盧洪斌，祚 銓?zhuān)R 戈

(1.百色學(xué)院，廣西 百色 533000；2.廣州市隆光信息技術(shù)有限責(zé)任公司，廣東 廣州 511458)

0 引言

水聲通信(UAWC)和水下射頻(RF)通信均無(wú)法實(shí)現(xiàn)水下高速信號(hào)傳輸，故業(yè)界提出了高寬帶和低延遲的水下藍(lán)綠光通信，光波在水下的傳輸衰減比較大，約為0.4～11 dB/m，水下光通信距離通常限制在幾十厘米到一百米的范圍內(nèi)，但其數(shù)據(jù)傳輸速率可達(dá)Gbit/s的量級(jí)，遠(yuǎn)超水聲和射頻通信的速率，是一種極具應(yīng)用前景的水下通信技術(shù)。水下種類(lèi)豐富的無(wú)機(jī)物、有機(jī)物和水分子本身導(dǎo)致嚴(yán)重的光吸收衰減和散射，水下強(qiáng)弱不定的湍流導(dǎo)致傳播的光信號(hào)發(fā)生隨機(jī)變化的幅度衰落[1-2]。水下光信道嚴(yán)重的非線性時(shí)變特性目前還沒(méi)有建立準(zhǔn)確的信道模型，水下光信道的相關(guān)研究也只能通過(guò)人為設(shè)定嚴(yán)格的限制條件，得出的結(jié)果也不具普遍性，無(wú)法解決實(shí)際的水下光通信系統(tǒng)應(yīng)用難題，因而亟待尋找一種在信道模型未知情況下的水下光通信系統(tǒng)設(shè)計(jì)方法，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)作為一種可以逼近任意非線性的方法，可以用于模擬各種系統(tǒng)的非線性特性，利用深度神經(jīng)網(wǎng)絡(luò)通過(guò)監(jiān)督學(xué)習(xí)可以補(bǔ)償系統(tǒng)非線性的不利影響[3-4]，引入深度學(xué)習(xí)的方法是設(shè)計(jì)水下光通信系統(tǒng)的有益探索。

本文將循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)中的門(mén)控循環(huán)單元應(yīng)用到水下光接收機(jī)中，以水下可見(jiàn)光光通信系統(tǒng)的實(shí)驗(yàn)數(shù)據(jù)和仿真數(shù)據(jù)為GRU模型的訓(xùn)練數(shù)據(jù)[5-7]，通過(guò)大量數(shù)據(jù)驅(qū)動(dòng)的方法建立反映水下信道特征的深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)隱含了發(fā)送碼元序列和接收碼元序列之間的非線性映射關(guān)系。這種方法明顯改善了水下藍(lán)綠光接收機(jī)的性能，具有準(zhǔn)確模擬水下光信道特征、無(wú)需進(jìn)行復(fù)雜耗時(shí)計(jì)算、無(wú)需了解信道的物理特性、無(wú)需建立信道數(shù)學(xué)模型等優(yōu)點(diǎn)。

1 水下藍(lán)綠光GRU接收機(jī)

傳統(tǒng)通信系統(tǒng)的設(shè)計(jì)須依賴(lài)于準(zhǔn)確的信道模型，由于水下光信號(hào)傳播的極度復(fù)雜性，至今沒(méi)有一種有效的可見(jiàn)光信道模型普適于水下光通信環(huán)境，發(fā)展一種不依賴(lài)于信道模型的通信系統(tǒng)設(shè)計(jì)方法是一種全新的思路，本文采用基于深度學(xué)習(xí)的門(mén)控循環(huán)單元網(wǎng)絡(luò)作為水下藍(lán)綠光傳輸系統(tǒng)的接收機(jī)，圖1為基于GRU接收機(jī)的水下藍(lán)綠光通信測(cè)試系統(tǒng)。輸入的二進(jìn)制數(shù)據(jù)進(jìn)行16QAM數(shù)字調(diào)制，調(diào)制輸出信號(hào)驅(qū)動(dòng)藍(lán)綠光半導(dǎo)體激光器輸出藍(lán)綠光信號(hào)，藍(lán)綠光信號(hào)通過(guò)水下光無(wú)線信道傳輸，接收端通過(guò)光電二極管(PD)轉(zhuǎn)換為電信號(hào)并進(jìn)行信號(hào)放大及同步采樣，GRU接收機(jī)接收采用序列，由已訓(xùn)練優(yōu)化的GRU網(wǎng)絡(luò)處理輸出與發(fā)送序列x1x2…對(duì)應(yīng)的接收信號(hào)序列y1y2…，通過(guò)誤碼分析儀中的QAM解調(diào)器星座解映射為二進(jìn)制數(shù)據(jù)流，并測(cè)試輸出二進(jìn)制信號(hào)的誤比特率。

圖1 基于GRU接收機(jī)的水下藍(lán)綠光通信測(cè)試系統(tǒng)

圖2 GRU接收機(jī)結(jié)構(gòu)

現(xiàn)在候選信息表示為當(dāng)前輸入xt與重置門(mén)rt控制的過(guò)去信息ht-1輸出的關(guān)系：

更新門(mén)zt表示為：

Zt=σ(Wz·[ht-1,xt]+bz).

rt=σ(Wr·[ht-1,xt]+br).

