一种信号解调方法、装置、电子设备和可读存储介质与流程

1.本发明涉及仿真技术领域，尤其涉及一种信号解调方法、装置、电子设备和可读存储介质。


背景技术：

2.可见光通信(visible light communication,vlc)利用发光二极管(light-emitting diode，led)作为光源，在正常照明的前提下，可使照明设备具备“无线路由器”、“通信基站”、“网络接入点”等功能。然而，led的信号调制带宽有限，接收信号中会存在严重的符号间串扰(inter-symbol interference,isi)，从而限制了可见光通信系统的性能。因此，充分利用有限的带宽实现高频谱效率的vlc传输系统就显得尤为重要。
3.无载波幅度相位调制(carrierless amplitude and phase,cap)是一种高频谱效率幅度调制，可用于可见光通信系统。在多用户场景下的多带cap(multi-band cap,mcap)调制系统中，子带之间在频谱上没有交叠，也就是说各子带之间是满足相互正交的关系的。为了进一步提高频谱效率(spectral efficiency,se)，可以对整个频谱进行适当的压缩，使得相邻的子带之间在频谱上产生一定的交叠。这样就破坏了各个子带之间的正交性，将会给每个子带引入带间干扰(inter-band interference,ibi)。这种以引入ibi为代价而提高频谱效率的调制方式称之为非正交多带cap调制(nm-cap)。
4.在传统的mcap系统接收端，每个子带用户使用一对希尔伯特匹配滤波器(matched filter,mf)对接收信号进行解调，从而得到该属于该用户的信息。但是在nm-cap系统中，使用匹配滤波器解调无法消除由子带交叠引入的ibi。


技术实现要素：

5.本发明实施例提供一种信号解调方法、装置、电子设备和可读存储介质，可以同时消除nm-cap系统中子带交叠引入的ibi和带宽限制引入的isi，进而可以对带宽进行更大的压缩，从而提高可见光通信系统的频谱效率。
6.本发明实施例提供了一种信号解调方法，应用于可见光通信系统的接收端，所述可见光通信系统基于非正交多带无载波幅度相位调制技术传输信号，所述方法包括：
7.将接收到的长度为sk的串行数据转换为k组并行数据，其中，s表示上采样倍数，k表示一个子带中待解调出的正交振幅调制qam符号数量；
8.将所述k组并行数据依次输入预置的神经网络，通过所述神经网络对所述k组并行数据进行解调，输出解调得到的k组qam符号，每组包含n个qam符号，n表示用户数量；
9.将所述神经网络输出的qam符号映射为n个用户分别对应的二进制数据。
10.本发明实施例提供了一种信号解调装置，应用于可见光通信系统的接收端，所述可见光通信系统基于非正交多带无载波幅度相位调制技术传输信号，所述装置包括：
11.串并转换模块，用于将接收到的长度为sk的串行数据转换为k组并行数据，并将所述k组并行数据依次输入预置的神经网络，其中，s表示上采样倍数，k表示一个子带中待解
调出的正交振幅调制qam符号数量；
12.dsnn模块，用于通过所述神经网络对所述k组并行数据进行解调，输出解调得到的k组qam符号，每组包含n个qam符号，n表示用户数量；
13.qam解映射模块，用于将所述神经网络输出的qam符号映射为n个用户分别对应的二进制数据。
14.本发明实施例提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如前所述的信号解调方法。
15.本发明实施例提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如前所述的信号解调方法。
16.本发明实施例包括以下优点：
