CN113067645B - 一种规则与案例结合的低复杂度水声通信功率设定方法 - Google Patents

Abstract

本发明公开了一种规则与案例结合的低复杂度水声通信功率设定方法。本发明方法将规则与案例结合，当新的发送功率需要设定时，首先进行案例匹配，根据匹配结果进行不同的处理，包括使用规则进行设定；包括直接使用历史案例结果进行设定；包括进行案例调整，即利用基于规则的设定方法在最匹配案例的基础上结合案例历史信息进行功率决策调整，将调整的结果作为最终功率控制结果，之后决策评价反馈回案例库中，进行案例保存与学习参数更新。本发明方法在低实现复杂度的基础上，利用历史信息的参考作用在规则约束的调整下保证了较高的决策准确性，实现了高效的功率控制，适用于水声通信中。

Description

一种规则与案例结合的低复杂度水声通信功率设定方法

技术领域

本发明属于通信技术领域，具体是水声通信(Underwater acousticcommunication)技术领域，具体涉及一种规则与案例结合的低复杂度水声通信功率设定方法。

背景技术

随着科技的发展，海洋在人类的发展中扮演着越来越重要的角色，海洋资源的利用开发、海洋环境监测与海洋国防安全等均需要水下信息传输，水声通信作为水下信息传输有效可行的手段也日益凸显重要意义。而水声信道往往具有多径严重、可用带宽窄、多普勒效应及时空易变化等特性，给可靠的水声通信设计带来了挑战，自适应调制编码技术也逐渐应用在水声通信中，自适应功率控制是其中重要的一项技术，合适的功率使得水声网络节点通信时减少了相互干扰，同时防止能量浪费。本文设计的水声通信功率设定方法是一种自适应功率控制方法。

水声通信除面临上述来自信道方面的挑战外，通信节点自身也有计算与能量资源受限的限制，水下通信节点往往利用电池等方式供电，部署与更换难度大，因此需要提高节点能效，这也造成节点的计算功耗有限，计算能力较弱。另外，水声通信往往具有稀疏通信的特点，其通信往往是突发的、不密集的，但水声信道是时空容易变化的，这就要求尽可能减少自适应方法中的反馈次数，提高首次通信的成功率。综上考虑，本文设计了一种规则与案例结合的低复杂度水声通信功率设定方法。

已有技术公开了一些用于水声通信的自适应功率控制方法，如申请号201610959243.7发明专利公开了一种指向性水声网络功率控制方法，该专利方法主要考虑对海洋生物的环境友好功率控制，利用数据包交互过程，完成网络中各节点的信道增益计算与获取，然后调整发送功率，该方法需要物理层使用指向性换能器进行收发，限制了该方法的使用范围。如申请号201210225195.0发明专利公开了一种适用于水声通信网络的自适应功率控制方法及系统，该专利方法基于MACAW协议，节点通过交互多个不同功率的控制包序列，找出最接近信道的最小发射功率，该方法基于特定的MAC协议，具有应用局限性，另外其自适应功率控制过程中发送多个不同功率的控制包耗费较大能量，增加了数据时延，降低了系统的能效。

发明内容

本发明针对现有水声通信功率控制方法适用性差，且实现较为复杂低效的问题，提出了一种面向水声通信的具有低复杂度的自适应功率设定方法，即提供了一种规则与案例结合的低复杂度水声通信功率设定方法。

本发明通过以下技术方案实现：

该自适应功率设定方法将规则与案例结合，利用基于案例的决策方法实现基本的功率设定框架，当有新的发送功率需要设定时，首先进行案例匹配，根据匹配结果进行不同的处理，包括使用规则进行设定；包括直接使用历史案例结果进行设定；包括进行案例调整，即利用基于规则的设定方法在最匹配案例的基础上结合该案例的历史信息进行功率设定调整，将调整的结果作为最终功率设定结果，之后决策评价反馈回案例库中，进行案例保存与学习参数更新。

在本发明方法涉及的水声网络中，源节点A准备向目的节点B发送数据，需要首先设定发送功率，具体设定方法如下：

步骤(1)运行初始化：

(1-1)源节点A建立规则库，规则库以级联函数的形式设定发送功率的理论方法：

第一则函数为误比特率曲线映射函数，采用查表方式实现，表征一对一映射关系，输入为误比特率BER，输出为信噪比SNR，SNR＝f_table(BER)，f_table(·)表示误比特率曲线映射函数；

