[发明专利]一种用于室内可见光通信系统的神经网络均衡方法

摘要

本发明请求保护一种用于室内可见光通信系统的神经网络均衡方法，属于可见光无线通信技术领域。本方法首先利用天花板弹跳模型计算VLC信道冲激响应，并对接收端接收到的可见光功率信号进行光电转换，经过放大采样之后将序列送入神经网络信道均衡器；然后利用遗传算法优化神经元之间的初始化权值和阈值，进而构建神经网络进行训练，最小化误差函数；最后判决输出，恢复发送序列，最终实现均衡的目的。该方案能够明显减小码间干扰，降低误码率，进一步提高通信质量以及系统可以达到的传输速率，并且缩短了训练时长，降低了系统复杂度。

主权项

一种用于室内可见光通信系统的神经网络均衡方法，所述可见光通信系统包括信号发送端A、光无线通信信道B和信号接收端C，信号发送端A包括编码模块、调制模块、LED驱动模块、Bias‑Tee信号耦合模块和LED光源模块，信号接收端C包括光电检测模块、信号放大滤波模块、GA‑ANN均衡模块、判决模块和信号解调解码模块，其特征在于，所述神经网络均衡方法包括以下步骤：在信号发送端A，首先，数据源的待发送数据发送给编码模块进行编码；然后编码模块的输出信号发送给调制模块进行调光，调制模块完成对信号调光后，发送给Bias‑Tee信号耦合模块，耦合后的信号从LED光源模块输出，即发射可见光信号；所述可见光信号经过可见光无线信道B被接收端的光电探测器接收；在信号接收端C，光电探测器接收可见光信号后将微小的幅度变化量转换为电信号，然后将放大滤波后的电信号输入一个基于遗传算法改进的人工神经网络信道均衡器GA‑ANN进行光信号的序列恢复训练，并经过信号判决模块的判决、解调解码模块的解码之后输出数据；所述基于遗传算法改进的人工神经网络信道均衡器GA‑ANN进行光信号的序列恢复训练采用多层感知机，并且使用反向传播BP算法进行学习训练，具体包括：B1、初始化权值为小于设定值M和阈值小于N的随机数；B2、指定输入向量x(n)和期望得到的输出向量d(n)；B3、根据输入向量集算出实际的输出向量y(n)，然后计算出成本函数E(n)；B4、采用遗传算法优化神经元之间的权值和阈值，返回步骤B2；步骤B4采用遗传算法优化初始神经元之间的权值和阈值，具体包括：C1、建立初始化的BP神经网络，并设置参数，包括隐含层和输出层的神经元数目，隐含层传递函数为tansig，输出层激活函数为logsig，训练函数为trainscg，并对神经元的初始化权值和阈值进行实数编码，作为GA的染色体；C2、将预测数据与期望数据之间的误差作为适应度函数，计算每个个体的适应度函数值，其中适应度函数opi为输入第p个训练样本时第i个节点的输出值，dpi为期望的输出值，n为输出层神经元个数，k为训练集合的大小；C3、进行遗传操作，即选择、交叉、变异，产生新的种群，其中选择概率Ps＝0.9，交叉概率Pc＝0.2，变异概率Pm＝0.6；C4、遗传算法结束之后，解码得到最佳神经元初始化权值和阈值，建立最佳BP神经网络用于训练，并最终判决输出。