水聲通信中的信道估計與機器學習交叉研究進展

張永霖，王海斌，李 超，汪 俊，臺玉朋

（1.中國科學院聲學研究所聲場聲信息國家重點實驗室，北京 100190；2.中國科學院大學，北京 100190）

0 引言

由于海水的吸收作用，電磁波在海水中衰減十分嚴重，聲波是目前水下可以進行遠距離信息傳輸?shù)淖钣行лd體[1-3]。多年來，水聲通信技術不斷發(fā)展，從非相干通信到相干通信，從單載波通信到以正交頻分復用技術（Orthogonal Frequency Division Multiplexing,OFDM）為代表的多載波通信，水下通信對速率及帶寬的需求與日俱增[4-8]。與此同時，水下組網(wǎng)技術蓬勃發(fā)展，多點組網(wǎng)能夠有效實現(xiàn)信息互通、共享的目的，既可以大范圍地獲取海洋信息，也可以快速、便捷地傳遞和控制組網(wǎng)信息[9-10]。然而，由于水聲傳播特性復雜多變，導致水聲信道面臨強多途、快衰落、強背景噪聲等一系列問題，這也給水下聲信息傳輸帶來了極大的困難與挑戰(zhàn)[11-12]。綜上所述，隨著水下通信需求的劇增，基于模塊化、模型化驅(qū)動的傳統(tǒng)通信技術面臨著瓶頸。具體而言，當未來水下通信面臨更加復雜的環(huán)境變化以及多維度的網(wǎng)絡資源需要通過細粒度精確配置時，傳統(tǒng)的水聲通信技術將面臨精度以及魯棒性的嚴峻考驗，而基于專家知識所建立的、廣泛適用的通信模型也具有一定的局限性。

近年來以深度學習為代表的機器學習技術飛速發(fā)展，在諸多領域得到廣泛應用，取得了矚目的成果，為解決上述水聲通信中的挑戰(zhàn)提供了新的思路[13-14]。機器學習在水聲通信技術中的應用盡管稍遲于在水聲探測及水聲目標定位[15-22]領域中的應用，但依然被賦予了高度期望，受到各國學者的廣泛關注[23]，成為了當前海洋信息科學研究的熱點。

水聲通信與機器學習交叉研究的示意圖如圖1所示。交叉研究中的重點發(fā)展方向及優(yōu)勢結合點。水聲通信與機器學習的典型應用包括：（1）以節(jié)點間通信為主的物理層，包括水聲信道估計與均衡、水聲自適應調(diào)制、頻譜感知與分配、通信質(zhì)量預測等[24-31]；（2）以組網(wǎng)為應用場景的網(wǎng)絡層，包括網(wǎng)絡拓撲分簇、節(jié)點功率分配、水聲網(wǎng)絡路由設計、水聲網(wǎng)絡安全等[32-37]。隨著水下通信技術研究的不斷深入，上述研究方向正伴隨水下裝備智能化、一體化的需求，逐漸表現(xiàn)出新的發(fā)展趨勢，具體體現(xiàn)在數(shù)據(jù)量、節(jié)點的迅速增長，運算效率以及安全性要求不斷提高，而機器學習為解決這些問題提供了新的解決方案，水聲通信與機器學習方法的具體結合思路如下：

圖1 水聲通信與機器學習交叉研究的示意圖 Fig.1 Schematic diagram of the intersection research on UWA communication and machine learning

（1）大數(shù)據(jù)：隨著水下信息獲取技術的發(fā)展，實驗過程中積累了大量的實驗數(shù)據(jù)。海量信息亟需進一步融合、蒸餾、提純。深度學習方法能夠有效整合數(shù)據(jù)并充分挖掘數(shù)據(jù)中的信息量[13,38]。

（2）多智能體：水下組網(wǎng)引發(fā)的多智能體間的信息融合與智能博弈。借助強化學習，水下多智能體通過與環(huán)境直接互動，學習到利益最大化的習慣性行為，進而實現(xiàn)在高維且動態(tài)的真實場景中通過交互和決策完成更錯綜復雜的任務[39-40]。

