欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023107645868
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种可见光通信感知方法,其特征在于,所述方法包括:

获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像;

将无噪声的二维图像进行加噪处理,得到噪声图像;

将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练;

将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,所述去噪图像为经过FFDNet处理后的图像;

将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置;

所述将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练的步骤包括:获取信道估计矩阵,将所述信道估计矩阵进行整形,得到具有预设长度的目标序列;

将所述目标序列输入所述LSTM神经网络模型的LSTM层中,输出位置特征数据;

将所述位置特征数据输入所述LSTM神经网络模型的全连接子网络中,并设置所述目标位置为输出,以对LSTM神经网络模型进行训练;

所述将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置的步骤包括:获取无噪声信道图像,将均值为0,方差为 的加性高斯白噪声添加到所述无噪声信道图像中,以形成有噪声图像;

将所述有噪声图像与可调噪声图叠加,以形成张量,所述张量作为FFDNet中的卷积神经网络的输入;

将所述张量输入FFDNet中的卷积神经网络中,输出去噪图像,即所述信道估计结果,其中,FFDNet中的卷积神经网络由三部分组成,第一部分采用卷积核的大小为3×3 的卷积操作和校正线性单元,校正线性单元的使用是为了实现非线性;第二部分由三个操作组合而成,包括卷积单元,校正线性单元和批量归一化单元,其中,批量归一化单元被级联在卷积单元和校正线性单元之间以加快训练和收敛速度,并改善消失梯度的问题;第三部分在获得四个去噪子图像之后,采用上采样过程来重整放大卷积神经网络输出,生成去噪图像;

采用LSTM神经网络模型对所述去噪图像中的位置信息进行提取,得到所述目标预测位置,其中,将所述去噪图像整形为预设长度的序列,并将序列作为LSTM神经网络模型的输入,LSTM神经网络模型中的门和细胞状态分别采用sigmoid和tanh作为激活函数,sigmoid用于生成0到1之间的值来实现“门控”的效果,tanh用于加速网络的收敛,为了平衡训练速度和估计精度,采用由若干单元组成的LSTM层来提取位置相关特征,另外,LSTM层的输出数据被馈送到一个全连接子网络中,所述全连接子网络使用三个隐藏层将LSTM层提取的特征映射到位置坐标的标签空间,三个隐藏层均采用ReLU作为激活函数,最后一个隐藏层包含三个神经元,分别表示LSTM网络生成的估计的三维坐标。

2.根据权利要求1所述的可见光通信感知方法,其特征在于,所述获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像的步骤之前包括:在预设室内环境下部署m‑MIMO可见光通信感知系统,通过控制m‑MIMO可见光通信感知系统工作,以获取光源与模拟终端之间的信道增益,其中,所述m‑MIMO可见光通信感知系统由 个LED作为发射器, 个PD作为接收器组成。

3.根据权利要求2所述的可见光通信感知方法,其特征在于,所述信道增益的公式表示为:其中,hij表示为第i个LED和第j个PD之间的信道增益,=1,…, ,=1,…, , 表示为接收器的有效收集面积, 表示为第 个LED到第 个PD的欧式距离,在第 个LED和第个PD之间,辐照度角和入射角分别用 和 表示, 表示为滤光器的增益, 表示为光学集中器的增益,在 的情况下,表示为:其中, 表示为PD的视场,n表示为光学集中器的折射率,在接收器处,m表示为朗伯辐射阶数,表示为:其中, 表示为半功率下的发射器半角度。

4.根据权利要求3所述的可见光通信感知方法,其特征在于,所述将无噪声的二维图像进行加噪处理,得到噪声图像的步骤中,将均值为0,方差为 的加性高斯白噪声添加到无噪声的二维图像中,以得到噪声图像,其中, 表示为实际噪声水平。

5.根据权利要求4所述的可见光通信感知方法,其特征在于, FFDNet中采用可逆的下采样过程,其中,将所述噪声图像切分为大小为 的4个下采样的子图像,并分别对所述子图像进行去噪,得到去噪子图像,以在不扩展卷积的情况下有效地增加感受野,并产生适度的网络深度;

另外,将噪声水平可调的噪声水平图叠加到所述子图像中,获得大小为

的张量。

6.一种可见光通信感知系统,其特征在于,所述系统包括:

获取模块,用于获取光源与模拟终端之间的信道增益,根据所述信道增益,确定光源与终端之间的信道增益矩阵,其中,所述信道增益矩阵视为无噪声的二维图像;

加噪处理模块,用于将无噪声的二维图像进行加噪处理,得到噪声图像;

第一训练模块,用于将噪声图像和与所述噪声图像对应的噪声水平图输入FFDNet中,以对FFDNet进行训练;

第二训练模块,用于将去噪图像和目标位置输入LSTM神经网络模型中,以对LSTM神经网络模型进行训练,其中,所述去噪图像为经过FFDNet处理后的图像;

可见光通信感知模块,用于将实际获取到的目标信道增益矩阵依次通过训练好的FFDNet以及LSTM神经网络模型,输出信道估计结果和目标预测位置;

所述第二训练模块包括:

整形单元,用于获取信道估计矩阵,将所述信道估计矩阵进行整形,得到具有预设长度的目标序列;

第一输入单元,用于将所述目标序列输入所述LSTM神经网络模型的LSTM层中,输出位置特征数据;

第二输入单元,用于将所述位置特征数据输入所述LSTM神经网络模型的全连接子网络中,并设置所述目标位置为输出,以对LSTM神经网络模型进行训练;

所述可见光通信感知模块包括:

添加单元,用于获取无噪声信道图像,将均值为0,方差为 的加性高斯白噪声添加到所述无噪声信道图像中,以形成有噪声图像;

叠加单元,用于将所述有噪声图像与可调噪声图叠加,以形成张量,所述张量作为FFDNet中的卷积神经网络的输入;

张量输入单元,用于将所述张量输入FFDNet中的卷积神经网络中,输出去噪图像,即所述信道估计结果,其中,FFDNet中的卷积神经网络由三部分组成,第一部分采用卷积核的大小为3×3 的卷积操作和校正线性单元,校正线性单元的使用是为了实现非线性;第二部分由三个操作组合而成,包括卷积单元,校正线性单元和批量归一化单元,其中,批量归一化单元被级联在卷积单元和校正线性单元之间以加快训练和收敛速度,并改善消失梯度的问题;第三部分在获得四个去噪子图像之后,采用上采样过程来重整放大卷积神经网络输出,生成去噪图像;

位置信息提取单元,用于采用LSTM神经网络模型对所述去噪图像中的位置信息进行提取,得到所述目标预测位置,其中,将所述去噪图像整形为预设长度的序列,并将序列作为LSTM神经网络模型的输入,LSTM神经网络模型中的门和细胞状态分别采用sigmoid和tanh作为激活函数,sigmoid用于生成0到1之间的值来实现“门控”的效果,tanh用于加速网络的收敛,为了平衡训练速度和估计精度,采用由若干单元组成的LSTM层来提取位置相关特征,另外,LSTM层的输出数据被馈送到一个全连接子网络中,所述全连接子网络使用三个隐藏层将LSTM层提取的特征映射到位置坐标的标签空间,三个隐藏层均采用ReLU作为激活函数,最后一个隐藏层包含三个神经元,分别表示LSTM网络生成的估计的三维坐标。

7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项所述的可见光通信感知方法。

8.一种电子设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-5任一项所述的可见光通信感知方法。