0 引言
        与传统的水下通信相比，水下无线光通信凭借传输速率快和传输带宽高等优点，逐渐成为了一种全新的水下通信技术。然而，在水下环境中，光束易受到海水的影响导致信号衰减（如海水吸收、散射以及多径效应），从而引起信号质量下降。因此，对于信号信噪比的恢复十分重要。
　　为了提升水下无线光通信中的传输距离、传输速率和信号发射强度，提高信号探测精度。近年来，文献[4-7]提出了基于物理层的系统性能改进方案；2017年，复旦大学团队提出了基于低功耗520 nm绿光激光二极管的水下无线光通信系统；2018年，上海光学精密机械研究所团队提出了使用光子计数接收器为探测器的长距离水下无线光通信系统。以上研究验证了对物理层的应用改进可以起到提升性能的效果，但目前基于算法应用角度的性能改善方案极少。本项目组近期提出了一种基于正交频分复用（OFDM）帧结构解决相位噪声的方案，系统信噪比提升6 dB左右。之后，本项目组还提出了一种基于时域平均算法的方案，实现信噪比最大提升约10.5 dB。但是，以上方案都改变了原有的OFDM帧结构，且造成了传输效率下降。因此，本文提出一种基于深度学习的水下无线光通信性能改善算法，利用神经网络自适应拟合数据的特性，在不改变OFDM帧结构的情况下实现对信号信噪比的有效恢复。

3 结束语
       本文提出了一种基于深度学习的水下无线光通信信噪比改善系统，对恢复信号和原始信号的各子载波信噪比和误码率进行了对比，分析了网络在不同OFDM帧数下的性能和算法复杂度。实验结果表明：针对1 m传输距离的水下无线光通信16QAM-OFDM信号，各子载波的信号信噪比提升约为17 dB，同时在4种不同调制格式下均表现出了相同的性能结果；与此同时，本文提出的算法中对于BPSK和QPSK信号的信噪比增益较时域平均算法分别提升了56.1%和58.1%，验证了深度学习算法性能不受OFDM帧数影响。与传统的信号去噪方法相比，所提算法可以对信号频谱进行自适应滤波去噪，不受信号和噪声频谱重叠的影响，对实时信号信噪比改善系统的设计起到了借鉴意义。