⚡ electrical engineering

Universal adaptive beamforming: A Bayesian approach

本文引入了一种贝叶斯通用波束成形框架，该框架通过对离散化导向假设进行后验概率递归更新，实现了针对动态水声环境的鲁棒联合时空自适应，并在实验测试中实现了零误码率的可靠宽带通信。

原作者： Diego A. Cuji, Andrew C. Singer, John R. Buck

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Diego A. Cuji, Andrew C. Singer, John R. Buck

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在嘈杂混乱的派对中听清一位朋友的说话声。但这不是一个普通的派对，而是在水下。声音在水面、海底和其他障碍物之间来回反射，在你耳边创造出多个你朋友声音的“幽灵”版本，这些声音到达的时间和角度都略有不同。更糟糕的是，你的朋友正在移动，所以声波在拉伸和压缩（就像警笛驶过一样），不断改变着音调和时机。

这就是水下通信系统面临的挑战。你提供的论文提出了一种巧妙的新方法来解决这个问题，使用的是“贝叶斯通用波束成形”（Bayesian Universal Beamforming）框架。以下是通过简单的类比对该方法的解释。

旧方法：只选一个猜测

传统上，如果你想听清朋友的声音，你必须精确地猜出他们站在哪里。你会对着那个特定的位置指向一个定向麦克风（即“波束形成器”）。

问题在于： 如果你的猜测稍有偏差，或者你的朋友稍微移动了一下，麦克风就会错过声音。在动态变化的水下环境中，要猜准精确的角度，就像蒙着眼睛试图击中一个移动的目标一样。如果你猜错了，信号就会丢失。

新方法：“专家小组”

作者提出了一个更聪明的方法：不要只选一个猜测。同时保留所有可能的猜测。

想象你有一个由10位专家组成的专家组（假设）。每位专家都将自己的麦克风指向略微不同的角度，覆盖了你朋友可能存在的整个区域。

设置： 你拥有的不是一个麦克风，而是一组麦克风，每个麦克风都针对不同的方向进行了调谐（例如，从 -12 度到 -7 度）。
倾听： 所有10位专家同时聆听声音。
评分： 一个中央“裁判”（贝叶斯算法）会倾听每位专家听到的声音。
- 如果专家 #3 听到的是清晰、强劲且符合预期特征的声音，裁判就会给专家 #3 高分（高概率）。
- 如果专家 #7 听到的主要是噪声或微弱信号，裁判就会给专家 #7 低分。
决策： 最终的输出不仅仅是专家 #3 听到的内容。它是所有10位专家的加权混合。如果专家 #3 有 90% 的置信度分数，而专家 #4 有 10%，那么最终答案就是专家 #3 声音的 90% 加上专家 #4 声音的 10%。

“软”跟踪的魔力

这个系统的天才之处在于它不需要“切换”麦克风。

旧方法： 如果你的朋友移动了，系统必须停止，计算新的角度，然后物理性地将麦克风切换到新位置。这需要时间，并可能导致信号中断。
新方法： 随着你的朋友移动，“分数”会自然地发生偏移。专家 #3 的分数可能会略微下降，而专家 #4 的分数则会上升。最终的混合过程会平滑地从主要听取专家 #3 转向主要听取专家 #4。这是一场平滑、连续的舞蹈，而不是生硬的切换。

加入“均衡器”（修复失真）

仅仅能“听见”只是成功的一半。因为声音会四处反弹，导致单词传达得乱七八糟（某些句子部分会与其他部分重叠）。这被称为“多径干扰”。

论文增加了第二层：在每位专家身后放置一个均衡器。
这可以理解为每位专家背后都有一位音效工程师，负责修复那些混乱的单词，并纠正由于移动引起的音调变化（多普勒效应）。
“裁判”现在评分的标准不仅是信号有多响，还在于均衡器修复后的单词有多清晰。如果专家 #5 的均衡器在清理噪声方面做得很好，那么这位专家就会获得更高的权重。

现实世界测试 (MACE 实验)

作者使用 2010 年移动声学通信实验（MACE）的真实数据测试了这个系统。

场景： 一个发射机被拖在船后，向着位于海底的接收器阵列移动。声音必须穿过一个混乱、多变的复杂环境。
结果： 该系统表现得非常出色。
- 它实现了零比特错误（信息被完美接收）。
- 它在极低的“开销”下完成了任务（它不需要浪费太多时间发送测试信号来确定信道）。
- 它成功地追踪了移动的发射器，并自动纠正了声音失真。

总结

简单来说，这篇论文介绍了一个不再试图寻找“唯一正确答案”的系统。相反，它维持了一个监听团队来覆盖所有的可能性。它不断检查谁听到的信号最清晰，并给予其更大的影响力，最后将他们的答案融合在一起。这使得水下通信即使在发射器移动和海洋条件快速变化的情况下，也能保持清晰且无误。

技术摘要：通用自适应波束成形：一种贝叶斯方法

问题陈述

水下声通信信道具有严重的多径传播、长时延扩展、多普勒效应以及强烈的时变性特征。在动态环境（如带有移动发射机和接收机的浅水环境）中，空间结构（到达角）和时间特性（时延与增益）会持续变化。