第二则函数为水声通信链路计算函数，输入为信噪比SNR、信道增益H_loss、接收噪声P_noise，输出为发送功率P_S，

f_link(·)表示水声通信链路计算函数；

第三则函数为功率冗余设定函数，输入为level_pkt，输出为P_sl，

其中，f_re(·)表示功率冗余设定函数，level_pkt表示上层设定的功率冗余级别，l_a、l_b、l_c则为具体的冗余级别值，设计为三档，r_a、r_b、r_c为不同功率冗余级别下对应的功率冗余系数；

第四则函数为功率限制函数，输入为P_sl，输出P_sc，

f_lim(·)表示功率限制函数，P_max为物理层支持的最大发送功率；

即理论发送功率P_sc＝f_lim(f_re(level_pkt,f_link(f_table(BER),H_loss,P_noise)))。

(1-2)源节点A建立案例库：采用数据库建立案例库G，案例格式包括决策号、决策时间、决策对象、决策输入、理论输出、调整输出、实际需求、反馈信息；其中，

决策号为主键约束，为唯一标识案例；

决策时间表示该案例于何时添入案例库；

决策对象表示发送功率含义；

决策输入为影响发送功率设定的输入参数组成的向量，即案例样本点；

理论输出为根据规则库中规则输出的理论发送功率值；

调整输出为经过案例调整后的发送功率设定输出值；

实际需求为经过反馈信息反算出的实际需要的发送功率值；

反馈信息为本次案例接收的反馈结果；

同时设定源节点A初始化案例学习因子α＝1。

(1-3)获取初始信道信息：在水声网络运行初始化时，水声通信源节点A以最大发送功率向目的节点B发送训练数据包，目的节点B收到训练数据包后，通过信道估计技术，获取当前瞬时信道增益H_loss,0，接收噪声P_noise,0，误比特率BER₀；目的节点B通过训练反馈包将上述信息以最大功率发送给源节点A，源节点A将这些信息作为初始信道信息。

步骤(2)输入功率设定决策参数：

源节点A确定影响功率设定的理论参数输入，包括BER_S,t，表示t时刻的样本点S的接收误比特率上限、接收噪声P_noise,S,t、信道增益H_loss,S,t，以及媒体接入控制层根据不同数据包传输可靠性规定的冗余功率级别level_pkt,S,t；其中，BER_S,t和level_pkt,S,t由媒体接入控制层给定，P_noise,S,t和H_loss,S,t由案例库G中最新案例的反馈信息获取，当案例库G中无案例时，P_noise,S,t＝P_noise,0、H_loss,S,t＝H_loss,0，将上述四种信息组成一样本点，即案例S(x₁,x₂,x₃,x₄)，x₁表示BER_S,t，x₂表示P_noise,S,t，x₃表示H_loss,S,t，x₄表示level_pkt,S,t,即S(BER_S,t,P_noise,S,t,H_loss,S,t,level_pkt,S,t)。

步骤(3)计算案例匹配：

(3-1)源节点A从案例库G获取样本点各维度的数值分布范围：x₁∈[l₁,h₁]，x₂∈[l₂,h₂]，x₃∈[l₃,h₃]，x₄∈[l₄,h₄]，l_k为样本点对应维度的数值分布下限，h_k为样本点对应维度的数值分布上限，k＝1,2,3,4。

(3-2)源节点A从案例库G取一样本点S′(x′₁,x′₂,x′₃,x′₄)，计算S与S′的各维差值极值比r_xk：

(3-3)计算S与S′的归一化欧式距离

(3-4)源节点A重复(3-2)和(3-3)，计算从案例库G取出的每个样本点与S的欧式距离，并记录到列表Arr中。

(3-5)源节点A从列表Arr中获取最小欧式距离D_ST及其对应样本点，即最佳匹配样本点T(BER_T,t-m,P_noise,T,t-m,H_loss,T,t-m,level_pkt,T,t-m)，设T为案例库中按时间序的倒数第m个案例。

步骤(4)源节点A根据最小欧式距离D_ST进入不同的处理分支：

如D_ST∈[th_a,th_b]，进入步骤(5)；如D_ST∈[th_c,th_d]，进入步骤(6)；如D_ST∈[th_e,th_f]时，进入步骤(7)；th_a、th_b、th_c、th_d、th_e、th_f为设定的不同分支的选择阈值。

