CN114500189B - 一种可见光通信直接预均衡方法、***、装置及介质 - Google Patents
一种可见光通信直接预均衡方法、***、装置及介质 Download PDFInfo
- Publication number
- CN114500189B CN114500189B CN202210081473.3A CN202210081473A CN114500189B CN 114500189 B CN114500189 B CN 114500189B CN 202210081473 A CN202210081473 A CN 202210081473A CN 114500189 B CN114500189 B CN 114500189B
- Authority
- CN
- China
- Prior art keywords
- model
- equalization
- signal
- training
- auxiliary
- 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.)
- Active
Links
Images
Classifications
-
- 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
- H04L25/0202—Channel estimation
-
- 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
- H04L25/03159—Arrangements for removing intersymbol interference operating in the frequency domain
-
- 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
- H04L25/03178—Arrangements involving sequence estimation techniques
- H04L25/03248—Arrangements for operating in conjunction with other apparatus
- H04L25/03254—Operation with other circuitry for removing intersymbol interference
- H04L25/03267—Operation with other circuitry for removing intersymbol interference with decision feedback equalisers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种可见光通信直接预均衡方法、***、装置及介质,其中方法包括:构建一个用于对通信信道做精度估计的辅助模型,对辅助模型进行训练,以使辅助模型完成对信道的估计;在完成了对信道的估计训练后,冻结辅助模型参数的梯度,并在辅助模型前面串联预均衡模型,构成级联模型,对级联模型进行训练;当级联模型训练收敛后,将训练后的级联模型应用于信号的预均衡过程中;其中,预均衡模型以实数信号X(k)作为输入信号,输出信号Z(k);信号Z(k)作为辅助模型的输入。本发明能有效抵抗信号带宽的频域选择性衰落,较好的补偿器件带来的线性和非线性损伤,提升通信性能。本发明可广泛应用于可见光通信技术领域。
Description
技术领域
本发明涉及可见光通信技术领域,尤其涉及一种可见光通信直接预均衡方法、***、装置及介质。
背景技术
近年来,随着工业4.0、物联网、云计算、6G等技术的发展,通信网络数据流量需求呈现***式的增长,对无线接入网速率也提出更高速率、更大容量、更低延时的挑战。基于LED的可见光通信拥有频谱资源丰富、高速、无电磁辐射且能与现有照明LED结合通信等独特的优势,必然会在今后通信领域发展中扮演重要的角色。然而当前有两个关键问题限制了可见光通信***实现Gb/s以上的高速传输:一是***中LED带宽受限;二是***中存在的各种线性和非线性失真。
导致可见光通信***调制带宽受限的主要原因LED器件的响应速率较低。其根因是由于LED有源区载流子的自发辐射寿命会影响其复合到光子逃逸出LED的时间,一般对于商用的LED来说,半导体内少子的寿命为100ps,理论带宽总是会限制在2GHz以下。此外,LED的结电容、光谱特性、封装等因素也会影响其响应速度。种种苛刻条件就导致了当前商用的大功率照明LED的调制带宽都远低于理论值,-3dB带宽小于10MHz。因此,寻找突破LED***带宽、提升***传输容量的技术是可见光高速通信中亟需解决的关键问题。而数字预均衡则是一种很有前景的方案。
