基于雙線性接收技術(shù)的MPPM自編碼器VLC改進(jìn)方案

一、前言

室內(nèi)可見(jiàn)光通信利用發(fā)光二極管（LED）作為光源，通過(guò)快速調(diào)制光強(qiáng)來(lái)傳輸信息，具有部署靈活、成本低廉和綠色環(huán)保等特點(diǎn)，被認(rèn)為是未來(lái)室內(nèi)無(wú)線通信的重要補(bǔ)充技術(shù)[。同樣為未來(lái)賦能的人工智能領(lǐng)域風(fēng)起云涌，而深度學(xué)習(xí)作為其核心驅(qū)動(dòng)力，正以驚人的速度重塑著人類對(duì)機(jī)器智能的認(rèn)知。

受益于深度學(xué)習(xí)算法的飛速發(fā)展，未來(lái)的無(wú)線網(wǎng)絡(luò)有越來(lái)越智能化的趨勢(shì)。在自編碼器模型下，傳統(tǒng)通信系統(tǒng)的數(shù)據(jù)傳輸過(guò)程可以看作一個(gè)端到端的重建任務(wù)，這種融合實(shí)驗(yàn)展示了基于深度學(xué)習(xí)的無(wú)線通信技術(shù)的深厚潛力[2]，為解決無(wú)線通信的傳輸問(wèn)題提供了有效方案[3-4]。

本文從已有的多脈沖位置調(diào)制自編碼器研究出發(fā)[，根據(jù)VLC的信道特點(diǎn)重新設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練方案，提出了一種基于雙線性接收技術(shù)的改進(jìn)方案（MPPM-FE-AE）。

二、自編碼器的雙線性接收改進(jìn)方案

（一）特征提取模塊

自編碼器網(wǎng)絡(luò)可以通過(guò)端到端的訓(xùn)練達(dá)到整體最優(yōu)化，能夠減少處理信號(hào)時(shí)的人為干預(yù)，提升無(wú)碼性能，但要求網(wǎng)絡(luò)本身具備足夠的學(xué)習(xí)能力，即模型對(duì)信號(hào)的隱藏特征提取能力要足夠強(qiáng)。因此，本文在已有研究的基礎(chǔ)上參考雙線性接收思想，利用神經(jīng)網(wǎng)絡(luò)搭建特征提取器（FeatureExtractor，F(xiàn)E）模塊[，進(jìn)一步展開(kāi)經(jīng)信道傳輸后的數(shù)據(jù)，使網(wǎng)絡(luò)可以提取更豐富的信號(hào)特征，從而有效提升信號(hào)的恢復(fù)效果。FE相當(dāng)于傳統(tǒng)通信系統(tǒng)中的均衡器，解碼器可利用均衡器的信道均衡數(shù)據(jù)減弱信道環(huán)境對(duì)接收信號(hào)的影響，提升傳輸可靠性[。特征提取模塊網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)表1。

FE共采用了四層卷積層，每層的濾波器數(shù)量逐漸減少，提取的信息逐漸精細(xì)，減少數(shù)據(jù)處理的復(fù)雜度。再利用FC層蘊(yùn)含信息豐富的特點(diǎn)，經(jīng)卷積層提取得到信息擴(kuò)展，強(qiáng)化對(duì)信道信息的獲取能力。整個(gè)FE模塊均由神經(jīng)網(wǎng)絡(luò)構(gòu)成，整合進(jìn)已有的MPPM-AE結(jié)構(gòu)后，形成新的自編碼器網(wǎng)絡(luò)結(jié)構(gòu)，在進(jìn)行端到端的監(jiān)督學(xué)習(xí)后，基于自編碼器的MPPM傳輸方案可尋求整體最優(yōu)解，本文將改進(jìn)后的方案稱為MPPM-FE-AE。

