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

Résumé technique : Prédiction de canal multi-étapes basée sur l'apprentissage profond pour les systèmes OFDM acoustiques sous-marins adaptatifs

Énoncé du problème
Les communications acoustiques sous-marines (UWA) font face à des défis importants dus à l'atténuation dépendante de la fréquence, au fading multi-trajets sévère et variable dans le temps, au décalage Doppler induit par le mouvement, et aux longs délais de propagation causés par la faible vitesse du son. Ces facteurs rendent l'acquisition opportune de l'information sur l'état du canal (CSI) difficile ; les délais aller-retour sur des liaisons de l'ordre du kilomètre peuvent atteindre des secondes, rendant l'adaptation de liaison basée sur un retour d'information traditionnel impraticable lorsque le temps de cohérence du canal est de même ordre. Bien que la prédiction de canal offre une solution en permettant une adaptation de liaison proactive, les méthodes existantes présentent des limites. Le filtrage adaptatif conventionnel (par exemple, les moindres carrés récursifs - RLS) peine face à la nature non linéaire et rapidement variable des canaux UWA. De plus, les approches d'apprentissage profond (DL) existantes, telles que les architectures basées sur les RNN, souffrent d'une accumulation d'erreurs dans la prédiction multi-étapes, tandis que les modèles employant un mélange de caractéristiques inter-dimensions sont sujets au surapprentissage compte tenu de la rareté des données de mesure en mer.

Méthodologie
Les auteurs proposent un cadre de multiplexage par répartition en fréquences orthogonales (OFDM) adaptatif comprenant deux composants principaux :

1. PatchCSI-T (Modèle de prédiction de canal) :

   • Architecture : Un modèle basé sur les Transformers, inspiré du modèle de prévision de séries temporelles PatchTST.
   • Patching (Segmentation) : Pour réduire la complexité computationnelle et capturer les dépendances au niveau des segments, les séquences CSI d'entrée sont partitionnées en patchs chevauchants plutôt que de traiter des échantillons temporels individuels. Cela réduit la complexité de l'auto-attention de $O(T_{win}^2)$ à $O(N_{patch}^2)$.
   • Modélisation indépendante des caractéristiques : Contrairement à de nombreuses méthodes de DL antérieures qui mélangent les caractéristiques (par exemple, entre sous-porteuses ou échelons) pour capturer les corrélations, PatchCSI-T traite les caractéristiques de manière indépendante. La dimension des caractéristiques est fusionnée dans la dimension de lot (batch), permettant à toutes les caractéristiques d'être traitées en parallèle avec des paramètres de modèle partagés. Cette approche vise à atténuer le surapprentissage, particulièrement lorsque les données d'entraînement sont limitées, et évite la complexité d'une modélisation explicite des caractéristiques croisées.
   • Prédiction conjointe multi-étapes : Le modèle génère l'intégralité de la séquence de prédiction future ($T_{pred}$ étapes) en une seule passe directe (forward pass), évitant ainsi la propagation d'erreurs inhérente aux méthodes récursives autorégressives.

2. Modulation et allocation de puissance gourmande (Greedy) :

   • Le système utilise la CSI prédite pour sélectionner conjointement les ordres de modulation et la puissance de transmission par sous-porteuse.
   • Un seuil de puissance minimale en forme close est dérivé sur la base du gain du canal prédit et de la variance de l'erreur de prédiction (modélisée comme gaussienne) pour satisfaire un taux d'erreur binaire (BER) cible.
   • Un algorithme gourmand de faible complexité met à jour de manière itérative l'ordre de modulation de la sous-porteuse nécessitant la plus petite puissance incrémentale jusqu'à ce que le budget de puissance total soit épuisé ou que la contrainte de BER cible soit violée. Si les conditions du canal se détériorent, l'algorithme dégrade les sous-porteuses ayant le coût marginal le plus élevé.

Principales contributions

• Modèle PatchCSI-T : Introduction d'une architecture basée sur les Transformers spécifiquement adaptée aux canaux UWA en utilisant le patching et la modélisation indépendante des caractéristiques pour équilibrer précision, vitesse d'inférence et robustesse contre le surapprentissage.
• Cadre intégré : Développement d'un système OFDM adaptatif complet qui couple le modèle de prédiction multi-étapes avec un schéma d'allocation de ressources gourmand.
• Validation empirique : Évaluation sur des jeux de données de canaux UWA mesurés sur le terrain (réservoir de China-Wanlu), démontrant des améliorations par rapport aux bases de comparaison de l'état de l'art.

Résultats expérimentaux
Les expériences ont été menées à l'aide du jeu de données du réservoir de China-Wanlu (2 137 mesures de CIR, 256 sous-porteuses, 6 kHz de bande passante). Le modèle PatchCSI-T a été comparé aux modèles RLS, BiGRU, CNN1d-LSTM et MTL-LSTM.

• Précision de prédiction : À un horizon de prédiction de $T_{pred} = 32$, PatchCSI-T a atteint une erreur quadratique moyenne normalisée (NMSE) de -14,76 dB. Cela représente un gain de 1,4 à 4,9 dB par rapport aux modèles de comparaison. Notamment, CNN1d-LSTM et BiGRU ont présenté une saturation de la NMSE proche de -10 dB pour des horizons plus larges.
• Efficacité d'inférence : PatchCSI-T a démontré des temps d'inférence nettement plus rapides (14,7 ms à $T_{pred}=32$), ce qui est environ 6 fois plus rapide que CNN1d-LSTM/BiGRU et plus de 50 fois plus rapide que MTL-LSTM.
• Performance du système : Intégré au système OFDM adaptatif à un SNR de 15 dB :
  • PatchCSI-T a maintenu 89,7 % des symboles transmis avec un BER $\le 10^{-3}$.
  • Il a atteint une efficacité spectrale de 5,14 bps/Hz.
  • Il a surpassé RLS (72,9 % des symboles, 4,15 bps/Hz) et MTL-LSTM (75,8 % des symboles, 4,34 bps/Hz).
• Comportement d'adaptation : L'algorithme d'allocation gourmand a réussi à suivre les variations du canal, activant plus de sous-porteuses et sélectionnant des modulations d'ordre supérieur lors des gains de canal, tout en réduisant les ressources lors des évanouissements pour maintenir le BER cible.

Signification
L'article affirme que le cadre proposé répond aux compromis critiques de latence et de précision dans les communications UWA. En exploitant la modélisation indépendante des caractéristiques et le patching, PatchCSI-T atténue efficacement le surapprentissage et l'accumulation d'erreurs, permettant une prédiction de la CSI précise et à faible latence. L'intégration de ce prédicteur avec un schéma d'allocation gourmand permet aux systèmes adaptatifs de fonctionner sur des conditions de canal prédites plutôt que sur des conditions obsolètes, améliorant ainsi le taux d'erreur binaire (BER) de bout en bout et l'efficacité spectrale dans des environnements UWA réels. Les auteurs notent que les travaux futurs étendront la validation aux données en mer présentant des effets Doppler plus forts et des délais plus longs, ainsi qu'à des expériences en boucle fermée en temps réel.