基于神经网络的室内可见光通信多目标优化系统及方法
阅读说明：本技术 基于神经网络的室内可见光通信多目标优化系统及方法 (Multi-objective optimization system and method for indoor visible light communication based on neural network ) 是由 郝丽丽 李成栋 于 2019-09-30 设计创作，主要内容包括：本公开提出了基于神经网络的室内可见光通信多目标优化系统及方法,发送端信源产生的二进制信息经串并转换后经过编码器处理形成若干路并行信号,每个信号经过相同的非对称限幅光正交频分复用ACO-OFDM调制,分别驱动对应的LED发光；LED发光时光信号直接入射到接收端上,在多输入多输出可见光通信VLC-MIMO多径信道传输至接收端；分别检测光信号并将其转换为电信号,最后经过解码器解码得到恢复失真的信号；将发送端、信道和接收端表示为一个经过训练的端到端模型的单个DL网络,采用自动编码器,以最小化符号错误概率和最低峰均比为目标进行优化。本公开系统通过Autoencoder网络自动提供有效的光发送器-接收器对的结构,通过训练过程共同优化了整个DL网络,从而实现了最佳的端到端通信性能,同时满足光照度和信噪比要求。(the utility model provides an indoor visible light communication multi-target optimization system and method based on neural network, which comprises a plurality of parallel signals are formed by processing binary information generated by a sending end information source through an encoder after serial-parallel conversion, and each signal is modulated through the same asymmetric amplitude limiting light orthogonal frequency division multiplexing ACO-OFDM and respectively drives the corresponding LED to emit light; when the LED emits light, the optical signal directly enters the receiving end and is transmitted to the receiving end through a VLC-MIMO multi-path channel in the multi-input multi-output visible light communication; detecting optical signals respectively, converting the optical signals into electric signals, and finally decoding the electric signals through a decoder to obtain distortion recovery signals; the sender, channel and receiver are represented as a single DL network of a trained end-to-end model, optimized with the aim of minimizing symbol error probability and lowest peak-to-average ratio, using an automatic encoder. The system disclosed by the invention automatically provides an effective structure of an optical transmitter-receiver pair through the Autoencoder network, and optimizes the whole DL network through a training process, thereby realizing the optimal end-to-end communication performance and simultaneously meeting the requirements of illumination intensity and signal-to-noise ratio.)
技术领域
本公开涉及光无线通信技术领域，特别是涉及基于神经网络的室内可见光通信多目标优化系统及方法。
背景技术