（二）MPPM-FE-AE網(wǎng)絡(luò)模型

MPPM-FE-AE利用卷積神經(jīng)網(wǎng)絡(luò)搭建，其自編碼器的主體結(jié)構(gòu)與MPPM-AE基本一致，本文考慮的是室內(nèi)VLC的傳輸方案，因此，信道層采用考慮信道直流衰減及Rayleigh信道模型，通過(guò)添加特征處理層將MPPM-AE與處理模塊整合，整合后的MPPM-FE-AE的網(wǎng)絡(luò)模型如圖1所示。

在新增的自定義特征處理層中，特征信息將與信道輸出信號(hào)進(jìn)行外積（OuterProduct）運(yùn)算，因此圖中將這一自定義層命名為“外積層”。外積運(yùn)算能將獲得的信道信息升維處理，使之匹配網(wǎng)絡(luò)結(jié)構(gòu)從而加載至接收信號(hào)中。

技術(shù)應(yīng)用

在傳統(tǒng)通信系統(tǒng)中，這一操作可以理解為“盲均衡”，在整個(gè)傳輸過(guò)程中并不需要人為介入考慮信道特征即可完成復(fù)雜信道環(huán)境的信號(hào)傳輸。

MPPM-AE的網(wǎng)絡(luò)參數(shù)直接采用文獻(xiàn)[5]中的CNN-MPPM-AE方案。

三、實(shí)驗(yàn)結(jié)果及性能分析

（一）實(shí)驗(yàn)說(shuō)明

神經(jīng)網(wǎng)絡(luò)采用與文獻(xiàn)[5]相同的多階段訓(xùn)練方法，利用change-sigmoid激活函數(shù)實(shí)現(xiàn)脈沖輸出二值化，損失函數(shù)對(duì)應(yīng)采用考慮碼重的二分類交叉熵函數(shù)。訓(xùn)練的超參數(shù)見(jiàn)表2。

（二）仿真結(jié)果及性能分析

為保證室內(nèi)VLC仿真試驗(yàn)的真實(shí)性，本次試驗(yàn)信道層采用考慮直流衰減的Rayleigh信道模型，直流衰減系數(shù)hdc由房間大小（長(zhǎng) × 寬 × 高）為 計(jì)算得出為 ，考慮空房間情況（ [8]。在該仿真環(huán)境下分別對(duì)（4，2）、（5，2）、（6，3）三種調(diào)制階數(shù)下的MPPM-FE-AE進(jìn)行性能測(cè)試，（4，2）、（5，2）兩種階數(shù)選用訓(xùn)練效果最好的105dB訓(xùn)練信噪比，（6，3）同理采用 ，將MPPM-AE-FE的性能曲線與傳統(tǒng)軟判決方案及MPPM-AE在信道狀態(tài)信息已知條件下傳輸?shù)恼`符號(hào)率曲線進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖2所示。

此外，訓(xùn)練過(guò)程中，由于（6，3）-MPPM初次訓(xùn)練誤符號(hào)率性能較差，出現(xiàn)高信噪比下無(wú)法降低誤符號(hào)率的“地板效應(yīng)”，所以在110dB信噪比下進(jìn)行二次訓(xùn)練，實(shí)驗(yàn)結(jié)果如圖3所示。

圖2中不同線型線條對(duì)應(yīng)不同階數(shù)的傳統(tǒng)軟判決接收誤符號(hào)率曲線，不同調(diào)制階數(shù)及不同自編碼器系統(tǒng)的誤符號(hào)性分別用不同的離散形狀表示，用于擬合比較傳統(tǒng)方案。實(shí)驗(yàn)結(jié)果表明，MPPM-FE-AE在仿真信噪比內(nèi)性能均優(yōu)于MPPM-AE，低信噪比部分性能提升尤為明顯。通過(guò)對(duì)比離散點(diǎn)與線條可知，MPPM-FE-AE對(duì)不同調(diào)制階數(shù)的優(yōu)化程度存在差異，對(duì)（4，2）-MPPM和（5，2）-MPPM優(yōu)化效果略優(yōu)于（6，3）-MPPM，相比軟判決可以取得約 的性能提升。對(duì)于優(yōu)化效果一般的（6，3）-MPPM，也基本與軟判決曲線擬合，考慮到軟判決擁有完美信道信息，較小的性能差距完全在信號(hào)傳輸?shù)慕邮芊秶鷥?nèi)。