引起***线性失真和非线性失真的主要来源于***硬件输入电压和输出电流、以及输入电流和输出光强之间的非线性关系,这会使得信号调制深度降低,限制输出信号的峰峰值,最终降低***功率效率,产生削波失真,不利于接收机的信号探测。***线性失真的表现是给信号带来严重的码间干扰,严重时会影响信号的正确解调造成误码率急剧增长。***非线性失真的表现是给信号星座图带来严重的畸变,降低***的容忍能力。当前的解决方案普遍是使用数据均衡技术对***损伤进行补偿。
数字均衡技术主要分为发射侧的预均衡技术和接受侧的后均衡技术。后均衡技术应用于环境复杂多变的情况下,为了更好的适应多径效应,将接收信号进行自适应均衡,通常复杂度较高,硬件开销大。预均衡技术以通信信道的传输特性为依据,经过计算得到均衡器的抽头数与系数用于在发射侧抵抗信号带宽在通信时的衰落和消除部分码间串扰。此技术可以大大简化接收机的设计,降低设备成本,间接提高终端设备的使用寿命。然而当前的预均衡器主要采用间接架构计算参数,精度不高,补偿能力差,在存在严重码间干扰的情况下难以正常工作。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一,本发明的目的在于提供一种可见光通信直接预均衡方法、***、装置及介质。
本发明所采用的技术方案是:
一种可见光通信直接预均衡方法,包括以下步骤:
构建一个用于对通信信道做精度估计的辅助模型,对辅助模型进行训练,以使辅助模型完成对信道的估计;
在完成了对信道的估计训练后,冻结辅助模型参数的梯度,并在辅助模型前面串联预均衡模型,构成级联模型,对级联模型进行训练;
当级联模型训练收敛后,将训练后的级联模型应用于信号的预均衡过程中;
其中,预均衡模型以实数信号X(k)作为输入信号,输出信号Z(k);信号Z(k)作为辅助模型的输入。
进一步地,所述辅助模型包括输入层、隐藏层和输出层,
所述输入层包括门控循环单元,所述门控循环单元通过引入重置门、更新门和候选隐藏状态可以有效的建立数据之间的关联性,加快模型的训练,提升模型精度;
所述重置门用于捕获信号序列中的短期依赖关系;
所述更新门用于捕获信号序列中的长期依赖关系;
所述候选隐藏状态,用于获取当前信号加入后新的隐藏状态;
所述隐藏层包括全连接层,所述全连接层的激活函数为Relu;
所述输出层由两个节点构成,所述两个节点分别代表信号的实部和虚部。
进一步地,所述重置门的公式表达式为:
Rt=σ(XtWxr+Ht-1Whr+br)
式中,σ表示带激活函数的全连接层,Xt表示当前时刻的输入,Wxr表示当前输入与重置门之间的权重矩阵,Ht-1表示上一时刻的隐藏状态,Whr表示上一时刻状态与重置门的权重矩阵,br表示重置门中的偏置;
所述更新门的公式表达式为:
Zt=σ(XtWxz+Ht-1Whz+bz)
式中,σ表示带激活函数的全连接层,Xt表示当前时刻的输入,Wxz表示当前输入与更新门之间的权重矩阵,Ht-1表示上一时刻的隐藏状态,Whz表示上一时刻状态与更新门的权重矩阵,bz表示更新门中的偏置;
所述候选隐藏状态的公式表达式为:
式中,σ表示带激活函数的全连接层,Xt表示当前时刻的输入,Wxh表示当前输入与候选隐藏状态之间的权重矩阵,Rt表示重置门输出,Ht-1表示上一时刻的隐藏状态,Whh表示上一时刻状态与候选隐藏状态之间的权重矩阵,bh表示偏置项,Zt表示更新门输出,Ht为为最终的输出状态。
进一步地,所述辅助模型训练过程中损失函数的表达式为:
其中,e(k)表示误差函数,Y(k)表示标签,X(k)表示均衡器输出。
进一步地,所述对级联模型进行训练,包括:
以实数信号X(k)为特征并输入预均衡模型,将预均衡模型的输出输入辅助模型中,辅助模型的输出与标签的均方误差为损失函数,利用随机梯度下降法,以最小化损失函数为准则,对网络参数进行不断的更新,直至模型收敛;
由于此时辅助模型的梯度冻结不会进行参数更新,损失函数的梯度会直接通过辅助模型传入预均衡模型进行预均衡模型的训练。
本发明所采用的另一技术方案是:
一种可见光通信直接预均衡***,包括:
辅助模型建立模块,用于构建一个用于对通信信道做高精度估计的辅助模型,对辅助模型进行训练,以使辅助模型完成对信道的估计;
级联模型建立模块,用于在完成了对信道的估计训练后,冻结辅助模型参数的梯度,并在辅助模型前面串联预均衡模型,构成级联模型,对级联模型进行训练;
直接预均衡模块,用于当级联模型训练收敛后,将训练后的级联模型应用于信号的预均衡过程中;
其中,预均衡模型以实数信号X(k)作为输入信号,输出信号Z(k);信号Z(k)作为辅助模型的输入。
本发明所采用的另一技术方案是:
一种可见光通信直接预均衡装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是:
一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是:本发明能有效抵抗信号带宽的频域选择性衰落,较好的补偿器件带来的线性和非线性损伤,提升通信性能。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员而言,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1是本发明实施例中间接学习架构的示意图;
