李国强,王超凡,李忠亚,邹鹏,胡昉辰,迟楠

（复旦大学通信科学与工程系，电磁波信息科学教育部重点实验室，上海 200433）

1 引言

随着社会的发展，人类进一步推进对海洋环境的探索，伴随着水下机器人的研究、水下传感网络的搭建以及水下大数据的应用，人们对于水下通信技术提出了更高的要求。相比于传统的水声通信和水下射频通信，水下可见光通信具有高速、低延迟、高保密性的优点，引起了广大研究者的关注［1］‐［3］。

然而，水下信道环境很复杂，湍流、漫射、散射等因素严重影响信号传输的质量，同时在可见光通信系统中，由器件带来的非线性失真也限制着系统的性能。传统的基于自适应滤波器的均衡方法，比如最小均方误差（Least Mean Square,LMS)、递归最小二乘（Recursive Least Square,RLS）和基于Volterra 级数的滤波器，有助于缓解一部分的线性与非线性失真，但是在系统非线性较强的情况下，其带来的性能提升有限。为了满足未来水下可见光通信往更大容量、更高速率发展的需求，需要找到更加先进的信号均衡方法。

近年来，神经网络被广泛应用到图像、医疗等领域，其根据训练样本和标签来拟合输入输出之间的复杂映射，并开始被应用到可见光通信的信号均衡中。在文献［4］中，深度神经网络（Deep Neural Network,DNN）被应用到基于无载波幅相（carrier‑less ampli‐tude and phase,CAP）调制的可见光通信系统中。实验证明，DNN 在非线性均衡方面要优于传统的自适应滤波器的方法。在文献［5］中，YihengZhao 等人提出了基于双支多层感知机（Dual‑Branch Multi‑Layer Perceptron,DBMLP）的后均衡方法，有效解决了DNN计算复杂度高的问题，并基于该方法实现了3.2Gbps水下可见光传输。……