一种基于机器学习的物理层可见光通信方法
阅读：214发布：2020-05-08
专利汇可以提供一种基于机器学习的物理层可见光通信方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 机器学习 (machine learning，ML)的物理层可见光通信方法，建立了端到端的可见光通信系统，传输距离为0cm～140cm。在此 基础 上，将接收到的数据 采样 后转换为向量，并收集到数据集中。研究了基于ML的解调方法，包括 卷积神经网络 (CNN)、深置信网络(DBN)、自适应增强(AdaBoost)的性能。特别地，本发明提出了一种用二维图像表示调制 信号 的方法。此外，还研究了调制方式、数据矢量维数和训练集大小对性能的影响。最后计算了不同调制方案的有效速率，结果表明应根据 信噪比 选择不同的调制方案。，下面是一种基于机器学习的物理层可见光通信方法专利的具体信息内容。
1.一种基于机器学习的物理层可见光通信方法，其特征在于，包括如下步骤：
步骤1，建立可见光通信VLC系统模型；
步骤2，采用基于卷积神经网络CNN、深度置信网络DBN、自适应增强AdaBoost的解调器中的任一种对建立的VLC系统模型进行解调；
步骤1包括：
步骤1-1，建立一个端到端的VLC系统，其中包含单个发光二极管发射器和单个光电探测器，发射信号x(t)如下：
其中，t是时间，s(t)是基带信号，j是虚数单位，fc是载波频率，p(t)是信号脉冲，T是信号周期；
令g表示LED和光电探测器之间的信道，包括直射路径和多反射路径，在接收机处，接收信号y(t)如下：
y(t)＝gx(t)+n(t) (2)
其中，n(t)是所接收的噪声，通过数字模拟转换器，将接收到的模拟信号y(t)采样到数字信号；设 表示第i个周期内的信号采样向量，其中 表
示第n个采样点： n取值为1～N，N是一个周期内的采样数；
步骤1-2，设定训练数据集包含K个接收到的采样数据周期，i取值为1～K；在解调之前，将接收到的采样序列 标准化到[0,1]区间，如下：
其中， 表示归一化后的第i个采样点的值， 表示采样序列的最小值，
表示采样序列的最大值；
步骤1-3，对归一化的第i个向量 设定其对应标签zi，其中1≤i≤K，令
表示标记的训练数据集，令 表示所有标签的集合，由使用
的调制方式决定，且
步骤2中，所述基于卷积神经网络的解调器包括一个可视化模块和一个CNN，当采用基于卷积神经网络的解调器对建立的VLC系统模型进行解调时，包括如下步骤：
步骤a1，将接收到的数据向量 通过可视化模块转化成二维的图像格式，以输入到专为二维数据设计的CNN中进行图像分类，可视化模块的输出图像表示为X，X是28×28大小的矩阵：X∈R28×28，R表示实数集；
步骤a2，对X进行处理的CNN包括两个卷积层，两个池化层和一个全连接层，用 表示第一个卷积层的第i个卷积核， 用Yi1表示由 得到的特征图，由下式获
得：
其中bi表示 的偏置，*表示卷积操作， 为激活函数， 表示
第一次卷积之后得到的矩阵的元素， 表示 的元素，p＝1,2,...,24，q＝1,2,...,24；
步骤a3，卷积层之后是一个池化层，对上一层输出的特征图执行下采样操作，使用最大池化的方法进行池化，感受野大小为2×2，用 表示对第i个特征图的池化结果，通过下式得到：
其中，pooling(·)表示下采样函数， 表示第i个输入的特征图；
步骤a4，用 表示第二个卷积层中的第j个卷积核， 设定 是第
二层卷积层的输出， 由下式得到：
其中 表示第二次卷积之后得到的矩阵的元素， 是 中的元素，p＝1,
2,...,10，q＝1,2,...,10；
步骤a5，经过感受野为2×2的第二个池化层之后，其输出 经过全连接层转化为一个
3
一维的标签向量y，该向量的神经元数目由调制方式决定，CNN输出的标签 表示为：
其中[y3]i表示y3中第i维元素的值，y3的维度由采用的调制方式决定，y3中最大元素对应的下标即是标签 并能够进一步映射到解调结果
步骤a1包括：可视化模块进行如下处理： 中的每一个元素首先被转化为二维平面上的一个点，将这些点用折线连接起来，得到接收信号的波形图，调制信号的幅度信息和相位信息都被保存在这张灰度图片中，使用双三次插值法缩小该灰度图的尺寸，采用全局阈值算法将缩小后的图像转化为二值图像；用X表示可视化模块最终的输出的二值图像；
步骤2中，当采用基于深度置信网络的解调器对建立的VLC系统模型进行解调时，包括如下步骤：
步骤b1，建立有三个受限玻尔兹曼机RBM的深度置信网络，RBM是无向图形模型的一种T T
实现，由显层v＝[v1,v2,...,vm] 和隐层h＝[h1,h2,...,hn]构成，其中vi和hj分别表示显层的第i个单元的值和隐层的第j个单元的值，i取值为1～m，j取值为1～n；设W＝[w1,w2,...,wn]T表示v和h之间的连接权矩阵，其中wj＝[wj1,wj2,...,wjm]T，wji表示vi和hj之间的连接权重；a＝[a1,a2,...,am]T和b＝[b1,b2,...,bn]T分别表示v的偏置和h的偏置，其中ai表示vi的偏置，bj表示hj的偏置；
步骤b2，引入能量函数来表示RBM的状态，采用训练数据集 中的归一化信号 第一个RBM的能量函数E(v,h)如下：
E(v,h)＝-aTv-bTh-hTWv, (8)
其中，
显层v的边缘分布p(v)表示如下：
其中， 是归一化因子；
步骤b3，通过最大化如下无约束的对数似然函数来获得最优参数W,a,b：
步骤b4，采用梯度下降法来解决步骤b3中的优化问题，变量W,a,b分别做如下更新：
其中，ε代表学习率，ΔW,Δa和Δb分别代表目标函数对W的偏导、对a的偏导和对b的偏导；
步骤b5，变量W,a,b的偏导数分别近似为：
其中， 代表重构的显层数据，其中 为重构的第i个显层神经元的值，i
取值为1～m；p(hj＝1|v)表示对于给定的显层v，隐层的第j个神经元被激活的概率；
表示给定重构之后的显层 隐层的第j个神经元被激活的概率； 由如下方法得到：
给定显层v，隐层h的各单元的分布如下：
依据公式(13)分布，按照下式产生隐层数据 其中 是隐层的第j个神
经元的值，j＝1,2,...,n，则：
其中，p(h|v)表示给定显层v，得到隐层状态h的概率；
对于给定的隐层 显层v的第i个单元被激活的的概率 由下式给出：
步骤b6，重构的显层数据 由(15)分布产生，如下：
