一种基于自编码器的DCO-OFDM系统PAPR抑制方法及系统与流程

本公开涉及光无线通信技术领域，特别是涉及一种基于自编码器的dco-ofdm系统papr抑制方法及系统。

背景技术：

基于发光二极管的可见光通信(vlc)是一种很有应用前景的室内无线接入技术。为了克服室内不同光源反射引起的多径失真，提高通信效率，vlc系统广泛采用了光正交频分复用(ofdm)技术。然而，由于受平均辐射光功率和前端设备动态范围的限制，高峰均功率比(papr)是vlc系统的主要限制因素之一。高峰值功率比使vlc系统更容易受到非线性失真的影响，从而大大降低了系统的性能。两类vlc-ofdm技术，直流偏置光ofdm(dco-ofdm)和不对称切割光ofdm(aco-ofdm)是其中两种广泛使用的vlc系统。

近年来很多dco-ofdm系统的峰均比抑制技术得到了发展。例如遗传算法、峰值优化算法、半定弛豫法、分支定界法和保留音调法等来降低vlc系统中高papr的影响。然而，这些方法在在降低papr的同时，牺牲了计算复杂度和信道资源或者导致了数据速率的降低。此外，针对基于ofdm的vlc系统提出的子载波分组方案来降低papr，在信噪比较低的情况下误码率(ber)性能不好。

技术实现要素：

为了解决现有技术的不足，本公开提供了一种基于自编码器的dco-ofdm系统papr抑制方法，可以更有效地降低papr。

为了实现上述目的，本申请采用以下技术方案：

一种基于自编码器的dco-ofdm系统papr抑制方法，包括：

将输入信号进行串并转换并传输至自编码器，自编码器由编码器及解码器构成；

在编码器进行星座映射编码后传输至相位旋转器，生成替代的低papr输出序列；

假设ofdm信号由2n个子载波进行传输，对替代的低papr输出序列映像成具有进行hermitian共轭对称，即后一半数据是将前一半数据进行复数共轭得到的，且零位置和n-1位置的子载波设为0，并进行快速傅里叶逆变换得到时域ofdm信号；

对时域ofdm信号进行并串转换和添加循环前缀后，通过增加直流偏压和限幅，将快速傅里叶逆变换的输出信号转换为非负实信号，并使其适合于led的有限发射范围；

基于led的有限发射范围进行信道传输后，在接收端经过反过程处理，最后经过解码器解码得到恢复失真的信号。

作为本申请的进一步的技术方案，自动编码器网络中同时使用最低的papr和ber作为损耗函数的构成元素进行训练。

作为本申请的进一步的技术方案，在编码器编码部分，假设ofdm信号由2n个子载波进行传输，x，f(x)和g(x)分别为自动编码器的输入、编码器的输出和解码器的输出，在串并转换后，将输入数据序列x划分为2n个消息符号xk，然后编码器部分将这2n个符号xk进行i-q星座映射，编码器的输出x＝f(x)由2n个实数组成，并以特定顺序的成对组合形成n个复数信号a，

作为本申请的进一步的技术方案，每一个编码器的输出都乘以一个相位系数ak，表示为其中，对于vlc-ofdm系统，led的发射信号为非负实值，采用hermitian对称形成频域ofdm信号xh(k)，频域ofdm信号输入到离散傅立叶反变换模块中，得到时域ofdm信号。

作为本申请的进一步的技术方案，led有限发射范围通过设定传输信号的上限幅及下限幅得到，上限幅为ξupper，下限幅为ξlower，引入剪切比γ，定义直流偏压设置为bdc＝ξupper，送入led的dco-ofdm信号可表示为：

作为本申请的进一步的技术方案，接收端通过反向过程来解调数据，去除直流偏压及去cp后进行串并转换，相应的矢量送入fft模块，输出y的简化表示：

其中，q表示光通道的影响，ε是接收器处的噪声，f(x)是编码器的输出，fft(·)和ifft(·)分别表示快速傅里叶变换和快速傅里叶反变换；最后信号送入解码部分，解码器经过星座解映射得到恢复后的符号。

