可扩展流体天线系统（S-FAS）的基础分析：可识别性极限、信息论与联合处理技术总结

本文针对**可扩展流体天线系统（Scalable Fluid Antenna System, S-FAS）在源定位（如波达方向 DOA 估计）中的基础理论极限进行了深入研究。文章突破了传统固定位置阵列（FPA）仅依赖代数秩分析（Rank Counting）的局限，提出了一套基于观测熵（Observation Entropy）**的统一信息论框架，用于分析 S-FAS 在不同配置下的可识别性、诊断处理瓶颈并指导系统设计。

以下是该论文的详细技术总结：

1. 研究背景与问题定义

• 背景：第六代（6G）无线网络需要厘米级定位精度。传统的固定位置阵列（FPA）受限于互耦合严重和自由度（DoF）固定，难以实现超分辨率或识别超过天线数量的源（欠定估计）。
• S-FAS 特性：S-FAS 通过软件控制动态调整天线孔径，可在两种互补配置间切换：
  • 压缩配置（Compressed）：亚波长间距，消除栅瓣模糊，但互耦合严重，需通过中心子阵列选择（去除边缘 $p$ 个单元）来缓解。
  • 扩展配置（Extended）：半波长间距，互耦合可忽略，提供高空间分辨率，适用于远场及混合场（近场/菲涅尔区）参数估计。
• 核心问题：现有的代数可识别性分析无法解释 S-FAS 这种动态可重构孔径带来的“观测熵预算”变化，也无法解释为何串行处理（先压缩后扩展）会存在信息瓶颈，以及联合处理如何突破单配置限制。

2. 方法论：观测熵框架 (Observation Entropy Framework)

论文提出了一套统一的信息论框架，将可识别性限制归结为观测熵预算与噪声子空间维度的关系。

• 核心定义：
  • 观测熵预算：$H(Y_\alpha) \leq M_{\text{eff},\alpha} \log(2\pi e \sigma_y^2)$，其中 $M_{\text{eff},\alpha}$ 是配置 $\alpha$ 的有效观测维度。
  • 可识别性约束：为了进行参数估计，噪声子空间必须至少保留 1 个维度以作为统计参考（即 $M_{\text{eff}} - K \geq 1$）。
• 三大支柱：
  1. 熵预算机制：不同配置拥有不同的熵预算，决定了最大可识别源数。
  2. 噪声参考要求：噪声子空间维度的耗尽（$M_{\text{eff}} - K = 0$）意味着熵参考消失，导致参数不可识别。
  3. 熵层级与瓶颈诊断：利用数据处理不等式（Data Processing Inequality）分析串行处理的瓶颈，利用熵扩展原理分析联合处理的增益。

3. 主要贡献与理论推导

A. 可识别性极限推导

基于上述框架，推导了三种处理模式下的最大可识别源数 $K_{\max}$：

1. 压缩配置 ($K_{\max, c}$)：
   • 由于互耦合需去除 $2p$ 个边缘单元，有效维度为 $M_{\text{eff}, c} = M - 2p$。
   • 极限：$K_{\max, c} = M - 2p - 1$。
   • 优势：亚波长间距消除了全视角范围内的栅瓣，提供无模糊的初始估计。
2. 扩展配置 ($K_{\max, e}$)：
   • 有效维度为 $M_{\text{eff}, e} = M$（无边缘去除）。
   • 极限：$K_{\max, e} = M - 1$。
   • 关键发现：无论是远场（仅角度）还是混合场（角度 + 距离），可识别源数上限均由观测维度 $M$ 决定，而非参数总数（$K$ 或 $2K$）。
3. 串行处理瓶颈 ($K_{\text{seq}}$)：
   • 若先利用压缩配置估计，再利用扩展配置精化，根据数据处理不等式 $I(\theta; \hat{\theta}_c) \leq H(Y_c)$，系统容量受限于第一阶段（压缩配置）的熵预算。
   • 极限：$K_{\text{seq}} = K_{\max, c} = M - 2p - 1$。扩展配置的额外能力被浪费。
4. 联合处理 ($K_{\text{joint}}$)：
   • 通过空间堆叠（Spatial Stacking）同时利用压缩和扩展配置的数据，构建增广观测向量。
   • 极限：$K_{\text{joint}} = (M_c + M_e) - 1 = 2M - 2p - 1$。
   • 意义：打破了串行瓶颈，理论上可识别源数接近单配置的两倍。

B. 算法提出：J-MUSIC

• 提出了一种**联合多重信号分类（J-MUSIC）**算法。
• 原理：构建增广导向矢量 $a_{\text{joint}}(\theta) = [a_c^T(\theta), a_e^T(\theta)]^T$，利用增广协方差矩阵的噪声子空间进行谱峰搜索。
• 复杂度：$O((M_c + M_e)^3)$，主要开销在于增广协方差矩阵的特征值分解。

4. 实验结果与验证

论文通过大量的蒙特卡洛仿真，结合代数验证（噪声子空间维度）和信息论验证（噪声熵比），证实了理论预测：

• 可识别性边界：
  • 压缩配置在 $K=25$ ($M=32, p=3$) 时噪声子空间消失。
  • 扩展配置在 $K=31$ 时消失。
  • 联合配置在 $K=57$ 时消失，验证了 $K_{\text{joint}} \approx 2 \times K_{\max, e}$ 的容量提升。
• 串行瓶颈验证：
  • 串行处理的性能曲线完全跟随压缩配置，无法利用扩展配置的额外自由度。噪声熵比在 $K > 25$ 后迅速崩溃，证明了信息瓶颈的存在。
• 混合场 vs 远场：
  • 在扩展配置中，混合场（近场）估计虽然参数维度加倍，但其可识别源数上限仍为 $M-1$，验证了信息论视角的普适性。
• J-MUSIC 性能：
  • 在低信噪比、少快拍数及多源场景下，J-MUSIC 相比传统单阵列 MUSIC 算法，RMSE 降低了 15-30%。
  • 能够稳定分辨比扩展阵列多 3-4 个的源，显著提升了系统的鲁棒性。

5. 研究意义与结论

• 理论突破：首次建立了流体天线系统的信息论基础，用“观测熵预算”统一解释了不同几何配置下的可识别性极限，超越了传统的代数秩分析。
• 设计指导：
  • 揭示了串行处理架构的固有缺陷（信息瓶颈），指出必须采用联合处理才能发挥 S-FAS 的全部潜力。
  • 提供了区分“根本性自由度耗尽”与“算法次优”的诊断工具（噪声熵比）。
• 应用价值：为 6G 网络中的高精度定位、大规模 MIMO 及雷达探测提供了新的系统架构设计原则，证明了通过动态孔径扩展和联合信号处理可以显著提升系统的源分辨能力。

总结：该论文不仅推导了 S-FAS 在压缩、扩展及联合模式下的精确容量公式，更重要的是引入了信息熵视角，深刻揭示了可重构阵列系统中信息流动的本质限制与突破路径，为下一代智能无线感知系统的设计奠定了坚实的理论基础。