建筑能耗不断地急剧上升，无线频谱资源己经不能满足当前日益增长的流量需求，因此，绿色环保的室内通信及照明节能技术的研究将对我国能源消费产生深远的影响。室内可见光通信技术是将照明和通信相结合的新型技术，LED本身作为最新的照明技术相比传统灯源具有更高的能量效率，将通信功能复用至LED的照明功能之上，可以直接降低通信的损耗，从而实现进一步节能的目的。同时光谱比无线电频谱大10000倍，可实现更大的带宽和更高的速度，网络设置又几乎不需要任何新的基础设施，因此具有极大的发展前景和研究意义。
然而传统研究集中于信道模型、噪声模型、室内不同位置的信噪比分布，常用调制方式的研究以及由墙壁反射引起的多径效应、码间干扰对系统性能造成的影响等，涉及到系统性能总体优化控制及节能分析的研究偏少。
发明内容
本发明的目的是提供基于神经网络的室内可见光通信多目标优化系统，基于神经网络的多目标优化技术可以全面提升系统的性能，并对视距链路和多径信道的误码率性能进行了评价。
为了实现上述目的，本发明提供基于神经网络的室内可见光通信多目标优化方法，通过以下技术方案实现：
包括：
发送端信源产生的二进制信息经串并转换后经过编码器处理形成若干路并行信号，每个信号经过相同的非对称限幅光正交频分复用ACO-OFDM调制，分别驱动对应的LED发光；
LED发光时光信号直接入射到接收端上，在多输入多输出可见光通信VLC-MIMO多径信道传输至接收端；
分别检测光信号并将其转换为电信号，最后经过解码器解码得到恢复失真的信号；
将发送端、信道和接收端表示为一个经过训练的端到端模型的单个DL网络，采用自动编码器，以最小化符号错误概率和最低峰均比为目标进行优化。
进一步的技术方案，编码器及解码器构成自编码器网络用于进行系统的正交幅度调制，编码器和解码器是标准的多层神经网络，通过激活函数描述输入和输出之间的非线性关系，基于反向传播算法，在无需监控的情况下对编码器和解码器的参数进行训练，训练的输入和输出分别是随机二进制序列，以最小化符号错误概率和最低峰均比为目标。
进一步的技术方案，所述编码器和解码器的输入和输出都是通过5个隐藏层连接的，每个隐藏层的输出都经过批处理规范化、激活函数和Dropout层处理。
进一步的技术方案，所述发送端：信源产生的二进制信息经串并转换后分为两部分，形成若干路并行信号，每个信号经过相同的ACO-OFDM调制，同时驱动对应的LED发光；
在编码器部分进行星座映射编码，对编码器输出的信号进行Hermitian对称，只在奇数载波上传输数据，偶数载波上数据置零，并进行快速傅里叶逆变换得到实时域OFDM信号；IFFT变换的输出信号为双极真实信号，服从高斯分布，有用的信息是奇数位副载波，其振幅为频域中信号的一半；
对输出的时域OFDM信号并串转换，添加循环前缀以消除ISI的影响；
进行限幅操作，使其适合于LED的有限发射范围和照明功率，限幅产生的噪声落在偶数位副载波上；
将输出从数字转换为模拟信号，驱动LED发光。
进一步的技术方案，所述信道在进行信号传输时，按照信道矩阵的方式进行数据传输：
建立室内坐标系，坐标原点O与房间中心重合，室内VLC-MIMO系统采用安装在屋顶的Nt个LED阵列作为发射天线，而Nr个PD作为接收天线；
LED由位置矢量，单位方向矢量，发射功率和辐射强度模式表示；
PD由位置矢量，方向矢量，面积和视场角表示；
信道矩阵只考虑LOS信道，光信号直接入射到接收器上，没有任何反射，根据矢量表示的LED及PD表示信道矩阵。
进一步的技术方案，所述接收端在发射端，Nt个LED同时发射光信号并通过房间，在VLC-MIMO多径信道传输后，经过反过程处理，Nr个PD分别检测光信号并将其转换为电信号，最后经过解码器解码得到恢复失真的信号。
进一步的技术方案，将包含误码率及LED和PAPR两个因素的损耗函数来确定网络的参数；
并以最小化符号错误概率和最低峰均比为目标进行了优化。
进一步的技术方案，在自动编码器的训练中，采用随机梯度下降算法来寻找良好的参数集θ，在端到端随机梯度下降训练过程中，接收机通过直接学习恢复原始的传输信息。
本说明书实施方式提供基于神经网络的室内可见光通信多目标优化系统，通过以下技术方案实现：
包括：
发送端：信源产生的二进制信息经串并转换后经过编码器处理形成若干路并行信号，每个信号经过相同的非对称限幅光正交频分复用ACO-OFDM调制，分别驱动对应的LED发光；
信道：LED发光时光信号直接入射到接收端上，在多输入多输出可见光通信VLC-MIMO多径信道传输至接收端；
接收端：分别检测光信号并将其转换为电信号，最后经过解码器解码得到恢复失真的信号；
将发送端、信道和接收端表示为一个经过训练的端到端模型的单个DL网络，采用自动编码器，以最小化符号错误概率和最低峰均比为目标进行优化。
与现有技术相比，本公开的有益效果是：
本公开通过神经网络的方法对MIMO-VLC系统性能进行优化，提出了一种基于深度学习技术对MIMO-VLC室内可见光通信系统中信号星座映射及其相应的收发器进行了设计，核心思想是将发送器、信道和接收器表示为一个经过训练的端到端模型的单个DL网络。采用自动编码器，学习了适合于可调MIMO-VLC系统的发射机和接收机，并以最小化符号错误概率和最低峰均比为目标进行了优化。这种方法的好处在于，它甚至可以应用于对通道模型和符号检测规则了解不足的情况。
