《表2 机器学习在VLC中的应用》
近几年,机器学习技术也开始被广泛地运用到可见光通信技术中.机器学习算法可以从数据中自主分析而总结规律并进行预测.从传统的有监督学习方法,到随着硬件算力发展而兴起的神经网络,这些技术在可见光通信中只需使用有限的训练样本,便可以极大地提高系统的表现,拥有十分广阔的应用前景.目前,机器学习在可见光通信中的应用主要为4个场景,包括非线性抑制(Nonlinearity Mitigation)、抖动消减(Jitter Mitigation)、调制格式识别(Modulation Format Identification)以及相位估计(Phase Estimation).如表2所示,深度神经网络(Deep Neural Network,DNN)[28]、高斯核深度神经网路(Gaussian KernelDNN,GK-DNN)[29]、辅助核深度神经网络(Assist Kernel-DNN,AK-DNN)[30]以及长短期记忆网络(Long Short-Term Memory,LSTM)[31]可以学习并综合出不同的非线性损伤的概率模型,通过补偿系统非线性并量化引入的串扰来实现非线性的抑制;带噪应用的基于密度的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)[32-34]可以用于消减可见光通信系统中信号发生抖动的问题;基于感知判决的聚类算法(Clustering Algorithms Perception Decision,CAPD)[35]和K均值聚类算法(K-means)[36-37]可以在可见光通信中强非线性的条件下,实现盲调制格式识别;支持向量机(Support Vector Machine,SVM)[38]和K-means[39]可以估计相位并予以纠正.本部分将主要介绍K-means在调制格式识别中的应用,以及DNN在非线性抑制中的应用.
图表编号 | XD00100737100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.01 |
作者 | 迟楠、王超凡、李韦萍、贾俊连 |
绘制单位 | 复旦大学电磁波信息科学教育部重点实验室、复旦大学电磁波信息科学教育部重点实验室、复旦大学电磁波信息科学教育部重点实验室、复旦大学电磁波信息科学教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |