付曉梅，賈碧群，王思寧

（天津大學(xué) 海洋科學(xué)與技術(shù)學(xué)院，天津 300072）

水聲通信在海洋信息數(shù)據(jù)采集、環(huán)境監(jiān)測、沿海石油勘探等方面發(fā)揮著重要的作用.水聲信道由于具有快時變、窄帶寬、顯著的多徑效應(yīng)和多普勒頻移等特性，是最復(fù)雜的信道之一[1]，在水聲通信系統(tǒng)中需要準(zhǔn)確估計和跟蹤信道狀態(tài)信息（CSI）.

近年來，將深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）引入水聲通信的接收端，取得了一些積極進(jìn)展，文獻(xiàn)[2]利用深度神經(jīng)網(wǎng)絡(luò)代替信道估計模塊，與最小二乘（LS）算法相比提高了信道估計的精度；文獻(xiàn)[3]利用深度神經(jīng)網(wǎng)絡(luò)直接代替信道估計與均衡，提高了系統(tǒng)的可靠性；文獻(xiàn)[4]使用深度神經(jīng)網(wǎng)絡(luò)代替接收端的解調(diào)、信道估計與均衡及星座圖解映射幾個部分，較大程度地降低了系統(tǒng)誤碼率.

與僅用于接收端的DNN 模型不同，自動編碼器（Autoencoder，AE）是一種由收發(fā)端兩個神經(jīng)網(wǎng)絡(luò)模塊組成的模型，通常，AE 模型中發(fā)送端網(wǎng)絡(luò)用于編碼，接收端網(wǎng)絡(luò)用于解碼[5-7]；文獻(xiàn)[8]提出利用自動編碼器構(gòu)建端到端的通信系統(tǒng)，將通信系統(tǒng)的接收端和發(fā)送端用自動編碼器替代，結(jié)果表明基于該自動編碼器的系統(tǒng)性能優(yōu)于傳統(tǒng)的無線通信系統(tǒng)；文獻(xiàn)[9]將整個系統(tǒng)均用自動編碼器表示，包括編碼器、信道正則器和解碼器幾個部分，以便更加準(zhǔn)確地恢復(fù)輸入的信號；文獻(xiàn)[10]利用自動編碼器實現(xiàn)一個端到端的通信系統(tǒng)，并將這一思路拓展到MIMO 系統(tǒng)中；文獻(xiàn)[11]將自動編碼器應(yīng)用到OFDM 系統(tǒng)，利用自動編碼器代替OFDM 的發(fā)送端和接收端，結(jié)果表明在多徑信道環(huán)境下，基于自動編碼器的OFDM 系統(tǒng)比傳統(tǒng)方法能更好地進(jìn)行信道均衡和頻率偏移補償.然而，現(xiàn)有的大部分的深度神經(jīng)網(wǎng)絡(luò)均在無線通信中應(yīng)用廣泛，由于水聲信道特征與陸上無線通信的信道具有不同的特性，現(xiàn)有的深度學(xué)習(xí)模型無法直接應(yīng)用于水聲通信中.研究過程中我們發(fā)現(xiàn)，大部分現(xiàn)有基于深度學(xué)習(xí)的系統(tǒng)只是把深度神經(jīng)網(wǎng)絡(luò)當(dāng)做一個“黑盒子”，沒有針對信道環(huán)境進(jìn)行設(shè)計與優(yōu)化，缺乏考慮實際測試場景的因素，無法根據(jù)特定的場景環(huán)境進(jìn)行迅速調(diào)整，離線完成訓(xùn)練的網(wǎng)絡(luò)無法適用于有一定變化的測試環(huán)境.

