基于深度学习的稀疏性感知联合导频优化与时变信道估计方法研究

针对FDD大规模MIMO系统中导频开销过高和时变信道跟踪难题，研究人员提出了一种基于深度学习的联合导频优化与信道估计方法。通过设计稀疏感知神经网络层，结合离线训练与在线更新策略，在降低导频数量的同时显著提升信道估计精度。该成果发表于《Digital Signal Processing》，为动态无线环境下的高效信道获取提供了新思路。

　　

在无线通信领域，大规模多输入多输出(Massive MIMO)技术被视为提升频谱效率的关键，但其性能高度依赖于精确的信道状态信息(CSIT)。特别是在频分双工(FDD)系统中，随着基站天线数量增加，传统信道估计方法面临导频开销爆炸性增长和动态信道跟踪困难的双重挑战。虽然压缩感知(CS)等方案能利用信道稀疏性降低开销，但其计算复杂度阻碍了实时应用。

针对这一瓶颈，Sahand工业大学的研究团队在《Digital Signal Processing》发表创新性研究，提出融合深度学习与稀疏恢复原理的联合解决方案。该方法通过设计特殊的神经网络层，将传统迭代阈值算法展开为可训练模块，实现了导频矩阵优化与时变信道估计的协同处理。

关键技术包括：1) 构建基于L₀范数约束的深度展开网络层；2) 采用两阶段训练策略（离线预训练+在线微调）；3) 利用Kronecker积结构处理多用户场景。测试采用3GPP信道模型和几何信道模型，对比LAMP、OMP等6种基准方法。

研究结果显示：

1. 系统模型：建立FDD下行链路模型，用户接收信号y_k=h_kΦ+n_k，其中Φ∈C^M×T为导频矩阵。通过将信道估计转化为稀疏恢复问题，显著降低所需导频数量T。
2. 网络设计：创新性地将迭代软阈值算法(ISTA)映射为神经网络层，通过可学习参数替代固定阈值，在PilotNet和EstimateNet中实现端到端优化。
3. 性能验证：在20dB信噪比下，归一化均方误差(NMSE)较传统方法降低47%，导频长度缩短60%仍保持同等精度，且时变跟踪速度提升3倍。

结论部分强调，该方法首次实现导频设计与信道估计的深度联合优化，其核心突破在于：1) 通过神经网络参数化传统算法，平衡计算效率与性能；2) 在线更新机制有效适应信道时变特性；3) 稀疏先验的显式编码增强模型泛化能力。这项工作为6G系统中智能信号处理提供了重要范式，其设计思路可扩展至毫米波通信等场景。