摘要
沃尔特拉非线性后均衡器(Vo1terra Series Non1inear Post-Equa1izer,VS-NPE)可以补偿可见光通信(Visib1e Light Communication,VLC)的非线性失真和多径效应,但其结构复杂且均衡精度有限.在VS-NPE内核求解基础上,提出一种基于阈值自学习近似消息传递(Learned Thresho1d Approximate Message Passing,LTAMP)网络的非线性均衡器.修正样本观测矩阵以克服其列高度相关的缺陷;在改进近似消息传递(Approximate Message Passing,AMP)算法迭代的基础上,将算法每一次迭代的计算过程映射为一层特殊的神经网络,经逐层展开后构建出完整的LTAMP均衡器.所提方法融合了模型求解和深度学习的优势,可从样本中学习最佳的AMP参数,以克服其对噪声敏感且输出不稳定的缺陷,进而提升内核求解稳定性与计算精度.仿真结果表明,与稳固阈值AMP算法相比,所提方法在误码率为1×10-3时能取得2 dB的信噪比增益,且对样本噪声具有较强的自适应性,展现出优异的非线性失真补偿能力.
维普
万方数据