浙江大学徐敬教授团队特邀综述：基于人工智能的水下无线光通信技术研究进展 | 光学学报·亮点综述

近年来，为满足海洋观测、海底数据中心等场景对近距离大容量数据交互的迫切需求，水下无线光通信（UWOC）技术迎来了快速发展。然而，真实水下环境具有高度的非平稳特性（湍流或流动的气泡等）。从物理底层来看，光束在传输过程中不可避免地会遭遇水体吸收、多径散射、时变湍流以及光电器件自身非线性效应的多重影响，进而导致接收端面临动态且复杂的信号畸变。面对这些挑战，一些基于线性假设或理想化统计模型的分析策略变得不再高效，难以在计算复杂度和补偿性能之间取得平衡。

针对上述问题，具备强大非线性拟合与数据特征提取能力的AI技术被引入UWOC的系统优化中，为该领域提供了全新的视角。然而，当前研究多侧重于单一算法的性能展示，缺乏从通信全链路的角度对AI应用进行系统性归纳。基于此，浙江大学徐敬教授团队详细梳理AI技术在UWOC各个层面的研究进展，重点聚焦于各类神经网络在信道状态感知、信号检测、均衡补偿及动态链路优化等环节中的应用，并对AI-UWOC当前面临的挑战进行客观分析，期望为未来水下智能光通信技术的演进提供一些参考脉络。

2.1基于AI的水下信道建模与估计

在实际的水下环境中，光信号在传输过程中可能会发生一系列随机变化，需要对信道进行建模以帮助理解信号受到的影响，从而提高系统的性能和可靠性。传统水下信道建模多依赖于基于理想假设的统计模型（如Gamma-Gamma分布），难以精确表征真实海洋中瞬息万变的非平稳湍流和多重散射效应。对此，国内外研究引入以生成对抗网络（GAN）为代表的生成式AI技术。该技术通过生成器与判别器的零和博弈，学习真实实验数据的深层、隐式概率分布，从而生成高保真的信道数据。此外，诸如GAN、卷积神经网络（CNN）及长短期记忆网络（LSTM）等还可用于UWOC的波前检测中，从而实现自适应光学（AO）系统。如图1所示，复旦大学于2025年推出一种Zernike相位预测神经网络（ZPFNN）^[1]。该网络通过堆叠两层LSTM，以自监督学习的方式捕捉湍流的波前演化。相比于一维CNN和Transformer等基准模型，ZPFNN在预测准确率上提升超过30%。

图1 ZPFNN结构^[1],其中(a)时变湍流模型概念图；(b)Zernike相位预测神经网络示意图

2.2 基于AI的信号检测与识别

在UWOC系统中，信号检测与识别是信息可靠恢复的重要环节。然而，复杂海洋环境引入的强散射、湍流闪烁、多径效应及复杂背景噪声等，使得接收信号产生严重畸变。为了能准确恢复原始发射符号，现有的AI模型可以将其建模为高维的特征提取或模式分类问题。通过模型对输入数据的深度感知，AI能够建立接收信号与发射标签之间的映射关系，从而实现端到端的信号解调、信号同步以及调制格式识别（MFR）。目前的研究工作大多采用深度神经网络（DNN）或CNN，通过挖掘接收信号在时域波形、眼图或星座图上的深层统计规律，建立起输入数据与发射标签之间的非线性映射。这类方法在信道状态信息未知的条件下，能够自动过滤背景噪声，从而实现对发射信号属性的快速识别以及高精度的端到端解调。如图2所示，2020年西安电子科技大学采用CNN改善轨道角动量（OAM）信号的的串扰问题^[2]，相较于传统的解调方法，CNN解调器的平均误码率性能和抗湍流能力均有所提升。

