一种基于信道预测的自由空间光通信的自适应解调方法技术

本发明专利技术涉及一种基于信道预测的自由空间光通信的自适应解调方法，属于自由空间光通信领域，本发明专利技术包括大气衰减预测机制，湍流分类机制，自适应解调机制。大气衰减预测机制根据天气特征参数可提前获取大气衰减程度，进而在发送端进行功率补偿。湍流分类机制根据接收光信号的幅度抖动判断当前信道湍流范围，选择合适的自适应解调器。自适应解调机制采用神经网络模型，比传统解调器解调性能更优秀。本发明专利技术可以大幅度提高FSO通信系统在信道条件未知下的解调能力，从而提高系统的可靠性。从而提高系统的可靠性。从而提高系统的可靠性。

【技术实现步骤摘要】
一种基于信道预测的自由空间光通信的自适应解调方法


[0001]本专利技术属于自由空间光通信领域，涉及一种基于信道预测的自由空间光通信的自适应解调方法。

技术介绍

[0002]随着宽带业务的日益丰富,客户规模不断扩大，传统的射频(Radio Frequency，RF)通信出现了带宽不足的问题，已经无法满足人民对于大容量通信的需求。而FSO是一种以激光为信号载体，以自由空间为传输介质的新型通信方式。它具有无需频谱许可证背景、成本低廉、带宽高、安全保密性强、传输速率高、系统尺寸小、重量轻、建造和维护费用低等优势，可以很好的弥补传统射频通信的不足，除此之外，无线光通信可以适应复杂地理条件下的通信。能够满足灾后应急通信、卫星通信、军事通信的需求，所以对通信领域具有重要意义。
[0003]由于大气分子无规则运动产生的大气湍流效应会导致光学折射率随机起伏，使激光在传输过程中发生光强闪烁、到达角起伏、相位起伏、光斑漂移、光束扩展等湍流效应。湍流降低了传输光束的相干性，影响了光束汇聚及准直效果，导致无法完美的进行激光传输，严重影响了激光通信系统的功率。光强闪烁是影响通信性能的最主要因素，它会导致接收端接收信号强度下降到判决门限以下，增大了通信系统的误码率，当光强闪烁效应强烈时，甚至会中断当前通信。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种面向FSO通信系统大气湍流及大气衰减的基于神经网络的自适应解调方法。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于信道预测的自由空间光通信的自适应解调方法，包括以下步骤：
[0007]S1：建立配备天气特征传感器的FSO通信系统，获取大气衰减原始数据集，数据包括发射光功率、接收光功率、天气特征参数；
[0008]S2：构建基于自适应损失函数和注意力机制的LSTM神经网络模型；
[0009]S3：将步骤S1获取的大气衰减原始数据集处理为大气衰减预测数据集，训练所述LSTM神经网络模型；
[0010]S4：建立接收光功率稳定的FSO通信系统，获取神经网络自适应解调器和湍流分类的原始数据集，数据包括湍流强度、发送序列、接收信号；
[0011]S5：构建基于Adam和Dropout优化算法的FSO通信系统神经网络解调器模型；
[0012]S6：将步骤S4获取的原始数据集处理为神经网络自适应解调器的数据集；设置仿真参数对步骤S5所述的模型进行训练，得到不同湍流下的神经网络解调器模型：DL
a1
解调器、DL
a2
解调器、DL
a3
解调器；
[0013]S7：将不同湍流强度下的数据集应用于DL
a1
解调器、DL
a2
解调器、DL
a3
解调器并计算
误码率；某湍流强度下误码率最低的神经网络自适应解调器称为该湍流下的最优解调器，将DL
a1
解调器所对应的湍流集合称为DL
a1
类，DL
a2
解调器所对应的湍流集合称为DL
a2
类，DL
a3
解调器所对应的湍流集合称为DL
a3
类；
[0014]S8：构建基于Bi
‑
LSTM的分类模型；
[0015]S9：将步骤S4获得的数据和步骤S7获取的湍流分类组合成数据集；设置仿真参数对所述基于Bi
‑
LSTM的分类模型进行训练，获得根据接收信号对湍流进行分类的Bi
‑
LSTM模型；
[0016]S10：采用基于Bi
‑
LSTM神经网络模型对接收信号进行分类，获取分类后采用对应的神经网络解调器进行解调，获取实际解调结果。
[0017]进一步，步骤S1中所述配备天气特征传感器的FSO通信系统包括发送机和接收机，调制方式为二进制启闭键控(On
‑
OffKeying，OOK)，分别在不同天气特征下进行通信，记录下发射光功率、接收光功率、天气特征参数；所述天气特征参数包括温度、压强、能见度、湿度。
[0018]进一步，所述基于自适应损失函数和注意力机制的LSTM神经网络模型包括1个注意力层、2个LSTM层、1个全连接层；
[0019]训练所述LSTM神经网络模型的输入为前5个时间段气象参数，输出为后5个时间段接收光功率，其中训练数据集为所述大气衰减预测数据集的80％，测试数据集为所述大气衰减预测数据集的20％；输入表示为：
[0020][0021]y＝[RSSI1RSSI2RSSI3RSSI4RSSI5](2)
[0022]预测模型以x作为输入，以接收到的光功率y作为输出，其中，P表示压力[Pa]、T表示空气温度[℃]、V表示能见度[m]和H表示相对湿度[％]；接收光功率基于这些参数预测，y为目标值。发射光功率和接收光功率采用以下公式计算大气衰减：
[0023][0024]其中Lbs表示大气衰减，G
outputpower
表示输出光功率，G
receivedpower
表示接收光功率，d表示传输距离。
[0025]进一步，步骤S4中，使FSO通信系统在不同信道条件下进行通信，根据步骤S3获取的大气衰减预测模型，提前获取大气衰减程度并在发送端光放大器进行补偿，使接收端接收光功率保持稳定；记录下发送序列、接收光强度、湍流强度，根据以下公式发送信号：
[0026]x(t)＝A(t)cos(2πf
c
t),m＝1,
…
,M,1≤t≤T(4)
[0027]其中t是时间，A(t)是OOK调制信号序列，T是信号周期；
[0028]在接收机处，根据以下公式计算接收信号y(t)：
[0029]y(t)＝g(t)x(t)+n(t)(5)
[0030]其中t是时间，单位为秒，g(t)是大气湍流造成的乘性噪声以及大气引起的衰减，x(t)是信号，n(t)是光电探测器引起的噪声。
[0031]进一步，所述基于Adam和Dropout优化算法的FSO通信系统神经网络解调器模型包括1个卷积层、1个最大池化层、1个平滑层和2个全连接层；
[0032]接收光信号通过光电探测器转换为电信号，经过低通滤波器和数字模拟转换器后，将所述接收光信号y(t)由模拟信号转换到数字信号，其中y＝[y1,y2,
…
y
NL
]T
为总采样数字信号序列，是第n个采样点，n取值为1～N，N是一个周期内的采样点数，L为训练信号周期数。
[0033]进一步，步骤S6中每比特选择信噪比最高处的采样点构成新序列Y＝[y1,y2,
…
,y
N
]，根据以下公式归一化[0,1]区间：
[0034][0035]进一步，步骤S6中，建立在不同湍流强度下进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信道预测的自由空间光通信的自适应解调方法，其特征在于：包括以下步骤：S1：建立配备天气特征传感器的FSO通信系统，获取大气衰减原始数据集，数据包括发射光功率、接收光功率、天气特征参数；S2：构建基于自适应损失函数和注意力机制的LSTM神经网络模型；S3：将步骤S1获取的大气衰减原始数据集处理为大气衰减预测数据集，训练所述LSTM神经网络模型；S4：建立接收光功率稳定的FSO通信系统，获取神经网络自适应解调器和湍流分类的原始数据集，数据包括湍流强度、发送序列、接收信号；S5：构建基于Adam和Dropout优化算法的FSO通信系统神经网络解调器模型；S6：将步骤S4获取的原始数据集处理为神经网络自适应解调器的数据集；设置仿真参数对步骤S5所述的模型进行训练，得到不同湍流下的神经网络解调器模型：DL
a1
解调器、DL
a2
解调器、DL
a3
解调器；S7：将不同湍流强度下的数据集应用于DL
a1
解调器、DL
a2
解调器、DL
a3
解调器并计算误码率；某湍流强度下误码率最低的神经网络自适应解调器称为该湍流下的最优解调器，将DL
a1
解调器所对应的湍流集合称为DL
a1
类，DL
a2
解调器所对应的湍流集合称为DL
a2
类，DL
a3
解调器所对应的湍流集合称为DL
a3
类；S8：构建基于Bi
‑
LSTM的分类模型；S9：将步骤S4获得的数据和步骤S7获取的湍流分类组合成数据集；设置仿真参数对所述基于Bi
‑
LSTM的分类模型进行训练，获得根据接收信号对湍流进行分类的Bi
‑
LSTM模型；S10：采用基于Bi
‑
LSTM神经网络模型对接收信号进行分类，获取分类后采用对应的神经网络解调器进行解调，获取实际解调结果。2.根据权利要求1所述的神经网络支持的自由空间光通信的自适应解调方法，其特征在于：步骤S1中所述配备天气特征传感器的FSO通信系统包括发送机和接收机，调制方式为二进制启闭键控OOK，分别在不同天气特征下进行通信，记录下发射光功率、接收光功率、天气特征参数；所述天气特征参数包括温度、压强、能见度、湿度。3.根据权利要求1所述的神经网络支持的自由空间光通信的自适应解调方法，其特征在于：所述基于自适应损失函数和注意力机制的LSTM神经网络模型包括1个注意力层、2个LSTM层、1个全连接层；训练所述LSTM神经网络模型的输入为前5个时间段气象参数，输出为后5个时间段接收光功率，其中训练数据集为所述大气衰减预测数据集的80％，测试数据集为所述大气衰减预测数据集的20％；输入表示为：
y＝[RSSI1RSSI2RSSI3RSSI4RSSI5](2)预测模型以x作为输入，以接收到的光功率y作为输出，其中，P表示压力[Pa]、T表示空气温度[oC]、V表示能见度[m]和H表示相对湿度[％]；接收光功率基于这些参数预测，y为目标值；发射光功率和接收光功率采用以下公式计算大气衰减：其中Lbs表示大气衰减，G
outputpower
表示输出光功率，G
receivedpower
表示接收光功率，d表示传输距离。4.根据权利要求1所述的神经网络支持的自由空间光通信的自适应解调方法，其特征在于：步骤S4中，使FSO通信系统在不同信道条件下进行通信，根据步骤S3获取的大气衰减预测模型，提前获取大气衰减程度并在发送端光放大器进行补偿，使接收端接收光功率保持稳定...

【专利技术属性】
技术研发人员：刘业君，潘援，宋嵩，张旭，郭磊，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：