注意力（Attention）模型將網(wǎng)絡(luò)的權(quán)重重新分布，使注意力專注于重要的輸入，當(dāng)神經(jīng)網(wǎng)絡(luò)處理大量的輸入信息時，可以借鑒人腦的注意力機制，只選擇一些關(guān)鍵的信息進(jìn)行處理并規(guī)避干擾，從而增加網(wǎng)絡(luò)提取特征的能力.利用Attention 網(wǎng)絡(luò)的特點，文獻(xiàn)[12] 將Attention 網(wǎng)絡(luò)設(shè)計成層疊結(jié)構(gòu)用于全局圖像的感知與識別，以達(dá)到更加精準(zhǔn)的圖片分類結(jié)果；文獻(xiàn)[13]中提出了一種順序注意模型處理圖像字幕，通過考慮相應(yīng)的順序關(guān)系來處理視覺注意，從而很好地利用了單詞內(nèi)在聯(lián)系來增強句子解碼過程中的視覺信息；文獻(xiàn)[14]提出了一種基于殘差學(xué)習(xí)和時空注意力機制的卷積神經(jīng)網(wǎng)絡(luò)（R-STAN），使其更加注重區(qū)分時間和空間特征，解決了視頻中存在著大量的時空冗余信息的問題.

為了提高適應(yīng)性，本文在傳統(tǒng)OFDM 水聲通信系統(tǒng)中加入AE，并引入一種針對水聲信道的Attention 機制，該機制能夠增加網(wǎng)絡(luò)提取水聲信道特征的能力，并保留了具體的通信模塊，如編碼、星座映射、調(diào)制、加循環(huán)前綴等過程，避免了整個基于Attention-Autoencoder 的水聲通信系統(tǒng)成為一個巨大的“黑匣子”，使系統(tǒng)的可控性和環(huán)境適應(yīng)性大大提高.

1 基于Attention-Autoencoder 的水聲通信系統(tǒng)

基于Attention-Autoencoder 模型的水聲通信系統(tǒng)框圖如圖1 所示.發(fā)送端的輸入是隨機生成的，經(jīng)過星座圖映射為符號，符號映射方式為QPSK，串并變換后進(jìn)行快速傅里葉算法逆變換（inverse fast Fourier transform,IFFT），從頻域信號X（k）獲得時域信號，記作X（n）∈RM.將進(jìn)入自動編碼器的發(fā)送端網(wǎng)絡(luò)訓(xùn)練后記作x′（n），為了降低符號間干擾和子載波間干擾，在x′（n）的前端插入循環(huán)前綴（CP），得到t（n）∈RN.進(jìn)入Attention 網(wǎng)絡(luò)后，通過激勵函數(shù)Tanh層和Softmax 層得到概率權(quán)重后再與原輸入h（n）相乘，其目的是通過Softmax 激活層將輸入的權(quán)重進(jìn)行調(diào)整，更加忽略或側(cè)重某個輸入，從而更專注于找到未知水聲信道的顯著有效信息，這樣可以有效篩選數(shù)據(jù)，使系統(tǒng)的泛化能力提高，最后將Attention 網(wǎng)絡(luò)的輸出還原成復(fù)數(shù)形式h′（n），再將信道h（n）與信號進(jìn)行卷積，M 表示信號的長度，N 表示信號t（n）的長度.卷積過程如式（1）所示：

圖1 基于Attention-Autoencoder 模型的水聲通信系統(tǒng)Fig.1 Underwater acoustic communication system based on Attention-Autoencoder model

式中：?表示卷積計算；h′（n）∈RN和w（n）∈RN分別表示時域信道響應(yīng)和加性噪聲；r（n）表示接收信號.

本文選用由Stojanovic 等[15]提出的典型的水聲通信（UWA）信道模型，考慮了聲波傳播的物理特性以及隨機變化的影響，公式表示為：

式中：hp和τp表示第p 徑的路徑增益和延時，屬于大尺度參數(shù)；是關(guān)于所有路徑的具有濾波器效應(yīng)的幅度矩陣.路徑系數(shù)表示覆蓋多個波長的位移，其中ap=vp/c 是多普勒因子，用于表示多普勒頻移的大小，其中vp是發(fā)射器和接收器的相對速度，c 表示聲速.

在接收端，接收信號首先移除循環(huán)前綴，然后經(jīng)過串并變換轉(zhuǎn)換成并行數(shù)據(jù)，記為r（n）.并行信號經(jīng)過快速傅里葉變換（fast Fourier transform，F(xiàn)FT）將時域信號轉(zhuǎn)換為頻域信號，將復(fù)數(shù)信號的實部與虛部分開進(jìn)入自動編碼器的接收端進(jìn)行訓(xùn)練.

