深度循环神经网络对水下光信道的非线性补偿

卢洪斌 祚 铨 卢 戈

1.百色学院；

2.广州市隆光信息技术有限责任公司

0 引言

在地球表面及其上的三维空间中已经可以实现高速通信信号的无缝覆盖，但是占地球表面70%以上的水面之下却仍然是宽带通信的盲区，还没有一种技术能实现高速、远距离和大范围的水下通信（UWC）。这是由于水下严重的信号衰减、复杂且强烈的时变非线性效应和不同水下区域信道特征的巨大差异所造成的。随着海洋资源开发利用的深化及军事国防领域的强大需求驱动，水下通信技术研究已具备极其重大的经济价值和战略意义。

吸收、散射和湍流是水下光通信信号衰减的主要因素，水下种类丰富的无机物、有机物和水分子本身会导致严重的光吸收衰减和散射，散射和湍流导致光偏离传播方向，使信号接收端获取的信号强度大为下降，同时散射导致的时延扩展不仅限制了通信的距离还限制了通信的速率。

本文根据水下光通信信道的非线性和时变特性等特点，设置水下光信道的各种特征参数，收集已有的水下光通信系统实验数据和仿真数据，利用深度循环神经网络（Deep Recurrent Neural Network，DRNN）模型的强大预测能力，解决非线性时变系统的信道补偿难题，取得了较好的非线性信道预补偿效果。

1 水下光信道非线性的补偿方法

1.1 水下光信道非线性特性

水下光信道的光学性质与水体组成成分、水体有机物和无机物分布与浓度、水温水压、水体含盐度、水深等密不可分，它们都会造成光吸收和散射的强弱大幅变化。目前，水下光信道的非线性时变特性对水下光通信系统的严重影响还没有有效的解决方法。

人工智能技术的发展，特别是深度学习广泛应用于各领域中所取得的突出效果，为解决水下光信道的非线性影响提供了新的途径。深度学习中的神经网络作为一种可以逼近任意非线性的方法，可以用于抑制或补偿系统非线性效应，比如利用深度神经网络通过监督学习可以补偿系统非线性的不利影响，聚类算法可以通过无监督学习增强非线性条件下的信号接收可靠性。这些抑制非线性影响的新技术完全可以用于水下光通信中，更好地解决复杂水下环境下的信号可靠传输的难题。

1.2 深度循环神经网络的搭建与水下光信道非线性的补偿

深度循环神经网络（DRNN）是一种具有短期记忆能力的神经网络，通常用于处理视频、语音、文本等与时序相关的问题。典型的循环神经网络及其按时间步展开结构如图1所示，它由输入层、隐藏层和输出层组成，隐藏层具备短期记忆的功能，隐藏层又被称为循环计算层。隐藏层内存储着每个时刻的状态信息ht，可用如下表达式表示：

图1 典型的循环神经网络及其按时间步展开结构

其中，Uxh为输入层到隐藏层神经元间的权重矩阵、Whh为各隐藏层前一时间步的神经元到下一时间步神经元之间的输入值的权重矩阵，bh为偏置，xt为当前时刻的输入特征，ht-1为隐藏层上一时刻存储的状态信息，tanh为激活函数。

当前时刻的输出状态Ot可表示为：

其中Vhy为隐藏层到输出层神经元间的权重矩阵、by为偏置、softmax为激活函数，输出层相当于一层全连接层。

循环神经网络有多个隐藏层时称之为深度循环神经网络。两个隐藏层的深度循环神经网络结构图如图2所示。本文采用此结构对水下光信道输出信号进行预测，通过接收到的多个连续时间步的光信号预估下一个时间步接收到的信号功率大小，从而确定调整光发射机输出功率的大小，实现非线性信道的补偿。

图2 两个隐藏层的深度循环神经网络结构图

本文搭建2层的深度循环神经网络，第一个隐藏层有32个神经元，第二个隐藏层有64个神经元，每层都采用20%的神经元舍弃比率。输入训练样本数为1024组数据，训练样本和测试样本均为从已有的水下光通信实验文献中整理得到的数据，循环核时间展开步为20步，每个时间步输入特征个数为1，此特征为水下光通信系统输出端输出的相同强度光信号经过光信道后接收到的光信号功率。测试集为384个样本，当训练完成后各权重矩阵和偏置参数已优化，深度循环神经网络即可对测试样本进行测试，测试结果与实际结果的均方误差或均方根误差作为评价预测准确度的指标，此指标给出了深度循环神经网络可以对水下光信道进行非线性补偿的程度。

2 RNN对水下光信道非线性的补偿

对深度循环神经网络训练过程中，需多次进行学习率和训练轮数的调整，本文设置学习率为0.0002、训练轮数为120时，得到了相对优化的网络结构参数。训练和验证过程中不同训练轮数对应的损失率大小如图3所示，从图3可见，当训练轮数小于20时，损失率快速下降，当训练轮数大于60时，损失率不再下降，验证集的损失率曲线波动比训练集的损失率曲线稍大。

图3 对应训练和验证的损失率曲线

通过对测试集进行测试以验证深度神经网络对水下光信道的仿真准确度，测试结果如图4所示，图4中横坐标为接收

到信号的时间序列，纵坐标为接收信号的功率，从图4可以看出预测的接收光信号功率变化曲线同实际的光信号接收功率变化曲线高度一致。测量得到的均方误差为0.411、均方根误差为0.641。图4的曲线显示了信号通过水下光信道后的接收信号的非线性变化情况，DRNN较好地预测了这一变化趋势。

图4 深度循环神经网络对光信道非线性预测结果

把图4的预测结果反馈控制水下光通信系统输出端的光发射功率，能补偿由于水下光信道非线性所造成的接收端接收信号强度波动所带来的不利影响。图5为深度循环神经网络对光信道非线性补偿的结果。从图4与图5可以看出，光信道非线性补偿前的接收光功率变化幅度约为37mW，补偿后接收光功率变化幅度降为约4mW，波动幅度仅为补偿前的10.81%，大幅改善了光信道非线性所带来的不利影响，这说明本文所提出的方法是可行的，也明确了人工智能技术在水下光通信领域是具备应用前景的。

图5 深度循环神经网络对光信道非线性补偿结果

3 总结与展望

本文提出的深度循环神经网络（DRNN）预补偿水下光信道非线性的方法，通过训练DRNN网络获得优化的各权重矩阵和偏置参数数值，从而实现对水下光信道非线性的补偿，补偿后的水下光通信系统接收光信号强度波动幅度仅为补偿前的10.81%，大幅降低了水下光信道非线性所带来的不利影响。

本方法尚未见国内外文献报道过，水下光信道复杂的非线性特性是其它常规通信技术难以处理的，引入人工智能方法可从全新的角度探讨水下光通信的问题。本文的水下光信道补偿方法还可以进一步优化，通过增加隐藏层的层数、调整神经元个数和循环核时间展开步数、选择更好的优化器，有望获得更好的水下光信道非线性补偿效果。通过引入神经网络的剪枝算法也将会明显地减少深度神经网络的训练时间，从而可将本文的补偿方法用于实时系统，实现深度学习技术在水下光通信领域的实际应用。