一种基于小波神经网络的VLC系统时频联合后均衡方法技术方案

本发明专利技术属于可见光通信中数字信号处理领域，特别涉及一种基于小波神经网络的VLC系统时频联合后均衡方法，包括在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡器进行非线性补偿，得到均衡后的PAM信号，所述基于小波神经网络的时频联合后均衡器包括时域子网、频域子网、通道注意力模块以及输出层，其中时域子网和频域子网分别用于提取时域和频域的特征，并将提取的特征输入通道注意力模块获取时域分量、频域分量的补偿权重，在输出层通过时域分量、频域分量及其分别对应补偿权重计算获取均衡后的信号；本发明专利技术联合时域和频域特征来补偿信号在传输过程中产生的非线性损伤，降低系统的误码率，提高系统的传输性能。统的传输性能。统的传输性能。

【技术实现步骤摘要】
一种基于小波神经网络的VLC系统时频联合后均衡方法


[0001]本专利技术属于可见光通信中数字信号处理领域，特别涉及一种基于小波神经网络的VLC系统时频联合后均衡方法。

技术介绍

[0002]可见光通信(Visible light communications，VLC)是指通过调制主要用于照明的可见光谱中的光来传输信息的光无线通信技术。基于发光二极管(LED)的可见光通信技术因其低成本、高安全性、无电磁污染、频谱无需授权等优势成为一项备受关注、极具潜力的技术。
[0003]在可见光通信的发展过程中，逐渐分化出了不同的研究侧重点：光学材料、高阶调制、均衡技术和复用技术。本专利集中于均衡技术方面。在可见光通信中，信号通过调制经过LED灯发出，经自由空间到达接收端后。在这个过程中，由于LED固有特性、信道的噪声等影响，会使得信号发生线性和非线性失真。现有的均衡技术，例如递归最小二乘(RLS)，最小均值(LMS)和恒模盲均衡算法(CMA)等，只能处理信号的出现的线性失真，如码间串扰(ISI)，不能解决信号中的非线性失真。所幸的是，神经网络已经成功应用于可见光信号均衡技术并取得了一定的成效。专利“一种可见光通信方法、装置、系统及计算机可读存储介质(申请号CN202110528061.5)”提出使用人工神经网络对光电探测器产生的电信号进行均衡，再经信号处理得到原始数据，从而实现信号补偿。专利“一种基于可见光通信方法及设备(申请号CN201910984473.2)”提出将光信号转换成数字信号，然后输入深度神经网络进行非线性均衡，从而实现信号补偿。上述专利都属于将时域信号结合神经网络来进行信号均衡，考虑了信号的时域特征，即信号随时间如何变化。但是信号的固有特性不仅仅包括时域，来自信号频域的信息也可以提供有价值的信息。此外，上述网络模型的设计都是采用全连接的堆叠实现，单纯的增加网络的拟合能力，很容易过拟合。专利“一种水下可见光通信系统的盲检测方法(申请号CN202110469738.2)”提出将时域信号做傅里叶变换转换成频域信号，然后输入到神经网络中学习，最终消除信号的失真问题，实现信号均衡。该专利使用了傅里叶变换获取频域信息，取得了不错的效果，但是傅里叶变换在进行时频转换时存在一定的不足，对于频率随时间变化的非平稳信号，傅里叶变换有局限性。它只能获取信号上包含哪些频率成分，但是对各个频率成分出现的时刻并无所知。

