本发明提供一种水下可见光通信(简称UVLC)系统的盲检测方法，包括：构建用于光正交频分复用调制的UVLC系统；UVLC系统发射端进行基带信号调制与限幅，得到时域发射信号；建模UVLC系统的信道冲激响应；根据建模结果，建立频域基带信号传输模型；UVLC系统接收端基于神经网络BDNet对频域基带信号传输模型进行盲检测。本发明提出的盲检测方法，在无导频和无信道先验信息条件下实现UVLC系统的信号盲检测，进一步提高现有UVLC系统的频谱效率；同时，利用基于学习的符号判决门限来恢复发送符号，根据盲信道估计的行为自适应调整判决门限，不仅增强了神经网络的可解释性和可预测性，还提高了系统的误比特率性能。
1.一种水下可见光通信系统的盲检测方法，其特征在于，包括以下步骤：S1：构建用于OOFDM调制的UVLC系统，通过UVLC信道进行通信；
S2：UVLC系统发射端进行基带信号调制与限幅，得到时域发射信号；
S3：在时域发射信号通过UVLC信道传输过程中，对UVLC系统的信道冲激响应CIR进行建模；
S5：UVLC系统接收端基于神经网络BDNet对频域基带信号传输模型进行盲检测；
其中，OOFDM表示光正交频分复用；UVLC表示水下可见光通信；
在所述步骤S1中，设sn,k∈S是在第n个OOFDM符号、第k个子载波上发送的信息符号，Xn,k是sn,k对应的频域符号或星座点，其中S＝{0,1,…,M‑1}表示信息符号集合，M＝|S|是集合S的势，同时也是调制阶数；
在所述步骤S2所述的UVLC系统中，所述Xn,k必须满足埃尔米特对称条件才能保证时域信号为实值信号，于是有 以及Xn,0＝Xn,K/2＝0成立，其中K是子载波个数，同时也是快速傅里叶变换FFT大小；
接着，对频域符号进行快速傅里叶逆变换IFFT，得到限幅前时域发射信号为：假设该OOFDM系统采用直流偏置光‑正交频分复用系统，即DCO‑OFDM系统，则要求在xn,m基础上添加直流偏置以保证发射信号的非负性，同时在实际系统中有最大功率约束；将直流偏置和最大值约束分别记为：
BDC＝εbiasσx,xmax＝εtopσx (2)其中， εbias和εtop分别是与σx有关的归一化直流偏置和峰值水平；于是，经过双向限幅后的时域发射信号zn,m满足：至此，得到时域发射信号zn,m。
2.根据权利要求1所述的一种水下可见光通信系统的盲检测方法，其特征在于，在所述步骤S3中，在时域发射信号通过UVLC信道传输过程中，假设发射端和接收端保持相对静止，不考虑空间移动引起的衰落，只考虑湍流效应引起的衰落；由于湍流衰落的相干时间远大于一个常规OOFDM符号周期，因此所述的UVLC信道是一种块衰落信道，即UVLC信道在一个OOFDM符号周期内保持不变，但是在不同的OOFDM符号周期会发生变化。
3.根据权利要求2所述的一种水下可见光通信系统的盲检测方法，其特征在于，在所述T
步骤S3中，令hn＝[hn,0,…,hn,L‑1] 表示UVLC信道的采样间隔CIR，其中，n和l∈{0,…,L‑1}分别表示OOFDM符号和抽头索引；并对信道冲激响应hn,l进行建模，具体为：其中， 表示由蒙特卡洛方法生成的无湍流CIR；ρn表示湍流衰落系数，在弱湍流环境下服从对数正态分布：
其中，μρ和 分别是服从高斯分布的对数幅度因子 的均值和方差。
4.根据权利要求3所述的一种水下可见光通信系统的盲检测方法，其特征在于，在所述步骤S4中，为了保证湍流衰落即不放大也不衰减光平均功率，令E{ρn}＝1，从而得出此外，定义描述湍流强度的闪烁指数 令Hn,k表示第n个OOFDM符号、第k个子载波上的UVLC信道传输函数，即式(4)的FFT，那么频域基带信号传输模型为：Yn,k＝Zn,kHn,k+Wn,k,1≤k≤Ku (6)2
其中， Wn,k是独立同分布的复加性高斯白噪声，记为N(0,σ)；定义信噪比SNR为 基于Bussgang定理和中心极限定理，Zn,k与Xn,k存在线性映射关系：Zn,k＝AXn,k+Vn,k,1≤k≤Ku (7)其中，A表示衰减因子，Vn,k表示服从高斯分布的限幅噪声，记为 为了符号简洁，将式(6)的矢量化形式表示为：Yn＝diag(Zn)Hn+Wn (8)。
