1. 引言与概述

可见光通信（VLC）已成为传统射频通信（RFC）极具吸引力的补充技术，主要用于缓解频谱拥塞。VLC利用无处不在的发光二极管（LED）同时实现照明和数据传输，具有免许可频谱、高安全性和无电磁干扰等优势。本文探讨了VLC领域的一个关键挑战：为采用红/绿/蓝（RGB）LED的系统设计高效的调制方案。作者提出了一种名为直流信息联合色频调制（DCI-JCFM）的新方法，该方法创新性地将多个自由度——光波长（颜色）、基带子载波（频率）和直流偏置——结合到一个高维星座图设计问题中。其核心目标是在严格的实际照明约束下，最大化星座点之间的最小欧几里得距离（MED），从而提高功率效率和数据速率。

2. 核心方法：DCI-JCFM

DCI-JCFM方案是对传统解耦方法（即每个LED颜色通道独立调制）的范式转变。

2.1 高维信号空间

其关键创新在于对多样性资源的联合利用。发射信号向量x存在于由以下因素构成的空间中：R、G、B LED的强度（颜色分集）、多个正交基带子载波上的幅度（频率分集）以及自适应直流偏置电平。通过在这个复合的高维空间中设计星座图，该方案利用了基本的球体填充优势：在固定能量下，球体（星座点）可以在更高维度上放置得更远，从而在相同频谱效率下获得更大的MED和更低的误码概率。

2.2 实际照明约束

与射频系统不同，VLC必须首先满足照明要求。DCI-JCFM将这些要求严格地作为优化约束纳入：

  • 非负强度：LED驱动信号必须为正。
  • 光功率限制：出于人眼安全和器件限制的最大允许强度。
  • 平均颜色约束：时间平均发射光必须匹配所需的白色点（例如D65），以确保照明一致性。
  • 色彩质量：对显色指数（CRI）和辐射发光效率（LER）的约束，以确保高质量的光照。

3. 技术建模与优化

3.1 非凸问题描述

星座图设计被表述为寻找点集 ${ \mathbf{x}_i }_{i=1}^{M}$，以最大化MED $d_{min}$： $$\max_{\{\mathbf{x}_i\}} d_{min} = \max_{\{\mathbf{x}_i\}} \min_{i \neq j} \| \mathbf{x}_i - \mathbf{x}_j \|$$ 受限于上述照明约束和固定的平均功率（或等效的固定频谱效率）。这是一个非凸的复杂优化问题。

3.2 凸松弛方法

为了解决这个棘手的问题，作者采用了一种优化策略。他们使用线性近似技术，将非凸的MED最大化问题松弛为一系列凸子问题。这使得能够使用高效的凸优化求解器来找到一个高质量、可行且尊重所有实际约束的星座图设计。

4. 实验结果与性能

4.1 仿真设置

通过仿真评估性能，将DCI-JCFM与解耦方案（为每个R、G、B LED独立设计星座图）进行比较。测试了三种实际照明场景：

  • 平衡照明：R、G、B目标功率相等。
  • 非平衡照明：每种颜色的目标功率不同。
  • 高度非平衡照明：极端功率差异，考验算法的适应性。
关键指标是误码率（BER）与信噪比（SNR）的关系。

4.2 相对于解耦方案的性能增益

结果表明，在所有场景下，DCI-JCFM都取得了显著的增益。对于目标BER，DCI-JCFM需要更低的SNR，表明其具有更优的功率效率。这种增益在非平衡情况下最为明显，因为联合优化可以动态地在颜色和频率之间分配信号能量以满足特定的色点要求，这是解耦方案无法高效完成的。这意味着在相同照明质量下可以获得更高的数据速率，或者在相同数据速率下获得更好的照明效果。

