基于联邦学习的协作波束成形技术，应用于下一代卫星通信系统（NGSO）的车载直接通信系统

《IEEE Transactions on Machine Learning in Communications and Networking》：Federated Learning–Enabled Collaborative Beamforming for NGSO Direct-to-Vehicle Systems

　　

摘要：

非地球静止卫星轨道（NGSO）系统预计将在实现直接的卫星到车辆（DS2V）通信中发挥核心作用。然而，密集的频谱复用以及多个NGSO星座的共存引入了严重的同频干扰（CFI），这种干扰由于卫星快速运动和信道相干时间短而进一步加剧。在本文中，我们提出了一种基于联邦学习（FL）的协作接收波束成形框架FedSatBF，用于DS2V通信。在FedSatBF中，服务卫星通过联邦平均方式汇总来自部分车辆用户终端（VUTs）的本地训练得到的波束成形模型，并广播一个全局模型，该模型可以在类似的CFI条件下被所有参与和未参与的VUTs直接应用。采用基于注意力的波束成形架构作为每个VUT训练本地模型的基础模型，输入为无需估计的样本协方差矩阵，从而无需显式估计干扰信道或到达方向。本地模型通过基于奖励的学习目标进行训练，其中损失为波束成形后的信号干扰加噪声比（SINR）的负值，因此在训练过程中不需要提供或使用任何真实的权重、合成几何学派生的标签或干扰者的信道状态信息（CSI）。所提出的框架明确设计为在NGSO移动性带来的有限信道相干时间内运行。我们研究了关键FL超参数（包括每个相干块的通信轮次、每轮训练数据、每个VUT的本地训练周期、VUT参与度以及VUT的地理聚类）对收敛速度、干扰消除能力和计算效率的影响。仿真结果表明，FedSatBF能够实现接近最优的信号干扰加噪声比（SINR）性能，其性能与最优的零强迫波束成形器（ZFBF）相比仅相差0.1 [dB]...

显示更多