摘 要：手機直連低軌衛(wèi)星通信可有效填補數字鴻溝，成為６Ｇ 重要的技術趨勢，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)實時獲取難、非理想射頻下數字波束成形優(yōu)化難以及多域資源高效調度難等挑戰(zhàn)。為克服傳統(tǒng)技術方案的不足，利用人工智能技術，結合通信領域知識，形成涵蓋接入、傳輸和資源調度的手機直連低軌衛(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接入前導檢測、強多普勒下導頻數據非正交傳輸的終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測和星上數字波束魯棒智能成形技術，克服信道狀態(tài)延遲反饋和信號失真影響，同時解決大型相控陣波束權值的高維優(yōu)化問題；提出衛(wèi)星多域資源智能調度方法，實現多復雜約束下有限資源與差異化業(yè)務需求的良好適配。以期為我國衛(wèi)星互聯(lián)網技術體制向智能化演進提供支撐。

關鍵詞：手機直連低軌衛(wèi)星通信；人工智能；信號處理；資源調度

中圖分類號：ＴＮ９１９． ２３ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０６－１０７５－１２

０ 引言

由于５Ｇ 地面網絡無法實現全域覆蓋，如山區(qū)、沙漠、海洋等偏遠地區(qū)，同時難以應對自然災害帶來的緊急情況，ＩＭＴ２０３０ 推進組在６Ｇ 白皮書中提出利用天基網絡實現偏遠地區(qū)、海上、空中覆蓋，進而實現全時全域無縫覆蓋。

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

１ 手機直連低軌衛(wèi)星通信發(fā)展趨勢

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

目前，實現手機直連衛(wèi)星的技術路線包括基于雙模體制的技術方案、面向存量終端的技術方案以及基于３ＧＰＰ 非地面網絡（ＮｏｎＴｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋ，ＮＴＮ）的技術方案。雙模體制方案采用衛(wèi)星通信專用頻段及私有協(xié)議（例如蘋果手機直連ＧｌｏｂａｌＳｔａｒ衛(wèi)星、華為Ｍａｔｅ６０ 直連天通衛(wèi)星），存在產業(yè)鏈規(guī)模受限、技術演進緩慢等問題，而存量終端方案由于無法對手機終端進行改動，極大限制了新技術的應用。相比之下，考慮到３ＧＰＰ 標準產業(yè)支持廣泛等因素，借助ＮＴＮ 及其演進技術進行端到端系統(tǒng)設計，形成基于３ＧＰＰ 協(xié)議的手機直連技術方案，是發(fā)展前景最為廣闊的路線。標準方面，３ＧＰＰ 自Ｒｅｌｅａｓｅ １６ 開始進行相關研究工作，在Ｒｅｌｅａｓｅ １７ 開始進行具體系統(tǒng)設計［６］；中國衛(wèi)星網絡集團有限公司作為總體牽頭，向中國通信標準化協(xié)會提交了關于基于５Ｇ的衛(wèi)星互聯(lián)網總體要求的行業(yè)標準立項申請，以推動手機直連衛(wèi)星的規(guī)模應用。外場測試方面，中國移動聯(lián)合中興通訊等完成了基于Ｒｅｌｅａｓｅ １７ 協(xié)議的技術外場驗證，初步實現了基于地球同步衛(wèi)星和ＩｏＴＮＴＮ 協(xié)議的手機窄帶直連?？紤]到低軌衛(wèi)星軌道資源豐富、星地傳播時延短、路徑損耗小、發(fā)射成本低等優(yōu)勢［７－８］，國外ＡＳＴ ＳｐａｃｅＭｏｂｉｌｅ、ＬｙｎｋＧｌｏｂａｌ、ＳｐａｃｅＸ、Ｏｍｎｉｓｐａｃｅ 等公司重點聚焦手機直連低軌衛(wèi)星通信，爭相搶占技術制高點，部分已發(fā)射了在軌試驗衛(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，但手機直連低軌衛(wèi)星仍面臨如下挑戰(zhàn)：