5.根据权利要求4所述的一种水下可见光通信系统的盲检测方法，其特征在于，在所述步骤S5中，所述神经网络BDNet包括深度盲信道估计单元、信道均衡单元和基于学习的符号解映射单元；其中：
所述深度盲信道估计单元对频域基带接收信号进行特征参数向量提取；
所述信道均衡单元根据频域基带接收信号及特征参数向量进行信道均衡，消除UVLC衰落信道对发射信号造成的失真问题；
所述基于学习的符号解映射单元根据均衡后的信号对发射信号进行预测，利用最大后验概率估计准则恢复发射信号，完成盲检测过程。
6.根据权利要求5所述的一种水下可见光通信系统的盲检测方法，其特征在于，在所述步骤S5中，Yn表示接收到的频域复基带信号向量；定义 来表示Yn的实值展开形式；相应的，Yn便是 的复值还原形式；
将 输入深度盲信道估计单元中进行非线性变换，以提取接收信号特征参数向量，令该特征参数向量表示为
接着，在信道均衡单元中，利用一个确定且可微的变换函数t对 进行变换，得到表示均衡后的符号，目的是消除UVLC衰落信道对发送信号造成的失真问题；借鉴OFDM系统的迫零均衡算法，t函数表示为：其中， 表示取实部运算， 表示取虚部运算；表示哈达玛积；θn是 的复值还原形式；β是幅度归一化因子，表示为：其中，B是批量大小；Yn,k是Yn的第k个采样值，θn,k是θn的第k个采样值；Ku是Yn的维度大小；
最后，将均衡后的符号 输入基于学习的符号解映射单元中，得到的输出是发送符号的预测概率，记为 接着，利用最大后验概率估计准则即可得到盲检测结果。
7.根据权利要求6所述的一种水下可见光通信系统的盲检测方法，其特征在于，在所述步骤S5中，所述深度盲信道估计单元为采用卷积神经网络构成，其由D层一维卷积层组成；
第1层使用64个尺寸为3×2的卷积核，激活函数选择整流线性单元ReLU；接着D‑2层使用64个尺寸为3×64的卷积核，随后使用批归一化BN和ReLU激活函数；最后1层使用2个尺寸为3×64的卷积核，但是无需任何激活函数；
所述基于学习的符号解映射单元由两层一维卷积层构成，第1层卷积层使用了M个尺寸为1×2的卷积核，激活函数是ReLU，其中M表示调制阶数；第2层卷积层使用了M个尺寸为1×M的卷积核，激活函数是Softmax函数；Softmax函数也称为归一化指数函数，其形式表示为
8.根据权利要求7所述的一种水下可见光通信系统的盲检测方法，其特征在于，所述神经网络BDNet需要进行离线训练，具体为：首先生成训练数据，包括Yn和 其中pn,k表示发送信息符号sn,k的独热编码，即
pn,k＝[I(sn,k＝0),…,I(sn,k＝M‑1)] (12)其中，I(·)是指示函数，当且仅当括号内条件满足时取值为1，其余情况取值为0；于是，训练数据集表示为{(Y1,P1),(Y2,P2),…,(YN,PN)}，其中N表示训练样本数；另外，每批训练样本n＝1,…,B使用的损失函数表示为其中Ω表示网络参数；之后，通过反向传播算法迭代更新Ω以最小化式(13)；至此，即完成了BDNet的离线训练阶段，将其应用至UVLC系统接收端的在线信号检测。
一种水下可见光通信系统的盲检测方法
技术领域
[0001] 本发明涉及面向水下可见光通信(UVLC)领域，提出了一种用于光正交频分复用(OOFDM)调制的UVLC系统的新型盲检测方法。
背景技术
[0002] 近年来，水下可见光通信(UVLC)由于具有比水声和水下射频通信更高的带宽，因此成为满足水下无线宽带通信需求的有力竞争者。在UVLC系统中，光正交频分复用(OOFDM)
是常用的一种调制技术，能有效抵抗UVLC信道散射效应带来的频率选择性衰落问题，从而
提供更高的传输速率，满足水下高速数据业务的需求，例如成像、实时视频传输以及水下传
感网络数据交互等应用。
