CN112865866A

CN112865866A - 基于gsn的可见光pam***非线性补偿方法

Info

Publication number: CN112865866A
Application number: CN202110073541.7A
Authority: CN
Inventors: 冉玉林; 卢星宇; 肖云鹏; 刘宴兵; 刘媛媛; 陈俊杰
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2021-01-20
Filing date: 2021-01-20
Publication date: 2021-05-28
Anticipated expiration: 2041-01-20
Also published as: CN112865866B

Abstract

本发明属于可见光通信技术领域，具体涉及一种基于GSN的可见光PAM***非线性补偿方法，该方法包括：将接收到的PAM信号输入到基于GSN的非线性均衡模块中进行非线性补偿得到补偿后的PAM信号，再通过PAM解映射把补偿后的PAM信号转变为二进制信号；基于GSN的非线性均衡模块由辅助分类器网络和分类器网络组成；辅助分类器网络主要对接收的数据进行特征映射；分类器网络为一个多分类器，通过分类方法得到补偿后的PAM信号电平；本发明中2个网络参数的更新会受彼此的影响，最终达到动态的平衡，防止了***过拟合现象的出现，降低了误码率，提高了***的传输速率。

Description

基于GSN的可见光PAM***非线性补偿方法

技术领域

本发明属于可见光通信技术领域，具体涉及一种基于GSN的可见光PAM***非线性补偿方法。

背景技术

可见光通信技术(Visible Light Communication，VLC)是一种将LED照明技术和通信技术相结合的新兴自由空间无线通信技术。传统无线通信面临无线频谱资源逐渐匮乏的困境，而可见光通信***工作频率在400THz左右，很好的弥补了这个问题。目前，可见光通信主要是通过控制LED灯亮度的明暗变化来传递信息。

可见光通信***涵盖材料学(光源，接收器材料)，光学设计(光学天线)，电学设计(驱动线路)，调制解调技术(高阶调制解调)，数字信号处理(信号补偿技术)，***集成(可见光通信***)等综合技术。在VLC数字信号处理(DSP)方面，传统的均衡算法包括LMS(最小均方算法)、RLS(递归最小二乘算法)、CMA(恒模盲均衡算法)等，还有很多基于上述算法进行改进的算法，如DD-LMS(直接判决-最小均方误差算法)、CMMA(级联多模算法)、MCMMA(改进级联多模算法)等。近年来，机器学习算法也逐渐被应用于数字信号处理中，包括：针对标准星座点判别边界的基于K-means的后均衡算法感知边界(CAPD)，基于K-means的预均衡算法，针对PAM信号抖动的DBSAN算法以及针对相偏的SVM算法等。除了传统的机器学习算法外，深度学习方法也逐渐被应用于VLC中，如解决长短期记忆问题的LSTM(长短期记忆)算法。在调制解调方面，可见光主流调制包括了脉冲振幅调制(PAM)，正交振幅调制(QAM)和正交频分复用(OFDM)等。PAM***相对于QAM和OFDM***成本较低，拥有终端通信***重要的性价比特性，于是广泛应用于可见光通信***中，PAM信号在传输过程中产生的非线性畸变一直是制约高速可见光传输速率的重要影响，解决实际应用中的非线性问题显得尤为重要。传统的最小均方算法LMS(Least Mean Square)能解决***的线性问题，如码间串扰(ISI)，但不能很好的解决非线性问题。专利“一种基于正弦函数变步长LMS均衡的可见光通信***(申请号CN202010276743.7)”中提出了一种改进的LMS算法，考虑到了抽头系数收敛速度的问题，较传统的LMS算法具有更快的抽头系数收敛速度。但该***也并没有考虑非线性影响。

此外，专利“基于神经网络的可见光通信***非线性信道建模方法(申请号CN202010044920.9)”中提出了一种用多层神经网络进行***非线性建模的办法来解决可见光通信中产生的非线性问题。其主要通过对神经网络训练，使其能够表达信道的非线性特性，从而能够将输入的n维向量转变为一个预估的结果输出。但其网络结构的设计采用多层的全连接方式实现，没有考虑过拟合和欠拟合问题，该方法的模型在进行训练过程中会存在记忆性问题。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于GSN的可见光PAM***非线性补偿方法，该方法包括：物理层点对点接收信号，并将接收到的信号输入到基于GSN的非线性均衡模块中进行非线性补偿，得到补偿后的PAM信号，通过PAM解映射把补偿后的PAM信号转变为二进制信号；将二进制信号输出，得到输出信号；其中，GSN表示生成辅助网络(Generative Supportive Networks)，PAM表示脉冲振幅调制(Pulse AmplitudeModulation)；

