基于被動(dòng)時(shí)間反轉(zhuǎn)一卷積神經(jīng)網(wǎng)絡(luò)的OFDM水聲通信系統(tǒng)研究

付曉梅 王思寧 胡雅琳

摘要：水聲（Underwater Acoustic，UWA）信道的多徑效應(yīng)和多普勒效應(yīng)造成正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）水聲通信系統(tǒng)接收端符號(hào)間干擾和載波間干擾，降低系統(tǒng)性能.構(gòu)造一種新型的被動(dòng)時(shí)間反轉(zhuǎn)-卷積神經(jīng)網(wǎng)絡(luò)（Passive Time Reversal-Convolutional Neural Network，PTR-CNN），并將其應(yīng)用于OFDM 水聲通信系統(tǒng)接收端.PTR-CNN網(wǎng)絡(luò)的構(gòu)造包括兩部分，首先，基于被動(dòng)時(shí)間反轉(zhuǎn)理論削弱多徑增強(qiáng)主路徑信息能量；其次，將上述輸出結(jié)果轉(zhuǎn)換成二維矩陣，再輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行信號(hào)檢測(cè)，同時(shí)對(duì)抗多徑和多普勒效應(yīng)帶來的干擾；最后，網(wǎng)絡(luò)輸出直接恢復(fù)比特流.仿真和試驗(yàn)結(jié)果表明，與目前主流信道估計(jì)和信號(hào)檢測(cè)算法相比，所提方法能夠提升系統(tǒng)的可靠性，在不同水聲信道環(huán)境測(cè)試中均具有較好的魯棒性.

關(guān)鍵詞：正交頻分復(fù)用；深度學(xué)習(xí)；被動(dòng)時(shí)間反轉(zhuǎn)；水聲通信；信號(hào)檢測(cè)

中圖分類號(hào)：TN929.3文獻(xiàn)標(biāo)志碼：A

Research on OFDM Underwater Acoustic Communication System Based on Passive Time Reversal-convolutional Neural Network

FU Xiaomei，WANG Sining，HU Yalin

（School of Marine Science and Technology，Tianjin University，Tianjin 300072，China）

Abstract：The multipath effect and Doppler effect of the Underwater Acoustic （UWA）channel cause intersymbol interference and inter-carrier interference at the receiver of the orthogonal frequency division multiplexing （OFDM）communication system，which degrades the system performance. A novel Passive Time Reversal- Convolutional Neural Network （PTR-CNN）is constructed and applied to the OFDM UWA communication system receiver. The PTR-CNN network consists of two parts. Firstly，it weakens the multipath and enhances the main path information energy based on passive time reversal theory. Secondly，the above-mentioned output result is converted into a two-dimensional matrix，which is input into the CNN for signal detection to simultaneously combat the interference caused by the multipath and Doppler effect. Finally，the network output directly restores the bit stream. Simulation and experimental results demonstrate that when compared with the current mainstream channel estimation and signal detection algorithms，the proposed method can improve the reliability of the system，and it has better robustness in different UWA channel environment tests.

Key words：Orthogonal Frequency Division Multiplexing（OFDM）；deep leaning；passive time reversal；underwater acoustic communication；signal detection

水聲（Underwater Acoustic，UWA）通信是水下探測(cè)和信息獲取的重要技術(shù).正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）是一種可實(shí)現(xiàn)高速率傳輸?shù)亩噍d波通信方案[1-2].然而，水聲信道存在顯著的多徑效應(yīng)和多普勒效應(yīng)[3]，造成子載波間的正交性被破壞導(dǎo)致嚴(yán)重的載波間干擾（Inter-Carrier Interference，ICI）和符號(hào)間干擾（Inter- Symbol Interference，ISI）.這對(duì)OFDM水聲通信系統(tǒng)接收端的信道估計(jì)和信號(hào)檢測(cè)帶來一定的挑戰(zhàn).

