一种面向LTE-V2X的联邦学习信道估计算法

来源：电讯技术杂志2021年第6期北京时间：

作者：景兴红,尹子松,蔡志镕,何世彪,廖勇

单位：(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)

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。

关键词：车联网；信道估计；深度学习；联邦学习；

基金资助：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）