哈尔滨工业大学刘志勇团队:用深度学习算法处理水声信道中的衰落和严重的代码之间的影响

2024-08-24

本文提出了一种基于深度学习的联合多分支合并和平衡算法，借助深度学习网络非线性拟合能力，共同实现多分支合并和平衡，以更好地解决水声信道中的衰落和严重码间影响问题。

原文：刘志勇 , 金子皓 , 杨洪娟 , 刘彪 , 唐新丰 , 李博 . 基于深度学习的水声信道合并多分支和平衡算法 [ J ] . 电子和信息学报纸 , 2024, 46 ( 5 ) : 2004-2010. doi: 11999/JEIT2319619.

第一单位：哈尔滨工业大学 ( 威海 ) 信息技术与工程学院

视频速览：

一引言

随着越来越重视海洋资源的发展和海洋权益的维护，水力通信技术在军事和民用水下信息传输领域的重要性日益显现。然而，复杂的水力通道给数据的可靠传输带来了挑战(如图所示)。 1)在高速传输过程中，信号会面临时间变化、严重的码间影响和衰落的影响。为了解决这个问题，我们通常会考虑选择自适应平衡和分集技术。

图 1 水声信道冲动响应示意图

自适应平衡是一种在接收器处进行自适应信号补偿的技术，可以有效抑制代码之间的影响和噪音，纠正和补偿信道的特性，从而提高通信系统的可靠性。传统的自适应平衡算法主要用于水声通信，包括最小平方误差自适应算法和递归最小二乘自适应算法。然而，由于其结构的限制，传统的自适应平衡算法很难获得更好的误码率性能。

近几年出现的深度学习算法，凭借其强大的学习能力和非线性拟合能力，成为水声信道均衡算法研究的热点，可以获得更好的码间影响清除效果。目前已有多层感知器、递归神经网络、卷积神经网络等网络设计的水声信道平衡器的研究，可以进一步改善误码率特性。当前对神经网络用于平衡领域的研究，仅限于单支系状况。

由于水下声波的衰落和传播特性，可以考虑在水声通信中使用单发多收 ( SIMO ) 分集技术可以更好地捕捉声信号的能量，抵抗衰落的影响，通过使用多个衰落相互独立的水声信道传输相同的信息，提高水声通信链路的可靠性。当前分集技术中，主要的合并技术包括选择合并、等增益合并和最大比合并。最大比合并性能好，但实际上需要知道每个支部的信道状态信息，在实际的水声环境下，很难获得换能器之间的信道状态信息。因此，这种方法不适合实际的水声通信系统。此外，在高速水声通信中，还存在代码间的影响，因此不仅要采用合并技术，还要采用平衡技术。但是，如果多分支合并和平衡相互独立，就不能充分发挥两者的联合性能，因此需要考虑如何将多分支合并和平衡联合实现。现在，基于智能学习方法的多分支合并和平衡联合实现的研究还没有考虑到。

本文提出了一种基于深度学习的联合多分支合并和平衡算法，以解决水声信道中严重衰落和码间影响的问题。该算法基于 DNN 实现，可以利用其强大的学习能力和非线性拟合能力，更好地实现合并和消除代码之间的影响。在实现中，多分支合并和平衡是联合实现的，可以进一步提高联合性能。模拟结果验证了所提到的算法的可行性，同时也验证了其与现有方法相比的优点。

二系统模型

本研究针对 SIMO 单载波水声通信系统，发射端有一个换能器，接收端有一个换能器。 N 一个水听器，如图所示 2 所示。在图 2 中，h 表示海水的深度，ht 表示发射端换能器与海底的距离，hd ( i ) 表示接收端第 i 一个水听器的序列距离海底，i={1,2,..., N}，d 表示换能器与水听器阵型的水平距离，hi ( n ) 表示换能器和第一 i 一个水听器间水声信道的冲动响应，假设发射端换能器和接收端换能器 N 水听器之间的水声信道 hi ( n ) 是相互独立的。

图 2 水声 SIMO 通讯系统示意图

本模型下，接收端第一 i 一个水听器的接收信号 ri ( n ) 可以，它可以表达为下式

其中，i={1,2,..., N}，s ( n ) 表示单独等概率二进制相移键控制 ( BPSK ) 调制信号，s ( n ) ∈ {-1,1}，* 表示卷积运算，ξ i ( n ) 表示零平均值，方差为加性高斯白噪声。

三基于深度学习的联合多分支合并与平衡

高速水声通信将同时面临水声通信中时变、码间严重影响和衰落的影响。为了提高水声通信链路的可靠性，应同时考虑解决。现有的合并平衡方法是基于现有的。 MMSE 实现标准，深度学习方面只考虑单支系状况，还没有考虑多支系状况。本文提出了一种基于深度学习的联合多分支合并和平衡算法。 ( JMME-DL ) ，与现有算法相比，这种算法有以下不同之处： ( 1 ) 基于深度学习网络，该算法实现了多支系平衡； ( 2 ) 多个分支合并与各个分支平衡并非相互独立，而是共同实现。

本文所提出 JMME-DL 如图所示算法的结构示意图 3 如图所示，该算法将处理各水听器接收到的信号， 3 深度学习网络处理后，发送端发送的数据可以通过判决恢复。

图 3 JMME-DL 算法结构示意图

由图 3 可以看出，每个支部网络与每个支部网络输出的合并并不是相互独立的，而是基于网络总导出的计算误差进行联合更新。每个支部将同时处理相应支部的几组数据。 i 个支系第 1 层神经网络输入可以表示为

其中，i={1,2,..., N}，K 表示每个支系一次处理的组数。 ( 在这里，我们假设每个支部的组数都是相同的。 ) ，Mi 表示每个支系深度神经网络 ( DNN ) 神经元输入层的数量。设置每个支系 DNN 的层数均是 L，若第 i 个支系第 l 如果层输出为，则第 l 1 通过下式计算，可以得到层层输出

其中，代表第 i 第一个支系网络 l 分层权重矩阵，

，代表第 i 第一个支系网络 l 层偏向向量，表示 SIGMOID 激活函数。当传输层数增加时，每层的输入分布会逐渐偏移，从而导致某些层的输入落入激活函数。 fi ( · ) 在饱和区域内，梯度消失，导致网络参数无法更新。为解决梯度消失引起的“梯度弥漫”问题，在图中 4 在里面的每一层之前加入正则化。 ( BN ) 层，BN 层可以将每层的输入信息转换为服从平均值。 0，方差为 1 在标准正态分布序列中，经过这种正则化处理，信息可以落入激活函数的敏感区域，梯度变化很大，可以加速网络的收敛。因为所采用的调制方法是 BPSK 部署，因此可以把它看作是一个二分类的问题。鉴于 SIMOID 激活函数输出值的范围是什么？ ( 0,1 ) ，这里将 BPSK 调配值取" 1 “时间定义为正向类” 1 "，取" -1 “时间定义为负向类” 0 "，阀值取 0.5，在判断时可以根据预测值和 0.5 大小关系，判决恢复发送端发送的信息。每个固层的递推关系可以在下面表示。

最终总网络输出由各支系输出加权获得

。考虑到通信的目的是传递信息，希望接收端能够正确恢复信息，因此将深度学习网络的损失函数定义为

其中s表示期望信息 s= [ s ( ( n-1 ) K 1,...,s ( nK ) ] ，n=1,2,3,..，表示对s预测值。从式 ( 5 ) 可以看出，损失函数的值越低，信息的预测值就越接近预期值，所以最优化的网络参数(权重矩阵和偏置向量)可以通过最小化损失函数来获得。为了使算法适应通道，可以通过梯度降低的方式推导出最小的损失函数的自适应算法。

四模拟结果和分析

4.1 仿真条件

在模拟中，假设水通道是半稳定的，即在发送数据包的过程中，通道不会改变，但通道会改变下一个数据包的传输。每一个数据包都包含训练序列和数据序列。根据统计的水声信道模型，得到了换能器和水听器之间的水声信道冲动响应，使用的基本参数如表。 1 如表所示，蒙特卡洛模拟可以基于这种水声通道模型进行构建。 1 如图所示，基本参数产生的水声信道冲激响应 4 所示。

图 4 发射机和各水听器之间的信道冲击响应

4.2 模拟结果和分析

本文选择了以下对比算法： ( 1 ) 文献 [ 10 ] 提出的基于 NLMS 联合多分支合并与平衡算法 ( JMME-NLMS ) ； ( 2 ) 文献 [ 6 ] 基于卷积递归神经网络提出的建议 ( CRNN ) 多支系处理算法与等增益相结合，各支系相互独立，但是对各个支系输出进行等增益合并，称为基于等增益 CRNN 多支系平衡算法等增益合并 ( EGC-ME-CRNN ) ； ( 3 ) 单支系平衡算法基于深度学习。 ( SE-DL ) ； ( 4 ) 基于深度学习的平衡与等增益相结合的算法，每个支系相互独立，只对每个支系的输出进行等增益合并，称作基于 DL 多支系平衡算法等增益合并 ( EGC-ME-DL ) 。

所涉及的参考文献：

[ 6 ] . LAVANIA S, KUMAM B, MATEY P S, et al. Adaptive channel equalization using recurrent neural network under SUI channel model [ C ] . 2015 International Conference on Innovations in Information, Embedded and Communication Systems ( ICIIECS ) . IEEE, 2015: 1-6. doi: 10.1109/ICIIECS.2015.7193035.

