没有合适的资源?快使用搜索试试~ 我知道了~
水下信道冲激比估计的基于SSP的S-BiFPN方法
可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8(2022)44www.elsevier.com/locate/icte基于SSP的S-BiFPN水下信道冲激比估计Seunghwan Seol,Jongmin Ahn,Hojun Lee,Yongcheol Kim,JaehakChung韩国仁和大学电子工程系,仁川22201接收日期:2021年10月7日;接收日期:2021年12月31日;接受日期:2022年1月19日2022年2月5日在线发布摘要在水下传感器网络中,基于声速剖面(SSP)的信道冲激响应(CIR)估计保证了链路的可靠性。我们提出了一个单独的双向特征金字塔网络(S-BiFPN),它使用深度学习来估计CIR,SSP.该方法通过将1维转换为2维来放大SSP的微小变化,使用从单独路径获得的融合特征图来提取各种特征,并估计CIR。使用实际测量的SSP进行仿真结果表明,该方法具有最低的均方误差(MSE)和合理的运行时间,传统的方法。版权所有2022作者。出版社:Elsevier B.V.代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:机器学习; CIR估计; SSP; BiFPN1. 介绍在水下传感器网络中,链路可靠性是实现网络鲁棒性的重要参数之一。 如果发射机知道信道信息,则发射机使用信道自适应传输来实现最大数据速率[2,3]。然而,在水下声学(UWA)通信链路中,来自接收器的信道反馈是无用的,因为往返延迟大于UWA信道的相干时间[4]。在USN中,可以使用射线跟踪技术在发射机处估计CIR而无需反馈,例如,贝尔-霍普[5]。由于BELLHOP射线追踪法不易获得水下环境的准确信息,因此其CIR估计性能较差。开发了一个完整的搜索,以通过SSP估计CIR,测量的SSP和输入SSP之间的最小MSE。由于SSP和CIR的数量有限,因此该方法没有提供良好的CIR估计性能。作为替代,深度学习(DL)方法是一种 来估计CIR。在[6]和[7]中,*通讯作者。电子邮件地址:koe3400@naver.com(S.Seol)、anjong3@naver.com(J. Ahn)、timmit@naver.com(H.Lee),dydcjf4691@naver.com(Y.Kim),jchung@inha.ac.kr(J.Chung)。同行审议由韩国通信研究所负责教育与信息科学(KICS)。https://doi.org/10.1016/j.icte.2022.01.008提出了一种基于卷积神经网络(CNN)的信道估计器,将导频辅助信道矩阵看作二维图像。[6]和[7]中的估计器不足以在没有反馈的情况下估计发射机中的信道。CNN或全卷积网络(FCN)[8]已广泛用于提取图像的特征。这些方法仅使用单个特征图来提取特征。在水声通信信道中,具有小幅度的CIR的反射路径是重要的,并且所有路径需要从多层次特征图中估计。开发了特征金字塔网络(FPN)[9]来提取多尺度特征图并利用图像中的各种特征。研究了一种利用加权特征融合方法克服FPN缺点的加权双向FPN(BiFPN)方法[10]。然而,利用BiFPN的所有融合特征图会导致许多学习参数。此外,在BiFPN中将所有融合的特征图转换为一维(D)可能是低效的,因为BiFPN顺序地组合相邻的特征图,这导致随着网络变得更深,特征图中的特征信息变得模糊。为了精确地提取特征的SSP与小的变化,本文提出了一种分离的BiFPN(S-BiFPN),由预处理阶段,特征提取阶段,和CIR估计阶段。在预处理阶段,将一维SSP数据转换为二维图像,并通过非线性算子放大SSP的微小变化。2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。S. Seol,J.安氏,H.Lee等人ICT Express 8(2022)4445关于我们联系我们我的特征提取阶段通过融合的特征图提取各种SSP特征,CIR估计阶段估计CIR。基于实际海洋数据的计算机仿真表明,该CIR估计方法比传统的射线跟踪方法和传统的特征提取方法具有更好的本文的贡献总结如下。- 在发射端提出了一种基于SSP的水声信道响应比估计方法。- 预处理阶段将1-D SSP数据转换为2-D图像并放大SSP的小变化- 所提出的S-BiFPN使用单独的路径融合多尺度特征图,即, 自上而下和自下而上的路径,同时保持详细的UWA信息并降低复杂性。