卫星功放失真下的自监督图学习预编码

基于摘要分析。本文研究下行多输入单输出（MISO）卫星系统中，如何在非线性相关功率放大器（PA）失真下满足用户服务质量（QoS）约束，并降低 PA 消耗功率。核心贡献是构建物理驱动的自监督图学习流程，联合设计失真感知预编码与接入控制，而不依赖昂贵优化器生成的监督标签。 方法上，作者使用 modified Rapp 功放模型的可微 Itô-Hermite 表示，将非线性功放特性纳入图神经网络（GNN）的端到端自监督优化。GNN 输出失真感知预编码器，随后用其初始化低复杂度的失真感知信号—干扰—失真比（SINDR）跟踪算法，进一步联合优化功率与接入控制。该流程的特点是将学习得到的初始解与后续物理约束优化衔接，而非仅由网络直接给出最终配置。 作者报告，在所评估的卫星系统设置下，该流程的功耗表现接近基于逐次凸近似（SCA）的方案，同时运行更快，且训练覆盖较宽的运行范围。摘要未提供具体功耗差值、运行时间、系统规模或测试划分；实验协议、消融及统计信息尚未验证，QoS 可行性、接入用户数量与功耗之间的权衡也需结合全文核对。 原论文的主要对象是卫星通信中的功放非线性与资源配置，并非 EEG 解码或 BCI。现有材料未建立其物理失真模型与神经信号处理之间的具体对应关系，因此不据此推断 BCI 有效性或提出迁移复现实验。