人工智能驅(qū)動(dòng)的手機(jī)直連低軌衛(wèi)星通信

摘 要：手機(jī)直連低軌衛(wèi)星通信可有效填補(bǔ)數(shù)字鴻溝，成為６Ｇ 重要的技術(shù)趨勢，但其面臨終端上行高速率通信難、多用戶高可靠接入難、信道狀態(tài)實(shí)時(shí)獲取難、非理想射頻下數(shù)字波束成形優(yōu)化難以及多域資源高效調(diào)度難等挑戰(zhàn)。為克服傳統(tǒng)技術(shù)方案的不足，利用人工智能技術(shù)，結(jié)合通信領(lǐng)域知識(shí)，形成涵蓋接入、傳輸和資源調(diào)度的手機(jī)直連低軌衛(wèi)星智能通信方案。具體地，提出基于人工智能的多星協(xié)作上行聯(lián)合接收、基于人工智能的隨機(jī)接入前導(dǎo)檢測、強(qiáng)多普勒下導(dǎo)頻數(shù)據(jù)非正交傳輸?shù)慕K端智能檢測以及基于語義通信的星地傳輸，有望提升上行傳輸速率和接入可靠性；提出輕量化的下行信道智能預(yù)測和星上數(shù)字波束魯棒智能成形技術(shù)，克服信道狀態(tài)延遲反饋和信號(hào)失真影響，同時(shí)解決大型相控陣波束權(quán)值的高維優(yōu)化問題；提出衛(wèi)星多域資源智能調(diào)度方法，實(shí)現(xiàn)多復(fù)雜約束下有限資源與差異化業(yè)務(wù)需求的良好適配。以期為我國衛(wèi)星互聯(lián)網(wǎng)技術(shù)體制向智能化演進(jìn)提供支撐。

關(guān)鍵詞：手機(jī)直連低軌衛(wèi)星通信；人工智能；信號(hào)處理；資源調(diào)度

中圖分類號(hào)：ＴＮ９１９． ２３ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１１４（２０２４）０６－１０７５－１２

０ 引言

由于５Ｇ 地面網(wǎng)絡(luò)無法實(shí)現(xiàn)全域覆蓋，如山區(qū)、沙漠、海洋等偏遠(yuǎn)地區(qū)，同時(shí)難以應(yīng)對自然災(zāi)害帶來的緊急情況，ＩＭＴ２０３０ 推進(jìn)組在６Ｇ 白皮書中提出利用天基網(wǎng)絡(luò)實(shí)現(xiàn)偏遠(yuǎn)地區(qū)、海上、空中覆蓋，進(jìn)而實(shí)現(xiàn)全時(shí)全域無縫覆蓋。

與高軌道衛(wèi)星相比，低軌道衛(wèi)星信號(hào)質(zhì)量更強(qiáng)、軌道資源更豐富，能夠形成覆蓋全球的密集組網(wǎng)星座。同時(shí)，隨著載荷平臺(tái)、火箭發(fā)射等技術(shù)的突破，低軌衛(wèi)星發(fā)射成本大大降低，低軌衛(wèi)星通信將在６Ｇ時(shí)代扮演重要角色。

１ 手機(jī)直連低軌衛(wèi)星通信發(fā)展趨勢

２０２０ 年４ 月，衛(wèi)星互聯(lián)網(wǎng)首次納入“新基建”，其建設(shè)已上升為國家戰(zhàn)略性工程。面向６Ｇ 時(shí)代提出的全時(shí)、全域個(gè)人通信能力要求［１－２］，衛(wèi)星互聯(lián)網(wǎng)如何支持普通手機(jī)直接通過衛(wèi)星與外界通信（簡稱手機(jī)直連衛(wèi)星），成為產(chǎn)、學(xué)、研界關(guān)注的焦點(diǎn)［３－５］。

目前，實(shí)現(xiàn)手機(jī)直連衛(wèi)星的技術(shù)路線包括基于雙模體制的技術(shù)方案、面向存量終端的技術(shù)方案以及基于３ＧＰＰ 非地面網(wǎng)絡(luò)（ＮｏｎＴｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋ，ＮＴＮ）的技術(shù)方案。雙模體制方案采用衛(wèi)星通信專用頻段及私有協(xié)議（例如蘋果手機(jī)直連ＧｌｏｂａｌＳｔａｒ衛(wèi)星、華為Ｍａｔｅ６０ 直連天通衛(wèi)星），存在產(chǎn)業(yè)鏈規(guī)模受限、技術(shù)演進(jìn)緩慢等問題，而存量終端方案由于無法對手機(jī)終端進(jìn)行改動(dòng)，極大限制了新技術(shù)的應(yīng)用。相比之下，考慮到３ＧＰＰ 標(biāo)準(zhǔn)產(chǎn)業(yè)支持廣泛等因素，借助ＮＴＮ 及其演進(jìn)技術(shù)進(jìn)行端到端系統(tǒng)設(shè)計(jì)，形成基于３ＧＰＰ 協(xié)議的手機(jī)直連技術(shù)方案，是發(fā)展前景最為廣闊的路線。標(biāo)準(zhǔn)方面，３ＧＰＰ 自Ｒｅｌｅａｓｅ １６ 開始進(jìn)行相關(guān)研究工作，在Ｒｅｌｅａｓｅ １７ 開始進(jìn)行具體系統(tǒng)設(shè)計(jì)［６］；中國衛(wèi)星網(wǎng)絡(luò)集團(tuán)有限公司作為總體牽頭，向中國通信標(biāo)準(zhǔn)化協(xié)會(huì)提交了關(guān)于基于５Ｇ的衛(wèi)星互聯(lián)網(wǎng)總體要求的行業(yè)標(biāo)準(zhǔn)立項(xiàng)申請，以推動(dòng)手機(jī)直連衛(wèi)星的規(guī)模應(yīng)用。外場測試方面，中國移動(dòng)聯(lián)合中興通訊等完成了基于Ｒｅｌｅａｓｅ １７ 協(xié)議的技術(shù)外場驗(yàn)證，初步實(shí)現(xiàn)了基于地球同步衛(wèi)星和ＩｏＴＮＴＮ 協(xié)議的手機(jī)窄帶直連。考慮到低軌衛(wèi)星軌道資源豐富、星地傳播時(shí)延短、路徑損耗小、發(fā)射成本低等優(yōu)勢［７－８］，國外ＡＳＴ ＳｐａｃｅＭｏｂｉｌｅ、ＬｙｎｋＧｌｏｂａｌ、ＳｐａｃｅＸ、Ｏｍｎｉｓｐａｃｅ 等公司重點(diǎn)聚焦手機(jī)直連低軌衛(wèi)星通信，爭相搶占技術(shù)制高點(diǎn)，部分已發(fā)射了在軌試驗(yàn)衛(wèi)星［３］。

雖然低軌衛(wèi)星相比高軌衛(wèi)星顯著縮短了星地通信距離，但手機(jī)直連低軌衛(wèi)星仍面臨如下挑戰(zhàn)：

① 受限于手機(jī)終端的天線尺寸和發(fā)射功率，疊加高路徑衰減，手機(jī)終端上行傳輸速率低。此外，由于低軌衛(wèi)星相比高軌衛(wèi)星高速運(yùn)動(dòng)，導(dǎo)致強(qiáng)多普勒頻移，增加了隨機(jī)接入和多址接入的前導(dǎo)和用戶數(shù)據(jù)檢測難度。如何在點(diǎn)對點(diǎn)鏈路預(yù)算嚴(yán)重受限和大頻偏下提升手機(jī)終端上行傳輸速率和多用戶接入成功率是需要解決的第一個(gè)挑戰(zhàn)。

