基于深度强化学习与MIMO-NOMA技术，并结合真实信道模型，实现水下紫外光通信系统的智能功率分配

《IEEE Photonics Journal》：Intelligent Power Allocation in Underwater UVLC Using Deep Reinforcement Learning and MIMO-NOMA under Realistic Channel Models

　　

摘要：

本研究提出了一种基于深度强化学习（DRL）的功率分配框架，用于水下MIMO-NOMA可见光通信系统。该框架通过结合实测海洋数据校准的实际湍流模型进行严格验证。它采用了与深度相关的湍流建模方法（Kolmogorov谱和Anderson谱）来模拟动态的水下信道，能够应对盐度梯度、温度变化以及非稳态湍流等问题。通过系统性的网格搜索和帕累托分析优化得到的多目标奖励函数，在平衡频谱效率、误码率最小化以及能效的同时，还对前向纠错机制施加了3.8×10^-3的惩罚。基于硬件特性的仿真结果表明，所提出的Q学习DRL策略相比传统的水填充算法和遗传算法，可使误码率降低50%（从3.6×10^-3降至1.8×10^-3），信噪比提升7dB，吞吐量提高30%，且推理延迟小于10毫秒，非常适合嵌入式应用。与现有的Transformer和图神经网络方法相比，该框架在保持在不同深度（20-100米）和不同湍流强度下的稳定性的同时，还将计算开销降低了75%。通过FPGA原型进行的实验验证表明，该框架适用于自主水下航行器群和传感器网络，解决了以往方法在可扩展性方面的局限。这项工作架起了仿真与实际应用的桥梁，为复杂水下光通信环境提供了一种基于物理原理的自适应解决方案。