DC-voorkeuroptimalisatie in intelligente DCO-OFDM Li‑Fi-systemen met hybride machine learning en hardwarevalidatie

Internet op basis van licht voor alledaagse ruimten

Stel je voor dat je kamer verlichting niet alleen de ruimte verlicht, maar ook films naar je laptop en telefoon streamt met zeer hoge snelheden. Dat is de belofte van Li‑Fi, een technologie die licht in plaats van radiogolven gebruikt voor draadloze dataoverdracht. Dit artikel pakt een subtiele maar cruciale technische afstemmingsknop in Li‑Fi‑zenders aan — hoeveel constante achtergrondverlichting, ofwel DC‑bias, aan het datasignaal moet worden toegevoegd — met behulp van slimme machine‑learningmethoden en echte hardwaretests, om Li‑Fi sneller, efficiënter en betrouwbaarder te maken.

Waarom licht Wi‑Fi kan verslaan

Conventionele Wi‑Fi vertrouwt op radiogolven die door muren heen kunnen gaan, drukke frequentiebanden delen en gevoelig zijn voor interferentie en beveiligingsproblemen. Li‑Fi gebruikt daarentegen infrarood om gegevens terug te sturen vanaf apparaten en zichtbaar licht om gegevens vanuit plafondlampen te zenden. Omdat licht geen muren doordringt, kan een Li‑Fi‑verbinding van nature tot één enkele kamer beperkt blijven, wat interferentie vermindert en de privacy verhoogt. Het maakt ook gebruik van een enorme, ongereguleerde spectrumband, waardoor zeer hoge datasnelheden mogelijk zijn. Dit maakt Li‑Fi aantrekkelijk voor toekomstige 6G‑netwerken, ziekenhuizen waar radio‑emissies beperkt zijn, en elke omgeving die zowel verlichting als razendsnelle connectiviteit nodig heeft.

De verborgen rol van een constante gloed

Onder de motorkap gebruiken veel Li‑Fi‑systemen een techniek genaamd DCO‑OFDM om veel data op het lichtuittreep van een LED te laden. Het ruwe elektrische signaal dat deze methode produceert, schommelt boven en onder nul, maar LED’s kunnen alleen niet‑negatieve lichtintensiteit uitstralen. Ingenieurs voegen daarom een constante offset — de DC‑bias — toe om het hele golfvorm naar boven te schuiven en kappen vervolgens eventuele resterende negatieve delen af. Als de bias te klein is, worden de negatieve delen zwaar afgekneld, wat ruis en fouten introduceert. Als hij te groot is, verspilt de LED vermogen aan nutteloze helderheid in plaats van aan data. Het optimale punt hangt af van verschillende factoren, waaronder hoe het signaal is gecodeerd en hoe ruisachtig de verbinding is, en conventionele optimalisatiemethoden kunnen traag of moeilijk aanpasbaar zijn bij veranderende omstandigheden.

Het systeem leren zich zelf af te stemmen

Om de Li‑Fi‑zender te laten "leren" wat de beste biaswaarde is, bouwden de auteurs een dataset met gedetailleerde computersimulaties van DCO‑OFDM‑signalen. Voor elk gegenereerd signaal berekenden ze eenvoudige numerieke kenmerken zoals de minimale en maximale waarden van de golfvorm, het gemiddelde niveau, de variabiliteit en de foutkans na transmissie. Deze samenvattingen, samen met systeeminstellingen zoals de modulatieorde en het aantal subcarriers, vormden de input voor machine‑learningmodellen die getraind werden om de ideale DC‑bias te voorspellen die fouten en stroomverbruik in balans brengt. Het team onderzocht verschillende hybride benaderingen die klassieke regressie, die vloeiende krommen past, combineren met K‑Nearest Neighbors (KNN), die naar vergelijkbare eerdere voorbeelden kijkt. Ze vergeleken verschillende combinaties en maten hoe goed elke methode voorspelde biaswaarden overeenkwamen met het werkelijke optimum, met behulp van standaard nauwkeurigheidsscores.

Van computermodellen naar echte hardware

Buiten simulaties bouwden de onderzoekers een kleine laboratorium‑Li‑Fi‑verbinding met een zeer heldere LED als zender, een fotodiode als ontvanger en een Arduino‑gebaseerde schakeling om echte signalen over korte afstanden binnenshuis vast te leggen. Van deze hardwareopstelling werden dezelfde soorten signaalkenmerken geëxtraheerd, waarmee een tweede dataset werd gemaakt die echte ruis, imperfecties en omgevingsinvloeden weerspiegelt. Zonder hertraining werden de machine‑learningmodellen die op gesimuleerde data waren geleerd gevraagd om de beste DC‑bias voor deze echte metingen te voorspellen. Deze stap is cruciaal, omdat veel eerdere studies bleven steken bij computerexperimenten en nooit lieten zien dat hun methoden de rommeligheid van de fysieke wereld doorstaan.

Slimmere biasinstelling voor toekomstige Li‑Fi‑ruimten

Het opvallende resultaat is dat een hybride model dat polynomiale regressie met KNN combineert de meest nauwkeurige en robuuste voorspellingen opleverde. Het behaalde hoge overeenstemming met het werkelijke optimum in simulaties en handhaafde sterke prestaties toen het direct op de Arduino‑gebaseerde Li‑Fi‑verbinding werd toegepast. In praktische termen betekent dit dat een Li‑Fi‑systeem dat met zo’n model is uitgerust automatisch de juiste biaswaarde kan instellen naarmate de omstandigheden veranderen, waardoor verspild licht en signaaldistorsie worden geminimaliseerd zonder voortdurende handmatige afstemming. Hoewel de huidige hardwaretesten alleen korte afstanden en vereenvoudigde binnenscenario’s beslaan, wijst de aanpak op intelligente, zelfoptimaliserende Li‑Fi‑netwerken waarin plafondlampen stilletjes hun instellingen aanpassen om naast dagelijkse verlichting ook veilige, hogesnelheidsgegevens te leveren.

Bronvermelding: 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

Trefwoorden: Li‑Fi, zichtbare lichtcommunicatie, machine learning, OFDM, draadloze netwerken