利用神经网络生成用于非平稳水下介质中OFDM声信号分解的基，以提供可靠性与能量效率

《Acoustics》：Using Neural Networks to Generate a Basis for OFDM Acoustic Signal Decomposition in Non-Stationary Underwater Media to Provide for Reliability and Energy Efficiency

　　

在采用正交频分复用（OFDM）的经典高速数字数据传输系统中，高峰均功率比（PAPR）限制了能量效率和通信距离。本文提出一种通过频率编码对OFDM信号进行随机化的方法，该方法使用通过机器学习获得的具有改进自相关特性的合成伪随机序列，以在复杂、非平稳水声信道中与水下机器人系统通信时最小化PAPR。研究人员开发并训练了一种神经网络架构，基于对先前发现的最佳短序列模式的分析，生成长度达150个元素的码。所获得的OFDM信号类别无需定期且精确地估计信道参数，同时保持对水下环境典型的各种脉冲噪声、多普勒频移和显著多径干扰的抵抗能力。所达到的频谱效率值（高达0.5 bits/s/Hz）对于现有水声通信系统而言相对较高。研究表明，此类多频信息传输系统的峰值功率可有效平均降低5–10 dB，这允许在非平稳水文条件下以可接受的误码率（从10^?2到10^?3及以下）相比经典OFDM方法增加通信距离。所提出的使用合成码和频率编码的OFDM信号随机化方法的有效性，通过陆架海域现场实验得到证实，实验距离达4.2 km，海况达2–3级（Beaufort等级），且发射机与接收机存在相互运动。

水声通信在海洋机器人、海底观测等系统中不可或缺。正交频分复用（OFDM）因抗多径能力和高频谱效率而受到关注，但其高峰均功率比（PAPR）迫使功率放大器采用大输出回退，导致能量效率降低和通信距离受限。传统PAPR抑制方法如幅度削波、选择性映射、部分传输序列等各有缺陷。研究人员此前曾提出基频域子载波编码的OFDM随机化方法，但所用短码（不超过52位）依赖穷举搜索，计算量随码长急剧增加。为克服这一瓶颈，本研究引入机器学习方法生成更长的最优二元码，以支持更多子载波并提升系统吞吐量。论文发表在《Acoustics》。

研究人员开发了一种生成对抗网络（GAN），由生成器和判别器两个多层感知机（MLP）组成。生成器输出150位二进制序列，判别器区分真实码与生成码。训练采用220个37位最优码及从891,668条已知码中提取的游程编码（RLE）分布特征。通过对抗训练，生成了具有低自相关旁瓣的新序列。随后在数值模型中对OFDM信号施加幅度削波，并通过眼图评估失真。现场实验在浅海进行，距离200至4200 m，海况2–3级，收发端存在相对运动。主要技术方法包括：GAN序列生成、基于RLE分布的模式约束、PAPR最小化码选择、幅度削波处理，以及实测信道下的误码率统计。

3. Results and Discussion
数值模型仿真显示，使用GAN生成的150位码进行OFDM子载波随机化，所得信号平均PAPR约为9.7 dB。针对不同削波水平的眼图分析表明，PAPR=4（6 dB）时相位失真和符号间干扰显著，信噪比降至约17 dB；而PAPR=9（9.5 dB）时失真较小，因此后续实验采用6 dB和9.5 dB两种削波模式。

In situ experiments.
现场实验评估了该方案在真实非平稳水声信道中的性能。信道冲激响应测量显示相干时间仅为50–300 ms，多普勒频移2–10 Hz。在200、800、2900和4200 m距离上，PAPR=6 dB传输模式在抗干扰方面略优于PAPR=9.5 dB模式。与先前FM-OFDM和OFDM-DBPSK算法相比，新方法在短相干时间信道中误码率显著更低，且无需信道估计和均衡。所有距离测试均验证了GAN码随机化结合幅度削波可提供最高6 dB的能量增益，PAPR平均降低5–10 dB。

讨论部分指出，不同水声通信方案因实验条件差异难以直接比较。先前算法在准平稳和冰下环境表现良好，但在本研究的非平稳信道中因相干时间过短而性能急剧恶化，而新方法保持稳健。结论部分翻译：研究人员提出了一种利用机器学习合成的具有增强自相关特性的伪随机序列进行频率编码的OFDM信号随机化方法。基于GAN的方法成功生成了150位码，通过激进削波（PAPR=6 dB）可将频率编码OFDM信号的平均发射功率提高6 dB。误码率通过数值仿真和眼图分析验证。现场实验表明，该激进削波模式在抗干扰方面略优于保守模式（PAPR=9.5 dB）。研究证明，频率编码OFDM信号的峰值功率平均降低5–10 dB，可在可接受误码率下扩展通信距离，并已在最远4.2 km的陆架海实验、海况2–3级及收发相对运动条件下得到验证。