Processing math: 22%

EI / SCOPUS / CSCD 收录

中文核心期刊

深海远程单阵元水声通信的逐多径簇联合均衡方法

赵燕锋, 童峰, 马伯乐, 周跃海, 杨逍宇

赵燕锋, 童峰, 马伯乐, 周跃海, 杨逍宇. 深海远程单阵元水声通信的逐多径簇联合均衡方法[J]. 声学学报, 2024, 49(4): 764-773. DOI: 10.12395/0371-0025.2024038
引用本文: 赵燕锋, 童峰, 马伯乐, 周跃海, 杨逍宇. 深海远程单阵元水声通信的逐多径簇联合均衡方法[J]. 声学学报, 2024, 49(4): 764-773. DOI: 10.12395/0371-0025.2024038
ZHAO Yanfeng, TONG Feng, MA Bole, ZHOU Yuehai, YANG Xiaoyu. Multipath-cluster-wise joint equalization method for long-range deep-sea single-element underwater acoustic communication[J]. ACTA ACUSTICA, 2024, 49(4): 764-773. DOI: 10.12395/0371-0025.2024038
Citation: ZHAO Yanfeng, TONG Feng, MA Bole, ZHOU Yuehai, YANG Xiaoyu. Multipath-cluster-wise joint equalization method for long-range deep-sea single-element underwater acoustic communication[J]. ACTA ACUSTICA, 2024, 49(4): 764-773. DOI: 10.12395/0371-0025.2024038

深海远程单阵元水声通信的逐多径簇联合均衡方法

基金项目: 国家重点研发计划项目(2018YFE0110000)、上海市科委“科技创新行动计划”项目(21DZ1205502)和厦门市海洋产业项目(22CZB012HJ13) 资助
详细信息
    通讯作者:

    童 峰, ftong@xmu.edu.cn

  • 中图分类号: 43.60, 43.30

  • PACS: 
    • 43.30  (水声学)
    • 43.60  (声学信号处理)

Multipath-cluster-wise joint equalization method for long-range deep-sea single-element underwater acoustic communication

  • 摘要:

    利用深海远程水声信道的稀疏多径簇具有簇间长时延、簇内结构简单的特性, 提出一种用于深海远程单阵元水声通信的低复杂度逐多径簇联合均衡方法。首先, 在数据帧中插入无保护间隔的m 序列进行稀疏多径簇的检测和同步; 然后, 对选择的多径簇信号逐个进行基于比例快速后验误差技术的低复杂度均衡, 并逐个对均衡器的输出根据对应多径簇的时延进行对齐; 最后, 将时延对齐的均衡器输出进行最大比合并, 从而以并–串转换方式将逐个多径簇软解调信息合并后输入到译码器。相对于常规均衡方法, 所提方法将对整体信道多径的均衡分解为对具有简单结构多径簇的逐个均衡, 获得多径簇分集增益的同时结合Polar信道编码进一步改善解调性能。数值仿真和深海实验结果表明, 所提方法的输出信噪比和误比特率性能明显优于单阵元及双阵元常规均衡, 在30 km的通信距离中实现了通信速率为4000 bit/s的单阵元无误码通信, 可有效应用于深海远程单阵元水声通信。

    Abstract:

    By exploiting the multipath characteristics of long inter-cluster time delay and simple intra-cluster structure in long-range deep-sea underwater acoustic (UWA) channels, a low-complexity multipath-cluster-wise (MCW) joint equalization method is proposed for long-range deep-sea single-element UWA communications. Firstly, an m sequence is inserted into the data frame without guard time to detect sparse multipath clusters and achieve frame synchronization. Secondly, a low-complexity sparse equalizer based on the proportionate fast a posteriori error sequential technique (PFAEST) is designed for each multipath cluster signal, soft demodulation output of which is then time delay-aligned for maximum ratio combining (MRC) combination according to the time delay of each multipath cluster. Finally, the channel decoder is adopted to further improve performance. Compared with the traditional equalization approaches, the proposed method decomposes the equalization process into several multi-path-cluster-wise joint equalizers corresponding to each multipath cluster. Multipath cluster diversity gain is exploited to enable low-complexity equalization that further incorporates Polar channel coding to enhance demodulation performance. Simulation and deep-sea experiment results show that the proposed method exhibits significantly improvement in terms of output and bit error rate compared to the single-element and two-element conventional equalization approaches. Specifically, the error-free communication performance with a data rate of 4000 bit/s at a distance of 30 km is achieved. The above results show that the proposed MCW joint equalization method is capable of being applied for long-range deep-sea single-element UWA communications.

  • 水声通信是深海中远距离信息传输的最佳手段。深海有显著的海洋分层现象和不同的声传播模式, 声波传播过程声速梯度变化明显, 呈现声道轴、表面声道、阴影区和会聚带等多种声传播模式[1], 导致接收的声波信号具有较大的多途扩展, 通常可达几百毫秒至数秒, 且水声信道呈稀疏多径簇结构; 同时, 深海远程通信存在声波衰减大、接收信噪比低、可用带宽极其有限, 复杂海洋环境下阵列设备布放回收困难等难点。因此, 基于深海水声信道特性, 单阵元收发、低复杂度信号处理和高效水声通信技术对保障数据水下高速、稳定传输有重要意义。

    近年来, 国内外研究者在研究和分析深海水声信道的基础上, 结合创新信号处理技术有效提升了深海数据的传输速率和稳定性。深海水声通信中, 正交频分复用(OFDM)在高信噪比条件下能够保障数据高速率传输、频谱高效利用 [2]; 信号时变和低信噪比条件下, 扩频技术能够实现数据的稳定传输[3]; 多阵元收发通信系统能够提升数据传输速率和低信噪比下的接收机性能[4]。但是, OFDM需要较高的信噪比, 而且峰值平均功率比(PAPR) 问题给硬件设计带来了困难; 扩频技术具有较好的抗干扰能力, 但是传输速率低; 多阵元通信系统需要部署较多的发射和接收换能器, 在复杂的海洋环境下部署难度较大, 并且降低了搭载在空间小、载荷较多的水下移动平台的适用性。

    单载波水声通信技术可避免PAPR问题, 较高的频谱利用率适合于带宽有限的水声信道, 在浅海和深海水声通信中应用较为广泛[5-6]。迭代均衡是单载波水声通信技术近年来的研究热点, 能够有效提升通信系统接收机的性能[5,7]。基于近似消息传递算法的迭代均衡算法在低复杂度情况下较传统的迭代均衡技术提升了均衡器的性能, 在深海实验中得到了验证[8-9]。水声通信的应用场景涉及自主水下航行器(AUV)、水下传感器和异构无人潜水器等能源、尺寸受限设备之间的控制信号和命令的传输, 这通常要求通信系统在低复杂度信号处理、较少的发射和接收阵元条件下实现可靠的数据传输[10-11]。迭代均衡技术虽然有效提升了单载波水声通信接收机的性能, 但是在硬件上的实现仍有难度。

    最小均方(LMS)和递归最小二乘(RLS)算法在水声通信均衡器设计中得到广泛的研究[12-13], 其中LMS算法计算复杂度低[14], 但收敛速度较慢; RLS算法则以增加计算复杂度为代价加快了收敛速度; 快速后验误差序贯技术(FAEST)是一种基于RLS的后验误差估计算法, 它采用并联横向滤波器, 在转换因子和先前的反向预测误差中引入了冗余, 在复杂度和收敛速度之间取得了有效的平衡[15-16], 是实现具有抗干扰能力、稳定数据传输的单载波水声通信系统的有效方案。

    水声信道结构具有稀疏性, 利用其稀疏性可以降低信道估计、均衡等信号处理算法的复杂度并提升其性能[17-19]。在深海分层结构、地形特征等综合影响下, 深海水声信道为长时延稀疏多径簇分布结构[20-22], 且具有多径簇间长时延、簇内短时延的特性。利用水声信道稀疏多径的特点结合多阵元接收技术可以有效提高通信系统的性能[23], 将长时延多径簇信道中各个簇视为虚拟准同步信道, 利用“分而治之”思想可以获得分集增益[24-25]。对于单阵元接收系统, 通过分离不同时刻到达的信号, 处理后合并发送信号在不同时刻到达的分量, 可以有效利用多径时延带来的信号分集, 提升接收机的性能[26]

    鉴于此, 本文针对深海水声通信信号接收信噪比低、长时延扩展等导致通信性能差以及多阵元接收部署困难等问题, 充分利用深海水声信道多径簇间长时延、簇内结构简单的特点, 提出一种用于深海远程单阵元水声通信的低复杂度MCW联合均衡方法, 并通过仿真、深海试验对所提方法进行了性能评估。

    声波在远距离深海水平信道中传播时, 在海表面、海底反射和折射作用下, 多径信号通常会以簇的形式到达接收端, 而且多径簇分布具有稀疏性。图1(a)为深海水声信道声线传播示意图, 其中第1簇主要由不同掠射角的直达径构成; 第2簇由海面反射多径构成, 其余声线从不同角度的折射、反射, 其构成的多径簇能量较为分散。深海通信距离较远时, 往往多径簇间时延大、簇内时延扩展小, 如图1(b)为某深海海域实测水声信道时域冲激响应, 呈能量聚集明显的3个多径簇分布。其中, 第1簇和第2, 3簇之间的时延差分别约为50 ms和100 ms, 且3个簇的簇内时延小于10 ms。显而易见, 相对于整体多径结构, 每个多径簇内的多径具有结构简单、短时延的特点。

    图  1  深海水平水声信道多径传播及稀疏多径簇分布 (a) 深海水声信道多径簇形成; (b) 稀疏多径簇间和簇内时延

    水声通信接收信号由携带相同信息, 由不同信道、不同时刻到达的多个信号混叠而成, 对应的水声信道可用多径水声信道射线模型描述为[21]

    h(n,τ)=Npp=1Ap(n)δ(n(τp(n)ap(n)n)), (1)

    其中, Np为信道中的多径数; Ap(n),ap,τp分别为第p条多径的幅值、多普勒因子和时延。具有Q个稀疏多径簇的信道可建模为多个不同时刻到达的子信道:

    h(n,τ)=h(1)(n,τ)+h(2)(n,ττ2)++h(Q)(n,ττQ), (2)

    其中, τ2为第1, 2个多径簇之间的时延差, 以此类推, h(Q)(n,ττQ)为第Q个多径簇的冲激响应。基于式(1)和式(2), 具有Q个多径簇, 簇内有Np条多径的信道可表示为

    h(n,τ)=Qi=1Npp=1Ai,p(n)δ(n(τi,p(n)ai,p(n)n)). (3)

    本文采用单载波水声通信系统。发射端长度为K的比特数据流u(i),i=1,2,,K经码率R=K/N的信道编码后的比特流为c(i),i=1,2,,N; 为了防止突发错误, 编码比特经交织器后为b(i),i=1,2,,N; M-PSK调制后的符号序列为s(n), n=1,2,,Sχ, 其中χ={φ1,φ2,,φM1}为星座符号点集合, 为了充分利用深海多径簇簇内时延扩展短的特点, 采用无保护间隔的紧致同步序列并兼做训练序列, 添加紧致同步/训练序列后组成数据帧s(n); 最后, 通过脉冲整形和载波调制后形成的声波信号在深海信道中传播。

    接收端为单阵元接收, 经过数据帧检测、同步、多普勒估计和补偿、去载波和低通滤波后的基带信号为

    y(n)=s(n)h(n,τ)+e(n)=s(n)Qi=1h(i)(n,ττi)+e(i)(n)=Qi=1Npp=1Ai,p(n)s((1+ai,p(n))nτi,p(n))+e(i)(n), (4)

    式中, 为卷积符号, e(i)(n)为多径簇基带信号在时刻n的噪声。通过对接收信号y(n)做相关检测或者稀疏信道估计确定多径簇位置, 然后分离出多径簇信号h(i)(n,ττ1i)做MCW均衡, 最后对各个均衡器输出时延对齐后利用最大比合并Q个多径簇信号均衡后的软解调信息获得分集增益, 具体处理见下文。

