CN107342814A - 一种基于可见光通信的神经网络均衡器 - Google Patents
一种基于可见光通信的神经网络均衡器 Download PDFInfo
- Publication number
- CN107342814A CN107342814A CN201710602325.0A CN201710602325A CN107342814A CN 107342814 A CN107342814 A CN 107342814A CN 201710602325 A CN201710602325 A CN 201710602325A CN 107342814 A CN107342814 A CN 107342814A
- Authority
- CN
- China
- Prior art keywords
- visible light
- module
- light communication
- neural net
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 43
- 230000001537 neural effect Effects 0.000 title claims abstract description 32
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 230000005622 photoelectricity Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 13
- 230000007935 neutral effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 2
- 238000001514 detection method Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 230000003287 optical effect Effects 0.000 claims 1
- 230000008054 signal transmission Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
- H04B10/114—Indoor or close-range type systems
- H04B10/116—Visible light communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于可见光通信的神经网络均衡器,包括依次连接的可见光通信发射子***、可见光通信传输子***和可见光通信接收子***;可见光通信发射子***包括:数据采集模块、数据编码模块、LED驱动模块和LED发射器件;数据编码模块的一端与数据采集模块连接;所述数据编码模块的另一端与LED驱动模块的一端相连;LED驱动模块的另一端与LED发射器件相连;可见光通信接收子***包括:光电检测器件、接收电路模块、神经网络均衡器和数据解码模块;接收电路模块的一端与光电检测器件相连;接收电路模块的另一端与神经网络均衡器的一端相连;神经网络均衡器的另一端与数据解码模块的一段相连。具有***传输速率高等优点。
Description
技术领域
本发明涉及一种可见光通信技术,特别涉及一种基于可见光通信的神经网络均衡器。
技术背景
近年来,被誉为“绿色照明”的半导体照明技术迅速发展。与传统的白炽灯等照明光源相比,LED具有低功耗、寿命长、尺寸小、绿色环保等优点。与此同时,LED更具有调制性能好、响应灵敏度高等优势。将信号以人眼无法识别的高频加载到LED上进行传输,进而催生出一门能够实现照明与通信一体化的技术——可见光通信。
与传统的红外和无线通信相比,可见光通信具有发射功率高、无电磁干扰、无需申请频谱资源和信息的保密性等优点。然而,可见光通信中仍然面临着不少的问题,其中最大的挑战之一是LED有限的调制带宽。一般的荧光粉LED调制带宽只有几兆赫兹,VLC数据传输速率受到限制。为了提升传输速率,除了从LED的结构、驱动电路的设计上拓展带宽;还可以通过不同的调制方式来提高***整体带宽。然而却大大地增加了可见光通信***的复杂程度。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供一种基于可见光通信的神经网络均衡器,该神经网络均衡器克服了由于LED调制带宽的限制而导致的码间干扰的问题,在减少***复杂性的同时,提高了***的数据传输速率,实现VLC***的高速通信。
本发明的目的通过以下技术方案实现:一种基于可见光通信的神经网络均衡器,可应用于可见光通信***,所述可见光通信***包括可见光通信发射子***10,可见光通信传输子***20和可见光通信接收子***30。所述可见光通信发射子***10包括数据采集模块11,数据编码模块12,LED驱动模块13和LED发射器件14。
进一步地,所述数据采集模块11负责原始信号的采集并传输给数据编码模块12;所述数据编码模块12负责数据的编码处理,并将编码之后数据传输给LED驱动模块13;所述LED驱动模块13产生驱动电流并驱动LED发射器件14产生可见光信号。
所述传输子***20为自由空间。
所述接收子***30包括光电检测器件31,接收电路模块32,神经网络均衡器33和数据解码模块34。进一步地,所述光电检测器件31将LED发射器件14发出的可见光信号转换为电信号,并传输给接收电路模块32。进一步地,所述接收电路模块32一端与光电检测器件31相连,所述接收电路模块的另一端与神经网络均衡器33一端相连;进一步地,所述接收电路模块32包括放大电路模块321,滤波电路模块322和AD模数转换模块323;进一步地,所述放大电路模块321对可见光信号进行放大,所述滤波电路模块322对所接收信号的高频噪声进行滤除,所述AD模数转换模块323将模拟信号转换为数字信号,并传输给神经网络均衡器33。进一步地,所述神经网络均衡器33包括神经网络输入层331,神经网络隐含层332,神经网络输出层333;所述神经网络隐含层332,由多个神经元3321组成;所述神经元3321并行,且每个神经元3321都与神经网络输入层331的所有抽头相连,所述神经网络均衡器33负责对信号进行均衡化处理,并将处理之后的数据传输给数据解码模块34解码得到所需信号。
进一步地,所述神经元(3321)的输入与输出关系可由以下关系式描述:
式中,z(k)为所述神经元(3321)的输出;wi,j(k)是连接输入层(331)第i个神经元的输出信号ui(k)与隐含层(332)第j个神经元的输入信号之间的加权系数,其中,j=1,2,…,N表示总共有N个隐含层节点;每个常数bj是第i个隐含层的偏差值,也称为门限;f{·}为隐含层节点的激活函数。
进一步地,所述的神经元均衡器33,使用反向传播BP算法进行学习训练,包括以下步骤:
步骤1:初始化神经元均衡器的阈值;
步骤2:指定输入向量x(n)与输出向量d(n);
步骤3:根据输入向量计算实际输出向量y(n),然后计算成本函数E(n);
步骤4:若E())大于指定值,根据公式 更新神经元均衡器的阈值,返回步骤32;否则,神经元均衡器训练完成。
式中,ωij(n)代表第n次训练的连接加权值,ωij(n+1)代表第n+1次训练的连接加权值,γ代表学习速率,表示微分运算。
传统可见光通信由于发光二极管(LED)调制带宽的限制约束着可见光通信***的传输速率,为此,本发明基于神经网络非线性映射的能力,提出一种基于可见光通信的神经网络均衡器,对由于LED窄带宽而产生码间干扰的信号进行分类恢复,从而对LED信道进行补偿,恢复受损信号,实现信道均衡。
与现有技术相比,本发明具有以下优点和有益效果:
1、利用人工神经网络作为信道均衡器,仅需使用训练数据对神经网络进行训练,并不需要对信道环境进行分析,使***的实现更加简单。
2、利用神经网络强大的非线性特性,可以有效的解决因LED带宽限制造成的码间干扰问题,大大提高VLC***的传输速率。
3、无需使用复杂的调制解调技术与LED加工工艺来增加VLC***的传输速率,减少***的成本的同时提高***的传输速率。
附图说明
图1为本发明的可见光通信***原理框图。
图2为本发明的接收电路模块框图。
图3为本发明的神经网络均衡器的结构图。
图4为本发明的神经网络节点的示意图。
图5为本发明的神经网络BP算法原理图。
具体实施方式
下面结合实例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种基于可见光通信的神经网络均衡器,应用于可见光通信***,所述可见光通信***包括可见光通信发射子***10,可见光通信传输子***20和可见光通信接收子***30。所述可见光通信发射子***10包括数据采集模块11,数据编码模块12,LED驱动模块13和LED发射器件14。
所述数据采集模块11负责原始信号的采集并传输给数据编码模块12;所述数据编码模块12负责数据的编码处理,并将编码之后数据传输给LED驱动模块13;所述LED驱动模块13产生驱动电流并驱动LED发射器件14产生可见光信号。
所述传输子***20为自由空间。
所述接收子***30包括光电检测器件31,接收电路模块32,神经网络均衡器33和数据解码模块34。所述光电检测器件31将LED发射器件14发出的可见光信号转换为电信号,并传输给接收电路模块32。所述接收电路模块32一端与光电检测器件31相连,所述接收电路模块的另一端与神经网络均衡器33一端相连;如图2所示,所述接收电路模块32包括放大电路模块321,滤波电路模块322和AD模数转换模块323;所述放大电路模块321对可见光信号进行放大,所述滤波电路模块322对所接收信号的高频噪声进行滤除,所述AD模数转换模块323将模拟信号转换为数字信号,并传输给神经网络均衡器33;所述神经网络均衡器33负责对信号进行均衡化处理,并将处理之后的数据传输给数据解码模块34解码得到所需信号。
如图3所示,所述神经网络均衡器33包括神经网络输入层331,神经网络隐含层332,神经网络输出层333;所述神经网络隐含层332,由多个神经元3321组成;所述神经元3321并行,且每个神经元3321都与神经网络输入层331的所有抽头相连,
如图4所示,所述神经元(3321)的输入与输出关系可由以下关系式描述:
式中,z(k)为所述神经元(3321)的输出;wi,j(k)是连接输入层(331)第i个神经元的输出信号ui(k)与隐含层(332)第j个神经元的输入信号之间的加权系数,其中,j=1,2,…,N表示总共有N个隐含层节点;每个常数bj是第i个隐含层的偏差值,也称为门限;f{·}为隐含层节点的激活函数。
如图5所示,所述的神经元均衡器33,使用反向传播BP算法进行学习训练,包括以下步骤:
步骤1:初始化神经元均衡器的阈值;
步骤2:指定输入向量x(n)与输出向量d(n);
步骤3:根据输入向量计算实际输出向量y(n),然后计算成本函数E(n);
步骤4:若E(n)大于指定值,根据公式 更新神经元均衡器的阈值,返回步骤32;否则,神经元均衡器训练完成。
式中,ωij(n)代表第n次训练的连接加权值,ωij(n+1)代表第n+1次训练的连接加权值,γ代表学习速率,表示微分运算。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于可见光通信的神经网络均衡器,其特征在于,包括依次连接的可见光通信发射子***(10)、可见光通信传输子***(20)和可见光通信接收子***(30);所述可见光通信发射子***(10)包括:数据采集模块(11)、数据编码模块(12)、LED驱动模块(13)和LED发射器件(14);所述数据编码模块(12)的一端与数据采集模块(11)连接;所述数据编码模块(12)的另一端与LED驱动模块的(13)一端相连;所述LED驱动模块(13)的另一端与LED发射器件(14)相连;所述可见光通信传输子***(20)为自由空间;所述可见光通信接收子***(30)包括:光电检测器件(31)、接收电路模块(32)、神经网络均衡器(33)和数据解码模块(34);所述接收电路模块(32)的一端与光电检测器件(31)相连;所述接收电路模块(32)的另一端与神经网络均衡器(33)的一端相连;所述神经网络均衡器(33)的另一端与数据解码模块的一段相连;所述接收电路模块(32)包括依次连接的放大电路模块(321)滤波电路模块(322)和AD模数转换模块(323);
所述数据采集模块(11)采集原始信号并通过数据编码模块(12)进行编码处理之后控制LED驱动模块(13)产生驱动电流,驱动LED发射器件(14)发射可见光信号;所述光电检测器件(31)接收LED发射器件(14)发出的可见光信号,并将可见光信号转换为电信号传输给接收电路模块(32);所述接收电路模块的放大电路模块(321)用于将接收到的电信号放大,滤波电路模块(322)用于将高频噪声干扰滤除,AD模数转换模块(323)用于将模拟信号转换为数字信号,并传输给神经网络均衡器(33);所述神经网络均衡器(33),利用分类器的原理,对接收信号进行均衡恢复,再将恢复之后的接收信号通过数据解码模块(34)解码以得到所需数据。
2.根据权利要求1所述的基于可见光通信的神经网络均衡器,其特征在于:所述神经网络均衡器(33)采用多层感知器结构对接受信号进行均衡处理,所述神经网络均衡器(33)包括神经网络输入层(331)、神经网络隐含层(332)和神经网络输出层(333)。
3.根据权利要求2所述的基于可见光通信的神经网络均衡器,其特征在于:所述神经网络输入层(331)具有系列延迟抽头;所述神经网络隐含层(332)具有若干个神经元(3321);所述若干个神经元(3321)并行,并且每个神经元(3321)都与神经网络输入层(331)的所有抽头相连。
4.根据权利要求3所述的基于可见光通信的神经网络均衡器,其特征在于,神经元(3321)的输入与输出关系的关系式为:
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mo>{</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>}</mo>
<mo>,</mo>
</mrow>
式中,z(k)为所述神经元(3321)的输出;wi,j(k)是连接输入层(331)第i个神经元的输出信号ui(k)与隐含层(332)第j个神经元的输入信号之间的加权系数,其中,j=1,2,…,N表示总共有N个隐含层节点;每个常数bj是第i个隐含层的偏差值,也称为门限;f{·}为隐含层节点的激活函数。
5.根据权利要求2所述的基于可见光通信的神经网络均衡器,其特征在于:所述神经元均衡器(33)使用反向传播BP算法进行学习训练,所述反向传播BP算法具体包括以下步骤:
步骤1、初始化神经元均衡器的阈值;
步骤2、指定输入向量x(n)与输出向量d(n);
步骤3、根据输入向量计算实际输出向量y(n),然后计算成本函数E(n);
步骤4、若E(n)大于指定值,根据公式 更新神经元均衡器的阈值,返回步骤32;否则,神经元均衡器训练完成;
式中,ωij(n)代表第n次训练的连接加权值,ωij(n+1)代表第n+1次训练的连接加权值,γ代表学习速率,表示微分运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710602325.0A CN107342814A (zh) | 2017-07-21 | 2017-07-21 | 一种基于可见光通信的神经网络均衡器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710602325.0A CN107342814A (zh) | 2017-07-21 | 2017-07-21 | 一种基于可见光通信的神经网络均衡器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107342814A true CN107342814A (zh) | 2017-11-10 |
