CN116155379A - 一种基于脉冲网络解调机制的矿井可见光通信系统及方法 - Google Patents

一种基于脉冲网络解调机制的矿井可见光通信系统及方法 Download PDF

Info

Publication number
CN116155379A
CN116155379A CN202310171856.4A CN202310171856A CN116155379A CN 116155379 A CN116155379 A CN 116155379A CN 202310171856 A CN202310171856 A CN 202310171856A CN 116155379 A CN116155379 A CN 116155379A
Authority
CN
China
Prior art keywords
pulse
mine
explosion
visible light
optical signal
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.)
Pending
Application number
CN202310171856.4A
Other languages
English (en)
Inventor
史晨琦
李涛
李建红
牛强
陈朋朋
翁泽城
杨丰企
李欣欣
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202310171856.4A priority Critical patent/CN116155379A/zh
Publication of CN116155379A publication Critical patent/CN116155379A/zh
Pending legal-status Critical Current

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
    • H04B10/11—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
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
    • E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
    • E21F17/18—Special adaptations of signalling or alarm devices
    • 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
    • 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
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

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

Abstract

本发明公开了一种基于脉冲网络解调机制的矿井可见光通信系统及方法，包括发射系统和接收系统，将发射系统和接收系统分别布设在矿井内，在发射系统和接受系统之间有调制和解调设备，应用了可见光通信载波调制技术，在发射系统发射光信号时，先采用OFDM方法对所需发射的光信号进行调制，调制后进行发射，接收系统接收到光信号后经过滤波去噪的初步处理后，transform block对光信号进行特征提取，并将提取后的光脉冲序列输入训练好的脉冲神经元电位动力学模型进行处理后，解码恢复成可读取的数据；本发明能适应矿井结构特性，并且能有效提高矿井光通信的质量，保证矿井下安全生产的通信要求。

