Evaluation of extreme Learning Machine as channel equalizer for color-shift keying-based visible light communication systems employed in underground mining scenarios

Abstract

En el contexto de la minería subterránea, los sistemas de comunicación por luz visible se han propuesto como sistemas auxiliares a la comunicación inalámbrica tradicional, pues tienen el potencial de otorgarle mayor fiabilidad y flexibilidad a esta última. El canal de comunicación por luz visible en una mina subterránea es mucho más complejo que el de entornos in-door comunes (por ejemplo, oficinas, centros comerciales, etcétera): polvo, maquinaria pesada, paredes irregulares son solo algunos de los factores que degradan la señal de luz en una mina subterránea. Dada la potencial hostilidad del canal de comunicación en el entorno minero, es interesante evaluar un método de ecualización complejo y compararlo con el método de ecualización estándar para sistemas de comunicación por luz visible. Extreme learning machine es un algoritmo basado en redes neuronales que ha demostrado ser efectivo como ecualizador de canales altamente hostiles. Color-shift keying es una de las técnicas de modulación utilizadas en sistemas de comunicación por luz visible que alcanza altas tasas de datos. El objetivo de este trabajo es evaluar la factibilidad de utilizar un ecualizador basado en extreme learning machine en un sistema de comunicación por luz visible, desplegado en una mina subterránea y haciendo uso de la modulación color-shift keying. Para cumplir el objetivo, se diseñó un escenario de simulación y un montaje experimental computacional, cuyo resultado es la probabilidad de error de bit del sistema simulado. El escenario de simulación consistió en una mina subterránea en la que un único transmisor enviaba datos a un único receptor, usando un enlace de comunicación por luz visible basado color-shift keying y ateniéndose a las especificaciones del estándar IEEE 802.15.7. Usando la probabilidad de error de bit obtenida como métrica, los métodos de ecualización basados en extreme learning machine se compararon con el método de ecualización tradicional, propuesto por el estándar IEEE 802.15.7 para color-shift keying. Los fenómenos inherentes a las minas subterráneas que degradan la señal de luz se consideraron en el escenario de simulación incorporando un modelo de canal de mina subterránea del estado del arte. Los resultados dan a entender que, para las tasas de datos definidas en el estándar IEEE 802.15.7 y para el entorno de simulación evaluado, el método estándar de ecualización de canal es perfectamente capaz de ecualizar la señal; de hecho, el método estándar tiene mejor rendimiento que la ecualización basada en extreme learning machine, y además requiere menor complejidad computacional. Sin embargo, para descartar completamente extreme learning machine como método de ecualización de canales por luz visible, es necesario futuro trabajo, ya sea evaluándolo en simulaciones más complejas o incluso implementando el sistema en la realidad.