基于神经网络的可见光通信系统信道估计方法

针对现有的非对称限幅光正交频分复用（ACO-OFDM）可见光通信（VLC）系统中信道估计方法存在导频数量过大、精度低、估计效率不高的问题，提出一种基于深度神经网络（DNN）的VLC信道估计方法。利用梯度集中化（GC）方法进行模型优化，并采用端到端的方式跟踪信道信息并恢复失真信号。仿真结果表明：所提方法的误码率（BER）和均方误差（MSE）性能均优于传统方法；在使用较少的导频和省略循环前缀（CP）进行信道估计时，所提方法具有更强的鲁棒性。此外，在DNN训练过程中引入GC方法，可以加快网络的收敛速度，提高其优化能力。