[发明专利]基于自监督深度学习的端到端OFDM水下高速无线光通信系统及方法

说明书

本发明公开了一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统及方法，其包括发送端和接收端，所述的发送端包括需要发送的发送帧、将二进制比特流数据映射成OFDM符号的发送端深度神经网络和实现水下长距离传输的激光光源，接收端包括接收激光的探测器、将接收到的OFDM符号恢复成二进制比特流数据的接收端深度神经网络和接收帧。本发明在无需重新训练网络的同时，利用自监督机制使得网络性能更贴近当前的实际环境，既提高了系统的普适性，也不需要附加多余的训练数据，进一步提高了通信系统在抵抗微小干扰时的鲁棒性。

技术领域

本发明属于水下无线光通信技术领域，具体为一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统及方法。

背景技术

水下无线光通信因其高速率、高带宽、低时延、低成本、易部署和高安全性等特点受到人们的广泛关注，并逐渐成为中短距离水下无线通信领域的研究热点之一。同时，正交频分复用(OFDM)技术常常被用于实现各类高速通信，其优秀的抗码间串扰(ISI)能力可以很好地用于解决通信系统中的信号时域延拓问题。将OFDM技术和水下无线光通信系统结合能实现更高速率的水下数据传输。但目前的OFDM技术所需要的调制/解调等数字信号处理过程繁杂，所蕴含的处理模块颇多，不适用于硬件端的简单部署和快速应用。同时OFDM技术自身还需要循环前缀和导频数据才能实现良好性能，而这些冗余数据的需求会进一步降低系统的传输速率。面对以上存在的问题，急需一种基于自监督深度学习技术的端到端OFDM水下高速无线光通信系统和方法。

发明内容

本发明的技术内容旨在提供一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统及方法，解决现有水下OFDM无线光通信技术中存在的数字信号处理过程繁杂、所蕴含的处理模块颇多、硬件难以实现算法部署、重训练时间过长和鲁棒性差等问题。

为了解决上述技术问题，本发明通过以下技术方案实现：

本发明公开了一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统，其包括发送端和接收端，所述的发送端包括需要发送的发送帧、将二进制比特流数据映射成OFDM符号的发送端深度神经网络和实现水下长距离传输的激光光源，接收端包括接收激光的探测器、将接收到的OFDM符号恢复成二进制比特流数据的接收端深度神经网络和接收帧。

优选地，所述发送端深度神经网络和接收端深度神经网络均分别包括输入层、隐含层和输出层，所述的输入层为单一全连接层，隐含层包括两个堆叠层，堆叠层由全连接层、激活函数、归一化层和丢失层组成，输出层由全连接层和激活函数构成。

优选地，所述的发送端深度神经网络中隐含层和输出层的激活函数为非线性效应的ReLU函数，接收端深度神经网络中隐含层的激活函数为非线性效应的ReLU函数，接收端深度神经网络中输出层的激活函数为Sigmoid函数；发送端深度神经网络和接收端深度神经网络的归一化层为BatchNormalization层，丢失层为Dropout层。

一种基于自监督深度学习的端到端OFDM水下高速无线光通信方法，其包括以下步骤，

步骤一，搭建基于深度学习的端到端OFDM水下无线光通信系统；将传统OFDM通信系统的收发端分别用发送端深度神经网络和接收端深度神经网络代替，发送端输入的原始二进制比特流通过发送端部署的深度神经网络直接输出所需的OFDM数据流；经过水下信道传输后，接收端探测到的OFDM数据流通过接收端部署的深度神经网络直接输出所需恢复的二进制比特流；

步骤二，对搭建好的端到端OFDM水下无线光通信系统进行离线静态训练；