Description

一种基于脉冲网络解调机制的矿井可见光通信系统及方法
技术领域
本发明涉及一种矿井可见光通信系统及方法，具体为一种基于脉冲网络解调机制的矿井可见光通信系统及方法，属于矿井通信领域。
背景技术
目前煤炭仍然是人类燃料资源来源最重要的部分。世界上大部分煤矿都是井下煤矿，煤矿开采的安全问题一直是矿井生产活动的重要问题，而如何加强安全生产、提高预警和事故后处理是目前诸多井下煤矿的当务之急。在开采过程中，随着开采程度的不断推进，矿井的深度不断增加，开采的危险程度也在不断增加。由于井下煤矿环境特殊，大多为巷道式并且很多煤矿伴生有其他金属矿，通过传统无线电的形式进行通信传输易受干扰，无法达到所需的通信效果，并且矿井属于防爆环境，无线电通过电磁波的形式发送容易在天线位置聚集能量容易造成危险且建造成本高。另外由于矿井位于地下，因此矿井各个位置均需要灯光24小时进行照明，如能将地面上利用LED灯作为照明设施进行光通信传输的方式引入矿井内，则不仅无需额外增设太多设备就能实现了矿井光通信系统，但是由于矿井内的结构特性，如直接采用地面上的光通信方式，则会导致通信过程中噪声多且精度低，最终无法满足矿井通信的要求。因此，如何提供一种用于矿井的可见光通信系统及方法，使其能适应矿井结构特性，从而能在矿井内进行光通信传输，并且能满足矿井通信的要求，是所需解决的技术问题。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于脉冲网络解调机制的矿井可见光通信系统及方法，能适应矿井结构特性，从而能在矿井内进行光通信传输，并且能满足矿井通信的要求。
为了实现上述目的，本发明采用的技术方案是：一种基于脉冲网络解调机制的矿井可见光通信系统，包括发射系统和接收系统；
所述发射系统包括多个防爆LED灯和控制器，防爆LED灯分别装在矿井下的各个位置处，控制器与各个防爆LED灯连接，用于控制防爆LED灯进行照明及通信；所述控制器内设有LED灯身份标识模块以及LED灯调制通信模块，LED灯身份标识模块用于对每个防爆LED灯进行标识编号，并分配给每个防爆LED灯独立的发射频段，LED灯调制通信模块用于对每个防爆LED灯所需发送的信号进行调制后传递给防爆LED灯进行可见光信号发射；
所述接收系统包括多个井下无人车，各个井下无人车分布在矿井下的各个位置处，每个井下无人车上均装有光信号解调装置和光电二极管阵列，光信号解调装置与光电二极管阵列连接，光电二极管阵列用于接收防爆LED灯发射的可见光信号并传递给光信号解调装置；光信号解调装置内设有光信号去噪模块、特征提取模块和自动解码模块；
所述光信号去噪模块用于将接收到的光信号进行初步滤波处理；所述特征提取模块用于将去噪后的光信号进行信号段提取；所述自动解码模块用于将提取的信号段进行解码恢复成可读取的数据。
进一步，所述防爆LED灯分别装在矿井下的煤矿运输大巷、井底车场、机电峒室、回风巷道和选煤厂。
进一步，所述每个井下无人车上装有两个光电二极管阵列，两个光电二极管阵列分别设置在井下无人车的前端和后端，用于接收来自车辆前后的可见光信号。
进一步，所述光电二极管阵列由2*5个光电二极管组成。
进一步，所述光信号解调装置为微型处理器。
上述基于脉冲网络解调机制的矿井可见光通信系统的工作方法，具体步骤为：
步骤一、在光信号解调装置内采用滤波算法作为信号去噪模块对接收到的光信号进行初步去噪处理；采用脉冲神经网络串联transform block的网络结构作为特征提取模块和自动解码模块，对光信号进行特征提取及自动解码处理后恢复成可读取的数据；将发射系统安装在矿井下各个位置处，并将多个井下无人车分布在矿井下的各个位置处，完成矿井可见光通信系统布设工作；
步骤二、在使用之前通过脉冲神经网络建立脉冲神经元电位动力学模型，采用transform block对光信号进行特征提取，获得多个光脉冲序列，然后将提取后的光脉冲序列输入脉冲神经元电位动力学模型并采用脉冲神经网络突触权重学习方法对模型进行训练，完成后获得所需的脉冲神经元电位动力学模型；
步骤三、开始进行可见光通信时，先通过LED灯身份标识模块对每个防爆LED灯进行标识编号，并分配给每个防爆LED灯独立的发射频段；然后LED灯调制通信模块根据各个编号及其对应发射频段的防爆LED灯，采用OFDM调制方法对各个防爆LED灯所需发射的光信号进行调制，完成调制后通过各个防爆LED灯进行可见光发射工作；