2 Attention-Autoencoder 網(wǎng)絡(luò)模型

2.1 Attention 網(wǎng)絡(luò)

Attention 網(wǎng)絡(luò)模塊放置于水聲信道處，用于對水聲信道進(jìn)行權(quán)重的調(diào)整，篩選有效數(shù)據(jù)從而增加網(wǎng)絡(luò)提取特征的能力.為了權(quán)衡輸入項的重要性，需要計算輸入狀態(tài)和輸出狀態(tài)之間的相關(guān)性，為此，添加了Tanh 激勵函數(shù)層，相應(yīng)的相關(guān)值可以表示為：

式中：hn（i）表示第i 個輸入項與輸出狀態(tài)之間的相關(guān)值是注意模塊中的網(wǎng)絡(luò)訓(xùn)練參數(shù).

然后，通過Softmax 層對相關(guān)值進(jìn)行歸一化，公式可以表示為：

式中：歸一化相關(guān)值α（i）反映了第i 個輸入項的權(quán)重；T 為神經(jīng)元的個數(shù).

將α（i）再與Attention 神經(jīng)網(wǎng)絡(luò)的原輸入h（n）相乘，公式可以表示為：

式中：α（·）表示Attention 網(wǎng)絡(luò)訓(xùn)練出輸入調(diào)整的權(quán)重，h（n）表示網(wǎng)絡(luò)的原輸入，得到的Sn（i）是進(jìn)行權(quán)重調(diào)整過的水聲信道，這樣做的目的可以極大程度上削減水聲信道中的其他較小徑，保留最大徑，減小多徑干擾.

最后利用公式（6）將信道與信號進(jìn)行卷積計算，實現(xiàn)了在TensorFlow 平臺中信號與信道的卷積，因為目前復(fù)數(shù)計算不受深度學(xué)習(xí)平臺的支持.該公式表示為：

具體的Attention 網(wǎng)絡(luò)模塊展開表示為圖2，輸入輸出均為1 024，隱含層設(shè)為兩層，神經(jīng)元個數(shù)分別為600 和300.

圖2 Attention 網(wǎng)絡(luò)模塊結(jié)構(gòu)Fig.2 The network structure of Attention module

為了探究改變Attention 隱含層層數(shù)對整個網(wǎng)絡(luò)系統(tǒng)的影響以確定最適合該網(wǎng)絡(luò)模型的層數(shù)，在其他網(wǎng)絡(luò)結(jié)構(gòu)條件不變的情況下，將該網(wǎng)絡(luò)設(shè)置了不同的隱含層層數(shù)去評估整個系統(tǒng)的性能，分別對比了網(wǎng)絡(luò)隱含層數(shù)為2、3 和4 的情況，對比結(jié)果如圖3所示.從圖中可以看出，當(dāng)隱含層為3 層時系統(tǒng)結(jié)果沒有層數(shù)為2 時好，當(dāng)隱含層增加為4 層時，系統(tǒng)的性能也沒有進(jìn)一步的提高，反而系統(tǒng)誤碼率比隱含層層數(shù)為3 時要高，該結(jié)果也符合了一些文獻(xiàn)所提到的增加隱含層網(wǎng)絡(luò)層數(shù)不能無限提高網(wǎng)絡(luò)擬合精確度的結(jié)論，并且隨著層數(shù)的增多會嚴(yán)重影響網(wǎng)絡(luò)訓(xùn)練的速度，因此將該Attention 網(wǎng)絡(luò)的隱含層層數(shù)確定為2.