② 為提升波束增益并實(shí)現(xiàn)窄業(yè)務(wù)波束的精準(zhǔn)控制，面向手機(jī)直連的低軌衛(wèi)星通信預(yù)期將搭載大型數(shù)字相控陣天線。然而，隨著陣元數(shù)量的增加，在波束跳變過程中，單個(gè)陣元權(quán)值變化差異較大，易導(dǎo)致通道功放工作在非線性區(qū)域；同時(shí)，隨著工作帶寬的增大，信號(hào)非線性失真將愈加顯著。此外，頻分雙工體制下，波束權(quán)值計(jì)算依賴終端反饋的信道狀態(tài)信息（Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒｍａｔｉｏｎ，ＣＳＩ），考慮到星地傳播時(shí)延和鏈路高動(dòng)態(tài)特性，ＣＳＩ 易過期。如何在非理想射頻硬件和延遲ＣＳＩ 反饋下實(shí)現(xiàn)低失真的數(shù)字波束成形是需要解決的第二個(gè)挑戰(zhàn)。

③ 資源調(diào)度方面，為提升資源利用率，需進(jìn)行衛(wèi)星多域資源聯(lián)合調(diào)度，包括優(yōu)化業(yè)務(wù)波束－波位服務(wù)關(guān)系、服務(wù)時(shí)間分配和波束頻譜資源分配等，多維變量耦合復(fù)雜度高。為提供較高的增益，業(yè)務(wù)波束通常為窄波束，用戶面臨頻繁的業(yè)務(wù)波束間切換，甚至由此帶來星間切換。由于手機(jī)終端接收天線定向性差，業(yè)務(wù)波束間同頻復(fù)用時(shí)旁瓣能量泄露會(huì)帶來嚴(yán)重的波束間干擾，降低系統(tǒng)吞吐量。此外，由于單顆衛(wèi)星可視區(qū)域面積遠(yuǎn)超單地面基站小區(qū)，因此面臨顯著的業(yè)務(wù)空時(shí)分布不均。如何在波束間干擾以及星間業(yè)務(wù)波束切換頻率等限制下進(jìn)行低復(fù)雜的衛(wèi)星多域資源調(diào)度以滿足空時(shí)非均勻業(yè)務(wù)需求是亟需解決的第三個(gè)挑戰(zhàn)。

２ 有關(guān)技術(shù)研究現(xiàn)狀

２． １ 多點(diǎn)協(xié)作技術(shù)

為提升小區(qū)邊緣用戶的傳輸速率，地面蜂窩網(wǎng)絡(luò)引入了多點(diǎn)協(xié)作技術(shù)，包括下行聯(lián)合傳輸和上行協(xié)作接入。考慮到傳統(tǒng)算法中多點(diǎn)協(xié)作下的波束權(quán)值計(jì)算復(fù)雜度較高，文獻(xiàn)［９］提出了基于深度神經(jīng)網(wǎng)絡(luò)的波束成形算法，而文獻(xiàn)［１０］則考慮多基站協(xié)作上行接入場景，提出了基于全連接神經(jīng)網(wǎng)絡(luò)的算法。手機(jī)直連低軌衛(wèi)星通信中，手持終端發(fā)射功率與天線增益嚴(yán)重受限，在低軌衛(wèi)星密度日益增大的趨勢下，可采用類似地面網(wǎng)絡(luò)多基站協(xié)作的通信模式。文獻(xiàn)［１１］采用卷積神經(jīng)網(wǎng)絡(luò)擬合星地ＣＳＩ 與下行多星協(xié)作波束成形的權(quán)值的關(guān)系。文獻(xiàn)［１２］將多智能體強(qiáng)化學(xué)習(xí)應(yīng)用于衛(wèi)星下行協(xié)作傳輸中的帶寬分配。文獻(xiàn)［１３］利用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)低軌衛(wèi)星上行協(xié)作波束成形。然而，上述研究均采用集中式的協(xié)作接入信號(hào)處理算法，需中心節(jié)點(diǎn)持續(xù)獲取網(wǎng)絡(luò)全局信息，存在較大的信令開銷和計(jì)算壓力。

２． ２ 導(dǎo)頻和數(shù)據(jù)非正交疊加傳輸?shù)慕K端檢測

傳統(tǒng)衛(wèi)星通信中，各用戶的導(dǎo)頻和數(shù)據(jù)占用正交的時(shí)頻資源。為提升有限頻譜資源的利用率，學(xué)界圍繞導(dǎo)頻和數(shù)據(jù)非正交疊加傳輸及接收側(cè)的終端檢測開展了一定研究，包括信道估計(jì)和數(shù)據(jù)恢復(fù)。現(xiàn)有導(dǎo)頻數(shù)據(jù)非正交傳輸下的多用戶檢測研究主要采用基于壓縮感知和消息傳遞機(jī)制進(jìn)行算法設(shè)計(jì)。研究表明，在多用戶檢測中引入人工智能技術(shù)，可進(jìn)一步提升接入成功率。文獻(xiàn)［１４］設(shè)計(jì)了一種面向地面網(wǎng)絡(luò)的用于多用戶上行信道估計(jì)和信號(hào)檢測的混合深度神經(jīng)網(wǎng)絡(luò)模型，結(jié)合了雙向長短期記憶網(wǎng)絡(luò)和一維卷積神經(jīng)網(wǎng)絡(luò)，但其在多普勒效應(yīng)顯著的衛(wèi)星通信場景中可能面臨檢測準(zhǔn)確率下降的問題。

２． ３ 信道預(yù)測

目前手機(jī)直連低軌衛(wèi)星通信主要考慮頻分雙工體制，衛(wèi)星獲取下行ＣＳＩ 需依賴終端根據(jù)下行導(dǎo)頻進(jìn)行信道估計(jì)后再上行反饋。由于星地間傳播延遲不可忽略，導(dǎo)致衛(wèi)星獲取的ＣＳＩ 易過期，直接影響衛(wèi)星數(shù)字波束成形性能，因此有必要對信道預(yù)測技術(shù)進(jìn)行研究。文獻(xiàn)［１５－１６］提出了一種Ｑ 波段衛(wèi)星信道預(yù)測模型，利用多層感知機(jī)和長短期記憶網(wǎng)絡(luò)，通過大氣參數(shù)實(shí)時(shí)估計(jì)信道衰減。文獻(xiàn)［１７］提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的ＣＳＩ 預(yù)測方法，實(shí)現(xiàn)了對大氣衰減的預(yù)測。文獻(xiàn)［１８］利用長短期記憶網(wǎng)絡(luò)解決了Ｑ／ Ｖ 波段低軌衛(wèi)星通信信道預(yù)測問題，根據(jù)星歷信息、降雨量和當(dāng)前路損預(yù)測未來路損。文獻(xiàn)［１９］提出了基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的信道預(yù)測方案，實(shí)現(xiàn)了根據(jù)過時(shí)ＣＳＩ 預(yù)測下行ＣＳＩ。文獻(xiàn)［２０］提出了一種基于演員－評論家算法的實(shí)時(shí)ＣＳＩ 預(yù)測方法，該算法無需頻繁上行反饋即可準(zhǔn)確預(yù)測ＣＳＩ。然而，上述研究未考慮星地間上下行信道的相關(guān)特性，以及采用星載大規(guī)模相控陣下基于輕量化人工智能模型進(jìn)行實(shí)時(shí)信道預(yù)測的需求。

２． ４ 非理想射頻硬件下的星上數(shù)字波束成形

隨著星載天線陣元數(shù)量增多，陣元預(yù)編碼權(quán)值變化范圍擴(kuò)大，導(dǎo)致功放工作于非線性區(qū)，造成信號(hào)非線性失真。為此，部分學(xué)者開展了基于人工智能的非理想射頻硬件下的數(shù)字波束成形技術(shù)研究。文獻(xiàn)［２１］針對用戶加權(quán)和速率等不同優(yōu)化目標(biāo)提出了基于卷積神經(jīng)網(wǎng)絡(luò)的波束成形算法，并驗(yàn)證其性能可接近理論最優(yōu)，但需要不同信道條件下的大量樣本數(shù)據(jù)。文獻(xiàn)［２２］采用Ｗｏｌｐｅｒｔｉｎｇｅｒ 強(qiáng)化學(xué)習(xí)方法，通過強(qiáng)化學(xué)習(xí)智能體與環(huán)境間的交互學(xué)習(xí)碼本選擇。基于人工智能的數(shù)字波束成形方法能夠在復(fù)雜度與性能之間取得較好的權(quán)衡［２１－２２］。然而，在低軌衛(wèi)星場景下面臨模型設(shè)計(jì)需考慮功放非線性特征、大規(guī)模相控陣下高維度權(quán)值求解困難等問題。

