深度循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)水下光信道的非線性補(bǔ)償

盧洪斌 祚 銓 盧 戈

1.百色學(xué)院；

2.廣州市隆光信息技術(shù)有限責(zé)任公司

0 引言

在地球表面及其上的三維空間中已經(jīng)可以實(shí)現(xiàn)高速通信信號(hào)的無縫覆蓋，但是占地球表面70%以上的水面之下卻仍然是寬帶通信的盲區(qū)，還沒有一種技術(shù)能實(shí)現(xiàn)高速、遠(yuǎn)距離和大范圍的水下通信（UWC）。這是由于水下嚴(yán)重的信號(hào)衰減、復(fù)雜且強(qiáng)烈的時(shí)變非線性效應(yīng)和不同水下區(qū)域信道特征的巨大差異所造成的。隨著海洋資源開發(fā)利用的深化及軍事國防領(lǐng)域的強(qiáng)大需求驅(qū)動(dòng)，水下通信技術(shù)研究已具備極其重大的經(jīng)濟(jì)價(jià)值和戰(zhàn)略意義。

吸收、散射和湍流是水下光通信信號(hào)衰減的主要因素，水下種類豐富的無機(jī)物、有機(jī)物和水分子本身會(huì)導(dǎo)致嚴(yán)重的光吸收衰減和散射，散射和湍流導(dǎo)致光偏離傳播方向，使信號(hào)接收端獲取的信號(hào)強(qiáng)度大為下降，同時(shí)散射導(dǎo)致的時(shí)延擴(kuò)展不僅限制了通信的距離還限制了通信的速率。

本文根據(jù)水下光通信信道的非線性和時(shí)變特性等特點(diǎn)，設(shè)置水下光信道的各種特征參數(shù)，收集已有的水下光通信系統(tǒng)實(shí)驗(yàn)數(shù)據(jù)和仿真數(shù)據(jù)，利用深度循環(huán)神經(jīng)網(wǎng)絡(luò)（Deep Recurrent Neural Network，DRNN）模型的強(qiáng)大預(yù)測(cè)能力，解決非線性時(shí)變系統(tǒng)的信道補(bǔ)償難題，取得了較好的非線性信道預(yù)補(bǔ)償效果。

1 水下光信道非線性的補(bǔ)償方法

1.1 水下光信道非線性特性

水下光信道的光學(xué)性質(zhì)與水體組成成分、水體有機(jī)物和無機(jī)物分布與濃度、水溫水壓、水體含鹽度、水深等密不可分，它們都會(huì)造成光吸收和散射的強(qiáng)弱大幅變化。目前，水下光信道的非線性時(shí)變特性對(duì)水下光通信系統(tǒng)的嚴(yán)重影響還沒有有效的解決方法。

人工智能技術(shù)的發(fā)展，特別是深度學(xué)習(xí)廣泛應(yīng)用于各領(lǐng)域中所取得的突出效果，為解決水下光信道的非線性影響提供了新的途徑。深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)作為一種可以逼近任意非線性的方法，可以用于抑制或補(bǔ)償系統(tǒng)非線性效應(yīng)，比如利用深度神經(jīng)網(wǎng)絡(luò)通過監(jiān)督學(xué)習(xí)可以補(bǔ)償系統(tǒng)非線性的不利影響，聚類算法可以通過無監(jiān)督學(xué)習(xí)增強(qiáng)非線性條件下的信號(hào)接收可靠性。這些抑制非線性影響的新技術(shù)完全可以用于水下光通信中，更好地解決復(fù)雜水下環(huán)境下的信號(hào)可靠傳輸?shù)碾y題。

1.2 深度循環(huán)神經(jīng)網(wǎng)絡(luò)的搭建與水下光信道非線性的補(bǔ)償

深度循環(huán)神經(jīng)網(wǎng)絡(luò)（DRNN）是一種具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)，通常用于處理視頻、語音、文本等與時(shí)序相關(guān)的問題。典型的循環(huán)神經(jīng)網(wǎng)絡(luò)及其按時(shí)間步展開結(jié)構(gòu)如圖1所示，它由輸入層、隱藏層和輸出層組成，隱藏層具備短期記憶的功能，隱藏層又被稱為循環(huán)計(jì)算層。隱藏層內(nèi)存儲(chǔ)著每個(gè)時(shí)刻的狀態(tài)信息ht，可用如下表達(dá)式表示：

