【光通信】不同O-OFDM技术在湍流水下可见光通信中的性能Matlab实现

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

一、水下湍流与 O-OFDM 技术概述

1. 水下湍流效应

水下湍流是由水体温度、盐度不均和压力变化引起的随机折射率波动，对光通信造成三大影响：

• 光强闪烁

  ：接收光功率随机波动，导致信噪比下降和误码率上升

• 光束漂移

  ：光斑位置随机偏移，引起接收信号不稳定

• 多径散射

  ：光在湍流中形成多条传输路径，导致码间干扰

2. O-OFDM 技术原理

光正交频分复用 (O-OFDM) 将高速数据流分割为多个低速子载波并行传输，通过以下特性有效对抗水下信道衰落：

• 循环前缀消除多径干扰

• 子载波正交性提高频谱效率

• 频域均衡简化信道补偿

二、主流 O-OFDM 技术对比

1. DCO-OFDM (直流偏置光 OFDM)

• 核心机制

  ：添加直流偏置使信号保持正值以适应强度调制 / 直接检测 (IM/DD)

• 优点

  ：

  • 所有子载波均可传输数据，频谱效率高

  • 实现简单，兼容传统 OFDM 技术

• 缺点

  ：

  • 需额外直流功率 (占总功率 30%-50%)，能量效率低

  • 高峰均功率比 (PAPR)，易受放大器非线性影响

2. ACO-OFDM (非对称限幅光 OFDM)

• 核心机制

  ：仅使用奇数子载波传输数据，偶数子载波置零，通过限幅器生成单极性信号

• 优点

  ：

  • 无需直流偏置，功率效率高 (比 DCO-OFDM 高 3-4dB)

  • 低 PAPR，对放大器要求低

  • 在低阶调制 (≤64-QAM) 时功率效率优于 DCO-OFDM

⛳️ 运行结果

📣 部分代码

function [ boolean_value, positionPh_received, out_of_fov] = received ( positionRe, radiusRe, positionPh, directionPh, positionPh_new, fov) 

% Returns true if the photon is considered as received. We check 

% the cases where the photon may be received % 

% Input parameters: 

% positionRe: receiver抯 position in (x, y, z) 

% radiusRe: receiver抯 radius 

% positionPh: photon抯 previous position 

% directionPh: photon抯 current direction

% positionPh_new: photon抯 current position 

% fov: receiver抯 FOV % Returned parameters: 

% Boolean_value: this is true if the photon is considered as received. Otherwise, this is false 

% positionPh_received: the position at which the photon is received by the receiver 

% out_of_fov: This is true if the photon is considered as received (boolean_value = true) 

% from a geometrical aspect, but it is out of the receiver抯 FOV, 

% so it will not be considered as received as the receiver doesn抰 搒ee?it.

boolean_value = false; 

positionPh_received = positionPh_new; 

out_of_fov = false; 

if (((positionPh_new(1)-positionRe(1))^2 + (positionPh_new(2)- positionRe(2))^2 +(positionPh_new(3)-positionRe(3))^2)<= radiusRe^2) 

    boolean_value = true; 

else

    a = norm(directionPh)^2;

    b= 2*dot(directionPh,positionPh-positionRe); 

    c= norm(positionPh-positionRe)^2 - radiusRe^2; 

    discr = b^2 - 4*a*c; 

    if (discr>=0) 

        % This means that line of the photon's direction intersects with the sphere. 

%         Now we need to check if the point of the photon's new position on the line is before or after the point 

%         where it intersects with the sphere.

% For this reason, first we find the distance from the photon's 

% initial position with point(s) where the line intersects with the medium 

d1 = (-b + sqrt(discr)) / 2*a; 

d2 = (-b - sqrt(discr)) / 2*a; 

d_min = min(d1, d2); 

% Distance of phton's new position to its old position 

distancePh_new = norm(positionPh-positionPh_new); 

if (distancePh_new >= d_min) 

    % The photon passes inside the sphere, so it is received 

    boolean_value = true; 

    % Now the photon's new position must change so that it would be inside the receiver's aperture area. 

%     The position at which the photon is received is at distance d_min from its initial point 

positionPh_received = positionPh+directionPh*d_min; 

end

    end

end

if boolean_value == true 

    % We check the diarection's angle and FOV 

    line1 = positionPh(3) - positionRe(3); % ?Z = Zp - Zr 

    line2 = norm(positionPh - positionRe); % ?? 

    theta = acos(line1/line2); 

    if theta <= fov/2 

        boolean_value = true; 

        out_of_fov = false; 

    else

        boolean_value = false; 

        out_of_fov = true; 

    end

end

end

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码