２． ５ 低軌衛(wèi)星網(wǎng)絡(luò)的多域資源調(diào)度

在低軌衛(wèi)星網(wǎng)絡(luò)中衛(wèi)星和地面的相對運(yùn)動(dòng)導(dǎo)致衛(wèi)星間重疊覆蓋區(qū)域動(dòng)態(tài)變化。由于手機(jī)終端采用全向天線，易受衛(wèi)星波束間干擾影響，并且衛(wèi)星相比地面基站覆蓋區(qū)域顯著擴(kuò)大，手機(jī)用戶的流量需求存在明顯的空時(shí)非均勻性。為此需開展聯(lián)合業(yè)務(wù)波束跳波位規(guī)劃、波束頻率規(guī)劃與波束功率分配的多域資源調(diào)度研究，實(shí)現(xiàn)用戶通信需求與有限通信資源的良好匹配。然而，傳統(tǒng)的資源調(diào)度算法大部分基于在線迭代優(yōu)化，計(jì)算時(shí)間無法滿足星地動(dòng)態(tài)拓?fù)湎碌膶?shí)時(shí)資源調(diào)度需求。為此，文獻(xiàn)［２３］提出了基于強(qiáng)化學(xué)習(xí)的跳波束算法，利用其離線訓(xùn)練、在線部署特性提升實(shí)時(shí)決策能力。為克服波束圖案多樣性帶來的維數(shù)災(zāi)難，文獻(xiàn)［２０］進(jìn)一步提出了基于多目標(biāo)深度強(qiáng)化學(xué)習(xí)的波束資源調(diào)度方案，使用順序動(dòng)作選擇減少動(dòng)作空間。文獻(xiàn)［２４－２５］提出了兩階段學(xué)習(xí)框架，利用多智能體分解資源調(diào)度決策空間，同樣可避免動(dòng)作空間爆炸問題。

３ 手機(jī)直連低軌衛(wèi)星智能通信面臨的挑戰(zhàn)

根據(jù)上述文獻(xiàn)調(diào)研和分析，可以看到學(xué)術(shù)界已圍繞多星協(xié)作下的信號(hào)處理、導(dǎo)頻數(shù)據(jù)非正交傳輸下的多用戶檢測、信道預(yù)測、非理想射頻硬件下的數(shù)字波束成形和衛(wèi)星多域資源調(diào)度進(jìn)行了研究，部分文獻(xiàn)通過采用人工智能技術(shù)實(shí)現(xiàn)了相比傳統(tǒng)方法在通信性能和計(jì)算復(fù)雜度方面的提升，初步證明了結(jié)合人工智能技術(shù)的優(yōu)越性。然而，現(xiàn)有研究仍面臨一系列關(guān)鍵問題亟待解決，具體如下：

① 現(xiàn)有面向多星上行聯(lián)合接收的基于人工智能的信號(hào)處理采用集中式架構(gòu)，中心節(jié)點(diǎn)計(jì)算壓力和星間信令交互開銷大，亟需提出低信令開銷、充分利用多星協(xié)同計(jì)算能力的智能信號(hào)處理方法。

② 手機(jī)直連低軌星座寬帶通信場景下，各用戶頻偏差異大，進(jìn)一步增加了接入檢測難度，亟需結(jié)合人工智能技術(shù)提出更加可靠的檢測算法。

③ 現(xiàn)有信道狀態(tài)預(yù)測主要聚焦利用人工智能技術(shù)預(yù)測大尺度衰減，對高動(dòng)態(tài)條件下的實(shí)時(shí)信道狀態(tài)預(yù)測和星上算力限制考慮不足，亟需提出預(yù)測能力強(qiáng)且輕量化的信道狀態(tài)智能預(yù)測方法。

④ 現(xiàn)有基于人工智能的數(shù)字波束成形研究依賴大量先驗(yàn)數(shù)據(jù)樣本，同時(shí)在模型設(shè)計(jì)中未充分考慮非線性射頻硬件特性影響。此外，星載大規(guī)模相控陣下，波束權(quán)值向量維度高，亟需提出對人工智能模型訓(xùn)練友好的數(shù)字波束成形方法。

⑤ 現(xiàn)有基于人工智能的衛(wèi)星多域資源調(diào)度方法設(shè)計(jì)與網(wǎng)絡(luò)節(jié)點(diǎn)和資源數(shù)量緊密耦合，多場景適應(yīng)能力弱；同時(shí)，未考慮星間波束切換頻率、波位隊(duì)列穩(wěn)定性等實(shí)際約束，亟需提出滿足多約束且場景適配能力優(yōu)的多域資源智能調(diào)度方法。

⑥ 對于人工智能方法在手機(jī)直連衛(wèi)星通信場景中的應(yīng)用，應(yīng)摒棄傳統(tǒng)簡單粗暴地基于數(shù)據(jù)集直接訓(xùn)練的范式，需根據(jù)場景的需求和特點(diǎn)針對性選擇人工智能模型；同時(shí)，應(yīng)結(jié)合先驗(yàn)通信和優(yōu)化理論知識(shí)，簡化模型復(fù)雜度和訓(xùn)練、部署難度。

４ 人工智能在手機(jī)直連衛(wèi)星通信中的應(yīng)用展望

４． １ 基于語義通信的手機(jī)直連衛(wèi)星信息傳輸

傳統(tǒng)通信的主要目標(biāo)是準(zhǔn)確地傳輸比特流或符號(hào)序列，其核心在于根據(jù)香農(nóng)定理，分析信道容量，對原始數(shù)據(jù)壓縮編碼后進(jìn)行傳輸，從而減少傳輸過程中的比特錯(cuò)誤率和包丟失率。語義通信則通過構(gòu)建收發(fā)雙方的共享語義庫，利用機(jī)器學(xué)習(xí)或自然語言處理等手段提取原始數(shù)據(jù)的語義特征，傳輸具有高度抽象化的語義信息，并在接收端進(jìn)行語義信息恢復(fù)，從而大大減少發(fā)送數(shù)據(jù)量，提高信息有效性［２６－２７］。

語義通信在衛(wèi)星通信領(lǐng)域展現(xiàn)出多項(xiàng)潛在優(yōu)勢，尤其是在手機(jī)直連衛(wèi)星通信的有限帶寬條件下，語義通信可以傳輸更多有價(jià)值的信息，從而提高帶寬利用效率。此外，通過減少傳輸數(shù)據(jù)量，語義通信可以顯著降低發(fā)射功率需求，從而對手機(jī)終端的能耗節(jié)省具有重要意義［２８］。

語義通信原理如圖１ 所示。首先，語義通信系統(tǒng)獲取需要傳輸?shù)脑紨?shù)據(jù)，這些數(shù)據(jù)可以是圖像、文本、音頻或其他形式的信息［２９］。其次，上述信息經(jīng)過深度神經(jīng)網(wǎng)絡(luò)處理，提取輸入信息的語義特征，并根據(jù)收發(fā)雙方的共享語義信息庫構(gòu)建的共享碼本，比較提取的語義特征與碼本的相似度，利用矢量量化方式選取最優(yōu)匹配序號(hào)作為抽象化的語義信息。這些語義信息被轉(zhuǎn)化為比特后進(jìn)行后續(xù)信源與信道編碼，經(jīng)過無線信道傳輸，在接收端進(jìn)行譯碼過程。最后，根據(jù)語義信息比照共享碼本，并將相應(yīng)語義特征輸入深度神經(jīng)網(wǎng)絡(luò)進(jìn)行語義信息恢復(fù)，還原發(fā)送信息。