① 受限于手機終端的天線尺寸和發(fā)射功率，疊加高路徑衰減，手機終端上行傳輸速率低。此外，由于低軌衛(wèi)星相比高軌衛(wèi)星高速運動，導致強多普勒頻移，增加了隨機接入和多址接入的前導和用戶數據檢測難度。如何在點對點鏈路預算嚴重受限和大頻偏下提升手機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挑戰(zhàn)。

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

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

２ 有關技術研究現狀

２． １ 多點協(xié)作技術

為提升小區(qū)邊緣用戶的傳輸速率，地面蜂窩網絡引入了多點協(xié)作技術，包括下行聯(lián)合傳輸和上行協(xié)作接入?？紤]到傳統(tǒng)算法中多點協(xié)作下的波束權值計算復雜度較高，文獻［９］提出了基于深度神經網絡的波束成形算法，而文獻［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網絡的算法。手機直連低軌衛(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，可采用類似地面網絡多基站協(xié)作的通信模式。文獻［１１］采用卷積神經網絡擬合星地ＣＳＩ 與下行多星協(xié)作波束成形的權值的關系。文獻［１２］將多智能體強化學習應用于衛(wèi)星下行協(xié)作傳輸中的帶寬分配。文獻［１３］利用深度神經網絡實現低軌衛(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)作接入信號處理算法，需中心節(jié)點持續(xù)獲取網絡全局信息，存在較大的信令開銷和計算壓力。

２． ２ 導頻和數據非正交疊加傳輸的終端檢測

傳統(tǒng)衛(wèi)星通信中，各用戶的導頻和數據占用正交的時頻資源。為提升有限頻譜資源的利用率，學界圍繞導頻和數據非正交疊加傳輸及接收側的終端檢測開展了一定研究，包括信道估計和數據恢復?，F有導頻數據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制進行算法設計。研究表明，在多用戶檢測中引入人工智能技術，可進一步提升接入成功率。文獻［１４］設計了一種面向地面網絡的用于多用戶上行信道估計和信號檢測的混合深度神經網絡模型，結合了雙向長短期記憶網絡和一維卷積神經網絡，但其在多普勒效應顯著的衛(wèi)星通信場景中可能面臨檢測準確率下降的問題。

２． ３ 信道預測

目前手機直連低軌衛(wèi)星通信主要考慮頻分雙工體制，衛(wèi)星獲取下行ＣＳＩ 需依賴終端根據下行導頻進行信道估計后再上行反饋。由于星地間傳播延遲不可忽略，導致衛(wèi)星獲取的ＣＳＩ 易過期，直接影響衛(wèi)星數字波束成形性能，因此有必要對信道預測技術進行研究。文獻［１５－１６］提出了一種Ｑ 波段衛(wèi)星信道預測模型，利用多層感知機和長短期記憶網絡，通過大氣參數實時估計信道衰減。文獻［１７］提出了一種基于卷積神經網絡的ＣＳＩ 預測方法，實現了對大氣衰減的預測。文獻［１８］利用長短期記憶網絡解決了Ｑ／ Ｖ 波段低軌衛(wèi)星通信信道預測問題，根據星歷信息、降雨量和當前路損預測未來路損。文獻［１９］提出了基于卷積神經網絡和長短期記憶網絡的信道預測方案，實現了根據過時ＣＳＩ 預測下行ＣＳＩ。文獻［２０］提出了一種基于演員－評論家算法的實時ＣＳＩ 預測方法，該算法無需頻繁上行反饋即可準確預測ＣＳＩ。然而，上述研究未考慮星地間上下行信道的相關特性，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行實時信道預測的需求。

