0 引言

　　非正交多址（NOMA）利用功率域复用，能够根据用户的信道增益同时传递多用户信息，从而改变了功率域中单一用户独占资源的传统策略[1]。在可见光通信（VLC）中引入NOMA技术，实现多用户场景下可见光组网通信，这是无线通信领域由电磁走向光介质的一个切入点。然而，NOMA-VLC系统面临着一些挑战，其中多径效应会导致信号失真与衰减，同时多用户信号在时域上的叠加容易引发用户间的相互干扰。为了提高系统通信性能并保证通信可靠性，需要一种更高性能的信道估计方法。传统的信道估计方法，如压缩感知和参数估计，都需要进行高维矩阵分解和迭代计算以获取精确的信道响应。然而，这种方法在性能和计算复杂度之间很难取得平衡。而神经网络通过大量数据的训练可以提取其中的隐含特征，并进行非线性拟合。因此，基于神经网络的信道估计方法具有明显优势，该方法能够很好地平衡性能和计算成本。JIN Y等人[2]将信道矩阵看作二维（2D）图像，利用卷积神经网络和残差去噪的方法先估计噪声再得到信道响应。虽然该卷积神经网络经过训练能够应对各种噪声水平，但一旦其状态发生变化，就必须重新进行训练以适应新的状态。SOLTANI M等人[3]借鉴了超分辨率图像恢复技术，利用深度学习方法，提出了一种基于超分辨率卷积神经网络（SRCNN）和图像修复卷积神经网络（IRCNN）的信道估计算法。该算法首先采用插值法对原始信道数据进行预处理，然后利用SRCNN对数据进行超分辨率处理，以提高信号的分辨率，最后利用IRCNN对数据进行修复，以去除噪声并提高信号的精度。然而，该神经网络在恢复最优权值方面受到限制，这主要受到信噪比（SNR）的影响。当信道环境发生变化时，需要重新训练算法，并针对不同的SNR情况进行调整。HUANG H等人[4]基于射线追踪模型，使用深度神经网络（DNN）作为整个大规模传输系统的黑盒模型，避免了大规模天线中特征分解的复杂性。DNN以接收信号和随机产生的波达角（DOA）作为训练集，训练神经网络后，输入接收信号就能输出DOA估计值。此外，DNN还结合其它框架来提取信号特征，进而计算出信号估计值。这种将系统视为黑盒的方法，用深度学习替代了编码、解调和噪声处理等部分。但是，这种方法没有考虑信号信源到信宿的整个传播信道过程。

　　针对现有信道估计方法的缺陷和NOMA-VLC系统的信道存在线性与非线性损伤特性[5]，本文基于DNN，结合灰狼优化（GWO）算法，提出一种GWO-DNN方法，对室内NOMA-VLC系统进行信道估计。

4 结束语

　　本文提出了一种在NOMA-VLC系统中使用GWO算法对DNN进行信号补偿和恢复的方法。通过引入非线性收敛因子和二维混沌映射，有效提升了系统可靠性和多用户传输公平性。GWO-DNN信道估计方法可最小化训练误差并提高模型的泛化能力，使得拟合速度更快，迭代次数减少了约300次；当BER为10-4时，采用GWO-DNN方法比MMSE方法获得了大于1.6 dB的SNR增益。由于GWO-DNN信道估计方法具备学习和分析VLC信道特性的能力，因此，它在提升NOMA-VLC系统性能方面展现出广泛的应用前景。