一种面向LTE-V2X的联邦学习信道估计算法

作     者：景兴红 尹子松 蔡志镕 何世彪 廖勇 JING Xinghong;YIN Zisong;CAI Zhirong;HE Shibiao;LIAO Yong

作者机构：重庆工程学院电子信息学院重庆400056 重庆大学微电子与通信工程学院重庆400044 

出 版 物：《电讯技术》 (Telecommunication Engineering)

年 卷 期：2021年第61卷第6期

页      面：681-688页

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 

基　　金：国家自然科学基金资助项目(61501066) 重庆市自然科学基金资助项目(cstc2019jcyj-msxmX0017) 

主　　题：车联网 信道估计 深度学习 联邦学习 

摘      要：基于深度学习的信道估计方法中,训练网络模型需要大量的数据运算,且所有用户数据都需要集中上传至服务器上,存在隐私泄漏的隐患。针对上述问题,提出了一种基于联邦学习的LTE-V2X(Long Term Evolution-Vehicle to Everything)信道估计算法,采用CNN-LSTM-DNN(Convolutional Neural Network-Long Short Term Memory-Deep Neural Network)模型对时变的信道进行估计,并将学习网络模型所需要的计算分配到车载用户中,在降低道旁基站负载的同时也保护了车载用户数据的隐私。仿真结果表明,基于联邦学习的信道估计算法在车载用户高速移动的场景下,较传统的信道估计算法平均有10 dB以上的归一化均方误差(Normalized Mean Square Error,NMSE)增益以及3 dB以上的误码率(Bit Error Rate,BER)增益,且较集中式学习算法相比,NMSE性能差距在3 dB以内;BER性能差距在1 dB以内,所提算法能够有效追踪时变的信道,且与集中式学习算法相比仅损失了极少的性能。