CN117395626A - 基于元学习及noma的水声网络水质监测数据搜集方法 - Google Patents

Abstract

基于元学习及NOMA的水声网络水质监测数据搜集方法，涉及水下通信领域。在非正交多址接入（NOMA）的水声网络水质监测数据搜集方法中，搜集海洋瞬时信道状态，根据瞬时信道状态利用元学习调整水声节点发送信号的功率分配因子；元学习模型使用已知水声节点历史信道状态及其对应最优功率分配因子作为训练任务集、当前海域测得少量样本作为测试任务集；在训练过程中利用梯度下降法更新参数，根据瞬时信道状态计算出最佳功率分配因子，以达到适应复杂多变的海洋环境的目的。

Description

基于元学习及NOMA的水声网络水质监测数据搜集方法

技术领域

本发明涉及水下通信，尤其是涉及水声网络水质监测中通信上行链路运用元学习以及非正交多址接入技术改善水声数据搜集频谱效率的一种基于元学习及非正交多址接入(Non-Orthogonal Multiple Access，简称NOMA)的水声网络水质监测数据搜集方法。

背景技术

海洋渔业是海洋产业的重要内容之一，通过水声网络对海洋环境水质参数进行实时监测和预警，可以为渔业养殖提供改善水质环境、投喂等重要决策所需的数据和依据。在利用传统水声网络进行海洋环境水质参数搜集中，多采用正交多址接入(OrthogonalMultiple Access，简称OMA)技术提供数据服务。此类OMA技术虽然通过使用户独占频域/时域资源块的方法可以很大程度地避免数据冲突以及用户间干扰，但同时也限制用户接入数量和资源利用率的提升；同时，由于水声信道大时延、强多径等特点的影响，传输信号的正交性也无法避免地被破坏。因此，如何结合水声信道特性，且在有限资源内实现更多用户接入及更高地频谱利用率是水声网络技术的一个重要研究方向。

非正交多址接入(Non-Orthogonal Multiple Access，简称NOMA)技术的基本思想是在发送端采用非正交发送，主动引入干扰信息，在接收端通过串行干扰删除(SerialInterference Cancellation，简称SIC)接收机实现正确解调。这种技术可极大地提高水声信道的频谱利用率及用户接入数量，以解决上述问题。同时，NOMA技术在水声网络领域方面的应用是一个重要的研究方向。现有技术提出利用时间反转NOMA(TR-NOMA)方案进行水声通信设计，并在水下无人航行器(Unmanned Underwater Vehicle，简称UUV)中应用同步无线信息和功率传输来获取能量以延长系统使用寿命，解决水声信道带宽有限及功耗高的问题；以及MMW-NOMA方案，即在NOMA技术中应用基于最大和最小权重的节点配对算法，可根据信道质量为水下节点分配功率。

目前，深度学习已在大量领域取得优异成果，但该类算法仍存在依赖大规模数据、难以适应未观测任务等问题。而元学习(Meta-learning)是一种可以基于小样本数据进行学习，并快速适应新任务的前沿学习算法。现有技术提出的元-Q学习算法可以适应数据量较少的新任务 ；与模型无关的元学习算法(Model-Agnostic Meta-Learning Algorithm，简称MAML)不会为元学习引入任何学习参数，同时可以与任何基于梯度的训练模型相结合，该算法大大简化学习的过程，并且可以运用与多种场景。然而，目前未见结合元学习算法的NOMA技术在水声通信领域的应用研究。

因此，本发明拟根据水声信道特点利用元学习算法对NOMA技术进行改进，可以使其更适应水声信道环境，有望提升不确定海洋环境条件下水声网络水质监测数据搜集的效率。

发明内容

本发明的目的在于针对不确定海洋环境中水声网络水质监测在多变水声信道状态、水声节点状态频繁改变情况下，传统NOMA功率分配方案进行水声数据搜集时效率较低等问题，提供一种基于元学习及NOMA的水声网络水质监测数据搜集方法。本发明提出根据瞬时信道状态对多个水声节点进行功率分配，利用元学习算法依据水声数据搜集时动态变化的水声信道状态，实时调整各水声节点NOMA技术功率分配因子的大小，以达到降低水声网络水质监测水声节点发送功耗、提高频谱利用效率的目的，实现对NOMA技术中功率分配方案的优化，使NOMA技术适应不确定海洋环境条件。

本发明包括以下步骤：

1）考虑水声网络水质监测中海底至海面上行链路的水声数据搜集场景，由n个水声节点组成水声网络，水声节点包括水声传感器和水声调制解调器两部分，负责在海底搜集数据并向海面的基站传输；

2）从时刻t0起，每隔时间间隔t，基站获取各个水声节点至基站之间的瞬时信道状态h_k，即当前时刻信号在传输路径上的衰落因子，直到整个数据搜集过程结束，k=1,2...n；

3）引入动态功率分配因子对各个水声节点进行功率分配，将NOMA系统的总频带资源分为S个子频带，则某一子频带上水声节点k所分配的功率/>为：

（1）

其中，表示所有水声节点的总功率，/>表示在第b个子频带上复用的水声节点集，/>表示水声节点k在第b个子频带上的载干噪声比（Carrier to Interferenceplus Noise Ratio，简称CINR），/>表示第b个子频带上所有水声节点的CINR之和，v表示任一在第b个子频带上复用的水声节点，b=1,2,3,...,S；

4）利用元学习调节动态功率分配因子：构建训练任务集T{T_1，T₂...T_i...}， T_i={H_ij,D_ij}，其中H_ij为第i个其它海域A_i(i=1,2,3,...)搜集到的第j个水声节点至基站之间的历史信道状态数据，即t0时刻前信号在传输路径上的衰落因子数据，j=1,2,3,...，D_ij为第i个其它海域A_i(i=1,2,3,...)搜集到的第j个水声节点的历史功率分配因子数据。构建测试任务集Q={H_e,D_e}，其中H_e为本海域A₀搜集到的第e个水声节点至基站之间的历史信道状态数据，e=1,2,3,...，D_e为本海域A₀搜集到的第e个水声节点的历史功率分配因子数据。基于训练任务集T{T_1，T₂...T_i...}对元学习模型进行训练，得到适用于小样本学习的参数模型：

（2）

其中：表示元学习模型，/>表示输入元学习模型的初始参数，/>表示每次迭代后得到的参数，/>为学习率；/>表示元学习模型/>在训练任务集T_i上的损失函数；具体地，/>，其中： />表示利用初始参数/>和历史信道状态数据H_ij计算出功率分配因子估计值的函数关系，/>表示历史功率分配因子数据D_ij与功率分配因子估计值/>之间差异的损失函数；

4.1）将初始参数以及训练任务集T_i={H_ij,D_ij}代入/>得到损失函数，并计算出梯度/>；

4.2）按照公式(2)利用梯度下降法更新参数，使得损失函数最小；

4.3）重复步骤4.1)到步骤4.2)，直到遍历训练任务集T{T_1，T₂...T_i...}中所有样本，得到训练迭代完成后的参数；

4.4）针对步骤4.3）得到的参数，在测试任务集Q={H_e,D_e}中按照梯度下降法进行更新得到测试更新完成后的最终参数/>：

（3）

其中，表示元学习算法的步长，/>为/>在测试任务集Q上的损失函数；

4.5）每隔时间间隔t，将参数与步骤2)获取水声节点k至基站之间的瞬时信道状态h_k相乘，得到动态功率分配因子/>；

5）按照公式(1)根据动态功率分配因子对水声节点k的传输信号进行功率分配，混叠后送入信道；

6）基站接收信号后对水声节点k的信号进行串行干扰消除(SuccessiveInterference Cancellation，简称SIC)解码：

6.1）设水声节点k向基站发送的信号为R_k(k=1,2...n)，基站将接收到的不同水声节点的信号按功率大小进行降序排序，则该n个水声节点的信号排序为；

6.2）针对排序后的水声节点信号(i=1,2,..,n)，当基站解码第i个水声节点时，先解码并重建前面（i-1）个水声节点的信号，然后从混合信号中减去所重建的（i-1）个水声节点的信号，最后将剩余水声节点的信号/>看作干扰信号对第i个水声节点进行解码；

