一种用于未编码SISO水声OFDM的BiGRU-MCNN-Attention接收机:实水实验、仿真与跨环境迁移学习

《Applied Ocean Research》:A BiGRU-MCNN-Attention receiver for uncoded SISO underwater acoustic OFDM: Real-water experiments, simulation, and cross-environment transfer learning

【字体: 大 中 小 】 时间:2026年08月02日 来源:Applied Ocean Research 5.1

编辑推荐:

  提出了一种用于未编码SISO UWA-OFDM(单输入单输出水声正交频分复用)的BiGRU-MCNN-Attention(双向门控循环单元-多尺度卷积神经网络-注意力)接收机。正式的OFDM(正交频分复用)、LS(最小二乘)和LMMSE(线性最小均方误差)模型

  
提出了一种用于未编码SISO UWA-OFDM(单输入单输出水声正交频分复用)的BiGRU-MCNN-Attention(双向门控循环单元-多尺度卷积神经网络-注意力)接收机。正式的OFDM(正交频分复用)、LS(最小二乘)和LMMSE(线性最小均方误差)模型支持可重复的接收机评估。实水水槽、鱼塘和Watermark(水声信道仿真库)测试评估了具有挑战性的信道。该接收机在更困难和失配的环境中显示出更清晰的BER(误比特率)增益。迁移学习改善了适应性,同时揭示了源-目标限制。
**论文解读:一种用于未编码SISO水声OFDM的BiGRU-MCNN-Attention接收机**

**研究背景与动机**

水下声学(UWA)通信是远距离水下数据传输的关键物理层技术,因为电磁波在水中严重衰减,而声波可传播更远距离。然而,UWA信道具有多径传播、频率选择性衰落、环境噪声、多普勒失真以及由平台运动、水面波动和水流引起的环境依赖性变化等特征,这使得在UWA-OFDM系统中实现可靠的符号恢复变得困难,尤其是当传播条件在不同部署环境间变化时。传统UWA-OFDM接收机通常依赖导频辅助的信道估计、均衡和符号映射,如LS和LMMSE接收机,但这些模型基基准的性能强烈依赖于同步质量、信道统计假设以及多普勒/干扰抑制的准确性。在实际实水部署中,这些假设可能仅部分满足,因为信道可能是高度非平稳的,且可用校准数据有限。因此,数据驱动接收机作为补充方法受到关注,但现有研究存在几个空白:许多学习型接收机未提供足够明确的波形和接收机公式以支持可重复基准测试;与模型基基线的比较往往有限,难以评估增益的实际意义;对学习型接收机真正有益的工作条件,尤其是在实水失配和跨环境迁移下的分析不足。针对这些问题,该研究提出了一种正式指定的数据驱动接收机,用于未编码SISO UWA-OFDM,旨在评估紧凑混合学习接收机在信道失配、发射功率变化和有限目标域适应下能否改善未编码符号恢复。

**主要技术方法**

研究人员采用了一种结合BiGRU、MCNN和轻量级注意力模块的接收机架构。BiGRU组件用于沿有序活动子载波序列挖掘双向依赖关系;MCNN组件通过多个感受野尺寸的一维卷积提取局部特征结构,捕获短、中、长范围失真模式;注意力模块则自适应地重新加权学习到的局部-时序特征,以强调环境依赖性失真下更具信息量的表示。接收机输入为同步后的频域实虚部观测值,直接预测QPSK(正交相移键控)符号类别。研究使用了正式的OFDM帧结构(64个子载波,52个有效子载波,其中26个导频、26个数据,QPSK调制),并明确给出了LS和LMMSE基线公式。实验部分包括实水环境(大型水槽、鱼塘、小水槽和小游泳池)和Watermark仿真环境(NOF1和NCS1信道)。数据集按70%训练、10%验证、20%测试划分(标准学习),迁移学习则按8%训练、2%验证、90%测试划分。训练采用交叉熵损失,结合自适应学习率衰减和早停策略。

**研究结果**

**5.1 实水性能**
在相对简单的大型水槽环境中,0.0007 W功率下,提出的BiGRU-MCNN-Attention接收机达到99.991%测试准确率,BER为8.0×10-5,虽不是所有神经基线中最佳,但具有竞争力。当功率提升至0.0015 W时,该接收机实现最佳总体测试准确率99.994%和最低BER 3.3×10-5。在更具挑战性的鱼塘环境中,0.005 W时该接收机测试准确率98.315%,BER 9.636×10-3;0.01 W时准确率99.402%,BER 3.268×10-3,均优于其他神经模型。这表明BiGRU、多尺度卷积和注意力设计的组合在非平稳环境及子载波间局部失真变化强烈时尤为有用。

**5.2 仿真结果**
在NOF1仿真环境中,所有方法BER随SNR增加而降低。15 dB时,提出接收机BER为7.954×10-3,远低于LS的0.079755。在更困难的NCS1环境中,15 dB时提出接收机BER为0.018266,LS为0.247173。这些结果证实了在匹配仿真设置中,提出架构相对于基线的BER降低,但需注意绝对BER仍在10-2量级,属于未编码系统研究。

**5.3 迁移学习**
从鱼塘0.005 W预训练模型开始,微调后在鱼塘0.01 W目标环境将BER降至0.004833。在大型水槽和游泳池目标环境中,微调也改善了BER。然而,迁移学习并非普遍有益:在小水族馆0.0005 W环境中,微调后BER为0.000449,略差于LS基线,表明源-目标相似性不足时表示可能过拟合源域结构。

**5.4 消融分析**
在鱼塘0.005 W设置上的消融实验显示,完整BiGRU-MCNN-Attention架构表现最佳(测试准确率98.315%,BER 9.636×10-3)。去除注意力模块的BiGRU-MCNN变体BER升至0.011556,表明注意力模块在最具挑战性的实水环境中贡献了可测量的改善。

**5.5 实际意义讨论**
提出接收机在通信环境变得不可预测和失真更强时能保持竞争力。在简单环境下,多个基线已接近饱和,性能差距小;在鱼塘实验和跨环境迁移设置中,通信问题更困难,提出接收机显示出更清晰的优势。这表明双向时序建模、多尺度局部特征提取和自适应特征重加权的组合在信号结构不稳定时更有价值。

**总结与讨论**

论文结论部分指出:该研究提出了一个正式指定的BiGRU-MCNN-Attention接收机,用于未编码SISO UWA-OFDM,结合了双向时序建模、多尺度一维卷积和轻量级特征注意力,直接从同步频域观测中检测QPSK符号。此外,还提供了OFDM波形和时变UWA信道的一致公式,以及导频辅助LS/LMMSE基线用于可重复比较。结果表明,提出接收机在简单环境中具有竞争力,在更具挑战性的实水和跨环境条件下更一致地优势。在大型水槽0.0015 W时达到99.994%测试准确率,BER 3.3×10-5;在鱼塘环境中两个测试功率水平均获得最佳BER。仿真结果进一步证实了相对于LS在不同SNR条件下BER的显著降低。迁移学习在大多数目标环境中改善了性能,同时揭示了在严重环境失配下表示迁移的局限性。主要贡献不是新独立神经模块的发明,而是BiGRU驱动的序列表示、多尺度卷积局部特征提取和轻量级注意力在可重复的UWA-OFDM接收机流水线中的集成和验证,该流水线在实水、仿真和跨环境适应设置中进行了评估。总体而言,研究结果支持一个聚焦的结论:数据驱动解调是UWA-OFDM在信道知识不完美、环境变化和有限适应数据下的有用补充策略。未来工作将扩展到编码链路、更强的模型基基线和更明确的域偏移分析。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号