[发明专利]基于深度学习的水下光通信失准鲁棒盲接收机设计方法

权利要求书

1.基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，包括以下步骤：

S1：构建LM效应相关的UWOC信道模型；

S2：设计基于深度神经网络的UWOC失准鲁棒盲接收机，即设计DNN-MBR；

S3：基于UWOC信道模型和DNN-MBR，搭建DNN辅助的MIMO-UWOC系统；

S4：在MIMO-UWOC系统中完成水下光通信，完成水下光通信失准鲁棒盲接收机的设计；

在所述步骤S2中，所述DNN-MBR包括一个DNN合并器和一个DNN解调器，通过一个合并层将两个DNN部分连接起来，形成一个具有信号合并和解调功能的DNN整体；所述DNN合并器分析来自N个PD接收端输入数据的特性并优化合并权重以获得合并信号r_c；随后，r_c被送到所述DNN解调器，在该解调器中，借助在离线DNN训练期间优化的判决策略来获得发射比特的估计版本

在所述步骤S3中，设在发射端有M个发光二极管LED，在接收端有N个PD；相同的光信号从M个LED中发射到N个PD中，光信号传输经历LM效应相关的UWOC信道，其中LED发射端表示为TX_i，i＝1,...,M，PD接收端表示为RX_j，j＝1,...,N；基于LM效应相关的UWOC信道模型，将TX_i和RX_j之间的CIR表示为h_z,ij(t)；所述DNN辅助的MIMO-UWOC系统采用强度调制和直接检测技术，以及用于调制信息比特向量b的OOK调制，其中开状态指示来自TX_i的脉冲信号R_i(t)的传输；以矩形脉冲为例，脉冲信号表示为R_i(t)＝P_i·Γ(t)，其中P_i是每比特的发射功率，为矩形脉冲，T_b是比特持续周期；为了与发射功率为P的单个发射机情况进行公平比较，将MIMO情况中矩形脉冲的总发射功率设置为更具体地说，TX_i发送的数据序列，其中b_k∈{0,1}是在第k信号周期中发送的信息比特；

在经过h_z,ij(t)信道后，M个数据序列在第j个PD处的叠加信号表示为：

其中，*表示卷积运算符，y_i,j表示从TX_i到RX_j发送的信号；然后，对T_b内的y_j，j＝1,...,N进行积分运算，得到比特周期内的积分信号r_j，该信号r_j将被转发给所述DNN-MBR进行信号合并和解调；

其中，所述DNN合并器的输入数据为L×1的向量r_j＝[r_j,1,r_j,2,...,r_j,L]^T，表示在RX_j处以连续L个比特持续时间采样的j个接收信号，其中，j＝1,...,N；然后，N个PD上的数据比特向量一起形成叠加的NL×1向量向量r被转发到C_c个卷积层，即CL和个全连接层，即FCL，CL和FCL提取接收信号的特征以生成合并权重向量w；第x个卷积过程由J_c,x个大小为F_c,_x×1的卷积核实现，卷积步长为s＝s_c,x，其中x＝1,...,C_c；连接两个连续CL的池化运算是通过最大池化实现的，该过程调用的大小为F^P×1滤波器，池化步长为s＝s^P，在CL之后，每个FCL将前一层的神经元连接到下一层的神经元，其中第l层的FCL包含个神经元，其中

此外，所述DNN合并器在除最后一个FCL之外的所有层中使用修正线性单元函数，即ReLU函数作为激活函数来实现良好的梯度下降，而在最后一个FCL中应用线性函数来保持所生成的合并权重的性质；最后一个FCL的输出向量，即合并权重w＝[w₁,...,w_N]，被用于产生合并信号该合并信号由所述DNN解调器进行解调；

所述DNN解调器由C_d个CL和个FCL组成，它们对合并信号r_c实现特征提取和OOK解调；DNN解调器中的卷积和全连接运算规则与DNN合并器中相同；在DNN解调器中，除了最后一个FCL，ReLU函数被应用到DNN解调器所有层作为激活函数；最后一个FCL采用修正的Sigmoid函数来生成估计的OOK信号；

所述DNN-MBR使用基于MIMO-UWOC系统随机生成的数据经历LM效应相关的UWOC信道模型进行训练；具体为：

随机数据序列b被生成并调制为OOK符号，以便从M个LED发射；用于训练的信道h_z(t)通过UWOC信道模型生成；然后，DNN-MBR将经过信道衰落和环境噪声影响的接收符号y_j，j＝1,...,N和原始信息比特向量b分别作为DNN-MBR的输入和预期输出训练数据完成训练；

DNN-MBR的训练目标是最小化预测比特向量和发送比特向量之间的均方误差MSE，损失函数表示为：

其中是DNN解调器的预测比特输出，对应的误比特率γ表达式表示为：

其中f_b(·)是判决函数，表示为：

然后，以最小化公式(7)中的为目标对DNN-MBR进行训练。