7）重复步骤4）到6）至数据搜集结束，在不同的海洋信道环境下，更新NOMA功率分配方案中的动态功率分配因子，以适应海洋复杂多变的环境特点。

本发明具有以下突出优点：

1）可依据水声节点的实时状态调节功率分配因子，优化NOMA技术的功率分配方案；

2）符合水下信道复杂多变的特殊性质，使NOMA技术在不确定海洋环境下进行水声数据搜集的应用更具可行性；

3）利用元学习算法优化NOMA技术中的功率分配方案，基于瞬时信道状态对功率分配因子进行动态调节，以提高频谱利用效率以及NOMA技术在水下环境中的适应性。

附图说明

图1为本发明实施例的NOMA上行通信场景图。

图2为本发明实施例的元学习调整动态功率分配因子流程示意图。

图3为本发明实施例使用元学习调整动态功率分配因子时通信系统误码率与水声节点瞬时信道状态的关系。

图4为本发明实施例使用固定功率分配因子时通信系统误码率与水声节点瞬时信道状态的关系。

图5为本发明实施例使用元学习调整动态功率分配因子时通信系统频谱效率与水声节点瞬时信道状态的关系。

图6为本发明实施例使用固定功率分配因子时通信系统误码率与水声节点瞬时信道状态的关系。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下实施例将结合附图对本发明进行作进一步的说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

本发明实施例包括以下步骤：

1）NOMA上行通信场景图如图1所示，考虑水声网络水质监测中海底至海面上行链路的水声数据搜集场景，由n个水声节点组成水声网络，水声节点包括水声传感器和水声调制解调器两部分，负责在海底搜集数据并向海面的基站传输；

2）从时刻t0起，每隔时间间隔t，基站获取各个水声节点至基站之间的瞬时信道状态h_k，即当前时刻信号在传输路径上的衰落因子，直到整个数据搜集过程结束；

3）引入动态功率分配因子对各个水声节点进行功率分配，将NOMA系统的总频带资源分为S个子频带，则某一子频带上水声节点k(k=1,2,3…n)所分配的功率/>为：

（1）

其中，表示所有水声节点的总功率，/>表示在第b个子频带上复用的水声节点集，/>表示在水声节点k在第b个子频带上的载干噪声比（Carrier to Interferenceplus Noise Ratio，简称CINR），/>表示在第b个子频带上所有水声节点的CINR之和，v表示任一在第b个子频带上复用的水声节点，b=1,2,3,...,S；

4）如图2所示，利用元学习调节动态功率分配因子：构建训练任务集T{T_1，T₂...T_i...}， T_i={H_ij,D_ij}，其中H_ij为第i个其它海域A_i(i=1,2,3,...)搜集到的第j个水声节点至基站之间的历史信道状态数据，即t0时刻前信号在传输路径上的衰落因子数据，j=1,2,3,...，D_ij为第i个其它海域A_i(i=1,2,3,...)搜集到的第j个水声节点的历史功率分配因子数据。构建测试任务集Q={H_e,D_e}，其中H_e为本海域A₀搜集到的第e个水声节点至基站之间的历史信道状态数据，e=1,2,3,...，D_e为本海域A₀搜集到的第e个水声节点的历史功率分配因子数据。基于训练任务集T{T_1，T₂...T_i...}对元学习模型进行训练，得到适用于小样本学习的参数模型：

（2）

其中：表示元学习模型，/>表示输入元学习模型的初始参数，/>表示每次迭代后得到的参数，/>为学习率；/>表示元学习模型/>在训练任务集T_i上的损失函数。具体地，/>，其中： />表示利用初始参数/>和历史信道状态数据H_ij计算出功率分配因子估计值的函数关系，/>表示历史功率分配因子数据D_ij与功率分配因子估计值/>之间差异的损失函数；

