基于深度学习的水声信道均衡技术研究

摘要

多输入多输出水声信道均衡问题是实现高速水声通信的关键技术难题。为了提高信道的传输性能,通常采用自适应均衡技术,通过递归最小二乘算法进行判决反馈均衡。由于传统均衡方法精度低、性能差,而引入深度学习可显著改善信道传输性能。因此,以传统方法的性能作为基准,对比研究基于深度学习网络(深度神经网络、卷积神经网络以及长短期记忆网络)的信道均衡算法。首先,利用水声信道仿真软件Bellhop构建深度学习数据源,然后训练深度学习网络,开展3种神经网络的信道均衡算法仿真试验。研究结果表明,基于卷积神经网络的信道均衡算法性能最优,且在输入序列为2 000码元,等效3.65倍信道长度时误码率最低。