基于机器学习的车载可见光通信信道建模

光无线通（OWC）传播信道表征在车载可见光通信（VVLC）系统的设计与性能分析中起着关键作用。当前基于确定性与随机方法的 OWC 信道模型，未能解决由移动性引起的环境光、光学湍流与路面反射对信道表征的影响。因此，本文提出考虑环境光、光学湍流、路面反射效应以及车间距离与几何结构的替代性基于机器学习（ML）方案，以获取精确的 VVLC 信道损耗与信道频率响应（CFR）。本工作展示了通过多层感知机前馈神经网络（MLP）、径向基函数神经网络（RBF-NN）与随机森林集成学习算法合成基于 ML 的 VVLC 信道模型框架。通过实际道路测量收集的预测变量与响应变量被用于在各种条件下训练并验证所提模型。此外，评估了不同预测变量对信道损耗与 CFR 的重要性，引入了实测 VVLC 信道特征归一化重要性。我们表明，与具有 7 dB RMSE 的拟合曲线基 VVLC 信道模型相比，基于 RBF-NN、随机森林与 MLP 的模型分别以 3.53 dB、3.81 dB、3.95 dB 均方根误差（RMSE）给出了更精确的信道损耗估计。而且，RBF-NN 与 MLP 模型被证明可分别以 3.78 dB 与 3.60 dB RMSE 根据距离、环境光与接收机倾角预测变量预测 VVLC CFR。