基于联邦学习的LEO 6G非地面网络束管理
机器学习
2026-03-12 v1 空间物理
摘要
低轨道（LEO）非地面网络（NTN）需要在动态传播条件下实现高效束管理。本文研究了基于联邦学习（FL）的LEO卫星星座中的束选择问题，其中轨道平面作为分布式学习者，通过利用高空平台站（HAPS）实现。我们评估了两种模型，多层感知器（MLP）和图神经网络（GNN），并使用真实的信道和波束赋能数据。结果表明，GNN在束预测精度和稳定性方面优于MLP，尤其在低仰角情况下，为未来NTN部署提供了轻量级且智能的束管理方案。
引用
@article{arxiv.2603.10983,
title = {Federated Learning-driven Beam Management in LEO 6G Non-Terrestrial Networks},
author = {Maria Lamprini Bartsioka and Ioannis A. Bartsiokas and Athanasios D. Panagopoulos and Dimitra I. Kaklamani and Iakovos S. Venieris},
journal= {arXiv preprint arXiv:2603.10983},
year = {2026}
}
备注
2 pages with 2 figures and 1 table. Accepted in 2026 International Applied Computational Electromagnetics Society (ACES) Symposium