步骤b7，利用梯度下降法，得到第一个RBM的最优参数W,a,b后，将第一个RBM的隐层h视(1)
为第二个RBM的显层，令h 为第二个RBM的隐层；训练完第二个RBM的权重矩阵和偏置后，将h(1)看作第三个RBM的显层，令h(2)为第三个RBM的隐层；在训练第三个RBM之后，RBM的所有参数都通过一个有监督的反向传播算法来进行微调；在测试阶段，DBN被应用于信号解调，输出信号解调结果
步骤2中，当采用基于自适应增强AdaBoost的解调器对建立的VLC系统模型进行解调时，包括如下步骤：
步骤c1，设定强分类器是由Q个k最邻近KNN分类器构成，令k＝1；对于第q个KNN分类器，训练数据集 中所有样本的权重用dq＝[dq,1,dq,2,...,dq,K]T来表示，其中dq,i表示第i个样本的权重，q＝1,2,...,Q；当q＝1，dq,i＝1/K，i＝1,2,...,K；
步骤c2，根据dq对 进行重采样，得到的 为第q个KNN分类器的训练集；设定其中(xq,i,zq,i)是重采样之后的第i
个样本，xq,i为数据向量，zq,i为其对应的标签，有 为每个
KNN分类器的测试集；用 表示训练数据集中离测试样本 最近的样本，即：
其中 是xq,i与 之间的欧氏距离，设定 的标签是 KNN分类器就将 归
为类别
步骤c3，用 表示第q个KNN分类器，即第q个KNN分类器对样本 的分类结果为第q个KNN分类器的误差eq定义为误分类样本的权重之和：
其中，I(a,b)是指示函数，定义如下：
令dq+1＝[dq+1,1,dq+1,2,...,dq+1,K]T表示第q+1个KNN分类器对应的训练数据集 中样本的权重，其中dq+1,i代表第i个样本的权重，i＝1,2,...,K；dq+1通过下式得到：
其中βq由函数eq: 计算得到；在约束eq＜0.5下，βq＜1；如果 被分类正确，有如果 被分类错误，
为重新评估样本的权重，通过如下归一化公式重新定义dq+1,i：
步骤c4，在生成Q个KNN分类器后，强分类器由下式定义：
其中，H(y)表示强分类器对测试样本y的分类结果，用 表示；是所有标签的集合，z是标签； 是Gq的系数；对于 I(Gq(y),z)作为将y标记为z的投票值；如果I(Gq(y),z)＝1，Gq将样本y分类为标签z，否则y不属于标签z；对于所有KNN分类器，具有最大加权投票值 的类别是这个Adaboost分类器的输出结果 进一步得到解调结果
一种基于机器学习的物理层可见光通信方法
技术领域
[0001] 本发明涉及可见光通信领域，尤其涉及一种基于机器学习(machine learning，ML)的物理层可见光通信方法。
背景技术
[0002] 随着移动数字设备与无线数据业务的快速发展，对高速无线传输的需求呈指数级增长。传统的射频(Radio Frequency，RF)系统正面临着过于拥挤的频谱挑战，提升网络容量遭遇了瓶颈(参考文献[1])。可见光通信(Visible Light Communication，VLC)以其拥有巨量未被管理的频谱、数据速率高、安全性强、抗电磁干扰能力强等优点，已经作为一种短距离无线通信的潜在解决方案而引起了广泛的关注(参考文献[2])。通过发光二极管(LED)的大规模部署，VLC采用强度调制和直接检测技术来实现双重目的：照明和数据传输(参考文献[3]-[7])。
[0003] 无线信号的调制和解调在VLC系统中起着基础性的作用。在现有的绝大多数研究中，VLC信道被假定为有着加性高斯白噪声(AWGN)的直射信道(参考文献[8]-[10])。然而，实际的VLC信道要面临着商用LED的非线性、多径色散、脉冲噪声、杂散或连续干扰以及光电探测器的灵敏度低等诸多挑战。这些挑战在实际中总是同时存在并相互作用，这使得解调问题变得具有挑战性。
[0004] 截至目前，已有很多工作将ML应用于各种通信领域，例如信道估计(参考文献[13]、[14])、介质访问控制(参考文献[15]、[16])、自动调制分类(参考文献[17]、[18])，干扰管理(参考文献[19])、导频分配(参考文献[20])、天线选择(参考文献[21])、信道解码(参考文献[22]))。最近的文献[23]提出将端到端通信系统解释为自动编码器的概念，并在文献[24]中使用软件无线电验证了其可行性。从那时起，深度学习(DL)在物理层上的潜在应用也日益受到重视，其主要原因在于未来通信的新特征，例如具有未知信道模型的复杂场景(参考文献[25])、高速和精确的处理要求。
[0005] 在文献[26]中，作者使用人工神经网络作为解调器来解调16-QAM信号，实验证明该解调器性能优于使用线性滤波器的传统方法。在文献[27]中，针对频移键控(FSK)信号，作者提出了一种基于人工神经网络(ANN)的解调器。与传统接收机相比，该解调器具有更好的抗干扰能力。通过利用一维卷积神经网络(1-D CNN)，文献[28]提出了一种二进制相移键控解调器来处理载波频率偏移和采样频率误差。文献[29]提出了一种深度卷积网络(DCNN)解调器来分别从混合信号中解调符号序列。在文献[30]中，作者证明了DCNN在解调瑞利衰减信号方面的优异性能。基于深度置信网络(DBN)的特征提取方法也被用于解决这个有挑战性的问题。在文献[31]中，提出了一种基于DBN的方法，用于不同类型通信信道中的信号解调。作者证明了基于DBN的解调器可用于具有一定信道脉冲响应的AWGN信道和瑞利非频率选择性平坦衰落信道。在文献[32]中，提出了一种基于DL(深度学习，Deep Learning)的短距离多径信道信号解调方法。在文献[33]中提出了一种基于神经网络的软件无线电接收机来处理未知信道上的解调信号。然而，这些工作是基于模拟数据集而不是真实的数据集。
[0006] DL在VLC系统中有一定的应用。文献[34]采用了一种无监督的基于DL的自编码器来设计多色VLC系统的收发机，它在平均符号错误率方面优于现有技术。文献[35]将基于DL方法的自动编码器用于对抗调光控制和信道缺陷的复杂光学特性。然而，VLC系统中有关基于ML的解调器的研究尚不充分，并且没有开放的实测数据集。
[0007] 参考文献：
[0008] [1]V.Chandrasekhar,J.Andrews,and A.Gatherer,“Femtocell networks:a survey,”IEEE Commun.Mag.,vol.46,no.9,pp.59–67,Sep.2008.
