基于深度学习的ACO-OFDM自由空间光通信中信号检测

摘要：

针对自由空间光通信(free-space optical communication,FSO)系统中大气湍流引起的光强起伏闪烁效应对正交幅度调制(quadrature amplitude modulation,QAM)信号影响很大,缺少实时信道信息时的最大似然(maximum likelihood,ML)检测器性能较差问题,本文提出了 一种基于深度学习(deep learning,DL)的信号检测器.其网络框架采用了一个具有全连接层的深度学习神经网络(deep-learning neural network,DNN),实现了无导频的ACO-OFDM空间通信系统中信道盲估计、信道均衡和信号解调.仿真结果表明:在中强湍流大气信道下训练的DNN检测器,8QAM、16QAM和64QAM等调制信号解调的误码率分别可以下降到在2×10-5、5×10-5和5×10-4左右,具有优越性能和鲁棒性,能较好抑制大气湍流引起的信道衰落.

关键词：自由空间光通信、大气湍流、深度学习神经网络、正交频分复用

所属期刊栏目：34

分类号：TN929.1

资助基金：国家自然科学基金12104141

在线出版日期：2023-03-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：68-73