应用于可见光通信系统中的基于概率神经网络的均衡方法与流程

本发明涉及可见光通信领域，更具体地，涉及提出一种应用于可见光通信系统中的基于概率神经网络的均衡方法，能抑制符号间干扰的均衡方法。

背景技术：

近年来，随着LED技术与工艺的发展，可见光通信(Visible Light Communications，VLC)被视为传统短距离无线通信一个有力的补充。与传统的无线通信技术相比，可见光通信采用的是频率更高、频谱更宽的可见光频段，并具有可靠、安全，频带更宽，使用范围更广等优点。

然而在室内可见光通信系统中，由于物体任意分布，这导致了可见光信道情况变得十分复杂，因此复杂时变的信道和光的反射特性将导致可见关信道中的码间串扰。由于可见光反射、折射的特性和室内复杂的信道状况，多径效应带来的码间串扰严重影响可见光系统性能，使其通信性能大幅度下降。

在传统无线通信系统中，一般采用均衡技术抑制符号间干扰。众多学者将传统电域中的均衡方法引入可见光通信系统中，取得了一些研究成果。具体而言，Toshihiko Komine等人通过判决反馈均衡方法(Decision Feedback Equalization，DFE)(Toshihiko Komine and Masao Nakagawa.Fundamental analysis for visible-light communication system using led lights.Consumer Electronics,IEEE Transactions on,50(1):100–107,2004.)在多发射源(LED)的情况下，增大了高速率下有效传输区域(BER小于10-5的区域)。Xiu-Xiu Xie等人(Xie XX,Wang J B,Dang X,et al,MAP equalization in indoor visible light communication,Wireless Communications and Signal Processing(WCSP),2011 International Conference on,IEEE,2011:1-5)结合最大后验概率(Maximum A posteriori Probability，MAP)和交织器缓和了码间串扰程度。

在电域均衡中，还有一类方法是基于神经网络将均衡问题建模成分类问题；由于神经网络有良好的非线性映射和分类的能力，神经网络也用于实现信号均衡。可见光系统中，Paul Anthony Haigh等人(Paul Anthony Haigh,Zabih Ghassemlooy,Sujan Rajbhandari,Ioannis Papakonstantinou,and Wasiu Popoola.Visible light communications:170mb/s using an artificial neural network equalizer in a low bandwidth white light configuration.Journal of Lightwave Technology,32(9):1807-–1813,2014.)已经初步研究了基于神经网络的均衡器在多径信道中的表现，并在线下实体装置测试中实现了170MBps的传输速度。SujanRajbhandari等人(Rajbhandari S,FaithJ,GhassemlooyZ,et al.Comparative study of classifiers to mitigate intersymbol interference in diffuse indoor optical wireless communication links,Optik-International Journal for Light and Electron Optics,124(20),2013,4192-4196)比较了不同分类器在基于分类的均衡方法于可见光信道中的表现，得出了支持向量机(Support Vector Machine，SVM)的方法更优异的结论。

然而，已有的基于分类的均衡方法存在以下不足：1)可见光信道的时变特点仍然是制约均衡效果的一个重要的问题，如何在神经网络结构中很好的跟踪信道变化，提高收敛速度仍是一个亟待解决的问题；2)在某些神经网络的结构中，信道分类状态的数目是随着信道冲击响应的阶数呈指数增长，如何高效的分解分类状态而不影响均衡性能，也是一个重要问题。

因此寻找可靠的均衡方法，解决在复杂的室内信道，通过有效的均衡技术来弥补信道带来的干扰，为可见光通信带来可靠高速的传输是非常有必要的。

技术实现要素：

本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种能抑制符号间干扰的应用于可见光通信系统中的基于概率神经网络的均衡方法。

为解决上述技术问题，本发明的技术方案如下：

一种应用于可见光通信系统中的基于概率神经网络的均衡方法，其特征在于，当信息流进入可见光通信系统时，经系统调制成波形通过LED驱动电路叠加直流偏置经由LED发射出去，经过可见光的信道后，由光电转换器转换成电信号，然后经匹配滤波器后得到信号y(t)；再经由采样之后送入判决器进行判决；

对上述信号y(t)经过抽样之后，得到的序列则被送入判决器进行判决；

在上述判决器中采用基于概率神经网络的均衡方法，是在贝叶斯最优的准则下，引入概率神经网络作为均衡器，其具体实现方式如下：

对于一个抽头长度为m的均衡器，其k时刻的符号空间则信道输出的一个k时刻的接收序列：

r_k,m＝[r_k,r_k-1,...,r_k-m+1]^T, (1)