OFDM水聲通信系統(tǒng)接收端信道估計(jì)和信號(hào)檢測(cè)方法將直接影響系統(tǒng)的誤碼率性能.傳統(tǒng)估計(jì)算法如最小二乘（Least Square，LS）、線性最小均方誤差（Linear Minimum Mean Square Error，LMMSE）和正交匹配追蹤（Orthogonal Matching Pursuit，OMP）等[4-6].信號(hào)檢測(cè)主要有最大似然檢測(cè)（Maximum Likelihood，ML）、迫零檢測(cè)（Zero Forcing，ZF）和最小均方誤差檢測(cè)（Minimum Mean Square Error，MMSE）等.然而水聲信道嚴(yán)重的多徑效應(yīng)使得上述估計(jì)和檢測(cè)方法的效果并不理想.

近年來，針對(duì)水聲信道的多徑效應(yīng)，有學(xué)者提出被動(dòng)時(shí)間反轉(zhuǎn)技術(shù)（Passive Time Reversal，PTR）用于處理水聲信道特征[7-8]，不需要先驗(yàn)的信道信息，在時(shí)間和空間上壓縮信號(hào)以減輕系統(tǒng)的ISI，受到廣泛關(guān)注.文獻(xiàn)［9］提出了基于單陣元無源時(shí)間反轉(zhuǎn)鏡的Pattern時(shí)延差編碼水聲通信系統(tǒng)，在時(shí)變、空變的信道中實(shí)現(xiàn)低誤碼率通信.文獻(xiàn)［10］將PTR與自適應(yīng)信道均衡器級(jí)聯(lián)以去除殘余ISI，進(jìn)一步提高通信系統(tǒng)接收端的性能.文獻(xiàn)［11］提出基于PTR 的濾波器組多載波水聲通信方法，其無須插入導(dǎo)頻提高了通信速率.文獻(xiàn)［12］將PTR應(yīng)用到OFDM水聲通信系統(tǒng)中，并采用加入循環(huán)后綴方法對(duì)抗系統(tǒng)的ISI 和ICI.

深度學(xué)習(xí)由于具有強(qiáng)大的學(xué)習(xí)能力，可被用于水聲通信系統(tǒng)的接收端進(jìn)行信號(hào)恢復(fù).文獻(xiàn)［13］提出基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）的OFDM聯(lián)合信道估計(jì)與信號(hào)檢測(cè)算法，無須明確的信道估計(jì)和信號(hào)檢測(cè)，可以直接恢復(fù)傳輸符號(hào).文獻(xiàn)［14］利用DNN代替信道估計(jì)模塊，其性能優(yōu)于傳統(tǒng)的LS算法.為了簡化接收端設(shè)計(jì)，文獻(xiàn)［15］將OFDM水聲通信系統(tǒng)接收端的解調(diào)、信道估計(jì)與均衡及星座圖解映射用一個(gè)DNN模塊代替，提高了系統(tǒng)可靠性.以上文獻(xiàn)均將DNN直接引入OFDM系統(tǒng)進(jìn)行信號(hào)恢復(fù)，相較于傳統(tǒng)系統(tǒng)，它能夠提升水聲通信系統(tǒng)性能.然而，現(xiàn)有的基于深度學(xué)習(xí)的系統(tǒng)只是把DNN當(dāng)作一個(gè)“黑匣子”，沒有針對(duì)水聲信道的特性進(jìn)行設(shè)計(jì)與優(yōu)化，訓(xùn)練完成的網(wǎng)絡(luò)對(duì)環(huán)境敏感，對(duì)不同水聲信道的魯棒性較差.