[0009] [2]“IEEE standard for local and metropolitan area networks–part 15.7:Short-range wireless optical communication using visible light,”IEEE Std
802.15.7-2011,pp.1–309,Sep.2011.
802.15.7-2011,pp.1–309,Sep.2011.
[0010] [3]T.Komine and M.Nakagawa,“Fundamental analysis for visible-light communication system using LED lights,”IEEE Trans.Consum.Electron.,vol.50,no.1,pp.100–107,Feb.2004.
[0011] [4]H.Elgala,R.Mesleh,and H.Haas,“Indoor optical wireless communication:Potential and state-of-the-art,”IEEE Commun.Mag.,vol.49,no.9,pp.56–62,Dec.2011.
[0012] [5]S.Arnon,J.Barry,G.Karagiannidis,R.Schober,and M.Uysal,Advanced Optical Wireless Communication Systems,1st ed,Cambridge,U.K.:Cambridge Univ,2012.
[0013] [6]A.Jovicic,J.Li,and T.Richardson“, Visible light communication:opportunities,challenges and the path to market,”IEEE Commun.Mag.,vol.51,no.12,pp.26–32,Dec.2013.
[0014] [7]P.H.Pathak,X.Feng,P.Hu,and P.Mohapatra,“Visible light communication,networking,and sensing:a survey,potential and challenges,”IEEE Commun.Surveys Tuts.,vol.17,no.4,pp.2047–2077,Sep.2015.
[0015] [8]T.Fath and H.Haas,“Performance comparison of MIMO techniques for optical wireless communications in indoor environments,”IEEE Trans.Commun.,vol.61,no.2,pp.733–742,Feb.2013.
[0016] [9]T.Q.Wang,Y.A.Sekercioglu,and J.Armstrong“, Analysis of an optical wireless receiver using a hemispherical lens with application in MIMO visible light communications,”J.Lightw.Technol.,vol.31,no.11,pp.1744–1754,Jun.2013.[10]K.Ying,H.Qian,R.J.Baxley,and S.Yao,“Joint optimization of precoder and equalizer in MIMO VLC systems,”IEEE J.Sel.Areas in Comm.,vol.33,no.9,pp.1949–1958,Sep.2015
[0017] [11]T.Mitchell,B.Buchanan,G.Dejong,T.Dietterich,P.Rosenbloom,and A.Waibel,Machine Learning,China Machine Press,2003.
[0018] [12]K.Hornik,M.Stinchcombe,and H.White,“Multilayer feedforward networks are universal approximators,”Neural Networks,vol.2,no.5,pp.359–366,Jul.1989.
[0019] [13]M.N.Seyman and N.Tapnar,“Channel estimation based on neural network in space time block coded MIMO-OFDM system,”Digital Signal Process.,vol.23,no.1,pp.275–280,Jan.2013.
[0020] [14]H.Ye,G.Y.Li,and B.H.Juang,“Power of deep learning for channel estimation and signal detection in OFDM systems,”IEEE Wireless Commun.Lett.,vol.7,no.1,pp.114–117,Apr.2018.
[0021] [15]S.Hu,Y.Yao,and Z.Yang“, Mac protocol identification using support vector machines for cognitive radio networks,”IEEE Wireless Commun.,vol.21,no.1,pp.52–60,Feb.2014.
[0022] [16]S.Wang,H.Liu,P.H.Gomes,and B.Krishnamachari“, Deep reinforcement learning for dynamic multichannel access in wireless networks,”IEEE Trans.Cogn.Commun.Netw.,vol.4,no.2,pp.257-265,Jun.2018.
[0023] [17]M.W.Aslam,Z.Zhu,and A.K.Nandi,“Automatic modulation classification using combination of genetic programming and KNN,”IEEE Trans.Wireless Commun.,vol.11,no.8,pp.2742–2750,Jun.2012.
[0024] [18]A.S.Liu and Z.Qi,“Automatic modulation classification based on the combination of clustering and neural network,”The Journal of China Universities of Posts and Telecommunications,vol.18,no.4,pp.13,38–19,38,Apr.2011.
[0025] [19]H.Sun,X.Chen,M.Hong,Q.Shi,X.Fu,and N.D.Sidiropoulos,“Learning to optimize:Training deep neural networks for interference management,”IEEE Trans.Signal Process.,vol.66,no.20,pp.5438-5453,Oct.2018.
[0026] [20]K.Kim,J.Lee,and J.Choi,“Deep learning based pilot allocation scheme(DL-PAS)for 5G massive mimo system,”IEEE Commun.Lett.,vol.22,no.4,pp.828–831,Feb.2018.
[0027] [21]J.Joung,“Machine learning-based antenna selection in wireless communications,”IEEE Commun.Lett.,vol.20,no.11,pp.2241–2244,Jul.2016.[0028] [22]F.Liang,C.Shen,and F.Wu,“An iterative BP-CNN architecture for channel decoding,”IEEE J.Sel.Topics Signal Process.,vol.12,no.1,pp.144–159,Jan.2018.
[0029] [23]T.O.Shea and J.Hoydis,“An introduction to deep learning for the physical layer,”IEEE Trans.Cogn.Commun.Netw.,vol.3,no.4,pp.563–575,Oct.2017.[0030] [24]S.Dorner,S.Cammerer,J.Hoydis,and S.T.Brink,“Deep learning based communication over the air,”IEEE J.Select.Topics Signal Process.,vol.12,no.1,pp.132–143,Feb.2018.
[0031] [25]V.Raj and S.Kalyani,“Backpropagating through the air:Deep learning at physical layer without channel models,”IEEE Commun.Lett.,vol.22,no.11,pp.2278-2281,Nov.2018.
[0032] [26]A.N.Milad,M.A.M,and Rahmadwati“, Neural network demodulator for quadrature amplitude modulation(QAM),”International Journal of Advanced Studies in Computer Science and Engineering,vol.5,no.7,pp.10–14,2016.[0033] [27]M.Li,H.Zhong,and M.Li,“Neural network demodulator for frequency shift keying,”in 2008 International Conference on Computer Science and Software Engineering,vol.4,pp.843–846,Dec.2008.
[0034] [28]M.Zhang,Z.Liu,L.Li,and H.Wang,“Enhanced efficiency BPSK demodulator based on one-dimensional convolutional neural network,”IEEE Access,vol.6,pp.26939-26948,2018.
