[发明专利]一种基于K-DNN的非线性失真补偿算法及可见光通信装置

说明书

本发明属于可见光通信技术领域，具体为一种基于K‑DNN的非线性失真补偿算法及可见光通信装置。其提供非线性失真补偿算法，步骤包括：将经过自适应线性均衡器的串行信号转换为并行信号，作为特征向量输入核函数辅助的DNN均衡器；经K‑DNN训练，把特征向量归类于概率最大的类别，获得原始信号；本装置采用上述非线性失真补偿算法，结构包括：发射端和接收端，接收端通过处理芯片对信号进行离线处理，包括：采用S‑MCMMA的自适应后均衡器补偿线性失真；采用K‑DNN均衡和解映射进行非线性失真补偿，获得原始信号。本发明可以方便、高效补偿现有水下无线光通信中复杂的信道环境对信号造成的非线性失真，具有重要的实用意义。

技术领域

本发明属于可见光通信技术领域，具体涉及一种基于K-DNN的非线性失真补偿算法及可见光通信装置。

背景技术

近年来，由于白光LED的快速发展，基于LED的可见光通信(VLC)技术的研究吸引了越来越多的科学家的关注。VLC具有高速，无电磁辐射，人眼安全和安全通信可靠性等优点。特别是，现有的水下无线通信方法(声学通信，射频通信)不能满足高速和长距离传输的需求。在基于LED的VLC中，由于蓝绿光的波长位于水的透射窗口(吸收系数小)，基于蓝/绿LED的VLC可实现相对长距离和高速的水下通信。同一时间。因此，基于LED的水下无线通信可能是未来高速水下通信网络的有前途的解决方案。

然而，复杂的水下环境包括湍流，散射和扩散，这导致高度非线性的失真通道。因此，现有的线性均衡技术，例如递归最小二乘(RLS)，最小均值(LMS)和标量修正的级联多模算法(S-MCMMA)，不能有效地恢复非线性失真信号。因此，消除非线性恶化的有效方案对于实际的水下VLC系统是必不可少的。幸运的是，已经发现大量的机器学习算法是应对非线性过程的智能工具。作为机器学习的热门话题之一，深度学习(DNN)算法已广泛应用于人脸识别，语音识别和图像识别等领域。由于DNN具有以任意精度近似任意模型的能力，它可以作为对非线性失真信号的补偿器。即DNN可以通过训练过程自动找到输入特征与分类标签之间的关系。然而DNN均衡器的训练过程需要高达数千次的训练迭代次数，这非常占用系统的计算资源。因此提出一种具有较少训练迭代次数的DNN算法是非常有意义的。

发明内容

本发明的目的在于提供一种基于K-DNN的非线性失真补偿算法及可见光通信装置，用以补偿现有水下无线光通信中复杂的信道环境对信号造成的非线性失真。

本发明首先提供一种用于光通信的非线性失真补偿算法，该方法是一种基于核函数辅助的DNN均衡器(记为K-DNN)的预加权方法；其步骤为：首先将经过自适应线性均衡器进行线性均衡后的串行信号转换为并行信号，作为特征向量输入K-DNN；经过K-DNN模型训练，把特征向量归类于概率最大的那个类别，获得原始信号；其中，K-DNN模型训练，采用交叉熵函数作为代价函数，通过反向传播算法对K-DNN中的参数进行迭代优化。

具体的进一步介绍如下：

所述的基于核函数辅助的DNN均衡器(记为K-DNN)，如图1所示，K-DNN包含一个输入层、一个核函数层、多个隐藏层、一个输出层以及一个Softmax分类层；所述输入层到核函数层之间的节点是一一对应的，即输入层中的一个输入节点仅将数据发送到核函数层中唯一与之对应的核节点；而核函数层到输出层之间的每一个节点的输出都会乘以一个权重被发送到下一层所有节点中，并最终达到Softmax层进行分类；权重的矩阵表示为W^l：

其中，i和j分别代表当前层的第i个节点和下一层的第j个节点，l则代表第l个隐藏层(当l等于L+1的时候，l代表输出层)，L为隐藏层的总个数,m为当前层的节点数，n为下一次的节点数。