水下无线网络中基于机器学习的CDMA和OFDM选择

⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 5（2019）215www.elsevier.com/locate/icte水下无线网络中基于机器学习的CDMA和OFDM选择Yongcheol Kim，Hojun Lee，Jongmin Ahn，JaehakChung大韩民国仁川仁荷大学电子工程接收日期：2019年9月1日;接受日期：2019年在线预订2019年摘要水声信道具有长时延和不规则的多普勒频移，给通信方案的设计带来了困难。即使两个收发器是固定的，由于UWA信道中的速度速度分布随时间变化，因此UWA信道随时间变化很大提出了一种基于卷积神经网络（CNN）的CDMA和OFDM调制方式选择方法，该方法利用CNN估计信道参数，利用随机森林（RF）进行调制方式选择。计算机仿真结果表明，该方法的参数估计优于传统的最小二乘（LS）估计，RF选择方法的检测效果优于传统的DNN方法。c2019韩国通信与信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：水下通信;机器学习; CDMA; OFDM1. 介绍水声通信主要应用于水下监视系统、无人水下航行器、水下传感器网络等领域[1]。对于水下传感器网络，传感器测量的信息传输到水下骨干网络。为了采集传感器节点的数据，需要融合中心与浮标基站之间进行可靠的高速通信。然而，显著变化的水声信道阻碍了水声传感器网络的可靠通信。UWA环境中的信道特性不同于射频（RF）[2]。多径信道的时延很长，会引起严重的码间干扰（ISI）和窄带频率选择性衰落。随时间变化的多普勒频移也发生了水流表面反射的海浪。有趣的是，即使发射器和接收器是固定的，UWA信道的这些参数也会随着时间而显著变化。这是因为温度变化∗通讯作者。电子邮件地址：dydcjf4691@naver.com（Y.Kim），timmit@naver.com（H.Lee）、anjong3@naver.com（J. Ahn）、jchung@inha.edu、jchung@inha.ac.kr（J.Chung）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2019.09.002太阳辐射引起不同的声速剖面，从而产生不同的信道冲激响应和其它信道参数。由于水声信道的循环前缀（CP）长、导频多，信道时延大，给OFDM系统带来了很大的问题，而CDMA可以克服这些问题。由于多普勒频移造成相干时间短，需要的导频空间短，导致CDMA系统的数据传输速率低。其中，OFDM而CDMA对于给定的水声信道表现出更好的BER性能。如果两种调制方案的数据速率相近，并且信道参数在设计裕度之内，由于CDMA的阵列增益，CDMA表现出更好的BER性能。如果CDMA的导频间隔短于相干时间，即，在超出设计裕度的情况下，OFDM比CDMA具有更好的误码性能。不幸的是，两种调制方法的BER性能受许多信道参数的组合而不是简单的参数的影响[3]。为了在时变水声信道中实现可靠的水声通信，需要对给定的水声信道选择合适的调制方案。通常，如果给出了所有信道环境的BER表，则选择可能是容易的。然而，由于许多信道参数共同影响BER性能，并且无法计算所有BER表，因此选择困难[4]。2405-9595/2019韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。×׈=ThF216Y. Kim，H.Lee，J.Ahn等/ICT Express 5（2019）215本文通过观察水声信道环境，提出了一种在CDMA和OFDM之间选择调制方式的方法。该选择是由两个步骤的过程进行。首先，通过卷积神经网络（CNN）估计信道参数，其次，随机森林（RF）用于选择基于CNN的结果。计算机仿真结果表明，该方法具有93%的选择准确率。2. 用于选择的在水声通信中，影响通信性能的许多信道参数都是随时间变化的。CDMA和OFDM方案的误码率性能共同取决于这些参数。由于CDMA利用扩频码，所以最大数据速率小于OFDM。因此，CDMA系统的设计裕度很小，以跟上OFDM的数据速率。