    针对深海远程水声通信单阵元接收信噪比低、时延扩展大等导致常规均衡方法误差大和多阵元收发部署困难问题。充分利用深海水声信道多径簇内结构简单的特点, 利用无保护间隔m 序列实现稀疏多径簇检测和帧同步; 然后对检测到的多径簇信号逐个进行基于比例快速后验误差序贯技术(PFAEST)的低复杂度均衡; 最后, 对均衡器的输出对应逐个多径簇信号时延对齐后进行最大比合并, 从而以并–串转换方式将逐个多径簇信号软解调信息合并后输入到译码器, 以此获得多径簇分集增益, 增加译码器输入信噪比, 实现低误比特率、高速率远程数据传输。采用所提MCW联合均衡方法的水声通信系统工作流程如图2所示。

    图  2  水声通信系统工作流程

    通常同步序列与数据帧之间应预留保护间隔以消除多径对解调的影响[27], 然而, 在远程深海信道长多径时延扩展条件下需要较长的保护间隔, 从而对通信效率造成严重影响。

    本文充分利用深海水声信道多径簇间时延扩展长、簇内结构简单的特点, 在数据帧与用于多径簇检测、同步的序列间不设置保护间隔, 以提高通信效率。即将各个多径簇视为独立用户进行检测, 并采用基于训练序列的无保护间隔紧致同步方式, 将具有良好相关性的短序列以无保护间隔的方式置于数据块前, 在接收端通过相关计算检测多径簇和确定帧同步位置; 同时, 同步序列在完成数据帧同步之后可作为联合训练序列用于信道估计以及均衡器系数训练, 提升了水声通信的数据传输效率。发射数据帧构成方式如图3所示。

    图  3  无保护间隔紧致同步/训练序列

    本文深海通信的数据帧较短, 需要较短的训练序列实现多径簇信号帧同步, 因此采用m 序列作为同步序列, 其通过线性反馈移位寄存器重复产生, 具有伪随机性以及良好的自相关性。假设发射信号中tM(n)为周期为Nm 序列, 接收信号中对应的序列部分为rm(n), 则互相关函数表达式为

    CM(i)=Nn=1rM(n)tM(n+i), (5)
    Loc(f)=max (6)

    根据m 序列中的构成元素特性可知, 其自相关函数具有尖锐的峰值。因此, 利用接收信号与收发两端均已知的本地m 序列进行移位相关, 在获得相关峰值集合后, 根据式(6), 将幅值为最大峰值百分比设定阈值 T 的峰值识别为多径簇, 并将该峰值点位置 Loc 作为所识别多径簇的数据帧同步位置。

    本文均衡器自适应迭代算法采用基于RLS算法发展而来的FAEST算法, 该算法采用3个并行横向滤波器和转换因子, 在转换因子和先前的反向预测误差中引入了冗余, 在低复杂度下有效提高了均衡器的收敛速度。

    FAEST算法主要由3个部分组成: 前向预测器、反向预测器和联合估计滤波器, 算法迭代处理过程通过递归更新归一化卡尔曼增益向量, 避免了 RLS 算法中矩阵向量乘法运算, 有效降低了计算复杂度; 同时利用转换因子直接将先验误差转化为后验误差以及通过预测器间的相互作用提升算法的整体性能。

    算法步骤中联合估计的目的是最小化期望和估计信号之间的误差, 估计信号为

    \widetilde y(n) = {{\boldsymbol p}_N}(n,L) \cdot {\boldsymbol w}(n,L) , (7)

    后验误差为

    {e_{\rm pos}}(n,L) = \frac{{d(n) - \widetilde y(n)}}{{\gamma (n,L)}} , (8)

    联合估计滤波器系数 w(n,L) 更新为

    {\boldsymbol w}(n,L) = {\boldsymbol w}(n - 1,L) + {e_{\rm pos}}(n,L) {\boldsymbol G}(n,L) , (9)

    式中, L 为滤波器阶数, {e_{\rm pos}}(n,L) 为后验误差, {\boldsymbol G}(n,L) 为递归增益, \gamma (n,L) 为转换因子, {{\boldsymbol p}_N}(n,L) 为输入信号。

    深海水声信道具有稀疏多径簇特性, 且不同掠射角接收的信号幅值衰减程度有较大差异, 针对信号幅值不同衰落情况, 本文在FAEST算法系数 w(n,L) 更新公式中引入一个类似IPNLMS[28]和PRLS[29]算法的比例矩阵来调整不同幅值抽头更新权重来充分利用信道的稀疏特性, 加快均衡器的收敛速度。增加比例矩阵后的更新公式为

    {\boldsymbol w}(n,L) = {\boldsymbol w}(n - 1,L) + {\boldsymbol B}(n - 1) {e_{\rm pos}}(n,L) {\boldsymbol G}(n,L) , (10)

    式中, {\boldsymbol B} 矩阵为对角矩阵, 其中第 k 个对角元素为

    {b_k}(n - 1) = \mu \cdot \left(\frac{{1 - \alpha }}{{2L}} + (1 + \alpha )\frac{{|{w_k}(n - 1)|}}{{||{{\boldsymbol w}_L}(n - 1)|{|_1} + \sigma }}\right) , (11)

    式中, \sigma 为很小正常数, \alpha 的作用是解决比例矩阵面对小幅值抽头时收敛性变差的问题; 参数 \mu 可以有效地平衡算法的收敛速度和稳态误差性能, 平衡PFAEST的性能和稳定性。

    最大比合并(MRC)在理论上已证明是分集信号合并的最优算法, 能够最大化合并后信号的信噪比增益[30]。在深海水声通信中携带相同信息的通信信号以簇的方式到达接收机, 而且每个多径簇信号经历了不同的独衰落, 因此本文采用MRC将根据式(6)检测到多径簇信号集合 M\{ Q\} 经PFAEST均衡处理后进行时延对齐加权合并处理, 具体过程如图4所示。

    图  4  MCW联合均衡结构

    多径簇冲激响应可表示为簇间时延响应 {h_{td}}(n,\tau ) 和簇内响应 {h_{ca}}(n,\tau ) 两部分响应的级联, 即式(2)可表示为

    \begin{split} h(n,\tau ) =& {h_{td}}(n,\tau )*{h_{ca}}(n,\tau )= \\& \sum\limits_{j = 1}^Q {[{h_{td,j}}(n,\tau + {\tau _j})} *{h_{ca,j}}(n,\tau )], \end{split} (12)