[0035] [29]X.Lin,R.Liu,W.Hu,Y.Li,X.Zhou,and X.He,“A deep convolutional network demodulator for mixed signals with different modulation types,”in Proc.IEEE 15th Intl Conf on Dependable,Autonomic and Secure Computing,pp.893–896,Nov.2017.
[0036] [30]A.S.Mohammad,N.Reddy,F.James,and C.Beard“, Demodulation of faded wireless signals using deep convolutional neural networks,”in 2018 IEEE 8th Annual Computing and Communication Workshop and Conference(CCWC),pp.969–975,Jan.2018.
[0037] [31]M.Fan and L.Wu,“Demodulator based on deep belief networks in communication system,”in International Conference on Communication,Control,Computing and Electronics Engineering,pp.1–5,Jan.2017.
[0038] [32]L.Fang and L.Wu,“Deep learning detection method for signal demodulation in short range multipath channel,”in IEEE International Conference on Opto-Electronic Information Processing,pp.16–20,Jul.2017.[0039] [33]M. A.Akan,and H. “Neural network based receiver design for software defined radio over unknown channels,”in Proc.8th Int.Conf.Electr.Electron.Eng.,pp.297–300,Nov.2013.
[0040] [34]H.Lee,I.Lee,and S.H.Lee“, Deep learning based transceiver design for multi-colored VLC systems,”Optics Express,vol.26,no.5,pp.6222-6238,2018.[0041] [35]H.Lee,I.Lee,T.Q.S.Quek,and H.L.Sang,“Binary signaling design for visible light communication:a deep learning framework,”Optics Express,vol.26,no.14,pp.18131-18142,2018.
[0042] [36]J.Sola and J.Sevilla“, Importance of input data normalization for the application of neural networks to complex industrial problems,”Nucl.Sci.,vol.44,no.3,pp.1464–1468,Jun.1997.
[0043] [37]R.C.Gonzalez and R.E.Woods,Digital Image Processing(3rd Edition),Prentice-Hall,Inc.,2007.
[0044] [38]G.E.Hinton and R.R.Salakhutdinov“,Reducing the dimensionality of data with neural networks,”Science,vol.313,no.5786,pp.504–507,2006[0045] [39]D.E.Rumelhart and J.L.McClelland,Information Processing in Dynamical Systems:Foundations of Harmony Theory,MIT Press,1987.
[0046] [40]S.Haykin,Neural Networks:A Comprehensive Foundation(3rd Edi-tion),Macmillan,1998
[0047] [41]G.E.Hinton,“Training products of experts by minimizing contrastive divergence,”Neural Computation,vol.14,no.8,pp.1771–1800,Aug.2002.[0048] [42]L.J.Buturovic and L.T.Citkusev“, Back propagation and forward propagation,”in Int.Joint Conf.Neural Networks,vol.4,pp.486–491,Jun.1992.[0049] [43]Y.Freund and R.E.Schapire“, A decision-theoretic generalization of on-line learning and an application to boosting,”Comput.Syst.Sci.,vol.55,no.1,pp.119–139,1997.
[0050] [44]I.Mukherjee,C.Rudin,and R.E.Schapire,“The rate of convergence of Adaboost,”J.Mach.Learn.Res.,vol.14,no.3,pp.2315–2347,2011.
[0051] [45]G. T.Onoda,and K.R.Müller,“Soft margins for Adaboost,”Machine Learning,vol.42,no.3,pp.287–320,2001.
[0052] [46]M.Riesenhuber and T.Poggio,“Hierarchical models of object recognition in cortex,”Nature neuroscience,vol.2,no.11,pp.1019-1025,1999.发明内容
[0053] 本发明针对现有技术的不足，提供了一种基于机器学习的物理层可见光通信方法，包括如下步骤：
[0054] 步骤1，建立VLC系统模型；
[0055] 步骤2，采用基于卷积神经网络(convolutional neural network，CNN)、深度置信网络(deep belief network，DBN)、自适应增强(adaptive boosting，AdaBoost)的解调器中的任一种对建立的VLC系统模型进行解调。
