无线紫外光散射信道的深度学习估计方法研究

作     者：吕鑫喆 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：赵太飞

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0803[工学-光学工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：无线紫外光通信 单次散射信道 深度学习 信道估计 

摘      要：无线紫外光散射通信系统存在的强散射特性会使紫外光信号发生脉冲展宽和能量耗散问题,进而产生较为严重的码间串扰和光束衰减。为了进一步改善紫外光信号传输,本文主要研究一种适用于无线紫外光通信系统的信道估计技术,将具备自主学习能力的深度学习技术引入到紫外光通信系统中,围绕将深度学习技术与紫外光散射信道估计相结合这一关键问题展开研究,实现在不同大气环境下对信道特性的精确估计,从而使紫外光通信系统性能得到改善。本文具体的研究工作如下:(1)首先在建立紫外光单次散射信道数学模型的基础上,本文提出了一种基于神经网络的紫外光散射信道估计方法,通过结合一维卷积神经网络和深度神经网络设计学习模型结构,在训练阶段利用差分进化算法优化神经网络模型,根据最优结果在接收端对信号的传输衰减进行补偿。仿真结果表明,本文所设计的DL-UVCE方案适用于紫外光通信系统的信号处理过程。将均方误差和误码率作为信道估计性能的评估标准,与传统的最小二乘估计和最小均方误差估计相比,当信噪比为15dB时,本文所提估计方案的均方误差分别降低了 91.5%和49.1%,误码率分别降低了约2个数量级和1个数量级。而且,在不同通信环境的信道模型下,所构建的神经网络模型具有良好的泛化能力。(2)针对大气湍流环境下的无线紫外光非直视MIMO通信系统,本文在均匀分布式的紫外光MIMO单次散射信道模型的基础上,研究了一种用于无线紫外光MIMO通信的深度学习类信道估计方法,将卷积神经网络作为核心网络来构建学习网络模型,并引入注意力机制对信道状态信息进行深度特征提取,将无线紫外光MIMO通信系统的信道估计问题转换为图像处理问题,实现对无线紫外光MIMO通信单次散射信道的精确估计。仿真结果表明,本文所提信道估计方案在不同收发天线数目的紫外光MIMO结构下和不同大气湍流强度下都可以实现稳定的信道估计效果,与最小二乘估计和最小均方误差估计等传统方法相比,可以获得更好的均方误差和误码率性能。综上所述,本文主要利用深度学习技术中的神经网络理论模型研究并设计了适用于无线紫外光通信系统的信道估计方法,可以有效抑制信道衰落并进一步改善通信系统性能。