《Photonics》：Autoencoder-Based End-to-End Underwater DCO-OFDM Communication System
编辑推荐：
为抑制水下无线光通信（UWOC）中由光学散射引起的延迟扩展和码间干扰（ISI），本文在卷积神经网络自编码器（CNN-AE）中引入长短期记忆（LSTM）、卷积块注意力模块（CBAM）和残差连接，提出了一种基于CNN-LSTM-AE的端到端直流偏置光正交频分复用（
为抑制水下无线光通信（UWOC）中由光学散射引起的延迟扩展和码间干扰（ISI），本文在卷积神经网络自编码器（CNN-AE）中引入长短期记忆（LSTM）、卷积块注意力模块（CBAM）和残差连接，提出了一种基于CNN-LSTM-AE的端到端直流偏置光正交频分复用（DCO-OFDM）系统。在所提出的系统中，编码器中的卷积层用于提取局部特征；CBAM沿通道维度和空间维度自适应加权显著特征；LSTM层对信号序列的时间依赖性进行建模；同时引入残差连接以提升对细微信号特征的学习能力，从而增强系统对抗多径信道的鲁棒性。接收端采用对称结构，最终实现端到端的信号恢复。仿真结果表明，在典型清澈海洋和近岸海洋信道条件下，所提出的系统在不同调制阶数（即每符号不同比特数）下均优于基于全连接自编码器（FC-AE）和CNN-AE的端到端系统。例如，在近岸海洋信道强散射条件下，当每符号比特数为2且误码率（BER）为10?3时，所提系统相较于两种基线系统分别获得了约3.33 dB和1.82 dB的信噪比（SNR）增益。在误块率（BLER）方面，相较于两种对比系统分别实现了约4.52 dB和2.19 dB的SNR增益，这证实了所提系统优越的端到端传输可靠性。
基于CNN-LSTM-AE的水下DCO-OFDM端到端通信系统研究解读
**一、研究背景与问题**
近年来，随着海洋资源开发、环境监测和海底勘探等需求的持续增长，水下无线通信技术受到广泛关注。与传统水声通信相比，水下无线光通信（UWOC）具有大带宽、高传输速率和低延迟等显著优势，特别适合短距离、高速率的水下数据传输场景。然而，UWOC系统在实际应用中面临复杂多变的水下信道条件，主要表现为光信号的吸收和散射效应。吸收导致信号能量衰减，而散射则引起光束的时间扩展，产生严重的码间干扰（ISI），尤其在高速度传输条件下更为突出。
为缓解ISI对UWOC系统的限制，正交频分复用（OFDM）技术凭借其强大的多径鲁棒性被引入水下光通信系统。结合强度调制/直接检测（IM/DD）的需求，DCO-OFDM成为一种有效的调制方案，通过添加直流偏置生成实值非负信号，满足非负性约束，已成为UWOC中的主流调制方法之一。尽管OFDM中的循环前缀（CP）能在其持续时间范围内有效消除ISI，但强光散射引起的长尾冲激响应往往在CP保护间隔之外仍含有不可忽略的能量。依赖固定抽头长度的有限冲激响应（FIR）滤波器的传统时域或频域均衡器本质上无法完全消除这种残余长尾ISI，这仍是高阶级调制可靠传输的关键瓶颈。
近年来，深度学习技术尤其是自编码器（AE）为端到端通信系统设计开辟了新途径。AE能够自动学习最优编码和解码策略，避免了人工设计调制映射和信道估计的繁琐过程，也规避了传统通信系统中各模块独立优化的弊端。已有研究将AE应用于单载波UWOC系统，利用双Gamma函数近似水下光链路的信道冲激响应，实现编码器和解码器的联合优化，在高传输速率下优于传统方案。然而，单载波系统主要依赖时域均衡处理光散射引起的ISI，在信道冲激响应严重扩展或复杂多径环境下性能仍面临瓶颈。另有研究提出了结合DCO-OFDM与FC-AE的多载波方案，使用全连接层构建编码器和解码器，但该方案未显式建模信号序列中固有的时间依赖关系。还有研究提出了基于CNN-AE的端到端系统，使用一维卷积层构建编解码网络，但卷积核大小为1，即逐符号独立处理，同样缺乏对符号间时间依赖的建模能力。尽管Transformer架构在捕获远程依赖方面表现出色，但其计算开销随序列长度呈二次方增长，不适合能量和资源受限的水下调制解调器。
