一种基于可见光通信的神经网络均衡器的制作方法

本发明涉及一种可见光通信技术，特别涉及一种基于可见光通信的神经网络均衡器。

技术背景

近年来，被誉为“绿色照明”的半导体照明技术迅速发展。与传统的白炽灯等照明光源相比，led具有低功耗、寿命长、尺寸小、绿色环保等优点。与此同时，led更具有调制性能好、响应灵敏度高等优势。将信号以人眼无法识别的高频加载到led上进行传输，进而催生出一门能够实现照明与通信一体化的技术——可见光通信。

与传统的红外和无线通信相比，可见光通信具有发射功率高、无电磁干扰、无需申请频谱资源和信息的保密性等优点。然而，可见光通信中仍然面临着不少的问题，其中最大的挑战之一是led有限的调制带宽。一般的荧光粉led调制带宽只有几兆赫兹，vlc数据传输速率受到限制。为了提升传输速率，除了从led的结构、驱动电路的设计上拓展带宽；还可以通过不同的调制方式来提高系统整体带宽。然而却大大地增加了可见光通信系统的复杂程度。

技术实现要素：

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于可见光通信的神经网络均衡器，该神经网络均衡器克服了由于led调制带宽的限制而导致的码间干扰的问题，在减少系统复杂性的同时，提高了系统的数据传输速率，实现vlc系统的高速通信。

本发明的目的通过以下技术方案实现：一种基于可见光通信的神经网络均衡器，可应用于可见光通信系统，所述可见光通信系统包括可见光通信发射子系统10，可见光通信传输子系统20和可见光通信接收子系统30。所述可见光通信发射子系统10包括数据采集模块11，数据编码模块12，led驱动模块13和led发射器件14。

进一步地，所述数据采集模块11负责原始信号的采集并传输给数据编码模块12；所述数据编码模块12负责数据的编码处理，并将编码之后数据传输给led驱动模块13；所述led驱动模块13产生驱动电流并驱动led发射器件14产生可见光信号。

所述传输子系统20为自由空间。

所述接收子系统30包括光电检测器件31，接收电路模块32，神经网络均衡器33和数据解码模块34。进一步地，所述光电检测器件31将led发射器件14发出的可见光信号转换为电信号，并传输给接收电路模块32。进一步地，所述接收电路模块32一端与光电检测器件31相连，所述接收电路模块的另一端与神经网络均衡器33一端相连；进一步地，所述接收电路模块32包括放大电路模块321，滤波电路模块322和ad模数转换模块323；进一步地，所述放大电路模块321对可见光信号进行放大，所述滤波电路模块322对所接收信号的高频噪声进行滤除，所述ad模数转换模块323将模拟信号转换为数字信号，并传输给神经网络均衡器33。进一步地，所述神经网络均衡器33包括神经网络输入层331，神经网络隐含层332，神经网络输出层333；所述神经网络隐含层332，由多个神经元3321组成；所述神经元3321并行，且每个神经元3321都与神经网络输入层331的所有抽头相连，所述神经网络均衡器33负责对信号进行均衡化处理，并将处理之后的数据传输给数据解码模块34解码得到所需信号。

进一步地，所述神经元(3321)的输入与输出关系可由以下关系式描述：

式中，z(k)为所述神经元(3321)的输出；wi,j(k)是连接输入层(331)第i个神经元的输出信号ui(k)与隐含层(332)第j个神经元的输入信号之间的加权系数，其中，j＝1,2,…,n表示总共有n个隐含层节点；每个常数bj是第i个隐含层的偏差值，也称为门限；f{·}为隐含层节点的激活函数。

