一种基于孪生支持向量回归的可见光通信预失真方法

1.本发明属于可见光通信技术领域，具体涉及一种基于孪生支持向量回归的可见光通信预失真方法。


背景技术：

2.传统的无线电频率(rf)频谱资源越来越有限，同时随着发光二极管(led) 芯片设计的技术改进和led设备的广泛使用，可见光通信(vlc)技术的研究逐渐引起了广泛的关注。然而，可见光通信(vlc)系统包含许多非线性元件，非线性元件会引起信号失真，限制了可见光通信(vlc)的系统性能。
3.此外，led设备作为可见光通信(vlc)系统中的发射器，在光电转换的过程中led电流光功率的关系不是线性的，还存在饱和光功率限制；同时，对于高速率、大带宽信号的传输，led还会表现出严重的非线性记忆效应；多方面因素导致led成为了非线性的主要来源。因此，缓解非线性是vlc系统设计的一个重要方面。
4.进一步地，随着可见光通信的发展，一些高阶信号调制方式也被引入可见光通信(vlc)系统，尤为典型的是ofdm信号。ofdm有着较高的峰均值，这类ofdm 信号对非线性有着较高的敏感度，加之led有限的带宽，在可见光通信(vlc)系统中频率响应呈现一个低通特性，并且会产生更加严重的失真，以及传输过程中也会造成带内失真和带外频谱的干扰，最终使得整个可见光通信系统性能下降，误码率受限。
5.通常来说，可见光通信(vlc)系统缓解非线性失真有两个办法，最直截了当的途径是将波形设计成对非线性不敏感的形式，例如降低papr或者采用双级性调制方法；另外一种方法是设计失真补偿方法，通常包括后失真和预失真，通过加入均衡器或者预失真器，对失真的信号进行补偿矫正，从而达到缓解非线性的目的。后失真是在接收端进行设计的，这种方法消耗了大量计算资源，同时在传输过程中也加大了能量开销。与此相反，预失真是在发射端进行设计，操作简单有效，因此也受到越来越多人的关注。同时，基本上所有的预失真技术都是建立在行为模型的基础上，因此，采用合适的模型对led进行行为建模显得尤为重要。
6.现有技术中，经常使用基于voterra级数通过来增加非线性阶数来提升精度，但其建模的计算复杂度也随之提高，同时，led表现出来的记忆效应导致 voterra级数不能很好的刻画描述系统，并且其对光通信系统信能提升有限。基于神经网络预失真器的非线性补偿方法，在训练建模过程中存在过拟合的问题，容易建模失败；同时，神经网络对噪声也比较敏感，容易受到系统信道的影响。因此，现有技术存在对可见光通信中非线性传输特性以及记忆效应的建模精度不够，抑制非线性的能力有限等缺陷。


技术实现要素：

7.基于现有技术中存在的技术问题，本发明提供一种基于孪生支持向量回归的可见光通信预失真方法，其通过采用时延结构，同时考虑到可见光通信本身强度调制/直接检测
的特点，进一步将幅度也作为训练的特征项，进而解决了现有技术存在的技术问题。
8.为实现上述目的，本发明提供一种基于孪生支持向量回归的可见光通信预失真方法，其包括以下步骤：
9.步骤s1，搭建可见光通信离线数字预失真平台；
10.步骤s2，基于步骤s1的可见光通信离线数字预失真平台获得的信号信息，构建幅度增强结构的训练集；
11.步骤s3，基于步骤s2中构建幅度增强结构的训练集，建立基于幅度tsvr 的可见光通信预失真非线性抑制方法，并形成测试集；
12.步骤s4，利用构建幅度增强结构的训练集训练集和测试集,进行模型训练；
13.步骤s5，进行模型训练后得到预失真器参数，进一步设计构建可见光通信预失真系统。
14.其中，步骤s1采用wiener模型对可见光通信系统的非线性传输特性和记忆效应进行描述，获取了led实测输入信号x(n)和输出信号y(n)。
15.进一步地，步骤s2针对输入信号x(n)与输出信号y(n)，进行归一化处理后，构建幅度增强结构的训练集，所述训练集基于tsvr算法进行运算。
16.优选地，wiener模型分解为一个线性时不变系统和一个非线性系统的级联，针对led的记忆性采用时延抽头的结构进行记忆非线性的引入。
17.更优选地，描述记忆效应的线性时不变系统的线性时不变模块表示为：
[0018][0019]
其中l是最大的延迟抽头,b
l
是记忆效应因子，x(n-l)表示输入变量的延迟项，x(n)表示输入信号，l表示延迟深度。
[0020]