４． ２ 基于人工智能的隨機(jī)接入前導(dǎo)檢測

手機(jī)終端完成初始下行同步后，從系統(tǒng)信息中解出隨機(jī)接入資源信息，再從中隨機(jī)選擇時(shí)頻資源和前導(dǎo)序列發(fā)起隨機(jī)接入。衛(wèi)星基站在前導(dǎo)接收窗內(nèi)接收到用戶的前導(dǎo)信號(hào)，經(jīng)過去除循環(huán)前綴、濾波、降采樣、離散傅里葉變換、子載波解映射等操作提取出頻域前導(dǎo)序列，與本地前導(dǎo)序列進(jìn)行互相關(guān)運(yùn)算后計(jì)算功率時(shí)延譜（Ｐｏｗｅｒ Ｄｅｌａｙ Ｐｒｏｆｉｌｅ，ＰＤＰ）。由于前導(dǎo)序列由ＺａｄｏｆｆＣｈｕ 序列生成，具有良好的自相關(guān)和互相關(guān)特性且恒包絡(luò)，因此只有使用相同根序列的前導(dǎo)序列才會(huì)出現(xiàn)相關(guān)峰，才可以辨別出使用不同根序列的用戶，進(jìn)一步可以通過ＰＤＰ 中峰值的位置計(jì)算出終端到衛(wèi)星基站的傳播時(shí)延，從而區(qū)分使用同一根序列但和衛(wèi)星基站距離不同的用戶。

相比于地面通信系統(tǒng)，低軌衛(wèi)星通信場景下的前導(dǎo)檢測面臨更大挑戰(zhàn)，具體來說，低軌衛(wèi)星的快速移動(dòng)會(huì)帶來較大的多普勒頻移，導(dǎo)致ＰＤＰ 中出現(xiàn)偽峰以及峰值的降低，干擾定時(shí)位置的檢測結(jié)果，因此消除頻偏的影響是提高前導(dǎo)檢測性能的關(guān)鍵。人工智能技術(shù)由于具有良好的泛用性和實(shí)時(shí)性，可以快速適應(yīng)多變的衛(wèi)星通信環(huán)境，且通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)可以挖掘ＰＤＰ 樣本的數(shù)據(jù)特征，找出ＰＤＰ 數(shù)據(jù)和載波頻率偏移（Ｃａｒｒｉｅｒ Ｆｒｅｑｕｅｎｃｙ Ｏｆｆ，ＣＦＯ）之間隱含的映射關(guān)系，從而使訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)輸出準(zhǔn)確的頻偏估計(jì)結(jié)果，進(jìn)而輔助前導(dǎo)檢測。目前，已有不少學(xué)者利用人工智能優(yōu)化ＣＦＯ 估計(jì)算法，文獻(xiàn)［３０］提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)的框架用于ＣＦＯ 估計(jì)，文獻(xiàn)［３１］探索了傳統(tǒng)ＣＦＯ 估計(jì)算法和基于機(jī)器學(xué)習(xí)的ＣＦＯ 估計(jì)算法在性能表現(xiàn)及適用條件方面的差異和優(yōu)勢。但這些研究中的ＣＦＯ估計(jì)范圍受限，大頻偏場景難以適用。

為此，本文提出結(jié)合聚類和神經(jīng)網(wǎng)絡(luò)的ＣＦＯ 估計(jì)方法。具體地，由于ＰＤＰ 在不同ＣＦＯ 影響下呈現(xiàn)稀疏性和規(guī)律性，因此可以采用聚類算法對接收信號(hào)的ＰＤＰ 數(shù)據(jù)進(jìn)行分類，輸出對應(yīng)整數(shù)倍ＣＦＯ，而神經(jīng)網(wǎng)絡(luò)則通過學(xué)習(xí)訓(xùn)練集中的數(shù)據(jù)特征找出ＰＤＰ 數(shù)據(jù)和ＣＦＯ 的映射關(guān)系，從而估計(jì)出小數(shù)倍ＣＦＯ。基于聚類和神經(jīng)網(wǎng)絡(luò)的ＣＦＯ 估計(jì)方法如圖２所示。線下訓(xùn)練階段，ＰＤＰ 樣本經(jīng)過聚類被分為Ｋ 個(gè)簇，每簇作為獨(dú)立的數(shù)據(jù)集用于訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)。線上階段，接收信號(hào)的ＰＤＰ 通過聚類被分到第ｋ 簇中，得到整數(shù)倍ＣＦＯ，再傳輸?shù)綄?yīng)的第ｋ 個(gè)神經(jīng)網(wǎng)絡(luò)中，預(yù)測得到小數(shù)倍ＣＦＯ。

４． ３ 基于人工智能的多星協(xié)作上行接入

考慮如圖３ 所示的多星協(xié)作接入場景，包括數(shù)個(gè)單天線終端與數(shù)顆低軌衛(wèi)星。為支持多星協(xié)作信號(hào)處理，采用主－輔星架構(gòu)，利用一顆中央主衛(wèi)星控制數(shù)顆輔衛(wèi)星，主衛(wèi)星通過星間鏈路向輔衛(wèi)星傳遞少量控制信息實(shí)現(xiàn)輔衛(wèi)星間的協(xié)同，輔衛(wèi)星利用控制信息和局部信道狀態(tài)信息進(jìn)行本地接入波束成形權(quán)值優(yōu)化。

由用戶信干噪比表達(dá)式可知，不同衛(wèi)星對不同用戶的接收波束成形向量通過用戶間干擾相耦合，直接求解困難，難以采用最優(yōu)化方法生成大量監(jiān)督數(shù)據(jù)集。因此，考慮采用可求解約束優(yōu)化問題的無監(jiān)督學(xué)習(xí)框架。具體地，對原優(yōu)化問題進(jìn)行拉格朗日分析與等價(jià)轉(zhuǎn)換，然后構(gòu)建包括長期信道特征提取網(wǎng)絡(luò)、乘子網(wǎng)絡(luò)、波束成形網(wǎng)絡(luò)的無監(jiān)督深度學(xué)習(xí)架構(gòu)。長期信道特征提取網(wǎng)絡(luò)部署于主星上，能夠依據(jù)信道協(xié)方差矩陣提取信道長期特征，并將輸出通過星間鏈路傳遞給各輔衛(wèi)星，避免主輔衛(wèi)星間的直接信道狀態(tài)信息交互，降低星間信令開銷。波束成形網(wǎng)絡(luò)部署于各輔衛(wèi)星，依據(jù)上行估計(jì)的瞬時(shí)信道狀態(tài)信息更新本地波束成形向量權(quán)值。該架構(gòu)采用初始對偶梯度下降法進(jìn)行網(wǎng)絡(luò)參數(shù)更新實(shí)現(xiàn)聯(lián)合波束權(quán)值設(shè)計(jì)，增強(qiáng)用戶上行接入速率。

基于主－從式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的接收波束成形如圖４ 所示。信道協(xié)方差矩陣與用戶上行發(fā)射功率作為長期信道特征提取網(wǎng)絡(luò)與乘子網(wǎng)絡(luò)的輸入，乘子網(wǎng)絡(luò)負(fù)責(zé)輸出預(yù)測的拉格朗日乘子，用于幫助波束成形網(wǎng)絡(luò)訓(xùn)練出優(yōu)異性能的波束權(quán)值。信道特征提取網(wǎng)絡(luò)輸出信道長期特征，用于和瞬時(shí)信道狀態(tài)信息一同作為波束成形網(wǎng)絡(luò)的輸入。

所提神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程由離線訓(xùn)練階段和在線執(zhí)行階段組成。離線訓(xùn)練階段，神經(jīng)網(wǎng)絡(luò)采用對偶隨機(jī)梯度方法更新權(quán)值。在線執(zhí)行階段，訓(xùn)練好的波束成形網(wǎng)絡(luò)部署于各輔衛(wèi)星，主衛(wèi)星收集各星的長期信道統(tǒng)計(jì)特征，并為輔衛(wèi)星提供波束成形控制向量。輔星根據(jù)本地瞬時(shí)信道狀態(tài)信息與主星的控制信息，執(zhí)行接收波束成形優(yōu)化。

４． ４ 強(qiáng)多普勒下導(dǎo)頻數(shù)據(jù)非正交傳輸?shù)慕K端智能檢測技術(shù)