步骤(5)使用历史案例结果：源节点A从案例库G获取最佳匹配样本点T的实际需求P_w,T,t-m，直接使用该结果作为案例S的功率设定结果，源节点A的功率设定P_con,S,t＝P_w,T,t-m。

步骤(6)进行决策调整：

源节点A首先检查案例库G中案例数量，当数量小于3时，不调整，跳转到步骤(7)，否则进行如下调整：

源节点A根据规则库中规则，在最佳匹配样本点T基础上进行决策调整，包括偏差计算、线性拟合、范围限制，具体如下：

偏差计算：源节点A计算样本点S的理论发送功率P_sc,S,t＝f_lim(f_re(level_pkt,S,t,f_link(f_table(BER_S,t),H_loss,S,t,P_noise,S,t)))，源节点A从案例库G获取样本点T的理论输出P_sc,T,t-m，则理论输出偏差ΔI_t＝P_sc,S,t-P_sc,T,t-m；

线性拟合：源节点A取案例库G中最近时间的3次案例C、D、E，从案例库G中获取C、D、E对应的理论计算输出P_sc,C,t-1、P_sc,D,t-2、P_sc,E,t-3，C、D、E对应的实际需求P_w,C,t-1、P_{w,D,t- 2}P_w,E,t-3；源节点A依次计算理论输出偏差ΔI_t-1＝P_sc,C,t-1-P_sc,D,t-2、ΔI_t-2＝P_sc,D,t-2-P_sc,E,t-3，依次计算实际需求偏差ΔF_t-1＝P_w,C,t-1-P_w,D,t-2、ΔF_t-2＝P_w,D,t-2-P_w,E,t-3；进行加权移动平均，计算拟合斜率

β是加权权重，β∈[0,1]，然后对拟合斜率作范围限制，限制后拟合斜率

是拟合斜率的最大限定值，然后计算样本点S的线性调整结果，从案例库G中获取案例样本点T的实际需求P_w,T,t-m，则计算决策调整量P_adj,S,t＝α_t×(P_w,T,t-m+ΔI_t×kll_t)；α_t表示t时刻的学习因子值。

范围限制：源节点A计算P_adjl,S,t＝f_lim(P_adj,S,t)，其中f_lim(·)函数与规则库中一致，源节点A的功率设定P_con,S,t＝P_adjl,S,t。

步骤(7)使用规则进行功率设定：根据P_sc,S,t＝f_lim(·)函数，计算理论发送功率，源节点A的功率设定P_con,S,t＝P_sc,S,t。

步骤(8)源节点A将P_con,S,t的结果作为本次发送的功率设定值，以该功率向目的节点B发送数据。

步骤(9)评价反馈：

目的节点B收到源节点A发送的数据包后，测量此时的平均信号功率P_signal,t和噪声功率P_{noise_r,t}，将两信息放入确认包中的信息部分发送给源节点A；源节点A收到后进行实际需求计算，计算实际信道增益

然后根据发送功率理论公式计算实际功率需求P_w,S,t＝f_lim(f_re(level_pkt,S,t,f_link(f_table(BER_S,t),H_{loss_r,S,t},P_{noise_S,t})))。

步骤(10)案例保存：

源节点A根据案例格式保存本次决策案例S到案例库G；其中，

决策号字段在最近的案例决策号基础上加1；

决策时间字段写入当前系统运行时刻；

决策对象字段写入“Psend”字符串；

决策输入字段写入BER_S,t、P_noise,S,t、H_loss,S,t、level_pkt,S,t四个值；

理论输出字段写入P_sc,S,t值；

调整输出字段写入P_con,S,t值；

实际需求字段写入P_w,S,t值；

反馈信息字段写入P_{noise_r,t}和H_{loss_r,S,t}值；

保存之后，源节点A比较该新案例的维度信息分布范围与(3-1)中的原始分布范围，更新该原始分布范围，使其包含新的案例。

因子更新：

源节点A根据误差进行学习因子调整；源节点A检查案例库G中案例数量，当数量小于3时，不调整并结束本步骤，否则进行调整：从案例库G中取最近时间三次案例S、C、D对应的调整输出P_con,S,t、P_con,C,t-1、P_con,D,t-2,对应的实际需求P_w,S,t、P_w,C,t-1、P_w,_D,t-2，计算误差绝对值e_t＝|P_w,S,t-P_con,S,t|、e_t-1＝|P_w,C,t-1-P_con,C,t-1|、e_t-₂＝|P_w,D,t-2-P_con,D,t-2|，然后计算计算误差表征的加权移动平均值