圖3 不同Attention 網(wǎng)絡(luò)隱含層層數(shù)的對比Fig.3 Comparison of the number of different hidden layers in the Attention network

2.2 Autoencoder 網(wǎng)絡(luò)

自動編碼器（Autoencoder，AE）網(wǎng)絡(luò)發(fā)送端和接收端的結(jié)構(gòu)簡圖如圖4 和5 所示，它們的網(wǎng)絡(luò)結(jié)構(gòu)為輸入層、隱含層和輸出層.自動編碼器發(fā)送端的網(wǎng)絡(luò)輸入和輸出的神經(jīng)元個數(shù)均為1 024，當(dāng)激勵函數(shù)ReLU 在輸入數(shù)值小于0 時，所有輸入均被視為0，從而導(dǎo)致相應(yīng)的權(quán)重參數(shù)不會迭代，降低了網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確性，因此本文選擇使用Leaky_ReLU 函數(shù).

圖4 Autoencoder 發(fā)送端網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The network structure of Autoencoder transmitter

在自動編碼器的接收端，網(wǎng)絡(luò)的輸入層、輸出層的神經(jīng)元個數(shù)分別為1 024 和16，所發(fā)送的數(shù)據(jù)的每16 個比特被獨立地分組和訓(xùn)練，隱含層一共有三層，神經(jīng)元個數(shù)分別是500、240、120，初始的學(xué)習(xí)率設(shè)為0.000 1.輸出層的激勵函數(shù)選擇Sigmoid，因為Sigmoid 函數(shù)會將輸出壓縮為[0，1]，符合自動編碼器的輸出為比特的實際物理意義.

圖5 Autoencoder 接收端網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 The network structure of Autoencoder receiver

3 網(wǎng)絡(luò)訓(xùn)練

Attention-Autoencoder 網(wǎng)絡(luò)模型以端到端的方式訓(xùn)練信號數(shù)據(jù)，該模型使用離線訓(xùn)練結(jié)合在線測試的方式以減少運行所消耗的時間.基于Bellhop 的水聲信道模型獲得不同環(huán)境下的訓(xùn)練和測試數(shù)據(jù)集，訓(xùn)練集與測試集的樣本個數(shù)分別為400 和100，并結(jié)合真實實驗環(huán)境1、2、3、4 進(jìn)行進(jìn)一步驗證.OFDM 水聲通信系統(tǒng)的參數(shù)如表1 所示，在每次仿真中會隨機生成0，1 序列作為系統(tǒng)的輸入數(shù)據(jù)流，分別表示為導(dǎo)頻信息與信號信息，其比值為1 ∶1，導(dǎo)頻插入方式為塊狀導(dǎo)頻.經(jīng)網(wǎng)絡(luò)傳輸后接收到的數(shù)據(jù)和原始生成的隨機傳輸數(shù)據(jù)被稱為訓(xùn)練數(shù)據(jù).神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中通過調(diào)整每個神經(jīng)元的權(quán)重，最小化輸出Y（k）與輸入X（k）之差.

表1 參數(shù)訓(xùn)練設(shè)置Tab.1 The parameters of training

本文使用輸入與輸出之差平方的總和表示該模型的損失函數(shù)如公式（7）所示：

由于聲信號在水下傳播緩慢，一般在陸地?zé)o線通信中多徑時延是微秒級，而在水聲通信中多徑延時是毫秒級，幾十甚至是幾百毫秒.因此，水聲通信傳播需要更長的信號符號周期和更小的信號間隔.本文增加了自動編碼器接收端的層數(shù)和每層的神經(jīng)元來匹配水聲信道相對于無線信道更加復(fù)雜的環(huán)境，以更精準(zhǔn)的還原出原信號.

4 仿真實驗與分析

4.1 水聲信道環(huán)境

本文基于Stojanovic 等[15]模擬了7 種不同的環(huán)境如表2 所示，用來測試系統(tǒng)對環(huán)境的適應(yīng)性.分別考慮傳輸距離、最大時延擴展和多普勒頻移幾個影響因素.

表2 水聲信道環(huán)境參數(shù)設(shè)置Tab.2 Configurations of underwater acoustic channel environment

4.2 Attention 網(wǎng)絡(luò)對水聲信道沖激響應(yīng)的影響

為了驗證上述Attention 網(wǎng)絡(luò)的效果與作用，我們將未經(jīng)過Attention 網(wǎng)絡(luò)的水聲信道沖激響應(yīng)與經(jīng)過Attention 網(wǎng)絡(luò)后的水聲信道沖激響應(yīng)歸一化后進(jìn)行了對比，如圖6 所示.

