0引言

　　随着时代的发展，人们逐渐追求高速率、低时延、低成本的通信方式，可见光通信（VLC）由此走入了研究人员的视野。室内VLC是一种利用发光二级管（LED）作为发射机，将空气作为传输媒介，以光电检测器（PD）为接收机的通信技术，在可见光频段进行通信数据传输；该技术具有绿色可持续、传输保密性能好、频谱资源充沛等优势，逐渐发展为传统无线通信的重要补充替代技术，具有广阔的发展前景[1-3]。

　　白灯LED作为光通信系统的发射端，除提供室内照明外，还能通过高频闪烁发出光通信信号。合适的光源设置不仅能提高室内通信性能，增强信号传输的可靠性和稳定性，还能使室内的照明更均匀，提供更好的照明性能。文献[4]对室内光源矩形布局和圆形布局进行了研究，并分析了房间大小、最佳光源位置和照度均方差的关系，得到了最优的室内LED布局。文献[5]提出了一种用于优化光源布局的基于基因密度分段交叉和基因突变的策略，获得了更为均匀的接收功率。文献[6]以小发射角LED作为光源，以最优光照均匀度为目标对光源位置进行优化，提高了系统性能。文献[7]采用了改进蝙蝠算法对规则及非规则LED布局进行了优化，降低了接收平面上的光照度和光功率波动。文献[8]对传统遗传算法进行改进，对光源的坐标、灯珠数量和半功率角进行同步优化，提高了室内光功率均匀度。文献[9] 采用了一种基于融合改进策略的快速鲸鱼优化算法，较好地解决了室内VLC系统中光功率分布不均匀的问题。但上述文献常使用固定的室内场景，没有考虑当室内状态变化时对通信性能造成的影响；同时，机器学习中的传统优化算法存在因迭代次数过多而导致优化时间长、易陷入局部最优和种群多样性差等问题。文献[10]采用深度学习算法对光源坐标进行优化，虽然比机器学习更加快速灵活，但仅针对光源坐标进行优化，且没有考虑到房间流动性干扰。

　　针对以上问题，本文提出了一种基于深度学习的室内VLC光源配置策略。

3 结束语

　　本文提出了一种基于深度学习的室内VLC光源配置策略，该策略能在室内状态变化时，对光源设置进行预测。仿真结果表明：相比GA，FPA的性能提高了10.27%，使用FPA优化的结果构建训练集，可达到更好的预测效果。此外，利用CNN预测得到光源参数合格率达88%，相比于未优化的光源，其平均Q值提高了6.5%，且在用时方面，CNN比FPA有几个数量级间的优势。本文所提方案从优化目标、约束条件和优化方法等方面都充分考虑了实际应用性，具有较强的实用价值。