，τ为加权权重，τ∈[0,1]；然后计算学习因子调节步进

δ为指数调整量，γ_th为步进设定最大值；

最后进行因子更新，则有t+1时刻理论学习因子

对学习因子进行限制范围，则有t+1时刻更新后的学习因子

其中α_low为学习因子设定最小值。

步骤(11)案例库更新：源节点A以T_update为周期检查案例库G中所有案例的生命周期，当某案例的生命周期超过Ltime_case时，表明该案例是过期案例，节点A将其从库G中删除，同时更新各维度信息分布范围。

上述步骤阐述了本发明一种规则与案例结合的低复杂度水声通信功率设定方法的运行过程，其中步骤(1)运行初始化过程只在水声节点或水声网络部署时运行一次；步骤(11)案例库更新是以T_update为周期定期运行；步骤(2)到步骤(10)在每次通信需要进行功率设定时，均会发生，每次更新案例库与学习因子。

本发明利用规则与案例的结合，在低实现复杂度的基础上，利用历史信息的参考作用在规则约束的调整下保证了较高的决策准确性，实现了高效的功率控制，适用于水声通信中。

附图说明

图1为本发明方法的流程图。

图2为本发明实施例节点通信所用包结构示意图。

图3为本发明实施例理论误比特率曲线图。

具体实施方式

以下结合附图并举实施例对本发明方法进一步详细说明，该方法具体流程如图1所示。

设有水声网络通信源节点A、目的节点B，节点物理层使用4FSK调制，使用卷积码进行信道编码，节点间通信所用包格式如图2所示，其中信息部分用来传递信道估计等反馈信息。

步骤(1)运行初始化：

(1-1)源节点A建立规则库，规则库以级联函数的形式设定发送功率的理论方法：

第一则函数为误比特率曲线映射函数，采用查表方式实现，表征一对一映射关系，输入为误比特率BER，输出为信噪比SNR，SNR＝f_table(BER)，f_table(·)表示误比特率曲线映射函数，映射关系为图3所示，并对图3进行离散量化；

第二则函数为水声通信链路计算函数，输入为信噪比SNR、信道增益H_loss、接收噪声P_noise，输出为发送功率P_S，

f_link(·)表示水声通信链路计算函数；

第三则函数为功率冗余设定函数，输入为level_pkt，输出为P_sl，

f_re(·)表示功率冗余设定函数；

第四则函数为功率限制函数，输入为P_sl，输出P_sc，

即理论发送功率P_sc＝f_lim(f_re(level_pkt,f_link(f_table(BER),H_loss,P_noise)))。

(1-2)源节点A建立案例库：采用数据库建立案例库G，案例格式包括决策号、决策时间、决策对象、决策输入、理论输出、调整输出、实际需求、反馈信息；

同时设定源节点A初始化案例学习因子α＝1。

(1-3)获取初始信道信息：在水声网络运行初始化时，水声通信源节点A以最大发送功率向目的节点B发送训练数据包，目的节点B收到训练数据包后，通过信道估计技术，获取当前瞬时信道增益H_loss,0＝10⁶，接收噪声P_noise,0＝10^-5W，误比特率BER₀＝3×10^-5；目的节点B通过训练反馈包将上述信息以最大功率发送给源节点A，源节点A将这些信息作为初始信道信息。

假设源节点A与目的节点B间已按照步骤2)到步骤10)进行了多次通信，其案例库G中已经有大于3条案例，设此时学习因子α_t＝0.8612。

步骤(2)输入功率设定决策参数：

源节点A确定影响功率设定的理论参数输入，包括BER_S,t＝4×10^-5、P_noise,S,t＝1.2×10^-5W、H_loss,S,t＝10⁶，以及level_pkt,S,t＝1，组成一案例样本点，即S(4×10^-5,1.2×10^-5,10⁶,1)。

步骤(3)计算案例匹配：

(3-1)源节点A从案例库G获取样本点各维度的数值分布范围：x₁∈[0.5×10^-5,5×10^-5]，x₂∈[0.2×10^-5,10×10^-5]，x₃∈[10⁵,3×10⁶]，x₄∈[0,2]。