對(duì)比圖3中（6，3）-MPPM-FE-AE二次訓(xùn)練前后的效果，二次訓(xùn)練后系統(tǒng)在120dB部分的誤符號(hào)率顯著降低，說(shuō)明二次訓(xùn)練能提升系統(tǒng)的泛化能力，降低單次重復(fù)訓(xùn)練的過(guò)擬合效果。

綜合仿真結(jié)果分析，MPPM-FE-AE在噪聲影響較大的VLC傳輸模型的Rayleigh信道條件下，仍能不依賴任何信道信息及直流衰減增益恢復(fù)，取得近似甚至略優(yōu)于傳統(tǒng)軟判決方案的誤符號(hào)性能，用單次或二次訓(xùn)練成本達(dá)到了復(fù)雜的類似盲均衡處理技術(shù)，在不同信噪比下均表現(xiàn)出良好的泛化能力，相比已有方案表現(xiàn)出更強(qiáng)的可靠性。

四、結(jié)語(yǔ)

本文基于現(xiàn)有的多脈沖位置調(diào)制自編碼器研究成果，基于雙線性接收思想提出了一種適用室內(nèi)VLCRayleigh信道傳輸?shù)腗PPM-FE-AE方案，該方案通過(guò)增加特征提取模塊，提升已有網(wǎng)絡(luò)的學(xué)習(xí)能力上限，達(dá)到充分獲取接收信號(hào)中信道特征的目的。

在室內(nèi)VLC模型Rayleigh信道下驗(yàn)證MPPM-AE-FE方案，并與既有方案進(jìn)行誤符號(hào)性能對(duì)比。實(shí)驗(yàn)結(jié)果表明，MPPM-FE-AE具備不依賴信道信息傳輸?shù)膶W(xué)習(xí)能力，可以達(dá)到甚至略優(yōu)于傳統(tǒng)方案，在今后VLC的發(fā)展和應(yīng)用中具有重要的參考價(jià)值。

參考文獻(xiàn)

[1]遲楠，石蒙，哈依那爾，等.LiFi：可見(jiàn)光通信技術(shù)發(fā)展現(xiàn)狀與展望[J].照明工程學(xué)報(bào)，2019，30（01）：1-9+14.

[2]JiaoJ，SunX，F(xiàn)angL，etal.AnOverviewofWireless Communication Technology Using Deep Learning[J].China Communications，2021，18（12）：1-36.

[3]王旭東，林彬，張凱堯，等.一種改進(jìn)的CNN端到端自編碼器通信系統(tǒng)[J].電訊技術(shù)，2020，60（02）：147-152.

[4]LinB，WangX，YuanW，etal.ANovelOFDMAutoencoder Featuring CNN-Based Channel Estimation for Internetof Vessels[J].IEEE Internet ofThings Journal，2020，PP（99）：1-1.

[5]林鑄，王旭東，吳楠.基于自編碼器的多脈沖位置調(diào)制實(shí)現(xiàn)[J].光通信技術(shù)，2022，46（02）：28-34.

[6]LinT，RoyChowdhuryA，MajiS.BilinearCNNModelsfor Fine-grainedVisualRecognition.[J].CoRR，2015，abs/1504.07889.

[7]BilenH，VedaldiA.WeaklySupervisedDeepDetection Networks.[J].CoRR，2015，abs/1511.02853

[8]ChvojkaP，ZvanovecS，HaighPA，etal.Channel CharacteristicsofVisibleLightCommunicationsWithin Dynamic Indoor Environment[J]. Journal ofLightwave Technology， 2015， 33（09）： 1719-1725.

作者單位：中鐵四院集團(tuán)南寧勘察設(shè)計(jì)院有限公司

責(zé)任編輯：張津平尚丹