水下蓝绿光GRU接收机

卢洪斌，祚 铨，卢 戈

(1.百色学院，广西 百色 533000；2.广州市隆光信息技术有限责任公司，广东 广州 511458)

0 引言

水声通信(UAWC)和水下射频(RF)通信均无法实现水下高速信号传输，故业界提出了高宽带和低延迟的水下蓝绿光通信，光波在水下的传输衰减比较大，约为0.4～11 dB/m，水下光通信距离通常限制在几十厘米到一百米的范围内，但其数据传输速率可达Gbit/s的量级，远超水声和射频通信的速率，是一种极具应用前景的水下通信技术。水下种类丰富的无机物、有机物和水分子本身导致严重的光吸收衰减和散射，水下强弱不定的湍流导致传播的光信号发生随机变化的幅度衰落[1-2]。水下光信道严重的非线性时变特性目前还没有建立准确的信道模型，水下光信道的相关研究也只能通过人为设定严格的限制条件，得出的结果也不具普遍性，无法解决实际的水下光通信系统应用难题，因而亟待寻找一种在信道模型未知情况下的水下光通信系统设计方法，深度学习神经网络作为一种可以逼近任意非线性的方法，可以用于模拟各种系统的非线性特性，利用深度神经网络通过监督学习可以补偿系统非线性的不利影响[3-4]，引入深度学习的方法是设计水下光通信系统的有益探索。

本文将循环神经网络(Recurrent Neural Network，RNN)中的门控循环单元应用到水下光接收机中，以水下可见光光通信系统的实验数据和仿真数据为GRU模型的训练数据[5-7]，通过大量数据驱动的方法建立反映水下信道特征的深度循环神经网络模型，模型结构隐含了发送码元序列和接收码元序列之间的非线性映射关系。这种方法明显改善了水下蓝绿光接收机的性能，具有准确模拟水下光信道特征、无需进行复杂耗时计算、无需了解信道的物理特性、无需建立信道数学模型等优点。

1 水下蓝绿光GRU接收机

传统通信系统的设计须依赖于准确的信道模型，由于水下光信号传播的极度复杂性，至今没有一种有效的可见光信道模型普适于水下光通信环境，发展一种不依赖于信道模型的通信系统设计方法是一种全新的思路，本文采用基于深度学习的门控循环单元网络作为水下蓝绿光传输系统的接收机，图1为基于GRU接收机的水下蓝绿光通信测试系统。输入的二进制数据进行16QAM数字调制，调制输出信号驱动蓝绿光半导体激光器输出蓝绿光信号，蓝绿光信号通过水下光无线信道传输，接收端通过光电二极管(PD)转换为电信号并进行信号放大及同步采样，GRU接收机接收采用序列，由已训练优化的GRU网络处理输出与发送序列x1x2…对应的接收信号序列y1y2…，通过误码分析仪中的QAM解调器星座解映射为二进制数据流，并测试输出二进制信号的误比特率。

图1 基于GRU接收机的水下蓝绿光通信测试系统

图2 GRU接收机结构

现在候选信息表示为当前输入xt与重置门rt控制的过去信息ht-1输出的关系：

更新门zt表示为：

Zt=σ(Wz·[ht-1,xt]+bz).

rt=σ(Wr·[ht-1,xt]+br).

其中，Wh、Wz、Wr为权重矩阵，xt为当前时刻的输入特征，ht-1为隐藏层上一时刻存储的状态信息，激活函数为Sigmoid函数和tanh函数。

本文搭建3层的GRU网络，第一隐藏层有80个神经元，第二隐藏层有100个神经元，第三隐藏层有80个神经元，每层都采用20%的神经元舍弃(dropout)比率，采用ADAM优化算法。输入训练样本数为1024组数据，循环核时间展开步为16步，每个时间步输入特征个数为1，此特征为蓝绿光信号经过水下光信道后接收端抽样的码元同步信号序列。以水下可见光光通信系统的实验数据和仿真数据为模型训练数据，标签为发送端16QAM调制器输出的对应16进制码元，训练完成后各权重矩阵和偏置参数已最优化，确定结构的GRU接收机即可在线进行测试。

2 实验及结果分析

图2的GRU接收机经过训练优化后，接入测试系统中实验，从接收到的抽样的同步信号序列中估计出与发送符号序列x1x2…对应的接收符号序列y1y2…，图3(a)为采用传统接收机接收到的16QAM信号星座图，图3(b)为采用GRU接收机接收到的16QAM信号星座图。

图3 16QAM信号星座图

图3显示GRU接收机明显改善了系统的性能，说明借助深度循环神经网络GRU，可以在不了解信道物理特性、无法建立信道准确模型的情况下，提升水下蓝绿光通信系统的可靠性。采用发送和接收符号序列的检测方法利用了序列前后符号之间受信道非线性影响的记忆特性，在信道传输特性从一种模式转变为另一种模式时不至于造成突发的连续码元检测错误，特别适合在水下复杂环境下经常出现的衰减主导、散射主导、背景干扰光主导、湍流主导等不同传输模式转换情况下的应用，这也是高速水下通信中需要解决的一个难题。

3 总结与展望

水下光信道复杂的非线性及随机特性是常规通信技术难以处理的，引入深度循环神经网络可从全新的角度设计水下光通信系统。本文将GRU应用到水下光接收机设计中，通过数据驱动的方法建立和优化了GRU网络模型，GRU接收机建立了发送码元序列和接收码元序列的映射关系，这种映射关系反映了水下光信道的实际物理特性，明显提高了水下蓝绿光接收机的性能。试验表明，在无法建立准确的水下光信道模型时，可以采用深度学习方法和模型提高水下通信系统的性能。这方面的研究还在发展初期，可以预见随着研究的深入，将人工智能技术用于水下蓝绿光通信系统乃至更复杂的通信系统必将有广阔的应用前景。