(3-2)源节点A从案例库G取一样本点S′(1×10^-5,9×10^-5,2×10⁶,0)，计算样本点S与S′的各维差值极值比r_xk：

(3-3)计算样本点S与S′的归一化欧式距离

(3-4)源节点A重复(3-2)和(3-3)，计算从案例库G取出的每个样本点与S的欧式距离，并记录到列表Arr中。

(3-5)源节点A从列表Arr中获取最小欧式距离D_ST＝0.1242及其对应样本点T(5×10^-5,0.8×10^-5,1.3×10⁶,1)，设样本点T为案例库中按时间序的倒数第6个案例。

步骤(4)源节点A根据最小欧式距离D_ST进入不同的处理分支：

如D_ST∈[0,0.1)，进入步骤(5)；如D_ST∈[0.1,0.3)，进入步骤(6)；如D_ST∈[0.3,+∞)时，进入步骤(7)；因D_ST＝0.1242，则进入步骤(6)。

步骤(5)使用历史案例结果：源节点A从案例库G获取最佳匹配样本点T的实际需求P_w,T,t-6＝62.4215，直接使用该结果作为案例S的功率设定结果，源节点A的功率设定P_con,S,t＝P_w,T,t-6。

步骤(6)进行决策调整：

源节点A根据规则库中规则，在最佳匹配样本点T基础上进行决策调整，包括偏差计算、线性拟合、范围限制，具体如下：

源节点A计算样本点S的理论发送功率P_sc,S,t＝60.1425，源节点A从案例库G获取样本点T的理论输出P_sc,T,t-6＝51.5268，则理论输出偏差ΔI_t＝P_sc,S,t-P_sc,T,t-6＝8.6157；

源节点A取案例库G中最近时间的3次案例C、D、E，从案例库G中获取C、D、E对应的理论计算输出P_sc,C,t-1＝40.2357、P_sc,D,t-2＝44.3368、P_sc,E,t-3＝46.8723，C、D、E对应的实际需求P_w,C,t-1＝47.4465、P_w,D,t-2＝49.2358P_w,E,t-3＝50.3439；源节点A依次计算理论输出偏差ΔI_t-1＝P_sc,C,t-1-P_sc,D,t-2＝-4.1011、ΔI_t-2＝P_sc,D,t-2-P_sc,E,t-3＝-2.5355，依次计算实际需求偏差ΔF_t-1＝P_w,C,t-1-P_w,D,t-2＝-1.7893、ΔF_t-2＝P_w,D,t-2-P_w,E,t-3＝-1.1081；进行加权移动平均，计算拟合斜率

然后对拟合斜率作范围限制，限制后拟合斜率

则kll_t＝0.4364，然后计算样本点S的线性调整结果，从案例库G中获取案例样本点T的实际需求P_w,T,t-m＝62.4215，则计算决策调整量P_adj,S,t＝α_t×(P_w,T,t-m+ΔI_t×kll_t)＝56.9954。

源节点A计算P_adjl,S,t＝f_lim(P_adj,S,t)＝56.9954，其中f_lim(·)函数与规则库中一致，源节点A的功率设定P_con,S,t＝P_adjl,S,t＝56.9954。

步骤(7)使用规则进行功率设定：根据P_sc,S,t＝f_lim(·)函数，计算理论发送功率，源节点A的功率设定P_con,S,t＝P_sc,S,t＝60.1425。

步骤(8)源节点A将P_con,S,t＝56.9954的结果作为本次发送的功率设定值，以该功率向目的节点B发送数据。

步骤(9)评价反馈：

目的节点B收到源节点A发送的数据包后，测量此时的平均信号功率P_signal,t＝1.4×10^-5和噪声功率P_{noise_r,t}＝0.35×10^-5，将两信息放入确认包中的信息部分发送给源节点A；源节点A收到后进行实际需求计算，计算实际信道增益