图2 基于四进制OAMSK调制的UWOC系统^[2]，接收端分别使用传统解调器和基于CNN的解调器

2.3 基于AI的均衡补偿技术

在UWOC中均衡技术的核心任务是构建逆向滤波器，以补偿信号的畸变，本质上是一个从受损信号到原始信号的复杂非线性映射问题。传统的线性均衡器基于线性系统假设，难以有效处理高阶非线性损伤；而基于Volterra级数的非线性均衡器随着阶数的增加，计算复杂度指数级增长。相比之下，AI技术能够通过训练神经网络直接学习这种映射关系，从而提供了一种数据驱动的均衡新范式。一方面，DNN凭借其强大的拟合能力，能够有效地补偿器件非线性；另一方面，针对码间串扰（ISI）固有的“记忆特性”，LSTM成为了较为优质的选择。部分研究还探索了一些复合神经网络以及相应的轻量化策略，进一步逼近了复杂水质下的最优补偿性能。如图3、图4所示，浙江大学聚焦于水下长距离传输，于2023年设计了一种稀疏权重初始化深度神经网络（SWI-DNN）^[3]，利用稀疏解码变换矩阵来初始化DNN的权重，并结合剪枝策略降低复杂度，最终在90 m水下链路中实现了660 Mbps的通信速率。

图3 提出的SWI-DNN 均衡器示意图^[3]

图4 提出的UWOC系统结构示意图^[3]，其中 (i) 发射舱; (ii) 接收舱; (iii) 反射镜; (iv)标准50 m游泳池中的光束

2.4 基于AI的智能链路优化

基于AI的UWOC技术在水下捕获、跟踪、对准（ATP）方面也有诸多应用，其中以深度强化学习（DRL）为代表的动态决策算法展现出一定优势。DRL智能体通过与时变水下环境的不断“试错”和交互，依据接收光束反馈实时调整状态，从而输出当前最优的控制策略。这种方法赋予了UWOC系统对环境变化的预测能力和自适应性，增强移动场景下通信链路的稳定性。

尽管AI在提升UWOC系统的各个方面已展现出巨大潜力，但该技术的应用仍面临着海试数据匮乏、水下硬件算力受限、模型泛化能力不足以及系统实时性难以保证等挑战。从理想化的算法模型迈向可靠的工程实践，需要学术界与工业界共同克服种种困难。未来该领域的研究将朝着轻量化部署和自适应学习的方向演进，进而驱动水下无线光网络迈向更高程度的智能化。

参考文献:

[1]Zhang X J, Zhang H Y, Chen C X, et al. Cognitive Wavefront Prediction via Zernike Phase Forecasting Neural Network[C]//2025 23rd International Conference on Optical Communications and Networks (ICOCN), July 28-31, 2025, Zhangjiajie, China. New York: IEEE, 2025: 1-3.

[2]Wang W, Wang P, Guo L X, et al. Performance Investigation of OAMSK Modulated Wireless Optical System Over Turbulent Ocean Using Convolutional Neural Networks[J]. Journal of Lightwave Technology, 2020, 38(7): 1753-1765.

[3]Du Z H, Cai C Y, Wang H P, et al. 90-m/660-Mbps Underwater Wireless Optical Communication Enabled by Interleaved Single-Carrier FDM Scheme Combined with Sparse Weight-Initiated DNN Equalizer[J]. Journal of Lightwave Technology, 2023, 41(16): 5310-5320.

作者简介

徐敬，浙江大学海洋学院教授、博士生导师，入选国家级青年人才，任浙江大学先进技术研究院舟山海洋分院副院长和海洋传感与网络研究所所长。研究方向包括无线光通信、光纤通信和海洋观测技术。近年来主持国家重点研发计划、国家自然科学基金等国家级项目多项，同时主持行业领军企业委托的横向项目多项。在光通信领域权威SCI期刊和国际会议发表论文160余篇，包括第一或通信作者SCI论文100余篇（其中10余篇论文入选Highlight Article、Editors' Pick等）。连续入选全球前2%科学家榜单。在知名国际会议作特邀报告15次，目前担任SCI期刊IEEE Photonics Technology Letters的 Associate Editor 和 Chinese Optics Letters 的Topical Editor。以第一发明人获授权美国发明专利1项、中国发明专利21项。