CN114500197B - 一种可见光通信后均衡方法、系统、装置及存储介质 - Google Patents

一种可见光通信后均衡方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN114500197B
CN114500197B CN202210081489.4A CN202210081489A CN114500197B CN 114500197 B CN114500197 B CN 114500197B CN 202210081489 A CN202210081489 A CN 202210081489A CN 114500197 B CN114500197 B CN 114500197B
Authority
CN
China
Prior art keywords
signal
equalizer
post
visible light
neural network
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
CN202210081489.4A
Other languages
English (en)
Other versions
CN114500197A (zh
Inventor
李书朋
邹毅
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210081489.4A priority Critical patent/CN114500197B/zh
Publication of CN114500197A publication Critical patent/CN114500197A/zh
Application granted granted Critical
Publication of CN114500197B publication Critical patent/CN114500197B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03178—Arrangements involving sequence estimation techniques
    • H04L25/03248—Arrangements for operating in conjunction with other apparatus
    • H04L25/03254—Operation with other circuitry for removing intersymbol interference
    • H04L25/03267—Operation with other circuitry for removing intersymbol interference with decision feedback equalisers
    • 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
    • H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
    • H04B10/114—Indoor or close-range type systems
    • H04B10/116—Visible light communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03165—Arrangements for removing intersymbol interference using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
    • H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
    • H04L27/36—Modulator circuits; Transmitter circuits
    • H04L27/362—Modulation using more than one carrier, e.g. with quadrature carriers, separately amplitude modulated
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种可见光通信后均衡方法、系统、装置及存储介质，其中方法包括：获取接收信号，将接收信号通过同相整形滤波器和正交整形滤波器后，获得复数符号；将复数符号输入基于深度神经网络的后均衡器进行处理，并在收敛后进行解编，获得二进制码流；其中，基于深度神经网络的后均衡器的模型包括：输入层，包括1层门控循环单元，门控循环单元通过引入重置门、更新门和候选隐藏状态，建立数据之间的关联性，加快模型的训练，以及提升模型精度；隐藏层，包括2层全连接层；输出层，包括1个节点。本发明通过采用基于深度神经网络的后均衡器替换传统的基于volterra级数的后均衡器，具有更好的补偿效果，可广泛应用于可见光通信技术领域。

