《Applied Ocean Research》：Kernel adaptive filter-based channel prediction for adaptive underwater acoustic OFDMA system
編輯推薦：
在水下聲學（UWA）通信面臨多徑效應、帶寬有限等難題的背景下，研究人員開展了基于動態自適應遺忘稀疏內核遞歸最小二乘（DAFS-KRLS）模型的研究。結果顯示該模型預測性能佳，能提升 UWA 通信系統效率。這為水下通信技術發展提供了新方向。
在廣闊的海洋世界中，水下聲學（UWA）通信就像一座連接人類與神秘海底的橋梁，對海洋探索起著至關重要的作用。然而，這座 “橋梁” 卻面臨著諸多挑戰。UWA 通信的信號傳播速度緩慢，就像是在海底 “爬行”；帶寬也十分有限，如同狹窄的通道，限制了數據傳輸的量；多徑效應更是讓信號如同迷路的孩子，在傳播過程中四處散射，嚴重影響通信質量；還有多普勒頻移，使得信號的頻率不斷變化，進一步干擾了通信的穩定性。這些問題極大地阻礙了 UWA 通信系統和網絡性能的提升。
為了攻克這些難題，推動水下通信技術的發展，研究人員開展了一項關鍵研究。他們聚焦于時間變化的 UWA 信道預測，旨在為自適應正交頻分多址（OFDMA）系統提供更精準的信道預測支持。通過不懈努力，研究人員提出了動態自適應遺忘稀疏內核遞歸最小二乘（DAFS-KRLS）模型。該研究成果意義重大，相關論文發表在《Applied Ocean Research》上。它為解決 UWA 通信中的信道預測問題提供了新的有效方案，有望大幅提升水下通信的可靠性和效率，助力海洋探索事業邁向新的高度。
在研究方法上，研究人員主要采用了以下關鍵技術：
- 構建 UWA OFDMA 系統模型：詳細設計了 OFDMA 通信系統，利用 OFDM 信號傳輸數據，并設置循環前綴（CP）來減少符號間干擾（ISI）。同時，采用正交匹配追蹤（OMP）算法進行信道估計，還使用了聯合子載波 - 比特 - 功率自適應分配算法優化資源分配。
- 建立預測模型：提出 DAFS-KRLS 算法，結合內核方法和遞歸最小二乘，通過動態遺忘因子自適應調整過去數據的權重。并采用離線 - 在線訓練框架，利用歷史數據預訓練模型，再結合實時數據更新，提高模型的實時適應性和穩定性。
- 性能評估：使用南海陵水海域的海試數據進行實驗，對比了 DAFS-KRLS 模型與基于遞歸最小二乘（RLS）、近似線性依賴 KRLS（ALD-KRLS）和卷積神經網絡 - 長短期記憶網絡（CNN-LSTM）的預測模型。評估指標包括平均絕對百分比誤差（MAPE）、均方根誤差（RMSE）、誤碼率（BER）和有效吞吐量等。
研究結果如下：
- 預測結果：在不同信道條件下，對比了四種預測模型的性能。結果表明，在信道 B 中，DAFS-KRLS 的累積分布函數（CDF）斜率最陡，預測性能最佳；在信道 A 中，DAFS-KRLS 和 CNN-LSTM 獲得較小預測誤差的概率更高。在模擬不同海洋場景的實驗中，DAFS-KRLS 在數據稀缺情況下，性能顯著優于 CNN-LSTM；在數據豐富時，二者表現相當。
- 基于預測模型的 UWA OFDMA 系統性能評估：在 UWA OFDMA 系統模擬中，隨著信噪比（SNR）增加，各預測模型的預測準確性提高。DAFS-KRLS 在信道 B 中的預測準確性最高，其誤碼率（BER）低于其他模型，有效吞吐量最高。在實驗數據測試中，DAFS-KRLS 同樣展現出良好的性能，其誤碼率低于基于過時信道狀態信息（CSI）的系統，與基于當前 CSI 的系統相近。
- 計算復雜度討論：分析了各預測方法的計算復雜度，發現 RLS、ALD-KRLS 和 DAFS-KRLS 算法的計算復雜度比 CNN-LSTM 低一個數量級，而 DAFS-KRLS 在保證較低計算成本的同時，實現了較高的預測精度。
研究結論和討論部分指出，DAFS-KRLS 模型在時變 UWA 信道預測中表現出色，通過動態遺忘因子平衡歷史和當前數據，結合離線 - 在線訓練機制，提高了預測準確性和實時適應性。與數據密集型的 CNN-LSTM 相比，DAFS-KRLS 在有限訓練樣本下仍能保持高精度，在實際應用中具有很大優勢。不過，該模型也存在一些局限性，如計算復雜度隨內核矩陣維度增加而上升，性能依賴信道稀疏性，對快速變化的信道適應性有限等。未來研究可探索混合架構，結合輕量級深度學習處理密集多徑，利用邊緣計算降低延遲，并在更多場景中進行驗證，以進一步提升其性能和魯棒性。這項研究為水下通信技術的發展提供了重要的理論和實踐基礎，對推動海洋探索和相關領域的發展具有重要意義。
