刘振兴，陆剑锋，李 平

(1.泰州职业技术学院，江苏 泰州 225300;2.南京信息工程大学，江苏 南京 210044)

0 引言

通信质量的好坏取决于所处信道的物理特性。由于水声信道具有时变、空变、多途、高背景噪声等复杂特性，其不可避免地将在通信系统的接收端产生严重的码间干扰，从而引起误码，降低了系统的可靠性[1-3]。因此，如何克服传输信道引起的时变多途效应一直是研究者们关注的焦点。

目前，常用的方法有常数模算法（Constant Modulus Algorithm，CMA）[4]、小波[5]和多小波[6-7]等多种水声信道均衡算法。常数模算法不需要知道水声信道的先验信息，因结构简单、性能稳健、运算量小而被广泛使用，但其收敛精度不高。小波和多小波算法的均衡效果与其变换的稀疏能力有关，且需事先选取小波和多小波系数，影响了算法的实际应用。

深度学习技术在通信、图像处理、计算机视觉等领域的成功应用为解决这一问题提供了一个新的方向[8-11]。该技术不需要获取信道模型的先验信息，可以通过端到端的训练直接从训练数据中学习有效的网络模型，处理任何类型的信道。文献[12]对基于深度学习的正交频分复用水声通信系统进行了研究，将深度前馈神经网络作为通信接收机，用训练后的网络模型直接恢复发射信号。文献[13]对基于深度学习的时变水声信道单载波通信进行了研究，将深度前馈神经网络作为接收器，利用训练后的网络模型恢复发射信号。以上方法采用深度前馈神经网络作为均……