傳統(tǒng)通信系統(tǒng)中，用戶的導(dǎo)頻、數(shù)據(jù)占用正交的傳輸資源。考慮到手機(jī)直連低軌衛(wèi)星通信場景下的強(qiáng)多普勒，為提升傳輸資源利用率和多用戶檢測性能，本文提出一種非正交導(dǎo)頻、數(shù)據(jù)傳輸機(jī)制，并設(shè)計(jì)了一種相關(guān)性較好的導(dǎo)頻序列。導(dǎo)頻序列的生成和檢測都在時(shí)延多普勒域平面上，在傳輸時(shí)經(jīng)過轉(zhuǎn)換，映射到時(shí)頻域，與數(shù)據(jù)符號(hào)疊加后發(fā)送，傳輸過程如圖５ 所示。

考慮到用戶數(shù)據(jù)恢復(fù)天然可視為一個(gè)監(jiān)督學(xué)習(xí)任務(wù)，為此采用基于傳統(tǒng)檢測思路的多用戶檢測算法構(gòu)建后續(xù)基于人工智能模型方法使用的有標(biāo)簽數(shù)據(jù)集。由于前述設(shè)計(jì)的導(dǎo)頻符號(hào)的生成在時(shí)延多普勒域，因此可利用時(shí)延多普勒域等效信道的二維卷積特性，設(shè)計(jì)基于循環(huán)位移相關(guān)的高效導(dǎo)頻檢測算法求解權(quán)重向量。求解后即可實(shí)現(xiàn)從混疊的用戶導(dǎo)頻、數(shù)據(jù)中恢復(fù)用戶的數(shù)據(jù)，構(gòu)建出兩個(gè)分別用于進(jìn)行人工智能模型訓(xùn)練的數(shù)據(jù)集。手機(jī)用戶發(fā)送的數(shù)據(jù)經(jīng)過疊加導(dǎo)頻后，通過星地信道傳播被低軌衛(wèi)星接收機(jī)接收。為正確恢復(fù)原始發(fā)送數(shù)據(jù)，降低多用戶檢測復(fù)雜度，提出一種基于人工智能的多用戶檢測方法，包括導(dǎo)頻神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)，如圖６所示，導(dǎo)頻神經(jīng)網(wǎng)絡(luò)利用多次迭代結(jié)構(gòu)優(yōu)化檢測和估計(jì)結(jié)果，而數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)則以導(dǎo)頻和數(shù)據(jù)信號(hào)為輸入，輸出恢復(fù)的數(shù)據(jù)信號(hào)。

導(dǎo)頻神經(jīng)網(wǎng)絡(luò)輸入接收到的導(dǎo)頻信號(hào)和導(dǎo)頻神經(jīng)網(wǎng)絡(luò)的先驗(yàn)信息，通過深度學(xué)習(xí)網(wǎng)絡(luò)，輸出導(dǎo)頻檢測結(jié)果。導(dǎo)頻神經(jīng)網(wǎng)絡(luò)由多個(gè)迭代單元組成，每個(gè)單元根據(jù)接收到的導(dǎo)頻信號(hào)和前一個(gè)單元的輸出，逐步細(xì)化檢測和估計(jì)結(jié)果，并通過最小化所有導(dǎo)頻神經(jīng)網(wǎng)絡(luò)單元的均方誤差加權(quán)和來優(yōu)化模型。數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)在導(dǎo)頻神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，輸入接收到的導(dǎo)頻和數(shù)據(jù)信號(hào)以及導(dǎo)頻神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，通過深度學(xué)習(xí)網(wǎng)絡(luò)，對輸入進(jìn)行進(jìn)一步處理。

４． ５ 基于人工智能的下行星地信道預(yù)測

考慮如圖７ 所示的手機(jī)直連低軌衛(wèi)星通信場景，其中衛(wèi)星搭載大規(guī)模相控陣天線，采用數(shù)字波束成形為單天線手機(jī)用戶進(jìn)行下行傳輸。頻分雙工體制下，為了使衛(wèi)星側(cè)獲取下行信道狀態(tài)，手機(jī)終根據(jù)下行導(dǎo)頻估計(jì)信道，再通過上行鏈路進(jìn)行信道狀態(tài)反饋。由于星地間傳播時(shí)延不可忽略，手機(jī)終端反饋的信道狀態(tài)易過期，直接影響衛(wèi)星下行數(shù)字波束成形性能。考慮到視距路徑是低軌衛(wèi)星與用戶終端間的主要傳輸路徑，并且在一定帶寬內(nèi)傳播特性可以視為近似不變，因此系統(tǒng)的上行和下行信道狀態(tài)具有潛在相關(guān)性。用戶在某一時(shí)刻的狀態(tài)與用戶的通信環(huán)境特征密切相關(guān)，以用戶狀態(tài)為媒介，可以得出上行信道狀態(tài)矩陣到下行信道狀態(tài)矩陣的映射關(guān)系表達(dá)式。

考慮到大型相控陣下，陣元數(shù)量多，為利用陣元間的空間相關(guān)性，基于人工智能的信道狀態(tài)預(yù)測模型需將全部陣元的上行歷史信道狀態(tài)作為輸入，將所有陣元當(dāng)前下行信道狀態(tài)作為預(yù)測輸出。鑒于預(yù)測問題的復(fù)雜程度較高，傳統(tǒng)基于神經(jīng)網(wǎng)絡(luò)的方法需要構(gòu)建包含大量參數(shù)的模型，訓(xùn)練和推理計(jì)算復(fù)雜度高，難以適用于星上算力受限的條件。為此，本文提出采用深度回聲狀態(tài)網(wǎng)絡(luò)進(jìn)行信道狀態(tài)預(yù)測。

深度回聲狀態(tài)網(wǎng)絡(luò)是傳統(tǒng)回聲狀態(tài)網(wǎng)絡(luò)的擴(kuò)展，引入了深度學(xué)習(xí)中層疊結(jié)構(gòu)的概念，提高了處理復(fù)雜時(shí)間序列的能力。深度回聲狀態(tài)網(wǎng)絡(luò)由多個(gè)儲(chǔ)備池層疊組成，其結(jié)構(gòu)如圖８ 所示，第一層儲(chǔ)備池的輸入為外部序列，隨后每一層儲(chǔ)備池的輸出作為下一層儲(chǔ)備池的輸入，將儲(chǔ)備池連接至輸出層，并且各儲(chǔ)備層之間的狀態(tài)信息傳輸沒有延遲。相比于傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)，深度回聲狀態(tài)網(wǎng)絡(luò)作為輕量化人工智能模型，只需更新輸出層權(quán)重，不需要復(fù)雜的反向傳播算法，不易出現(xiàn)梯度消失或梯度爆炸等問題。

信道預(yù)測模型采用監(jiān)督學(xué)習(xí)方式訓(xùn)練，信道狀態(tài)數(shù)據(jù)通過暗室測試或開放數(shù)據(jù)集獲取。模型訓(xùn)練流程如圖９ 所示，采用遺傳算法對儲(chǔ)備池參數(shù)的選擇進(jìn)行優(yōu)化。具體地，把預(yù)測的信道狀態(tài)和實(shí)際的信道狀態(tài)間的均方根誤差作為適應(yīng)度函數(shù)，把每一組儲(chǔ)備池參數(shù)視為一個(gè)遺傳算法中的個(gè)體，利用遺傳算法以最佳化均方根誤差為目標(biāo)選擇最佳儲(chǔ)備池參數(shù)，儲(chǔ)備池參數(shù)包括儲(chǔ)備池規(guī)模、泄露率以及儲(chǔ)備池稀疏程度。在此之后，根據(jù)最佳儲(chǔ)備池參數(shù)構(gòu)建信道預(yù)測模型，并使用訓(xùn)練集進(jìn)行訓(xùn)練，通過對比預(yù)測與真實(shí)結(jié)果，不斷優(yōu)化模型的輸出權(quán)重，獲得最終信道預(yù)測模型。