作为本申请进一步的技术方案，所述自编码器的输出可以表示为：

其中，x＝f(x)是编码器的输出，是第lf个编码器的激活函数，和分别是编码器隐藏层的权重和偏差。

作为本申请进一步的技术方案，解码器的输出表示：

其中，是接收端的恢复信号，是解码器的输出，是第lg个解码器的激活函数，和分别是第lg个解码器隐藏层的权重和偏差。

作为本申请进一步的技术方案，对于自动编码器的训练，采用随机梯度下降法优化算法，从随机初始值开始，进行迭代训练。

其中，迭代更新公式为其中λ>0是学习率，θ表示自动编码器的参数，表示梯度操作

作为本申请进一步的技术方案，第一个网络损耗函数利用重构误差来表示：

第二个损耗分量

loss2(x)＝papr{xh(n)}

使用参数η来平衡两个不同的损失分量，因此，总损失函数：

作为本申请进一步的技术方案，通过相位旋转器和网络的损失函数将slm技术扩展到自动编码器，以获自适应相位序列。

本公开的实施例子还公开了一种自动编码器通信系统的实现，包括发射机、信道和接收机，发射机和接收机都由若干子块组成，每个子块由隐藏层、batchnorm层、激活函数和dropout层组成，发射机称为编码器，接收机称为解码器，编码器及解码器构成自编码器，利用基于自编码器的dco-ofdm系统papr抑制方法实现papr的抑制。

与现有技术相比，本公开的有益效果是：

本公开通过神经网络的方法对dco-ofdm系统性能进行优化，提出了一种深度神经网络结合扩展的选择性映射(eslm-ae)方法来解决dco-ofdm信号的高papr问题。使用自动编码器结构来实现传输信号的星座映射和解映射，同时在网络结构中，加入了扩展的slm方法，训练时对自动编码器采用组合损耗函数，即同时考虑误码率和papr两个参数本方案中提出的eslm-ae方法可以更有效地降低papr。该方案能显著降低dco-ofdm系统的papr达10db以上，同时在los和dow两种信道中整个信噪比范围内显著降低误码率，与slm和clipping方法相比具有更好的误码率性能，且对码间干扰具有很强的鲁棒性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例子的eslm-ae结构的dco-ofdm系统框图；

图2为本公开实施例子的自动编码器通信系统的构成示意图；

图3为本公开实施例子的扩展slm技术的ofdm发射机部分框图；

图4为本公开仿真例子的几种方法的ccdf比较曲线示意图；

图5为本公开仿真例子的los信道下dco-ofdm系统的误码率性能示意图；

图6为本公开仿真例子的dow信道下dco-ofdm系统的误码率性能示意图；

图7为本公开仿真例子的有码间干扰和无码间干扰时dow信道下dco-ofdm系统的误码率性能示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

术语解释部分:

papr：峰均功率比；

autoencoder：自编码器；

dco-ofdm：直流偏置光正交频分复用。

光通信系统的端到端学习是解决复杂通信问题的一种有前途的技术，尤其是在ofdm系统中，用于降低峰均功率比papr的问题。它的复杂度低、适应性强，硬件简单以及在未知或复杂信道分析中的优势使得深入学习成为提高系统性能的有效工具。

为了减轻这些限制的影响，深度学习提供了一个有效的选择，因为它具有良好的泛化特性和灵活的建模和学习能力。光通信系统的端到端学习是解决复杂通信问题的一种有前途的技术，它的复杂度低、适应性强，硬件简单以及在未知或复杂信道分析中的优势使得深入学习成为提高系统性能的有效工具。其中，一种特殊的网络结构，即自动编码器(autoencoder)，通常用于对损坏的数据进行去噪和恢复，它的参数可以通过一个特定的损失函数自动确定，适合于处理由高papr引起的非线性失真。