為了提高OFDM水聲通信系統(tǒng)的接收端性能，本文構(gòu)造一種新型的被動(dòng)時(shí)間反轉(zhuǎn)-卷積神經(jīng)網(wǎng)絡(luò)（Passive Time Reversal-Convolutional Neural Network，PTR-CNN）應(yīng)用于OFDM接收端.該方法的主要思想是深度學(xué)習(xí)聯(lián)合時(shí)間反轉(zhuǎn)理論來對(duì)抗系統(tǒng)的ISI和ICI，從而提升系統(tǒng)性能.針對(duì)水聲信道的多徑效應(yīng)，首先在接收端利用PTR削弱信道的多徑以減輕系統(tǒng)的ISI，之后利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）可以有效捕捉時(shí)頻特征的特點(diǎn)［16-17］，將OFDM信號(hào)的實(shí)部和虛部并行化以形成二維矩陣，輸入CNN網(wǎng)絡(luò)中充分挖掘信號(hào)特征，處理系統(tǒng)的ICI和殘余ISI，最后網(wǎng)絡(luò)直接恢復(fù)比特流.該方法在具有較強(qiáng)的多徑效應(yīng)和多普勒效應(yīng)的不同水聲信道下測(cè)試，與目前主流的接收端信道估計(jì)和信號(hào)檢測(cè)算法對(duì)比，系統(tǒng)具有更高的可靠性.

1基于PTR-CNN的OFDM水聲通信系統(tǒng)

1.1系統(tǒng)模型

響應(yīng)和具有零均值的加性高斯白噪聲（Additive White Gaussian Noise，AWGN）.

在接收端，考慮到水聲信道的強(qiáng)多徑和隨機(jī)多普勒特性，設(shè)計(jì)基于PTR-CNN的接收機(jī)結(jié)構(gòu).具體步驟如下：基于PTR理論削弱信道的多徑分量，增強(qiáng)主路徑信息能量，進(jìn)而減輕系統(tǒng)的ISI，使用CNN處理系統(tǒng)的ICI和殘余ISI；將上述輸出的復(fù)數(shù)信號(hào)的實(shí)部和虛部并行化為二維矩陣，再輸入CNN中進(jìn)行訓(xùn)練學(xué)習(xí)；最終進(jìn)行回歸預(yù)測(cè)，恢復(fù)接收數(shù)據(jù)流.

1.2水聲信道

水聲信道與陸地信道不同，具有時(shí)變快、多徑強(qiáng)、多普勒頻移大等特點(diǎn)，故水聲信道存在明顯的多徑效應(yīng)和多普勒效應(yīng).本文使用Qarabaqi等[18]提出的基于統(tǒng)計(jì)特性的水聲信道模型，該模型考慮了聲傳播的物理特性和隨機(jī)變化的影響，多徑效應(yīng)和多普勒效應(yīng)的影響通過傳遞函數(shù)建模如下：

2PTR-CNN網(wǎng)絡(luò)模型

2.1PTR-CNN結(jié)構(gòu)

PTR-CNN網(wǎng)絡(luò)模型主要包括PTR、數(shù)據(jù)預(yù)處理、卷積層、展平層和全連接層.具體結(jié)構(gòu)如圖2所示.

從式（5）可以看出，接收信號(hào)通過時(shí)反信道可以實(shí)現(xiàn)多徑聚焦增益，消除大部分ISI，但是這個(gè)過程會(huì)引入反轉(zhuǎn)后的探測(cè)信號(hào).因此，要與探測(cè)信號(hào)p（力）卷積消除探測(cè)信號(hào)的影響，其過程如式（6）所示.

式中：n₂（t）為疊加的噪聲干擾，包括發(fā)送信號(hào)、探測(cè)信號(hào)和環(huán)境噪聲等.雖然PTR可以有效地壓縮信號(hào)減輕ISI，但還是存在殘余的ISI、探測(cè)信號(hào)的自相關(guān)干擾、疊加的噪聲干擾以及多普勒效應(yīng)造成的ICI，具體分析在3.2節(jié)介紹.因此，需要通過CNN進(jìn)一步處理來提升信號(hào)檢測(cè)性能，從而提高系統(tǒng)的可靠性.

數(shù)據(jù)預(yù)處理是將PTR輸出的結(jié)果轉(zhuǎn)換成二維矩陣輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行信道檢測(cè)，由于y（t）為復(fù)數(shù)，而神經(jīng)網(wǎng)絡(luò)通常以實(shí)數(shù)作為輸入，因此將y（t）的實(shí)部和虛部拼接成二維矩陣得到y(tǒng)_c∈R^H×W.數(shù)據(jù)預(yù)處理維度變化示意圖如圖3所示.

