La propagación por trayectos múltiples hace que se reciba una única señal (Rx) por diferentes trayectos (P=1, P=2, P=3, P=4) y con diferentes retrasos (gráfico inferior). Este tipo de interferencia se modela en la estimación del canal para eliminar el ruido de las transmisiones en el mar de manera más efectiva. Préstamo: Redes inteligentes y convergentesPrensa de la Universidad de Tsinghua
La precisión y confiabilidad de las comunicaciones y transmisiones oceánicas se ven afectadas por muchas fuentes de interferencia marina y ruido de fondo. La reducción de esta interferencia en las transmisiones oceánicas depende de un proceso de estimación del canal o de la evaluación de las características del canal de fondo que pueden distorsionar o interferir con la señal recibida. El modelado reciente ha mejorado el rendimiento de la estimación de canales utilizando redes neuronales profundas y mejorado la eliminación de ruido de las transmisiones oceánicas.
Investigadores de la Universidad de Xiamen y la Universidad de Witwatersrand han desarrollado un nuevo modelo de aprendizaje automático para caracterizar mejor la interferencia del canal acústico submarino (UAC) y mejorar la precisión de las transmisiones oceánicas y marinas.
Es importante destacar que el modelo de aprendizaje profundo facilita la detección de perturbaciones de canal raras o poco frecuentes a pesar de la presencia de otras perturbaciones más comunes, como el ruido ambiental, lo que no era posible con los modelos tradicionales de reducción de ruido. De esta forma, los científicos modelaron con mayor precisión la interferencia del canal y mejoraron el rendimiento de la estimación del canal, aumentando la precisión de las transmisiones submarinas en un entorno extremadamente duro.
El equipo publicó sus hallazgos en Redes inteligentes y convergentes.
“Obtener efectivamente las características raras de los canales acústicos submarinos es muy importante para… la eficiencia de la estimación del canal y, por lo tanto, la confiabilidad de la transmisión del sistema”, dijo Sicong Liu, primer autor del estudio y profesor asociado en la Escuela de Informática. Ciencias en la Universidad de Xiamen.
“Este documento propone un enfoque basado en modelos basado en un aprendizaje escaso con capacidad de eliminación de ruido, que es un esfuerzo significativo para la transmisión submarina confiable en entornos oceánicos hostiles”, dijo Liu. Mejorar la transmisión submarina no solo mejorará las comunicaciones submarinas, sino también la precisión de la investigación y el monitoreo oceánicos, y la eficiencia de la adquisición de recursos marinos.
El nuevo modelo de eliminación de ruido del equipo de investigación evalúa mejor las formas menos comunes de interferencia que ocurren en entornos marinos utilizando el aprendizaje automático.
“El método propuesto implica incorporar un eliminador de ruido en… redes neuronales conscientes de la escasez profunda basadas en modelos, lo que hace posible comprender las características raras de un canal acústico submarino en presencia de ruido intenso. En comparación con los métodos tradicionales sin aprendizaje, métodos antiinterferencias o antiruido, los métodos propuestos tienen un mejor rendimiento de estimación de canales”, dijo Liu.
Es importante destacar que el movimiento y la movilidad del transceptor o receptor y el ruido ambiental son solo algunos de los factores que pueden contribuir a la interferencia que se encuentra en entornos submarinos.
Liu y su equipo están buscando formas adicionales de reducir el ruido del canal a través de una mejor estimación del canal. A corto plazo, los modelos de aprendizaje automático de transformadores más nuevos podrían mejorar la estimación de canales mediante la programación de funciones de autoatención capaces de considerar de forma independiente la importancia de los datos entrantes.
Esta función puede ser especialmente útil para los canales en los que existe una variabilidad temporal en las señales transmitidas o recibidas, lo cual es algo común en entornos submarinos. Las señales transmitidas desde una sola fuente pueden tomar varias rutas antes de llegar a un receptor en particular, reflejándose en la superficie del agua o en el fondo del océano, cambiando la ruta, la intensidad de la señal y el tiempo que tarda en llegar al receptor. También se pueden considerar modelos de acústica marina adicionales junto con pruebas y datos ambientales adicionales.
En última instancia, los autores del estudio prevén un sistema diseñado para incorporar el aprendizaje automático en ambos lados de la transmisión para abordar la interferencia del canal con la mayor precisión posible. “Es posible que queramos diseñar un sistema integral de transmisión acústica subacuática habilitado para IA que no solo se ocupe de la estimación de canales utilizando métodos de aprendizaje como el modelo presentado… en este artículo, sino que también resuelva toda la tarea de transmisión basada en técnicas emergentes de IA”, dijo. Sotavento.
Idealmente, los modelos de aprendizaje automático, si están diseñados correctamente, pueden distinguir de forma independiente la señal del ruido y eliminar el ruido de las transmisiones a través de una estimación de canal autónoma y precisa.
Más información:
Sicong Liu et al., Denoising permitió la estimación de canales para la comunicación acústica submarina: un enfoque de aprendizaje basado en modelos que tiene en cuenta la escasez, Redes inteligentes y convergentes (2023). DOI: 10.23919/ICN.2023.0001