人工智能技术在水声通信中的应用研究

孙志敏

摘 要：自然环境的变化发展，海洋环境不断变化，从而影响到了水声信道系统，原有的水声通信技术不能更好地适应水声信道复杂的时空频率变化。人们加大了对能适应不同海洋环境下水声业务指标的通信机的研究力度，以期能在多变的气候条件下实现稳定的水声通信组的应用。人工智能的发展，为水声通信技术研究带来了新的思路。文章主要概述了人工智能技术在水声通信中的应用，包括物理层和网络层两个方面。

关键词：水声通信;人工智能技术;研究分析

0 引言

随着信息技术和科技水平的发展，在水声通信系统中引入了多种理论和技术研究成果，以更好地应对多变的海洋环境对信号的影响。但是分析当前发展现状，没有一种能适用于不同类海洋环境且能满足速率、距离等其他各项指标的水声通信机，无法实现大规模水声通信组网的应用，从而建立稳定性较强的海洋物联网。分析其原因，主要是海洋环境处于不断变化中，一些原有的理论技术不能进行实时、有效地根据变化进行自适应匹配设计。人工智能技术的发展，在通信、教育等社会多个领域发展中产生了重大的影响，要结合水声信道的特点和实际情况，加强对人工智能技术应用情况的分析。

1 水声通信人工智能技术概述

人工智能技术在不同的发展阶段呈现出不同特点，其在水声通信中的应用也随之发生了变化。传统的应用主要是智能算法，最典型的如蚁群算法等，后来逐渐发展到深层次的深度神经网络等算法，随着海洋环境动态变化和发展，水声信道的物理特性也发生了很大的变化，而与此相关的人工智能算法也在不断革新改变[1]。

1.1  主要思路

水声信道具有信道窄带宽、起伏大、噪声大、处于动态变化中等特点，水声领域发展中融入人工智能技术，需要选择与之适应的智能算法，分析水声通信中的典型问题，并对其进行不断改进[2]。具体问题包括以下几个方面。

其一，水声传输吸收衰减。海水对声波有一定的影响，其对声波吸收衰减，会随着频率提升而升高，导致水声通信客用的频率带宽相对较窄，影响到通信的速率。一般来讲，在100千米以内的传输距离中，可以使用的宽带不足1 kHz，需要通过降低通信距离的方式来提升通信的速率。人工智能发展背景下，海洋物联网的建立，主要是集中对高频短距离、宽带高速等研究，借助高速水声通信组网观测技术、数据交互技术等，对现有的毫米波水声通信技术进行研究，但是这种技术背景下，其通信距离仍然相对较短，一般局限于几百米[3]。

其二，水声传输时空存在很大不确定性。在水域环境下，声波的低速传播，会带来水声数据传输延时等问题。一般来讲，同一信号的声波，经过不同的线路到达接收端，有多途时延误差的问题，尤其是在不同的海洋环境下，可能会存在毫秒级差异，而这种不确定的大时延，会增加数据段数据处理的难度，导致信号在某些频率下增强或者衰落的现象，增加空间选择等不确定性[4]。

其三，水声传输的时空存在不确定性。受潮汐、波浪等影响，水下通信设备收发端会出现漂移问题，水下航行器也会存在运动变化，这些运动速度相对较低，但是声波在水中也属于低速传播，导致水声数据传输出现多普勒扩展的特点，引起某一时刻信号增强或削弱，出现较大的起伏，而不同海洋环境下，这一不确定性变化更加明显。

其四，海洋噪声干扰。潮汐、波浪、生物活动及海上交通等，都会对整体的海洋环境带来噪声干扰，加上水下通信设备频段的影响，给水声信号接收带来很大的干扰，利用神经网络等人工智能技术能对这一问题加以解决[5]。

其五，通信敏感性、保密性要求高。水声通信及组网在当前的社会经济、军事等领域应用价值较大，海洋物联网的建立，水声数据具有较强的敏感性，且需要做好保密工作。借助人工智能技术发展中的水声物理层防攻击认证、网络层的防干扰攻击，都能有效解决这一问题。