更优选地，描述非线性系统的非线性模块的rapps模型如下:
[0021][0022]
其中，i
max
是当前最大输出，k是拐点系数，控制从线性区域到饱和区域的平滑程度，v
tov
是发光二极管的开启电压值。
[0023]
进一步地，tsvr算法有如下表示关系：
[0024][0025]
cc结构如图1所示。f1(x)为上界函数，f2(x)为下界函数，abs(x(n))表示信号幅度，x(n)表示输入信号，x(n-1)表示信号一阶延迟，x(n-2)表示信号二阶延迟， tsvr machine表示构建出来的孪生支持向量回归机，训练集通过tsvr machine 训练机之后得到预测输出信号
[0026]
优选地，步骤s3，建立基于幅度tsvr的可见光通信预失真非线性抑制方法，其通过将tsvr预失真器与可见光通信系统发射端进行级联，组成一个近似于线性的系统，实现对非线性的补偿，提升系统整体的性能。
[0027]
更优选地，tsvr预失真器中，首先待传输的比特流信号经过16qam映射，可见光通
信采用的是强度调制/直接检测的方式，经过埃尔米特映射之后，经由 ifft(逆快速傅里叶变换)变为实数信号，然后添加前缀和保护间隔，信号并串转换之后经过tsvr预失真器，数模转换后通过bias-tee将直流信号与待发送信号耦合加载到led。
[0028]
进一步地，在tsvr预失真器接收端，采用apd探测器将收到信号光电转化，进行离线处理。
[0029]
与现有技术相比，本发明的有益效果是：。
[0030]
1、本发明基于孪生支持向量回归的可见光通信预失真方法，基于幅度增强的tsvr时延结构在建模精度方面获得明显提升。与现有记忆多项式建模(mp) 相比，nsme提升22db以上；与广义记忆多项式(gmp)相比,精度平均提升5.5db 左右。
[0031]
2、本发明基于孪生支持向量回归的可见光通信预失真方法，基于tsvr的建模方法在建模速度方面与传统svr有明显提升；当m＝2时，tsvr的nmse指标与svr相比，有着16.5403db的提升。cpu运算效率至少是svr的四倍。
[0032]
3、本发明在缓解led低通效应上有明显优势，且对带外信号的频谱干扰也有较强的抑制作用，带内信号的低通部分得到了补偿，同时带外频谱再生也得到了抑制。
[0033]
4、本发明的基于tsvr的建模方法在补偿非线性上，得到了优秀的功率谱密度，星座图以及误码率。例如，图7为未经过预失真的接收端星座图，从图7 中可以看到，星座图发生了旋转，幅度发生了失真，整个星座图呈现相对模糊的情况；图8-图10则是通过预失真之后的星座图，与图7相比，有了较大的性能优化，为了进一步验证该方案的有效性，图11展示的是误码率的对比，从图中可以看出，在高信噪比的时候tsvr展现出了更加优秀的性能，低信噪比的情况下也与gmp相近。
附图说明
[0034]
图1是依据本发明的基于幅度增强的tsvr用于led建模的示意图；
[0035]
图2是带有预失真器的可见光通信系统示意图；
[0036]
图3是输入输出am/am曲线；
[0037]
图4是weiner模型传输特性曲线；
[0038]
图5是基于tsvr建模的输出信号功率谱密度图；
[0039]
图6是基于tsvr建模的输出信号与实际信号时域匹配图；
[0040]
图7是未经预失真的输出信号星座图；
[0041]
图8是经过记忆多项式预失真后的输出信号星座图；
[0042]
图9是经过广义记忆多项式预失真后的输出信号星座图；
[0043]
图10是经过tsvr预失真后的输出信号星座图；
[0044]
图11是误码率曲线对比图；
[0045]
图12是依据本发明建模的可见光通信系统的建模精度对比表。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
[0047]
本发明提出一种基于孪生支持向量回归的可见光通信预失真方法，其为一种基于幅度增强的孪生支持向量回归(tsvr)的可见光通信系统的自适应预失真方法，其采用幅度增强的时延结构对led进行建模，建立了基于幅度增强的tsvr 的led模型之后，求逆模型得出预失真器，进而与可见光通信系统发射端led级联得到对应的带有预失真器的可见光通信系统。本发明所得到的可见光通信系统对比现有的记忆多项式、切比雪夫多项式的系统，其在建模精度以及对系统的误码率性能上都有较大的提高。
