一种基于K-DNN的非线性失真补偿算法及可见光通信装置制造方法及图纸

本发明专利技术属于可见光通信技术领域，具体为一种基于K‑DNN的非线性失真补偿算法及可见光通信装置。其提供非线性失真补偿算法，步骤包括：将经过自适应线性均衡器的串行信号转换为并行信号，作为特征向量输入核函数辅助的DNN均衡器；经K‑DNN训练，把特征向量归类于概率最大的类别，获得原始信号；本装置采用上述非线性失真补偿算法，结构包括：发射端和接收端，接收端通过处理芯片对信号进行离线处理，包括：采用S‑MCMMA的自适应后均衡器补偿线性失真；采用K‑DNN均衡和解映射进行非线性失真补偿，获得原始信号。本发明专利技术可以方便、高效补偿现有水下无线光通信中复杂的信道环境对信号造成的非线性失真，具有重要的实用意义。

【技术实现步骤摘要】
一种基于K-DNN的非线性失真补偿算法及可见光通信装置
本专利技术属于可见光通信
，具体涉及一种基于K-DNN的非线性失真补偿算法及可见光通信装置。
技术介绍
近年来，由于白光LED的快速发展，基于LED的可见光通信(VLC)技术的研究吸引了越来越多的科学家的关注。VLC具有高速，无电磁辐射，人眼安全和安全通信可靠性等优点。特别是，现有的水下无线通信方法(声学通信，射频通信)不能满足高速和长距离传输的需求。在基于LED的VLC中，由于蓝绿光的波长位于水的透射窗口(吸收系数小)，基于蓝/绿LED的VLC可实现相对长距离和高速的水下通信。同一时间。因此，基于LED的水下无线通信可能是未来高速水下通信网络的有前途的解决方案。然而，复杂的水下环境包括湍流，散射和扩散，这导致高度非线性的失真通道。因此，现有的线性均衡技术，例如递归最小二乘(RLS)，最小均值(LMS)和标量修正的级联多模算法(S-MCMMA)，不能有效地恢复非线性失真信号。因此，消除非线性恶化的有效方案对于实际的水下VLC系统是必不可少的。幸运的是，已经发现大量的机器学习算法是应对非线性过程的智能工具。作为机器学习的热门话题之一，深度学习(DNN)算法已广泛应用于人脸识别，语音识别和图像识别等领域。由于DNN具有以任意精度近似任意模型的能力，它可以作为对非线性失真信号的补偿器。即DNN可以通过训练过程自动找到输入特征与分类标签之间的关系。然而DNN均衡器的训练过程需要高达数千次的训练迭代次数，这非常占用系统的计算资源。因此提出一种具有较少训练迭代次数的DNN算法是非常有意义的。
技术实现思路
本专利技术的目的在于提供一种基于K-DNN的非线性失真补偿算法及可见光通信装置，用以补偿现有水下无线光通信中复杂的信道环境对信号造成的非线性失真。本专利技术首先提供一种用于光通信的非线性失真补偿算法，该方法是一种基于核函数辅助的DNN均衡器(记为K-DNN)的预加权方法；其步骤为：首先将经过自适应线性均衡器进行线性均衡后的串行信号转换为并行信号，作为特征向量输入K-DNN；经过K-DNN模型训练，把特征向量归类于概率最大的那个类别，获得原始信号；其中，K-DNN模型训练，采用交叉熵函数作为代价函数，通过反向传播算法对K-DNN中的参数进行迭代优化。具体的进一步介绍如下：所述的基于核函数辅助的DNN均衡器(记为K-DNN)，如图1所示，K-DNN包含一个输入层、一个核函数层、多个隐藏层、一个输出层以及一个Softmax分类层；所述输入层到核函数层之间的节点是一一对应的，即输入层中的一个输入节点仅将数据发送到核函数层中唯一与之对应的核节点；而核函数层到输出层之间的每一个节点的输出都会乘以一个权重被发送到下一层所有节点中，并最终达到Softmax层进行分类；权重的矩阵表示为Wl：其中，i和j分别代表当前层的第i个节点和下一层的第j个节点，l则代表第l个隐藏层(当l等于L+1的时候，l代表输出层)，L为隐藏层的总个数,m为当前层的节点数，n为下一次的节点数。经过自适应线性均衡器进行线性均衡后的串行信号被转换为并行信号后作为特征向量输入到K-DNN的输入层；非线性和符号间串扰(ISI)造成的失真导致中心信号会受到其在时序上相邻的数个信号的干扰。