Optimierung der Gleichstromvorspannung in intelligenten DCO-OFDM Li‑Fi‑Systemen mittels Hybrid‑Machine‑Learning mit Hardware‑Validierung

Internet per Licht für den Alltag

Stellen Sie sich vor, Ihre Deckenlampen hellen nicht nur den Raum auf, sondern streamen Filme mit sehr hohen Datenraten auf Laptop und Telefon. Das ist das Versprechen von Li‑Fi, einer Technologie, die Licht statt Funkwellen für drahtlose Datenübertragung nutzt. Dieser Artikel behandelt einen subtilen, aber entscheidenden technischen Einstellparameter bei Li‑Fi‑Sendern – wie viel gleichmäßiges Hintergrundlicht bzw. Gleichstromvorspannung (DC‑Bias) dem Datensignal hinzugefügt werden sollte – und löst das Problem mit intelligenten Methoden des maschinellen Lernens und realen Hardwaretests, um Li‑Fi schneller, effizienter und zuverlässiger zu machen.

Warum Licht Wi‑Fi schlagen kann

Konventionelles Wi‑Fi nutzt Funkwellen, die Wände durchdringen, überfüllte Frequenzbänder teilen und anfällig für Störungen und Sicherheitsprobleme sein können. Li‑Fi nutzt dagegen Infrarot für die Rückkanäle und sichtbares Licht für die Datenübertragung von Deckenlampen. Weil Licht keine Wände durchdringt, lässt sich eine Li‑Fi‑Verbindung natürlich auf einen Raum beschränken, wodurch Störungen reduziert und die Privatsphäre verbessert werden. Zudem nutzt es ein sehr großes, unreguliertes Frequenzspektrum und ermöglicht damit sehr hohe Datenraten. Das macht Li‑Fi attraktiv für künftige 6G‑Netze, Krankenhäuser, in denen Funkemissionen eingeschränkt sind, und generell für Situationen, die Beleuchtung und Hochgeschwindigkeitskonnektivität zugleich benötigen.

Die verborgene Rolle eines stetigen Leuchtens

Im Inneren verwenden viele Li‑Fi‑Systeme eine Technik namens DCO‑OFDM, um große Datenmengen über die Lichtleistung einer LED zu übertragen. Das rohe elektrische Signal dieser Methode schwankt sowohl über als auch unter Null, während LEDs nur nichtnegative Lichtintensitäten erzeugen können. Ingenieure fügen daher einen konstanten Offset – die DC‑Vorspannung – hinzu, um die gesamte Wellenform nach oben zu verschieben, und schneiden anschließend verbleibende negative Anteile ab. Ist die Vorspannung zu gering, werden negative Anteile stark abgeschnitten, was Rauschen und Fehler einführt. Ist sie zu groß, verschwendet die LED Leistung in unnötiger Helligkeit statt in der Datenübertragung. Der optimale Wert hängt von mehreren Faktoren ab, etwa der Signalcodierung und der Störungsumgebung, und herkömmliche Optimierungsverfahren sind oft langsam oder schwer an sich ändernde Bedingungen anzupassen.

Das System sich selbst abstimmen lassen

Damit der Li‑Fi‑Sender seinen besten Bias‑Wert „erlernt“, erstellten die Autoren einen Datensatz mithilfe detaillierter Computersimulationen von DCO‑OFDM‑Signalen. Für jedes erzeugte Signal berechneten sie einfache numerische Merkmale wie Minimum und Maximum der Wellenform, ihren Mittelwert, ihre Variabilität und die Fehlerrate nach der Übertragung. Diese Zusammenfassungen, zusammen mit Systemeinstellungen wie der Konstellationsgröße und der Anzahl der Unterträger, bildeten die Eingaben für maschinelle Lernmodelle, die darauf trainiert wurden, die ideale DC‑Vorspannung vorherzusagen, die Fehler und Leistungsaufwand ausbalanciert. Das Team untersuchte mehrere hybride Ansätze, die klassische Regression, die glatte Kurven anpasst, mit K‑Nearest‑Neighbors (KNN), das ähnliche vergangene Beispiele berücksichtigt, verbinden. Sie verglichen unterschiedliche Kombinationen und maßen, wie gut die vorhergesagten Bias‑Werte mit dem tatsächlichen Optimum übereinstimmten, mithilfe standardisierter Gütemaße.

Von Computermodellen zur realen Hardware

Über Simulationen hinaus bauten die Forschenden eine kleine Labor‑Li‑Fi‑Verbindung mit einer hochhellen LED als Sender, einer Photodiode als Empfänger und einer Arduino‑basierten Schaltung, um reale Signale über kurze Innenraumstrecken aufzuzeichnen. Aus diesem Hardware‑Aufbau wurden dieselben Signalmerkmale extrahiert und ein zweiter Datensatz erstellt, der reales Rauschen, Unvollkommenheiten und Umwelteinflüsse widerspiegelt. Ohne Nachtraining sollten die auf simulierten Daten trainierten ML‑Modelle die beste DC‑Vorspannung für diese realen Messungen vorhersagen. Dieser Schritt ist entscheidend, weil viele frühere Studien bei Computerexperimenten blieben und nie zeigten, dass ihre Methoden der Unordnung der physischen Welt standhalten.

Intelligentere Vorspannung für zukünftige Li‑Fi‑Räume

Das herausragende Ergebnis ist, dass ein hybrides Modell, das polynomiale Regression mit KNN kombiniert, die genauesten und robustesten Vorhersagen lieferte. Es erreichte in Simulationen eine hohe Übereinstimmung mit dem tatsächlichen Optimum und hielt die starke Leistung bei, als es direkt auf die Arduino‑basierte Li‑Fi‑Verbindung angewendet wurde. Praktisch bedeutet das: Ein Li‑Fi‑System mit einem solchen Modell könnte automatisch die richtige Vorspannung einstellen, wenn sich Bedingungen ändern, und so verschwendetes Licht sowie Signalverzerrungen minimieren, ohne ständige manuelle Nachregelung. Während die aktuellen Hardwaretests nur kurze Distanzen und vereinfachte Innenszenarien abdecken, weist der Ansatz in Richtung intelligenter, selbstoptimierender Li‑Fi‑Netze, in denen Deckenleuchten sich unauffällig anpassen, um neben der Alltagsbeleuchtung sichere, hochschnelle Daten zu liefern.

Zitation: Abdelhakim, E., Ragab, D.A., Abaza, M. et al. DC bias optimization in intelligent DCO-OFDM Li-Fi systems using hybrid machine learning with hardware validation. Sci Rep 16, 14658 (2026). https://doi.org/10.1038/s41598-026-49732-4

Schlüsselwörter: Li‑Fi, sichtbare Lichtkommunikation, maschinelles Lernen, OFDM, drahtlose Netzwerke