**二、研究内容与主要技术方法**
为解决上述问题，研究人员提出了一种基于残差卷积自编码器、融合LSTM和CBAM的端到端DCO-OFDM系统（CNN-LSTM-AE）。在编码器和解码器中引入LSTM层，通过其固有的时间建模能力显式表征信号序列中的长程依赖性；引入CBAM沿通道和空间维度自适应加权关键特征；引入残差连接缓解网络加深可能带来的梯度消失和性能退化问题。研究人员采用蒙特卡罗模拟方法生成清澈海洋和近岸海洋两种典型水域的信道冲激响应数据集，以自监督方式对端到端网络进行联合训练。网络训练采用交叉熵损失函数，并在每个训练轮次中从预生成的信道数据集中随机采样一批信道冲激响应样本，以增强网络对不同信道条件的泛化能力。
**三、研究结果**
**星座图对比分析：** 研究人员对比了训练后的CNN-LSTM-AE系统在清澈海洋和近岸海洋信道条件下不同调制阶数（每符号比特数k=2,4,6）的编码符号星座图，并与传统DCO-OFDM系统使用的固定正交幅度调制（QAM）星座图进行比较。结果表明，与传统固定星座点不同，CNN-LSTM-AE端到端方案根据当前信道特性学习了不同于传统调制方案的星座映射，将信道状态信息隐式嵌入星座结构中，从而无需在发送端插入导频。在清澈海洋信道k=2条件下，学习到的四个星座点并未严格位于4QAM的标准正交位置，而是根据信道响应进行了适度偏移和旋转，以优化符号间的欧氏距离分布。在近岸海洋信道中，由于散射显著增强，学习到的星座表现出更明显的偏移和变形，例如k=6时64个星座点不再形成规则的方形网格，而是经历显著的相位旋转，这是网络为在严重ISI条件下最大化符号可分离性而形成的鲁棒策略。
**BER性能分析：** 研究人员在清澈海洋和近岸海洋信道条件下，对不同SNR范围内CNN-LSTM-AE与FC-AE、CNN-AE系统的BER性能进行了比较。结果表明，在所有k值下，CNN-LSTM-AE均一致优于FC-AE和CNN-AE。在近岸海洋信道中，当k=2且BER为10
?3时，CNN-LSTM-AE相较于FC-AE和CNN-AE分别获得约3.33 dB和1.82 dB的SNR增益；当k=4且BER为10
?2时，增益分别约为1.82 dB和1.52 dB；当k=6且SNR为25 dB时，FC-AE和CNN-AE的BER分别达到4.41×10
?2和3.38×10
?2，而CNN-LSTM-AE的BER为1.96×10
?2，展现出优越的误码性能。
**BLER性能分析：** 研究人员进一步分析了各系统在数据包传输层面的BLER性能。在清澈海洋信道中，当k=2且BLER为10
?4时，CNN-LSTM-AE相较于FC-AE和CNN-AE分别获得约2.86 dB和1.79 dB的SNR增益；在近岸海洋信道中，当k=2且BLER为10
?3时，增益分别约为4.52 dB和2.19 dB。所有调制阶数和信道条件下，CNN-LSTM-AE均保持最低的BLER，表明其优越的块传输可靠性。
**四、讨论与结论**
讨论部分指出，LSTM提供的时间建模对于缓解ISI至关重要，它使网络能够学习连续符号之间的统计依赖关系；CBAM通过自适应特征加权使网络聚焦于信号中最具信息量的部分，抑制信道引入的噪声；残差连接通过缓解深层网络中的梯度消失问题促进细微信号特征的学习。研究的一个潜在局限性在于依赖仿真信道模型，真实UWOC环境可能涉及湍流、动态指向误差和温度梯度等额外复杂性，未来应在实验性水下环境中验证系统性能。此外，LSTM层可能增加计算延迟，优化网络架构以降低延迟而不牺牲性能是未来研究方向。本研究尚未对信道延迟扩展、循环前缀长度和残余ISI功率之间的关系进行系统的定量表征，这一主题值得进一步深入探究。
结论部分指出，为解决水下DCO-OFDM通信系统中由光散射效应引起的延迟扩展和码间干扰问题，本文提出了基于CNN-LSTM-AE的端到端通信系统。在传统卷积自编码器的基础上，系统引入LSTM层捕获信号序列中的时间依赖性，增强对多径信道引起的ISI的抵抗能力；同时在编码器中嵌入CBAM，沿通道和空间维度自适应加权关键特征，并结合残差连接缓解梯度消失问题。接收端采用与发送端对称的结构，整个网络以端到端自监督方式联合训练，避免了传统通信系统各模块独立优化的局限。在两种典型信道环境下的仿真实验表明，所提系统在BER和BLER方面均一致优于FC-AE和CNN-AE基线系统。从应用角度来看，该系统适用于浑浊近岸水域中水下航行器与基站之间的高速数据链路、海底观测网络中传感器节点的上行传输以及水下作业现场的高清视频回传等场景，这些场景通常面临强多径干扰，系统对信道失真的自适应学习能力有助于降低误码率和上层重传，从而提高实际吞吐量。
