论文部分内容阅读
随着人们对高速率和大容量的无线通信的需求越来越迫切,现有的无线频谱资源日益紧张,一种能够兼顾照明与通信的新型通信技术——可见光通信(Visible Light Communication,VLC)应运而生。作为5G潜在关键技术之一,VLC技术近年来已经成为通信领域的研究热点。传统的解调方法假设可见光信道中的噪声服从高斯分布,但实际信道并非高斯信道,其中存在着诸多非线性干扰因素,导致传统方法对信号解调的误码率较高。机器学习作为一种数据驱动的技术,能够很好地拟合非线性映射,在自然语言处理、计算机视觉等领域表现出极强的处理复杂问题的能力。由于机器学习在复杂问题的求解上具有优越性,本文采用机器学习方法,直接从接收信号中提取特征信息,对信号解调展开研究。主要的研究工作及创新点总结如下:(1)利用任意波形发生器,Bias-T偏置器,LED,光电探测器以及混合域示波器等硬件设备搭建室内VLC系统硬件平台,在接收端对接收数据进行归一化处理。设定传输距离范围为0cm到140cm,一个周期内对每种调制信号采集四种不同的采样点数。实验采集了OOK、QPSK、PPM、M-QAM共八种不同调制方式的接收信号。将实验采集数据建立数据库,该数据库是目前首个公开的可见光通信实测数据库,网址为https://pan.baidu.com/s/1rS143bEDaOTEiCneXE67dg。(2)设计了基于卷积神经网络(Convolutional Neural Network,CNN)、深度置信网络(Deep Belief Network,DBN)和自适应推进(Adaptive Boosting,AdaBoost)三种基于机器学习的解调器。其中,基于CNN的解调器包括两个卷积层和两个池化层,通过对信号转化成的图像进行分类实现解调;基于DBN的解调器通过三个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)逐层提取特征;基于AdaBoost的解调器使用最邻近算法(K-Nearest Neighbor,KNN)组建强分类器。(3)研究了基于CNN、DBN、AdaBoost的解调器的性能。实验以真实采集数据为基础,结果表明:当传输距离增加,所有解调器的解调准确率降低,且基于AdaBoost的解调器效果最优;当传输距离固定时,解调器的解调准确率随着调制阶数的增加而降低;当传输距离短,信噪比高时,应优先考虑使用高阶调制以达到最大有效传输速率。(4)实测直流偏置光正交频分复用(Direct Current-biased Optical OFDM,DCO-OFDM)与非对称限幅光正交频分复用(Asymmetrically Clipped Optical OFDM,ACO-OFDM)系统的数据;利用提出的解调器对上述单极化方案的解调准确率和误比特率进行对比与分析。提出一种对子载波进行功率分配的方案,实验证明该方案能够进一步降低ACO-OFDM系统的误比特率。