基于GAN的通道建模，用于非视距（NLOS）太阳能盲紫外通信

《Optics & Laser Technology》：GANs-based channel modeling for non-line-of-sight solar blind ultraviolet communications

提出基于条件Wasserstein GAN加梯度惩罚的CWGAN-GP模型，通过长距离NLOS紫外通信实验平台收集多湍流条件下数据，对比传统BiLSTM模型，验证其在强/中等湍流场景下更优，能有效捕捉时域波形、KL散度低于0.06，适用于大仰角长距离通信系统设计。

　　太阳能盲区紫外（UV）通信因其低太阳背景噪声、强非视距（NLOS）传输能力和高保密性等优势，为太空-地面通信及其他特殊应用场景提供了创新性的解决方案。然而，在NLOS UV通信场景中，接收信号会受到复杂且多变的湍流影响，导致信号出现不可预测的波动。因此，对复杂NLOS UV通信通道的建模成为研究和分析的关键。传统的建模方法主要依赖于数值模拟，但这些方法存在诸多局限性，例如无法准确描述NLOS场景中的湍流特性、限制了通道参数的计算范围，以及噪声建模不够完善。为了解决这些问题，本文提出并验证了一种基于条件Wasserstein生成对抗网络（CWGAN-GP）的NLOS UV通信通道建模方案。通过构建一个支持近千米级实时传输的NLOS UV通信平台，收集了在无湍流、弱湍流、中等湍流和强湍流条件下的数据，用于训练模型。模型生成的数据与真实数据在时域波形、Kullback-Leibler（KL）散度、时域采样点的95%分位数区间、分布特征以及功率谱密度等方面进行了对比分析。实验结果表明，CWGAN-GP模型在中等至强湍流条件下能够更精确地捕捉信号的统计分布特性。模型生成数据与实际大气通道数据之间的KL散度小于0.06，验证了其建模的有效性。此外，本文还对典型的双向长短期记忆（BiLSTM）模型生成的数据进行了对比，结果显示CWGAN-GP方案在各项指标上均优于BiLSTM方案，特别是在长距离或大仰角的NLOS UV通道建模中表现出更强的适应性。本研究证明了基于数据驱动的深度学习模型不仅能够作为特定NLOS UV通道场景的有效替代方案，还为未来通信通道建模方法的发展提供了新的思路。

UV通信在太空-地面通信中具有重要的应用潜力。其独特的散射传播机制使得即使在没有直接视线的情况下，也能实现可靠的通信。同时，UV通信具备较高的本地保密性和良好的气候适应性，使其成为传统无线通信和光纤通信的有力补充。在太空-地面通信系统中，建立可靠的通信链路是关键挑战之一，而UV波段因其强NLOS能力以及较低的太阳背景辐射干扰，成为一种新颖的解决方案。UV光子在传播过程中，能够通过大气中的散射效应进行传输，这种机制在复杂环境中尤为突出。例如，在远距离或大仰角的通信场景中，由于太阳背景噪声的减少，UV通信能够显著提升信号的稳定性与安全性。然而，这种通信方式同样受到大气湍流的严重影响，特别是在深紫外波段，由于大气对UV光的吸收和散射作用更为显著，导致信号强度的波动比可见光波段更为剧烈。因此，如何有效建模NLOS UV通信通道，特别是在强湍流条件下的信号特性，成为研究的重点。

当前的通信系统仿真通常采用“分而治之”的方法，将系统分解为多个独立的模块，如UV发光二极管（LED）、脉冲整形器、调制器、大气通道、光学滤波器、探测器和功率放大器等，并通过严谨的数学模型对每个模块进行描述。然而，这种方法存在明显的不足：首先，它仅适用于那些具有明确数学理论支持的场景，而对于缺乏解析解的复杂情况则难以适用；其次，构建一个完整的UV通信仿真系统需要大量的专业知识和复杂的建模过程，这使得商业软件的成本较高且不开放；最后，系统仿真过程中，测试数据需要依次经过每个模块的处理，导致计算过程繁琐且耗时较长。因此，需要一种更为先进的建模方法，以重新思考和优化光学通信系统的整体设计。

