[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

摘要

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。

主权项

1.一种基于K‑DNN的非线性失真补偿算法，其特征在于，是采用核函数辅助的DNN均衡器进行预加权，基于核函数辅助的DNN均衡器记为K‑DNN；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；其中：所述的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；核函数层到输出层之间的每一个节点的输出都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；经过自适应线性均衡器进行线性均衡后的串行信号被转换为并行信号后作为特征向量输入到K‑DNN的输入层；非线性和符号间串扰(ISI)造成的失真导致中心信号受到其在时序上相邻的数个信号的干扰；因此，与相邻的数个信号被作为特征向量的元素并行输入到K‑DNN的输入层；所述核函数层是K‑DNN的第二层；在这层，采用核函数来加速DNN的训练过程；所述核函数包括：线性核(LK)、多项式核(PK)、余弦核(CK)，具体表达式为：线性核(LK):多项式核(PK):余弦核(CK):其中，σ为用于调节核函数的参量,t₀为当前信号的时刻，t为临近信号的时刻；对于具有n个特征输入的网络，核函数K可以表示为一个幅度修正向量所述隐藏层夹在核函数层和输出层之间；其中第一隐藏层中的节点对前一层所有节点的输出求和，并作为节点的输入，然后将这一输入加上一个偏置这里，k_i是核函数K的幅度修正向量的元素；在K‑DNN中，使用Sigmoid作为激活函数，其表达为f(x)＝max(0,x)，其中，x是与ReLU相连的节点的输出；考虑到激活函数，所有隐藏层中的节点表达式为：所述输出层中，其节点数与发送信号的电平类别的数量相当，于是，经过Softmax层，得到分类结果，其表达为：其中，O_i是输出层节点的输出，它的表达式为：然后，根据训练的模型，把特征向量x归类于概率最大的那个类别L_p；最后，采用交叉熵函数作为代价函数，通过反向传播算法对K‑DNN中的超参数(W^l和b^l)进行迭代优化；获得原始信号。