使用带硬件验证的混合机器学习优化智能DCO-OFDM Li‑Fi系统中的直流偏置

面向日常空间的光互联网

想象一下，房间的照明不仅能点亮空间，还能以极高的速度向你的笔记本和手机传输电影。这就是Li‑Fi的承诺——一种用光代替无线电波进行数据传输的技术。本文解决了Li‑Fi发射器中的一个微妙但关键的调节项——应当在数据信号上叠加多少恒定背景光（直流偏置）——作者采用智能机器学习方法并结合真实硬件测试，旨在让Li‑Fi更快、更高效、更可靠。

为何光能胜过Wi‑Fi

传统Wi‑Fi依赖能穿墙的无线电波，共享拥挤的频带，容易受到干扰并存在安全问题。相比之下，Li‑Fi使用红外负责设备回传数据，使用可见光自天花板灯向下发送数据。由于光无法穿透墙体，Li‑Fi链路天然限制在单个房间内，这减少了干扰并提高了隐私性。它还利用了大量无需许可的频谱，从而支持非常高的数据速率。这使得Li‑Fi成为未来6G网络、对无线电发射有严格限制的医院，以及任何需要同时照明与高速连接场景的有吸引力的选项。

恒定光的隐秘作用

在系统内部，许多Li‑Fi系统使用一种称为DCO‑OFDM的技术，将大量数据载入LED的光输出。该方法产生的原始电信号会在零点上下摆动，但LED只能发出非负的光强。工程师因此加入一个恒定偏移——直流偏置——将整个波形整体上移，然后将任何剩余的负值裁剪掉。如果偏置太小，负半周会被严重裁剪，引入噪声和误码；如果偏置过大，LED则在无用的明亮度上浪费功率而不是在数据上传输上。最佳偏置取决于信号编码方式、链路噪声等多个因素，而传统的优化方法在应对变化条件时往往速度慢或难以适应。

让系统学会自我调节

为使Li‑Fi发射端“学习”最优偏置，作者通过详尽的DCO‑OFDM仿真构建了数据集。对于每个生成的信号，他们计算了诸如波形的最小值和最大值、平均电平、波动性以及传输后的误码率等简单数值特征。这些摘要信息连同星座点数、子载波数量等系统设置一起，作为机器学习模型的输入，用以预测在误码与功率消耗之间取得平衡的理想直流偏置。团队探索了若干混合方法，结合了拟合平滑曲线的经典多项式回归与基于相似历史样本的K近邻（KNN）。他们比较了不同组合，并用标准精度指标评估每种方法预测偏置与真实最优值的一致性。

从计算模型到真实硬件

除了仿真，研究人员还在实验室搭建了一个小型Li‑Fi链路：使用高亮度LED作为发射端、光电二极管作为接收端，并用基于Arduino的电路在短距离室内捕获真实信号。从该硬件装置中提取了同类信号特征，形成了反映真实噪声、器件不完美与环境效应的第二个数据集。在不重新训练的情况下，用仿真数据训练的机器学习模型被用来预测这些真实测量的最佳直流偏置。此步骤很关键，因为很多早期研究止步于计算实验，未能证明其方法能否在物理世界的复杂性中生存下来。

为未来Li‑Fi房间带来更智能的偏置调整

最突出的一点是：将多项式回归与KNN相结合的混合模型给出了最精确且鲁棒的预测。该模型在仿真中与真实最优值高度一致，并在直接应用于基于Arduino的Li‑Fi链路时保持了强劲的性能。就实际意义而言，配备此类模型的Li‑Fi系统可以在条件变化时自动调节合适的偏置水平，最大限度减少光能浪费和信号失真，而无需频繁人工调参。尽管当前的硬件测试仅覆盖短距离和简化的室内场景，但这一方法指向了智能自优化的Li‑Fi网络方向——天花板灯在提供日常照明的同时悄然调整以交付安全、高速的数据连接。

引用: 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

关键词: Li‑Fi, 可见光通信, 机器学习, OFDM, 无线网络