深度学习作为一门强大的跨学科工具，已在自然语言处理、大模型、室内定位等多个领域取得了显著成果。在无线和光学通信领域，基于自编码器的端到端学习方法成为一种有前景的解决方案，尤其是在需要对可微分通道进行全局优化的场景中。然而，传统的通信通道模型通常是非可微的，这使得在自编码器参数学习过程中难以进行梯度计算。近年来，随着深度学习技术的快速发展，研究人员已经能够构建出具有低复杂度、无需迭代操作、并且对专业知识和数学理论依赖较少的数据驱动型通道模型。这些模型不仅具备可微性，还能够与端到端系统兼容，从而实现更高效的通信性能优化。例如，一项研究通过构建一个基于深度神经网络的模型，对5G无线通信系统的通道特性进行了全面建模，取得了良好的预测效果。在光纤通信领域，研究人员采用双向长短期记忆（BiLSTM）网络对信号特性进行建模，其结果在多个特征域中均优于传统的分步傅里叶（SSF）方法。而在自由空间光学（FSO）通信领域，BiLSTM、贝叶斯神经网络（BNN）和生成对抗网络（GAN）等框架的对比研究表明，GAN框架在捕捉复杂信号特征方面表现出更强的学习能力。生成对抗网络最初由Goodfellow等人提出，已成为生成建模领域的重要基石。GAN通常由两个部分组成：生成器和判别器，二者在对抗训练中同时进行优化。生成器的目标是生成与真实数据难以区分的样本，如波形或图像；而判别器的任务则是准确判断给定样本是真实数据还是生成数据。通过这种最小化最大化的博弈过程，两个网络不断自我完善：生成器学习如何更精确地逼近真实数据分布，而判别器则变得更擅长识别生成样本。因此，GAN在建模高维、高度非线性数据分布方面表现出色，能够生成高质量的合成数据。本文在第二部分详细介绍了GAN的网络结构及其在通信建模中的应用。

在无线光学系统中，长距离调制技术已被用于非视距可见光通信环境中的定位和通信，揭示了机器学习在拓展可见光通信（VLC）应用场景方面的巨大潜力。此外，深度神经网络方法也被应用于功率域稀疏码多址接入（PD-SCMA）系统中的解调任务，显著降低了误码率并提升了系统容量，进一步证明了深度学习在复杂解调任务中的优势。在非正交多址接入可见光通信（NOMA-VLC）领域，基于机器学习的信号解调器在多用户场景中表现出更高的传输效率和更强的抗干扰能力。这些研究都表明，深度学习技术在通信系统中的应用前景广阔。

传统的无线频段（RF）通道建模主要关注微波传输中的多径效应和多普勒效应，而光纤通道则是一个在封闭空间中确定性的通道，其特性由非线性薛定谔方程所描述。光纤通信的研究主要集中在光纤传输损耗、色散效应以及Kerr非线性等方面。相比之下，基于激光的自由空间光学通信依赖于直接视线传输，而NLOS UV通信则不受这些因素的限制。在深紫外波段，大气湍流导致的光强波动是可见光波段的两到三倍，这意味着UV通信链路对湍流的敏感性远高于自由空间光学（FSO）通信。此外，NLOS UV通信高度依赖于大气散射效应，这导致光束扩散范围更大，接收端的损耗也相应增加。NLOS UV通道在光子与大气的相互作用中表现出独特的特性，使其在本质上区别于光纤、无线RF和直接视线FSO通道。因此，为NLOS UV通道设计的深度学习算法无法直接应用于其他类型的通信系统，需要对网络结构、损失函数、学习率等参数进行进一步的优化和调整。

