本技术涉及一种利用深度学习技术的跨介质光通信系统及其方法。该系统包含一个基于卷积神经网络的角度估计器和移动策略,允许接收端根据角度估计结果进行智能移动决策。
背景技术
近年来,随着海洋勘探、救援等需求的日益增加,跨介质通信得到了广泛的研究关注。由于可见光通信(Visible Light Communication,VLC)系统可以穿过空气-水界面传输信号,并且具有高数据速率、高保密性等众多优点,因而成为跨介质通信的重要技术之一。但目前跨介质VLC系统存在一定的局限性,仍然面临着光的吸收、散射、动态波面折射等技术挑战,需要进一步深入研究解决。
为了提高现有跨介质VLC系统的信号传输性能,学者们主要针对以下两个方面进行优化:
一方面,从链路对准(Link Alignment,LA)的优化设计角度,可以用宽光束扩大LED的覆盖范围,或用非视距(Non Line of Sight,NLOS)通信提高链路的可靠性,但该优化方案的缺点是信号传输距离较为受限。此外,也可采用多入多出(Multiple-InputMultiple-Output,MIMO)技术放松对准的要求,或采用波束跟踪技术维持动态环境的对准,但代价是提高了设备成本和复杂度。
另一方面,考虑利用先进的传输技术来提高跨介质VLC的可靠性和吞吐量。例如,可结合正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术提高传输速率,或采用基于自适应阈值(Adaptive Threshold,ATD)的解调技术提高误码率性能,还可以用自适应差分脉冲位置调制(Adaptive Differential Pulse PositionModulation,ADPPM)技术来增强系统的鲁棒性。然而,针对这一方面的优化,现有技术尚未充分考虑如何适应动态的波面,或难以兼顾高传输速率的需求。
实现思路