在毫米波（mmWave）多用户多输入多输出（MU-MIMO）系统中，混合波束成形（HBF）通过结合高增益模拟波束成形与灵活的数字波束成形，仅需少量专用射频（RF）链即可显著降低硬件成本与功耗，同时展现出优异的频谱效率与系统容量。相较于以往针对单用户或单输出系统的研究，研究人员成功将HBF设计扩展至MU-MIMO场景。受人工智能（AI）在HBF优化设计中应用的启发，研究人员提出了一种多尺度异构注意力神经网络（MHANN），可直接将信道状态信息（CSI）映射至联合优化的混合预编码矩阵。MHANN的核心为多尺度异构注意力机制（MSHAM），其融合多尺度卷积与通道、空间注意力机制，高效提取CSI中的代表性特征。此外，研究人员精心设计了基于动态加权混合损失函数的训练策略，通过动态调整损失权重，实现从模仿最优预编码器到最大化频谱效率的平滑过渡，确保收敛稳定性与系统性能。仿真结果表明，所提MHANN方法取得了极具竞争力的频谱效率，优于多种基于深度学习的框架与传统HBF算法。同时，MHANN在不同毫米波信道、路径数估计误差及导频噪声功率比（PNR）条件下均表现出良好的适应性，验证了其在无线通信系统中的实际应用潜力。
论文解读
《Digital Signal Processing》刊发的该研究聚焦毫米波多用户MIMO系统混合波束成形优化难题。当前，毫米波通信凭借大带宽优势成为下一代移动通信核心技术，但高频段信号路径损耗大，需大规模天线阵列实现高波束赋形增益；全数字波束成形需与天线数等量的射频链，硬件成本与功耗极高，混合波束成形通过模拟与数字波束成形结合，仅用少量射频链即可平衡性能与开销，成为实用化核心方案。然而，混合波束成形面临两大瓶颈：一是模拟域受移相器恒模约束，数字与模拟预编码器强耦合，联合优化为非凸复杂问题，传统优化算法难以高效求解全局最优；二是实际场景中精确信道状态信息难以获取，现有方法多假设理想信道条件，实用性受限。此外，多数深度学习方案未充分挖掘信道物理特征，训练目标单一导致收敛不稳定，部分架构在线时延过高，难以适配动态多用户场景。针对上述挑战，研究人员开展了基于多尺度异构注意力神经网络的混合波束成形优化研究，最终实现了频谱效率提升与多场景稳定适配，为毫米波系统落地提供了新思路。
研究人员采用三类关键技术方法：一是构建部分连接混合波束成形系统模型，以64天线基站服务4个双天线用户、每用户2数据流为典型配置，覆盖视距主导几何信道、窄带稀疏多径信道、簇散射信道三类毫米波场景；二是设计多尺度异构注意力神经网络（MHANN），核心集成多尺度卷积、通道注意力与空间注意力，配套Delta层满足恒模约束、Lambda层聚合复数数字预编码矩阵；三是提出动态加权混合损失训练策略，初始阶段以模仿奇异值分解（SVD）最优预编码器为主，逐步过渡至直接最大化频谱效率，平衡收敛稳定性与最终性能。
系统模型与问题建模
研究人员构建部分连接窄带下行多用户MIMO混合波束成形架构，基站配备Nt =64天线与Nt RF 条射频链（Nt RF <Nt ），服务K=4个用户，每个用户配备Nr =2天线与Nr RF 条接收射频链，每用户接收Ns =2路独立数据流，总数据流数为KNs 。在此架构下，以最大化系统和速率（频谱效率）为目标，明确模拟预编码器需满足移相器恒模约束，数字预编码器需匹配多用户干扰抑制需求，形成非凸联合优化问题。
基于MHANN的混合波束成形优化
研究人员提出端到端MHANN框架，直接将估计CSI映射为混合预编码矩阵，无需分步优化。核心模块多尺度异构注意力机制（MSHAM）通过多尺度卷积捕捉信道不同粒度的空间特征，通道注意力筛选关键信道维度，空间注意力聚焦有效传播路径，三者协同提取高判别性CSI表征。训练中，动态加权混合损失函数按迭代进度调整权重：前期侧重最小化预测预编码器与SVD最优预编码器的均方误差，保障训练初期稳定收敛；后期侧重最小化负频谱效率，直接以系统终极性能指标为优化目标，实现参数精细调优。
性能评估
仿真结果显示，MHANN在三类毫米波信道下的频谱效率均优于传统正交匹配追踪（OMP）、流形优化交替最小化（MO-AltMin）等算法，以及现有深度学习基准框架。在低导频噪声功率比（PNR）与路径数估计误差场景下，MHANN性能下降幅度显著低于对比方法，验证了对信道不确定性的鲁棒性；训练收敛速度较单目标训练方案提升约30%，且在线推理时延满足实时通信需求。
结论与未来工作
研究人员证实，所提MHANN方案可有效解决实际系统中CSI不精确与硬件约束带来的优化难题，MSHAM的特征提取能力与动态损失策略的训练稳定性是其性能优势的核心来源。该成果为毫米波MU-MIMO系统混合波束成形设计提供了低复杂度、高适应性的深度学习范式，可支撑未来6G高频通信系统的实用化部署。未来研究方向包括扩展至宽带OFDM场景、适配智能反射面辅助的复杂拓扑、进一步降低模型参数量以适配边缘设备。
CRediT作者贡献声明
Kun Chen负责概念化、方法论、软件实现、验证、形式分析、调研、数据管理、初稿撰写与可视化；Hongwei Ding负责概念化、资源协调、稿件评审与编辑、 supervision、项目管理与经费获取；Chengmin Li负责方法论、形式分析与稿件评审编辑；Qiang Xiao负责软件实现、数据管理与验证；Zhijun Yang负责资源协调、形式分析与验证。
利益冲突声明
所有作者声明不存在可能影响本研究客观性的已知竞争性财务利益或个人关系。
打赏
