用于自由空间光通信干扰信号分离的优化权谱法

通过光实现更清晰的对话

想象一下，与远方的人通话不是通过无线电或光纤，而是通过一束在开阔空气中传播的光束。这就是自由空间光（FSO）通信的承诺：高速、无缆连接，可以在建筑、塔台甚至无人机之间安静地传输语音或数据。但在现实世界中，大气并不平静，充满噪声。热量、风和电子设备都会扰动信号，使远端难以恢复清晰的语音。本文提出了一种新的方法来清理这些信号，从而使通过光传输的对话保持清晰可懂。

为什么光链路会变得如此嘈杂

FSO 系统通过快速开启和关闭光源来发送信息，并用灵敏的探测器捕捉这些闪烁。与无线电链路不同，这些光束通常不需政府许可，且可提供更高的数据速率。然而，它们受制于大气和接收端硬件的影响。大气湍流会导致光束随机地闪烁和衰落，而将光转换为电信号的电子设备又会带来自身的背景噪声。这些效应共同搅乱信号，使某些比特发生错误，并提高工程师所称的比特误码率（BER）。BER 越低意味着错误越少，通信越清晰。

以新的视角观察信号

作者没有直接在时间域修复信号，而是将其视为“音符”或频率成分。他们使用一种称为傅里叶变换的数学工具，将每个记录到的信号分解为频率成分，有点像把和弦拆成单独的音符。在他们的 FSO 系统中，干净的语音信号往往占据频谱中的某一明确片段，而噪声则更广泛地扩散。通过比较大量干净与受噪声污染的信号，研究者发现即便在大气条件和噪声强度变化时，两类信号的频率“指纹”仍保持一致的差异。

教一个滤波器分辨信号与噪声

为了利用这些差异，团队构建了一个基于学习的滤波器，称为优化权谱（Optimized Weight Spectrum）。他们向系统输入了许多真实信号集：一些近乎无噪声，另一些在不同强度下加入了人工噪声。对每一组信号，他们检查归一化的频率模式，并训练一个简单的数学模型，在该频域中划出“主要为信号”与“主要为干扰”之间的分界面。结果是一组权重——每个频率分量对应一个权重，权重在有用信息常出现的频段为正，在噪声主导的频段则为非正。随后他们引入自适应阈值对这些权重进行精炼，仅保留最强、最可靠的分量，同时丢弃其余部分。

从实验室模型到户外语音链路

在离线设计完这一谱域滤波器后，作者在一个真实的 80 米户外 FSO 链路上进行了测试，使用 850 纳米光源和常见的开/关调制格式传输语音数据。在接收端，他们将学习到的权谱应用到接收信号的频率内容，移除被标记为干扰的部分，然后重建回时域信号。他们将该方法与基本解调方法和更复杂的神经网络模型进行了比较。在仿真中，他们的优化权谱方法在典型真实链路出现的中等噪声水平下能更有效地降低错误率。在户外实验中，比特误码率维持在约 0.83% 以下，清理后的信号显示更大的眼图开口和更清晰的波形，表明解调更可靠。

这对未来光链路意味着什么

对非专业读者来说，核心想法是作者开发了一个智能但相对简单的“听觉”工具，专门在频域中为光链路工作。通过提前学习哪些频谱部分通常携带真实信息、哪些更可能是杂质，他们的方法可以迅速剥离大量干扰，而无需许多深度学习系统所需的高昂计算代价或大规模数据集。这使其对部署在现场的紧凑硬件很有吸引力。尽管该方法在噪声与主信号带略有分离时效果最佳，在非常恶劣或频谱重叠的条件下可能表现欠佳，但它已为使自由空间光语音链路更稳健、更清晰并更适合日常户外环境提供了实用途径。

引用: 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

关键词: 自由空间光通信, 干扰抑制, 信号处理, 机器学习, 降噪