[0048]
下面结合附图1-附图12，来详细说明本发明一种基于孪生支持向量回归的可见光通信预失真方法。
[0049]
本发明提供一种基于孪生支持向量回归的可见光通信预失真方法，其包括以下步骤：
[0050]
步骤s1，搭建可见光通信离线数字预失真平台；同时采用wiener模型对可见光通信系统的非线性传输特性和记忆效应进行描述，获取了led实测输入信号 x(n)和输出信号y(n)；
[0051]
步骤s2，基于步骤s1的可见光通信离线数字预失真平台获得的信号信息，构建幅度增强结构的训练集；具体为针对输入信号x(n)和输出信号y(n)，进行归一化处理后，构建幅度增强结构的训练集，所述训练集基于tsvr算法进行运算；
[0052]
步骤s3，基于步骤s2中构建幅度增强结构的训练集，建立基于幅度tsvr的可见光通信预失真非线性抑制方法，并形成测试集；
[0053]
步骤s4，利用构建幅度增强结构的训练集训练集和测试集,进行模型训练；
[0054]
步骤s5，进行模型训练后得到预失真器参数，进一步设计构建可见光通信预失真系统。
[0055]
在具体的实施例中，步骤s1，搭建可见光通信离线数字预失真平台，同时采用wiener模型对可见光通信系统的非线性传输特性和记忆效应进行描述，获取了led实测输入信号x(n)和输出信号y(n)；其中，wiener模型可以分解为一个线性时不变系统和一个非线性系统的级联；针对led的记忆性，采用时延抽头的结构进行记忆非线性的引入，其中描述记忆效应的线性时不变系统的线性时不变模块表示为：
[0056][0057]
其中，i
max
是当前最大输出，k是拐点系数，控制从线性区域到饱和区域的平滑程度，v
tov
是发光二极管的开启电压值。
[0058]
描述非线性系统的非线性模块可以用rapps模型来描述，为了对led的v-i曲线进行建模，rapps模型经过一些简单的修改后，可以得出以下结果:
[0059][0060]
其中，i
max
是当前最大输出，k是拐点系数，控制从线性区域到饱和区域的平滑程度，v
tov
是发光二极管的开启电压值。
[0061]
步骤s2，针对输入信号x(n)与输出信号y(n)，进行归一化处理后，构建幅度增强结构的训练集，利用tsvr算法中进行运算，有如下表示关系：
[0062][0063]
其中表示幅度，表示时延抽头，结构如图1所示。f1(x)为上界函数，f2(x)为下界函数，abs(x(n))表示信号幅度，x(n)表示输入信号， x(n-1)表示信号一阶延迟，x(n-2)表示信号二阶延迟，tsvr machine表示构建出来的孪生支持向量回归机，训练集通过tsvr machine训练机之后得到预测输出信号
[0064]
步骤s3，建立基于幅度tsvr的可见光通信预失真非线性抑制方法，其通过将tsvr预失真器与可见光通信系统发射端进行级联，组成一个近似于线性的系统，实现对非线性的补偿，提升系统整体的性能，tsvr预失真器在发射端的位置以及带有预失真器的可见光通信系统如图2所示。首先待传输的比特流信号经过 16qam映射，由于可见光通信中采用的是强度调制/直接检测的方式，需要经过埃尔米特映射之后，经过ifft(逆快速傅里叶变换)变为实数信号，然后添加前缀和保护间隔，信号并串转换之后经过tsvr预失真器，数模转换后通过bias-tee将直流信号与待发送信号耦合加载到led。在接收端，采用apd探测器将收到信号光电转化，进行离线处理。更进一步地，在图2中预失真器的设置采用的是一个间接学习的结构，在estimation(a)处估计得到预失真器的参数，将得到的预失真器的参数再复制到预失真器predistorter处。
[0065]
基于幅度增强tsvr的可见光通信预失真非线性抑制方法是通过在发射端中加入一个逆模型响应对非线性效应进行补偿，使得最终的信号响应表现为一个线性的状态。
[0066]
基于幅度增强tsvr的可见光通信预失真非线性抑制方法的非线性幅度失真校正效果如图3所示。由图3可以观察到，未经预失真处理的信号，表现出了较强的非线性和记忆效应，而经过预失真之后，幅度失真曲线矫正为近似线性。
[0067]
步骤s4，利用训练集和测试集,进行模型训练，参见图1所示，其具体包括以下步骤：
[0068]
①