即信道有一个m维的观测空间；

在充分多的模式单元条件下，通过模式单元去重构概率密度函数，其具体实现方式如下：

概率神经网络的输入一个长度为l的向量：

r＝[r₁,r₂,r₃,...,r_l]^T, (2)

输入向量将提供同样的的输入向量r给模式层中的任意一个模式单元，在模式单元中，每个模式单元会计算它自己与输入向量r的欧式距离，然后在计算完的欧式距离上利用核函数完成非线性的映射；

假设输入向量r被分成K类，那么输出y由式(3)给定：

其中f_i(r)是第i个分类的概率密度函数；h_i是第i个分类的出现的先验概率，1≤i≤K；

概率神经网络构造出复杂的接近贝叶斯最优的非线性判决边界；为了获得最优的差错概率，在均衡问题中最佳的解决办法就是使用贝叶斯策略，也即最大化观察序列的后验概率；

考虑一个k时刻的接收序列r_k,m＝[r_k,r_k-1,...,r_k-m+1]^T,在分类过程中，选取使后验概率P(I(k-d)＝s|r_k,m)最大的符号记为s_max，其中s∈{0,1}，d是均衡器延迟的阶数；根据贝叶斯准则，后验概率P(I(k-d)＝s|r_k,m)写为：

在式(4)中，对于待分类的接收序列r_k,m来说，P(r_k,m)对于所有可能的s∈{0,1}来说都是一样的，因此最大化后验概率P(I(k-d)＝s|r)等效于最大化式(4)中的分子，即式(5)：

P(r|I(k-d)＝s)P(I(k-d)＝s), (5)

在概率神经网络中，每一个模式单元都对应着一类分类；即在概率神经网络中，判别边界的准确度只依赖于所估计概率密度函数的准确度。

本发明基于概率神经网络(Probabilit yNeutral Network，PNN)提出了一种新的分类的均衡方法。在贝叶斯最优的准则下，引入概率神经网络作为均衡器，替换了原来的基于分类的均衡方法中所必须的信道状态估计方法。因此，新提出的方法不需要估计在实际信道中复杂的信道输出状态。

首先，所述均衡方法在充分多的模式单元条件下，通过模式单元去重构概率密度函数，其具体实现方式如下：

长度为l的接收向量r＝[r₁,r₂,r₃,...,r_l]^T,提供输入值给模式层中的任意一个模式单元，在模式单元中，每个模式单元计算本模式单元与输入向量r的欧式距离，然后在计算完的欧式距离上利用核函数完成非线性的映射。

其次，基于重构的概率密度函数，每一个模式单元都对应着一类分类，这意味着通过模式单元取代信道输出状态作为径向基神经网络中心，一样能重构分类中的判决边界。也就是说在概率神经网络中，估计信道输出状态是没有必要的。

进一步的，所述均衡方法还将判决反馈应用于均衡器中，提出了采用判决反馈的概率神经网络分类均衡器，其具体实现过程如下：

将已判决的码元符号经过时延之后，引入到均衡器中，通过引入判决反馈，借助已判决的码元的线性组合，消除过去的码元对现在码元的影响。将原来的复杂的信道输出状态通过结合判决反馈得到进一步分解，使得原有的信道状态分解原来子集，并且通过分解让原来的码间串扰情况得到了缓和，提高了均衡器分类效果。

具体是在所述基于概率神经网络中引入判决反馈，引入判决反馈之后，均衡器的输入变成了接收的输入向量r和判决反馈序列的结合；判决反馈序列为：

其中n为反馈的阶数，因此反馈序列的状态数目N_f＝2ⁿ，其中每一个状态为由于码间串扰的关系，接收到信号观察序列与之前发端发送的码元相关，

则结合判决反馈序列后，对于原来的输入向量r继续细分成N_f个子集：

其中r_j表示r_i与第j个判决反馈序列向量交集的第j个输入向量r的子集，可用下式表示为：

因此分解后每一个对应的子集中所包含的信道输出状态的数目减少至N_s'＝N_s/N_f，其中N_s表示信道输出的状态的总数目，N_f表示子集数目，N_s'表示每一个子集包含的信道输出状态数目；相应的，后验概率P(I(k-d)＝s|r_k,m)修改为：

