[发明专利]一种基于深度条件生成对抗网络的水下无线光通信接收机

权利要求书

1.一种基于深度条件生成对抗网络的水下无线光通信接收机，包括信号接收单元、转换单元、预处理单元；其特征在于，还包括CGAN结构和DNN检测器；其中：

所述信号接收单元用于检测接收信号并进行光电转换，获取时域信号；

所述转换单元用于对时域信号进行模数转换和串行到并行转换；

所述预处理单元用于转换完成的信号进行去除循环前缀和快速傅里叶变换处理，得到接收信号Y；

所述CGAN结构用于根据接收信号Y判别CSI的变化并进行转换，得到转换信号K；

所述DNN检测器对转换信号K执行SD操作以获得发射比特向量的估计概率，完成光通信的接收；

其中：所述CGAN全称为：Conditional Generative Adversarial Net，表示条件生成对抗网络结构；所述CSI全称为：Channel State Information，表示信道状态信息；所述DNN全称为：Deep Neural Network，表示深度神经网络；所述SD全称为：Signal Detection，SD操作表示信号检测操作；

该水下无线光通信接收机的通信过程具体为：

假设在基于DNN的直流偏置光正交频分复用DCO-OFDM系统中，在发射机侧，发送的比特b被调制并映射到特定星座，由此产生的复数码流X＝[X₀,X₁,…,X_N-1]进行快速傅里叶反变换，即IFFT，其中N取偶数，是光正交频分复用OOFDM子载波的数目；由于DCO-OFDM系统中采用了无线光通信中的光强度调制，IFFT后的输出信号应取实数，因此，X满足公式(1)中赫米特对称：

其中(·)^*为复共轭运算；基于公式(1)，X在IFFT后成为实数信号，从IFFT得到的时域信号x的第k个样本表示为：

其中X_m是第m个子载波上的符号；

在发射机侧，在添加循环前缀、并行到串行转换、数模转换和低通滤波操作之后，x被转换为其时域版本x(t)；在x(t)信号经过添加直流偏置，零点削波和电光转换之后，产生可见光信号，然后通过VLC信道传输；由水下无线光通信接收机进行接收；

在接收机侧，在光电二极管检测到的接收信号上进行光电转换后，得到时域信号y(t)，公式如下：

y(t)＝x(t)*h(t)+n(t) (3)

其中*为卷积运算符，h(t)是水下无线光通信UWOC的信道冲激响应CIR，n(t)是加性高斯白噪声；然后，在模数转换，串行到并行转换，去除循环前缀和快速傅里叶变换后，对接收到的信号Y调用所提出的CGAN结构，以判别CSI的变化，并将转换后的信号K传给DNN检测器；最后DNN检测器对转换后的信号K执行SD操作以获得发射比特向量b的估计概率信号Y的第m个子载波处的符号表示为：

其中y_k是时域接收信号y的第k个样本；

定义水下无线光通信接收机通信过程的信道模型，具体为：

针对UWOC信道的典型传输特性，首先采用基于蒙特卡罗方法的无湍流信道模型来描述吸收和散射效应；关于湍流引起的衰落，通过对数正态分布对其进行建模；即将α＝exp(2ξ)表示为湍流引起信道衰落幅度的随机变量，其中α具有对数正态分布的PDF，即概率分布函数：

其中ξ是均值为μ_ξ，方差为的高斯分布随机变量；通过令令对数正态分布衰落保持归一化E[α]＝1；通过公式(6)得到的表达式

其中是瞬时强度I的方差；最后，结合吸收、散射和湍流效应的信道模型由公式(7)表示：

h(t)＝αh₀(t) (7)

其中h₀(t)是无湍流衰落的CIR；

基于所述CGAN结构和DNN检测器提出一种基于深度学习的信号生成和检测方法，称为SGD方案；其中：

所述SGD方案由训练数据集产生、线下训练和线上处理三个阶段组成；其中：线下训练阶段的训练数据集和由前一阶段产生；然后，线下训练阶段为线上处理阶段提供了已训练的DNN检测器和CGAN结构；具体的，借助信道模型中所述的蒙特卡罗仿真产生UWOC信道系数h_d和h_c，然后产生对应的数据集；其中，h_d选择较普遍的信道环境，而h_c则选择与h_d差别较大的信道环境，这样可以更好地训练CGAN信道特征转换的功能；

其中，通过将导频符号b输入到DCO-OFDM系统中，UWOC通信信道设置为DNN检测器对应的训练信道h_d，获得该信道中的训练数据集同理，通过将通信信道设置为CGAN结构对应的训练信道h_c，获得该信道的数据集

在线下训练阶段，在获得训练数据集和后，一方面，使用数据集对DNN检测器进行训练；另一方面，调用训练数据集和实现对CGAN结构的训练；在完成线下训练阶段后，获得已训练的DNN检测器和CGAN结构并进行线上处理阶段；

在线上阶段中，接收信号Y分为导频符号Y_P和数据符号Y_D进行处理，其中，导频符号Y_P被转发到已训练的CGAN结构，判别结果d由判别器计算得到，具体表示为：

d＝max(D(x,m),D(G(z,m),m)) (8)

其中D(x,m)是输入为x，以m为条件信息的判别结果，G(z,m)是随机噪声z和条件信息m的生成器的输出；具体而言，判别结果d表示当前通信的CSI与DNN检测器训练信道h_d以及用G(z,Y_P)表示的前一次更新生成器的信道的相似程度，取值范围为(0,1)；如果d越接近1，则说明当前通信的CSI越接近DNN检测器训练信道或前一次更新生成器的信道；如果d越接近0，则说明当前通信的CSI与DNN检测器训练信道和前一次更新生成器的信道相比，差别越大；此外，将导频符号作为条件信息，令式(8)中m＝Y_P；如果判别结果d小于判别阈值ρ_D，这表明当前的CSI与DNN检测器训练信道h_d及用G(z,Y_P)表示的前一次更新生成器的信道相比，信道统计特性发生了显著变化，此时，将线上更新迭代应用于CGAN结构，实现CGAN结构的线上更新；随后，更新后CGAN结构的网络权重是表达式为G_u(-)，由更新的CGAN结构基于接收信号Y_D的数据符号来计算更新后CGAN结构产生的信号：

K＝G_u(z,Y_D) (9)

并转发给DNN检测器用于SD过程；

另一方面，如果判别结果满足条件d≥ρ_D，则K计算表达式为：

具体而言，判别结果d表示输入是来自训练数据而不是CGAN结构数据的概率，即输入分布与训练数据分布的相似程度，d越大则相似度越高；因此，K的表达式是选择Y_D和G(z,Y_D)两者中更接近于DNN检测器训练特征的一个；其中，D(Y_P,Y_P)≥D(G(z,Y_P),Y_P)表示当前通信的CSI与DNN检测器训练信道h_d更接近，那么表达式为K＝Y_D，选择直接将Y_D输入到DNN检测器；而D(Y_P,Y_P)＜D(G(z,Y_P),Y_P)表示当前通信的CSI与前一次更新生成器的信道更接近，那么表达式为K＝G(z,Y_D)，选择使用生成器将Y_D转换为DNN检测器训练信道特征，然后转发到DNN检测器；

最后，通过输出接口将K转发到DNN检测器完成SD过程；其中，输出接口根据d跟判别阈值ρ_D的大小关系进行K的表达式选择：如果dρ_D，则选择式(9)；如果≥ρ_D，则选择式(10)。