[0003] 针对UVLC场景，文献[1]J.Chen,L.Zhao,M.Jiang and Z.Wu,“Sherman‑Morrison Formula Aided Adaptive Channel Estimation for Underwater Visible Light
Communication With Fractionally‑Sampled OFDM,”in IEEE Transactions on Signal
Processing,vol.68,pp.2784‑2798,Apr.2020.提出一种用于OOFDM系统的SMF‑CE算法，取
得高估计精度和低计算复杂度的性能。但是，SMF‑CE是一种基于导频的信道估计(CE)算法，
其导频开销会减少数据传输的可用带宽，从而限制UVLC系统的频谱效率。另一方面，SMF‑CE
的估计性能受到信道先验信息准确程度的限制。而盲检测技术不要求使用导频和信道先验
信息，因此可以进一步提高UVLC系统的频谱效率。在现有的盲检测方案中，文献[2]Tao Cui
and C.Tellambura,“Joint data detection and channel estimation for OFDM
systems,”in IEEE Transactions on Communications,vol.54,no.4,pp.670‑679,
Apr.2006.将盲检测问题转化为复值整数二次规划形式，并分别提出基于球形译码和基于
垂直分层空时码的检测算法。文献[3]A.Saci,A.Al‑Dweik,A.Shami and Y.Iraqi“, One‑
Shot Blind Channel Estimation for OFDM Systems Over Frequency‑Selective
Fading Channels,”in IEEE Transactions on Communications,vol.65,no.12,pp.5445‑
5458,Dec.2017.针对盲检测中涉及到的盲信道估计(BCE)问题，提出一种单样本BCE算法。
该BCE算法联合利用振幅键控和相移键控来调制特定子载波对，实现在无导频和无信道先
验信息条件下信道状态信息(CSI)的恢复，取得与基于导频的CE方案相当的复杂度和估计
精度。然而，现有盲检测方案考虑的是瑞利或莱斯衰落信道，没有根据UVLC信道的特点进行
改进，因此存在检测性能不佳的缺陷。另一方面，这些方案普遍存在收敛时间过长、子载波
调制格式受限等缺点，极大限制了盲检测的应用场景。
发明内容
[0004] 本发明的目的是解决现有的盲检测方案存在检测性能不佳且应用场景受限的技术缺陷，提供一种水下可见光通信系统的盲检测方法。
[0005] 为解决上述技术问题，本发明的技术方案如下：
[0006] 一种水下可见光通信系统的盲检测方法，包括以下步骤：
[0007] S1：构建用于OOFDM调制的UVLC系统，通过UVLC信道进行通信；
[0008] S2：UVLC系统发射端进行基带信号调制与限幅，得到时域发射信号；
[0009] S3：在时域发射信号通过UVLC信道传输过程中，对UVLC系统的信道冲激响应CIR进行建模；
[0010] S4：根据建模结果，建立频域基带信号传输模型；
[0011] S5：UVLC系统接收端基于神经网络BDNet对频域基带信号传输模型进行盲检测；
[0012] 其中，OOFDM表示光正交频分复用；UVLC表示水下可见光通信。
[0013] 上述方案中，本方案提出的基于深度学习(DL)的水下可见光通信系统盲检测方案，具有以下两个显著优点：
[0014] 在无导频和无信道先验信息条件下实现UVLC系统信号盲检测，进一步提高现有UVLC系统的频谱效率。
[0015] 结合模型驱动DL算法的优势，利用基于学习的符号判决门限来恢复发送符号。在训练过程中，基于学习的判决门限能够根据BCE的行为进行自适应调整，不仅增强了神经网
