摘要
水声通信对水下观测、作业和信息获取具有重要支撑作用，多载波通信是实现高速水声通信的主要方法，然而水声信道具有快时变、强多径传播和严重的多普勒效应等特性，对实现高可靠性的多载波水声通信构成了很大挑战。深度学习具有应用范围广、学习能力强、不需要复杂特征提取等特点，本文将深度学习引入多载波水声通信系统的接收端，以减小水声信道复杂特性对传输可靠性的影响。本文所做的工作如下： （1）针对现有深度学习中纯数据驱动网络模型对水声信道的复杂环境适应性不足问题，本文提出基于数据和模型双驱动深度学习的多载波水声通信接收方法，将通信系统接收端传统的信道估计、信道均衡与深度学习结合，减小网络对训练数据依赖性，以快速适应变化的信道环境，提升网络对水声信道环境的适应性。分析了不同的信道估计算法对提高网络输入数据的质量的影响。仿真和实验结果表明，与纯数据驱动的网络模型相比，本文提出的双驱动网络模型大大减小训练开销，能够快速适应复杂变化的水声信道。 （2）为了进一步减小水声信道多径效应和多普勒效应的影响，本文构造了时间反转-卷积神经网络模型，以提高多载波水声通信系统的传输可靠性。该网络模型的构造包括两部分，首先基于时间反转理论，对卷积层输入数据预处理，以削弱水声信道多径分量增强主路径信息能量，其次基于卷积神经网络同时对抗水声信道多径效应和多普勒效应带来的干扰。仿真和实验结果表明，与目前主流的信道估计和信道均衡方法相比，本文提出的时间反转-卷积神经网络模型能够提升系统的可靠性，而且对实验测试中湖、河、水库等不同的水声信道环境均具有较好的鲁棒性。
NETL