步骤四、各个井下无人车的光电二极管阵列能接受到其附近防爆LED灯发射的光信号，通过接受光信号的频段能确定发出该光信号的防爆LED灯编号，光电二极管阵列将接收的光信号传递给微型处理器，微型处理器先采用滤波算法对接收到的光信号进行初步去噪处理，然后经过transform block提取处理后的光信号，获得多个光脉冲序列，最后将多个光脉冲序列输入步骤二训练完成的脉冲神经元电位动力学模型进行处理后，解码恢复成可读取的数据，从而完成矿井可见光通信过程。
进一步，所述脉冲神经元电位动力学模型的训练过程具体为：
所述脉冲神经元电位动力学模型为漏电积分-放电模型，即LIF模型，这个模型工作过程与生物神经元充电、漏电、放电过程类似，LIF是基于生物神经元动力学特性简化后的数学模型。脉冲神经网络由脉冲神经元连接而成，设每个脉冲神经元内部电压为v，当没有接收到任何光脉冲输入时，电压v会随着时间指数稳定到平衡电压,这个过程用LIF模型描述为：
Figure BDA0004099601320000031
求解这个微分方程，能得到:
Figure BDA0004099601320000032
其中，c是任意常数，τ控制指数下降速率，τ越小v(t)指数变化到a越快，通过上述方程得出，初始时t＝0时刻v＝a-c，其中c取恰当的值就能使a-c等于脉冲神经元初始时刻电压，当t＝∞时v＝a，该方程控制了电压v随时间指数稳定到平衡电压a，由于上述方程为连续电压v(t)的变化方程，然而计算机只能模拟离散过程，取离散时间间隔为dt时，微分方程的离散形式为:
v(t+dt)＝β(v(t)-a)+a,其
Figure BDA0004099601320000033
另外，当某个时刻脉冲神经元接收到一个光脉冲输入时，则要累积该脉冲到电压中，将当前的电压加上某个值，该值与输入脉冲的突触权重有关，电压更新过程为:
v＝v+w
神经元内部设有一个发放阈值vt,当脉冲神经元电压v>vt时，脉冲神经元会发放一个脉冲，此后脉冲神经元电压会立刻置为静息电位:
v＝v rest
脉冲神经网络突触权重学习方法(STDP)是一个时序非对称形式的Hebb学习法则，是由突触前和突触后神经元峰值之间的紧密时间相关性影响的，具体公式为：
Figure BDA0004099601320000041
其中，
Figure BDA0004099601320000042
是突触后脉冲发放的时间，
Figure BDA0004099601320000043
是突触前脉冲发放的时间；W(x)即为STDP函数
W(x)＝A+exp(-x/τ+)for x>0
Figure BDA0004099601320000044
脉冲神经网络对于给定的多个输入光脉冲序列和多个目标光脉冲序列，寻找光脉冲神经网络合适的突触权值矩阵，使脉冲神经元的输出光脉冲序列与对应的目标光脉冲序列尽可能接近，即两者的误差评价函数最小，此时完成训练，获得所需的脉冲神经元电位动力学模型。
进一步，对获得所需的脉冲神经元电位动力学模型进行验证：
采用BCELoss损失函数确定模型的预测值f(x)与真实值Y的不一致程度，损失函数越小，则模型的鲁棒性越好，损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则项。
BCELoss是二分类的损失函数，BCELoss的公式为：
LOSS＝-(ylog(p(x)+(1-y)log(1-p(x))
其中p(x)是模型输出，y是真实标签；
BCELoss函数推导过程：
Figure BDA0004099601320000045
Figure BDA0004099601320000051
Figure BDA0004099601320000052
Figure BDA0004099601320000053
所以:
Figure BDA0004099601320000054
由于光信号的解调属于多标签分类问题，多标签分类中有多个类别，因此BCELoss函数的输出并不是一个值，而是输出一个向量，并且也不能继续将输出数据采用Softmax归一化到[0,1]的概率值，且各类别的概率相加为1。因为各类别之间不是互斥的，允许同时出现，故采用sigmoid激活函数分别将输出向量的每个元素转换为概率值，根据概率值确定模型的预测值f(x)与真实值Y的不一致程度，若未超过设定的阈值，则确定该模型达到所需要求，若超过设定的阈值，则重新对脉冲神经元电位动力学模型进行训练直至达到所需要求。
