编辑推荐：
在水下声学（UWA）通信面临多径效应、带宽有限等难题的背景下，研究人员开展了基于动态自适应遗忘稀疏内核递归最小二乘（DAFS-KRLS）模型的研究。结果显示该模型预测性能佳，能提升 UWA 通信系统效率。这为水下通信技术发展提供了新方向。
在广阔的海洋世界中，水下声学（UWA）通信就像一座连接人类与神秘海底的桥梁，对海洋探索起着至关重要的作用。然而，这座 “桥梁” 却面临着诸多挑战。UWA 通信的信号传播速度缓慢，就像是在海底 “爬行”；带宽也十分有限，如同狭窄的通道，限制了数据传输的量；多径效应更是让信号如同迷路的孩子，在传播过程中四处散射，严重影响通信质量；还有多普勒频移，使得信号的频率不断变化，进一步干扰了通信的稳定性。这些问题极大地阻碍了 UWA 通信系统和网络性能的提升。
为了攻克这些难题，推动水下通信技术的发展，研究人员开展了一项关键研究。他们聚焦于时间变化的 UWA 信道预测，旨在为自适应正交频分多址（OFDMA）系统提供更精准的信道预测支持。通过不懈努力，研究人员提出了动态自适应遗忘稀疏内核递归最小二乘（DAFS-KRLS）模型。该研究成果意义重大，相关论文发表在《Applied Ocean Research》上。它为解决 UWA 通信中的信道预测问题提供了新的有效方案，有望大幅提升水下通信的可靠性和效率，助力海洋探索事业迈向新的高度。
在研究方法上，研究人员主要采用了以下关键技术：
- 构建 UWA OFDMA 系统模型：详细设计了 OFDMA 通信系统，利用 OFDM 信号传输数据，并设置循环前缀（CP）来减少符号间干扰（ISI）。同时，采用正交匹配追踪（OMP）算法进行信道估计，还使用了联合子载波 - 比特 - 功率自适应分配算法优化资源分配。
- 建立预测模型：提出 DAFS-KRLS 算法，结合内核方法和递归最小二乘，通过动态遗忘因子自适应调整过去数据的权重。并采用离线 - 在线训练框架，利用历史数据预训练模型，再结合实时数据更新，提高模型的实时适应性和稳定性。
- 性能评估：使用南海陵水海域的海试数据进行实验，对比了 DAFS-KRLS 模型与基于递归最小二乘（RLS）、近似线性依赖 KRLS（ALD-KRLS）和卷积神经网络 - 长短期记忆网络（CNN-LSTM）的预测模型。评估指标包括平均绝对百分比误差（MAPE）、均方根误差（RMSE）、误码率（BER）和有效吞吐量等。
研究结果如下：
- 预测结果：在不同信道条件下，对比了四种预测模型的性能。结果表明，在信道 B 中，DAFS-KRLS 的累积分布函数（CDF）斜率最陡，预测性能最佳；在信道 A 中，DAFS-KRLS 和 CNN-LSTM 获得较小预测误差的概率更高。在模拟不同海洋场景的实验中，DAFS-KRLS 在数据稀缺情况下，性能显著优于 CNN-LSTM；在数据丰富时，二者表现相当。
- 基于预测模型的 UWA OFDMA 系统性能评估：在 UWA OFDMA 系统模拟中，随着信噪比（SNR）增加，各预测模型的预测准确性提高。DAFS-KRLS 在信道 B 中的预测准确性最高，其误码率（BER）低于其他模型，有效吞吐量最高。在实验数据测试中，DAFS-KRLS 同样展现出良好的性能，其误码率低于基于过时信道状态信息（CSI）的系统，与基于当前 CSI 的系统相近。
- 计算复杂度讨论：分析了各预测方法的计算复杂度，发现 RLS、ALD-KRLS 和 DAFS-KRLS 算法的计算复杂度比 CNN-LSTM 低一个数量级，而 DAFS-KRLS 在保证较低计算成本的同时，实现了较高的预测精度。
研究结论和讨论部分指出，DAFS-KRLS 模型在时变 UWA 信道预测中表现出色，通过动态遗忘因子平衡历史和当前数据，结合离线 - 在线训练机制，提高了预测准确性和实时适应性。与数据密集型的 CNN-LSTM 相比，DAFS-KRLS 在有限训练样本下仍能保持高精度，在实际应用中具有很大优势。不过，该模型也存在一些局限性，如计算复杂度随内核矩阵维度增加而上升，性能依赖信道稀疏性，对快速变化的信道适应性有限等。未来研究可探索混合架构，结合轻量级深度学习处理密集多径，利用边缘计算降低延迟，并在更多场景中进行验证，以进一步提升其性能和鲁棒性。这项研究为水下通信技术的发展提供了重要的理论和实践基础，对推动海洋探索和相关领域的发展具有重要意义。
