《Applied Ocean Research》：A state-of-the-art survey and benchmarking of Adaptive Modulation and Coding for Underwater Acoustic Communications
编辑推荐：
本综述系统梳理了水下声学通信（UWAC）中自适应调制编码（AMC）的研究进展，对比传统阈值法、监督学习（ML）与强化学习（RL）三类范式，并在公开数据集验证了基于长短期记忆网络的双深度Q网络（LSTM-DQN）等方法的优越性，为动态水声信道下的高效可靠传输提供了理论支撑与技术路径。
引言：水声通信的挑战与AMC的必要性
水下声学通信（UWAC）因电磁波在水中衰减迅速，成为中远距离水下信息传输的唯一可行媒介。然而，水声信道具有带宽受限、传播延迟高、多径效应显著、多普勒频移严重以及环境噪声复杂等特点，被视为最具挑战性的通信媒介之一。固定调制编码方案（MCS）难以适应这种高度时变的信道条件，常导致频谱利用率低或链路中断。自适应调制编码（AMC）通过动态调整调制方式（如BPSK、QPSK、高阶QAM）与编码速率，在保障目标误码率（BER）的前提下最大化吞吐量，成为优化UWAC性能的核心技术。
AMC的基本原理与性能指标
AMC的核心是通过闭环反馈实现传输参数的动态适配。接收端估计信道状态信息（CSI），基于预定义规则或学习模型选择最优MCS，并通过反馈信道传回发射端。其数学本质可表述为约束优化问题：在BERi≤ BERtarget条件下，最大化能量效率（EE）或吞吐量。性能评估主要依赖误码率（BER）、吞吐量（bps）、能量效率（bits/Joule）等指标，其中BER是可靠性核心约束，吞吐量是衡量频谱效率的关键。
水声信道的独特特性与建模方法
水声信道的物理特性深刻影响AMC设计。路径损耗包括几何扩展与频率吸收（如Thorp公式描述），随距离与频率增加而加剧；多径传播由海面/海底反射引起，导致时延扩展达数百毫秒，引发严重的频率选择性衰落与符号间干扰（ISI）；多普勒效应因声速低（约1500 m/s）而尤为突出，造成载波相位偏移与正交频分复用（OFDM）系统中的子载波间干扰（ICI）。此外，海洋环境的复杂噪声（航运、波浪等）进一步增加了信道不确定性。
信道建模分为统计模型（如瑞利/Rice衰落）与数据驱动模型两类。前者基于理想分布推导SNR-BER曲线以设定切换阈值，但难以捕捉真实环境复杂性；后者利用BELLHOP等声场模型或ACommSet等实测数据集，更精准地反映实际信道特征，为机器学习方法提供训练基础。
传统非机器学习AMC方法：简单性与局限性
传统方法依赖信噪比（SNR）或等效信噪比（ESNR）等标量信道质量指示（CQI），通过查表法选择MCS。例如，OFDM系统中采用按簇或帧级的SNR估计简化反馈开销，或通过注水功率分配提升频谱效率。此类方法计算复杂度低、解释性强，但存在根本缺陷：SNR无法表征多径时延扩展、多普勒扩散等结构损伤，导致BER预测失准；长传播延迟使反馈CSI过时，决策与实际信道失配；且难以适应非平稳环境变化。
监督学习与深度学习AMC：从特征映射到自动提取
为克服传统方法局限，监督学习通过分类器（如支持向量机SVM、梯度提升树XGBoost）将多维信道特征（ESNR、RMS时延扩展、相干带宽等）映射至最优MCS。实验表明，基于海试数据的增强回归树模型分类精度可达99.97%，显著优于SNR阈值法。
深度学习进一步实现了特征自动提取。卷积神经网络（CNN）可直接处理原始信号，循环神经网络（RNN）及其变体（LSTM、GRU）能捕获信道时间相关性，有效应对过时CSI问题。例如，结合稀疏主成分分析（SPCA）降维与加权k近邻（w-kNN）分类，可提升模型鲁棒性。Transformer架构通过自注意力机制并行处理历史CSI，虽需更多算力，但在长期依赖建模上潜力显著。
强化学习AMC：交互式策略优化
强化学习（RL）将AMC建模为序贯决策问题，智能体通过与环境交互学习最优策略。无模型RL（如多臂赌博机MAB框架）无需信道先验知识，通过探索-利用权衡（如上置信界UCB算法）在线优化奖励（如吞吐量与能耗平衡），但假设奖励分布平稳，在快速时变信道中收敛慢。深度RL整合神经网络，如LSTM-DQN-AM模型利用历史CSI序列预测未来状态，在动态信道下实现更高的吞吐量与更低BER；近端策略优化（PPO）等策略梯度方法则通过直接优化策略函数提升稳定性。
统一基准测试：方法与结果分析
研究在公开实测数据集ACommSet上对四类代表性方法进行统一评估：
- •
SNR阈值基线：吞吐量高（93,191 bps）但BER接近约束上限（0.098），可靠性差；
- •
树型模型（XGBoost等）：BER随符号率提升改善（100k符号率时降至0.017–0.024），性能稳定但缺乏时序适应性；
- •
深度学习模型：GRU与LSTM在高符号率下吞吐量领先（分别达194,041 bps与221,228 bps），但LSTM的BER波动较大（0.135）；
- •
强化学习方法：LSTM-DQN-AM综合表现最优，平均吞吐量达219,789.7 bps且BER可控（0.042），显著优于无模型的AMUSE框架（吞吐量68,283 bps，BER 0.079）。
结果表明，具备时序建模能力的模型（如LSTM-DQN）在动态水声信道中最具优势，能有效平衡吞吐量与可靠性。
未来研究方向与挑战
尽管先进AMC方法展现出潜力，仍需突破三大瓶颈：
- 1.
域适应与泛化：解决训练数据与部署环境差异导致的性能退化，发展跨场景迁移学习技术；
- 2.
生成式AI辅助：利用生成对抗网络（GAN）或扩散模型合成极端信道样本，扩充训练数据覆盖罕见事件；
- 3.
边缘计算与反馈优化：通过模型量化、剪枝等技术压缩深度模型以适应水下节点资源限制，并探索语义反馈减少带宽占用。
结语
水声通信AMC技术正从经验驱动的阈值法向数据驱动的智能策略演进。传统方法简单高效但适应性有限；监督学习提升了静态条件下的决策精度；而强化学习与深度学习结合时序建模，在动态信道中展现出最优的综合性能。未来需聚焦跨域泛化、轻量化部署与反馈架构创新，推动AMC技术在海洋探测、自主潜器协同等关键任务中的实用化。
