基于深度学习的降低自由空间光通信湍流影响的处理方法

1.本发明涉及自由空间光通信技术领域，尤其涉及一种基于深度学习的降低自由空间光通信湍流影响的处理方法。


背景技术：

2.自由空间光通信(free space optics，fso)是以红外波段激光光波为载体，在真空或者大气中传递信息的无线通信技术。与其他通信技术相比，自由空间光通信具有带宽较宽，无需频谱许可，部署快速便携的优点00。而基于中红外波段(mid infrared，波长3μm～10μm)的fso与传统的近红外波段(near infrared，波长0.8～2.5μm)更具有吸引力，因为mir受大气湍流的影响较小，在雾等恶劣天气条件下的穿透能力更强。此外，大气中主要背景辐射源(太阳、地球、月球等)的光谱辐亮度在mir区域附近有一个明显的最小值，因此背景噪声将被最小化00。
3.在空气信道中的自由空间光通信，面临的主要难点在于如何解决大气衰减和大气湍流的问题。大气衰减是光信号在大气中传输时会受到衰减，主要由大气吸收、散射和大气折射引起。这会导致光信号的功率损失，限制了通信距离和传输速率，特别是在可见光和红外光频段，大气吸收对光信号的影响较大；大气湍流(也称大气闪烁)，会导致光信号的传输路径发生不规则的相位和强度扰动，这会导致信号的衰落、相位畸变和散斑效应，湍流引起的相位扰动会导致自由空间光通信中的相位失配和相位不连续问题，限制了系统的性能和可靠性。
4.基于机器学习的信号处理方法能够有效的减少大气衰减和大气湍流影响，很多学者已经使用机器学习的方法来补偿光束以减轻湍流效应的影响。lohani等0使用计算机模拟研究了使用卷积神经网络(cnn)监测大气湍流损伤，以补偿其并提高系统性能，通过使用电荷耦合器件(ccd)相机的输出图像处理模式的强度来估计湍流效应。ragheb等0使用不同的算法，包括支持向量机(svm)、cnn和k近邻算法，通过实验研究了能见度范围的预测，将其作为一个参数，以确定沙尘信道环境中fso系统上沙尘暴的严重性。esmail等0应用卷积神经网络(cnn)检测fso系统中的三种不同损伤：放大自辐射噪声、湍流和指向误差，给出了每个损伤参数的定义，并利用异步幅度直方图(aah)和异步延迟抽头采样(adts)特征研究预测其值。darwesh等0提出了基于完全卷积神经网络(fcnn)的解码器的检测方法，分别在不同湍流信道中取代最大似然解码器检测信号，并在弱湍流影响下，解码器性能近似于具有完美的信道状态信息(csi)。
5.fang等0采用前馈神经网络(fnn)来建立解码器，提出了基于tanh函数改进的对数似然比(llr)作为解码器的输入，与标准llr相比，它具有更快的收敛速度和更好的误码率性能。liu等0基于cnn的方法用于补偿大气湍流影响的波前像差。这些方法平均功率损失从12.4db降至1.8db，但是没有具体分析湍流影响。song等0构建了数据率高达10gbps的im/dd fso传输系统，并实现了接收信号强度指示(rssi)采集系统，提出一种基于gru神经网络模型的滚动信道预测方案，能够准确的预测rssi值和信道变化趋势。
6.现有技术方案存在以下缺陷：
7.1.成本昂贵，如lohani等使用卷积神经网络(cnn)监测大气湍流损伤，需要通过使用昂贵器材来获得特征。
8.2.使用机器学习中较为传统的方法如支持向量机(svm)和k近邻算法等，使用这类算法能力有限，无法很好拟合光信号数据。
9.3.使用cnn或rnn等神经网络减轻湍流影响时针对中弱湍流，对强湍流影响恢复信号精度不足。


