CN207835454U - 一种基于可见光通信的神经网络均衡器 - Google Patents
一种基于可见光通信的神经网络均衡器 Download PDFInfo
- Publication number
- CN207835454U CN207835454U CN201720892303.8U CN201720892303U CN207835454U CN 207835454 U CN207835454 U CN 207835454U CN 201720892303 U CN201720892303 U CN 201720892303U CN 207835454 U CN207835454 U CN 207835454U
- Authority
- CN
- China
- Prior art keywords
- module
- visible light
- light communication
- neural net
- data
- 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.)
- Expired - Fee Related
Links
Landscapes
- Optical Communication System (AREA)
Abstract
本实用新型公开了一种基于可见光通信的神经网络均衡器,包括依次连接的可见光通信发射子系统、可见光通信传输子系统和可见光通信接收子系统;可见光通信发射子系统包括:数据采集模块、数据编码模块、LED驱动模块和LED发射器件;数据编码模块的一端与数据采集模块连接;所述数据编码模块的另一端与LED驱动模块的一端相连;LED驱动模块的另一端与LED发射器件相连;可见光通信接收子系统包括:光电检测器件、接收电路模块、神经网络均衡器和数据解码模块;接收电路模块的一端与光电检测器件相连;接收电路模块的另一端与神经网络均衡器的一端相连;神经网络均衡器的另一端与数据解码模块的一段相连。具有系统传输速率高等优点。
Description
技术领域
本发明涉及一种可见光通信技术,特别涉及一种基于可见光通信的神经网络均衡器。
背景技术
近年来,被誉为“绿色照明”的半导体照明技术迅速发展。与传统的白炽灯等照明光源相比,LED具有低功耗、寿命长、尺寸小、绿色环保等优点。与此同时,LED更具有调制性能好、响应灵敏度高等优势。将信号以人眼无法识别的高频加载到LED上进行传输,进而催生出一门能够实现照明与通信一体化的技术——可见光通信。
与传统的红外和无线通信相比,可见光通信具有发射功率高、无电磁干扰、无需申请频谱资源和信息的保密性等优点。然而,可见光通信中仍然面临着不少的问题,其中最大的挑战之一是LED有限的调制带宽。一般的荧光粉LED调制带宽只有几兆赫兹,VLC数据传输速率受到限制。为了提升传输速率,除了从LED的结构、驱动电路的设计上拓展带宽;还可以通过不同的调制方式来提高系统整体带宽。然而却大大地增加了可见光通信系统的复杂程度。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供一种基于可见光通信的神经网络均衡器,该神经网络均衡器克服了由于 LED调制带宽的限制而导致的码间干扰的问题,在减少系统复杂性的同时,提高了系统的数据传输速率,实现VLC系统的高速通信。
本发明的目的通过以下技术方案实现:一种基于可见光通信的神经网络均衡器,可应用于可见光通信系统,所述可见光通信系统包括可见光通信发射子系统10,可见光通信传输子系统20和可见光通信接收子系统30。所述可见光通信发射子系统10包括数据采集模块11,数据编码模块12,LED驱动模块13和LED发射器件14。
进一步地,所述数据采集模块11负责原始信号的采集并传输给数据编码模块12;所述数据编码模块12负责数据的编码处理,并将编码之后数据传输给LED驱动模块13;所述LED驱动模块13产生驱动电流并驱动LED发射器件14产生可见光信号。
所述传输子系统20为自由空间。
所述接收子系统30包括光电检测器件31,接收电路模块32,神经网络均衡器33和数据解码模块34。进一步地,所述光电检测器件 31将LED发射器件14发出的可见光信号转换为电信号,并传输给接收电路模块32。进一步地,所述接收电路模块32一端与光电检测器件31相连,所述接收电路模块的另一端与神经网络均衡器33一端相连;进一步地,所述接收电路模块32包括放大电路模块321,滤波电路模块322和AD模数转换模块323;进一步地,所述放大电路模块321对可见光信号进行放大,所述滤波电路模块322对所接收信号的高频噪声进行滤除,所述AD模数转换模块323将模拟信号转换为数字信号,并传输给神经网络均衡器33。进一步地,所述神经网络均衡器33包括神经网络输入层331,神经网络隐含层332,神经网络输出层333;所述神经网络隐含层332,由多个神经元3321组成;所述神经元3321并行,且每个神经元3321都与神经网络输入层331 的所有抽头相连,所述神经网络均衡器33负责对信号进行均衡化处理,并将处理之后的数据传输给数据解码模块34解码得到所需信号。
进一步地,所述神经元(3321)的输入与输出关系可由以下关系式描述:
式中,z(k)为所述神经元(3321)的输出;wi,j(k)是连接输入层 (331)第i个神经元的输出信号ui(k)与隐含层(332)第j个神经元的输入信号之间的加权系数,其中,j=1,2,…,N表示总共有N个隐含层节点;每个常数bj是第i个隐含层的偏差值,也称为门限;f{·}为隐含层节点的激活函数。
进一步地,所述的神经元均衡器33,使用反向传播BP算法进行学习训练,包括以下步骤:
步骤1:初始化神经元均衡器的阈值;
步骤2:指定输入向量x(n)与输出向量d(n);
步骤3:根据输入向量计算实际输出向量y(n),然后计算成本函数E(n);
步骤4:若E(n)大于指定值,根据公式 更新神经元均衡器的阈值,返回步骤32;否则,神经元均衡器训练完成。
式中,ωij(n)代表第n次训练的连接加权值,ωij(n+1)代表第 n+1次训练的连接加权值,γ代表学习速率,表示微分运算。
传统可见光通信由于发光二极管(LED)调制带宽的限制约束着可见光通信系统的传输速率,为此,本发明基于神经网络非线性映射的能力,提出一种基于可见光通信的神经网络均衡器,对由于LED窄带宽而产生码间干扰的信号进行分类恢复,从而对LED信道进行补偿,恢复受损信号,实现信道均衡。
与现有技术相比,本发明具有以下优点和有益效果:
1、利用人工神经网络作为信道均衡器,仅需使用训练数据对神经网络进行训练,并不需要对信道环境进行分析,使系统的实现更加简单。
2、利用神经网络强大的非线性特性,可以有效的解决因LED带宽限制造成的码间干扰问题,大大提高VLC系统的传输速率。
3、无需使用复杂的调制解调技术与LED加工工艺来增加VLC系统的传输速率,减少系统的成本的同时提高系统的传输速率。
附图说明
图1为本发明的可见光通信系统原理框图。
图2为本发明的接收电路模块框图。
图3为本发明的神经网络均衡器的结构图。
图4为本发明的神经网络节点的示意图。
图5为本发明的神经网络BP算法原理图。
具体实施方式
下面结合实例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种基于可见光通信的神经网络均衡器,应用于可见光通信系统,所述可见光通信系统包括可见光通信发射子系统10,可见光通信传输子系统20和可见光通信接收子系统30。所述可见光通信发射子系统10包括数据采集模块11,数据编码模块12,LED驱动模块13和LED发射器件14。
所述数据采集模块11负责原始信号的采集并传输给数据编码模块12;所述数据编码模块12负责数据的编码处理,并将编码之后数据传输给LED驱动模块13;所述LED驱动模块13产生驱动电流并驱动LED发射器件14产生可见光信号。
所述传输子系统20为自由空间。
所述接收子系统30包括光电检测器件31,接收电路模块32,神经网络均衡器33和数据解码模块34。所述光电检测器件31将LED 发射器件14发出的可见光信号转换为电信号,并传输给接收电路模块32。所述接收电路模块32一端与光电检测器件31相连,所述接收电路模块的另一端与神经网络均衡器33一端相连;如图2所示,所述接收电路模块32包括放大电路模块321,滤波电路模块322和 AD模数转换模块323;所述放大电路模块321对可见光信号进行放大,所述滤波电路模块322对所接收信号的高频噪声进行滤除,所述 AD模数转换模块323将模拟信号转换为数字信号,并传输给神经网络均衡器33;所述神经网络均衡器33负责对信号进行均衡化处理,并将处理之后的数据传输给数据解码模块34解码得到所需信号。
如图3所示,所述神经网络均衡器33包括神经网络输入层331,神经网络隐含层332,神经网络输出层333;所述神经网络隐含层332,由多个神经元3321组成;所述神经元3321并行,且每个神经元3321 都与神经网络输入层331的所有抽头相连,
如图4所示,所述神经元(3321)的输入与输出关系可由以下关系式描述:
式中,z(k)为所述神经元(3321)的输出;wi,j(k)是连接输入层 (331)第i个神经元的输出信号ui(k)与隐含层(332)第j个神经元的输入信号之间的加权系数,其中,j=1,2,…,N表示总共有N个隐含层节点;每个常数bj是第i个隐含层的偏差值,也称为门限;f{·}为隐含层节点的激活函数。
如图5所示,所述的神经元均衡器33,使用反向传播BP算法进行学习训练,包括以下步骤:
步骤1:初始化神经元均衡器的阈值;
步骤2:指定输入向量x(n)与输出向量d(n);
步骤3:根据输入向量计算实际输出向量y(n),然后计算成本函数E(n);
步骤4:若E(n)大于指定值,根据公式 更新神经元均衡器的阈值,返回步骤32;否则,神经元均衡器训练完成。
式中,ωij(n)代表第n次训练的连接加权值,ωij(n+1)代表第 n+1次训练的连接加权值,γ代表学习速率,表示微分运算。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种基于可见光通信的神经网络均衡器,其特征在于,包括依次连接的可见光通信发射子系统(10)、可见光通信传输子系统(20)和可见光通信接收子系统(30);所述可见光通信发射子系统(10)包括:数据采集模块(11)、数据编码模块(12)、LED驱动模块(13)和LED发射器件(14);所述数据编码模块(12)的一端与数据采集模块(11)连接;所述数据编码模块(12)的另一端与LED驱动模块(13)的一端相连;所述LED驱动模块(13)的另一端与LED发射器件(14)相连;所述可见光通信传输子系统(20)为自由空间;所述可见光通信接收子系统(30)包括:光电检测器件(31)、接收电路模块(32)、神经网络均衡器(33)和数据解码模块(34);所述接收电路模块(32)的一端与光电检测器件(31)相连;所述接收电路模块(32)的另一端与神经网络均衡器(33)的一端相连;所述神经网络均衡器(33)的另一端与数据解码模块的一段相连;所述接收电路模块(32)包括依次连接的放大电路模块(321)滤波电路模块(322)和AD模数转换模块(323);
