⚡ electrical engineering

PARAFAC-Based Channel Estimation for Beyond Diagonal Reconfigurable Surfaces

本文针对非对角可重构智能表面（BD-RIS）辅助 MIMO 系统中的信道估计难题，提出了一种基于 PARAFAC 张量模型的两时隙导频辅助框架及 PALS 接收机，通过固定互连拓扑仅更新相移，在显著降低硬件复杂度的同时实现了优于传统最小二乘法的信道估计精度。

原作者： Gilderlan Tavares de Araújo, Bruno Sokal, André L. F. de Almeida

发布于 2026-03-30

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Gilderlan Tavares de Araújo, Bruno Sokal, André L. F. de Almeida

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文主要解决的是未来无线通信（比如 6G）中的一个大难题：如何更聪明、更省钱地“看清”信号在智能反射表面上的路径。

为了让你轻松理解，我们可以把整个系统想象成一个巨大的、会魔法的镜子阵列，而我们的目标是让这面镜子把信号完美地反射到接收端。

1. 背景：什么是“超对角智能表面”（BD-RIS）？

想象一下，传统的智能反射表面（RIS）就像一面由许多小镜子组成的墙。以前，这些小镜子只能各自独立地调整角度（就像每个人只能自己转头），这叫“对角”结构。

但这篇论文研究的BD-RIS（超对角智能表面）更厉害：这些小镜子之间是互相连接的。就像一群手拉手的人，他们不仅能自己转头，还能互相配合，形成一个更复杂的整体动作。这种“手拉手”的机制能让信号反射得更好，传输距离更远。

但是，这里有个大麻烦：
因为大家手拉手，关系太复杂了。如果你想搞清楚信号是怎么从发射端传过来，又怎么反射过去的（也就是“信道估计”），你需要知道每一对镜子之间是怎么连接的。

旧方法的问题：以前的做法是，为了摸清这些关系，每次训练时，都要把镜子之间的“手拉手”连接方式彻底重新编排一遍。这就像为了搞清楚一群人的配合，你每次都要让他们重新换搭档、重新排位置。这不仅太累（硬件控制成本高），而且太慢（训练时间太长）。

2. 核心创意：像“乐高积木”一样固定结构

这篇论文的作者想出了一个绝妙的办法：不要每次都重新搭积木，而是只换“颜色”。

他们提出了一种新的设计思路，基于一种叫 PARAFAC 的数学模型（你可以把它想象成一种**“固定骨架 + 可变皮肤”**的结构）：

固定骨架（Interconnection Topology）：他们把镜子之间的连接方式（谁和谁手拉手）设计成一种低维度的、固定的模式。就像乐高积木的底板，一旦搭好，在整个训练过程中永远不变。这大大降低了硬件控制的难度，因为不需要频繁地重新布线。
可变皮肤（Phase Shifts）：虽然连接方式不变，但他们可以灵活地调整每个镜子的“相位”（可以理解为镜子的反光角度或颜色）。这就像在固定的乐高底板上，只更换不同颜色的积木块。

比喻：
想象你在指挥一个合唱团。

旧方法：为了训练，你每次都要让歌手们重新分组、重新站队，甚至重新分配谁和谁合唱。这太乱了，指挥累得半死。
新方法（本文）：你规定好固定的分组（比如每 5 个人一组，永远不变），你只需要指挥他们改变唱歌的音调（相位）。这样，合唱团依然能唱出完美的和声，但指挥起来简单多了。

3. 他们是怎么做到的？（PALS 接收机）

为了利用这种“固定骨架”的优势，作者设计了一个叫 PALS（基于 PARAFAC 的交替最小二乘法）的接收算法。

它的作用：就像是一个超级侦探。虽然它只看到了最终反射回来的信号（而且信号里混杂着噪音），但它利用数学上的“唯一性”原理，能够把信号“拆解”开来。
拆解过程：它能分别算出：
1. 信号从发射端到镜子的路径（H）。
2. 信号从镜子到接收端的路径（G）。
3. 镜子本身的反射特性。
为什么有效：因为作者把镜子的连接方式设计成了特殊的数学结构（低秩模型），这种结构就像给信号加了一个“指纹”，让侦探很容易把混杂在一起的信息分离开，而且不需要每次都重新调整镜子的连接。

4. 结果怎么样？

作者通过大量的计算机模拟实验证明了他们的方法非常棒：

更准：它的估算精度比传统的“盲目猜测”方法（LS）要好得多，甚至和那些需要频繁重连镜子的“高科技”方法（BTALS/BTKF）一样准。
更省：这是最大的亮点。因为它不需要频繁改变镜子的连接方式，所以硬件控制变得非常简单，就像不用每次都重新装修房子，只需要换换窗帘一样。
更省时间：需要的训练次数（块数）更少，意味着通信系统能更快地进入工作状态。

总结

这篇论文的核心贡献就是：用一种“固定连接、灵活调整”的聪明设计，解决了超复杂智能反射表面难以控制的难题。

它告诉我们，不需要每次都把系统“推倒重来”才能看清信号。只要设计好底层的数学结构，保持连接不变，只微调相位，就能既看得清（高精度），又管得着（低复杂度）。这让未来的 6G 智能反射表面技术从“实验室里的复杂玩具”变成了“真正可以落地的实用设备”。

这是一份关于论文《PARAFAC-Based Channel Estimation for Beyond Diagonal Reconfigurable Surfaces》（基于 PARAFAC 的超对角可重构智能表面信道估计）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
可重构智能表面（RIS）是未来无线网络的关键技术，能够软件化地操控传播环境。然而，在 RIS 辅助的 MIMO 系统中，信道估计是一个主要瓶颈。由于 RIS 的无源特性以及级联链路的巨大维度，导频设计和参数恢复极具挑战性。