２． ４ 非理想射頻硬件下的星上數字波束成形

隨著星載天線陣元數量增多，陣元預編碼權值變化范圍擴大，導致功放工作于非線性區(qū)，造成信號非線性失真。為此，部分學者開展了基于人工智能的非理想射頻硬件下的數字波束成形技術研究。文獻［２１］針對用戶加權和速率等不同優(yōu)化目標提出了基于卷積神經網絡的波束成形算法，并驗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據。文獻［２２］采用Ｗｏｌｐｅｒｔｉｎｇｅｒ 強化學習方法，通過強化學習智能體與環(huán)境間的交互學習碼本選擇?；谌斯ぶ悄艿臄底植ㄊ尚畏椒軌蛟趶碗s度與性能之間取得較好的權衡［２１－２２］。然而，在低軌衛(wèi)星場景下面臨模型設計需考慮功放非線性特征、大規(guī)模相控陣下高維度權值求解困難等問題。

２． ５ 低軌衛(wèi)星網絡的多域資源調度

在低軌衛(wèi)星網絡中衛(wèi)星和地面的相對運動導致衛(wèi)星間重疊覆蓋區(qū)域動態(tài)變化。由于手機終端采用全向天線，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)域顯著擴大，手機用戶的流量需求存在明顯的空時非均勻性。為此需開展聯(lián)合業(yè)務波束跳波位規(guī)劃、波束頻率規(guī)劃與波束功率分配的多域資源調度研究，實現用戶通信需求與有限通信資源的良好匹配。然而，傳統(tǒng)的資源調度算法大部分基于在線迭代優(yōu)化，計算時間無法滿足星地動態(tài)拓撲下的實時資源調度需求。為此，文獻［２３］提出了基于強化學習的跳波束算法，利用其離線訓練、在線部署特性提升實時決策能力。為克服波束圖案多樣性帶來的維數災難，文獻［２０］進一步提出了基于多目標深度強化學習的波束資源調度方案，使用順序動作選擇減少動作空間。文獻［２４－２５］提出了兩階段學習框架，利用多智能體分解資源調度決策空間，同樣可避免動作空間爆炸問題。

３ 手機直連低軌衛(wèi)星智能通信面臨的挑戰(zhàn)

根據上述文獻調研和分析，可以看到學術界已圍繞多星協(xié)作下的信號處理、導頻數據非正交傳輸下的多用戶檢測、信道預測、非理想射頻硬件下的數字波束成形和衛(wèi)星多域資源調度進行了研究，部分文獻通過采用人工智能技術實現了相比傳統(tǒng)方法在通信性能和計算復雜度方面的提升，初步證明了結合人工智能技術的優(yōu)越性。然而，現有研究仍面臨一系列關鍵問題亟待解決，具體如下：

① 現有面向多星上行聯(lián)合接收的基于人工智能的信號處理采用集中式架構，中心節(jié)點計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)同計算能力的智能信號處理方法。

② 手機直連低軌星座寬帶通信場景下，各用戶頻偏差異大，進一步增加了接入檢測難度，亟需結合人工智能技術提出更加可靠的檢測算法。

③ 現有信道狀態(tài)預測主要聚焦利用人工智能技術預測大尺度衰減，對高動態(tài)條件下的實時信道狀態(tài)預測和星上算力限制考慮不足，亟需提出預測能力強且輕量化的信道狀態(tài)智能預測方法。

④ 現有基于人工智能的數字波束成形研究依賴大量先驗數據樣本，同時在模型設計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，波束權值向量維度高，亟需提出對人工智能模型訓練友好的數字波束成形方法。

⑤ 現有基于人工智能的衛(wèi)星多域資源調度方法設計與網絡節(jié)點和資源數量緊密耦合，多場景適應能力弱；同時，未考慮星間波束切換頻率、波位隊列穩(wěn)定性等實際約束，亟需提出滿足多約束且場景適配能力優(yōu)的多域資源智能調度方法。

⑥ 對于人工智能方法在手機直連衛(wèi)星通信場景中的應用，應摒棄傳統(tǒng)簡單粗暴地基于數據集直接訓練的范式，需根據場景的需求和特點針對性選擇人工智能模型；同時，應結合先驗通信和優(yōu)化理論知識，簡化模型復雜度和訓練、部署難度。

４ 人工智能在手機直連衛(wèi)星通信中的應用展望

４． １ 基于語義通信的手機直連衛(wèi)星信息傳輸

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

語義通信在衛(wèi)星通信領域展現出多項潛在優(yōu)勢，尤其是在手機直連衛(wèi)星通信的有限帶寬條件下，語義通信可以傳輸更多有價值的信息，從而提高帶寬利用效率。此外，通過減少傳輸數據量，語義通信可以顯著降低發(fā)射功率需求，從而對手機終端的能耗節(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)獲取需要傳輸的原始數據，這些數據可以是圖像、文本、音頻或其他形式的信息［２９］。其次，上述信息經過深度神經網絡處理，提取輸入信息的語義特征，并根據收發(fā)雙方的共享語義信息庫構建的共享碼本，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)匹配序號作為抽象化的語義信息。這些語義信息被轉化為比特后進行后續(xù)信源與信道編碼，經過無線信道傳輸，在接收端進行譯碼過程。最后，根據語義信息比照共享碼本，并將相應語義特征輸入深度神經網絡進行語義信息恢復，還原發(fā)送信息。

４． ２ 基于人工智能的隨機接入前導檢測

手機終端完成初始下行同步后，從系統(tǒng)信息中解出隨機接入資源信息，再從中隨機選擇時頻資源和前導序列發(fā)起隨機接入。衛(wèi)星基站在前導接收窗內接收到用戶的前導信號，經過去除循環(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序列，與本地前導序列進行互相關運算后計算功率時延譜（Ｐｏｗｅｒ Ｄｅｌａｙ Ｐｒｏｆｉｌｅ，ＰＤＰ）。由于前導序列由ＺａｄｏｆｆＣｈｕ 序列生成，具有良好的自相關和互相關特性且恒包絡，因此只有使用相同根序列的前導序列才會出現相關峰，才可以辨別出使用不同根序列的用戶，進一步可以通過ＰＤＰ 中峰值的位置計算出終端到衛(wèi)星基站的傳播時延，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檢測面臨更大挑戰(zhàn)，具體來說，低軌衛(wèi)星的快速移動會帶來較大的多普勒頻移，導致ＰＤＰ 中出現偽峰以及峰值的降低，干擾定時位置的檢測結果，因此消除頻偏的影響是提高前導檢測性能的關鍵。人工智能技術由于具有良好的泛用性和實時性，可以快速適應多變的衛(wèi)星通信環(huán)境，且通過訓練神經網絡可以挖掘ＰＤＰ 樣本的數據特征，找出ＰＤＰ 數據和載波頻率偏移（Ｃａｒｒｉｅｒ Ｆｒｅｑｕｅｎｃｙ Ｏｆｆ，ＣＦＯ）之間隱含的映射關系，從而使訓練好的神經網絡輸出準確的頻偏估計結果，進而輔助前導檢測。目前，已有不少學者利用人工智能優(yōu)化ＣＦＯ 估計算法，文獻［３０］提出了一種結合卷積神經網絡和深度神經網絡的框架用于ＣＦＯ 估計，文獻［３１］探索了傳統(tǒng)ＣＦＯ 估計算法和基于機器學習的ＣＦＯ 估計算法在性能表現及適用條件方面的差異和優(yōu)勢。但這些研究中的ＣＦＯ估計范圍受限，大頻偏場景難以適用。

