程示意图；

图12为一实施例中UE移动场景示意图；

图13为一实施例中UE运动轨迹上的总体性能示意图((左)UE运动轨迹上的CDF；(右)UE运动轨迹上的平均BER)。

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，一种基于深度条件生成对抗网络的水下无线光通信接收机，包括信号接收单元、转换单元、预处理单元；还包括CGAN结构和DNN检测器；其中：

在具体实施过程中，本发明提出了一种由条件生成对抗网络(ConditionalGenerative Adversarial Net，CGAN)和深度神经网络(Deep Neural Network，DNN)检测器构成的信号生成与检测(Signal Generation and Detection，SGD)设计方案，该方案能够在CSI变化场景中，实现UWOC系统的CSI变化线上追踪、信号生成和数据恢复。

在具体实施过程中，提出了一种新的DNN设计方案，该方案能够应对CSI变化的UWOC场景中的SD问题。在该方案中，提出了一种CGAN结构，用于生成具有DNN检测器训练特性的信号以辅助实现SD过程。大多数现有DNN设计的可实现系统性能仅依赖于线下训练过程，与之不同的是，本发明所提出的CGAN结构提供的CSI变化追踪功能可与线下训练后的网络相结合，实现线上信号生成，从而提供更好的SD性能。

在具体实施过程中，本发明提出的SGD设计可以利用CGAN的线上更新，节省不同场景DNN网络的存储资源和场景分类的计算资源。

为了更好地生成具有DNN检测器训练特性的信号，在SGD设计中将常规的无监督CGAN损失函数与有监督回归损失函数相结合，提出了一种新的半监督CGAN损失函数。

更具体的，本发明将SGD设计融入到直流偏置光OFDM系统(DC biased opticalOFDM，DCO-OFDM)[4]S.D.Dissanayake and J.Armstrong,“Comparison of ACO-OFDM,DCO-OFDM and ADO-OFDM in IM/DD Systems,”Journal of Lightwave Technology,vol.31,pp.1063–1072,Apr.2013中，在系统的接收端完成CSI变化追踪、信号生成和SD过程。本发明也适用于其他经典的光OFDM方案，如非对称性限幅光OFDM(Asymmetrically ClippedOptical OFDM，ACO-OFDM)[4]和单极性OFDM(U-OFDM)[5]D.Tsonev,S.Sinanovic,andH.Haas,“Novel unipolar orthogonal frequency division multiplexing(U-OFDM)foroptical wireless,”in Proc.75th IEEE Veh.Technol.Conf.(VTC Spring),Yokohama,Japan,pp.1–5,May 2012.。

系统模型

在图1基于DNN的DCO-OFDM系统中，在发射机侧，发送的比特b被调制并映射到特定星座，由此产生的复数码流X＝[X₀,X₁,…,X_N-1]进行快速傅里叶反变换(Inverse FastFourier Transform，IFFT)，其中N取偶数，是OOFDM子载波的数目。由于DCO-OFDM系统中采用了无线光通信中的光强度调制，IFFT后的输出信号应取实数，因此，X应该满足公式(1)中赫米特对称(Hermitian Symmetry，HS)：

其中(·)^*为复共轭运算。基于公式(1)，X在IFFT后成为实数信号，从IFFT得到的时域信号x的第k个样本可表示为：

其中X_m是第m个子载波上的符号。

如图1上部所示，在添加循环前缀(Cyclic Prefix，CP)，并行到串行(Parallel-to-Serial，P/S)转换，数模转换(Digital-to-Analog Conversion，DAC)和低通滤波(Low-Pass Filtering，LPF)操作之后，x被转换为其时域版本x(t)。在x(t)信号经过添加直流(Direct Current，DC)偏置，零点削波(Zero Clipping)和电光转换(Electrical-to-Optical Conversion，EOC)之后，产生可见光信号，然后通过VLC信道传输。

在接收器侧，在光电二极管(Photodiode，PD)检测到的接收信号上进行光电转换(Optical-to-Electrical Conversion，OEC)后，我们得到时域信号y(t)，公式如下：

y(t)＝x(t)*h(t)+n(t) (3)