技术实现要素：

10.本发明的主要目的在于提供一种基于深度学习的降低自由空间光通信湍流影响的处理方法，旨在有效地减轻光信号在大气湍流中的受到非线性效应的影响，提高在通信数据传输的可靠性和精确性。
11.为了达到上述目的，本发明提出一种基于深度学习的降低自由空间光通信湍流影响的处理方法，包括以下步骤：
12.将自由空间光通信中的光信号转换为适当的形式进行传输；
13.采用数字调制技术将来自信源的信息调制到光波上；
14.在大气信道中光信号受到各种影响因素影响；
15.将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号。
16.本发明的进一步技术方案是，所述将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号的步骤中，所述基于注意力机制的rnn网络的输入是探测器产生的电信号，输出是“0”“1”比特信号的概率，最后恢复的信号取概率最大的那一类。
17.本发明的进一步技术方案是，所述将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号的步骤中，信号最先通过rnn层，输出隐藏层的状态h和rnn的输出0，rnn层的两个输出作为注意力层的输入q，k，v，其中h作为q，0同时作为k和v，利用注意力结构能灵活捕捉到信号中的关键信息，使一些关键特征更容易表征出来。
18.本发明的进一步技术方案是，所述将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号的步骤包括：
19.通过所述基于注意力机制的rnn网络节点之间的反馈连接来处理连续的时间序列数据。
20.本发明的进一步技术方案是，所述通过所述基于注意力机制的rnn网络节点之间的反馈连接来处理连续的时间序列数据的步骤包括：
21.所述基于注意力机制的rnn网络在每个时间步上接收当前输入和前一个时刻的状态作为输入，并产生新的状态作为输出，新的状态又会成为下一个时间步的输入，如此反复循环，直到序列结束，所述基于注意力机制的rnn网络的模型用公式(1)和公式(2)表示：
[0022][0023]ot
＝h
twhq
+bqꢀꢀꢀꢀ
(2)
[0024]
其中，公式(1)中，，h
t
∈rn×h和h
t-1
∈rn×h分别是当前时刻和前一时刻的隐藏状态，x
t
∈rn×d是当前时刻的输入，w
xh
∈rd×h和w
hh
∈rh×h是可更新的权重参数，bh∈r1×h是可更新偏置；公式(2)中表示的是当前时刻的输出变量o
t
∈rn×q，w
hq
∈rh×q是权重参数，bq∈r1×q是输出层的偏置。
[0025]
本发明的进一步技术方案是，所述基于注意力机制的rnn网络在每个时间步上接收当前输入和前一个时刻的状态作为输入的步骤中，接收到的输入q，k，v分别是上一层rnn结构输出的h
t
，o
t
，o
t
；在注意力机制中，q，k，v代表的含义分别是query，key，value，注意力机制的原理是通过比较q和k的相似度取得一个注意力权重α；假设有一个查询q∈rq和m个“key-value”对：(k1，v1)，...，(km，vm)，那么注意力权重可描述为：
[0026][0027]
公式(3)中a(q，ki)是评分函数，也称核函数，不同的核函数会得到不同的注意力汇聚，这里使用高斯核a(q，ki)＝1/2(q-ki)2作为核函数，得到的注意力汇聚函数f：
[0028][0029]
在f中包含了自由空间光通信中不同时刻信号之间的联系，然后，用全连接层把注意力的输出分为两个类别“0”和“1”，最后经过softmax操作输出两个类别的概率。
[0030]
本发明基于深度学习的降低自由空间光通信湍流影响的处理方法的有益效果是：
[0031]
1.采用注意力机制可以更加准确地捕获信号中的关键信息，提升信号处理的效率和精度，能够有效地减少大气湍流的干扰，在强湍流条件下处理中红外波段的光信号表现依旧良好。
[0032]
2.在处理光信号时能够应对不同条件的干扰，具有较好的鲁棒性和泛化能力，并在实际应用中有可靠的通信性能。
[0033]
3.本发明能够自动进行特征提取和特征组合，避免了手动特征提取的繁琐过程，提高了模型的智能化程度。
附图说明
[0034]
图1是本发明基于深度学习的降低自由空间光通信湍流影响的处理方法较佳实施例的流程示意图；
[0035]
图2是fso系统框图；
[0036]
图3是基于注意力机制的rnn网络结构示意图。
[0037]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
具体实施方式
[0038]
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0039]
本发明提出一种基于深度学习方法的处理自由空间光通信(fso)中光信号的方法，该方法利用基于自注意力机制循环神经网络(recurrent neural network，rnn)模型，
具有较强的学习能力和表征能力，能够有效地减轻光信号在大气湍流中的受到非线性效应的影响，提高在通信数据传输的可靠性和精确性。
[0040]
