基于混合SNR与场景联合训练策略的深度残差收缩网络在大规模MIMO信道估计中的应用研究

《Journal of Systems Engineering and Electronics》：Deep Residual Systolic Network for Massive MIMO Channel Estimation by Joint Training Strategies of Mixed-SNR and Mixed-Scenarios

本文针对5G大规模MIMO系统信道估计精度不足和计算复杂度高的问题，提出了一种基于深度残差收缩网络（DRSN）的智能估计方法。通过混合信噪比（SNR）和混合场景联合训练策略，该方法在有限数据集下实现了全SNR范围的性能提升，显著优于传统MMSE估计器，并展现出多场景鲁棒性，为复杂通信环境下的实时信号处理提供了新思路。

　　

随着第五代移动通信技术（5G）的快速发展，低延迟和高可靠性成为物理层设计的核心挑战。与传统4G系统相比，5G新空口（NR）通过灵活的帧结构和调度机制显著降低了传输延迟，但大规模多输入多输出（MIMO）系统的引入却带来了新的难题。当天线数量急剧增加时，信道矩阵的维度随之膨胀，传统信道估计方法在进行矩阵求逆等操作时会产生平方级计算复杂度，这不仅增加了信号处理开销，更难以满足5G NR对低处理延迟的严苛要求。因此，探索低复杂度、低延迟且高性能的大规模MIMO信道估计方法已成为当前通信领域的研究热点。

传统信道估计方法如最小二乘（LS）和最小均方误差（MMSE）在复杂信道模型中往往表现不佳。前者对噪声敏感，后者需要已知信道统计特性且计算量大。尽管有研究尝试通过毫米波信道的稀疏特性或张量分解来优化估计过程，但这些方法仍受限于实时处理能力和模型适应性。近年来，机器学习（ML）技术为信道估计提供了新思路。深度学习（DL）能够从数据中端到端地挖掘特征信息，在MIMO-OFDM系统中展现出巨大潜力。例如，空间频率卷积神经网络（SF-CNN）利用相邻子载波的空间-频率相关性进行联合估计，但其简单堆叠的卷积层结构限制了去噪能力的进一步提升。

南京航空航天大学航天学院的孙萌、景庆峰*和钟伟智团队在《Journal of Systems Engineering and Electronics》发表的研究中，创新性地将深度残差收缩网络（DRSN）应用于大规模MIMO信道估计。该网络最初用于振动信号诊断，其核心优势在于能够通过注意力机制和软阈值函数对含噪声数据进行特征学习。研究团队首先将初步估计的相邻子载波信道矩阵组织为三维张量作为DRSN输入，随后提出混合SNR训练策略，以高SNR数据为主、低SNR数据为辅，充分利用DRSN在不同信噪比下的去噪特性。此外，通过联合训练城市微小区（UMi）和城市宏小区（UMa）等多种传播场景（包括非视距NLoS、视距LoS和室外到室内O2I），验证了方法的跨场景鲁棒性。

关键技术方法包括：基于最小二乘（LS）初步估计生成训练数据；构建具有残差收缩单元（RSBU）的DRSN网络结构，其中注意力机制分配特征权重，软阈值函数（式9-10）抑制噪声特征；采用混合SNR数据分配策略（如表6所示）优化训练集；利用3GPP TR 38.901标准生成多场景信道数据（参数详见表1-2）；通过归一化均方误差（NMSE）指标对比DRSN与MMSE、SF-CNN的性能差异。

研究结果方面，系统模型（第2节）明确了上行大规模MIMO-OFDM框架，其中信道矩阵H_k（式4）由多径增益、时延和角度参数共同建模。DRSN估计流程（第3节）显示，网络通过零填充（ZP）卷积和RSBU-ReLU-BN模块（图2-3）逐步提取特征，最终输出层使用Tanh激活函数生成复信道矩阵。

数值仿真（第4节）表明，DRSN在混合SNR训练策略下显著优于对比方法。当SNR=-10 dB时，DRSN的NMSE（0.321）较MMSE（0.803）降低60%；在10 dB高信噪比下仍保持优势（0.0313 vs 0.0372）。图5-6进一步揭示，以高SNR数据为主的训练策略（DRSN-3）能同时提升高、低SNR性能。多场景鲁棒性测试（图8-10）中，DRSN在UMa和LoS场景下学习能力最强，其平均NMSE曲线全面优于SF-CNN，尤其在中等SNR区间优势明显。

结论部分强调，DRSN通过软阈值和注意力机制增强了噪声特征学习能力，混合训练策略有效解决了实际环境中数据开销问题。该方法不仅规避了矩阵求逆和信道自相关矩阵获取的难点，其模块化设计还可迁移至其他信号处理领域。未来工作可结合复杂场景识别技术，进一步挖掘信道统计特性以优化网络架构。

本研究为智能通信信号处理提供了新范式，其核心价值在于将传统去噪算法思想与深度学习框架深度融合，通过可解释的神经网络设计实现了性能与复杂度的平衡，对6G演进中的实时信道估计技术具有重要参考意义。