络的可解释性和可预测性，还提高了系统的误比特率(BER)性能。
[0016] 其中，在所述步骤S1中，设sn,k∈S是在第n个OOFDM符号、第k个子载波上发送的信息符号，Xn,k是sn,k对应的频域符号或星座点，其中S＝{0,1,Λ,M‑1}表示信息符号集合，M＝
|S|是集合S的势，同时也是调制阶数。
[0017] 其中，在所述步骤S2所述的UVLC系统中，所述Xn,k必须满足埃尔米特对称(HS)条件才能保证时域信号为实值信号，于是有 0K是子载波个数，同时也是快速傅里叶变换FFT大小；事实上，HS条件把有效数据的子载波个
数Ku限制为而不是K，因此频谱效率降低了约50％。接着，对频域符号进行快速傅里叶逆变
换IFFT，得到限幅前时域发射信号为：
[0018]
[0019] 假设该OOFDM系统采用直流偏置光‑正交频分复用系统，即DCO‑OFDM系统，则要求在xn,m基础上添加直流偏置以保证发射信号的非负性，同时在实际系统中有最大功率约束；
将直流偏置和最大值约束分别记为：
[0020] BDC＝εbiasσx,xmax＝εtopσx (15)
[0021] 其中， εbias和εtop分别是与σx有关的归一化直流偏置和峰值水平[4]Z.Jiang,C.Gong,and Z.Xu,“Clipping noise and power allocation for OFDM‑
based optical wireless communication using photon detection,”IEEE Wireless
Communications Letters,vol.8,no.1,pp.237–240,Feb.2019；于是，经过双向限幅后的时
域发射信号zn,m满足：
[0022]
[0023] 至此，得到时域发射信号zn,m。
[0024] 其中，在所述步骤S3中，在时域发射信号通过UVLC信道传输过程中，假设发射端和接收端保持相对静止，不考虑空间移动引起的衰落，只考虑湍流效应引起的衰落；由于湍流
衰落的相干时间远大于一个常规OOFDM符号周期[5]M.V.Jamali,P.Nabavi,and
J.A.Salehi,“MIMO underwater visible light communications:comprehensive
channel study,performance analysis,and multiple‑symbol detection,”IEEE
Transactions on Vehicular Technology,vol.67,no.9,pp.8223–8237,Sep.2018，因此所
述的UVLC信道是一种块衰落信道，即UVLC信道在一个OOFDM符号周期内保持不变，但是在不
同的OOFDM符号周期会发生变化。
[0025] 其中，在所述步骤S3中，令hn＝[hn,0,Λ,hn,L‑1]T表示UVLC信道的采样间隔CIR，其中，n和l∈{0,Λ,L‑1}分别表示OOFDM符号和抽头索引；从文献[5]可知，信道冲激响应hn,l
建模过程具体为：
[0026]
[0027] 其中， 表示由蒙特卡洛方法[5]生成的无湍流CIR；ρn表示湍流衰落系数，在弱湍流环境下服从对数正态分布[5]：
[0028]
[0029] 其中，μρ和 分别是服从高斯分布的对数幅度因子 的均值和方差。
[0030] 其中，在所述步骤S4中，为了保证湍流衰落即不放大也不衰减光平均功率，令E{ρn}＝1，从而得出 此外，定义描述湍流强度的闪烁指数
J.Chen,L.Zhao,M.Jiang,and Z.Wu,“Sherman‑Morrison formula aided adaptive
channel estimation for underwater visible light communication with
