一种基于深度学习的广义无线光MIMO系统的盲检测方法

一种基于深度学习的广义无线光mimo系统的盲检测方法
技术领域
1.本发明涉及无线光通信技术领域，尤其涉及一种基于深度学习的广义无线光mimo系统的盲检测方法。


背景技术：

2.近年来，无线光通信(owc)技术因其频谱资源丰富，绿色低功耗等特点受到了广泛的关注。其中，利用红外、可见光或紫外发光二极管(leds)的无线光通信被认为是一种非常有潜力的能够满足高速通信需求的技术。但是，由于led有限的调制带宽，在实际应用中，owc系统的实现和发展受到了限制。目前为止，提高带限owc系统容量的技术有很多，其中多输入多输出(mimo)传输是一种能够有效提升系统容量的技术。为了进一步发挥mimo系统优势，研究者进一步提出了广义无线光mimo(gomimo)传输技术。
3.为了成功地实现gomimo系统，应该采用一种有效的mimo检测方案方法。与传统mimo系统相似，一般来说，联合最大似然(joint
‑
ml)检测是gomimo系统的最优检测方案。但是joint
‑
ml检测拥有极高的运算复杂度，使其在实际应用中受到限制。此外，基于迫零均衡和ml(zf
‑
ml)的联合检测也是适用于gomimo系统的一种实用低复杂度检测方案。然而，joint
‑
ml和zf
‑
ml这两种检测方案都需要预先知道准确的实时信道信息才能成功执行，因此系统必须事先进行信道估计。gomimo系统中的实时信道估计通常需要通过传输额外的训练符号来完成，额外训练符号的使用将不可避免地造成系统频谱效率的降低以及系统时延的增大。