17.本发明实施例提供了一种基于神经网络的信号解调方法，首先将接收到的长度为sk的串行nm-cap数据转换为k组并行数据后输入预置的神经网络，然后通过该神经网络对所述k组并行数据进行解调，输出解调得到的k组qam符号，最后将所述神经网络输出的qam符号映射为n个用户分别对应的二进制数据。本发明实施例利用神经网络能够充分提取数据中存在的信息以及神经网络具有复杂的非线性映射能力的特点，在nm-cap系统中，可以使用预先训练的神经网络实现接收数据到符号的映射，从而实现使用基于神经网络的接收机代替传统的接收机，并且能够有效地抑制ibi、isi和非线性干扰，大幅度提高系统性能。此外，本发明实施例利用神经网络直接将接收到的nm-cap数据转换为qam符号，可以避免下采样的过程，从而可以进一步提高系统处理的效率。再者，由于本发明实施例利用神经网络可以有效消除nm-cap系统中子带交叠引入的ibi，因此可以对带宽进行更大程度的压缩，从而进一步提高系统的频谱效率。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1示出了本发明的一种信号解调方法实施例的流程图；
20.图2示出了本发明的一种用于nm-cap系统的dsnn接收机的结构示意图；
21.图3示出了示出了滚降系数分别为0.2和0.5时的nm-cap系统频谱压缩示意图；
22.图4示出了滚降系数为0.2的nm-cap系统平均比特误码率和压缩系数的关系图；
23.图5示出了滚降系数为0.5的nm-cap系统平均比特误码率和压缩系数的关系图；
24.图6示出了本发明的一种信号解调装置实施例的结构框图；
25.图7示出了本发明提供的一种电子设备的结构示意图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发
明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.本发明实施例提供了一种信号解调方法，可应用于可见光通信系统的接收端，所述可见光通信系统基于非正交多带无载波幅度相位调制技术传输信号。
28.在发射端，每个子带的qam(quadrature amplitude modulation，正交振幅调制)符号进行s倍上采样，上采样后将i路信号和q路信号分开，接着对两路信号分别进行成形滤波，成形滤波器的表达式为：
[0029][0030][0031]
其中t表示离散时间，p(t)表示基带成形脉冲，这里具体为根升余弦(srrc)脉冲。表示第n个子带的中心频率，由以下表达式决定：
[0032][0033]
式中α表示srrc脉冲的滚降系数，β表示相较于常规的正交mcap，nm-cap对带宽的压缩系数。rs表示每个子带的波特率。
[0034]
发送端发送的nm-cap信号可以表示为：
[0035][0036]
在nm-cap系统(基于非正交多带无载波幅度相位调制技术传输信号的通信系统)中，使用匹配滤波器解调无法消除主动引入的ibi。此外，当子带交叠比例增加的时候，系统性能将会急剧恶化。再者，由于led的调制带宽限制，高频衰落比较严重，将会给接收信号带来严重的符号间干扰(inter-symbol interference,isi)。特别的，由于led的本征非线性以及传输信道的非线性，接收端信号中通常会存在一定的非线性干扰。
[0037]
使用自适应非线性后均衡器可以在一定程度上降低isi和非线性干扰，所述自适应非线性后均衡器如基于最小均方误差(least mean square,lms)算法的volterra级数均衡器。然而，即便使用了基于volterra级数的非线性项，对于较强的非线性效应，lms的补偿作用也是十分有限。
[0038]
本发明实施例提出一种基于深度神经网络(deep neural network,dnn)的信号解调方法。由于dnn具有复杂的非线性映射能力，所以在nm-cap系统中，可以使用dnn来实现接收数据到符号的映射，从而代替mf lms接收机，并且能够有效地抑制ibi、isi和非线性干扰，从而大幅度提高系统性能。
[0039]
参照图1，示出了本发明的一种信号解调方法实施例的流程图，所述方法应用于可见光通信系统的接收端，所述可见光通信系统基于非正交多带无载波幅度相位调制技术传输信号，所述方法具体可以包括：
[0040]
步骤101、将接收到的长度为sk的串行数据转换为k组并行数据，其中，s表示上采