图2是本发明实施例中直接学习架构的示意图;
图3是本发明实施例中深度学习网络的结构示意图;
图4是本发明实施例中门控循环单元的结构示意图;
图5是本发明实施例中直接预均衡架构与间接预均衡架构的频谱对比图;
图6是本发明实施例中直接预均衡架构与间接预均衡架构的星座图对比图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本实施例提供一种可见光通信的方法,具体包括以下步骤:
S1、将二进制码流编码映射为64QAM的复数符号,其中1个符号包含6个比特的信息;使用无载波幅度相位调制方式将复数符号调制到带宽为80Mhz的实数原始信号X(k);将X(k)输入预均衡模块得到处理后的信号Z(k)。
S2、将预均衡器的输出信号Z(k)输入发射侧(Tx)。流程为Z(k)经由采样率400MSa/s的数模转换器变为模拟信号;再通过电放大器后进入由偏执器驱动的LED光源中完成电光转换发射到通信信道。
S3、接收侧(Rx)使用光电探测器将光信号接收并转化为电信号;电信号经过电放大器放大后再进入采样率为2G Sa/s的模数转换器得到数字信号;对信号进行重采样和时钟同步操作后得到与原始信号相对应的接收信号Y(k)。
上述方法中,预均衡器采用的是间接学习架构预均衡技术,如图1所示,间接学习架构将接收信号Y(k)直接进行后均衡数字信号处理,使用自适应算法通过不断的迭代将接收信号逼近输入信号,收敛时间长,对接收机性能要求高,算法迭代完成后还需要将后均衡的抽头系数复制到预均衡器中,通常来说***会收到非线性和随机噪声的影响,后均衡训练的抽头系数并不等价于最理想的预均衡器系数,因此会出现较大的误差。
针对上述的间接学习架构预均衡技术的缺陷,如图2所示,本实施例提出了一种直接学习架构,可以有效提升预均衡器的精度,降低接收机的复杂度,具体实现流程主要分为3个步骤:
A1、预设一个用于对通信信道做高精度估计的辅助模型C(简称模型C)。该辅助模型C部署的是一个深度神经网络,具体结构如图3所示。二进制序列经过编码后变为复数形式的信号序列,将复数序列输入门控循环单元层。门控循环单元通过引入重置门、更新门和候选隐藏状态可以有效的建立数据之间的关联性,加快模型的训练,提升模型精度,且相比于更复杂的长短期记忆模型循环神经网络有更低的复杂度和更快的收敛速度,非常适用于信号这种小样本序列的训练。门控循环单元结构如图4所示,公式如下:
Rt=σ(XtWxr+Ht-1Whr+br)
Zt=σ(XtWxz+Ht-1Whz+bz)
深度学习网络的隐藏层为全连接层,激活函数为Relu。门控循环单元的输出可以通过多个全连接层完成更为复杂的训练,同时全连接层还具升降维度的功能。最终的输出层有两个节点构成,分别代表信号的实部和虚部。该模型的训练特征为输入信号X(k),标签为输出信号Y(k),优化算法为随机梯度下降法,损失函数为均方误差可表示为:
经过一定的时间训练,损失函数小于某个阈值时即可认为完成训练,此时模型C完成了对信道的估计。
A2、待辅助模型停止训练后需要冻结其参数的梯度,并在其前面串联预均衡模型Z(简称模型Z)构成两个级联的训练网络,其中模型Z与模型C具有相同的网络结构。级联网络以X(k)为特征并输入Z模型,Z模型的输出再输入C模型中,C模型的输出与标签X(k)的均方误差为损失函数,利用随机梯度下降法,以最小化损失函数为准则,对网络参数进行不断的更新直至模型收敛。由于此时模型C梯度冻结不会进行参数更新,损失函数的梯度会直接通过模型C传入模型Z进行预均衡模型的训练。
直接学习架构的训练分成了两个步骤,第一步骤是先通过模型C训练,此时因为模型Z还在初始化的状态,所以Z(k)是等于X(k)的。通过将Z(k)输入到模型C,得到模型C的输出C(k),通过模型的学习使得输出C(k)尽量接近Y(k)。也就是说这个步骤是想学习信号X(k)是怎样衰减到Y(k)的。
第二个步骤是等模型C学习好后停止训练,再开始对模型Z进行训练。这个目的是当前已经通过模型C知道了信号是如何衰减的,用模型Z学习如何针对性的补偿C的衰减。
A3、当级联模型收敛后也代表预均衡模型Z训练完成,后取出Z模型用于单独使用,完成基于深度学习网络的直接学习预均衡的全部流程。值得注意的是,当通信信道变化明显时,需要重新进行上述训练才能有较好的补偿效果。
图5为本实施例提出的直接预均衡架构与间接学***坦的发射信号Tx经过信道后产生一定的衰落,得到的接收信号Rx需要经过复杂的后均衡处理才能恢复出原有的数据。本实施例提出直接预均衡架构的方案可以估计信道特性,并依此提前对信号进行预补偿,经过预补偿的信号在经过信道后恰好与衰弱相抵消,最终得到的接收信号无需任何操作便近似于发射信号Tx。
图6为本发明实施例提出的直接预均衡架构与间接学习架构的星座图对比。深度神经网络强大的拟合能力可以同时解决线性与非线性的问题,使得模型估计更为精确,直接预均衡架构可以避免接受侧非线性和随机噪声问题给模型带来的不确定性。因此可以看到本发明实施例提出的方案星座图收敛的更好,误码率更低。