式中：表示判决反馈序列。

结合了判决反馈序列，在判决过程中说需要考虑的信道输出状态减少了，变成了原来的1/N_f。

即上述基于反馈判决的概率神经网络的均衡方法，是在贝叶斯最优的准则下，引入概率神经网络作为均衡器，其具体实现方式如下：

步骤1：对于一个接收序列，构建m维观测空间；

步骤2：采用基于反馈判决的概率神经网络均衡器，把m维观测空间分解成两个判决区域；

步骤3：剔除无关状态，将观测序列r分类成两类：‘0’和‘1’；

步骤4：接收序列的符号间干扰导致的“0”和“1”混叠问题得到抑制，可见光通信系统的误比特率降低。

与现有技术相比，本发明技术方案的有益效果是：

1.通过模式单元的替换，以及概率密度函数的估计，免除了信道输出状态估计，降低了系统评估信道状态的复杂度；

2.更好的抑制符号间干扰，可见光通信系统的误比特率性能得到改进。

附图说明

图1是基于判决反馈的概率神经网络均衡器结构图。

图2是可见光系统模型图。

图3是基于PNN的均衡器的BER性能图。

图4是传统DFE和结合判决反馈PNN均衡器BER性能比较图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。

本发明将均衡问题转换为分类问题。在贝叶斯最优的准则下，引入概率神经网络作为均衡器，更进一步，本发明结合判决反馈方法，提出了采用判决反馈的基于分类的概率神经网络均衡方法。

可见光通信系统中的均衡问题：

由于系统冲激函数在时域上的蔓延，前面的符号信息会“污染”后面的信息，引起前后码元相关性增强，使得在判决时刻，原来信息调制后的码元状态弥散成多个状态。在这种情况下，可以把均衡问题转换成状态分类问题。

考虑经过信道之后，经过光电转换器之后接收到的电信号为r(t)：

其中：x(t)表示系统中发射信号，h(t)表示信道冲激响应，R为光电转换效率，N为高斯白噪声。

一个抽头长度为m的均衡器，其k时刻的符号空间则信道输出符号可以写成：

r_k,m＝[r_k,r_k-1,...,r_k-m+1]^T,

即信道有一个m维的观测空间，均衡器根据接收到的序列构建的m维观测空间，估计传输的码元I(k)。在假设传输的码元是二维的情况下，均衡器的工作就是将观测序列r分类成两类：‘0’和‘1’。假设信道抽头数目为l，那么与观测序列r对应的信道输入二元码元序列可能的组合是：

I＝[I_i,I_i-1,...,I_i-m-l+1]^T,

相应的信道无噪输出序列为：

b＝[b_i,b_i-1,...,b_i-m+1]^T,

这个理想的信道无噪输出，传输的码元I_i可以被分解成两类{0，1}：

其中状态I⁺和I^-分别是对应‘1’和‘0’。在实际的叠加了噪声的接收序列(即r_k,m)将会分散的围绕在无噪输出序列，因此在获得接收信号序列的情况下，去判决对应的码元符号就是一个分类问题，信道均衡就等效于把m维观测空间分解成两个判决区域。

基于概率神经网络的均衡：

概率神经网络是由D.F.Spech在1990年提出的。主要思想是用贝叶斯决策规则，即错误分类的期望风险最小，在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络，它是以Parzen窗口函数为激活函数的一种前馈网络模型。

概率神经网络的输入是一个长度为l的向量：

r＝[r₁,r₂,r₃,...,r_l]^T, (201)

在图1中，输入向量将提供同样的的输入向量r给模式层中的任意一个模式单元，在模式单元中，每个模式单元会计算它自己与输入向量r的欧式距离，然后在计算完的欧式距离上利用核函数完成非线性的映射。假设输入向量r可以被分成K类，那么输出y由式(202)给定：

其中f_i(r)是第i个分类的概率密度函数(Probability Density Function，PDF)；h_i是第i个分类的出现的先验概率，1≤i≤K。

当采用高斯核函数时，概率密度函数f_i(r)可以表示成：

其中r_ij是第j类中的模式，σ是概率神经网络中的传播因子，在均衡器中表示接收到的信号中的噪声的方差。

概率神经网络可以构造出复杂的接近贝叶斯最优的非线性判决边界。为了获得最优的差错概率，在均衡问题中最佳的解决办法就是使用贝叶斯策略，也即最大化观察序列的后验概率。考虑一个k时刻的接收序列：

r_k,m＝[r_k,r_k-1,...,r_k-m+1]^T, (204)

