用于水下声学通信系统多普勒频移补偿的联合块估计与基于注意力的长短期记忆网络

在水下清晰聆听

随着海洋中传感器、机器人和科研仪器的增多，通过水体可靠地传输信息变得愈发重要。然而，当波浪、洋流或移动的航行器改变信号频率时，水下声学信号极易发生扭曲，这一现象被称为多普勒频移。本文提出了一种更智能的方式来校正用于一种流行调制方案 OFDM 的频移：将传统的基于物理的补偿与现代的注意力增强神经网络结合起来，从而在恶劣、嘈杂的海况中也能保持水下信息的清晰。

为何水下信号会被干扰

与空气中的无线电波不同，海洋中的声波必须穿越一个不断变化的环境。当船舶、浮标或水下航行器运动，或风浪重塑海面时，声学信号的频率会在时间上被压缩或拉伸。在 OFDM 系统中，许多紧密间隔的子载波并行传输数据，即便是微小的频移也会破坏这些子载波之间的精细平衡，导致通道间串扰并提高接收数据的误码率。现有的补偿方法可以估计这些多普勒效应，但它们常在准确性与简便性之间权衡，或在运动快速、信道快变或信噪比较低时失效。

将简单的尺子与智能学习器结合

作者提出了一种两步策略，将易于解释的测量方法与强大的学习模型结合。首先，他们在每个数据帧的起始和末尾插入特殊的探测信号——线性调频（LFM）啁啾。由于这些啁啾的能量分布在宽频带上，即使在海况扭曲后仍易于匹配。通过测量接收啁啾在时间上被拉伸或压缩的程度，系统得到粗略的整体多普勒因子估计，并对输入数据进行重采样以撤销大部分扭曲。这一步计算代价较低且对噪声鲁棒，将复杂的宽带问题转化为更清晰、更窄带的任务。

训练神经网络进行精细校正

经过第一步校正后，仍存在更细微的残留：一个小的载波频率偏移，继续扭曲 OFDM 子载波的相位。为此，作者将该问题视为时间序列上的模式识别任务。他们将重采样后的 OFDM 符号输入到由长短期记忆（LSTM）单元构成并增强了注意力机制的神经网络中。输入并非完整的复数波形，而主要是各子载波的相位，在这里多普勒引起的失真最为明显。LSTM 单元学习这些相位在连续符号间的演变，而注意力层突出最具信息量的时间步，类似于人类感知聚焦关键细节的方法。网络输出一个归一化的偏移值，然后用于对所有子载波施加最终的相位校正。

在虚拟海洋中的测试

为了验证这类混合方法的效果，研究者使用一种广泛采用的声学传播模型对水下信道进行仿真，涵盖近岸浅水和深海条件。他们生成了数万帧带有不同多普勒频移和噪声水平的合成 OFDM 数据，部分用于训练，剩余用于测试。他们将所提出的先由 LFM 完成粗估计再由注意力 LSTM 精细校正的方法，与几种替代方案进行了比较：基于循环前缀或未使用子载波的纯传统方法，以及不含递归层或不含注意力的神经网络。在一系列信噪比和多普勒强度下，该方法在频率估计误差和比特误差率上均取得更低的数值，尤其在低信噪比或高多普勒情形下更为显著。

性能与实用性的平衡

尽管新方法在计算上比最简单的经典技术更为复杂，但在神经网络离线训练、运行时仅用于预测的情形下仍然具有实用性。作者分析了各竞争方法的运算量，并表明他们的模型虽然比粗分辨率的搜索估计器更重，但避免了将这些搜索做得非常细致时所导致的成本爆炸。该模型的参数量也少于另一种竞品注意力网络，这一点在标注水下数据稀缺的背景下尤为重要。总体而言，该设计在精度、鲁棒性与效率之间取得了适合水下平台嵌入式系统的平衡。

更清晰的海底通信

本质上，这项工作表明，将直接的物理测量与面向序列、聚焦的神经网络结合，可以显著改善水下通信系统应对运动和湍流的能力。粗略的 LFM 块估计处理了大部分多普勒扭曲，而基于注意力的 LSTM 则通过学习信号相位中的微妙模式清除剩余的频率偏移。二者配合降低了误码率，使海底数字通信更可靠，为海洋科学、离岸工程和自治海洋车辆的发展指明了更智能的声学链路方向。

引用: 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

关键词: 水下声学通信, 多普勒频移补偿, OFDM, 深度学习, LSTM 注意力网络