0 引　言

传统的主动声呐系统与水声通信系统通常独立设计和运行，不仅增加了系统的复杂性，还导致频带利用率低下^[1]。联合声呐与通信（Sonar-Communication，SonarCom）系统在频谱管理、硬件成本和信号处理等方面具有显著优势，近年来备受关注，被广泛应用于民用和军事海洋方面^[2]。

波形设计和信号处理是SonarCom系统的主要挑战。正交啁啾复用（Orthogonal Chirp DivisionMultiplexing，OCDM）^[3]是一种基于离散菲涅尔变换的多载波正交复用信号，因其具备良好的多径分集能力，被认为是OFDM（Orthogonal Frequency Division Multiplexing，OFDM）技术更佳的替代方案^[4]。在通信方面，传统的OCDM通信系统^[5]依赖接收机的各个模块从失真信号中恢复信息，这会导致误差的积累，无法实现整体最优的信息恢复。在检测方面，匹配滤波器（Matched Filter，MF）和广义似然比检验（Generalized Likelihood Ratio Test，GLRT）仍然是联合检测与通信系统中应用最广泛的^[6]。然而，这些方法通常基于已知信号特征或统计模型的完整或部分先验知识，其性能在很大程度上取决于假设模型的准确性。这限制了基于OCDM信号的联合SonarCom系统方案的发展和推广。

在这种背景下，快速发展的深度学习（Deep Learning，DL）技术为解决该问题提供了新的思路与方向。许多研究开始将深度学习与无线通信相结合。Yao等^[7]提出了一种用于时变信道中OFDM系统信号检测的深度学习辅助方法，该方法在信号检测方面优于传统系统。Wang等^[8]提出了一种卷积神经网络结构CR-Net，解决了传统OFDM系统在低信噪比条件下的高误码率的问题。Zhang等^[9]提出了一种新的深度接收机模型，利用多二进制分类器实现多比特信息流的恢复。Mei等^[10]提出了一种基于DL的OFDM接收机，可以直接从频域OFDM信号中检测传输比特。这些通信端的DL方法虽然在特定条件下表现良好，但在复杂多变的水声信道环境中往往缺乏足够的鲁棒性。

此外，DL已广泛应用于目标检测和分类识别领域。De等^[11]提出了一种基于卷积神经网络（Convolutional Neural Network，CNN）的水下目标分类方法，实现了比传统特征分类器更低的虚警概率。Zhang等^[12]提出了一种结合CNN和长短期记忆网络（Long Short-Term Memory，LSTM）的方法，通过同相/正交样本检测共存的信号类型，并使用分类交叉熵优化进行训练。Doan等^[13]提出了基于密集卷积神经网络（Dense Convolutional Neural Network，Densent）的水下目标分类模型，通过深层网络架构提高了目标分类的准确性。Hou等^[14]利用预训练的残差块构建目标检测网络的编码器部分，加速了模型的收敛速度。这些研究为探测端的DL目标检测方法提供了有效解决方案，但未能充分考虑到不同层次特征对模型性能的影响。而且，现有的DL研究往往只专注于完成单一通信或探测任务，很少有学者将DL应用于联合SonarCom系统设计中。因此，DL在该领域的应用潜力还有待进一步探索和研究。

针对现有研究中存在的问题，本文提出了一种基于OCDM信号的MSResNet-SonarCom系统方案。在发射端，检测与通信任务共享相同的OCDM波形，从而达到充分利用频谱资源并减少任务间相互干扰的目的。在接收端，本文设计了一种结合多尺度卷积与自注意力机制的深度残差模型MSResNet来高效恢复通信信号并探测目标，以提升其在复杂水声信道中的检测与通信稳健性。最后，通过仿真实验对本文所提系统方案的检测和通信性能进行验证。