与现有技术相比，本发明包括发射系统和接收系统，将发射系统和接收系统分别布设在矿井内，在发射系统和接受系统之间有调制和解调设备，应用了可见光通信载波调制技术，在发射系统发射光信号时，先采用OFDM方法对所需发射的光信号进行调制，调制后进行发射，接收系统接收到光信号后经过滤波去噪的初步处理后，transform block对光信号进行特征提取，并将提取后的光脉冲序列输入训练好的脉冲神经元电位动力学模型进行处理后，解码恢复成可读取的数据；在对模型训练过程中采用了脉冲神经网络突触权重学习方法、BCELoss损失函数和sigmoid激活函数相结合的方式，最终使得训练形成的模型符合解码所需要求，从而本发明的系统及方法能适应矿井结构特性，并且能有效提高矿井光通信的质量，保证矿井下安全生产的通信要求，并且该方法无需额外设置较多设备即能实现，从而对矿道光通信普及具有推动作用。
附图说明
图1是本发明中可见光通信系统的布设示意图；
图2是本发明中可见光通信方法的流程原理图。
具体实施方式
下面将对本发明作进一步说明。
如图1所示，一种基于脉冲网络解调机制的矿井可见光通信系统，包括发射系统和接收系统；
所述发射系统包括多个防爆LED灯和控制器，防爆LED灯分别装在矿井下的煤矿运输大巷、井底车场、机电峒室、回风巷道和选煤厂。控制器与各个防爆LED灯连接，用于控制防爆LED灯进行照明及通信；所述控制器内设有LED灯身份标识模块以及LED灯调制通信模块，LED灯身份标识模块用于对每个防爆LED灯进行标识编号，并分配给每个防爆LED灯独立的发射频段，LED灯调制通信模块用于对每个防爆LED灯所需发送的信号进行调制后传递给防爆LED灯进行可见光信号发射；
所述接收系统包括多个井下无人车，各个井下无人车分布在矿井下的各个位置处，每个井下无人车上均装有光信号解调装置和光电二极管阵列，所述光信号解调装置为微型处理器。所述每个井下无人车上装有两个光电二极管阵列，两个光电二极管阵列分别设置在井下无人车的前端和后端，用于接收来自车辆前后的可见光信号。所述光电二极管阵列由2*5个光电二极管组成。光信号解调装置与光电二极管阵列连接，光电二极管阵列用于接收防爆LED灯发射的可见光信号并传递给光信号解调装置；光信号解调装置内设有光信号去噪模块、特征提取模块和自动解码模块；
所述光信号去噪模块用于将接收到的光信号进行初步滤波处理；所述特征提取模块用于将去噪后的光信号进行信号段提取；所述自动解码模块用于将提取的信号段进行解码恢复成可读取的数据。
如图2所示，上述基于脉冲网络解调机制的矿井可见光通信系统的工作方法，具体步骤为：
步骤一、在光信号解调装置内采用滤波算法作为信号去噪模块对接收到的光信号进行初步去噪处理；采用脉冲神经网络串联transform block的网络结构作为特征提取模块和自动解码模块，对光信号进行特征提取及自动解码处理后恢复成可读取的数据；将发射系统安装在矿井下各个位置处，并将多个井下无人车分布在矿井下的各个位置处，完成矿井可见光通信系统布设工作；
步骤二、在使用之前通过脉冲神经网络建立脉冲神经元电位动力学模型，采用transform block对光信号进行特征提取，获得多个光脉冲序列，然后将提取后的光脉冲序列输入脉冲神经元电位动力学模型并采用脉冲神经网络突触权重学习方法对模型进行训练，完成后获得所需的脉冲神经元电位动力学模型；所述训练过程具体为：
所述脉冲神经元电位动力学模型为漏电积分-放电模型，即LIF模型，这个模型工作过程与生物神经元充电、漏电、放电过程类似，LIF是基于生物神经元动力学特性简化后的数学模型。脉冲神经网络由脉冲神经元连接而成，脉冲神经元输入为脉冲，输出也是脉冲，脉冲神经元内部有电动势，在没有接收到任何输入时会随着时间指数衰减到某个稳定的电动势(平衡电压)，而某一时刻接收到输入脉冲时电动势会增加某个值，当电动势增加的速度快过衰减的速度时(如频繁有脉冲输入)，神经元内部的电动势会越来越大，直到达到某个发放阈值后该脉冲神经元会发放脉冲，此后脉冲神经元电动势迅速置为静息电动势。
设每个脉冲神经元内部电压为v，当没有接收到任何光脉冲输入时，电压v会随着时间指数稳定到平衡电压,这个过程用LIF模型描述为：
Figure BDA0004099601320000071
求解这个微分方程，能得到:
Figure BDA0004099601320000072
其中，c是任意常数，τ控制指数下降速率，τ越小v(t)指数变化到a越快，通过上述方程得出，初始时t＝0时刻v＝a-c，其中c取恰当的值就能使a-c等于脉冲神经元初始时刻电压，当t＝∞时v＝a，该方程控制了电压v随时间指数稳定到平衡电压a，由于上述方程为连续电压v(t)的变化方程，然而计算机只能模拟离散过程，取离散时间间隔为dt时，微分方程的离散形式为:
v(t+dt)＝β(v(t)-a)+a,其
Figure BDA0004099601320000073
另外，当某个时刻脉冲神经元接收到一个光脉冲输入时，则要累积该脉冲到电压中，将当前的电压加上某个值，该值与输入脉冲的突触权重有关，电压更新过程为:
v＝v+w
神经元内部设有一个发放阈值vt,当脉冲神经元电压v>vt时，脉冲神经元会发放一个脉冲，此后脉冲神经元电压会立刻置为静息电位:
v＝v rest
脉冲神经网络突触权重学习方法(STDP)是一个时序非对称形式的Hebb学习法则，是由突触前和突触后神经元峰值之间的紧密时间相关性影响的，具体公式为：
Figure BDA0004099601320000081
其中，
Figure BDA0004099601320000082
是突触后脉冲发放的时间，
Figure BDA0004099601320000083
是突触前脉冲发放的时间；W(x)即为STDP函数
W(x)＝A+exp(-x/τ+)for x>0
Figure BDA0004099601320000084
脉冲神经网络对于给定的多个输入光脉冲序列和多个目标光脉冲序列，寻找光脉冲神经网络合适的突触权值矩阵，使脉冲神经元的输出光脉冲序列与对应的目标光脉冲序列尽可能接近，即两者的误差评价函数最小，此时完成训练，获得所需的脉冲神经元电位动力学模型；
接着获得所需的脉冲神经元电位动力学模型进行验证：
采用BCELoss(二分类交叉熵损失)损失函数确定模型的预测值f(x)与真实值Y的不一致程度，损失函数越小，则模型的鲁棒性越好，损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则项。
BCELoss是二分类的损失函数，BCELoss的公式为：
LOSS＝-(ylog(p(x)+(1-y)log(1-p(x))
其中p(x)是模型输出，y是真实标签；
BCELoss函数推导过程：
Figure BDA0004099601320000085
Figure BDA0004099601320000086
Figure BDA0004099601320000087
Figure BDA0004099601320000088
所以:
Figure BDA0004099601320000089
由于光信号的解调属于多标签分类问题，多标签分类中有多个类别，因此BCELoss函数的输出并不是一个值，而是输出一个向量，并且也不能继续将输出数据采用Softmax归一化到[0,1]的概率值，且各类别的概率相加为1。因为各类别之间不是互斥的，允许同时出现，故采用sigmoid激活函数分别将输出向量的每个元素转换为概率值，Sigmoid函数为：
Figure BDA0004099601320000091
当x→∞时,S(x)→1；当x→-∞时,S(x)→0。
根据概率值确定模型的预测值f(x)与真实值Y的不一致程度，若未超过设定的阈值，则确定该模型达到所需要求，若超过设定的阈值，则重新对脉冲神经元电位动力学模型进行训练直至达到所需要求。
步骤三、开始进行可见光通信时，先通过LED灯身份标识模块对每个防爆LED灯进行标识编号，并分配给每个防爆LED灯独立的发射频段；然后LED灯调制通信模块根据各个编号及其对应发射频段的防爆LED灯，采用OFDM调制方法对各个防爆LED灯所需发射的光信号进行调制，完成调制后通过各个防爆LED灯进行可见光发射工作；其中OFDM调制方法(Orthogonal Frequency Division Multiplexing)为现有方法，由于OFDM调制方式可以进行如下表示，使sin(t)的幅度为a，sin(2t)的幅度为b，也就是将a调制于sin(t)，将b调制于sin(2t)，同时传输这两个调制了信号的正弦波(子载波)：a×sin(t)+b×sin(2t)，在接收时又分别对两路子载波进行积分，即
Figure BDA0004099601320000092
Figure BDA0004099601320000093
这样就可以将原始信息a和b解调出来了，两路子载波互不干扰。OFDM就通过多路互不干扰的子载波传递了不同的信息。
OFDM的基带信号表达式：
s(t)＝b0sin(2πf0t)+b1sin(2πf1t)+…+bN-1sin(2πfN-1t)
+a0cos(2πf0t)+a1cos(2πf1t)+…+aN-1cos(2πfN-1t)