关键结果：与解耦基线方案相比，DCI-JCFM显著降低了所需的SNR（例如，数dB），验证了在现实世界约束下高维球体填充的优势。

5. 分析师视角：核心见解与评述

核心见解

本文不仅仅是另一种调制方式的微调；它是对VLC发射机设计理念的根本性重构。其核心见解是将整个RGB LED物理层视为一个单一的高维执行器，而非三个独立的信道。这反映了射频MIMO系统的发展历程，即跨天线的联合处理释放了巨大的增益。DCI-JCFM将这种“联合性”原则应用于光域特有的维度：颜色、频率和偏置。真正的巧妙之处在于，迫使这种高维优化服从于人本照明那些平凡但不容商榷的规则——这是信息论与光度学之间的一场舞蹈。

逻辑脉络

其逻辑无懈可击：1）识别所有可用的自由度（颜色、频率、直流偏置）。2）认识到高维球体填充的益处。3）构建最终的MED最大化问题。4）面对照明约束（非负性、色点、CRI）的严酷现实。5）采用凸松弛方法来驯服计算这头“野兽”。6）与简单、解耦的基准方案对比验证增益。从理论优势到实际约束优化的脉络清晰且令人信服。

优势与不足

优势：整体约束建模是世界级的。纳入CRI和LER使这项工作从纯通信研究转变为真正的跨学科设计。在非平衡场景下的性能增益证明了该方法的实用价值，因为完美的色彩平衡在真实环境中很少见。与高维几何的联系优雅且基础扎实。

不足与空白：一个显而易见的问题是计算复杂度。凸松弛方法虽然巧妙，但对于实时适应来说可能仍然负担较重。论文对延迟和处理开销保持沉默。其次，信道被假设为理想或简单的。在真实的房间中，存在反射和不同光电探测器光谱响应，“颜色”维度会发生耦合和失真。DCI-JCFM对此类实际信道损伤的鲁棒性如何？这需要进行严格的测试。最后，比较对象是一个较弱的基准。一个更具挑战性的基准应该是为RGB LED适配的最先进的不对称削波光OFDM（ACO-OFDM）或类似方案。

可操作的见解

对于工业界研发：停止逐个颜色设计RGB LED通信系统。原型系统必须从一开始就将照明设计软件与通信算法集成。投资于能够近乎实时处理这些联合约束的优化引擎，或许可以使用机器学习进行更快的近似。

对于研究人员：下一步是动态DCI-JCFM。星座图能否实时适应变化的照明需求（例如调光、色温变化）或信道条件？此外，探索与新兴的基于神经网络的星座图设计方法（例如受射频领域自编码器概念启发的方法）的集成，这些方法可以直接从约束和信道数据中学习最优映射，有可能绕过复杂的优化。O'Shea等人关于“An Introduction to Deep Learning for the Physical Layer”（IEEE Transactions on Cognitive Communications and Networking, 2017）的工作为此类方法提供了相关框架。

6. 技术深度解析

6.1 数学框架

第$k$个LED颜色（$k \in \{R, G, B\}$）的发射信号可以建模为： $$s_k(t) = P_{dc,k} + \sum_{n=1}^{N_{sc}} a_{k,n} \cos(2\pi f_n t + \phi_{k,n})$$ 其中$P_{dc,k}$是信息承载的直流偏置（这是与固定偏置系统的关键区别），$N_{sc}$是子载波数量，$a_{k,n}, \phi_{k,n}$分别是第$k$个颜色上第$n$个子载波的幅度和相位。优化问题中的向量x连接了所有这些可调参数：$\mathbf{x} = [P_{dc,R}, ..., P_{dc,B}, a_{R,1}, \phi_{R,1}, ..., a_{B,N_{sc}}, \phi_{B,N_{sc}}]^T$，总维度为$D = 3 + 6N_{sc}$。