在分类过程中，选取使后验概率P(I(k-d)＝s|r_k,m)最大的符号记为s_max，其中s∈{0,1}，d是均衡器延迟的阶数。根据贝叶斯准则，后验概率P(I(k-d)＝s|r_k,m)可以写为：

在式(205)中，对于待分类的接收观察序列r_k,m来说，P(r_k,m)对于所有可能的s∈{0,1}来说都是一样的，因此最大化后验概率P(I(k-d)＝s|r)等效于最大化式(205)中的分子，即式(206)：

P(r|I(k-d)＝s)P(I(k-d)＝s), (206)

基于概率神经网络(PNN)的均衡器和基于径向基神经网络的均衡方法形式相似，但在基于径向基神经网络的方法中，是需要估计无噪的信道输出状态；而信道输出状态数目等于2^l+m-1，这是随着信道冲激响应的阶数和均衡器的阶数呈指数次增长。在实际的可见光信道中，信道的冲激响应常常会蔓延几十纳秒，当系统的传输速率升高，估计信道输出状态中心将会十分复杂。

在概率神经网络中，由信道输出状态去构建判决区域被模式单元所替换，每一个模式单元都对应着一类分类。也就是说在概率神经网络中，估计信道输出状态是没有必要的。相反，判别边界的准确度只依赖于所估计基础概率密度的准确度。Parzen证明了密度估计的一致性，即在：

E|f_n(X)-f(X)|²→0,n→∞, (207)

意义上，f(X)估值的均方值一致，其中n为模式单元的数目。

根据一致性的这一定义，一般认为，当根据较大数据集估计时，预计误差变小，这是特别重要的，因为这意味着，真实分布可以按平滑方式近似。也就说可以通过模式单元去重构概率密度函数。这意味着通过模式单元取代信道输出状态作为径向基神经网络中心，一样能重构分类中的判决边界。

基于概率神经网络(PNN)引入判决反馈的均衡器：

在传统的均衡器中，判决反馈均衡器通过引入判决反馈，借助已判决的码元的线性组合，消除过去的码元对现在码元的影响；在一定的错误传播的影响下，判决反馈均衡器的表现仍然好于横向滤波器。

假设可见光中的信道冲激响应的抽头长度为l，均衡器的阶数为m，继而可以得到信道输出的状态数目N_s就等于2^l+m-1，因此信道输出状态数目随着信道冲激响应的抽头长度l和均衡器的阶数m呈指数次增长；在概率神经网络中由于使用了模式单元去逼近原来的概率密度函数，这必将导致需要增加模式单元数目来达到相应的逼近精度。

借助传统判决反馈均衡器的思想，同样可以将判决反馈引入基于神经网络的均衡器。基于判决反馈的概率神经网络的均衡器结构如图2所示，

引入判决反馈之后，均衡器的输入变成了接收的信号序列r和判决反馈序列的结合。其中，判决反馈序列为：

其中n为反馈的阶数，因此反馈序列的状态数目N_f＝2ⁿ，其中每一个状态为由于码间串扰的关系，接收到信号观察序列与之前发端发送的码元相关，因此，结合判决反馈序列后，对于原来的接收信号序列r可以继续细分成N_f个子集：

其中r_j表示r_i与第j个判决反馈序列向量交集的第j个输入向量r的子集，可用下式表示为：

因此分解后每一个对应的子集中所包含的信道输出状态的数目减少至N_s'＝N_s/N_f，其中N_s表示信道输出的状态的总数目，N_f表示子集数目，N_s'表示每一个子集包含的信道输出状态数目；相应的，式(205)的后验概率P(I(k-d)＝s|r_k,m)修改为：

式中：表示判决反馈序列。

结合了判决反馈序列，在判决过程中说需要考虑的信道输出状态减少了，变成了原来的1/N_f。没有判决反馈，所有的信道输出状态都需要考虑。因此相应的模式单元数目也会增加。

