基于RNN的水下光通信系统误比特率性能

卢洪斌,康 溪

(1.百色学院，广西 百色 533000；2.广州市太比特科技有限责任公司，广东 广州 511458)

0 引言

水下光信道的非线性时变特性对水下光通信系统的严重影响还没有有效的解决方法，近年基于深度学习的机器学习方法被用于光通信领域的研究，并取得了一定的成果[1-3]。水下光通信信道的非线性和时变特性等特点，严重影响水下光通信系统的可靠性，本文利用循环神经网络(RNN)对时间信号序列的处理能力，研究RNN对非线性时变信道中所传输的光信号序列进行强度均衡的方法，实验表明此方法具有简单有效、能在一定程度上提高水下光通信系统的误比特率特性[4]。

1 基于RNN的水下光通信系统模型

图1为基于RNN的水下光通信系统模型，信源输出的二进制数据进行16QAM数字调制，调制输出信号通过电光转换为可见光信号，通过水下光信道传输，接收端的PD或APD将光信号转换为电信号，按照设定的采样频率采集光电转换的输出信号序列，采集的接收信号数据保存到数据集中并按一定比例划分为训练集和测试集，供RNN线下训练、测试和优化网络模型[5]。

图1 基于RNN的水下光通信系统模型

根据码元速率和信号从发送端到接收端的传输时间，设定所控制的输出光脉冲序列间隔时间，实现对每个发送码元输出光强度的调制，达到均衡接收信号序列强度的目的。

线上运行时，实时信号输入已训练优化的RNN中进行下一接收信号的预测，RNN根据预测结果反馈控制发送端光模块输出的光信号强度，从而实现光信道信号序列的强度均衡。另一路接收的光电转换信号经处理后接16QAM解调器，其输出通过星座解映射为二进制数据流输出，由误码分析仪测试输出二进制信号的误比特率。

线下利用训练集对RNN进行多轮训练后，得到优化参数的RNN网络,即可接入线上系统进行实验。

2 实验结果及分析

训练优化的RNN网络在线运行时，QAM调制信号输出光脉冲序列通过水下光信道传输，RNN通过接收到的信号序列预测若干码元周期后的输出信号强度，通过预测结果反馈控制水下光通信系统输出端的光发射强度，减小由于水下光信道非线性所造成的接收端接收信号强度波动的幅度。图2为发送信号信噪比为-6 dB～14 dB时，RNN网络对光信号序列进行强度均衡前后接收到的信号误比特率变化曲线。由图可见，通过RNN提前预测的接收信号强度大小反馈控制发送端光模块输出光信号的强度，从而实现对光信道非线性的预补偿，当预测的信号强度小于接收信号平均功率时，反馈控制发射端增加信号输出功率，增加的幅度取决于预测值与平均值之差的大小。反之，当预测的信号强度大于接收信号平均功率时，反馈控制发射端减小信号输出功率，减小的幅度取决于平均值与预测值之差的大小。图2可以看到，当接收信号的信噪比较小时，补偿前后的误比特率变化不明显，当接收信号的信噪比大于10 dB时，非线性补偿后误比特率性能有明显提升。

图2 RNN对光信号序列进行强度均衡前后的误比特率变化曲线

3 总结

水下光信道复杂的非线性时变特性是其它常规通信技术难以处理的，引入人工智能方法可从全新的角度研究提高水下光通信系统性能的方法。借助RNN对时间序列信号的预测能力，动态调整发送信号的光强度，以减小水下光通信系统接收信号强度波动所带来的可靠性问题。本文通过RNN对水下光通信系统接收光信号序列进行强度均衡，实现对水下光信道非线性的实时补偿，使得系统接收的16QAM数字调制信号的误比特率明显降低，明显改善了水下光通信系统的误比特率性能。

本文通过RNN对光信号序列进行强度均衡的方法还可以进一步优化，通过增加隐藏层的层数、调整神经元个数和循环核时间展开步数，可以灵活控制强度调整时间间隔，获得更好的水下光信号序列强度均衡效果。通过引入神经网络的剪枝算法也会明显地减少深度神经网络的训练时间，从而可将本文的方法用于实时系统，更接近于实用化的应用场景。