0 引　言

近年来海上作业任务呈现大范围、多场景的发展趋势，单一小型平台往往无法覆盖广域任务海区、难以胜任多样化的复杂任务，依靠稳健可靠的通信方式实现多小型平台融入体系发挥作用是应对该发展趋势的关键。作为发展最成熟、最有前景的水下通信方式，水声通信技术自20世纪40年代诞生以来，经历了从数字调制到模拟调制、从非相干通信到相干通信、从单载波通信到多载波通信、从半双工通信到全双工通信的发展，研究方向一直聚焦于实现高速率、远距离、实时、稳健可靠的水声通信^[1]。在复杂海上作业背景下，水声信道的复杂特性加之海上作业带来的恶劣通信环境，使得小型平台抗干扰水声通信技术的研究显得尤为重要。除此之外，应用于小型平台的水声通信技术受限于平台的移动性和有限载荷，存在着高信息处理能力与低功耗、远通信距离与设备小型化之间的矛盾，这对小型平台抗干扰水声通信提出了更高的技术要求。

近些年，立足于水下通信实际应用需求，开展了多种通信体制、信道估计与均衡算法在水声通信的迁移应用和改进研究，主要思路为在实际的水声通信需求牵引下探索应用新的通信体制方法，并以某种通信体制为研究框架，解决其应用于水声信道影响稳健可靠通信的各种问题。不同科研团队对于小型平台水声通信技术的研究各有侧重点^{[2 − 6]}，本文在现有小型平台水声通信及相关干扰抑制技术的基础上，将水声信道和外部干扰对水声通信的影响概括为乘性干扰和加性干扰并进行梳理分析，从通信体制、信道均衡与估计技术的角度出发，对其中的乘性干扰消除和加性干扰抑制技术进行概述，最后据此对复杂环境下水下小型平台抗干扰水声通信技术要点和具体应用进行了总结。

1 小型平台水声通信干扰分析

如何克服水声信道和海洋环境对通信信号有效传输的不利影响一直是水声通信技术研究的核心，而这些妨碍有用通信信号稳定可靠接收的不利因素可以统称为干扰。为了统筹考虑信道环境和海上作业对水声通信的影响，以研究抗干扰水声通信技术为目的，依据干扰对通信信号的作用机理将调制信道模型中的干扰分为乘性干扰和加性干扰。乘性干扰反映了水声信道特性对信号的影响，这种影响主要由水声信号反射、衍射、散射导致的多径效应和信道时变导致的多普勒效应产生，其对信号的作用通常随时间变化，使水声通信信号产生时间选择性衰落和频率选择性衰落。加性干扰大多来源于海洋环境噪声、海上作业人为干扰和通信平台自噪声，叠加作用于通信信号。对于单输入单输出的调制信道模型，可将水声信道视为带有加性干扰的随机时变滤波器，其中随机时变滤波器用于表征乘性干扰，其模型如图1所示^[7]。$s(t)$为输入的已调信号；$f[s(t)] = h(\tau ,t) \otimes s(t)$表示水声信道对信号产生乘性干扰；$n(t)$为加性干扰；$r(t)$为经由水声信道输出的待解调信号。

1.1 小型平台水声通信乘性干扰

由复杂时变的多径效应引起的符号间干扰（Inter Symbol Interference，ISI）是影响水声单载波通信系统误码率的主要因素。一方面，由于海水介质的不均匀性、海面海底的反射、折射，经由水声信道传输的接收信号为经历不同衰减和延迟的多条路径信号的叠加，构成了水声信道冲击响应的确定性时变分量。另一方面，季节变化、水体起伏、内波湍流使得水声信道具有随机时变特性。强时变的多径干扰使得接收信号出现各种非线性畸变，严重影响水声通信质量。

多普勒效应引起的载波间干扰（Inter-Carrier Interference，ICI）会引起多载波水声通信系统可靠性的大幅降低。相较于无线电通信，水声信道的多普勒效应更加明显，且经历时变多径信道后表现为非一致多普勒扩展，其引起的频率偏移导致子载波间的正交性被破坏，增加接收端信号的误码率，降低水声通信的可靠性。