Family
ID=60217385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710602325.0A Pending CN107342814A (zh) | 2017-07-21 | 2017-07-21 | 一种基于可见光通信的神经网络均衡器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107342814A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108494710A (zh) * | 2018-03-30 | 2018-09-04 | 中南民族大学 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
CN111342896A (zh) * | 2020-03-02 | 2020-06-26 | 深圳市南科信息科技有限公司 | 基于卷积神经网络的自编码算法及其mimo可见光通信*** |
CN111917471A (zh) * | 2020-09-09 | 2020-11-10 | 西安工程大学 | 一种自由空间可见光通信***及其通信性能优化算法 |
CN113225131A (zh) * | 2021-04-28 | 2021-08-06 | 中山大学 | 一种水下可见光通信***的盲检测方法 |
CN113271146A (zh) * | 2021-05-14 | 2021-08-17 | 中车青岛四方机车车辆股份有限公司 | 一种可见光通信方法、装置、***及计算机可读存储介质 |
WO2021169735A1 (zh) * | 2020-02-29 | 2021-09-02 | 珠海复旦创新研究院 | 一种基于深度神经网络的单发多收车灯联网*** |
US20220239510A1 (en) * | 2021-01-25 | 2022-07-28 | Marvell Asia Pte Ltd | Ethernet physical layer transceiver with non-linear neural network equalizers |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007118A (zh) * | 2015-06-10 | 2015-10-28 | 重庆邮电大学 | 一种用于室内可见光通信***的神经网络均衡方法 |
CN105099553A (zh) * | 2015-08-31 | 2015-11-25 | 华南理工大学 | 一种基于神经元网络的可见光通信接收方法及其*** |
CN207835454U (zh) * | 2017-07-21 | 2018-09-07 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
-
2017
- 2017-07-21 CN CN201710602325.0A patent/CN107342814A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007118A (zh) * | 2015-06-10 | 2015-10-28 | 重庆邮电大学 | 一种用于室内可见光通信***的神经网络均衡方法 |
CN105099553A (zh) * | 2015-08-31 | 2015-11-25 | 华南理工大学 | 一种基于神经元网络的可见光通信接收方法及其*** |
CN207835454U (zh) * | 2017-07-21 | 2018-09-07 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
Non-Patent Citations (1)
Title |
---|
关伟鹏等: "基于神经网络的可见光通信接收***的研究", 《中国激光》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108494710A (zh) * | 2018-03-30 | 2018-09-04 | 中南民族大学 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
WO2021169735A1 (zh) * | 2020-02-29 | 2021-09-02 | 珠海复旦创新研究院 | 一种基于深度神经网络的单发多收车灯联网*** |
CN111342896A (zh) * | 2020-03-02 | 2020-06-26 | 深圳市南科信息科技有限公司 | 基于卷积神经网络的自编码算法及其mimo可见光通信*** |
