基于卷积神经网络的均衡算法在可见光通信系统中的研究
作者单位：重庆邮电大学
学位级别：硕士
导师姓名：肖云鹏;卢星宇
授予年度：2022年
学科分类：08[工学] 081104[工学-模式识别与智能系统] 0803[工学-光学工程] 0811[工学-控制科学与工程]
摘 要：近年来,随着无线通信需求量的增长,人们对数据的高速传输和安全性提出了更高的要求。现有的无线频谱资源无法进一步满足未来的通信需求,可见光通信(Visible Light Communication,VLC)作为一种频谱资源丰富、绿色安全的通信技术出现在大众的视野,已经成为6G通信架构中的核心技术之一。信号在可见光通信系统中进行传输时,主要受到环境噪声干扰和器件引入的噪声造成信号损伤。常见的损伤包括码间串扰的线性损伤和器件特性带来的非线性损伤。在信号高速传播的过程中,非线性的损伤会严重影响信号的传输质量,导致系统间的误码率上升。针对可见光通信系统中出现的信号损伤问题,本文构建基于深度学习的数字信号处理算法对失真信号进行补偿,其具体的内容如下:1.提出了一种实体提取神经网络(Entity Extraction Neural Networks,EXNN)对可见光通信系统中的损伤信号进行补偿。首先,针对接收信号中存在的线性和非线性的损伤信号,使用空洞卷积层对噪声信号进行长范围提取。其次,构建基于残差的网络结构对分离的噪声与接收信号进行相减操作,完成接收信号中的噪声去除。最后,采用回归的方法对去除噪声后的信号进行处理,保证对损伤信号完成最大程度的补偿。本文在脉冲幅度调制系统(Pulse Amplitude Modulation,PAM)上对EXNN网络进行实验,并对EXNN网络的性能进行验证。同时,在硬判决前向纠错(Hard Decision Forward Error Correction,HD-FEC)误码率门限值为3.8×10的限制下,将EXNN算法同线性盲均衡算法和基于Volterra非线性均衡算法分别进行了比较,实验结果表明EXNN网络将PAM VLC系统的Q因子分别提高了0.36d B和1.57d B。2.提出一种基于通道注意力机制的神经网络均衡器(Channel Attention Neural Network,CANN)完成无载波幅度相位调制(Carrier-less Amplitude and Phase Modulation,CAP)系统中的损伤信号的均衡。CANN网络均衡器是针对于CAP VLC系统设计的专用均衡器,该网络分别对CAP调制系统中的同相支路和正交支路的信号进行补偿。CANN神经网络均衡器分成两个部分完成信号的恢复,第一部分使用卷积模块对信号中的特征进行提取,第二部分使用注意力机制对提取的特征进行筛选,保留重要的特征,丢弃部分无用的特征,最终实现失真信号的补偿。在实验环境中,对构建的CANN网络均衡器与经典的数字信号处理算法进行对比,实验结果表明该算法对信号中出现的损伤有明显的补偿,可以有效抑制系统的失真问题,降低接收端信号的误码率。CANN均衡算法与线性盲均衡算法相比,误码率降低了约45.2%,相比于非线性均衡算法误码率降低了约11.4%。本文通过深度学习算法对可见光通信系统中的信号损伤进行了均衡,并且在实验中验证了提出的深度学习算法的有效性,为可见光通信系统中的信号补偿提供了一种解决方案。
同方学位论文库