然后根据发送功率理论公式计算实际功率需求P_w,S,t＝71.1413。

步骤(10)案例保存：

源节点A根据案例格式保存本次决策案例S到案例库G；其中，

决策号字段在最近的案例决策号基础上加1；

决策时间字段写入当前系统运行时刻；

决策对象字段写入“Psend”字符串；

决策输入字段写入BER_S,t、P_noise,S,t、H_loss,S,t、level_pkt,S,t四个值；

理论输出字段写入P_sc,S,t值；

调整输出字段写入P_con,S,t值；

实际需求字段写入P_w,S,t值；

反馈信息字段写入P_{noise_r,t}和H_{loss_r,S,t}值；

保存之后，源节点A比较该新案例的维度信息分布范围与(3-1)中的原始分布范围，因案例S的

则更新该维度范围，即x₃∈[10⁵,4.0711×10⁶]。

因子更新：

源节点A从案例库G中取最近时间三次案例S、C、D对应的调整输出P_con,S,t＝56.9954、P_con,C,t-1＝56.5127、P_con,D,t-2＝61.2034，对应的实际需求P_w,S,t＝71.1413、P_w,C,t-1＝47.4465、P_w,D,t-2＝49.2358，计算误差绝对值e_t＝|P_w,S,t-P_con,S,t|＝14.1459、e_t-1＝|P_w,C,t-1-P_con,C,t-1|＝9.0662、e_t-2＝|P_w,D,t-2-P_con,D,t-2|＝11.9676，然后计算计算误差表征的加权移动平均值

然后计算学习因子调节步进

最后进行因子更新，则有t+1时刻理论学习因子

对学习因子进行限制范围，则有t+1时刻更新后的学习因子

则α_t+1＝0.8674。

步骤(11)案例库更新：源节点A定期以T_update＝12×3600s(12小时)为周期检查案例库G中所有案例的生命周期，当某案例的生命周期超过Ltime_case＝7×24×3600s(一周)时，表明该案例是过期案例，节点A将其从库G中删除,同时遍历案例库案例，更新各维信息的分布范围。

上述实施例所述的内容仅是对本发明实现形式的列举，本发明的保护范围不应限于本实施例所陈述的具体形式，本发明的保护范围也应包含在本发明基础上所构思的同类发明方法。

Claims (7)

1.一种规则与案例结合的低复杂度水声通信功率设定方法，源节点A准备向目的节点B发送数据，需要首先设定发送功率，其特征在于，具体设定方法是：

步骤(1)源节点A运行初始化，建立规则库，建立案例库，获取初始信道信息；

步骤(2)源节点A输入功率设定决策参数，将影响功率设定的参数构成输入样本点案例；

步骤(3)源节点A计算案例匹配，将输入案例与案例库进行遍历匹配，计算最小欧式距离，得到最佳匹配案例；

步骤(4)源节点A根据最小欧式距离D_ST进入不同的处理分支：D_ST∈[th_a,th_b]，进入步骤(5)；D_ST∈[th_c,th_d]，进入步骤(6)；D_ST∈[th_e,th_f]时，进入步骤(7)；th_a、th_b、th_c、th_d、th_e、th_f为设定的不同分支的选择阈值；

步骤(5)源节点A从案例库G获取最佳匹配案例T的实际需求P_w,T,t-m，直接使用该结果作为案例S的功率设定结果，源节点A的功率设定P_con,S,t＝P_w,T,t-m；

步骤(6)源节点A进行决策调整，在最佳匹配案例的基础上利用规则的理论计算结果结合案例库中历史案例进行决策调整，将调整后的结果作为功率设定结果；

步骤(7)源节点A使用规则进行功率设定：根据P_sc,S,t＝f_lim(·)计算理论发送功率，f_lim(·)表示功率限制函数，源节点A的功率设定P_con,S,t＝P_sc,S,t；

步骤(8)源节点A将P_con,S,t的结果作为本次发送的功率设定值，以该功率向目的节点B发送数据；

步骤(9)源节点A利用目的节点发送来的信息，进行评价反馈，计算实际功率需求；

步骤(10)源节点A进行案例保存与因子更新，将本次功率设定案例存入案例库，并调整学习因子与案例库各维度信息分布范围；

步骤(11)源节点A以T_update为周期检查案例库G中所有案例的生命周期，当某案例的生命周期超过Ltime_case时，表明该案例是过期案例，节点A将其从库G中删除，同时更新各维度信息分布范围。

2.如权利要求1所述的一种规则与案例结合的低复杂度水声通信功率设定方法，其特征在于，步骤(1)具体是：

(1-1)源节点A建立规则库，规则库以级联函数的形式设定发送功率的理论方法：

第一则函数为误比特率曲线映射函数，采用查表方式实现，表征一对一映射关系，输入为误比特率BER，输出为信噪比SNR，SNR＝f_table(BER)，f_table(·)表示误比特率曲线映射函数；