其中*为卷积运算符，h(t)是UWOC的CIR，n(t)是加性高斯白噪声(Additive WhiteGaussian Noise，AWGN)。然后，在模数转换(Analog-to-Digital Conversion，ADC)，串行到并行(Serial-to-Parallel，S/P)转换，去除CP和快速傅里叶变换(Fast FourierTransform，FFT)后，对接收到的信号Y调用所提出的CGAN结构，以判别CSI的变化，并将转换后的信号K传给DNN检测器。最后所提出的DNN检测器对转换后的信号K执行SD操作以获得发射比特向量b的估计概率

信号Y的第m个子载波处的符号可表示为：

其中y_k是时域接收信号y的第k个样本。

此外，如图2所示，假设UWOC系统中的一帧包含N_D+1个光正交频分复用(OpticalOrthogonal Frequency Division Multiplexing，OOFDM)。其中，第一个OOFDM符号由接收机已知的导频构成，而剩余的N_D个OOFDM符号包含数据。N_D的值由UWOC信道的相干时间和数据传输速率决定。

信道模型

针对UWOC信道的典型传输特性，首先采用基于蒙特卡罗(Monte Carlo)方法的无湍流信道模型[3]来描述吸收和散射效应。关于湍流引起的衰落，通过对数正态分布(通常用于表示自由空间和海洋光信道中的弱湍流效应)对其进行建模[6]X.Zhu and J.M.Kahn,“Free-space optical communication through atmospheric turbulence channels,”IEEE Trans.Commun.,vol.50,no.8,pp.1293–1300,2002。更具体地说，将α＝exp(2ξ)表示为湍流引起信道衰落幅度的随机变量，其中α具有对数正态分布的概率分布函数(Probability Distribution Function，PDF)[7]M.V.Jamali,P.Khorramshahi,A.Tashakori,et al.,“Statistical distribution of intensity fluctuations forunderwater wireless optical channels in the presence of air bubbles,”inProc.IEEE 4th Iran Workshop Commun.Inf.Theory(IWCIT),pp.1–6,Mar.2016：

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[7]。我们可以通过公式(6)得到的表达式

其中

是瞬时强度I的方差[7]。

最后，结合吸收、散射和湍流效应的信道模型可以由公式(7)表示：

h(t)＝αh₀(t) (7)

其中h₀(t)是无湍流衰落的CIR。

基于DNN的SGD设计

本发明提出了一种基于的的SGD方案，包括一个CGAN和一个DNN检测器。如图3所示，SGD方案由训练数据集产生、线下训练和线上处理三个阶段组成。其中，线下训练阶段的训练数据集

和

由前一阶段产生。然后，线下训练阶段为线上处理阶段提供了已训练的DNN检测器和CGAN。

具体而言，在图4所示的数据集产生阶段中，借助信道模型中所述的蒙特卡罗仿真产生UWOC信道系数h_d和h_c，然后产生对应的数据集。其中，h_d尽可能选择较普遍的信道环境，而h_c则尽可能选择与h_d差别较大的信道环境，这样可以较好的训练CGAN信道特征转换的功能。如图4所示，通过将导频符号b输入到图1中的DCO-OFDM系统中，UWOC通信信道设置为DNN检测器对应的训练信道h_d，可以获得该信道中的训练数据集

相似地，通过将通信信道设置为CGAN对应的训练信道h_c，可以获得该信道的数据集

在获得训练数据集

和

后，线下训练阶段如图5所示。一方面，使用数据集

来训练DNN检测器。另一方面，CGAN上的训练可以调用训练数据集

和

来实现。其中，

是输入数据集，

是目标输出数据集。在完成线下训练阶段后，获得已训练的DNN检测器和CGAN并进行线上处理阶段。其中，w_G是生成器的网络权重，w_D是判别器的网络权重。

在由图6表示的线上阶段中，接收信号Y分为导频符号Y_P和数据符号Y_D进行处理，UWOC系统中的帧结构如图2所示。其中，导频符号Y_P被转发到已训练的CGAN，判别结果d由判别器计算得到，可表示为：

d＝max(D(x,m),D(G(z,m),m)) (8)