圖6 比較了利用仿真環(huán)境2 訓(xùn)練模型、用仿真環(huán)境3 進(jìn)行測試，經(jīng)過Attention 網(wǎng)絡(luò)和未經(jīng)過Attention 網(wǎng)絡(luò)的水聲信道沖激響應(yīng)，從圖中可以看到，經(jīng)過Attention 網(wǎng)絡(luò)后的信道多徑數(shù)明顯減少，只保留了水聲信道中的最大徑，這表明利用Attention網(wǎng)絡(luò)機制可以有效地對水聲信道多徑信息進(jìn)行篩選，盡量保留最大的信道沖激響應(yīng)，過濾抑制其他的較小徑，這種設(shè)計針對強多徑的水聲信道具有較好的實際物理意義.

4.3 相同環(huán)境下不同的信道估計方法的影響

圖7 對比了訓(xùn)練集與測試集相同環(huán)境下（模型在環(huán)境2 下訓(xùn)練，環(huán)境2 下測試）不同信道估計方法，將本文設(shè)計的基于Attention-AE 的系統(tǒng)、未加Attention 的AE 系統(tǒng)、AE[11]和DNN 接收機[4]相比，對系統(tǒng)進(jìn)行評估.從圖中可以看出在不同信噪比（SNR）下Attention-AE 系統(tǒng)誤碼率始終最低，不僅優(yōu)于基于傳統(tǒng)的信道估計方式LS 和最小均方誤差（MMSE）的系統(tǒng)，且相較于不加Attention 的AE 系統(tǒng)、文獻(xiàn)中AE 和DNN 接收機系統(tǒng)，該Attention-AE系統(tǒng)的性能更佳，并在信噪比為25 dB 時的誤碼率（BER）達(dá)到了10-4，而基于AE 的系統(tǒng)只達(dá)到10-3.因此可以得出，本文設(shè)計的基于Attention-AE模型的水聲通信系統(tǒng)可以對信道進(jìn)行有效篩選，減小多徑對信號的影響，使得系統(tǒng)的性能進(jìn)一步提高，誤碼率水平優(yōu)于基于傳統(tǒng)的信道估計方法和AE 的系統(tǒng).

圖7 不同的信道估計方法下的BER 比較Fig.7 BER curves of different methods for channel estimation

4.4 隨機多普勒頻移改變的影響

圖8 為基于AE[11]與Attention-AE 的系統(tǒng)在測試集為不同范圍的隨機多普勒頻移下的誤碼率（BER）對比圖，網(wǎng)絡(luò)模型均在仿真環(huán)境2 下訓(xùn)練.從圖中可以看出測試集中不同范圍的多普勒頻移對基于AE 和Attention-AE 的系統(tǒng)都有一定的影響，且隨著多普勒頻移的增大，誤碼率也隨之增大.相比之下，基于Attention-AE 系統(tǒng)的誤碼率曲線比基于AE系統(tǒng)的誤碼率曲線低很多，說明基于Attention-AE的系統(tǒng)有較為出色的泛化能力并可以更好地適應(yīng)與訓(xùn)練集相比變化較大的測試集.

圖8 隨機多普勒頻移下的BER 比較Fig.8 BER curves of different random Doppler shift

4.5 訓(xùn)練集環(huán)境與測試集環(huán)境相同和不同的影響

圖9 比較了在訓(xùn)練集環(huán)境與測試集環(huán)境相同和不同時基于AE[11]和Attention-AE 的系統(tǒng)在0～25 dB不同信噪比下的BER 曲線.環(huán)境相同時為兩種模型在環(huán)境2 下訓(xùn)練，在環(huán)境2 下測試；環(huán)境不同時為兩種模型在環(huán)境2 下訓(xùn)練，環(huán)境5 下測試.從曲線可以看出兩種模型對環(huán)境的適應(yīng)程度不同，基于AE 的系統(tǒng)在訓(xùn)練集與測試集環(huán)境不同時誤碼率與環(huán)境相同時相比有較大幅度的變化，說明基于AE 的系統(tǒng)對環(huán)境的改變較為敏感，對環(huán)境的適應(yīng)性較差，基于Attention-AE 的系統(tǒng)在環(huán)境不同時的誤碼率曲線與基于Attention-AE 和AE 的系統(tǒng)在環(huán)境相同時的曲線基本重合，說明基于Attention-AE 的系統(tǒng)對環(huán)境的適應(yīng)性非常強，表明本文提出的網(wǎng)絡(luò)模型對環(huán)境適應(yīng)性的提升是有效的.