因此，与相邻的数个信号会被作为特征向量的元素并行输入到K-DNN的输入层。核函数层是K-DNN的第二层。在这层，采用核函数来加速DNN的训练过程。通过预先给临近中心信号的信号赋予更高的权重，达到预收敛的效果，从而减少DNN训练所需要的迭代次数。所述核函数包括：线性核(LK)、多项式核(PK)、余弦核(CK)，具体表达式为：线性核(LK):多项式核(PK):余弦核(CK):其中，σ为用于调节核函数的参量,t0为当前信号的时刻，t为临近信号的时刻。对于具有n个特征输入的网络，核函数K可以表示为一个幅度修正向量隐藏层夹在核函数层和输出层之间。其中第一隐藏层中的节点对前一层所有节点的输出求和，并作为节点的输入，然后将这一输入加上一个偏置这里，ki是核函数K的幅度修正向量的元素。在K-DNN中，使用Sigmoid作为激活函数，公式可以表达为f(x)＝max(0,x)，其中，x是与ReLU相连的节点的输出。因此，考虑到激活函数，所有隐藏层中的节点表达式为：输出层中，其节点数与发送信号的电平类别的数量相当，(例如，对于PAM8来说，N0＝8)。于是，经过Softmax层，得到分类结果，其表达为：例如，Lj＝-7,-5,-3,-1,1,3,5,7其中，Oi是输出层节点的输出，它的表达式为：然后，根据训练的模型，把特征向量x归类于概率最大的那个类别Lp。最后，采用交叉熵函数作为代价函数，通过反向传播算法对K-DNN中的超参数(Wl和bl)进行迭代优化[1]；获得原始信号。本专利技术还提供一种基于K-DNN的非线性失真补偿算法的可见光通信装置，该装置采用上述非线性失真补偿算法；其结构如图2所示，分为发射端和接收端。具体包括：数据预处理芯片；其功能包括：将原始比特序列被映射到实符号以形成PAM8信号；采用PS-Manchester编码用于缓解共模噪声，并提高系统性能；进行上采样和奈奎斯特滤波；任意波形发生器(AWG)；用于根据输入信号产生电信号；基于Bridged-T的硬件预均衡器；用于对输入电信号，补偿高频分量的衰减；具有2微型电路放大器(EA)、一个偏置三通组合、发射器、发射准直凸透镜；信号经EA放大后，电信号和直流偏置电压通过偏置三通组合并施加到LED灯上，LED光经发射器通过准直凸透镜进行准直；接收聚焦凸透镜、PIN光电二极管；在水下和自由空间传输之后，PAM8信号经聚焦凸透镜后由PIN光电二极管接收；电放大器EA、数字存储示波器(OSA)；信号由EA放大，并由数字存储示波器(OSA)接收，以便进行进一步的信号离线处理；离线处理芯片；其功能是对信号进行离线处理，包括，按顺序执行信号同步，功率归一化和下采样，以获得标准化的PAM8信号；采用差分解码，用于减轻共模噪声的影响；采用S-MCMMA的自适应后均衡器补偿线性失真；采用K-DNN均衡和解映射进行非线性失真补偿和分类，来获得原始信号。在数据预处理芯片中，原始比特序列被映射到实符号以形成PAM8信号，并采用PS-Manchester编码缓解共模噪声并提高系统性能。而后数据预处理芯片会对信号进行上采样和奈奎斯特滤波。处理后的信号输入到任意波形发生器(AWG)的通道中产生电信号。AWG生成的PAM8信号通过预均衡器对信号进行滤波，使其频谱符合可见光信道。通过微型电路放大器(EA)放大后，电信号和直流偏置电压通过Biastee组合并施加到硅基板LED灯的蓝色芯片上。在1.2米的水下和自由空间传输之后，在接收端，PAM8信号在接收器处采用商用的PIN光电二极管接收。接收到的信号由EA放大，并由数字存储示波器接收，以进行进一步的离线信号处理芯片对信号进行恢复解调。离线处理芯片按顺序执行信号同步，功率归一化、下采样以及差分解码(用于减轻共模噪声的影响)以获得标准化的接收信号。接下来，离线处理芯片采用自适应线性均衡算法(MCMMA)补偿信道对信号产生的线性失真。然而这个信号还有残余的非线性失真。然后，离线本文档来自技高网...