[0056] 步骤1包括：
[0058]
[0059] 其中，t是时间，s(t)是基带信号，j是虚数单位，s(t)是基带信号，fc是载波频率，p(t)是信号脉冲，T是信号周期；
[0060] 令g表示LED和光电探测器之间的信道，包括直射路径和多反射路径，在接收机处，接收信号y(t)如下：
[0061] y(t)＝gx(t)+n(t) (2)
[0062] 其中，n(t)是所接收的噪声，通过数字模拟转换器，将接收到的模拟信号y(t)采样到数字信号；设 表示第i个周期内的信号采样向量，其中表示第n个采样点： n取值为1～N，N是一个周期内
的采样数；
的采样数；
[0063] 步骤1-2，设定训练数据集包含K个接收到的采样数据周期，i取值为1～K。将接收到的采样序列 标准化到[0,1]区间，如下：
[0064]
[0065] 其中，表示归一化后的第i个采样点的值， 表示采样序列的最小值，表示采样序列的最大值；
[0066] 步骤1-3，对归一化的第i个向量 设定其对应标签zi，其中1≤i≤K，令表示标记的训练数据集。令 表示所有标签的集合，由使用的调制方式决定，且
[0068] 步骤a1，将接收到的数据向量 通过可视化模块转化成二维的图像格式，以输入到专为二维数据设计的CNN中进行图像分类，可视化模块的输出图像表示为X，X是28×28大小的矩阵： 为实数集；
[0069] 步骤a2，对X进行处理的CNN包括两个卷积层，两个池化层和一个全连接层，用 表示第一个卷积层的第i个卷积核， 用 表示由 得到的特征图，由下式获得：
[0070]
[0071] 其中bi表示 的偏置，*表示卷积操作， 为激活函数，表示第一次卷积之后得到的矩阵的元素， 表示 的元素，p＝1,2,...,24，q＝1,2,...,
24；
24；
[0072] 步骤a3，卷积层之后是一个池化层，对上一层输出的特征图执行下采样操作，使用最大池化的方法进行池化，感受野大小为2×2，用 表示对第i个特征图的池化结果，通过下式得到：
[0073]
[0074] 其中，pooling(·)表示下采样函数， 表示第i个输入的特征图；
[0075] 步骤a4，用 表示第二个卷积层中的第j个卷积核， 设定是第二层卷积层的输出， 由下式得到：
[0076]
[0077] 其中 表示第二次卷积之后得到的矩阵的元素， 是 中的元素，p＝1,2,...,10，q＝1,2,...,10。
[0078] 步骤a5，经过感受野为2×2的第二个池化层之后，其输出 经过全连接层转化为一个一维的标签向量y3，该向量的神经元数目由调制方式决定，CNN输出的标签 表示为：
[0079]
[0080] 其中[y3]i表示y3中第i维元素的值，y3的维度由采用的调制方式决定。y3中最大元素对应的下标即是标签 并能够进一步映射到解调结果
[0081] 步骤a1包括：可视化模块进行如下处理： 中的每一个元素首先被转化为二维平面上的一个点，将这些点用折线连接起来，得到接收信号的波形图，调制信号的幅度信息和相位信息都被保存在这张灰度图片中，使用双三次插值法缩小该灰度图的尺寸，采用全局阈值算法将缩小后的图像转化为二值图像；用X表示可视化模块最终的输出的二值图像，X是一个28×28大小的矩阵。
[0082] 步骤2中，当采用基于DBN的解调器对建立的VLC系统模型进行解调时，包括如下步骤：
[0083] 步骤b1，建立有三个受限玻尔兹曼机(Restricted boltzmann machines，RBM)的深度置信网络(Deep belief network，DBN)，RBM是无向图形模型的一种实现，由显层v＝[v1,v2,...,vm]T和隐层h＝[h1,h2,...,hn]T构成，其中vi和hj分别表示显层的第i个单元的值和隐层的第j个单元的值，i取值为1～m，j取值为1～n；设W＝[w1,w2,...,wn]T表示v和h之间的连接权矩阵，其中wj＝[wj1,wj2,...,wjm]T，其中wji表示vi和hj之间的连接权重；a＝[a1,T Ta2,...,am] 和b＝[b1,b2,...,bn]分别表示v的偏置和h的偏置，其中ai表示vi的偏置，bj表示hj的偏置；
[0084] 步骤b2，引入能量函数来表示RBM的状态，采用训练数据集 中的归一化信号第一个RBM的能量函数E(v,h)如下：
[0085] E(v,h)＝-aTv-bTh-hTWv, (8)
[0086] 其中，
[0087] 显层v的边缘分布p(v)表示如下：
[0088]
[0089] 其中， 是归一化因子；
[0090] 步骤b3，通过最大化如下无约束的对数最大似然函数来获得最优参数W,a,b：
[0091]
[0092] 步骤b4，采用梯度下降法来解决步骤b3中的优化问题，变量W,a,b分别做如下更新：
[0093]
[0094] 其中，ε代表学习率，取0.1，ΔW,Δa和Δb分别代表目标函数对W的偏导、对a的偏导和对b的偏导；
[0095] 步骤b5，变量W,a,b的偏导数分别近似为：
[0096]
[0097]
[0098]
[0099] 其中， 代表重构的显层数据，其中 为重构的第i个显层神经元的值，i取值为1～m。p(hj＝1|v)表示对于给定的显层v，隐层的第j个神经元被激活的概率。
表示给定重构之后的显层 隐层的第j个神经元被激活的概率。
表示给定重构之后的显层 隐层的第j个神经元被激活的概率。
[0100] 可由如下方法得到：
[0101] 给定显层v，隐层h的各单元的分布如下：
[0102]
[0103] 依据公式(13)分布，按照下式产生隐层数据 其中 是隐层的第j个神经元的值，j＝1,2,...,n，则：
[0104]
[0105] 其中，p(h|v)表示给定显层v，得到隐层状态h的概率。
[0106] 对于给定的隐层 显层的第i个神经元被激活的概率 由下式给出：
[0107]
[0108] 步骤b6，重构的显层数据 由(15)分布产生，如下：
[0109]
[0110] 步骤b7，利用梯度下降法，得到第一个RBM的最优参数W,a,b后，将第一个RBM的隐层h视为第二个RBM的显层，令h(1)为第二个RBM的隐层；训练完第二个RBM的权重矩阵和偏置后，将h(1)看作第三个RBM的显层，令h(2)为第三个RBM的隐层；在训练第三个RBM之后，RBM的所有参数都通过一个有监督的反向传播算法来进行微调；在测试阶段，DBN被应用于信号解调，输出信号解调结果
[0111] 步骤2中，当采用基于自适应增强AdaBoost的解调器对建立的VLC系统模型进行解调时，包括如下步骤：
[0112] 步骤c1，设定强分类器是由Q个k最邻近(k-nearest neighbor,KNN)分类器组成，令k＝1。对于第q个KNN分类器，训练数据集 中所有样本的权重用dq＝[dq,1,dq,2,...,dq,K]T来表示，其中dq,i表示第i个样本的权重，q＝1,2,...,Q；当q＝1，dq,i＝1/K，i＝1,2,...,K；步骤c2，根据dq对 进行重采样，得到的 为第q个KNN分类器的训练集；设定
其中(xq,i,zq,i)是重采样之后的第i
个样本，xq,i为数据向量，zq,i为其对应的标签，有 为每个