本实施例还提供了一种可见光通信直接预均衡***,包括:
辅助模型建立模块,用于构建一个用于对通信信道做高精度估计的辅助模型,对辅助模型进行训练,以使辅助模型完成对信道的估计;
级联模型建立模块,用于在完成了对信道的估计训练后,冻结辅助模型参数的梯度,并在辅助模型前面串联预均衡模型,构成级联模型,对级联模型进行训练;
直接预均衡模块,用于当级联模型训练收敛后,将训练后的级联模型应用于信号的预均衡过程中;
其中,预均衡模型以实数信号X(k)作为输入信号,输出信号Z(k);信号Z(k)作为辅助模型的输入。
本实施例的一种可见光通信直接预均衡***,可执行本发明方法实施例所提供的方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本实施例还提供了一种可见光通信直接预均衡装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述方法。
本实施例的一种可见光通信直接预均衡装置,可执行本发明方法实施例所提供的方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本实施例还提供了一种存储介质,存储有可执行本发明方法实施例所提供的方法的指令或程序,当运行该指令或程序时,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种可见光通信直接预均衡方法,其特征在于,包括以下步骤:
构建一个用于对通信信道做精度估计的辅助模型,对辅助模型进行训练,以使辅助模型完成对信道的估计;
在完成了对信道的估计训练后,冻结辅助模型参数的梯度,并在辅助模型前面串联预均衡模型,构成级联模型,对级联模型进行训练;
当级联模型训练收敛后,将训练后的级联模型应用于信号的预均衡过程中;其中,预均衡模型以实数信号X(k)作为输入信号,输出信号Z(k);信号Z(k)作为辅助模型的输入;
所述辅助模型包括输入层、隐藏层和输出层,
所述输入层包括门控循环单元,所述门控循环单元通过引入重置门、更新门和候选隐藏状态,以有效的建立数据之间的关联性,加快模型的训练,提升模型精度;
所述重置门用于捕获信号序列中的短期依赖关系;
所述更新门用于捕获信号序列中的长期依赖关系;
所述候选隐藏状态,用于获取当前信号加入后新的隐藏状态;
所述隐藏层包括全连接层,所述全连接层的激活函数为Relu;
所述输出层由两个节点构成,所述两个节点分别代表信号的实部和虚部。
2.根据权利要求1所述的一种可见光通信直接预均衡方法,其特征在于,所述重置门的公式表达式为:
Rt=σ(XtWxr+Ht-1Whr+br)
式中,σ表示带激活函数的全连接层,Xt表示当前时刻的输入,Wxr表示当前输入与重置门之间的权重矩阵,Ht-1表示上一时刻的隐藏状态,Whr表示上一时刻状态与重置门的权重矩阵,br表示重置门中的偏置;
所述更新门的公式表达式为:
Zt=σ(XtWxz+Ht-1Whz+bz)
式中,σ表示带激活函数的全连接层,Xt表示当前时刻的输入,Wxz表示当前输入与更新门之间的权重矩阵,Ht-1表示上一时刻的隐藏状态,Whz表示上一时刻状态与更新门的权重矩阵,bz表示更新门中的偏置;
所述候选隐藏状态的公式表达式为:
式中,σ表示带激活函数的全连接层,Xt表示当前时刻的输入,Wxh表示当前输入与候选隐藏状态之间的权重矩阵,Rt表示重置门输出,Ht-1表示上一时刻的隐藏状态,Whh表示上一时刻状态与候选隐藏状态之间的权重矩阵,bh表示偏置项,Zt表示更新门输出,Ht为最终的输出状态。
4.根据权利要求1所述的一种可见光通信直接预均衡方法,其特征在于,所述对级联模型进行训练,包括:
以实数信号X(k)为特征并输入预均衡模型,将预均衡模型的输出输入辅助模型中,辅助模型的输出与标签的均方误差为损失函数,利用随机梯度下降法,以最小化损失函数为准则,对网络参数进行不断的更新,直至模型收敛;
由于此时辅助模型的梯度冻结不会进行参数更新,损失函数的梯度会直接通过辅助模型传入预均衡模型进行预均衡模型的训练。
5.一种可见光通信直接预均衡***,其特征在于,包括:
辅助模型建立模块,用于构建一个用于对通信信道做高精度估计的辅助模型,对辅助模型进行训练,以使辅助模型完成对信道的估计;
级联模型建立模块,用于在完成了对信道的估计训练后,冻结辅助模型参数的梯度,并在辅助模型前面串联预均衡模型,构成级联模型,对级联模型进行训练;
直接预均衡模块,用于当级联模型训练收敛后,将训练后的级联模型应用于信号的预均衡过程中;
其中,预均衡模型以实数信号X(k)作为输入信号,输出信号Z(k);信号Z(k)作为辅助模型的输入;
所述辅助模型包括输入层、隐藏层和输出层,
所述输入层包括门控循环单元,所述门控循环单元通过引入重置门、更新门和候选隐藏状态,以有效的建立数据之间的关联性,加快模型的训练,提升模型精度;
所述重置门用于捕获信号序列中的短期依赖关系;
