來(lái)源：溪流之海洋人生

作者：陳友淦 許肖梅

多年來(lái)，從非相干水聲通信到相干水聲通信，直擴(kuò)、跳頻、OFDM、Turbo均衡、時(shí)間反轉(zhuǎn)和自適應(yīng)等各種理論和技術(shù)均被引入水聲通信中，以期克服復(fù)雜多變海洋環(huán)境對(duì)水聲通信信號(hào)的影響。但是，目前仍無(wú)法研制出一種能適用于各類海洋環(huán)境、可滿足通用水聲業(yè)務(wù)誤碼率、速率和距離等需求的水聲通信機(jī)，更難以進(jìn)行大規(guī)模水聲通信組網(wǎng)應(yīng)用、實(shí)現(xiàn)穩(wěn)健可靠的海洋物聯(lián)網(wǎng)。一個(gè)重要原因是，海洋環(huán)境大動(dòng)態(tài)變化引起的水聲信道復(fù)雜時(shí)-空-頻變特性，使得傳統(tǒng)各種理論和技術(shù)仍難以實(shí)時(shí)、合理、有效地與之進(jìn)行良好的自適應(yīng)匹配設(shè)計(jì)。近年來(lái)，人工智能技術(shù)在無(wú)線通信、大氣、教育、醫(yī)療、金融和社會(huì)決策等各領(lǐng)域的快速發(fā)展，為突破水聲通信所面臨的傳統(tǒng)技術(shù)瓶頸帶來(lái)新思路。本文將對(duì)國(guó)內(nèi)外人工智能技術(shù)在水聲通信物理層和網(wǎng)絡(luò)層中的應(yīng)用探索進(jìn)行梳理和總結(jié)。

一、人工智能技術(shù)

1956年，計(jì)算機(jī)科學(xué)家在達(dá)特茅斯會(huì)議提出了“人工智能”概念，其初衷在于利用機(jī)械工具代替人類進(jìn)行某些簡(jiǎn)單枯燥的工作。隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能一些子集的迅速發(fā)展，尤其是2015年以來(lái)，人工智能開(kāi)始大爆發(fā)，主要原因有：①算力條件大幅提升，高性能GPU的廣泛應(yīng)用使得并行計(jì)算變得更快、更便宜、更有效，深度學(xué)習(xí)取得突破；②大數(shù)據(jù)的發(fā)展，無(wú)限拓展的存儲(chǔ)能力和大數(shù)據(jù)的組合，使得圖像數(shù)據(jù)、文本數(shù)據(jù)、交易數(shù)據(jù)、映射數(shù)據(jù)等全面海量爆發(fā)。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)中的一個(gè)新方向，其以更逼近人工智能的方式成為當(dāng)前最主流的人工智能技術(shù)，是當(dāng)今人工智能大爆炸的核心驅(qū)動(dòng)。

圖1給出了人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展關(guān)系。人工智能的研究經(jīng)歷了“推理-知識(shí)-學(xué)習(xí)”的不同發(fā)展階段，機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一個(gè)重要途徑。作為人工智能的一個(gè)重要分支，機(jī)器學(xué)習(xí)理論主要是設(shè)計(jì)和分析讓計(jì)算機(jī)可自主“學(xué)習(xí)”的算法，即從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法。按學(xué)習(xí)方式分，機(jī)器學(xué)習(xí)可分為：監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。按算法分類，則可分為回歸算法、決策樹(shù)學(xué)習(xí)、貝葉斯方法、支持向量機(jī)、聚類算法、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、降低維度算法和集成學(xué)習(xí)等。需要強(qiáng)調(diào)的是，由于機(jī)器學(xué)習(xí)的范圍非常龐大，有些算法很難明確歸類到某一類；而對(duì)于有些分類而言，同一分類的算法也可以針對(duì)不同類型的問(wèn)題。

