研究目的
提出一种基于机器学习方法的可见光通信(VLC)系统新型时域均衡器,具体采用离散傅里叶变换扩频正交频分复用(DFT-S-OFDM)作为调制方案,并以卷积神经网络(CNN)作为均衡器的核心处理单元。
研究成果
基于CNN的时域均衡器显著提升了DFT-S-OFDM系统在3dB带宽相对较小信道下的BER性能,优于RLS和OMP等传统方法。未来工作包括研究更优化的网络结构。
研究不足
所提出的基于CNN的均衡器复杂度高于传统方法,需要大量的计算资源和存储空间。然而,该方法可通过GPU或FPGA加速以实现实时性能。
1:实验设计与方法选择:
本研究采用DFT-S-OFDM作为调制方案,以CNN作为均衡器的核心处理单元。方法包括从训练序列估计信道状态信息(CSI),并基于估计的CSI恢复传输符号。
2:样本选择与数据来源:
传输数据以伪随机二进制序列(PRBS)形式生成。
3:实验设备与材料清单:
神经网络基于Python 3.5.4和TensorFlow 1.3.0实现。RLS算法通过MATLAB R2017a提供的函数完成。
4:4和TensorFlow 0实现。RLS算法通过MATLAB R2017a提供的函数完成。
实验流程与操作步骤:
4. 实验流程与操作步骤:所提出的均衡器通过CNN和全连接层处理接收信号以恢复传输符号。训练采用随机梯度下降(SDG)框架,使用训练集的小批量数据。
5:数据分析方法:
性能评估基于误码率(BER)改善情况,并与传统方法(如RLS和OMP)进行比较。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容