所述更新门用于捕获信号序列中的长期依赖关系;
所述候选隐藏状态,用于获取当前信号加入后新的隐藏状态;
所述隐藏层包括全连接层,所述全连接层的激活函数为Relu;
所述输出层由两个节点构成,所述两个节点分别代表信号的实部和虚部。
6.一种可见光通信直接预均衡装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现权利要求1-4任一项所述方法。
7.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-4任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210081473.3A CN114500189B (zh) | 2022-01-24 | 2022-01-24 | 一种可见光通信直接预均衡方法、***、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210081473.3A CN114500189B (zh) | 2022-01-24 | 2022-01-24 | 一种可见光通信直接预均衡方法、***、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114500189A CN114500189A (zh) | 2022-05-13 |
CN114500189B true CN114500189B (zh) | 2023-06-20 |
Family
ID=81474960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210081473.3A Active CN114500189B (zh) | 2022-01-24 | 2022-01-24 | 一种可见光通信直接预均衡方法、***、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114500189B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108156106A (zh) * | 2017-12-19 | 2018-06-12 | 浙江大学 | 适用于可见光通信的连续相位调制信号的传输与重建方法 |
CN111371497A (zh) * | 2020-03-23 | 2020-07-03 | 珠海复旦创新研究院 | 一种有记忆的量化误差预均衡补偿***和方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007118B (zh) * | 2015-06-10 | 2017-12-26 | 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 |
CN109347555A (zh) * | 2018-09-19 | 2019-02-15 | 北京邮电大学 | 一种基于径向基函数神经网络的可见光通信均衡方法 |
CN110321810A (zh) * | 2019-06-14 | 2019-10-11 | 华南师范大学 | 单通道信号双路分离方法、装置、存储介质及处理器 |
CN116054888A (zh) * | 2020-04-07 | 2023-05-02 | 东莞理工学院 | 一种天线信号的原始信号重构方法及装置 |
CN112600618B (zh) * | 2020-12-07 | 2023-04-07 | 重庆邮电大学 | 一种基于注意力机制的可见光信号均衡***及方法 |
CN112865866B (zh) * | 2021-01-20 | 2022-04-05 | 重庆邮电大学 | 基于gsn的可见光pam***非线性补偿方法 |
-
2022
- 2022-01-24 CN CN202210081473.3A patent/CN114500189B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108156106A (zh) * | 2017-12-19 | 2018-06-12 | 浙江大学 | 适用于可见光通信的连续相位调制信号的传输与重建方法 |
CN111371497A (zh) * | 2020-03-23 | 2020-07-03 | 珠海复旦创新研究院 | 一种有记忆的量化误差预均衡补偿***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114500189A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112600772B (zh) | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 | |