为描述水声时变多径信道的特性，同时考虑水声信道的确定性时变分量、随机时变分量和多普勒频偏分量，广泛应用的时域冲击响应数学模型如式(1)。基于信道统计特征，M. Stojanovic等^[8]建立的频域水声信道模型，从大尺度衰落和小尺度衰落的角度描述了水声信道特性，如式(2)。

$h(\tau ,t) = \sum\limits_p {({h_p}\delta (\tau - {\tau _p} - {a_p}t)} + \sum\limits_i {{h_{p,i}}(t)} \delta (\tau - {\tau _{p,i}}(t) - {a_p}t)) ，$

(1)

$H(f,t) = \overline {{H_0}( f )} \sum\limits_p {\sum\limits_i {{h_{p,i}}(t)} \exp ( - j2{\text{π}} f(\delta {\tau _{p,i}}( t ) - {a_p} + {\tau _p}))} 。$

(2)

式中：${h_{p,i}}(t)$为第$p$条路径第$i$簇分支的增益；${\tau _{p,i}}(t)$为第$p$条路径第$i$簇分支的时延；$\overline {H{}_0(f)}$为参考传输函数；${a_p} = {v_p}/c$为多普勒因子。

1.2 小型平台水声通信加性干扰

水声通信加性干扰产生的原因很多，依据研究侧重点的不同可以有不同的分类，此处综合考虑，将其概括为外部人为干扰和内部自干扰2种（见图2）。外部人为干扰是在考虑人类活动和海洋生物对通信造成影响的前提下对一类加性干扰的归纳，其从数学上抽象分类为单音干扰、多音干扰、高斯噪声干扰、脉冲干扰和线性调频干扰^[9]，可以根据干扰信号的先验知识在时域或变换域有针对性地进行干扰信号检测。针对某种特定干扰信号的建模较常见，但针对多类干扰的统一建模不多，葛威等^[10]针对部分时长部分带宽的外部干扰，基于奈奎斯特采样定理，提出单载波通信信号中的外部干扰参数化模型，并在此基础上设计迭代接收机。此处依据干扰信号与通信信号时长、频带的相对关系，将水声通信中的外部人为干扰分为窄带干扰、宽带干扰、部分带宽部分时长干扰、脉冲干扰（见表1）。内部自干扰包括单发多收、多发多收通信系统的同信道干扰、全双工水声通信的自干扰以及通信平台内部自噪声等，其中包括线性分量和非线性分量。已有的对全双工通信自干扰的建模测量集中在考量干扰信号经过水声多径信道传播后对通信平台的影响，赵云江等^[11]对自干扰信号经由发射端到近端接收端这一短程信道的特性进行了研究。同信道干扰是相对于期望阵元信号而言的其他所有阵元接收信号的总和，其建模可通过不同发射阵元发射信号经由水声信道传播叠加得到。

小型平台面临的外部人为干扰类型、样式多变，干扰功率、频率、方式、时机的不同交织使得干扰抵消和抑制越来越困难。内部自干扰是水声通信网络化和收发一体化发展中急需解决的问题，实现具备特定干扰功能的小型平台的组网通信同样也面临这个难题。

2 基于通信体制的干扰规避

扩频（Spread Spectrum，SS）水声通信是实现低检测概率、低截获概率军事通信的主要方式，具有抗干扰能力强、保密性好、易实现多址的优点。纵观扩频水声通信的发展过程，针对水声信道的载波相位跳变问题，内嵌锁相环（Phase Locked Loop，PLL）的判决反馈均衡器（Decision Feedback Equalizer，DFE）技术^[12]、差分扩频技术分别给出高信噪比和低信噪比下的解决方案；针对多径扩展，RAKE 接收机^[13]和被动时间反转镜技术（Passive Time Reversal，PTR）分别从接收分集合并和时间聚焦的角度解决问题；针对远程扩频水声通信速率低、稳健性差的问题，先后有循环移位扩频水声通信技术^[14]、M 元直接序列扩频水声通信技术^[15]、M 元混沌调频技术^[16]、并行组合扩频通信技术^[17]等对扩频通信体制的改进被提出并发展。近年来，与多载波技术、多输入多输出（Multiple Input Multiple Output，MIMO）结合的面向移动平台的扩频水声通信技术旨在克服大多普勒效应的同时提高频带利用率，为实现移动平台组网提供稳健可靠的水声通信方案。然而，以上研究仅考虑了水声信道乘性干扰和常规加性海洋环境噪声，无法适配海上作业背景下存在复杂外部人为干扰的情况，因此研究扩频体制下的抗干扰技术可以作为一个研究方向。

