[发明专利]基于深度学习的光正交频分复用调制方法与系统

说明书

本发明提供的基于深度学习的光正交频分复用调制方法，包括信号发射过程和信号接收过程，包括：训练构建具有神经网络结构的自动编码器，包括自动编码器发射端和自动编码器接收端；将待发送信号输入自动编码器发射端中进行信号预处理，得到预处理信号；对预处理信号进行OFDM调制，可得到正实信号，经VLC信道进行发射；信号接收端由VLC信道接收调制信号并进行OFDM解调，得到OFDM解调信号；将OFDM解调信号输入自动编码器接收端中进行解调，还原出待发送信号。本发明还提供应用该方法的系统，通过构建具有神经网络结构的自动编码器，在满足VLC系统正实数限制的同时，用较低的复杂度获取了高的系统性能增益，大幅度地降低了信号峰均功率比PAPR。

技术领域

本发明涉及可见光通信技术领域，更具体的，涉及一种基于深度学习的光正交频分复用调制方法与系统。

背景技术

近年来，可见光通信(Visible Light Communication，VLC)技术作为传统无线通信技术的一种重要补充，受到了学术界和工业界的广泛关注。VLC技术使用白光LED配置，可同时实现照明和通信，具有高速率、高带宽、频谱无需授权、绿色环保、价格低廉等诸多优点[1][2]。VLC系统一般使用光强调制和直接检测(Intensity Modulation/DirectDetection，IM/DD)技术，其信号调制在光载波的瞬时强度上，因此仅支持正实数信号的传输[1][3]。

此外，正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)具有高速率、低码间串扰、可使用简单的频域均衡等诸多优点，可以与VLC无缝结合[1][4]。为了兼容IM/DD技术，传统OFDM需要经过适配才可用于VLC系统中，形成光OFDM(OpticalOFDM，OOFDM)系统。传统的OOFDM方案包括不对称削波OOFDM(Asymmetrical ClippedOOFDM，ACO-OFDM)[5]，直流偏置OOFDM(Direct Current biased OOFDM，DCO-OFDM)[6]，单极性OFDM(Unipolar OFDM，U-OFDM)[7]等。近年来，也有学者提出了进一步改善比特误码率(Bit Error Rate，BER)的改进方案，如多层不对称削波OOFDM(LayeredACO-OFDM，LACO-OFDM)[8]，增强的单极性OFDM(enhanced U-OFDM，eU-OFDM)[9]等。

留意到，OFDM属于多载波通信技术，其携带统计独立的信息符号的多个子载波在时域上相互叠加后，信号会产生较大的峰值，导致合成信号的信号峰均功率比(Peak-to-Average Power Ratio，PAPR)偏高[10]。另一方面，由于系统的功率放大器具有一定的线性工作范围，高PAPR的信号容易超过这个范围而发生失真[10]。因此，降低OFDM信号的PAPR具有十分重要的意义。面向基于OFDM的传统无线通信系统，研究者们提出了很多方法去降低PAPR，如大幅度信号切除(Amplitude Clipping)、子载波预留(Tone Reservation，TR)、子载波注入(Tone Injection，TI)等[11]。然而，在VLC系统中，由于信号必须是正实数，上述传统方法一般无法直接得到使用。因此，研究者们对于不同的OOFDM方案设计了不同的PAPR改进方案[8][12][13]。这些方案大多较为复杂或实施效果并不理想，还有很大的技术改进和提升空间。

发明内容

本发明为克服现有的VLC系统降低PAPR方法存在无法直接使用、复杂程度高和技术效果不明显的技术缺陷，提供一种基于深度学习的光正交频分复用调制方法与系统。

为解决上述技术问题，本发明的技术方案如下：

基于深度学习的光正交频分复用调制方法，包括信号发射过程和信号接收过程，包括以下步骤：

S1：构建并训练具有神经网络结构的自动编码器，包括自动编码器发射端和自动编码器接收端；