基于GSN的非线性均衡模块由辅助分类器网络和分类器网络组成；辅助分类器网络主要对接收的数据进行特征映射；分类器网络为一个多分类器，通过分类方法得到补偿后的PAM信号电平。

优选的，辅助分类器网络包括输入层、隐藏层以及输出层；输入层为一个19维的向量；隐藏层含有两层结构，分别由64个神经元和32个神经元全连接组成；输出层为一个9维的向量。

进一步的，辅助分类器网络的隐藏层选取ReLU函数作为激活函数，输出层采用tanh函数作为激活函数，ReLU函数的公式为：

tanh函数的公式为：

优选的，分类器网络包括2个一维卷积层和一个全连接层；第一个一维卷积层的filter大小为5，第二个一维卷积层的filter大小为3；两个一维卷积层均采用LeakyReLU作为激活函数。

优选的，对基于GSN的非线性均衡模块进行训练的过程包括：

步骤1：获取原始信号数据集，对原始信号数据集进行预处理，对预处理后的数据进行划分，得到训练数据集；

步骤2：从训练数据集中选取一个训练数据，将选取训练数据中对应的辅助分类器训练序列输入到辅助分类器网络中，得到9维向量输出；将该输出作为负样本；

步骤3：把负样本输入到分类器网络中，得到负样本的信号电平分类损失s_c_loss；

步骤4：把此训练数据中对应的分类器训练序列输入到分类器网络中，得到正样本的信号电平分类损失c_loss；

步骤5：根据负样本的信号电平分类损失s_c_loss和正样本的信号电平分类损失c_loss计算总损失，并根据总损失更新分类器网络的参数；

步骤6：在训练集里面随机挑选一个训练数据，将该训练数据中对应的辅助分类器训练序列输入辅助分类器网络；

步骤7：把辅助分类器网络的输出输入到分类器网络，输出分类结果，得到损失s_c__loss；根据损失更新辅助分类器网络参数；

步骤8：当遍历完训练集中的所有训练数据后，得到训练好的模型。

进一步的，得到训练数据集的过程包括：

步骤11：获取原始数据集，原始数据集中的数据包括发送序列x和接收序列y；

步骤12：获取发送序列x的数据长度L_x；初始化切分次数i；

步骤13：获取接收数据滑动窗口和发送数据滑动窗口的大小，其中，接收数据滑动窗口大小为L_g，发送数据滑动窗口大小为L_d，根据接收数据滑动窗口和发送数据滑动窗的大小计算发送数据起始切分下标相对于接收数据起始切分下标的平移的长度，计算公式为：t＝(L_g-L_d)/2，如接收序列的起始切分下标为y_i，则发送数据的起始切分下标为x_i+t；

步骤14：判断数据长度i+L_g-1与发送序列x的数据长度L_x的大小，若i+L_g-1小于L_x，则执行步骤15，否则执行步骤16；

步骤15：采用滑动窗口对发送序列和接收序列进行划分，将接收序列下标y_i,y_i+1,…,y_i+Lg-1作为辅助分类器训练数据，发送序列下标x_i+t,x_i+t+1,…,x_i+t+Ld-1作为分类器训练序列，x_i+(Lg-1)/2作为发送序列和接收序列的标签，将划分结果存入训练集中，划分次数加1，并返回步骤14；

步骤16：输出训练集。

进一步的，采用多分类交叉熵计算***的损失函数，损失函数的表达式为：

本发明适用于存在非线性现象的可见光通信***中，本发明通过对可见光PAM***中畸变信号的非线性补偿，使接收到的畸变信号变为发送前的正常信号，解决了非线性问题；本发明中2个网络参数的更新会受彼此的影响，最终达到动态的平衡，防止了***过拟合现象的出现，降低了误码率，提高了***的传输速率。

附图说明

图1为本发明的采用基于GSN非线性补偿方法的PAM-可见光通信***拓扑图；

图2为本发明的基于GSN的可见光PAM***非线性补偿方法网络结构；

图3为本发明的切分数据过程流程图；

图4为发明的网络训练过程流程图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在不付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

PAM-可见光通信***拓扑图如图1所示，该***包括波形发生器、硬件预均衡器、两个放大器、偏置器、LED、光栏、滤镜、PIN接收器以及信号补偿模块；所述波形发生器产生信号，通过硬件预均衡器进行预均衡处理，将处理好的信号经第一放大器后传输给偏置器；偏置器对放大信号进行处理，使附带信号的电压强度达到LED的启动电压门槛；LED接收信号后发出光信号，通过光栏和滤镜对光信号进行滤波处理；采用PIN接收器接收信号，并将光信号转换为电信号，并将电信号经过第二放大器后输入到信号补偿模块进行信号补偿，得到补偿后的信号。

