Maschinelles Lernen für Unterwasserakustikkommunikation

Energieeffiziente und verbindungszuverlässige Unterwasserakustikkommunikationssysteme (UAC) sind von vitaler Bedeutung sowohl für die marinewissenschaftliche Forschung als auch für die Erschließung ozeanischer Ressourcen. Aufgrund der einzigartigen Eigenschaften mariner Umgebungen erfährt die Unterwasserakustik (UWA) Propagation arguably die härtesten drahtlosen Kanäle in der Natur. Infolgedessen sind traditionelle modellbasierte Ansätze für das Design und die Implementierung von Kommunikationssystemen möglicherweise nicht mehr effektiv oder zuverlässig für UAC-Systeme. In diesem Artikel greifen wir auf maschinelles Lernen (ML) zurück, um UAC mit intelligenten Fähigkeiten auszustatten, die das Potenzial von ML nutzen, um die Systemleistung durch aufgabenspezifisches Lernen aus Daten schrittweise zu verbessern. Zunächst geben wir einen kurzen Überblick über die Literatur zu UAC und ML. Dann illustrieren wir vielversprechende ML-basierte Lösungen für UAC, indem wir eine spezifische Nischenanwendung der adaptiven Modulation und Codierung (AMC) hervorheben. Schließlich diskutieren wir andere wichtige offene Fragen und Forschungschancen schichtweise, wobei der Fokus auf der Bereitstellung einer präzisen Taxonomie von ML-Algorithmen liegt, die für UAC-Netzwerke relevant sind.