圖9 測試集環(huán)境相同和不同條件下的BER 比較Fig.9 BER curves under the same and different environment between train and test

4.6 傳輸距離改變的影響

圖10 分析的是傳輸距離改變對基于AE 和Attention-AE 的系統(tǒng)BER 曲線的影響，從圖中可以看出文獻(xiàn)[11]中的AE 模型對環(huán)境的適應(yīng)性（對傳輸距離的改變敏感）較差，誤碼率一直較高.而Attention-AE 模型展現(xiàn)了良好的環(huán)境適應(yīng)性，可以在環(huán)境變動較大時仍得到較為良好的測試結(jié)果.

圖10 自動編碼器與AE-Attention在不同傳輸距離下的BER 比較Fig.10 BER curves of different transmission distances based on AE and AE-Attention

5 湖試實驗結(jié)果與分析

基于AE[11]和Attention-AE 的系統(tǒng)也在真實實驗上得到了驗證.相關(guān)實驗在天津大學(xué)衛(wèi)津路校區(qū)敬業(yè)湖進(jìn)行，實驗采用設(shè)備采集卡NI-4431，4432，WBT22-1601 水聲換能器，Brüel &Kj?r 8104 水聽器.試驗區(qū)水深為6 m.

AE 和Attention-AE 模型均用仿真環(huán)境2 進(jìn)行訓(xùn)練，分別用實驗環(huán)境1（傳輸距離6 m）、實驗環(huán)境2（傳輸距離100 m）、實驗環(huán)境3（傳輸距離300 m）和實驗環(huán)境4（傳輸距離300 m，隨機多普勒頻移約為0～10 Hz）進(jìn)行測試，實驗環(huán)境4 的隨機多普勒頻移由實驗者以約0.6 m/s 的速度攜帶水聽器單向移動所得.實驗發(fā)送端的水聽器發(fā)送信號，實驗接收端的水聽器接收信號，利用最小二乘法（LS）估計方法得到真實的水聲信道后作為模型的測試集測試模型的性能.實驗的一些主要參數(shù)：載波中心頻率fc=25 kHz，子載波個數(shù)N=1 024，帶寬B=8 kHz，發(fā)送端與接收端的采樣率均為96 kHz.

圖11 為仿真環(huán)境2 和實驗環(huán)境1、2、3 和4 的信道沖激響應(yīng)，可以看出仿真環(huán)境的最大多徑時延擴展約為25 ms，實驗分別約為12 ms、30 ms、27 ms和37 ms.

圖11 仿真環(huán)境2，實驗環(huán)境1、2、3 和4 信道沖激響應(yīng)Fig.11 Channel impulse responses of experiment environment 1，2，3，4 and simulation environment 2

圖12 比較了利用仿真環(huán)境2 訓(xùn)練模型，用湖試環(huán)境4 進(jìn)行測試，經(jīng)過Attention 網(wǎng)絡(luò)和未經(jīng)過Attention 網(wǎng)絡(luò)的信道沖激響應(yīng).從圖中可以看到，經(jīng)過Attention 網(wǎng)絡(luò)后的信道多徑數(shù)明顯減少，只保留了水聲信道中的最大徑，這表明利用Attention 網(wǎng)絡(luò)機制可以有效的對水聲信道多徑信息進(jìn)行篩選.因此，利用Attention 網(wǎng)絡(luò)對信道處理可以提高傳輸?shù)臏?zhǔn)確性，在系統(tǒng)進(jìn)行測試時，Attention 網(wǎng)絡(luò)會對測試的信道進(jìn)行篩選與處理，提高了整個系統(tǒng)的適應(yīng)性.