- 实际测量的海洋SSPs和CIR被用于学习和验证,以证明所提出的方案的性能。- 与传统的CIR估计器的CIR估计性能相比,所提出的方法具有最低的MSE。2. 该方法水声信道干扰比与时变的水声信号强度、发射机和接收机之间的海底和海面环境有关。SSP可以简单地通过在发射机处的电导率-温度-深度(CTD)来测量,然而,模拟海洋的表面和底部反射的特性是复杂的。因此,所提出的CIR估计方法通过测量的CIR和SSP来学习海面和海底反射的海洋环境,并且基于给定的SSP来估计CIR。基于SSP的CIR的DL方法通过使用具有监督学习的DNN来估计CIR。然而,用于CIR估计的传统DNN具有低估计性能,因为SSP的变化非常小,并且没有充分提取SSP的特征为了克服这些问题,提出了三阶段的方法来估计CIR。首先,预处理将一维SSP数据转换为二维图像,并强调SSP的微小变化。其次,利用Conv-Net和S-BiFPN提取细节特征然后,通过使用提取的特征来估计CIR。图1示出了所提出的基于SSP的S-BiFPN CIR估计器的框图。2.1. 预处理小的SSP变化是通过学习水下环境来估计CIR的重要参数之一。预处理阶段由两个步骤组成,以突出SSP的变化。第一步是调整SSP比例,以扩大SSP之间的最大差异图1.一、所 提出的基于SSP的CIR估计器的框图。和最小值,第二个将1-D SSP向量转换为2-D图像。对于SSP值的标度调整,利用声速(C)的非线性变换速度(S),其被给出为:S=elog2C,( 1)对 于 第 二 种 方 法 , 将 一 维 SSP 矢 量 转 换 为 二 维(IRN×N),其列矢量(d d1,d2,. . .,d N)和行向量(SS1,S2,. . .,S,N)分别表示深度和缩放速度。2-DSSP图像(I)的元素仅由1和0组成,其被确定为,I(i,j)1 i f i=dk,j=Skf或k一,二,. .、N.0其他智慧(二)2.2. 基于SSP的CIR估计器图中的特征提取阶段。1绘制特征用于从2-D SSP图像I估计CIR的Conv-Net的。传统的Conv-Net由于丢失了低层特征图的信息而具有不足的CIR估计性能。由于不仅具有CIR的大幅度的直接路径而且具有小幅度的反射路径都很重要,因此需要多级的所有特征图:Conv-Net输出的第一个Conv层提供了一个低级特征图,表示关于声速小变化的特征信息,并且深Conv层输出展示了包含关于声速的大变化的特征的高级特征图。因此,如果通过每个Conv层的多尺度特征映射被融合,则可以获得精确的CIR估计。多尺度特征融合方法之一是BiFPN,其利用匹配分辨率的跨尺度连接并双向组合相邻级别的在BiFPN中,从高级特征信息到低级的自顶向下融合或从低级特征信息到高级的自底向上融合与相邻级别的特征顺序地融合。随着网络层的加深,特征信息变得更小。当使用BiFPN估计水下CIR时,所有聚合特征图需要将提取的特征图转换为1-D数据,这增加了参数的数量。本文还开发了一个特征提取器,在保持所有特征信息的情况下减少了网络输出的特征图的数量。S. Seol,J.安氏,H.Lee等人ICT Express 8(2022)4446LL-m+2L·∗1 2L),并与I.卷积L−L−L−LLL−1图二、基 于 SSP 的CIR估计器的框图。在本文中,我们提出了S-BiFPN,它使用自顶向下和自底向上的路径分离聚合特征图,并将它们分别组合到最低和最高级别的方向。两个组合的地图保留细节特征信息。此外,为了减少计算量,.FtdL−1.=Conv(FL−1+Up(Ftd)),(5)复杂性,S-BiFPN中的融合特征图使用深度可分离卷积设置为一个通道[11]FtdL-m+1 =Conv(FL−m+1+Up(Ftd)),(6)并重新塑造成一维向量然后对融合结果进行归一化处理,估计出CIR其中Up表示分辨率匹配的上采样。同样地, 一 新底向上 特征 地图列表Fbu=所提出的方法的结构如图所示。 2,(FbuL-m+1 ,FbuL-m+2 ,。. .,F bu)通过将低电平到高电平该算法由Conv-net、S-BiFPN和CIR估计方向被设定为,部分Conv-net由多个二维卷积层(Conv 2D)组成,并从每个Conv 2D的I中提取多尺度特征图。Conv2D处理不同通道上的I并计算卷积和。F部L-m+1.=Conv( FL−m+1),(7)假设Wl 是第l个Conv 2DFbum+2=Con v(FL-m+2+Ftdm+1+Dn(Fbum+1))的卷积滤波器,(8)=,,. . . ,。