CN115085808B - 一种基于小波神经网络的vlc系统时频联合后均衡方法 - Google Patents

Abstract

本发明属于可见光通信中数字信号处理领域，特别涉及一种基于小波神经网络的VLC系统时频联合后均衡方法，包括在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡器进行非线性补偿，得到均衡后的PAM信号，所述基于小波神经网络的时频联合后均衡器包括时域子网、频域子网、通道注意力模块以及输出层，其中时域子网和频域子网分别用于提取时域和频域的特征，并将提取的特征输入通道注意力模块获取时域分量、频域分量的补偿权重，在输出层通过时域分量、频域分量及其分别对应补偿权重计算获取均衡后的信号；本发明联合时域和频域特征来补偿信号在传输过程中产生的非线性损伤，降低系统的误码率，提高系统的传输性能。

Description

一种基于小波神经网络的VLC系统时频联合后均衡方法

技术领域

本发明属于可见光通信中数字信号处理领域，特别涉及一种基于小波神经网络的VLC系统时频联合后均衡方法。

背景技术

可见光通信(Visible light communications，VLC)是指通过调制主要用于照明的可见光谱中的光来传输信息的光无线通信技术。基于发光二极管(LED)的可见光通信技术因其低成本、高安全性、无电磁污染、频谱无需授权等优势成为一项备受关注、极具潜力的技术。

在可见光通信的发展过程中，逐渐分化出了不同的研究侧重点：光学材料、高阶调制、均衡技术和复用技术。本专利集中于均衡技术方面。在可见光通信中，信号通过调制经过LED灯发出，经自由空间到达接收端后。在这个过程中，由于LED固有特性、信道的噪声等影响，会使得信号发生线性和非线性失真。现有的均衡技术，例如递归最小二乘(RLS)，最小均值(LMS)和恒模盲均衡算法(CMA)等，只能处理信号的出现的线性失真，如码间串扰(ISI)，不能解决信号中的非线性失真。所幸的是，神经网络已经成功应用于可见光信号均衡技术并取得了一定的成效。专利“一种可见光通信方法、装置、系统及计算机可读存储介质(申请号CN202110528061.5)”提出使用人工神经网络对光电探测器产生的电信号进行均衡，再经信号处理得到原始数据，从而实现信号补偿。专利“一种基于可见光通信方法及设备(申请号CN201910984473.2)”提出将光信号转换成数字信号，然后输入深度神经网络进行非线性均衡，从而实现信号补偿。上述专利都属于将时域信号结合神经网络来进行信号均衡，考虑了信号的时域特征，即信号随时间如何变化。但是信号的固有特性不仅仅包括时域，来自信号频域的信息也可以提供有价值的信息。此外，上述网络模型的设计都是采用全连接的堆叠实现，单纯的增加网络的拟合能力，很容易过拟合。专利“一种水下可见光通信系统的盲检测方法(申请号CN202110469738.2)”提出将时域信号做傅里叶变换转换成频域信号，然后输入到神经网络中学习，最终消除信号的失真问题，实现信号均衡。该专利使用了傅里叶变换获取频域信息，取得了不错的效果，但是傅里叶变换在进行时频转换时存在一定的不足，对于频率随时间变化的非平稳信号，傅里叶变换有局限性。它只能获取信号上包含哪些频率成分，但是对各个频率成分出现的时刻并无所知。

发明内容

为了补偿传输过程中产生的非线性损伤，降低系统的误码率，提高系统的传输性能，本发明提出一种基于小波神经网络的VLC系统时频联合后均衡方法，包括在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡器进行非线性补偿，得到均衡后的PAM信号，所述基于小波神经网络的时频联合后均衡器包括时域子网、频域子网、通道注意力模块以及输出层，其中时域子网和频域子网分别用于提取时域和频域的特征，并将提取的特征输入通道注意力模块获取时域分量、频域分量的补偿权重，在输出层通过将时域分量、频域分量与对应的补偿权重相乘后求和，最后输入一个一维卷积层变换维度后，输出均衡后的信号。

进一步的，时域子网包括一维卷积器和软阈值器，其中一维卷积器用于通过卷积操作提取时域信号的特征，提取的特征作为软阈值器的输入；软阈值器通过级联的一个全局平均池化模块、两个全连接层以及一个乘法器获取阈值，其中级联的两个全连接层中，前一个全连接层后接激活层，后一个全连接层后接sigmoid层，sigmoid层的输出通过乘法器与一维卷积器的输出相乘后得到软阈值器的阈值。

进一步的，频域子网包括小波变换器以及三个级联的一维卷积器，小波变换后的数据输入三个级联的一维卷积器，其中级联的三个一维卷积器中，第一级的输出和第二级的输出进行拼接后作为第三级的输入。

进一步的，通道注意力模块获取时域分量、频域分量的补偿权重，即时域子网和频域子网的输出经过通道注意力层，获取各自的权重，通道注意力层计算权重的过程包括：

其中，w表示通过通道注意力层计算得到的补偿权重；e为自然常数，z_i为第i个通道的输出值，C为输出的通道数。

进一步的，对基于小波神经网络的时频联合后均衡器的训练过程包括：

将接收端的信号样本及其对应的发送端收到的信号样本按照7:3的比例分别作为训练样本和验证样本；

设置滑动窗口大小，并根据滑动窗口大小将训练样本和验证样本进行切分；

初始化基于小波神经网络的时频联合后均衡器的模型参数，并设置训练次数的上限；

进行训练时，将训练样本中接收端收到的数据输入基于小波神经网络的时频联合后均衡器，得到均衡后的信号；

计算得到的均衡信号与该信号对应的发送端的数据之间的损失；

判断是否达到最大训练次数，如果达到则保留模型参数，完成训练；否则将验证样本输入模型进行训练，若连续n次模型的准确率没有提升，则保存当前模型参数，完成训练；

否则利用计算得到的均衡信号与该信号对应的发送端的数据之间的损失，反向传播并更新网络模型的参数，进行下一次模型的训练。

本发明提出一种基于小波神经网络的VLC系统时频联合后均衡装置，包括时域子网模块、频域子网模块以及输出模块，其中时域子网模块用于对输入的畸变信号进行时域补偿；频域子网模块用于对输入的畸变信号进行频域补偿；输出模块用于将通过时域子网模块、频域子网模块补偿后的信号相加后通过一个一维卷积层获取均衡后的信号。

本发明提出一种计算机设备，包括处理器和存储器，存储器中存储有计算机程序，处理器运行存储器中存储的计算机程序实现前述一种基于小波神经网络的VLC系统时频联合后均衡方法。

本发明提出一种计算机程序，该程序实现前述一种基于小波神经网络的VLC系统时频联合后均衡方法。

本发明根据可见光信号的特点，从时频的角度出发进行信号的补偿，即考虑信号的时域特征，又考虑信号的频域特征，即使用现有的小波变换技术进行时域转换，获取信号的频域信息，然后将时域特征、频域特征输入到对应的时域子网、频域子网中进行学习，经通道注意力层得到时域、频域特征的补偿权重，最后将补偿权重乘以对应的输入并经过输出层得到最终的均衡信号。

附图说明

图1为本发明的采用基于小波神经网络的时频联合后均衡方法的PAM-VLC系统拓补图；

图2为本发明的基于小波神经网络VLC系统时频联合后均衡方法网络结构图；

图3为本发明的小波变换示例图；

图4为本发明的网络训练流程图。

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。

本发明提出一种基于小波神经网络的VLC系统时频联合后均衡方法，包括在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡器进行非线性补偿，得到均衡后的PAM信号，所述基于小波神经网络的时频联合后均衡器包括时域子网、频域子网、通道注意力模块以及输出层，其中时域子网和频域子网分别用于提取时域和频域的特征，并将提取的特征输入通道注意力模块获取时域分量、频域分量的补偿权重，在输出层通过时域分量、频域分量及其分别对应补偿权重计算获取均衡后的信号。

实施例

本实施例中，采用的PAM-VLC系统拓扑图如图1所示，该系统包括任意波形发生器、两个电放大器、偏置器、LED灯、光栅、滤镜、PIN接收器、数字示波器以及离线处理模块，将需要发送的原始二进制比特流，即发送信号映射(例如采用PAM-8映射)成PAM符号，经过上采样、脉冲成形到达任意波形发生器(AWG)；AWG生成PAM信号并经过第一电放大器放大后传输给偏置器；偏置器给电PAM信号加上直流偏置电压，使其达到LED灯的启动电压门槛；LED接收到信号后进行强度调制，把电PAM信号转变成光信号进行传输；通过光栅和滤镜对光信号进行滤波处理；接收端使用光电二级管(PIN接收器)进行接收；经第二电放大器放大后由数字示波器采样记录；便于进行离线信号处理。

在离线信号处理模块中，将经过同步、归一化和下采样的数据输入到均衡模块进行均衡，本实施例中通过本发明提出的一种基于小波神经网络的时频联合后均衡模块对信号补偿进行补偿，完成均衡；将输出的均衡信号通过PAM解映射(例如采用PAM-8解映射)转变为原始二进制比特，完成信号的补偿。

