CN114401073A - 一种基于强化学习的水声通信自适应调制编码算法 - Google Patents

一种基于强化学习的水声通信自适应调制编码算法 Download PDF

Info

Publication number
CN114401073A
CN114401073A CN202210059529.5A CN202210059529A CN114401073A CN 114401073 A CN114401073 A CN 114401073A CN 202210059529 A CN202210059529 A CN 202210059529A CN 114401073 A CN114401073 A CN 114401073A
Authority
CN
China
Prior art keywords
modulation
coding
signal
reinforcement learning
adaptive modulation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210059529.5A
Other languages
English (en)
Inventor
唐军
邓兆才
党召凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN202210059529.5A priority Critical patent/CN114401073A/zh
Publication of CN114401073A publication Critical patent/CN114401073A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
    • H04L1/0017—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy where the mode-switching is based on Quality of Service requirement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Detection And Prevention Of Errors In Transmission (AREA)

Abstract

本发明属于水声通信领域，公开了一种基于强化学习的水声通信自适应调制编码算法，通过强化学习算法自主探索信道质量和调制编码方案之间的关系，建立可靠的MCS切换门限，该方法包括：首先定义调制编码方案、信噪比、吞吐量为Q表三要素state、action、reward并初始化Q表，初始时刻，随机选择调制编码方案发送信号，接收端接收解调信号并发送反馈信号，强化学习模块根据反馈信息更新Q表并根据新Q表选择调制编码方案发送信号，接收端接收解调信号并发送反馈信号，重复以上步骤，经强化学习模块多次学习后，得出准确的MCS切换门限。解决了传统自适应调制编码技术根据仿真或一定的假设前提给出数学模型得到的MCS切换门限存在一定误差的问题。