信号补偿模块包括接收信号模块、基于GSN的非线性均衡模块、PAM解映射模块以及信号输出模块，其中基于GSN的非线性均衡模块对接收到的畸变信号进行纠正。

该***逻辑结构为PAM***，将得到的原始二进制比特流经过PAM映射转变为对应的PAM信号，经过上采样和上变频处理之后由LED进行强度调制，把电信号转变为光信号进行传输，使用光电二极管PIN进行接收，把经过同步、下采样和下变频的数据输入到基于GSN的可见光PAM***非线性补偿模块进行信号均衡，最后把此模块的输出结果通过PAM解映射转变为二进制比特流，完成数据的传输。

一种基于GSN的可见光PAM***非线性补偿方法，如图1所示，该方法包括：***的物理层点对点接收信号，并将接收到的信号输入到基于GSN的非线性均衡模块中进行非线性补偿，得到补偿后的PAM信号；通过PAM解映射把补偿后信号转变为二进制信号；将二进制信号输出，得到输出信号；其中，GSN表示生成辅助网络，PAM表示脉冲振幅调制。

基于GSN的非线性均衡模块为训练好的神经网络；所述神经网络由辅助分类器网络和分类器网络组成；辅助分类器网络主要对接收的数据进行特征映射；分类器网络为一个多分类器，通过分类方法得到补偿后的PAM信号电平。

生成对抗网络(GAN)是一种根据博弈论提出的一种深度学习模型，由一个生成网络和一个判别网络组成。它通过两个网络之间的相互博弈来达到训练网络的目的，最终使生成网络可以模拟与训练集分布相同的样本分布。基于这种相互对抗的思想，本发明提出了一种互相辅助的神经网络GSN。

如图2所示，基于GSN的非线性均衡模块由2个网络构成，一个是辅助分类器网络，一个是分类器。分类器网络是一个多分类器，目的是让该分类器能够处理多信号的分类任务。针对PAM8信号的非线性补偿问题，故此多分类器为一个8分类器，分类的结果是8个不同的信号电平，“-7，-5，-3，-1，1，3，5，7”。辅助分类器采用多层感知机的方式实现，输出维度与分类器网络输入维度保持一致，目的是为了使输入辅助分类器网络的畸变向量通过辅助分类器网络的特征映射之后使得分类器网络能够正确分类出PAM8信号电平，完成信号的非线性补偿。

辅助分类器网络结构如图3中的辅助分类器网络部分所示。其中，输入层是一个19维的向量；隐藏层有2层，分别由64和32个神经元全连接而成；输出层是一个9维的向量。

在隐藏层中，皆选取ReLU函数作为激活函数，激活函数公式为：

在输出层，采用tanh作为激活函数，激活函数公式为：

其中，x表示隐藏层的输出。

输出层采用tanh作为激活函数，可以将输出值映射到-1到1之间。

分类器网络的输入是一个9维时间序列向量，分类器网络由2个一维卷积和一个全连接层构成。其中，第一个一维卷积的filter大小设置为5，第二个一维卷积的filter大小设置为3，均使用LeakyReLU作为激活函数，激活函数公式为：

优选的，a的取值为0.2。

输入向量经过一维卷积之后得到64个特征图(C1)，大小为5*1，再经过一维卷积之后得到16个特征图(C2)，大小为3*1，输出经过全连接之后通过softmax函数得到对应的PAM8电平分类。此过程中特征图的个数选择为经验值。

softmax函数的计算公式为：

其中，α_i为输出层第i个神经元的输入，j的取值为1到输出层神经元的总数。

损失loss的计算采用多分类交叉熵cross-entropy loss进行计算，计算公式为：

其中，k表示PAM信号电平，这里为PAM8***，所以k的取值为“-7，-5，-3，-1，1，3，5，7”，t_k表示目标类电平，目标类电平的t_k等于1，其它类电平的t_k等于0，P(y＝k)表示分类器网络中softmax函数得到的概率值，y表示预测输出电平。

