Оптимизированный спектральный метод весов для разделения помеховых сигналов в FSO‑связи

Более чёткие разговоры с помощью света

Представьте, что вы говорите с кем‑то на большом расстоянии не по радиоканалу и не по оптоволокну, а с помощью светового луча, идущего через воздух. Это обещание оптической связи в открытом пространстве (FSO): высокоскоростные беспроводные каналы, которые могут незаметно передавать ваш голос или данные между зданиями, башнями или даже дронами. Но в реальном мире воздух беспокоен и шумен. Тепло, ветер и электронные помехи толкают сигнал, из‑за чего на приёме становится труднее восстановить передаваемую речь. В этой работе предложен новый способ очистки таких сигналов, чтобы разговоры, переданные светом, оставались чёткими и понятными.

Почему световые каналы так зашумлены

FSO‑системы передают информацию путём быстрого включения и выключения источника света и улавливания мерцаний чувствительным детектором. В отличие от радиоканалов, эти световые лучи не требуют лицензий и могут обеспечивать значительно более высокие скорости передачи. Однако они подвержены влиянию атмосферы и аппаратуры приёмника. Турбулентность воздуха заставляет свет мерцать и затухать случайным образом, а электроника, преобразующая свет в электрический сигнал, добавляет собственный фоновой шум. Вместе эти эффекты искажают сигнал, приводят к ошибкам в отдельных битах и повышают так называемую вероятность битовой ошибки (BER). Чем ниже BER, тем меньше ошибок и чище связь.

Новый взгляд на сигналы

Вместо того чтобы править сигнал напрямую во временной области, авторы рассматривают его как набор музыкальных нот, то есть в частотной области. Они используют математический инструмент — преобразование Фурье — чтобы разложить каждый записанный сигнал на частотные составляющие, подобно тому как аккорд превращается в отдельные ноты. Чистые голосовые сигналы в их FSO‑системе обычно занимают определённый участок частотного диапазона, тогда как шум распространяется более широко. Сравнивая множество примеров чистых и зашумлённых сигналов, исследователи обнаружили, что их частотные «отпечатки» последовательно различаются даже при изменяющихся атмосферных условиях и уровнях шума.

Обучение фильтра отличать сигнал от помех

Чтобы воспользоваться этими различиями, команда построила обучаемый фильтр, который они называют Оптимизированный Спектр Весов. Они подали в систему множество реальных наборов сигналов: некоторые практически без шума, другие — с добавленным искусственным шумом разной интенсивности. Для каждого набора они исследовали нормализованную частотную картину и обучили простую математическую модель проводить разделяющую поверхность между «в основном сигналом» и «в основном помехой» в этом частотном пространстве. В результате получился набор весов — по одному на каждую частотную составляющую — которые положительны там, где обычно сосредоточена полезная информация, и неположительны там, где доминирует шум. Затем эти веса уточняют адаптивным порогом, оставляя только наиболее сильные и надёжные компоненты и отбрасывая остальные.

От лабораторной модели к уличной голосовой линии

После разработки этого спектрального фильтра офлайн авторы испытали его в реальной уличной FSO‑связи длиной 80 метров, используя источник света с длиной волны 850 нанометров и распространённую схему манипуляции «вкл‑выкл» для голосовых данных. На приёме они применяли обученный спектр весов к частотному содержимому входного сигнала, удаляли части, помеченные как помехи, и затем восстанавливали сигнал во временной области. Они сравнили этот подход с базовым методом демодуляции и с более сложной моделью на нейронной сети. В моделированиях их оптимизированный метод весов особенно хорошо снижал ошибки при умеренных уровнях шума, типичных для реальных каналов. В полевых экспериментах вероятность битовой ошибки оставалась ниже примерно 0,83%, а очищенные сигналы демонстрировали более широкие «глазные диаграммы» и более чёткие формы волн, что указывает на более надёжное декодирование.

Что это значит для будущих световых каналов

Для неспециалистов ключевая идея в том, что авторы создали умное, но относительно простое «ухо» для оптических каналов, которое слушает в частотной области. Предварительно обучившись определять, какие части спектра обычно несут полезную информацию, а какие скорее мусор, их метод может быстро отрезать большую часть помех без больших вычислительных затрат и больших наборов данных, необходимых многим системам глубокого обучения. Это делает его привлекательным для компактного аппаратного воплощения в полевых условиях. Хотя метод работает лучше, когда шум находится немного в стороне от основной полосы сигнала и может испытывать сложности в очень жёстких или перекрывающихся условиях, он уже предлагает практический способ сделать голосовые FSO‑каналы более устойчивыми, чище и лучше подготовленными к повседневным уличным условиям.

Цитирование: Duan, Z., Qiang, S., Zhao, H. et al. Optimized weight spectrum method for interference signal separation in FSO communication. Sci Rep 16, 13544 (2026). https://doi.org/10.1038/s41598-026-42985-z

Ключевые слова: оптическая связь в открытом пространстве, подавление помех, обработка сигналов, машинное обучение, снижение шума