基于物理信息的神经网络的室内非视距光无线通信

《IEEE Photonics Technology Letters》：Physics-Informed Neural Network-based Indoor Non-Line-of-Sight Optical Wireless Communication

非视距室内光通信中基于物理信息神经网络（PINN）的均衡器设计，有效解决多径衰落、信号衰减及器件非线性导致的性能退化问题。实验表明，PINN均衡器在70.87%误码率下较传统均衡器提升24.6%，且较RNN均衡器减少8.21%训练时间，验证了其在高速数据传输中的高效性和鲁棒性。

　　

摘要：

室内光无线通信（OWC）能够提供高速且安全的传输，但在视距（LOS）条件下容易受到阻挡。非视距（NLOS）OWC通过利用漫反射光路径来克服这一问题，但随之带来了复杂的信道环境，包括严重的多径效应、信号衰减、设备非线性以及符号间干扰（ISI），尤其是在高数据速率时。这些因素会显著降低通信性能，并限制传统均衡器的效果。本文提出了一种基于物理信息神经网络（PINN）的均衡器，旨在应对NLOS室内OWC所面临的挑战。与传统均衡器相比，该PINN均衡器在不同数据速率和硅光电倍增管（SiPM）偏置电流条件下，将比特错误率（BER）提高了24.6%至70.87%。与基于常规循环神经网络（RNN）的均衡器相比，所提出的PINN均衡器将训练时间减少了8.21%至52.22%。实验结果证实了PINN在高效且稳健的NLOS室内OWC应用中的潜力。