4.1）将初始参数以及训练任务集T_i={H_ij,D_ij}代入/>得到损失函数，并计算出梯度/>；

4.2）按照公式(2)利用梯度下降法更新参数，使得损失函数最小；

4.3）重复步骤4.1)到步骤4.2)，直到遍历训练任务集T{T_1，T₂...T_i...}中所有样本，得到训练迭代完成后的参数；

4.4）针对步骤4.3）得到的参数，在测试任务集Q={H_e,D_e}中按照梯度下降法进行更新得到测试更新完成后的最终参数/>：

（3）

其中，表示元学习算法的步长，为在测试任 务集Q上的损失函数；

4.5）每隔时间间隔t，将参数与步骤2)获取水声节点k至基站之间的瞬时信道状态h_k相乘，得到动态功率分配因子/>；

5）按照公式(1)根据动态功率分配因子对水声节点k的传输信号进行功率分配，混叠后送入信道；

6）基站接收信号后对水声节点k的信号进行串行干扰消除(SuccessiveInterference Cancellation，简称SIC)解码：

6.1）设水声节点k向基站发送的信号为R_k(k=1,2...n)，基站将接收到的不同水声节点的信号按功率大小进行降序排序，则该n个水声节点的信号排序为；

6.2）针对排序后的水声节点信号(i=1,2,..,n)，当基站解码第i个水声节点时，先解码并重建前面（i-1）个水声节点的信号，然后从混合信号中减去所重建的（i-1）个水声节点的信号，最后将剩余水声节点的信号/>看作干扰信号对第i个水声节点进行解码；

7）重复步骤4）到6）至数据搜集结束，在不同的海洋信道环境下，更新NOMA功率分配方案中的动态功率分配因子，以适应海洋复杂多变的环境特点；

8）计算不同信道状态下的误码率(BER)及频谱效率，并绘制误码率与水声节点k瞬时信道状态h_k的关系，如图3和图5所示。

以下对本发明所述方法的可行性进行计算机仿真验证。

仿真平台为MATLAB R2023a。

参数设置如下：水声节点u1、水声节点u2；通信符号数量numsymbol= 1000；信噪比SNR = 10；初始的学习率=0.04；子频带数量S=1；元学习初始参数/>= [-1.38,1.205]；最大迭代次数c = 5000。

以下采用一个数据量为30的训练集X为例，介绍仿真过程。

假设水声节点信道状态随时间改变，h1为水声节点u1的瞬时信道状态，h1=0.2︰ 0.05︰0.8，即：基站每获取一次信道状态，h1增大0.05。每获取一次信道状态，利用元学习根 据瞬时信道状态调整水声节点u1的动态功率分配因子，混叠后送入信道，基站在接收 信号后按功率大小顺序进行SIC解码并计算本次通信的误码率以及频谱效率。

以下是对于本发明方法仿真结果的分析：

（1）图3为本发明方法使用元学习调整动态功率分配因子时，通信系统的误码率与水声节点瞬时信道状态的关系。由图3可以看出，利用元学习梯度下降算法调整动态功率分配因子时，误码率随水声节点u1瞬时信道状态变化较大，当水声节点u1的瞬时信道状态为0.5时，水声节点u1与水声节点u2误码率同时达到最大，为0.218。而在水声节点u1和水声节点u2瞬时信道状态差异较大的情况下，两者的误码率都达到了较小的水准。图4为使用固定功率分配因子时，通信系统的误码率与水声节点瞬时信道状态的关系。由图3与图4对比可以看出，使用元学习梯度下降法调整参数时误码率整体低于使用固定功率分配因子时。

（2）图5是本发明方法利用元学习梯度下降算法调整动态功率分配因子时，频谱效率与水声节点瞬时信道状态的关系。由图5可知当u1瞬时信道状态为0.2时频谱效率达到最高值为10；u1瞬时信道状态为0.8时频谱效率达到最低值为2.365。图6为使用固定功率分配因子时，通信系统的误码率与水声节点瞬时信道状态的关系。由图5与图6对比可以看出，使用元学习梯度下降法调整参数时，通信系统的频谱利用率整体高于使用固定功率分配因子。

综上可见，使用元学习梯度下降法调整NOMA上行通信中的动态功率分配因子可以基于瞬时信道状态对功率分配因子进行调节，并获得较好的通信效果。而在瞬时信道状态不断变化的场景下与使用固定功率分配因子相比，使用动态功率分配因子无疑具有更高的频谱利用率以及更低的误码率，这也验证了使用元学习算法优化功率分配方案可以使NOMA技术适应复杂多变的海洋环境。