圖1 典型的循環(huán)神經(jīng)網(wǎng)絡(luò)及其按時(shí)間步展開結(jié)構(gòu)

其中，Uxh為輸入層到隱藏層神經(jīng)元間的權(quán)重矩陣、Whh為各隱藏層前一時(shí)間步的神經(jīng)元到下一時(shí)間步神經(jīng)元之間的輸入值的權(quán)重矩陣，bh為偏置，xt為當(dāng)前時(shí)刻的輸入特征，ht-1為隱藏層上一時(shí)刻存儲(chǔ)的狀態(tài)信息，tanh為激活函數(shù)。

當(dāng)前時(shí)刻的輸出狀態(tài)Ot可表示為：

其中Vhy為隱藏層到輸出層神經(jīng)元間的權(quán)重矩陣、by為偏置、softmax為激活函數(shù)，輸出層相當(dāng)于一層全連接層。

循環(huán)神經(jīng)網(wǎng)絡(luò)有多個(gè)隱藏層時(shí)稱之為深度循環(huán)神經(jīng)網(wǎng)絡(luò)。兩個(gè)隱藏層的深度循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。本文采用此結(jié)構(gòu)對(duì)水下光信道輸出信號(hào)進(jìn)行預(yù)測(cè)，通過接收到的多個(gè)連續(xù)時(shí)間步的光信號(hào)預(yù)估下一個(gè)時(shí)間步接收到的信號(hào)功率大小，從而確定調(diào)整光發(fā)射機(jī)輸出功率的大小，實(shí)現(xiàn)非線性信道的補(bǔ)償。

圖2 兩個(gè)隱藏層的深度循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

本文搭建2層的深度循環(huán)神經(jīng)網(wǎng)絡(luò)，第一個(gè)隱藏層有32個(gè)神經(jīng)元，第二個(gè)隱藏層有64個(gè)神經(jīng)元，每層都采用20%的神經(jīng)元舍棄比率。輸入訓(xùn)練樣本數(shù)為1024組數(shù)據(jù)，訓(xùn)練樣本和測(cè)試樣本均為從已有的水下光通信實(shí)驗(yàn)文獻(xiàn)中整理得到的數(shù)據(jù)，循環(huán)核時(shí)間展開步為20步，每個(gè)時(shí)間步輸入特征個(gè)數(shù)為1，此特征為水下光通信系統(tǒng)輸出端輸出的相同強(qiáng)度光信號(hào)經(jīng)過光信道后接收到的光信號(hào)功率。測(cè)試集為384個(gè)樣本，當(dāng)訓(xùn)練完成后各權(quán)重矩陣和偏置參數(shù)已優(yōu)化，深度循環(huán)神經(jīng)網(wǎng)絡(luò)即可對(duì)測(cè)試樣本進(jìn)行測(cè)試，測(cè)試結(jié)果與實(shí)際結(jié)果的均方誤差或均方根誤差作為評(píng)價(jià)預(yù)測(cè)準(zhǔn)確度的指標(biāo)，此指標(biāo)給出了深度循環(huán)神經(jīng)網(wǎng)絡(luò)可以對(duì)水下光信道進(jìn)行非線性補(bǔ)償?shù)某潭取?/p>

2 RNN對(duì)水下光信道非線性的補(bǔ)償

對(duì)深度循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，需多次進(jìn)行學(xué)習(xí)率和訓(xùn)練輪數(shù)的調(diào)整，本文設(shè)置學(xué)習(xí)率為0.0002、訓(xùn)練輪數(shù)為120時(shí)，得到了相對(duì)優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。訓(xùn)練和驗(yàn)證過程中不同訓(xùn)練輪數(shù)對(duì)應(yīng)的損失率大小如圖3所示，從圖3可見，當(dāng)訓(xùn)練輪數(shù)小于20時(shí)，損失率快速下降，當(dāng)訓(xùn)練輪數(shù)大于60時(shí)，損失率不再下降，驗(yàn)證集的損失率曲線波動(dòng)比訓(xùn)練集的損失率曲線稍大。

圖3 對(duì)應(yīng)訓(xùn)練和驗(yàn)證的損失率曲線

通過對(duì)測(cè)試集進(jìn)行測(cè)試以驗(yàn)證深度神經(jīng)網(wǎng)絡(luò)對(duì)水下光信道的仿真準(zhǔn)確度，測(cè)試結(jié)果如圖4所示，圖4中橫坐標(biāo)為接收

到信號(hào)的時(shí)間序列，縱坐標(biāo)為接收信號(hào)的功率，從圖4可以看出預(yù)測(cè)的接收光信號(hào)功率變化曲線同實(shí)際的光信號(hào)接收功率變化曲線高度一致。測(cè)量得到的均方誤差為0.411、均方根誤差為0.641。圖4的曲線顯示了信號(hào)通過水下光信道后的接收信號(hào)的非線性變化情況，DRNN較好地預(yù)測(cè)了這一變化趨勢(shì)。

圖4 深度循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)光信道非線性預(yù)測(cè)結(jié)果

把圖4的預(yù)測(cè)結(jié)果反饋控制水下光通信系統(tǒng)輸出端的光發(fā)射功率，能補(bǔ)償由于水下光信道非線性所造成的接收端接收信號(hào)強(qiáng)度波動(dòng)所帶來的不利影響。圖5為深度循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)光信道非線性補(bǔ)償?shù)慕Y(jié)果。從圖4與圖5可以看出，光信道非線性補(bǔ)償前的接收光功率變化幅度約為37mW，補(bǔ)償后接收光功率變化幅度降為約4mW，波動(dòng)幅度僅為補(bǔ)償前的10.81%，大幅改善了光信道非線性所帶來的不利影響，這說明本文所提出的方法是可行的，也明確了人工智能技術(shù)在水下光通信領(lǐng)域是具備應(yīng)用前景的。

圖5 深度循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)光信道非線性補(bǔ)償結(jié)果

3 總結(jié)與展望

本文提出的深度循環(huán)神經(jīng)網(wǎng)絡(luò)（DRNN）預(yù)補(bǔ)償水下光信道非線性的方法，通過訓(xùn)練DRNN網(wǎng)絡(luò)獲得優(yōu)化的各權(quán)重矩陣和偏置參數(shù)數(shù)值，從而實(shí)現(xiàn)對(duì)水下光信道非線性的補(bǔ)償，補(bǔ)償后的水下光通信系統(tǒng)接收光信號(hào)強(qiáng)度波動(dòng)幅度僅為補(bǔ)償前的10.81%，大幅降低了水下光信道非線性所帶來的不利影響。

本方法尚未見國內(nèi)外文獻(xiàn)報(bào)道過，水下光信道復(fù)雜的非線性特性是其它常規(guī)通信技術(shù)難以處理的，引入人工智能方法可從全新的角度探討水下光通信的問題。本文的水下光信道補(bǔ)償方法還可以進(jìn)一步優(yōu)化，通過增加隱藏層的層數(shù)、調(diào)整神經(jīng)元個(gè)數(shù)和循環(huán)核時(shí)間展開步數(shù)、選擇更好的優(yōu)化器，有望獲得更好的水下光信道非線性補(bǔ)償效果。通過引入神經(jīng)網(wǎng)絡(luò)的剪枝算法也將會(huì)明顯地減少深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，從而可將本文的補(bǔ)償方法用于實(shí)時(shí)系統(tǒng)，實(shí)現(xiàn)深度學(xué)習(xí)技術(shù)在水下光通信領(lǐng)域的實(shí)際應(yīng)用。