盧洪斌 祚 銓 盧 戈

1.百色學(xué)院；

2.廣州市隆光信息技術(shù)有限責(zé)任公司

0 引言

在地球表面及其上的三維空間中已經(jīng)可以實現(xiàn)高速通信信號的無縫覆蓋，但是占地球表面70%以上的水面之下卻仍然是寬帶通信的盲區(qū)，還沒有一種技術(shù)能實現(xiàn)高速、遠(yuǎn)距離和大范圍的水下通信（UWC）。這是由于水下嚴(yán)重的信號衰減、復(fù)雜且強(qiáng)烈的時變非線性效應(yīng)和不同水下區(qū)域信道特征的巨大差異所造成的。隨著海洋資源開發(fā)利用的深化及軍事國防領(lǐng)域的強(qiáng)大需求驅(qū)動，水下通信技術(shù)研究已具備極其重大的經(jīng)濟(jì)價值和戰(zhàn)略意義。

吸收、散射和湍流是水下光通信信號衰減的主要因素，水下種類豐富的無機(jī)物、有機(jī)物和水分子本身會導(dǎo)致嚴(yán)重的光吸收衰減和散射，散射和湍流導(dǎo)致光偏離傳播方向，使信號接收端獲取的信號強(qiáng)度大為下降，同時散射導(dǎo)致的時延擴(kuò)展不僅限制了通信的距離還限制了通信的速率。

本文根據(jù)水下光通信信道的非線性和時變特性等特點，設(shè)置水下光信道的各種特征參數(shù)，收集已有的水下光通信系統(tǒng)實驗數(shù)據(jù)和仿真數(shù)據(jù)，利用深度循環(huán)神經(jīng)網(wǎng)絡(luò)（Deep Recurrent Neural Network，DRNN）模型的強(qiáng)大預(yù)測能力，解決非線性時變系統(tǒng)的信道補(bǔ)償難題，取得了較好的非線性信道預(yù)補(bǔ)償效果。

1 水下光信道非線性的補(bǔ)償方法

1.1 水下光信道非線性特性

水下光信道的光學(xué)性質(zhì)與水體組成成分、水體有機(jī)物和無機(jī)物分布與濃度、水溫水壓、水體含鹽度、水深等密不可分，它們都會造成光吸收和散射的強(qiáng)弱大幅變化。目前，水下光信道的非線性時變特性對水下光通信系統(tǒng)的嚴(yán)重影響還沒有有效的解決方法。

人工智能技術(shù)的發(fā)展，特別是深度學(xué)習(xí)廣泛應(yīng)用于各領(lǐng)域中所取得的突出效果，為解決水下光信道的非線性影響提供了新的途徑。深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)作為一種可以逼近任意非線性的方法，可以用于抑制或補(bǔ)償系統(tǒng)非線性效應(yīng)，比如利用深度神經(jīng)網(wǎng)絡(luò)通過監(jiān)督學(xué)習(xí)可以補(bǔ)償系統(tǒng)非線性的不利影響，聚類算法可以通過無監(jiān)督學(xué)習(xí)增強(qiáng)非線性條件下的信號接收可靠性。這些抑制非線性影響的新技術(shù)完全可以用于水下光通信中，更好地解決復(fù)雜水下環(huán)境下的信號可靠傳輸?shù)碾y題。

1.2 深度循環(huán)神經(jīng)網(wǎng)絡(luò)的搭建與水下光信道非線性的補(bǔ)償

深度循環(huán)神經(jīng)網(wǎng)絡(luò)（DRNN）是一種具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)，通常用于處理視頻、語音、文本等與時序相關(guān)的問題。典型的循環(huán)神經(jīng)網(wǎng)絡(luò)及其按時間步展開結(jié)構(gòu)如圖1所示，它由輸入層、隱藏層和輸出層組成，隱藏層具備短期記憶的功能，隱藏層又被稱為循環(huán)計算層。隱藏層內(nèi)存儲著每個時刻的狀態(tài)信息ht，可用如下表達(dá)式表示：

圖1 典型的循環(huán)神經(jīng)網(wǎng)絡(luò)及其按時間步展開結(jié)構(gòu)

其中，Uxh為輸入層到隱藏層神經(jīng)元間的權(quán)重矩陣、Whh為各隱藏層前一時間步的神經(jīng)元到下一時間步神經(jīng)元之間的輸入值的權(quán)重矩陣，bh為偏置，xt為當(dāng)前時刻的輸入特征，ht-1為隱藏層上一時刻存儲的狀態(tài)信息，tanh為激活函數(shù)。

當(dāng)前時刻的輸出狀態(tài)Ot可表示為：

其中Vhy為隱藏層到輸出層神經(jīng)元間的權(quán)重矩陣、by為偏置、softmax為激活函數(shù)，輸出層相當(dāng)于一層全連接層。

循環(huán)神經(jīng)網(wǎng)絡(luò)有多個隱藏層時稱之為深度循環(huán)神經(jīng)網(wǎng)絡(luò)。兩個隱藏層的深度循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。本文采用此結(jié)構(gòu)對水下光信道輸出信號進(jìn)行預(yù)測，通過接收到的多個連續(xù)時間步的光信號預(yù)估下一個時間步接收到的信號功率大小，從而確定調(diào)整光發(fā)射機(jī)輸出功率的大小，實現(xiàn)非線性信道的補(bǔ)償。