fractionally‑sampled OFDM,”IEEE Transactions on Signal Processing,vol.68,
pp.2784–2798,Apr.2020；令Hn,k表示第n个OOFDM符号、第k个子载波上的UVLC信道传输函
数，即式(4)的FFT，那么频域基带信号传输模型为：
[0031] Yn,k＝Zn,kHn,k+Wn,k,1≤k≤Ku (19)
[0032] 其中， Wn,k是独立同分布的复加性高斯白噪声，记为N(0,2
σ)；定义信噪比(SNR)为 基于Bussgang定理和中心极限定理，Zn,k与Xn,k存在线性映
射关系：
[0033] Zn,k＝AXn,k+Vn,k,1≤k≤Ku (20)
[0034] 其中，A表示衰减因子，Vn,k表示服从高斯分布的限幅噪声，记为 为了符号简洁，将式(6)的矢量化形式表示为：
[0035] Yn＝diag(Zn)Hn+Wn (21)
[0036] 其中，在所述步骤S5中，所述神经网络BDNet包括深度盲信道估计单元、信道均衡单元和基于学习的符号解映射单元；其中：
[0037] 所述深度盲信道估计单元对频域基带接收信号进行特征参数向量提取；
[0038] 所述信道均衡单元根据频域基带接收信号及特征参数向量进行信道均衡，消除UVLC衰落信道对发射信号造成的失真问题；
[0039] 所述基于学习的符号解映射单元根据均衡后的信号对发射信号进行预测，利用最大后验概率估计准则恢复发射信号，完成盲检测过程。
[0040] 其中，在所述步骤S5中，Yn表示接收到的频域复基带信号向量；定义来表示Yn的实值展开形式；相应的，Yn便是 的复值还原形式；
[0041] 将 输入深度盲信道估计单元中进行非线性变换，以提取接收信号特征参数向量，令该特征参数向量表示为
[0042] 接着，在信道均衡单元中，利用一个确定且可微的变换函数t对 进行变换，得到 表示均衡后的符号，目的是消除UVLC衰落信道对发送信号造成的失真问题；借鉴
OFDM系统的迫零均衡算法，t函数表示为：
[0043]
[0044] 其中， 表示取实部运算， 表示取虚部运算；ο表示哈达玛积；θn是 的复值还原形式；β是幅度归一化因子，表示为：
[0045]
[0046] 其中，B是批量大小；Yn,k是Yn的第k个采样值，θn,k是θn的第k个采样值；Ku是Yn的维度大小；
[0047] 最后，将均衡后的符号 输入基于学习的符号解映射单元中，得到的输出是发送符号的预测概率，记为 利用最大后验概率估计准则即可得到盲检测结果。
[0048] 其中，在所述步骤S5中，所述深度盲信道估计单元为采用卷积神经网络构成，其由D层一维卷积层组成；第1层使用64个尺寸为3×2的卷积核，激活函数选择整流线性单元
ReLU；接着D‑2层使用64个尺寸为3×64的卷积核，随后使用批归一化BN和ReLU激活函数；最
后1层使用2个尺寸为3×64的卷积核，但是无需任何激活函数；
[0049] 所述基于学习的符号解映射单元由两层一维卷积层构成，第1层卷积层使用了M个尺寸为1×2的卷积核，激活函数是ReLU，其中M表示调制阶数；第2层卷积层使用了M个尺寸
为1×M的卷积核，激活函数是Softmax函数；Softmax函数也称为归一化指数函数，其形式表
示为
[0050]
[0051] 其中，所述神经网络BDNet需要进行离线训练，具体为：
[0052] 首先生成训练数据，包括Yn和 其中pn,k表示发送信息符号sn,k的独热编码，即
[0053] pn,k＝[Ι(sn,k＝0),Λ,Ι(sn,k＝M‑1)]T (25)
[0054] 其中，Ι(·)是指示函数，当且仅当括号内条件满足时取值为1，其余情况取值为0；于是，训练数据集表示为{(Y1,P1),(Y2,P2),Λ,(YN,PN)}，其中N表示训练样本数；另外，每批
训练样本n＝1,Λ,Β使用的损失函数表示为
[0055]
[0056] 其中Ω表示网络参数；之后，通过反向传播算法迭代更新Ω以最小化式
