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

技术摘要：基于深度学习的自适应水声 OFDM 系统多步信道预测

问题陈述
水声（UWA）通信面临着显著的挑战，包括频率相关的衰减、剧烈的时变多径衰落、运动引起的多普勒频移，以及由低声速导致的长时间传播延迟。这些因素使得及时获取信道状态信息（CSI）变得十分困难；在公里级链路中，往返延迟可达秒级，这使得传统的基于反馈的链路自适应在信道相干时间与之处于同一数量级时显得不再切实际。虽然信道预测提供了一种解决方案，通过实现前瞻性的链路自适应，但现有方法存在局限性。传统的自适应滤波（如递归最小二乘法 RLS）难以应对水声信道的非线性和快速时变特性。此外，现有的深度学习（DL）方法（如基于 RNN 的架构）在多步预测中存在误差累积问题，而采用跨维度特征混合的模型在面对稀缺的海测数据时，容易出现过拟合现象。

方法论
作者提出了一种自适应正交频分复用（OFDM）框架，该框架包含两个主要组件：

1. PatchCSI-T（信道预测模型）：

   • 架构： 一种受 PatchTST 时间序列预测模型启发的 Transformer 架构。
   • 分块（Patching）： 为了降低计算复杂度并捕捉段级依赖关系，输入 CSI 序列被划分为重叠的分块（patches），而非处理单个时间样本。这使得自注意力机制的复杂度从 $O(T_{win}^2)$ 降低到 $O(N_{patch}^2)$。
   • 特征独立建模： 与许多通过混合特征（例如跨子载波或跨抽头）来捕捉相关性的先前 DL 方法不同，PatchCSI-T 对特征进行独立处理。特征维度被合并到批次（batch）维度中，从而允许所有特征在共享模型参数的情况下并行处理。这种方法旨在缓解过拟合问题（特别是在训练数据有限的情况下），并避免了显式跨特征建模的复杂性。
   • 联合多步预测： 该模型通过单次前向传播生成整个未来预测序列（$T_{pred}$ 步），从而避免了自回归递归方法中固有的误差传播问题。

2. 贪婪自适应调制与功率分配：

   • 系统利用预测的 CSI 来联合选择每个子载波的调制阶数和发射功率。
   • 基于预测的信道增益和预测误差方差（建模为高斯分布），推导出一个闭式最小功率阈值，以满足目标误码率（BER）。
   • 一种低复杂度的贪婪算法通过迭代方式，为所需增量功率最小的子载波升级调制阶数，直到耗尽总功率预算或违反目标 BER 约束。如果信道条件恶化，该算法则会降低边际成本最大的子载波的等级。

核心贡献

• PatchCSI-T 模型： 引入了一种专门针对水声信道设计的 Transformer 架构，通过分块技术和特征独立建模，在准确性、推理速度和抗过拟合鲁棒性之间取得了平衡。
• 集成框架： 开发了一个完整的自适应 OFDM 系统，将多步预测模型与贪婪资源分配方案相结合。
• 实证验证： 在真实世界的水声信道数据集（中国万路水库）上进行了评估，证明了其相对于最先进基准方法的改进。

实验结果
实验使用中国万路水库数据集（2,137 个 CIR 测量值，256 个子载波，6 kHz 带宽）进行。PatchCSI-T 模型与 RLS、BiGRU、CNN1d-LSTM 和 MTL-LSTM 进行了对比。

• 预测精度： 在预测步长 $T_{pred} = 32$ 时，PatchCSI-T 实现了 -14.76 dB 的归一化均方误差（NMSE）。相比基准模型，这实现了 1.4 到 4.9 dB 的增益。值得注意的是，对于较大的预测步长，CNN1d-LSTM 和 BiGRU 的 NMSE 在 -10 dB 附近趋于饱和。
• 推理效率： PatchCSI-T 展示了显著更快的推理时间（在 $T_{pred}=32$ 时为 14.7 ms），这比 CNN1d-LSTM/BiGRU 快约 6 倍，比 MTL-LSTM 快 50 倍以上。
• 系统性能： 当集成到自适应 OFDM 系统并在 SNR 为 15 dB 时：
  • PatchCSI-T 保持了 89.7% 的传输符号，且 BER $\le 10^{-3}$。
  • 它实现了 5.14 bps/Hz 的频谱效率。
  • 其表现优于 RLS（72.9% 符号，4.15 bps/Hz）和 MTL-LSTM（75.8% 符号，4.34 bps/Hz）。
• 自适应行为： 贪婪分配算法成功追踪了信道变化：在信道增益较高时激活更多子载波并选择高阶调制；在衰落期间减少资源以维持目标 BER。

意义
本文声称所提出的框架解决了水声通信中关键的延迟与精度权衡问题。通过利用特征独立建模和分块技术，PatchCSI-T 有效地缓解了过拟合和误差累积，实现了准确、低延迟的 CSI 预测。将该预测器与贪婪分配方案相结合，使自适应系统能够基于预测而非过时的信道状况运行，从而提高真实水声环境下的端到端误码率（BER）性能和频谱效率。作者指出，未来的工作将把验证扩展到具有更强多普勒效应和更长延迟的海测数据，以及实时闭环实验。