故通过本发明的脉冲神经元电位动力学模型能对调制后的光信号进行自动解码；
步骤四、各个井下无人车的光电二极管阵列能接受到其附近防爆LED灯发射的光信号，通过接受光信号的频段能确定发出该光信号的防爆LED灯编号，光电二极管阵列将接收的光信号传递给微型处理器，微型处理器先采用现有滤波算法对接收到的光信号进行初步去噪处理，然后经过transform block提取处理后的光信号，获得多个光脉冲序列，Transform Block一共包括19种尺寸，与Block的尺寸比起来，可以相同或更小，最大可以达到64x64，最小可以是4x4，最后将多个光脉冲序列输入步骤二训练完成的脉冲神经元电位动力学模型进行处理后，解码恢复成可读取的数据，从而完成矿井可见光通信过程。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于脉冲网络解调机制的矿井可见光通信系统，其特征在于，包括发射系统和接收系统；
所述发射系统包括多个防爆LED灯和控制器，防爆LED灯分别装在矿井下的各个位置处，控制器与各个防爆LED灯连接，用于控制防爆LED灯进行照明及通信；所述控制器内设有LED灯身份标识模块以及LED灯调制通信模块，LED灯身份标识模块用于对每个防爆LED灯进行标识编号，并分配给每个防爆LED灯独立的发射频段，LED灯调制通信模块用于对每个防爆LED灯所需发送的信号进行调制后传递给防爆LED灯进行可见光信号发射；
所述接收系统包括多个井下无人车，各个井下无人车分布在矿井下的各个位置处，每个井下无人车上均装有光信号解调装置和光电二极管阵列，光信号解调装置与光电二极管阵列连接，光电二极管阵列用于接收防爆LED灯发射的可见光信号并传递给光信号解调装置；光信号解调装置内设有光信号去噪模块、特征提取模块和自动解码模块；
所述光信号去噪模块用于将接收到的光信号进行初步滤波处理；所述特征提取模块用于将去噪后的光信号进行信号段提取；所述自动解码模块用于将提取的信号段进行解码恢复成可读取的数据。
2.根据权利要求1所述基于脉冲网络解调机制的矿井可见光通信系统，其特征在于，所述防爆LED灯分别装在矿井下的煤矿运输大巷、井底车场、机电峒室、回风巷道和选煤厂。
3.根据权利要求1所述基于脉冲网络解调机制的矿井可见光通信系统，其特征在于，所述每个井下无人车上装有两个光电二极管阵列，两个光电二极管阵列分别设置在井下无人车的前端和后端，用于接收来自车辆前后的可见光信号。
4.根据权利要求1或3所述基于脉冲网络解调机制的矿井可见光通信系统，其特征在于，所述光电二极管阵列由2*5个光电二极管组成。
5.根据权利要求1所述基于脉冲网络解调机制的矿井可见光通信系统，其特征在于，所述光信号解调装置为微型处理器。
6.一种根据权利要求1至5任一项所述基于脉冲网络解调机制的矿井可见光通信系统的工作方法，其特征在于，具体步骤为：
步骤一、在光信号解调装置内采用滤波算法作为信号去噪模块对接收到的光信号进行初步去噪处理；采用脉冲神经网络串联transform block的网络结构作为特征提取模块和自动解码模块，对光信号进行特征提取及自动解码处理后恢复成可读取的数据；将发射系统安装在矿井下各个位置处，并将多个井下无人车分布在矿井下的各个位置处，完成矿井可见光通信系统布设工作；
步骤二、在使用之前通过脉冲神经网络建立脉冲神经元电位动力学模型，采用transform block对光信号进行特征提取，获得多个光脉冲序列，然后将提取后的光脉冲序列输入脉冲神经元电位动力学模型并采用脉冲神经网络突触权重学习方法对模型进行训练，完成后获得所需的脉冲神经元电位动力学模型；
步骤三、开始进行可见光通信时，先通过LED灯身份标识模块对每个防爆LED灯进行标识编号，并分配给每个防爆LED灯独立的发射频段；然后LED灯调制通信模块根据各个编号及其对应发射频段的防爆LED灯，采用OFDM调制方法对各个防爆LED灯所需发射的光信号进行调制，完成调制后通过各个防爆LED灯进行可见光发射工作；
步骤四、各个井下无人车的光电二极管阵列能接受到其附近防爆LED灯发射的光信号，通过接受光信号的频段能确定发出该光信号的防爆LED灯编号，光电二极管阵列将接收的光信号传递给微型处理器，微型处理器先采用滤波算法对接收到的光信号进行初步去噪处理，然后经过transform block提取处理后的光信号，获得多个光脉冲序列，最后将多个光脉冲序列输入步骤二训练完成的脉冲神经元电位动力学模型进行处理后，解码恢复成可读取的数据，从而完成矿井可见光通信过程。
