在室内可见光通信中符号间干扰和噪声会严重影响系统性能,K均值(K-means)均衡方法可以抑制光无线信道的影响,但其复杂度较高,且在聚类边界处易出现误判。提出了改进聚类中心点的K-means(Improved Center K-means,IC-Kmeans)算法,通过随...在室内可见光通信中符号间干扰和噪声会严重影响系统性能,K均值(K-means)均衡方法可以抑制光无线信道的影响,但其复杂度较高,且在聚类边界处易出现误判。提出了改进聚类中心点的K-means(Improved Center K-means,IC-Kmeans)算法,通过随机生成足够长的训练序列,然后将训练序列每一簇的均值作为K-means聚类中心,避免了传统K-means反复迭代寻找聚类中心。进一步,提出了基于神经网络的IC-Kmeans(Neural Network Based IC-Kmeans,NNIC-Kmeans)算法,使用反向传播神经网络将接收端二维数据映射至三维空间,以增加不同簇之间混合数据的距离,提高了分类准确性。蒙特卡罗误码率仿真表明,IC-Kmeans均衡和传统K-means算法的误码率性能相当,但可以显著降低复杂度,特别是在信噪比较小时。同时,在室内多径信道模型下,与IC-Kmeans和传统Kmeans均衡相比,NNIC-Kmeans均衡的光正交频分复用系统误码率性能最好。展开更多
在探讨正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统的优化中,一个显著挑战在于其信号检测性能的相对不足。同时,针对基于深度神经网络的索引调制(Deep Neural Network Based Index Modulation,DNN-IM)检测算法...在探讨正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统的优化中,一个显著挑战在于其信号检测性能的相对不足。同时,针对基于深度神经网络的索引调制(Deep Neural Network Based Index Modulation,DNN-IM)检测算法,普遍存在着误码率及损失值偏高的问题。为了弥补上述难题,文中提出一种基于多层感知机(Multilayer Perceptron,MLP)的索引调制检测算法,即MLP-IM算法。该算法采用融合两个连接层与一个输出层的架构设计,通过挑选的激活函数实现对OFDM索引调制系统中数据比特的精准还原。首先将OFDM索引调制系统的基础理论巧妙应用于数据的预处理阶段,随后利用仿真数据集对MLP神经网络模型进行全面而深入的离线训练,确保模型的稳健性与准确性。在检测阶段,通过MLP-IM检测算法实现了对OFDM索引调制系统的高效检测。仿真结果表明,所提出的MLP-IM算法在误码率控制和损失值两个方面的性能表现与最大似然检测算法相媲美,甚至在某些场景下超越了现有DNN-IM算法的性能,其性能改善幅度在0.2~6 dB的区间内。展开更多
文摘在室内可见光通信中符号间干扰和噪声会严重影响系统性能,K均值(K-means)均衡方法可以抑制光无线信道的影响,但其复杂度较高,且在聚类边界处易出现误判。提出了改进聚类中心点的K-means(Improved Center K-means,IC-Kmeans)算法,通过随机生成足够长的训练序列,然后将训练序列每一簇的均值作为K-means聚类中心,避免了传统K-means反复迭代寻找聚类中心。进一步,提出了基于神经网络的IC-Kmeans(Neural Network Based IC-Kmeans,NNIC-Kmeans)算法,使用反向传播神经网络将接收端二维数据映射至三维空间,以增加不同簇之间混合数据的距离,提高了分类准确性。蒙特卡罗误码率仿真表明,IC-Kmeans均衡和传统K-means算法的误码率性能相当,但可以显著降低复杂度,特别是在信噪比较小时。同时,在室内多径信道模型下,与IC-Kmeans和传统Kmeans均衡相比,NNIC-Kmeans均衡的光正交频分复用系统误码率性能最好。
文摘在探讨正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统的优化中,一个显著挑战在于其信号检测性能的相对不足。同时,针对基于深度神经网络的索引调制(Deep Neural Network Based Index Modulation,DNN-IM)检测算法,普遍存在着误码率及损失值偏高的问题。为了弥补上述难题,文中提出一种基于多层感知机(Multilayer Perceptron,MLP)的索引调制检测算法,即MLP-IM算法。该算法采用融合两个连接层与一个输出层的架构设计,通过挑选的激活函数实现对OFDM索引调制系统中数据比特的精准还原。首先将OFDM索引调制系统的基础理论巧妙应用于数据的预处理阶段,随后利用仿真数据集对MLP神经网络模型进行全面而深入的离线训练,确保模型的稳健性与准确性。在检测阶段,通过MLP-IM检测算法实现了对OFDM索引调制系统的高效检测。仿真结果表明,所提出的MLP-IM算法在误码率控制和损失值两个方面的性能表现与最大似然检测算法相媲美,甚至在某些场景下超越了现有DNN-IM算法的性能,其性能改善幅度在0.2~6 dB的区间内。
