一种基于LSTM的可见光通信系统非线性抑制方法与流程

一种基于lstm的可见光通信系统非线性抑制方法
技术领域
1.本发明属于可见光通信技术领域，涉及一种基于lstm的可见光通信系统非线性抑制方法，尤其涉及一种基于lstm预失真网络的可见光通信系统非线性抑制方法。


背景技术：

2.无线通信系统的飞速发展使得有限的频谱资源无法满足越来越广泛的通信需求。可见光通信以其低能耗、丰富的频谱资源和高传输效率的优势，成为广受关注的新一代通信技术。然而，在可见光通信中，广泛地存在着非线性效应，会造成严重的信号失真，影响通信系统的整体性能。可见光通信系统中的发射端的非线性效应主要包含：发光二极管的非线性和功率放大器的非线性。
3.此外，由于ofdm信号是由多个独立经过调制的子载波信号叠加而成的，当各个子载波相位相同或者相近时，叠加信号便会受到相同初始相位信号的调制，从而产生较大的瞬时功率峰值，由此进一步带来较高的峰值平均功率比(peak to average power ratio,papr)。由于一般的功率放大器的动态范围都是有限的，所以峰值平均功率比大的ofdm信号容易进入功率放大器的非线性区域，导致信号产生非线性失真，造成明显的频谱扩展干扰以及带内信号畸变，导致整个系统的性能严重下降。
4.传统的抑制非线性的方法主要有：功率回退法、硬限幅方法和均衡器方法等。其中，功率回退法损失了信号的有效值，压缩了信号的动态范围，以信号传输信息量的减小为代价，获取了线性度的提升。硬限幅方法通过对输入信号进行限幅操作，对超过设定阈值的信号进行削平，使信号处于线性区域内，以信号失真为代价获取了线性度的提升，从而达到抑制非线性的目的。均衡器方法是通过在接收机端添加一个均衡器，对造成的信号失真进行矫正，从而达到抑制非线性的目的。然而均衡器方法需要在接收端消耗较多计算资源，增大了接收设备的能量开销。总之，以上方法均不能有效解决可见光通信中的非线性问题。
5.与本发明相关的现有技术一的技术方案简介如下：
6.基于volterra级数均衡器的非线性抑制算法
7.上述算法针对线性均衡器在可见光通信系统中，对非线性抑制能力不强，可见光端对端通信距离过小等问题，lixiangyu等人采用volterra级数对发光二极管的非线性和记忆性进行建模，利用非线性均衡器对数据符号进行恢复。提出了基于volterra级数均衡器的可见光通信系统的非线性抑制算法
3.。与其它均衡器相比，它能更有效地抑制码间干扰和非线性，并给出了在不同距离和不同驱动电压下的实验结果。
8.与本发明相关的现有技术二的技术方案简介如下：
9.基于神经网络均衡的非线性抑制算法
10.随着深度学习的发展，深度学习对于非线性函数的表征能力优秀使其成为可见光通信系统非线性抑制的重要选择。li xiangyu等人提出：考虑到使用wiener
‑
hammerstein模型将可见光系统中的记忆效应和非线性效应通过级联的方式进行建模，使用卷积的方式描述记忆效应的影响，并使用多项式对非线性建模。对比基于神经网络的均衡器、基于
volterra级数的均衡器、基于记忆正交多项式的均衡器和利用全连网络搭建神经网络模型对可见光通信中非线性的抑制效果，证明了深度神经网络均衡器相较于基于传统多项式方法的均衡器对于非线性的抑制能力更强
4.。
11.在现有技术中，存在以下缺点：
12.缺点1：对可见光通信中非线性效应及记忆效应的抑制性能有限
13.首先，基于volterra级数均衡器的非线性抑制算法使用volterra级数对非线性效应进行近似，但线性模型近似非线性模型的方法并不精确，对非线性抑制的性能提升有限。其次，使用volterra级数进行近似，仅考虑了系统中的非线性效应，并未考虑系统中的记忆效应。再次，基于volterra级数均衡器的非线性抑制方法仅仅针对单一模块，忽视了不同模块间的相互关系，同样导致端对端通信中非线性抑制的性能提升有限。
14.基于神经网络均衡的非线性抑制算法采用神经网络对系统中非线性效应和记忆效应进行建模。相比于基于volterra级数均衡器的非线性抑制算法，该算法对非线性效应和记忆效应的抑制性能有所提升，但该非线性抑制算法在接收端进行均衡，易受信道的影响和噪声的影响，进而非线性抑制性能依然会有一定下降。
15.缺点2：接收机的额外开销对整个通信系统造成较大负担
16.非线性效应主要集中在发射机一侧，接收终端的计算能力较低，前述技术方案大都采用均衡器技术，均衡器将复杂度集中在接收机侧，对整个通信系统造成较大负担。