為此，本文提出結合聚類和神經網絡的ＣＦＯ 估計方法。具體地，由于ＰＤＰ 在不同ＣＦＯ 影響下呈現稀疏性和規(guī)律性，因此可以采用聚類算法對接收信號的ＰＤＰ 數據進行分類，輸出對應整數倍ＣＦＯ，而神經網絡則通過學習訓練集中的數據特征找出ＰＤＰ 數據和ＣＦＯ 的映射關系，從而估計出小數倍ＣＦＯ?；诰垲惡蜕窠浘W絡的ＣＦＯ 估計方法如圖２所示。線下訓練階段，ＰＤＰ 樣本經過聚類被分為Ｋ 個簇，每簇作為獨立的數據集用于訓練一個神經網絡。線上階段，接收信號的ＰＤＰ 通過聚類被分到第ｋ 簇中，得到整數倍ＣＦＯ，再傳輸到對應的第ｋ 個神經網絡中，預測得到小數倍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，包括數個單天線終端與數顆低軌衛(wèi)星。為支持多星協(xié)作信號處理，采用主－輔星架構，利用一顆中央主衛(wèi)星控制數顆輔衛(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現輔衛(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)信息進行本地接入波束成形權值優(yōu)化。

由用戶信干噪比表達式可知，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)督數據集。因此，考慮采用可求解約束優(yōu)化問題的無監(jiān)督學習框架。具體地，對原優(yōu)化問題進行拉格朗日分析與等價轉換，然后構建包括長期信道特征提取網絡、乘子網絡、波束成形網絡的無監(jiān)督深度學習架構。長期信道特征提取網絡部署于主星上，能夠依據信道協(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。波束成形網絡部署于各輔衛(wèi)星，依據上行估計的瞬時信道狀態(tài)信息更新本地波束成形向量權值。該架構采用初始對偶梯度下降法進行網絡參數更新實現聯(lián)合波束權值設計，增強用戶上行接入速率。

基于主－從式神經網絡結構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絡與乘子網絡的輸入，乘子網絡負責輸出預測的拉格朗日乘子，用于幫助波束成形網絡訓練出優(yōu)異性能的波束權值。信道特征提取網絡輸出信道長期特征，用于和瞬時信道狀態(tài)信息一同作為波束成形網絡的輸入。

所提神經網絡的訓練過程由離線訓練階段和在線執(zhí)行階段組成。離線訓練階段，神經網絡采用對偶隨機梯度方法更新權值。在線執(zhí)行階段，訓練好的波束成形網絡部署于各輔衛(wèi)星，主衛(wèi)星收集各星的長期信道統(tǒng)計特征，并為輔衛(wèi)星提供波束成形控制向量。輔星根據本地瞬時信道狀態(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 強多普勒下導頻數據非正交傳輸的終端智能檢測技術

傳統(tǒng)通信系統(tǒng)中，用戶的導頻、數據占用正交的傳輸資源?？紤]到手機直連低軌衛(wèi)星通信場景下的強多普勒，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頻、數據傳輸機制，并設計了一種相關性較好的導頻序列。導頻序列的生成和檢測都在時延多普勒域平面上，在傳輸時經過轉換，映射到時頻域，與數據符號疊加后發(fā)送，傳輸過程如圖５ 所示。

考慮到用戶數據恢復天然可視為一個監(jiān)督學習任務，為此采用基于傳統(tǒng)檢測思路的多用戶檢測算法構建后續(xù)基于人工智能模型方法使用的有標簽數據集。由于前述設計的導頻符號的生成在時延多普勒域，因此可利用時延多普勒域等效信道的二維卷積特性，設計基于循環(huán)位移相關的高效導頻檢測算法求解權重向量。求解后即可實現從混疊的用戶導頻、數據中恢復用戶的數據，構建出兩個分別用于進行人工智能模型訓練的數據集。手機用戶發(fā)送的數據經過疊加導頻后，通過星地信道傳播被低軌衛(wèi)星接收機接收。為正確恢復原始發(fā)送數據，降低多用戶檢測復雜度，提出一種基于人工智能的多用戶檢測方法，包括導頻神經網絡和數據神經網絡，如圖６所示，導頻神經網絡利用多次迭代結構優(yōu)化檢測和估計結果，而數據神經網絡則以導頻和數據信號為輸入，輸出恢復的數據信號。

