《Journal of Marine Science and Engineering》：Parameter-Efficient Time–Frequency Temporal Convolution with Log-Percentile Normalization for Underwater Acoustic MAC Protocol Recognition
编辑推荐：
水声监测节点在无需解码控制头且不与观测网络协作的条件下，被动识别介质访问控制（MAC）协议可使节点推断信道接入行为。研究人员评估了一种仅使用独立生成的高斯或对称α稳定噪声污染的模拟干净波形训练的、参数高效的时频时序卷积网络（RTF-TCN）。处理链从干净sig
水声监测节点在无需解码控制头且不与观测网络协作的条件下，被动识别介质访问控制（MAC）协议可使节点推断信道接入行为。研究人员评估了一种仅使用独立生成的高斯或对称α稳定噪声污染的模拟干净波形训练的、参数高效的时频时序卷积网络（RTF-TCN）。处理链从干净sig数组经MATLAB spectrogram功率谱密度输出、时间重采样、裁剪、对数百分位归一化到模型评估完全可复现。为降低共享仿真几何带来的泄漏，新实验采用拓扑组级训练/验证/测试划分，替代所继承基准的样本级划分。在五种随机种子下，域内性能在高斯?5至+5 dB范围保持稳定；在研究定义的基于尺度的信噪比度量（scale-GSNR）0 dB处，α=1.8与1.7时性能仍高，α=1.6时不稳定（70.75%±18.66%），α=1.5与1.2时接近五类均衡性能下限。α=1.8处训练的模型直接迁移到更重尾条件时性能退化。所继承的样本级消融显示标准3×3前端Macro-F1更高，但参数量为非对称前端的3.5倍。RTF-TCN含158149参数，单次1×1×100×580输入剖析代价为2.8908亿次乘加运算与5.7816亿次浮点运算。结果支持被测条件下参数高效性，但未确立对实测海试数据的泛化。
研究背景方面，水声网络（UANs）受低声速、有限带宽、强多径与距离相关衰减制约，被动监测节点往往无法获取包头、协议配置或协作通告，只能从接收波形中推断节点信道接入行为。MAC协议识别不同于调制分类与发射机识别，其分类对象是通信节点在信道失真与噪声下的接入行为模式。ALOHA类随机接入产生不规则突发，码分多址（CDMA）带来扩频占用，载波监听多址（CSMA）含侦听间隙，频分多址（FDMA）呈子带分配，时分多址（TDMA）具时隙周期性，这些机制在短时傅里叶变换（STFT）衍生的功率谱密度（PSD）图中表现为可学习的时频模式。已有研究采用短时能量聚类量化（CQSTE）、能量态感知（ESS）或注意力特征融合，但手工能量描述子在α稳定脉冲噪声下易被异常值扭曲。因此研究人员开展一项紧凑端到端研究：从STFT?PSD图出发，设计抗脉冲归一化，并用轻量时序卷积建模接入节律，所有数据来自团队自建五类（ALOHA、CDMA、CSMA、FDMA、TDMA）模拟基准，未含实测海试。
关键技术方法上，研究人员以只读干净时域波形（1×7.5×106 double，50 kHz采样、150 s）为源，按显式种子添加高斯有限样本RMS信噪比?5至+5 dB序列或对称α稳定噪声（β=0，δ=0，γ=1，scale?GSNR 0 dB，α∈{1.8,1.7,1.6,1.5,1.2}）；经MATLAB spectrogram（窗512、重叠256、512点变换）取第四输出PSD，按1000/50000重采样并裁至100×580单精度；实施对数百分位归一化（log压缩后按1%/99%分位裁剪至[0,1]）；按可恢复拓扑组（节点数、区域长度、长宽比组合共60组）做组级划分，43组训练、5组验证、12组测试，五类同步切分，五种子（5867、2026、3407、1147、8191）重复；模型RTF-TCN含3×3投影、三级非对称时频深度可分离卷积（5×1与1×9）、频率平均、四级膨胀残差时序卷积（核5，膨胀1/2/4/8，感受野61帧）、时序均值最大池化与紧凑分类器，参数量158149；训练用AdamW、标签平滑0.05、批次16、验证Macro?F1选点，基线含CNN、CNN?Transformer、ResNet?18。
研究结果部分，第3节材料方法中明确了双证据层分离：继承样本级存储PSD基准仅作连续性参照，独立组级实验从干净波形重跑噪声与PSD链，据此报告高斯扫描、α扫描与跨α迁移。第4节结果显示，独立高斯?5~+5 dB组级扫描中RTF?TCN五种子均值差仅0.45个百分点，误差棒重叠，支持该模拟范围内对传统信噪比不敏感。独立α稳定扫描中，α=1.8与1.7域内Macro?F1维持高位，α=1.6降至70.75%±18.66%且种间离散剧增，α=1.5与1.2逼近20%五类随机基线；α=1.8检查点直接迁移至α=1.7仍为90.02%±3.40%，至α=1.6及以下持续恶化，说明固定尾指数模型无法保证未知脉冲强度部署。组级四模型锚点（高斯0 dB与α=1.8）中RTF?TCN非最高均值，但参数量仅为CNN的1/16.86、ResNet?18的1/70.65，剖析MACs 2.8908亿，支持参数高效而非精度冠军主张。继承样本级消融中标准3×3前端比非对称前端高Macro?F1但多3.5倍参数，去TCN降0.81点，行向min?max归一化比对数百分位低约11.91点（且破坏带间电平关系），对数百分位（95.96%±0.56%）优于仅百分位/仅对数/z分数变体。第5节讨论指出，组级隔离仅覆盖可恢复拓扑，不证明与几何辅助函数内潜在随机量独立；scale?GSNR与继承基准历史信噪比不可互换；五种子不足以做显著检验，α=1.6高离散使过渡区估计不确定；跨α仅从α=1.8出发，未测混合训练、双向迁移或实测偏移；参数量/FLOPs不含内存与能耗剖面。第6节结论翻译为：本研究提出参数高效RTF?TCN流水线，仅用模拟水声信号做五类MAC识别，围绕可追溯数据生成与拓扑组级分离修订评估；链从只读1×7.5×106 double干净波形、显式种子高斯或对称α稳定噪声、spectrogram第四输出PSD、重采样裁剪至100×580单精度、验证Macro?F1选点。五组组级种子下高斯?5~+5 dB扫描稳定；scale?GSNR 0 dB时α=1.8/1.7域内高，α=1.6高度可变（70.75%±18.66%），α=1.5/1.2近下限；α=1.8直接迁移至更重尾退化。RTF?TCN用158149参数、2.8908亿MACs、5.7816亿FLOPs（批1输入），支持参数高效主张；独立α=1.8对比不支持精度优势主张，模拟条件结果不确立部署泛化，跨α退化使边界显式化。该研究发表于《Journal of Marine Science and Engineering》，其意义在于用严格组级隔离与显式噪声定义限定了紧凑时频模型在模拟水声MAC识别中的可用边界，并为后续实测海试与条件无关训练提供负面结果基线。
