Совместная оценка блока и сеть долгой краткосрочной памяти с механизмом внимания для смягчения эффекта доплеровского сдвига в УЗА-системах связи

Чётче слышать под водой

По мере того как океаны заполняются датчиками, роботами и исследовательскими приборами, надёжная передача информации через воду становится всё важнее. Однако подводные звуковые сигналы легко искажаются, когда волны, течения или движущиеся аппараты сдвигают их частоту — явление, известное как доплеровский сдвиг. В этой работе предлагается более умный способ корректировки таких сдвигов для популярной схемы модуляции OFDM: сочетание традиционной физически обоснованной коррекции с современной нейронной сетью, усиленной механизмом внимания, чтобы сообщения оставались разборчивыми даже в бурном, шумном море.

Почему подводные сигналы искажаются

В отличие от радиоволн в воздухе, звук в океане проходит через постоянно меняющуюся среду. Когда корабль, буй или подводный аппарат движется, или когда ветер и волны меняют поверхность моря, частоты акустических сигналов сжимаются или растягиваются во времени. В системах OFDM, где много близко расположенных поднесущих передают данные параллельно, даже небольшие сдвиги нарушают тонкий баланс, предотвращающий взаимные помехи между тонами. В результате возникает перекрёстное влияние каналов и повышаются ошибки в принимаемом потоке данных. Существующие методы коррекции могут оценивать эти доплеровские сдвиги, но часто жертвуют точностью ради простоты либо не работают в условиях быстрого движения, быстро меняющегося канала или низкого отношения сигнал/шум.

Сочетание простого мерила и умного ученика

Авторы предлагают двухэтапную стратегию, которая объединяет простое интерпретируемое измерение с мощной моделью обучения. Сначала они вставляют специальные зондирующие звуки — хрипы с линейной частотной модуляцией (LFM) — в начале и в конце каждого фрейма данных. Поскольку эти хрипы распределяют энергию по широкому диапазону частот, их легче сопоставлять даже после искажения океаном. Измеряя, насколько принятые хрипы растянуты или сжаты во времени, система получает грубую оценку общего доплеровского фактора и пересэмплирует входящие данные, чтобы устранить большую часть искажений. Этот шаг относительно прост вычислительно и устойчив к шуму, превращая сложную широкополосную задачу в более чистую и узкополосную.

Обучение нейронной сети для тонкой настройки сигнала

После этой первоначальной коррекции остаётся более тонкий остаток: небольшой сдвиг несущей частоты, который всё ещё искажает фазу OFDM-поднесущих. Для его устранения авторы рассматривают задачу как распознавание образцов во временных рядах. Они подают пересэмплированные OFDM-символы в нейронную сеть, построенную на базе ячеек долгой краткосрочной памяти (LSTM) с добавленным механизмом внимания. На вход подаётся не полный комплексный сигнал, а в основном фаза каждой поднесущей, где доплеровские искажения проявляются наиболее явно. Ячейки LSTM учатся тому, как эти фазы меняются между последовательными символами, в то время как слой внимания выделяет наиболее информативные временные шаги, имитируя фокусировку человеческого восприятия на ключевых деталях. Сеть выдаёт одно нормализованное значение смещения, которое затем используется для окончательной фазовой коррекции всех поднесущих.

Испытания в виртуальных океанах

Чтобы оценить эффективность гибридного метода, исследователи смоделировали подводные каналы с помощью широко используемой модели акустической распространения, охватывающей как мелководные прибрежные условия, так и глубоководные районы. Они сгенерировали десятки тысяч синтетических OFDM-фреймов с различными доплеровскими сдвигами и уровнями шума, использовав часть этих данных для обучения и остальную — для тестирования. Они сравнили свой подход на базе LSTM с вниманием, предшествующий которому шаг грубой оценки на основе LFM, с несколькими альтернативами: классическими методами на основе циклических префиксов или неиспользуемых поднесущих, а также нейросетями без рекуррентных слоёв или без внимания. В широком диапазоне отношений сигнал/шум и сил доплера их метод даёт меньшие ошибки оценки частоты и значительно меньше ошибок битов, особенно в сложных условиях с низким SNR или высоким доплером.

Баланс между производительностью и практичностью

Хотя новый подход требует больше вычислений, чем самые простые классические методы, он остаётся практичным, если нейросеть обучена офлайн и используется только для предсказания в реальном времени. Авторы анализируют количество операций для каждого конкурирующего метода и показывают, что, хотя их модель более тяжёлая, чем поисковые оценщики грубой точности, она избегает взрывного роста вычислений, который возник бы при очень точном поиске. Она также использует меньше параметров, чем конкурирующая сеть с вниманием, что важно с учётом дефицита размеченных подводных данных. В целом дизайн находит баланс между точностью, устойчивостью и эффективностью, подходящий для реальных встроенных систем на подводных платформах.

Более понятные разговоры под волнами

По сути, эта работа демонстрирует, что сочетание простого физического измерения с целенаправленной последовательностно-осведомлённой нейросетью может существенно улучшить способность подводных систем связи справляться с движением и турбулентностью. Грубая LFM-оценка блока устраняет основную часть доплеровского искажения, в то время как LSTM с вниманием устраняет оставшийся сдвиг частоты, вычленяя тонкие закономерности в фазе сигнала. В совокупности они снижают уровень ошибок и делают цифровые «разговоры» под волнами более надёжными, указывая путь к более интеллектуальным акустическим каналам для океанических исследований, оффшорной инженерии и автономных морских аппаратов.

Цитирование: Zeng, Q., Guo, T., Peng, G. et al. Joint block estimation and attention-based long short-term memory network for doppler shift mitigation in UWA communication systems. Sci Rep 16, 11328 (2026). https://doi.org/10.1038/s41598-026-38112-7

Ключевые слова: подводная акустическая связь, компенсация доплеровского сдвига, OFDM, глубинное обучение, сеть LSTM с вниманием