圖1 人工智能與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系

在人工智能的實(shí)現(xiàn)方式上，主要有計(jì)算機(jī)編程和模擬2種。目前，計(jì)算機(jī)編程僅能實(shí)現(xiàn)形式上的智能，而通過(guò)對(duì)人類或者某些生物的行為或思維方式的模擬則可以實(shí)現(xiàn)更高級(jí)的智能。例如，常見(jiàn)的直接受大自然啟發(fā)而產(chǎn)生的人工智能算法(啟發(fā)式算法)有：模擬退火、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、進(jìn)化規(guī)劃、集群智能、強(qiáng)化學(xué)習(xí)和人工免疫系統(tǒng)等。以模擬自然界為核心思路的人工智能算法，在優(yōu)化問(wèn)題等領(lǐng)域得到了廣泛應(yīng)用，例如規(guī)劃路線、設(shè)計(jì)方案等。

二、水聲通信中的人工智能技術(shù)

根據(jù)人工智能技術(shù)發(fā)展的不同階段，其在水聲通信中的應(yīng)用也由經(jīng)典的智能算法(如模擬退火、集群智能中的蟻群算法等)，逐步發(fā)展到強(qiáng)化學(xué)習(xí)中的Q-learning等機(jī)器學(xué)習(xí)算法，乃至深度神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。相關(guān)人工智能算法緊緊圍繞海洋環(huán)境動(dòng)態(tài)變化、水聲信道物理特性而展開(kāi)。

⒈水聲領(lǐng)域應(yīng)用人工智能的主要思路

在水聲領(lǐng)域應(yīng)用人工智能技術(shù)，主要思路是結(jié)合水聲信道窄帶寬、大時(shí)延、強(qiáng)多途、大起伏、大動(dòng)態(tài)變化、高噪聲等固有的水聲物理特性，選擇合適的智能算法進(jìn)行針對(duì)性地設(shè)計(jì)和改進(jìn)，以求解決水聲通信及組網(wǎng)存在的以下幾個(gè)典型問(wèn)題：

⑴水聲傳輸?shù)奈账p與窄帶。

海水對(duì)聲波的吸收衰減隨頻率升高而指數(shù)上升，因此水聲通信的可用頻率帶寬很窄，通信速率低。比如，在幾十到100km的遠(yuǎn)距離水聲通信系統(tǒng)中，可用帶寬不足1kHz。要想提高通信速率，就只能降低通信距離，這也是人工智能時(shí)代，在海洋物聯(lián)網(wǎng)框架下，研制高頻短距、寬帶高速和節(jié)能便攜水聲節(jié)點(diǎn)，實(shí)現(xiàn)大規(guī)模高速水聲通信組網(wǎng)觀測(cè)和數(shù)據(jù)交互的主要技術(shù)背景依據(jù)；現(xiàn)在有研究毫米波水聲通信技術(shù)(頻率用150kHz～1.5MHz),但通信距離短，僅為幾百米。

⑵水聲傳輸?shù)拇髸r(shí)延、強(qiáng)多途與時(shí)空不確定。

聲波在水中的低速傳播造成水聲數(shù)據(jù)傳輸?shù)拇髸r(shí)延特性，同一信號(hào)的聲波從不同路徑抵達(dá)接收端時(shí)的多途時(shí)延差異極為顯著，在不同海洋環(huán)境(空間)條件下、在不同時(shí)間條件下，從毫秒級(jí)、百毫秒級(jí)到秒級(jí)皆有可能，這種不確定的大時(shí)延擴(kuò)展，給接收端數(shù)據(jù)處理和組網(wǎng)協(xié)議設(shè)計(jì)均帶來(lái)極大困難。同時(shí)，多途還會(huì)造成信號(hào)的某些頻率被增強(qiáng)而某些頻率被削弱的頻率選擇性衰落現(xiàn)象，且不同空間位置結(jié)果差異極大，空間選擇性衰落現(xiàn)象也極不確定。

為此，多途時(shí)延擴(kuò)展是時(shí)空不確定條件下信道的時(shí)間擴(kuò)展，水聲信道存在“大時(shí)延擴(kuò)展不確定，強(qiáng)頻域起伏不確定”現(xiàn)象。