所述数据采集模块(11)采集原始信号并通过数据编码模块(12)进行编码处理之后控制LED驱动模块(13)产生驱动电流,驱动LED发射器件(14)发射可见光信号;所述光电检测器件(31)接收LED发射器件(14)发出的可见光信号,并将可见光信号转换为电信号传输给接收电路模块(32);所述接收电路模块的放大电路模块(321)用于将接收到的电信号放大,滤波电路模块(322)用于将高频噪声干扰滤除,AD模数转换模块(323)用于将模拟信号转换为数字信号,并传输给神经网络均衡器(33);所述神经网络均衡器(33),利用分类器的原理,对接收信号进行均衡恢复,再将恢复之后的接收信号通过数据解码模块(34)解码以得到所需数据。
2.根据权利要求1所述的基于可见光通信的神经网络均衡器,其特征在于:所述神经网络均衡器(33)采用多层感知器结构对接受信号进行均衡处理,所述神经网络均衡器(33)包括神经网络输入层(331)、神经网络隐含层(332)和神经网络输出层(333)。
3.根据权利要求2所述的基于可见光通信的神经网络均衡器,其特征在于:所述神经网络输入层(331)具有系列延迟抽头;所述神经网络隐含层(332)具有若干个神经元(3321);所述若干个神经元(3321)并行,并且每个神经元(3321)都与神经网络输入层(331)的所有抽头相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201720892303.8U CN207835454U (zh) | 2017-07-21 | 2017-07-21 | 一种基于可见光通信的神经网络均衡器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201720892303.8U CN207835454U (zh) | 2017-07-21 | 2017-07-21 | 一种基于可见光通信的神经网络均衡器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN207835454U true CN207835454U (zh) | 2018-09-07 |
Family
ID=63383932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201720892303.8U Expired - Fee Related CN207835454U (zh) | 2017-07-21 | 2017-07-21 | 一种基于可见光通信的神经网络均衡器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN207835454U (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107342814A (zh) * | 2017-07-21 | 2017-11-10 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
CN109347555A (zh) * | 2018-09-19 | 2019-02-15 | 北京邮电大学 | 一种基于径向基函数神经网络的可见光通信均衡方法 |
CN109450553A (zh) * | 2018-09-20 | 2019-03-08 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109905170A (zh) * | 2019-01-17 | 2019-06-18 | 复旦大学 | 一种基于k-dnn的非线性失真补偿算法及可见光通信装置 |
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 |
CN111342896A (zh) * | 2020-03-02 | 2020-06-26 | 深圳市南科信息科技有限公司 | 基于卷积神经网络的自编码算法及其mimo可见光通信系统 |
-
2017
- 2017-07-21 CN CN201720892303.8U patent/CN207835454U/zh not_active Expired - Fee Related
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107342814A (zh) * | 2017-07-21 | 2017-11-10 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
CN109347555A (zh) * | 2018-09-19 | 2019-02-15 | 北京邮电大学 | 一种基于径向基函数神经网络的可见光通信均衡方法 |