正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）水声通信是适用于中近程高速数据传输的多载波技术，具有高频带利用率、易于硬件实现、方便多址接入的优点。对于OFDM水声通信技术的研究，一方面围绕克服其本身峰均功率比（Peak-to-Average Power Ratio，PAR）大^[18]、非一致多普勒频偏导致ICI的缺点，开展在快时变水声信道的相关研究^[19]，另一方面结合信道估计均衡技术实现多址接入、多用户检测和同信道干扰抑制^{[20 − 21]}。此外，在认知水声通信范畴内，OFDM可以作为一个良好平台通过对水声环境的感知智能调整通信参数并规避外部加性干扰，但由于水声环境的复杂多变性，对相关物理层技术研究很少^[22]。

正交时频空调制（Orthogonal Time Frequency Space，OTFS）技术于2015年由Hadani等^[23]提出，是6G时代面向高移动性场景通信的一种技术方案，其通过将信号映射到时延-多普勒（Delay-Doppler，DD）域克服OFDM技术在时频双选择性信道性能下降的问题。鉴于此，已有研究考虑将OTFS应用于水声通信，但尚处于起步阶段，未来为将OTFS调制技术应用于水声通信，还需要在接收端信道估计和信号检测方法、平衡接收机计算复杂度和性能、充分发挥OTFS与MIMO 结合的优势等方面重点研究^[24]。OTFS应对水声信道乘性干扰具有固有优势，但在强干扰背景下其通信性能尚待探究。

以上不同通信体制在水声通信中的应用主要聚焦于采用多种技术手段克服时变水声多径信道的乘性干扰，以实现其在海洋环境中的迁移应用，但在外部人为干扰存在时，适配相关通信体制的抗干扰技术还需在此基础上对信道估计和干扰抑制技术进行研究。

3 基于信道均衡的乘性干扰消除

信道均衡是水声信道中克服乘性干扰常用的技术手段，通过引入自适应更新抽头系数的均衡器以补偿实际信道与理想信道传输特性不同带来的失真，减少ISI的影响。自适应均衡器根据某种准则通过某种算法自适应地对抽头系数进行更新，以最大程度地匹配信道结构。自适应均衡器结构分类见图3。

3.1 自适应均衡器结构

线性横向滤波器是自适应均衡器最基本的一种结构，它通过对输入信号进行线性加权求和得到输出信号，根据输出信号与期望信号之间的误差利用自适应算法不断调整抽头系数以最小化误差信号，进而得到与信道匹配最佳的抽头系数。为了消除深度衰落信道的频谱零点，自适应线性均衡器会在其附近产生较大的补偿增益，因此会放大该点的噪声，不适用于低信噪比的水声信道环境。

判决反馈均衡器（Decision Feedback Equalizer，DFE）是水声通信中常用的一种均衡结构，它包括前馈滤波器和反馈滤波器两部分，前向滤波器的输出经判决后的码元作为反馈滤波器的输入，通过引入反馈回路降低过去时刻码元对当前抽头系数更新产生的影响。内嵌锁相环的判决反馈均衡器^[25]解决了多普勒引起的载波相位偏转的问题，对相干水声通信的发展具有里程碑式的意义。多通道判决反馈均衡（Multichannel Decision Feedback Equalizer，M-DFE）^[26]将垂直接收阵多通道的接收信号分别作为判决反馈均衡器的输入进行合并以获得空间增益。被动时间反转镜技术联合单通道DFE应用于水声通信，在保证均衡性能的同时有效降低了M-DFE的计算复杂度^[27]。DFE的固有结构存在判决错误导致误差传播，进而影响均衡效果的问题，双向判决反馈均衡利用正向判决和反向判决性能不同的特点，可有效降低传统DFE误差传播的概率^[28]。PTR联合双向判决反馈均衡较之于PTR-DFE显著降低了误码率，但计算复杂度增加^[29]。

