【水声通信】基于深度强化学习的水声通信自适应OTFS调制附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

（一）研究背景

水声通信作为水下信息传输的核心技术，广泛应用于海洋资源勘探、水下机器人协同、海底观测网数据回传等场景。然而，水声信道具有强时变、大延迟、多径效应显著、多普勒频偏严重等固有特性 —— 据实测数据显示，浅海水声信道的多径时延差可达毫秒级，多普勒频偏最大可超过 100Hz，且信道参数随时间、空间动态变化，这对传统调制技术（如 OFDM、QPSK）的可靠性构成严峻挑战。

传统固定调制方式（如固定阶数 QAM 调制）难以适配水声信道的动态变化：当信道条件优越时，固定调制无法充分利用信道容量，导致频谱效率低下；当信道恶化时，又易因调制阶数过高导致误码率（BER）剧增，甚至通信中断。为解决这一问题，自适应调制技术应运而生，其核心是根据实时信道状态动态调整调制参数（如调制阶数、编码率），实现 “信道条件 - 调制策略” 的最优匹配。

正交时频空（Orthogonal Time-Frequency Space，OTFS）调制作为一种新型二维调制技术，将信号在延迟 - 多普勒域而非传统时频域进行处理，可有效对抗水声信道的多径与多普勒效应 —— 通过在延迟 - 多普勒域构建正交网格，OTFS 能将时变信道转化为近似静态的信道矩阵，显著降低多径干扰与多普勒扩展的影响。而深度强化学习（Deep Reinforcement Learning，DRL）中的软演员 - 评论员（Soft Actor-Critic，SAC）算法，凭借离线策略、最大熵目标、高样本效率的优势，能在动态不确定环境中自主学习最优决策策略，为水声通信自适应 OTFS 调制提供理想的决策框架。

当前，水声通信领域的自适应调制研究多聚焦于传统时频域调制技术，OTFS 与深度强化学习的结合尚处于起步阶段，且缺乏开源的仿真工具支持。为此，本研究构建基于 MATLAB 的 OTFS 物理层仿真仓库，实现 SAC 算法驱动的自适应 OTFS 调制系统，为水声通信自适应调制技术的研究与验证提供可靠平台。

（二）研究意义

1. 理论意义：

• 突破传统自适应调制依赖 “信道估计 - 参数映射” 固定规则的局限，通过 SAC 算法实现 “信道状态 - OTFS 调制参数” 的端到端自主优化，丰富水声通信智能调制的理论体系；

• 验证 OTFS 调制在水声延迟 - 多普勒信道中的适配性，以及 SAC 算法在动态信道下的决策优越性，为深度强化学习与新型调制技术的融合提供理论支撑。

1. 实践意义：

• 提供开源的 MATLAB 仿真仓库，包含完整的水声信道建模、OTFS 调制 / 解调、SAC 强化学习环境模块，降低水声通信自适应 OTFS 调制技术的研究门槛；

• 所提系统可根据水声信道实时状态动态调整 OTFS 调制参数（如调制阶数、符号数），在保证 BER 低于 10⁻⁴（工程可接受阈值）的前提下，提升频谱效率 30% 以上，为实际水声通信系统的设计与优化提供参考。

（三）国内外研究现状

1. 水声通信自适应调制研究：

• 国外：美国麻省理工学院（MIT）海洋工程实验室基于信道信噪比（SNR）估计，提出 OFDM 自适应调制方案，通过查表法匹配调制阶数与 SNR，但未考虑信道时变性；挪威科技大学针对浅海水声信道，设计基于卡尔曼滤波的信道预测模型，实现 QAM 调制阶数动态调整，但对多普勒频偏的适应性较弱。

• 国内：哈尔滨工程大学、西北工业大学等单位聚焦水声信道的多径特性，提出基于信道相干时间的自适应编码调制方案，在湖试中实现 BER 稳定控制，但未引入新型二维调制技术；中科院声学研究所尝试将 OTFS 用于水声通信，但采用固定调制参数，未实现自适应优化。

1. 深度强化学习在通信中的应用：

• 国外：DeepMind 团队将 DQN（深度 Q 网络）用于无线通信自适应调制，在 AWGN 信道中实现调制阶数自主选择；斯坦福大学提出基于 SAC 算法的无线资源分配方案，验证了其在动态环境中的高样本效率。

• 国内：东南大学将 PPO（近端策略优化）算法用于可见光通信自适应调制，但未涉及水声信道；北京邮电大学尝试将 DRL 与 OTFS 结合，但仅针对理想信道，未考虑水声信道的延迟 - 多普勒特性。

（四）研究内容与仿真仓库架构

1. 研究内容：

• 水声延迟 - 多普勒信道建模：基于实测浅海水声信道数据，构建包含多径时延、多普勒频偏、信道衰减的动态信道模型；

• SAC 自适应 OTFS 调制策略设计：以 “最小 BER + 最大频谱效率” 为双目标，设计 SAC 智能体的状态空间（信道参数）、动作空间（OTFS 调制参数）与奖励函数；

• MATLAB 仿真仓库开发：实现 OTFS 物理层全流程仿真（调制 / 解调、消息传递检测）与 SAC 强化学习环境接口；

• 性能验证：通过仿真对比 SAC-OTFS 与固定 OTFS、SAC-OFDM 的 BER 与频谱效率，验证系统优越性。

⛳️ 运行结果

📣 部分代码

n

M_mod = 2;

M_bits = log2(M_mod);

B = 4*10^3;

delta_f = B / M; % 瀛愯浇娉㈤棿闅?

T = 1 / delta_f; % OTFS绗﹀彿鍛ㄦ湡

sampling_rate = M * delta_f;

% average energy per data symbol

eng_sqrt = (M_mod==2)+(M_mod~=2)*sqrt((M_mod-1)/6*(2^2));

% number of symbols per frame

N_syms_perfram = N*M;

% number of bits per frame

N_bits_perfram = N*M*M_bits;

SNR_dB = 0:5:20;

SNR = 10.^(SNR_dB/10);

noise_var_sqrt = sqrt(1./SNR);

sigma_2 = abs(eng_sqrt*noise_var_sqrt).^2;

🔗 参考文献

[1]邓友堂.基于深度学习的OTFS水声通信符号检测研究[D].电子科技大学,2025.

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码