本实施例提出的一种基于小波神经网络的PAM-VLC系统时频联合后均衡方法，该方法包括：在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡模块进行非线性补偿，得到均衡后的PAM信号。小波神经网络指的是将小波变换嵌入神经网络；PAM表示脉冲振幅调制，VLC表示可见光通信系统。

时域描述的是信号随时间的变化，频域描述的是信号在频率方面的特性。信号在不同的维度表现出的信息不同。时频联合域分析被经常用于分析处理非平稳信号。而小波变换是进行信号时频分析和处理的理想工具，它克服了傅里叶变换的处理非平稳信号的天生缺陷：只能获取信号中包含哪些频率成分，但是对各成分出现的时刻并无所知。因此时域相差很大的两个信号，它们进行傅里叶变换后频谱图可能相同。小波变换不仅可以获取信号中存在哪些频率分量，还能获取它们在时域上存在的具体位置。而神经网络可以学习到信号的特征表现。本发明将二者的优势结合，首先使用小波变换获取信号的频域信息，然后将时域特征、频域特征，分别输入到时域子网、频域子网中进行处理，学习各自的补偿权重，联合时域和频域特征实现信号的补偿。

如图2所示，基于小波神经网络的PAM-VLC系统时频联合后均衡模块包括两个并行的子网络：时域子网、频域子网，以及最后通道注意力层和输出层。时域子网用于提起时域特征。频域子网用于提取频域特征，通道注意力层用于学习时频分量的补偿权重。将时频分量乘以对应补偿权重，经输出层得到均衡后的信号。

时域子网的网络结构图如图2中的时域子网部分，它包括一维卷积层和软阈值化，网络结构如图2中的时域子网部分。其中一维卷积层用于对输入的序列数据进行局部的特征提取。卷积核的大小为3，卷积步长和填充均为1，输出的通道数为64。本发明提出的网络属于回归任务，选取的输入层大小是一个1024维的向量，输出层的大小也为1024维。卷积核的大小和输出的通道数都是根据以往经验选取的较好值。

在本实施例中，输入一维卷积器特征的维度，经过一维卷积器进行操作后输出特征的维度，有以下对应关系：

其中，out表示经过一维卷积器进行操作后输出数据的维度；in表示输入一维卷积器数据的维度，padding表示填充数，kernel为卷积核大小；stride为kernel的移动步长。

卷积后的激活函数为ReLU，函数的公式如下：

软阈值化中包括全局平均池化层和两个全连接层，软阈值化的公式如下：

软阈值化是很多信号降噪的核心步骤，本发明中软阈值的用处是当输入特征的绝对值低于某个阈值(即上述公式中的τ)时，将该特征置为0，否则将输入特征朝着0进行调整，特点就是收缩。由于阈值τ人工选取比较困难，本发明将其嵌入到网络中，利用神经网络强大的学习能力来决定阈值，即如图2所示的时域子网中，由全局平均池化、两个全连接层以及乘法器构成的阈值选择过程。获取阈值具体描述如下：

对输入特征x取其绝对值，表示为：

x_abs＝|x|＝(|x₁|,|x₂|,...|x_n|)

其中，n为输入特征x的通道数，取绝对值的操作是用于保证阈值为正值，防止经软阈值化后输出特征全为0。

进行全局平均池化操作，将输入的特征数据进而简化为一维向量，即表示为：

y＝avgpool(x_abs)＝avgpool(|x₁|,|x₂|,...|x_n|)

其中，x_i表示第i通道的特征，avgpool为全局平均池化操作，输出y的维度为1*n。

将全局平均池化后的数据传播到两层结构的全连接网络中，如图2所示，该两层结构的全连接网络包括两个全连接层，第一个全连接层后面接ReLU函数进行激活，第二层全连接层后面接Sigmoid函数进行激活；

本实例中，全连接网络的第二层神经元的个数等于输入特征x的通道数，本实施例中输入特征的通道数为64，则全连接网络的第二层神经元的个数也为64；全连接网络的输出通过Sigmoid公式缩放到(0，1)的范围，即可表示为：

