[发明专利]一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统

权利要求书

1.一种基于稀疏贝叶斯学习的可见光通信的均衡方法，其特征在于，包括：

从光电检测器处获取电域信号；

以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器；

利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号；

所述以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器，具体包括：

根据Volterra级数的内核架构，生成回归矩阵；

根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差；

根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵；

根据更新后的回归矩阵，采用卡尔曼滤波迭代的方法，确定均衡模型系数；

根据所述均衡模型系数构建所述非线性均衡器；

所述根据Volterra级数的内核架构，生成回归矩阵，具体包括以下公式：

其中，v(n)为系统噪声，为P阶Volterra级数的输出，p≥2时，为Kronecker乘积，为Volterra内核矢量，h_p中包含了按(k₁,…,k_p)顺序排列的h_p(k₁,…,k_p)内核系数；

为待估计的Volterra内核参数，为观测矢量，为回归矩阵，是系统噪声矢量，服从高斯分布为系统噪声的方差；

所述根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差，具体包括以下公式：

为的条件概率密度；为待估计的Volterra内核参数；

P_r(h；γ)为h的参数化先验分布，γ为超参数用于控制h_p(k₁,…,k_p)的方差，γ＝[γ₁,…,γ_M]^T，h服从高斯分布Γ＝diag(γ)是协方差矩阵；

为边缘密度函数，为方差矩阵的逆矩阵，为方差矩阵，

为h的后验概率密度；

μ_h为h的后验概率均值；

Σ_h为h的后验方差；

所述根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵，具体包括：

根据所述后验概率均值和所述后验方差确定超参数和系统噪声的方差；

采用稀疏贝叶斯学习更新超参数和系统噪声方差；

修剪更新后的超参数和回归矩阵；

根据修剪的超参数和修剪的回归矩阵确定当前的后验均值；

判断当前的后验均值和上一后验均值的差是否大于设定阈值；

若当前的后验均值和上一后验均值的差大于设定阈值，则继续更新后验均值和后验方差；

若当前的后验均值和上一后验均值的差小于或等于设定阈值，则根据当前后验均值对回归矩阵进行二次修剪，确定回归因子；

根据所述回归因子更新回归矩阵。

2.一种基于稀疏贝叶斯学习的可见光通信的均衡系统，其特征在于，包括：

电域信号获取模块，用于从光电检测器处获取电域信号；

非线性均衡器构建模块，用于以Volterra级数为基本的架构，采用稀疏贝叶斯学习的方法和卡尔曼滤波迭代的方法构建非线性均衡器；

原始发送符号恢复模块，用于利用所述非线性均衡器对所述电域信号进行自适应补偿，恢复原始发送符号；

所述非线性均衡器构建模块具体包括：

回归矩阵生成单元，用于根据Volterra级数的内核架构，生成回归矩阵；

后验概率均值与后验方差确定单元，用于根据所述回归矩阵确定Volterra内核参数的后验概率均值与后验方差；

回归矩阵更新单元，用于根据所述Volterra内核参数的后验概率均值与后验方差，采用稀疏贝叶斯学习的方法，更新回归矩阵；

均衡模型系数确定单元，用于根据更新后的回归矩阵，采用卡尔曼滤波迭代的方法，确定均衡模型系数；

非线性均衡器构建单元，用于根据所述均衡模型系数构建所述非线性均衡器；

所述回归矩阵确定单元具体包括：

P阶Volterra级数的输出确定子单元，用于其中，v(n)为系统噪声，为P阶Volterra级数的输出，p≥2时，为Kronecker乘积，为Volterra内核矢量，h_p中包含了按(k₁,…,k_p)顺序排列的h_p(k₁,…,k_p)内核系数；

观测矢量确定子单元，用于为待估计的Volterra内核参数，为观测矢量，为回归矩阵，是系统噪声矢量，服从高斯分布为系统噪声的方差；

所述后验概率均值与后验方差确定单元具体包括：

的条件概率密度确定子单元，用于为的条件概率密度；

h的参数化先验分布确定子单元，用于P_r(h；γ)为h的参数化先验分布，γ为超参数用于控制h_p(k₁,…,k_p)的方差，γ＝[γ₁,…,γ_M]^T，h服从高斯分布Γ＝diag(γ)是协方差矩阵；

确定子单元，用于为边缘密度函数，为方差矩阵的逆矩阵，为方差矩阵，

后验概率密度确定子单元，用于为h的后验概率密度；为待估计的Volterra内核参数；

后验概率均值确定子单元，用于μ_h为h的后验概率均值；

后验方差确定子单元，用于Σ_h为h的后验方差；

所述回归矩阵更新单元具体包括：

超参数和系统噪声的方差确定子单元，用于根据所述后验概率均值和所述后验方差确定超参数和系统噪声的方差；

超参数和系统噪声方差更新子单元，用于采用稀疏贝叶斯学习更新超参数和系统噪声方差；

第一修剪子单元，用于修剪更新后的超参数和回归矩阵；

当前的后验均值确定子单元，用于根据修剪的超参数和修剪的回归矩阵确定当前的后验均值；

判断单元，用于判断当前的后验均值和上一后验均值的差是否大于设定阈值；

后验均值和后验方差更新子单元，用于若当前的后验均值和上一后验均值的差大于设定阈值，则继续更新后验均值和后验方差；

回归因子确定子单元，用于若当前的后验均值和上一后验均值的差小于或等于设定阈值，则根据当前后验均值对回归矩阵进行二次修剪，确定回归因子；

回归矩阵更新子单元，用于根据所述回归因子更新回归矩阵。