（3）快速學習：海洋環(huán)境瞬息萬變，機器學習模型應具有強魯棒性，以快速實現(xiàn)對未知環(huán)境的響應，進而實現(xiàn)泛化場景的水聲通信。少樣本學習相較深度學習，強調(diào)模型利用以往知識經(jīng)驗來指導新任務學習[41-43]，即具備學會學習的能力，該類機器學習方法被視為實現(xiàn)通用人工智能的基礎，也是突破固定場景下水聲通信的主要手段。

（4）數(shù)據(jù)保護：水聲組網(wǎng)及通信數(shù)據(jù)隱私保護與安全至關重要。聯(lián)邦學習作為一種高效率的隱私保護手段被提出[44-47]，該種分布式的機器學習方法可以在不直接獲取數(shù)據(jù)源的前提下，通過參與方的 本地訓練和參數(shù)傳遞，得到一個無損的學習模型。

綜上，機器學習方法具備推動水聲通信技術進一步發(fā)展的巨大潛力。此類方法在使用形式上具有較高的通用性，可在水聲信息處理多處節(jié)點形成潛在技術方案，涉及通信可靠性、速率、信息安全等諸多方面。傳統(tǒng)水聲學研究和大量實踐表明，物理層技術的發(fā)展水平對推動整個領域的突破具有重要意義，在學科發(fā)展中率先受到關注，是現(xiàn)階段的重點突破方向。而水聲信道的準確估計是物理層實現(xiàn)高質(zhì)量通信的保障，是貫穿物理層各模塊的重要環(huán)節(jié)。水聲通信中信道估計研究面臨的樣本不足、標簽標定困難以及環(huán)境失配等問題，這也是機器學習與水聲通信技術在跨學科研究中所面臨的科學、技術難題。本文將聚焦水聲通信物理層中信道估計與機器學習的結合，圍繞相關研究的進展、難點及解決方案展開分析與討論。最后，對該領域的研究進行展望。

1 水聲信道估計中的機器學習

水聲傳播特性的復雜多變，導致水聲信道面臨強多途，快衰落，復雜噪聲干擾等一系列問題，這給水下信息傳輸帶來了極大的困難和挑戰(zhàn)。水聲信道估計及均衡可以有效獲取信道信息并在接收端恢復發(fā)射信號，是實現(xiàn)水下綜合信息感知和信息交互的重要一環(huán)，具有十分重要的研究意義。

在傳統(tǒng)水聲通信系統(tǒng)中，通常需要在發(fā)射端發(fā)射固定先導序列，并在接收端通過一定的技術手段對信道進行準確的估計，進而實現(xiàn)對數(shù)據(jù)信號的恢復。常用的信道估計及均衡方法包括最小二乘（Least Squares,LS）算法以及最小均方誤差（Minimum Mean Square Error,MMSE）算法[48-49]。LS算法雖然實現(xiàn)簡單，但是整體性能欠佳，而MMSE算法雖然能夠逼近統(tǒng)計意義上的最優(yōu)解，但是需要先驗的信道狀態(tài)作為前提，因此實際應用中的可操作性不強。除此之外，該類算法由于并不具備自適應的特點，因此對先導序列的依賴性很大，在一定程度上影響了水聲通信的傳輸效率。