⑶水聲傳輸?shù)亩嗥绽铡⒋笃鸱c時(shí)空不確定。

水下通信設(shè)備收發(fā)端之間由于波浪、湍流、潮汐等因素會(huì)不可避免地引起漂移，同時(shí)水下航行器也會(huì)有相對(duì)運(yùn)動(dòng)，該相對(duì)運(yùn)動(dòng)速度一般是每秒幾米數(shù)量級(jí)，而由于聲波在水中的低速傳播，兩者比值在10-2～10-3，多普勒頻移因子數(shù)量級(jí)約為10-3，因此，水聲數(shù)據(jù)傳輸?shù)亩嗥绽諗U(kuò)展效應(yīng)顯著。同時(shí)，多普勒擴(kuò)展還會(huì)造成信號(hào)的某些時(shí)刻被增強(qiáng)而某些時(shí)刻被削弱的時(shí)域包絡(luò)大起伏問(wèn)題，即時(shí)間選擇性衰落現(xiàn)象，且不同海洋環(huán)境(空間)條件下、不同時(shí)間條件下，波浪、涌浪、湍流、內(nèi)波的不確定性會(huì)造成多普勒擴(kuò)展(頻率擴(kuò)展)的不確定性。

為此，多普勒擴(kuò)展是時(shí)空不確定條件下信道的頻率擴(kuò)展，水聲信道存在“大頻率擴(kuò)展不確定，強(qiáng)時(shí)域包絡(luò)起伏不確定”現(xiàn)象。

可見(jiàn)，水聲信道固有的時(shí)延-多普勒雙擴(kuò)展現(xiàn)象均具有時(shí)空不確定性，這也是迄今為止水聲信道尚無(wú)統(tǒng)一的標(biāo)準(zhǔn)模型的原因。利用強(qiáng)化學(xué)習(xí)對(duì)水聲信道進(jìn)行自適應(yīng)學(xué)習(xí)，便于水聲通信系統(tǒng)參數(shù)設(shè)置，實(shí)現(xiàn)基于強(qiáng)化學(xué)習(xí)的自適應(yīng)編碼調(diào)制，是人工智能技術(shù)突破水聲通信技術(shù)瓶頸的關(guān)鍵所在。

⑷海洋噪聲干擾嚴(yán)重。

海洋環(huán)境中的噪聲來(lái)源主要包括潮汐、洋流、海面波浪、地震活動(dòng)、海洋生物群體和交通航運(yùn)等等。由于聲波在水中傳播的共有屬性，這些噪聲的頻段往往與水聲通信設(shè)備所用頻段存在交叉重疊的現(xiàn)象。因此，水聲信號(hào)的接收信噪比往往比較低，這是利用深度神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)解決水聲通信接收機(jī)信號(hào)處理難題的出發(fā)點(diǎn)。

⑸水聲通信網(wǎng)所需的高處理能力、低功耗、便攜的水聲節(jié)點(diǎn)研制需求。

應(yīng)用于大規(guī)模水聲通信組網(wǎng)的節(jié)點(diǎn)長(zhǎng)期部署在水下，對(duì)其充電或更換電池的成本極高，為此，在滿足高處理能力、便攜的前提下，低功耗是進(jìn)行水聲節(jié)點(diǎn)接收機(jī)信號(hào)處理和水聲通信組網(wǎng)協(xié)議設(shè)計(jì)要考慮的重要因素。例如，在水聲通信組網(wǎng)協(xié)議中應(yīng)用人工智能技術(shù)時(shí)，常把高性能指標(biāo)作為約束條件，以功耗為代價(jià)函數(shù)，建立優(yōu)化模型，通過(guò)集群智能、強(qiáng)化學(xué)習(xí)等人工智能技術(shù)，獲得最低功耗目標(biāo)函數(shù)下的參數(shù)設(shè)置，作為網(wǎng)絡(luò)最優(yōu)參數(shù)設(shè)置。