其中D(x,m)是输入为x，以m为条件信息的判别结果，G(z,m)是随机噪声z和条件信息m的生成器的输出。具体而言，判别结果d表示当前通信的CSI与DNN检测器训练信道h_d以及用G(z,Y_P)表示的前一次更新生成器的信道的相似程度，取值范围为(0,1)。如果d越接近1，则说明当前通信的CSI越接近DNN检测器训练信道或前一次更新生成器的信道；如果d越接近0，则说明当前通信的CSI与DNN检测器训练信道和前一次更新生成器的信道相比，差别越大。此外，在本设计中，我们将导频符号作为条件信息，令式(8)中m＝Y_P。另外，基于导频进行的CSI变化判别过程中，式中max(·)函数的第一项D(x,m)表示当前CSI与h_d状态进行对比，判别器输入可表示为x＝Y_P；max(·)函数的第二项表示当前CSI与生成器上一次更新的状态进行对比，式(4-12)中判别器输入可表示为G(z,m)。

如果判别结果d小于判别阈值ρ_D，这表明当前的CSI与DNN检测器训练信道h_d及用G(z,Y_P)表示的前一次更新生成器的信道相比，信道统计特性发生了显著变化。因此，将线上更新迭代应用于CGAN生成器，实现生成器的线上更新。随后，更新后生成器的网络权重是

表达式为Gu(·)，由更新的生成器基于接收信号Y_D的数据符号来计算更新后生成器产生的信号：

K＝G_u(z,Y_D) (9)

并转发给DNN检测器用于SD过程。

另一方面，如果判别结果满足条件d≥ρ_D，则K计算表达式为：

具体而言，判别结果d表示输入是来自训练数据而不是生成器数据的概率，即输入分布与训练数据分布的相似程度，d越大则相似度越高。因此，式(10)表示，K的表达式是选择Y_D和G(z,Y_D)两者中更接近于DNN检测器训练特征的一个。其中，D(Y_P,Y_P)≥D(G(z,Y_P),Y_P)表示当前通信的CSI与DNN检测器训练信道h_d更接近，那么表达式为K＝Y_D，选择直接将Y_D输入到DNN检测器；而D(Y_P,Y_P)＜D(G(z,Y_P),Y_P)表示当前通信的CSI与前一次更新生成器的信道更接近，那么表达式为K＝G(z,Y_D)，选择使用生成器将Y_D转换为DNN检测器训练信道特征，然后转发到DNN检测器。

最后，通过图6中的输出接口将K转发到DNN检测器完成SD过程。其中，输出接口根据d跟判别阈值ρ_D的大小关系进行K的表达式选择：如果d<ρ_D，则选择式(9)；如果≥ρ_D，则选择式(10)。

下面介绍DNN检测器和CGAN的详细设计。

DNN检测器设计

以下介绍DNN检测器的设计原理，具体功能包括信道估计和SD模块，该DNN检测器的总体结构和设计原理与[8]H.Lu,M.Jiang,and J.Cheng,“Deep learning aided robustjoint channel classification,channel estimation,and signal detection forunderwater optical communication,”IEEE Trans.Commun.,vol.69,no.4,pp.2290–2303,Apr.2021中所提出的DNN检测器相似。图7中为本发明所提出的SGD设计中的DNN检测器结构。定义C^S为卷积层(Convolution Layer，CL)数量，对于第c(1≤c≤C^S)层CL，F_c是卷积核大小，J_c为卷积核数量，s_c为卷积步长。此外，

为第c层CL的卷积特征大小，它由卷积核的大小、卷积核数量和卷积步长决定，

对于全连接层(Fully Connected Layer，FCL)，定义L^S为FCL的数量，

为第l层FCL的神经元数量。在图7中，除了最后一层FCL外，我们对DNN检测器的所有层都使用ReLU激活函数，因为ReLU函数在非线性关系和梯度下降方面具有良好的性能。对于最后一层FCL，采用Sigmoid函数将前面的输出映射到(0,1)区间，用以表示传输比特向量的估计概率。

