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

Sintesi Tecnica: Previsione Multi-Step del Canale Basata sul Deep Learning per Sistemi OFDM Acustici Subacquei Adattivi

Problematica
Le comunicazioni acustiche subacquee (UWA) affrontano sfide significative dovute all'attenuazione dipendente dalla frequenza, al severo fading multipath variabile nel tempo, allo spostamento Doppler indotto dal moto e ai lunghi ritardi di propagazione causati dalla bassa velocità del suono. Questi fattori rendono difficile l'acquisizione tempestiva dell'Informazione sullo Stato del Canale (CSI); i ritardi di andata e ritorno su collegamenti di scala chilometrica possono raggiungere secondi, rendendo impraticabile l'adattamento del link basato sul feedback tradizionale quando il tempo di coerenza del canale è dello stesso ordine di grandezza. Sebbene la previsione del canale offra una soluzione, permettendo un adattamento del link proattivo, i metodi esistenti presentano dei limiti. Il filtraggio adattivo convenzionale (ad es. i Minimi Quadrati Ricorsivi - RLS) fatica con la natura non lineare e rapidamente variabile dei canali UWA. Inoltre, gli approoli di Deep Learning (DL) esistenti, come le architetture basate su RNN, soffrono di accumulo di errore nella previsione multi-step, mentre i modelli che impiegano il mixing di caratteristiche tra diverse dimensioni sono soggetti a overfitting a causa della scarsità di dati di misurazione raccolti in mare.

Metodologia
Gli autori propongono un framework OFDM adattivo composto da due componenti primarie:

1. PatchCSI-T (Modello di Previsione del Canale):

   • Architettura: Un modello basato su Transformer ispirato al modello di previsione delle serie temporali PatchTST.
   • Patching: Per ridurre la complessità computazionale e catturare le dipendenze a livello di segmento, le sequenze CSI in ingresso vengono partizionate in patch sovrapposte invece di elaborare i singoli campioni temporali. Ciò riduce la complessità dell'auto-attenzione da $O(T_{win}^2)$ a $O(N_{patch}^2)$.
   • Modellazione Indipendente dalle Caratteristiche: A differenza di molti metodi DL precedenti che mescolano le caratteristiche (ad es. tra sottoportanti o tap) per catturare le correlazioni, PatchCSI-T tratta le caratteristiche in modo indipendente. La dimensione delle caratteristiche viene unita alla dimensione del batch, consentendo a tutte le caratteristiche di essere elaborate in parallelo con parametri del modello condivisi. Questo approccio mira a mitigare l'overfitting, in particolare quando i dati di addestramento sono limitati, ed evita la complessenza della modellazione esplicita delle caratteristiche incrociate.
   • Previsione Multi-Step Congiunta: Il modello genera l'intera sequenza di previsione futura ($T_{pred}$ step) in un singolo passaggio in avanti (forward pass), evitando la propagazione dell'errore inerente ai metodi autoregressivi ricorsivi.

2. Modulazione e Allocazione della Potenza Greedy:

   • Il sistema utilizza il CSI previsto per selezionare congiuntamente gli ordini di modulazione e la potenza di trasmissione per ogni sottoportante.
   • Viene derivata una soglia di potenza minima in forma chiusa basata sul guadagno del canale previsto e sulla varianza dell'errore di previsione (modellata come Gaussiana) per soddisfare un target di Bit Error Rate (BER).
   • Un algoritmo greedy a bassa complessità aggiorna iterativamente l'ordine di modulazione della sottoportante che richiede la minore potenza incrementale fino a esaurimento del budget totale di potenza o violazione del vincolo del target BER. Se le condizioni del canale peggiorano, l'algoritmo declassa le sottoportanti con il costo marginale più elevato.

Contributi Chiave

• Modello PatchCSI-T: Introduzione di un'architettura basata su Transformer specificamente adattata per i canali UWA tramite patching e modellazione indipendente dalle caratteristiche per bilanciare accuratezza, velocità di inferenza e robustezza contro l'overfitting.
• Framework Integrato: Sviluppo di un sistema OFDM adattivo completo che accoppia il modello di previsione multi-step con uno schema di allocazione delle risorse greedy.
• Validazione Empirica: Valutazione su dataset di canali UWA misurati sul campo (China-Wanlu Reservoir), dimostrando miglioramenti rispetto ai baseline dello stato dell'arte.

Risultati Sperimentali
Gli esperimenti sono stati condotti utilizzando il dataset China-Wanlu Reservoir (2.137 misurazioni CIR, 256 sottoportanti, 6 kHz di larghezza di banda). Il modello PatchCSI-T è stato confrontato con RLS, BiGRU, CNN1d-LSTM e MTL-LSTM.

• Accuratezza della Previsione: Con un orizzonte di previsione di $T_{pred} = 32$, PatchCSI-T ha ottenuto un Errore Quadratico Medio Normalizzato (NMSE) di -14,76 dB. Ciò rappresenta un guadagno di 1,4 - 4,9 dB rispetto ai baseline. In particolare, CNN1d-LSTM e BiGRU hanno mostrato una saturazione dell'NMSE vicino a -10 dB per orizzonti più ampi.
• Efficienza di Inferenza: PatchCSI-T ha dimostrato tempi di inferenza significativamente più rapidi (14,7 ms a $T_{pred}=32$), che sono circa 6 volte più veloci di CNN1d-LSTM/BiGRU e oltre 50 volte più veloci di MTL-LSTM.
• Prestazioni del Sistema: Integrato nel sistema OFDM adattivo a un SNR di 15 dB:
  • PatchCSI-T ha mantenuto l'89,7% dei simboli trasmessi con un BER $\le 10^{-3}$.
  • Ha raggiunto un'efficienza spettrale di 5,14 bps/Hz.
  • Ha superato RLS (72,9% dei simboli, 4,15 bps/Hz) e MTL-LSTM (75,8% dei simboli, 4,34 bps/Hz).
• Comportamento di Adattamento: L'algoritmo di allocazione greedy ha tracciato con successo le variazioni del canale, attivando più sottoportanti e selezionando modulazioni di ordine superiore durante i picchi di guadagno del canale, e riducendo le risorse durante i cali per mantenere il target BER.

Significatività
Il documento afferma che il framework proposto affronta i critici compromessi tra latenza e accuratezza nelle comunicazioni UWA. Sfruttando la modellazione indipendente dalle caratteristiche e il patching, PatchCSI-T mitiga efficacementamente l'overfitting e l'accumulo di errore, consentendo una previsione del CSI a bassa latenza e accurata. L'integrazione di questo predittore con uno schema di allocazione greedy permette ai sistemi adattivi di operare su condizioni di canale previste anziché obsolete, migliorando così il Bit Error Rate (BER) end-to-end e l'efficienza spettrale in ambienti UWA reali. Gli autori notano che il lavoro futuro estenderà la validazione ai dati raccolti in mare con effetti Doppler più forti e ritardi più lunghi, nonché ad esperimenti in loop chiuso in tempo reale.