近年來，基于機器學習的水聲通信系統(tǒng)設計成為新興研究課題。該研究方向探索性強，前期研究成果及可參考文獻較少。典型的工作包括，2018 年Chen 等[50]提出了一種基于多層感知機的水聲通信接收機設計，Zhang 等[24]于2019 年搭建了更為稠密的 5 層神經(jīng)網(wǎng)絡模型（每層神經(jīng)元個數(shù)分別為1 024，1500，600，128，32）用于水聲信道估計及均衡，該模型在基于BELLHOP 的仿真信道中進行離線的訓練和在線測試，結果表明了基于深度神經(jīng)網(wǎng)絡（Deep Neural Network,DNN）的網(wǎng)絡模型相較傳統(tǒng)算法具有明顯優(yōu)勢，尤其在OFDM 通信導頻數(shù)量有限的場景下優(yōu)勢更明顯。同年Jiang 等[51]通過仿真實驗對比分析了不同尺寸DNN 結構在水聲通信誤碼率以及運算量上的表現(xiàn)，并進一步提出了一種更輕的模型結構，顯著降低了運算時間以及存儲負擔，更加適用于實際的在線水聲通信體系。此外，Zhang 等[52]也提出了一種聯(lián)合水聲OFDM 解調(diào)、信道估計以及均衡的神經(jīng)網(wǎng)絡結構，實現(xiàn)了接收端的一體化。Zhao 等[53]于2021 年提出一種基于多任務學習的水聲通信接收機，通過對信道估計、均衡以及解調(diào)的聯(lián)合優(yōu)化，實現(xiàn)了通信整體性能的提升。同年，新加坡科技設計大學Lee-Leon等[54]提出一種基于深度置信網(wǎng)絡（Deep Belief Network,DBN）的水聲接收系統(tǒng)，有效緩解了通信中多普勒效應及多途傳播引起的性能衰退，仿真及海上試驗結果驗證了該方法的有效性。中國科學院聲學（簡稱：聲學所）在該方向的前期研究中，由Zhang等[55]提出了一種基于一維卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）的水聲OFDM接收系統(tǒng)，該研究還重點討論了模型中跨層連接的性能增益，并對水聲環(huán)境失配情況下模型的魯棒性進行了考察，初步歸納了神經(jīng)網(wǎng)絡模型性能與水聲環(huán)境之間的潛在關聯(lián)。

基于上述已有研究，可以將基于機器學習的水聲信道估計歸納為圖2 所示的基本結構。水聲信道可以看作是多徑時變信道的線性組合：

其中：δ激響應；r代表多徑的個數(shù)；hi以及τi分別代表多徑強度以及多徑時延。因此，相應的接收信號可表示為

其中：?表示卷積運算，x（n）和w（n）分別表示發(fā)送信號及加性高斯白噪聲。OFDM 是一種典型的多載波水聲通信方式，本文以此為例進行機器學習模型設計，其在頻域的接收信號通常表示為

如圖2 所示，基于機器學習的DNN 信道估計模塊由輸入層、隱層以及輸出層構成，其中相鄰兩層之間通過神經(jīng)元的權重進行調(diào)節(jié)。L層神經(jīng)網(wǎng)絡模型以發(fā)送及接收的訓練序列（或?qū)ьl符號）作為輸入信息，輸出為信道估計結果。以時域信道估計為例，模型通?？梢员硎緸?/p>

其中：M為模型訓練中的批大?。˙atch size）。通常采用的優(yōu)化器包括隨機梯度下降算法（Stochastic Gradient Descent,SGD）[56]、前向均方根梯度下降算法（Root Mean Square Propagation,RMSProp）[57]、自適應梯度算法（Adaptive Gradient,AdaGrad）[58]以及自適應矩估計算法（Adaptive Moment Estimation,Adam）[59]等。

雖然現(xiàn)有研究已證明機器學習方法能夠有效提升水聲信道估計的整體性能，但考慮到具體的水聲應用場景，仍存在諸多關鍵問題有待解決。現(xiàn)將主要有以下三點：

（1）樣本不足：水聲通信受限于海試條件等因素，導致水聲環(huán)境中采集效率較低，水聲通信數(shù)據(jù)的獲取成本較高。因此，水聲通信在有限時間內(nèi)采集的樣本量通常難以支撐模型的有效訓練，因此會造成模型的過擬合。

（2）數(shù)據(jù)標定困難：現(xiàn)有模型通常將真實信道沖激響應作為訓練標簽。然而，真實的水聲通信中難以實時地獲取信道的真值，即無法實現(xiàn)訓練標簽的標定，因此模型的學習通常需要離線進行。