第二则函数为水声通信链路计算函数，输入为信噪比SNR、信道增益H_loss、接收噪声P_noise，输出为发送功率P_S，

f_link(·)表示水声通信链路计算函数；

第三则函数为功率冗余设定函数，输入为level_pkt，输出为P_sl，

其中，f_re(·)表示功率冗余设定函数，level_pkt表示上层设定的功率冗余级别，l_a、l_b、l_c则为具体的冗余级别值，设计为三档，r_a、r_b、r_c为不同功率冗余级别下对应的功率冗余系数；

第四则函数为功率限制函数，输入为P_sl，输出P_sc，

P_max为物理层支持的最大发送功率；

即理论发送功率P_sc＝f_lim(f_re(level_pkt,f_link(f_table(BER),H_loss,P_noise)))；

(1-2)源节点A建立案例库：采用数据库建立案例库G，案例格式包括决策号、决策时间、决策对象、决策输入、理论输出、调整输出、实际需求、反馈信息；其中，

决策号为主键约束，为唯一标识案例；

决策时间表示该案例于何时添入案例库；

决策对象表示发送功率含义；

决策输入为影响发送功率设定的输入参数组成的向量，即案例样本点；

理论输出为根据规则库中规则输出的理论发送功率值；

调整输出为经过案例调整后的发送功率设定输出值；

实际需求为经过反馈信息反算出的实际需要的发送功率值；

反馈信息为本次案例接收的反馈结果；

同时设定源节点A初始化案例学习因子α＝1；

(1-3)获取初始信道信息：在水声网络运行初始化时，水声通信源节点A以最大发送功率向目的节点B发送训练数据包，目的节点B收到训练数据包后，通过信道估计技术，获取当前瞬时信道增益H_loss,0，接收噪声P_noise,0，误比特率BER₀；目的节点B通过训练反馈包将上述信息以最大功率发送给源节点A，源节点A将这些信息作为初始信道信息。

3.如权利要求2所述的一种规则与案例结合的低复杂度水声通信功率设定方法，其特征在于，步骤(2)具体是：

源节点A确定影响功率设定的理论参数输入，包括BER_S,t，表示t时刻的样本点S的接收误比特率上限、接收噪声P_noise,S,t、信道增益H_loss,S,t，以及媒体接入控制层根据不同数据包传输可靠性规定的冗余功率级别level_pkt,S,t；其中，BER_S,t和level_pkt,S,t由媒体接入控制层给定，P_noise,S,t和H_loss,S,t由案例库G中最新案例的反馈信息获取，当案例库G中无案例时，P_noise,S,t＝P_noise,0、H_loss,S,t＝H_loss,0，将上述四种信息组成一样本点，即案例S(x₁,x₂,x₃,x₄)，x₁表示BER_S,t，x₂表示P_noise,S,t，x₃表示H_loss,S,t，x₄表示level_pkt,S,t,即S(BER_S,t,P_noise,S,t,H_loss,S,t,level_pkt,S,t)。

4.如权利要求3所述的一种规则与案例结合的低复杂度水声通信功率设定方法，其特征在于，步骤(3)具体是：

(3-1)源节点A从案例库G获取样本点各维度的数值分布范围：x₁∈[l₁,h₁]，x₂∈[l₂,h₂]，x₃∈[l₃,h₃]，x₄∈[l₄,h₄]，l_k为样本点对应维度的数值分布下限，h_k为样本点对应维度的数值分布上限，k＝1,2,3,4；

(3-2)源节点A从案例库G取一样本点S′(x′₁,x′₂,x′₃,x′₄)，计算S与S′的各维差值极值比

(3-3)计算S与S′的归一化欧式距离

(3-4)源节点A重复(3-2)和(3-3)，计算从案例库G取出的每个样本点与S的欧式距离，并记录到列表Arr中；

(3-5)源节点A从列表Arr中获取最小欧式距离D_ST及其对应样本点，即最佳匹配案例T(BER_T,t-m,P_noise,T,t-m,H_loss,T,t-m,level_pkt,T,t-m)，设T为案例库中按时间序的倒数第m个案例。

5.如权利要求4所述的一种规则与案例结合的低复杂度水声通信功率设定方法，其特征在于，步骤(6)中，源节点A首先检查案例库G中案例数量，当数量小于3时，不调整，跳转到步骤(7)；否则，源节点A根据规则库中规则，在最佳匹配案例T基础上进行决策调整，包括偏差计算、线性拟合、范围限制，具体如下：

