[发明专利]基于自监督深度学习的端到端OFDM水下高速无线光通信系统及方法

权利要求书

1.一种基于自监督深度学习的端到端OFDM水下高速无线光通信方法，其特征在于，其包括以下步骤，

步骤一，搭建基于深度学习的端到端OFDM水下无线光通信系统；

步骤二，对搭建好的端到端OFDM水下无线光通信系统进行离线静态训练；

步骤三，对离线静态训练后的端到端OFDM水下无线光通信系统进行在线部署并实施在线自监督实时反馈调节；

所述的离线静态训练包括发送端的陆上训练和接收端的水下训练；

发送端的陆上训练具体步骤为：通过比较传统方法下生成的已知OFDM训练符号和通过发送端深度神经网络生成的OFDM符号的差异得到相应的损失函数，再利用梯度下降方法对深度神经网络进行参数更新，直至损失函数的值趋于零；

接收端的水下训练具体步骤为：将发送端和接收端固定于水面下并实现光学对准后，通过给发送端传输大量已知信号并转化为OFDM符号后，再经过水下信道传输；通过比较发送帧所包含的已知二进制比特流和通过接收端深度神经网络映射后接收帧中包含的二进制比特流的差异，得到相应的损失函数，再利用梯度下降方法实现深度神经网络参数的更新；

所述的接收端深度神经网络通过自监督学习机制实时微调网络参数，自监督学习是在深度神经网络输出介于0-1的数值后，通过增加判决模块，经判决得到的可能性最大的输出值被视为真实标签值，传入损失函数中进行深度神经网络的参数微调，其公式为：

其中表示的是判决后得到的可能性最大的输出值，并将其视为真实标签值，表示的是深度神经网络的预测值，N表示的是深度神经网络输出层的神经元个数。

2.根据权利要求1所述的基于自监督深度学习的端到端OFDM水下高速无线光通信方法，其特征在于，所述的梯度下降方法采用Adam，损失函数使用交叉熵函数，其公式为：

其中y_k表示的是真实标签值，表示的是深度神经网络的预测值，N表示的是深度神经网络输出层的神经元个数。

3.一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统，所述的通信系统应用于权利要求1或2中的通信方法，其特征在于，其包括发送端和接收端，所述的发送端包括需要发送的发送帧、将二进制比特流数据映射成OFDM符号的发送端深度神经网络和实现水下长距离传输的激光光源，接收端包括接收激光的探测器、将接收到的OFDM符号恢复成二进制比特流数据的接收端深度神经网络和接收帧。

4.根据权利要求3所述的基于自监督深度学习的端到端OFDM水下高速无线光通信系统，其特征在于，所述发送端深度神经网络和接收端深度神经网络均分别包括输入层、隐含层和输出层，所述的输入层为单一全连接层，隐含层包括两个堆叠层，堆叠层由全连接层、激活函数、归一化层和丢失层组成，输出层由全连接层和激活函数构成。

5.根据权利要求3所述的基于自监督深度学习的端到端OFDM水下高速无线光通信系统，其特征在于，所述的发送端深度神经网络中隐含层和输出层的激活函数为非线性效应的ReLU函数，接收端深度神经网络中隐含层的激活函数为非线性效应的ReLU函数，接收端深度神经网络中输出层的激活函数为Sigmoid函数；发送端深度神经网络和接收端深度神经网络的归一化层为Batch Normalization层，丢失层为Dropout层。