圖2 兩個隱藏層的深度循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

本文搭建2層的深度循環(huán)神經(jīng)網(wǎng)絡(luò)，第一個隱藏層有32個神經(jīng)元，第二個隱藏層有64個神經(jīng)元，每層都采用20%的神經(jīng)元舍棄比率。輸入訓(xùn)練樣本數(shù)為1024組數(shù)據(jù)，訓(xùn)練樣本和測試樣本均為從已有的水下光通信實驗文獻(xiàn)中整理得到的數(shù)據(jù)，循環(huán)核時間展開步為20步，每個時間步輸入特征個數(shù)為1，此特征為水下光通信系統(tǒng)輸出端輸出的相同強(qiáng)度光信號經(jīng)過光信道后接收到的光信號功率。測試集為384個樣本，當(dāng)訓(xùn)練完成后各權(quán)重矩陣和偏置參數(shù)已優(yōu)化，深度循環(huán)神經(jīng)網(wǎng)絡(luò)即可對測試樣本進(jìn)行測試，測試結(jié)果與實際結(jié)果的均方誤差或均方根誤差作為評價預(yù)測準(zhǔn)確度的指標(biāo)，此指標(biāo)給出了深度循環(huán)神經(jīng)網(wǎng)絡(luò)可以對水下光信道進(jìn)行非線性補(bǔ)償?shù)某潭取?/p>

2 RNN對水下光信道非線性的補(bǔ)償

對深度循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，需多次進(jìn)行學(xué)習(xí)率和訓(xùn)練輪數(shù)的調(diào)整，本文設(shè)置學(xué)習(xí)率為0.0002、訓(xùn)練輪數(shù)為120時，得到了相對優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。訓(xùn)練和驗證過程中不同訓(xùn)練輪數(shù)對應(yīng)的損失率大小如圖3所示，從圖3可見，當(dāng)訓(xùn)練輪數(shù)小于20時，損失率快速下降，當(dāng)訓(xùn)練輪數(shù)大于60時，損失率不再下降，驗證集的損失率曲線波動比訓(xùn)練集的損失率曲線稍大。

圖3 對應(yīng)訓(xùn)練和驗證的損失率曲線

通過對測試集進(jìn)行測試以驗證深度神經(jīng)網(wǎng)絡(luò)對水下光信道的仿真準(zhǔn)確度，測試結(jié)果如圖4所示，圖4中橫坐標(biāo)為接收

到信號的時間序列，縱坐標(biāo)為接收信號的功率，從圖4可以看出預(yù)測的接收光信號功率變化曲線同實際的光信號接收功率變化曲線高度一致。測量得到的均方誤差為0.411、均方根誤差為0.641。圖4的曲線顯示了信號通過水下光信道后的接收信號的非線性變化情況，DRNN較好地預(yù)測了這一變化趨勢。

圖4 深度循環(huán)神經(jīng)網(wǎng)絡(luò)對光信道非線性預(yù)測結(jié)果

把圖4的預(yù)測結(jié)果反饋控制水下光通信系統(tǒng)輸出端的光發(fā)射功率，能補(bǔ)償由于水下光信道非線性所造成的接收端接收信號強(qiáng)度波動所帶來的不利影響。圖5為深度循環(huán)神經(jīng)網(wǎng)絡(luò)對光信道非線性補(bǔ)償?shù)慕Y(jié)果。從圖4與圖5可以看出，光信道非線性補(bǔ)償前的接收光功率變化幅度約為37mW，補(bǔ)償后接收光功率變化幅度降為約4mW，波動幅度僅為補(bǔ)償前的10.81%，大幅改善了光信道非線性所帶來的不利影響，這說明本文所提出的方法是可行的，也明確了人工智能技術(shù)在水下光通信領(lǐng)域是具備應(yīng)用前景的。

圖5 深度循環(huán)神經(jīng)網(wǎng)絡(luò)對光信道非線性補(bǔ)償結(jié)果

3 總結(jié)與展望

本文提出的深度循環(huán)神經(jīng)網(wǎng)絡(luò)（DRNN）預(yù)補(bǔ)償水下光信道非線性的方法，通過訓(xùn)練DRNN網(wǎng)絡(luò)獲得優(yōu)化的各權(quán)重矩陣和偏置參數(shù)數(shù)值，從而實現(xiàn)對水下光信道非線性的補(bǔ)償，補(bǔ)償后的水下光通信系統(tǒng)接收光信號強(qiáng)度波動幅度僅為補(bǔ)償前的10.81%，大幅降低了水下光信道非線性所帶來的不利影響。

本方法尚未見國內(nèi)外文獻(xiàn)報道過，水下光信道復(fù)雜的非線性特性是其它常規(guī)通信技術(shù)難以處理的，引入人工智能方法可從全新的角度探討水下光通信的問題。本文的水下光信道補(bǔ)償方法還可以進(jìn)一步優(yōu)化，通過增加隱藏層的層數(shù)、調(diào)整神經(jīng)元個數(shù)和循環(huán)核時間展開步數(shù)、選擇更好的優(yōu)化器，有望獲得更好的水下光信道非線性補(bǔ)償效果。通過引入神經(jīng)網(wǎng)絡(luò)的剪枝算法也將會明顯地減少深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，從而可將本文的補(bǔ)償方法用于實時系統(tǒng)，實現(xiàn)深度學(xué)習(xí)技術(shù)在水下光通信領(lǐng)域的實際應(yīng)用。