盧洪斌,康 溪

(1.百色學(xué)院，廣西 百色 533000；2.廣州市太比特科技有限責(zé)任公司，廣東 廣州 511458)

0 引言

水下光信道的非線性時(shí)變特性對水下光通信系統(tǒng)的嚴(yán)重影響還沒有有效的解決方法，近年基于深度學(xué)習(xí)的機(jī)器學(xué)習(xí)方法被用于光通信領(lǐng)域的研究，并取得了一定的成果[1-3]。水下光通信信道的非線性和時(shí)變特性等特點(diǎn)，嚴(yán)重影響水下光通信系統(tǒng)的可靠性，本文利用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)對時(shí)間信號(hào)序列的處理能力，研究RNN對非線性時(shí)變信道中所傳輸?shù)墓庑盘?hào)序列進(jìn)行強(qiáng)度均衡的方法，實(shí)驗(yàn)表明此方法具有簡單有效、能在一定程度上提高水下光通信系統(tǒng)的誤比特率特性[4]。

1 基于RNN的水下光通信系統(tǒng)模型

圖1為基于RNN的水下光通信系統(tǒng)模型，信源輸出的二進(jìn)制數(shù)據(jù)進(jìn)行16QAM數(shù)字調(diào)制，調(diào)制輸出信號(hào)通過電光轉(zhuǎn)換為可見光信號(hào)，通過水下光信道傳輸，接收端的PD或APD將光信號(hào)轉(zhuǎn)換為電信號(hào)，按照設(shè)定的采樣頻率采集光電轉(zhuǎn)換的輸出信號(hào)序列，采集的接收信號(hào)數(shù)據(jù)保存到數(shù)據(jù)集中并按一定比例劃分為訓(xùn)練集和測試集，供RNN線下訓(xùn)練、測試和優(yōu)化網(wǎng)絡(luò)模型[5]。

圖1 基于RNN的水下光通信系統(tǒng)模型

根據(jù)碼元速率和信號(hào)從發(fā)送端到接收端的傳輸時(shí)間，設(shè)定所控制的輸出光脈沖序列間隔時(shí)間，實(shí)現(xiàn)對每個(gè)發(fā)送碼元輸出光強(qiáng)度的調(diào)制，達(dá)到均衡接收信號(hào)序列強(qiáng)度的目的。

線上運(yùn)行時(shí)，實(shí)時(shí)信號(hào)輸入已訓(xùn)練優(yōu)化的RNN中進(jìn)行下一接收信號(hào)的預(yù)測，RNN根據(jù)預(yù)測結(jié)果反饋控制發(fā)送端光模塊輸出的光信號(hào)強(qiáng)度，從而實(shí)現(xiàn)光信道信號(hào)序列的強(qiáng)度均衡。另一路接收的光電轉(zhuǎn)換信號(hào)經(jīng)處理后接16QAM解調(diào)器，其輸出通過星座解映射為二進(jìn)制數(shù)據(jù)流輸出，由誤碼分析儀測試輸出二進(jìn)制信號(hào)的誤比特率。

線下利用訓(xùn)練集對RNN進(jìn)行多輪訓(xùn)練后，得到優(yōu)化參數(shù)的RNN網(wǎng)絡(luò),即可接入線上系統(tǒng)進(jìn)行實(shí)驗(yàn)。

2 實(shí)驗(yàn)結(jié)果及分析

訓(xùn)練優(yōu)化的RNN網(wǎng)絡(luò)在線運(yùn)行時(shí)，QAM調(diào)制信號(hào)輸出光脈沖序列通過水下光信道傳輸，RNN通過接收到的信號(hào)序列預(yù)測若干碼元周期后的輸出信號(hào)強(qiáng)度，通過預(yù)測結(jié)果反饋控制水下光通信系統(tǒng)輸出端的光發(fā)射強(qiáng)度，減小由于水下光信道非線性所造成的接收端接收信號(hào)強(qiáng)度波動(dòng)的幅度。圖2為發(fā)送信號(hào)信噪比為-6 dB～14 dB時(shí)，RNN網(wǎng)絡(luò)對光信號(hào)序列進(jìn)行強(qiáng)度均衡前后接收到的信號(hào)誤比特率變化曲線。由圖可見，通過RNN提前預(yù)測的接收信號(hào)強(qiáng)度大小反饋控制發(fā)送端光模塊輸出光信號(hào)的強(qiáng)度，從而實(shí)現(xiàn)對光信道非線性的預(yù)補(bǔ)償，當(dāng)預(yù)測的信號(hào)強(qiáng)度小于接收信號(hào)平均功率時(shí)，反饋控制發(fā)射端增加信號(hào)輸出功率，增加的幅度取決于預(yù)測值與平均值之差的大小。反之，當(dāng)預(yù)測的信號(hào)強(qiáng)度大于接收信號(hào)平均功率時(shí)，反饋控制發(fā)射端減小信號(hào)輸出功率，減小的幅度取決于平均值與預(yù)測值之差的大小。圖2可以看到，當(dāng)接收信號(hào)的信噪比較小時(shí)，補(bǔ)償前后的誤比特率變化不明顯，當(dāng)接收信號(hào)的信噪比大于10 dB時(shí)，非線性補(bǔ)償后誤比特率性能有明顯提升。

圖2 RNN對光信號(hào)序列進(jìn)行強(qiáng)度均衡前后的誤比特率變化曲線

3 總結(jié)

水下光信道復(fù)雜的非線性時(shí)變特性是其它常規(guī)通信技術(shù)難以處理的，引入人工智能方法可從全新的角度研究提高水下光通信系統(tǒng)性能的方法。借助RNN對時(shí)間序列信號(hào)的預(yù)測能力，動(dòng)態(tài)調(diào)整發(fā)送信號(hào)的光強(qiáng)度，以減小水下光通信系統(tǒng)接收信號(hào)強(qiáng)度波動(dòng)所帶來的可靠性問題。本文通過RNN對水下光通信系統(tǒng)接收光信號(hào)序列進(jìn)行強(qiáng)度均衡，實(shí)現(xiàn)對水下光信道非線性的實(shí)時(shí)補(bǔ)償，使得系統(tǒng)接收的16QAM數(shù)字調(diào)制信號(hào)的誤比特率明顯降低，明顯改善了水下光通信系統(tǒng)的誤比特率性能。

本文通過RNN對光信號(hào)序列進(jìn)行強(qiáng)度均衡的方法還可以進(jìn)一步優(yōu)化，通過增加隱藏層的層數(shù)、調(diào)整神經(jīng)元個(gè)數(shù)和循環(huán)核時(shí)間展開步數(shù)，可以靈活控制強(qiáng)度調(diào)整時(shí)間間隔，獲得更好的水下光信號(hào)序列強(qiáng)度均衡效果。通過引入神經(jīng)網(wǎng)絡(luò)的剪枝算法也會(huì)明顯地減少深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，從而可將本文的方法用于實(shí)時(shí)系統(tǒng)，更接近于實(shí)用化的應(yīng)用場景。