采用遗传算法和深度学习对制造技术

本发明专利技术公开了一种采用遗传算法和深度学习对

【技术实现步骤摘要】
采用遗传算法和深度学习对MIMO
‑
OFDM可见光通信实施信道估计的方法及系统


[0001]本专利技术属于室内可见光通信网络中的接入系统领域，用于提升室内环境中可见光通信用户收发信号的传输性能及质量
。

技术介绍

[0002]随着信息时代多种类接入业务的快速发展，人们对高速
、
高频谱利用率
、
高度灵活的通信系统的需求越来越大
。
室内可见光通信是一种极具发展潜力的无线通信技术，近年来有了很大的发展与其他无线通信相比，不仅能够满足日常照明功能，还支持室内信息传输和接收
。
相比于其他技术，
VLC
具有更高的数据速率
、
电磁辐射对人体伤害小
、
免许可证操作
、
保密性高
、
拓宽频谱等优点
。
而
MIMO
与
OFDM
相结合是下一代无线通信系统和标准的空中接口解决方案
。
然而，准确的信道估计对于可见光通信系统实现高性能至关重要
。
传统的信道估计方法不适用于复杂和动态的可见光信道
。
近年来，深度学习已成为
MIMO
‑
OFDM
系统信道估计的一种有前途的方法；操作上更加简便，通信传输成本更低，适用性更加灵活，但在传统无线通信系统中应用较多，可见光通信系统领域应用较少
。

