1、第 卷第期 年月光学技术 文章编号：（）可见光通信系统的非线性失真抑制研究杨恺（东莞职业技术学院 建筑学院，广东 东莞 ）摘要：发光二极管的非线性特性是引起光信号出现非线性失真的一个重要因素，针对该问题，采用人工神经网络在接收端对信号的非线性失真进行抑制，进而降低可见光通信系统的误码率。将发光二极管的输入电信号与接收端转换后的电信号组成成对数据，将成对数据集送入神经网络进行训练，学习信号在电光转换、信道传输及光电转换过程中的非线性失真特性，通过神经网络对信号的非线性失真进行估计与抑制。此外，在训练过程中采用分布估计算法搜索神经网络的超参数集，以降低训练难度。实验结果表明，该方法在不同的信道环境
2、下均能有效地改善可见光通信的性能。关键词：可见光通信；人工神经网络；非线性失真；失真抑制；分布估计算法；神经网络训练中图分类号：；文献标识码：（，）：，：；收稿日期：；收到修改稿日期：基金项目：粤广东省普通高校重点领域专项（）；东莞市社会发展科技面上项目（）；东莞职业技术学院科研基金项目（）作者简介：杨恺（），男，讲师，硕士，从事通信技术、光通信研究。通讯作者：DOI:10.13741/ki.11-1879/o4.2023.02.012引言可见 光 通 信（，）是以可见光为载体进行信息传递的一种通信方式，其抗干扰能力与抗截获能力强于基于电磁波的无线通信方式。随着第五代移动通信技术（，）的广泛应
3、用，可见光通信与 、蜂窝网等通信方式联合，可在交通航运、智慧城市以及军事战争等领域发挥重要的作用。发光二极管是可见光通信的核心器件，负责将调制的电信号转化成可见光信号进行传输。然而，发光二极管固有的非线性特性会引起光信号发生非线性失真，导致可见光通信系统的通信质量与可靠性下降。引起可见光通信系统出现信号失真的因素主要包括多径干扰、带宽受限以及 非线性特性。因为可见光通信系统通常部署于空间有限的室内环境，所以前两个因素引起的信号失真通常为弱小的非线性失真，通过经典的最小均方（，）法与 最 小 均 方 误 差（，）法即可取得较好的抑制效果。根据贾科军教授等的研究结论，的非线性特性会使可见光通信系统
4、的误差矢量幅度恶化，且随着调制阶数升高，通信系统的误码率将大幅升高。因此，由 非线性特性引起的光信号非线性失真是一个亟待解决的问题。针对该问题，等 在光接收端采用稀疏感知的贪婪算法对非线性信号进行抑制，此方法结合了匹配追踪、正交匹配追踪以及正则化正交匹配追踪三种稀疏复原算法提取 的非线性特性，再对接收光信号进行非线性复原。等 利用随机傅里叶特征（，）核函数实现最小符号误差法，该研究旨在学习低阶的映射函数，将非线性失真数据映射到随机特征空间，由此对接收的光信号进行复原。等 以最大化可见光通信的信噪失真比（，）为目标，采用序列二次规划算法搜索最优的 通信参数，缓解 非线性特性对 通信性能的影响。文
5、献 主要采用基于非线性核函数的机器学习模型拟合 的非线性特性。然而，邹鹏等 认为，机器学习在可见光通信系统的抗系统抖动与相位纠正处理上的效果较好，但在预均衡与后均衡处理上的效果次于人工神经网络（，）。目前，部分学者尝试利用 缓解 的非线性失真问题：等 以作为后均衡器对传输信号的非线性失真进行抑制，成功将调制下的 码元速率提升至 （），等 采用 对 中由一阶反射效应引起的非线性失真进行了有效的补偿。受上述研究启发，本文利用 对 非线性特性引起的信号非线性失真进行抑制，提出了基于的 非线性抑制器。首先，将发光二极管的输入电信号与接收端转换后的电信号组成成对数据训练集，神经网络在训练集上学习信号在电
6、光转换、信道传输及光电转换过程中的非线性失真特性。在的训练过程中采用分布估计算法（，）搜索神经网络的超参数集，以降低神经网络的训练难度。可见光通信系统模型 调 制（）利用相互正交的成型滤波器来产生带通脉冲信号，是一种多维多阶的调制技术。调制可视为 调制的数字域形式，调制的输出复数信号，而 调制的输出为实数信号。本文的可见光通信系统采用 调制器建立，其结构如图所示。图可见光通信系统的结构图第期杨恺：可见光通信系统的非线性失真抑制研究 可见光通信的发送端模型输入端包括 映射与 调制器两个部分，如图所示。假设输入比特流为，经 映射器产生 信号，再对信号进行上采样，采样因子为 （），（）为取整函数，为
7、根升余弦滤波器（，）的滚降因子。然后，上采样信号的实部发送到 的相位滤波器，虚部发送到 的正交滤波器。图发送端的详细结构图相位滤波器的数学形式表示为（）（）（）（）（）（）（）式中，为符号时隙，。正交滤波器的数学形式表示为（）（）（）（）（）（）（）将两组信号融合产生最终的 信号，该过程的数学形式表示为（）（）（）（）（）（）式中，（）与（）分别为上采样信号的实部与虚部；“”为卷积运算符。为获得可见光通信系统所需的非负信号，在产生光信号前为（）增加一个直流偏置。该过程的数学形式表示为 （）（）（）式中，为尺度因子；为直流偏置。的计算式表示为 （）（）（）（）式中，为峰间电流；为调制阶数。调制阶
8、数的计算式表示为 （）式中，为最大输入电流。可见光通信的 模型采用 模型 模拟 光源，包括可见光的线性及非线性成分。的 模型包含一个三阶多项滤波器与两 个一阶 滤波器，调制下 的数学形式表示为 （）.，.，.，（）式中，为 模型的横坐标，对应 模型的 输入电流值。输出功率的数学形式表示为 （）（）（）式中，为 的 截止频率。可见光通信的信道模型可见光通信为直线可见（，）与非直线可见（，）两种模式的混合信道，混合信道的传输函数（）（）（）（）式中，（）为直线可见传输函数；（）为非直线可见传输函数。（）传输函数的数学形式表示为（）（）（）（）（）（）（）（）式中，为朗博阶数；与分别为光发射角度与入
9、射角度；为发送端与接收端之间的平面；为发送端与接收端之间的距离；（）为光滤波器，（）为非成像聚光器。（）传输函数的数学形式表示为 （）（，）（，）（）式中，表 示 传 输 路 径 的 网 格 数 量；（，）表示主发送器与接收端之间的 脉冲响应；（，）为发送端与主接收器之间的脉冲响应。可见光通信的接收端模型接收端通过光电二极管将可见光转换成电信号。输出电信号的数学形式表示为（）（）（）（）（）式中，（）表示加性高斯白噪声，噪声功率为光学技术第 卷，为噪声功率谱密度，为接收器的带宽。接收信号按顺序进行直流成分消除、后均衡（非线性失真抑制）、解调与 反映射等处理，获得最终的比特流。神经网络训练方法
10、数据集采集与代价函数图所示是完全连接神经网络结构，神经网络包括输入层、隐藏层与输出层。将实验采集的可见光通信数据集分成训练集与测试集，神经网络训练为离线程序，测试为线上程序。图全连接神经网络的结构本文采用可见光通信系统的标记数据 （，），（，），（，），对进行监督训练，如图所示。假设所有发送符号的集合为，所有接收符号的集合为。采用根均方误差作为神经网络的损失函数，损失函数的数学形式表示为（，）（）（）式中，为估计的符号值；为期望的信号值；为训练集的数据对数量。神经网络训练 优化算法遗传算法（，）与粒子群优化算法（，）是常用的神经网络训练算法，而本文的全连接神经网络训练的维度较高，而的遗传算子与
11、 的极值 演 化 算 子 对 高 维 神 经 网 络 的 训 练 效 果 不 佳。通过采样机制学习候选解的分布情况，对高维问题的优化效率高且效果好。的核心流程如算法所示。算法 的算法流程（）从搜索空间内随机选择个初始化解；（）（）未满足结束条件（）评估种群中个解的适应度；（）执行选择算子产生子集；（）基于计算概率模型；（）根据概率分布采样产生个新解；（）；（）基于 的神经网络训练方法图所示是基于 的神经网络结构超参数的学习流程图。首先，建立实验收集不同 参数 配 置 下 的 发 送 符 号 集 与 接 收 符 号 集，组 成（，），（，），（，），。将数据集按、与 随机分成训练集、验证集与测试
12、集，训练集用于训练神经网络，验证集用于评价训练后的适应度。在候选种群（超参数集）的更新阶段，采用基于 的种群更新机制，将搜索空间中候选解的分布建模成一个统计概率模型，通过对概率模型随机采样来产生新的种群，如此引导种群演化，直到满足终止条件。图训练阶段的流程图（）适应度函数定义适应度函数的作用是评估解的质量，即神经网络的代价函数。的目标可表示为 l（，）（）式中，l（，）为神经网络的代价函数；为神经网络的候选超参数集；为当前训练后的 超参数。（）神经网络训练算法描述了神经网络的训练方法。神经网络训练分为前向传播与反向传播两个阶段，首先，每个 在 中按输入层隐藏层隐藏层输出层进行传播：然后，每个
13、按输出层隐藏层隐藏层隐藏层输出层进行反向传播；最终，根据梯度值更新 的超参数。第期杨恺：可见光通信系统的非线性失真抑制研究算法神经网络的训练方法训练方法，为超参数集，为训练集（）（，）（）（）；随机初始化网络的权重参数（）（未达到结束条件）（）（，）；训练集每个 在 中前向传播（）（，）；反向传播计算梯度（）（）；根据梯度更新网络参数（）（）（）的种群更新机制 每次迭代更新种群的步骤如下：步骤一、将当前种群按适应度升序排列，选择其中个最佳个体作为候选集。步骤二、基于 当前解的分布，估计的数学形式为（，）（，）（）式中，（，）表示均值为、方差为的正态分布；为初始化方差；为当前迭代次数。方差的计算
14、方法表示为 （）式中，表示第个候选解；为解的平均值。步骤三、基于分布估计新解，估计方法表示为 （，）（，）（）式中，为训练集的第个符号对。神经网络测试方法图所示是神经网络在 系统中的测试流程。首先，将训练的 对 进行后均衡处理。然后，收集输入比特流与输出比特流，统计各 参数下的 性能，调节参数包括：信道带宽、信道质量、输入电流大小。最终，评估神经网络对 非线性失真的抑制效果。实验结果与讨论 实验方法与环境实验环境的硬件配置如下：处理器为 ，内 存 大 小 为 ，为 ，通过 加快神经网络的训练与测试速度。操作系统为 ，编程 语 言 为 ，深 度 学 习 框 架 为 ，在 上编程实现文中所提及的算
15、法与全连接神经网络。图神经网络测试方法图所示是在实验室中搭建的可见光通信系统现场图，可见光发送端与接收端之间的角度与距离均可通过手动调节，以满足不同的实验需求。图可见光通信系统实验现场图 通信系统的相关参数如表所示。表可见光通信系统的参数 参数取值调制参数阶数 可见光带宽，上采样因子滚降因子 光滤波器增益 二极管参数光电传感器可检测面积 半功率角度（）跨阻放大器增益带宽，光电传感器视角 光电传感器响应率（）环境参数室内空间 神经网络训练实验 的 映射方式为，信道质量的评价指标采用每比特能量与噪声功率谱密度的比值（，）。考虑 系统的带宽通常为固定值，在数据集收集阶段将固定信道带宽分别设为 、与
16、，信道 质量分别固定为 、与 。数据集的收集方式如下：首先将信道带宽固定为 ，信道质量固定为 ，光学技术第 卷向该配置下的 发送 个随机比特，然后依次将信道质量固定为 与 ，各发送 个随机比特，最终在信道带宽 下共收集 对比特。按上述方法在信道带宽 与 下分别收集 对比特。将每个信道带宽下的 对比特数据分别按、与 随机划分成训练集、验证集与测试集。神经网络的隐藏层激活函数设为 函数，输 出 层 激 活 函 数 设 为 函 数，固定为 ，最大迭代次数为 。输入层与输出层节点数量的搜索空间为，隐藏层数的搜索空间为，隐藏层节点数量的搜索空间为 ，。采用第 部分的训练方法对神经网络进行训练，适应度的变化曲线如图所示。从图中可看出，在信道带宽等于 的情况下，在第 次迭代达到收敛；在信道带宽等于 的情况下，在第 次迭代迭代达到收敛；在信道带宽等于 的情况下，在第 次迭代达到收敛。图不同信道带宽下的适应度收敛曲线经过训练获得在不同信道带宽下的最优超参数，如表所示。不同带宽下的最佳隐藏层层数均为，输入层与输出层节点数存在差异。采用表中的超参数执行下文的 实验。表不同带宽下训练的 超参数超参数带宽输入层