⚡ electrical engineering

Channel Estimation and Beamforming for Microwave Linear Analog Computers (MiLACs)-Aided Multiuser MISO Systems

本文针对利用信道秩亏损在模拟域压缩信号的 MiLAC 辅助多用户 MISO 系统，提出了计算高效的信道估计与波束成形方案，在保持与数字基准性能相当的同时，实现了计算复杂度的极大降低。

原作者： Qiaosen Zhang, Matteo Nerini, Bruno Clerckx

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Qiaosen Zhang, Matteo Nerini, Bruno Clerckx

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

核心图景：“超连接”城市

想象一下未来的城市，成千上万的人正试图同时与一座中心塔（基站）进行通信。为了确保每个人都能被清晰地听到，基站需要使用一个巨大的天线阵列——把它想象成拥有数千个麦克风。

在旧的方法中（数字波束赋形），基站需要为每一个麦克风配备一个专用、昂贵且耗电的计算机处理器。如果你有 256 根天线，你就需要 256 个处理器。这就像为了听取 256 个人的声音而雇佣了 256 名秘书；这极其昂贵、缓慢，且消耗大量电力。

微波线性模拟计算器 (MiLACs) 是一种新发明，它充当了“智能滤波器”或“神奇透镜”的角色。它不是使用计算机来处理声音，而是利用微波通过特殊管道网络传输时的物理特性，瞬间完成工作。它可以聚焦信号，而不需要为每一根天线都配备一台计算机。

问题所在：“盲目”的基站塔

论文指出一个重大障碍：虽然 MiLACs 在发送信号（波束赋形）方面表现出色，但在倾听并确定用户位置（信道估计）方面却很吃力。

为了知道向哪里发送信号，基站需要了解它与用户之间空气中的“地图”。

旧方法： 基站用所有的 256 个麦克风倾听所有人，记录海量数据，然后使用超级计算机来计算这张地图。这让使用 MiLACs 的初衷失去了意义，因为这又回到了昂贵处理器和高能耗的老路上。
MiLAC 方式： 基站只有少量的“耳朵”（射频链路）——比如针对 16 个用户仅有 16 个。它无法听到完整的 256 维声音。这就像试图通过只听 256 种乐器中的 16 种来理解一场交响乐。

解决方案：“智能压缩”技巧

作者提出了一个巧妙的两步走方案，旨在不依赖昂贵计算机的情况下解决这个“盲目”问题。

1. “分组”类比（信道估计）

想象用户并不是随机分布的，而是根据站立位置坐成了不同的组。同一组的人很可能从相似的角度看向基站。

技巧： 与其尝试用高精度去监听每一个个体，不如让 MiLAC 充当一个智能压缩透镜。它将来自所有 256 根天线的杂乱声音压缩成一个更小、更清晰的版本，从而适配基站那少量的“耳朵”。
原理： 它利用了人们在同一组内共享相似“模式”的事实。MiLAC 会过滤掉噪声和冗余，只保留信号的核心“形状”。
结果： 基站现在可以使用极少的计算能力来计算用户的地图。
- 类比： 与其拍摄一张全场人群的高分辨率照片（这需要庞大的计算机来处理），不如让 MiLAC 拍一张风格化的低分辨率素描，只要能精准捕捉到人们的位置即可。计算机只需要画出素描，而不是处理整张照片。

他们测试了两个版本：

小规模分组： 如果分组较少，他们使用“虚拟信道”方法（侧重于组模式）。
大规模分组： 如果分组较多，他们使用“全局虚拟信道”方法（一种稍微复杂一点但依然有效的素描方式）。