技术实现思路

[0004]为了补偿传输过程中产生的非线性损伤，降低系统的误码率，提高系统的传输性能，本专利技术提出一种基于小波神经网络的VLC系统时频联合后均衡方法，包括在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡器进行非线性补偿，得到均衡后的PAM信号，所述基于小波神经网络的时频联合后均衡器包括时域子网、频域子网、通道注意力模块以及输出层，其中时域子网和频域子网分别用于提取时域和频域的特征，并将提取的特征输入通道注意力模块获取时域分量、频域分量的补偿权重，在输出层通
过将时域分量、频域分量与对应的补偿权重相乘后求和，最后输入一个一维卷积层变换维度后，输出均衡后的信号。
[0005]进一步的，时域子网包括一维卷积器和软阈值器，其中一维卷积器用于通过卷积操作提取时域信号的特征，提取的特征作为软阈值器的输入；软阈值器通过级联的一个全局平均池化模块、两个全连接层以及一个乘法器获取阈值，其中级联的两个全连接层中，前一个全连接层后接激活层，后一个全连接层后接sigmoid层，sigmoid层的输出通过乘法器与一维卷积器的输出相乘后得到软阈值器的阈值。
[0006]进一步的，频域子网包括小波变换器以及三个级联的一维卷积器，小波变换后的数据输入三个级联的一维卷积器，其中级联的三个一维卷积器中，第一级的输出和第二级的输出进行拼接后作为第三级的输入。
[0007]进一步的，通道注意力模块获取时域分量、频域分量的补偿权重，即时域子网和频域子网的输出经过通道注意力层，获取各自的权重，通道注意力层计算权重的过程包括：
[0008][0009]其中，w表示通过通道注意力层计算得到的补偿权重；e为自然常数，z
i
为第i个通道的输出值，C为输出的通道数。
[0010]进一步的，对基于小波神经网络的时频联合后均衡器的训练过程包括：
[0011]将接收端的信号样本及其对应的发送端收到的信号样本按照7:3的比例分别作为训练样本和验证样本；
[0012]设置滑动窗口大小，并根据滑动窗口大小将训练样本和验证样本进行切分；
[0013]初始化基于小波神经网络的时频联合后均衡器的模型参数，并设置训练次数的上限；
[0014]进行训练时，将训练样本中接收端收到的数据输入基于小波神经网络的时频联合后均衡器，得到均衡后的信号；
[0015]计算得到的均衡信号与该信号对应的发送端的数据之间的损失；
[0016]判断是否达到最大训练次数，如果达到则保留模型参数，完成训练；否则将验证样本输入模型进行训练，若连续n次模型的准确率没有提升，则保存当前模型参数，完成训练；
[0017]否则利用计算得到的均衡信号与该信号对应的发送端的数据之间的损失，反向传播并更新网络模型的参数，进行下一次模型的训练。
[0018]本专利技术提出一种基于小波神经网络的VLC系统时频联合后均衡装置，包括时域子网模块、频域子网模块以及输出模块，其中时域子网模块用于对输入的畸变信号进行时域补偿；频域子网模块用于对输入的畸变信号进行频域补偿；输出模块用于将通过时域子网模块、频域子网模块补偿后的信号相加后通过一个一维卷积层获取均衡后的信号。
[0019]本专利技术提出一种计算机设备，包括处理器和存储器，存储器中存储有计算机程序，处理器运行存储器中存储的计算机程序实现前述一种基于小波神经网络的VLC系统时频联合后均衡方法。
[0020]本专利技术提出一种计算机程序，该程序实现前述一种基于小波神经网络的VLC系统时频联合后均衡方法。
[0021]本专利技术根据可见光信号的特点，从时频的角度出发进行信号的补偿，即考虑信号的时域特征，又考虑信号的频域特征，即使用现有的小波变换技术进行时域转换，获取信号的频域信息，然后将时域特征、频域特征输入到对应的时域子网、频域子网中进行学习，经通道注意力层得到时域、频域特征的补偿权重，最后将补偿权重乘以对应的输入并经过输出层得到最终的均衡信号。
附图说明
[0022]图1为本专利技术的采用基于小波神经网络的时频联合后均衡方法的PAM
‑
VLC系统拓补图；
[0023]图2为本专利技术的基于小波神经网络VLC系统时频联合后均衡方法网络结构图；
[0024]图3为本专利技术的小波变换示例图；
[0025]图4为本专利技术的网络训练流程图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，包括在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡器进行非线性补偿，得到均衡后的PAM信号，所述基于小波神经网络的时频联合后均衡器包括时域子网、频域子网、通道注意力模块以及输出层，其中时域子网和频域子网分别用于提取时域和频域的特征，并将提取的特征输入通道注意力模块获取时域分量、频域分量的补偿权重，在输出层通过将时域分量、频域分量与对应的补偿权重相乘后求和，最后输入一个一维卷积层变换维度后，输出均衡后的信号。2.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，时域子网包括一维卷积器和软阈值器，其中一维卷积器用于通过卷积操作提取时域信号的特征，提取的特征作为软阈值器的输入；软阈值器通过级联的一个全局平均池化模块、两个全连接层以及一个乘法器获取阈值，其中级联的两个全连接层中，前一个全连接层后接ReLU激活层，后一个全连接层后接sigmoid层，sigmoid层的输出通过乘法器与一维卷积器的输出相乘后得到软阈值器的阈值。3.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，频域子网包括小波变换器以及三个级联的一维卷积器，小波变换后的数据输入三个级联的一维卷积器，其中级联的三个一维卷积器中，第一级的输出和第二级的输出进行拼接后作为第三级的输入。4.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，通道注意力模块获取时域分量、频域分量的补偿权重，即时域子网和频域子网的输出经过通道注意力层，获取各自的权重，通道注意力层计算权重的过程包括：其中，w表示通过通道注意力层计算得到的补偿权重；e为自然常数，z
i
为第i个通道的输出值，C为输出的通道数。5.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，对基于小波神经网络的时频联合后均衡器的训练过程包括：将接收端的信号样本及其对应的发送端收到的信号样本按照7:3的比例分别作为训练样本和验证样本；设置滑动窗口大小，并根据滑动窗口大小将训练样本和验证样本进行切分；初始化基于小波神经网络的时频联合后均衡器的模型参数，并设置训练次数的上限；进行训练时，将训练样本中接收端收到的数据输入基于小波神经网络的时频联合后均衡器，得到均衡后的...

【专利技术属性】
技术研发人员：陈翔，卢星宇，刘宴兵，冉玉林，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：