[0057] (13)；至此，即完成了BDNet的离线训练阶段，将其应用至UVLC系统接收端的在线信号检测。
[0058] 与现有技术相比，本发明技术方案的有益效果是：
[0059] 本发明提出一种水下可见光通信系统的盲检测方法，在无导频和无信道先验信息条件下实现UVLC系统信号盲检测，进一步提高现有UVLC系统的频谱效率；同时，结合模型驱
动DL算法的优势，利用基于学习的符号判决门限来恢复发送符号；在训练过程中，基于学习
的判决门限能够根据BCE的行为进行自适应调整，不仅增强了神经网络的可解释性和可预
测性，还提高了系统的BER性能。
附图说明
[0060] 图1为本发明所述方法流程示意图；
[0061] 图2为基于DL的新型盲检测方法流程图；
[0062] 图3为深度盲信道估计单元示意图；
[0063] 图4为基于学习的符号解映射单元示意图；
[0064] 图5为不同检测方案在 时的BER性能图；
[0065] 图6为不同检测方案在 时的BER性能图。
具体实施方式
[0066] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0067] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0068] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0069] 下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0070] 实施例1
[0071] 如图1所示，一种水下可见光通信系统的盲检测方法，包括以下步骤：
[0072] S1：构建用于OOFDM调制的UVLC系统，通过UVLC信道进行通信；
[0073] S2：UVLC系统发射端进行基带信号调制与限幅，得到时域发射信号；
[0074] S3：在时域发射信号通过UVLC信道传输过程中，对UVLC系统的信道冲激响应CIR进行建模；
[0075] S4：根据建模结果，建立频域基带信号传输模型；
[0076] S5：UVLC系统接收端基于神经网络BDNet对频域基带信号传输模型进行盲检测；
[0077] 其中，OOFDM表示光正交频分复用；UVLC表示水下可见光通信。
[0078] 在具体实施过程中，本方案提出的基于DL的水下可见光通信系统盲检测方案，具有以下两个显著优点：
[0079] 在无导频和无信道先验信息条件下实现UVLC系统信号盲检测，进一步提高现有UVLC系统的频谱效率。
[0080] 结合模型驱动DL算法的优势，利用基于学习的符号判决门限来恢复发送符号。在训练过程中，基于学习的判决门限能够根据BCE的行为进行自适应调整，不仅增强了神经网
络的可解释性和可预测性，还提高了系统的BER性能。
[0081] 更具体的，在所述步骤S1中，设sn,k∈S是在第n个OOFDM符号、第k个子载波上发送的信息符号，Xn,k是sn,k对应的频域符号或星座点，其中S＝{0,1,Λ,M‑1}表示信息符号集
合，M＝|S|是集合S的势，同时也是调制阶数。
[0082] 更具体的，在所述步骤S2所述的UVLC系统中，所述Xn,k必须满足埃尔米特对称(HS)条件才能保证时域信号为实值信号，于是有 0其中K是子载波个数，同时也是快速傅里叶变换FFT大小；事实上，HS条件把有效数据的子载
波个数Ku限制为而不是K，因此频谱效率降低了约50％。接着，对频域符号进行快速傅里叶
逆变换IFFT，得到限幅前时域发射信号为：
[0083]
[0084] 假设该OOFDM系统采用直流偏置光‑正交频分复用系统，即DCO‑OFDM系统，则要求在xn,m基础上添加直流偏置以保证发射信号的非负性，同时在实际系统中有最大功率约束；
将直流偏置和最大值约束分别记为：
[0085] BDC＝εbiasσx,xmax＝εtopσx (28)
[0086] 其中， εbias和εtop分别是与σx有关的归一化直流偏置和峰值水平[4]；于是，经过双向限幅后的时域发射信号zn,m满足：