胜出的关键： 他们发现这种方法比传统的数字方式快达 1,540 倍，且使用的计算资源更少，同时还能获得同样准确（甚至在某些情况下更好）的地图。

2. “双透镜”技巧（波束赋形）

一旦基站知道了地图，它就需要把数据发回去。旧的数字方式需要进行大规模计算，以确定如何精准瞄准信号。

问题： 单个 MiLAC 虽然擅长简单任务，但无法轻松完成精准瞄准每个人所需的复杂数学运算。
解决方案： 作者构建了一个级联 MiLAC (Cascade MiLAC)。想象将两个神奇透镜串联在一起。
- 第一个透镜完成数学运算的第一部分。
- 第二个透镜完成剩下的工作。
- 两者结合，就像一个“超级透镜”，只需让波纹流过，就能瞬间完成复杂的瞄准工作。在实际传输过程中无需任何计算机参与。

胜出的关键： 这个“双透镜”系统比数字计算机方法快达 16,108 倍。它实现了同样的数据传输速度（总速率），但几乎没有计算成本。

折衷方案：“学习成本”

这里有一个小小的代价。由于基站的“耳朵”较少，它需要花费额外的时间来倾听用户，以建立地图（训练开销）。

类比： 这就像一位老师，虽然听到的学生较少，但需要多问几个问题，以确保理解了每个人。
结果： 这种额外的倾听时间会略微减少用于发送实际数据的时长。在用户分组较多的场景下，这种“学习时间”会稍微占用一点总传输速度。然而，考虑到硬件成本和能源的大幅节省，这是一个值得的权衡。

总结声明

他们做了什么： 他们创造了一种新的方式，利用“神奇微波透镜”（MiLACs）而非超级计算机，来处理巨型天线系统的用户监听和信号瞄准问题。
如何运作：
1. 监听： 他们利用 MiLAC 将数千根天线的信号压缩成易于处理的大小，使其适配有限的硬件，然后进行简单的计算。
2. 发送： 他们将两个 MiLAC 串联起来，无需数字计算即可瞬间瞄准信号。
研究结果：
- 速度： 与标准数字方法相比，该方法在绘制地图方面的速度快约 1,500 倍，在瞄准信号方面的速度快约 16,000 倍。
- 性能： 只要考虑到先进行“倾听”所需的额外时间，它能提供与昂贵的数字方式同样快的数据传输速度。
- 硬件： 它允许系统使用极少的昂贵射频部件工作，从而节省了大量的资金和电力。

技术摘要：面向 MiLAC 辅助多用户 MISO 系统的信道估计与波束成形

问题陈述
未来的巨量多输入多输出（MIMO）系统有望实现超高数据速率和大规模连接，但采用传统的数字波束成形会导致极高的硬件成本和计算复杂度，因为传统方法要求每个天线配备一个射频（RF）链路。微波线性模拟计算机（MiLAC）已成为一种解决方案，通过将波束成形计算卸载到模拟域，从而大幅减少射频链路的数量和计算负载。然而，目前仍存在一个关键差距：现有的 MiLAC 研究侧重于波束成形设计和建模，但在多用户（MU）系统高效信道估计方案方面仍存在空白。传统的信道估计需要获取全维度的接收信号并进行大规模数字处理，这抵消了 MiLAC 带来的硬件和复杂度优势。此外，MiLAC 辅助系统中有限的射频链路数量阻止了对全维度信号的直接访问，使得准确获取信道状态信息（CSI）变得具有挑战性。

方法论
本文提出了一个面向时分双工（TDD）模式下 MiLAC 辅助的多用户多输入单输出（MU-MISO）系统的框架，其中射频链路数量限制为 $L=K$ （ $K$ 为用户数）。该方法论建立在三个核心支柱之上：

