DC-förspänningsoptimering i intelligenta DCO-OFDM Li‑Fi-system med hybrid maskininlärning och hårdvaruvalidering

Ljusburen internetuppkoppling för vardagsmiljöer

Föreställ dig att rummets lampor inte bara lyser upp utan också strömmar filmer till din laptop och telefon med mycket höga hastigheter. Det är löftet från Li‑Fi, en teknik som använder ljus istället för radiovågor för trådlös dataöverföring. Denna artikel tar sig an en subtil men avgörande inställning i Li‑Fi‑sändare — hur mycket konstant bakgrundsljus, eller DC‑förspänning, som bör läggas till datasignalen — med hjälp av smarta maskininlärningsmetoder och verkliga hårdvarutester, för att göra Li‑Fi snabbare, mer effektivt och mer tillförlitligt.

Varför ljus kan slå Wi‑Fi

Konventionell Wi‑Fi bygger på radiovågor som går genom väggar, delar trånga frekvensband och kan vara känsliga för störningar och säkerhetsproblem. Li‑Fi använder däremot infrarött för att skicka data tillbaka från enheter och synligt ljus för att leverera data från taklampor. Eftersom ljus inte tränger igenom väggar kan en Li‑Fi‑länk naturligt begränsas till ett enda rum, vilket minskar interferens och förbättrar sekretessen. Den utnyttjar också ett mycket stort, licensfritt spektrum, vilket möjliggör mycket höga datahastigheter. Det gör Li‑Fi attraktivt för framtida 6G‑nätverk, sjukhus där radioutsläpp är begränsade, och alla miljöer som behöver både belysning och höghastighetsuppkoppling.

Den dolda rollen hos ett stadigt sken

Under ytan använder många Li‑Fi‑system en metod kallad DCO‑OFDM för att packa mycket data på en LED:s ljusutgång. Den råa elektriska signalen från denna metod svänger både över och under noll, men LED:er kan bara ge icke‑negativ ljusintensitet. Ingenjörer lägger därför till ett konstant offset — DC‑förspänning — för att skifta hela vågformen uppåt och klipper sedan bort eventuella kvarvarande negativa delar. Om förspänningen är för liten blir de negativa delarna kraftigt klippta, vilket ger brus och fel. Om den är för stor slösar LED:en effekt på onödig ljusstyrka istället för data. Den optimala punkten beror på flera faktorer, inklusive hur signalen är kodad och hur brusig länken är, och konventionella optimeringsmetoder kan vara långsamma eller svåra att anpassa till föränderliga förhållanden.

Att lära systemet att ställa in sig själv

För att låta Li‑Fi‑sändaren "lära" sig sin bästa förspänningsnivå byggde författarna en datamängd med detaljerade dator­simuleringar av DCO‑OFDM‑signaler. För varje genererad signal beräknade de enkla numeriska funktioner såsom vågformens minimum och maximum, dess medelnivå, dess variabilitet och felkvoten efter överföring. Dessa sammanfattningar, tillsammans med systeminställningar som konstellationsstorlek och antal subbärare, utgjorde input till maskininlärningsmodeller tränade för att förutsäga den ideala DC‑förspänningen som balanserar fel och effektanvändning. Teamet undersökte flera hybrida tillvägagångssätt som blandar klassisk regression, som passar mjuka kurvor, med K‑Nearest Neighbors (KNN), som ser på liknande tidigare exempel. De jämförde olika kombinationer och mätte hur väl varje modell förutsade förspänningsvärden i överensstämmelse med det verkliga optimum, med standardiserade noggrannhetsskalor.

Från dator­modeller till verklig hårdvara

Bortom simuleringar byggde forskarna en liten laboratorie‑Li‑Fi‑länk med en höglysnings‑LED som sändare, en fotodiod som mottagare, och en Arduino‑baserad krets för att fånga verkliga signaler över korta inomhusavstånd. Samma typer av signalfunktioner extraherades från denna hårdvaruuppsättning och skapade en andra datamängd som speglar verkligt brus, imperfektioner och miljöeffekter. Utan omskolning ombads maskininlärningsmodellerna som lärts på simulerade data att förutsäga bästa DC‑förspänning för dessa verkliga mätningar. Detta steg är avgörande, eftersom många tidigare studier stannade vid datorexperiment och aldrig visade att deras metoder klarar röran i den fysiska världen.

Smartare förspänning för framtidens Li‑Fi‑rum

Det främsta resultatet är att en hybridmodell som kombinerar polynomregression med KNN gav de mest exakta och robusta förutsägelserna. Den uppnådde hög överensstämmelse med det verkliga optimum i simuleringar och bibehöll stark prestanda när den tillämpades direkt på den Arduino‑baserade Li‑Fi‑länken. I praktiska termer innebär detta att ett Li‑Fi‑system utrustat med en sådan modell automatiskt skulle kunna ställa in rätt förspänningsnivå när förhållandena förändras, minimera slöseri med ljus och signalförvrängning utan konstant manuell justering. Även om de nuvarande hårdvarutesterna bara omfattar korta avstånd och förenklade inomhusscenarier, pekar tillvägagångssättet mot intelligenta, självoptimerande Li‑Fi‑nät där taklampor diskret anpassar sig för att leverera säker, höghastighetsdata parallellt med vardaglig belysning.

Citering: 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

Nyckelord: Li‑Fi, synlig ljuskommunikation, maskininlärning, OFDM, trådlösa nätverk