由图5可知，DNN检测器需要对应信道的数据集进行线下训练。具体地，在线下训练的每个实例中，如图1所示，随机数据序列b被调制为导频符号，该导频符号被发射到UWOC信道模型生成的DNN检测器训练信道h_d中。在经过信道失真和AWGN的影响后，接收信号Y和发射的训练数据序列b分别作为DNN检测器的输入信息和预期检测结果数据集。然后，在图7中所述的CL和FCL实现的操作之后，我们可以获得作为训练数据序列估计概率的检测器训练输出

随后，对DNN检测器进行训练，使b和

之间的差异最小化。采用均方误差(MeanSquare Error，MSE)度量作为DNN检测器的损失函数，可表示为：

CGAN设计

CGAN是一种用于分布学习的生成方法，其目标是训练一个条件生成模型，该模型可以利用条件信息m生成接近某个目标分布p_data的样本。

如图8所示，CGAN的设计由两个DNN结构组成，即生成器G和判别器D。生成器的输入是从均匀分布p_z采样的噪声向量z和从接收导频信号Y_P采样的条件信息向量m。生成器实现由输入z和m转换成生成样本G(z,m)的过程。判别器的输入是m和来自目标分布p_data的真实数据样本x，或者是m和生成器生成的假数据样本G(z,m)，而判别器D的输出是一个(0,1)区间的实数值，该实数值表示输入是从目标分布p_data中进行采样的概率。具体来说，如果判别器的输入是从目标分布p_data采样的，则应判为1，为真；如果判别器的输入不是从目标分布p_data采样的，则应判为0，为假。由于噪声向量z、生成器生成数据和真实数据样本都具有一定的随机性，判别器的输入通常不会完全符合目标分布，因此判别结果为区间(0,1)中的一个值，表示输入数值是分布p_data中的一个样本的概率，而这个概率通常与人为设定的一个判别门限ρ_D进行比较，表达式为：

本发明所提出的CGAN设计中的生成器和判别器的DNN结构与图7中的DNN检测器相似，只是生成器的最后一个FCL的激活函数是线性函数，该函数避免了生成信号的幅度受限，表达式为：

f_L(x)＝x (13)

在CGAN训练过程中，判别器和生成器基于竞争目标进行交替训练。判别器的训练目标是将生成器生成的样本与目标分布pdata中的真实数据区分开来，而生成器的训练目标是能够生成判别器无法区分的样本，从而得到可生成更接近真实数据分布pdata的能力。该训练过程将在达到一个平衡点时结束，即当判别器不能比随机猜测更好地区分真实数据和生成的假样本时，此时的判别概率为0.5。

生成器和判别器的优化目标函数可表示为：

其中x是服从目标分布p_data的真实数据样本向量，z是服从均匀分布p_z的噪声样本向量，w_G是生成器的网络权重，w_D是判别器的网络权重。在训练过程中，判别器和生成器的网络权重交替进行更新。

此外，为了利用生成样本与真实数据之间的MSE辅助生成器的训练，以生成具有与真实数据相似分布的样本，设计了一种基于半监督学习的损失函数，该函数是无监督CGAN损失函数(14)和监督回归损失函数的组合，用L″_G表示：

其中，

是监督回归损失函数。

图9详细说明了CGAN的训练过程，其中I_T是根据数据特征和训练规律设定的训练迭代次数上限，生成器和判别器进行迭代训练直至达到平衡点。在每次迭代中，判别器和生成器的训练都是先后迭代完成的，即判别器以式(15)中的损失函数完成I_TD次迭代，生成器以式(16)中的损失函数完成I_TG次迭代。在交替训练过程中，一个模型的网络参数在训练另一个模型时是固定的。训练完成后，判别器和生成器网络权重w_G和w_D被用于图6中的线上阶段。

在图10展示的线上判别流程图中，判别器的线上判别过程是在生成器的辅助下，基于式(8)应用于接收信号Y中的导频符号Y_P的。在该过程中，判别器判别当前的CSI是否与DNN检测器训练信道h_d的CSI和由G(z,Y_P)表示的前一次生成器更新的CSI状态发生显著的变化。随后，判别器提供判别结果以决定是否需要完成线上生成器更新过程。