４． ６ 抗功放非線性的星上數(shù)字波束智能成形

考慮如圖１０ 所示的低軌衛(wèi)星與多個(gè)單天線手機(jī)終端構(gòu)成的通信系統(tǒng)，其中衛(wèi)星搭載相控陣天線，每個(gè)陣元對應(yīng)射頻鏈路上的功放非理想。根據(jù)衛(wèi)星側(cè)發(fā)射信號(hào)表達(dá)式，可析出用戶側(cè)接收信號(hào)信噪比與期望信號(hào)、用戶間干擾和用戶接收到的失真信號(hào)的關(guān)系式，從而得出用戶下行速率表達(dá)式，轉(zhuǎn)而求解星上發(fā)射總功率約束下用戶下行速率最大化問題。

與現(xiàn)有研究思路不同，本文所提數(shù)字波束成形權(quán)重求解框架包含基于神經(jīng)網(wǎng)絡(luò)的特征提取模塊與波束成形向量復(fù)原模塊。特征提取模塊采用卷積神經(jīng)網(wǎng)絡(luò)，能夠依據(jù)輸入的信道狀態(tài)信息快速提取低維度特征。波束成形向量復(fù)原模塊根據(jù)特征提取模塊輸出的特征與先驗(yàn)知識(shí)復(fù)原出波束成形向量。由于架構(gòu)中的神經(jīng)網(wǎng)絡(luò)并不直接輸出高維波束成形向量，避免了高維優(yōu)化難題。模型訓(xùn)練方面，采用兩階段法對特征提取模塊進(jìn)行訓(xùn)練，在一階段訓(xùn)練中采用監(jiān)督學(xué)習(xí)的方式使得神經(jīng)網(wǎng)絡(luò)輸出盡可能接近于局部最優(yōu)解，二階段采用無監(jiān)督學(xué)習(xí)方式針對功放非線性條件進(jìn)行訓(xùn)練，對波束成形權(quán)重向量求解。

４． ７ 低軌衛(wèi)星網(wǎng)絡(luò)的多域資源智能調(diào)度

考慮如圖１１ 所示的多星資源調(diào)度場景，目標(biāo)地面區(qū)域劃分為數(shù)個(gè)相對地面固定的業(yè)務(wù)波束波位。在星間業(yè)務(wù)波束切換頻率不大于預(yù)設(shè)門限、單業(yè)務(wù)波束的最大發(fā)射功率有限、單星業(yè)務(wù)波束最大數(shù)量有限等約束下，考慮以最大化波束小區(qū)長期服務(wù)滿意度并控制衛(wèi)星間業(yè)務(wù)波束切換頻率為目標(biāo)的衛(wèi)星多域資源調(diào)度問題。

在衛(wèi)星位置動(dòng)態(tài)變化和用戶業(yè)務(wù)流量動(dòng)態(tài)到達(dá)下，上述問題是一個(gè)復(fù)雜的跨多調(diào)度周期的混合整數(shù)規(guī)劃問題，直接利用人工智能方法求解易導(dǎo)致動(dòng)作空間爆炸，為此考慮利用李雅普諾夫優(yōu)化將原問題解耦成多個(gè)單周期的資源優(yōu)化問題，之后進(jìn)一步采用人工智能方法對問題進(jìn)行高效求解。

為實(shí)現(xiàn)所提方法在具有不同衛(wèi)星、波位和資源數(shù)量的場景間的快速遷移，結(jié)合圖神經(jīng)網(wǎng)絡(luò)對于拓?fù)涮卣鞯鹊倪m應(yīng)性與強(qiáng)化學(xué)習(xí)的優(yōu)化能力，提出如圖１２ 所示的針對單周期的多星多域資源智能調(diào)度方法。利用圖神經(jīng)網(wǎng)絡(luò)作為前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)網(wǎng)絡(luò)拓?fù)浼捌渌卣鳎褂蒙疃龋?網(wǎng)絡(luò)作為決策主體，解決每個(gè)調(diào)度周期中的業(yè)務(wù)波束跳波位規(guī)劃、波束頻譜資源分配以及波束功率控制的聯(lián)合優(yōu)化問題。

５ 結(jié)束語

聚焦手機(jī)直連低軌衛(wèi)星通信的痛點(diǎn)問題，將人工智能與通信和優(yōu)化理論知識(shí)緊密結(jié)合，形成一套智能通信解決方案。不同于傳統(tǒng)集中式協(xié)作接入信號(hào)處理，本文提出主－輔星分布式架構(gòu)下基于主－從神經(jīng)網(wǎng)絡(luò)的協(xié)作信號(hào)處理方法，減少星間信令開銷與單星計(jì)算壓力，同時(shí)利用優(yōu)化理論知識(shí)對原問題進(jìn)行轉(zhuǎn)化，進(jìn)而提出帶約束的無監(jiān)督訓(xùn)練方法。為降低強(qiáng)多普勒下非正交接入用戶檢測和隨機(jī)接入前導(dǎo)檢測難度，一方面利用通信知識(shí)在時(shí)延多普勒域進(jìn)行導(dǎo)頻設(shè)計(jì)，結(jié)合神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力，實(shí)現(xiàn)低復(fù)雜、高性能檢測；另一方面利用人工智能實(shí)現(xiàn)大范圍和高精度的頻偏估計(jì)。考慮到傳統(tǒng)基于人工智能的信道預(yù)測對上下行信道相關(guān)性和模型輕量化考慮不足，分析了信道空時(shí)相關(guān)性，提出了基于深度狀態(tài)回聲網(wǎng)絡(luò)的輕量化下行信道狀態(tài)預(yù)測技術(shù)，降低信道狀態(tài)過期影響。此外，提出了知識(shí)數(shù)據(jù)協(xié)同的非理想射頻硬件下的數(shù)字波束智能成形方法，克服了高維波束權(quán)值優(yōu)化挑戰(zhàn)。對于多星多域資源的長期調(diào)度優(yōu)化問題，本文未直接采用人工智能技術(shù)進(jìn)行粗暴求解，而是利用李雅普諾夫優(yōu)化對原問題進(jìn)行調(diào)度周期間的解耦，顯著降低了人工智能模型的決策空間，同時(shí)將圖神經(jīng)網(wǎng)絡(luò)與強(qiáng)化學(xué)習(xí)結(jié)合，提升了資源調(diào)度方法的多場景適配性。

參考文獻(xiàn)

［１］ ＣＨＥＮ Ｓ Ｚ，ＬＩＡＮＧ Ｙ Ｃ，ＳＵＮＳ Ｈ，ｅｔ ａｌ． Ｖｉｓｉｏｎ，Ｒｅｑｕｉｒｅｍｅｎｔｓ，ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｔｒｅｎｄ ｏｆ ６Ｇ：Ｈｏｗ ｔｏ Ｔａｃｋｌｅ ｔｈｅＣｈａｌｌｅｎｇｅｓ ｏｆ Ｓｙｓｔｅｍ Ｃｏｖｅｒａｇｅ，Ｃａｐａｃｉｔｙ，Ｕｓｅｒ Ｄａｔａｒａｔｅａｎｄ Ｍｏｖｅｍｅｎｔ Ｓｐｅｅｄ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，２７（２）：２１８－２２８．

［２］ ＡＲＡＮＩＴＩ Ｇ，ＩＥＲＡ Ａ，ＰＩＺＺＩ Ｓ，ｅｔ ａｌ． Ｔｏｗａｒｄ ６Ｇ Ｎｏｎｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｎｅｔｗｏｒｋ，２０２２，３６ （１ ）：１１３－１２０．

［３］ 孫耀華，彭木根． 面向手機(jī)直連的低軌衛(wèi)星通信：關(guān)鍵技術(shù)、發(fā)展現(xiàn)狀與未來展望［Ｊ］． 電信科學(xué)，２０２３，３９（２）：２５－３６．

［４］ 吳曉文，焦偵豐，凌翔，等． 面向６Ｇ 的衛(wèi)星通信網(wǎng)絡(luò)架構(gòu)展望［Ｊ］． 電信科學(xué)，２０２１，３７（７）：１－１４．