具体地，请参照图1，本发明提出一种基于深度学习的降低自由空间光通信湍流影响的处理方法，本发明较佳实施例包括以下步骤：
[0041]
步骤s10，将自由空间光通信中的光信号转换为适当的形式进行传输。
[0042]
步骤s20，采用数字调制技术将来自信源的信息调制到光波上。
[0043]
步骤s30，在大气信道中光信号受到各种影响因素影响。
[0044]
步骤s40，将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号。
[0045]
如图2所示，本发明种基于深度学习的降低自由空间光通信湍流影响的处理方法所涉及到的基于注意力机制的rnn处理信号和fso通信系统包含了多个组成部分，其中，包括发射机、调制器、大气信道、探测器和接收信号处理。
[0046]
在这个系统中，发射机负责将信号转换为适当的形式进行传输，而调制器则用于将来自信源的信息调制到光波上，通常采用数字调制技术。大气信道会使光信号收到各种影响，如大气湍流，雾霭等，这些影响回事光信号产生畸变和衰减。接收部分是本专利的核心部分，将探测器产生的电信号输入到提出的基于注意力机制的rnn网络中，重新还原为“0”“1”信号。本发明所涉及的网络能有效地捕捉信号特征中不同时刻的联系，减轻湍流影响，提高通信地质量。
[0047]
进一步地，本实施例中，所述将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号的步骤中，所述基于注意力机制的rnn网络的输入是探测器产生的电信号，输出是“0”“1”比特信号的概率，最后恢复的信号取概率最大的那一类。
[0048]
所述将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号的步骤中，信号最先通过rnn层，输出隐藏层的状态h和rnn的输出0，rnn层的两个输出作为注意力层的输入q，k，v，其中h作为q，0同时作为k和v，利用注意力结构能灵活捕捉到信号中的关键信息，使一些关键特征更容易表征出来。
[0049]
请参照图3，图3(a)是一个rnn的原理图，其主要原理就是通过节点之间的反馈连接来处理连续的时间序列数据。具体来说，rnn在每个时间步上接收当前输入和前一个时刻的状态作为输入，并产生新的状态作为输出。新的状态又会成为下一个时间步的输入，如此反复循环，直到序列结束。可以用公式表示一个简单的rnn模型：
[0050][0051]ot
＝h
twhq
+bqꢀꢀ
(2)
[0052]
其中，公式(1)中，，h
t
∈rn×h和h
t-1
∈rn×h分别是当前时刻和前一时刻的隐藏状态，x
t
∈rn×d是当前时刻的输入，w
xh
∈rd×h和w
hh
∈rh×h是可更新的权重参数，bh∈r1×h是可更新偏置；公式(2)中表示的是当前时刻的输出变量o
t
∈rn×q，w
hq
∈rh×q是权重参数，bq∈r1×q是输出层的偏置。
[0053]
请参照图3(c)，所述基于注意力机制的rnn网络在每个时间步上接收当前输入和前一个时刻的状态作为输入的步骤中，接收到的输入q，k，v分别是上一层rnn结构输出的h
t
，o
t
，o
t
。在注意力机制中，q，k，v代表的含义分别是query，key，value，注意力机制的原理
neural networks，”opt.lett.43(11)，2611-2614(2018)。
[0070]
[7]ragheb，w.saif，a.trichili，i.ashry，m.a.esmail，m.altamimi，a.almaiman，e.altubaishi，b.s.0oi，m.-s.alouini，and s.alshebeili，“ldentifying structured light modes in a desert environment using machine learning algorithms，”opt.express 28(7)，9753-9763(2020)。
[0071]
[8]esmail m a，saif w s，ragheb a m，et al.free space optic channel monitoring using machine learning[j].optics express，2021，29(7)：10967-10981。
[0072]
[9]darwesh l，kopeika n s.deep learning for improving performance of ook modulation over fso turbulent channels[j].ieee access，2020，8：155275-155284。
[0073]
[10]fang j，bi m，xiao s，et al.neural network decoder of polar codes with tanh-based modified llr over fso turbulence channel[j].optics express，2020，28(2)：1679-1689。
[0074]
