Real Modulated Signals Dataset of VLC Systems

本数据集名为‘Real Modulated Signals Dataset of VLC Systems’，由中国矿业大学信息与控制工程学院创建，专门用于可见光通信系统中的机器学习解调方法研究。数据集包含八种调制信号，共计72000条数据，涵盖从0cm到140cm的传输距离。数据集的创建过程涉及使用灵活的硬件原型收集实际环境中的接收信号数据。该数据集的应用领域主要集中在解决可见光通信系统中信号解调的挑战，尤其是在传输距离和调制阶数变化时的解调准确性问题。

This dataset is named 'Real Modulated Signals Dataset of VLC Systems', and it was created by the School of Information and Control Engineering, China University of Mining and Technology. It is specifically designed for research on machine learning-based demodulation methods in visible light communication (VLC) systems. This dataset includes 8 types of modulated signals, totaling 72,000 data samples, covering transmission distances ranging from 0 cm to 140 cm. The creation process of this dataset involved collecting received signal data in real-world environments using a flexible hardware prototype. The main application areas of this dataset focus on addressing the challenges of signal demodulation in VLC systems, especially the demodulation accuracy issues arising from variations in transmission distances and modulation orders.

搜集汇总

数据集介绍

构建方式

在可见光通信领域，数据驱动的解调方法研究亟需真实环境下的信号数据集支撑。为此，研究团队构建了一个灵活的端到端可见光通信硬件原型系统，该系统包含调制模块、任意函数发生器、放大器、偏置T型头、LED驱动器、单颗LED、单个光电探测器以及混合域示波器等组件。通过该原型，在真实物理环境中采集了八种调制类型的接收信号数据，包括OOK、QPSK、4-PPM以及16-QAM至256-QAM等多种调制格式。数据采集距离覆盖0厘米至140厘米，并以每5厘米为间隔进行记录。采集到的原始信号经过归一化处理，以降低机器学习算法的计算复杂度，最终形成了首个公开的可见光通信真实调制信号数据集。

特点

该数据集的核心特点在于其完全基于真实物理环境测量，而非仿真生成，从而包含了实际信道中存在的多种复杂因素，如LED有限调制带宽、多径色散、脉冲噪声及环境干扰等。数据集涵盖了从低阶到高阶的多种调制格式，且针对每种调制类型，提供了不同周期内采样点数（如N=10,20,40,80）的多个版本，为研究不同采样率下的解调性能提供了可能。此外，数据采集覆盖了广泛的传输距离，使得研究者能够深入分析距离变化对信号解调准确性的影响。数据集的公开性为可见光通信物理层机器学习解调算法的开发与基准测试提供了宝贵的真实数据资源。

使用方法

该数据集主要用于训练和评估基于机器学习的数据驱动解调器。研究者可将归一化后的接收信号向量作为输入特征，直接用于深度置信网络或AdaBoost等分类器的训练与测试。对于卷积神经网络，需先将一维信号向量通过可视化模块转换为二维图像格式，再利用图像分类网络进行处理。数据集已按调制类型和传输距离进行组织，用户可根据需要划分训练集与测试集，以验证不同解调算法在真实信道条件下的性能，特别是考察调制阶数、传输距离以及采样点数对解调准确率的影响。该数据集为比较传统解调方法与机器学习方法在复杂实际环境中的优劣提供了实证基础。

背景与挑战

背景概述

随着移动数字设备数量激增与无线数据流量迅猛增长，高速无线传输需求日益迫切。传统射频系统面临频谱资源紧张的瓶颈，而可见光通信凭借其频谱资源丰富、安全性高及抗电磁干扰等优势，成为短距离无线通信领域极具前景的解决方案。在此背景下，中国矿业大学、西安电子科技大学等机构的研究团队于2018年构建了首个面向可见光通信系统的真实调制信号开源数据集。该数据集旨在解决物理层信号解调这一核心研究问题，通过搭建端到端的硬件原型平台，采集了八种调制类型的真实信道信号，为机器学习方法在可见光通信解调中的应用提供了关键的实验数据支撑，推动了该领域从理论仿真向实际系统验证的转变。

当前挑战

该数据集致力于应对可见光通信系统中物理层信号解调的挑战。传统解调器严重依赖信道状态信息等先验知识，而在实际快速衰落信道中，这些信息难以准确获取，且复杂信道模型不易建模。数据集构建过程亦面临多重困难：需设计灵活的端到端硬件原型以在真实物理环境中采集数据；需处理可见光通信特有的强度调制/直接检测机制带来的信号非负性约束；需克服有限LED带宽、多径色散、脉冲噪声及商用光电探测器灵敏度低等多种实际信道因素的干扰，确保所采集数据的多样性与代表性，从而为数据驱动的解调算法提供可靠训练与评估基础。

常用场景

经典使用场景

在可见光通信领域，该数据集为机器学习解调方法提供了宝贵的真实信号样本，其经典使用场景在于评估和比较不同数据驱动解调器的性能。研究人员利用该数据集，在包含八种调制类型的信号上训练和测试卷积神经网络、深度信念网络以及自适应增强等解调器，系统分析传输距离、调制阶数对解调精度的影响，从而为物理层信号处理算法的设计与优化奠定实证基础。

实际应用

该数据集的实际应用场景紧密围绕可见光通信系统的原型开发与性能验证。通过构建端到端的硬件原型平台，数据集采集了不同传输距离下的真实接收信号，为室内定位、高速无线接入等具体VLC应用场景中的接收机设计提供了关键数据支撑。工程人员可以基于此数据集，直接训练和部署适应特定环境（如不同光照条件、距离）的智能解调模块，加速VLC技术从实验室走向实际部署的进程。

衍生相关工作

该数据集的发布催生了一系列围绕可见光通信智能解调的经典研究工作。它不仅为原文中提出的CNN、DBN和AdaBoost三种解调器提供了统一的评估基准，也激发了后续研究对更复杂神经网络架构（如循环神经网络、注意力机制）在VLC中应用的探索。此外，数据集促进了跨领域方法的迁移，例如将计算机视觉中的图像分类技术用于信号波形识别，推动了通信与人工智能学科的深度融合，成为该细分领域后续算法比较与性能改进的重要参照点。