將y_c送入二維卷積層進(jìn)行特征提取，在卷積層中，利用卷積核k從上一層的特征圖中的局部鄰域提取特征.然后，通過滑動(dòng)卷積核的位置對(duì)數(shù)據(jù)進(jìn)行卷積求和并且疊加偏置.之后送入非線性激活函數(shù)區(qū)域進(jìn)行非線性變換，卷積層的激活函數(shù)選擇的是縮放指數(shù)線性單兀（Scaled Exponential Linear Units，SELU）激活函數(shù).

2.2訓(xùn)練過程

在搭建好網(wǎng)絡(luò)模型之后，需要通過訓(xùn)練數(shù)據(jù)迭代、超參數(shù)調(diào)試和優(yōu)化算法來改善神經(jīng)網(wǎng)絡(luò)參數(shù)，使其達(dá)到預(yù)期的檢測(cè)效果.在訓(xùn)練階段，首先按照具體參數(shù)生成隨機(jī)數(shù)據(jù)序列作為傳輸符號(hào)，OFDM水聲通信系統(tǒng)的參數(shù)如表1所示.然后基于水聲信道的統(tǒng)計(jì)特性模擬當(dāng)前隨機(jī)訓(xùn)練信道[18]，通過收集當(dāng)前信道失真（包括信道噪聲）、接收信號(hào)和估計(jì)的信道

式中：v=0，1，…，V-1，表示批量大小，本文設(shè)置為64.當(dāng)損失函數(shù)達(dá)到預(yù)設(shè)閾值時(shí)，網(wǎng)絡(luò)的訓(xùn)練參數(shù)停止更新，表示訓(xùn)練階段結(jié)束.在測(cè)試階段，可以直接在接收端加載已完成訓(xùn)練的網(wǎng)絡(luò)參數(shù)，對(duì)接收到的信號(hào)進(jìn)行直接檢測(cè).

由于聲信號(hào)在水下傳播緩慢，一般在陸地?zé)o線通信中多徑時(shí)延是微秒級(jí)，而在水聲通信中多徑延時(shí)是毫秒級(jí)，幾十甚至是幾百毫秒.因此，水聲通信傳播需要更長的信號(hào)符號(hào)周期和更小的信號(hào)間隔.本文通過增加卷積層層數(shù)來匹配水聲信道環(huán)境，以進(jìn)一步提升信號(hào)檢測(cè)性能.

3仿真結(jié)果分析

3.1水聲信道環(huán)境

針對(duì)OFDM水聲通信系統(tǒng)，本文將驗(yàn)證所提出的PTR-CNN網(wǎng)絡(luò)模型的性能.水聲信道參數(shù)如表2所示.模型訓(xùn)練過程僅在環(huán)境2中執(zhí)行，接收信噪比（Signal-to-Noise Ratio，SNR）設(shè)置為20 dB，高信噪比可以得到更加精確的網(wǎng)絡(luò)輸入和特征提取，并且與低信噪相比其泛化能力更強(qiáng)，測(cè)試信噪比值在0～20 dB內(nèi)，步長為5 dB.為了驗(yàn)證所提方法的魯棒性和泛化能力，本文模擬4種不同的水聲信道環(huán)境（環(huán)境1～環(huán)境4），它們具有不同的傳輸距離、時(shí)延擴(kuò)展和多普勒頻移.水聲信道的時(shí)域脈沖響應(yīng)如圖4所示.