1.2  人工智能在水声领域的算法应用分析

结合对水声信道及数据传输等特点的分析，已尝试在不同的场景中积极运用一些人工智能算法。一种是水声探测和通信领域，主要是物理层面，包括了识别目标、预测质量，对水声加以定位等。另一种主要是水声组网，主要是应用于网络层面，包括路由选择、网络分簇。

在初期发展阶段，人工智能技术与水声通信的应用相对较少，人工智能只是被当作相对较好的算法，用以解决具体的问题。随着人工智能技术的不断发展和应用领域的增多，一种以深度网络神经、深度学习等为特征的人工智能技术，被广泛应用于水声信号分类的调制、接收机处理、网络协议等方面，在海洋物联网发展框架中，实现水声通信网络与人工智能的融合研究。

2 人工智能技术在水声通信中的应用

2.1  物理层中的应用

其一，水声目标的识别。在研究中，Roberts等将采集到的9种不同种类的鱼，对每条鱼设置200多个回升数据，并根据其特征设计决策融合、协作融合等算法，在不需要对视图几何形状进行假设研究的同时，可以对不同鱼类的视图宽带声学加以分类，一定程度上降低了错误率[6]。此外，应用研究相对较多的还有深度卷积神经网络、支持向量、深度信念网络模型等，通过此对水声目标数据进行收集测试。

其二，水声目标的定位。主要是利用人工智能技术中的深度神经网络设计距离计算法，或者是在传统锚节点基础算法基础上，引进迭代计算等，提升定位的精确度，在研究中也有将支持向量机技术应用到水下目标定位的研究的实例。

其三，水声信道的估计均衡。具体包括基于粒子群算法的自適应决策反馈均衡器的运用，还有的研究在对人工智能分析的基础上，提出了基于深度神经网络的信道估计器，基于向量机的水声信道盲均衡算法等。

其四，自适应调制通信技术。主要是在强化学习Dyna-Q算法的基础上，分析得出水声自适应调制的策略，也有借助向量机、伪线性判别法等对编码进行调制和分类，提升编码调制的效果。

其五，水声通信质量预测。在水声通信性能变化研究中，考虑风速、抄袭等环境因素，还要考虑设备自身的参数，运用机遇逻辑回归机器学习模型进行研究，对水声通信时空变化及性能进行预测。

在通信物理层的应用中，人工智能技术的运用，加强了水声自适应调制技术、通信质量预测技术等研究力度，未来发展中，新型人工智能技术的研究是水声领域的重要研究技术，如变水声信道单载波通信接受技术，是人工智能技术在物理层应用的关键点。

2.2  网络层中的应用

通信网络层面的研究应用中，主要包括水声网络路由协议及网络安全等方面。网络路由协议中，运用基于多种群萤火虫算法，设计协调规则，还有的运用蚁群算法、人工鱼群算法、Q-leaning算法等。水生网络安全的研究中，提出了通过强化学习物理层认证对通信网络中的欺诈行为进行识别，还有包括基于深层Q网络的抗干扰攻击数据传输框架，侧重其在水声网络安全方面的研究。除此之外，水声网络安全中，还包括水声网络拓扑分簇、节点功率分配等研究。

3 结语

综上所述，人工智能技术在水声通信中的应用研究，随着海洋环境的变化、水声通信技术的革新等也在不断变化，未来发展中，人工智能技术与水声通信交叉研究主要是针对海洋大环境变化、水通信样机的适应性、海试成本高等方面。

[参考文献]

[1]张育芝，张效民，王安义，等.水声通信网络信道建模与仿真研究进展[J].科学技术与工程，2021（4）：1249-1261.

[2]韩东，贺寅，陈立军，等.水下通信技术及其难点[J].科技创新与应用，2021（1）：155-159.

[3]王领，申晓红，张之琛，等.一種适用于水声移动通信同步检测的组合滤波器[J].西北工业大学学报，2020（5）：919-927.

[4]杨健敏，乔钢，刘凇佐，等.定向传输水声通信网络介质访问控制协议[J].声学学报，2020（5）：675-682.

[5]陈友淦，许肖梅.人工智能技术在水声通信中的研究进展[J].哈尔滨工程大学学报，2020（10）：1536-1544.

[6]王诗雨.水声通信自适应调制技术与MAC协议研究[D].上海：上海交通大学，2018.

（编辑 何 琳）