样倍数，k表示一个子带中待解调出的正交振幅调制qam符号数量；
[0041]
步骤102、将所述k组并行数据依次输入预置的神经网络，通过所述神经网络对所述k组并行数据进行解调，输出解调得到的k组qam符号，每组包含n个qam符号，n表示用户数量；
[0042]
步骤103、将所述神经网络输出的qam符号映射为n个用户分别对应的二进制数据。
[0043]
通过本发明实施例的信号解调方法，可以实现基于神经网络的接收机，用以代替mf lms接收机。本发明实施例预先训练得到预置的神经网络，该预置的神经网络为深度神经网络，该深度神经网络可以将nm-cap系统中接收端接收到的数据解调为qam符号。为便于描述，本发明实施例中将该预置的神经网络称为数据到符号神经网络(data to symbol neural network，dsnn)。进一步地，基于该数据到符号神经网络(dsnn)，本发明实施例实现了用于nm-cap系统中的dsnn接收机。
[0044]
本发明实施例的dsnn接收机可以包括串并转换模块、dsnn模块和qam解映射模块。其中，所述串并转换模块，用于将接收到的长度为sk的串行数据转换为k组并行数据，输入dsnn模块。所述接收到的串行数据指接收端接收到的nm-cap信号。dsnn模块用于通过所述预置的神经网络对所述k组并行数据进行解调，输出解调得到的k组qam符号，每组包含n个qam符号，n表示用户数量。qam解映射模块将所述预置的神经网络输出的qam符号映射为n个用户分别对应的二进制数据。
[0045]
一个示例中，假设需要从长度为sk的接收数据r(t)中解调出k组qam符号y(k)，每组包含n个qam符号。其中，s表示系统设置的上采样倍数，k表示从一个子带中需要解调出来的qam符号数量，n表示用户数量(也即子带数量)。t＝
…
,0,1,2,
…
,sk-1,
…
且k＝0,1,2,k-1。
[0046]
其中，k值是通信系统中需要传输的qam符号数，在实际应用中k值由通信双方需要传输的数据量决定。
[0047]
在nm-cap系统中，接收端接收到的某段数据的长度等于上采样倍数s乘以要传输的符号长度k，从这段数据中每个子带可以解调出k组qam符号，假设有n个用户，则k组qam符号中每组包含n个qam符号，那么可以解调出的qam符号数为就是nk。
[0048]
在nm-cap系统中，使用的符号是qam星座点，qam星座点包含实部和虚部。y(k)表示在第k组要解调的qam符号，每个用户的qam符号包含实部和虚部，所以，y(k)可以表示为：
[0049][0050]
可以看出，y(k)是一个包含2n个元素的向量。其中，表示在第k组要解调符号中，第n个子带的qam符号的同相分量(实部)；表示在第k组要解调符号中，第n个子带的qam符号的正交分量(虚部)。参照图2，示出了本发明的一种用于nm-cap系统的dsnn接收机的结构示意图。如图2所示，该dsnn接收机包括串并转换模块201、dsnn模块202和qam解映射模块203。
[0051]
进一步地，接收端接收到的串行数据可以表示为r(t)，t表示离散时间，所述k组并行数据可以表示为x(k)，则：
[0052]
x(k)＝[r(sk-l
in
/2),r(sk-l
in
/2 1),
…
,r(sk),
…
,r(sk l
in
/2-1)]
t
ꢀꢀꢀ
(6)
[0053]
其中，l
in
表示所述神经网络的输入层的节点数，k取值为0～k-1。
[0054]
在本发明实施例中，x(k)是一个维度为l
in
的向量，而y(k)是一个维度为2n的向量。
[0055]
在神经网络对所述k组并行数据进行解调，输出解调得到的qam符号之后，可以通过qam解映射模块将所述神经网络输出的qam符号映射为每个用户对应的二进制数据。
[0056]
本发明实施例基于预先训练的神经网络将nm-cap系统中接收端接收到的数据解调为qam符号，相较于传统的匹配滤波器，本发明实施例利用神经网络能够充分提取数据中存在的信息，更加有效地消除输出qam符号中的ibi。此外，由于神经网络强大的拟合能力以及复杂的非线性映射能力，因此还可以有效消除isi和非线性干扰，从而大幅度提高系统性能。
[0057]
在本发明的一种可选实施例中，所述将接收到的长度为sk的串行数据转换为k组并行数据，可以包括：以所述上采样倍数s为滑动步长将接收到的长度为sk的串行数据转换为k组并行数据。
[0058]
在本发明实施例中，串并转换模块将串行数据转换为并行数据的过程是以上采样倍数s为单位的，使得神经网络具有较低的计算复杂度。在数据进入神经网络进行解调之前需要先经过串并转换，串并转换的滑动步长为一个符号区间(每次要解调一组符号)，而接收数据中上采样倍数为s(即用s个点表示一个符号区间)，对接收数据来说，滑动步长就是s。而匹配滤波过程本质上是线性卷积运算，其滑动步长为1，因此，本发明实施例基于神经网络实现接收机相较于匹配滤波接收机更能节省计算资源，降低计算复杂度。
[0059]
在本发明的一种可选实施例中，所述神经网络可以包括输入层、第一隐藏层、第二隐藏层、以及输出层，其中，所述输入层的节点数为偶数，所述第一隐藏层、第二隐藏层、以及输出层的节点数为2n。
[0060]
在本发明实施例中，由于神经网络的输出包含n个子带的qam符号，而每个qam符号由实部和虚部组成，所以神经网络的输入层的节点数l
in
应为偶数。除输入层外，其余每一层的节点数可以设置为2n。
[0061]
需要说明的是，本发明实施例对隐藏层的个数不做限制。例如，所述神经网络可以仅包含一个隐藏层，也可以包含多个隐藏层。
[0062]
本发明实施例中的神经网络包括输入层、第一隐藏层、第二隐藏层、以及输出层的网络结构，仅作为一种应用示例。进一步地，在本发明实施例中，所述第一隐藏层和输出层不设置非线性激活函数，第二隐藏层设置非线性激活函数。可以理解的是，在具体实施中，神经网络中的哪一层设置非线性激活函数，哪一侧不设置非线性激活函数，可以根据实际应用灵活设置。
[0063]
在本发明的一种可选实施例中，所述k组并行数据表示为x(k)，所述输出解调得到的k组qam符号表示为y(k)，则：
[0064]
y(k)＝w3f(w2(w1x(k) b1) b2) b3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0065]
其中，f(
·
)表示非线性激活函数，w1表示输入层和第一隐藏层的连接权重矩阵，w2表示第一隐藏层和第二隐藏层之间的连接权重矩阵，w3表示第二隐藏在和输出层之间的连接权重矩阵，b1、b2和b3为每一层的偏置向量，k取值为0～k-1。如果接收数据中的直流分量较小，如小于预设值，则偏置向量的值接近于0。
[0066]
在本发明的一种可选实施例中，所述方法还可以包括：基于训练样本集执行如下循环操作：在每一轮循环中，将所述训练样本集中剩余的训练样本随机打乱后取出第一数目的训练样本，利用取出的第一数目的训练样本按照预设的训练算法进行训练，当满足循
环结束条件时得到训练完成的神经网络。
[0067]
本发明实施例可以采用小批次训练的方法训练神经网络。具体地，可以获取训练样本集，并且设置第二数目的循环操作。在第一轮循环中，将所述训练样本集中的训练样本随机打乱后取出第一数目的训练样本，利用取出的第一数目的训练样本按照预设的训练算法进行训练。在第二轮循环中，将所述训练样本集中剩余的训练样本随机打乱后取出第一数目的训练样本，利用取出的第一数目的训练样本按照预设的训练算法进行训练。以此类推，直到满足循环结束条件时，停止循环操作，得到训练完成的神经网络。
[0068]
可选地，所述满足循环结束条件可以包括已执行第二数目的循环操作，或者，所述训练样本集为空。
[0069]
一个示例中，设置第二数目为20，则在第20轮循环操作执行完成时，或者，在所述训练样本集中的训练样本全部取完时，可以确定此时满足循环结束条件。
[0070]
在具体实施中，可以在接收数据中取一定的比例(例如50％)作为训练集，剩下的作为测试集。本发明的神经网络采用有监督的学习，训练样本为接收数据，标签数据为要解调的qam符号。示例性地，在通信中为了获取信道信息，发送端可以发送一组双方都已知的训练数据以方便接收端估计信道。本发明利用这段训练数据训练神经网络，从而使得神经网络具备消除ibi和非线性干扰的能力。
[0071]
需要说明的是，本发明实施例对第一数目和第二数目的具体数值不做限制。示例性地，所述第一数目可以设置为20，所述第二数目可以设置为20。在具体实施中，可以根据系统内存、训练出的神经网络的精准度综合确定所述第一数目和第二数目。上述设置第一数目和第二数目均为20，目的在于可以在保证训练精度的同时可以取得较好的系统性能。
[0072]
在本发明的一种可选实施例中，所述预设训练算法可以包括adam算法，所述按照预设训练算法训练神经网络，可以包括：
[0073]
初始化adam优化器的参数和神经网络的参数；
[0074]
将当前的训练样本输入神经网络，得到所述神经网络的输出符号向量；
[0075]
根据所述输出符号向量和目标符号向量计算损失函数；
[0076]
若所述损失函数已收敛，则停止训练，得到训练完成的神经网络以及训练完成的神经网络的参数；
[0077]
若所述损失函数未收敛，则更新所述adam优化器的参数和所述神经网络的参数，并执行下一轮训练。
[0078]
需要说明的是，本发明实施例对训练神经网络采用的训练算法不做限制。目前的梯度下降算法均可适用。由于adam算法流行于人工智能网络训练中，具有训练速度快，准确度高的特点，本发明实施例优选地采用adam算法训练神经网络。
[0079]
具体地，首先初始化adam优化器的参数和神经网络的参数。
[0080]
一个示例中，初始化adam优化器的参数包括：初始化参数a＝0.001，b1＝0.9，b2＝0.999，ε＝10-8，m0＝0，v0＝0，t＝0。
[0081]
初始化神经网络的参数包括：每两个网络层之间的连接权重及偏置(即公式(7)中的w1，w2，w3，b1，b2，b3)，本发明实施例对初始化的方式不做限制，例如，可以选择标准正态分布随机初始化的方式。
[0082]
然后将当前的训练样本输入神经网络，得到所述神经网络的输出符号向量，并根
据所述输出符号向量和目标符号向量计算损失函数。
[0083]
可选地，所述损失函数可以使用mse(mean square error，均方误差)。例如，所述损失函数可以如下：
[0084][0085]
其中，n
tr
表示参与训练的训练样本的数量，y(i)表示在输入第i个训练样本时，神经网络的输出符号向量，d(i)表示第i个训练样本对应的目标符号向量(即希望神经网络输出的正确的符号向量)。
[0086]
若所述损失函数已收敛，则停止训练，得到训练完成的神经网络以及训练完成的神经网络的参数；若所述损失函数未收敛，则根据所述损失函数的值更新所述adam优化器的参数和所述神经网络的参数，并执行下一轮训练。
[0087]
一个示例中，假设w0为神经网络中某一个参数的初始化数值，所述根据所述损失函数的值更新所述adam优化器的参数和所述神经网络的参数的步骤如下：
[0088]
(i)令t＝t 1；
[0089]
(ii)
[0090]
(iii)m
t
＝b1·mt-1
(1-b1)
·gt
；
[0091]
(iv)(iv)表示g
t
中每个元素平方后的结果；
[0092]
(v)
[0093]
(vi)
[0094]
(vii)
[0095]
(viii)如果损失函数已收敛，则结束训练，得到神经网络的参数w
t
；否则返回步骤(i)，继续训练。
[0096]
一个示例中，以包含3个用户的nm-cap蓝灯水下可见光通信系统为例。为了降低计算复杂度，上采样倍数应尽可能小，如最小上采样倍数其中，表示向上取整函数，α表示srrc脉冲滚降系数，β表示压缩系数，n表示子带数(用户数)。在该示例中，n＝3，发送qam阶数为16。
[0097]
假设每个子带波特率为100mbaud，总波特率为300mbaud。每个子带传输速率为400mbps，总传输速率为1.2gbps。蓝光led直流偏置电流设置为200ma，交流电压峰峰值(vpp)设为0.9v。可见光在水下的传输距离为1.2m。
[0098]
在该示例中，假设分别提供滚降系数为0.2和0.5两种情况。参照图3，示出了滚降系数分别为0.2和0.5时的nm-cap系统频谱压缩示意图。其中，(a)α＝0.2，β＝0；(b)α＝0.2，β＝0.08；(c)α＝0.5，β＝0；(d)α＝0.5，β＝0.2。如图3所示，滚降系数为0.2时，未压缩前的mcap带宽为360mhz，压缩8％后的nm-cap带宽为331mhz，相邻子带之间产生交叠。滚降系数为0.5时，未压缩前的mcap带宽为450mhz，压缩20％后的nm-cap带宽为360mhz，相邻子带之间产生交叠。
[0099]
参照图4，示出了滚降系数为0.2的nm-cap系统平均ber(比特误码率)和压缩系数的关系图，以及参照图5，示出了滚降系数为0.5的nm-cap系统平均ber和压缩系数的关系图。
[0100]
如图4所示，在α＝0.2的情况下，当β在0到0.04之间变化时，isi占主导地位。由于带宽压缩，带宽限制引起的码间干扰变弱，这导致误码率随β的增加而降低。在这个范围内，可以看出dsnn对isi的消除能力要强于lms。当β在0.04到0.10之间变化时，ibi和isi逐渐占主导地位。随着β的增加，基于lms的系统的误码率增加，基于dsnn的系统的误码率降低，两者在β＝0.1时均达到最佳误码率性能。当β从0.10到0.16变化时，ibi比isi更强，因此，这种情况下，误码率随着β的增加而增加。基于lms的系统误码率达到3.8
×
10-3
时β＝0.098，此时频谱系统的效率η＝3.70bit/s/hz。频谱系统的效率η的计算公式如下：
[0101][0102]
其中，m表示qam阶数，该示例中为16。基于dsnn的系统误码率达到3.8
×
10-3
时β＝0.156，此时η＝3.95bit/s/hz。参照表1，示出了不同情况下的最大频谱效率。如表1所示，在滚降系数为0.2时，使用本发明的dsnn接收机的nm-cap系统最大频谱效率，与子带无交叠的m-cap系统以及使用mf lms接收机的nm-cap系统相比均有提高，dsnn与m-cap相比提高了19％的频谱效率，dsnn与mf lms相比提高了7％的频谱效率。
[0103]
表1
[0104][0105]
如图5所示，在α＝0.5的情况下，当β从0到0.1变化时，isi占主导地位。与α＝0.2的情况类似，由于带宽压缩，带宽限制导致的isi变弱，从而导致ber随着β的增加而降低。在这个范围内，dsnn表现出比lms更强的isi均衡消除能力。当β从0.1到0.2变化时，ici和isi逐渐占主导地位。随着β的增加，基于lms的系统的误码率增加，而基于dsnn的系统的误码率降低，两者在β＝0.2时均达到最低误码率。当β从0.2到0.4变化时，ici比isi更强，因此，在这种情况下，误码率随着β的增加而增加。基于lms的系统误码率达到3.8
×
10-3
时β＝0.165，此时η＝3.19。基于dsnn的系统误码率达到3.8
×
10-3
时β＝0.301，此时η＝3.82。如表1所示，在滚降系数为0.5时，使用本发明的dsnn接收机的nm-cap系统最大频谱效率，与子带无交叠的m-cap系统以及使用mf lms接收机的nm-cap系统相比均有提高，dsnn与m-cap相比提高了43％的频谱效率，dsnn与mf lms相比提高了20％的频谱效率。
[0106]
在具体实施中，匹配滤波器的长度为l
mf
＝sl 1，其中l表示srrc脉冲的符号长度，则匹配滤波的计算复杂度为：
[0107]cmf
＝2nskl
mf
ꢀꢀꢀ
(10)
[0108]
其中，k表示需要解调的符号数。
[0109]
lms计算复杂度为：
[0110]clms
＝skl
lms
ꢀꢀꢀ
(11)
[0111]
其中，l
lms
表示lms滤波器的长度。
[0112]
在本发明实施例中，dsnn的计算复杂度为：
[0113]cdsnn
＝2nkl
in
8kn2ꢀꢀꢀ
(12)
[0114]
其中，dsnn的计算复杂度可以根据接收数据经过神经网络处理时使用的乘法计算的次数计算得到。
[0115]
由此可得：
[0116][0117]
由上式(13)可知，当滚降系数为0.2，压缩系数为0.08时，令n＝3，s＝7，l＝8，l
lms
＝33，l
in
＝84，则c
mf lms
/c
dsnn
＝4.56。也即，dsnn与mf lms相比，dsnn可以节省78.1％的计算复杂度。当滚降系数为0.5，压缩系数为0.2时，令n＝3，s＝8，l＝4，l
lms
＝33，l
in
＝48，则c
mf lms
/c
dsnn
＝5.13。也即，dsnn与mf lms相比，dsnn可以节省80.5％的计算复杂度。
[0118]
综上，本发明实施例提供了一种基于神经网络的信号解调方法，首先将接收到的长度为sk的串行nm-cap数据转换为k组并行数据后输入预置的神经网络，然后通过该神经网络对所述k组并行数据进行解调，输出解调得到的k组qam符号，最后将所述神经网络输出的qam符号映射为n个用户分别对应的二进制数据。本发明实施例利用神经网络能够充分提取数据中存在的信息以及神经网络具有复杂的非线性映射能力的特点，在nm-cap系统中，可以使用预先训练的神经网络实现接收数据到符号的映射，从而实现使用基于神经网络的接收机代替传统的接收机，并且能够有效地抑制ibi、isi和非线性干扰，大幅度提高系统性能。此外，本发明实施例利用神经网络直接将接收到的nm-cap数据转换为qam符号，可以避免下采样的过程，从而可以进一步提高系统处理的效率。再者，由于本发明实施例利用神经网络可以同时有效消除nm-cap系统中子带交叠引入的ibi和带宽限制引入的isi，因此可以对带宽进行更大程度的压缩，从而进一步提高系统的频谱效率。
[0119]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。
[0120]
参照图6，示出了本发明的一种信号解调装置实施例的结构框图，所述装置应用于可见光通信系统的接收端，所述可见光通信系统基于非正交多带无载波幅度相位调制技术传输信号，所述装置具体可以包括：
[0121]
串并转换模块601，用于将接收到的长度为sk的串行数据转换为k组并行数据，并将所述k组并行数据依次输入预置的神经网络，其中，s表示上采样倍数，k表示一个子带中待解调出的正交振幅调制qam符号数量；
[0122]
dsnn模块602，用于通过所述神经网络对所述k组并行数据进行解调，输出解调得到的k组qam符号，每组包含n个qam符号，n表示用户数量；
[0123]
qam解映射模块603，用于将所述神经网络输出的qam符号映射为n个用户分别对应的二进制数据。
[0124]
可选地，所述装置还包括：
[0125]
训练模块，用于基于训练样本集执行如下循环操作：在每一轮循环中，将所述训练样本集中剩余的训练样本随机打乱后取出第一数目的训练样本，利用取出的第一数目的训
练样本按照预设的训练算法进行训练，当满足循环结束条件时得到训练完成的神经网络。
[0126]
可选地，所述满足循环结束条件包括已执行第二数目的循环操作，或者，所述训练样本集为空。
[0127]
可选地，所述预设训练算法包括adam算法，所述训练模块，包括：
[0128]
初始化子模块，用于初始化adam优化器的参数和神经网络的参数；
[0129]
网络处理子模块，用于将当前的训练样本输入神经网络，得到所述神经网络的输出符号向量；
[0130]
损失计算子模块，用于根据所述输出符号向量和目标符号向量计算损失函数；
[0131]
训练完成子模块，用于若所述损失函数已收敛，则停止训练，得到训练完成的神经网络以及训练完成的神经网络的参数；
[0132]
迭代训练子模块，用于若所述损失函数未收敛，则更新所述adam优化器的参数和所述神经网络的参数，并执行下一轮训练。
[0133]
可选地，所述神经网络包括输入层、第一隐藏层、第二隐藏层、以及输出层，其中，所述输入层的节点数为偶数，所述第一隐藏层、第二隐藏层、以及输出层的节点数为2n。
[0134]
可选地，所述k组并行数据表示为x(k)，所述输出解调得到的k组qam符号表示为y(k)，则：
[0135]
y(k)＝w3f(w2(w1x(k) b1) b2) b3[0136]
其中，f(
·
)表示非线性激活函数，w1表示输入层和第一隐藏层的连接权重矩阵，w2表示第一隐藏层和第二隐藏层之间的连接权重矩阵，w3表示第二隐藏在和输出层之间的连接权重矩阵，b1、b2和b3为每一层的偏置向量，k取值为0～k-1。
[0137]
可选地，所述串行数据表示为r(t)，t表示离散时间，所述k组并行数据表示为x(k)，则：
[0138]
x(k)＝[r(sk-l
in
/2),r(sk-l
in
/2 1),
…
,r(sk),
…
,r(sk l
in
/2-1)]
t
[0139]
其中，l
in
表示所述神经网络的输入层的节点数，k取值为0～k-1。
[0140]
可选地，所述串并转换模块，具体用于以所述上采样倍数s为滑动步长将接收到的长度为sk的串行数据转换为k组并行数据。
[0141]
本发明实施例提供了一种基于神经网络的信号解调装置，该装置可应用于可见光通信系统的接收端，具体的，该装置可以作为nm-cap系统中的dsnn接收机。本发明实施例利用神经网络能够充分提取数据中存在的信息以及神经网络具有复杂的非线性映射能力的特点，在nm-cap系统中，可以使用预先训练的神经网络实现接收数据到符号的映射，从而实现使用基于神经网络的接收机代替传统的接收机，并且能够有效地抑制ibi、isi和非线性干扰，大幅度提高系统性能。此外，本发明实施例利用神经网络直接将接收到的nm-cap数据转换为qam符号，可以避免下采样的过程，从而可以进一步提高系统处理的效率。再者，由于本发明实施例利用神经网络可以同时有效消除nm-cap系统中子带交叠引入的ibi和带宽限制引入的isi，因此可以对带宽进行更大程度的压缩，从而进一步提高系统的频谱效率。
[0142]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0143]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0144]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0145]
本公开的实施例还提供了一种电子设备，参见图7，包括：处理器701、存储器702以及存储在所述存储器上并可在所述处理器上运行的计算机程序7021，所述处理器执行所述程序时实现前述实施例的信号解调方法。
[0146]
本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的信号解调方法。
[0147]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0148]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
[0149]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0150]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。
[0151]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0152]
本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0153]
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0154]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0155]
以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。
[0156]
以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。