[发明专利]基于深度学习的多波长LED水下可见光通信调制方法

说明书

本发明提供的基于深度学习的多波长LED水下可见光通信调制方法，使用多个不同波长的LED，并基于深度学习神经网络，利用接收机估计的信道和噪声功率信息进行自适应的调制解调；通过训练，本方法不但能满足基于强度调制和直接检测的VLC的非负实信号要求，还能保持发射机星座图平均光功率恒定，并能自动适应不同的水下信道特征，在大多数水下环境中比已有方案在相同的频谱效率下达到更好的BER性能。

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多波长LED水下可见光通信调制方法。

背景技术

随着人类对海洋的不断探索，水下的无线通信技术变得日益重要。水下无线通信的载波主要有三种，声波、射频(Radio Frequency，RF)波段和光波。目前较为广泛采用的水下无线通信技术是水声通信。然而，水声通信能支持的数据速率较低且延时高[1]H.Kaushal and G.Kaddoum,“Underwater optical wireless communication,”IEEEAccess,vol.4,pp.1518-1547,Apr.2016。基于RF频段的电磁波的水下无线通信，能在较短距离提供较高的数据传输速率，但是RF电磁波在海水中的衰减比较大，并随着频率的增加而增加[1]。而电磁波中的可见光频段则是一个在水下相对衰减较低的“窗口”，所以水下可见光通信(Visible Light Communication，VLC)技术能在较长的海水通信链路下提供较高的数据传输速率[1]。因此，研究水下VLC具有重要的意义。

吸收效应、散射效应和湍流效应是影响水下VLC的重要因素[1][2]Z.Zeng,S.Fu,H.Zhang,Y.Dong,and J.Cheng,“A survey of underwater optical wirelesscommunications,”IEEE Commun.Surveys Tuts.,vol.19,no.1,pp.204–238,Firstquarter 2017。历史文献中提出了多种对水体的分类方法，其中Jerlov水体分类方法[3]N.G.Jerlov,Optical oceanography.Amsterdam,the Netherlands:Elsevier PublishingCompany,1968使用较为广泛。根据Jerlov水体分类方法，开放海域水体分为I、IA、IB、II和III，近海水域水体分为1、3、5、7和9[3]。文献[4]V.I.Haltrin,“Chlorophyll-based modelof seawater optical properties,”Applied Optics,vol.38,no.33,pp.6826–6832,Nov.1999中提出利用不同水体中不同的叶绿素浓度来对吸收系数、散射系数以及体散射函数进行建模。利用吸收系数、散射系数以及体散射函数，文献[5]J.W.C.Cox,“Simulation,modeling,and design of underwater optical communication systems,”Ph.D.dissertation,North Carolina State University,Raleigh,North Carolina,USA,2012中提出使用蒙特卡洛(Monte Carlo，MC)仿真来对水下VLC信道进行建模。另外，文献[6]M.V.Jamali,J.A.Salehi,and F.Akhoundi,“Performance studies of underwaterwireless optical communication systems with spatial diversity:MIMO scheme,”IEEE Trans.Commun.,vol.65,no.3,pp.1176–1192,Mar.2017中提出使用对数正态模型来对湍流效应进行建模。上述对VLC信道的研究，为水下VLC调制技术的研究奠定了基础。