基于多任务学习的6G NTN基于稀疏码多访问 (SCMA) 接收机
信号处理
2025-06-06 v1
摘要
未来的6G网络旨在以多种不同方式提升用户体验。将现有的陆地网络与非地面网络 (NTN) 组件统一，将为用户提供 ubiquitous 连接性。多访问边缘计算 (MEC) 将实现低延迟服务，计算在靠近终端用户的地方进行，而分布式学习范式也将得到支持。稀疏码多访问 (SCMA) 等高级多访问方案可用于高效地将数据从边缘节点传输到太空 MEC 服务器。然而，SCMA 的非正交特性导致干扰，限制了传统 SCMA 接收机的有效性。因此，应使用稳健的信道码来保护 NTN 链接，这会显著降低上行链路吞吐量。因此，我们调查了将人工智能 (AI) 应用于6G NTN SCMA 接收机的可能性。我们使用多任务学习训练 AI 模型，以最佳方式分离和接收叠加的 SCMA 信号。通过链路级别仿真，我们评估了 AI 模型在接收能量比噪声功率谱密度比 (Eb/N0) 作为函数时，块错误率 (BLER) 和聚合理论吞吐量。我们显示，所提出的接收机在相对于基准算法时，仅需3.5 dB 的 Eb/N0 即可实现10%的目标 BLER。我们得出结论，讨论将 AI 模型在地球低轨卫星上实现的复杂性相关挑战。
引用
@article{arxiv.2506.05111,
title = {An SCMA Receiver for 6G NTN based on Multi-Task Learning},
author = {Bruno De Filippo and Carla Amatetti and Riccardo Campana and Alessandro Guidotti and Alessandro Vanelli-Coralli},
journal= {arXiv preprint arXiv:2506.05111},
year = {2025}
}
备注
Presented at 2024 IEEE Globecom Workshops