⑹水聲通信及組網(wǎng)的敏感性與保密性需求。

由于水聲通信及組網(wǎng)在社會(huì)、經(jīng)濟(jì)、科學(xué)和軍事等方面均有重要應(yīng)用價(jià)值，海洋物聯(lián)網(wǎng)框架下，海洋觀測(cè)中的水聲數(shù)據(jù)具有一定的敏感性和保密性。利用強(qiáng)化學(xué)習(xí)進(jìn)行水聲物理層防攻擊認(rèn)證、水聲網(wǎng)絡(luò)層防干擾攻擊等，均是人工智能技術(shù)在水聲通信及組網(wǎng)安全方面的有益探索。

⒉水聲領(lǐng)域應(yīng)用人工智能相關(guān)算法

根據(jù)上述水聲信道特性和水聲數(shù)據(jù)傳輸特點(diǎn)，不少改進(jìn)了的人工智能算法，已被嘗試應(yīng)用于水聲通信的不同場(chǎng)景和目標(biāo)。

圖2梳理了目前水聲領(lǐng)域應(yīng)用人工智能相關(guān)算法的部分研究情況。

圖2 水聲領(lǐng)域人工智能算法相關(guān)研究

從應(yīng)用對(duì)象看，人工智能技術(shù)在水聲通信中的應(yīng)用可大致分為2類：①以水聲探測(cè)和節(jié)點(diǎn)間通信為主要應(yīng)用場(chǎng)景的物理層方面，包括水聲目標(biāo)識(shí)別、水聲定位、水聲信道估計(jì)、水聲信道均衡、水聲自適應(yīng)調(diào)制、水聲通信質(zhì)量預(yù)測(cè)等；②以水聲通信組網(wǎng)為主要應(yīng)用場(chǎng)景的網(wǎng)絡(luò)層方面，包括以低功耗為主要目標(biāo)的水聲網(wǎng)絡(luò)路由設(shè)計(jì)、網(wǎng)絡(luò)拓?fù)浞执亍⒐?jié)點(diǎn)功率分配、AUV輔助的水聲數(shù)據(jù)搜集路徑規(guī)劃和水聲網(wǎng)絡(luò)安全等。

從時(shí)間角度看，2010年以前，水聲通信中應(yīng)用人工智能技術(shù)的研究比較少，該階段人工智能算法通常被視為一種性能較好的優(yōu)化算法而應(yīng)用于解決水聲通信領(lǐng)域的某個(gè)具體問(wèn)題，例如在中國(guó)知網(wǎng)中，有利用支持向量機(jī)進(jìn)行水聲信道均衡、水下目標(biāo)識(shí)別等文獻(xiàn)，但尚未體現(xiàn)人工智能的巨大潛力；近年來(lái)，尤其是2017-2018年以來(lái)，以強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)為主要特征的新一代人工智能技術(shù)，開(kāi)始被大量探索和應(yīng)用于水聲調(diào)制信號(hào)分類、水聲接收機(jī)處理、水聲自適應(yīng)調(diào)制、水聲通信網(wǎng)絡(luò)協(xié)議、水聲網(wǎng)絡(luò)服務(wù)質(zhì)量等方面，顯示出出色的性能增益；同時(shí)，業(yè)界已開(kāi)始超前部署海洋物聯(lián)網(wǎng)框架下水聲通信網(wǎng)絡(luò)與人工智能相結(jié)合的策略方案。

目前，水聲通信中應(yīng)用新一代人工智能技術(shù)的研究正在興起，相關(guān)文獻(xiàn)尚不算多。

三、水聲通信物理層的人工智能技術(shù)

