《表2 机器学习在VLC中的应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于蓝绿光LED的水下可见光通信技术研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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.