自由空间光通信的信号去噪方法

技术领域

本发明属于自由空间光通信领域，具体涉及一种自由空间光通信的信号去噪方法。

背景技术

光无线通信同时也被称为大气激光通信或是自由空间光通信(free spaceoptical-communication，FSO)，是利用激光光束作为信息传输的载体，以大气为传输媒介在空间中直接进行信息传输的通信方式。光无线通信结合了微波通信与光纤通信的特点，具有通信容量大、保密性强和频谱无需授权等优势，可以有效地支持高速的高容量前端和回程链路，是近年来兴起的前沿技术，被认为是一种很有前途的通信用例和部署方案。

然而，空中信号源与地面信号源间的大气中含有很多大气的气体分子和气溶胶粒子；而激光在传输过程中，易与这些气体分子和气溶胶粒子发生作用，从而发生大气湍流、衰减和偏折等效应。这些效应会一定程度的干扰信号的传输，或者使得信息失真或丢失。与此同时，自由空间光通信系统和其他通信系统一样，存在着热噪声、散粒噪声和放大器噪声等系统内电子噪声，也会一定程度的导致信号质量降低。当接收端的信号功率不够大时，噪声可能将信号掩盖。

因此，针对上述问题，很多学者提出了一些具体的信道抗干扰方案，试图从激光接收端机的性能来抵御外部环境对信号的影响。但是，由于环境的因素较多并且十分复杂，实际中的干扰是无法避免的，仅仅从抗干扰，提高光的耦合效率，提高信噪比等方面的进行改进，其效果并不好。

发明内容

本发明的目的在于提供一种噪声去除效果好、安全可靠且实用性好的自由空间光通信的信号去噪方法。

本发明提供的这种自由空间光通信的信号去噪方法，包括如下步骤：

S1.搭建自由空间光通信系统；

S2.在存在各种噪声和干扰的实际环境情况下采用步骤S1搭建的自由空间光通信系统进行通信实验，在接收端获取受环境噪声干扰的含噪实验数据，在发送端提取发送前的对应理想实验数据；

S3.对步骤S2获取的含噪实验数据和理想实验数据组成对应组，进行数据处理后构建训练集、测试集和验证集；

S4.建立基于傅里叶变换和自编码器的理论去噪模型，并采用步骤S3得到的训练集、测试集和验证集对理论去噪模型进行训练和修正，从而得到最优去噪模型；

S5.在实际自由空间进行光通信时，采用步骤S4得到的最优去噪模型对通信数据进行信号去噪。

步骤S1所述的自由空间光通信系统，具体包括发送端激光器、发送端编码器、发送端调制器、发送端光学天线、接收端光学天线、接收端光探测器、接收端滤波器和接收端信号处理器；发送端激光器发出激光信号光到发送端编码器；发送端编码器将接收到的信号光进行编码后加载到发送端调制器；发送端调制器将信号光调制后，再通过发送端光学天线转换为光信号并向自由空间发射；接收端光学天线接收到光信号后上传接收端光探测器；接收端光探测器将接收的光信号转换为电信号后传输到接收端滤波器；接收端滤波器对电信号进行滤波后上传接收端信号处理器；接收端信号处理器用于进行数据处理。

步骤S2所述的在存在各种噪声和干扰的实际环境情况下采用步骤S1搭建的自由空间光通信系统进行通信实验，在接收端获取受环境噪声干扰的含噪实验数据，在发送端提取发送前的对应理想实验数据，具体为在存在各种噪声和干扰的环境下，采用步骤S1搭建的自由空间光通信系统进行通信实验，并获取发送前原始的信号数据和发送后的受干扰信号数据，分别构成理想实验数据和含噪实验数据。

步骤S3所述的对步骤S2获取的含噪实验数据和理想实验数据组成对应组，进行数据处理后构建训练集、测试集和验证集，具体为将含噪实验数据和理想实验数据组成对应组，同时将60％的数据集作为训练集，将20％的数据集作为测试集，20％的数据集作为验证集。

步骤S4所述的建立基于傅里叶变换和自编码器的理论去噪模型，并采用步骤S3得到的训练集、测试集和验证集对理论去噪模型进行训练和修正，从而得到最优去噪模型，具体为采用如下步骤得到最优去噪模型：

A.采用卷积自编码器和两个短时傅里叶变换模块作为模型；

B.在短时傅里叶变换模块中，含噪实验数据通过短时傅里叶变换模块进行处理，获取含噪信号的时频谱信号组，并提取相位与幅值特征信息构成自编码器的输入矩阵；

C.在自编码器中，采用卷积神经网络作为模型的内层核心网络；内层核心网络包括编码层和解码层，编码层和解码层均由神经网络构成；卷积自编码器的输入数据，经过编码器的若干个卷积层、池化层、激活层和batch Norm层，逐渐降低每个特征映射的尺寸，从而将每个特征映射的尺寸降到32*32，同时在层中加入注意力机制，增强谱信息间的关联性；

D.在特征映射的解码阶段，通过若干个转置卷积层，激活层和batch Norm层，还原成原始频谱的矩阵大小；同时在解码层中，最后一层采用Sigmoid作为激活函数，剩余层均采用ReLU函数作为激活函数；

