本发明专利技术属于可见光通信技术领域，具体为一种基于集成网络学习的水下可见光信道估计器。本发明专利技术的水下可见光信道估计器，包括机器学习的三个分支网络，用以估计水下可见光信道；具体根据已有的先验知识，把信道估计器拆分成三个子网络：线性估计器、SSBI估计器、ReLU估计器，分别用来估计信道的线性噪声、二次项噪声和高阶项噪声；然后将三个子网络集成，经过训练，得到总的水下可见光信道估计器；本发明专利技术降低了整个网络的复杂性，减少量神经元数量，仍然能达到预期的效果，提供更准确的信道估计。提供更准确的信道估计。提供更准确的信道估计。
【技术实现步骤摘要】
基于集成网络学习的水下可见光信道估计器
[0001]本专利技术属于可见光通信
，具体涉及水下可见光信道估计器。
技术介绍
[0002]随着无线通信容量不断扩大，频谱资源逐渐耗尽，因此亟需向更高频带寻找可替代的频谱资源。可见光通信由于其独特的优势而吸引了国际社会的广泛关注，成为未来6G一项很有潜力的技术[1
‑
2]。它兼顾通信与照明，有抗电磁干扰，潜在带宽大，安全性好等诸多优势。可见光通信可以应用在许多电磁敏感场景，如机舱和医院等，或是应用在需要高速接入的室内通信。在水下通信场景中，无线电波由于趋肤效应而很难在海水中传输。[3]中提到可见光在水下的衰减有很强的波长依赖性，蓝绿光受水分子的吸收非常小而成为了水下通信的窗口。因此，可见光通信是水下无线通信的关键技术，成为国内外的研究热点。
[0003]尽管蓝绿光可以在水下传输，但它仍然面临着光功率衰减的问题。提高传输的光功率是解决的方法之一，但大功率也会带来不可避免的非线性噪声。因此，对水下可见光信道的传输函数进行估计显得尤为重要。一个好的信道估计器有利于信号的仿真分析，后均衡甚至是信号的预均衡。在过去的几十年里，研究者们更多研究的是水声信道估计，但这对可见光信道也有很多借鉴意义。1991年，Feder等人提出一个联合信道估计算法并在水下通信中展示了相位恢复均衡应用[4]。2018年，Gang Qiao等人研究了水声正交频分复用通信系统中信道估计的稀疏贝叶斯学习框架[5]。然而水声通信的速率非常低，且容易受多径效应，时变效应等影响[6]。近几年，水下可见光通信逐渐发展起来。最近，Xu Ma等人提出了一种基于压缩感知的信道估计方法，其中假设了可见光信道衰减与频率呈线性关系[7]。Zhongya Li等人利用带内信道建模策略对信号进行预均衡[8]。然而，可见光信道面临的最大的问题是光电器件带来的非线性效应，用传统的方法很难对其进行估计和补偿。
[0004]近几年，人工智能(AI)由于其强大的非线性拟合能力而成为通信邻域的研究热点。在我们之前的研究中，[9]提出了一种基于双向循环门单元的非线性补偿方法。Chen H等人提出了一种基于联合时频图像分析的非线性弹性学习方法[10]。Hu F等人提出了另一种基于多项式函数联合ANN的多频段可见光系统中的非线性补偿方法[11]。因此，将先进的AI技术应用于通信信道估计将会是一种趋势。Yiheng Zhao等人研究了两条支流基于异构神经网络的水下可见光系统信道仿真器[12]。Zhang yonglin等人测试了用于水声OFDM通信的深度神经网络辅助信道估计的性能[13]。Lu huaiyin等人在深度学习辅助鲁棒联合信道分类、信道估计和信号检测方面做了相关研究[14]。在基于神经网络的信道估计器帮助下，J.Shi等人利用端到端学习开发了最佳的自适应波形设计[15]。
[0005]然而，之前的研究中存在着许多未解决的问题。使用单个大规模神经网络就如同一个黑盒子，可解释性差，即使损失值收敛到一个较低水平，也可能只是在有限的训练集中找到一个折衷方案，并未能真正学习到信道特征。其次，现有技术并未对非线性噪声的组成成分进行详细分析，因此也难以对非线性噪声进行估计。
[0006]参考资料
Engineering 259(2022):111518.
[0020][14]Lu,Huaiyin,Ming Jiang,and Julian Cheng."Deep learning aided robust joint channel classification,channel estimation,and signal detection for underwater optical communication."IEEE Transactions on Communications 69.4(2020):2290
‑
2303.