图11详细说明了CGAN的线上更新过程。与线下训练算法相比，线上更新过程不使用线下数据集

而是采用接收信号Y中的导频符号Y_P，这样可以反映出该时刻的实际信道状态。在更新过程中，固定判别器的权重不变，利用判别器的判别结果反馈实现CGAN中的生成器更新。生成器的更新过程与训练过程相似，区别在于线上更新迭代次数IU的数目较小，这是因为生成器已经完成了图9所示的线下训练过程，实现了信号生成功能学习，线上阶段只需要较低程度地调制网络参数即可。

实施例2

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。本仿真对所提出的SGD设计的性能进行了评估，并与传统的最小二乘(Least Squares，LS)和线性最小均方误差(Linear Minimum Mean SquareError，LMMSE)CE方法进行了比较。

仿真参数设置

在文献[3]的蒙特卡罗方法的基础上，利用文献[10]M.V.Jamali,P.Nabavi,andJ.A.Salehi,“MIMO underwater visible light communications:comprehensivechannel study,performance analysis,and multiple-symbol detection,”IEEETrans.Veh.Technol.,vol.67,no.9,pp.8223–8237,2018的方法产生的湍流衰落，建立了UWOC信道模型。作为一个例子，考虑了一个UWOC收发机发生相对移动的通信场景作为CSI改变的仿真场景，其中发射机固定在虚拟笛卡尔坐标系的原点，而用户设备(UserEquipment，UE)在2m×1m×15m的立方体空间中缓慢移动，如图12所示。具体地，假设UE在垂直于z轴的2D平面上沿着场景的之字形曲折路径缓慢地移动，并且在不同2D平面之间进行平行于z轴的移动，实现三维(Three-Dimensional，3D)立体空间内的移动轨迹。在移动过程中，UE的速度被设定为2m/s，并且在移动轨迹上选取了一些信道采样位置用于SGD设计中的训练和测试。仿真实验中使用的主要参数见表1。

表1：UWOC系统的仿真参数

在线下训练过程中，在{10,20,30,40,50}dB的SNR范围内训练DNN检测器网络。在DNN检测器的连续训练过程中，从低SNR值，即10dB开始，在

的弱湍流环境中完成100次仿真运行后，获得已训练神经网络权重的初始版本。更具体地，在这100次仿真运行过程中，每次运行开始时使用前一次运行后得到的已训练网络权重作为训练起点，并且在SNR为20dB的第一次运行时使用SNR为10dB的第100次运行的结果作为训练起点。然后，在SNR为20dB的数据集上执行另外100次仿真运行。接下来，分别对30dB和40dB的SNR重复与20dB相同的过程。然后，在SNR为50dB的情况下，将仿真次数增加到1000次。作为进一步的训练步骤，在SNR为50dB的情况下，我们增加湍流衰落的方差，即对

的湍流衰落的方差数值分别重复1000次仿真运行，以提高系统对湍流衰落影响的鲁棒性。因此，在SNR为50dB的情况下，总共进行了4000次仿真。在训练过程中，我们采用了Dropout率为η＝0.1的方法，用于缓解过度拟合问题，并降低组合不同神经网络结构所需的复杂度。

表2：DNN线下训练主要参数

此外，以50dB的高SNR训练数据集将竞争交互训练过程应用于CGAN，完成SGD的训练过程。在CGAN训练中，采用与DNN检测器相同的Dropout率。在表2中总结了DNN检测器和CGAN的主要仿真参数。

传统的基于LS和LMMSE的CE方法以及理想CSI方案被用作对比参考对象，它们采用MLD作为SD方案。此外，LMMSE方法中均值和信道状态自相关矩阵等先验条件在训练位置F_d处给出了，在UE移动过程中，利用新的CE结果进行更新。我们通过简单地去除图1中的CGAN，并用所述传统方案替换DNN检测器来仿真这些参考系统的性能。参考系统的仿真采用表1中的参数。

SGD性能

图13展示出了在图12中移动路径上错误比特的累积分布函数(CumulativeDistribution Function，CDF)和平均误比特率(Bit Error Rate，BER)。具体而言，在移动路径上每隔2.5cm取一个位置采样点进行CDF的统计，在UE完成整个路径的移动后，计算平均BER。如图13所示，所提出的SGD设计方案提供了相对于LMMSE、LS方法和不考虑CSI变化的DNN检测器的SNR增益，能够在UE运动过程中CSI改变的情况下实现CSI变化追踪和高质量的SD，验证了SGD方案中的信号生成过程和线上更新算法的可靠性。