本文提出并验证了一种基于条件Wasserstein生成对抗网络（CWGAN-GP）的NLOS UV通信通道建模方案。考虑到目前尚无准确且易于获取的UV通信数据用于训练网络，我们构建了一个高性能的UV光学通信系统，该系统基于UV LED，并收集了适用于千米级NLOS UV通信的波形数据。利用CWGAN-GP模型，我们提出了一个能够考虑大气衰减、湍流引起的波动、路径损耗、实际收发器中的非线性效应以及热噪声和背景光噪声影响的深度学习系统模型。为了全面评估比较模型在统计分布学习方面的性能，我们引入了多种统计指标，包括时域波形、KL散度、时域采样点的95%分位数区间以及概率密度函数（PDF）的拟合效果。实验结果表明，CWGAN-GP模型在强湍流和中等湍流条件下能够更有效地建模NLOS UV通道。与传统模型相比，基于CWGAN-GP的通道模型能够更准确地捕捉UV通道的时域特性，从而实现信号波形的多样化生成。这一能力有助于分析NLOS场景下的湍流效应和码间干扰，同时验证了该深度学习方法在NLOS UV通信系统中的可行性。此外，该模型还提供了一种复杂度更低、灵活性更强的通信通道建模解决方案，为未来相关技术的发展奠定了基础。

在NLOS UV通信系统中，信号的传输特性受到多种因素的综合影响。其中，大气湍流是导致信号强度波动的主要原因。湍流引起的光强波动可以通过归一化方差或闪烁指数（SI）进行量化。归一化方差或SI的定义为：$$ \sigma_I^2 = \frac{\langle I^2 \rangle - \langle I \rangle^2}{\langle I \rangle^2} $$，其中 $ I $ 表示瞬时测量的光强，$ \langle I \rangle $ 表示时间平均光强。通过对不同天气条件下的通信场景进行建模，评估了所提出模型的性能。例如，在一个500米的通信场景中，发射端和接收端的仰角均设置为5度，分别在晴朗和多云天气条件下采集了真实通道输出数据。通过对比生成信号与真实信号之间的KL散度，发现其分别为0.0372和0.0217，进一步验证了所提出建模方法的有效性。这表明，基于CWGAN-GP的模型在不同天气条件下均能保持较高的建模精度，能够适应多种复杂环境下的通信需求。

本文的研究不仅限于理论建模，还通过实际实验平台对所提出方法进行了验证。由于目前尚无适用于UV通信的商业软件，我们搭建了一个支持近千米级NLOS UV通信的离线实验平台，并在真实大气传输条件下进行数据采集。通过该平台，我们能够获取高质量的信号数据，为模型训练提供了可靠的基础。实验过程中，我们特别关注了不同湍流强度下的信号特性，包括无湍流、弱湍流、中等湍流和强湍流等场景。通过对这些数据的分析，我们能够更全面地理解UV通信在不同环境下的表现，并进一步优化模型的性能。此外，实验结果还表明，基于CWGAN-GP的模型在信号生成的多样性、准确性以及对湍流效应的建模能力方面均优于传统方法，特别是在处理复杂和高阶散射环境时表现出更强的适应性。

在NLOS UV通信中，信号的波动特性与大气环境密切相关。例如，在晴朗天气下，大气湍流相对较弱，信号波动较小，通信质量较高；而在多云或恶劣天气条件下，湍流强度增加，导致信号强度出现较大的随机波动，从而影响通信的稳定性。因此，为了更准确地模拟这些场景，我们引入了多种统计指标，如KL散度、95%分位数区间以及概率密度函数的拟合效果，以量化模型与真实数据之间的差异。这些指标的引入不仅有助于评估模型的性能，还能为后续的通信系统优化提供重要参考。实验结果表明，基于CWGAN-GP的模型在各种湍流条件下均能保持较高的建模精度，能够有效捕捉信号的统计特性，从而为NLOS UV通信的可靠性提供保障。

综上所述，本文提出的基于CWGAN-GP的NLOS UV通信通道建模方案，不仅能够准确模拟真实通信环境中的信号特性，还能够有效应对湍流带来的不确定性。该方案的优势在于其数据驱动的特性，能够通过实际数据训练模型，从而提高建模的准确性和灵活性。此外，该模型具备可微性，能够与端到端系统兼容，为未来的通信系统设计和优化提供了新的思路。实验结果表明，该模型在不同天气条件下均能保持较高的建模精度，验证了其在复杂环境下的适用性。同时，通过对比传统模型，如BiLSTM，我们发现基于CWGAN-GP的模型在各项指标上均优于传统方法，特别是在处理强湍流和中等湍流条件下的信号波动时表现更为出色。因此，本文的研究不仅为NLOS UV通信通道建模提供了新的方法，还为未来相关技术的发展奠定了坚实的基础。