通过对输入数据的和进行加权来获得输出然后,作为第l个Conv2D的输出的特征图给出为,.Fbu=Conv(FL+Ftd+Dn(Fbu)),(9)Fl=Conv(F l−1)=f(Fl−1 阿格夫l+b)、(3)其中Dn表示用于分辨率匹配的下采样。BiFPN通过以下方式提取聚合特征映射列表(Fbu):其中Conv表示Conv2D的操作,表示卷积算子,b表示偏置,f()表示激活函数,w1表示第l个Conv2D的滤波器,并且F1表示第l个特征图。F0设为I。F1的分辨率与I相同,F1的分辨率是I的1/2l-1。这些多尺度特征图被双向融合以精确地估计CIR,包括小的声速变化。自顶向下路径是从高级特征到低级特征执行的,自底向上路径是从低级特征到高级特征执行的。当通过自顶向下路径和自底向上路径融合特征图时,使用大小为1的过滤器来利用Conv。对于自上而下的融合,假设从L个特征图中选择m一个新的自上而下的特征映射列表Ftd=双向加权融合由于所提出的方法需要将融合的特征图转换为1-D数据来估计CIR,如果通过将所有特征图转换为1-D来估计CIR,则用于训练的参数的数量增加。对于每个组合的特征图,当网络更深时,特征图中的特征信息变得简单,因为BiFPN利用采样和卷积来顺序地融合相邻的特征图。为了在提高CIR估计性能的同时减少用于训练的参数的数量,融合路径被分离为自底向上路径和自顶向下路径,并且执行附加特征融合。通过自底向上路径中的(4)-((Ftd),Ftd,。. . ,F td)被制成,FL=(FL)的新要素地图列表,FL,。. . ,FL)和(l)S. Seol,J.安氏,H.Lee等人ICT Express 8(2022)4447L-m+1L−m+2LFH=(FH、F和H,。. .、F和Hl−ml−m+1ltdl−ml−m+1L ).附加特征融合FL =Conv( FL),(4)通过匹配生成两个融合的特征图(Floww和FhighS. Seol,J.安氏,H.Lee等人ICT Express 8(2022)4448≥≥(())=·不l−1l m+1l m+ 2())+···+DnF+F. (11)l1l−F高=Conv(Dn(FH)+Dn(FH)−(F)(F))表1测量的CIR和估计的CIR之间的MSE以及运行时间。BiFPN(m=5)0.1745 0.4547 28 min/epochS-BIFPN3(m=3)0.2293 1.0291 16 min/epochS-BIFPN4(m=4)0.1142 0.3888 20 min/epochS-BIFPN5(m=5)0.0819 0.2870 29 min/epochS-BIFPN6(m=6)0.0818 0.2866 36 min/epochS-BIFPN7(m=7)0.0814 0.2852 45分钟/时期通过深度方向可分离卷积,并使用平坦层转换为1-D向量(V低和V高)。F_low_w和F_high的特征信息对输出的贡献不是均匀的,因为F_low_w和F_high具有不同的分辨率。因此,使用密集层来匹配V低和V高的分辨率,并且将不同的权重用于V低和V高以学习每个特征信息的重要性。然而,由于标量权重是无界的,可能会导致训练不稳定,因此所有权重都被归一化以限制值范围。让可学习的权重为wlow和whigh。w高0d和wlow0由整流线性单元(ReLu)激活函数保证。归一化融合结果估计CIR(h)通过深度神经网络(DNN),h是给定为,h雷卢Ww低w·V低w+w高·V高,(12)w高+w低w+ε其中W表示DNN的权重,ε表示一个小值,以避免数值不稳定。2.3. 模型训练为了训练基于SSP的估计器以获得所有的权重和偏差,使用监督学习方法。假设转换公式和所有参数基于SSP的估计器的最大估计量分别为Gestt(·)和Θestt。估计的CIR可以表示为h_est=G_est(I,Θ_est)。图三. 通过调整SSP尺度比较CIR和CFR估计性能:(a)CIR,(b)CFR。FL和FH的特征图的分辨率。应用Adam优化器更新参数集。估计器的损失函数利用均方误差(MSE),并且估计器的预测损失被获得为,Flow= ConvLl−m+1 +向上Ll−m+2LL(Θest)=1∑(Gest(I,Θest)-h)2,(13)+···+向上(FL)+上(FL)),(10)其中h是监督CIR。3. 仿真结果H H−最后,在CIR估计阶段,需要将融合的特征图转换为用于CIR估计的1-D向量。将融合特征图的通道数设置为1在本节中,我们评估了所提出的基于SSP的CIR估计器的复杂性和估计性能。