Turbo迭代均衡为克服判决反馈均衡的误差传播问题提供了一种新的思路，即通过迭代交互均衡器和解码器之间的软信息来纠错以降低误码率。为降低Turbo迭代均衡中性能最佳的最大后验概率（Maximum A Posteriori，MAP）均衡计算复杂度，提出利用线性最小均方误差（Linear Minimum Mean Square Error，LMMSE）算法^[30]或软输入的DFE结构取代 MAP 算法进行迭代均衡^[31]，进而用线性均衡器替代DFE^[32]来避免误差传播问题。此外，多通道Turbo迭代均衡^[33]被用于强混响水声信道条件下提高通信系统性能，双向Turbo均衡算法^[34]用于时变水声信道并与单向Turbo均衡相比较，仿真和实验证明了其性能优越性。

3.2 自适应均衡器算法

信道均衡中的自适应算法用来根据输入自适应地更新均衡器的抽头系数，是均衡器完成信道匹配均衡的关键。

在海洋环境高斯噪声背景下，应对水声信道ISI和ICI常用的自适应均衡算法有最小均方误差算法（Least Mean Square，LMS）和递归最小二乘算法（Recursive Least Square，RLS），2种算法都基于最小均方误差准则提出，但在实际应用中特性有所不同。LMS算法以当前时刻以前的抽头系数得到的输出与期望信号的平方误差最小为准则，根据输入采用最陡梯度下降的方式以迭代步长不断调整更新抽头系数的值，实现最优滤波。LMS算法计算量小且工程实现简单，但存在收敛速度慢及不适用于非平稳输入信号的情况。由此，包括变步长LMS、频域LMS、归一化LMS、功率归一化LMS等在内的经典改进方法被广泛应用^{[35 − 37]}。RLS算法则引入当前时刻的输入信号，以当前时刻对所有输入信号而言计算的平方误差加权和最小为准则，用遗忘因子决定均方误差的调整权值递推地得到最优抽头系数。相对LMS算法而言，RLS算法收敛速度较快但计算复杂，基于二分坐标下降方法（Dichotomous Coordinate Descent，DCD）的 RLS算法，构成了变遗忘因子的 RLS 算法，大大降低了计算量，广泛应用于信道估计及均衡领域^[38]。宽线性RLS算法通过引入宽线性模型对信号的二阶矩特性加以利用，提高了常规 RLS自适应算法的收敛性并降低了稳态平均均方误差^[39]。

为有效应对时变多途水声信道的挑战，以图4基本均衡器结构和上述自适应均衡器算法为基础，同时结合信道均衡处理域的不同，其相关研究主要集中于平衡均衡性能和复杂度，主要思路可以大致分为2种：一是信道估计驱动的信道均衡，二是时频混合均衡。在复杂噪声和干扰背景下，仅利用自适应均衡器进行水声信道均衡往往效果不佳，需要在信道估计后进行干扰消除，同时利用信道估计结果确定信道均衡器抽头数量和系数，减小自适应均衡算法计算复杂度的同时提高均衡性能^[40]，但在强时变水声信道中信道估计结果往往存在滞后性。时域均衡和频域均衡分别从时间响应和频率响应的角度出发，使通信系统总的冲激响应和传输函数分别满足无码间串扰和无失真传输条件。基于不同通信体制，综合考虑时域均衡和频域均衡在性能和复杂度方面的优势特点，采用时频混合均衡以实现性能和复杂度的折衷，相关学者在这方面进行了研究^{[41 − 42]}。

