为了进一步提高通信平面功率分布的均匀性，在本文中我们借鉴目前特别火的人工智能技术，把神经网络应用于室内可见光通信通信系统的室内灯源布局的设计中。首先介绍了室内可见光灯源布局的发展背景和国内外发展现状，然后接着分析了一下目前在室内可见光灯源布局领域所存在的技术瓶颈以及解决方法。其次，给出了本篇论文中所能用到的有关理论基础知识。LED 作为本系统的光发射机和光源，首先对 LED 灯的发光原理进行了探讨，并介绍了一些光学特性，为下文的仿真工作打下理论基础。接着对信道的分类进行了研究，并对两个经典的信道类型视距链路和非视距链路的优缺点进行了比较分析。由于现实系统中信道的复杂性，我们为了简化系统的分析，首次提出了信道矩阵的概念，把真实的无线信道抽象成四个矩阵来表示，并分别对光源矩阵、环境矩阵、接收机矩阵以及直射视距链路矩阵进行了详细的介绍。接着，分析了现存的灯源布局方案所存在的缺陷和不足。主要对目前所存在的四灯源布局方案、网格型布局方案、圆型布局方案、椭圆型布局方案、基于凸优化的灯源布局方案以及基于进化算法的灯源布局方案进行了探讨，并通过对通信平面接收端功率和光照度分布的仿真分析得出以下结论：现存的各种灯源布局方案并不是特别地完美，均存在各种各样的缺陷和不足，无法较好的保证室内稳定的通信和办公照明的需求。
.........
第一章 绪论
基于 LED 灯的室内可见光通信由于具有节能环保、电光转换率高、频谱资源丰富以及调制简单等优点，得到了广大的科学家和学者的关注。目前在室内可见光照明通信领域，学者们的研究点主要在通信和系统的性能方面并取得了很大进步和技术上的突破。但是通信平面功率覆盖平坦性的问题却成了室内可见光通信发展的一大瓶颈，它严重影响着整个系统通信性能的提升，为此目前在如何提升接收面功率分布平坦的问题上得到了广大科学家们的关注和研究。在本文中我们利用目前很火的人工智能深度学习技术，提出了一种基于神经网络的室内灯源布局方案。本文在一开始对室内可见光灯源排布的背景和发展现状做出了一个详细的概述，接着对室内灯源布局目前所存在的问题做出了详细的探讨和分析。其次，给出了本篇论文中所能用到的有关理论基础知识。LED 作为本系统的光发射机和光源，首先对 LED 灯的发光原理进行了探讨，并介绍了一些光学特性，为下文的仿真工作打下理论基础。接着对信道的分类进行了研究，并对两个经典的信道类型视距链路和非视距链路的优缺点进行了比较分析。由于现实系统中信道的复杂性，我们为了简化系统的分析，提出了信道矩阵的概念，把真实的无线信道抽象成四个矩阵来表示，并分别对光源矩阵、环境矩阵、接收机矩阵以及直射视距链路矩阵进行了详细的介绍。
........
第二章 室内灯源布局系统理论分析
2.1 室内 VLC 通信系统
通常室内可见光通信系统布局图如图 2.1 所示，该模型主要由三大部分组成，分别是位于天花板上的光发射机、室内空间所组成的无线通信信道以及位于通信平面的光接收机所组成。其中光发射机是由排列成矩形阵列的 LED 灯珠组成，它即是室内通信系统的信号发射机，同时也承担着照明的功能。如图 2.2 是可见光通信系统的工作原理流程图，由图可知，整个通信系统主要分为发射端、信道以及接收端三部分所组成，其中发射端由信源、调制编码器、LED 驱动电路等元件组成，接收端主要由 PIN 管、前置放大器、功率放大器、判决器和解调器等所组成。
2.2 信道的介绍
第一根据发射机的发射角以及接收机的视场角是否定向，可以把无线信道划分为定向信道链路、混合信道链路和非定向信道链路。所谓的定向信道链路是指发射机和接收机的方向角很小，发射机所发射的信号的方向性很强，同时在通信系统的通信平面，接收机也只能接收到特定方向上所发射过来的信号。所谓的非定向信道链路，和定向信道链路恰恰相反，在其发射端发射机的发射角度特别的大，所发射的信号是发散性的方向性很弱，在接收端接收机的视场角非常的大，可以接收到从不同的光发射机发来的信号。所谓的混合信道链路是定向和非定向两种信道链路组合形成的，该种信道链路的光发射机和光接收机的方向角的角度有且只有一个是非常大的，而另一个方向角是非常小的。
........
