基于循环Transformer的UM-MIMO太赫兹宽带混合场信道估计方法研究
《IEEE Access》:Recurrent Transformer-Based Near-and Far-Field THz Wideband Channel Estimation for UM-MIMO
【字体:
大
中
小
】
时间:2025年12月11日
来源:IEEE Access 3.6
编辑推荐:
本文针对6G网络中太赫兹频段与超大规模多输入多输出(UM-MIMO)系统面临的混合场(近场与远场共存)信道估计难题,提出了一种基于块循环Transformer(BRT)的深度学习框架。该研究通过引入具有状态记忆的单一Transformer块进行迭代优化,实现了在混合波束成形架构下对THz UM-MIMO信道的精确估计。仿真结果表明,所提方法在窄带和宽带场景下的归一化均方误差(NMSE)分别比现有先进技术提升约5 dB和7.5 dB,显著提高了信道估计精度并展现出优异的泛化能力,为6G超高速通信系统的实际部署提供了关键技术支撑。
随着第六代移动通信系统(6G)研发进程的加速,对更高数据速率、更低延迟和更大连接密度的需求日益迫切。太赫兹频段(THz)和超大规模多输入多输出(UM-MIMO)技术被视为6G的关键使能技术,它们能提供前所未有的带宽和空间复用能力。然而,这些技术也带来了新的挑战:当天线孔径增大和载波频率提高时,瑞利距离随之增加,导致用户设备可能同时位于天线的近场区和传统的远场区。这种混合场传播环境使得信道特性变得更加复杂,传统的基于平面波假设的远场信道估计方法性能急剧下降。此外,UM-MIMO系统中采用的混合波束成形架构可减少昂贵的射频链数量,但也限制了可用于信道估计的数字化链数量,进一步增加了准确估计信道的难度。
在混合场环境中,近场传播遵循球面波前模型,每个天线单元与信号源之间的精确距离都会影响信道响应;而远场传播仍可近似为平面波前模型。这种波前模型的差异导致传统的离散傅里叶变换码本在近场场景下会产生泄漏效应,降低信道估计精度。虽然已有研究提出了基于压缩感知、参数估计等传统方法,以及一些基于深度学习的解决方案,但在处理混合场效应、宽带操作和不同散射环境时,这些方法的性能仍有待提高。
为了解决这些挑战,发表在《IEEE Access》上的这项研究提出了一种创新的基于块循环Transformer的混合场信道估计方法。该方法的核心思想是利用Transformer强大的序列建模能力,结合循环神经网络的记忆机制,通过迭代方式逐步细化信道估计结果。
研究人员采用了几个关键技术方法:首先,设计了块循环Transformer架构,将Transformer与循环神经网络相结合,通过垂直方向(层间)和水平方向(时间步)的联合处理捕获信道中的复杂依赖关系;其次,采用在线数据集生成策略,为每个训练周期生成新的信道响应和测量数据,有效防止过拟合并提高模型泛化能力;第三,将正交频分复用系统中的子载波视为序列标记,利用多头自注意力机制捕捉子载波间的频谱依赖性,实现宽带信道估计;最后,通过引入可学习的标量参数和残差校正机制,使模型能够迭代优化信道估计结果。
系统模型与问题表述方面,研究考虑了部分连接的混合波束成形结构,其中基站由多个天线子阵列组成,每个子阵列包含多个天线单元,且每个子阵列通过模拟移相器连接到单个射频链。信道响应建模为多条传播路径的叠加,考虑了分子吸收损耗、反射损耗等太赫兹频段特有传播特性。上行链路信道估计问题被表述为从受到噪声污染的观测信号中恢复原始信道向量的问题,以归一化均方误差作为性能评估指标。
块循环Transformer混合场UM-MIMO太赫兹信道估计方法的核心创新在于其独特的架构设计。BRT细胞通过自注意力和交叉注意力机制在垂直方向上处理输入标记嵌入和当前状态,生成输出嵌入;在水平方向上更新隐藏状态,通过门控机制控制信息流动。整个模型由多个BRT细胞垂直堆叠形成BRT块,该块在多个时间步上循环应用,保持可训练参数数量不变的同时,通过迭代校正逐步提高估计精度。
训练过程与仿真设置方面,研究采用了在线数据集生成方法,每个训练周期生成50万个训练样本和5万个验证样本,在0-20 dB的信噪比范围内进行训练。使用AdamW优化器最小化NMSE损失函数,训练150个周期。模型参数包括:深度Nl=3、隐藏维度Nh=2048、注意力头数Nheads=1、循环迭代次数Nt=5。
评估性能结果显示,与最小二乘法、正交匹配追踪、正交近似消息传递、快速迭代软阈值算法、期望最大化高斯估计一致性、ISTA-Net+和FPN-OAMP等现有方法相比,提出的BRT方法在整个SNR范围内均表现出最优性能。特别是在15 dB信噪比下,BRT的NMSE比当前最先进的深度学习解决方案FPN-OAMP低约5 dB。
模型的泛化能力改进是本研究的重要贡献之一。研究验证了BRT模型对不同散射体分布、不同传播路径数和宽带场景的适应性。通过改变散射体距离分布,分析了模型在混合场信道中对不同近场-远场路径比例的鲁棒性。结果表明,即使散射体分布范围发生变化,BRT仍能保持优越性能。此外,通过训练时使路径数L在2到7之间随机变化,进一步提高了模型对不同信道条件的适应能力。
宽带信道估计方面,研究将BRT模型扩展至包含32个子载波、带宽为15 GHz的OFDM系统。通过将子载波维度处理为输入标记序列,利用注意力机制捕获频域相关性,有效解决了宽带系统中的波束倾斜和频率选择性衰落问题。结果表明,BRT在宽带场景下的性能甚至优于窄带场景,特别是在低信噪比条件下,NMSE比FPN-OAMP低约7.5 dB。
研究还分析了模型的推理时间效率,比较了BRT与FPN-OAMP在不同批大小和子载波配置下的前向传播时间。结果表明,在大批处理量和多子载波场景下,BRT具有更优的每样本推理时间,使其更适合大规模部署场景。
超参数敏感性分析探讨了循环迭代次数、注意力头数和模型深度对性能的影响。随着Nt增加,模型性能提高并在五次迭代后趋于饱和;增加注意力头数和模型深度也能提升估计精度,但需要权衡计算复杂度。
带宽和波束倾斜敏感性研究表明,BRT模型通过子载波标记化注意力利用子载波间相关性,有效缓解了波束倾斜引起的失真。虽然模型在训练带宽下性能最优,但通过微调可适应不同带宽条件。
研究结论部分强调,提出的基于块循环Transformer的信道估计方法在混合场太赫兹UM-MIMO系统中实现了突破性性能。该方法不仅显著优于现有解决方案,而且展现出对多变信道条件的强大适应能力。通过单一模型权重集合在20 dB信噪比范围内保持优越性能,证明了其在实际部署中的潜力和可靠性。虽然研究聚焦于太赫兹混合场宽带场景,但BRT架构具有通用性,可通过重新训练应用于其他频段和纯远场模型。未来研究方向包括进一步分析和优化模型计算复杂度,以及探索在更广泛的大规模MIMO系统中的应用可能性。
这项研究为6G超高速通信系统的实际部署提供了重要的技术支撑,特别是在处理大规模天线阵列和高频段通信带来的混合场效应方面提供了创新解决方案。通过深度学习与传统信号处理方法的有机结合,为未来无线通信系统的智能化和自适应化发展指明了方向。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号