Description

一种基于强化学习的水声通信自适应调制编码算法
技术领域
本发明属于水声通信技术领域，涉及一种强化学习算法和自适应调制编码技术相结合的通信系统。
背景技术
水声通信是水下通信中最为成熟的通信方式，但是水声信道具有时变、空变、频变的特点，海洋中的噪声，信号传播过程中的衰减，多径传播，多普勒频移，这些因素直接影响水声通信的可靠性。采用信道编码技术对待发送信息进行处理可以有效抵抗水声信道中的干扰，降低误码率，提高水声通信的可靠性。由于水下环境时刻发生着变化，水声信道受环境影响显著，如果只采用固定的编码方式和速率，当水声信道状态较好时，固定的编码速率会影响信息的传输速率，同时当水声信道状态较差时，固定的编码方式和速率会产生较高的误码率。
针对复杂的水声信道，自适应调制编码技术根据信道质量的好坏，动态调整信道编码的方式和速率以及水声通信的调制方式，改变调制参数和编码方式与当前信道状态相匹配，充分利用信道特性以提高通信的可靠性和有效性。但传统的自适应调制编码技术根据仿真或一定的假设前提给出数学模型得出调制编码方案与信道质量之间的关系,面对复杂多变的水声信道，传统自适应调制编码技术由仿真或一定的假设前提给出数学模型得出MCS切换门限存在一定的误差，难以有效降低水声通信系统的误帧率和提高水声通信系统的吞吐量。本发明提出的基于强化学习的自适应调制编码算法，不依赖于仿真得出的MCS切换门限数据，根据实时通信系统中实际的误帧率性能去确定SNR和MCS之间的对应关系，通过强化学习算法的学习，准确得出MCS切换门限，解决了传统自适应调制编码技术MCS切换门限存在误差的问题。
发明内容
针对水声通信系统中传统自适应调制编码算法面对复杂多变的水声信道难以满足误帧率要求，本发明提出基于强化学习的自适应调制编码算法，以解决上述问题。
为实现上述发明目的，将采用下述方案：
S1：将强化学习与自适应调制编码系统结合，设定Q表三要素：state、action、reward，建立Q表并初始化Q表；
S1-1：将水声信道中不同大小的信噪比作为状态state，根据不同大小的信噪比所选择的调制方式和编码速率作为动作action，不同的调制方式和编码速率所获得的吞吐量作为奖励reward。
S1-2：信噪比计算公式：
Figure BDA0003477616530000011
其中，
Figure BDA0003477616530000021
为信道冲激响应函数，
Figure BDA0003477616530000022
为方差。
吞吐量计算公式：
Figure BDA0003477616530000023
其中，信号发送的时间用T来表示，BER为误码率，M为调制阶数，N代表T时间内发送的符号数目。
S2：发射端在初始时刻随机选择调制编码方式发送信号，接收端处理信号并发送反馈信号；
S2-1：初始时刻的状态定义为S1，所选取的动作定义为a1，获得的奖励定义为r1，发射端随机选择动作a1，自适应调制编码模块执行动作a1对信号进行处理，经过调制编码之后，发射端发射信号，接收端接收信号并进行解调和译码，然后通过反馈模块发送数据给发射端，发射端接收数据根据状态S1、动作a1计算奖励r1。
S3：下一时刻，发射端接收反馈信号，根据S1和r1更新Q表，获取S2对应的Q表，在Q表中选择s2状态下奖励最大的动作a2对信号进行调制编码处理，随后发射信号；
S3-1：Q表的更新公式如下：
Q′(St,a)＝Q(St,a)+α(rt+γQ(St+1,a′)-Q(St,a))
其中，rt是在状态St所选动作带来的奖励,γ是衰减因子，Q(St+1,a′)表示在状态St+1下的Q值，Q(St,a)表示在状态St下的Q值，Q′(St,a)代表更新后的Q值,α表示学习效率。
S4：接收端接收S3中自适应调制编码系统处理的信号并进行解调译码，同时将相关数据反馈至发射端；
S4-1：接收端对信号进行处理之后，打包相关数据，选择低阶调制方式将数据发送给发射端，保证数据传输的可靠性。
S5：发射端分析反馈数据，再次更新Q表并利用强化学习算法根据Q表选择最佳调制编码方式，发射端执行动作并发送信号；
S5-1：在发射端采用ε-greedy选取调制编码方式，首先设定一个合理的ε数值，ε的大小应是动态变化，随着迭代次数的增加而减少探索概率，避免陷入局部最优解。
S6：通信系统反复进行S2-S5步骤，经过强化学习多次学习后，实现对通信系统误帧率和吞吐量的优化。
与现有技术相比，本发明具有以下有益效果：
传统的自适应调制编码技术根据仿真或一定的假设前提给出数学模型得出调制编码方案与信道质量之间的关系，但声波在水下传播过程中产生的多径传播和多普勒频移都对通信系统造成严重的干扰，传统自适应调制编码技术由仿真或一定的假设前提给出数学模型得出MCS切换门限，面对复杂多变的水声信道，存在一定的误差，对降低通信系统的误帧率和提高通信系统的吞吐量，存在一定的局限性。本发明提出的基于强化学习的自适应调制编码技术，不依赖于仿真得出的MCS切换门限数据，根据实时通信系统中实际的误帧率性能去确定SNR和MCS之间的对应关系，通过强化学习算法的学习，准确得出MCS切换门限，解决了传统自适应调制编码技术MCS切换门限存在一定误差的问题。
附图说明：
图1是基于强化学习的自适应调制编码通信系统
图2是强化学习算法的实现流程
图3是四种不同调制编码方式误码率对比图
图4是基于强化学习算法和传统查表法吞吐量对比图
具体实施方式：
下面结合附图对本发明进行详细说明
针对水声通信系统中传统自适应调制编码算法仿真得出的MCS切换门限存在误差，面对复杂多变的水声信道难以满足误帧率要求，本发明提出基于强化学习的自适应调制编码算法，在水声通信过程中，自主探索学习MCS切换门限，经过多次学习后，学习出最佳MCS切换门限并选择最佳调制编码方案，降低通信系统误帧率，提高吞吐量。
