[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

说明书

本发明提供的基于深度学习的位置信息辅助的可见光信道估计方法，包括：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；对训练数据集进行预处理，得到预处理后的训练数据集；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；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。本发明提供的可见光信道估计方法，充分利用了位置坐标信息和导频信息，通过训练深度神经网络实现对可见光的信道估计，准确程度高；同时，通过训练后的神经网络模型进行可见光的信道估计，操作简单，复杂程度低。

技术领域

本发明涉及可见光通信技术领域，更具体的，涉及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。

背景技术

可见光通信(Visible Light Communication，VLC)具有照明和提供通信的双重功能。与传统的射频(Radio Frequency，RF)通信相比，VLC可提供更高的数据速率和更高的安全性，在邻近房间可以实现频率复用，拥有不经许可即可使用的近乎无限的频谱资源，对人体健康几乎没有危害。

在室内VLC中，准确的信道估计(Channel Estimation，CE)有助于接收机进行相干解调和干扰消除。许多文献已经提出了关于信道估计的方案，例如导频辅助信道估计[1]和盲信道估计[2]。其中，导频辅助信道估计是一种简便有效的信道估计方案。最小二乘(Least Squares，LS)估计方法[1]和最小均方误差(Minimum Mean Square Error，MMSE)估计方法[1]是两种常用的导频辅助信道估计方法。LS估计方法不需要先验的信道统计量，但存在估计性能差的问题。MMSE估计方法利用信道的二阶统计量来获得更好的估计性能，但由于引入矩阵求逆操作而导致较高的复杂度。

发明内容

本发明为克服现有的可见光通信信道估计方法，存在估计准确度低、估计复杂程度高的技术问题，提供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。

为解决上述技术问题，本发明的技术方案如下：

基于深度学习的位置信息辅助的可见光信道估计方法，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。

上述方案中，本发明充分利用了位置坐标信息和导频信息，通过训练具有强大学习能力的深度神经网络，实现对可见光的信道估计，准确程度高；同时，通过训练后的神经网络模型进行可见光的信道估计，操作简单，复杂程度低。

其中，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；采用信道测量方法来测得真实的CFR[6]，或通过已有的信道建模方法计算出真实的CFR[3]。

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；