上述实施例仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (1)

1.基于元学习及NOMA的水声网络水质监测数据搜集方法，其特征在于包括以下步骤：

1）考虑水声网络水质监测中海底至海面上行链路的水声数据搜集场景，由n个水声节点组成水声网络，水声节点包括水声传感器和水声调制解调器两部分，负责在海底搜集数据并向海面的基站传输；

2）从时刻t0起，每隔时间间隔t，基站获取水声节点k至基站之间的瞬时信道状态h_k，直到整个数据搜集过程结束，k=1,2,...,n；瞬时信道状态是指当前时刻信号在传输路径上的衰落因子；

3）引入动态功率分配因子对各个水声节点进行功率分配，将NOMA系统的总频带资源分为S个子频带，则某一子频带上水声节点k所分配的功率/>为：

（1）；

其中，表示所有水声节点的总功率，/>表示在第b个子频带上复用的水声节点集，表示水声节点k在第b个子频带上的载干噪声比，/>表示第b个子频带上所有水声节点的载干噪声比之和，v表示任一在第b个子频带上复用的水声节点，b=1,2,3,...,S；

4）利用元学习调节动态功率分配因子：构建训练任务集T{T_1，T₂...T_i...}，T_i={H_ij,D_ij}，其中H_ij为第i个其它海域A_i(i=1,2,3,...)搜集到的第j个水声节点至基站之间的历史信道状态数据，j=1,2,3,...，历史信道状态数据即t0时刻前信号在传输路径上的衰落因子数据；D_ij为第i个其它海域A_i(i=1,2,3,...)搜集到的第j个水声节点的历史功率分配因子数据；构建测试任务集Q={H_e,D_e}，其中H_e为本海域A₀搜集到的第e个水声节点至基站之间的历史信道状态数据，e=1,2,3,...，D_e为本海域A₀搜集到的第e个水声节点的历史功率分配因子数据；基于训练任务集T{T_1，T₂...T_i...}对元学习模型进行训练，得到适用于小样本学习的参数模型：

（2）；

；

；

其中：表示元学习模型，/>表示输入元学习模型的初始参数，/>表示每次迭代后得到的参数，/>为学习率；/>表示元学习模型/>在训练任务集T_i上的损失函数；具体地，，其中： />表示利用初始参数/>和历史信道状态数据H_ij计算功率分配因子估计值的函数关系，/>表示历史功率分配因子数据D_ij与功率分配因子估计值/>之间差异的损失函数；

4.1）将初始参数以及训练任务集T_i={H_ij,D_ij}代入/>得到损失函数，并计算出梯度/>；

4.2）按公式(2)利用梯度下降法更新参数，使得损失函数最小；

4.3）重复步骤4.1)到步骤4.2)，直到遍历训练任务集T{T_1，T₂...T_i...}中所有样本，得到训练迭代完成后的参数；

4.4）针对步骤4.3）得到的参数，在测试任务集Q={H_e,D_e}中按照梯度下降法进行更新得到测试更新完成后的最终参数/>：

（3）；

其中，表示元学习算法的步长，/>为/>在测试任务集Q上的损失函数；

4.5）每隔时间间隔t，将参数与步骤2)获取水声节点k至基站之间的瞬时信道状态h_k相乘，得到动态功率分配因子/>；

5）按照公式(1)根据动态功率分配因子对水声节点k的传输信号进行功率分配，混叠后送入信道；

6）基站接收信号后对水声节点k的信号进行串行干扰消除解码：

6.1）设水声节点k向基站发送的信号为R_k，k=1,2...n，基站将接收到的不同水声节点的信号按功率大小进行降序排序，则n个水声节点的信号排序为；

6.2）针对排序后的水声节点信号(i=1,2,..,n)，当基站解码第i个水声节点时，先解码并重建前面i-1个水声节点的信号，然后从混合信号中减去所重建的i-1个水声节点的信号，最后将剩余水声节点的信号/>看作干扰信号对第i个水声节点进行解码；

7）重复步骤4）到6）至数据搜集结束，在不同的海洋信道环境下，更新NOMA功率分配方案中的动态功率分配因子，以适应海洋复杂多变的环境特点。