3.2系統(tǒng)性能分析

在本節(jié)中，分析不同水聲信道環(huán)境（不同的多徑效應(yīng)和多普勒效應(yīng)）下PTR-CNN算法與已有的傳統(tǒng)算法的性能.圖5顯示了環(huán)境1在經(jīng)過PTR處理前后的信道狀態(tài).由圖5可見，PTR能夠?qū)⒛芰考性谥髀窂缴?，削弱其他路徑能量，相比于原信道，大大地減少了多徑時(shí)延，減輕了ISI.但是，還存在部分殘余ISI，進(jìn)而引入CNN提取信號(hào)特征和信道特征，PTR- CNN 通過訓(xùn)練提取信號(hào)特征，能夠處理系統(tǒng)殘余ISI，有利于信號(hào)恢復(fù).環(huán)境1下不同算法的誤碼率（Bit Error Rate，BER）曲線如圖6所示.為了更加清晰地展示該算法的性能，仿真中還比較了基于導(dǎo)頻的信道估計(jì)和信號(hào)檢測(cè)算法，分別是LS和OMP信道估計(jì)結(jié)合ZF信號(hào)檢測(cè)算法，其結(jié)果也在圖6中給出. 由圖6可知，LS_ZF整體受噪聲的影響比較大導(dǎo)致其性能最差，OMP_ZF由于事先獲取信道先驗(yàn)知識(shí)進(jìn)而取得一定的誤碼率增益，而本文所提的PTR-CNN 能很好地結(jié)合PTR和CNN的優(yōu)勢(shì)，獲得更優(yōu)的系統(tǒng)可靠性.

水聲信道除了多徑效應(yīng)外，通常還存在多普勒效應(yīng)，環(huán)境2相比于環(huán)境1引入了由相對(duì)運(yùn)動(dòng)引起的隨機(jī)多普勒頻移.環(huán)境2經(jīng)過PTR處理前后的信道狀態(tài)如圖7所示.由圖7可以看出，此時(shí)的PTR無法很好地削弱多徑信息，雖然有一個(gè)明顯的最強(qiáng)主路徑，但是其他路徑的削弱效果并不太明顯，這表示僅僅使用PTR無法很好地對(duì)抗系統(tǒng)的ICI.環(huán)境2下不同算法的BER曲線如圖8所示.由圖8可知，由于多普勒頻移的引入，傳統(tǒng)的PTR算法整體性能比OMP_ZF算法差，而本文提出的PTR-CNN明顯優(yōu)于上述方法.在信噪比為20 dB時(shí)，BER達(dá)到10^-3數(shù)量級(jí)，展現(xiàn)了在水聲信道中引入CNN帶來的系統(tǒng)性能增益，它能夠利用其強(qiáng)大的學(xué)習(xí)能力優(yōu)化系統(tǒng)的誤碼率.

3.3魯棒性分析

圖10為不同循環(huán)前綴長度時(shí)BER曲線.從圖10可以看出，對(duì)于傳統(tǒng)的PTR算法，為了更好地實(shí)現(xiàn)信道聚焦，需要一定的循環(huán)前綴抵抗ISI，所以循環(huán)前綴長度的減少導(dǎo)致誤碼率性能嚴(yán)重下降.而PTR- CNN算法對(duì)循環(huán)前綴長度不敏感，這得益于神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，網(wǎng)絡(luò)經(jīng)過數(shù)據(jù)集學(xué)習(xí)使得它對(duì)不同的循環(huán)前綴長度具有較強(qiáng)的魯棒性，可以不需要增加循環(huán)前綴來抵抗系統(tǒng)的ISI，可以進(jìn)一步提高基于PTR-CNN的OFDM水聲通信系統(tǒng)的頻譜效率.

圖11為PTR-CNN算法和傳統(tǒng)PTR算法在不同信道環(huán)境下的BER曲線.PTR算法嚴(yán)重依賴于當(dāng)前的信道條件，且多普勒頻移會(huì)影響信道的多徑聚焦增益，其誤碼率隨著信道環(huán)境變得惡劣而嚴(yán)重下降.相比之下，PTR-CNN算法能夠在較強(qiáng)的多徑效應(yīng)和多普勒效應(yīng)下對(duì)抗系統(tǒng)的ICI和ISI，進(jìn)一步提升系統(tǒng)的信號(hào)檢測(cè)性能，在不同測(cè)試環(huán)境下展現(xiàn)了良好的魯棒性.當(dāng)測(cè)試環(huán)境與訓(xùn)練環(huán)境相同時(shí)，即以測(cè)試環(huán)境為環(huán)境2的BER曲線為基準(zhǔn)，當(dāng)信噪比小于10 dB時(shí)，測(cè)試環(huán)境為環(huán)境3和環(huán)境4的BER幾乎不受影響；當(dāng)信噪比為20 dB時(shí)，它們相比于環(huán)境2分別損失約1 dB和2dB的增益，但整體仍優(yōu)于傳統(tǒng)的算法.這表明PTR-CNN網(wǎng)絡(luò)可以容忍一定程度的時(shí)延擴(kuò)展和多普勒頻移，基于PTR-CNN的OFDM水聲通信系統(tǒng)適用于具有ISI/ICI的水聲信道.