6.2 约束建模

平均颜色约束确保时间平均色度坐标$(\bar{x}, \bar{y})$与目标白色点$(x_t, y_t)$匹配，这由直流分量和LED的光谱功率分布$\Phi_k(\lambda)$推导得出： $$\bar{x} = \frac{\sum_k P_{dc,k} \int \Phi_k(\lambda) \bar{x}(\lambda) d\lambda}{\sum_k P_{dc,k} \int \Phi_k(\lambda) \bar{y}(\lambda) d\lambda}, \quad \text{目标： } \bar{x} \approx x_t$$ $\bar{y}$同理。CRI约束更为复杂，通常要求计算出的CRI指数$R_a$超过一个阈值（例如$R_a > 80$），这是全光谱的非线性函数，此处通过LED混合进行近似。

7. 分析框架：一个概念性案例

场景：为现代办公室设计一个VLC系统，该办公室需要动态照明——专注时段用冷白光（6500K），放松时段用暖白光（3000K）——同时保持恒定的高速数据链路。

解耦方案的局限：每个LED的星座图都是针对一个固定色点设计的。切换色温将需要重新计算并可能重新同步三个独立的星座图，很可能导致数据服务中断或需要复杂的保护间隔。

DCI-JCFM的应用：高维星座图的设计将平均颜色约束作为可变参数。优化问题可以针对一组目标色点$(x_{t,1}, y_{t,1}), (x_{t,2}, y_{t,2})$等离线求解，生成一组对应的星座图码本。要切换照明模式，发射机只需切换激活的码本。由于优化已针对该特定白色点联合考虑了所有颜色和频率，因此在转换过程中，既能保持最优的通信性能，又能无缝维持完美的照明效果。这个框架展示了DCI-JCFM对自适应人本照明网络的固有适用性。

8. 未来应用与研究方向

  • 智能环境中的LiFi：与物联网和智能建筑系统集成，DCI-JCFM使照明能够同时提供数据连接、人体舒适度调节，甚至通过颜色编码信号实现室内定位。
  • 水下可见光通信（UVLC）：不同类型的水体对颜色的吸收不同。DCI-JCFM可以动态优化波长（颜色）权重和调制方式，以在不断变化的水体条件下最大化通信距离和数据速率。
  • 生物识别与传感集成：自适应直流偏置和颜色控制可用于实现细微、不易察觉的光调制，以监测人员存在、心率（通过光电容积描记法）或其他生物特征，同时传输数据。
  • 机器学习驱动的设计：未来的工作必须利用深度强化学习（DRL）或生成对抗网络（GAN）来学习约束下的最优星座图映射，从而减轻在线计算负担。IEEE信号处理学会资料中记载的此类方法在射频波形设计中的成功，表明其在VLC领域具有巨大潜力。
  • 标准化：这项工作为未来的VLC标准（例如超越IEEE 802.15.7）提供了坚实的技术基础，这些标准将强制要求同时考虑通信和照明质量。

9. 参考文献

  1. Gao, Q., Wang, R., Xu, Z., & Hua, Y. (年份). DC-Informative Joint Color-Frequency Modulation for Visible Light Communications. IEEE Journal/Conference on [PDF来源].
  2. Karunatilaka, D., Zafar, F., Kalavally, V., & Parthiban, R. (2015). LED Based Indoor Visible Light Communications: State of the Art. IEEE Communications Surveys & Tutorials, 17(3), 1649-1678.
  3. O'Brien, D. C., et al. (2008). Visible Light Communications: Challenges and Possibilities. IEEE International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC).
  4. O'Shea, T., & Hoydis, J. (2017). An Introduction to Deep Learning for the Physical Layer. IEEE Transactions on Cognitive Communications and Networking, 3(4), 563-575.
  5. IEEE Signal Processing Society. (n.d.). Machine Learning for Signal Processing. 取自 https://signalprocessingsociety.org
  6. Komine, T., & Nakagawa, M. (2004). Fundamental analysis for visible-light communication system using LED lights. IEEE Transactions on Consumer Electronics, 50(1), 100-107.
  7. Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS). (与生成式设计的概念联系).