[ 10 ] . CHOI J W, RIEDL T J, KIM K, et al. Adaptive linear turbo equalization over doubly selective channels [ J ] . IEEE Journal of Oceanic Engineering, 2011, 36 ( 4 ) : 473-489. doi: 10.1109/JOE.2011.2158013.

深度神经网络的非线性拟合能力与传输层数有关，传输层数过少，非线性拟合能力差；当传输层数过多时，可能会导致拟合。因此，深度神经网络的层数严重影响 JMME-DL 的性能。因此，首先通过模拟探讨了传输层数对误码率性能的影响。假设不同支系的神经网络层数和结构相同，在建立各支系深度神经网络时。图 5 对误码率性能产生了传输层数的影响，图中各自给出了各个支系的传输层数。 4 层、5 层、6 层、7 层和 8 层次误码率曲线：4 层层网络结构为 16-16-32-1；5 层层网络结构为 16-16-24-32-1；6 层层网络结构为 16-16-24-32-24-1；7 层层网络结构为 16-16-24-32-24-16-1；8 层层网络结构为 16-16-24-32-36-24-16-1。由图 5 可以看出，随着层数的增加，JMME-DL 误码率性能会进一步提高，但当层数达到一定水平，层数会进一步增加时，误码率性能不会大大提高，反而会增加算法的复杂性。由图 5 可以看出，随着层数的增加，JMME-DL 误码率的性能会进一步提高，但当层数达到一定水平，层数会进一步增加时，误码率的性能不会大大提高，反而会增加算法的复杂性。在本文中，在考虑传输层数的设置时，应考虑保证算法的性能，使网络尽可能轻(计算复杂度低)。因此，要充分考虑误码率的性能和算法的复杂性，选择每个支系的传输层数。 6 这将是一个很好的折中。所以，在后期模拟中，设置各支部的传输层数为 6。

图 5 对算法性能的影响，传输层数对比图

图 6 给出了 SE-DL, EGC-ME-DL, JMME-NLMS, EGC-ME-CRNN 和所提 JMME-DL 比较算法之间的误码率性能。由图 6 可以看出，EGC-ME-DL, JMME-NLMS, EGC-ME-CRNN 和所提 JMME-DL 误码率性能优于算法 SE-DL。因为这些算法都是多支系算法，与多支系算法相比， SE-DL 总之，可获得分集增益。由图 6 也可以看出，EGC-ME-DL, EGC-ME-CRNN 和所提 JMME-DL 算法可以得到比例 JMME-NLMS 由于这些算法都是基于神经网络实现的，具有很强的非线性拟合能力，可以更好地清除代码间的影响，所以误码率性能更好。另外，还可以看出所提及。 JMME-DL 误码率性能优于 EGC-ME-DL, EGC-ME-CRNN 算法。这是因为 JMME-DL 它是基于深度学习网络的实现，而在实现过程中，各支网络与多支网络的合并并非相互独立，而是联合实现。

图 6 水信道下算法误码率性能比较

图 7 对不同算法的收敛性能进行对比，横轴表示深度学习算法的迭代次数。由图 7 中可以看出 EGC-ME-DL 和 EGC-ME-CRNN 收敛速度接近，而提到的收敛速度 JMME-DL 算法可以得到比例 EGC-ME-DL 和 EGC-ME-CRNN 更好的收敛速度。另外，还可以从图表中获取 7 可以看到，所提到的 JMME-DL 损失函数值小于算法达到的损失函数值 EGC-ME-DL 和 EGC-ME-CRNN 算法，这和图片 6 误码率性能是一致的，损失函数值越低，误码率性能越好，这反过来也证明了图表 6 中间结果的准确性。

图 7 水信道下算法收敛曲线

五结语

本文提出了一种基于深度学习的联合多分支合并和平衡算法，以更好地清除严重多径导致的码间影响和抗水声信道衰落。在这种算法中，多分支合并和平衡不是相互独立的，而是基于设计的深度学习网络联合实现的，因此可以获得更好的合并和平衡性能。模拟结果表明，与现有算法相比， JMME-DL 在深度学习网络非线性拟合能力的帮助下，算法可以更有效地去除代码间的影响，从而获得更好的收敛和误码率性能。

作者团队：

刘志勇：男，副教授，研究方向是无线通信，水声通信。 .

金子皓：男，硕士，研究方向是水声通信，人工智能。 .

杨洪娟：女，副教授，研究方向是无线通信，水声通信。 .

刘彪：男，工程师，研究方向是水声通信，无线通信。 .

唐新丰：男，工程师，研究方向是无线测控通信，数据链。 .

李博：男，副教授，研究方向是无线通信，水声通信。 .

通讯员：杨洪娟 hjyang@hit.edu.cn

编辑 | 马秀强

校对 | JEIT 融媒

审批 | 陈倩

这个号码发布的消息是为了传播和交流。如果涉及到图文版权等问题，请 20 日内联系本号，我们会尽快处理。