激光通信干扰消除方法、装置及计算机可读存储介质制造方法及图纸

本申请公开了一种激光通信干扰消除方法、装置及计算机可读存储介质。其中，方法应用于多输入单输出的激光通信系统，激光通信系统的发射端将包括导频数据和待发送信息的发射数据发送给接收端，从接收端采集其接收到的数据作为接收数据集，接收数据集包括与导频数据对应的训练数据，和与待发送信息对应的待处理数据。将训练数据作为预先构建的长短期记忆网络模型的输入，导频数据作为目标输出对长短期记忆网络模型进行训练；将待处理数据输入至训练好的长短期记忆网络模型中，模型输出数据即为消除干扰的通信数据，不仅在未知信道信息与延迟信息的情况下有效消除了激光通信系统的干扰，而且对实施环境要求不高且整个方法流程操作简单便捷。

【技术实现步骤摘要】
激光通信干扰消除方法、装置及计算机可读存储介质
本申请涉及激光通信
，特别是涉及一种激光通信干扰消除方法、装置及计算机可读存储介质。
技术介绍
随着信息技术快速发展，数据通信速率需求也与日俱增，传统的射频通信已经不能满足高速率的现实需求，激光通信技术得到了飞速发展。在激光通信系统中，激光通信过程会受到大气湍流与指向误差等因素的影响，这些因素都会造成光信号接收端的功率起伏与相位畸变。尤其是在大气环境中，由于大气湍流的折射效应引起接收端功率起伏和相位的畸变，而指向误差会增大接收端功率起伏的方差，进一步损伤接收性能。为了对抗大气湍流、指向误差对激光通信系统的影响，相关技术采用分集技术用来抵抗功率起伏。常用的分集技术包括时间分集、频率分集、空间分集等。其中，空间分集应用于多输入多输出系统(multi-input-multi-output，MIMO)，由于多条路径都经历衰落的概率远小于单条路径经历衰落的概率，从而可提升激光通信系统的可靠性。不同于传统的射频通信，在强度调制直接探测的系统中，重复码的性能优于空时码(orthogonalspace-timeblockcodes，OSTBC)，并且二者均可以获得满分集阶数。考虑多输入单输出系统在不同发射端与同一个接收端之间的光程差会造成严重的码间串扰。比如，若光速是3E8米/秒，15厘米的光程差可以会造成0.5纳秒的延迟，这对于速率为1Gbps数据速率的激光通信系统来说是致命的。多输入单输出系统(multi-input-single-output，MISO)干扰消除的方法可以分成三类，分别是基于OSTBC设计的时域方法，采用频域补偿的频域方法和均衡方法。时域方法需要不同发射孔径的信号延迟是信号周期的整数倍，这种苛刻的条件很难满足，实用性较差。频域方法需要接收端已知时延值，需要与时延估计的方法相结合，会增加复杂度。而均衡方法可以在未知信道信息与延迟信息的情况下消除激光通信系统的干扰，对实施环境要求不高且整个方法流程操作简单便捷，可以克服时域方法和频域方法的弊端。鉴于此，如何基于均衡方法来消除激光通信系统的干扰，是所属领域技术人员需要解决的技术问题
技术实现思路
本申请提供了一种激光通信干扰消除方法、装置及计算机可读存储介质，有效消除激光通信系统的干扰，对实施环境要求不高且整个方法流程操作简单便捷。为解决上述技术问题，本专利技术实施例提供以下技术方案：本专利技术实施例一方面提供了一种激光通信干扰消除方法，应用于多输入单输出的激光通信系统，包括：从所述激光通信系统的接收端采集接收数据集，所述接收数据集包括训练数据和待处理数据；所述训练数据为发射端的发射数据中的导频数据被所述接收端接收到的数据，所述待处理数据为所述发射端的发射数据中的待发送信息被所述接收端接收到的数据；以所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型；将所述待处理数据输入至训练好的长短期记忆网络模型中，得到所述长短期记忆网络模型的输出数据以作为消除干扰的通信数据。可选的，所述发射数据被分为多组，各组数据长度均为N；对每个分组，前A个数据为所述导频数据，后N-A个数据为所述待发送消息；所述从所述激光通信系统的接收端采集接收数据集之后，还包括：按照所述接收端的数据接收时间顺序对所述接收数据集进行分组处理，每组数据长度为N；将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为所述训练数据，后N-A列数据作为所述待处理数据。可选的，所述将所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型包括：将所述训练数据和所述导频数据分别作为所述长短期记忆网络模型的输入和输出，采用梯度反向传播方法同时选择均方误差作为损失函数训练所述长短期记忆网络模型。可选的，所述长短期记忆网络模型的训练结束条件为：若所述损失函数小于10-4，则完成模型训练；或是若所述长短期记忆网络模型进行了60次循环没有收敛，则停止模型训练。可选的，所述长短期记忆网络模型包括输入层、隐含层、LSTM层和输出层；所述输入层的输出与所述LSTM层的输入相连，所述LSTM层的输出与所述输出层的输入相连；所述隐含层的神经元总数和所述激光通信系统的发射端总数相同，所述输入层包含p个神经元，所述输出层包含1个神经元；所述输入层的激活函数为sigmoid激活函数σ，所述LSTM层的输入pk为pk＝σ(HI·Ik+JI)；所述输出层的激活函数为线性函数Ψ，所述输出层的输出Ok为Ok＝Ψ(Ho·hk+Jo)，式中，Ik为第k时刻所述输入层的输入，HI为所述输入层的权重，JI为所述输入层的阈值，Ho为所述输出层的权重，Jo为所述输出层的阈值，hk为所述LSTM层的输出。可选的，所述LSTM层包括输入门、遗忘门和输出门；所述LSTM层第k时刻的内容ck为ck＝fk⊙ck-1+ik⊙tanh(Wcpk+Uchk-1+bc)，所述LSTM层第k时刻的输出hk为hk＝ok⊙tanh(ck)；所述输入门在第k时刻的输出ik为ik＝σ(Wipk+Uihk-1+bi)；所述遗忘门在第k时刻的输出fk为fk＝σ(Wfpk+Ufhk-1+bf)；所述输出门在第k时刻的输出ok为ok＝σ(Wopk+Uohk-1+bo)；式中，Wf、Wi、Wo分别为所述LSTM层在第k时刻的输入pk分别在所述遗忘门、所述输入门和所述输出门的权重值，Uf、Ui、Uo分别为所述LSTM层在第k-1时刻的输出hk-1分别在所述遗忘门、所述输入门和所述输出门的权重值，bf、bi、bo分别为所述遗忘门、所述输入门和所述输出门的阈值，ck-1所述LSTM层第k-1时刻的内容，Wc、Uc分别为所述LSTM层的内容ck的在输入部分、循环部分对应的权重值，bc分别为所述LSTM层的内容ck的阈值。本专利技术实施例另一方面提供了一种激光通信干扰消除装置，应用于多输入单输出的激光通信系统，包括：数据采集处理模块，用于从所述激光通信系统的接收端采集接收数据集，所述接收数据集包括训练数据和待处理数据；所述训练数据为发射端的发射数据中的导频数据被所述接收端接收到的数据，所述待处理数据为所述发射端的发射数据中的待发送信息被所述接收端接收到的数据；模型训练模块，用于将所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型；干扰消除模块，用于将所述待处理数据输入至训练好的长短期记忆网络模型中，得到所述长短期记忆网络模型的输出数据以作为消除干扰的通信数据。可选的，所述数据采集处理模块还用于：按照所述接收端的数据接收时间顺序对所述接收数据集进行分组处理，每组数据长度为N；将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为所述训练数据，后N-A列数据作为所述待处理数本文档来自技高网...

