[发明专利]一种基于贝叶斯神经元的可见光CAP系统的补偿方法

说明书

本发明属于可见光通信技术领域，具体涉及一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法；该方法包括：在可见光CPA系统中，将接收端下采样接收到的信号输入到基于贝叶斯神经元的深度学习非线性补偿模块中进行非线性补偿，得到补偿后的QAM信号；对补偿后的QAM信号进行QAM解映射，得到均衡信号，实现对可见光CAP系统的非线性补偿；本发明能将接收到的畸变信号补偿为发送前的正常信号，提高VLC系统的传输速度，改善系统的整体性能，本发明中神经网络的权重参数是随机变量，而非确定的值，可以给出预测的不确定性，防止过拟合，在非线性补偿上，具有非常强的鲁棒性。

技术领域

本发明属于可见光通信技术领域，具体涉及一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法。

背景技术

可见光通信技术(Visible Light Communication，VLC)作为光无线通信中的一种新型通信方式，它以可见光波段的电磁波作为信息载体，利用LED发出的肉眼难分辨的高速明暗变化光信号来传输信息。VLC具有无许可证操作，相对成本低，高空间分集，高带宽效率，无电磁干扰传输等优点，可以弥补无线通信过度拥挤的无线频率带宽缺陷。然而，在VLC系统中，广泛存在非线性失真问题，会严重损害系统的整体性能。均衡技术正是通过对信道的传输特性进行补偿以及矫正，从而有效减少码间干扰，提高通信质量的一种技术。现有VLC的均衡技术经过了几个阶段的发展，第一阶段是利用硬件均衡器来改善LED调制带宽；第二阶段是传统的基于自适应的线性均衡技术，如恒模算法(CMA)，级联多模算法(CMMA)，最小均方误差(LMS)、递归最小二乘(RLS)等等；第三阶段是在自适应均衡器中加上非线性补偿，如基于Volterra的非线性后均衡器以及较短抽头(Taps)的查找表(LUT)等等。但以上方法都不能很好的缓解非线性失真。直到第四阶段，深度学习和传统的机器学习开始运用到VLC系统中，如K-means，DBSCAN，ANN，LSTM等等，使得在解决VLC系统的非线性问题上获得了重大的突破。

专利“一种基于LSTM的可见光通信系统非线性抑制方法(申请号CN202110906991.X)”提出了利用LSTM预失真网络的记忆效应来抑制可见光系统的非线性效应和记忆效应，但没有考虑到使用接收信号的统计规律来对信号进行补偿。专利“一种可见光通信方法、装置、系统及计算机可读存储介质(申请号CN202110528061.5)”中提出了一种利用人工神经网络的后均衡算法对电信号的非线性失真进行补偿。上述专利中提出的神经网络在训练时都采用固定的权重值，只能给出预测信号值，不能给出预测信号的置信度。因此通常需要大量的训练信号数据，在信号数据量较少的情况下会存在严重的过拟合现象。且对未曾出现的信号进行补偿时，往往会因为无法正确评估训练信号数据中的不确定性，从而导致过度自信，降低信号补偿效果，不具备良好的泛化能力。

发明内容

针对现有技术存在的不足，本发明提出了一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，该方法包括：在可见光CAP系统中，将接收端下采样接收到的信号输入到基于贝叶斯神经元的深度学习非线性补偿模块中进行非线性补偿，得到补偿后的QAM信号；对补偿后的QAM信号进行QAM解映射，得到均衡信号，实现对可见光CAP系统的非线性补偿；

基于贝叶斯神经元的深度学习非线性补偿模块包括已训练好的基于贝叶斯神经元的神经网络模型，对基于贝叶斯神经元的神经网络模型进行训练的过程包括：

S1：获取原始信号数据集，对原始信号数据集进行预处理，得到训练集和训练集的标签集；

S2：初始化网络参数，设置损失函数理想值；其中，网络参数包括第一网络参数、第二网络参数和第三网络参数；

S3：根据第二网络参数和第三网络参数初始化变分参数，根据变分参数和第一网络参数定义最小化变分分布；

S4：将训练集和训练集的标签集输入到基于贝叶斯神经元的神经网络模型中进行训练；