CN116506261B - 一种可见光通信感知方法及*** - Google Patents
一种可见光通信感知方法及*** Download PDFInfo
- Publication number
- CN116506261B CN116506261B CN202310764586.8A CN202310764586A CN116506261B CN 116506261 B CN116506261 B CN 116506261B CN 202310764586 A CN202310764586 A CN 202310764586A CN 116506261 B CN116506261 B CN 116506261B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- neural network
- network model
- channel gain
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008447 perception Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000007493 shaping process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 2
- 241000764238 Isis Species 0.000 claims 1
- 230000023004 detection of visible light Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 4
- 238000009423 ventilation Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Communication System (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种可见光通信感知方法及***,该方法通过获取光源和模拟终端的位置坐标信息计算得到信道增益信息,进而构造信道增益矩阵。其中,信道增益矩阵视为无噪声的二维图像;将无噪声的二维图像进行加噪处理,再将噪声图像和对应的噪声水平图输入FFDNet中进行训练;将去噪图像和目标位置输入LSTM神经网络模型中进行训练;将实际获取到的目标图像依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置,具体的,首先采用图像去噪技术对可见光信道进行估计,然后将含有位置特征的参数矩阵与LSTM神经网络算法融合,从信道估计的信道状态信息中获取精确的定位信息,最终实现可见光通感一体化。
Description
技术领域
本发明属于可见光通信感知的技术领域,具体涉及一种可见光通信感知方法及***。
背景技术
随着新一代无线通信技术的发展,对移动数据流量的需求呈指数级增长。由于大多数数据流量往往产生于室内,因此研究并设计高效的室内无线通信技术越来越受到关注,特别的,这一趋势使得人们对室内高速通信和精确定位的需求更加迫切。
然而,现有的基于传统射频(Radio Frequency,RF)波段的通信和定位技术面临着严重的电磁干扰和频谱资源短缺的问题。不过幸运的是,可见光通信(Visible LightCommunication,VLC),作为射频通信技术的一种实用增强技术,能在很大程度上缓解上述问题。具体来说,VLC***可以利用丰富的可见光频谱和视距(Line-of-Sight,LoS)传播实现高吞吐量和低延迟信息传输。同时,得益于密集的分布式发光二极管(Light EmittingDiode,LED)光源的优势,VLC在高精度定位方面具有巨大潜力。总而言之,借助于相同的照明基础设施,可见光通信和感知(Visible Light Communication and Positioning,VLCP)技术的集成可以显著提高无线通信的传输和感知性能。这作为无线技术的一种新范式,得到了学术界和工业界的广泛关注。
目前,虽然已经存在许多工作来单独提高VLC或可见光定位(Visible LightPositioning,VLP)的性能,但是同时研究VLC和VLP仍然至关重要。值得一提的是,准确高效的信道状态信息(Channel State Information,CSI)是提高VLC和VLP性能的关键。然而,传统的信道估计方法都依赖于先验信息,并且在密集通信网络中,尤其是在密集VLCP网络中,他们难以有效处理高维的信道矩阵信息,进而难以对终端进行准确定位。
发明内容
基于此,本发明实施例当中提供了一种可见光通信感知方法及***,旨在解决现有技术中,在室内可见光通信的场景下,终端定位不准确的问题。
本发明实施例的第一方面提供了一种可见光通信感知方法,所述方法包括:
获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像;
将无噪声的二维图像进行加噪处理,得到噪声图像;
将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练;
将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,所述去噪图像为经过FFDNet处理后的图像;
将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置。
进一步的,所述获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像的步骤之前包括:
在预设室内环境下部署m-MIMO可见光通信感知***,通过控制m-MIMO可见光通信感知***工作,以获取光源与模拟终端之间的信道增益,其中,所述m-MIMO可见光通信感知***由个LED作为发射器,/>个PD作为接收器组成。
进一步的,所述信道增益的公式可以表示为:
其中,hij表示为第i个LED和第j个PD之间的信道增益,=1,…,/>,/>=1,…,/>,表示为接收器的有效收集面积,/>表示为第/>个LED到第/>个PD的欧式距离,在第/>个LED和第/>个PD之间,辐照度角和入射角分别用/>和/>表示,/>表示为滤光器的增益,表示为光学集中器的增益,在/> 的情况下,可以表示为:
其中,表示为PD的视场,n表示为光学集中器的折射率,在接收器处,m表示为朗伯辐射阶数,表示为:
其中,表示为半功率下的发射器半角度。
进一步的,所述将无噪声的二维图像进行加噪处理,得到噪声图像的步骤中,将均值为0,方差为的加性高斯白噪声添加到无噪声的二维图像中,以得到噪声图像,其中,/>表示为实际噪声水平。
进一步的,FFDNet中采用可逆的下采样过程,其中,将所述噪声图像切分为大小为的4个下采样的子图像,并分别对所述子图像进行去噪,得到去噪子图像,以在不扩展卷积的情况下有效地增加感受野,并产生适度的网络深度;
另外,将噪声水平可调的噪声水平图叠加到所述子图像中,获得大小为的张量。
进一步的,FFDNet中的卷积神经网络由三部分组成,第一部分采用卷积核的大小为3×3 的卷积操作和校正线性单元,校正线性单元的使用是为了实现非线性;
第二部分由三个操作组合而成,包括卷积单元,校正线性单元和批量归一化单元,其中,批量归一化单元被级联在卷积单元和校正线性单元之间以加快训练和收敛速度,并改善消失梯度的问题;
第三部分在获得四个去噪子图像之后,采用上采样过程来重整放大卷积神经网络输出,生成去噪图像。
进一步的,所述将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练的步骤包括:
获取信道估计矩阵,将所述信道估计矩阵进行整形,得到具有预设长度的目标序列;
将所述目标序列输入所述LSTM神经网络模型的LSTM层中,输出位置特征数据;
将所述位置特征数据输入所述LSTM神经网络模型的全连接子网络中,并设置所述目标位置为输出,以对LSTM神经网络模型进行训练。
本发明实施例的第二方面提供了一种可见光通信感知***,所述***包括:
获取模块,用于获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像;
加噪处理模块,用于将无噪声的二维图像进行加噪处理,得到噪声图像;
第一训练模块,用于将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练;
第二训练模块,用于将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,所述去噪图像为经过FFDNet处理后的图像;
可见光通信感知模块,用于将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置。
本发明实施例的第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的可见光通信感知方法。
本发明实施例的第四方面提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的可见光通信感知方法。
本发明的有益效果为:该方法通过获取光源与模拟终端之间的信道增益,根据信道增益,确定光源与终端之间的信道增益矩阵,其中,信道增益矩阵视为无噪声的二维图像;将无噪声的二维图像进行加噪处理,得到噪声图像;将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练;将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,去噪图像为经过FFDNet处理后的图像;将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置,具体的,首先采用图像去噪技术对可见光信道进行估计,然后将含有位置特征的参数矩阵与LSTM神经网络算法融合,从信道估计的信道状态信息中获取精确的定位信息,最终实现可见光通感一体化。
附图说明
图1为本发明实施例一提供的一种可见光通信感知方法的实现流程图;
图2为m-MIMO可见光通信感知***的收发阵列示意图;
图3为LoS信道模型的示意图;
图4为为可见光通信感知的网络结构示意图;
图5为本发明实施例提出的可见光通信感知网络收发器阵列尺寸在128×128情况下FFDNet的噪声灵敏度曲线示意图;
图6为本发明实施例提出的可见光通信感知网络预测的坐标信息和实际坐标信息之间的误差所计算出的位置误差的累积分布函数(Cumulative Distribution Function,CDF)曲线示意图;
图7为本发明实施例二提供的一种可见光通信感知***的结构示意图;
图8为本发明实施例三当中的电子设备的结构框图。
以下具体实施方式将结合上述附图进一步说明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,图1示出了本发明实施例一提供的一种可见光通信感知方法的实现流程图,所述方法具体包括步骤S01至步骤S05。
步骤S01,获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像。
具体的,首先需要在预设室内环境下部署m-MIMO可见光通信感知***,通过控制m-MIMO可见光通信感知***工作,以获取光源与模拟终端之间的信道增益,其中,请参阅图2,为m-MIMO可见光通信感知***的收发阵列示意图,m-MIMO可见光通信感知***由个LED作为发射器,/>个PD作为接收器组成。需要说明的是,光源可以为LED阵列,模拟终端可以为PD阵列,其中,LED阵列平面平行于地面,PD阵列在地面上正对LED阵列,以获得最佳的信道质量。
为了重点研究信道估计和定位技术,本实施例当中假设每个LED具有相同的规格和性能,并且每个PD具有相同的处理能力。由于信道增益和距离存在平方反比关系,非视距链路分量明显弱于视距链路分量。不失一般性,本实施例当中假设LoS链路主导信道增益,即忽略非视距链路分量对信道增益的影响。此外,LED辐射模型遵循朗伯辐照模型。
需要说明的是,请参阅图3,为LoS信道模型的示意图,第i个LED和第j个PD之间的信道增益hij可以表示为:
其中,hij表示为第i个LED和第j个PD之间的信道增益,=1,…,/>,/>=1,…,/>,表示为接收器的有效收集面积,/>表示为第/>个LED到第/>个PD的欧式距离,在第/>个LED和第/>个PD之间,辐照度角和入射角分别用/>和/>表示,/>表示为滤光器的增益,表示为光学集中器(Optical Concentrator,OC)的增益,在/> 的情况下,可以表示为:
其中,表示为PD的视场(Field of View,FOV),n表示为光学集中器的折射率,在接收器处,m表示为朗伯辐射阶数,表示为:
其中,表示为半功率下的发射器半角度。
需要说明的是,基于信道增益hij的表达式,可以获得LED阵列和PD阵列之间的信道增益矩阵H。由于信道的稀疏性,信道增益矩阵H被视为大小为的无噪声信道图像,可以理解的,将本身由数值组成的矩阵视为一个二维图像,即为无噪声的二维图像。然后,通过可见光信道接收的信号受到信道衰落和加性高斯白噪声(Additive White GaussianNoise,AWGN)的影响。因此,接收机终端将获得带噪声的信道图像Y,即噪声图像。值得注意的是,AWGN的噪声水平随环境而变化。为了有效地处理可变噪声水平并准确估计信道增益,本发明实施例采用FFDNet处理带噪声的信道增益图像Y。同时,值得注意的是,为了提高网络处理噪声的能力并节省训练过程的时间和计算成本,在信道估计子网络中设置了一个噪声检测模块,即在下采样的同时,进行噪声检测。此外,从信道增益表达式中可以看出,信道增益与收发器位置直接相关。也就是说,可以基于已知的信道增益来提取每个PD的位置信息。因此,被FFDNet处理去噪后得到的信道增益矩阵被用作LSTM神经网络模型的输入以估计位置坐标。
步骤S02,将无噪声的二维图像进行加噪处理,得到噪声图像。
具体的,通过在室内部署m-MIMO可见光通信***来获得无噪声信道图像Hk,然后将均值为0,方差为的加性高斯白噪声添加到无噪声的二维图像,即无噪声信道图像Hk中,以得到噪声图像Yk,其中,/>表示为实际噪声水平,可以理解的,Hk表示为第k组数据中的无噪声信道图像,Yk表示为第k组数据中的噪声图像。
步骤S03,将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练。
可以理解的,将无噪声的二维图像和噪声图像作为数据集,输入FFDNet中进行训练,具体的,FFDNet主要专注于非盲去噪,并假设噪声水平图是已知的,其中,去噪相当于信道估计。为了提高实际场景的去噪性能,采用针对图像的噪声检测方法来辅助估计噪声水平图。需要说明的是,噪声检测模块中的噪声检测可以为,首先根据噪声图像的统计特性和梯度选择没有高频分量的低秩贴片,然后,对所选贴片的主成分进行分析来估计噪声水平,这使得能够调整FFDNet降噪算法以获得最佳的降噪结果。其次,为了在不损失精度的情况下加快网络的训练速度,FFDNet中采用了一个可逆的下采样过程,即输入的噪声图像/>被切分为大小为/>的4个下采样的子图像,再对下采样的子图像进行去噪,可以实现在不扩展卷积的情况下有效地增加感受野,并导致适度的网络深度。进一步的,为了提高网络的去噪能力,本发明实施例将噪声水平可调的噪声水平图/>叠加到子图像中,获得大小为的张量/>。更为具体的,将/>中的所有元素都设置为/>,以防止噪声水平与噪声图像/>的维度失配。
为了提取张量的特征,本发明实施例中的FFDNet采用深度为De=15的卷积神经网络,具体的,该卷积神经网络由三部分组成,第一部分采用卷积核的大小为3×3 的卷积操作和校正线性单元(Rectified Linear Unit,ReLU),校正线性单元的使用是为了实现非线性;
第二部分由三个操作组合而成,包括卷积单元,校正线性单元和批量归一化单元,其中,批量归一化单元被级联在卷积单元和校正线性单元之间以加快训练和收敛速度,并改善消失梯度的问题;
第三部分在获得四个去噪子图像之后,采用上采样过程来重整放大卷积神经网络输出,生成大小为的去噪图像/>。
在本发明实施例当中,特征图的通道数被设置为64,另外,为了确保特征图的大小一致,在每次卷积结束后都对特征图进行零填充。
步骤S04,将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,所述去噪图像为经过FFDNet处理后的图像。
具体的,首先获取信道估计矩阵,将信道估计矩阵进行整形,得到具有预设长度的目标序列,然后将目标序列输入LSTM神经网络模型的LSTM层中,输出位置特征数据,最后将位置特征数据输入LSTM神经网络模型的全连接子网络中,并设置目标位置为输出,以对LSTM神经网络模型进行训练。
需要说明的是,本发明实施例采用LSTM网络进行定位。LSTM不仅继承了递归神经网络(Recurrent Neural Network,RNN)在处理长期时间依赖性方面的优势,而且有效地解决了梯度消失的问题。因此,采用LSTM网络从FFDNet处理过后的信道增益图像中提取位置信息。具体的,信道估计矩阵/>(即图像/>)首先被整形为长度为/>的序列/>,并将其作为LSTM网络的输入。LSTM网络中的门和细胞状态分别采用sigmoid和tanh作为激活函数,sigmoid可以生成0到1之间的值来实现“门控”的效果,tanh则可以加速网络的收敛。为了平衡训练速度和估计精度,本发明实施例采用由/>个单元组成的LSTM层来提取位置相关特征。之后,LSTM层的输出数据被馈送到一个全连接子网络中,其中使用三个隐藏层将LSTM层提取的特征映射到位置坐标的标签空间。这三个隐藏层后均采用ReLU作为激活函数。最后一个隐藏层包含三个神经元,它们分别表示LSTM网络生成的估计的三维坐标/>(x,y,z)。
步骤S05,将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置。
请参阅图4,为可见光通信感知的网络结构示意图,输入为目标信道增益矩阵,即目标图像,输出为信道估计结果和目标预测位置,其中,信道估计结果即为信道增益图像,需要说明的是,在整体网络训练之前,需要获取一定数量的数据集/>,其中,数据集中包括/>组数据,每组数据中包括噪声图像、噪声水平图以及无噪声信道图像,具体的,Yk表示为第k组数据中的噪声图像,Mk表示为第k组数据中的噪声水平图,Hk表示为第k组数据中的无噪声信道图像,/>表示为FFDNet训练数据的数量。首先,通过在室内部署m-MIMO可见光通信***来获得无噪声信道图像/>。其次,将均值为0,方差为/>的AWGN添加到无噪声图像/>中,以形成有噪声图像/>。最后,我们将可调噪声图/>与其相叠加,以形成张量/>作为CNN的输入。FFDNet的深度设置为De=15,感受野大小为62×62,以平衡网络的复杂性和性能。损失函数由下式给出:
其中,表示为去噪网络定义的隐函数,/>表示为FFDNet中的训练参数。
进一步的,为了训练用于位置估计的LSTM神经网络模型,本发明实施例利用FFDNet网络的输出来作LSTM神经网络模型的数据集,其中,/>表示为PD的真实坐标。损失函数均方误差(Mean Squared Error,MSE)如下所示:
其中,表示为LSTM网络中的训练参数,/>表示为网络估计的PD坐标。不失一般性,这些数据中的70%被用于训练FFDNet与LSTM神经网络模型,15%用作测试以及15%用于验证数据。
为了对本发明实施例提出的可见光通信感知方法进行验证,首先在室内部署m-MIMO可见光通信感知***,室内大小被设置为10×10×4m3,收发阵列大小被设置为128×128。以获取所需要的样本数据,即信道增益矩阵,将其视为无噪声的天然二维图像。在受到信道衰落与AWGN影响之后生成了带噪图像/>,输入所提出的深度学习神经网络。
调用训练好的FFDNet-LSTM网络,对信道增益矩阵进行处理,获得信道估计的结果/>以及位置估计的结果/>。
在信道估计方面,为了直观地证明所提出网络的有效性,利用信道估计评价指标MSE来进一步探究FFDNet的去噪性能。不失一般性,还考虑了噪声水平为=5,10,20,40的特定噪声水平图。图5为本发明实施例提出的可见光通信感知网络收发器阵列尺寸在128×128情况下FFDNet的噪声灵敏度曲线示意图。可以看出,当输入噪声水平/>只是略微大于实际噪声水平/>时,MSE的性能就开始严重下降。这是因为具有特定噪声水平的训练网络不足以处理各种实际噪声水平。另一方面,具有可调噪声水平的FFDNet(即tunable-FFDNet)的MSE的性能优于具有特定噪声水平的FFDNet。这归因于FFDNet中接近真实噪声水平的输入噪声值可以有效地处理时变噪声干扰。
进一步的,图6为本发明实施例提出的可见光通信感知网络预测的坐标信息和实际坐标信息之间的误差所计算出的位置误差的累积分布函数(Cumulative DistributionFunction,CDF)曲线示意图。具体来说,从所提出网络的CDF曲线可以看出,本专利的定位误差小于10cm的概率高达83%,基本满足室内定位需求。
综上,本发明上述实施例当中的可见光通信感知方法及***,该方法通过获取光源与模拟终端之间的信道增益,根据信道增益,确定光源与终端之间的信道增益矩阵,其中,信道增益矩阵视为无噪声的二维图像;将无噪声的二维图像进行加噪处理,得到噪声图像;将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练;将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,去噪图像为经过FFDNet处理后的图像;将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置,具体的,首先采用图像去噪技术对可见光信道进行估计,然后将含有位置特征的参数矩阵与LSTM神经网络算法融合,从信道估计的信道状态信息中获取精确的定位信息,最终实现可见光通感一体化。
实施例二
请参阅图7,为本发明实施例二提供了一种可见光通信感知***的结构示意图,所述可见光通信感知***200具体包括:
获取模块21,用于获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像,其中,所述信道增益的公式可以表示为:
其中,hij表示为第i个LED和第j个PD之间的信道增益,=1,…,/>,/>=1,…,/>,表示为接收器的有效收集面积,/>表示为第/>个LED到第/>个PD的欧式距离,在第/>个LED和第/>个PD之间,辐照度角和入射角分别用/>和/>表示,/>表示为滤光器的增益,表示为光学集中器的增益,在/> 的情况下,可以表示为:
其中,表示为PD的视场,n表示为光学集中器的折射率,在接收器处,m表示为朗伯辐射阶数,表示为:
其中,表示为半功率下的发射器半角度;
加噪处理模块22,用于将无噪声的二维图像进行加噪处理,得到噪声图像,其中,将均值为0,方差为的加性高斯白噪声添加到无噪声的二维图像中,以得到噪声图像,其中,/>表示为实际噪声水平;
第一训练模块23,用于将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练,其中,FFDNet中采用可逆的下采样过程,其中,将所述噪声图像切分为大小为的4个下采样的子图像,并分别对所述子图像进行去噪,得到去噪子图像,以在不扩展卷积的情况下有效地增加感受野,并产生适度的网络深度;
另外,将噪声水平可调的噪声水平图叠加到所述子图像中,获得大小为的张量;
FFDNet中的卷积神经网络由三部分组成,第一部分采用卷积核的大小为3×3 的卷积操作和校正线性单元,校正线性单元的使用是为了实现非线性;
第二部分由三个操作组合而成,包括卷积单元,校正线性单元和批量归一化单元,其中,批量归一化单元被级联在卷积单元和校正线性单元之间以加快训练和收敛速度,并改善消失梯度的问题;
第三部分在获得四个去噪子图像之后,采用上采样过程来重整放大卷积神经网络输出,生成去噪图像;
第二训练模块24,用于将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,所述去噪图像为经过FFDNet处理后的图像;
可见光通信感知模块25,用于将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置。
进一步的,所述可见光通信感知***200还包括:
部署模块,用于在预设室内环境下部署m-MIMO可见光通信感知***,通过控制m-MIMO可见光通信感知***工作,以获取光源与模拟终端之间的信道增益,其中,所述m-MIMO可见光通信感知***由个LED作为发射器,/>个PD作为接收器组成。
进一步的,所述第二训练模块24包括:
整形单元,用于获取信道估计矩阵,将所述信道估计矩阵进行整形,得到具有预设长度的目标序列;
第一输入单元,用于将所述目标序列输入所述LSTM神经网络模型的LSTM层中,输出位置特征数据;
第二输入单元,用于将所述位置特征数据输入所述LSTM神经网络模型的全连接子网络中,并设置所述目标位置为输出,以对LSTM神经网络模型进行训练。
实施例三
本发明另一方面还提出一种电子设备,请参阅图8,所示为本发明实施例三当中的电子设备的结构框图,包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30,所述处理器10执行所述计算机程序30时实现如上述的可见光通信感知方法。
其中,处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行访问限制程序等。
其中,存储器20至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的硬盘。存储器20在另一些实施例中也可以是电子设备的外部存储装置,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器20还可以既包括电子设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储电子设备的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是,图8示出的结构并不构成对电子设备的限定,在其它实施例当中,该电子设备可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的可见光通信感知方法。
本领域技术人员可以理解,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它们的组合来实现: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。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例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例或示例中。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例或示例。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例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种可见光通信感知方法,其特征在于,所述方法包括:
获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像;
将无噪声的二维图像进行加噪处理,得到噪声图像;
将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练;
将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,所述去噪图像为经过FFDNet处理后的图像;
将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置;
所述将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练的步骤包括:
获取信道估计矩阵,将所述信道估计矩阵进行整形,得到具有预设长度的目标序列;
将所述目标序列输入所述LSTM神经网络模型的LSTM层中,输出位置特征数据;
将所述位置特征数据输入所述LSTM神经网络模型的全连接子网络中,并设置所述目标位置为输出,以对LSTM神经网络模型进行训练;
所述将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置的步骤包括:
获取无噪声信道图像,将均值为0,方差为的加性高斯白噪声添加到所述无噪声信道图像中,以形成有噪声图像;
将所述有噪声图像与可调噪声图叠加,以形成张量,所述张量作为FFDNet中的卷积神经网络的输入;
将所述张量输入FFDNet中的卷积神经网络中,输出去噪图像,即所述信道估计结果,其中,FFDNet中的卷积神经网络由三部分组成,第一部分采用卷积核的大小为3×3 的卷积操作和校正线性单元,校正线性单元的使用是为了实现非线性;第二部分由三个操作组合而成,包括卷积单元,校正线性单元和批量归一化单元,其中,批量归一化单元被级联在卷积单元和校正线性单元之间以加快训练和收敛速度,并改善消失梯度的问题;第三部分在获得四个去噪子图像之后,采用上采样过程来重整放大卷积神经网络输出,生成去噪图像;
采用LSTM神经网络模型对所述去噪图像中的位置信息进行提取,得到所述目标预测位置,其中,将所述去噪图像整形为预设长度的序列,并将序列作为LSTM神经网络模型的输入,LSTM神经网络模型中的门和细胞状态分别采用sigmoid和tanh作为激活函数,sigmoid用于生成0到1之间的值来实现“门控”的效果,tanh用于加速网络的收敛,为了平衡训练速度和估计精度,采用由若干单元组成的LSTM层来提取位置相关特征,另外,LSTM层的输出数据被馈送到一个全连接子网络中,所述全连接子网络使用三个隐藏层将LSTM层提取的特征映射到位置坐标的标签空间,三个隐藏层均采用ReLU作为激活函数,最后一个隐藏层包含三个神经元,分别表示LSTM网络生成的估计的三维坐标。
2.根据权利要求1所述的可见光通信感知方法,其特征在于,所述获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像的步骤之前包括:
在预设室内环境下部署m-MIMO可见光通信感知***,通过控制m-MIMO可见光通信感知***工作,以获取光源与模拟终端之间的信道增益,其中,所述m-MIMO可见光通信感知***由个LED作为发射器,/>个PD作为接收器组成。
3.根据权利要求2所述的可见光通信感知方法,其特征在于,所述信道增益的公式表示为:
其中,hij表示为第i个LED和第j个PD之间的信道增益,=1,…,/>,/>=1,…,/>,/>表示为接收器的有效收集面积,/>表示为第/>个LED到第/>个PD的欧式距离,在第/>个LED和第个PD之间,辐照度角和入射角分别用/>和/>表示,/>表示为滤光器的增益,/>表示为光学集中器的增益,在/> 的情况下,表示为:
其中,表示为PD的视场,n表示为光学集中器的折射率,在接收器处,m表示为朗伯辐射阶数,表示为:
其中,表示为半功率下的发射器半角度。
4.根据权利要求3所述的可见光通信感知方法,其特征在于,所述将无噪声的二维图像进行加噪处理,得到噪声图像的步骤中,将均值为0,方差为的加性高斯白噪声添加到无噪声的二维图像中,以得到噪声图像,其中,/>表示为实际噪声水平。
5.根据权利要求4所述的可见光通信感知方法,其特征在于, FFDNet中采用可逆的下采样过程,其中,将所述噪声图像切分为大小为的4个下采样的子图像,并分别对所述子图像进行去噪,得到去噪子图像,以在不扩展卷积的情况下有效地增加感受野,并产生适度的网络深度;
另外,将噪声水平可调的噪声水平图叠加到所述子图像中,获得大小为的张量。
6.一种可见光通信感知***,其特征在于,所述***包括:
获取模块,用于获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像;
加噪处理模块,用于将无噪声的二维图像进行加噪处理,得到噪声图像;
第一训练模块,用于将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练;
第二训练模块,用于将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,所述去噪图像为经过FFDNet处理后的图像;
可见光通信感知模块,用于将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置;
所述第二训练模块包括:
整形单元,用于获取信道估计矩阵,将所述信道估计矩阵进行整形,得到具有预设长度的目标序列;
第一输入单元,用于将所述目标序列输入所述LSTM神经网络模型的LSTM层中,输出位置特征数据;
第二输入单元,用于将所述位置特征数据输入所述LSTM神经网络模型的全连接子网络中,并设置所述目标位置为输出,以对LSTM神经网络模型进行训练;
所述可见光通信感知模块包括:
添加单元,用于获取无噪声信道图像,将均值为0,方差为的加性高斯白噪声添加到所述无噪声信道图像中,以形成有噪声图像;
叠加单元,用于将所述有噪声图像与可调噪声图叠加,以形成张量,所述张量作为FFDNet中的卷积神经网络的输入;
张量输入单元,用于将所述张量输入FFDNet中的卷积神经网络中,输出去噪图像,即所述信道估计结果,其中,FFDNet中的卷积神经网络由三部分组成,第一部分采用卷积核的大小为3×3 的卷积操作和校正线性单元,校正线性单元的使用是为了实现非线性;第二部分由三个操作组合而成,包括卷积单元,校正线性单元和批量归一化单元,其中,批量归一化单元被级联在卷积单元和校正线性单元之间以加快训练和收敛速度,并改善消失梯度的问题;第三部分在获得四个去噪子图像之后,采用上采样过程来重整放大卷积神经网络输出,生成去噪图像;
位置信息提取单元,用于采用LSTM神经网络模型对所述去噪图像中的位置信息进行提取,得到所述目标预测位置,其中,将所述去噪图像整形为预设长度的序列,并将序列作为LSTM神经网络模型的输入,LSTM神经网络模型中的门和细胞状态分别采用sigmoid和tanh作为激活函数,sigmoid用于生成0到1之间的值来实现“门控”的效果,tanh用于加速网络的收敛,为了平衡训练速度和估计精度,采用由若干单元组成的LSTM层来提取位置相关特征,另外,LSTM层的输出数据被馈送到一个全连接子网络中,所述全连接子网络使用三个隐藏层将LSTM层提取的特征映射到位置坐标的标签空间,三个隐藏层均采用ReLU作为激活函数,最后一个隐藏层包含三个神经元,分别表示LSTM网络生成的估计的三维坐标。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项所述的可见光通信感知方法。
8.一种电子设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-5任一项所述的可见光通信感知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764586.8A CN116506261B (zh) | 2023-06-27 | 2023-06-27 | 一种可见光通信感知方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764586.8A CN116506261B (zh) | 2023-06-27 | 2023-06-27 | 一种可见光通信感知方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116506261A CN116506261A (zh) | 2023-07-28 |
CN116506261B true CN116506261B (zh) | 2023-09-08 |
Family
ID=87321630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310764586.8A Active CN116506261B (zh) | 2023-06-27 | 2023-06-27 | 一种可见光通信感知方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116506261B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061566A (zh) * | 2018-07-04 | 2018-12-21 | 天津大学 | 一种基于极限学习机的可见光定位方法 |
KR101977324B1 (ko) * | 2017-11-30 | 2019-05-10 | 서울과학기술대학교 산학협력단 | 가시광 통신 시스템에서 신호를 정규화하는 방법 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111786724A (zh) * | 2020-06-30 | 2020-10-16 | 中山大学 | 基于深度学习的多波长led水下可见光通信调制方法 |
CN112291005A (zh) * | 2020-08-20 | 2021-01-29 | 中国科学技术大学 | 一种基于Bi-LSTM神经网络的接收端信号检测方法 |
CN112600618A (zh) * | 2020-12-07 | 2021-04-02 | 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 |
WO2021203242A1 (zh) * | 2020-04-07 | 2021-10-14 | 东莞理工学院 | 基于深度学习的mimo多天线信号传输与检测技术 |
CN113610719A (zh) * | 2021-07-19 | 2021-11-05 | 河南大学 | 一种注意力和密集连接残差块卷积核神经网络图像去噪方法 |
CN113705665A (zh) * | 2021-08-26 | 2021-11-26 | 荣耀终端有限公司 | 图像变换网络模型的训练方法和电子设备 |
CN113794515A (zh) * | 2021-08-09 | 2021-12-14 | 北京交通大学 | 一种基于lstm的可见光通信***非线性抑制方法 |
CN113892116A (zh) * | 2019-06-21 | 2022-01-04 | 英特尔公司 | 用于噪声图像超分辨的自适应深度学习模型 |
CN114022759A (zh) * | 2021-09-30 | 2022-02-08 | 北京临近空间飞行器***工程研究所 | 一种融合神经网络时空特性的空域有限像素目标检测***及方法 |
CN114820341A (zh) * | 2022-03-17 | 2022-07-29 | 西北工业大学 | 一种基于增强Transformer的图像盲去噪方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10256906B2 (en) * | 2016-12-13 | 2019-04-09 | University Of Virginia Patent Foundation | Position localization using visible light communication |
US10929955B2 (en) * | 2017-06-05 | 2021-02-23 | Adasky, Ltd. | Scene-based nonuniformity correction using a convolutional recurrent neural network |
US11600039B2 (en) * | 2020-12-14 | 2023-03-07 | Qualcomm Incorporated | Mechanism for improved light estimation |
-
2023
- 2023-06-27 CN CN202310764586.8A patent/CN116506261B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101977324B1 (ko) * | 2017-11-30 | 2019-05-10 | 서울과학기술대학교 산학협력단 | 가시광 통신 시스템에서 신호를 정규화하는 방법 |
CN109061566A (zh) * | 2018-07-04 | 2018-12-21 | 天津大学 | 一种基于极限学习机的可见光定位方法 |
CN113892116A (zh) * | 2019-06-21 | 2022-01-04 | 英特尔公司 | 用于噪声图像超分辨的自适应深度学习模型 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
WO2021203242A1 (zh) * | 2020-04-07 | 2021-10-14 | 东莞理工学院 | 基于深度学习的mimo多天线信号传输与检测技术 |
CN111786724A (zh) * | 2020-06-30 | 2020-10-16 | 中山大学 | 基于深度学习的多波长led水下可见光通信调制方法 |
CN112291005A (zh) * | 2020-08-20 | 2021-01-29 | 中国科学技术大学 | 一种基于Bi-LSTM神经网络的接收端信号检测方法 |
CN112600618A (zh) * | 2020-12-07 | 2021-04-02 | 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 |
CN113610719A (zh) * | 2021-07-19 | 2021-11-05 | 河南大学 | 一种注意力和密集连接残差块卷积核神经网络图像去噪方法 |
CN113794515A (zh) * | 2021-08-09 | 2021-12-14 | 北京交通大学 | 一种基于lstm的可见光通信***非线性抑制方法 |
CN113705665A (zh) * | 2021-08-26 | 2021-11-26 | 荣耀终端有限公司 | 图像变换网络模型的训练方法和电子设备 |
CN114022759A (zh) * | 2021-09-30 | 2022-02-08 | 北京临近空间飞行器***工程研究所 | 一种融合神经网络时空特性的空域有限像素目标检测***及方法 |
CN114820341A (zh) * | 2022-03-17 | 2022-07-29 | 西北工业大学 | 一种基于增强Transformer的图像盲去噪方法及*** |
Non-Patent Citations (1)
Title |
---|
FFDNet-Based Channel Estimation for Massive MIMO Visible Light Communication Systems;Xiaodong Liu等;《EEE WIRELESS COMMUNICATIONS LETTERS》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116506261A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062321B (zh) | 一种基于深度卷积网络的sar检测方法及*** | |
CN112163601B (zh) | 图像分类方法、***、计算机设备及存储介质 | |
Paul et al. | Plateau limit‐based tri‐histogram equalisation for image enhancement | |
CN109726649B (zh) | 遥感影像云检测方法、***及电子设备 | |
CN112926461B (zh) | 神经网络训练、行驶控制方法及装置 | |
CN114429428A (zh) | 基于注意力机制的偏振图像去噪方法 | |
CN111932577A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN115311531A (zh) | 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法 | |
CN116506261B (zh) | 一种可见光通信感知方法及*** | |
Fu et al. | Histogram‐based cost aggregation strategy with joint bilateral filtering for stereo matching | |
CN110596668B (zh) | 基于互逆深度神经网络的目标外辐射源被动定位方法 | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
Chen et al. | Multi‐scale single image dehazing based on the fusion of global and local features | |
CN116502700A (zh) | 皮肤检测模型训练方法、皮肤检测方法、装置及电子设备 | |
CN115937596A (zh) | 目标检测方法及其模型的训练方法、设备以及存储介质 | |
CN115685133A (zh) | 自动驾驶车辆的定位方法、控制装置、存储介质及车辆 | |
CN113655468B (zh) | 一种无人机辅助定位方法、***、存储介质及终端设备 | |
CN114580510A (zh) | 骨髓细胞细粒度分类方法、***、计算机设备及存储介质 | |
CN114494152A (zh) | 基于关联学习模型的无监督变化检测方法 | |
CN113723540A (zh) | 一种基于多视图的无人驾驶场景聚类方法及*** | |
CN113343924A (zh) | 一种基于多尺度循环谱特征和自注意力生成对抗网络的调制信号识别方法 | |
CN117292439B (zh) | 一种基于室内毫米波雷达的人体姿态识别方法及*** | |
CN111914802B (zh) | 一种基于迁移学习的电离层返回散射传播模式识别方法 | |
KR102616082B1 (ko) | 비주얼 로컬라이제이션을 이용하여 카메라 포즈의 유효성을 결정하기 위한 방법 및 장치 | |
KR102627176B1 (ko) | 가상 객체의 폐색을 구현하기 위한 방법 |
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 |