式中，z_c为第c个神经元的输出特征，a_c为第c个神经元对应的收缩系数，该处神经元的个数与输入数据的通道数对应，该系数也是输入数据第c个通道对应的收缩系数；

将输入数据每个通道的特征向量与该通道对应的收缩系数相乘，即可得到该通道下的阈值，因此阈值τ表示为：

τ_c＝a_c·x_c

其中，x_c为x_abs的第c个通道的特征向量，a_c是对应通道的收缩系数，不同通道的特征对应的阈值不尽相同。

频域子网的网络结构如图2中频域子网部分，它包括小波变换层和三个串行的卷积层。小波变换是进行信号时频分析和处理的理想工具，它克服了傅里叶变换处理非平稳信号存在的天生缺陷，不仅可以信号包含哪些频率成分，还可以知道它何时出现。频域子网用于获取频域特征，首先需要对原始信号进行小波变换。

小波变换的公式为：

公式中的WT(a,τ)为小波变换的结果，f(t)表示原始的时域信号。a为伸缩系数，也称为尺度。不同的伸缩系数会生成不同的频率成分，τ为平移参数，平移参数使得小波可以沿着信号的时间轴实现遍历分析，ψ(t)表示不同小波基函数。小波变换的结果就是不同的小波基函数与时域信号f(t)进行积分的结果。本发明中使用的是morlet小波。基函数的表达式为：

式中的w₀为morlet小波的中心频率，i为复数的单位。

小波变换的示例如图3所示，假设输入的时域序列{x₁,x₂,x₃,...,x_n}，经过小波变换后得到对应的频域序列{a₁+b₁i,a₂+b₂i,...,a_n+b_ni}，其中a表示频率的实部，b表示频率的虚部，i为虚数单位，下标为时序标号。

作为一种可选的具体实施方式，本实施例的小波变换选择Morlet小波，输入向量的维度为1024，经过小波变换后，信号的维度变为64*1024，小波变换器后使用三个串行的卷积层，每个卷积层的输出通道大小分别为64、96、64，每个卷积层的卷积核的大小都是3，每个卷积后的激活函数均为PReLU，该激活函数的公式如下：

其中，x为前一层卷积的输出，第一层卷积层中则为小波变换器的输出；a为可学习的参数，对于不同的输出通道，参数a是不同的。在最后的特征融合阶段，经过通道注意力层，得到两个子网输出占最终结果的权重。将原始输入分别乘以各自的权重，得到最终的信号并输出。如图2，权重w1、w2分别为时域子网、频域子网通过通道注意力层进行计算得到的补偿权重，通道注意力层计算权重的过程如下：

其中，w_i表示第i个通道的补偿权重，即时域子网或者频域子网中输出的第i个特征的权重；z_i为第i个通道的特征，z_c为第c个通道的特征，c＝{1,2，…，C}；C为输出的通道数，在本发明中，C＝64，即c的取值范围为[1,64]。

网络采用均方误差MSE作为误差函数，MSE的计算公式如下：

其中，Y_i为第i个真实信号样本，本实施例用于PAM8-VLC系统，所以Y_i的取值范围为[-7,-5,-3,-1,1,3,5,7]，为模型均衡后的第i个信号样本。

为了训练网络，需要对原始数据进行划分和处理，将接收端的信号样本和发送端的信号样本按7：3比例划分为训练集和验证集。其中接收端信号样本作为神经网络的输入、发送端的信号样本作为真实的标签。

将训练样本集和测试样本集分别进行切分。假设发送序列为{x₁,x₂,x₃,...,x_n}，序列长度为n，相应的接收序列，即真实标签为{y₁,y₂,y₃,...,y_n}，w为滑动窗口的长度，在发明中，神经网络的输入向量维度为1024，即w＝1024。第i次切分后，输入向量为{x_i,x_i+1,x_i+2,...,x_i+1023}，真实标签{y_i,y_i+1,y_i+2,...,y_i+1023}。

如图4所示，基于小波神经网络的PAM-VLC系统时频联合后均衡模块进行训练的过程包括：

构建网络模型，即如图2所示的网络结构，此处不再赘述具体结构物，初始化网络参数；

将划分好的训练数据输入到网络中，输入维度为1024维，经过模型后得到预测样本，即均衡后的信号，输出维度也为1024维；

计算出真实标签和预测样本的均方误差MSE，判断训练次数是否大于epochs设定的上限值100，如果训练次数大于上限，直接保存模型；

否则继续进行判断，如果模型在验证集的准确率连续n次训练后都没有提升(n为用户自定义参数，一般大于2，本实施例n的取值为5)，代表模型已经收敛，无需继续训练，直接保存模型并退出；如果验证集的准确率有提升，表示模型还没有收敛，需要进行反向传播，逐层更新各个神经元的参数；