    其中, 簇间时延响应 {h_{td,j}}(n,\tau + {\tau _j}) 代表第 j 簇相对第1簇的时延响应, 该响应表现为相对第1簇做时延 {\tau _j} , 该时延利用2.2节所述无保护间隔紧致同步/训练序列检测获得; 簇内响应 {h_{ca,j}}(n,\tau ) 代表了第 j 簇簇内的信道冲激响应。

    因此, 如图4所示, 对Q个PFAEST均衡器输出进行时延对齐、最大比合并可表示为

    {\widetilde Y_{\rm MRC}}(n) = \sum\limits_{j = 1}^Q {{u_j} [\widetilde {{y_j}}(n)} *{h_{td,j}}(n,\tau - {\tau _j})] \text{, } (13)

    式中, {\widetilde Y_{\rm MRC}}(n) 为MRC输出的合并输出, {\widetilde y_j}(n) 为第 j 簇对应均衡器的输出, {h_{td,j}}(n,\tau - {\tau _j}) 为按照第 j 簇相对第1簇的时延做反转后进行时延对齐, {u_j} 为最大比合并中对应第 j 簇的加权系数, 其计算过程为

    {u_j} = \frac{{\widetilde {{{\boldsymbol z}_j}}{{\widetilde {{{\boldsymbol z}_j}}}^{\rm T}}}}{{\displaystyle\sum\limits_{j = 1}^Q {\widetilde {{{\boldsymbol z}_j}}{{\widetilde {{{\boldsymbol z}_j}}}^{\rm T}}} }} , (14)

    其中, \widetilde {{{\boldsymbol z}_j}} 代表对齐后的第 j 簇均衡器输出:

    \widetilde {{{\textit z}_j}}(n) = \widetilde {{y_j}}(n)*{h_{td,j}}(n,\tau - {\tau _j}) . (15)

    MRC算法是以均衡器输出信噪比/能量最大化为准则选取的加权系数 {u_j} , 因此, MCW时延对齐最大比合比可利用多径簇分集增益提高信道译码器的输入信噪比。

    基于Bellhop仿真深海水声信道对本文方法进行验证, 发射信号帧格式如图3所示, 长度为1532个符号, 包括508个符号的训练序列和1024个符号的信息序列。

    其中, Polar编码采用由华为提出的极化权重的信道极化方法(HPW) [31], 该方法采用固定化的信道可靠性排序方法, 独立于信道状态实现精确的信道极化, 且对不同码长的信道极化具有稳定性, 译码采用性能优异的CRC-SCL译码方法。具体参数: HPW方法展开式基 \beta = 1.1892, 信息位长度为1024, 编码后长度为2048, CRC校验长度为16, SCL列表长度L为8。文献[32]采用HPW和CRC-SCL对不同码长、码率的Polar码在水声信道下的性能进行了充分的验证。为充分利用深海水声信道稀疏多径簇可分离的特点, 将训练序列的前200个符号作为同步序列, 用于多径簇检测和帧同步, 通信系统仿真参数如表1所示。

    表  1  仿真信号参数
    参数 取值
    调制制式 QPSK
    采样频率 (Hz) 48000
    中心频率 (Hz) 6000
    信号频段 (Hz) 4000~8000
    带宽 (Hz) 4000
    码型及码率 Polar码, 1/2码率
    码长 (bit) 2048
    有效传输速率 (bit/s) 4000
    信号帧 (symbol) 1532
    信息序列 (symbol) 1024
    训练序列 (symbol) 508
    同步序列 (symbol) 200
    下载: 导出CSV 
    | 显示表格

    仿真中的声速剖面如图5(a)所示, 收发换能器均设置在声道轴处深度, 水平通信距离设置为10 km。图5(b)为信道冲激响应, 可见信道呈多径簇结构分布, 具有能量聚集明显的2个多径簇, 其中簇间时延约为110 ms, 簇内时延小于10 ms。

    图  5  仿真声速剖面和信道 (a) 声速剖面; (b) 传播距离10 km时域冲激响应

    图6(a)为接收信号与同步序列的相关输出, 在同步序列为200个符号情况下, 可以观察到非常明显的峰值, 且两个峰值的时间差约为110 ms, 说明m序列相关检测多径簇簇间时延准确; 由于簇间长时延多径簇经历了不同的衰落, 能够带来分集增益, 因此将具有簇间长时延的多径簇识别为独立簇, 短时延的多径簇识别为同一簇。多径簇搜索过程中, 将式(6)中的阈值 T 设置为0.2得到多径簇信号集合, 按峰值大小和时延差值依次增加输入均衡器的多径簇信号直至译码成功。仿真中本文算法和对比的各个算法参数设置如表2所示。

    图  6  多径簇检测/均衡 (a) 信号检测及同步(10 km); (b)常规均衡; (c) MCW各算法性能; (d) 本文方法
    表  2  均衡算法参数设置
    常规均衡 \begin{gathered} {\rm LMS} \left( {L = 80,{\text{ }}\mu {\text{ }} = {\text{ }}0.008} \right),{\text{ }}{\rm IPNLMS} (L = 30,{\text{ }}\mu = 0.1,\alpha = 0,\sigma = {10^{ - 4}}),{\text{ }} \\ {\rm RLS} {\text{ }}(L = 40,\lambda = 0.995,\delta = 100),{\text{ }}{\rm PRLS} {\text{ }}(L = 40,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.2,\sigma = {10^{ - 3}},\delta = 200),{\text{ }}{\rm FAEST} (L = 40,\lambda = 0.995,\sigma = {10^{ - 3}}),{\text{ }} \\ {\rm PFAEST} (L = 40,\lambda = 0.995,\varepsilon = {10^{ - 2}},\mu = 20,\alpha = - 0.5,\sigma = {10^{ - 3}}) \\ \end{gathered}
    MCW联合均衡 \begin{gathered} {\rm LMS} \left( {L = 30,{\text{ }}\mu {\text{ }} = {\text{ }}0.006} \right),{\text{ }}{\rm IPNLMS} {\text{ }}(L = 30,{\text{ }}\mu = 0.1,\alpha = 0,\varepsilon = {10^{ - 4}}),{\text{ }} \\ {\rm RLS} (L = 30,\lambda = 0.995,\delta = 100),{\text{ }}{\rm PRLS} {\text{ }}(L = 30,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.2,\varepsilon = {10^{ - 3}},\delta = 100), {\rm FAEST}{\text{ }}(L = 30,\lambda = 0.995,\sigma = {10^{ - 3}}),{\text{ }} \\ {\rm PFAEST} (L = 30,\lambda = 0.995,\varepsilon = {10^{ - 2}},\mu = 20,\alpha = - 0.5,\sigma = {10^{ - 3}}) \\ \end{gathered}
    下载: 导出CSV 
    | 显示表格