⒈水聲目標(biāo)識(shí)別

Roberts等根據(jù)采集到的9種36條不同魚(yú)類、每條魚(yú)200～300個(gè)的回聲數(shù)據(jù)，利用級(jí)聯(lián)兩層支持向量機(jī)設(shè)計(jì)了特征融合、決策融合和協(xié)作融合的算法，無(wú)需對(duì)視圖幾何形狀進(jìn)行假設(shè)，即可實(shí)現(xiàn)不同魚(yú)類的多視圖寬帶聲學(xué)分類。研究結(jié)果表明，相對(duì)于單一視圖的聲學(xué)分類方法，該方法錯(cuò)誤率下降了50%以上。

McQuay等利用深度卷積神經(jīng)網(wǎng)絡(luò)，采用支持向量機(jī)對(duì)深度學(xué)習(xí)特征集進(jìn)行處理，實(shí)現(xiàn)了對(duì)鯨魚(yú)發(fā)聲信號(hào)的自動(dòng)識(shí)別。對(duì)一年時(shí)間內(nèi)在加拿大海洋觀測(cè)網(wǎng)搜集到的5573個(gè)鯨魚(yú)發(fā)聲事件、累計(jì)28685min的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)測(cè)試，結(jié)果表明，采用深度特征學(xué)習(xí)方法的平均識(shí)別準(zhǔn)確率達(dá)到98.69%(兩類)和94.48%(多類)。

楊士莪等采用支持向量機(jī)對(duì)水面艦船輻射噪聲目標(biāo)信號(hào)識(shí)別進(jìn)行了研究，提出差分進(jìn)化粒子群混合算法，通過(guò)對(duì)懲罰因子和核函數(shù)寬度參數(shù)的優(yōu)化選取，達(dá)到優(yōu)化系統(tǒng)支持向量機(jī)模型的目的。海試數(shù)據(jù)表明，在訓(xùn)練樣本占實(shí)驗(yàn)數(shù)據(jù)總數(shù)分別為87.5%、75.0%、66.7%和50.0%的情況下，分類精度依次為100%、88.33%、86.25%和72.5%，與網(wǎng)格搜索方法比，整體有了顯著提高。

Chen等提出基于深度信念網(wǎng)絡(luò)模型和堆疊降噪自編碼器模型以識(shí)別不同水下目標(biāo)的輻射噪聲；楊宏暉等提出基于加權(quán)樣本與特征選擇的機(jī)器學(xué)習(xí)自適應(yīng)增強(qiáng)(AdaBoost)與支持向量機(jī)集成相結(jié)合的算法，2組水聲目標(biāo)數(shù)據(jù)測(cè)試表明，在樣本數(shù)量分別減少到45%和50%、特征數(shù)量分別減少到33%和51%的情況下，該算法仍可獲得更高的分類準(zhǔn)確率。

此外，胡長(zhǎng)青、方世良和童峰等分別采用支持向量機(jī)對(duì)水下聲吶目標(biāo)識(shí)別、艦船噪聲識(shí)別和水聲調(diào)制信號(hào)識(shí)別進(jìn)行了研究；蔣佳佳等基于連續(xù)小波變換和人工神經(jīng)網(wǎng)絡(luò)對(duì)抹香鯨和長(zhǎng)鰭領(lǐng)航鯨分類進(jìn)行了研究；Ding等采用深度神經(jīng)網(wǎng)絡(luò)對(duì)水聲通信信號(hào)調(diào)制分類進(jìn)行了研究。

⒉水聲目標(biāo)定位

Fischell等利用模擬的雙基地散射場(chǎng)數(shù)據(jù)來(lái)訓(xùn)練支持向量機(jī)回歸模型，然后應(yīng)用于馬薩諸塞州灣實(shí)驗(yàn)收集的7～9kHz線性調(diào)頻啁啾水聲數(shù)據(jù)，進(jìn)行水下目標(biāo)方位角估計(jì)，估計(jì)差異與相對(duì)源定位方法實(shí)驗(yàn)觀察的結(jié)果一致，效果良好；Pinheiro等則基于支持向量機(jī)與自相關(guān)核回歸方法，與AUV導(dǎo)航系統(tǒng)耦合，降低了定位算法對(duì)反射聲波或水聲信道起伏特性的敏感性，改善了定位精度。

