CN119420614A 一种基于粗糙集信息决策系统的自适应o-ofdm符号分解噪声抑制方法 （兰州理工大学）

一种基于粗糙集信息决策系统的自适应O-本发明公开了一种基于粗糙集信息决策系集理论的信息决策系统与不可分辨关系建立粗时域抽样值并对其进行重构，最后按位合并相21.一种基于粗糙集信息决策系统的自适应O_OFDM符号分解噪声抑制方法，其特征在步骤2.4：将分解符号进行属性约简重构，然后对分解符号进行合并相加，恢复出O_2.根据权利要求1所述的一种基于粗糙集信息决策系统的自适应O_OFDM符号分解噪声设置LED线性工作区间及最大符号分解次数，根据O_OFDM符号允许的动态范围进行分在发送端由于没有经过信道，故在发送端影响系统性能的主3clipclip3.根据权利要求2所述的一种基于粗糙集信息决策系统的自适应O_OFDM符号分解噪声DC]T4.根据权利要求3所述的一种基于粗糙集信息决策系统的自适应O_OFDM符号分解噪声非对称限幅OFDM符号分解的粗糙集理论分类预直流偏置光OFDM符号分解的粗糙集理论分类预处理45.根据权利要求4所述的一种基于粗糙集信息决策系统的自适应O_OFDM符号分解噪声号分解与直流偏置光OFDM符号分解系统属性约简重预处理分解符号当分解符号的时域抽样值时，直流偏置光OFDM符号分解属性约简重别与0V之间的时域抽样值；定义重构βtop和βbottom，零值上界阈值和零值下界阈值预处理分解符号当分解符号的时域抽样值56[0001]本发明涉及可见光通信技术领域，尤其是涉及粗糙集信息决策系统的自适应O_一种创新解决方案，可见光通信(VLC)能够在不干扰照明功能的前提下，借助发光二极管[0003]尽管VLC的技术潜力已获得初步验证，但其在向实用化过渡的过程中仍遇到不少应对光信号多径传输并提升频谱效率的能力。尽管如此，O_OFDM信号的高峰均功率比题。虽然通常可以借助均衡技术等方法对LED电光转换的非线性映射进行线性化处理，但优化直流偏置等方法。文献“MeslehR.LEDclippingdistortioncompensationinopticalwirelesscommunicationviamultipletransmitLEDs[J].PhotonicNetwork博然,陆皓,等.可见光通信光正交频分复用系统符号分解技术抑制LED非线性失真研究分解符号进行串行组帧再输入到单个LED，在接收端对各分解符号按对应位相加恢复出O_7[0006]但不论是SDST还是ASDST系统，在接收端都需要将多个接收的分解符号合并相加[0007]本发明的目的是提供一种基于粗糙集信息决策系统的自适应O_OFDM符号分解噪声抑制方法；以解决SDST与ASDST系统在接收端如果直接将这些接收分解符号相加会让叠加在分解符号上的AWGN也叠加，导致系统BER性能变差的问题；进一步提高O_OFDM系统性[0008]本发明提出了一种基于粗糙集信息决策系统的自适应O_OFDM符号分解噪声抑制[0019]步骤3：将各个分解符号进行粗糙集分类预处理；利用粗糙集理论的信息决策系8提高VLC系统性能，但是其在接收端合并相加恢复O_OFDM符号时会使叠加在各个分解符号相结合寻找了一种可见光通信LED非线性抑制新思路，建立了基于粗糙集理论的自适应O_[0026](2)以分解符号的时域抽样值为预处理数据构建粗糙集理论信息决策系统，根据决策出原本等于限幅门限与零值的时域抽样值，并且避免利用最大噪声模值法去除噪声分解符号的时域抽样值为论域U，发送端预分类类别为接收端预处理数据信号特征并转换[0028](3)依据粗糙集理论的不可分辨关系对信息决策系统进行属性约简重构，可以有9[0049]参见附图1，一种基于粗糙集信息决策系统的自适应O_OFDM符号分解噪声抑制方[0050](1)发送端信源产生二进制信息序列映射到M阶正交幅度调制(M_QAM)星座点，X[0051](2)将调制信号X(k)进行映射，使输出信号X满足厄米特(Hermitian)对称性，即Xmapping，也就是其映射矢量的后半部分与[0058]首先对xIFFT进行第一次限幅得到限幅信号然后用xIFFT减去获得第二次符[0059]第l次符号分解的输入为将限幅输出延时(l_1)T得到分解符号限幅表clipclip[0070](1)强度调制/直接检测(IM/DD)的光信号经过室内光无线信道传输后，PD检测光特征。构建ACO_OFDM_ASDST信息决策系统，其中论域U由删除DC的时域抽样值构处于εtop与0V和εbottom与0V之间的时域抽特征。构建DCO_OFDM_ASDST信息决策系统，其中论域U由删除DC的时域抽样值构bottom分别与0V之间的时域抽样值；DCO_OFDM_ASDST系统除了需要定义重构βtop和[0119]预处理分解符号当分解符号的时域抽样息决策系统的自适应O_OFDM符号分解噪声抑带符号“■”的实线代表4QAM调制ACO‑OFDM‑ASDST与DCO‑OFDM‑ASDST系统RST噪声抑制算法；带符号"V"的虚线代表16QAM调制ACO‑OFDM‑ASDST与DCO‑OFDM‑ASDST系统传统ASDST；抑制算法；带符号"<"的虚线代表64QAM调制ACO‑OFDM‑ASDST与DCO‑OFDM‑AASDST；带符号"0的虚线代表64QAM调制ACO‑OFDM‑ASDST与DCO‑OFDM‑ASDST系统最大噪声模值抑制算法；带符号"自的实线代表64QAM调制ACO‑OFDM‑ASDST与DCO‑OFDM‑ASDST系统RST抑制。的SNR增益呈现出逐渐递减的趋势。例如，当BER为10‑5，图10为4QAM调制BDC分别0.4V和0.6V，RST噪声抑制算法相较于最大噪声模值抑制算法分别得到约1.6dB、1dB和带符号"V"的实线代表4QAM调制属性约简重构算法。于限幅门限的时域抽样值个数相加即可，所以属性约简重构算法的复杂度为ACO‑OFDM‑ASDST系统，最大噪声模值重构算法所处理的分解符号的时域抽样值都为1024，约简重构算法是最大噪声模值抑制重构算法复杂度的1/10。在16QAM和64QAM调制DCO‑