17.关键术语缩写列表
18.1、可见光通信:visible light communication,vlc；
19.2、长短时记忆网络:long short
‑
term memory network,lstm；
20.3、发光二极管:light
‑
emitting diode,led；
21.4、深度神经网络:deep neural network,dnn；
22.5、符号间干扰:inter
‑
symbol interference,isi；
23.6、峰值平均功率比：peak
‑
to
‑
average
‑
power ratio,papr。


技术实现要素：

24.为了解决现有技术中存在的缺点，本发明提出一种基于lstm的可见光通信系统非线性抑制方法，具体技术方案如下：
25.一种基于lstm的可见光通信系统非线性抑制方法，包括以下步骤：
26.s1、针对可见光通信系统，测量可见光发射系统，获得信号发射机的输入
‑
输出响应曲线；
27.在输入
‑
输出响应曲线中，将发光二极管开启电压处的点与最大输出电压处的点之间的连线作为理想的线性放大响应特性曲线；
28.利用上述理想的线性放大响应曲线，由输入信号x得到理想的输出信号y，如式(4)所示，
29.y＝α
·
(x
‑
v
on
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
30.其中，v
on
是发光二极管的开启电压，输入信号x是经过调制的基带信号；α为理想的线性放大响应曲线的斜率，如式(3)所示，
[0031][0032]
其中，为输入信号范围的最大电压值，为输入信号范围的最小电压值，为输出信号范围的最大电压值，为输出信号范围的最小电压值；
[0033]
s2、当可见光通信系统中的记忆效应为l个符号持续期时，选择l个lstm网络单元构成lstm预失真网络；
[0034]
s3、通过计算机仿真的方式生成随机的输入信号{x1,x2,...,x
n
}，利用式(4)得到输入信号所对应的理想线性输出信号{y1,y2,...,y
n
}；
[0035]
从输入信号{x1,x2,...,x
n
}中截取连续的l长的输入信号x
i
＝{x
i
‑
l 1
,...,x
i
‑1,x
i
}构成输入信号样本，将相对应的输入信号和理想线性输出信号构成一对训练样本(x
i
,y
i
)；共生成m对训练样本，i＝1,2,...,m；
[0036]
将输入信号样本x
i
依次送入lstm预失真网络，依次得到网络的输出
[0037]
将网络输出与理想线性输出信号y
i
之间的均方误差作为损失函数，对lstm预失真网络的参数进行训练；
[0038]
不断更新lstm预失真网络的参数，使lstm预失真网络的输出更加趋近于理想输出；
[0039]
经过多次的迭代，当损失函数值小于一个预设值时，则完成对lstm预失真网络的参数的训练，获得训练好的lstm预失真网络；
[0040]
s4、通过将训练好的lstm预失真网络与可见光通信系统中带记忆效应和非线性效应的模块进行级联，组成线性增益系统，实现对可见光通信系统中非线性的抑制；
[0041]
所述lstm预失真网络位于可见光通信系统中带记忆效应和非线性效应的模块之前。
[0042]
在上述技术方案的基础上，可见光通信系统中带记忆效应和非线性效应的模块包括：发光二极管和功率放大器。
[0043]
在上述技术方案的基础上，所述可见光通信系统包括：可见光发射系统和接收器；
[0044]
所述可见光发射系统包括：信号发射机；
[0045]
所述信号发射机包括：发光二极管；
[0046]
所述发光二极管通过闪烁的光信号发送信息；
[0047]
所述接收器包括：光电二极管；
[0048]
发送的光信号在接收终端通过光电二极管转化为电信号。
[0049]
在上述技术方案的基础上，所述光信号包括：直流成分和交流成分；
[0050]
所述直流成分决定发光二极管的光照范围；
[0051]
所述交流成分决定发光二极管的通信范围。
[0052]
在上述技术方案的基础上，需要传送的数字信号依次经过qam映射、hermitian对称、逆傅里叶变换和并串转换，获得信号t(n)；
[0053]
对信号t(n)添加直流偏置，获得信号t
dc
(n)；
[0054]
再将信号t
dc
(n)发送至训练好的lstm预失真网络，输出信号x(n)，输出信号x(n)经