Houégnigan等利用深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)距離估計(jì)算法，實(shí)現(xiàn)了對(duì)單一傳感器小型陣列或小孔徑拖曳陣列的水下定位。海試結(jié)果表明，在典型值為300m左右但最遠(yuǎn)可達(dá)8km的范圍內(nèi)，對(duì)采集的869個(gè)樣本，采用預(yù)訓(xùn)練的淺層神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)2種方法，平均誤差分別為4.3%和3.5%。

程恩等在傳統(tǒng)錨節(jié)點(diǎn)選擇算法基礎(chǔ)上，考慮水聲通信開(kāi)銷(xiāo)、節(jié)點(diǎn)剩余能量、聲線傳播彎曲特性等影響，引入粒子群算法建立錨節(jié)點(diǎn)優(yōu)化機(jī)制，通過(guò)迭代計(jì)算得出最優(yōu)傳感器節(jié)點(diǎn)組合以提高定位精度。仿真結(jié)果表明，該算法計(jì)算量小、收斂速度快、定位精度高，可有效提高節(jié)點(diǎn)能量利用、平衡定位性能和能量利用效率。潘翔等還采用支持向量機(jī)技術(shù)對(duì)水下目標(biāo)定位進(jìn)行了研究。

⒊水聲信道估計(jì)與均衡

Mahmutoglu等提出了一種基于粒子群算法的水聲通信自適應(yīng)決策反饋均衡器，不依賴于信道特性，收斂速度快，兼顧高通信性能和低計(jì)算復(fù)雜度；李春國(guó)等則提出一種改進(jìn)的粒子群優(yōu)化算法，可同時(shí)估計(jì)每條水聲傳播路徑的多普勒尺度、時(shí)延和幅值等參數(shù)，在估計(jì)精度和計(jì)算復(fù)雜度兩方面均優(yōu)于匹配追蹤方法和分?jǐn)?shù)傅里葉變換方法。

付曉梅、王學(xué)田等針對(duì)水聲OFDM通信系統(tǒng)的信道估計(jì)，提出2種基于深度神經(jīng)網(wǎng)絡(luò)的信道估計(jì)器，利用接收到的導(dǎo)頻符號(hào)和正確的信道脈沖響應(yīng)對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，然后估計(jì)出信道脈沖響應(yīng)。實(shí)驗(yàn)結(jié)果表明，該方法在誤碼率和歸一化均方誤差方面均優(yōu)于最小二乘法和反向傳播神經(jīng)網(wǎng)絡(luò)法。

李振興、趙俊渭等研究了基于支持向量機(jī)的水聲信道盲均衡算法，非常適合于水聲觸發(fā)通信和快衰落水聲信道，但該算法通過(guò)二次規(guī)劃迭代完成收斂，計(jì)算量很大；童峰等則提出先利用支持向量機(jī)進(jìn)行盲均衡器權(quán)系數(shù)初始化，再切換至運(yùn)算量較小的常數(shù)模算法，湖試結(jié)果表明，時(shí)變水聲信道條件下，性能優(yōu)于經(jīng)典支持向量機(jī)盲均衡算法。

此外，郭業(yè)才、王衛(wèi)等還針對(duì)水聲信道研究了基于平衡正交多小波變換的模糊神經(jīng)網(wǎng)絡(luò)盲均衡算法、改進(jìn)遺傳優(yōu)化的正交小波盲均衡算法。

⒋水聲自適應(yīng)調(diào)制通信技術(shù)