附图1是基于强化学习的水声通信自适应调制编码系统，发射端在复杂多变的水下向接收端发送信号，本发明在信号发送端加入强化学习模块，不再依靠仿真得出的mcs切换门限，在初始时刻发送端随机选择调制编码方案发送信号。接收端接受信号并解调译码，将相关数据打包，通过低阶调制反馈至发送端。发送端接收反馈，根据信噪比，吞吐量更新Q表，强化学习算法利用贪婪策略根据新的Q表选择合适的调制编码方案发送信号。重复以上步骤，直至通信结束。
附图2是强化学习算法流程图，在初始时刻发送端随机选择调制编码方案发送信号，接收端接受信号并解调译码，将相关数据打包，通过低阶调制反馈至发送端。发送端接收信号，根据信噪比，吞吐量更新Q表，强化学习算法利用贪婪策略根据新的Q表选择合适的调制编码方案发送信号。重复以上步骤，直至通信结束。
实施例：
1.本次实施中采用Q-learning算法与自适应调制编码系统结合，首先定义Q表三要素：state、action、reward，将水声通信中不同大小的信噪比作为状态state，根据不同大小的信噪比所选择的调制方式和编码速率作为动作action，不同的调制方式和编码速率所获得的吞吐量作为奖励reward，建立Q表并初始化Q表。
2.本发明中需先将状态离散化，在水声通信中以0.5dB为间隔，在0-40dB之间进行选取作为所有的状态空间。
3.本发明中的动作选取4种调制方式，分别为BPSK、QPSK、16QAM和32QAM调制方式。选取2种纠错编码方式，分别为卷积码和RS码，编码速率分别为1/3，1/2，2/3，3/4。
4.其中卷积码比较适用于二进制调制的信道，而RS码比较适用于多进制调制的信道，本发明根据这两种编码的各自特点制定了调制编码方案，将较低进制的调制方式和卷积码结合，如BPSK和QPSK与卷积码结合。这样一方面调制方式中信号点之间的最小欧氏距离比较大，具有很强的抗干扰性能，另一方面，二进制码元正好适合于卷积码，不会使得接收信号的误码率高于误比特率，这就保证了卷积码的纠错性能。因此该方案比较适用于信道条件较差时所采用的编码调制方案，而RS码适合高进制调制方式，如16QAM和32QAM与RS码结合。
具体调制编码方案如下表所示：
Figure BDA0003477616530000041
(1)信噪比计算公式：
Figure BDA0003477616530000042
其中，
Figure BDA0003477616530000043
为信道冲激响应函数，
Figure BDA0003477616530000044
为方差。
(2)吞吐量计算公式：
Figure BDA0003477616530000045
其中，信号发送的时间用T来表示，BER为误码率，M为调制阶数，N代表T时间内发送的符号数目。
5.发射端在初始时刻随机选择调制方式和编码速率，自适应调制编码模块执行相应动作随后发射端发送信号，接收端接收信号并进行解调译码，打包相关数据反馈给发射端。
6.初始时刻的状态定义为S1，所选取的动作定义为a1，获得的奖励定义为r1，发射端随机选择动作a1，自适应调制编码模块执行动作a1对信号进行处理，经过调制编码之后，发射端发射信号，接收端接收信号并进行解调和译码，然后通过反馈模块发送数据给发射端，发射端接收数据根据状态S1、动作a1计算奖励r1。
7.下一时刻，发射端接收反馈信号，根据S1和r1更新Q表，获取S2对应的Q表，在Q表中选择s2状态下奖励最大的动作a2对信号进行调制编码处理，随后发射信号。
8.Q表的更新公式如下：
Q′(St,a)＝Q(St,a)+α(rt+γQ(St+1,a′)-Q(St,a))
其中，rt是在状态St所选动作带来的奖励,γ是衰减因子，Q(St+1,a′)表示在状态St+1下的Q值，Q(St,a)表示在状态St下的Q值，Q′(St,a)代表更新后的Q值，α表示学习效率，在本例中γ取值0.1，α取值0.9。
9.接收端接收经自适应调制编码系统根据新Q表处理的信号，对信号进行解调译码处理，获取相关数据并再次反馈至发射端。
10.为保证反馈信息传输的可靠性，接收端采用低阶调制方式将相关数据反馈给发射端，主要包括误帧率，信噪比及对应的调制编码方式。
11.发射端分析反馈数据，再次更新Q表并利用强化学习算法根据Q表选择最佳调制编码方式，发射端执行动作并发送信号。
12.在发射端采用ε-greedy选取调制编码方式，首先设定一个合理的ε数值，ε的大小应是动态变化，随着迭代次数的增加而减少探索概率，避免陷入局部最优解，本实施实例中设定初始状态探索概率ε＝1。
13.本实施例所采用的ε-greedy算法具体数学表达式如下，以ε的概率进行探索，1-ε的概率进行利用：
Figure BDA0003477616530000051
其中，l∈[0，1]，是一个随机数，状态s是已知的。
14.Q值的估计是Q-learning算法中最为重要的部分，动作a的动作价值函数Q(S,a)在当前状态下第n次更新定义为：
Qn(s,a)＝Qn-1(s,a)+α[Rn(s,a)-Qn-1(s,a)]
15.根据贝尔曼最优方程，Rn(S,a)可以表示为及时奖励r(s′|s,a)，下一状态s′估计的Q值为：
Rn(s,a)＝r(s′|s,a)+γmaxaQn-1(s′,a′)
16.通过始终选择当前状态s中动作-价值函数中值最大的动作，则当前性能最好的策略：
π*(s)＝argmaxaQ(s,a)
17.由上式可知，在状态s下选择的下一步要执行的动作与当前的策略无关，只与动作-价值函数有关。
18.通信系统反复进行S2-S5步骤，经过强化学习多次学习后，实现对通信系统误帧率和吞吐量的优化。