技术实现要素：

4.本发明提供一种基于深度学习的广义无线光mimo系统的盲检测方法，解决的技术问题在于：如何在不需要实时信道信息的情况下取得与joint
‑
ml检测方案相当的误码性能。
5.为解决以上技术问题，本发明提供一种基于深度学习的广义无线光mimo系统的盲检测方法，包括步骤：
6.s1、对n
r
个pd接收机并行输出的接收信号y进行预处理得到输入信号
7.s2、采用训练完成的盲检测器对输入信号进行检测，输出对应的比特信息。
8.优选的，所述盲检测器包括顺序设置的1个输入层、4个隐藏层、1个输出层和1个决策层；
9.所述输入层设有n
r
个神经元，与pd接收机的数量相同，用于将输入信号一一输入至所述隐藏层；所述隐藏层顺序设有四层，对应设有l1、l2、l3、l4个神经元，用于通过训练来学习输入信号和加性噪声的统计特征；所述输出层设有s个神经元，其对应每一个输入向量所携带的总比特数，用于生成每个输入向量的一个数值区间为(0,1)的模糊比特信息；所述决策层设有s个神经元，用于将所述输出层生成的s个模糊比特信息进行判决，生成s个0
或1比特信息。
10.进一步地，所述步骤s1中的预处理过程具体为：
11.将接收信号y放大α倍，并根据n
t
个led发射机在信息传输时的映射关系生成特征矩阵f，最后生成输入信号n
r
≥n
t
。
12.优选的，所述输入层、所述隐藏层和所述输出层的函数关系表达如下：
[0013][0014]
其中，k＝1表示第一层即所述输入层；2≤k≤5表示第二层至第五层即4层所述隐藏层，k＝6表示第6层即所述输出层；z
k
表示第k层的输出向量，w
k
‑1为第k
‑
1层与k层的权重矩阵，b
k
‑1为第k层的偏置向量；所述隐藏层的激活函数为relu函数f
relu
(x)＝max(0,x)；所述输出层的激活函数为sigmoid函数f
sigmoid
(x)＝1/(1+exp
‑
x
)。
[0015]
优选的，假设z
q
为一个模糊比特，为判决后的比特，则所述决策层的判决规则为：
[0016][0017]
优选的，假设在n
r
个pd接收机和n
t
个led发射机的映射过程中，只有n
a
个led发射机被激活用于信号传输，1≤n
a
≤n
t
，则特征矩阵f表示为为n
t
×
n
r
的矩阵，其中每一行及每一列中均有n
a
个元素赋值为1，表示有信号传输，其余元素赋值为0，表示无信号传输。
[0018]
优选的，所述盲检测器所选择的损失函数为均方误差：
[0019][0020]
其中，为所述决策层所估计出来的比特向量，而b为所传输的正确比特向量即接收信号y的标签。
[0021]
优选的，在所述盲检测器的离线训练阶段，先在一特定空间中不同的位置测试并确定盲检测相关参数，然后训练好所述盲检测器中的神经网络，并将训练好的盲检测器保存；当n
r
个pd接收机位于某个位置时，所述前馈深度神经网络模块直接调用与该位置对应的训练好的盲检测器进行信号检测。
[0022]
本发明提供的一种基于深度学习的广义无线光mimo系统的盲检测方法，设置预处理模块根据led发射机与pd接收机之间的映射关系对n
r
个pd接收机并行输出的接收信号y进行放大和特征提取，得到输入信号然后通过提前训练完成的前馈深度神经网络模块中的盲检测器对输入信号进行检测，直接输出对应的比特信息。盲检测器基于深度学习神经网络而搭建，通过输入层、隐藏层、输出层和决策层及参数、函数设置，在训练完成后学习到与正确比特向量与输入信号之间的关系，可实时对输入信号进行检测。本发明解决了传统joint
‑
ml检测和zf
‑
ml检测对信道信息的依赖问题，可以在没有实时信道信息的情况
下获得与joint
‑
ml检测方案相同的最优检测效果；同时，本发明创造所提基于深度学习的gomimo系统盲检测方法解决了joint
‑
ml检测方案技术复杂度较高的问题，可以以与zf
‑
ml检测方案相当的低计算复杂度的成功实现gomimo系统的最优检测。本发明创造所提基于深度学习的gomimo系统盲检测方法可以在不需要实时信道信息的情况下取得与joint
‑
ml检测方案相当的误码性能，其主要优点如下：
[0023]
1、无需实时信道估计，故不需要采用额外训练符号进行实时信道估计，因此能够提高gomimo系统频谱效率，并降低通信时延；
[0024]
2、具有跟zf
‑
ml检测方案相当的低计算复杂度。
附图说明
[0025]
图1是本发明实施例提供的广义无线光mimo系统及其盲检测方法的应用原理框图；
[0026]
图2(a)和(b)分别是本发明实施例提供的pd发射机与led接收机在gosm(广义光空间调制)和gosmp(广义光空间复用)下的映射表；
[0027]
图3是本发明实施例提供的预处理和盲检测器检测的流程图。
具体实施方式
[0028]
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
[0029]
图1展示了本发明的盲检测方法应用在n
r
×
n
t gomimo系统上的原理方框图，gomimo系统包含n
r
个pd接收机和n
t
个led发射机。其中，在gomimo映射过程中，只有n
a
个(1≤n
a
≤n
t