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

1.一种基于深度条件生成对抗网络的水下无线光通信接收机，包括信号接收单元、转换单元、预处理单元；其特征在于，还包括CGAN结构和DNN检测器；其中：

其中：所述CGAN全称为：Conditional Generative Adversarial Net，表示条件生成对抗网络结构；所述CSI全称为：Channel State Information，表示信道状态信息；所述DNN全称为：Deep Neural Network，表示深度神经网络；所述SD全称为：Signal Detection，SD操作表示信号检测操作；

该水下无线光通信接收机的通信过程具体为：

假设在基于DNN的直流偏置光正交频分复用DCO-OFDM系统中，在发射机侧，发送的比特b被调制并映射到特定星座，由此产生的复数码流X＝[X₀,X₁,…,X_N-1]进行快速傅里叶反变换，即IFFT，其中N取偶数，是光正交频分复用OOFDM子载波的数目；由于DCO-OFDM系统中采用了无线光通信中的光强度调制，IFFT后的输出信号应取实数，因此，X满足公式(1)中赫米特对称：

其中(·)^*为复共轭运算；基于公式(1)，X在IFFT后成为实数信号，从IFFT得到的时域信号x的第k个样本表示为：

其中X_m是第m个子载波上的符号；

在发射机侧，在添加循环前缀、并行到串行转换、数模转换和低通滤波操作之后，x被转换为其时域版本x(t)；在x(t)信号经过添加直流偏置，零点削波和电光转换之后，产生可见光信号，然后通过VLC信道传输；由水下无线光通信接收机进行接收；

在接收机侧，在光电二极管检测到的接收信号上进行光电转换后，得到时域信号y(t)，公式如下：

y(t)＝x(t)*h(t)+n(t) (3)

其中*为卷积运算符，h(t)是水下无线光通信UWOC的信道冲激响应CIR，n(t)是加性高斯白噪声；然后，在模数转换，串行到并行转换，去除循环前缀和快速傅里叶变换后，对接收到的信号Y调用所提出的CGAN结构，以判别CSI的变化，并将转换后的信号K传给DNN检测器；最后DNN检测器对转换后的信号K执行SD操作以获得发射比特向量b的估计概率

信号Y的第m个子载波处的符号表示为：

其中y_k是时域接收信号y的第k个样本；

定义水下无线光通信接收机通信过程的信道模型，具体为：

针对UWOC信道的典型传输特性，首先采用基于蒙特卡罗方法的无湍流信道模型来描述吸收和散射效应；关于湍流引起的衰落，通过对数正态分布对其进行建模；即将α＝exp(2ξ)表示为湍流引起信道衰落幅度的随机变量，其中α具有对数正态分布的PDF，即概率分布函数：

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；通过公式(6)得到的表达式

其中

是瞬时强度I的方差；最后，结合吸收、散射和湍流效应的信道模型由公式(7)表示：

h(t)＝αh₀(t) (7)

其中h₀(t)是无湍流衰落的CIR；

基于所述CGAN结构和DNN检测器提出一种基于深度学习的信号生成和检测方法，称为SGD方案；其中：

所述SGD方案由训练数据集产生、线下训练和线上处理三个阶段组成；其中：线下训练阶段的训练数据集

和

由前一阶段产生；然后，线下训练阶段为线上处理阶段提供了已训练的DNN检测器和CGAN结构；具体的，借助信道模型中所述的蒙特卡罗仿真产生UWOC信道系数h_d和h_c，然后产生对应的数据集；其中，h_d选择较普遍的信道环境，而h_c则选择与h_d差别较大的信道环境，这样可以更好地训练CGAN信道特征转换的功能；