传统的自适应波束成形方法通常依赖于估计单个主导到达角（AoA），并针对该特定方向构建匹配滤波器。这些方法通常需要“硬”波束选择或切换。在快速变化的水下信道中，这种基于硬决策的方法对方向估计误差非常敏感。如果估计方向错误，或者信道几何结构的改变速度快于估计器的跟踪速度，性能将会显著下降。此外，现有方法通常将空间滤波（波束成形）与时间均衡视为两个独立的阶段，这可能错失了进行联合时空自适应的机会。

方法论

本文提出了一种贝叶斯通用波束成形框架，将角度估计与空间滤波视为一个联合概率推理问题。该框架不再选择单一的“最佳”波束，而是维护一组有限的导向假设，并根据观测数据递归地更新它们的后验概率。

1. 通用自适应波束成形（窄带）

该框架将角度域离散化为一组假设集合 $\Theta = \{\theta_1, \theta_2, \dots, \theta_K\}$ 。

并行处理： 对于每个假设 $\theta_i$ ，应用相应的波束成形滤波器 $\Phi_i$ 处理接收阵列数据 $v[n]$ ，从而产生分支输出 $\hat{x}_i[n]$ 。
概率加权： 最终的信号估计值 $\hat{x}[n]$ 是所有分支输出的加权和：
$\hat{x}[n] = \sum_{i=1}^{K} \mu_i[n] \hat{x}_i[n]$
其中 $\mu_i[n]$ 代表给定观测历史条件下，假设 $\theta_i$ 的后验概率。
贝叶斯更新： 利用贝叶斯定理，后验权重被递归地更新。对于高斯观测模型，这种更新简化为由损失函数 $L$ 驱动的指数权重递归：
$\mu_i[n] \propto P_i \cdot \exp\left(-\frac{1}{2\nu} L(v_0^{n-1}, \Phi_i)\right)$
这里， $P_i$ 是先验概率，损失函数通常与相干波束成形输出能量相关。产生更高输出能量（与观测值更匹配）的假设会获得更高的后验权重。
软跟踪： 这种方法实现了“软”空间跟踪，即概率质量可以在相邻的假设之间连续转移，以应对源方向的变化，从而避免了突发的波束切换。

2. 宽带扩展与均衡

该框架被扩展到宽带水下通信接收机，以处理频率相关的传播特性和符号间干扰（ISI）。

频域合成： 宽带波束成形滤波器在频域内针对每个导向假设进行合成，以补偿阵列孔径在不同频率下的时延差异，随后将其转换为时域 FIR 滤波器。
通用均衡： 每个波束成形分支后都跟随一个自适应判决反馈均衡器（DFE）。DFE 用于补偿残余的多普勒畸变、ISI 以及信道波动。
联合时空自适应： 后验概率的更新不仅取决于波束成形性能，还取决于分支特定的均衡误差（ $e_i[n]$ ）。损失函数变为符号检测的累积平方误差：
$L(e_{i,0}^{n-1}) = \sum_{k=0}^{n-1} |e_i[k]|^2$
产生较低均衡误差（即具有更好数据检测能力）的分支会累积更高的后验概率。最终的符号估计是所有分支决策的后验加权组合。

核心贡献

统一的贝叶斯框架： 本文引入了一种统一的方法，将通用预测/估计理论与自适应阵列处理联系起来，并在高斯假设下自然地与经典的最小均方误差（MMSE）波束成形相衔接。
软空间推理： 它用连续的概率加权取代了硬波束选择，使得接收机能够无需显式的切换逻辑即可跟踪随时间变化的到达角。
联合时空自适应： 该框架将自适应波束成形与自适应均衡集成到一个单一的概率循环中。系统通过基于端到端数据检测性能的权重分配，同时跟踪到达角（AoA）、多普勒诱导的畸变以及信道 ISI。
低开销实现： 该方法利用离散的假设集和递归更新，避免了复杂的信道估计或重度依赖导频的训练序列。

实验结果

作者使用 2010 年移动声通信实验（MACE） 的数据验证了该框架。

设置： 一个位于 40 米深度的 12 元接收阵列（孔径 1.32 米），以及一个以 0.5–1.5 m/s 速度移动的发射机（深度 40–60 米）。所用信号采用中心频率为 13 kHz 的 BPSK 调制。
性能指标：
- 均方误差 (MSE)： 实现了 -16.72 dB 的 MSE。
- 误码率 (BER)： 在测试帧期间报告为 零观测误码。
- 开销： 系统仅需 2.81% 的导频开销（在约 16,376 个总符号中仅包含 460 个训练符号）。
观察结论： 随着信道演进，后验权重成功地集中在产生最佳均衡性能的导向假设周围。系统展示了对多普勒诱导相位变化和移动源方向的可靠跟踪能力。

意义与主张

本文声称，对于在动态环境下（传统“硬”波束选择失效的环境）进行水下声通信，这种贝叶斯通用方法提供了一种鲁棒的解决方案。通过在相互竞争的空间和时间模型之间持续重新分配后验概率，接收机能够适应快速变化的传播几何结构和多径条件，而无需显式的信道状态信息或复杂的切换机制。

作者强调，该框架自然地弥合了经典自适应波束成形（如匹配滤波和 MMSE）与现代概率推理之间的鸿沟。实验结果表明，该方法能够在移动场景下实现可靠通信，具有极低的数据检测误差和零误码率，凸显了概率性时空自适应在未来水下声学系统中的潜力。