Description

一种可见光通信后均衡方法、系统、装置及存储介质
技术领域
本发明涉及可见光通信技术领域，尤其涉及一种可见光通信后均衡方法、系统、装置及存储介质。
背景技术
近年来，随着工业4.0、物联网、云计算、6G等技术的发展，通信网络数据流量需求呈现爆炸式的增长，对无线接入网速率也提出更高速率、更大容量、更低延时的挑战。基于LED的可见光通信拥有频谱资源丰富、高速、无电磁辐射且能与现有照明LED结合通信等独特的优势，必然会在今后通信领域发展中扮演重要的角色。然而当前有两个关键问题限制了可见光通信系统实现Gb/s以上的高速传输：一是系统中LED带宽受限；二是系统中存在的各种线性和非线性失真。
LED带宽受限产生的最直接影响是对系统带来较强的线性损伤，在除了研发新型的高带宽LED之外，如何将LED带宽最大化的利用也是一个非常重要的问题，除此之外，系统中的光电探测器、电放大器、SMA线缆、转接头等硬件也会引起信号的线性损伤，导致码间串扰问题严重，影响通信质量。
引起系统非线性失真的主要来源是LED输入电压和输出电流、以及输入电流和输出光强之间的非线性关系，这会使得信号调制深度降低，限制输出信号的峰峰值，最终降低系统功率效率，产生削波失真。同时，接受侧光电探测器使用的平方律探测会使得接收信号中产生原始信号的指数项和不同时刻信号的交叉项，这也带来了明显的非线性失真。
对于可见光通信系统遭受的线性和非线性问题，当前的主流技术是在接受侧使用自适应滤波让volterra级数不断逼近系统的信道特性，但由于volterra级数的复杂度过高，计算量会随着均衡器的抽头数和阶数成指数级增长，因此可见光通信系统中通常采用二阶的volterra均衡器，这也导致传统方式的后均衡器精度低，补偿效果不佳的问题。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种可见光通信后均衡方法、系统、装置及存储介质。
本发明所采用的技术方案是：
一种可见光通信后均衡方法，包括以下步骤：
获取接收信号，将所述接收信号通过同相整形滤波器和正交整形滤波器后，获得复数符号；
将所述复数符号输入基于深度神经网络的后均衡器进行处理，并在收敛后进行解编，获得二进制码流；
其中，所述基于深度神经网络的后均衡器的模型包括：
输入层，包括1层门控循环单元，所述门控循环单元通过引入重置门、更新门和候选隐藏状态，建立数据之间的关联性，加快模型的训练，以及提升模型精度；
隐藏层，包括2层全连接层；
输出层，包括1个节点。
进一步地，所述基于深度神经网络的后均衡器的模型的损失函数为：
Figure BDA0003486085610000021
其中，e(k)表示误差函数，Y(k)表示标签，X(k)表示均衡器输出。
进一步地，在所述基于深度神经网络的后均衡器的中加入MCMA算法模块，以提升拟合效果；
其中，MCMA算法模块的公式表达式为：
wxx(n+1)＝wxx(n)+μεIMIXI(n-k)
wxy(n+1)＝wxy(n)+μεIMIXQ(n-k)
wyx(n+1)＝wyx(n)+μεQMQXI(n-k)
wyy(n+1)＝wyy(n)+μεQMQXQ(n-k)
其中，wxx表示均衡器对于I路信号的权重估计，wxy表示均衡器对于I路信号影响Q路信号的权重估计，wyx表示均衡器对于Q路信号影响I路信号的权重估计，wyy表示均衡器对于Q路信号的权重估计，μ表示学习率，εI表示I路信号误差，εQ表示Q路信号误差，MI表示I路信号均衡器输出，MQ表示Q路信号均衡器输出，XI表示I路信号均衡器输入，XQ表示Q路信号均衡器输入。
进一步地，在获取接收信号的步骤之前，还包括以下步骤：
将二进制码流编码映射为64QAM的复数符号，其中1个复数符号包含6个比特的信息；
采用无载波幅度相位调制方式将复数符号的实部符号通过同相整形滤波器，将复数符号的虚部符号通过正交整形滤波器，求和后得到预设带宽的实数信号X(k)，将实数信号X(k)送入波形发生器中；
实数信号X(k)经数模转换器变为模拟信号，经过电放大器放大后，输入由偏执器驱动的LED光源中，完成电光转换并发射。
进一步地，所述获取接收信号，包括：
采用光电探测器接收光信号，并转化为电信号；
电信号经过采样后，获得数字信号；
对数字信号进行重采样和时钟同步操作后，得到与原始信号相对应的接收信号Y(k)。
本发明所采用的另一技术方案是：
一种可见光通信后均衡系统，包括：
信号获取模块，用于获取接收信号，将所述接收信号通过同相整形滤波器和正交整形滤波器后，获得复数符号；
信号解码模块，用于将所述复数符号输入基于深度神经网络的后均衡器进行处理，并在收敛后进行解编，获得二进制码流；
其中，所述基于深度神经网络的后均衡器的模型包括：
输入层，包括1层门控循环单元，所述门控循环单元通过引入重置门、更新门和候选隐藏状态，建立数据之间的关联性，加快模型的训练，以及提升模型精度；
隐藏层，包括2层全连接层；
输出层，包括1个节点。
本发明所采用的另一技术方案是：
一种可见光通信后均衡装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是：