圖12比較了5層DNN模型[15]和PTR-CNN模型對(duì)于水聲信道環(huán)境的魯棒性，DNN模型同樣在環(huán)境2下訓(xùn)練，在環(huán)境2～環(huán)境4中進(jìn)行測(cè)試.文獻(xiàn)［15］中使用5層全連接層，在系統(tǒng)的載波數(shù)和ICI更大的情況下，沒有針對(duì)水聲信道的特性進(jìn)行預(yù)處理，大大增加了網(wǎng)絡(luò)的權(quán)重參數(shù)且不能很好地學(xué)習(xí)更加復(fù)雜的信道特性.而對(duì)于PTR-CNN模型，在模型訓(xùn)練前針對(duì)信道特性做了初步處理，同時(shí)卷積層能夠通過層間的權(quán)重共享減少網(wǎng)絡(luò)的權(quán)重參數(shù).由圖12可以看出，DNN和PTR-CNN網(wǎng)絡(luò)模型對(duì)環(huán)境的魯棒性不同，DNN模型在測(cè)試環(huán)境為環(huán)境3和環(huán)境4的BER相比于測(cè)試環(huán)境為環(huán)境2時(shí)有較大幅度的變化；這說明DNN模型對(duì)環(huán)境的變化比較敏感，隨著信噪比的增加，誤碼率不能大幅降低，此時(shí)，DNN模型幾乎完全失效.而PTR-CNN模型對(duì)環(huán)境的變化不敏感，在測(cè)試環(huán)境為環(huán)境3和環(huán)境4的BER與DNN模型在測(cè)試環(huán)境為環(huán)境2的BER基本相同，這表明PTR-CNN網(wǎng)絡(luò)模型對(duì)于不同的水聲信道的環(huán)境魯棒性較強(qiáng).

4試驗(yàn)結(jié)果分析

為了分析PTR-CNN網(wǎng)絡(luò)模型在實(shí)際水聲通信系統(tǒng)中的誤碼率，本研究團(tuán)隊(duì)于2020年9月在天津海河進(jìn)行了水聲通信試驗(yàn).試驗(yàn)地點(diǎn)的水深約8 m，發(fā)送換能器深度約1.5 m，接收水聽器深度約1.5 m.在試驗(yàn)過程中，使用在河面上漂流的船只攜帶發(fā)射換能器和接收水聽器，試驗(yàn)中船只以0.5 m/s的相對(duì)運(yùn)動(dòng)速度漂移.試驗(yàn)通信距離分別約為500 m和1 000 m.

試驗(yàn)中所用的系統(tǒng)參數(shù)與仿真參數(shù)相同，載波頻率為25 kHz，帶寬為22～28 kHz，采樣率為96 kHz. 發(fā)送數(shù)據(jù)如圖13（a）所示，由LFM、間隔和OFDM數(shù)據(jù)符號(hào)組成，LFM符號(hào)用于幀同步和探測(cè)信號(hào)，一幀傳輸3個(gè)OFDM符號(hào)，在試驗(yàn)過程中多次傳輸以獲取不同時(shí)刻和不同傳輸距離的接收數(shù)據(jù).圖13（b）和（c）顯示了某一時(shí)刻發(fā)送信號(hào)在傳輸距離分別為500 m和1 000 m處的接收數(shù)據(jù)信息.圖14（a）和圖14（b）分別給出了在不同傳輸距離下觀測(cè)時(shí)間約為60s的河試信道脈沖響應(yīng)的時(shí)變過程，可以看出，河試信道存在明顯的多徑效應(yīng)和多普勒效應(yīng)，根據(jù)船只0.5 m/s的漂移速度、信號(hào)中心頻率25 kHz及聲速1 500 m/s，可得出多普勒頻移約為8 Hz.此外，由圖14可以看出，500 m的河試信道環(huán)境更為復(fù)雜，由于傳輸距離的增加，有一部分反射徑和折射徑的能量損耗殆盡而無法到達(dá)接收端.因此，1 000 m的河試信道脈沖響應(yīng)圖的路徑數(shù)變少，多徑時(shí)延也變小.

