基于卷积神经网络与静态相位库的卷帘快门可见光通信OOK信号解调

《Sensors》：A Static Phase-Bank CNN Demodulator for Rolling-Shutter Optical Camera Communication in Intra-Satellite Links

　　# 摘要本文提出并评估了一种卷积神经网络（CNN），用于解调由卷帘快门相机捕获的LED传输的脉冲幅度键控（OOK）信号，研究动机源于星内短距离光通信。所提出的"静态相位库"（Static Phase Bank）直接从相机图像中预测载荷比特及其有效性，无需外部强度阈值或载荷起始检测器。研究的核心目标之一是探索使用合成帧进行训练。真实录制数据用于校准生成的卷帘快门图像的外观，其中载荷位置和传输比特在构造时即为已知。CNN随后仅在这些合成帧上进行训练，并在30 lx条件下对真实录制数据进行评估，未进行微调。其实现了基于帧内参考的误码率（BER）为1.79×10?3，并在97.6%的测试帧中正确恢复了所有标注载荷和时隙有效性判决。一项独立实验表明，在42 lx和4 lx录制数据上联合训练的单一CNN，可以使用相同的网络参数同时解调两种光照条件下的信号。真实数据结果基于经过审核的代理标签进行测量，并不能证明其具有通用鲁棒性或相比传统接收机在准确性上具有优势。尽管如此，本研究展示了CNN方法的两个实际应用贡献：一是在合成帧上训练的同时，在真实图像上仍保持有效的解调性能；二是将多种光照条件纳入单一接收机中，而无需条件依赖的模型切换或阈值调整。