[发明专利]一种基于深度学习的无线紫外光散射信道估计方法

说明书

本发明公开了一种基于深度学习的无线紫外光散射信道估计方法，具体步骤为：首先对无线紫外光非直视单次散射信道进行建模，计算出信道响应等相关信道参数，然后利用大量离线的信道训练数据进行离线深度神经网络训练，根据训练结果计算出接收数据和信道响应的映射关系，最后使用训练好的深度神经网络进行信道估计，将训练好的信道参数发送到接收端，将接收数据输入到深度神经网络中，输出最优的信道响应，从而实现信道估计。本发明解决了传统信道估计算法中存在的误码率高、鲁棒性差、需要先验信道特性等问题，将深度学习和无线紫外光通信相结合，提高了通信系统的收发准确性和可靠性，为深度学习进一步应用于光通信提供了理论基础。

技术领域

本发明属于光通信系统中的信道估计领域，具体涉及一种基于深度学习的无线紫外光散射信道估计方法。

背景技术

无线紫外光通信是一种利用大气散射进行信息传输的无线光通信方式。当光信号传输到大气中遇到粒子、气溶胶、灰尘等微粒，从而发生强烈的散射作用，这种强散射特性有利于实现非直视通信，但是这一特性也会使无线紫外光发生较为明显的信号多径效应，这种现象会引发严重的脉冲展宽现象，如图2所示。当传输数据速率较高时，脉冲展宽现象就会在信息码元之间造成码间串扰，这会对后续的信号检测过程带来较大的影响，会提高系统的误码率。

为了消除上述影响以及提高通信系统性能，研究适合于无线紫外光通信的信道估计方法是有必要的。信道估计的目的就是准确估计出信道的响应特性，由于在复杂大气环境下的信道特性可能是时变的，所以准确估计出信道特性是十分必要的，然后可以根据信道估计结果对传输信号进行检测，为后续检测器中的信道均衡或者信道编码提供参考依据。

人工智能技术近年来发展迅速，而深度学习正是通向人工智能的途径之一，是从数据中学习表示的一种新方法，利用一系列连续的表示层进行学习。深度学习中的神经网络就是一种实现分层表示的学习模型，通过模仿动物神经网络的行为特征，进行分布式并行信息处理。将深度学习和无线紫外光通信模型结合为信道估计提供了新的思路，可以进一步提高通信系统的收发准确性和可靠性，为新型无线紫外光通信系统模型的设计提供了参考依据。

发明内容

针对上述问题，本发明的目的是提供一种基于深度学习的无线紫外光散射信道估计方法，解决了传统方法中存在的问题和不足，例如需要先验信道特性、复杂度高、误码率高、鲁棒性差等。

本发明所采用的技术方案是：

一种基于深度学习的无线紫外光散射信道估计方法，包括以下步骤：

步骤1，无线紫外光散射信道建模：首先打开仿真环境，构造出大气环境下的无线紫外光非直视单次散射信道模型，然后添加噪声和失真条件；

所述步骤1首先对无线紫外光单次散射进行建模仿真，形成无线紫外光非直视单次散射信道模型，在短距离的通信情况下，紫外光信号在大气信道传输过程中只受到一次散射就被接收端接收，非直视通信方式选用NLOS(c)类模式，即收发仰角均为不定值但小于90度，考虑晴天时的大气散射，由于空气中的气溶胶浓度较低，大气分子主要发生瑞利散射，瑞利散射系数由下式表示：

式中n(λ)为大气折射率，N_A为大气粒子浓度，l(x)为粒子的有效平均直径，一般取l(x)＝0.035；

无线紫外光非直视单次散射信道模型发送端光源采用紫外LED，接收端光电检测器采用光电倍增管，所述步骤1的具体做法为：

步骤1.1，根据无线紫外光非直视单次散射信道模型计算接收端的总能量，然后求出路径损耗，通过不断增加发送信号的样本数量，得到足够的路径损耗数据，进而拟合出路径损耗函数表达式；使用微元法求体积分计算得到接收端的总能量，取体积元δV，根据散射理论，体积元接收到的能量为：