（3）環(huán)境失配：水聲信道時變、空變明顯，會造成離線訓練得到的模型無法在環(huán)境失配的情況下在線部署?，F(xiàn)有基于機器學習的水聲通信系統(tǒng)設計中，模型的訓練方法均采用傳統(tǒng)的分步式（Step-by-step）迭代方法，訓練得到的模型可移植性較差。因此當水聲通信環(huán)境改變時，又需要大量來自新環(huán)境中數(shù)據(jù)進行重新訓練或微調(diào)（Fine-tune），從而導致模型的通用性大大降低。

下文將針對以上三點問題展開討論，提供相應的初步解決思路。

2 基于機器學習的水聲信道估計

針對上文提及的水聲信道樣本不足、數(shù)據(jù)標定困難以及環(huán)境失配的問題，本文將分別探討基于數(shù)據(jù)增強、無標簽學習以及少樣本學習的技術思路。值得注意的是，上述三類問題在實際的水聲通信中往往是同時存在的，本文通過對具體問題的拆解、分析，為解決實際通信場景中的復雜問題提供了范例。同時，所提方法在應用中具有一定的可融合性，即各項技術路線之間可以實現(xiàn)進一步的相互整合、協(xié)同優(yōu)化。

2.1 基于數(shù)據(jù)增強的水聲信道估計

數(shù)據(jù)增強（Data Augmentation）是一種借助有限的數(shù)據(jù)產(chǎn)生更多等價數(shù)據(jù)的技術[60-61]。該方法是克服模型訓練數(shù)據(jù)不足的有效手段，目前廣泛應用于機器學習的各個領域。結合水聲通信的應用場景及物理含義，本研究將可應用于水聲信道擴展的數(shù)據(jù)增強算法分為三類：（1）基于原始水聲信道分布統(tǒng)計特性的重放技術；（2）基于通信信號處理技術的數(shù)據(jù)增強方法；（3）基于深度學習的數(shù)據(jù)增強方法。下面將具體介紹上述三類方法。

2.1.1 水聲信道重放技術

信道重放技術能夠基于少量實測水聲信道，無限生成具有相同統(tǒng)計特性的數(shù)據(jù)，因此可作為一類數(shù)據(jù)增強方法使用。已有相關研究提出了一種由測量數(shù)據(jù)驅(qū)動的水聲信道模擬器，該方法假設在一個特定的時間窗內(nèi)，通信信道是一個各態(tài)遍歷的隨機過程[62]?；诖耍摲椒軌?qū)崿F(xiàn)對該過程的無限重放。此后，有更多的研究基于實測水聲信道的統(tǒng)計特性展開，并依據(jù)此提出了更加普適的信道重放方法。文獻[63]利用經(jīng)驗模態(tài)分解（Empirical Mode Decomposition,EMD）技術，首先將信道拆解為確知部分以及隨機部分[64]，該方法在最大程度保證水聲信道固有特性的基礎上，通過信道重放的方法對后者進行擴展并與確知部分重新組合生成新的水聲信道數(shù)據(jù)。借助水聲信道重放技術，可以對少量帶標簽的信道樣本進行擴展，生成分布特性一致的大數(shù)據(jù)樣本，進而輔助模型的訓練，基于數(shù)據(jù)增強的水聲OFDM 系統(tǒng)框圖如圖3 所示。

圖3 基于數(shù)據(jù)增強的水聲OFDM 系統(tǒng) Fig.3 A data augmentation aided UWA-OFDM system

目前，聲學所的研究人員就基于數(shù)據(jù)增強方法 的水聲OFDM 通信開展了實驗驗證。初步的仿真實驗結果表明，基于增強信道的模型誤碼率性能相較基礎信道模型提高了50%以上。同時，所提的數(shù)據(jù)增強方法能夠有效緩解基礎水聲信道樣本不足造成的模型過擬合問題。