其中，通过将导频符号b输入到DCO-OFDM系统中，UWOC通信信道设置为DNN检测器对应的训练信道h_d，获得该信道中的训练数据集

同理，通过将通信信道设置为CGAN结构对应的训练信道h_c，获得该信道的数据集

在线下训练阶段，在获得训练数据集

和

后，一方面，使用数据集

对DNN检测器进行训练；另一方面，调用训练数据集

和

实现对CGAN结构的训练；在完成线下训练阶段后，获得已训练的DNN检测器和CGAN结构并进行线上处理阶段；

在线上阶段中，接收信号Y分为导频符号Y_P和数据符号Y_D进行处理，其中，导频符号Y_P被转发到已训练的CGAN结构，判别结果d由判别器计算得到，具体表示为：

d＝max(D(x,m),D(G(z,m),m)) (8)

其中D(x,m)是输入为x，以m为条件信息的判别结果，G(z,m)是随机噪声z和条件信息m的生成器的输出；具体而言，判别结果d表示当前通信的CSI与DNN检测器训练信道h_d以及用G(z,Y_P)表示的前一次更新生成器的信道的相似程度，取值范围为(0,1)；如果d越接近1，则说明当前通信的CSI越接近DNN检测器训练信道或前一次更新生成器的信道；如果d越接近0，则说明当前通信的CSI与DNN检测器训练信道和前一次更新生成器的信道相比，差别越大；此外，将导频符号作为条件信息，令式(8)中m＝Y_P；如果判别结果d小于判别阈值ρ_D，这表明当前的CSI与DNN检测器训练信道h_d及用G(z,Y_P)表示的前一次更新生成器的信道相比，信道统计特性发生了显著变化，此时，将线上更新迭代应用于CGAN结构，实现CGAN结构的线上更新；随后，更新后CGAN结构的网络权重是

表达式为G_u(-)，由更新的CGAN结构基于接收信号Y_D的数据符号来计算更新后CGAN结构产生的信号：

K＝G_u(z,Y_D) (9)

并转发给DNN检测器用于SD过程；

具体而言，判别结果d表示输入是来自训练数据而不是CGAN结构数据的概率，即输入分布与训练数据分布的相似程度，d越大则相似度越高；因此，K的表达式是选择Y_D和G(z,Y_D)两者中更接近于DNN检测器训练特征的一个；其中，D(Y_P,Y_P)≥D(G(z,Y_P),Y_P)表示当前通信的CSI与DNN检测器训练信道h_d更接近，那么表达式为K＝Y_D，选择直接将Y_D输入到DNN检测器；而D(Y_P,Y_P)＜D(G(z,Y_P),Y_P)表示当前通信的CSI与前一次更新生成器的信道更接近，那么表达式为K＝G(z,Y_D)，选择使用生成器将Y_D转换为DNN检测器训练信道特征，然后转发到DNN检测器；

最后，通过输出接口将K转发到DNN检测器完成SD过程；其中，输出接口根据d跟判别阈值ρ_D的大小关系进行K的表达式选择：如果d<ρ_D，则选择式(9)；如果≥ρ_D，则选择式(10)。

2.根据权利要求1所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，所述DNN检测器具体包括信道估计和SD模块；首先定义C^S为卷积层CL数量，对于第c层CL，F_c是卷积核大小，J_c为卷积核数量，s_c为卷积步长，其中，1≤c≤C^S；此外，

为第c层CL的卷积特征大小，由卷积核的大小、卷积核数量和卷积步长决定，

对于全连接层FCL，定义L^S为FCL的数量，

为第l层FCL的神经元数量，1≤l≤L^S；除了最后一层FCL外，对DNN检测器的所有层都使用ReLU激活函数，因为ReLU函数在非线性关系和梯度下降方面具有良好的性能；对于最后一层FCL采用Sigmoid函数将前面的输出映射到(0,1)区间，用以表示传输比特向量的估计概率；

其中，DNN检测器需要对应信道的数据集进行线下训练；在线下训练过程中，随机数据序列b被调制为导频符号，该导频符号被发射到UWOC信道模型生成的DNN检测器训练信道h_d中；在经过信道失真和AWGN的影响后，接收信号Y和发射的训练数据序列b分别作为DNN检测器的输入信息和预期检测结果数据集；然后，经过所述的CL和FCL操作之后，获得作为训练数据序列估计概率的检测器训练输出