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明通过采用基于深度神经网络的后均衡器替换传统的基于volterra级数的后均衡器，具有更好的补偿效果，提升通信性能。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中可见光通信的流程步骤图；
图2是本发明实施例中基于深度神经网络的后均衡器的模型结构图；
图3是本发明实施例中门控循环单元的内部结构图；
图4是本发明实施例中自适应盲线性均衡的示意图；
图5是本发明实施例中传统均衡器与神经网络后均衡器的星座图对比示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示，本实施例提供一种可见光通信的方法，具体包括以下步骤：
S1、将二进制码流编码映射为64QAM的复数符号，其中1个符号包含6个比特的信息；使用无载波幅度相位调制方式将实部符号通过同相整形滤波器，虚部符号通过正交整形滤波器，求和后得到带宽为80Mhz的实数信号X(k)，最后送入任意波形发生器中。
S2、信号X(k)经由采样率400M Sa/s的数模转换器变为模拟信号，经过电放大器放大后输入由偏执器驱动的LED光源中完成电光转换并发射到2m的自由光空间中。
S3、接收侧使用光电探测器将发射的光信号接收并转化为电信号；电信号经过电放大器放大后再进入采样率为2G Sa/s的数字示波器得到数字信号。
S4、对信号进行重采样和时钟同步操作后得到与原始信号相对应的接收信号Y(k)；Y(k)再次通过同相整形滤波器和正交整形滤波器后得到损伤的复数符号；复数符号送入后均衡器收敛后解编码得到原始的二进制码流。
将经过重采样、时钟同步后的接收信号Y(k)预处理作为特征向量输入后均衡器，其中，后均衡器采用基于深度神经网络的后均衡器，如图2所示，该基于深度神经网络的后均衡器的模型包括：
输入层，为1层门控循环单元，其结构如图3。门控循环单元中的重置门将新的输入信息与前面的记忆相结合，决定有多少的过去信息可以被遗忘；更新门定义前面记忆保存到当前时间步的量，决定要将多少的过去信息传递到未来。这两个门控向量的应用可以将有效的信息不断后传，减少梯度消失的风险同时也有效建立了数据之前的关联性。此外，该单元候选隐藏状态的应用不会控制并保留内部记忆，取代了传统的长短期记忆模型循环网络的输出门，具有复杂度更低，收敛速度更快，训练时间更短的特点，非常适用于信号这种小样本序列的训练。
隐藏层，为2层全连接层，且全连接层中的非线性激活函数为Relu。
输出层，为1个节点，输出层中的标签为信号X(k)。
模型经过前馈运算后得到的输出与对应标签进行均方误差计算，公式如下：
Figure BDA0003486085610000051
神经网络通过随机梯度下降优化算法将误差的梯度反向传播至网络完成一次迭代。经过一定时间训练，当损失函数趋于稳定时则完成训练。其中，模型的batch size、empoch、参数学习率以及除了输出层外每层的节点属于超参数，需要根据实际系统进行优化。
在一下可选的实施例中，模型停止训练后固定神经网络中所有参数的梯度，将测试集数据输入可得到最终的模型输出；模型输出数据经过同相整形滤波器和正交整形滤波器后得到复数符号。由于不同信号在通信链路中遭到的损伤略有不同，使用神经网络模型需要非常庞大的数据量和训练时间才能具有较好的拟合能力。为了降低系统复杂度，提出在神经网络后加入基于MCMA算法的自适应盲线性均衡器，如图4所示，帮助神经网络的输出快速收敛，提升拟合效果。其优化算法为：
wxx(n+1)＝wxx(n)+μεIMIXI(n-k)
wxy(n+1)＝wxy(n)+μεIMIXQ(n-k)
wyx(n+1)＝wyx(n)+μεQMQXI(n-k)
wyy(n+1)＝wyy(n)+μεQMQXQ(n-k)
其中，wxx表示均衡器对于I路信号的权重估计，wxy表示均衡器对于I路信号影响Q路信号的权重估计，wyx表示均衡器对于Q路信号影响I路信号的权重估计，wyy表示均衡器对于Q路信号的权重估计，μ表示学习率，εI表示I路信号误差，εQ表示Q路信号误差，MI表示I路信号均衡器输出，MQ表示Q路信号均衡器输出，XI表示I路信号均衡器输入，XQ表示Q路信号均衡器输入。
参见图5，图5是本发明实施例的实验结果图，对于经过2m自由光空间信道的80Mhz64QAM的信号来说，基于传统的Volterra+MCMA的后均衡器误码率为1.1e-3，信噪比为23.38dB；使用本发明实施例提出的GRUNN+MCMA的后均衡器误码率为4.5e-4，信噪比为24.55dB，有近1.2dB的收益。可知，该发明相比于传统的线性非线性联合的Volterra均衡器具有更好的补偿效果。
本实施例还提供一种可见光通信后均衡系统，包括：
信号获取模块，用于获取接收信号，将所述接收信号通过同相整形滤波器和正交整形滤波器后，获得复数符号；
信号解码模块，用于将所述复数符号输入基于深度神经网络的后均衡器进行处理，并在收敛后进行解码，获得二进制码流；
其中，所述基于深度神经网络的后均衡器的模型包括：
输入层，包括1层门控循环单元，所述门控循环单元通过引入重置门、更新门和候选隐藏状态，建立数据之间的关联性，加快模型的训练，以及提升模型精度；
隐藏层，包括2层全连接层；
输出层，包括1个节点。