过功率放大器和发光二极管后，输出光信号y(n)；
[0055]
在输出信号x(n)经过功率放大器和发光二极管时，抑制功率放大器的非线性效应和发光二极管的非线性效应；
[0056]
光电二极管接收光信号y(n)，经过去直流处理，输出信号t
′
(n)；
[0057]
信号t
′
(n)依次经过串并转换、傅里叶变换、逆hermitian对称和qam解映射，获得需要传送的数字信号。
[0058]
在上述技术方案的基础上，所述lstm预失真网络使用sigmoid函数作为激活函数。
[0059]
在上述技术方案的基础上，所述lstm预失真网络采用1层隐藏层。
[0060]
在上述技术方案的基础上，在所述步骤s4中，经过调制的基带信号x作为训练好的lstm预失真网络的输入信号；
[0061]
每个时刻，相邻的l个基带信号输入训练好的lstm预失真网络。
[0062]
在上述技术方案的基础上，假设在第i时刻的输入训练好的lstm预失真网络信号为x
i
＝{x
i
‑
l 1
,...,x
i
‑1,x
i
}，则将l个信号分别输入到l个lstm网络单元的输入端；
[0063]
每个时刻，lstm预失真网络输出一个信号y
i
。
[0064]
本发明的有益技术效果如下：
[0065]
本技术所述方法在不增加接收机(即接收器)复杂度的情况下，明显提升接收信号的效果。此外，利用lstm预失真网络的记忆效应同时抑制可见光发射机所具有的非线性效应和记忆效应。
附图说明
[0066]
本发明有如下附图：
[0067]
图1为一种典型的可见光通信场景示意图；
[0068]
图2为应用基于lstm预失真网络的非线性抑制方法的原理示意图；
[0069]
图3为基于lstm预失真网络的非线性抑制效果示意图；
[0070]
图4为典型的可见光通信系统信号发射机的输入
‑
输出响应曲线；
[0071]
图5为lstm预失真网络的结构示意图；
[0072]
图6为未经过处理的信号还原后的星座图；
[0073]
图7为基于volterra级数均衡器算法还原后的星座图；
[0074]
图8为基于神经网络均衡器算法还原后的星座图；
[0075]
图9为本技术所述方法还原后的星座图；
[0076]
图10为场景一信号下不同方法的误符号率曲线示意图；
[0077]
图11为场景二信号下不同方法的误符号率曲线示意图；
[0078]
图12为场景三信号下不同方法的误符号率曲线示意图。
具体实施方式
[0079]
下面结合附图和实施例，对本发明的具体实施方式做进一步详细描述。
[0080]
本发明通过以下技术方案实现：
[0081]
一、应用场景建模
[0082]
考虑一个静态的可见光通信场景，存在一个发光二极管和多个接收器(即接收终
端)。发光二极管通过难以被肉眼观测到的高速闪烁的信号来发送信息，数字信号通过调制和光电转换器以光信号的形式发送。其中，通过直流偏置来控制发光二极管的亮度，直流偏置越大，发光二极管的亮度越大，保证了可见光照明的功能。交流电压用来承载传递的信息。交流电压的范围越大，承载的信息量越大。发送的光信号在接收终端通过光电二极管转化为电信号，此过程如图1所示。
[0083]
图1为一种典型的可见光通信场景示意图，上方为一个发光二极管，发光二极管根据添加直流偏置电压和承载交流电压的不同存在着两个范围。光信号中的直流成分代表光的平均强度，决定光源(即发光二极管)的照明范围，即光照范围；而光信号中的交流成分则代表信号中承载的信息符号的强度，决定光源所发射信息的覆盖范围，即通信范围。下方为多个接收终端，在通信范围内的接收终端可以接收到由发光二极管发送的信息。当信号发射机端加大直流偏置值，发光二极管的光照范围变大，添加直流偏置后的信号更广泛分布于非线性区域中。接收终端接收到的信息与发射机发射的信息之间存在较大误差，信号受到非线性的影响较大，影响了可见光通信系统的性能。
[0084]
可见光通信系统的信号传输所具有的非线性特征和记忆效应，可以采用wiener模型进行描述
[1]
。wiener模型分为记忆效应和非线性效应，将可见光通信系统中的记忆效应描述为多抽头模型，将可见光通信系统中存在的光电转换(即led)和功率放大器(即pa)的非线性等描述为非线性效应。将带有记忆效应的非线性效应描述为两个模块的级联。其中，记忆效应可以表示为：
[0085][0086]
其中，l为可见光通信系统所具有的记忆深度，b
l
为该记忆效应的第l个因子，且有0≤l≤l
‑