为了进行比较,使用了基于光线跟踪的BELLHOP和全搜索,以及其他深度学习方法,如CNN,LSTM,FCN,FPN和BiFPN。试验方法同一地区不同区域运行时间全搜索0.45843.4974–行李员0.40250.857646秒/SSPCNN0.38885.748414 min/epochLSTM0.35742.44778 min/epochFCN0.26381.549611 min/epochFPN(m=5)0.20950.940222 min/epochS. Seol,J.安氏,H.Lee等人ICT Express 8(2022)4449×××××见图4。当m为5时,对所提方法的CIR和CFR估计性能进行了比较:(a)同一地区的CIR比较,(b)同一地区的CFR比较,(c)不同地区的CIR比较,(d)不同地区的CFR比较用于CIR估算的SSP数据是通过在韩国西海的一个点进行的实际海洋实验测量的,该点相距5 km从仁川出发在实验中,测量60个SSP约24小时,即,从16:30到第二天15:00,同时利用线性调频(LFM)信号估计CIR。为了获得训练和验证集,通过将具有高斯分布的随机温度添加到60个测量温度来生成150,000个SSP。训练集和验证集的数量分别设置为120,000和30.000。训练集用于训练由权重和偏差组成的模型,并用验证集调整模型参数以防止过拟合。为了评估SSP和CIR之间的学习能力,使用了未学习的30,000个样本,其中在相同和不同的区域测量了一些SSP。不同区域为韩国西海的一个点,于二零二零年距离新津岛4. 2公里。两个区域虽然都在西海,但距离却有一百多公里Conv-Net的L数设置为7。第二至第七过滤器的尺寸为22,过滤器的通道数为4、8、16、32、64,分别为128。第一个过滤器的大小为11并且通道的数量被设置为1以使特征图的大小适合I的大小。融合的特征图的数量(m)从三个变化到七个,并且ε被设置为0.0001。特征融合过程中使用的所有Conv2D过滤器大小均设置为1 1,通道数为与每个输入中的通道的相同。 在底部-上行路径,稠密层的输入神经元数由Fhigh的宽度和高度的乘积得到,输出神经元数为256。在自顶向下的路径中,稠密层的输入神经元数由Flow的宽度和高度的乘积计算,输出神经元数为256。CIR由具有幅度和时间延迟的2-D数据组成,并且使用CIR的离散傅立叶变换(DFT)在频域中计算MSE。所有深度学习估计方法,包括所提出的方法,都学习了相同的训练集和验证集,并且批量大小为64. 亚当优化器的动量为0.9997,权重衰减为4 10−5。基于CNN和FCN的估计方法利用8个2 2卷积滤波器,并且基于FPN的方法(其中m为5)重复FPN模块两次,并且基于BiFPN的方法(其中m为5)重复FPN模块两次。五个人还使用了两次BiFPN模块。首先,我们比较了所提出的SSP缩放方法的CIR估计性能。m设置为5。图3(a)和图3(b)分别示出了通过所提出的用于具有和不具有SSP缩放的方法估计的CIR和信道频率响应(CFR)。所提出的方法与缩放和不缩放的MSE分别为0.0819和0.1927。因此,该方法的CIR估计性能优于未缩放的CIR估计性能。这是因为所提出的缩放方法放大了SSP的微小变化。在表1中,我们显示了运行时间和估计的MSE的建议和传统的方法。我们S. Seol,J.安氏,H.Lee等人ICT Express 8(2022)4450计算了海洋实验中相同和不同区域的CIR的MSE。该方法的运行时间和MSE表现出更好的性能比其他传统的方法。具体而言,所提出的m为4的S-BiFPN在相同区域的运行时间和MSE分别比m为5的基于BiFPN的传统方法小14.3%和34.6%。当m增加5时,MSE性能提高了53%,而运行时间仅增加了3.6%。具体地,在所提出的S-BiFPN的不同区域处的MSE(其中m为5)显示出比所提出的S-BiFPN高36.8%的性能。 传统的BiFPN。当m增加6和7时,MSE性能达到饱和,而所需的运行时间分别增加了24.1%和55.17%。所提出的方法的MSE性能与m为5是最好的,结果如图所示。四、黑线表示在海洋实验中获得的测量CIR和CFR,红线表示结果所提出的方法,其余的可以参考图中的图例。四、图4、CIR和CFR估算值,与其他方法相比,该方法更接近于真实信道。此外,该方法的CIR和CFR的估计性能是最好的,在相同和不同的区域。因此,在运行时间和MSE性能方面,建议的S-BiFPN与m为5是一个很好的估计性能,并展示了最佳的MSE性能相比,其他传统的方法。