1 系统模型 1.1 MSResNet-SonarCom系统

本文提出的用MSResNet-SonarCom系统框图如图1所示。

系统采用OCDM作为共享的发射信号。设啁啾信号的周期为T，首先构建一组彼此正交的Chirp信号作为OCDM的正交基，k为啁啾波形的序号，子载波的数学表达式为：

$ {\psi _k}(t) = {e^{j\frac{{\text{π}} }{4}}}{e^{ - j{\text{π}} \frac{N}{{{T^2}}}{{\left(t - k\frac{T}{N}\right)}^2}}},0 \leqslant t \leqslant T。$

(1)

式中：$ N $为总载波数。易知OCDM子载波保持相互正交关系，计算式为：

$ \int_{ }^{ }\psi_m^*(t)\psi_k(t)\mathrm{d}t=\int_0^{\rm{T}}e^{j\text{π}\frac{N}{T^2}\left(t-m\frac{T}{N}\right)^2}e^{-j\text{π}\frac{N}{T^2}\left(t-k\frac{T}{N}\right)^2}。$

(2)

第k个OCDM数据的基带传输信号$ {u_k}(t) $可以通过在符号持续时间上复用这N个波形来获得：

$ {u_k}(t) = \sum\limits_{k = 0}^{N - 1} {{x_k}{\psi _k}(t) t \in [0,{T_s}]}。$

(3)

在发射端，离散菲涅尔逆变换可以在数字域中实现OCDM，上式对应的矩阵形式为：

$ {\boldsymbol{u}} = {{\boldsymbol{\varPhi }}^\mathcal{H}}{{x}}。$

(4)

式中：$ x $为映射后的传输数据向量；$ {\boldsymbol{\varPhi }} $为离散菲涅尔变换矩阵。$ {\boldsymbol{\varPhi }} $的第$(m,n)$项定义为：

$ {\boldsymbol{\varPhi }}(m,n) = \frac{1}{{\sqrt N }}{e^{ - j\frac{{\text{π}} }{4}}} \times \left\{ \begin{gathered} {e^{j\frac{{\text{π}} }{N}{{(m - n)}^2}}}，\ \ \ \ N \equiv 0 (\text{mod} 2)，\\ {e^{j\frac{{\text{π}} }{N}{{\left(m + \frac{1}{2} - n\right)}^2}}}，N \equiv 1 (\text{mod} 2)。\\ \end{gathered} \right. $

(5)

在信号前加入循环前缀（Cyclic Prefix，CP）来避免码间干扰，CP的长度不小于信道的最大时延扩展。

水声信道模型被建模为抽头延迟线模型，计算式为：

$ h[n] = \sum\limits_{l = 0}^{\widetilde L - 1} {\alpha l\delta (n - l - n_0)}。$

(6)

式中：$ \widetilde L $（$ \widetilde {{L}} \leqslant {{L}} $）和$ {n_0} $分别为信道长度和传播时延，第$ l $条路径的振幅记为$ {\alpha _l} $。假设通信和检测采用相同的信道模型，但使用不同的信道参数集。其中，检测的时延$ {n_0} $因反射信号的双向传播而产生，而通信时延$ {n_0} $仅计算接收信号的单向传播。用于探测的信号可以表示为：

$ {r_1} = {{\boldsymbol{H}}_1}u + {w_1}。$

(7)

式中：$ {{\boldsymbol{H}}_{\mathbf{1}}} $为$ h[n] $生成的$ M \times N $的探测信道矩阵，$ M = N + L + {n_0} $为反射信号的长度；$ {w_1} $为均值为0、方差为$ {\sigma _1}^2 $的加性高斯白噪声。同步后接收到的通信信号可以写成：

$ {r_2} = {{\boldsymbol{H}}_{\mathbf{2}}}u + {w_2}。$

(8)

式中：$ {{\boldsymbol{H}}_{\mathbf{2}}} $为$ h[n] $生成的$(N + L) \times N$的通信信道矩阵，对应的零均值高斯白噪声向量$ {w_2} $的方差为$ {\sigma _2}^2 $。