第三章 室内 VLC 灯源布局方案的研究与分析..............17
3.1 四灯源布局方案的研究与分析............................17
3.2 网格型灯源布局方案的研究与分析................... 18
3.3 圆型灯源布局方案的研究与分析.......................20
3.4 椭圆形灯源布局方案的研究与分析................... 22
3.5 基于凸优化灯源布局方案的研究与分析...........24
3.6 基于进化算法的灯源布局方案的研究与分析..........26
3.7 本章小节..................................................................28
第四章 神经网络在灯源布局中的应用.............................29
4.1 人工智能技术......................................................... 29
4.2 探究神经网络的基本原理.................................... 31
第五章 总结与展望.............................................................. 46
5.1 论文工作总结......................................................... 46
5.2 论文工作展望......................................................... 47
.......
第四章 神经网络在灯源布局中的应用
4.1 人工智能技术
本论文中，我们主要想利用人工智能算法在庞大的数据集中具有超强的分类和判别能力，应用在灯源的布局优化上，为了对比机器学习和深度学习在这方面的优缺点，我们做了一仿真。分别选取了具有代表性的机器学习决策树算法和神经网络对同一份具有一万条带有标签0 或 1 的二分类数据集进行分类准确度的比较，结果如下所示：（1）从图 4.2 可以看出在分类准确度上，深度学习算法要优于机器学习算法。对一万份二分类数据集，神经网络的正确识别率可以达到97%，而具有代表性的机器学习算法决策树准确率只达到了 85%，导致准确率具有差异性的原因主要是因为神经网络与机器学习算法相比具有更多的参数，具有把数据从低维不可分转换为高维可分的能力，因而其分类效果会更好。（2）从图 4.2 可以看出在算法的收敛速度上机器学习要比神经网络更容易收敛，所用的时间更短。在对这一万份二分类数据集进行模型训练时，机器学习算法所用的时间远小于深度学习神经网络所消耗的时间。导致这一现象的主要原因是神经网络与机器学习算法相比
4.2 探究神经网络的基本原理
在介绍神经网络的原理之前，我们先简单的介绍一下大脑在识别一张图片或者人脸的工作过程[39]。举个简单的例子，我们是如何看到并能够识别出一只猫。当一只小猫咪走进我们的视线时，原始信息就通过我们的瞳孔把像素摄入到我们的大脑神经网络的第一层，接着我们大脑皮层的神经元对大脑第一层神经元传输的信息进行抽象化，提取出猫的边缘和方向，并判断眼前物体的形状，然后进一步的抽象以判定该物体是一只猫。而深度学习的学习过程和人脑的工作原理是类似的，神经网络通过无数的隐藏层把从输入层输入到的原始信息不断地抽象化并最终达到分类或识别的目的。神经网络是如何把待分类的事物进行层层抽象并最终进行分类的呢，这就是本节我们研究的核心问题。我们知道一个完整的神经网络是由三部分组成，分别是输入层、隐藏层和输出层。在这三部分当中起到核心作用的便是隐藏层，在这里我们举一个简单的例子来解释神经网络隐藏层的工作原理。
.......
参考文献
[1] Burton A, Minh HL,Ghassemlooy Z,Rajbhandari S,Haigh P.Smart receiver forvisible lightcommunications:Design and analysis, Communication Systems[C]. 2012 8th International Symposium onNetwoks&, 2012: 1-5.
[2] Chen T, Zheng Z, Liu L, Hu W. High-diversity space division multiplexing visible light www.zhonghualw.comcommunicationutilizing a fisheye-lens-based imaging receiver[C]. Optical Fiber Communications and ExhibitionConference, 2015: 1-3.
[3] Lee K, Park J, Barry JR. Indoor channel characteristics for visible light communications[J]. IEEECommunications Letters, 2011, 15(2): 217-219.
[4] Bandara K, Chung YH. Reduced training sequence using RLS adaptive algorithm with decision feedbackequalizer in indoor visible light wireless communication channel[C]. 2012 International Conference on ICTConvergence, 2012: 149-154.
[5] Stefan I, Elgala H, Mesleh R, et al. Optical wireless OFDM system on FPGA: study of LED non-linearityeffects[C]. Vehicular Technology Conference, 2011: 1-5.
[6] 赵亮, 王晓峰, 袁逸涛. 基于深度卷积神经网络的船舶识别方法研究[J]. 舰船科学技术, 2016, 38(15):119-123.
[7] 郑光迪, 潘明波, 刘巍, 等. 基于深度卷积网络的海战场目标协同识别方法[J].光学与光电技术, 2018,16(02): 20-25.
[8] 卢官明, 何嘉利, 闫静杰, 等. 一种用于人脸表情识别的卷积神经网络[J]. 南京邮电大学学报(自然科学版), 2016, 36(1): 16-22.
[9] 彭清, 季桂树, 谢江林, 等. 卷积神经网络在车辆识别中的应用[J].计算机科学与探究, 2018, 12(2):282-291.
[10] 黄焕. 面向 e-learning 的学习者情感建模及应用研究[D]. 武汉: 华中师范大学: 2014.
.........
