0 引言

　　多脉冲位置调制（MPPM）作为一种改进的数字脉冲调制方式，具有良好的功率效率和频谱效率，在光无线通信领域得到了广泛研究[1-3]。近年来的一些研究工作，例如MPPM在复杂信道下的判决方式及性能分析[4]、针对MPPM衍生的调制方式性能研究[5]以及基于MPPM的混合调制技术[6]等，都是为了探究一种高效、可靠的调制与接收方案。

　　深度学习作为新兴的神经网络算法，其多样的网络结构和强大的问题解决能力，引发了不同领域学者研究的热潮。在通信领域，研究人员证实了深度学习应用于通信物理层的可能性[7-8]，并通过将传统通信系统建模为自编码器（AE）模型，结合神经网络层的数据处理特点，提出了针对不同通信问题的自编码器解决方案，如信道编码[9]、数据同步[10]和信道建模[11]等。此外，为了提升AE在通信领域的性能，学者们也探讨了网络在端到端系统实现过程中的过拟合问题[12]及其结构优化和应用问题[13]。上述研究结果还进一步表明，卷积神经网络（CNN）因其较强的特征提取能力和泛化性能，应用在通信系统中可以更好地提升系统的数据处理能力，改善系统的可靠性。

　　可见光通信（VLC）作为目前光无线通信的热点之一，有学者将深度学习应用于VLC技术中[14-16]。文献[14]在VLC系统模型下通过全连接神经网络（DNN）构建了AE网络，学习了进行正交振幅调制/解调的方法。针对VLC调光功能，文献[15]提出了一种多阶段训练策略使得AE编码输出端能够二值化输出，进而实现了光脉冲的强度控制。文献[16]借助了竞争性神经网络的思想，实现了光脉冲的控制。

　　针对MPPM技术优化的问题，本文提出一种基于AE的MPPM传输方案（下文简称“AE-MPPM”），设计基于DNN和CNN的AE-MPPM系统网络结构。

3 结束语

　　针对MPPM的性能优化问题，本文提出了一种基于AE模型的MPPM传输方案。该方案分别采用CNN与DNN搭建AE模型，通过应用多阶段训练策略与自定义损失函数，使AE完成了信源MPPM符号的发送与接收。仿真结果表明：在多种仿真条件下，MPPM-AE误码性能可以达到且略优于传统最大似然序列检测性能。对比2种AE-MPPM，且综合网络的泛化性

和AE的误码性能可知，CNN-MPPM-AE要略优于DNN-MPPM-AE。基于AE模型的MPPM传输方案为通过深度学习解决VLC的高效传输问题提供了一种设计思路。