智能移动设备的广泛使用导致了对数据密集型服务（如高清流媒体、实时游戏、增强/虚拟现实以及快速发展的物联网生态系统）的需求激增。这一趋势预计将使移动数据流量呈指数级增长，从而给当前的射频（RF）频谱带来压力。
随着RF频谱接近饱和，转向包括可见光、红外和紫外光在内的光频谱变得必要，以满足不断增长的数据需求[1]。光无线通信（OWC）提供了一个有前景的解决方案，并在学术界和工业界越来越受到关注[2]。
OWC系统通常使用发光二极管（LED）或激光二极管作为发射器，光电二极管作为接收器。强度调制与直接检测（IM/DD）是主要的技术；然而，它限制了传输信号为实值非负波形[3]。此外，商用光学组件的有限调制带宽——尤其是白光LED，其带宽通常在兆赫范围内为3 dB——对频谱效率构成了显著限制[4]。因此，提高IM/DD OWC系统的频谱效率是一个关键的研究目标。
为此，研究人员探索了多种提高频谱效率的技术，其中多输入多输出（MIMO）传输和正交频分复用（OFDM）调制成为关键推动因素。重复编码（RC）、空间调制（SM）和空间复用（SMP）等MIMO方案受到了广泛关注[5]。RC通过发送多样性提高可靠性，SM一次只激活一个发射器以减少干扰，而SMP通过同时传输来自多个LED的独立数据流来提高吞吐量。特别是SM，属于更广泛的索引调制技术家族，其中信息不仅通过信号星座传递，还通过传输资源的激活模式传递[6,7]（由编辑委员会编辑的参考文献）。
将OFDM与高阶正交幅度调制（QAM）结合使用进一步提高了频谱效率[8]。当与MIMO结合时，OFDM提供了一种利用频率和空间域的强大机制，使其特别适用于带宽受限的IM/DD OWC系统。最近的研究探索了混合MIMO-OFDM技术，包括频域空间调制（FD-SM）和时域空间调制（TD-SM）[9]。此外，还应用了先进的索引调制策略，例如使用4×4 MIMO的广义LED索引调制光OFDM方案[10]。在此基础上，引入了广义空间调制（GSM）以利用多个活动发射器，显著提高了频谱效率和检测鲁棒性[11]。
随后，提出了基于OFDM的GSM方案，如频域GSM（FD-GSM）和时域GSM（TD-GSM），以进一步提高性能[12,13]。在FD-GSM中，空间映射在频域中进行，需要多个并行的OFDM发射链路个发射器，从而增加了硬件复杂性、功耗和同步开销。相比之下，在TD-GSM中，映射在时域中进行，可以使用单个OFDM链路，同时保持高频谱效率，使其在实用的OWC系统中更加高效和可扩展。然而，以往研究中的FD-GSM和TD-GSM方案通常依赖于传统的检测算法，如最大似然（ML）和最大比合并（MRC），这些算法缺乏适应性，并且对实际OWC环境中的信道估计误差敏感。
基于这一研究方向，提出了一种基于OFDM的时域正交GSM方案，以提高可见光通信（VLC）系统的频谱效率[14]。该设计使用OFDM独立调制QAM符号的实部和虚部，并将它们映射到不同的空间索引。检测由基于非法向量校正的正交匹配追踪（OMP）算法处理，该算法利用了信号的稀疏性。尽管其复杂性-性能权衡有所改进，但该方案假设了完美的信道状态信息（CSI），并且缺乏自适应信道估计，限制了其在动态场景中的适用性。
深度学习（DL）已成为无线通信任务的强大工具，特别是在非线性和噪声条件下的检测[15]。研究表明，基于DL的GSM-VLC系统检测框架通过利用深度神经网络（DNN）从接收信号中提取信息，优于传统技术[16]。此外，还开发了一种基于OFDM的广义光正交空间调制方案，用于在频域中联合映射QAM符号的同相和正交分量，使用DNN来提高检测性能[17]。然而，该方案假设了完美的CSI，并且不包含任何信道估计机制，这限制了其在时变或易移动的OWC环境中的有效性。
在一个互补的方向上，引入了一种使用DNN的实时功率分配系统，用于基于OFDM的OWC信道[18]。该方法根据变化的大气和衰落条件自适应调整发射器功率，从而提高效率。然而，它仅关注功率控制，不涉及检测或空间调制，因此不太适用于MIMO-GSM系统。
在一个相关的发展中，提出了一个基于深度学习的广义光MIMO框架，用于采用SM和复用的广义光MIMO系统，该框架不需要CSI[19]。尽管在低复杂度设置中有效，但它依赖于低阶PAM（2-PAM），限制了频谱效率，且缺乏OFDM和自适应学习，限制了其在高速OWC应用中的可扩展性。
尽管取得了这些进展，现有的基于DL的光MIMO研究仍存在共同缺陷。大多数工作假设了完美的CSI，而在实际的OWC系统中这很少实现。自适应信道估计通常缺失，使得接收器在噪声或时变条件下容易受到攻击。一些方案依赖于PAM或频域映射，这要么限制了频谱效率，要么增加了发射器的硬件复杂性（与TD-GSM相比）。许多工作还使用低阶调制格式（例如2-PAM），这些格式不适合高容量应用。这些不足共同推动了开发一种直接解决先前方法局限性的基于深度学习的接收机架构。
在这项工作中，我们将深度学习集成到基于OFDM的TD-GSM光MIMO框架中，适用于实际的IM/DD和不完美的CSI条件——这是以往研究中未探索的领域（例如基于PAM的GSM [16]、FD-GSM [17]、功率自适应方案 [18]、无需CSI的低阶PAM检测 [19]）。我们设计的创新之处在于结合了：（i）用于在高信噪比（SNR）下进行自适应信道估计的条件去噪自动编码器（DAE）；（ii）用于稳健空间索引检测的多层感知器（MLP）分类器；以及（iii）用于在非线性光失真下进行星座恢复的卷积神经网络（CNN）。通过将空间信息直接嵌入时域，所提出的接收器相对于FD-GSM降低了硬件复杂性，同时保持了高频谱效率。据我们所知，这是第一个针对实际光MIMO环境定制的基于深度学习的OFDM TD-GSM接收机架构。仿真结果证实了其有效性，在的误比特率（BER）下提高了高达9 dB的性能，从而验证了其鲁棒性、可扩展性和方法论新颖性。
本文的其余部分组织如下。第2节介绍了光MIMO系统中基于OFDM的TD-GSM系统和信道模型。第3节描述了所提出的基于DL的接收机架构，包括条件DAE、MLP和CNN模块。第4节介绍了仿真设置和性能评估，第5节总结了论文的关键发现和未来研究方向。
