一种可见光通信感知方法及系统

本发明属于可见光通信感知的，具体涉及一种可见光通信感知方法及系统。

背景技术：

1、随着新一代无线通信技术的发展，对移动数据流量的需求呈指数级增长。由于大多数数据流量往往产生于室内，因此研究并设计高效的室内无线通信技术越来越受到关注，特别的，这一趋势使得人们对室内高速通信和精确定位的需求更加迫切。

2、然而，现有的基于传统射频（radio frequency，rf）波段的通信和定位技术面临着严重的电磁干扰和频谱资源短缺的问题。不过幸运的是，可见光通信（visible lightcommunication，vlc），作为射频通信技术的一种实用增强技术，能在很大程度上缓解上述问题。具体来说，vlc系统可以利用丰富的可见光频谱和视距（line-of-sight，los）传播实现高吞吐量和低延迟信息传输。同时，得益于密集的分布式发光二极管（light emittingdiode，led）光源的优势，vlc在高精度定位方面具有巨大潜力。总而言之，借助于相同的照明基础设施，可见光通信和感知（visible light communication and positioning，vlcp）技术的集成可以显著提高无线通信的传输和感知性能。这作为无线技术的一种新范式，得到了学术界和工业界的广泛关注。

3、目前，虽然已经存在许多工作来单独提高vlc或可见光定位（visible lightpositioning，vlp）的性能，但是同时研究vlc和vlp仍然至关重要。值得一提的是，准确高效的信道状态信息（channel state information，csi）是提高vlc和vlp性能的关键。然而，传统的信道估计方法都依赖于先验信息，并且在密集通信网络中，尤其是在密集vlcp网络中，他们难以有效处理高维的信道矩阵信息，进而难以对终端进行准确定位。

技术实现思路

1、基于此，本发明实施例当中提供了一种可见光通信感知方法及系统，旨在解决现有技术中，在室内可见光通信的场景下，终端定位不准确的问题。

2、本发明实施例的第一方面提供了一种可见光通信感知方法，所述方法包括：

3、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；

4、将无噪声的二维图像进行加噪处理，得到噪声图像；

5、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；

6、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；

7、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。

8、进一步的，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：

9、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。

10、进一步的，所述信道增益的公式可以表示为：

11、

12、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，可以表示为：

13、

14、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：

15、

16、其中，表示为半功率下的发射器半角度。

17、进一步的，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。

18、进一步的，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；

19、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。

20、进一步的，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；

21、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；

22、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。

23、进一步的，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：

24、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；

25、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；

26、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。

27、本发明实施例的第二方面提供了一种可见光通信感知系统，所述系统包括：

28、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；

29、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；

30、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；

31、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；

32、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。

33、本发明实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的可见光通信感知方法。

34、本发明实施例的第四方面提供了一种电子设备，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第一方面所述的可见光通信感知方法。

35、本发明的有益效果为：该方法通过获取光源与模拟终端之间的信道增益，根据信道增益，确定光源与终端之间的信道增益矩阵，其中，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，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，具体的，首先采用图像去噪技术对可见光信道进行估计，然后将含有位置特征的参数矩阵与lstm神经网络算法融合，从信道估计的信道状态信息中获取精确的定位信息，最终实现可见光通感一体化。