導頻神經網絡輸入接收到的導頻信號和導頻神經網絡的先驗信息，通過深度學習網絡，輸出導頻檢測結果。導頻神經網絡由多個迭代單元組成，每個單元根據接收到的導頻信號和前一個單元的輸出，逐步細化檢測和估計結果，并通過最小化所有導頻神經網絡單元的均方誤差加權和來優(yōu)化模型。數據神經網絡在導頻神經網絡的基礎上，輸入接收到的導頻和數據信號以及導頻神經網絡的輸出結果，通過深度學習網絡，對輸入進行進一步處理。

４． ５ 基于人工智能的下行星地信道預測

考慮如圖７ 所示的手機直連低軌衛(wèi)星通信場景，其中衛(wèi)星搭載大規(guī)模相控陣天線，采用數字波束成形為單天線手機用戶進行下行傳輸。頻分雙工體制下，為了使衛(wèi)星側獲取下行信道狀態(tài)，手機終根據下行導頻估計信道，再通過上行鏈路進行信道狀態(tài)反饋。由于星地間傳播時延不可忽略，手機終端反饋的信道狀態(tài)易過期，直接影響衛(wèi)星下行數字波束成形性能?？紤]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)具有潛在相關性。用戶在某一時刻的狀態(tài)與用戶的通信環(huán)境特征密切相關，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)矩陣的映射關系表達式。

考慮到大型相控陣下，陣元數量多，為利用陣元間的空間相關性，基于人工智能的信道狀態(tài)預測模型需將全部陣元的上行歷史信道狀態(tài)作為輸入，將所有陣元當前下行信道狀態(tài)作為預測輸出。鑒于預測問題的復雜程度較高，傳統(tǒng)基于神經網絡的方法需要構建包含大量參數的模型，訓練和推理計算復雜度高，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)網絡進行信道狀態(tài)預測。

深度回聲狀態(tài)網絡是傳統(tǒng)回聲狀態(tài)網絡的擴展，引入了深度學習中層疊結構的概念，提高了處理復雜時間序列的能力。深度回聲狀態(tài)網絡由多個儲備池層疊組成，其結構如圖８ 所示，第一層儲備池的輸入為外部序列，隨后每一層儲備池的輸出作為下一層儲備池的輸入，將儲備池連接至輸出層，并且各儲備層之間的狀態(tài)信息傳輸沒有延遲。相比于傳統(tǒng)遞歸神經網絡，深度回聲狀態(tài)網絡作為輕量化人工智能模型，只需更新輸出層權重，不需要復雜的反向傳播算法，不易出現梯度消失或梯度爆炸等問題。

信道預測模型采用監(jiān)督學習方式訓練，信道狀態(tài)數據通過暗室測試或開放數據集獲取。模型訓練流程如圖９ 所示，采用遺傳算法對儲備池參數的選擇進行優(yōu)化。具體地，把預測的信道狀態(tài)和實際的信道狀態(tài)間的均方根誤差作為適應度函數，把每一組儲備池參數視為一個遺傳算法中的個體，利用遺傳算法以最佳化均方根誤差為目標選擇最佳儲備池參數，儲備池參數包括儲備池規(guī)模、泄露率以及儲備池稀疏程度。在此之后，根據最佳儲備池參數構建信道預測模型，并使用訓練集進行訓練，通過對比預測與真實結果，不斷優(yōu)化模型的輸出權重，獲得最終信道預測模型。

４． ６ 抗功放非線性的星上數字波束智能成形

考慮如圖１０ 所示的低軌衛(wèi)星與多個單天線手機終端構成的通信系統(tǒng)，其中衛(wèi)星搭載相控陣天線，每個陣元對應射頻鏈路上的功放非理想。根據衛(wèi)星側發(fā)射信號表達式，可析出用戶側接收信號信噪比與期望信號、用戶間干擾和用戶接收到的失真信號的關系式，從而得出用戶下行速率表達式，轉而求解星上發(fā)射總功率約束下用戶下行速率最大化問題。