如果两个系统的数据速率相似，并且信道变化在系统裕度内，则CDMA提供比OFDM更好的BER性能[3]。然而，当信道变化超出设计裕度时，CDMA的增益降低，并且在一定值处，CDMA的BER性能低于OFDM。因此，为了获得最佳BER性能，需要开发两种方案的选择。在这一部分中，描述了影响CDMA和OFDM方案的BER性能的参数。对于CDMA，如果最大过量延迟时间长于设计的导频长度，则不能估计所有的多径信道在这种情况下，Rake接收机不能完全获得时间分集增益。当相干时间短于所设计的导频间隔时，信道估计误差的发生和BER性能3. 拟议的甄选方法UWA信道的变化相对缓慢（例如，几个小时），并且需要根据长期信道变化来选择调制方案。对于该选择，利用两阶段检测方法。在第一阶段，接收机使用每个帧中的前导码定期地估计信道参数，并且在第二阶段，基于所估计的参数，执行对一个调制方案的选择，该调制方案在给定的UWA信道处示出比其他方案更小的BER。第一阶段包括第二阶段由RF分类器组成，用于判断误码率性能较好的CDMA或OFDM。对于第一阶段的参数估计，建议参数估计器是在不计算信道冲激响应的情况下估计信道参数。这是因为选择算法直接通过CNN估计信道参数。假设发送的信号（X）的大小为1N通过UWA通道（H），大小为1M，通过UWA信道的接收信号（R）写为R=H<$X+N（1）其中N表示背景噪声，G（0.σ2）。信道（H）具有四个参数：fd、τm、τr和SNR。为了估计这些参数，使用深度CNN。假设Θ是信道H的四个参数的向量，Θ=[fd，τm，τr， SN R]（2）参数估计器Θ的训练目标是最小化损失函数，减少。 当多普勒频率（fd）偏移超过设计裕度，CDMA的BER性能变低。MSE损失=1∑Θˆ−Θ2p∈T（三）对于OFDM，当最大延迟扩展（τm）超过CP、ISI没有被完美地去除，并且相干带宽变得比导频间隔窄，这导致OFDM的信道估计误差然而，许多信道参数共同影响误码性能，并且某些参数对一种方案并不重要，但对另一种方案却很重要。如果测试所有场景的BER性能并保留查找表，则选择非常简单。然而，多个信道参数联合交互，并且每个参数的影响是不同的。此外，参数变化对调制方案的影响是非线性的，因此对BER性能的影响的估计是非常困难的。对于两种调制的选择，四个主导参数-影响BER性能的参数选择为，– 多普勒频率（fd）– 最大过度延迟（τm）– RMS延迟扩展（τr）– SNR其中T表示所有训练数据的集合第一个卷积层使用一个大小为5的内核的滤波器，然后是ReLu，并执行批归一化以避免消失和爆炸梯度问题。第二层也使用相同大小的过滤器，然后是ReLu和Batch归一化。最大池化可将大小减少1/5（P 5）。第三层和第四层是一样的作为第一个和第二个，尺寸为1/5维。最后一层是完全连接的，以生成四个参数。执行训练以满足Eq.（三）、基于估计的参数（Θ），给出了CDMA和OFDM之间的选择方法。由于四个参数用于决策，RF方案是足够的 选择方案，而不是传统的DNN [5]。在RF中，建立K个决策树，并在训练中使用Bagging [6]。对于K决策树，四个参数中的73%被利用，并且它们的决策集合用于最终决策。对于最终的选择输出，输出由基于BER的结果训练。两种调制方式的误码率分别为我的天==Y. Kim，H.Lee，J.Ahn等 /ICT Express 5（2019）215-218217表1UWA通道参数。参数值N（传输数据大小）400路径数最大额外延迟0毫秒30.2毫秒多普勒频率0 ~8HzSNR −3 6dB表2CDMA和OFDM的参数参数CDMAOFDM调制BPSKBPSK数据速率184 bps158 bps帧长度6.84秒6.75秒扩频因子12–CP长度–26毫秒OFDM符号长度–102.4毫秒导频间隔频率–19.5赫兹导频时间–0秒重复频率–3图1.一、调 制 选 择 框图。计算用于训练RF。RF的判决输出（S）如下所示：30,000.验证集由30%的数据集设定，测试数据集由18，000个数据集生成。四个参数（fd、τm、τr和SNR）随时间随机变化第一层的400个输入样本由长度为5的64个卷积滤波器进行滤波，然后是ReLu。执行零填充以保持相同数量的节点。