与现有技术相比，本公开方法可以提供多种优势：首先，它可以考虑系统设计问题的许多实际方面。与大多数基于信道模型概率和信号处理理论的通信技术相比，基于DL的系统可以捕获实际的系统缺陷，无需严格的数学模型，但只需要随机层和输入向量的训练集。包括相应缺陷的任务大纲。
另外，本公开系统通过Autoencoder网络自动提供有效的光发送器-接收器对的结构，通过训练过程共同优化了整个DL网络，从而实现了最佳的端到端通信性能，同时满足光照度和信噪比要求。通过大量的计算机模拟，将结果与现有技术进行了比较，数值计算结果表明，基于神经网络的多目标优化技术可以全面提升系统的性能，并对视距链路和多径信道的误码率性能进行了评价，两种信道中误码率性能明显优于迫零算法和最小均方误差算法，且对码间干扰具有很强的鲁棒性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例子的基于神经网络的MIMO-VLC发射端系统框图；
图2为本公开实施例子的基于神经网络的MIMO-VLC接收端系统框图；
图3为本公开实施例子的自动编码器系统的构成示意图；
图4为本公开实施例子的室内MIMO-VLC场景；
图5为本公开仿真例子的LOS信道下MIMO-VLC系统的误码率性能示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释部分：
PAPR峰均功率比。
Autoencoder自动编码器。
MIMO-ACO-OFDM((asymmetrically clipped optical OFDM,ACO-OFDM))多输入多输出不对称切割光正交频分复用。
实施例子一
该实施例公开了基于神经网络的室内可见光通信多目标优化系统，包括：基于神经网络的方法实现室内可见光通信中ACO-OFDM系统，包括信源编解码模块用于对信源进行正交幅度调制；OFDM调制解调、信道优化、峰均比抑制、空间复用等子模块的构建；结合LED布局、功率和发射角度等参数作为信道参数加入到整个系统中，从而对整个接收平面多个参数设计整体优化。
通过大量实验数据建立多目标优化的最优通信策略及模型，进行系统整体优化。
采用一种特殊的自编码器网络Autoencoder,由编码器及解码器构成；自编码器的编码器和解码器是标准的多层神经网络，通过激活函数描述输入和输出之间的非线性关系，基于反向传播算法，在无需监控的情况下对编码器和解码器的参数进行训练。
编码器和解码器的输入和输出都是通过5个隐藏层连接的。每个隐藏层的输出都经过批处理规范化(Batchnorm)、激活函数和Dropout层处理。设为编码器第l个隐藏层的输入，输出可以表示其中，和为第l个隐藏层的权重和偏差。此层的参数集为每个隐藏层的输出通过Batchnorm层，以最小化内部协变量的偏差，表示为然后将归一化值送入激活函数，网络中采用的两种激活函数分别是是整流线性单元(Relu)和Sigmoid，分别定义为和在大多数情况下，除了解码器的最后一个隐藏层使用Sigmoid来保持解码器的输出外，其余隐藏层都使用Relu作为激活函数。由于自动编码器网络的参数量巨大，采用概率为μ的Dropout层来解决过拟合问题。
发送端：
信源产生的二进制信息经串并转换后分为两部分，形成Nt路并行信号，每个信号经过相同的ACO-OFDM调制，同时驱动Nt个LED发光。
在编码器部分进行星座映射编码，包括4QAM，8QAM,16QAM,64QAM；对编码器输出的信号进行Hermitian对称，只在奇数载波上传输数据，偶数载波上数据置零，并进行快速傅里叶逆变换得到实时域OFDM信号；IFFT变换的输出信号为双极真实信号，服从高斯分布。有用的信息是奇数位副载波，其振幅为频域中信号的一半。
对输出的时域OFDM信号并串转换，添加循环前缀以消除ISI的影响；进行限幅操作，使其适合于LED的有限发射范围和照明功率，限幅产生的噪声落在偶数位副载波上。
最后，将输出从数字转换为模拟(D/A)，驱动Nt个LED发光。信道：
建立室内坐标系，坐标原点O与房间中心重合，室内VLC-MIMO系统可以采用安装在屋顶的Nt个LED阵列作为发射天线，而Nr个PD作为接收天线，其中第Nt个LED可由位置矢量单位方向矢量发射功率和辐射强度模式表示，其中为与夹角处在单位立体角内辐射的光功率，当LED服从朗伯辐射模式时，辐射强度函数表示为其中，k＝-ln2/ln(cosθ1/2)，θ1/2表示光源半功率角，Φ表示光线出射方向与的夹角。第Nr个PD可由位置矢量方向矢量面积AR和视场角ψFOV表示，因此，第Nt个LED可表示为而第Nr个PD可表示为
VLC-MIMO的信道矩阵只考虑LOS信道，光信号直接入射到接收器上，没有任何反射。信道的冲击响应为：
因此，VLC-MIMO的信道矩阵表示为
接收端