[0087]
[0088] 至此，得到时域发射信号zn,m。
[0089] 在具体实施过程中，本方法设计的盲检测方法可用于多种常见的OOFDM方案，例如直流偏置光‑正交频分复用(DCO‑OFDM)、非对称限幅光‑正交频分复用(ACO‑OFDM)、单极性
正交频分复用(U‑OFDM)等。
[0090] 更具体的，在所述步骤S3中，在时域发射信号通过UVLC信道传输过程中，假设发射端和接收端保持相对静止，不考虑空间移动引起的衰落，只考虑湍流效应引起的衰落；由于
湍流衰落的相干时间远大于一个常规OOFDM符号周期[5]，因此所述的UVLC信道是一种块衰
落信道，即UVLC信道在一个OOFDM符号周期内保持不变，但是在不同的OOFDM符号周期会发
生变化。
[0091] 其中，在所述步骤S3中，令hn＝[hn,0,Λ,hn,L‑1]T表示UVLC信道的采样间隔CIR，其中，n和l∈{0,Λ,L‑1}分别表示OOFDM符号和抽头索引；从文献[5]可知，信道冲激响应hn,l
建模过程具体为：
[0092]
[0093] 其中， 表示由蒙特卡洛方法[5]生成的无湍流CIR；ρn表示湍流衰落系数，在弱湍流环境下服从对数正态分布[5]：
[0094]
[0095] 其中，μρ和 分别是服从高斯分布的对数幅度因子 的均值和方差。
[0096] 更具体的，在所述步骤S4中，为了保证湍流衰落即不放大也不衰减光平均功率，令E{ρn}＝1，从而得出 此外，定义描述湍流强度的闪烁指数 令
Hn,k表示第n个OOFDM符号、第k个子载波上的UVLC信道传输函数，即式(4)的FFT，那么频域基
带信号传输模型为：
[0097] Yn,k＝Zn,kHn,k+Wn,k,1≤k≤Ku (32)
[0098] 其中， Wn,k是独立同分布的复加性高斯白噪声，记为N(0,2
σ)；定义信噪比(SNR)为 基于Bussgang定理和中心极限定理，Zn,k与Xn,k存在线性映
射关系：
[0099] Zn,k＝AXn,k+Vn,k,1≤k≤Ku (33)
[0100] 其中，A表示衰减因子，Vn,k表示服从高斯分布的限幅噪声，记为 为了符号简洁，将式(6)的矢量化形式表示为：
[0101] Yn＝diag(Zn)Hn+Wn (34)
[0102] 更具体的，如图2所示，在所述步骤S5中，所述神经网络BDNet包括深度盲信道估计单元、信道均衡单元和基于学习的符号解映射单元；其中：
[0103] 所述深度盲信道估计单元对频域基带接收信号进行特征参数向量提取；
[0104] 所述信道均衡单元根据频域基带接收信号及特征参数向量进行信道均衡，消除UVLC衰落信道对发射信号造成的失真问题；
[0105] 所述基于学习的符号解映射单元根据均衡后的信号对发射信号进行预测，利用最大后验概率估计准则恢复发射信号，完成盲检测过程。
[0106] 更具体的，在所述步骤S5中，Yn表示接收到的频域复基带信号向量；定义来表示Yn的实值展开形式；相应的，Yn便是 的复值还原形式；
[0107] 将 输入深度盲信道估计单元中进行非线性变换，以提取接收信号特征参数向量，令该特征参数向量表示为
[0108] 接着，在信道均衡单元中，利用一个确定且可微的变换函数t对 进行变换，得到 表示均衡后的符号，目的是消除UVLC衰落信道对发送信号造成的失真问题；借鉴
OFDM系统的迫零均衡算法，t函数表示为：
[0109]
[0110] 其中， 表示取实部运算， 表示取虚部运算；ο表示哈达玛积；θn是 的复值还原形式；β是幅度归一化因子，表示为：
[0111]
[0112] 其中，B是批量大小；Yn,k是Yn的第k个采样值，θn,k是θn的第k个采样值；Ku是Yn的维度大小；
[0113] 最后，将均衡后的符号 输入基于学习的符号解映射单元中，得到的输出是发送符号的预测概率，记为 则得到盲检测结果。
