一、前言

室內(nèi)可見光通信利用發(fā)光二極管（LED）作為光源，通過快速調(diào)制光強來傳輸信息，具有部署靈活、成本低廉和綠色環(huán)保等特點，被認為是未來室內(nèi)無線通信的重要補充技術[。同樣為未來賦能的人工智能領域風起云涌，而深度學習作為其核心驅(qū)動力，正以驚人的速度重塑著人類對機器智能的認知。

受益于深度學習算法的飛速發(fā)展，未來的無線網(wǎng)絡有越來越智能化的趨勢。在自編碼器模型下，傳統(tǒng)通信系統(tǒng)的數(shù)據(jù)傳輸過程可以看作一個端到端的重建任務，這種融合實驗展示了基于深度學習的無線通信技術的深厚潛力[2]，為解決無線通信的傳輸問題提供了有效方案[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的信道特點重新設計網(wǎng)絡結構及訓練方案，提出了一種基于雙線性接收技術的改進方案（MPPM-FE-AE）。

二、自編碼器的雙線性接收改進方案

（一）特征提取模塊

自編碼器網(wǎng)絡可以通過端到端的訓練達到整體最優(yōu)化，能夠減少處理信號時的人為干預，提升無碼性能，但要求網(wǎng)絡本身具備足夠的學習能力，即模型對信號的隱藏特征提取能力要足夠強。因此，本文在已有研究的基礎上參考雙線性接收思想，利用神經(jīng)網(wǎng)絡搭建特征提取器（FeatureExtractor，F(xiàn)E）模塊[，進一步展開經(jīng)信道傳輸后的數(shù)據(jù)，使網(wǎng)絡可以提取更豐富的信號特征，從而有效提升信號的恢復效果。FE相當于傳統(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)境對接收信號的影響，提升傳輸可靠性[。特征提取模塊網(wǎng)絡結構見表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，減少數(shù)據(jù)處理的復雜度。再利用FC層蘊含信息豐富的特點，經(jīng)卷積層提取得到信息擴展，強化對信道信息的獲取能力。整個FE模塊均由神經(jīng)網(wǎng)絡構成，整合進已有的MPPM-AE結構后，形成新的自編碼器網(wǎng)絡結構，在進行端到端的監(jiān)督學習后，基于自編碼器的MPPM傳輸方案可尋求整體最優(yōu)解，本文將改進后的方案稱為MPPM-FE-AE。

（二）MPPM-FE-AE網(wǎng)絡模型

MPPM-FE-AE利用卷積神經(jīng)網(wǎng)絡搭建，其自編碼器的主體結構與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進行外積（OuterProduct）運算，因此圖中將這一自定義層命名為“外積層”。外積運算能將獲得的信道信息升維處理，使之匹配網(wǎng)絡結構從而加載至接收信號中。

技術應用

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

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

三、實驗結果及性能分析

（一）實驗說明

神經(jīng)網(wǎng)絡采用與文獻[5]相同的多階段訓練方法，利用change-sigmoid激活函數(shù)實現(xiàn)脈沖輸出二值化，損失函數(shù)對應采用考慮碼重的二分類交叉熵函數(shù)。訓練的超參數(shù)見表2。

（二）仿真結果及性能分析

為保證室內(nèi)VLC仿真試驗的真實性，本次試驗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?。ㄩL × 寬 × 高）為 計算得出為 ，考慮空房間情況（ [8]。在該仿真環(huán)境下分別對（4，2）、（5，2）、（6，3）三種調(diào)制階數(shù)下的MPPM-FE-AE進行性能測試，（4，2）、（5，2）兩種階數(shù)選用訓練效果最好的105dB訓練信噪比，（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`符號率曲線進行對比，實驗結果如圖2所示。

此外，訓練過程中，由于（6，3）-MPPM初次訓練誤符號率性能較差，出現(xiàn)高信噪比下無法降低誤符號率的“地板效應”，所以在110dB信噪比下進行二次訓練，實驗結果如圖3所示。

圖2中不同線型線條對應不同階數(shù)的傳統(tǒng)軟判決接收誤符號率曲線，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。實驗結果表明，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。通過對比離散點與線條可知，MPPM-FE-AE對不同調(diào)制階數(shù)的優(yōu)化程度存在差異，對（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傳輸?shù)慕邮芊秶鷥?nèi)。

對比圖3中（6，3）-MPPM-FE-AE二次訓練前后的效果，二次訓練后系統(tǒng)在120dB部分的誤符號率顯著降低，說明二次訓練能提升系統(tǒng)的泛化能力，降低單次重復訓練的過擬合效果。

綜合仿真結果分析，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，取得近似甚至略優(yōu)于傳統(tǒng)軟判決方案的誤符號性能，用單次或二次訓練成本達到了復雜的類似盲均衡處理技術，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)出更強的可靠性。

四、結語

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，該方案通過增加特征提取模塊，提升已有網(wǎng)絡的學習能力上限，達到充分獲取接收信號中信道特征的目的。

在室內(nèi)VLC模型Rayleigh信道下驗證MPPM-AE-FE方案，并與既有方案進行誤符號性能對比。實驗結果表明，MPPM-FE-AE具備不依賴信道信息傳輸?shù)膶W習能力，可以達到甚至略優(yōu)于傳統(tǒng)方案，在今后VLC的發(fā)展和應用中具有重要的參考價值。

參考文獻

[1]遲楠，石蒙，哈依那爾，等.LiFi：可見光通信技術發(fā)展現(xiàn)狀與展望[J].照明工程學報，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.一種改進的CNN端到端自編碼器通信系統(tǒng)[J].電訊技術，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)制實現(xiàn)[J].光通信技術，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：中鐵四院集團南寧勘察設計院有限公司

責任編輯：張津平尚丹