本实施例的一种可见光通信后均衡系统，可执行本发明方法实施例所提供的一种可见光通信后均衡方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本实施例还提供一种可见光通信后均衡装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图1所示方法。
本实施例的一种可见光通信后均衡装置，可执行本发明方法实施例所提供的一种可见光通信后均衡方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种可见光通信后均衡方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种可见光通信后均衡方法，其特征在于，包括以下步骤：
获取接收信号，将所述接收信号通过同相整形滤波器和正交整形滤波器后，获得复数符号；
将所述复数符号输入基于深度神经网络的后均衡器进行处理，并在收敛后进行解码，获得二进制码流；
其中，所述基于深度神经网络的后均衡器的模型包括：
输入层，包括1层门控循环单元，所述门控循环单元通过引入重置门、更新门和候选隐藏状态，建立数据之间的关联性，加快模型的训练，以及提升模型精度；
隐藏层，包括2层全连接层；
输出层，包括1个节点。
2.根据权利要求1所述的一种可见光通信后均衡方法，其特征在于，所述基于深度神经网络的后均衡器的模型的损失函数为：
Figure FDA0003486085600000011
其中，e(k)表示误差函数，Y(k)表示标签，X(k)表示均衡器输出。
3.根据权利要求1所述的一种可见光通信后均衡方法，其特征在于，在所述基于深度神经网络的后均衡器的中加入MCMA算法模块，以提升拟合效果；
其中，MCMA算法模块的公式表达式为：
wxx(n+1)＝wxx(n)+μεIMIXI(n-k)
wxy(n+1)＝wxy(n)+μεIMIXQ(n-k)
wyx(n+1)＝wyx(n)+μεQMQXI(n-k)
wyy(n+1)＝wyy(n)+μεQMQXQ(n-k)
其中，wxx表示均衡器对于I路信号的权重估计，wxy表示均衡器对于I路信号影响Q路信号的权重估计，wyx表示均衡器对于Q路信号影响I路信号的权重估计，wyy表示均衡器对于Q路信号的权重估计，μ表示学习率，εI表示I路信号误差，εQ表示Q路信号误差，MI表示I路信号均衡器输出，MQ表示Q路信号均衡器输出，XI表示I路信号均衡器输入，XQ表示Q路信号均衡器输入。
4.根据权利要求1所述的一种可见光通信后均衡方法，其特征在于，在获取接收信号的步骤之前，还包括以下步骤：
将二进制码流编码映射为64QAM的复数符号，其中1个复数符号包含6个比特的信息；采用无载波幅度相位调制方式将复数符号的实部符号通过同相整形滤波器，将复数符号的虚部符号通过正交整形滤波器，求和后得到预设带宽的实数信号X(k)，将实数信号X(k)送入波形发生器中；
实数信号X(k)经数模转换器变为模拟信号，经过电放大器放大后，输入由偏执器驱动的LED光源中，完成电光转换并发射。
5.根据权利要求4所述的一种可见光通信后均衡方法，其特征在于，所述获取接收信号，包括：
采用光电探测器接收光信号，并转化为电信号；
电信号经过采样后，获得数字信号；
对数字信号进行重采样和时钟同步操作后，得到与原始信号相对应的接收信号Y(k)。
6.一种可见光通信后均衡系统，其特征在于，包括：
信号获取模块，用于获取接收信号，将所述接收信号通过同相整形滤波器和正交整形滤波器后，获得复数符号；
信号解码模块，用于将所述复数符号输入基于深度神经网络的后均衡器进行处理，并在收敛后进行解码，获得二进制码流；
其中，所述基于深度神经网络的后均衡器的模型包括：
输入层，包括1层门控循环单元，所述门控循环单元通过引入重置门、更新门和候选隐藏状态，建立数据之间的关联性，加快模型的训练，以及提升模型精度；
隐藏层，包括2层全连接层；
输出层，包括1个节点。
7.一种可见光通信后均衡装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-5任一项所述方法。
8.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-5任一项所述方法。
CN202210081489.4A 2022-01-24 2022-01-24 一种可见光通信后均衡方法、系统、装置及存储介质 Active CN114500197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210081489.4A CN114500197B (zh) 2022-01-24 2022-01-24 一种可见光通信后均衡方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210081489.4A CN114500197B (zh) 2022-01-24 2022-01-24 一种可见光通信后均衡方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN114500197A CN114500197A (zh) 2022-05-13
CN114500197B true CN114500197B (zh) 2023-05-23