随后，对DNN检测器进行训练，使b和

之间的差异最小化；采用均方误差MSE度量作为DNN检测器的损失函数。

3.根据权利要求2所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，所述均方误差MSE具体表示为：

4.根据权利要求2所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，所述CGAN结构目标是训练一个条件生成模型，该模型利用条件信息m生成接近某个目标分布p_data的样本；具体的，CGAN结构由两个DNN结构组成，即生成器G和判别器D；生成器的输入是从均匀分布p_z采样的噪声向量z和从接收导频信号Y_P采样的条件信息向量m；生成器实现由输入z和m转换成生成样本G(z,m)的过程；判别器的输入是m和来自目标分布p_data的真实数据样本x，或者是m和生成器生成的假数据样本G(z,m)，而判别器D的输出是一个(0,1)区间的实数值，该实数值表示输入是从目标分布p_data中进行采样的概率；具体来说，如果判别器的输入是从目标分布p_data采样的，则应判为1，为真；如果判别器的输入不是从目标分布p_data采样的，则应判为0，为假；

由于噪声向量z、生成器生成数据和真实数据样本都具有一定的随机性，判别器的输入通常不会完全符合目标分布，因此判别结果为区间(0,1)中的一个值，表示输入数值是分布p_data中的一个样本的概率，而这个概率通常与人为设定的一个判别门限ρ_D进行比较，表达式为：

5.根据权利要求4所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，在所述CGAN结构中，生成器和判别器的DNN结构与DNN检测器相似，只是生成器的最后一个FCL的激活函数是线性函数，该函数避免了生成信号的幅度受限，表达式为：

f_L(x)＝x (13)。

6.根据权利要求5所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，在CGAN结构训练过程中，判别器和生成器基于竞争目标进行交替训练；判别器的训练目标是将生成器生成的样本与目标分布p_data中的真实数据区分开来，而生成器的训练目标是能够生成判别器无法区分的样本，从而得到可生成更接近真实数据分布p_data的能力；其中：

生成器和判别器的优化目标函数表示为：

其中x是服从目标分布p_data的真实数据样本向量，z是服从均匀分布p_z的噪声样本向量，w_G是生成器的网络权重，w_D是判别器的网络权重；在训练过程中，判别器和生成器的网络权重交替进行更新；

此外，为了利用生成样本与真实数据之间的MSE辅助生成器的训练，以生成具有与真实数据相似分布的样本，引入一种基于半监督学习的损失函数，该函数是无监督CGAN损失函数(14)和监督回归损失函数的组合，用L″_G表示：

其中，

是监督回归损失函数。

7.根据权利要求6所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，所述CGAN结构训练过程具体为：

线下训练阶段，用I_T表示根据数据特征和训练规律设定的训练迭代次数上限，生成器和判别器进行迭代训练直至达到平衡点；在每次迭代中，判别器和生成器的训练都是先后迭代完成的，即判别器以式(15)中的损失函数完成I_TD次迭代，生成器以式(16)中的损失函数完成I_TG次迭代；在交替训练过程中，一个模型的网络参数在训练另一个模型时是固定的；训练完成后，判别器和生成器网络权重w_D和w_G被用于线上判别阶段；

在线上判别阶段，判别器的线上判别过程是在生成器的辅助下，基于式(8)应用于接收信号Y中的导频符号Y_P的；在该过程中，判别器判别当前的CSI是否与DNN检测器训练信道h_d的CSI和由G(z,Y_P)表示的前一次生成器更新的CSI状态发生显著的变化；随后，判别器提供判别结果以决定是否需要完成线上生成器更新过程；

在线上更新阶段，与线下训练算法相比，线上更新过程不使用线下数据集

而是采用接收信号Y中的导频符号Y_P，从而反映出当前通信时刻的实际信道状态；在更新过程中，固定判别器的权重不变，利用判别器的判别结果反馈实现CGAN中的生成器更新；生成器的更新过程与训练过程相似，区别在于线上更新迭代次数I_U的数目较小，这是因为生成器已经完成了线下训练阶段，实现了信号生成功能学习，线上阶段只需要较低程度地调制网络参数即可。