Deep Learning Based Multi-Step Channel Prediction for Adaptive Underwater Acoustic OFDM Systems

Resumen Técnico: Predicción de Canales Multietapa Basada en Aprendizaje Profundo para Sistemas OFDM Acústicos Subacuáticos Adaptativos

Planteamiento del Problema
Las comunicaciones acústicas subacuáticas (UWA) enfrentan desafíos significativos debido a la atenuación dependiente de la frecuencia, el desvanecimiento por trayectos múltiples altamente variable en el tiempo, el desplazamiento Doppler inducido por el movimiento y los largos retrasos de propagación causados por la baja velocidad del sonido. Estos factores dificultan la adquisición oportuna de la Información del Estado del Canal (CSI); los retrasos de ida y vuelta en enlaces de escala kilométrica pueden alcanzar segundos, lo que hace que la adaptación de enlace basada en retroalimentación tradicional sea poco práctica cuando el tiempo de coherencia del canal es de un orden similar. Si bien la predicción del canal ofrece una solución al permitir una adaptación de enlace proactiva, los métodos existentes presentan limitaciones. El filtrado adaptativo convencional (por ejemplo, Mínimos Cuadrados Recíxivos) tiene dificultades con la naturaleza no lineal y rápidamente variable de los canales UWA. Además, los enfoques de Aprendizaje Profundo (DL) existentes, como las arquitecturas basadas en RNN, sufren de acumulación de errores en la predicción de múltiples etapas, mientras que los modelos que emplean la mezcla de características entre dimensiones son propensos al sobreajuste dado la escasez de datos de medición en el mar.

Metodología
Los autores proponen un marco de Multiplexación por División de Frecuencia Ortogonal (OFDM) adaptativo que consta de dos componentes principales:

1. PatchCSI-T (Modelo de Predicción de Canal):

   • Arquitectura: Un modelo basado en Transformer inspirado en el modelo de pronóstico de series temporales PatchTST.
   • Parcheo (Patching): Para reducir la complejidad computacional y capturar dependencias a nivel de segmento, las secuencias de CSI de entrada se particionan en parches superpuestos en lugar de procesar muestras de tiempo individuales. Esto reduce la complejidad de la autoatención de $O(T_{win}^2)$ a $O(N_{patch}^2)$.
   • Modelado Independiente de Características: A diferencia de muchos métodos de DL previos que mezclan características (por ejemplo, a través de subportadoras o taps) para capturar correlaciones, PatchCSI-T trata las características de forma independiente. La dimensión de la característica se fusiona en la dimensión de lote (batch), lo que permite que todas las características se procesen en paralelo con parámetros de modelo compartidos. Este enfoque tiene como objetivo mitigar el sobreajuste, particularmente cuando los datos de entrenamiento son limitados, y evita la complejidad del modelado explícito de características cruzadas.
   • Predicción Conjunta de Múltiples Etapas: El modelo genera la secuencia completa de predicción futura ($T_{pred}$ pasos) en una sola pasada hacia adelante (forward pass), evitando la propagación de errores inherente a los métodos recursivos autorregresivos.

2. Modulación Adaptativa Codiciosa (Greedy) y Asignación de Potencia:

   • El sistema utiliza el CSI predicho para seleccionar conjuntamente los órdenes de modulación y la potencia de transmisión por subportadora.
   • Se deriva un umbral de potencia mínima de forma cerrada basado en la ganancia del canal predicha y la varianza del error de predicción (modelada como gaussiana) para satisfacer una Tasa de Error de Bit (BER) objetivo.
   • Un algoritmo codicioso de baja complejidad actualiza iterativamente el orden de modulación de la subportadora que requiere la menor potencia incremental hasta que se agota el presupuesto total de potencia o se viola la restricción de la BER objetivo. Si las condiciones del canal se deterioran, el algoritmo reduce las subportadoras con el mayor costo marginal.

Contribuciones Clave

• Modelo PatchCSI-T: Introducción de una arquitectura basada en Transformer adaptada específicamente para canales UWA mediante el uso de parcheo y modelado independiente de características para equilibrar la precisión, la velocidad de inferencia y la robustez contra el sobreajuste.
  ️* Marco Integrado: Desarrollo de un sistema OFDM adaptativo completo que acopla el modelo de predicción de múltiples etapas con un esquema de asignación de recursos codicioso.
• Validación Empírica: Evaluación en conjuntos de datos de canales UWA medidos en campo real (China-Wanlu Reservoir), demostrando mejoras sobre las líneas base del estado del arte.

Resultos Experimentales
Los experimentos se realizaron utilizando el conjunto de datos China-Wanlu Reservoir (2,137 mediciones de CIR, 256 subportadoras, 6 kHz de ancho de banda). El modelo PatchCSI-T se comparó contra RLS, BiGRU, CNN1d-LSTM y MTL-LSTM.

• Precisión de Predicción: En un horizonte de predicción de $T_{pred} = 32$, PatchCSI-T logró un Error Cuadrático Medio Normalizado (NMSE) de -14.76 dB. Esto representa una ganancia de 1.4 a 4.9 dB sobre las líneas base. Notablemente, CNN1d-LSTM y BiGRU exhibieron una saturación de NMSE cerca de -10 dB para horizontes más largos.
• Eficiencia de Inferencia: PatchCido-T demostró tiempos de inferencia significativamente más rápidos (14.7 ms en $T_{pred}=32$), lo cual es aproximadamente 6 veces más rápido que CNN1d-LSTM/BiGRU y más de 50 veces más rápido que MTL-LSTM.
• Desempeño del Sistema: Al integrarse en el sistema OFDM adaptativo a una SNR de 15 dB:
  • PatchCSI-T mantuvo el 89.7% de los símbolos transmitidos con una BER $\le 10^{-3}$.
  • Logró una eficiencia espectral de 5.14 bps/Hz.
  • Superó a RLS (72.9% de los símbolos, 4.15 bps/Hz) y a MTL-LSTM (75.8% de los símbolos, 4.34 bps/Hz).
• Comportamiento de Adaptación: El algoritmo de asignación codicioso rastreó con éxito las variaciones del canal, activando más subportadoras y seleccionando modulaciones de mayor orden durante las ganancias de canal, mientras reducía los recursos durante los desvanecimientos para mantener la BER objetivo.

Significancia
El artículo afirma que el marco propuesto aborda los críticos compromisos de latencia y precisión en las comunicaciones UWA. Al aprovechar el modelado independiente de características y el parcheo, PatchCSI-T mitiga eficazmente el sobreajuste y la acumulación de errores, permitiendo un pronóstico de CSI de baja latencia y alta precisión. La integración de este predictor con un esquema de asignación codicioso permite que los sistemas adaptativos operen sobre condiciones de canal predichas en lugar de desactualizadas, mejorando así la Tasa de Error de Bit (BER) de extremo a extremo y la eficiencia espectral en entornos UWA reales. Los autores señalan que el trabajo futuro extenderá la validación a datos en el mar con efectos Doppler más fuertes y retrasos más largos, así como a experimentos de bucle cerrado en tiempo real.