E.采用如下算式作为自编码器的损失函数L-AE：

其中L(x,y)为标准化数据x与重构数据后数据y的差值；λ为惩罚因子；W为最优解的权值向量；

F.自编码器输出的信号为去噪后的信号和含噪信号的残差矩阵，通过转换可以得到残差复数谱y(t,f)，在短时傅里叶反变换模块中，含噪信号谱减去残差谱将获得去噪后信号的复数谱，通过短时傅里叶反变换后可以得到去噪后的时域信号；t为时间帧，f为频率帧。

G.在自编码器的训练过程中，主要通过构建含噪实验数据的特征矩阵与特征残差之间的映射关系来不断优化模型。

本发明提供的这种自由空间光通信的信号去噪方法，通过建立自编码器网络配合数据处理达到获取能够实现信号去噪效果的模型，并采用训练后的模型作为信号实时去噪的手段对光通信过程进行实时去噪；因此本发明方法不仅能够对自由空间光通信的信号进行去噪，而且噪声去除效果好、安全可靠且实用性好。

附图说明

图1为本发明方法的方法流程示意图。

图2为本发明方法搭建的自由空间光通信系统的系统功能模块图。

图3为本发明方法的基于傅里叶变换和自编码器的理论去噪模型示意图。

图4为本发明方法的去噪效果示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明提供的这种自由空间光通信的信号去噪方法，包括如下步骤：

S1.搭建自由空间光通信系统(如图1所示)；具体包括发送端激光器、发送端编码器、发送端调制器、发送端光学天线、接收端光学天线、接收端光探测器、接收端滤波器和接收端信号处理器；发送端激光器发出激光信号光到发送端编码器；发送端编码器将接收到的信号光进行编码后加载到发送端调制器；发送端调制器将信号光调制后，再通过发送端光学天线转换为光信号并向自由空间发射；接收端光学天线接收到光信号后上传接收端光探测器；接收端光探测器将接收的光信号转换为电信号后传输到接收端滤波器；接收端滤波器对电信号进行滤波后上传接收端信号处理器；接收端信号处理器用于进行数据处理；

S2.在存在各种噪声和干扰的实际环境情况下，采用步骤S1搭建的自由空间光通信系统进行通信实验，在接收端获取对应的含噪实验数据，在发送端提取发送前的对应理想实验数据；具体为在存在各种噪声和干扰的环境下，采用步骤S1搭建的自由空间光通信系统进行通信实验，并获取发送前原始的信号数据和发送后的受干扰信号数据，分别构成理想实验数据集和含噪实验数据集。；

S3.对步骤S2获取的含噪实验数据和理想实验数据组成对应组，进行数据处理后构建训练集、测试集和验证集；具体为将含噪实验数据和理想实验数据组成对应组，同时将60％的数据集作为训练集，将20％的数据集作为测试集，20％的数据集作为验证集；

S4.建立基于傅里叶变换和自编码器的理论去噪模型，并采用步骤S3得到的训练集、测试集和验证集对理论去噪模型进行训练和修正，从而得到最优去噪模型；具体为采用如下步骤得到最优去噪模型(如图3所示)：

A.采用卷积自编码器和两个短时傅里叶变换模块作为模型；

B.在短时傅里叶变换模块中，含噪实验数据通过短时傅里叶变换模块进行处理，获取含噪信号的时频谱信号组，并提取相位与幅值特征信息构成自编码器的输入矩阵；

C.在自编码器中，采用卷积神经网络作为模型的内层核心网络；内层核心网络包括编码层和解码层，编码层和解码层均由神经网络构成；卷积自编码器的输入数据，经过编码器的若干个卷积层、池化层、激活层和batch Norm层，逐渐降低每个特征映射的尺寸，从而将每个特征映射的尺寸降到32*32，同时在层中加入注意力机制，增强谱信息间的关联性；

D.在特征映射的解码阶段，通过若干个转置卷积层，激活层和batch Norm层，还原成原始的矩阵大小；同时在解码层中，最后一层采用Sigmoid作为激活函数，剩余层均采用ReLU函数作为激活函数；

E.采用如下算式作为自编码器的损失函数L-AE：

其中L(x,y)为标准化数据x与重构数据后数据y的差值；λ为惩罚因子；W为最优解的权值向量；

F.自编码器输出的信号为去噪后的信号和含噪信号的残差矩阵，通过转换可以得到残差复数谱y(t,f)，在短时傅里叶反变换模块中，含噪信号谱减去残差谱将获得去噪后信号的复数谱，通过短时傅里叶反变换后可以得到去噪后的时域信号；t为时间帧，f为频率帧。

其中，将发送端发送的数据进行短时傅里叶变换及标准化和提取到的信息为x，经过自由空间发送后获取的带噪声的数据进行短时傅里叶变换及标准化和提取可以得到带噪声的样本x’，经深度自编码器的去噪输出为y；y经过短时傅里叶逆变换及相关处理可以得到去噪后的信号y’；

S5.在实际自由空间进行光通信时，采用步骤S4得到的最优去噪模型对通信数据进行信号去噪。

如图4所示为本发明方法的具体应用效果图。从图中可以看到，本发明方法确实能够去除自由空间光通信信号中的噪声，而且能够保留有效信号，从而实现了自由空间光通信的信号去噪，而且噪声去除效果好、安全可靠且实用性好。