)led发射机被激活用于信号传输。如图1所示，输入比特流首先被分为两个部分：一部分用于传统信号调制生成星座符号向量c，另一部分用于led索引选择生成空间索引向量v。基于得到的星座符号向量c和空间索引向量v，进行gomimo(gosm或gosmp)映射，生成传输信号向量x。图2(a)和(b)分别展示了n
t
＝4及n
a
＝2时所对应的gosm(广义光空间调制)和gosmp(广义光空间复用)的映射表。图1中gomimo检测指的即是本发明所示的盲检测方法。
[0030]
具体的，如图3所示，本实施例提供的一种广义无线光mimo系统的盲检测方法，其基于深度学习，包括步骤：
[0031]
s1、对n
r
个pd接收机并行输出的接收信号y进行预处理得到输入信号
[0032]
s2、采用训练完成的盲检测器对输入信号进行检测，输出对应的比特信息。
[0033]
如图3所示，步骤s1中的预处理过程具体为：
[0034]
将接收信号y放大α倍，并根据n
t
个led发射机在信息传输时的映射关系生成特征矩阵f，最后生成输入信号n
r
≥n
t
。信号放大倍数α可以通过预先测试来设置，而用于特征提取的特征矩阵f则由gomimo映射关系所决定。在n
r
个pd接收机和n
t
个led发射机的映射过程中，只有n
a
个led发射机被激活用于信号传输，1≤n
a
≤n
t
，则特征矩阵f表示为n
t
×
n
r
的矩阵，其中每一行及每一列中均有n
a
个元素赋值为1，表示有信号传输，其余元素赋值为0，表示无信号传输。以图2为例，图2两种映射方式对应的特征矩阵为：
[0035][0036]
更具体的，盲检测器包括顺序设置的1个输入层、4个隐藏层、1个输出层和1个决策层。
[0037]
如图3所示，输入层设有n
r
个神经元，与pd接收机的数量相同，用于将输入信号一一输入至隐藏层；隐藏层顺序设有四层，对应设有l1、l2、l3、l4个神经元，用于通过训练来学习输入信号和加性噪声的统计特征；输出层设有s个神经元，其对应每一个输入向量所携带的总比特数，用于生成每个输入向量的一个数值区间为(0,1)的模糊比特信息；决策层设有s个神经元，用于将输出层生成的s个模糊比特信息进行判决，生成s个0或1比特信息。神经网络模块中的每一个圆点为神经元，储存一个标量值，除此之外每个神经元都拥有一种激活函数。
[0038]
输入层、隐藏层和输出层的函数关系表达如下：
[0039][0040]
其中，k＝1表示第一层即输入层；2≤k≤5表示第二层至第五层即4层隐藏层，k＝6表示第6层即输出层；z
k
表示第k层的输出向量，w
k
‑1为第k
‑
1层与k层的权重矩阵，b
k
‑1为第k层的偏置向量；隐藏层的激活函数为relu函数f
relu
(x)＝max(0,x)；输出层的激活函数为sigmoid函数f
sigmoid
(x)＝1/(1+exp
‑
x
)。
[0041]
假设z
q
为一个模糊比特，为判决后的比特，则决策层的判决规则为：
[0042][0043]
盲检测器中判决层的输入层、隐藏层和输出层为典型深度神经网络，其通过预先生成的符号和对应标签以损失函数为标准进行反向传播训练，迭代网络中的权重值，重复数次这个过程，直到损失函数收敛，即神经网络训练完成。在gomimo系统下，所用训练符号为gomimo系统的直接接收信号，标签为其对应的正确的比特信息。所选择的损失函数为均方误差(mse)，可表示为：
[0044][0045]
其中，为决策层所估计出来的比特向量，而b为所传输的正确比特向量，即接收信号y的标签。
[0046]
以一个房间为例，在盲检测器的离线训练阶段，先在该房间内不同的位置测试并确定盲检测相关参数，然后训练好盲检测器中的神经网络，并将训练好的盲检测器保存；当n
r
个pd接收机位于某个位置时，直接调用与该位置对应的训练好的盲检测器进行信号检
测。
[0047]
综上所述，本发明实施例提供的一种基于深度学习的广义无线光mimo系统的盲检测方法，设置预处理模块根据led发射机与pd接收机之间的映射关系对n
r
个pd接收机并行输出的接收信号y进行放大和特征提取，得到输入信号然后通过提前训练完成的前馈深度神经网络模块中的盲检测器对输入信号进行检测，直接输出对应的比特信息。盲检测器基于深度学习神经网络而搭建，通过输入层、隐藏层、输出层和决策层及参数、函数设置，在训练完成后学习到与正确比特向量与输入信号之间的关系，可实时对输入信号进行检测。本发明解决了传统joint
‑
ml检测和zf
‑
ml检测对信道信息的依赖问题，可以在没有实时信道信息的情况下获得与joint
‑
ml检测方案相同的最优检测效果；同时，本发明创造所提基于深度学习的gomimo系统盲检测方案解决了joint
‑
ml检测方案技术复杂度较高的问题，可以以与zf
‑
ml检测方案相当的低计算复杂度的成功实现gomimo系统的最优检测。本发明创造所提基于深度学习的gomimo系统盲检测方法可以在不需要实时信道信息的情况下取得与joint
‑
ml检测方案相当的误码性能，其主要优点如下：
[0048]
1、无需实时信道估计，故不需要采用额外训练符号进行实时信道估计，因此能够提高gomimo系统频谱效率，并降低通信时延；
[0049]
2、具有跟zf
‑
ml检测方案相当的低计算复杂度。
[0050]
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。