[发明专利]一种基于可见光通信的神经网络均衡器

权利要求书

1.一种基于可见光通信的神经网络均衡器，其特征在于，包括依次连接的可见光通信发射子系统(10)、可见光通信传输子系统(20)和可见光通信接收子系统(30)；所述可见光通信发射子系统(10)包括：数据采集模块(11)、数据编码模块(12)、LED驱动模块(13)和LED发射器件(14)；所述数据编码模块(12)的一端与数据采集模块(11)连接；所述数据编码模块(12)的另一端与LED驱动模块的(13)一端相连；所述LED驱动模块(13)的另一端与LED发射器件(14)相连；所述可见光通信传输子系统(20)为自由空间；所述可见光通信接收子系统(30)包括：光电检测器件(31)、接收电路模块(32)、神经网络均衡器(33)和数据解码模块(34)；所述接收电路模块(32)的一端与光电检测器件(31)相连；所述接收电路模块(32)的另一端与神经网络均衡器(33)的一端相连；所述神经网络均衡器(33)的另一端与数据解码模块的一段相连；所述接收电路模块(32)包括依次连接的放大电路模块(321)滤波电路模块(322)和AD模数转换模块(323)；

所述数据采集模块(11)采集原始信号并通过数据编码模块(12)进行编码处理之后控制LED驱动模块(13)产生驱动电流，驱动LED发射器件(14)发射可见光信号；所述光电检测器件(31)接收LED发射器件(14)发出的可见光信号，并将可见光信号转换为电信号传输给接收电路模块(32)；所述接收电路模块的放大电路模块(321)用于将接收到的电信号放大，滤波电路模块(322)用于将高频噪声干扰滤除，AD模数转换模块(323)用于将模拟信号转换为数字信号，并传输给神经网络均衡器(33)；所述神经网络均衡器(33)，利用分类器的原理，对接收信号进行均衡恢复，再将恢复之后的接收信号通过数据解码模块(34)解码以得到所需数据。

2.根据权利要求1所述的基于可见光通信的神经网络均衡器，其特征在于：所述神经网络均衡器(33)采用多层感知器结构对接受信号进行均衡处理，所述神经网络均衡器(33)包括神经网络输入层(331)、神经网络隐含层(332)和神经网络输出层(333)。

3.根据权利要求2所述的基于可见光通信的神经网络均衡器，其特征在于：所述神经网络输入层(331)具有系列延迟抽头；所述神经网络隐含层(332)具有若干个神经元(3321)；所述若干个神经元(3321)并行，并且每个神经元(3321)都与神经网络输入层(331)的所有抽头相连。

4.根据权利要求3所述的基于可见光通信的神经网络均衡器，其特征在于，神经元(3321)的输入与输出关系的关系式为：

z(k)=f{Σj=1Nwi,j(k)ui(k)+bj},]]>

式中，z(k)为所述神经元(3321)的输出；w_i,j(k)是连接输入层(331)第i个神经元的输出信号u_i(k)与隐含层(332)第j个神经元的输入信号之间的加权系数，其中，j＝1,2,…,N表示总共有N个隐含层节点；每个常数b_j是第i个隐含层的偏差值，也称为门限；f{·}为隐含层节点的激活函数。

5.根据权利要求2所述的基于可见光通信的神经网络均衡器，其特征在于：所述神经元均衡器(33)使用反向传播BP算法进行学习训练，所述反向传播BP算法具体包括以下步骤：

步骤1、初始化神经元均衡器的阈值；

步骤2、指定输入向量x(n)与输出向量d(n)；

步骤3、根据输入向量计算实际输出向量y(n)，然后计算成本函数E(n)；

步骤4、若E(n)大于指定值，根据公式更新神经元均衡器的阈值，返回步骤32；否则，神经元均衡器训练完成；

式中，ω_ij(n)代表第n次训练的连接加权值，ω_ij(n+1)代表第n+1次训练的连接加权值，γ代表学习速率，表示微分运算。