［５］ ＡＺＡＲＩ Ｍ Ｍ，ＳＯＬＡＮＫＩ Ｓ，ＣＨＡＴＺＩＮＯＴＡＳ Ｓ，ｅｔ ａｌ． Ｅｖｏｌｕｔｉｏｎ ｏｆ Ｎｏｎｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ ｆｒｏｍ ５Ｇ ｔｏ ６Ｇ：Ａ Ｓｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０２２，２４（４）：２６３３－２６７２．

［６］ 繆德山，柴麗，孫建成，等． ５Ｇ ＮＴＮ 關(guān)鍵技術(shù)研究與演進(jìn)展望［Ｊ］． 電信科學(xué)，２０２２，３８（３）：１０－２１．

［７］ ＬＩＵ Ｓ Ｃ，ＧＡＯ Ｚ，ＷＵ Ｙ Ｐ，ｅｔ ａｌ． ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｎｓｔｅｌｌａｔｉｏｎｓ ｆｏｒ ５Ｇ ａｎｄ Ｂｅｙｏｎｄ：Ｈｏｗ ｗｉｌｌ Ｔｈｅｙ Ｒｅｓｈａｐｅ ＶｅｒｔｉｃａｌＤｏｍａｉｎｓ？［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０２１，５９（７）：３０－３６．

［８］ ＬＩＮ Ｘ Ｑ，ＣＩＯＮＩ Ｓ，ＣＨＡＲＢＩＴ Ｇ，ｅｔ ａｌ． Ｏｎ ｔｈｅ Ｐａｔｈ ｔｏ６Ｇ：Ｅｍｂｒａｃｉｎｇ ｔｈｅ Ｎｅｘｔ Ｗａｖｅ ｏｆ Ｌｏｗ Ｅａｒｔｈ Ｏｒｂｉｔ ＳａｔｅｌｌｉｔｅＡｃｃｅｓｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０２１，５９（１２）：３６－４２．

［９］ ＺＨＡＮＧ Ｊ Ｐ，ＸＩＡ Ｗ Ｃ，ＹＯＵ Ｍ Ｌ，ｅｔ ａｌ． Ｄｅｅｐ ＬｅａｒｎｉｎｇＥｎａｂｌｅｄ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｄｏｗｎｌｉｎｋ Ｂｅａｍｆｏｒｍｉｎｇ ＵｎｄｅｒＰｅｒａｎｔｅｎｎａ Ｐｏｗｅｒ Ｃｏｎｓｔｒａｉｎｔｓ：Ａｌｇｏｒｉｔｈｍｓ ａｎｄ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｄｅｍｏｎｓｔｒａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１９（６）：３７３８－３７５２．

［１０］ＡＬＫＨＡＴＥＥＢ Ａ，ＡＬＥＸ Ｓ，ＶＡＲＫＥＹ Ｐ，ｅｔ ａｌ． Ｄｅｅｐ ＬｅａｒｎｉｎｇＣｏｏｒｄｉｎａｔｅｄ Ｂｅａｍｆｏｒｍｉｎｇ ｆｏｒ Ｈｉｇｈｌｙｍｏｂｉｌｅ ＭｉｌｌｉｍｅｔｅｒＷａｖｅ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１８，６：３７３２８－３７３４８．

［１１］ＺＨＡＮＧ Ｙ，ＬＩＵ Ａ，ＬＩ Ｐ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ （ＤＬ）ｂａｓｅｄＣｈａｎｎｅｌ Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ Ｈｙｂｒｉｄ Ｂｅａｍｆｏｒｍｉｎｇ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｍａｓｓｉｖｅ ＭＩＭＯ Ｓｙｓｔｅｍ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ ＴｈｉｎｇｓＪｏｕｒｎａｌ，２０２２，９（２３）：２３７０５－２３７１５．

［１２］ＨＵ Ｘ，ＬＩＡＯ Ｘ Ｌ，ＬＩＵ Ｚ Ｊ，ｅｔ ａｌ． Ｍｕｌｔｉａｇｅｎｔ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇｂａｓｅｄ Ｆｌｅｘｉｂｌｅ Ｓａｔｅｌｌｉｔｅ Ｐａｙｌｏａｄ ｆｏｒＭｏｂｉｌｅ Ｔｅｒｍｉｎａｌｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０２０，６９（９）：９８４９－９８６５．

［１３］ＡＢＤＥＬＳＡＤＥＫ Ｍ Ｙ，ＫＵＲＴ Ｇ Ｋ，ＹＡＮＩＫＯＭＥＲＯＧＬＵ Ｈ．Ｄｉｓｔｒｉｂｕｔｅｄ Ｍａｓｓｉｖｅ ＭＩＭＯ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｏｐｅｎ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｃｉｅｔｙ，２０２２，３：２１６２－２１７７．

［１４］ＲＡＨＭＡＮ Ｍ Ｈ，ＳＥＪＡＮ Ｍ Ａ Ｓ，ＡＺＩＺ Ｍ Ａ，ｅｔ ａｌ． ＨｙＤＮＮ：Ａ Ｈｙｂｒｉｄ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｆｒａｍｅｗｏｒｋ Ｂａｓｅｄ Ｍｕｌｔｉｕｓｅｒ Ｕｐｌｉｎｋ Ｃｈａｎｎｅｌ Ｅｓｔｉｍａｔｉｏｎ ａｎｄ Ｓｉｇｎａｌ Ｄｅｔｅｃｔｉｏｎ ｆｏｒ ＮＯＭＡＯＦＤＭ Ｓｙｓｔｅｍ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２３，１１：６６７４２－６６７５５．

［１５］ＢＡＩ Ｌ，ＸＵ Ｑ，ＨＵＡＮＧ Ｚ Ｗ，ｅｔ ａｌ． Ａｎ Ａｔｍｏｓｐｈｅｒｉｃ Ｄａｔａｄｒｉｖｅｎ Ｑｂａｎｄ Ｓａｔｅｌｌｉｔｅ Ｃｈａｎｎｅｌ Ｍｏｄｅｌ ｗｉｔｈ Ｆｅａｔｕｒｅ Ｓｅｌｅｃｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｎｔｅｎｎａｓ ａｎｄ Ｐｒｏｐａｇａｔｉｏｎ，２０２１，７０（６）：４００２－４０１３．

［１６］ＢＡＩ Ｌ，ＸＵ Ｑ，ＷＵ Ｓ Ｂ，ｅｔ ａｌ． Ａ Ｎｏｖｅｌ Ａｔｍｏｓｐｈｅｒｅｉｎｆｏｒｍｅｄ Ｄａｔａｄｒｉｖｅｎ Ｐｒｅｄｉｃｔｉｖｅ Ｃｈａｎｎｅｌ Ｍｏｄｅｌｉｎｇ ｆｏｒＢ５Ｇ／６Ｇ ＳａｔｅｌｌｉｔｅＴｅｒｒｅｓｔｒｉａｌ Ｗｉｒｅｌｅｓｓ ＣｏｍｍｕｎｉｃａｔｉｏｎＳｙｓｔｅｍｓ ａｔ Ｑｂａｎｄ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０２０，６９（１２）：１４２２５－１４２３７．

［１７］ＺＨＡＮＧ Ｈ Ｊ，ＳＯＮＧ Ｗ，ＬＩＵ Ｘ Ｎ，ｅｔ ａｌ． ＩｎｔｅｌｌｉｇｅｎｔＣｈａｎｎｅｌ Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ Ｐｏｗｅｒ Ａｄａｐｔａｔｉｏｎ ｉｎ ＬＥＯ Ｃｏｎｓｔｅｌｌａｔｉｏｎ ｆｏｒ ６Ｇ［Ｊ］． ＩＥＥＥ Ｎｅｔｗｏｒｋ，２０２３，３７（２）：１１０－１１７．