在接收端，MSResNet模型将接收到的OCDM信号视为黑盒进行离线训练，从而避免了传统接收机中复杂的信号处理步骤以及模块误差的累积。整个过程分为2个阶段：在离线训练阶段，通信接收机使用不同信道条件下生成的OCDM样本对模型进行训练，替代传统通信接收机的估计和均衡操作，简化了系统架构；在在线部署阶段，MSResNet模型在不显式估计通信信道的情况下恢复传输数据。

为了实现对目标的自主探测，声呐接收机也分为2个阶段。离线训练阶段，声呐接收机使用包含目标回波和噪声的样本对模型进行训练，替代传统接收机的匹配滤波操作；在线部署阶段，MSResNet模型直接通过端到端的深度学习方式，将目标信号与噪声样本的不同特征进行学习，从而提高检测概率。一旦网络训练完成，得到的MSResNet模型便可以有效地集成至SonarCom系统中，实现高效的目标检测和通信功能。

1.2 MSResNet模型

本文提出的基于深度学习的模型MSResNet的整体结构如图2所示。该网络主要由多尺度卷积通路、残差网络和自注意力机制3部分组成。输入信号首先通过批量归一化（Batch Normalization，BN）层进行预处理，以归一化数据分布并稳定训练过程。模型通过并行使用不同尺度的卷积核，形成多条卷积通路，从而在多尺度上捕捉OCDM信号的特征变化。利用残差网络的残差连接结构在深层网络中保持梯度稳定性，使模型能够在深层次提取更高级和抽象的特征。将不同卷积通路提取的特征在特征融合层进行融合，再利用自注意力机制动态调整特征图的权重，突出关键特征并聚焦重要信息。最后，通过全连接层输出检测和通信信号恢复的概率。

1.3 MSResNet模型训练

MSResNet模型的训练目标包括实现低误码率和高目标检测概率。为精确恢复符号，通信端以发送端的原始二进制数据为标签、OCDM接收信号作为样本输入网络进行训练，并使用均方误差（Mean Squared Error，MSE）损失函数来最小化传输比特与模型输出之间的差异。同时，为在低虚警率下提高目标检测概率，探测端将OCDM接收信号作为输入，以目标的存在与否作为标签，使用二元交叉熵（Binary Cross Entropy，BCE）损失函数优化检测性能。

2 仿真实验与分析 2.1 仿真设置

本节从波形模糊函数、探测性能和通信性能3个方面评估MSResNet-SonarCom系统方案。仿真参数设置为：采用正交相移键控（Quaternary Phase Shift Keying，QPSK）调制方式，载波数为512，CP长度为符号长度的1/4。

在通信和检测子系统中，分别仿真2种信道条件下的系统性能：多径信道和具有多普勒效应的多径信道。多径分量的振幅服从瑞利分布。多普勒效应由单个多普勒因子计算。在每次蒙特卡罗仿真中，多普勒因子取$ {10^{ - 3}} $进行通信和检测评估。

通过Matlab仿真生成通信和探测的样本数据，通信端的信噪比取值范围为0～20 dB。在每个信噪比下通信端生成154800个数据样本，数据集总数为774000。探测端的信噪比取值范围为−20～0 dB。在每个信噪比下探测端生成154800个目标存在样本和154800个目标不存在样本，数据集总数为1548000。并按照6∶2∶2的比例将数据集划分为训练集、验证集和测试集。模型训练的参数配置如表1所示。

此外在Tensorflow2.6深度学习框架下搭建MSResNet接收机模型用于训练和测试，MSResNet模型的参数设置如表2所示。

2.2 波形模糊函数比较

图3和图4对比了OCDM和OFDM波形的距离和速度模糊函数。

在图3中，OCDM波形模糊函数的零延迟切片形式近似图钉状，中心峰值窄，显示出比OFDM较低的侧瓣，具备更好的距离分辨能力。而在图4中，OCDM和OFDM波形的模糊函数的零多普勒切片均呈现出尖锐的峰值。结果表明，OCDM在旁瓣抑制和时延分辨率方面表现优异，更适合作为联合SonarCom系统的共享发射信号。