Wang等針對(duì)長(zhǎng)期運(yùn)行的定期點(diǎn)對(duì)點(diǎn)水聲通信系統(tǒng)，提出將水聲自適應(yīng)傳輸問(wèn)題建模為部分可觀測(cè)的馬爾可夫決策過(guò)程，并基于強(qiáng)化學(xué)習(xí)框架開(kāi)發(fā)了在線算法，以遞歸方式估計(jì)水聲信道模型參數(shù)，跟蹤水聲信道動(dòng)態(tài)，實(shí)現(xiàn)使系統(tǒng)長(zhǎng)期成本最小化的最佳發(fā)射參數(shù)設(shè)置。湖試結(jié)果表明，相對(duì)于理想非因果信道狀態(tài)信息的基準(zhǔn)方法，所提方法可實(shí)現(xiàn)良好的性能。

Song等提出了一種基于強(qiáng)化學(xué)習(xí)Dyna-Q算法的水聲自適應(yīng)調(diào)制通信策略，采用有效信噪比作為水聲信道狀態(tài)參數(shù)，根據(jù)數(shù)據(jù)通信的真實(shí)情況與仿真經(jīng)驗(yàn)，預(yù)測(cè)信道狀態(tài)和通信吞吐量，然后利用該結(jié)果結(jié)合接收端返回的信道狀態(tài)選擇調(diào)制參數(shù)，使通信吞吐量最大化。仿真結(jié)果表明，與直接反饋有效信噪比方案比，Dyna-Q算法可取得更高的通信吞吐量。

蘇為等基于信息服務(wù)質(zhì)量要求、先前的傳輸質(zhì)量和能量消耗等網(wǎng)絡(luò)感知狀態(tài)信息，提出了一種基于強(qiáng)化學(xué)習(xí)的水聲通信自適應(yīng)調(diào)制編碼方案，實(shí)現(xiàn)動(dòng)態(tài)選擇水聲通信系統(tǒng)調(diào)制和編碼策略。水池和海試數(shù)據(jù)表明，與基準(zhǔn)方案比，提高了吞吐量，并以更少的能耗降低了誤碼率。

此外，Alamgir等則在自適應(yīng)調(diào)制編碼基礎(chǔ)上，使用支持向量機(jī)、K最近鄰算法、偽線性判別法和增強(qiáng)回歸樹(shù)法進(jìn)行調(diào)制編碼分類研究，進(jìn)一步提升了水聲自適應(yīng)調(diào)制編碼效果。

⒌水聲通信質(zhì)量預(yù)測(cè)

Kalaiarasu等提出采用基于邏輯回歸機(jī)器學(xué)習(xí)模型研究水聲通信性能的時(shí)空變化，研究風(fēng)速、潮汐、流速等環(huán)境因素以及水聲通信設(shè)備參數(shù)因素，對(duì)量化的水聲通信數(shù)據(jù)包傳輸成功率的性能影響。仿真結(jié)果表明，在給定環(huán)境條件參數(shù)和水聲設(shè)備參數(shù)條件下，所提模型可預(yù)測(cè)水聲通信性能的時(shí)空變化。

該方面研究，目前尚較少見(jiàn)相關(guān)文獻(xiàn)報(bào)道，但這種以海洋環(huán)境要素?cái)?shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模型研究，對(duì)發(fā)展水聲大數(shù)據(jù)、利用深度學(xué)習(xí)進(jìn)行水聲通信質(zhì)量預(yù)測(cè)，選擇最優(yōu)參數(shù)配置具有重要意義。

總體而言，在水聲通信物理層方面，水聲目標(biāo)識(shí)別、水聲目標(biāo)定位和水聲信道估計(jì)與均衡等研究，兼用了傳統(tǒng)智能算法和深度學(xué)習(xí)等新型人工智能算法；而水聲自適應(yīng)調(diào)制技術(shù)和水聲通信質(zhì)量預(yù)測(cè)等研究，則是隨深度學(xué)習(xí)等新型人工智能技術(shù)的發(fā)展而成為可能的新探索方向，是水聲領(lǐng)域發(fā)揮人工智能技術(shù)的潛力所在。如張友文等還研究了基于深度學(xué)習(xí)的時(shí)變水聲信道單載波通信接收機(jī)處理技術(shù)。結(jié)合水聲信道特性進(jìn)行研究，是人工智能技術(shù)在水聲通信物理層應(yīng)用獲得突破的關(guān)鍵所在。