其中，Wh、Wz、Wr為權(quán)重矩陣，xt為當(dāng)前時(shí)刻的輸入特征，ht-1為隱藏層上一時(shí)刻存儲(chǔ)的狀態(tài)信息，激活函數(shù)為Sigmoid函數(shù)和tanh函數(shù)。

本文搭建3層的GRU網(wǎng)絡(luò)，第一隱藏層有80個(gè)神經(jīng)元，第二隱藏層有100個(gè)神經(jīng)元，第三隱藏層有80個(gè)神經(jīng)元，每層都采用20%的神經(jīng)元舍棄(dropout)比率，采用ADAM優(yōu)化算法。輸入訓(xùn)練樣本數(shù)為1024組數(shù)據(jù)，循環(huán)核時(shí)間展開(kāi)步為16步，每個(gè)時(shí)間步輸入特征個(gè)數(shù)為1，此特征為藍(lán)綠光信號(hào)經(jīng)過(guò)水下光信道后接收端抽樣的碼元同步信號(hào)序列。以水下可見(jiàn)光光通信系統(tǒng)的實(shí)驗(yàn)數(shù)據(jù)和仿真數(shù)據(jù)為模型訓(xùn)練數(shù)據(jù)，標(biāo)簽為發(fā)送端16QAM調(diào)制器輸出的對(duì)應(yīng)16進(jìn)制碼元，訓(xùn)練完成后各權(quán)重矩陣和偏置參數(shù)已最優(yōu)化，確定結(jié)構(gòu)的GRU接收機(jī)即可在線進(jìn)行測(cè)試。

2 實(shí)驗(yàn)及結(jié)果分析

圖2的GRU接收機(jī)經(jīng)過(guò)訓(xùn)練優(yōu)化后，接入測(cè)試系統(tǒng)中實(shí)驗(yàn)，從接收到的抽樣的同步信號(hào)序列中估計(jì)出與發(fā)送符號(hào)序列x1x2…對(duì)應(yīng)的接收符號(hào)序列y1y2…，圖3(a)為采用傳統(tǒng)接收機(jī)接收到的16QAM信號(hào)星座圖，圖3(b)為采用GRU接收機(jī)接收到的16QAM信號(hào)星座圖。

圖3 16QAM信號(hào)星座圖

圖3顯示GRU接收機(jī)明顯改善了系統(tǒng)的性能，說(shuō)明借助深度循環(huán)神經(jīng)網(wǎng)絡(luò)GRU，可以在不了解信道物理特性、無(wú)法建立信道準(zhǔn)確模型的情況下，提升水下藍(lán)綠光通信系統(tǒng)的可靠性。采用發(fā)送和接收符號(hào)序列的檢測(cè)方法利用了序列前后符號(hào)之間受信道非線性影響的記憶特性，在信道傳輸特性從一種模式轉(zhuǎn)變?yōu)榱硪环N模式時(shí)不至于造成突發(fā)的連續(xù)碼元檢測(cè)錯(cuò)誤，特別適合在水下復(fù)雜環(huán)境下經(jīng)常出現(xiàn)的衰減主導(dǎo)、散射主導(dǎo)、背景干擾光主導(dǎo)、湍流主導(dǎo)等不同傳輸模式轉(zhuǎn)換情況下的應(yīng)用，這也是高速水下通信中需要解決的一個(gè)難題。

3 總結(jié)與展望

水下光信道復(fù)雜的非線性及隨機(jī)特性是常規(guī)通信技術(shù)難以處理的，引入深度循環(huán)神經(jīng)網(wǎng)絡(luò)可從全新的角度設(shè)計(jì)水下光通信系統(tǒng)。本文將GRU應(yīng)用到水下光接收機(jī)設(shè)計(jì)中，通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法建立和優(yōu)化了GRU網(wǎng)絡(luò)模型，GRU接收機(jī)建立了發(fā)送碼元序列和接收碼元序列的映射關(guān)系，這種映射關(guān)系反映了水下光信道的實(shí)際物理特性，明顯提高了水下藍(lán)綠光接收機(jī)的性能。試驗(yàn)表明，在無(wú)法建立準(zhǔn)確的水下光信道模型時(shí)，可以采用深度學(xué)習(xí)方法和模型提高水下通信系統(tǒng)的性能。這方面的研究還在發(fā)展初期，可以預(yù)見(jiàn)隨著研究的深入，將人工智能技術(shù)用于水下藍(lán)綠光通信系統(tǒng)乃至更復(fù)雜的通信系統(tǒng)必將有廣闊的應(yīng)用前景。