偏差计算：源节点A计算样本点S的理论发送功率P_sc,S,t＝f_lim(f_re(level_pkt,S,t,f_link(f_table(BER_S,t),H_loss,S,t,P_noise,S,t)))，源节点A从案例库G获取样本点T的理论输出P_sc,T,t-m，则理论输出偏差ΔI_t＝P_sc,S,t-P_sc,T,t-m；

线性拟合：源节点A取案例库G中最近时间的3次案例C、D、E，从案例库G中获取C、D、E对应的理论计算输出P_sc,C,t-1、P_sc,D,t-2、P_sc,E,t-3，C、D、E对应的实际需求P_w,C,t-1、P_w,D,t-2P_w,E,t-3；源节点A依次计算理论输出偏差ΔI_t-1＝P_sc,C,t-1-P_sc,D,t-2、ΔI_t-2＝P_sc,D,t-2-P_sc,E,t-3，依次计算实际需求偏差ΔF_t-1＝P_w,C,t-1-P_w,D,t-2、ΔF_t-2＝P_w,D,t-2-P_w,E,t-3；进行加权移动平均，计算拟合斜率

β是加权权重，β∈[0,1]，然后对拟合斜率作范围限制，限制后拟合斜率

kl_lim是拟合斜率的最大限定值，然后计算样本点S的线性调整结果，从案例库G中获取案例样本点T的实际需求P_w,T,t-m，则计算决策调整量P_adj,S,t＝α_t×(P_w,T,t-m+ΔI_t×kll_t)；α_t表示t时刻的学习因子值；

范围限制：源节点A计算P_adjl,S,t＝f_lim(P_adj,S,t)，其中f_lim(·)函数与规则库中一致，源节点A的功率设定P_con,S,t＝P_adjl,S,t。

6.如权利要求5所述的一种规则与案例结合的低复杂度水声通信功率设定方法，其特征在于，步骤(9)具体是：目的节点B收到源节点A发送的数据包后，测量此时的平均信号功率P_signal,t和噪声功率P_{noise_r,t}，将两信息放入确认包中的信息部分发送给源节点A；源节点A收到后进行实际需求计算，计算实际信道增益

根据发送功率理论公式计算实际功率需求

P_w,S,t＝f_lim(f_re(level_pkt,S,t,f_link(f_table(BER_S,t),H_{loss_r,S,t},P_{noise_S,t})))。

7.如权利要求6所述的一种规则与案例结合的低复杂度水声通信功率设定方法，其特征在于，步骤(10)具体是：

案例保存：源节点A根据案例格式保存本次决策案例S到案例库G；其中，

决策号字段在最近的案例决策号基础上加1；

决策时间字段写入当前系统运行时刻；

决策对象字段写入“Psend”字符串；

决策输入字段写入BER_S,t、P_noise,S,t、H_loss,S,t、level_pkt,S,t四个值；

理论输出字段写入P_sc,S,t值；

调整输出字段写入P_con,S,t值；

实际需求字段写入P_w,S,t值；

反馈信息字段写入P_{noise_r,t}和H_{loss_r,S,t}值；

保存之后，源节点A比较该新案例的维度信息分布范围与(3-1)中的原始分布范围，更新该原始分布范围，使其包含新的案例；

因子更新：源节点A根据误差进行学习因子调整；源节点A检查案例库G中案例数量，当数量小于3时，不调整并结束本步骤，否则进行调整：从案例库G中取最近时间三次案例S、C、D对应的调整输出P_con,S,t、P_con,C,t-1、P_con,D,t-2,对应的实际需求P_w,S,t、P_w,_C,t-1、P_w,D,t-2，计算误差绝对值e_t＝|P_w,S,t-P_con,S,t|、e_t-1＝|P_w,C,t-1-P_con,C,t-1|、e_t-2＝|P_w,D,t-2-P_con,D,t-2|，然后计算计算误差表征的加权移动平均值

τ为加权权重，τ∈[0,1]；然后计算学习因子调节步进

δ为指数调整量，γ_th为步进设定最大值；

最后进行因子更新，则有t+1时刻理论学习因子

对学习因子进行限制范围，则有t+1时刻更新后的学习因子

其中α_low为学习因子设定最小值。

Images