Family

ID=81475411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210081489.4A Active CN114500197B (zh) 2022-01-24 2022-01-24 一种可见光通信后均衡方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114500197B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115208721B (zh) * 2022-06-23 2024-01-23 上海交通大学 类Volterra的神经网络均衡器构建方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900446A (zh) * 2018-05-28 2018-11-27 南京信息工程大学 基于门控循环单元神经网络的坐标变换常模盲均衡方法
CN109447244A (zh) * 2018-10-11 2019-03-08 中山大学 一种结合门控循环单元神经网络的广告推荐方法
CN110598859A (zh) * 2019-08-01 2019-12-20 北京光锁科技有限公司 基于门控循环神经网络的非线性均衡方法
CN110830112A (zh) * 2019-10-16 2020-02-21 青岛海信电器股份有限公司 一种可见光通信的方法及设备
CN112600618A (zh) * 2020-12-07 2021-04-02 重庆邮电大学 一种基于注意力机制的可见光信号均衡系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210365792A1 (en) * 2020-05-22 2021-11-25 Samsung Electronics Co., Ltd. Neural network based training method, inference method and apparatus

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900446A (zh) * 2018-05-28 2018-11-27 南京信息工程大学 基于门控循环单元神经网络的坐标变换常模盲均衡方法
CN109447244A (zh) * 2018-10-11 2019-03-08 中山大学 一种结合门控循环单元神经网络的广告推荐方法
CN110598859A (zh) * 2019-08-01 2019-12-20 北京光锁科技有限公司 基于门控循环神经网络的非线性均衡方法
CN110830112A (zh) * 2019-10-16 2020-02-21 青岛海信电器股份有限公司 一种可见光通信的方法及设备
CN112600618A (zh) * 2020-12-07 2021-04-02 重庆邮电大学 一种基于注意力机制的可见光信号均衡系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hongtai Shi.Adaptive Equalization for QAM Signals Using Gated Recycle Unit Neural Network.《 Information Science and Communication (CTISC)》.2021,全文. *
魏海文.门控递归单元神经网络坐标变换盲均衡算法.《微电子学与计算机》.2019,全文. *

Also Published As

Publication number Publication date
CN114500197A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Gao et al. ComNet: Combination of deep learning and expert knowledge in OFDM receivers
CN112600772B (zh) 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN114500197B (zh) 一种可见光通信后均衡方法、系统、装置及存储介质
CN109905170A (zh) 一种基于k-dnn的非线性失真补偿算法及可见光通信装置
Song et al. Receiver design for faster-than-Nyquist signaling: Deep-learning-based architectures
CN114553315B (zh) 基于CNN-biRNN的光纤非线性均衡方法及系统
Li et al. IQ symbols processing schemes with LSTMs in OFDM system
Mohamed et al. LSTM-Autoencoder Deep Learning Technique for PAPR Reduction in Visible Light Communication
CN114285715A (zh) 基于双向gru-条件随机场的非线性均衡方法
US10826615B2 (en) Optical transmission method and optical receiver apparatus for determining received symbols from a received electrical signal using an indication of a nonlinear impulse response of the direct detection and without performing equalization following the direct detection
Zhang et al. Real-time demonstration of a low-complexity PS scheme for 16QAM-DMT signals in an IM-DD system
Fan et al. Intelligent communication: Application of deep learning at the physical layer of communication
Yoffe et al. Novel low resolution ADC-DSP optimization based on non-uniform quantization and MLSE for data centers interconnects
CN114124223B (zh) 一种卷积神经网络光纤均衡器生成方法及系统
Zhao et al. Transfer learning–based artificial neural networks post-equalizers for underwater visible light communication
Niu et al. LED nonlinearity post-compensator with legendre polynomials in visible light communications
CN114500189B (zh) 一种可见光通信直接预均衡方法、系统、装置及介质
Ney et al. Unsupervised ANN-based equalizer and its trainable FPGA implementation
CN113472713A (zh) 一种基于神经网络的高阶调制信号解调方法和接收机
Ji et al. Multi-level quantization and blind equalization based direct transmission method of digital baseband signal
Zou et al. FPGA-Based Configurable and Highly Flexible PAM4 SerDes Simulation System
Liu et al. Performance enhanced probabilistically shaped PAM4 signal based on nonlinear differential coding for IM/DD system
Imtiaz et al. Performance vs. complexity in NN pre-distortion for a nonlinear channel
Yao et al. MPT-Transformer based post equalizer utilized in underwater visible light communication system
Gong et al. OFDM joint data detection and phase noise cancellation for constant modulus modulations

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