1，共计有l个因子，x(n)为n时刻的输入信号，ω(n)为n时刻的输出信号。例如，当l＝3时，在时间n的输出信号不仅与n时刻的输入有关，而且还与n
‑
1和n
‑
2时刻的输入有关。
[0087]
信号非线性效应可以用rapps模型来描述，其输入电压
‑
输出电压的非线性响应表达式如式(2)所示，
[0088][0089]
其中，v
in
是输入发光二极管的电压值，i
max
是当前最大输出，k是拐点系数，该系数控制从线性区域到饱和区域的平滑程度，v
tov
是发光二极管的开启电压值。
[0090]
二、基于lstm预失真网络的非线性抑制方法
[0091]
考虑到可见光通信场景中广泛存在的非线性问题，本发明提出一种基于lstm预失真网络(简称预失真网络)的可见光通信系统非线性抑制方法。通过将lstm预失真网络与可见光通信系统中带记忆效应的非线性进行级联组成线性增益系统(又称为：线性化系统)，实现对可见光通信系统中非线性的抑制，达到对可见光通信系统整体性能的提升。lstm预失真网络在可见光通信系统中的位置如图2所示。
[0092]
可见光通信系统中的非线性主要有：发光二极管的非线性和功率放大器的非线
性。基于lstm预失真网络的非线性抑制方法是通过在发射机中加入一个与非线性效应相反的响应进行补偿，使得信号放大的响应曲线表现为非线性的形态，达到对信号的线性增益效果。具体地，在可见光非线性效应前加入lstm预失真网络，信号通过lstm预失真网络后，再经过非线性效应可以避免信号失真。通过lstm预失真网络与非线性效应的级联，可以得到一个线性增益系统。基于lstm预失真网络的非线性抑制效果如图3所示。由图可见，信号通过lstm预失真网络和非线性效应，可以得到理想响应曲线。基于lstm预失真网络的非线性抑制方法将复杂度集中在发射机端，在不损失信号动态范围的情况下实现了对非线性的抑制效果，实现对信号的线性放大。
[0093]
三、理想输入
‑
输出特性
[0094]
一个典型的可见光通信系统的信号发射机的输入
‑
输出响应曲线如图4所示，该响应可以通过对可见光发射系统进行测量得到。对lstm预失真网络进行训练时，需要采用有监督的方式进行神经网络参数的学习。学习的样本为输入信号，学习的标签为输出信号。学习的目标是获得一个具有线性的系统响应。因此，学习之前需要确定该线性的系统响应。
[0095]
本发明提出：在输入
‑
输出响应曲线中，将发光二极管开启电压处的点与最大输出电压处的点之间的连线作为理想的线性响应特性曲线。该曲线即为线性化系统所需要学习的理想的线性放大响应曲线。该理想的线性放大响应曲线斜率的表达式如式(3)所示，
[0096][0097]
其中，和分别为输入信号范围的最大电压值和最小电压值，和分别为输出信号范围的最大电压值和最小电压值。
[0098]
使用该理想的线性放大响应曲线，可以由输入信号x得到理想的输出信号y，如式(4)所示，
[0099]
y＝α
·
(x
‑
v
on
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0100]
其中，v
on
是发光二极管的开启电压。输入信号x是经过调制的基带信号。输出信号y是不存在非线性效应，且不存在记忆效应的理想信号。
[0101]
四、基于lstm的预失真网络
[0102]
预失真网络用以补偿可见光通信中的记忆效应和非线性效应。本发明提出使用长短时记忆网络(lstm)作为预失真网络，其结构如图5所示。该lstm预失真网络的具体参数如下。
[0103]
(1)lstm网络单元个数
[0104]
当可见光通信系统中的记忆效应为l个符号持续期时，选择l个lstm网络单元构成预失真网络，以实现对于可见光通信系统中记忆效应的补偿，使得输出的信号中不存在记忆效应。
[0105]
(2)激活函数
[0106]
使用sigmoid函数作为激活函数。
[0107]
(3)输入、输出信号
[0108]
经过调制的基带信号x作为lstm预失真网络的输入信号。每个时刻，相邻的l个基带信号输入lstm预失真网络。例如，在第i时刻的输入信号为x
i
＝{x
i
‑
l 1
,...,x
i
‑1,x
i
}。将l
个信号分别输入到l个lstm网络单元的输入端。
[0109]
每个时刻，lstm预失真网络输出一个信号y
i
。即每个时刻lstm预失真网络根据l个输入信号产生一个输出信号。
[0110]
(4)隐藏层
[0111]