【技术保护点】
1.一种基于K‑DNN的非线性失真补偿算法，其特征在于，是采用核函数辅助的DNN均衡器进行预加权，基于核函数辅助的DNN均衡器记为K‑DNN；其步骤为：首先将经过自适应线性均衡器进行线性均衡后的串行信号转换为并行信号，作为特征向量输入K‑DNN；经过K‑DNN模型训练，把特征向量归类于概率最大的那个类别，获得原始信号；其中，K‑DNN模型训练，采用交叉熵函数作为代价函数，通过反向传播算法对K‑DNN中的参数进行迭代优化；其中：所述的K‑DNN包含一个输入层、一个核函数层、多个隐藏层、一个输出层以及一个Softmax分类层；所述输入层到核函数层之间的节点是一一对应的，即输入层中的一个输入节点仅将数据发送到核函数层中唯一与之对应的核节点；核函数层到输出层之间的每一个节点的输出都乘以一个权重

【技术特征摘要】
1.一种基于K-DNN的非线性失真补偿算法，其特征在于，是采用核函数辅助的DNN均衡器进行预加权，基于核函数辅助的DNN均衡器记为K-DNN；其步骤为：首先将经过自适应线性均衡器进行线性均衡后的串行信号转换为并行信号，作为特征向量输入K-DNN；经过K-DNN模型训练，把特征向量归类于概率最大的那个类别，获得原始信号；其中，K-DNN模型训练，采用交叉熵函数作为代价函数，通过反向传播算法对K-DNN中的参数进行迭代优化；其中：所述的K-DNN包含一个输入层、一个核函数层、多个隐藏层、一个输出层以及一个Softmax分类层；所述输入层到核函数层之间的节点是一一对应的，即输入层中的一个输入节点仅将数据发送到核函数层中唯一与之对应的核节点；核函数层到输出层之间的每一个节点的输出都乘以一个权重被发送到下一层所有节点中，并最终达到Softmax层进行分类；权重的矩阵表示为Wl：其中，i和j分别代表当前层的第i个节点和下一层的第j个节点，l则代表第l个隐藏层，当l等于L+1的时候，l代表输出层，L为隐藏层的总个数,m为当前层的节点数，n为下一次的节点数；经过自适应线性均衡器进行线性均衡后的串行信号被转换为并行信号后作为特征向量输入到K-DNN的输入层；非线性和符号间串扰(ISI)造成的失真导致中心信号受到其在时序上相邻的数个信号的干扰；因此，与相邻的数个信号被作为特征向量的元素并行输入到K-DNN的输入层；所述核函数层是K-DNN的第二层；在这层，采用核函数来加速DNN的训练过程；所述核函数包括：线性核(LK)、多项式核(PK)、余弦核(CK)，具体表达式为：线性核(LK):多项式核(PK):余弦核(CK):其中，σ为用于调节核函数的参量,t0为当前信号的时刻，t为临近信号的时刻；对于具有n个特征输入的网络，核函数K可以表示为一个幅度修正向量所述隐藏层夹在核函数层和输出层之间；其中第一隐藏层中的节点对前一层所有节点的输出求和，并作为节点的输入，然后将这一输...

【专利技术属性】
技术研发人员：迟楠，赵一衡，石蒙，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海,31