在不同算法下，實(shí)際水聲通信系統(tǒng)中的BER曲線如圖15所示.其中DNN模型和本文提出的PTR- CNN 模型均在仿真環(huán)境2下進(jìn)行訓(xùn)練，然后直接加載訓(xùn)練好的網(wǎng)絡(luò)參數(shù)進(jìn)行測(cè)試.由于淺水環(huán)境中包含更多的噪聲、更大的多徑和多普勒頻移，傳統(tǒng)的PTR算法隨著信噪比的增加，誤碼率曲線趨于飽和，此時(shí)僅僅使用簡單的PTR算法無法很好地處理OFDM系統(tǒng)中的ISI/ICI，故增加信噪比也無法收獲大的增益.而DNN由于模型特點(diǎn)在河試信道環(huán)境中缺乏適應(yīng)性，在圖15中表現(xiàn)的誤碼率性能幾乎與傳統(tǒng)算法相同，這表示DNN無法通過訓(xùn)練好的網(wǎng)絡(luò)參數(shù)直接用于實(shí)際水聲通信系統(tǒng)中.與上述兩種算法相比，本文提出的PTR-CNN在實(shí)際水聲通信系統(tǒng)能夠?qū)崿F(xiàn)可靠傳輸，對(duì)河試信道環(huán)境的敏感性更低，誤碼率性能得到提升.這意味著PTR-CNN模型可以直接用于實(shí)際水聲通信系統(tǒng)，并且可以用于快速時(shí)變的水聲信道環(huán)境，無需額外訓(xùn)練開銷.

5結(jié)論

本文針對(duì)水聲通信中嚴(yán)重的多徑效應(yīng)和多普勒效應(yīng)問題，構(gòu)造了一種新型的基于PTR-CNN的OFDM水聲通信系統(tǒng).該方法一方面利用PTR削弱信道的多徑分量，又利用CNN提取信號(hào)特征和信道特征進(jìn)行訓(xùn)練，以對(duì)抗多徑效應(yīng)和多普勒效應(yīng)帶來的干擾，提升系統(tǒng)的信號(hào)檢測(cè)性能.仿真和海河試驗(yàn)結(jié)果表明，與傳統(tǒng)的接收端信道估計(jì)和信號(hào)檢測(cè)算法相比，PTR-CNN模型在較強(qiáng)的多徑效應(yīng)和多普勒效應(yīng)下仍保持較強(qiáng)的信號(hào)恢復(fù)能力，具有一定的抵抗系統(tǒng)ISI和ICI的作用.與現(xiàn)有的DNN系統(tǒng)相比，PTR-CNN模型在水聲信道環(huán)境失配時(shí)仍具有較好的誤碼率，對(duì)各種水聲信道環(huán)境均具有魯棒性.

參考文獻(xiàn)

[1] SINGER A C，NELSON J K，KOZAT S S. Signal processing for underwater acoustic communications [J]. IEEE Communications Magazine，2009，47（1）：90-96.

[2] AVAL Y M，STOJANOVIC M. Differentially coherent multichannel detection of acoustic OFDM signals [J]. IEEE Journal of Oceanic Engineering，2015，40（2）：251-268.

[3] STOJANOVIC M，PREISIG J. Underwater acoustic communication channels：propagation models and statistical characterization [J]. IEEE Communications Magazine，2009，47（1）：84-89.