KNN分类器的测试集；用 表示训练数据集中离测试样本 最近的样本，即：
其中(xq,i,zq,i)是重采样之后的第i
个样本，xq,i为数据向量，zq,i为其对应的标签，有 为每个
KNN分类器的测试集；用 表示训练数据集中离测试样本 最近的样本，即：
[0113]
[0114] 其中 是xq,i与 之间的欧氏距离，设定 的标签是 KNN分类器就将 归为类别
[0115] 步骤c3，用 表示第q个KNN分类器，即第q个KNN分类器对样本 的分类结果为 第q个KNN分类器的误差eq定义为误分类样本的权重之和：
[0116]
[0117] 其中，I(a,b)是指示函数，定义如下：
[0118]
[0119] 令dq+1＝[dq+1,1,dq+1,2,...,dq+1,K]T表示第q+1个KNN分类器对应的训练数据集 中样本的权重，其中dq+1,i代表第i个样本的权重，i＝1,2,...,K。它通过下式得到：
[0120]
[0121] 其中βq由函数 计算得到；在约束eq＜0.5下，βq＜1；如果 被分类正确，有 如果 被分类错误，
[0122] 为重新评估样本的权重，通过如下归一化公式重新定义dq+1,i：
[0123]
[0124] 步骤c4，在生成Q个KNN分类器后，强分类器由下式定义：
[0125]
[0126] 其中，H(y)表示强分类器对测试样本y的分类结果，用 表示；是所有标签的集合，z是标签。 是Gq的系数；对于 I(Gq(y),z)作为将y标记为z的投票值；如果I(Gq(y),z)＝1，Gq将样本y分类为标签z，否则y不属于标签z；对于所有KNN分类器，具有最大加权投票值 的类别是这个Adaboost分类器的输出结果 进一步得到解调结果
[0127] 本发明提出了一种灵活的数据驱动的端到端VLC系统原型。利用提出的VLC系统原型，在真实的物理环境中采集了8种调制信号，即OOK、QPSK、4-PPM、16-QAM、32-QAM、64-QAM、128-QAM和256-QAM。此外，建立了一个开放的在线调制数据集，其中，八种调制信号的测量距离为0cm至140cm。
[0128] 本发明提出了基于三个数据驱动的解调器。具体而言，提出了一个基于CNN的解调器，它具有两个卷积层和两个池化层。该分类器首先将调制信号转换为图像，然后通过图像分类对信号进行解调。此外，设计了一个基于DBN的由三个受限玻尔兹曼机(RBM)组成的解调器，用于提取调制特征。最后，提出了一种利用弱分类器KNN构造强分类器的AdaBoost信号解调器。
[0129] 基于调制数据集，本发明研究了提出的三种数据驱动的解调器的性能。具体地说，随着传输距离的增加，三种解调器的性能降低。给定传输距离，使用的调制方式的阶数越高，解调的正确率越低。实验结果显示，基于AdaBoost的解调器在所有调制方案中表现最好。除此之外，在距离较近或者信噪比较高的情况下，应该使用高阶调制来实现最大有效速率。附图说明
[0130] 下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
[0131] 图1是VLC系统示意图。
[0132] 图2是可视化模块示意图。
[0133] 图3是CNN示意图。
[0134] 图4是最大池化示意图。
[0135] 图5是DBN结构示意图。
[0136] 图6是一个具有m个显层神经元和n个隐层神经元的RBM。
[0137] 图7是强分类器的产生过程。
[0138] 图8a显示了OOK调制信号相对于距离d的解调准确率。
[0139] 图8b显示了32-QAM调制信号相对于距离d的解调准确率。
[0140] 图8c显示了256-QAM调制信号相对于距离d的解调准确率。
[0141] 图9显示了基于AdaBoost的解调器相对于距离d的准确率。
[0142] 图10显示了16-QAM和32-QAM调制信号的解调准确率与训练周期K的关系。
[0143] 图11a显示了在N＝40时，OOK、QPSK、4-PPM、32-QAM、64-QAM、128-QAM和256-QAM八种调制信号的解调准确率的距离d的关系。
[0144] 图11b显示了八种调制方案的有效速率Reff。
具体实施方式
[0145] 下面结合附图及实施例对本发明做进一步说明。
[0146] (1)实验装置：
[0147] 本实施例在真实物理环境中建立了一个灵活的端到端可见光通信原型平台，能够对各种调制信号进行解调。基于所建立的原型平台，本实施例建立了来自实际通信系统的测量调制数据集，包括训练数据集和测试数据集，所有研究人员都可获得。实验装置如图1所示。
[0148] (2)系统模型：
[0149] 考虑一个端到端的VLC系统，其中包含单个LED发射器和单个光电探测器，如图1所示。
[0151]
[0152] 其中， 是基带信号，t是时间，j是虚数单位，fc是载波频率，p(t)是信号脉冲，T是信号周期。
[0153] 令g表示LED和光电探测器之间的信道，包括直射路径和多反射路径。在接收机处，接收信号y(t)给出如下：
[0154] y(t)＝gx(t)+n(t) (2)
[0155] 其中，n(t)是所接收的噪声。通过数字模拟转换器，将接收到的模拟信号y(t)采样到数字信号。设 表示一个周期内的信号采样向量，其中表示第n个采样点： n取值为1～N，N是一个周期内的采样
数。
数。
[0156] 设定训练数据集包含K个接收到的采样数据周期，i取值为1～K。在基于ML的解调器处理之前，适当的归一化可以显著减少计算时间(参考文献[36])。因此，首先将接收到的采样序列 标准化到[0,1]区间，如下：
[0157]
[0158] 其中，
[0159] 表示归一化后的第i个采样点的值， 表示采样序列的最小值，表示采样序列的最大值；
[0160] 此外，对归一化的第i个向量 设定其对应标签zi，其中1≤i≤K。令表示标记的训练数据集。用 表示标签集，由使用的调制方
式决定。例如当调制方式为正交相移键控(Quadrature Phase Shift Keying，QPSK)，[0161] (3)基于CNN的解调器
式决定。例如当调制方式为正交相移键控(Quadrature Phase Shift Keying，QPSK)，[0161] (3)基于CNN的解调器
[0162] 与一般的神经网络相比，卷积神经网络(convolutional neural network，CNN)需的预处理更少。此外，它具有稀疏连接、权值共享等特点，结构更加简单，鲁棒性更强。本发明提出的基于CNN的解调器包括一个可视化模块和一个CNN。首先将接收到的数据向量 通过可视化模块转化成二维的图像格式，以输入到专为二维数据设计的CNN中进行图像分类。可视化模块如图2所示。如图2所示， 中的每一个元素首先被转化为二维平面上的一个点。
将这些点用折线连接起来，就可以得到接收信号的波形图。调制信号的幅度信息和相位信息都被保存在这张具有很多像素点的图片中。本发明进一步使用双三次插值法来缩小该灰度图的尺寸，以在保存有用信息的同时减少计算负担。另外，为了进一步强调有用信息，本发明采用全局阈值算法来将缩小的图像转化为二值图像([参考文献37])。用X表示可视化模块的输出图像(矩阵)，X是28×28大小的矩阵：