进一步地，所述的神经元均衡器33，使用反向传播bp算法进行学习训练，包括以下步骤：

步骤1：初始化神经元均衡器的阈值；

步骤2：指定输入向量x(n)与输出向量d(n)；

步骤3：根据输入向量计算实际输出向量y(n)，然后计算成本函数e(n)；

步骤4：若e())大于指定值，根据公式更新神经元均衡器的阈值，返回步骤32；否则，神经元均衡器训练完成。

式中，ωij(n)代表第n次训练的连接加权值，ωij(n+1)代表第n+1次训练的连接加权值，γ代表学习速率，表示微分运算。

传统可见光通信由于发光二极管(led)调制带宽的限制约束着可见光通信系统的传输速率，为此，本发明基于神经网络非线性映射的能力，提出一种基于可见光通信的神经网络均衡器，对由于led窄带宽而产生码间干扰的信号进行分类恢复，从而对led信道进行补偿，恢复受损信号，实现信道均衡。

与现有技术相比，本发明具有以下优点和有益效果：

1、利用人工神经网络作为信道均衡器，仅需使用训练数据对神经网络进行训练，并不需要对信道环境进行分析，使系统的实现更加简单。

2、利用神经网络强大的非线性特性，可以有效的解决因led带宽限制造成的码间干扰问题，大大提高vlc系统的传输速率。

3、无需使用复杂的调制解调技术与led加工工艺来增加vlc系统的传输速率，减少系统的成本的同时提高系统的传输速率。

附图说明

图1为本发明的可见光通信系统原理框图。

图2为本发明的接收电路模块框图。

图3为本发明的神经网络均衡器的结构图。

图4为本发明的神经网络节点的示意图。

图5为本发明的神经网络bp算法原理图。

具体实施方式

下面结合实例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于可见光通信的神经网络均衡器，应用于可见光通信系统，所述可见光通信系统包括可见光通信发射子系统10，可见光通信传输子系统20和可见光通信接收子系统30。所述可见光通信发射子系统10包括数据采集模块11，数据编码模块12，led驱动模块13和led发射器件14。

所述数据采集模块11负责原始信号的采集并传输给数据编码模块12；所述数据编码模块12负责数据的编码处理，并将编码之后数据传输给led驱动模块13；所述led驱动模块13产生驱动电流并驱动led发射器件14产生可见光信号。

所述传输子系统20为自由空间。

所述接收子系统30包括光电检测器件31，接收电路模块32，神经网络均衡器33和数据解码模块34。所述光电检测器件31将led发射器件14发出的可见光信号转换为电信号，并传输给接收电路模块32。所述接收电路模块32一端与光电检测器件31相连，所述接收电路模块的另一端与神经网络均衡器33一端相连；如图2所示，所述接收电路模块32包括放大电路模块321，滤波电路模块322和ad模数转换模块323；所述放大电路模块321对可见光信号进行放大，所述滤波电路模块322对所接收信号的高频噪声进行滤除，所述ad模数转换模块323将模拟信号转换为数字信号，并传输给神经网络均衡器33；所述神经网络均衡器33负责对信号进行均衡化处理，并将处理之后的数据传输给数据解码模块34解码得到所需信号。

如图3所示，所述神经网络均衡器33包括神经网络输入层331，神经网络隐含层332，神经网络输出层333；所述神经网络隐含层332，由多个神经元3321组成；所述神经元3321并行，且每个神经元3321都与神经网络输入层331的所有抽头相连，

如图4所示，所述神经元(3321)的输入与输出关系可由以下关系式描述：

式中，z(k)为所述神经元(3321)的输出；wi,j(k)是连接输入层(331)第i个神经元的输出信号ui(k)与隐含层(332)第j个神经元的输入信号之间的加权系数，其中，j＝1,2,…,n表示总共有n个隐含层节点；每个常数bj是第i个隐含层的偏差值，也称为门限；f{·}为隐含层节点的激活函数。

如图5所示，所述的神经元均衡器33，使用反向传播bp算法进行学习训练，包括以下步骤：

步骤1：初始化神经元均衡器的阈值；

步骤2：指定输入向量x(n)与输出向量d(n)；

步骤3：根据输入向量计算实际输出向量y(n)，然后计算成本函数e(n)；

步骤4：若e(n)大于指定值，根据公式更新神经元均衡器的阈值，返回步骤32；否则，神经元均衡器训练完成。

式中，ωij(n)代表第n次训练的连接加权值，ωij(n+1)代表第n+1次训练的连接加权值，γ代表学习速率，表示微分运算。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。