基于图像超分辨率的频道估计,用于在浅水上进行交叉交叉的直角切割,在浅水上进行多重交叉,在水下进行声学通信
Haoyang Liu1, Chuanlin He2, Yanting Yu3
1School of Ocean Technology Sciences, Qilu University of Technology (Shandong Academy of Science), Qingdao 266100, China.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
这项研究引入了深度学习方法,用于在水下声学 (UWA) 通信中对正交曲线分割多重复合 (OCDM) 中进行通道估计. 该方法在具有挑战性的浅水条件下显著提高了比特错误率的性能.
科学领域:
- 水下声学通信水下声学通信
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 浅水水下声学 (UWA) 通信系统面临多路径色和多普勒效应的挑战.
- 准确的通道状态信息对于强大的UWA通信性能至关重要.
- 坐标旋律分裂复杂化 (OCDM) 是UWA的一个有前途的调制技术,因为它固有的抵抗色和多普勒移动.
研究的目的:
- 为浅水UWA环境中的OCDM系统开发一种基于深度学习的新通道估计方法.
- 有效地解决通道扭曲和干扰,提高通信可靠性.
- 与传统方法相比,提高比特错误率 (BER) 的性能.
主要方法:
- 在OCDM系统中,通道估计被重新定义为矩阵完成问题,类似于图像超分辨率.
- 使用深度学习模型来解决矩阵完成问题,以准确地检索通道状态信息.
- 拟议的方法通过在浅水UWA通道条件下的模拟进行评估.
主要成果:
- 基于深度学习的道估计方法在传统估计器上表现出优异的性能.
- 比特错误率 (BER) 与OCDM系统中最小平均平方错误 (MMSE) 方法相比,实现了2.5dB的改进.
- 拟议的方法性能优于直角频率分割多重复合 (OFDM) 系统,在20dB SNR下降BER约53%.
结论:
- 深度学习提供了一种强大的工具,用于在具有挑战性的UWA环境中增强物理层通信性能.
- 拟议的矩阵完成方法有效地处理浅水UWA通道中的通道扭曲和时间变化的特征.
- 这种技术为可靠和高效的UWA通信系统提供了显著的优势.