4 基于信道估计的加性干扰抑制

应对水声通信加性干扰主要从模拟域、数字域、空间域的角度出发，按照干扰检测估计、干扰抑制抵消的思路进行。模拟域干扰抑制主要面向全双工水声通信的内部自干扰，在自干扰信号建模重构的基础上通过模拟域相关技术使期望信号落入模数转换器动态量化区间，以采集到期望信号并进行后续数字域残余自干扰抑制。空间域干扰抑制通过收发端物理隔离、声障板、指向性收发换能器及阵列信号处理方法^[43]实现，可在空间上寻求干扰抑制增益，减轻模拟域数字域干扰抑制的计算和设备实现压力。在数字域进行加性干扰抑制是干扰背景下水声通信最主要的手段，可以分为参数辅助的干扰抑制方法和基于信道估计的干扰抑制方法。参数辅助的干扰抑制方法通过阈值检测定位接收信号中的干扰，通过消隐、裁剪和混合消隐-裁剪等非线性预处理器实现干扰抑制，该方法被应用于OFDM系统脉冲干扰的消除，实现简单，但阈值选择直接影响干扰抑制效果且难以保证干扰抑制后接收信号结构不被破坏^[44]。基于信道估计的干扰抑制方法在水声通信中被广泛应用，通常利用信道估计技术在时频域实现干扰估计与重构，从接收信号中减去干扰信号达成干扰抑制目的，同时联合符号估计和信道均衡，实现干扰背景下的可靠通信。

4.1 基于传统信道估计方法的加性干扰抑制

传统信道估计方法包括基于最小二乘法（Least Square，LS）、最大似然估计法（Maximum Likelihood，ML）、最小均方误差（Minimum Mean Square Error，MMSE）估计法、最大后验概率（Minimum A Posteriori，MAP）估计法、线性最小均方误差（Linear Minimum Mean Square Error，LMMSE）估计法、递归最小均方误差（Recursive Minimum Mean Square Error，RMMSE）估计法等算法，通过事先发送的训练序列得到信道特性并估计干扰位置，进而抵消干扰信号^[45]。传统信道估计算法大多应用于非时变或慢变水声信道，基于密集多径信道的考量往往需要较长的训练序列，且在低信噪比情况下性能下降，在干扰背景下利用信道估计进行干扰抑制效果较差。

4.2 基于新型水声信道估计方法的加性干扰抑制

借助于水声信道响应和干扰信号的稀疏特性，应用于稀疏信号恢复的压缩感知（Compress Sensing，CS）理论和稀疏贝叶斯学习（Sparse Bayesian Learning，SBL）算法被用于干扰重构和水声信道估计。压缩感知理论充分利用信号的稀疏特性，通过构建与变换基不相关的字典矩阵，对信号进行线性投影得到观测信号，通过求解优化问题，可由少量的观测序列高概率地重构稀疏信号^[46]。其中，贪婪迭代算法中的匹配追踪（Matching Pursuit，MP）算法、正交匹配追踪（Orthogonal Matching Pursuit，OMP）算法由于计算复杂度低，易于实现，被广泛应用于水声信道估计^{[47 − 48]}。相较于贪婪迭代算法，以基追踪（Basis Pursuit，BP）和基追踪去噪（Basis Pursuit Denoising，BPDN）算法为代表的凸优化算法有较高的重构精度，但存在结构误差^{[49 − 50]}。稀疏贝叶斯学习算法相比于压缩感知类算法，借助于参数化的先验分布，可以在某些情况下得到更接近于真实的稀疏解，同时压缩感知类算法在字典列相关性较强时性能会有所下降且存在基偏差问题，而稀疏贝叶斯学习算法此时仍有较好的性能。基于稀疏贝叶斯学习的信道估计在无线OFDM系统中应用较多，在水声信道中的应用处于起步阶段^{[51 − 53]}，通常将干扰信号纳入应用稀疏贝叶斯学习进行信道估计的参量，干扰信号重构后进行干扰抵消。葛威^[10]应用稀疏贝叶斯学习研究稀疏脉冲噪声干扰下的时频域迭代均衡技术和MIMO 信道估计技术，以提高单载波水声通信技术在强干扰环境下的稳健性。