系统模型与用户分组： 系统根据用户信道相关矩阵的相似性将用户划分为 $G$ 个不相交的组（联合空间划分与复用原理）。在每个组内，用户共享共同的相关结构，允许信道由该组特征向量所张成的低维子空间来表示。
用于信道估计的模拟压缩： 为了解决射频链路受限的问题，作者提出利用信道相关矩阵的秩亏特性。
- 小 $G$ 机制（Small- $G$ Regime）： 当组数较少且各组子空间重叠不显著时，采用虚拟信道估计方案。MiLAC 利用组特征向量（ $U_g$ ）执行模拟子空间投影，将全维度的接收信号压缩为低维观测值。随后，数字处理仅需估计这些低维虚拟信道。
- 大 $G$ 机制（Large- $G$ Regime）： 当组子空间发生重叠时（大 $G$ ），则采用全局虚拟信道估计方案。系统通过奇异值分解（SVD）计算出一个涵盖所有组子空间并行的全列秩矩阵。MiLAC 将信号投影到该全局子空间，从而实现全局虚拟信道的估计。
- 两种方案均在压缩后的观测值上使用最小二乘（LS）和最小均方误差（MMSE）估计器，避免了存储或处理全维度信号矩阵的需求。
级联 MiLAC 用于波束成形： 为了在不重建全维度信道的情况下，从低维信道估计中实现正则化零迫近波束成形（R-ZFBF），作者引入了级联 MiLAC 架构。该架构由两个串联的 MiLAC 组成：第一个 MiLAC 处理求逆和正则化操作，第二个 MiLAC 处理向天线域的投影。这种结构使得可以直接从虚拟信道估计中实现 R-ZFBF 预编码器，且计算复杂度较低。

主要贡献

系统模型： 一个整合了 MiLAB 辅助 MU-MISO 系统中上行训练和下行波束成形的综合模型，明确考虑了有限的射频链路以及不同用户组间变化的信道相关矩阵。
高效信道估计方案： 两种利用 MiLAC 进行模拟压缩的新型估计策略（虚拟与全局虚拟估计）。这些方案将估计问题的维度从 $M$ （天线数）降低到 $r$ 或 $\tilde{r}$ （子空间维度），显著降低了数字计算成本。
级联 MiLAC 架构： 提出了两阶段级联 MiLAC 架构，用于直接从低维估计中实现 R-ZFBF。这克服了单级 MiLAC 的局限性，即单级 MiLAC 无法在不重建全信道的情况下高效实现基于虚拟信道的 R-ZFBF。
理论与数值验证： 通过解析证明和数值模拟，证明了所提方案在达到或优于数字基准性能的同时，大幅降低了计算复杂度。

结果
数值结果验证了所提方案相对于传统数字基准（LS 和 MMSE）以及数字 R-ZFBF 的性能：

信道估计： 与数字对应方案相比，所提 MiLAC 辅助方案在 LS 估计方面实现了更低的均方误差（MSE），并在 MMSE 估计方面达到了相同的 MSE。至关重要的是，它们将计算复杂度降低了高达 1540 倍（对于小 $G$ 机制中的 $G=4$ 情况）。
波束成形： 当忽略训练开销时，基于级联 MiLAC 的 R-ZFBF 达到了与数字 R-ZFBF 相同的总速率。当计入训练开销时，由于需要额外的训练符号，观察到有效总速率有轻微下降，尤其是在大 $G$ 机制中。
复杂度降低： 与数字 R-ZFBF 相比，其波束成形方案降低了高达 16,108 倍 的计算复杂度。
权衡： 本文强调了一个基本权衡：虽然这些方案显著降低了硬件复杂度（射频链路）和计算负载，但也会产生额外的训练开销。这种开销在大 $G$ 机制中更为明显，导致有效总速率较全数字系统略有下降。

意义
本文声称，这些贡献是实现 MiLAC 辅助巨量 MIMO 系统潜力的必要步骤。通过解决信道估计瓶颈并提供一种从压缩数据中进行高效波束成形的机制，该工作使得在仅需极少射频链路和低计算复杂度的条件下部署系统成为可能。引入级联 MiLAC 特别解决了如何利用低维信道知识在模拟域实现复杂预编码矩阵（如 R-ZFBF）的挑战。作者指出，其分析假设使用完全可重构的 MiLAC 以表征基本极限，而关于无损耗和互易性约束的扩展研究留待未来工作。