基于自适应CSI滤波的多任务深度学习在毫米波大规模MIMO系统中实现联合波束成形与定位

《IEEE Access》：Multi-Task Deep Learning With Adaptive CSI Filtering for Joint Beamforming and Localization

本文针对毫米波大规模MIMO系统中信道状态信息(CSI)高维特性导致的模型训练和推理开销大等问题，提出了一种结合自适应CSI滤波的多任务深度学习框架。研究人员设计了具有可变间距的三角滤波器组和注意力加权机制，有效降低CSI维度并保留判别性特征。实验结果表明，该方法在波束成形任务中达到88.01%的top-1准确率，定位任务中平均误差仅为2.30米，参数数量减少高达88%，为实际毫米波系统提供了轻量化且鲁棒的解决方案。

　　

在5G及未来通信技术的发展浪潮中，毫米波(mmWave)频段与大规模多输入多输出(massive MIMO)技术的结合被视为提升数据速率的关键路径。然而，这种结合也带来了新的挑战——天线数量的增加和带宽的扩大使得信道状态信息(CSI)的维度急剧增长，给基于深度学习的通信应用带来了沉重的计算负担。传统的解决方案或依赖双频段设备获取低频CSI，或通过子载波选择直接降维，但前者需要额外硬件支持，后者则可能丢失关键信道信息。

正是在这样的背景下，韩国世宗大学的研究团队在《IEEE Access》上发表了一项创新研究，提出了一种名为"基于自适应CSI滤波的多任务深度学习"的新方法，旨在同时解决波束成形和用户定位两大核心任务。该方法通过智能滤波和注意力机制，巧妙地在降低计算复杂度和保持性能之间找到了平衡点。

研究人员采用了几个关键技术路径：首先设计了包含五种间距类型(线性、对数、指数、二次和负二次)的三角滤波器组，对CSI幅度进行自适应滤波；其次引入注意力模块动态加权不同滤波器输出；最后构建了基于软参数共享的多任务学习架构，通过并行CNN(卷积神经网络)和注意力门实现任务间自适应信息共享。实验数据来源于DeepMIMO仿真框架的O1室外场景，包含181,000个样本，工作频率为28GHz，带宽500MHz，包含512个子载波。

研究结果充分验证了所提方法的优越性：

自适应滤波器设计有效性验证

通过对比不同滤波器类型的性能表现，研究人员发现自适应滤波器在128个滤波器配置下能达到最佳性能，虽然无滤波器模型在波束成形top-1准确率上略高(91.72% vs 88.01%)，但自适应滤波器在定位误差上表现更优(2.30米 vs 2.91米)，且参数量减少约70%。与PCA(主成分分析)滤波器的对比进一步显示，自适应滤波器在大多数配置下均优于传统降维方法。

多任务学习架构性能优势

与单任务学习(STL)相比，多任务学习(MTL)框架在波束成形任务上表现更优，同时在推理效率上具有明显优势。多任务模型的推理时间仅为0.23毫秒，而两个单任务模型串联需要0.42毫秒。参数数量方面，多任务模型也展现出更高的效率，如在128滤波器配置下，多任务模型参数为986,222，而两个单任务模型总和为1,177,242。

抗噪声性能评估

鲁棒性测试表明，在训练数据中引入10%的噪声样本能显著提升模型在低信噪比(SNR)条件下的性能。虽然纯净数据训练模型在噪声测试集上表现不佳，但加入噪声训练后，模型在较高SNR条件下能接近纯净数据性能，证明了方法的实用价值。

架构消融研究

通过系统性地调整并行CNN分支数量，研究人员发现三并行架构在准确率、定位误差和参数效率方面达到了最佳平衡。虽然单并行架构在top-1准确率上略有优势(78.03% vs 77.91%)，但三并行架构在top-3准确率(95.42%)和定位误差(2.81米)上表现更优，且参数量最小(396,398)。

这项研究的核心价值在于其提出的端到端学习框架成功解决了毫米波大规模MIMO系统中的关键瓶颈问题。自适应滤波器的设计不仅显著降低了CSI数据的维度，还通过注意力机制保留了最具判别性的特征信息。多任务学习架构则充分利用了波束成形和定位任务之间的内在关联，实现了计算资源的共享和效率提升。

特别值得关注的是，该方法在保持竞争力的性能指标同时，将模型参数量降低了高达88%，这在实际部署中意味着更低的硬件要求和能耗成本。此外，模型展现出的抗噪声能力也增强了其在复杂无线环境中的实用性。

从更广阔的视角来看，这项研究为未来无线通信系统的智能化发展提供了重要技术支撑。随着6G研究的逐步展开，集成感知与通信(ISAC)成为重要方向，而本研究正是这一方向的具体实践。通过单一模型同时完成通信优化和位置感知，不仅提高了系统效率，也为实现真正意义上的环境智能通信奠定了基础。

研究人员在论文最后也指出了未来可能的改进方向，如探索不同损失函数权重分配策略以进一步优化多任务平衡，以及将方法扩展到更复杂的信道条件和移动场景中。这些工作将为毫米波通信技术的实际部署提供更加坚实的技术支撑。