核心痛点：

超对角 RIS (BD-RIS) 的复杂性： 传统的对角 RIS 元素间无耦合，而 BD-RIS（包括组连接和全连接架构）通过元素间的丰富耦合实现了更大的性能增益。但这种耦合使得训练和硬件控制变得异常困难。
现有方法的局限性：
- 现有的估计器要么仅针对级联信道（无法分离发射端-RIS 和 RIS-接收端信道），要么需要在每个训练块（Block）中重新配置 BD-RIS 的互连拓扑（即重新设计散射结构）。
- 这种“逐块重配置”（block-by-block reconfiguration）导致硬件控制成本高昂，难以在实际中部署。
未解决的问题： 如何同时实现：(i) 个体信道的精确估计；(ii) 低训练开销；(iii) 硬件可行且重配置受限的 BD-RIS 操作。

2. 方法论 (Methodology)

本文提出了一种基于导频辅助的张量框架，专门用于组连接（group-connected）BD-RIS 系统，并采用双时间尺度协议。

核心创新设计：

固定拓扑的 PARAFAC 建模：
- 将 BD-RIS 的训练结构建模为低秩的 PARAFAC（平行因子分解） 张量模型。
- 关键策略： 保持 BD-RIS 的互连拓扑（Interconnection Topology）在所有训练块中固定不变，仅更新每个块的相位系数（低维因子矩阵）。
- 这与以往需要逐块重新设计完整散射张量的方法形成鲜明对比，极大地降低了硬件实现的复杂度。
信号模型构建：
- 接收到的导频信号被构建为一个三阶张量 $\mathcal{Y}$ 。
- 利用 PARAFAC 分解，将接收张量表示为三个因子矩阵的乘积形式： $\mathcal{Y} = \mathcal{I} \times_1 \mathbf{G}\mathbf{P}_1 \times_2 \mathbf{X}\mathbf{H}\mathbf{P}_2 \times_3 \mathbf{P}_S$ 。
- 其中， $\mathbf{G}$ 和 $\mathbf{H}$ 分别代表 RIS-接收端和发射端-RIS 的信道矩阵， $\mathbf{P}_1, \mathbf{P}_2$ 是固定的空间因子， $\mathbf{P}_S$ 是随块变化的相位因子。
PALS 接收机 (PARAFAC Alternating Least Squares)：
- 基于上述张量结构，开发了一种PARAFAC 交替最小二乘法 (PALS) 接收机。
- 该算法通过交替更新 $\mathbf{G}$ 和 $\mathbf{H}$ 的估计值（利用张量的不同模式展开），迭代求解最小二乘问题，从而解耦并恢复个体信道。
- 利用了 PARAFAC 分解的唯一性性质，为信道估计的可识别性提供了充分必要条件。

3. 主要贡献 (Key Contributions)

硬件友好的训练框架： 提出了一种新的 BD-RIS 训练设计，通过固定互连拓扑仅更新相位，解决了现有张量方法中硬件重配置负担过重的问题，使 BD-RIS 在实际系统中更具可行性。
PALS 算法与可识别性分析：
- 推导了基于 PARAFAC 的交替最小二乘（PALS）接收机，能够高效恢复个体信道。
- 严格推导了信道估计的可识别性条件（Identifiability Conditions），证明了在满足特定块数 $K$ 和秩的条件下，信道可以被唯一恢复。
- 指出所需的训练块数 $K$ 仅需满足 $K \geq \bar{N}Q/M_R$ ，优于传统方法（如 LS 或 BTALS）所需的 $K \geq \bar{N}^2Q$ 。
复杂度显著降低： 相比于需要调整 $\bar{N}^2K$ 个散射系数的传统方法，PALS 仅需调整 $(2\bar{N} + K)\bar{R}$ 个参数（其中 $\bar{R}$ 为秩），随着块数增加，其设计复杂度优势更加明显。

4. 实验结果 (Results)

通过数值仿真，将提出的 PALS 方法与最小二乘法（LS）、BTALS 和 BTKF 等现有方法进行了对比：

估计精度：
- PALS 在归一化均方误差（NMSE）方面显著优于传统的 LS 方法。
- PALS 的估计精度与最先进的张量接收机（BTALS/BTKF）相当，证明了低秩 PARAFAC 设计并未牺牲估计质量。
- 随着组数（Groups）的增加（即秩增加），估计性能进一步提升，体现了分集增益。
复杂度与可行性：
- 图 1 展示了设计复杂度的对比，PALS 所需的参数调整数量远少于竞争对手。
- 由于不需要逐块重配置硬件连接，PALS 大大降低了控制复杂度和硬件实现难度。

5. 意义与结论 (Significance)

理论与实践的桥梁： 该研究成功解决了 BD-RIS 信道估计中“高性能”与“硬件可行性”之间的矛盾。它证明了通过结构化张量建模（PARAFAC），可以在不牺牲估计精度的前提下，大幅降低系统的实现复杂度。
推动 BD-RIS 落地： 提出的“固定拓扑、动态相位”策略为 BD-RIS 的实际硬件部署提供了切实可行的方案，避免了昂贵的实时互连重构需求。
理论突破： 首次为基于 PARAFAC 的 BD-RIS 信道估计建立了严格的块数下限和可识别性条件，填补了该领域的理论空白。

总结： 本文提出的 PALS 框架提供了一种精度与复杂度最佳平衡的解决方案，使得高性能 BD-RIS 辅助通信系统的信道估计在实际工程中变得更具可操作性。未来的工作将扩展到考虑硬件损伤的模型。