[发明专利]一种基于LSTM的可见光通信系统非线性抑制方法

说明书

本发明属于可见光通信技术领域，涉及一种基于LSTM的可见光通信系统非线性抑制方法，包括：获得信号发射机的输入‑输出响应曲线和理想的线性放大响应特性曲线；由输入得到理想输出；选L个LSTM网络单元构成LSTM预失真网络；生成随机输入，得到理想线性输出；截取连续L长的输入信号构成输入信号样本，和理想线性输出信号构成训练样本；训练LSTM预失真网络；获得训练好的LSTM预失真网络，并与可见光通信系统中带记忆效应和非线性效应的模块级联，实现对可见光通信系统中非线性的抑制。本申请在不增加接收机复杂度下，明显提升接收信号效果；利用LSTM预失真网络的记忆效应抑制非线性效应和记忆效应。

技术领域

本发明属于可见光通信技术领域，涉及一种基于LSTM的可见光通信系统非线性抑制方法，尤其涉及一种基于LSTM预失真网络的可见光通信系统非线性抑制方法。

背景技术

无线通信系统的飞速发展使得有限的频谱资源无法满足越来越广泛的通信需求。可见光通信以其低能耗、丰富的频谱资源和高传输效率的优势，成为广受关注的新一代通信技术。然而，在可见光通信中，广泛地存在着非线性效应，会造成严重的信号失真，影响通信系统的整体性能。可见光通信系统中的发射端的非线性效应主要包含：发光二极管的非线性和功率放大器的非线性。

此外，由于OFDM信号是由多个独立经过调制的子载波信号叠加而成的，当各个子载波相位相同或者相近时，叠加信号便会受到相同初始相位信号的调制，从而产生较大的瞬时功率峰值，由此进一步带来较高的峰值平均功率比(Peak to Average Power Ratio,PAPR)。由于一般的功率放大器的动态范围都是有限的，所以峰值平均功率比大的OFDM信号容易进入功率放大器的非线性区域，导致信号产生非线性失真，造成明显的频谱扩展干扰以及带内信号畸变，导致整个系统的性能严重下降。

传统的抑制非线性的方法主要有：功率回退法、硬限幅方法和均衡器方法等。其中，功率回退法损失了信号的有效值，压缩了信号的动态范围，以信号传输信息量的减小为代价，获取了线性度的提升。硬限幅方法通过对输入信号进行限幅操作，对超过设定阈值的信号进行削平，使信号处于线性区域内，以信号失真为代价获取了线性度的提升，从而达到抑制非线性的目的。均衡器方法是通过在接收机端添加一个均衡器，对造成的信号失真进行矫正，从而达到抑制非线性的目的。然而均衡器方法需要在接收端消耗较多计算资源，增大了接收设备的能量开销。总之，以上方法均不能有效解决可见光通信中的非线性问题。

与本发明相关的现有技术一的技术方案简介如下：

基于Volterra级数均衡器的非线性抑制算法

上述算法针对线性均衡器在可见光通信系统中，对非线性抑制能力不强，可见光端对端通信距离过小等问题，LiXiangyu等人采用Volterra级数对发光二极管的非线性和记忆性进行建模，利用非线性均衡器对数据符号进行恢复。提出了基于Volterra级数均衡器的可见光通信系统的非线性抑制算法^[3]。与其它均衡器相比，它能更有效地抑制码间干扰和非线性，并给出了在不同距离和不同驱动电压下的实验结果。

与本发明相关的现有技术二的技术方案简介如下：

基于神经网络均衡的非线性抑制算法

随着深度学习的发展，深度学习对于非线性函数的表征能力优秀使其成为可见光通信系统非线性抑制的重要选择。Li Xiangyu等人提出：考虑到使用Wiener-Hammerstein模型将可见光系统中的记忆效应和非线性效应通过级联的方式进行建模，使用卷积的方式描述记忆效应的影响，并使用多项式对非线性建模。对比基于神经网络的均衡器、基于Volterra级数的均衡器、基于记忆正交多项式的均衡器和利用全连网络搭建神经网络模型对可见光通信中非线性的抑制效果，证明了深度神经网络均衡器相较于基于传统多项式方法的均衡器对于非线性的抑制能力更强^[4]。

在现有技术中，存在以下缺点：