[11]j.liu，p.wang，x.zhang，y.he，x.zhou，h.ye，y.li，s.xu，s.chen，and d.fan，“deep learning based atmospheric turbulence compensation for orbital angular momentum beam distortion and communication，”opt.express 27(12)，16671-16688(2019)。
[0075]
[12]song s，liu y，xu t，et al.channel prediction for intelligent fso transmission system[j].optics express，2021，29(17)：27882-27899。
[0076]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于深度学习的降低自由空间光通信湍流影响的处理方法，其特征在于，包括以下步骤：将自由空间光通信中的光信号转换为适当的形式进行传输；采用数字调制技术将来自信源的信息调制到光波上；在大气信道中光信号受到各种影响因素影响；将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号。2.根据权利要求1所述的基于深度学习的降低自由空间光通信湍流影响的处理方法，其特征在于，所述将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号的步骤中，所述基于注意力机制的rnn网络的输入是探测器产生的电信号，输出是“0”“1”比特信号的概率，最后恢复的信号取概率最大的那一类。3.根据权利要求2所述的基于深度学习的降低自由空间光通信湍流影响的处理方法，其特征在于，所述将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号的步骤中，信号最先通过rnn层，输出隐藏层的状态h和rnn的输出0，rnn层的两个输出作为注意力层的输入q，k，v，其中h作为q，0同时作为k和v，利用注意力结构能灵活捕捉到信号中的关键信息，使一些关键特征更容易表征出来。4.根据权利要求3所述的基于深度学习的降低自由空间光通信湍流影响的处理方法，其特征在于，所述将光信号转换为电信号，并将电信号输入到基于注意力机制的rnn网络中，还原为“0”“1”信号的步骤包括：通过所述基于注意力机制的rnn网络节点之间的反馈连接来处理连续的时间序列数据。5.根据权利要求4所述的基于深度学习的降低自由空间光通信湍流影响的处理方法，其特征在于，所述通过所述基于注意力机制的rnn网络节点之间的反馈连接来处理连续的时间序列数据的步骤包括：所述基于注意力机制的rnn网络在每个时间步上接收当前输入和前一个时刻的状态作为输入，并产生新的状态作为输出，新的状态又会成为下一个时间步的输入，如此反复循环，直到序列结束，所述基于注意力机制的rnn网络的模型用公式(1)和公式(2)表示：o
t
＝h
t
w
hq
+b
q
ꢀꢀꢀꢀ
(2)其中，公式(1)中，，h
t
∈r
n
×
h
和h
t-1
∈r
n
×
h
分别是当前时刻和前一时刻的隐藏状态，x
t
∈r
n
×
d
是当前时刻的输入，w
xh
∈r
d
×
h
和v
hh
∈r
h
×
h
是可更新的权重参数，b
h
∈r1×
h
是可更新偏置；公式(2)中表示的是当前时刻的输出变量o
t
∈r
n
×
q
，w
hq
∈r
h
×
q
是权重参数，b
q
∈r1×
q
是输出层的偏置。6.根据权利要求5所述的基于深度学习的降低自由空间光通信湍流影响的处理方法，其特征在于，所述基于注意力机制的rnn网络在每个时间步上接收当前输入和前一个时刻的状态作为输入的步骤中，接收到的输入q，k，v分别是上一层rnn结构输出的h
t
，o
t
，o
t
；在注意力机制中，q，k，v代表的含义分别是query，key，value，注意力机制的原理是通过比较q和k的相似度取得一个注意力权重α；假设有一个查询q∈r
q
和m个“key-value”对：(k1，v1)，...，(k
m
，v
m
)，那么注意力权重可描述为：
公式(3)中a(q，k
i
)是评分函数，也称核函数，不同的核函数会得到不同的注意力汇聚，这里使用高斯核a(q，k
i
)＝1/2(q-k
i
)2作为核函数，得到的注意力汇聚函数f：在f中包含了自由空间光通信中不同时刻信号之间的联系，然后，用全连接层把注意力的输出分为两个类别“0”和“1”，最后经过softmax操作输出两个类别的概率。

技术总结
本发明提供了一种基于深度学习的降低自由空间光通信湍流影响的处理方法，包括以下步骤：将自由空间光通信中的光信号转换为适当的形式进行传输；采用数字调制技术将来自信源的信息调制到光波上；在大气信道中光信号受到各种影响因素影响；将光信号转换为电信号，并将电信号输入到基于注意力机制的RNN网络中，还原为“0”“1”信号。本发明能有效地减轻光信号在大气湍流中的受到非线性效应的影响，提高在通信数据传输的可靠性和精确性。信数据传输的可靠性和精确性。信数据传输的可靠性和精确性。


技术研发人员：徐铭 杨博 鲁思微 危依婷 邱蓉 吉建华
受保护的技术使用者：深圳大学
技术研发日：2023.08.08
技术公布日：2023/10/15