水下声学（UWA）通信中基于三维星座图的三维混合调制自动分类新方法

《Scientific Reports》：A novel technique for automatic hybrid modulation classification in UWA communications using 3D constellation diagrams

　　

水下声学（UWA）通信系统运行于严重信道损伤环境，包括强多径传播、长时延扩展、频率选择性、多普勒效应及高环境噪声。这些挑战显著增加了自动调制分类（AMC）难度，尤其在干扰进一步劣化性能的密集水下网络中。本文研究人员针对UWA环境中的频率索引三维混合调制方案，即频率相位键控（FPK）与频率正交振幅调制（FQAM），研究其AMC。尽管AMC在传统调制格式上已被广泛研究，但其在UWA通信系统中频率索引混合调制方案的应用文献关注相对有限。所提方法依赖三维（3D）星座表示进行鲁棒特征提取与调制判别。所得3D信号表示被转换为基于图像的输入，并由深度卷积神经网络（CNN）模型（含AlexNet、VGG-19与ResNet50）处理，以自动提取判别性特征并实现可靠分类。所提框架在单载波（SC）与正交频分复用（OFDM）传输方案下评估，以全面考察鲁棒性与适应性。仿真结果表明，在严峻UWA条件与低信噪比（SNR）下可实现准确调制识别，证实了将混合调制与基于深度学习的AMC结合用于下一代UWA通信系统的有效性。

研究背景方面，水下声学（UWA）通信面临强多径传播、长时延扩展、频率选择性衰落、多普勒效应及高环境噪声等严重信道损伤，使得介于信号检测与解调之间的自动调制分类（AMC）环节极具挑战。传统AMC分为基于似然（LB）与基于特征（FB）两类，前者在数百抽头多径下计算繁重，后者依赖高阶累积量（HOC）、循环平稳等人工特征，在低密度水下网络干扰下性能受限。近年深度学习（DL）虽减少人工特征工程，但既有研究多聚焦二维（2D）IQ星座或时频图，对频率索引三维混合调制（即同时具相位/振幅与频率索引维的FPK/FQAM）的AMC探索稀少。FPK为恒包络调相加频率索引，FQAM为QAM符号配频率索引，二者在带宽受限、节点互扰的UWA场景中具实用潜力，但分类可分离性待提升。该研究发表于《Scientific Reports》，旨在用三维星座图扩充信号空间维度，结合CNN实现低SNR下鲁棒AMC，填补频率索引混合调制在UWA-AMC中的空白。

关键技术方法上，研究人员基于MACE实测冲激响应构建六抽头归一化UWA信道，叠加指定SNR的高斯白噪声（AWGN）；分别搭建单载波（SC）与1000子载波OFDM（载频15 kHz、带宽10 kHz、CP=16）传输链，发端映射2FPK/8FPK/16FPK与4FQAM/8FQAM/32FQAM符号，收端采用频域LMMSE均衡，抽取每符号的I、Q与频率索引构作三维散点并渲染为227×227图像；在SNR ?10~30 dB（1 dB步进）每类每SNR生成125图，SC与OFDM各约3.1万图，按70/20/10划分训练/测试/验证；采用预训练AlexNet、VGG-19、ResNet50迁移分类，末层改为6类softmax，比较2D与3D、SC-LMMSE与OFDM-DFT-LMMSE配置。

研究结果部分，“FPK与FQAM调制”小节指出，引入频率索引第三维后，星座点欧氏距离d_ij=√[(x_i?x_j)²+(y_i?y_j)²+(z_i?z_j)²]增大，最小间距提升，低SNR下类内聚集与类间混叠均减弱。“实验设置”小节中，SC与OFDM流程均经LMMSE均衡后取I/Q/频率三维成图；数据集覆盖六调制×41 SNR×125样本。“仿真结果与对比分析”小节显示：2FPK与4FQAM在SC与OFDM下三模型近100%；8FPK在SC低SNR仅10~25%，OFDM全段>95%；8FQAM在SC低SNR约45~90%，OFDM近100%；16FPK在SC低SNR近0%，OFDM近100%；32FQAM在SC低SNR 75~95%波动，OFDM达98~100%。同配下3D较2D在0 dB提升显著（如SC下AlexNet对8FPK从0升至17%，OFDM-3D对8FPK达94~99%）；VGG-19与ResNet50因层次更深低SNR略优于AlexNet；OFDM-DFT-LMMSE+3D始终最优。

讨论与结论翻译：本文提出一种基于三维星座图与DL的UWA系统FPK/FQAM调制AMC框架，配合SC-LMMSE与OFDM-DFT-LMMSE传输方案以改善严峻信道下分类。仿真表明，相较传统2D表示，所提3D星座框架提升了星座可分离性与分类准确率，尤在低SNR与高阶调制下；OFDM-DFT-LMMSE在所有CNN模型中一致优于SC-LMMSE；AlexNet、VGG-19、ResNet50对比确认了DL-AMC在UWA中的有效性，更深架构在恶劣信道下分类更稳。局限在于仅用离线仿真MACE数据、无海试、仅SISO、调制集有限、未融合互补信号域特征且因缺公开数据集未能与外部UWA-AMC方法直比。未来工作将转向真实UWA测量验证、先进特征提取、混合DL、迁移学习与随机初始化对比及FPGA实现。