重复上述过程，直到完成训练。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，包括在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡器进行非线性补偿，得到均衡后的PAM信号，所述基于小波神经网络的时频联合后均衡器包括时域子网、频域子网、通道注意力模块以及输出层，其中时域子网和频域子网分别用于提取时域和频域的特征，并将提取的特征输入通道注意力模块获取时域分量、频域分量的补偿权重，在输出层通过将时域分量、频域分量与对应的补偿权重相乘后求和，最后输入一个一维卷积层变换维度后，输出均衡后的信号；时域子网包括一维卷积器和软阈值器，其中一维卷积器用于通过卷积操作提取时域信号的特征，提取的特征作为软阈值器的输入；软阈值器通过级联的一个全局平均池化模块、两个全连接层以及一个乘法器获取阈值，其中级联的两个全连接层中，前一个全连接层后接ReLU激活层，后一个全连接层后接sigmoid层，sigmoid层的输出通过乘法器与一维卷积器的输出相乘后得到软阈值器的阈值；频域子网包括小波变换器以及三个级联的一维卷积器，小波变换后的数据输入三个级联的一维卷积器，其中级联的三个一维卷积器中，第一级的输出和第二级的输出进行拼接后作为第三级的输入；通道注意力模块获取时域分量、频域分量的补偿权重，即时域子网和频域子网的输出经过通道注意力层，获取各自的权重，通道注意力层计算权重的过程包括：

；

其中，w表示通过通道注意力层计算得到的补偿权重；e为自然常数，Z_i为第i个通道的输出值，C为输出的通道数。

2.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，对基于小波神经网络的时频联合后均衡器的训练过程包括：

将接收端的信号样本及其对应的发送端收到的信号样本按照7:3的比例分别作为训练样本和验证样本；

设置滑动窗口大小，并根据滑动窗口大小将训练样本和验证样本进行切分；

初始化基于小波神经网络的时频联合后均衡器的模型参数，并设置训练次数的上限；

进行训练时，将训练样本中接收端收到的数据输入基于小波神经网络的时频联合后均衡器，得到均衡后的信号；

计算得到的均衡信号与该信号对应的发送端的数据之间的损失；

判断是否达到最大训练次数，如果达到则保留模型参数，完成训练；否则将验证样本输入模型进行训练，若连续n次模型的准确率没有提升，则保存当前模型参数，完成训练；

否则利用计算得到的均衡信号与该信号对应的发送端的数据之间的损失，反向传播并更新网络模型的参数，进行下一次模型的训练。

3.一种基于如权利要求1所述的小波神经网络的VLC系统时频联合后均衡方法的均衡装置，其特征在于，包括时域子网模块、频域子网模块以及输出模块，其中时域子网模块用于对输入的畸变信号进行时域补偿；频域子网模块用于对输入的畸变信号进行频域补偿；输出模块用于将通过时域子网模块、频域子网模块补偿后的信号相加后通过一个一维卷积层获取均衡后的信号。

4.根据权利要求3所述的一种基于小波神经网络的VLC系统时频联合后均衡装置，其特征在于，时域子网模块包括时域子网和通道注意力模块，时域子网包括一维卷积器和软阈值器，其中一维卷积器用于通过卷积操作提取时域信号的特征，提取的特征作为软阈值器的输入；软阈值器通过级联的一个全局平均池化模块、两个全连接层以及一个乘法器获取阈值，其中级联的两个全连接层后面均设置有一个激活函数，最后一级的全连接层后接sigmoid层作为激活函数，sigmoid层的输出通过乘法器与一维卷积器的输出相乘后得到软阈值器的阈值；软阈值器的输出作为通道注意力层的输入，通过通道注意力层得到补偿权重，输入时域子网模块的信号与该补偿权重相乘，完成对信号的补偿。

5.根据权利要求3所述的一种基于小波神经网络的VLC系统时频联合后均衡装置，其特征在于，频域子网模块包括频域子网和通道注意力模块，频域子网包括小波变换器以及三个级联的一维卷积器，小波变换后的数据输入三个级联的一维卷积器，其中级联的三个以为卷积器中，第一级的输出和第二级的输出进行拼接后作为第三级的输入，最后一级的一维卷积器的输出作为通道注意力层的输入，通过通道注意力层得到补偿权重，小波变换器的输出与该补偿权重相乘，完成对信号的补偿。

6.一种计算机设备，包括处理器和存储器，其特征在于，存储器中存储有计算机程序，处理器运行存储器中存储的计算机程序实现如权利要求1～2任一项所述的一种基于小波神经网络的VLC系统时频联合后均衡方法。