    在获得多径簇信号集合的基础上, 首先利用常规均衡方式处理信号, 即检测到第1个多径簇至接收到完整数据帧后的信号做常规均衡, 图6(b)为不同均衡器对应的误比特率性能, LMS和IPNLMS在设定信噪比为0~20 dB的范围内误比特率较高; RLS和FAEST具有较好的误比特率性能, 两个算法性能相当; 在比例矩阵的调整下PRLS和PFAEST性能优于标准的算法。利用本文提出的MCW联合均衡方法对信号进行处理, 不同算法的误比特率性能如图6(c)所示, 相较于常规均衡方式, 各个算法的性能均有所提升, 并且LMS和IPNLMS也能获得较好的误比特率性能, 说明MCW联合均衡方案能够获得多径簇分集增益。图6(d)为本文提出基于PFAEST的误比特率性能, 在小于 {10^{ - 2}} 量级误比特率条件下, MCW-PFAEST联合均衡比常规均衡可获得约为5 dB的增益。为了量化评估本文的方法, 采用误比特率和均衡输出信噪比作为方案的评估参数, 定义均衡器输出信噪比为

    {\rho _{\rm os}} = 10{\log _{10}}\left(\frac{{||{\boldsymbol s}||_2^2}}{{||{\boldsymbol s} - \widetilde {\boldsymbol Y}||_2^2}}\right) , (16)

    式中, {\boldsymbol s} 为发送信号, \widetilde {\boldsymbol Y} 为均衡器输出信号。

    图7所示, MCW-PFAEST联合均衡在图示信噪比范围内优于常规PFAEST均衡。误比特率和输出信噪比两方面性能均证明了本文方法的有效性。表3为LMS、IPNLMS、RLS、PRLS 和 PFAEST算法的计算复杂度(以每步乘法计算)对比, PFAEST 的计算复杂度与 LMS算法相当, 低于 RLS 和PRLS算法; 另一方面, PFAEST方法的恢复精度与 PRLS 相似; 从均衡器阶数看, 本文提出的MCW联合均衡方法在均衡器阶数上明显小于常规方法, 复杂度得到了进一步降低。因此, MCW-PFAEST联合均衡方法在单载波深海远程水声通信的接收机复杂度和性能之间取得了很好的平衡。

    图  7  本文MCW-PFAEST方法输出信噪比
    表  3  均衡算法复杂度对比
    算法LMSIPNLMSRLSPRLSFAESTPFAEST
    复杂度 O(L) O(L) O({L^2}) O({L^2}) O(L) O(L)
    下载: 导出CSV 
    | 显示表格

    为了验证本文方法, 在南海某海域开展了水声通信实验, 海试实验中水声通信信号发射信号频带范围为4000~8000 Hz, 带宽为4000 Hz, 采用单载波QPSK调制, Polar码1/2码率编码, 编译码参数同仿真设置, 数据帧长为1532个符号, 信息序列、同步序列以及训练序列长度分别为1024, 200, 508个符号, 信号帧格式同图3, 具体参数同表1。实验海域深度超过3000 m, 水平通信距离为30 km, 有效通信速率为4000 bit/s。发射换能器距离海面约为1000 m, 接收船下放距离海面约为1000 m左右的水听器1和2采集信号, 由于海洋环境的动态变化, 阵元间距为100 m并有一定起伏, 图8为通信环境具体参数以及声速剖面。

    图  8  水声通信试验环境参数示意图

    图9(a)(b)为通信距离为30 km的2个接收水听器的时域冲激响应, 水听器1和2均有明显的2个多径簇; 多径簇间时延分别约为40 ms和10 ms, 簇内时延较短约为5 ms, 接收信噪比估计约为4.4 dB和5.8 dB。真实海洋环境中噪声构成复杂, 2个水听器的接收信号多径簇检测threshold 设置为0.3得到多径簇信号集合, 其余幅值较小的簇作为噪声处理[33]

    图  9  深海试验不同水听器接收信号时域冲激响应 (a) 水听器1; (b)水听器2

    表4为各算法参数设置和均衡结果。利用PRLS 和PFAEST均衡器常规均衡处理水听器1和2, 均衡器阶数 L 统一设置为30和40, 均衡后的误比特率分别为0.3501, 0.2539, 0.3472, 0.2427。虽然本文提出的PFAEST均衡器误比特率低于PRLS, 但仍无法满足码率为1/2的Polar译码算法要求, 导致纠错失败, Failed即译码后误比特率大于 {10^{ - 2}} 量级, 通常认为不具有通信意义。

    表  4  均衡器参数设置和误比特率
    水听器 均衡器结构 均衡算法参数设置 均衡器输出误比特率 译码器输出误比特率
    1 常规 \begin{gathered} \text{PRLS} \;(L = 30,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 4}},\delta = 100) \\ \end{gathered} 0.3501 Failed
    \begin{gathered} {\rm PFAEST} \; (L = 30,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 2}},\sigma = {10^{ - 3}}) \\ \end{gathered} 0.3472 Failed
    MCW联合 \begin{gathered} {\text{MCW-PRLS}} \;(L = 10,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.2,\varepsilon = {10^{ - 3}},\delta = 100) \\ \end{gathered} 0.1289 0
    \begin{gathered} \text{MCW-PFAEST} \; (L = 10,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 2}},\sigma = {10^{ - 3}}) \\ \end{gathered} 0.1284 0
    2 常规 \begin{gathered} \text{PRLS}\; {\text{ }}(L = 40,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 4}},\delta = 100) \\ \end{gathered} 0.2539 Failed
    \begin{gathered} \text{PFAEST} \;(L = 40,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 2}},\sigma = {10^{ - 3}}) \\ \end{gathered} 0.2427 Failed
    MCW联合 \begin{gathered} \text{MCW-PRLS} \; {\text{ }}(L = 35,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 3}},\delta = 100) \\ \end{gathered} 0.1274 0
    \begin{gathered} \text{MCW-PFAEST} \; (L = 35,\lambda = 0.995,\mu = 25, \\ \alpha = - 0.5,\varepsilon = {10^{ - 2}},\sigma = {10^{ - 3}}) \\ \end{gathered} 0.1240 0
    1 + 2 常规双阵元 \begin{gathered} \text{PRLS}\; {\text{ }}(L = 10,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 3}},\delta = 100) \\ \end{gathered} 0.2188 Failed
    \begin{gathered} \text{PRLS}\;(L = 35,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 3}},\delta = 100) \\ \end{gathered} 0.2085 Failed
    下载: 导出CSV 
    | 显示表格

    因此, 利用本文提出的MCW联合均衡结构处理水听器数据, 从误比特率性能来看, 对于水听器1, MCW-PRLS 和MCW-PFAEST均衡器阶数 L 都设置为10情况下, 均衡器输出误比特率为0.1289和0.1284; 对于水听器2, L 设置为35, 均衡器输出误比特率为0.1284和0.1240; 2个水听器均衡后都能使码率为1/2的Polar译码算法纠错成功, 并且零误码恢复数据; L 设置同本文方法, 基于常规双阵元联合均衡, PRLS均衡输出误比特率为0.2188和0.2085, 较单阵元常规均衡方法误比特率有所改善, 但Polar译码算法仍纠错失败。从均衡器阶数 L 来看, 本文提出的MCW联合均衡方法可采用明显低于常规均衡器的阶数 L 达到较好的均衡效果; 在 L 相同的情况下, 常规双阵元联合均衡无法收敛, 而本文方法能够达到较好的效果, 并且 MCW-PFAEST的误比特率性能要优于MCW-PRLS。

    此外, 水听器1的第2簇能量值较大, 说明第1, 2簇经历了不同的衰落。虽然水听器1和2具有不同的时延扩展, 且水听器2信号多径簇间时延较小, 但是利用MCW联合均衡方法仍能获得多径簇分集增益。

    在深海水平通信距离为30 km的情况下, 常规双阵元联合均衡方法能够改善均衡器的误比特率, 但无法达到码率为1/2的Polar码译码算法的误比特率要求, 导致纠错失败, 所提算法则可实现零误码解调。需指出, 对于常规均衡算法而言, 增加接收阵元可进一步获得分集增益, 但需付出系统复杂度、布放难度急剧增加的代价, 且无法搭载于小型化平台上。

    针对深海远程通信中水声信道多径扩展大、信噪比低、多阵元接收系统复杂度高的问题, 提出了用于单阵元水声通信的MCW联合均衡方法。该方法考虑深海远程水声信道长时延稀疏多径簇可分离、簇内多径结构简单的特点, 利用低复杂度PFAEST均衡器对多径簇逐个均衡, 在时延对齐后采用最大比合并算法获得多径簇分集增益, 从而增加译码器输入信噪比, 提升通信系统性能。

    Bellhop信道仿真和深海水声通信实验结果表明, 所提方法性能优于常规均衡方法。海试试验中, 利用本文方法实现了水平通信距离为30 km, 通信速率4000 bit/s的无误码单阵元水声通信。所提MCW-PFAEST联合均衡方法为高速率、低复杂度单载波深海远程水声通信提供了可行的方案。

    需指出, 所提逐多径簇均衡处理方法作为均衡器架构内利用多径簇分集增益的处理, 同样可与不同实现方式、不同驱动算法的均衡器结构进行结合, 进而提升性能, 后续将进一步开展相关研究。

  • 图  1   深海水平水声信道多径传播及稀疏多径簇分布 (a) 深海水声信道多径簇形成; (b) 稀疏多径簇间和簇内时延

    图  2   水声通信系统工作流程

    图  3   无保护间隔紧致同步/训练序列

    图  4   MCW联合均衡结构

    图  5   仿真声速剖面和信道 (a) 声速剖面; (b) 传播距离10 km时域冲激响应

    图  6   多径簇检测/均衡 (a) 信号检测及同步(10 km); (b)常规均衡; (c) MCW各算法性能; (d) 本文方法

    图  7   本文MCW-PFAEST方法输出信噪比

    图  8   水声通信试验环境参数示意图

    图  9   深海试验不同水听器接收信号时域冲激响应 (a) 水听器1; (b)水听器2

    表  1   仿真信号参数

    参数 取值
    调制制式 QPSK
    采样频率 (Hz) 48000
    中心频率 (Hz) 6000
    信号频段 (Hz) 4000~8000
    带宽 (Hz) 4000
    码型及码率 Polar码, 1/2码率
    码长 (bit) 2048
    有效传输速率 (bit/s) 4000
    信号帧 (symbol) 1532
    信息序列 (symbol) 1024
    训练序列 (symbol) 508
    同步序列 (symbol) 200
    下载: 导出CSV