本公开的一种典型的实施方式中，提供了一种基于自编码器的dco-ofdm系统papr抑制方法，图1显示了基于所提议的基于深度神经网络结合扩展的选择性映射(eslm-ae)方案的dco-ofdm发射机和接收机的概述。与传统的dco-ofdm系统不同的是，整个模型采用了一种自编码器，可以表示从输入到期望输出的映射。其中，编码器和解码器一起构成自编码器，在本方案中，首先将输入信号送入编码器和相位旋转器，得到i-q星座映射，并生成替代的低papr输出序列。然后再输入hermitian对称和ifft模块，得到时域的实ofdm信号。在并串转换和添加循环前缀(cp)后，通过增加直流偏置和限幅，将ifft的输出转换为单极性输出，并使ofdm信号适合于led有限发射范围。在光信道中，实际场景中的噪声会对传输信号产生影响。在接收端，相位恢复和译码器部分的目标是恢复失真的信号。在网络训练中，同时考虑papr和ber两个参数作为损耗函数的构成元素，因此网络采用最低的papr和误码率ber作为损耗函数进行训练。

具体的，假设ofdm信号由2n个子载波进行传输。x,f(x)和g(x)分别为自动编码器的输入、编码器的输出和解码器的输出。如图1所示，在串行到并行转换后，将输入数据序列x划分为2n个消息符号xk，然后编码器部分将这2n个符号xk进行i-q星座映射，编码器的输出x＝f(x)由2n个实数组成，并以特定顺序的成对组合形成n个复数信号a，

然而，经典的自动编码器的设计只是为了尽量减少误码率。实际收发器通常具有较高的papr。为了降低高峰值功率比，每一个编码器的输出都乘以一个相位系数ak，可以表示为其中对于vlc-ofdm系统，强度调制要求led的发射信号为非负实值。本方案中采用hermitian对称形成频域ofdm信号xh(k)，频域ofdm信号输入到离散傅立叶反变换模块中，得到时域ofdm信号：

其中，k指离散时间。

dco-ofdm信号的papr表示为：

当同一相位的不同副载波同时出现高振幅时，会出现高峰值功率比。在这里，采用互补累积分布函数(ccdf)表示信号的papr超过给定阈值的概率，用来衡量papr值的高低。

在并行串行转换和添加循环前缀后，在时域离散信号中加入直流偏压和削波，以保证所有信号的振幅都是非负的。在vlc系统中，由于led的非线性特性，传输信号必须限制在led的线性工作范围内。假定上限幅为ξupper，下限幅为ξlower，led的线性范围为[0,2ξupper]，限幅公式为：

引入剪切比γ，定义直流偏压设置为bdc＝ξupper，则送入led的dco-ofdm信号可表示为：

假设光信道为los链路，室内无线光信道中的主要噪声源是散粒噪声，该噪声为加性高斯白噪声(awgn)。接收端通过反向过程来解调数据，去除直流偏压后，相应的矢量送入fft模块。输出y的简化表示为：

其中，q表示光通道的影响，ε是接收器处的噪声，f(x)是编码器的输出，fft(·)和ifft(·)分别表示快速傅里叶变换和快速傅里叶反变换。

最后信号送入译码器，译码器经过星座解映射得到恢复后的符号。

为了介绍基于eslm-ae的papr抑制方案，首先描述autoencoder端到端通信系统模型，图2简要描述了基于autoencoder的通信系统，包括发射机、信道和接收机。在传统的autoencoder模型中，发射机部分称为编码器，它将输入的信号映射到i-q星座中。对于经典的自动编码器，其预期输出是输入，自动编码器可以在没有监督的情况下从零开始训练，多层网络可以表示从输入到预期输出的映射。如图2所示，本公开中假设发射机和接收机都由lf＝lg＝3个子块组成。每个子块由隐藏层、batchnorm层、激活函数和dropout层组成。