Claims (7)

1.一种基于强化学习的水声通信自适应调制编码算法，其特征在于，包括以下步骤：
S1：将强化学习与自适应调制编码系统结合，设定Q表三要素：state、action、reward，建立Q表并初始化Q表；
S2：发射端在初始时刻随机选择调制编码方式发送信号，接收端处理信号并发送反馈信号至发射端；
S3：下一时刻，发射端接收反馈信号，根据S1和r1更新Q表，获取S2对应的Q表，在Q表中选择s2状态下奖励最大的动作a2对信号进行调制编码处理，随后发射信号；
S4：接收端接收S3中自适应调制编码系统处理的信号并进行解调译码，同时将相关数据反馈至发射端；
S5：发射端分析反馈数据，再次更新Q表并利用强化学习算法根据Q表选择最佳调制编码方式，发射端执行动作并发送信号；
S6：通信系统反复进行S2-S5步骤，经过强化学习多次学习后，实现对通信系统误帧率和吞吐量的优化。
2.根据权利要求1所述的基于强化学习的水声通信自适应调制编码算法，其特征在于，所述步骤s1中：
(1)选取不同时刻的信噪比作为状态state：
信噪比计算公式：
Figure FDA0003477616520000011
其中，
Figure FDA0003477616520000012
为信道冲激响应函数，
Figure FDA0003477616520000013
为方差；
(2)根据不同大小的信噪比所选择的调制方式和编码速率作为动作action；
(3)不同的调制方式和编码速率所获得的吞吐量作为奖励reward：
吞吐量计算公式：
Figure FDA0003477616520000014
其中，信号发送的时间用T来表示，BER为误码率，M为调制阶数，N代表T时间内发送的符号数目。
3.根据权利要求1所述的基于强化学习的水声通信自适应调制编码算法，其特征在于，所述步骤s2中：
初始时刻的状态定义为S1，所选取的动作定义为a1，获得的奖励定义为r1，发射端在初始时刻随机选择动作a1，自适应调制编码模块执行动作a1对信号进行处理，经过调制编码之后，发射端发射信号，接收端接收信号并进行解调和译码，然后通过反馈模块发送数据给发射端，发射端接收数据根据状态S1、动作a1计算奖励r1。
4.根据权利要求1所述的基于强化学习的水声通信自适应调制编码算法，其特征在于，所述步骤s3中：
(1)Q表更新公式如下：
Q′(St，a)＝Q(St，a)+α(rt+γQ(St+1，a′)-Q(St，a))
其中，rt是在状态St所选动作带来的奖励，γ是衰减因子，Q(St+1，a′)表示在状态St+1下的Q值，Q(St，a)表示在状态St下的Q值，Q′(St，a)代表更新后的Q值，α表示学习效率。
5.根据权利要求1所述的基于强化学习的水声通信自适应调制编码算法，其特征在于，所述步骤s3中：
在发射端采用ε-greedy选取调制编码方式，首先设定一个合理的ε数值，ε的大小应是动态变化，随着迭代次数的增加而减少探索概率，避免陷入局部最优解。
6.根据权利要求1所述的基于强化学习的水声通信自适应调制编码算法，其特征在于，所述步骤s4中：
接收端对信号进行处理之后，打包相关数据，选择低阶调制方式将数据发送给发射端，保证数据传输的可靠性。
7.根据权利要求1所述的基于强化学习的水声通信自适应调制编码算法，其特征在于，所述步骤s5、s6中：
通信系统利用强化学习算法选取不同的调制编码方式同时采用ε-greedy策略防止陷入局部最优解，通过强化学习算法不断地学习，通信系统的误帧率有效降低，吞吐量明显提升。
CN202210059529.5A 2022-01-19 2022-01-19 一种基于强化学习的水声通信自适应调制编码算法 Pending CN114401073A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210059529.5A CN114401073A (zh) 2022-01-19 2022-01-19 一种基于强化学习的水声通信自适应调制编码算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210059529.5A CN114401073A (zh) 2022-01-19 2022-01-19 一种基于强化学习的水声通信自适应调制编码算法