2.3 探测性能评估

图5为在多径信道且信噪比为−12 dB情况下，SonarCom系统中不同目标检测方法的接收机工作特性（Receiver Operation Characteristic，ROC）曲线。

可见，OCDM波形与OFDM波形在MF和GLRT方法下的检测概率基本相当，这与其在波形模糊函数方面的相似性一致。此外，所有基于深度学习的检测方法在检测性能上均显著优于传统的目标检测方法。当多普勒因子为10⁻³，虚警率为10⁻⁴时，所提出的MSResNet模型与CNN-LSTM^[12]和DenseNet^[13]相比，检测性能分别提升了约25.5%和9.1%。说明MSResNet通过多尺度卷积和自注意力机制，能够更好地聚合多层特征表达，深入捕捉目标信号与背景噪声之间的细微差异。结果表明，OCDM_MSResNet在复杂的水声信道中具有较高的检测精度。

图6为存在多普勒效应且信噪比为−12 dB情况下，SonarCom系统中多种目标检测方法的ROC曲线。

可见，与图5相比，受到多普勒效应的影响，所有方法的检测性能均有所下降。其中，传统的MF和GLRT方法表现出明显的性能衰减，而深度学习方法表现相对稳定，所提出的MSResNet模型仍然优于其他方法，说明其具有高效的特征提取能力和对多变环境的适应性。结果表明，即使在严重的多径干扰和多普勒效应共存的情况下，MSResNet依然保持了较为稳健的目标检测性能。

2.4 通信性能评估

图7为多径信道下SonarCom系统中不同检测信号方法的误码率性能对比。

可见，OCDM信号的ZF和MMSE均衡器在误码率性能上优于OFDM信号对应的ZF和MMSE均衡器，证实了OCDM信号具有多径分集，因此在频率选择信道上表现更好。所有基于深度学习的方法均优于传统的ZF和MMSE方法，表明深度学习的方法可以更好地处理复杂水声信道中的噪声和多径效应。在多普勒因子取10⁻³，误码率为10⁻²的情况时，所提出的MSResNet模型与DNN^[7]、LSTM、ResNet、CR_Net^[8]和CRNN_ResNet^[10]相比，分别能实现约3.7、2.6、1.8、1.3、0.7 dB的增益。结果表明，所提出的MSResNet在整个SNR范围内的性能均优于其他DL方法，其BER最低，尤其在高SNR条件下表现出更好的BER收敛性。这一性能的提升主要得益于MSResNet模型的结构设计。

图8为存在多普勒效应时SonarCom系统中不同检测信号方法的误码率性能对比。

可见，在多普勒环境下，OCDM信号的抗干扰能力依然强于OFDM信号；所提出的MSResNet模型仍然优于其他方法，说明其可以有效地提取多径和多普勒失真数据的内部相关性。结果表明，当多径和多普勒效应共存时，MSResNet在通信信号恢复方面仍表现出很优的性能。

3 结　语

本文提出了一种基于MSResNet模型的水声OCDM信号的联合SonarCom系统方案，所提出的模型融合了多尺度卷积、残差网络和自注意力机制。仿真结果表明，与基于传统方法的SonarCom系统和其他基于深度学习的探测或通信单任务系统相比，MSResNet-SonarCom系统显著降低了通信信号的误码率，并在保持低虚警率的同时实现了更高的检测概率。此外，该方案在多普勒效应下表现出更强的鲁棒性。验证了在联合声呐与通信系统中引入深度学习技术的有效性与可行性。未来的工作将进一步探索多任务优化策略，以提升SonarCom系统在复杂水声信道中的整体性能。