CN111917471A (zh) * | 2020-09-09 | 2020-11-10 | 西安工程大学 | 一种自由空间可见光通信***及其通信性能优化算法 |
CN111917471B (zh) * | 2020-09-09 | 2021-09-28 | 西安工程大学 | 一种自由空间可见光通信***及其通信性能优化算法 |
US20220239510A1 (en) * | 2021-01-25 | 2022-07-28 | Marvell Asia Pte Ltd | Ethernet physical layer transceiver with non-linear neural network equalizers |
CN113225131A (zh) * | 2021-04-28 | 2021-08-06 | 中山大学 | 一种水下可见光通信***的盲检测方法 |
CN113225131B (zh) * | 2021-04-28 | 2022-04-05 | 中山大学 | 一种水下可见光通信***的盲检测方法 |
CN113271146A (zh) * | 2021-05-14 | 2021-08-17 | 中车青岛四方机车车辆股份有限公司 | 一种可见光通信方法、装置、***及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107342814A (zh) | 一种基于可见光通信的神经网络均衡器 | |
CN207835454U (zh) | 一种基于可见光通信的神经网络均衡器 | |
Lee et al. | Deep learning framework for wireless systems: Applications to optical wireless communications | |
CN104158632B (zh) | 用于可见光通信***的可变脉冲幅度位置调制和误码率改善方法 | |
CN105099553B (zh) | 一种基于神经元网络的可见光通信接收方法及其*** | |
CN105007118B (zh) | 一种用于室内可见光通信***的神经网络均衡方法 | |
CN106921470A (zh) | 一种基于神经元网络的可见光通信接收方法及其接收*** | |
CN103957056B (zh) | 兼容智能手机的可见光通信*** | |
CN108494710A (zh) | 基于bp神经网络的可见光通信mimo抗扰降噪方法 | |
Wang et al. | Experimental study on visible light communication based on LED | |
CN105162517B (zh) | 基于脉冲振幅调控的可见光通信方法及其可见光通信*** | |
CN109905170A (zh) | 一种基于k-dnn的非线性失真补偿算法及可见光通信装置 | |
CN111786724A (zh) | 基于深度学习的多波长led水下可见光通信调制方法 | |
CN109347555A (zh) | 一种基于径向基函数神经网络的可见光通信均衡方法 | |
Ahmed et al. | Experimental demonstration of continuous sensor data monitoring using neural network-based optical camera communications | |
CN105046325A (zh) | 一种基于类mos发光器件模拟生物神经网络的电路 | |
CN109462437B (zh) | 一种基于空间合成调制的可见光通信***及实现方法 | |
Li et al. | Deep learning based end-to-end visible light communication with an in-band channel modeling strategy | |
CN106452580A (zh) | 一种兼容智能手机摄像头的可见光通信编码方法及其*** | |
Ding et al. | Data-and-knowledge dual-driven automatic modulation recognition for wireless communication networks | |
CN113141214B (zh) | 基于深度学习的水下光通信失准鲁棒盲接收机设计方法 | |
He et al. | Artificial neural network-based scheme for 4-pwm occ system | |
CN206728021U (zh) | 一种可见光通信*** | |
Zainuddin et al. | Nanonetwork minimum energy coding | |
CN116131948B (zh) | 基于可见光通信的Gray-GSM星座构建方法、装置、终端及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171110 |