将这些点用折线连接起来，就可以得到接收信号的波形图。调制信号的幅度信息和相位信息都被保存在这张具有很多像素点的图片中。本发明进一步使用双三次插值法来缩小该灰度图的尺寸，以在保存有用信息的同时减少计算负担。另外，为了进一步强调有用信息，本发明采用全局阈值算法来将缩小的图像转化为二值图像([参考文献37])。用X表示可视化模块的输出图像(矩阵)，X是28×28大小的矩阵：
[0163] 对X进行处理的CNN包括两个卷积层，两个池化层和一个全连接层，结构如图3所示，参数如表1所示。用 表示第一个卷积层的第i个卷积核， 用 表示由 得到的特征图，由下式获得：
[0164]
[0165] 其中bi表示 的偏置，*表示卷积操作， 为激活函数，表示第一次卷积之后得到的矩阵的元素， 表示 的元素，p＝1,2,...,24，q＝1,2,...,
24。
24。
[0166] 卷积层之后是一个池化层，对上一层输出的特征图执行下采样操作。池化可以减少参数的数目，减轻计算负担，提高网络的鲁棒性。本发明使用的池化方法为最大池化，感受野大小为2×2，如图4所示。
[0167] 用 表示对第i个特征图的池化结果，通过下式得到：
[0168]
[0169] 其中，pooling(·)表示下采样函数， 表示第i个输入的特征图。
[0170] 用 表示第二个卷积层中的第j个卷积核， 设定 是第二层卷积层的输出， 由下式得到：
[0171]
[0172] 其中 表示第二次卷积之后得到的矩阵的元素， 是 中的元素，p＝1,2,...,10，q＝1,2,...,10。
[0173] 经过感受野为2×2的第二个池化层之后，其输出 经过全连接层转化为一个一维的标签向量y3，该向量的神经元数目由调制方式决定。CNN输出的标签 表示为：
[0174]
[0175] [y3]i表示y3中第i维元素的值，y3的维度由采用的调制方式决定。y3中最大元素对应的下标即是标签 进一步地，最大值的标签 被映射到解调结果
[0176] 表1 CNN参数设置
[0177] 网络层 卷积核/感受野的尺寸 步长 输出尺寸输入层 28×28
卷积层1 5×5 1 24×24
池化层1 2×2 2 12×12
卷积层2 3×3 1 10×10
池化层2 2×2 2 5×5
卷积层1 5×5 1 24×24
池化层1 2×2 2 12×12
卷积层2 3×3 1 10×10
池化层2 2×2 2 5×5
[0178] (4)基于DBN的解调器
[0179] 由于DBN能有效地利用多重非线性变换从数据中提取高层次特征，因此被广泛地用于解决实际问题(参考文献[38])。本发明考虑有三个受限玻尔兹曼机(restricted Boltzmann machines，RBMs)的DBN，每个RBM由显层v＝[v1,v2,...,vm]T和隐层h＝[h1,h2,...,hn]T构成，如图6所示，其中vi和hj分别表示显层的第i个单元和隐层的第j个单元。设T TW＝[w1,w2,...,wn] 表示v和h之间的连接权矩阵，其wj＝[wj1,wj2,...,wjm] ,j＝1,2,...,n，wji表示vi和hj之间的连接权重。此外，a＝[a1,a2,...,am]T和b＝[b1,b2,...,bn]T分别表示v和h的偏置，其中ai表示vi的偏置，bj表示hj的偏置。
[0180] 受统计力学的启发，引入能量函数来表示RBM的状态(参考文献[39])。用 中的归一化信号 第一个RBM的能量函数如下：
[0181] E(v,h)＝-aTv-bTh-hTWv, (8)
[0182] 其中，
[0183] 显层v的边缘分布如下：
[0184]
[0185] 其中， 是归一化因子，v表示显层，h表示隐层。
[0186] 然后，可以通过如下最小化RBM(参考文献[40])的能量来获得最优参数W,a,b：
[0187]
[0188] 本发明采用了梯度下降法来解决优化问题(10)。具体而言，变量W,a,b分别做如下更新：
[0189]
[0190] 其中，ε代表学习率，取0.1，ΔW,Δa和Δb分别代表W,a,b的梯度。
[0191] 进而，变量W,a,b的偏导数可以分别近似为
[0192]
[0193] 表示给定重构之后的显层 隐层的第j个神经元被激活的概率。
[0194] 其中， 代表重构的显层数据，(参考文献[41])。其中 为重构的第i个显层神经元的值，i取值为1～m。
[0195] 给定显层v，隐层h的第j个神经元被激活的概率p(hj＝1|v)计算如下：
[0196]
[0197] 然后，依据公式(13)分布，产生 如下：
[0198]
[0199] 同样地，显层v的第i个神经元被激活的概率由下式给出：
[0200]
[0201] 然后，重建的数据 可以由(15)分布产生，如下：
[0202]
[0203] 利用梯度下降法，可以得到第一种RBM的最优参数W,a,b。然后，将第一RBM的隐层h视为第二RBM的显层，令其隐层为h(1)，如图6所示。训练完第二个RBM的权重矩阵和偏置后，将h(1)看作第三个RBM的显层，令h(2)为第三个RBM的隐层。在训练第三个RBM之后，RBM的所有参数(权重和偏差)都通过一个有监督的反向传播算法来进行微调(参考文献[42])。DBN模型的参数被更新以逼近最优分类器。训练后，将测试阶段的DBN网络应用于信号解调，输出信号解调结果
[0204] (5)基于ADABOOST的解调器
[0205] Adaboost算法能够将多个独立的弱分类器集成为一个高性能的强分类器(参考文献[43])。本发明利用AdaBoost算法对信号进行解调，采用k-最邻近(KNN)算法作为弱分类器，令k＝1。最终的强分类器H是所有KNN的组合，如图7所示。
[0206] 假设强分类器是由Q个KNN构成(参考文献[44])。对于第q个KNN分类器，样本集中所有样本的权重用dq＝[dq,1,dq,2,...,dq,K]T来表示，其中dq,i表示第i个样本的权重，q＝1,2,...,Q。当q＝1，dq,i＝1/K，i＝1,2,...,K。
[0207] 根据dq对 进行重采样(参考文献[45])，得到的 为第q个KNN分类器的训练集。假设 有 为每个KNN分类器的测试集。
用 表示训练集中离测试样本 最近的样本，即
用 表示训练集中离测试样本 最近的样本，即
[0208]
[0209] 其中 是xq,i与 之间的欧氏距离。假设 的标签是 KNN分类器就将归为类别
[0210] 用 表示第q个分类器，即第q个分类器对样本 的分类结果为 Gq的误差被定义为误分类样本的权重之和：
[0211]
[0212] 其中，I(a,b)是指示函数，定义如下：
[0213]
[0214] 相似地，令dq+1＝[dq+1,1,dq+1,2,...,dq+1,K]T表示第q+1个KNN对应的 中样本的权重，它通过下式得到：
[0215]
[0216] 其中βq由函数 计算而来。在约束eq＜0.5下，βq＜1。如果 被分类正确，有 如果 被分类错误，
[0217] 为了重新评估样本的权重，通过如下归一化公式重新定义dq+1,i：
[0218]
[0219] 在生成Q个KNN分类器后，强分类器由下式定义：
[0220]