在发射端，Nt个LED同时发射光信号并通过房间，在VLC-MIMO多径信道传输后，在接收端经过反过程处理，接收端Nr个PD分别检测光信号并将其转换为电信号，最后经过解码器解码得到恢复失真的信号。
将包含误码率及LED和PAPR两个因素的损耗函数来确定网络的参数。
并以最小化符号错误概率和最低峰均比为目标进行了优化。具体设计如下：
第一个损耗分量为误码率：
其中，θf＝{Wf,bf}和θg＝{Wg,bg}分别表示编码器和解码器的参数集，ε是接收器的噪声，H为信道参数；
第二个损耗分量L2(x)：L2(x)＝PAPR{xH(n)}；
使用一个超参数η来平衡两个不同的损失分量，总损失函数：
在自动编码器的训练中，采用随机梯度下降算法来寻找良好的参数集θ，θ的迭代更新表示为其中λ>0是学习率，θ表示自动编码器的参数，代表梯度操作在端到端随机梯度下降训练过程中，接收机通过直接学习恢复原始的传输信息。
通信系统的端到端学习是一种新方法。它的复杂度低、适应性强，硬件简单以及在未知或复杂信道分析中的优势使得深入学习成为提高系统性能的有效工具。其中，一种特殊的网络结构，自动编码器，通常用于对损坏的数据进行去噪和恢复，它的参数可以通过一个特定的损失函数自动确定，适合于有噪信道和非线性器件引起的非线性失真。
实施例二
本说明书实施方式提供基于神经网络的室内可见光通信多目标优化方法，通过以下技术方案实现：
包括：
发送端信源产生的二进制信息经串并转换后经过编码器处理形成若干路并行信号，每个信号经过相同的非对称限幅光正交频分复用ACO-OFDM调制，分别驱动对应的LED发光；
LED发光时光信号直接入射到接收端上，在多输入多输出可见光通信VLC-MIMO多径信道传输至接收端；
分别检测光信号并将其转换为电信号，最后经过解码器解码得到恢复失真的信号；
将发送端、信道和接收端表示为一个经过训练的端到端模型的单个DL网络，采用自动编码器，以最小化符号错误概率和最低峰均比为目标进行优化。
在该实施例子中，详细的实现过程可参见实施例子一中的具体的技术描述。
另外，对系统进行了仿真，以验证该方案在不同信道下的PAPR和信噪比性能。网络参数如表1所示。
系统参数：LED间隔1米，LED调制带宽50MHz，光源半功率角60度，检测器的视场角60度，检测器的间隔0.1米，检测器的面积1平方厘米，墙的反射系数0.8。
表1.网络参数
在该网络的训练中，总共使用64000000个独立随机位进行训练，12800000个位用于验证，12800000个位用于测试。
图1和图2分别为基于神经网络的MIMO-VLC系统发送端和接收端完整框图，发送端信源产生的二进制信息经串并转换后分为两部分，形成Nt路并行信号，每个信号经过相同的ACO-OFDM调制，同时驱动Nt个LED发光。在编码器部分进行星座映射编码,包括4QAM，8QAM,16QAM,64QAM；对编码器输出的信号进行Hermitian对称，只在奇数载波上传输数据，偶数载波上数据置零，并进行快速傅里叶逆变换得到实时域OFDM信号；IFFT变换的输出信号为双极真实信号，服从高斯分布。有用的信息是奇数位副载波，其振幅为频域中信号的一半。同时对输出的时域OFDM信号并串转换，添加循环前缀以消除ISI的影响；最后进行限幅操作，使其适合于LED的有限发射范围和照明功率，限幅产生的噪声落在偶数位副载波上。
接收端如图2所示，信道传输来的信号经过PD接收，数字转换，OFDM解调，解码器串行输出为二进制信号。
图3为自动编码器系统的构成示意图。编码器和解码器的输入和输出都是通过5个隐藏层连接的。每个隐藏层的输出都经过批处理规范化、激活函数和Dropout层处理。
室内光无线方案场景如图4所示。1.在天花板上安装带有多个LED的光发射机，用于照亮房间和信息传输，地板上放置带有四个光电探测器的接收器，以接收四个发射机的混合信息。有些接收器由具有相同视场角的探测器组成，有些则由具有两个视场角的检测器组成。L、W和H分别作为房间的长度、宽度和高度。这里，θ表示发射光线到垂直于发射平面的轴之间的辐照度角，a是相对于垂直于接收平面的轴的入射角，如图4所示。
关于误码率分析：系统的误码率性能如图5所示，仿真结果表明，信噪比增大时，与传统迫零算法(ZF)和最小均方根算法(MMSE)相比，基于神经网络的方法能显著提高误码率。在BER＝10-5时，AE的信噪比要求大约比ZF和MMSE的信噪比要求低3.5dB和5.5dB。
本公开采用自动编码器(Autoencoder)，学习了适合于可调MIMO-ACO-OFDM VLC系统的发射机和接收机，并以最小化符号错误概率和最低峰均比为目标进行了优化。通过大量的计算机模拟，我们将结果与现有技术进行了比较，数值计算结果表明，基于神经网络的多目标优化技术可以全面提升系统的性能，并对视距链路误码率性能进行了评价，信道中误码率性能明显优于迫零算法和最小均方误差算法，且对码间干扰具有很强的鲁棒性。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料的特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。