Schädler et al. | Soft-demapping for short reach optical communication: A comparison of deep neural networks and volterra series | |
CN110166391B (zh) | 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 | |
Zhang et al. | Non-data-aided k-nearest neighbors technique for optical fiber nonlinearity mitigation | |
CN112598072B (zh) | 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法 | |
Chi et al. | Challenges and prospects of machine learning in visible light communication | |
Karanov et al. | Deep learning for communication over dispersive nonlinear channels: performance and comparison with classical digital signal processing | |
CN112291005A (zh) | 一种基于Bi-LSTM神经网络的接收端信号检测方法 | |
CN104410593A (zh) | 基于判决反馈模型的数字符号非线性误差修正均衡方法 | |
Li et al. | IQ symbols processing schemes with LSTMs in OFDM system | |
Abbasi et al. | Deep learning-based list sphere decoding for Faster-than-Nyquist (FTN) signaling detection | |
Qin et al. | Recurrent neural network based joint equalization and decoding method for trellis coded modulated optical communication system | |
CN114500189B (zh) | 一种可见光通信直接预均衡方法、***、装置及介质 | |
CN114500197B (zh) | 一种可见光通信后均衡方法、***、装置及存储介质 | |
Ney et al. | Unsupervised ANN-based equalizer and its trainable FPGA implementation | |
Chen et al. | High-performance low-complexity Volterra decision feedback equalizer based on FPGA for C-Band PAM-4 transmission | |
CN107836100A (zh) | 用于使用稀疏不连续的时域导频的低复杂度isi估计的方法和装置 | |
CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及*** | |
Zhang et al. | An improved end-to-end optical transmission system based on deep learning | |
CN113938198B (zh) | 光纤传输***、基于lda简化非线性均衡器的方法及模块 | |
Cai et al. | Nonlinear compensation based on bidirectional gate recurrent unit in underwater visible light communication system | |
Kuschnerov et al. | Advances in deep learning for digital signal processing in coherent optical modems | |
CN114204993A (zh) | 基于多项式映射的特征构建的非线性均衡方法及*** | |
Abdelsamie et al. | Novel low-complexity neural network aided detection for FTN signalling in ISI channel | |
Xu et al. | Applications of Machine Learning in Visible Light Communication |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |