融合模型求解与深度学习的可见光通信非线性均衡器
Visible Light Communication Nonlinear Equalizer Based on Model Solving and Deep Learning作者机构:青岛大学电子信息学院山东青岛266071
出 版 物:《兵工学报》 (Acta Armamentarii)
年 卷 期:2024年第45卷第2期
页 面:466-473页
核心收录:
学科分类:11[军事学] 080903[工学-微电子学与固体电子学] 080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 110503[军事学-军事通信学] 0810[工学-信息与通信工程] 1105[军事学-军队指挥学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 080501[工学-材料物理与化学] 0805[工学-材料科学与工程(可授工学、理学学位)] 080502[工学-材料学] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理]
基 金:国家自然科学基金项目(61801257) 山东省自然科学基金项目(ZR2019BF001)
主 题:沃尔特拉非线性后均衡器 可见光通信 近似消息传递算法 深度学习
摘 要:沃尔特拉非线性后均衡器(Volterra Series Nonlinear Post-Equalizer,VS-NPE)可以补偿可见光通信(Visible Light Communication,VLC)的非线性失真和多径效应,但其结构复杂且均衡精度有限。在VS-NPE内核求解基础上,提出一种基于阈值自学习近似消息传递(Learned Threshold Approximate Message Passing,LTAMP)网络的非线性均衡器。修正样本观测矩阵以克服其列高度相关的缺陷;在改进近似消息传递(Approximate Message Passing,AMP)算法迭代的基础上,将算法每一次迭代的计算过程映射为一层特殊的神经网络,经逐层展开后构建出完整的LTAMP均衡器。所提方法融合了模型求解和深度学习的优势,可从样本中学习最佳的AMP参数,以克服其对噪声敏感且输出不稳定的缺陷,进而提升内核求解稳定性与计算精度。仿真结果表明,与稳固阈值AMP算法相比,所提方法在误码率为1×10^(-3)时能取得2 dB的信噪比增益,且对样本噪声具有较强的自适应性,展现出优异的非线性失真补偿能力。