适用于水声通信的联合多分支均衡与极化码译码算法

在跨介质飞行器进行水下信息交互的诸多场景中,为了进一步提高复杂多变水声环境下水声通信链路的可靠性,提出了一种基于极化码的联合多分支均衡与译码算法(Joint Multi-Branch Equalization and Decoding Algorithm based on Polarization Code,JMED-PC)。与已有均衡与极化码译码间相互独立的方法不同,所提出的算法中多分支均衡与软列表(Soft SC-List,SSCL)译码模块间并非相互独立,而是构成了环路,通过不断地在两个模块间迭代交换软信息,可显著改善均衡和译码的联合性能。仿真结果验证了迭代的有效性,也表明所提算法比已有算法有更好的性能。

基于深度学习的水声信道联合多分支合并与均衡算法

为了更好地解决水声信道中的衰落及严重码间干扰问题,该文提出一种基于深度学习的联合多分支合并与均衡算法。该算法借助深度学习网络的非线性拟合能力,联合实现了多分支合并和均衡。在算法实现中,合并与均衡并非相互独立,而是基于深度学习网络的总输出计算出总误差,以总误差对网络参数实现联合调整,数据集则基于统计水声信道模型进行构建。仿真结果表明,相较于已有算法,所提算法能获得更快的收敛速度和更好的误码率性能,使得其能更好地适应水声信道。