[4] PANAYIRCI E，ALTABBAA M T，UYSALM，et al. Sparse channel estimation for OFDM-based underwater acoustic systems in rician fading with a new OMP-MAP algorithm[J]. IEEE Transactions on Signal Processing，2019，67（6）：1550-1565.

[5] QIAO G，SONG Q J，MA L，et al. Channel prediction based temporal multiple sparse Bayesian learning for channel estimation in fast time-varying underwater acoustic OFDM communications [J]. Signal Processing，2020，175：107668.

[6] WANG J J，YAN Z Q，SHI W，et al. Underwater acoustic sparse channel estimation based on DW-SACoSaMP reconstruction algorithm[J]. IEEE Communications Letters，2019，23（11）：1985- 1988.

[7] YANG T C. Temporal resolutions of time-reversal and passivephase conjugation for underwater acoustic communications [J]. IEEE Journal of Oceanic Engineering，2003，28（2）：229-245.

[8] ZHOUYH，JIANGWH，TONGF，et al. Exploiting joint sparsity for underwater acoustic MIMO communications [J]. Applied Acoustics，2017，116：357-363.

[9]殷敬偉，惠娟，惠俊英，等.無源時(shí)間反轉(zhuǎn)鏡在水聲通信中的應(yīng)用[J].聲學(xué)學(xué)報(bào)，2007，32（4）：362-368.

YIN J W，HUI J，HUI J Y，et al. Application of passive time reversal mirror in underwater acoustic communication[J]. Acta Acustica，2007，32（4）：362-368.（In Chinese）

[10] SONG H C，HODGKISS W S，KUPERMAN W A，et al. Improvement of time-reversal communications using adaptive channel equalizers [J]. IEEE Journal of Oceanic Engineering，2006，31 （2）：487-496.

[11]王彪，方濤，戴躍偉.時(shí)間反轉(zhuǎn)濾波器組多載波水聲通信方法[J].聲學(xué)學(xué)報(bào)，2020，45（1）：38-44.

WANG B，F(xiàn)ANG T，DAI Y W. Method of time reversal filter bank multicarrier underwater acoustic communication [J]. Acta Acustica，2020，45（1）：38-44.（In Chinese）

[12]尹艷玲，喬鋼，劉淞佐.正交頻分復(fù)用無源時(shí)間反轉(zhuǎn)信道均衡方法研究[J].聲學(xué)學(xué)報(bào)，2015，40（3）：469-476.

YIN Y L，QIAO G，LIU S Z.The study of orthogonal frequency division multiplexing passive time reversal channel equalization[J]. Acta Acustica，2015，40（3）：469-476.（In Chinese）

[13] ZHANG Y W，LIJX，ZAKHAROV Y，et al. Underwater acoustic OFDM communications using deep learning[J]. Applied Acoustics，2019，154：53-58.

[14] JIANG R K，WANG X T，CAO S，et al. Deep neural networks for channel estimation in underwater acoustic OFDM systems[J]. IEEE Access，2019，7：23579-23594.

[15] ZHANG J，CAO Y，HAN G Y，et al. Deep neural network-based underwater OFDM receiver[J]. IET Communications，2019，13 （13）：1998-2002.

[16] GOODFELLOW I，BENGIO Y，COURVILLE A. Deep learning [M]. Cambridge：MIT Press，2016：326-366.

[17] FAN C M，YUAN X J，ZHANG Y J.CNN-based signal detection for banded linear systems[J]. IEEE Transactions on Wireless Communications，2019，18（9）：4394-4407.

[18] QARABAQI P，STOJANOVIC M.Statistical characterization and computationally efficient modeling of a class of underwater acoustic communication channels[J]. IEEE Journal of Oceanic Engineering，2013，38（4）：701-717.

[19] KLAMBAUER G，UNTERTHINER T，MAYR A，et al. Selfnormalizing neural networks [C]//Proceedings of the 31st International Conference on Neural Information Processing Systems （NIPS）. Long Beach，CA，USA：CAI，2017，30：971-980.