在Bat归一化之后，执行相同的卷积是真的，i f BE RCDMA BE ROFDM<否则，如果BE RCDMA≥ BEROFDM（四）由于轮询选择了五分之一，因此还剩下80个节点。再执行一次该过程，并将最后一层完全连接以生成估计值。优化器由方程式（4）、灵敏度是一个真实选择的百分比当CDMA的实际误码率性能优于OFDM时，该算法的误选择率为0，而当OFDM的实际误码率性能优于CDMA时，该算法的误选择率为0。所提出的选择方法的框图如图所示。1 .一、图1，选择器包括两个阶段的参数估计器与CNN，其次是一个选择器与RF。选择器的输出为“真”（即，CDMA）或“假”（即，OFDM）。4. 模拟在本节中，比较了CNN和传统LS估计器的估计误差的均方根（RMSE），并比较了RF选择方案与传统DNN分类器的准确性。4.1. 参数估计用于模拟的UWA参数如表1所示。利用Bellhop生成UWA信道，并在西海、南海韩国接收信号集的总数（T）为功能使用亚当。为了防止过拟合，使用β 0的L2核正则化。001已设置最小批量和时期分别为32和100。图1给出了CNN和传统LS的fd、τm、τr、SNR的均方根误差。二、请注意，LS估计器的参数是在估计信道冲激响应之后获得的。图2.与传统的最小二乘估计方法相比，该方法具有更好的估计性能。传统LS的估计误差随着SNR的增加而增加，而所提出的基于CNN的估计器的估计误差表现出类似的值。4.2. 选择调制对于两种调制方案之间的选择，测试了所提出的RF选择器和传统DNN的选择精度。CDMA和OFDM的参数相似（参见表2）。对于选择测试，用于学习、验证和测试的BER的数量分别计算为30，000、6000和18，000，以避免过拟合。由估计器获得的参数用于选择器级的输入。对于RF，随机选择输入参数，并使用Bagging和K20决策树。对于DNN，两个隐藏层和32个节点，218Y. Kim，H.Lee，J.Ahn等/ICT Express 5（2019）215表3选择系统的准确性。评价RFDNN精度百分之九十三百分之九十二灵敏度百分百百分百特异性百分之九十一百分之八十九图二、（ a）f d、（b）τm、（c）τr、（d）SNR的RMSE比较。层分别使用。为了更好地选择DNN，使用了sigmoid和二进制交叉熵函数两种方法的选择精度见表3。在表3中，RF方法显示93%的准确度，而DNN显示92%。灵敏度意味着真实百分比（即，CDMA选择）时，CDMA的实际BER性能更好，而特异性意味着错误百分比（即，当OFDM的实际误码率性能较好时，两种方法的敏感性均为100%，特异性分别为91%和89%。如图2和表3所示，所提出的CNN估计器后接RF选择器展示了比传统方案更好的选择方法。5. 结论本文提出了在时变水声信道中选择CDMA和OFDM调制方式以获得更好的误码性能的方法。利用CNN估计信道参数，并根据先前估计的参数，开发RF来选择调制方案计算机仿真结果表明，该方法具有比LS更好的参数估计性能，RF方案具有比传统DNN更好的选择性能。竞合利益作者声明，本文中不存在利益冲突。确认这项研究是由韩国海洋和渔业部资助的“分布式水下监测控制网络的发展”项目的一部分引用[1] F. Akyildiz，D. Pompili，T. Melodia，水下声传感器网络中有效通信的挑战，ACM SIGBED Rev.1（2004）3-8。[2] F. Akyildiz，D. Pompili，T.关键词：水声传感器网络; 3（2005）257[3] H.李俊华钟，CDMA和OFDM在水声环境中的性能分析，J。ITS 17（5）（2018）135[4] M. Chitre，S. Shahabu，M.水下声通信&网络：最新进展和未来挑战，3月。 Technol. Soc. J. 2008年春季（2008年）103[5] S.M. Kasongo ， Y. Sun ， Deep long short-term memory basedclassifierfor wireless intrusion detection system，ICT Express（2019）2019年8月22日在线提供。[6] M. Sahu，A. Mukhopadhyay，A. Szengel，S. Zachow，使用上下文CNN特征的工具和相位识别。arXiv预印本arXiv：1610. 08854.