lstm预失真网络采用1层隐藏层。
[0112]
五、神经网络(即lstm预失真网络)的训练
[0113]
通过计算机仿真的方式可以生成大量随机的输入信号{x1,x2,...,x
n
}。使用式(4)，可以得到该输入信号所对应的理想线性输出信号{y1,y2,...,y
n
}。从输入信号{x1,x2,...,x
n
}中截取连续的l长的输入信号x
i
＝{x
i
‑
l 1
,...,x
i
‑1,x
i
}构成输入信号样本。将相对应的输入信号和理想线性输出信号构成一对训练样本(x
i
,y
i
)，其中x
i
为网络训练中的输入，y
i
为该输入所对应的理想输出。共生成m对训练样本，即i＝1,2,...,m。将训练样本(即输入信号样本)x
i
依次送入神经网络，可以依次得到网络的输出将网络输出与理想线性输出信号y
i
之间的均方误差作为损失函数，对lstm预失真网络的参数进行训练，可以对网络参数进行更新，使网络的输出更加趋近于理想输出。经过多次的迭代，当损失函数值小于一个预设值时，则完成对网络参数的训练。
[0114]
六、三种典型的可见光通信场景
[0115]
考虑三种典型的可见光通信场景：
[0116]
场景一：直流电压较小，交流电压较小，对应可见光通信中光照范围与通信范围均较小的场景；
[0117]
场景二：直流电压中等，交流电压最大，对应可见光通信中光照范围中等，通信范围最大的场景；
[0118]
场景三：直流电压较大，交流电压最小，对应可见光通信中光照范围最大，通信范围最小的场景。
[0119]
基于三种场景，选取三种不同分布的信号，确保三种信号广泛分布于线性区域、过渡区域和非线性区域，以探究多种可见光通信系统非线性抑制方法在处于不同分布的信号中的非线性抑制效果。三种典型场景下，信号的直流电压v
dc
和交流电压峰
‑
峰值v
pp
如表1所示。
[0120]
表1三种典型的可见光通信场景下的信号的直流电压和交流电压峰
‑
峰值列表
[0121][0122]
七、不同抑制算法还原后的星座图比较
[0123]
在30db高斯白噪声下，使用16qam调制的可见光通信信号为例，展示不同算法的非线性抑制效果。
[0124]
如图6
‑
图9所示，在相同的实验条件下，基于volterra级数均衡器算法、基于神经网络均衡器算法、基于lstm预失真算法(即本技术所述方法)的信号弥散程度依次减小，抑
visible
‑
light communication link:a volterra
‑
series approach[j].optics communications:a journal devoted to the rapid publication of short contributions in the field of optics and interaction of light with matter,2018,417:46
‑
53.
[0137]
[3]li x h.chen s.liq,et al.volterra
‑
based nonlinear equalization for nonlinearity mitigation in organic vlc[c]//13th international wireless communications and mobile computing conference,2017,616
‑
621.
[0138]
[4]li x,gao q,gong c,et al.nonlinearity mitigation for vlc with an artificial neural network based equalizer[c]//ieee global communications conferenceworkshops(globecom workshops),2019,1
‑
6.
[0139]
显然，本发明上述实施例的原理阐述仅仅是为清楚地说明本发明所做的举例，而并非是对本发明实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里没有对所有的实施方式予以穷举，凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。
[0140]
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。