结合了判决反馈，与之前相比，信道输出的状态分布变得更加稀疏。可以发现：(1)结合了判决反馈序列，在判决过程中需要考虑的信道输出状态减少了，变成了原来的1/N_f。没有判决反馈，所有的信道输出状态都需要考虑，因此相应的模式单元数目也会增加；(2)由于引入了判决反馈，均衡器用来达到之前没引入反馈的性能所需要的阶数相应的减少了；(3)结合了判决反馈，提高了信道输出状态的可分离度，在反馈正确的情况下，引入判决反馈其实就是增加信道状态空间的维数，在更高的维度去观测，一些无法分离的状态点变得可分；(4)结合了判决反馈，信道输出的状态分布变得更加稀疏。在可见光信道中，是由于来自第一次反射的信号和来自较远信号源的直射的信号噪声主要的码间串扰，因此只要判决反馈的阶数能够覆盖这些部分，原来比较严重的码间串扰问题将会变的更缓和。

系统性能与分析：

为了评价均衡器的性能，在本实施例中利用计算机进行了仿真实验。在仿真实验中，VLC系统模型如图2所示。此外，采用开关键控作为VLC系统的调制方案，系统的比特率设置为400Mbit/s；伪随机传输比特序列长度为1×10⁵。

当信息流进入可见光通信系统时，经系统调制成波形通过LED驱动电路叠加直流偏置经由LED发射出去，经过可见光的信道后，由光电转换器转换成电信号，然后经过匹配滤波器后得到信号y(t)；经由采样之后送入判决器进行判决。经过可见光信道之后，接收电路接收到的信号为：

其中，x(t)表示发送信号，h(t)即信道冲击响应，N为服从高斯分布的白噪声；R为光电转换效率。y(t)为z(t)经过匹配滤波器后的输出。经过抽样之后，得到的序列就会被送入判决器，或是送去均衡器后，然后进行判决。

首先，对基于概率神经网络的均衡器和无均衡的BER性能进行了比较。其中，基于概率神经网络的均衡器是模式单元数目为1600的情况下被训练出来的。从图3中可以看到，由于码间串扰的影响，VLC系统的BER曲线出现了“差错平台”，系统的性能受到了极大的影响。相反，使用了均衡器后，随着均衡器阶数的上升，码间串扰的影响被逐渐缓和了。从图3中可以发现，当均衡器的阶数增长到某种程度时，这个分类问题变得可分了，均衡器性能得到极大的改善。如在图3中，当阶数增长到3时，差错平台消失了，均衡器可以解决这个分类问题了。除此之外，随着阶数的增长，在高信噪比的情况下，均衡器有更好的性能表现。

然后，比较了结合判决反馈的概率神经网络(Probability Neutral Network，PNN)均衡器和没有结合判决反馈的均衡器、传统的判决反馈均衡器(Decision Feedback Equalizer，DFE)的性能。在所有的反馈结果中，考虑所有的反馈的结果都是正确的，在反馈结果中并不存在错误。从图可以看到：结合判决反馈之后均衡器的性能得到了改善。在仿真实验中，传统的判决反馈均衡器采用的是最小均方误差法确定各个抽头的系数。在仿真中，这两个均衡器具有同样的均衡阶数和同样数目的反馈抽头。在图4中，基于概率神经网络的均衡器明显优于传统的判决反馈均衡器。特别是在高信噪比的环境中，在同一差错概率的条件下，提出的均衡器比判决反馈均衡器高出了2^-3dB。因此在同等条件下，本发明的基于概率神经网络的均衡器比传统的判决反馈均衡器性能要好。

仿真实验的结果表明基于概率神经网络的均衡器是可以缓和VLC系统中较严重的码间串扰现象。根据图4，可以发现基于概率神经网络的均衡器比传统的判决反馈均衡器的性能好2dB左右。并且，PNN均衡器通过模式单元的替换，免除了信道输出状态估计，依然能在可接受范围的单元数目下，使性能能得到收敛，这可以说明通过概率神经网络去实现均衡是可行的。

综上，本实施例对可见光系统中的均衡方法进行了分析，将均衡问题转换为分类问题。在贝叶斯最优的准则下，引入概率神经网络作为均衡器，并通过理论推导证明了概率神经网络能实现在均衡中的贝叶斯最优，然后详细分析了基于概率神经网络的均衡原理和实现方式，并通过仿真验证了其性能，除此之外和传统的判决反馈均衡器进行对比，仿真实验验证了新提出的均衡器有更好的性能。考虑到信道复杂的情况，本发明在原有提出的新均衡器方案中引入了判决反馈，并通过仿真验证了它对原有均衡器性能的提升。

以上所述仅为本发明的实施例而已，并不用于限制本发明。本发明可以有各种合适的更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。