一种基于深度学习的日盲紫外光通信自适应信号检测方法技术

一种基于深度学习的日盲紫外光通信自适应信号检测方法，包括以下步骤：步骤1，日盲紫外光通信建模仿真；步骤2，信号时频图像处理；步骤3，紫外光传输信号特征提取；步骤4，设计基于卷积神经网络的信号检测模型；本发明专利技术利用深度学习的自主学习能力和优秀计算能力，解决了传统紫外光信号检测方法中存在的门限选择敏感、复杂环境适应性不强、需要大量先验信号信息等问题。将深度学习和无线紫外光信号检测相结合，从信号的频域特征角度进行分析，可以准确检测与识别特定目标信号，提高了通信系统的收发准确性和可靠性。收发准确性和可靠性。收发准确性和可靠性。

【技术实现步骤摘要】
一种基于深度学习的日盲紫外光通信自适应信号检测方法


[0001]本专利技术属于无线紫外光通信
，具体涉及一种基于深度学习的日盲紫外光通信信号检测方法。

技术介绍

[0002]无线紫外光通信是一种基于大气粒子散射的新型无线通信技术，利用波段为200～280nm的日盲紫外光作为信息传输载体，具有全天候、短距离、安全、抗干扰及操作灵活等潜在优势。经过两百多年的不断探索研究，紫外光通信技术已经可以成功应用于非直视等特殊的应用场景中。
[0003]日盲紫外光信号在大气中传输时，在受到大气吸收和散射作用的同时，还会受到湍流的影响。湍流效应会使大气的运动速度、温度、折射率在时间和空间两个方面发生随机起伏现象，其中折射率的起伏会直接影响光信号的传播特性。湍流引起的光束闪烁会使光信号中出现背景噪声，进而减小接收信噪比，导致紫外光通信的误码率增加。湍流效应引发的光束抖动现象会使光波偏离接收孔径，降低信号强度。大气粒子的散射和吸收会使光信号传播途中发生较为明显的多径效应，对信号本身造成脉冲展宽，严重时会发生码间干扰现象，这会导致误码率增大，甚至是信息误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的日盲紫外光通信自适应信号检测方法，其特征在于，包括以下步骤：步骤1，日盲紫外光通信建模仿真：综合考虑大气中的散射效应和湍流效应，通过推导非直视紫外光通信的湍流模型公式，利用仿真软件构建湍流大气中的紫外光传输模型，分析不同参数对随机湍流介质中单散射辐照度的影响；步骤2，信号时频图像处理：利用短时傅里叶变换对紫外光传输信号进行时频分析，获取信号时频图，将信号时频图的图像数据作为神经网络的输入，为后续的卷积神经网络信号检测过程提供基础；步骤3，紫外光传输信号特征提取：经过步骤2中的信号时频处理，提取用来检测识别的特征参数，通过数学变换将高维数据空间压缩成低维数据空间，对目标信号存在与否进行特征提取，用于后续精确完成分类匹配任务；步骤4，设计基于卷积神经网络的信号检测模型：搭建卷积神经网络学习模型，输入为经过处理后的信号时频图像，输出为是否有信号的二分类模型，采用的神经网络用于监督学习中的分类任务，主要有离线训练过程和在线测试过程。2.根据权利要求1所述的一种基于深度学习的日盲紫外光通信自适应信号检测方法，其特征在于，所述的步骤1，散射效应选用非直视单次散射信道表征日盲紫外光通信中的散射效应，即发射端发射的光子在公共散射体中仅收到一次散射就传到接收端，非直视通信方式选择NLOS(c)类模式，收发端的仰角都为不定值且小于90度，这种通信方式的视角重叠区域是有限的，可支持较大的带宽；主要考虑晴天时的大气散射，由于空气中的气溶胶浓度较低，大气分子主要发生瑞利散射，瑞利散射系数由下式表示：式中n(λ)为大气折射率，N
A
为大气粒子浓度，d(x)为粒子的有效平均直径。3.根据权利要求1所述的一种基于深度学习的日盲紫外光通信自适应信号检测方法，其特征在于，所述的步骤1的湍流效应，针对大多数湍流强度较弱的情况，采用对数正态分布来表示光强闪烁的概率分布，其对数起伏幅度为高斯分布，概率密度函数为：式中，E[X]和分别代表随机变...

【专利技术属性】
技术研发人员：赵太飞，吕鑫喆，张海军，王玮，苏芊芊，张爽，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：