四、水聲通信網(wǎng)絡(luò)層的人工智能技術(shù)

下面以水聲通信組網(wǎng)為應(yīng)用場(chǎng)景，介紹人工智能技術(shù)在水聲通信網(wǎng)絡(luò)層方面的研究成果。

⒈水聲網(wǎng)絡(luò)路由協(xié)議

Xu等提出了一種基于多種群螢火蟲(chóng)算法的水聲通信網(wǎng)絡(luò)路由方案，設(shè)計(jì)了3種螢火蟲(chóng)協(xié)調(diào)規(guī)則，在建立、選擇和優(yōu)化路由時(shí)結(jié)合了各水下傳感器節(jié)點(diǎn)的數(shù)據(jù)相關(guān)性和采樣率。仿真結(jié)果表明，與基于向量轉(zhuǎn)發(fā)、分布式水下聚類方案比，該方案在數(shù)據(jù)包交付比率、能量消耗和網(wǎng)絡(luò)吞吐量等方面均可取得較好的性能。

陳友淦等提出在水聲通信網(wǎng)絡(luò)中，分別將蟻群算法、人工魚(yú)群算法融入水聲協(xié)作通信技術(shù)進(jìn)行水聲路由節(jié)點(diǎn)選擇。仿真結(jié)果表明，所提算法可利用蟻群算法、人工魚(yú)群算法尋找全局最優(yōu)的能力，得到一種使系統(tǒng)總能耗最低的路由線路，同時(shí)獲得協(xié)作增益和集群智能算法增益，進(jìn)一步延長(zhǎng)了水聲通信網(wǎng)絡(luò)的生命周期。

Li等通過(guò)結(jié)合人工魚(yú)群算法中的擁擠因子和蟻群算法中的偽隨機(jī)路由選擇策略，提出了一種人工魚(yú)群與蟻群混合的算法。仿真結(jié)果表明，該混合算法同時(shí)吸收了2種算法的優(yōu)勢(shì)，避免了路由算法陷入局部?jī)?yōu)化和停滯，同時(shí)加快了路由收斂速度，尤其適用于大規(guī)模水聲通信網(wǎng)絡(luò)的應(yīng)用場(chǎng)景。

Fei、Plate等將強(qiáng)化學(xué)習(xí)中的Q-learning算法引入到水聲通信網(wǎng)絡(luò)路由選擇中，節(jié)點(diǎn)通過(guò)存儲(chǔ)其直接鄰居節(jié)點(diǎn)的路由信息(Q值)來(lái)計(jì)算路由決策。仿真結(jié)果表明，由于Q值估計(jì)考慮了水聲節(jié)點(diǎn)的能量消耗以及相鄰節(jié)點(diǎn)之間的剩余能量分布，可優(yōu)化網(wǎng)絡(luò)總能量消耗，網(wǎng)絡(luò)壽命比基于向量轉(zhuǎn)發(fā)的方法平均壽命延長(zhǎng)20%，若考慮結(jié)合水下節(jié)點(diǎn)運(yùn)動(dòng)的優(yōu)化選擇，則可進(jìn)一步提升性能。

此外，Mitchell等提出將Q-learning算法與ALOHA協(xié)議相結(jié)合的介質(zhì)訪問(wèn)控制方法，以有效使用水聲信道；Javaid等提出基于Q-learning的高效平衡型數(shù)據(jù)搜集路由協(xié)議，以解決水聲通信網(wǎng)絡(luò)路由轉(zhuǎn)發(fā)的能量洞問(wèn)題；魏曉輝等則提出一種基于遞歸神經(jīng)網(wǎng)絡(luò)的水聲監(jiān)測(cè)網(wǎng)絡(luò)框架，放棄自動(dòng)重傳機(jī)制，以減少長(zhǎng)端到端延遲和能量消耗。

⒉水聲網(wǎng)絡(luò)拓?fù)浞执?/strong>