CN109450553A (zh) * | 2018-09-20 | 2019-03-08 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109450553B (zh) * | 2018-09-20 | 2020-07-07 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109905170A (zh) * | 2019-01-17 | 2019-06-18 | 复旦大学 | 一种基于k-dnn的非线性失真补偿算法及可见光通信装置 |
CN109905170B (zh) * | 2019-01-17 | 2021-09-17 | 复旦大学 | 一种基于k-dnn的非线性失真补偿算法及可见光通信装置 |
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 |
CN111342896A (zh) * | 2020-03-02 | 2020-06-26 | 深圳市南科信息科技有限公司 | 基于卷积神经网络的自编码算法及其mimo可见光通信系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN207835454U (zh) | 一种基于可见光通信的神经网络均衡器 | |
CN107342814A (zh) | 一种基于可见光通信的神经网络均衡器 | |
Lee et al. | Deep learning framework for wireless systems: Applications to optical wireless communications | |
CN104158632B (zh) | 用于可见光通信系统的可变脉冲幅度位置调制和误码率改善方法 | |
CN105099553B (zh) | 一种基于神经元网络的可见光通信接收方法及其系统 | |
CN106921470A (zh) | 一种基于神经元网络的可见光通信接收方法及其接收系统 | |
CN109905170B (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 | |
Wang et al. | Experimental study on visible light communication based on LED | |
CN108494710A (zh) | 基于bp神经网络的可见光通信mimo抗扰降噪方法 | |
CN109347555A (zh) | 一种基于径向基函数神经网络的可见光通信均衡方法 | |
CN103957056A (zh) | 兼容智能手机的可见光通信系统 | |
CN111786724A (zh) | 基于深度学习的多波长led水下可见光通信调制方法 | |
Ulkar et al. | VLCnet: Deep learning based end-to-end visible light communication system | |
Ahmed et al. | Experimental demonstration of continuous sensor data monitoring using neural network-based optical camera communications | |
CN108833013A (zh) | 一种可见光收发方法及系统 | |
CN106452580A (zh) | 一种兼容智能手机摄像头的可见光通信编码方法及其系统 | |
Li et al. | Convolution-enhanced LSTM neural network post-equalizer used in probabilistic shaped underwater VLC system | |
CN206061004U (zh) | 基于Lifi技术的监控装置数据传输系统 | |
CN113141214B (zh) | 基于深度学习的水下光通信失准鲁棒盲接收机设计方法 | |
CN206728021U (zh) | 一种可见光通信系统 | |
CN106130637A (zh) | 一种基于led的可见光通信系统和方法 | |
CN116131948A (zh) | 基于可见光通信的Gray-GSM星座构建方法、装置、终端及介质 | |
CN208386714U (zh) | 基于its-vlc的像素间干扰消除系统 | |
CN111917471B (zh) | 一种自由空间可见光通信系统及其通信性能优化算法 | |
Mijwil | High speed transmission of signal level for white light emitting diode (LED) as a transmitter device by using modified phase equalization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180907 Termination date: 20190721 |
|
CF01 | Termination of patent right due to non-payment of annual fee |