與現有研究思路不同，本文所提數字波束成形權重求解框架包含基于神經網絡的特征提取模塊與波束成形向量復原模塊。特征提取模塊采用卷積神經網絡，能夠依據輸入的信道狀態(tài)信息快速提取低維度特征。波束成形向量復原模塊根據特征提取模塊輸出的特征與先驗知識復原出波束成形向量。由于架構中的神經網絡并不直接輸出高維波束成形向量，避免了高維優(yōu)化難題。模型訓練方面，采用兩階段法對特征提取模塊進行訓練，在一階段訓練中采用監(jiān)督學習的方式使得神經網絡輸出盡可能接近于局部最優(yōu)解，二階段采用無監(jiān)督學習方式針對功放非線性條件進行訓練，對波束成形權重向量求解。

４． ７ 低軌衛(wèi)星網絡的多域資源智能調度

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

在衛(wèi)星位置動態(tài)變化和用戶業(yè)務流量動態(tài)到達下，上述問題是一個復雜的跨多調度周期的混合整數規(guī)劃問題，直接利用人工智能方法求解易導致動作空間爆炸，為此考慮利用李雅普諾夫優(yōu)化將原問題解耦成多個單周期的資源優(yōu)化問題，之后進一步采用人工智能方法對問題進行高效求解。

為實現所提方法在具有不同衛(wèi)星、波位和資源數量的場景間的快速遷移，結合圖神經網絡對于拓撲特征等的適應性與強化學習的優(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度方法。利用圖神經網絡作為前饋神經網絡學習網絡拓撲及其他特征，使用深度Ｑ 網絡作為決策主體，解決每個調度周期中的業(yè)務波束跳波位規(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 結束語

聚焦手機直連低軌衛(wèi)星通信的痛點問題，將人工智能與通信和優(yōu)化理論知識緊密結合，形成一套智能通信解決方案。不同于傳統(tǒng)集中式協(xié)作接入信號處理，本文提出主－輔星分布式架構下基于主－從神經網絡的協(xié)作信號處理方法，減少星間信令開銷與單星計算壓力，同時利用優(yōu)化理論知識對原問題進行轉化，進而提出帶約束的無監(jiān)督訓練方法。為降低強多普勒下非正交接入用戶檢測和隨機接入前導檢測難度，一方面利用通信知識在時延多普勒域進行導頻設計，結合神經網絡學習能力，實現低復雜、高性能檢測；另一方面利用人工智能實現大范圍和高精度的頻偏估計。考慮到傳統(tǒng)基于人工智能的信道預測對上下行信道相關性和模型輕量化考慮不足，分析了信道空時相關性，提出了基于深度狀態(tài)回聲網絡的輕量化下行信道狀態(tài)預測技術，降低信道狀態(tài)過期影響。此外，提出了知識數據協(xié)同的非理想射頻硬件下的數字波束智能成形方法，克服了高維波束權值優(yōu)化挑戰(zhàn)。對于多星多域資源的長期調度優(yōu)化問題，本文未直接采用人工智能技術進行粗暴求解，而是利用李雅普諾夫優(yōu)化對原問題進行調度周期間的解耦，顯著降低了人工智能模型的決策空間，同時將圖神經網絡與強化學習結合，提升了資源調度方法的多場景適配性。

參考文獻

［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． 面向手機直連的低軌衛(wèi)星通信：關鍵技術、發(fā)展現狀與未來展望［Ｊ］． 電信科學，２０２３，３９（２）：２５－３６．

［４］ 吳曉文，焦偵豐，凌翔，等． 面向６Ｇ 的衛(wèi)星通信網絡架構展望［Ｊ］． 電信科學，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 關鍵技術研究與演進展望［Ｊ］． 電信科學，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絡智能化。

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、霧無線接入網絡等。

基金項目：國家自然科學基金（６２３７１０７１）