Оптимизация постоянной составляющей в интеллектуальных DCO-OFDM Li‑Fi системах с использованием гибридного машинного обучения и аппаратной валидацией

Интернет на световой основе для повседневных пространств

Представьте, что лампы в вашей комнате не только освещают пространство, но и одновременно передают фильмы на ноутбук и телефон на очень высокой скорости. Это — обещание Li‑Fi, технологии, использующей свет вместо радиоволн для беспроводной передачи данных. В этой работе рассматривается тонкая, но критически важная настройка в передатчиках Li‑Fi — сколько постоянной фоновой подсветки, или DC‑смещения, следует добавить к сигнальному потоку — с использованием интеллектуальных методов машинного обучения и тестов на реальном оборудовании, чтобы сделать Li‑Fi быстрее, эффективнее и надёжнее.

Почему свет может обойти Wi‑Fi

Обычный Wi‑Fi опирается на радиоволны, которые проходят сквозь стены, делят загруженные полосы частот и подвержены помехам и проблемам безопасности. Li‑Fi, напротив, использует инфракрасный спектр для обратной связи от устройств и видимый свет для передачи данных от потолочных светильников. Поскольку свет не проходит сквозь стены, Li‑Fi‑связь естественно ограничена одной комнатой, что снижает помехи и повышает приватность. Кроме того, технология использует огромный, незапрещённый диапазон спектра, что позволяет достигать очень высоких скоростей передачи данных. Это делает Li‑Fi привлекательным элементом будущих сетей 6G, больниц с ограничениями на радиовыпроменение и любых сред, где одновременно требуются освещение и высокоскоростное подключение.

Скрытая роль постоянного свечения

В основе многих Li‑Fi систем лежит приём DCO‑OFDM, позволяющий упаковать много данных в световой поток светодиода. Сырой электрический сигнал, генерируемый этим методом, колеблется как выше, так и ниже нуля, тогда как светодиоды могут излучать только неотрицательную светимость. Поэтому инженеры добавляют постоянное смещение — DC‑смещение — чтобы сдвинуть весь сигнал вверх и затем обрезать оставшиеся отрицательные части. Если смещение слишком мало, отрицательные фрагменты сильно обрезаются, что вносит шум и ошибки. Если смещение слишком велико, светодиод тратит энергию на бесполезную яркость вместо передачи данных. Оптимальное значение зависит от нескольких факторов, включая способ кодирования сигнала и уровень помех, и традиционные методы оптимизации могут быть медленными или плохо адаптироваться к меняющимся условиям.

Обучение системы автоматической настройки

Чтобы позволить передатчику Li‑Fi «научиться» оптимальному уровню смещения, авторы сформировали набор данных с помощью подробных компьютерных симуляций сигналов DCO‑OFDM. Для каждого сгенерированного сигнала они вычисляли простые числовые характеристики, такие как минимальные и максимальные значения формы сигнала, её средний уровень, разброс и битовая ошибка после передачи. Эти сводные показатели вместе с настройками системы — например, размер созвездия и количество поднесущих — стали входами для моделей машинного обучения, обученных предсказывать идеальное DC‑смещение, уравновешивающее ошибки и потребление энергии. Команда исследовала несколько гибридных подходов, сочетавших классическую регрессию, которая подбирает гладкие зависимости, с методом K‑ближайших соседей (KNN), опирающимся на похожие прошлые примеры. Они сравнили разные комбинации и оценили, насколько предсказанные значения смещения совпадают с истинным оптимумом, с использованием стандартных метрик точности.

От компьютерных моделей к реальному оборудованию

Помимо симуляций, исследователи собрали небольшую лабораторную Li‑Fi‑связь с использованием яркого светодиода в качестве передатчика, фотодиода в роли приёмника и схемы на базе Arduino для захвата реальных сигналов на коротком расстоянии в помещении. Из этого аппаратного стенда также извлекали те же типы признаков сигнала, сформировав второй набор данных, отражающий реальные шумы, несовершенства и влияние окружения. Не проводя повторного обучения, модели машинного обучения, обученные на симулированных данных, попросили предсказать лучшее DC‑смещение для этих реальных измерений. Этот шаг важен, потому что во многих ранних работах тесты ограничивались компьютерными экспериментами и не показывали, выживает ли методика в условиях физического мира.

Более разумное смещение для будущих Li‑Fi‑помещений

Ключевой результат — гибридная модель, сочетающая полиномиальную регрессию и KNN, дала наиболее точные и устойчивые предсказания. Она достигла высокой согласованности с истинным оптимумом в симуляциях и сохранила сильную производительность при прямом применении к Arduino‑основанной Li‑Fi‑связи. На практике это означает, что система Li‑Fi, оснащённая такой моделью, могла бы автоматически устанавливать нужный уровень смещения по мере изменения условий, минимизируя потери света и искажения сигнала без постоянной ручной настройки. Хотя текущие аппаратные испытания охватывают только короткие расстояния и упрощённые внутренние сценарии, подход указывает путь к интеллектуальным, самооптимизируемым Li‑Fi‑сетям, где потолочные светильники тихо настраиваются, чтобы обеспечивать безопасную, высокоскоростную передачу данных в дополнение к привычному освещению.

Цитирование: 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

Ключевые слова: Li‑Fi, связь видимым светом, машинное обучение, OFDM, беспроводные сети