[0221] 其中，H(y)是强分类器，y是测试样本， 是Gq的系数。对于 I(Gq(y),z)可作为将y标记为z的投票值。如果I(Gq(y),z)＝1，Gq将样本y分类为z类，否则y不属于z类。对于所有分类器，具有最大加权投票值 的类别是这个Adaboost分类器的输出结果 进一步映射到解调结果
[0222] (6)实验结果及讨论
[0223] 端到端VLC系统原型：
[0224] 提出一个端到端的VLC系统原型来产生实际的VLC调制数据集，并验证所提出的基于DL的解调方法，包括源计算机、任意函数发生器、放大器、直流偏置、LED、滑动导轨、光电探测器以及一个混合域示波器，如图8所示。表2列出了端到端VLC系统原型的器件参数。
[0225] 利用所提出的端到端VLC系统原型，收集了调制数据，并建立了一个用于ML处理的开放共享数据库。具有八种调制类型(即OOK，QPSK,4-PPM,16QAM,32QAM,64QAM,128QAM和256QAM，如表3所列出。对于每种调制方式，每个周期有四种采样点，即N＝10、20、40、80。特别地，当采用4-PPM调制时，N＝8、16、32、64。令d表示LED和光电探测器之间的距离。从d＝
0cm到d＝140cm之间，每隔5cm收集一次数据。数据集的环境光的照度约为85Lux。在d＝
100cm处，LED的照度为492Lux。为了减小泛化误差，采用数据集的2/3作为训练集，1/3作为测试集。该数据库可以在https://pan.baidu.com/s/1ThsN3tQaTtFgHryZjqpTuw找到。
0cm到d＝140cm之间，每隔5cm收集一次数据。数据集的环境光的照度约为85Lux。在d＝
100cm处，LED的照度为492Lux。为了减小泛化误差，采用数据集的2/3作为训练集，1/3作为测试集。该数据库可以在https://pan.baidu.com/s/1ThsN3tQaTtFgHryZjqpTuw找到。
[0226] 表2 器件参数
[0227] 设备 型号/参数任意波形发生器 Tektronix AFG3152C
放大器 Mini-Circuits ZHL-6A-S+
偏置 SHWBT-006000-SFFF
光电探测器 PDA10A-EC
混合域示波器 Tektronix MDO3012
LED 7.35W
放大器 Mini-Circuits ZHL-6A-S+
偏置 SHWBT-006000-SFFF
光电探测器 PDA10A-EC
混合域示波器 Tektronix MDO3012
LED 7.35W
[0228] 表3 数据集
[0229]
[0230]
[0231] 实验结果：
[0232] 首先研究了所提出的基于CNN,DBN和AdaBoost的解调器相对于距离d的性能(N＝40)。此外，基于支持向量机(SVM)和基于最大似然(Maximum Likelihood，MLD)的解调方法用来作为比较方法。
[0233] 图8a、图8b、图8c分别显示了OOK、32-QAM和256-QAM调制信号相对于距离d的解调准确率。可以看出，所有方法的解调准确率都随着距离d的增大而降低。具体而言，图8a表明，当d≤70cm，所有解调器对OOK调制信号的解调准确率都接近100％；当70cm
[0234] 图9显示了基于AdaBoost的解调器相对于距离d的准确率，一个周期内具有不同采样点N＝10,20,40,80。信号采用32-QAM调制方式。随着采样点数N的增加，解调准确率增加。此外，N＝40时的解调准确率比N＝80的情况要好，而N＝40时所需存储量仅为N＝80时的一半。
[0235] 图10显示了基于AdaBoost的解调器的解调准确率与训练周期K的数目之间的关系，其中16-QAM调制信号在d＝70cm处，32-QAM调制信号在d＝60cm处。可以看出，对于16-QAM调制信号，解调准确率随着训练周期K的增加而增加，而当K≥4000时，解调准确率增长非常缓慢。同样，对于32-QAM调制信号，解调准确率随训练周期K的增加而增加，当K≥8000时，解调准确率几乎保持不变。比较16-QAM和32-QAM调制信号的解调准确率，对于较高的调制结束需要更多的训练周期K。
[0236] 图11a分别显示了在N＝40时，OOK、QPSK、4-PPM、32-QAM、64-QAM、128-QAM和256-QAM八种调制信号的解调准确率的距离d的关系。可以看出，八种调制方案的解调准确率随着距离d的增大而降低。此外，对于给定的距离d，八种调制方案的解调准确率随着调制阶数的增加而降低，并且调制阶数越高，下降速率越快。
[0237] 图11b显示了八种调制方案的有效速率Reff。随着距离d的增加，八种调制方案的有效率降低。当d≤30cm时，256-QAM的有效速率最高。当40cm＜d≤50cm时，128-QAM调制方案具有最高的有效速率。当距离d从50cm增加到140cm时，64-QAM、32-QAM，和16-QAM依次获得最高的有效速率。因此，对于短距离或高信噪比的情况，最好使用高阶调制。
[0238] 为了克服现有技术的不足，本发明提出了基于机器学习(machine learning，ML)(参考文献[11])的VLC系统设计方法。由于其广泛的近似性、学习能力和自适应能力，机器学习能够基于数据驱动方法，去逼近未知的高度非线性和复杂函数(参考文献[12])。因此，ML(机器学习，Machine Learning)在很多领域有着广泛的应用，例如计算机视觉、自然语言处理、生物医学工程和机器人等。这种数据驱动的方法被认为是在复杂通信场景中从新的角度思考通信系统设计的一种富有前景的方法。
[0239] 本发明研究了ML在VLC系统物理层中信号解调中的应用。由于信号的幅度和相位代表了信号的信息，特征提取对于信号解调至关重要。因此，各种技术已被用于提取调制信号的特征。
[0240] 本发明提供了一种基于机器学习的物理层可见光通信方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 多变量时间序列深度信念网络的低压铸造模温预测方法 | 2020-05-12 | 381 |
| 描述驱油剂在多孔介质中变形运移的力学模拟方法 | 2020-05-12 | 339 |
| 一种基于低场磁共振T2弛豫的磁纳米粒子温度计算方法 | 2020-05-12 | 626 |
| 基于改进的层次分析法评价生猪养殖工艺的方法 | 2020-05-13 | 292 |
| 一种链路预测模型的建立及链路预测方法 | 2020-05-14 | 466 |
| 一种复合材料薄膜三维多相同步生长的模拟方法及系统 | 2020-05-16 | 211 |
| 多源无标签数据学习建模的传动系统性能退化评估方法 | 2020-05-08 | 487 |
| 基于差分温度补偿的分布式光纤拉曼双端温度解调方法 | 2020-05-11 | 407 |
| 小数据库条件下正常语音流中耳语音的识别方法 | 2020-05-16 | 691 |
| 基于径向基函数神经网络的气体标志物检测方法及应用 | 2020-05-16 | 744 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
玻尔兹曼机热门专利
QQ群二维码
意见反馈
意见反馈