2.1.2 基于通信信號處理技術的數(shù)據(jù)增強

借助水聲通信場景中經(jīng)常出現(xiàn)的擾動及干擾，如同步誤差、多普勒偏移、噪聲干擾等，基于通信信號處理技術的數(shù)據(jù)增強能夠?qū)崿F(xiàn)對數(shù)據(jù)的擴展。典型工作包括文獻[65]中對原始數(shù)據(jù)施加符號時間偏移以及多普勒偏移實現(xiàn)數(shù)據(jù)增強，具體方法為：

（1）符號時間偏移：為了保證模型能夠?qū)ν秸`差信號具有較好的魯棒性，該研究在構造數(shù)據(jù)集時考慮了時間偏移量：

其中：ε表示由于時間同步不準確造成的偏移量。為了實現(xiàn)數(shù)據(jù)的擴展，該偏移量ε隨機采樣自一定的時間偏移區(qū)間內(nèi)。

（2）多普勒偏移：水聲通信中由于平臺移動造成的頻譜偏移，可以表示為

其中，時間尺度上的變化量σ展開為

其中：v和c分別表示平臺相對移動速度以及聲波在水中的傳播速度。通過考慮一定范圍內(nèi)的多普勒偏移，可以進一步實現(xiàn)基礎數(shù)據(jù)集的擴展增強。

基于上述思路，該研究借助仿真數(shù)據(jù)，分析了數(shù)據(jù)增強前后的性能提升，驗證了方法的有效性。

2.1.3 基于深度學習的數(shù)據(jù)增強方法

數(shù)據(jù)增強算法在深度學習的諸多應用領域都存在需求，從深度學習視角所開展的研究為機器學 習水聲信道估計提供了可借鑒的思路。其中典型算法包括特征空間增強（Feature Space Augmentation,FSA）以及對 抗生成網(wǎng)絡（Generative Adversarial Network,GAN）數(shù)據(jù)增強[61,66]。特征空間增強方法首的低維向量，進而可以在特征空間進行數(shù)據(jù)增強操作，常采用合成少數(shù)類過采樣技術（Synthetic Minority Oversampling Technique,SMOTE）對k個近鄰合并以形成新實例來緩解類不平衡問題[67]。GAN 數(shù)據(jù)增強方法使用GAN 模型的生成網(wǎng)絡生成新的水聲信道樣本，而同時GAN 判別網(wǎng)絡需要對生成樣本及真實樣本進行甄別，二者通過相互博弈的方式進行學習。該數(shù)據(jù)增強方法得到的合成水聲信道數(shù)據(jù)和真實數(shù)據(jù)相比既具有語義上的相似性，同時又能夠呈現(xiàn)文本上的多樣性，因此是一種提升機器學習在水聲通信領域應用價值的潛在方法。但需要注意的是，受到神經(jīng)網(wǎng)絡可解釋性水平的制約，該類方法目前只能進行籠統(tǒng)的定性分析，尚缺乏堅實的物理機理的支撐。從目前的實驗結果來看，該類方法的模型魯棒性欠佳，且難以實現(xiàn)穩(wěn)定的訓練。

2.2 基于無標簽學習的水聲信道估計

基于數(shù)據(jù)驅(qū)動的機器學習架構通常需要大量帶標簽的水聲信道數(shù)據(jù)進行訓練，而真實的信道信息在實際應用中往往是未知的，且大批量地進行信道標簽的標注將造成大量的時間成本損耗。為此，ZHANG 等[68]提出了一種基于無標簽學習的水聲OFDM 信道估計方法，其模型結構如圖4 所示。

圖4 基于無標簽學習的水聲OFDM 系統(tǒng)[68] Fig.4 A machine learning label-free based UWA-OFDM system[68]

區(qū)別于現(xiàn)有的有監(jiān)督學習方法，本研究中的優(yōu) 化目標并非最小化，而是計算實際接收導頻信號Y(k)與之間的距離，計算公式為

該研究基于WATERMARK 水聲實測信道數(shù)據(jù)庫進行了信道估計性能測試[69]，其中頻域信道的跟蹤結果如圖5 所示（信噪比為0 dB）。

圖5 無標簽學習網(wǎng)絡信道跟蹤結果[68]Fig.5 UWA channel tracking results with label-free network[68]

