水下激光通信弱光信号的自适应随机共振检测
近年来,随着人类对海洋勘探、海底监测和海洋资源开发的日益增加,水下无线光通信(Underwater Optical Wireless Communication,UOWC)凭借其传输速率高、通信带宽大、时延小、保密性强等多个显著优势,受到人们的广泛关注和研究[
为了提升UOWC的传输速率和传输距离,Shen等人[
为了进一步验证随机共振对水下弱光信号检测的优异性能,本文通过分析水下弱光信号的特点及随机共振的检测机理,设计了一种基于自适应随机共振的水下弱光信号检测方法,使用改进蚁群算法对随机共振的系统参数进行优化,将输出信号信噪比作为目标函数,动态的调整系统参数,进一步实现随机共振参数的自适应估计。最后搭建了UOWC系统实验平台,并对实际采集数据进行检测,进一步验证了该方案的优异性能。
2 随机共振对水下弱光信号的适用性
2.1 海水信道光信号传输模型
(1) |
其中:为光源的发散角;为光学发射天线的孔径半径;为光学接收天线的孔径半径;为Beer-Lamber定律描述的水下光信号的吸收和散射模型[
图1 UOWC光信号传输模型
Fig.1 UOWC optical signal transmission model
2.2 双稳态随机共振
随机共振是信号、噪声和非线性系统共同作用形成的一种非线性现象。双稳态随机共振系统可用Langevin方程描述[
(2) |
其中:为输入信号;是均值为0、强度为的高斯白噪声,且满足均值,自相关函数;为没有信号和噪声输入时双稳态系统的势函数,为势函数的导数,势函数为:
(3) |
整理得,
(4) |
其中:为系统输出,为系统结构参数。
(5) |
图2 双稳态随机共振势函数
Fig.2 Bistable stochastic resonance potential function
当没有输入信号与噪声时,粒子稳定在任意一个势阱内。当没有噪声且输入信号的幅值足够小,即信号幅值处于系统阈值以下(),粒子在任意一个势阱内做周期运动。同时输入信号与噪声,粒子可能从任意一个势阱跃迁至另一个势阱,且噪声强度合适时,输入信号、噪声与非线性系统达到某种匹配状态,粒子在两个势阱间来回切换,切换频率与输入信号一致,即产生了随机共振现象。
双稳态随机共振的阱内活动以及势垒高度对随机共振的产生有重要影响,势垒高度关系着系统产生协同效应时信号与噪声所需的能量,系统阈值大小关系着粒子的跃迁概率,根据双稳态系统的势函数和系统阈值可知,系统参数会改变势垒高度和系统阈值,进而影响双稳态随机共振。
图3参数a,b对势函数U(x)的影响
Fig.3Effect of parameter a,b on the potential function U(x)
图4参数a,b对系统阈值Ac的影响
Fig.4Effect of parameter a,b on the system threshold Ac
此外,由于
(6) |
其中:是系统输入信号的第个采样点,是系统输出信号的第个采样点,为采样频率,为采样步长。
2.3 二次采样随机共振
由于绝热近似理论的限制,随机共振只能处理频率小于1的小参数信号。在UOWC系统中光信号频率不满足绝热近似条件,为了克服小参数信号的局限性,引入二次采样随机共振[
图5 二次采样随机共振
Fig.5 Secondary sampling stochastic resonance
二次采样的实质是将一个高频率转换为一个低频率的过程。根据信号频率,选择变尺度系数,表示变尺度采样频率,数值上定义为,
(7) |
龙格-库塔法的步长变为。利用步长可求解输出响应,最后按变尺度系数恢复原始数据即可。
图6 大参数信号随机共振
Fig.6 Large parameter signal stochastic resonance
3 自适应随机共振
3.1 蚁群算法
蚁群算法(Ant Colony Algorithm,ACA)最早是由意大利学者Dorigo等于1991年提出的一种寻找最优路径的几率型算法[
(1)初始化。在计算之初对相关的参数进行初始化,如种群大小,最大循环次数,信息素因子,启发函数因子,信息素挥发因子等。
(2)构建解空间。将蚂蚁随机放置于不同的出发点,蚂蚁个体根据各条路径上的信息素浓度和路径的启发信息来计算状态转移概率,进而选择下一个节点,时刻蚂蚁由节点转移到节点的状态转移概率如
(8) |
其中:为节点和节点两个位置之间的信息素浓度;为启发信息,表示为节点和之间距离的倒数;和为常数,分别表示信息素浓度和启发信息的影响程度;为未访问过的节点的集合。
(3)更新信息素。蚂蚁每完成一次搜索过程,就会进行一次信息素的更新,更新公式如
(9) |
其中:为蚂蚁从节点到节点路径上留下的信息素总和。
(4)判断是否终止。若循环次数小于最大循环次数,则迭代次数加1,清空蚂蚁经过路径的记录表,并返回步骤(2),否则终止计算,输出最优解。
3.2 改进蚁群算法
基本蚁群算法存在容易早熟、停滞、陷入局部最优等不足。针对蚁群算法的这些不足,提出一种基于拥挤度因子的蚁群算法(Improved Ant Colony Algorithm based on Congestion Factor,CFACA)。在人工鱼群算法中,拥挤度的设置是为了防止鱼群在寻找食物的过程中过于集中在一个区域,导致之后的鱼群没有食物可寻的情况发生[
蚂蚁按照
(10) |
其中:为蚂蚁当前所选路径上的信息素浓度,为所有路径上的信息素浓度。如果,则该路径不拥挤,蚂蚁可以选择该路径进行转移,如果,则该路径过于拥挤,蚂蚁需重新选择转移路径。表示时刻的拥挤度因子,如
(11) |
(12) |
其中:为路径节点的总数。
3.3 基于CFACA的自适应随机共振
传统的随机共振进行微弱信号检测时,系统参数大多是人为设置,或者进行单参数优化,这些方法没有考虑到系统参数之间的相互作用,导致最终的检测结果具有一定的偶然性。因此,实现自适应随机共振,可以有效提高系统检测性能。将CFACA用于优化随机共振系统最优参数的问题中,可以根据检测性能动态的调整系统参数,以达到最优的匹配效果。系统的输出信噪比是衡量随机共振效应的重要指标,信噪比越大则随机共振的输出效果越好。选取输出信噪比作为CFACA的目标函数,搜索在取得最大值时最优的系统参数和,实现基于CFACA的自适应随机共振。具体步骤如下:
(1)对获取的带噪弱光信号进行预处理。由于光信号的传输频率和采样频率可达到MHz或GHz量级,因此不满足随机共振的绝热近似条件。此时,进行二次采样得到小参数信号,使其满足随机共振的小参数输入条件。
(2)划分搜索网格。设定优化参数的取值范围,根据一定的步长分割,划分成若干大小相同的网格。随机在网格节点处放置蚂蚁,且每个节点对应一组随机共振的系统参数,根据节点可以计算目标函数值。
(3)计算转移概率。每组节点对应的信息素浓度计算相应的状态转移概率,根据概率值的大小选择蚂蚁下一个移动的节点。
(4)计算拥挤度。计算当前节点到蚂蚁选择的下一个节点路径上的拥挤度,若拥挤度小于拥挤度因子,则选择该节点继续走,若拥挤度大于或等于拥挤度因子,则重新选择节点。
(5)优化、更新信息素浓度。根据目标函数输出信噪比更新信息素浓度,计算新的转移概率,并判断蚂蚁觅食所选节点是否收敛。若收敛,找出信息素浓度最高的网格节点,否则跳至步骤(3),继续搜索最优节点。
(13) |
其中:为信号功率,为噪声功率。
(6)判断移动次数。蚂蚁移动次数达到预设的最大移动次数,则输出全局最佳的网格节点,此节点即为随机共振的最优系统参数。
(7)双稳态随机共振。将最优系统参数代入双稳态随机共振系统,利用四阶龙格-库塔法求解输出响应,实现弱光信号的检测。
现对ACA-ASR和CFACA-ASR检测算法进行复杂度分析,即算法的时间复杂度和空间复杂度。通过分析计算ACA-ASR算法的时间复杂度为,CFACA-ASR算法的时间复杂度为。其中,为最大迭代次数,为蚁群数量,为检测信号的总码元数。对算法各步骤的综合分析,ACA-ASR算法的空间复杂度为,CFACA-ASR算法的空间复杂度为。相较于ACA-ASR检测算法,CFACA-ASR检测算法增加了拥挤度比较进一步解决局部最优解问题,所以在时间和空间复杂度上相对有所增加。
4 仿真分析
为了验证基于CFACA的自适应随机共振系统的有效性,采用所建立系统对仿真信号进行分析。
图7 基于CFACA-ASR系统处理的含有高斯白噪声的双极性信号(SNR=-20 dB)
Fig.7 Bipolar signal with Gaussian white noise processed by CFACA-ASR system(SNR=-20 dB)
图8 ACA算法收敛图
Fig.8 ACA algorithm convergence graph
图9 CFACA算法收敛图
Fig.9 CFACA algorithm convergence graph
此外,基于蚁群算法的自适应随机共振(ACA-ASR)检测系统在故障诊断中已实现了微弱特征增强和提取[
图10 不同检测方案的误码率
Fig.10 Bit error rate of different detection schemes
码元个数为106,传输速率为1 MHz,且每个码元的采样点数为100。在低信噪比下,不经过随机共振(NO-SR)的信号误码率始终高于10-1。随机共振检测可有效改善系统误码率特性,但随机共振最佳系统参数随输入信噪比改变而改变,导致恒参随机过程检测性能较差。自适应随机共振检测能够根据整个系统的检测性能进行动态参数调整,可使系统达到最优的参数匹配效果,可明显改善系统误码率。ACA-ASR虽然也可实现弱光信号的检测,但易发生系统参数陷入局部最优的问题。当输入信噪比处于-15 dB~-5 dB时,CFACA-ASR检测性能明显优于ACA-ASR。