7.一种根据权利要求6所述基于脉冲网络解调机制的矿井可见光通信系统的工作方法，其特征在于，所述步骤二中脉冲神经元电位动力学模型的训练过程具体为：
所述脉冲神经元电位动力学模型为漏电积分-放电模型，即LIF模型，脉冲神经网络由脉冲神经元连接而成，设每个脉冲神经元内部电压为v，当没有接收到任何光脉冲输入时，电压v会随着时间指数稳定到平衡电压,这个过程用LIF模型描述为：
Figure FDA0004099601310000021
求解这个微分方程，能得到:
Figure FDA0004099601310000031
其中，c是任意常数，τ控制指数下降速率，τ越小v(t)指数变化到a越快，通过上述方程得出，初始时t＝0时刻v＝a-c，其中c取恰当的值就能使a-c等于脉冲神经元初始时刻电压，当t＝∞时v＝a，该方程控制了电压v随时间指数稳定到平衡电压a，由于上述方程为连续电压v(t)的变化方程，然而计算机只能模拟离散过程，取离散时间间隔为dt时，微分方程的离散形式为:
v(t+dt)＝β(v(t)-a)+a,其
Figure FDA0004099601310000032
另外，当某个时刻脉冲神经元接收到一个光脉冲输入时，则要累积该脉冲到电压中，将当前的电压加上某个值，该值与输入脉冲的突触权重有关，电压更新过程为:
v＝v+w
神经元内部设有一个发放阈值vt,当脉冲神经元电压v>vt时，脉冲神经元会发放一个脉冲，此后脉冲神经元电压会立刻置为静息电位:
v＝v rest
脉冲神经网络突触权重学习方法是一个时序非对称形式的Hebb学习法则，是由突触前和突触后神经元峰值之间的紧密时间相关性影响的，具体公式为：
Figure FDA0004099601310000033
其中，
Figure FDA0004099601310000034
是突触后脉冲发放的时间，
Figure FDA0004099601310000035
是突触前脉冲发放的时间；W(x)即为STDP函数
W(x)＝A+exp(-x/τ+)for x>0
Figure FDA0004099601310000036
脉冲神经网络对于给定的多个输入光脉冲序列和多个目标光脉冲序列，寻找光脉冲神经网络合适的突触权值矩阵，使脉冲神经元的输出光脉冲序列与对应的目标光脉冲序列尽可能接近，即两者的误差评价函数最小，此时完成训练，获得所需的脉冲神经元电位动力学模型。
8.一种根据权利要求7所述基于脉冲网络解调机制的矿井可见光通信系统的工作方法，其特征在于，对获得所需的脉冲神经元电位动力学模型进行验证：
采用BCELoss损失函数确定模型的预测值f(x)与真实值Y的不一致程度，损失函数越小，则模型的鲁棒性越好；
BCELoss是二分类的损失函数，BCELoss的公式为：
LOSS＝-(ylog(p(x)+(1-y)log(1-p(x))
其中p(x)是模型输出，y是真实标签；
BCELoss函数推导过程：
Figure FDA0004099601310000041
Figure FDA0004099601310000042
Figure FDA0004099601310000043
Figure FDA0004099601310000044
所以:
Figure FDA0004099601310000045
由于光信号的解调属于多标签分类问题，多标签分类中有多个类别，因此BCELoss函数的输出并不是一个值，而是输出一个向量，最后采用sigmoid激活函数分别将输出向量的每个元素转换为概率值，根据概率值确定模型的预测值f(x)与真实值Y的不一致程度，若未超过设定的阈值，则确定该模型达到所需要求，若超过设定的阈值，则重新对脉冲神经元电位动力学模型进行训练直至达到所需要求。
CN202310171856.4A 2023-02-27 2023-02-27 一种基于脉冲网络解调机制的矿井可见光通信系统及方法 Pending CN116155379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310171856.4A CN116155379A (zh) 2023-02-27 2023-02-27 一种基于脉冲网络解调机制的矿井可见光通信系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310171856.4A CN116155379A (zh) 2023-02-27 2023-02-27 一种基于脉冲网络解调机制的矿井可见光通信系统及方法

Publications (1)

Publication Number Publication Date
CN116155379A true CN116155379A (zh) 2023-05-23

Family

ID=86356168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310171856.4A Pending CN116155379A (zh) 2023-02-27 2023-02-27 一种基于脉冲网络解调机制的矿井可见光通信系统及方法

Country Status (1)

Country Link
CN (1) CN116155379A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116906125A (zh) * 2023-09-06 2023-10-20 四川高速公路建设开发集团有限公司 基于数据同步传输算法的软岩隧道安全监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116906125A (zh) * 2023-09-06 2023-10-20 四川高速公路建设开发集团有限公司 基于数据同步传输算法的软岩隧道安全监测方法及系统
CN116906125B (zh) * 2023-09-06 2023-12-29 四川高速公路建设开发集团有限公司 基于数据同步传输算法的软岩隧道安全监测方法及系统

Similar Documents

Publication Publication Date Title
Angelov et al. Practical classification of different moving targets using automotive radar and deep neural networks
Qi et al. Convolutional neural network based detection and judgement of environmental obstacle in vehicle operation
CN116155379A (zh) 一种基于脉冲网络解调机制的矿井可见光通信系统及方法
Qian et al. Robust Chinese traffic sign detection and recognition with deep convolutional neural network
CN111461037B (zh) 一种基于fmcw雷达的端到端手势识别方法
US11227192B1 (en) System and method for data drift detection
CN110018447A (zh) 基于双谱分析与卷积神经网络的信号发射机个体识别方法
CN113469125B (zh) 多无人机协同信号识别方法及识别系统
CN113406579A (zh) 一种基于深度强化学习的伪装干扰波形生成方法
CN111985349B (zh) 一种雷达接收信号类型分类识别方法及系统
CN111474955B (zh) 无人机图传信号制式的识别方法、装置、设备及存储介质
CN109978028B (zh) 一种基于集成深度学习的特定辐射源识别方法
Mioulet et al. Gabor features for real-time road environment classification
Sagduyu et al. Multi-receiver task-oriented communications via multi-task deep learning
CN116894200A (zh) 一种基于卷积神经网络和注意力机制的无线电调频引信干扰信号识别方法
Sehgal et al. Automatic Radar Target Identification Using Radar Cross Section Fluctuations and Recurrent Neural Networks
KR102104312B1 (ko) 드론 플랫폼 기반 멀티 스펙트럼 영상의 인공 지능 분류 및 검색 장치
Rupanagudi et al. A video processing based lifi system using morse code based modulation
CN112528697B (zh) 一种基于离散傅里叶变换的led光条纹码检测方法
CN115223243A (zh) 手势识别系统与方法
CN113705646A (zh) 基于半监督元学习的射频细微特征信息提取方法及系统
CN113919400A (zh) 一种无人机目标信号识别方法
CN113242547A (zh) 一种基于深度学习的无线信号中用户行为隐私的滤除方法、系统及无线信号收发装置
Liao et al. LPI radar waveform recognition based on semi-supervised model all mean teacher
Xue et al. UAV signal recognition technology

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