    表  2   均衡算法参数设置

    常规均衡 \begin{gathered} {\rm LMS} \left( {L = 80,{\text{ }}\mu {\text{ }} = {\text{ }}0.008} \right),{\text{ }}{\rm IPNLMS} (L = 30,{\text{ }}\mu = 0.1,\alpha = 0,\sigma = {10^{ - 4}}),{\text{ }} \\ {\rm RLS} {\text{ }}(L = 40,\lambda = 0.995,\delta = 100),{\text{ }}{\rm PRLS} {\text{ }}(L = 40,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.2,\sigma = {10^{ - 3}},\delta = 200),{\text{ }}{\rm FAEST} (L = 40,\lambda = 0.995,\sigma = {10^{ - 3}}),{\text{ }} \\ {\rm PFAEST} (L = 40,\lambda = 0.995,\varepsilon = {10^{ - 2}},\mu = 20,\alpha = - 0.5,\sigma = {10^{ - 3}}) \\ \end{gathered}
    MCW联合均衡 \begin{gathered} {\rm LMS} \left( {L = 30,{\text{ }}\mu {\text{ }} = {\text{ }}0.006} \right),{\text{ }}{\rm IPNLMS} {\text{ }}(L = 30,{\text{ }}\mu = 0.1,\alpha = 0,\varepsilon = {10^{ - 4}}),{\text{ }} \\ {\rm RLS} (L = 30,\lambda = 0.995,\delta = 100),{\text{ }}{\rm PRLS} {\text{ }}(L = 30,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.2,\varepsilon = {10^{ - 3}},\delta = 100), {\rm FAEST}{\text{ }}(L = 30,\lambda = 0.995,\sigma = {10^{ - 3}}),{\text{ }} \\ {\rm PFAEST} (L = 30,\lambda = 0.995,\varepsilon = {10^{ - 2}},\mu = 20,\alpha = - 0.5,\sigma = {10^{ - 3}}) \\ \end{gathered}
    下载: 导出CSV

    表  3   均衡算法复杂度对比

    算法LMSIPNLMSRLSPRLSFAESTPFAEST
    复杂度 O(L) O(L) O({L^2}) O({L^2}) O(L) O(L)
    下载: 导出CSV

    表  4   均衡器参数设置和误比特率

    水听器 均衡器结构 均衡算法参数设置 均衡器输出误比特率 译码器输出误比特率
    1 常规 \begin{gathered} \text{PRLS} \;(L = 30,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 4}},\delta = 100) \\ \end{gathered} 0.3501 Failed
    \begin{gathered} {\rm PFAEST} \; (L = 30,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 2}},\sigma = {10^{ - 3}}) \\ \end{gathered} 0.3472 Failed
    MCW联合 \begin{gathered} {\text{MCW-PRLS}} \;(L = 10,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.2,\varepsilon = {10^{ - 3}},\delta = 100) \\ \end{gathered} 0.1289 0
    \begin{gathered} \text{MCW-PFAEST} \; (L = 10,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 2}},\sigma = {10^{ - 3}}) \\ \end{gathered} 0.1284 0
    2 常规 \begin{gathered} \text{PRLS}\; {\text{ }}(L = 40,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 4}},\delta = 100) \\ \end{gathered} 0.2539 Failed
    \begin{gathered} \text{PFAEST} \;(L = 40,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 2}},\sigma = {10^{ - 3}}) \\ \end{gathered} 0.2427 Failed
    MCW联合 \begin{gathered} \text{MCW-PRLS} \; {\text{ }}(L = 35,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 3}},\delta = 100) \\ \end{gathered} 0.1274 0
    \begin{gathered} \text{MCW-PFAEST} \; (L = 35,\lambda = 0.995,\mu = 25, \\ \alpha = - 0.5,\varepsilon = {10^{ - 2}},\sigma = {10^{ - 3}}) \\ \end{gathered} 0.1240 0
    1 + 2 常规双阵元 \begin{gathered} \text{PRLS}\; {\text{ }}(L = 10,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 3}},\delta = 100) \\ \end{gathered} 0.2188 Failed
    \begin{gathered} \text{PRLS}\;(L = 35,\lambda = 0.995,\mu = 20, \\ \alpha = - 0.5,\varepsilon = {10^{ - 3}},\delta = 100) \\ \end{gathered} 0.2085 Failed
    下载: 导出CSV
  • [1] 刘伯胜, 雷家煜. 水声学原理. 第2版. 哈尔滨: 哈尔滨工程大学出版社, 2010: 127−132
    [2] 王悦悦, 王海斌, 台玉朋, 等. 深海远程正交频分复用水声通信簇约束的分布式压缩感知信道估计. 应用声学, 2023; 42(3): 454−466 DOI: 10.11684/j.issn.1000-310X.2023.03.002
    [3] 杨光. 一种针对深海远程信道的M元扩频接收算法. 数字海洋与水下攻防, 2023; 6(1): 95−105 DOI: 10.19838/j.issn.2096-5753.2023.01.012
    [4] 马璐, 李梦瑶, 刘凇佐, 等. 多波束分集深海远程正交频分复用水声通信. 声学学报, 2022; 47(5): 579−590 DOI: 10.15949/j.cnki.0371-0025.2022.05.015
    [5]

    Zheng Y R, Wu J, Xiao C. Turbo equalization for single-carrier underwater acoustic communications. IEEE Commun. Mag., 2015; 53(11): 79−87 DOI: 10.1109/MCOM.2015.7321975

    [6]

    Xi J, Yan S, Xu L, et al. Sparsity-aware adaptive turbo equalization for underwater acoustic communications in the Mariana Trench. IEEE J. Oceanic Eng., 2020; 46(1): 338−351 DOI: 10.1109/JOE.2020.2982808

    [7]

    Xi J, Yan S, Xu L, et al. Frequency–time domain turbo equalization for underwater acoustic communications. IEEE J. Oceanic Eng., 2019; 45(2): 665−679 DOI: 10.1109/JOE.2019.2891171

    [8]

    Li D, Wu Y, Zhu M, et al. An enhanced iterative receiver based on vector approximate message passing for deep-sea vertical underwater acoustic communications. J. Acoust. Soc. Am., 2021; 149(3): 1549−1558 DOI: 10.1121/10.0003625

    [9]

    Wu X, Li D, Wu Y, et al. Probabilistic constellation shaping-aided underwater acoustic communication with vector approximate message passing iterative equalization. J. Acoust. Soc. Am., 2023; 154(1): 433−442 DOI: 10.1121/10.0020272

    [10] 童峰, 周跃海, 陈东升, 等. 异构无人潜水器水声通信技术发展综述. 哈尔滨工程大学学报, 2023; 44(11): 1963−1976 DOI: 10.11990/jheu.202307040
    [11] 瞿逢重, 付雁冰, 杨劭坚, 等. 应用于海洋物联网的水声通信技术发展综述. 哈尔滨工程大学学报, 2023; 44(11): 1937−1949 DOI: 10.11990/jheu.202306023
    [12]