利用tsvr构建led的行为模型，通过引入核函数将原tsvr的表达式扩展到非线性情况，整个模型的回归函数如下：
[0069][0070]
其中表示核函数，xi,xj为样本点，ω1,ω2,b2,b1∈rn,矩阵a 的每一行都代表一组训练数据。利用核函数理论进一步能得到如下等价目标函数，
[0071]
[0072][0073]
其中ε1，ε2表示不敏感参数，ξ
*
和ξ表示松弛变量，e是单位矩阵，y是响应输出信号， c1和c2为惩罚因子；
[0074]
②
通过拉格朗日乘子法，得到
[0075][0076]
③
进一步能得到(5)，(6)的对偶形式如下：
[0077][0078][0079]
其中h＝[κ(a,a
t
)e]，α,μ,β为拉格朗日乘子，i为单位矩阵，c3，c4表示惩罚因子最终期望的回归函数可以表示为上界和下界函数的平均值，其函数表达式下所示：
[0080][0081]
其中，f1(x)为上界函数，f2(x)为下界函数，abs(x(n))表示信号幅度，x(n) 表示输入信号，x(n-1)表示信号一阶延迟，x(n-2)表示信号二阶延迟，tsvrmachine表示构建出来的孪生支持向量回归机。
[0082]
步骤s5，进行模型训练后得到预失真器参数，进一步设计构建可见光通信预失真系统，其具体包括以下子步骤：
[0083]
基于预失真器与可见光通信发射端级联的输入输出关系近似于线性，即发送信号在变为模拟信号前，经预失真器处理产生一个与led相反的失真，以补偿led的非线性记忆特性。本发明使用了间接学习结构的预失真方法,先把led 的输入和输出信息作为模型的输出和输入信息,对led进行逆向建模,然后再将计算出的led后逆模参数复制到预失真器中当作前逆使用,把预失真器和功放级联,构建完整的预失真系统。如图2中，先在estimation(a)处进行逆向模型参数的估计获取，即采用步骤s4所述办法进行训练得到参数，训练结束，将所得参数结果设置在图2tsvr(a)处，于是便构建出一个间接学习结构的基于tsvr 的可见光通信预失真系统。
[0084]
在上述步骤中，图3是输入输出am/am曲线；图3描述的是未经过预失真和经过tsvr预失真之后的输出输入幅度失真对比图，经过预失真之后的输入输出幅度的关系近似为线
性而曲线并且散点分布的是没有预失真的，说明了led 本身带有的非线性和记忆效应，两者对比，说明所提方法的有效性。
[0085]
图4是weiner模型传输特性曲线；图4为数据仿真所用的维纳记忆模型，该模型用于描述led非线性的转化关系。
[0086]
图5是基于tsvr建模的输出信号功率谱密度图；图5为用tsvr建立的led 模型功率谱密度的对比，从图中可以看出，所建立模型具有很高的精确度，led 实际输出与模型的输出高度匹配吻合，误差信号很小。图6是基于tsvr建模的输出信号与实际信号时域匹配图；图6为模型输出与实际输出的时域波形对比，也是高度吻合的，两图综合说明了所提出模型的准确性和有效性。
[0087]
图7到图10表示的是采用不同种预失真方案所得到的星座图对比，没有经过预失真的的星座图模糊，幅度失真严重，经过预失真的，在一定程度上都有性能的提升。图7是未经预失真的输出信号星座图，图8是经过记忆多项式预失真后的输出信号星座图，图9是经过广义记忆多项式预失真后的输出信号星座图，图10是经过tsvr预失真后的输出信号星座图。例如，图7为未经过预失真的接收端星座图，从图7中可以看到，星座图发生了旋转，幅度发生了失真，整个星座图呈现相对模糊的情况；图8-图10则是通过预失真之后的星座图，与图7相比，有了较大的性能优化。
[0088]
为了进一步验证该方案的有效性，图11展示的是误码率的对比，从图中可以看出，在高信噪比的时候tsvr展现出了更加优秀的性能，低信噪比的情况下也与gmp相近。也就是，图11为采用不同预失真方案的误码率对比，能看出在低信噪比的时候tsvr与gmp性能接近，高信噪比的时候,总体上tsvr优秀于其他对比方案。图12是依据本发明建模的可见光通信系统的建模精度对比表，当 m＝2时，tsvr的nmse指标与svr相比，有着16.5403db的提升；cpu运算效率至少是svr的四倍。
[0089]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。