基于深度学习的光正交频分复用调制方法与系统技术方案

本发明专利技术提供的基于深度学习的光正交频分复用调制方法，包括信号发射过程和信号接收过程，包括：训练构建具有神经网络结构的自动编码器，包括自动编码器发射端和自动编码器接收端；将待发送信号输入自动编码器发射端中进行信号预处理，得到预处理信号；对预处理信号进行OFDM调制，可得到正实信号，经VLC信道进行发射；信号接收端由VLC信道接收调制信号并进行OFDM解调，得到OFDM解调信号；将OFDM解调信号输入自动编码器接收端中进行解调，还原出待发送信号。本发明专利技术还提供应用该方法的系统，通过构建具有神经网络结构的自动编码器，在满足VLC系统正实数限制的同时，用较低的复杂度获取了高的系统性能增益，大幅度地降低了信号峰均功率比PAPR。

Modulation method and system of optical orthogonal frequency division multiplexing based on deep learning

【技术实现步骤摘要】
基于深度学习的光正交频分复用调制方法与系统
本专利技术涉及可见光通信
，更具体的，涉及一种基于深度学习的光正交频分复用调制方法与系统。
技术介绍
近年来，可见光通信(VisibleLightCommunication，VLC)技术作为传统无线通信技术的一种重要补充，受到了学术界和工业界的广泛关注。VLC技术使用白光LED配置，可同时实现照明和通信，具有高速率、高带宽、频谱无需授权、绿色环保、价格低廉等诸多优点[1][2]。VLC系统一般使用光强调制和直接检测(IntensityModulation/DirectDetection，IM/DD)技术，其信号调制在光载波的瞬时强度上，因此仅支持正实数信号的传输[1][3]。此外，正交频分复用(OrthogonalFrequencyDivisionMultiplexing，OFDM)具有高速率、低码间串扰、可使用简单的频域均衡等诸多优点，可以与VLC无缝结合[1][4]。为了兼容IM/DD技术，传统OFDM需要经过适配才可用于VLC系统中，形成光OFDM(OpticalOFDM，OOFD本文档来自技高网...

【技术保护点】
1.基于深度学习的光正交频分复用调制方法，包括信号发射过程和信号接收过程，其特征在于，包括以下步骤：/nS1：构建并训练具有神经网络结构的自动编码器，包括自动编码器发射端和自动编码器接收端；/nS2：信号发射端将待发送信号输入自动编码器发射端中进行信号预处理，得到预处理信号；/nS3：对预处理信号进行OFDM调制，得到的正实调制信号经VLC信道进行发射，完成信号发射过程；/nS4：信号接收端由VLC信道接收调制信号并进行OFDM解调，得到OFDM解调信号；/nS5：将OFDM解调信号输入自动编码器接收端中进行解调，还原出待发送信号，完成信号的接收过程。/n

【技术特征摘要】
1.基于深度学习的光正交频分复用调制方法，包括信号发射过程和信号接收过程，其特征在于，包括以下步骤：
S1：构建并训练具有神经网络结构的自动编码器，包括自动编码器发射端和自动编码器接收端；
S2：信号发射端将待发送信号输入自动编码器发射端中进行信号预处理，得到预处理信号；
S3：对预处理信号进行OFDM调制，得到的正实调制信号经VLC信道进行发射，完成信号发射过程；
S4：信号接收端由VLC信道接收调制信号并进行OFDM解调，得到OFDM解调信号；
S5：将OFDM解调信号输入自动编码器接收端中进行解调，还原出待发送信号，完成信号的接收过程。


2.根据权利要求1所述的基于深度学习的光正交频分复用调制方法，其特征在于，在所述步骤S1中，通过混合损失函数对自动编码器进行训练；所述混合损失函数包括L1、L2和L3三部分损失函数，具体为：
为了有效评估输出正交幅度调制QAM符号的差错程度，采用均方误差作为损失函数L1，具体表达式为：



其中：s为输入符号矢量，为输出符号矢量，||·||2表示矢量的2-范数，N表示子载波的数量；L1反映了输出符号与输入符号之间的均方误差；为了使OFDM输入x满足正实数限制且减小信号峰均功率比PAPR，采用修正线性单元ReLU函数对负值部分和幅值超过参考值的信号进行惩罚，则损失函数L2具体表达式为：



其中：||·||1表示矢量的1-范数，而ReLU(·)函数定义为：
ReLU(x)＝max{x,0}(3)
另外，式(2)中的sref是信号参考峰值，具体为：



其中，参数PAPRref代表信号的PAPR参考值，根据需求进行调整取值；另外，为了使得训练更为平滑，引入损失函数L3，具体表示为：



其中，其中ε为正常数，用于防止当x取值过小时，影响训练效果；所述的混合损失函数将上述三个部分的损失函数组合起来，得到的表达式为：
Loss＝L1+λ1L2+λ2L3(6)
其中，Loss表示混合损失函数，λ1,λ2＞0用于平衡各部分损失函数对整体系统的影响比例。


3.根据权利要求2所述的基于深度学习的光正交频分复用调制方法，其特征在于，在所述步骤S2中，所述的待发送信号为已调制的QAM符号序列；将QAM符号输入自动编码器发射端中，输出N/2路复数符号，记为X＝[X0,X1,...,XN/2-1]，其中N表示子载波的数量，完成信号的预处理过程，得到预处理信号。


4.根据权利要求3所述的基于深度学习的光正交频分复用调制方法，其特征在于，所述步骤S3具体包括以下步骤：
S31：对X进行赫米特对称HS变换得到则有：



其中，Re{·}和Im{·}分别表示实部与虚部，(·)*表示共轭复数；
S32：进行快速傅里叶反变换IFFT得到实数信号x，表示为：



S33：对实数信号经过加入循环前缀CP、数模转换DAC、信号下界与上界削波进行削波处理，完成OFDM调制；
S34：将调制完成的信号通过发光二极管向VLC信道中进行发射，经过自动编码器发射端处理后的PAPR具体表示为：





5.根据权利要求4所述的基于深度学习的光正交频分复用调制方法，其特征在于，所述步骤S4具体为：信号接收端经过VLC信道的信号通过光电检测器PD检测后进行模数转换ADC、循环前缀移除处理后，在经过快速傅里叶变换FFT变化得到OFDM解调信号。


6.根据权利要求5所述的基于深度学习的光正交频分复用调制方法，其特征在于，所述自动编码器发射端和自动编码器接收端均由全连接神经网络FCNN和卷积神经网络CNN级联而成，其中，FCNN由两层以上全连接层构成，也称稠密层，稠密层具体表示为：
z＝σ(Wp+b)(10)
其中，p表示稠密层的...

【专利技术属性】
技术研发人员：江明，徐建勋，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44