具有l层的前馈神经网络(nn)通过l个迭代处理步骤描述输入向量到输出向量的映射：rl＝fl(rl-1；θl),l＝1,...,l。

其中，是第l层执行的映射，θ＝{θ1,...,θl}用于表示网络的所有参数集。

如果fl(rl-1；θl)＝σ(wlrl-1+bl)，则第l层称为隐藏层或全连接层(fc)。其中，σ(·)是激活函数，第l层参数集是θl＝{wl,bl},其中wl和bl是第l层的权重和偏置。

设为第l个隐藏层的输入，输出为其中和为第l个隐藏层的层的权重和偏差。每个隐藏层的输出通过batchnorm层来最小化内部协变量的偏差。batchnorm层可以用函数表示，其中α和β分别是缩放因子和移位因子。ν＝0.001是一个防止被零除的常数。然后将归一化值输入激活函数ρ(·)，它使数据具有非线性特征，帮助提高神经网络的表达能力。本申请的方案中使用的激活函数有两个，包括整流器线性单元(relu)和sigmoid，分别定义为和在编码器部分，每个子块中使用的激活功能是relu。最后，由于网络参数多，采用dropout层解决过拟合问题。

编码器的输出可以表示为：

其中，x＝f(x)是编码器的输出，是第lf个编码器的激活函数，和分别是第lf个编码器隐藏层的权重和偏差。

同样，解码器的输出可以表示为：

其中，是接收端的恢复信号，是解码器的输出，是第lg个解码器的激活函数，和分别是第lg个解码器隐藏层的权重和偏差。

如前所述，噪声通道在传输过程中可能会使信号失真。自动编码器的目标是找到一个适当的编码和解码策略，以消除复杂的光信道和噪声干扰。为了达到这个目标，可以将第一个网络损耗函数设置为：

对于自动编码器的训练，采用随机梯度下降法(sgd)优化算法，从随机初始值开始，迭代更新公式为其中λ>0是学习率，θ表示自动编码器的参数，表示梯度操作

为了更好的实现本申请的抑制性能，在具体实施时采用扩展的选择性映射方法，对于dco-ofdm，高信号峰值意味着需要较大的直流偏压，这会导致系统的功率效率严重下降。slm方法是一种常用的降低papr的方法，它易于实现，不会对信号造成任何失真，并且可以与任何副载波数和调制方式一起使用。为了提高slm方案的papr降低性能，slm技术需要增加相位序列数，然而计算复杂度也相应增加。

在本申请的技术方案中，通过相位旋转器和网络的损失函数将slm技术扩展到自动编码器，以获得如图3所示的自适应相位序列。由于在深度学习网络中可以进行相位因子的训练和不断优化，因此每个相位因子不再需要人工设置，同时，在试验中一旦相位序列确定了，只需计算一次ifft。

在提出的方案中，训练网络在不影响误码率性能的情况下降低papr。因此，必须同时考虑两个不同的因素。为了降低papr值，定义了第二个损耗分量：

loss2(x)＝papr{xh(n)}

在仿真的基础上，该方法有助于降低高峰值功率比和非线性失真，从而提高训练过程中的误码率性能。考虑到这两个因素，使用参数η来平衡两个不同的损失分量。因此，总损失函数为：

为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实施例与对比例详细说明本公开的技术方案。

对系统进行了仿真，以验证该方案在不同信道下的papr和误码性能。网络参数如表1所示。

表1.网络参数

在该网络的训练中，总共使用64000000个独立随机位进行训练，12800000个位用于验证，12800000个位用于测试。以信噪比(snr)＝15db为例，训练集、验证集、测试集的平均papr和误码率结果见表2。请注意，下面对eslm-ae和自动编码器方案的所有模拟和讨论都是基于测试集的结果。

表2训练集、验证集和测试集的结果比较

为了进行比较，我们还仿真其他papr降低方案的性能，如无eslm方法的基本自动编码器网络、经典slm和不同削波比的幅度削波。所有仿真结果均取自10万个ofdm符号，采用4-qam。

从图4-7可以看出，与dco-ofdm相比，eslm-ae方法的papr降低增益为10.8db，优于其他方法，而slm的papr降低增益最小为4.9db。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。