Publications (1)

Publication Number Publication Date
CN114401073A true CN114401073A (zh) 2022-04-26

Family

ID=81230450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210059529.5A Pending CN114401073A (zh) 2022-01-19 2022-01-19 一种基于强化学习的水声通信自适应调制编码算法

Country Status (1)

Country Link
CN (1) CN114401073A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114978353A (zh) * 2022-05-31 2022-08-30 桂林电子科技大学 基于后向散射强度的水下光通信自适应调制方法
CN115001598A (zh) * 2022-04-29 2022-09-02 厦门大学 可远程遥控的水声信号发射装置
CN115514425A (zh) * 2022-11-15 2022-12-23 北京理工大学 基于ofdm的自适应多制式水声通信方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110519013A (zh) * 2019-08-30 2019-11-29 西安科技大学 一种基于强化学习的水声通信自适应调制方法
WO2021249515A1 (zh) * 2020-06-12 2021-12-16 华为技术有限公司 信道信息反馈方法、通信装置及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110519013A (zh) * 2019-08-30 2019-11-29 西安科技大学 一种基于强化学习的水声通信自适应调制方法
WO2021249515A1 (zh) * 2020-06-12 2021-12-16 华为技术有限公司 信道信息反馈方法、通信装置及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115001598A (zh) * 2022-04-29 2022-09-02 厦门大学 可远程遥控的水声信号发射装置
CN114978353A (zh) * 2022-05-31 2022-08-30 桂林电子科技大学 基于后向散射强度的水下光通信自适应调制方法
CN114978353B (zh) * 2022-05-31 2023-10-24 桂林电子科技大学 基于后向散射强度的水下光通信自适应调制方法
CN115514425A (zh) * 2022-11-15 2022-12-23 北京理工大学 基于ofdm的自适应多制式水声通信方法及装置
CN115514425B (zh) * 2022-11-15 2023-03-14 北京理工大学 基于ofdm的自适应多制式水声通信方法及装置

Similar Documents

Publication Publication Date Title
CN114401073A (zh) 一种基于强化学习的水声通信自适应调制编码算法
CN102265546B (zh) 基于接收数据的无线通信信道的信道质量确定
US7830976B2 (en) Iterative channel and interference estimation with dedicated pilot tones for OFDMA
CN112508172A (zh) 基于q学习和srnn模型的航天测控自适应调制方法
CN110519013B (zh) 一种基于强化学习的水声通信自适应调制方法
CN112713966B (zh) 基于似然估计修正信噪比的编码调制切换方法
US6940915B2 (en) Adaptive learning method and system to adaptive modulation
CN102932110B (zh) 一种自适应调制编码和自适应门限调整的联合方法
CN104969522A (zh) 用于在无线通信系统中通过使用调制技术发送和接收信号的方法和设备
CN106788782A (zh) 水声通信网络ofdm链路物理层与mac层跨层通信方法
CN101141226A (zh) 调制编码状态的调整方法、自适应编码调制方法及系统
CN105656823B (zh) 基于最小误码率准则的水下通信Turbo接收系统及方法
CN112215335B (zh) 一种基于深度学习的系统检测方法
CN106230767A (zh) 一种基于双误块率和信噪比差值的自适应调制编码方法
CN112737984B (zh) 多载波非相干水声通信的频响估计及信号传输方法、系统
CN113507347B (zh) 一种用于激光与微波混合通信的软切换方法
Zhao et al. MLRS-RL: An Energy-Efficient Multilevel Routing Strategy Based on Reinforcement Learning in Multimodal UWSNs
CN115883298B (zh) 一种基于Haar分布域编码分集的水声通信方法
CN112910570B (zh) 基于正交信分复用调制的水声通信链路自适应配置方法
Wu et al. Structure optimisation of spatial modulation over correlated fading channels
CN103532881A (zh) 一种自适应调整单载波水声相干通信制式的方法
CN114615125B (zh) 一种高维多模索引调制正交频分复用方法
JP2004072666A (ja) 無線システムおよび無線機
de Souza et al. Code rate, frequency and SNR optimization for energy efficient underwater acoustic communications
CN112039536A (zh) 一种基于正交频分复用技术的自适应极化码编译码方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220426