[发明专利]一种基于深度学习的位置信息辅助的可见光信道估计方法

权利要求书

1.一种基于深度学习的位置信息辅助的可见光信道估计方法，其特征在于：包括以下步骤：

S1：采集导频信号、位置坐标和真实的可见光信道频率响应CFR，获取训练数据集；

S2：对训练数据集进行预处理，得到预处理后的训练数据集；

S3：将预处理后的导频信号、位置坐标作为深度神经网络DNN模型的输入，真实的CFR为DNN模型的目标输出，对DNN模型进行离线训练；

S4：实时采集导频信号和位置坐标，进行数据预处理后输入训练完成的DNN模型中，输出实时的CFR，完成可见光信道的估计；

其中，所述步骤S2具体包括以下步骤：

S21：对导频信号进行拆分实部虚部处理；

S22：对已拆分实部虚部的导频信号、位置坐标分别进行归一化处理，完成导频信号、位置坐标的预处理；

S23：对真实的CFR进行拆分实部虚部处理，完成真实的CFR的预处理；

其中，所述在所述步骤S22中，所述已拆分实部虚部的导频信号归一化处理的具体计算公式为：

其中，Y为归一化前的数值，是归一化后的数值，Y_min是导频信号实部值和虚部值中的最小值，Y_max是导频信号实部值和虚部值中的最大值；同理，位置坐标(m,n)进行归一化处理后为

2.根据权利要求1所述的一种基于深度学习的位置信息辅助的可见光信道估计方法，其特征在于：所述步骤S1具体为：在房间内部署一个可见光通信VLC系统，通过发光二极管LED发送可见光信号，以接收二极管PD作为接收机，通过室内定位技术获取各个采样点的位置坐标；收集各个采样点处的来自LED的经过快速傅里叶变换FFT处理后的导频信号；采用用信道测量方法来测得真实的CFR，或通过已有的信道建模方法计算出真实的CFR。

3.根据权利要求1所述的一种基于深度学习的位置信息辅助的可见光信道估计方法，其特征在于：在所述步骤S3中，采用有L个全连接层的DNN模型，设其输入为x，第l层的输出表示为：

其中，和分别表示权重矩阵和偏置向量，f(·)是激活函数；其中，除了DNN模型最后一层不使用任何激活函数外，其他层均采用了指数线性单元ELU函数；所述DNN模型训练目标是最小化损失函数，即真实CFR和估计CFR之间的均方误差函数MSE最小化，具体计算公式为：

其中，E[·]表示求数学期望，为DNN的输出，即估计的CFR，H为DNN的期望输出，即真实的CFR；通过损失函数计算出DNN模型的输出值与真实值的误差，再使用反向误差传播算法，从输出层到输入层逐层更新权值，对DNN模型进行训练；当DNN模型的损失函数不再下降时，训练完成。

4.根据权利要求1所述的一种基于深度学习的位置信息辅助的可见光信道估计方法，其特征在于：所述步骤S4具体为：在线实时通过室内定位技术获取PD的位置坐标并进行归一化处理，收集来自LED的经过FFT处理的导频信号并对其进行拆分实部虚部处理、归一化处理；将处理后的位置坐标、导频信号输入训练完成的DNN模型中，实时输出估计的CFR。