4. 结论本文提出了CIR估计器使用测量的SSP。该方法由预处理器和多层次特征提取器组成,预处理器强调SSP的微小变化,并将一维数据转换为二维数据,多层次特征提取器通过融合多层次特征和CIR估计器,使用上下方向和上下方向提取精确特征。该方法还降低了提取特征的复杂度。根据实际测量的SSP数据集进行了计算机模拟。所提出的方法的运行时间的MSE与传统的估计进行了比较。与其他传统的估计器相比,所提出的方法在相同和不同的位置测试中都表现出更好的MSE,并且在运行时间和MSE性能方面,m为5的所提出的S-BiFPN具有良好的估计性能。CRediT作者贡献声明承焕学:概念化,方法论,软件,写作-原始草稿.Jongmin Ahn:Data curation. Hojun Lee:Data Curation.Yongcheol Kim:数据管理。郑在鹤写作竞合利益作者声明,他们没有已知的可能影响本文所报告工作确认这项工作得到了韩国国家研究基金会(NRF)的支持,该 基 金 由 韩 国 政 府 ( MSIT ) 资 助 ( 编 号 : NRF-2020R1F1A1074664)。引用[1] S. Fattah , A. 加 尼 岛艾 哈 迈 德 , M.Y.I.Idris , I. A.TargioHashem,水下无线传感器网络调查:要求,分类,最新进展和开放的研究挑战,传感器20(18)(2020)5393。[2] Y. Kim,H. Lee,J. Ahn,J. Chung,在水下无线网络中使用机器学习选择CDMA和OFDM,ICT Express5(4)(2019)215-218。[3] M.S. Alouini,A. Goldsmith,自适应调制超过Nakagami衰落信道,无线。 个人通讯 13(1-2 )(20 0 0 )11 9 -1 4 3 。[4] T. 凯 勒 湖 Hanzo , Adaptivemulticarriermodulation : Aconvenientframeworkfortime-frequencyprocessinginwirelesscommunications,Proc. IEEE 88(5)(2000)611[5] M.B.波特,贝尔霍普手册和用户 http://oalib. 我的意思是我的意思是com。[6] H. 他 , C.- K. Wen , S. 金 , G.Y. Li , Deep learning basedchannelestimation for beamspace mmwave massive MIMO systems,IEEEWirel. Commun. Lett. 7(5)(2018)852[7] M. 作 者 简 介 : 王 志 华 , 王 志 华 , 王 志 华 . Mirzaei , H.Sheikhzadeh,基于深度学习的信道估计,IEEE Commun. Lett. 23(4)(2019)652-655。[8] J. 朗,E. 谢尔哈默,T. Darrell ,Fully convolutional networks forsemantic segmentation,in:Proc. IEEE Conference Computer VisionPattern Recognition,2015,pp. 3431-3440[9] T. Lin , P. Dollar , R.B.格 希 克 角他 , B.Hariharan , S.J.Belongie,用于对象检测的特征金字塔网络,在:Proc. IEEEConference Computer Vision Pattern Recognition,2017,pp. 936-944[10] M. 坦 河 , 巴 西 - 地 Pang , Q.V. Le , EfficientDet : Scalable andefficient object detection,2019,arXiv:1911。09070.[11] A.G.霍华德,M。Zhu,B. Chen,中国粘蝇D. Kalenichenko,W.Wang,T. Weyand,M. Andreetto,H. Adam,Mobilenets:用于移动视觉应用的高效卷积神经网络,2017,arXiv:1704。04861.
下载后可阅读完整内容,剩余1页未读,立即下载
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)