    Zhu Z, Tong F, Zhou Y, et al. Dual parameters optimization lp-LMS for estimating underwater acoustic channel with uncertain sparsity. Appl. Acoust., 2023; 202: 109150 DOI: 10.1016/j.apacoust.2022.109150

    [13]

    Qin Z, Tao J, Tong F, et al. A fast proportionate RLS adaptive equalization for underwater acoustic communications. OCEANS 2019, IEEE, Marseille, France, 2019

    [14]

    Jiang W, Yang X, Tong F, et al. A low-complexity underwater acoustic coherent communication system for small AUV. Remote Sens., 2022; 14(14): 3405 DOI: 10.3390/rs14143405

    [15]

    Carayannis G. A fast sequential algorithm for least-squares filtering and prediction. IEEE Trans Acoust. Speech Signal Process., 1984; 32(2): 304−337 DOI: 10.1109/TASSP.1984.1164334

    [16]

    Li Y, Zikatanov L. A posteriori error estimates of finite element methods by preconditioning. Comput. Math. Appl., 2021; 91: 192−201 DOI: 10.1016/j.camwa.2020.08.001

    [17]

    Stojanovic M, Preisig J. Underwater acoustic communication channels: Propagation models and statistical characterization. IEEE Commun. Mag., 2009; 47(1): 84−89 DOI: 10.1109/MCOM.2009.4752682

    [18]

    Yang T C. Properties of underwater acoustic communication channels in shallow water. J. Acoust. Soc. Am., 2012; 131(1): 129−145 DOI: 10.1121/1.3664053

    [19] 江伟华, 童峰, 张宏滔, 等. 混合稀疏水声信道的动态区分性压缩感知估计. 声学学报, 2021; 46(6): 825−834 DOI: 10.15949/j.cnki.0371-0025.2021.06.005
    [20]

    Van Walree P A. Propagation and scattering effects in underwater acoustic communication channels. IEEE J. Oceanic Eng., 2013; 38(4): 614−631 DOI: 10.1109/JOE.2013.2278913

    [21]

    Wang Z, Zhou S, Preisig J C, et al. Clustered adaptation for estimation of time-varying underwater acoustic channels. IEEE Trans. Signal Process., 2012; 60(6): 3079−3091 DOI: 10.1109/TSP.2012.2189769

    [22]

    Wang D, Zhang Y, Tai Y, et al. Cluster-aware channel estimation with deep learning method in deep-water acoustic communications. J. Acoust. Soc. Am., 2023; 154(3): 1757−1769 DOI: 10.1121/10.0020861

    [23]

    Li J, Zakharov Y V. Efficient use of space-time clustering for underwater acoustic communications. IEEE J. Oceanic Eng., 2017; 43(1): 173−183 DOI: 10.1109/JOE.2017.2688558

    [24]

    Wang Z, Zhou S, Catipovic J, et al. Factor-graph-based joint IBI/ICI mitigation for OFDM in underwater acoustic multipath channels with long-separated clusters. IEEE J. Oceanic Eng., 2012; 37(4): 680−694 DOI: 10.1109/JOE.2012.2205639

    [25]

    Kuai X, Zhou S, Wang Z, et al. Receiver design for spread-spectrum communications with a small spread in underwater clustered multipath channels. J. Acoust. Soc. Am., 2017; 141(3): 1627−1642 DOI: 10.1121/1.4977747

    [26] 兰林瑶, 穆鹏程, 董科锋. 采用反馈滤波器组的单载波迭代均衡接收机. 西安交通大学学报, 2020; 54(12): 54−61 DOI: 10.7652/xjtuxb202012007
    [27] 郭蒸, 鄢社锋, 徐立, 等. 最大似然参数估计水声通信帧同步技术研究. 声学学报, 2018; 43(3): 283−290 DOI: 10.15949/j.cnki.0371-0025.2018.03.002
    [28]

    Benesty J, Gay S L. An improved PNLMS algorithm. IEEE International Conference on Acoustics, Speech, and Signal Processing, IEEE, Orlando, FL, USA, 2002

    [29]

    Qin Z, Tao J, Xia Y. A proportionate recursive least squares algorithm and its performance analysis. IEEE Trans. Circuits Syst. II Express Briefs, 2020; 68(1): 506−510 DOI: 10.1109/TCSII.2020.3004466

    [30]

    Zhou S, Wang Z. OFDM for underwater acoustic communications. John Wiley & Sons, 2014

    [31]

    He G, Belfiore J C, Land I, et al. Beta-expansion: A theoretical framework for fast and recursive construction of polar codes. IEEE Global Communications Conference, IEEE, Singapore, 2017

    [32] 杨斌斌, 鄢社锋. 基对称扩展信道极化算法及其在OFDM水声通信系统中的应用. 信号处理, 2021; 37(7): 1133−1141 DOI: 10.16798/j.issn.1003-0530.2021.07.002
    [33] 童峰, 伍飞云, 周跃海. 水声信道估计. 北京: 科学出版社, 2022
  • 期刊类型引用(4)

    1. 郝帅峰,郑思远,童峰,陈东升. 综合链路质量认知的水声传感网络路由优化方法. 声学学报. 2025(02): 525-536 . 本站查看
    2. 郑同辉,何成兵,闫乾坤,张群飞,景连友. 深海远程单载波水声通信交叉域信道估计与均衡. 声学学报. 2025(03): 799-815 . 本站查看
    3. 梁耀坤,余华,李仲源,季飞,陈焱琨. 冰下声信道与脉冲噪声的多任务稀疏贝叶斯学习联合估计方法. 声学学报. 2025(03): 747-756 . 本站查看
    4. 苏传春,修波. 基于DSP算法的广播电视发射基站信号实时信道均衡系统设计. 电声技术. 2024(10): 182-184 . 百度学术

    其他类型引用(0)

图(9)  /  表(4)
计量
  • 文章访问数:  167
  • HTML全文浏览量:  85
  • PDF下载量:  62
  • 被引次数: 4
出版历程
  • 收稿日期:  2024-01-25
  • 修回日期:  2024-04-08
  • 刊出日期:  2024-07-10

目录

/

返回文章
返回