[0021][15]J.Shi et al.,"Optimal Adaptive Waveform Design Utilizing an End
‑
to
‑
End Learning
‑
Based Pre
‑
Equalization Neural Network in an UVLC System,"in Journal of Lightwave Technology,doi:10.1109/JLT.2022.3225335。
技术实现思路
[0022]本专利技术的目的在于提供一种系统结构复杂度低、信道估计准确性高的基于集成网络学习的水下可见光信道估计器。
[0023]本专利技术提供的基于集成网络学习的水下可见光信道估计器,包括设计机器学习的三个分支网络，用以估计水下可见光信道；具体地，根据已有的先验知识，把信道估计器拆分成三个子网络(机器学习的三个分支网络)：线性估计器，SSBI(信号对抗干扰)估计器，ReLU估计器，分别用来估计信道的线性噪声，二次项噪声和高阶项噪声；然后将三个子网络集成，经过训练，得到总的水下可见光信道估计器。
[0024]所述线性噪声是由于脉冲成形技术中使用根生余弦滤波器而带了码间串扰(ISI)；所述二次项噪声是由于系统采用强度调制，包括直调直检、光电探测器(PD)在接收端的平方律探测导致的噪声；所述高阶项噪声来自光电器件大功率传输时带来的非线性失真。
[0025](1)用于估计信道线性噪声的线性估计器，
[0026]由于可见光系统的带宽有限，脉冲成形时需要使用根升余弦滤波器进行滤波，带来不可避免的ISI。ISI是一个信号会受其前后信号的干扰，串扰的信号长度取决于实际的信道。这个线性叠加的过程可以简单地用一个线性神经网络来估计，如图1(b)所示；包含一个输入层、一个隐藏层和一个输出层，其中，隐藏层节点不使用非线性激活函数，即所有节点之间仅为线性权连接。线性神经网络采用多输入单输出的结构，多输入是模拟ISI的过程，输入节点数量为串扰的抽头数，单输出是为了尽可能保证数据预测的准确性。。传输的信号(Tx data)用一个长度为(2n+1)的滑窗进行整形，然后送入线性神经网络。线性神经网络仿真ISI的过程如下式(1)所示，
[0027][0028]其中，n表示单边信号的串扰长度，也就是ISI的抽头长度，为(2n+1)；s和o分别为输入、输出信号。ω1是每个信号的权重，是ω1的分量，s
i
是s的分量，i＝T
‑
n，T
‑
n+1，，，T+n；T是每个信号对应的时刻，n是单边信号的串扰长度。
[0029]这个简单的线性估计器可以仿真信道大部分的特征，但对于非线性失真仍然无能为力，因此需要更多的估计器。
[0030](2)用于估计信道二次项噪声的SSBI估计器
[0031]除了线性失真，系统在接收端还会受到来自SSBI的二次项失真。由于强度调制直调直检广泛应用于可见光通本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于集成网络学习的水下可见光信道估计器,其特征在于，包括设计机器学习的三个分支网络，用以估计水下可见光信道；具体地，根据已有的先验知识，把信道估计器拆分成三个子网络，即机器学习的三个分支网络：线性估计器、SSBI估计器、ReLU估计器，分别用来估计信道的线性噪声、二次项噪声和高阶项噪声；然后将三个子网络集成，经过训练，得到总的水下可见光信道估计器；所述线性噪声是由于脉冲成形技术中使用根生余弦滤波器而带了码间串扰(ISI)；所述二次项噪声是由于系统采用强度调制，包括直调直检、光电探测器(PD)在接收端的平方律探测导致的噪声；所述高阶项噪声来自光电器件大功率传输时带来的非线性失真；(1)用于估计信道线性噪声的线性估计器；线性估计器采用一个线性神经网络，线性神经网络包含一个输入层、一个隐藏层和一个输出层，隐藏层节点之间为线性权连接；线性神经网络采用多输入单输出的结构，多输入是模拟ISI的过程，输入节点数量为串扰的抽头数，单输出是为了尽可能保证数据预测的准确性；传输的信号(Tx data)用一个长度为(2n+1)的滑窗进行整形，然后送入线性神经网络；线性神经网络仿真ISI的过程如下式(1)所示，其中，n表示单边信号的串扰长度，ISI的抽头长度为(2n+1)；s和o分别为输入、输出信号；ω1是每个信号的权重，是ω1的分量，s
i
是s的分量，i＝T
‑
n，T
‑
n+1，，，T+n；T是每个信号对应的时刻，n是单边信号的串扰长度；(2)用于估计信道二次项噪声的SSBI估计器系统在接收端会受到来自SSBI的二次项失真；归一化的探测信号V
DD
(n)写为：其中，第一项是不会被示波器探测的直流量，第二项是所需的信号，第三项是二次项噪声SSBI；E
carrier
是直流载波的幅度，E0(n)是信号的幅度；SSBI估计器使用神经网络，估计接收机产生的SSBI；神经网络包括输入层、隐藏层和输出层，隐藏层采用二次函数作为激活函数，用以模拟估计信号带来的二次失真；输入层、隐藏层、输出层之间采用线性权连接，SSBI估计器采用多输入单输出结构；该神经网络考虑了SSBI在时间尺度上的串扰，其中，隐藏层的神经元使用平方函数代替传统的激活函数；由于SSBI噪声是两个信号的乘积，隐藏层神经元的数量设置为其中(2m+1)是SSBI的抽头数；神经网络的dropout概率设置为(2m
‑
1)/(2m+1)，用以随机丢弃神经元间的连接；隐藏层数据经过线性回归后得到预测的输出，用式(3)表示：其中，ω2,ω3是神经元之间连接的权重，o是SSBI估计器的输入；是ω3的分量，
是ω2的分量，o
i
是o的分量，j＝1，2，，，，m(2m+1)，i＝t
‑
m，t
‑
m+1，，，t+m；(3)用于估计信道高阶项噪声的ReLU估计器ReLU估计器采用神经网络...
【专利技术属性】
技术研发人员：迟楠，蔡济帆，
申请(专利权)人：复旦大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。