[0114] 更具体的，在所述步骤S5中，所述深度盲信道估计单元为采用卷积神经网络构成，如图3所示，其由D层一维卷积层组成；第1层使用64个尺寸为3×2的卷积核，激活函数选择
整流线性单元ReLU；接着D‑2层使用64个尺寸为3×64的卷积核，随后使用批归一化BN和
ReLU激活函数；最后1层使用2个尺寸为3×64的卷积核，但是无需任何激活函数；
[0115] 所述基于学习的符号解映射单元由两层一维卷积层构成，如图4所示，第1层卷积层使用了M个尺寸为1×2的卷积核，激活函数是ReLU，其中M表示调制阶数；第2层卷积层使
用了M个尺寸为1×M的卷积核，激活函数是Softmax函数；Softmax函数也称为归一化指数函
数，其形式表示为：
[0116]
[0117] 更具体的，所述神经网络BDNet需要进行离线训练，具体为：
[0118] 首先生成训练数据，包括Yn和 其中pn,k表示发送信息符号sn,k的独热编码，即
[0119] pn,k＝[Ι(sn,k＝0),Λ,Ι(sn,k＝M‑1)]T (38)
[0120] 其中，Ι(·)是指示函数，当且仅当括号内条件满足时取值为1，其余情况取值为0；于是，训练数据集表示为{(Y1,P1),(Y2,P2),Λ,(YN,PN)}，其中N表示训练样本数；另外，每批
训练样本n＝1,Λ,Β使用的损失函数表示为
[0121]
[0122] 其中Ω表示网络参数；之后，通过反向传播算法迭代更新Ω以最小化式
[0123] (13)；至此，即完成了BDNet的离线训练阶段，将其应用至UVLC系统接收端的在线信号检测。
[0124] 实施例2
[0125] 为更充分地阐述本发明所具有的有益效果，以下结合一个具体实施例的仿真分析及结果，进一步对本发明的有效性和先进性予以说明。
[0126] 首先，选取DCO‑OFDM作为本实施例的OOFDM方案。在DCO‑OFDM系统中，一帧包含100个OOFDM符号，子载波数K为64，带宽为500MHz，调制方式为16‑QAM。在深度盲信道估计单元
中，卷积层数设为12。表1列出了仿真主要参数。
[0127] 表1：仿真主要参数表
[0128]
[0129] 其中，文献[7]为D.P.Kingma and J.L.Ba“, Adam:a method for stochastic optimization,”in Proceedings of International Conference for Learning
Representations(ICLR),San Diego,USA,7‑9May 2015.
[0130] 图5对比了不同检测方案在 时的BER性能。由图可见，本发明提出的BDNet远优于最小二乘(LS)方法，并且和理想CSI方法、线性最小均方误差(LMMSE)方法的性能相
‑5
近。当BER为10 时，BDNet相比LS方法有约5dB的SNR增益，与理想CSI方法、LMMSE方法相比有
1.5dB的SNR损失。然而，理想CSI方法和LMMSE方法分别要求已知理想CSI和信道先验信息，
这在实际场景中是较难实现的。相反，BDNet在部署阶段无需依赖CSI或信道先验信息，因此
在检测性能和实用性之间取得较好的折衷。另一方面，对比图5和图6发现，当 从0.1减小
至0.01时，所有检测方案的BER性能都获得约4dB的SNR增益。并且，BDNet相对理想CSI和
LMMSE的SNR损失几乎不变，这说明即使当离线训练和在线部署时的 不相同，BDNet仍能取
得较好的BER性能，因此BDNet对不同湍流强度具有一定的鲁棒性。
[0131] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可
以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本
发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求
的保护范围之内。