卡尔曼滤波近几年被应用于快速时变水声信道的追踪和估计,应用过程中与稀疏贝叶斯学习、压缩感知和信道均衡相结合，利用水声信道的簇状稀疏特性和时间相关性给出动态水声信道的跟踪方法^{[54 − 56]}，但干扰条件下应用卡尔曼滤波进行信道估计还有待深入研究。

随着以深度学习为代表的机器学习技术的飞速发展，基于机器学习的水声信道估计成为新兴研究课题，它在使用形式上具有更高的通用性，在某些应用场景下可作为物理层技术的潜在支撑方案^[57]。相关学者基于神经网络模型、深度神经网络模型、卷积神经网络等对水声信道进行估计，但存在训练样本不足、估计结果泛化能力不强的问题，基于数据增强、无标签学习、少样本学习的水声信道估计技术思路可以有针对性地分别克服上述问题。应用深度学习进行干扰抑制的研究大多集中在无线电通信领域，深度神经网络在收发同时系统数字域内部自干扰对消^{[58 − 59]}和全球卫星导航系统（Global navigation satellite system，GNSS）接收机外部人为干扰抑制^{[60 − 61]}中的应用对干扰背景下的水声通信有一定借鉴意义。

5 结　语

本文首先分类梳理了小型平台水声通信面临的加性干扰和乘性干扰，此后对加性干扰和乘性干扰背景下小型平台水声通信的通信体制和信道均衡估计技术进行总结，分析了相关技术的应用条件和问题。然而，在复杂的水声信道与海上作业背景下，小型平台抗干扰水声通信技术仍面临如下问题：

1） 强干扰背景下通信同步信号的有效捕获。现有研究大多在默认通信同步信号有效捕获、收发双方建立通信链路的前提下开展，当现有干扰存在能量压制或在通信同步阶段有突发干扰存在时，会造成无法同步或同步虚警现象，运用合理的干扰抑制技术降低强干扰背景下同步信号检测阈值，减少虚警现象的发生，提高同步信号捕获概率，是干扰背景下小型平台实现可靠水声通信的第一步。

2）干扰背景下快速时变信道的追踪与估计。干扰背景下移动小型平台的水声通信需同时完成快速时变信道的追踪和干扰估计，合理利用水声信道的稀疏特性和特定干扰的先验信息进行信道估计与干扰抵消，在提升信道估计和干扰抵消性能的同时简化计算复杂度，实现算法性能在有限载荷小型平台的最优化。

3）多样、多变干扰的同时抑制。水下小型平台面临复杂的水声信道环境和干扰背景，时变的乘性干扰、确知的内部自干扰和未知的外部人为干扰往往同时存在且交织，研究高效且普适性强的干扰检测方法与信道均衡估计技术，配合相应通信体制和编解码方法，在特定抗干扰需求下设计完整的小型平台抗干扰水声通信技术方案与框架。在复杂强干扰环境下，基于机器学习的认知抗干扰水声通信技术可以在与环境交互中实现环境和干扰认知，进而为通信参数选择提供依据，它可以作为常规物理层技术的补充方案，突破传统水声通信技术的瓶颈。

结合水下信息通信需求和前述干扰分类，将小型平台水声通信中的抗干扰技术的具体应用总结如下：

1）带内全双工水声通信。带内全双工水声通信可为带宽有限的水声信道提供高效水下信息交互的解决方案，其发送端对于接收端正确接收信息而言是一种部分确知的加性内部自干扰，应用多域联合的抗干扰技术实现带内全双工水声通信可解决现阶段半双工水声通信带宽、信息交互受限的问题。

2）小型平台水声组网通信。小型平台可通过组网通信实现水下信息传输，进而完成区域内多平台立体、协同作业，通信网络内其余平台构成对特定收发双方的加性外部干扰，具有特定干扰功能的小型平台通过水声通信实现协同任务时面临自身的内部干扰，研究抗干扰技术在小型平台水声组网通信中的应用有利于充分发挥水声网络的协同优势。

3）复杂强干扰背景下的水声通信。在复杂强干扰背景下，海上作业和海洋生物活动会对小型平台发挥功用或传输信息造成干扰，此时必须进行有针对性地干扰抑制以保证水声通信的稳健可靠。