［１８］ＡＬ ＨＯＭＳＳＩ Ｂ，ＣＨＡＮ Ｃ Ｃ，ＷＡＮＧ Ｋ，ｅｔ ａｌ． ＤｅｅｐＬｅａｒｎｉｎｇ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｓｔａｔｉｓｔｉｃａｌ Ｍｏｄｅｌｉｎｇ ｆｏｒ Ｑ／ Ｖｂａｎｄ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｈａｎｎｅｌｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＭａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｉｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ，２０２３，１：７８－８９．

［１９］ＹＩＮＧ Ｍ，ＣＨＥＮ Ｘ Ｍ，ＱＩ Ｑ，ｅｔ ａｌ． Ｄｅｅｐ ＬｅａｒｎｉｎｇｂａｓｅｄＪｏｉｎｔ Ｃｈａｎｎｅｌ Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ Ｍｕｌｔｉｂｅａｍ Ｐｒｅｃｏｄｉｎｇ ｆｏｒＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＷｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２４，２３（１０）：１３９４６－１３９６０．

［２０］ＣＨＵ Ｍ，ＬＩＵ Ａ，ＬＡＵ Ｖ Ｋ Ｎ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ Ｂａｓｅｄ ＥｎｄｔｏＥｎｄ Ｍｕｌｔｉｕｓｅｒ Ｃｈａｎｎｅｌ Ｐｒｅｄｉｃｔｉｏｎａｎｄ Ｂｅａｍｆｏｒｍｉｎｇ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，２１（１２）：１０２７１－１０２８５．

［２１］ＺＨＡＮＧ Ｐ，ＰＡＮ Ｌ，ＬＡＯＨＡＰＥＮＳＡＥＮＧ Ｔ，ｅｔ ａｌ． ＨｙｂｒｉｄＢｅａｍｆｏｒｍｉｎｇ Ｂａｓｅｄ ｏｎ ａｎ Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｄｅｅｐ ＬｅａｒｎｉｎｇＮｅｔｗｏｒｋ ｆｏｒ Ｄｏｗｎｌｉｎｋ Ｃｈａｎｎｅｌｓ ｗｉｔｈ Ｉｍｐｅｒｆｅｃｔ ＣＳＩ［Ｊ］．ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２２，１１ （７）：１５４３－１５４７．

［２２］ＺＨＡＮＧ Ｙ，ＡＬＲＡＢＥＩＡＨ Ｍ，ＡＬＫＨＡＴＥＥＢ Ａ． ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ ｏｆ Ｂｅａｍ Ｃｏｄｅｂｏｏｋｓ ｉｎ Ｍｉｌｌｉｍｅｔｅｒ Ｗａｖｅ ａｎｄ Ｔｅｒａｈｅｒｔｚ ＭＩＭＯ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２１，７０（２）：９０４－９１９．

［２３］ＨＵ Ｘ，ＺＨＡＮＧ Ｙ Ｃ，ＬＩＡＯ Ｘ Ｌ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ ＢｅａｍＨｏｐｐｉｎｇ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｎｅｘｔ Ｇｅｎｅｒａｔｉｏｎ ＳａｔｅｌｌｉｔｅＢｒｏａｄｂａｎｄ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｒｏａｄｃａｓｔｉｎｇ，２０２０，６６（３）：６３０－６４６．

［２４］ ＺＨＡＯ Ｄ，ＱＩＮ Ｈ，ＸＩＮ Ｎ，ｅｔ ａｌ． Ｆｌｅｘｉｂｌｅ Ｒｅｓｏｕｒｃｅ Ｍａｎａｇｅｍｅｎｔ ｉｎ Ｈｉｇｈｔｈｒｏｕｇｈｐｕｔ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ：Ａ Ｔｗｏｓｔａｇｅ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｆｒａｍｅｗｏｒｋ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２３，７１ （５）：２７２４－２７３９．

［２５］ＬＩＮ Ｚ Ｙ，ＮＩ Ｚ Ｙ，ＫＵＡＮＧ Ｌ Ｌ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ Ｂｅａｍ Ｐａｔｔｅｒｎ ａｎｄ Ｂａｎｄｗｉｄｔｈ Ａｌｌｏｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉａｇｅｎｔ ＤｅｅｐＲｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｂｅａｍ Ｈｏｐｐｉｎｇ ＳａｔｅｌｌｉｔｅＳｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０２２，７１（４）：３９１７－３９３０．

［２６］ＬＡＮ Ｑ，ＷＥＮ Ｄ Ｚ，ＺＨＡＮＧ Ｚ Ｚ，ｅｔ ａｌ． Ｗｈａｔ ｉｓ ＳｅｍａｎｔｉｃＣｏｍｍｕｎｉｃａｔｉｏｎ？Ａ Ｖｉｅｗ ｏｎ Ｃｏｎｖｅｙｉｎｇ Ｍｅａｎｉｎｇ ｉｎ ｔｈｅ Ｅｒａ ｏｆＭａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄＩｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋｓ，２０２１，６（４）：３３６－３７１．

［２７］ＬＵＯ Ｘ，ＣＨＥＮ Ｈ Ｈ，ＧＵＯ Ｑ． Ｓｅｍａｎｔｉｃ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ：Ｏｖｅｒｖｉｅｗ，Ｏｐｅｎ Ｉｓｓｕｅｓ，ａｎｄ Ｆｕｔｕｒｅ Ｒｅｓｅａｒｃｈ Ｄｉｒｅｃｔｉｏｎｓ［Ｊ ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，２９ （１ ）：２１０－２１９．

［２８］ＤＥＮＧ Ｄ Ｈ，ＷＡＮＧ Ｃ Ｗ，ＸＵ Ｌ Ｘ，ｅｔ ａｌ． Ｓｅｍａｎｔｉｃ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｍｐｏｗｅｒｅｄ ＮＴＮ ｆｏｒ ＩｏＴ：Ｂｅｎｅｆｉｔｓ ａｎｄ Ｃｈａｌｌｅｎｇｅｓ［Ｊ］． ＩＥＥＥ Ｎｅｔｗｏｒｋ，２０２４，３８（４）：３２－３９．

［２９］ＣＨＥＮ Ｗ Ｂ，ＬＩ Ｓ Ｙ，ＪＵ Ｃ，ｅｔ ａｌ． ＳｅｍａｎｔｉｃｅｎｈａｎｃｅｄＤｏｗｎｌｉｎｋ ＬＥＯ Ｓａｔｅｌｌｉｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ ｗｉｔｈ ＯＴＦＳＭｏｄｕｌａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２４，２８（６）：１３７７－１３８１．

［３０］ＣＨＡＵＤＨＡＲＩ Ｍ Ｓ，ＭＡＪＨＩ Ｓ，ＪＡＩＮ Ｓ． ＣＮＮａｔｔｅｎｔｉｏｎＤＮＮ Ｄｅｓｉｇｎ ｆｏｒ ＣＦＯ Ｅｓｔｉｍａｔｉｏｎ ｏｆ ＮｏｎｐｉｌｏｔａｓｓｉｓｔｅｄＯＦＤＭ Ｓｙｓｔｅｍ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２２，２７（２）：５５１－５５５．

［３１］ＮＩＮＫＯＶＩＣ Ｖ，ＶＡＬＫＡ Ａ，ＤＵＭＩＣ Ｄ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇｂａｓｅｄ Ｐａｃｋｅｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｃａｒｒｉｅｒ Ｆｒｅｑｕｅｎｃｙ Ｏｆｆｓｅｔ Ｅｓｔｉｍａｔｉｏｎ ｉｎ ＩＥＥＥ ８０２． １１ ａｈ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２１，９：９９８５３－９９８６５．。

作者簡介：

孫耀華 男，（１９９２—），博士，副教授。主要研究方向：低軌衛(wèi)星通信和無線接入網(wǎng)絡(luò)智能化。

江沭澤涵 男，（２０００—），碩士研究生。主要研究方向：低軌衛(wèi)星通信。

彭木根 男，（１９７８—），博士，教授。主要研究方向：空間信息通信、通感算一體化、霧無線接入網(wǎng)絡(luò)等。

基金項(xiàng)目：國家自然科學(xué)基金（６２３７１０７１）