技术实现思路

[0003]为了进一步克服室内可见光复杂信道失真和干扰问题，使用信道统计的数据离线训练深度学习模型，恢复在线传输的信道信息；并通过遗传算法模拟进化过程对深度神经网络模型权重参数进行优化，提升具有6层
DNN
模型的预测信道数据能力，准确无误的估计信道并恢复原始数据
。
使室内
VLC
通信系统传输稳定性变高，使传输速度更快，对外界干扰的抵抗能量增强，同时具有较好的保密性与安全性
。
将遗传算法
(GA)
与深度学习
(DL)
技术结合，既可以发挥遗传算法全局搜索能力，又可以实现深度学习模型较高的信道估计精度和泛化能力，减小可见光复杂信道对通信信号的影响，使传输更加稳定
。
[0004]本专利技术为解决以上的问题，设计了采用遗传算法和深度学习对
MIMO
‑
OFDM
可见光通信实施信道估计的方法及系统
。
该系统在发送端将将
Turbo
编码后的传输数据经
QPSK
映射后转换为并行数据流，利用快速傅里叶变换的逆变换将信号从频域转换为时域
。
然后，插入循环前缀来减轻码间干扰；在接收端经接收到的信道数据串并转换后去除循环前缀，利用快速傅里叶变换从时域转换为频域信号，对系统冲激响应进行估计
。
并通过
QPSK
技术解映射后
Turbo
解码恢复原始数据；信道部分4个
LED
阵列和4个接收端的是室内可见光加性高斯白噪声信道；离散训练模块：通过所设计的
MIMO
‑
OFDM VLC
系统不同信噪比对应的信道数据作为离散训练数据集对
DNN
模型进行训练，这些样本是在不同信道条件下产生具有一定的统计性质
。
利用
DNN
模型在不显式估计可见光信道的情况下恢复在线部署传输数据的输出；遗传算法：对于信道估计，遗传算法优化
DNN
这种估计误差最小化的估计算法，使用启发式搜索的随机优化技术优化
DNN
模型权重数值，提高网络模型学习能力，使预测信道估计数据更准确
。
[0005]鉴于此，本专利技术采用的技术方案是：采用遗传算法和深度学习对
MIMO
‑
OFDM
可见光通信实施信道估计的方法，包括以下步骤：
[0006]离线训练：获取
MIMO
‑
OFDM
可见光通信系统中不同信噪比对应的信道估计的数据，将其作为深度神经网络离线训练数据集；
[0007]所述深度神经网络包括以下处理步骤：
[0008]初始化种群：根据变量范围和编码方式，初始种群集合为
[w1,w2,...,w
i
]，
w
i
表示神经元的权值；
[0009]选择操作：根据个体适应度，选择一定数量的个体作为父代，用于产生新一代个体，所述个体适应度为：
n
为网络输出节点数，
y
i
为深度神经网络第
i
个节点的期望输出，
o
i
为第
i
个节点的实际输出，
a
为系数，
asb
表示表示绝对值函数
。
[0010]遗传操作：通过交叉
、
变异操作，生成新一代个体，并计算个体适应度；
[0011]替换操作：将新一代个体与上一代个体进行比较，选择适应度更好的个体作为下一代种群；
[0012]输出最优解：重复以上操作直到达到预设的停止条件，输出种群中适应度最好的个体，作为优化后的神经元的权值；
[0013]使用优化后深度神经网络对信道进行估计
。
[0014]进一步，所述深度神经网络的目标函数为：
F(x)
＝
‑
f(x)+f
max
+
ξ
l
，
f
max
为第
l
代最大目标值；
ξ
l
为好坏个体选择概率的差
。
[0015]进一步，采用遗传算法优化权值
W
的过程如下：
[0016]前向反馈深度神经网络的每第一层神经元输出为
z
＝
σ
l
(k)
＝
σ
(W
l
a
l
‑1+b
l
)
，
[0017]Δ
w
i
(k)
＝
η
(
σ
l
(k)
‑
σ
l
‑1(k))
[0018]w
i
(k)
＝
w
i
(k
‑
1)+
Δ
w
i
(k)+
α
(w
i
(k
‑
1)
‑
w
i
(k
‑
2))
[0019]通过选择操本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
采用遗传算法和深度学习对
MIMO
‑
OFDM
可见光通信实施信道估计的方法，其特征在于：包括以下步骤：离线训练：获取
MIMO
‑
OFDM
可见光通信系统中不同信噪比对应的信道估计的数据，将其作为深度神经网络离线训练数据集；所述深度神经网络包括以下处理步骤：初始化种群：根据变量范围和编码方式，初始种群集合为
[w1,w2,...,w
i
]
，
w
i
表示神经元的权值；选择操作：根据个体适应度，选择一定数量的个体作为父代，用于产生新一代个体，所述个体适应度为：
n
为网络输出节点数，
y
i
为深度神经网络第
i
个节点的期望输出，
o
i
为第
i
个节点的实际输出，
a
为系数，
asb
表示绝对值函数；遗传操作：通过交叉
、
变异操作，生成新一代个体，并计算个体适应度；替换操作：将新一代个体与上一代个体进行比较，选择适应度更好的个体作为下一代种群；输出最优解：重复以上操作直到达到预设的停止条件，输出种群中适应度最好的个体，作为优化后的神经元的权值；使用优化后深度神经网络对信道进行估计
。2.
根据权利要求1所述采用遗传算法和深度学习对
MIMO
‑
OFDM
可见光通信实施信道估计的方法，其特征在于：所述深度神经网络的目标函数为：
F(x)
＝
‑
f(x)+f
max
+
ξ
l
，
f
max
为第
l
代最大目标值；
ξ
l
为好坏个体选择概率的差
。3.
根据权利要求1所述采用遗传算法和深度学习对
MIMO
‑
OFDM
可见光通信实施信道估计的方法，其特征在于：采用遗传算法优化权值
W
的过程如下：前向反馈深度神经网络的每第一层神经元输出为
z
＝
σ
l
(k)
＝
σ
(W
l
a
l
‑1+b
l
)
，
Δ
w
i
(k)
＝
η
(
σ
l
(k)
‑
σ
l
‑1(k))w
i
(k)
＝
w
i
(k
‑
1)+
Δ
w
i
(k)+
α
(w
i
(k
‑
1)
‑
w
i
(k
‑
2))
通过选择操作，以
P
c
的概率使
W
i
和
W
i+1
交叉操作产生新个体，没有进行交叉操作的个体直接复制；再以
P
m
概率进行变异操作，不断更新种群，直到种群收敛得到最优解；其中
z
表示第
l
层输出，
σ
()
表示激活函数，
W
为每个神经元权值，
w
i
为每个神经元的权值，
b
为偏置量，
η
为学习速率，
α
为动量因子，
P
c
为交叉率，
P
m
为变异率，
k
为未激活前输出向量
。4.
根据权利要求1所述采用遗传算法和深度学习对
MIMO
‑
OFDM
可见光通信实施信道估计的方法，其特征在于：所述
MIMO
‑
OFDM
可见光通信系统的信号处理流程包括，首先将
Turbo
编码后的传输数据经
QPSK
映射后转换为并行数据流，插入导频，利用快速傅里叶变换的逆变换将信号从频域转换为时域，然后，插入循环前缀后进行并串转换；经室内可见光信道传输，接收的数据串并转换后去除循环前缀，利用快速傅里叶变换从时域转换为频域信号，通过
QPSK
技术解映射后
Turbo
解码恢复原始数据
。5.
采用遗传算法和深度学习对
MIMO
‑
OFDM
可见光通信实施信道估计的系统，其特征在于：发送端包括依次连接的
Turbo...

【专利技术属性】
技术研发人员：邵宇丰，李冲，王安蓉，陈鹏，李彦霖，袁杰，刘栓凡，左仁杰，李文臣，陈超，杨林婕，柳海楠，胡文光，
申请(专利权)人：重庆三峡学院，
类型：发明
国别省市：