基于机器学习的物理层可见光通信信号解调：原型平台、开放数据集与算法
信号处理
2019-03-28 v1 机器学习
机器学习
摘要
本文研究了可见光通信（VLC）系统物理层中基于机器学习（ML）的解调方法的设计与实现。我们搭建了一个灵活的端到端VLC系统硬件原型，并从中采集接收信号作为真实数据。该数据集已在线公开，包含八种类型的调制信号。随后，我们分别基于卷积神经网络（CNN）、深度信念网络（DBN）和自适应提升（AdaBoost）提出了三种ML解调器。具体而言，基于CNN的解调器将调制信号转换为图像并通过图像分类识别信号；所提基于DBN的解调器包含三个受限玻尔兹曼机（RBMs）以提取调制特征；AdaBoost方法包含一个由采用k近邻（KNN）算法的弱分类器构成的强分类器。这三种解调器均使用我们的在线开放数据集进行训练与测试。实验结果表明，三种数据驱动解调器的解调精度随传输距离增加而下降；在给定传输距离下，更高的调制阶数会对精度产生负面影响。三种ML方法中，AdaBoost解调器取得了最佳性能。
引用
@article{arxiv.1903.11385,
title = {Signal Demodulation with Machine Learning Methods for Physical Layer Visible Light Communications: Prototype Platform, Open Dataset and Algorithms},
author = {Shuai Ma and Jiahui Dai and Songtao Lu and Hang Li and Han Zhang and Chun Du and Shiyin Li},
journal= {arXiv preprint arXiv:1903.11385},
year = {2019}
}