【技术保护点】
1.一种激光通信干扰消除方法，其特征在于，应用于多输入单输出的激光通信系统，包括：/n从所述激光通信系统的接收端采集接收数据集，所述接收数据集包括训练数据和待处理数据；所述训练数据为发射端的发射数据中的导频数据被所述接收端接收到的数据，所述待处理数据为所述发射端的发射数据中的待发送信息被所述接收端接收到的数据；/n以所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型；/n将所述待处理数据输入至训练好的长短期记忆网络模型中，得到所述长短期记忆网络模型的输出数据以作为消除干扰的通信数据。/n

【技术特征摘要】
1.一种激光通信干扰消除方法，其特征在于，应用于多输入单输出的激光通信系统，包括：
从所述激光通信系统的接收端采集接收数据集，所述接收数据集包括训练数据和待处理数据；所述训练数据为发射端的发射数据中的导频数据被所述接收端接收到的数据，所述待处理数据为所述发射端的发射数据中的待发送信息被所述接收端接收到的数据；
以所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型；
将所述待处理数据输入至训练好的长短期记忆网络模型中，得到所述长短期记忆网络模型的输出数据以作为消除干扰的通信数据。


2.根据权利要求1所述的激光通信干扰消除方法，其特征在于，所述发射数据被分为多组，各组数据长度均为N；对每个分组，前A个数据为所述导频数据，后N-A个数据为所述待发送消息；所述从所述激光通信系统的接收端采集接收数据集之后，还包括：
按照所述接收端的数据接收时间顺序对所述接收数据集进行分组处理，每组数据长度为N；
将每组数据分别以移位矩阵形式进行表示，并将移位矩阵的前A列数据作为所述训练数据，后N-A列数据作为所述待处理数据。


3.根据权利要求2所述的激光通信干扰消除方法，其特征在于，所述将所述训练数据作为预先构建的长短期记忆网络模型的输入，所述导频数据作为目标输出训练所述长短期记忆网络模型包括：
将所述训练数据和所述导频数据分别作为所述长短期记忆网络模型的输入和输出，采用梯度反向传播方法同时选择均方误差作为损失函数训练所述长短期记忆网络模型。


4.根据权利要求3所述的激光通信干扰消除方法，其特征在于，所述长短期记忆网络模型的训练结束条件为：
若所述损失函数小于10-4，则完成模型训练；或是
若所述长短期记忆网络模型进行了60次循环没有收敛，则停止模型训练。


5.根据权利要求1至4任意一项所述的激光通信干扰消除方法，其特征在于，所述长短期记忆网络模型包括输入层、隐含层、LSTM层和输出层；所述输入层的输出与所述LSTM层的输入相连，所述LSTM层的输出与所述输出层的输入相连；所述隐含层的神经元总数和所述激光通信系统的发射端总数相同，所述输入层包含p个神经元，所述输出层包含1个神经元；
所述输入层的激活函数为sigmoid激活函数σ，所述LSTM层的输入pk为pk＝σ(HI·Ik+JI)；所述输出层的激活函数为线性函数Ψ，所述输出层的输出Ok为Ok＝Ψ(Ho·hk+Jo)，
式中，Ik为第k时刻所述输入层的输入，HI为所述输入层的权重，JI为所述输入层的阈值，Ho为所述输出层的权重，Jo为所述输出层的阈值，hk为所述LSTM层的输出。


6.根据权利要求5所述的激光通信干扰消除方...

【专利技术属性】
技术研发人员：李亚添，耿天文，高世杰，李学良，马爽，李林，田若彤，王一诺，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：吉林;22