如图4所示，对基于GSN的非线性均衡模块进行训练的过程包括：获取发送序列对应的接收序列，对发送序列和接收序列进行预处理得到训练数据集t，得到的训练集数据的长度为sample_length。首先训练分类器网络：从训练集t里面选取一个训练数据，把对应的辅助分类器训练序列输入辅助分类器网络得到9维向量输出作为负样本再把输出输入分类器网络，输出结果得到负样本的信号电平分类损失s_c_loss；再把分类器训练序列(正样本)输入分类器网络，输出结果得到正样本的信号电平分类损失c_loss，总损失loss＝c_loss+s_c__loss，更新分类器网络参数。然后训练辅助分类器网络，从训练集里面随机挑选一个训练数据，把辅助分类器训练序列输入辅助分类器网络，再将得到的输出输入分类器网络输出分类结果，得到损失s_c__loss，更新辅助分类器网络参数。重复上述过程，直到遍历完长度为sample_length的训练集，保存训练模型。

模型参数的拟合过程需要多次训练才能完成，当预测的准确率几乎不再变化，取最高的那次保存的模型作为最终均衡部分的模型。

如图3所示，预处理得到训练数据集的过程包括：发送序列为x，数据长度为L_x，相应的接收序列为y。L_g为接收数据滑动窗口的大小，在本发明中，即为输入辅助分类器网络的输入向量的长度，L_g＝19，接收序列y按长度L_g等长切分，用于训练辅助分类器网络，第i次的切分结果为{y_i，y_i+1，…，y_i+Lg-1}；L_d为发送数据滑动窗口的大小，在本发明中，即为输入分类器网络的输入向量的长度，L_d＝9，发送序列x按长度L_d等长切分，用于训练分类器网络，第i次的切分结果为{x_i+t，x_i+t+1，…，x_i+t+Ld-1}，其中t＝(L_g-L_d)/2；发送序列x第i次切分数据的中间数x_i+(Lg-1)/2作为这组切分数据的训练标签。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于GSN的可见光PAM***非线性补偿方法，其特征在于，包括：物理层点对点接收信号，并将接收到的信号输入到基于GSN的非线性均衡模块中进行非线性补偿，得到补偿后的PAM信号；通过PAM解映射把补偿后的PAM信号转变为二进制信号；将二进制信号输出，得到输出信号；其中，GSN表示生成辅助网络，PAM表示脉冲振幅调制；

2.根据权利要求1所述的一种基于GSN的可见光PAM***非线性补偿方法，其特征在于，辅助分类器网络包括输入层、隐藏层以及输出层；输入层为一个19维的向量；隐藏层含有两层结构，分别由64个神经元和32个神经元全连接组成；输出层为一个9维的向量。

3.根据权利要求2所述的一种基于GSN的可见光PAM***非线性补偿方法，其特征在于，辅助分类器网络的隐藏层选取ReLU函数作为激活函数，输出层采用tanh函数作为激活函数，ReLU函数的公式为：

tanh函数的公式为：

其中，x表示隐藏层的输出。

4.根据权利要求1所述的一种基于GSN的可见光PAM***非线性补偿方法，其特征在于，分类器网络包括2个一维卷积层和一个全连接层；第一个一维卷积层的filter大小为5，第二个一维卷积层的filter大小为3；两个一维卷积层均采用LeakyReLU作为激活函数。

5.根据权利要求1所述的一种基于GSN的可见光PAM***非线性补偿方法，其特征在于，对基于GSN的非线性均衡模块进行训练的过程包括：

6.根据权利要求5所述的一种基于GSN的可见光PAM***非线性补偿方法，其特征在于，得到训练数据集的过程包括：

步骤12：获取发送序列x的数据长度L_x；初始化切分次数i；

步骤13：获取接收数据滑动窗口和发送数据滑动窗口的大小，其中，接收数据滑动窗口大小为L_g，发送数据滑动窗口大小为L_d，根据接收数据滑动窗口和发送数据滑动窗的大小计算发送数据起始切分下标相对于接收数据起始切分下标的平移长度，计算公式为：t＝(L_g-L_d)/2，若接收序列的起始切分下标为y_i，则发送数据的起始切分下标为x_i+t；

步骤15：采用滑动窗口对发送序列和接收序列进行划分，将接收序列下标y_i，y_i+1,…,y_i+Lg-1作为辅助分类器训练数据，发送序列下标x_i+t,x_i+t+1,…,x_i+t+Ld-1作为分类器训练序列，x_i+(Lg-1)/2作为发送序列和接收序列的标签，将划分结果存入训练集中，划分次数加1，并返回步骤14；

步骤16：输出训练集。

7.根据权利要求5所述的一种基于GSN的可见光PAM***非线性补偿方法，其特征在于，采用多分类交叉熵计算***的损失，损失函数的表达式为：

其中，k表示PAM信号电平，t_k表示目标类电平，P(y＝k)表示分类器网络中softmax函数得到的概率值，y表示预测输出电平。