圖12 經(jīng)過Attention 網(wǎng)絡(luò)訓(xùn)練前后水聲信道沖激響應(yīng)對比Fig.12 Comparison of underwater acoustic channel impulse response before and after Attention network training

圖13 為基于AE[11]與Attention-AE 的系統(tǒng)在仿真環(huán)境2 進(jìn)行訓(xùn)練，在實驗環(huán)境2 和3 進(jìn)行測試的誤碼率（BER）對比圖.從圖中可以看出，在相同的訓(xùn)練環(huán)境和實驗測試環(huán)境下，基于Attention-AE 的系統(tǒng)的誤碼率均比基于AE 的系統(tǒng)低，表明本文所提出的基于Attention-Autoencoder 網(wǎng)絡(luò)模型的水聲通信系統(tǒng)在實際環(huán)境下測試仍具有較低的誤碼率性，證明了該網(wǎng)絡(luò)模型具有較強的泛化能力和信道環(huán)境適應(yīng)能力.

圖13 實驗環(huán)境2、3 下的AE 和Attention-AE BER 比較Fig.13 BER curves under the experiment environment 2、3 between AE and Attention-AE

圖14 為基于AE[11]與Attention-AE 模型的系統(tǒng)在測試集環(huán)境與訓(xùn)練集相同及不同條件下的BER對比.基于AE 的系統(tǒng)在測試環(huán)境為實驗水聲信道環(huán)境SNR=25 dB 時，誤碼率也只能達(dá)到10-2，與訓(xùn)練測試環(huán)境相同時的誤碼率相差較大，說明基于AE 的系統(tǒng)對環(huán)境變化較為敏感，而基于Attention-AE 的系統(tǒng)在環(huán)境相同與不同的情況下，曲線的誤碼率沒有較大變化，保持了良好的誤碼率水平，這表明基于Attention-AE 的系統(tǒng)有較強的環(huán)境適應(yīng)性，驗證了該系統(tǒng)的有效性.

圖14 測試集環(huán)境相同和不同條件下的BER 比較Fig.14 BER curves under the same and different environment between train and test

圖15 為基于AE[11]與Attention-AE 的系統(tǒng)在測試集與訓(xùn)練集環(huán)境相同及在仿真環(huán)境2 進(jìn)行訓(xùn)練、實驗環(huán)境4（信道受到多普勒頻移的影響）下進(jìn)行測試的誤碼率（BER）對比圖.從圖中可以看出實驗環(huán)境4 的多普勒頻移對基于AE 和Attention-AE 的系統(tǒng)都有一定的影響.相比之下，基于Attention-AE 的系統(tǒng)誤碼率曲線比AE 的誤碼率曲線低很多，說明該模型有較好的環(huán)境適應(yīng)性.

圖15 測試環(huán)境相同與隨機多普勒頻移下的BER 比較Fig.15 BER curves under the same environment BER and random Doppler shift

6 結(jié)語

本文從傳統(tǒng)的自動編碼器對環(huán)境的適應(yīng)性較差的問題出發(fā)，在傳統(tǒng)OFDM 水聲通信系統(tǒng)中加入AE，并引入一種針對水聲信道的Attention 機制.該Attention 機制可以高效地從大量信息中篩選出少數(shù)關(guān)鍵信息的特點，以提高網(wǎng)絡(luò)提取特征的能力，在訓(xùn)練集與測試集的信道環(huán)境參數(shù)相差較大時，基于該網(wǎng)絡(luò)模型的水聲通信系統(tǒng)仍具有較低的誤碼率.經(jīng)過仿真驗證和湖試實驗驗明，與現(xiàn)有的AE 模型和沒有引入神經(jīng)網(wǎng)絡(luò)的水聲通信系統(tǒng)相比，基于Attention-Autoencoder 的水聲通信系統(tǒng)具有較強的信道環(huán)境適應(yīng)能力，展現(xiàn)出更佳的系統(tǒng)性能.