基于信道估計結果，均衡后的發(fā)射信號估計值可以通過迫零（Zero Forcing,ZF）算法得到，進而各算法的性能可以通過通信誤碼率（Bit Error Rate,BER）進行評價，實驗結果如圖6 所示。

圖6 無標簽學習網(wǎng)絡誤碼率性能[68]Fig.6 BER performance with label-free network[68]

該實驗結果表明：所提出的無標簽網(wǎng)絡模型相較傳統(tǒng)的LS 算法能夠取得更加穩(wěn)定的信道跟蹤結果，同時觀察到所提方法可以逼近統(tǒng)計意義最優(yōu)解。由于該網(wǎng)絡模型突破了帶標簽樣本的限制，因此可以實現(xiàn)模型的在線學習，更加適用于實際水聲通信的應用場景。

2.3 基于少樣本學習的水聲信道估計

水聲信道復雜多變，這往往會造成機器學習模型訓練階段和部署階段的環(huán)境出現(xiàn)失配現(xiàn)象，而環(huán)境的失配將會導致前期訓練得到的模型參數(shù)在目標環(huán)境中的性能出現(xiàn)明顯下降。近期，聲學所研究人員提出一種解決實際應用中源域、目標域失配問題的思路，通過將少樣本學習（Few-Shot Learning,FSL）中的元學習（Meta-learning）方法引入到水聲信道估計與均衡中，實現(xiàn)了模型在環(huán)境失配情況下對未知水聲環(huán)境的快速響應[70]。

元學習也稱為“學會學習”，即通過多任務的訓練實例來設計能夠快速適應新環(huán)境的神經(jīng)網(wǎng)絡模型[71]。元學習的基本思路是通過前期在各種學習任務上訓練，得到一組泛化能力強的基礎模型參數(shù)，再通過快速地遷移微調(diào)形成可應用于未知任務的模型。

基于元學習的訓練策略，該研究首先搭建了如圖7 所示的水聲OFDM 多任務訓練平臺，其中訓練任務來源于已知的不同環(huán)境下的水聲通信任務數(shù)據(jù)集（仿真或歷史數(shù)據(jù)），目標任務來源于未知水聲通信環(huán)境中的通信采樣數(shù)據(jù)。

如圖7 所示，在每個元訓練周期，該方法在訓練任務全集H中隨機選擇L個水聲環(huán)境作為子任務。依照上述操作，可以分別得到支撐集Ctr=,l=1,…,L以及查詢集,l=1,…,L用于元學習的嵌套訓練結構。

圖7 基于元學習的水聲OFDM 通信系統(tǒng)[70]Fig.7 Met a-learning based UWA-OFDM communication system[70]

常規(guī)的神經(jīng)網(wǎng)絡模型訓練策略是在一個訓練周期內(nèi)根據(jù)梯度下降方向進行一步迭代。而元學習的訓練過程分為兩個階段，即針對具體任務的快速訓練和跨任務的漸進訓練，二者滿足嵌套關系。

（1）內(nèi)層快速訓練：快速訓練發(fā)生在獨立的每一個任務上，即本文中的L個信道環(huán)境?；诘趌個任務的支撐集Ctr，我們利用梯度下降法進行模型參數(shù)迭代：

其中：α為內(nèi)部學習率，更新后的模型參數(shù)?l應滿足針對具體任務的最優(yōu)表達。通過內(nèi)層快速訓練，我們共得到針對L個任務的模型參數(shù)。

（2）外層漸進訓練：漸進訓練通過跨任務實現(xiàn)，參數(shù)更新利用梯度下降法得到：

其中：β為外部學習率，??表示對模型參數(shù)求偏導數(shù)。

通過上述元學習訓練過程，神經(jīng)網(wǎng)絡模型能夠在參數(shù)空間中尋找到一組快速應用于未知任務的參數(shù)解，因此在目標任務上相較傳統(tǒng)訓練方法具有更強的表達能力。

該研究基于WATERMARK 數(shù)據(jù)庫，搭建了如圖8 所示的水聲多任務訓練平臺用于元學習模型的性能驗證。基于此平臺，研究對比了元學習方法與常規(guī)機器學習訓練方法在目標環(huán)境上的遷移速度及誤碼 率性能，結果如圖9 所示。

圖8 基于WATERMARK 的元訓練/測試平臺[70] Fig.8 WAT ERMARK based dataset for meta training/testing platform[70]

圖9 基于元學習的模型收斂及誤碼率性能[70]Fig.9 Convergence and BER performance of meta-learning based model[70]

實驗結果表明：基于元學習的模型僅通過100步迭代即可實現(xiàn)對未知環(huán)境的收斂，而基于傳統(tǒng)訓練方法的模型則需要約5 000 步的迭代才能實現(xiàn)收斂。所提方法大幅提升了響應速度上實現(xiàn)了，有效緩解了水聲失配對機器學習方法的影響，是實現(xiàn)水聲泛化場景通信的一次有力嘗試。為了進一步考察元學習方法的有效性，研究選取了2017 年某湖試數(shù)據(jù)作為目標樣本，圖10 為湖試環(huán)境與水聲信道結構，該次實驗中通信中心頻率7.5 kHz，帶寬5 kHz。相應實驗結果如圖11 所示，元學習模型可以通過100 步迭代快速實現(xiàn)對目標湖試環(huán)境的收斂，而傳統(tǒng)訓練方法則需要約5 000 步迭代才能實現(xiàn)收斂。同時，所提方法在誤碼率性能上相較常規(guī)機器學習以及傳統(tǒng)算法均有較大的優(yōu)勢。

圖10 湖試環(huán)境及水聲信道結構[70]Fig.10 Schematic sketch of the Fuxian Lake experiment and the UWA channel structure[70]

圖11 湖試得出的元學習模型收斂及誤碼率性能[70]Fig.11 Convergence and BER performances of meta-learning based model obtained in the Fuxian lake experiment[70]

3 展 望

本文首先梳理了水聲通信與機器學習的結合點，此后針對基于機器學習的水聲信道估計問題進行綜述，并就這一研究方向中的重難點問題進行分析，最后結合近期的研究進展給出了初步的探索及解決思路。

然而，機器學習領域取得的矚目成果為水聲通信技術帶來的發(fā)展契機不僅僅停留在水聲信道估計方向。結合本項研究的啟發(fā)和傳統(tǒng)水聲學面臨的諸多問題，對于這一前沿課題未來的發(fā)展方向可以進行如下展望：

（1）建構泛化場景的水聲通信，充分挖掘水聲信道的特點，進一步探索水聲物理知識與機器學習模型的有機耦合，對神經(jīng)網(wǎng)絡的可遷移性及魯棒性進行深入考察，強化模型的泛化能力。

（2）水聲組網(wǎng)背景下，多維度節(jié)點資源需要細粒度的精確配置以滿足各種不同的通信需求，引入機器學習或?qū)⒋蟠缶徑鈧鹘y(tǒng)方法面臨的優(yōu)化參數(shù)的指數(shù)級增長。

（3）構建標準化的水聲通信數(shù)據(jù)平臺及評價準則，這將更有利于研究人員對各算法的有效性進行高效對比，消弭數(shù)據(jù)孤島問題造成的信息不對稱。該類平臺的建立將促進相關研究，形成聚合效應。

（4）水聲組網(wǎng)及通信間的數(shù)據(jù)隱私保護與安全性更加重要。一方面，水聲通信的數(shù)據(jù)量隨著水下節(jié)點的與日俱增而不斷積累；另一方面，依托于云計算、物聯(lián)網(wǎng)技術的水下智能平臺更加強調(diào)數(shù)據(jù)的互通。在二者的交叉研究中，如何對數(shù)據(jù)中可能包含的敏感及隱私信息進行保護，將成為未來研究的重點。