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

Resumo Técnico: Predição de Canal de Múltiplos Passos Baseada em Deep Learning para Sistemas OFDM Acústicos Subaquáticos Adaptativos

Definição do Problema
As comunicações acústicas subaquáticas (UWA) enfrentam desafios significativos devido à atenuação dependente da frequência, desvanecimento de multicaminho severamente variante no tempo, deslocamento Doppler induzido pelo movimento e longos atrasos de propagação causados pela baixa velocidade do som. Esses fatores tornam difícil a aquisição oportuna da Informação de Estado do Canal (CSI); atrasos de ida e volta em links de escala quilométrica podem atingir segundos, tornando impraticável a adaptação de link baseada em feedback tradicional quando o tempo de coerência do canal é de uma ordem similar. Embora a predição de canal ofereça uma solução ao permitir a adaptação de link proativa, os métodos existentes possuem limitações. O filtragem adaptativa convencional (ex: Mínimos Quadrados Recursivos - RLS) tem dificuldade com a natureza não linear e rapidamente variante no tempo dos canais UWA. Além disso, abordagens de Deep Learning (DL) existentes, como arquiteturas baseadas em RNN, sofrem com o acúmulo de erro na predição de múltiplos passos, enquanto modelos que empregam mistura de características entre dimensões são propensos ao sobreajuste (overfitting) dada a escassez de dados de medição em mar aberto.

Metodologia
Os autores propõem um framework de Multiplexação por Divisão de Frequência Ortogonal (OFDM) adaptativo composto por dois componentes primários:

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

   • Arquitetura: Um modelo baseado em Transformer inspirado no modelo de previsão de séries temporais PatchTST.
   • Patching (Fragmentação): Para reduzir a complexidade computacional e capturar dependências de nível de segmento, as sequências de CSI de entrada são particionadas em patches sobrepostos em vez de processar amostras de tempo individuais. Isso reduz a complexidade de autoatenção de $O(T_{win}^2)$ para $O(N_{patch}^2)$.
   • Modelagem Independente de Características: Ao contrário de muitos métodos de DL anteriores que misturam características (ex: entre subportadoras ou taps) para capturar correlações, o PatchCSI-T trata as características de forma independente. A dimensão de característica é fundida na dimensão de lote (batch), permitindo que todas as características sejam processadas em paralelo com parâmetros de modelo compartilhados. Esta abordagem visa mitigar o sobreajuste, particularmente quando os dados de treinamento são limitados, e evita a complexidade da modelagem explícita de características cruzadas.
   • Predição Conjunta de Múltiplos Passos: O modelo gera toda a sequência de predição futura ($T_{pred}$ passos) em uma única passagem direta (forward pass), evitando a propagação de erro inerente aos métodos recursivos autorregressivos.

2. Modulação Adaptativa e Alocação de Potência Gananciosa (Greedy):

   • O sistema utiliza a CSI predita para selecionar conjuntamente as ordens de modulação e a potência de transmissão por subportadora.
   • Um limiar de potência mínima em forma fechada é derivado com base no ganho de canal predito e na variância do erro de predição (modelada como Gaussiana) para satisfazer uma taxa de erro de bit (BER) alvo.
   • Um algoritmo ganancioso de baixa complexidade atualiza iterativamente a ordem de modulação da subportadora que requer a menor potência incremental até que o orçamento total de potência seja esgotado ou a restrição de BER alvo seja violada. Se as condições do canal deteriorarem, o algoritmo reduz as subportadoras com o maior custo marginal.

Principais Contribuições

• Modelo PatchCSI-T: Introdução de uma arquitetura baseada em Transformer especificamente adaptada para canais UWA usando patching e modelagem independente de características para equilibrar precisão, velocidade de inferência e robustez contra sobreajuste.
• Framework Integrado: Desenvolvimento de um sistema OFDM adaptativo completo que acopla o modelo de predição de múltiplos passos com um esquema de alocação de recursos ganancioso.
• Validação Empírica: Avaliação em conjuntos de dados de canais UWA medidos em campo real (Reservatório China-Wanlu), demonstrando melhorias sobre as linhas de base de estado da arte.

Resultados Experimentais
Os experimentos foram conduzidos utilizando o conjunto de dados do Reservatório China-Wanlu (2.137 medições de CIR, 256 subportadoras, 6 kHz de largura de banda). O modelo PatchCSI-T foi comparado contra RLS, BiGRU, CNN1d-LSTM e MTL-LSTM.

• Precisão de Predição: Em um horizonte de predição de $T_{pred} = 32$, o PatchCSI-T alcançou um Erro Quadrático Médio Normalizado (NMSE) de -14,76 dB. Isso representa um ganho de 1,4 a 4,9 dB sobre as linhas de base. Notavelmente, o CNN1d-LSTM e o BiGRU exibiram saturação de NMSE próximo a -10 dB para horizontes maiores.
• Eficiência de Inferência: O PatchCSI-T demonstrou tempos de inferência significativamente mais rápidos (14,7 ms em $T_{pred}=32$), o que é aproximadamente 6 vezes mais rápido que CNN1d-LSTM/BiGRU e mais de 50 vezes mais rápido que MTL-LSTM.
• Desempenho do Sistema: Quando integrado ao sistema OFDM adaptativo em um SNR de 15 dB:
  • O PatchCSI-T manteve 89,7% dos símbolos transmitidos com um BER $\le 10^{-3}$.
  • Alcançou uma eficiência espectral de 5,14 bps/Hz.
  • Superou o RLS (72,9% dos símbolos, 4,15 bps/Hz) e o MTL-LSTM (75,8% dos símbolos, 4,34 bps/Hz).
• Comportamento de Adaptação: O algoritmo de alocação gananciosa rastreou com sucesso as variações do canal, ativando mais subportadoras e selecionando modulações de ordem superior durante ganhos de canal, enquanto reduzia recursos durante desvanecimentos para manter o BER alvo.

Significância
O artigo afirma que o framework proposto aborda os críticos compromissos de latência e precisão em comunicações UWA. Ao aproveitar a modelagem independente de características e o patching, o PatchCSI-T mitiga efetivamente o sobreajuste e o acúmulo de erro, permitindo a previsão de CSI de baixa latência e alta precisão. A integração deste preditor com um esquema de alocação ganancioso permite que sistemas adaptativos operem em condições de canal preditas em vez de condições obsoletas, melhorando assim a Taxa de Erro de Bit (BER) de ponta a ponta e a eficiência espectral em ambientes UWA reais. Os autores observam que trabalhos futuros estenderão a validação para dados em mar aberto com efeitos Doppler mais fortes e atrasos mais longos, bem como experimentos de malha fechada em tempo real.