为了进一步说明所提算法的性能下限,分别仿真了不同采样率下通信系统的误码率,每个码元的采样点数分别设置为10、30、50、70、100和150。现统计了信噪比为-10 dB至0 dB之间的误码率。如
图11 CFACA-ASR在不同采样点数下的误码率
Fig.11 CFACA-ASR error rate under different sampling points
将CFACA-ASR算法用于实时在线自适应处理时,可考虑引入训练序列。假设传输总码元个数为个,现选取其中一部分码元作为训练序列,其余作为信息序列。根据训练序列进行自适应随机共振得到最优的系统参数,进一步使用最优参数处理信息序列。现选取了不同的训练序列分别进行参数自适应,总仿真码元个数为106个,分别仿真分析了训练序列码元个数为10、20和30时对应的系统误码率,如
信噪比/dB | 训练序列码元个数 | ||
---|---|---|---|
10 | 20 | 30 | |
-5 | 8.57×10-4 | 8.23×10-4 | 5.96×10-4 |
-4 | 5.55×10-4 | 2.96×10-4 | 1.62×10-4 |
-3 | 6.3×10-5 | 8.0×10-5 | 3.2×10-5 |
-2 | 1.8×10-5 | 1.4×10-5 | 2.0×10-6 |
-1 | 5.0×10-6 | 2.0×10-6 | 0 |
0 | 0 | 0 | 0 |
5 实验分析
5.1 实验装置
水下无线光通信实验系统如
图12 UOWC实验系统
Fig.12 UOWC experimental system
5.2 实验结果
在实验系统中,噪声主要为探测器APD自身的噪声,APD的噪声主要分为两种:散弹噪声和热噪声。热噪声来源于器件内部载流子热运动,散弹噪声是由于光电效应产生的光生载流子随机起伏导致的,包括暗电流噪声、倍增噪声等,通过实际测量,实验系统中的噪声平均功率为0.42 μW。
由于水质对信号的衰减较大,因此影响水下光信号信噪比的因素主要为到达接收机的光信号功率,文中的信噪比是根据信噪比公式计算所得,其中是信号功率,是噪声功率。发射端发送全“1”信号,接收端使用数据采集卡采集长度为的信号。发射端发送全“0”信号,接收端使用数据采集卡采集长度为的信号。对于实际采集的信号和,利用式(14)~
(14) |
(15) |
(16) |
在实验中,利用任意波形发生器(RIGOL DG5352)产生占空比为50%的方波信号并驱动LD光源,码元传输速率为1 MHz,每个码元的采样点数为100个,蚁群算法所选参数与仿真参数相同,
图13 基于CFACA-ASR系统处理的实验采集数据(SNR=-4.559 5 dB)
Fig.13 Experimental data collected based on CFACA-ASR system processing(SNR=-4.559 5 dB)
图14 不同检测方案的实验结果
Fig.14 Experimental results of different detection schemes
6 结 论
针对水下无线光通信接收信号低信噪比问题,提出了一种基于自适应随机共振的水下弱光信号检测方法,采用基于拥挤度因子的改进蚁群算法对随机共振的系统参数进行优化,将输出信号信噪比作为目标函数,动态调整系统参数,实现了随机共振最佳系统参数的自适应估计,仿真结果表明,相比恒参随机共振,所提出的检测方法在误码率方面有明显提升。搭建了UOWC实验系统,实验结果表明,在接收信号信噪比为-4.559 5 dB时,本文所提出的自适应随机共振检测方法的系统误码率为5×10-4,验证了该方法在水下无线光通信系统中的有效性。
- 我用了一个很复杂的图,帮你们解释下“23版最新北大核心目录有效期问题”。
- 重磅!CSSCI来源期刊(2023-2024版)最新期刊目录看点分析!全网首发!
- CSSCI官方早就公布了最新南核目录,有心的人已经拿到并且投入使用!附南核目录新增期刊!
- 北大核心期刊目录换届,我们应该熟知的10个知识点。
- 注意,最新期刊论文格式标准已发布,论文写作规则发生重大变化!文字版GB/T 7713.2—2022 学术论文编写规则
- 盘点那些评职称超管用的资源,1,3和5已经“绝种”了
- 职称话题| 为什么党校更认可省市级党报?是否有什么说据?还有哪些机构认可党报?
- 《农业经济》论文投稿解析,难度指数四颗星,附好发选题!
- 期刊知识:学位论文完成后是否可以拆分成期刊论文发表?
- 号外!出书的人注意啦:近期专著书号有空缺!!