⚡ electrical engineering

Robust Sparse Channel Estimator for RIS-Assisted Hybrid MIMO Millimeter Wave Communication Under Impulsive Noise

本文提出了一种用于 RIS 辅助混合 MIMO 毫米波系统中信道估计的鲁棒稀疏感知最大相关熵准则（SA-MCC）算法，证明了在存在脉冲噪声和硬件损伤的情况下，该算法比传统方法具有更优越的性能。

原作者： Ankit Chouhan, Sandesh Jain, Rangeet Mitra, Pragya Swami, Somesh Kumar

发布于 2026-07-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Ankit Chouhan, Sandesh Jain, Rangeet Mitra, Pragya Swami, Somesh Kumar

原始论文采用 CC BY 4.0 许可（https://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

想象一下，你正试图用手电筒在一条嘈杂拥挤的城市街道上发送秘密信息。在未来，为了让这些信息变得超级快速且清晰，我们想要使用一种特殊的“超光”——毫米波。但问题在于，这些波就像害羞的幽灵一样。它们很容易被墙壁、雨水甚至路过的人挡住，并且力量衰减得非常快。

为了解决这个问题，工程师们正在天空中建造巨大的、隐形的镜子，叫做可重构智能超表面（RIS）。你可以把这些镜子想象成由成千上万个聪明的小机器人组成的团队。当那道害羞的“幽灵光”击中它们时，机器人可以瞬间倾斜和扭转，将光线反射绕过障碍物，直接射向你的接收器，从而在原本没有路径的地方创造出一条清晰的通道。

问题所在：“房间里的静电”
然而，有一个大麻烦制造者。发送和接收这些信号的设备并不完美。它们存在“硬件损伤”，这就像一台坏掉的收音机，会产生奇怪的、突发的静电。在现实世界中，这不仅仅是轻微的嘶嘶声；它更像是有人在安静的图书馆里突然大喊大叫或扔下一个沉重的鼓。这被称为脉冲噪声（impulsive noise）。

传统的寻找光线路径的方法（称为信道估计）就像是在有人猛烈敲鼓时试图听清耳边的低语。这些旧方法假设噪声是平稳、温柔的嗡嗡声，但面对这些突然的尖叫声，它们会完全陷入混乱。它们试图通过取平均值来抵消噪声，但那些尖叫声太响、太怪异了，导致平均值根本毫无意义。该论文指出，像 LMS 和 ZA-LMS 这样的旧方法，在应对这种混乱的环境时显得不够强韧。

新的解决方案：一个智能过滤器
作者们提出了另一种更强韧的聆听方式。他们称之为基于最大互相关熵准则（Maximum Correntropy Criterion, MCC）的鲁棒稀疏信道估计器。

它是如何工作的，这里有一个有趣的类比：
想象你正试图在一个巨大的、黑暗的体育场（信道）中找到几个特定的朋友。你知道你的朋友只坐在特定的几个座位上（这被称为稀疏性）。

旧的方法： 你大喊：“你们在哪儿？”并倾听每个人的回答。如果有人突然尖叫（脉冲噪声），你会感到困惑，甚至误以为那个人就是你的朋友。
新的方法 (MCC)： 你使用了一个特殊的“降噪耳”。这个耳朵旨在忽略那些疯狂的大叫声。它只专注于那些清晰、一致的声音。它知道尖叫声是异常值，因此不会让它们干扰你的搜索。

论文中引入了这种新方法的三个改进层级：

ZA-MCC： 这个版本增加了一条规则，即：“如果一个座位看起来是空的，就假设它是空的。”这有助于忽略空座位，让你只关注真正存在的那些朋友。
SA-MCC： 这更加聪明。它不仅是忽略空座位，还使用了一种高级的数学技巧（涉及所谓的高斯超几何函数），从而能够极其精确地判断哪些座位是真正空的，哪些座位坐着你的朋友。这就像拥有一个超锐利的探照灯，它只照亮你朋友坐着的准确位置。
VSS-SA-MCC： 这是冠军。它增加了一个“可变步长（variable step-size）”。想象你在体育场中行走。如果路径清晰，你就迈大步、快步走；如果你遇到了颠簸或听到了奇怪的声音，你就会放慢速度以保持谨慎。该算法会根据噪声的混乱程度自动改变学习的速度。

仿真结果显示了什么
作者们并没有仅仅停留在猜测阶段；他们运行了数千次计算机仿真来测试他们的想法。他们搭建了具有不同规模镜面团队（RIS）和不同天线数量（32x32 和 64x64）的虚拟城市。他们设置了非常“脉冲化”的噪声（使用参数 $\alpha = 1$ 的 $\alpha$ -稳定噪声模型）。

结果非常明确：

旧的方法（LMS, ZA-LMS）在噪声面前表现挣扎且容易混乱。
新的 VSS-SA-MCC 方法是寻找路径最快且最准确的方法。
在一个特定的 32x32 设置及 32 个镜面单元的测试中，新方法达到了 -35.15 dB 的归一化均方误差（NMSE），而较旧的 MCC 方法仅达到了 -24.40 dB。
当他们将镜面团队增加到 64 个单元时，新方法表现得更出色，达到了 -36.22 dB。

该论文表明，这种新方法在处理脉冲噪声的“尖叫”方面，比目前的标准方法要好得多。它证明了通过具备“稀疏感知能力”（知道大部分路径是空的）并利用“互相关熵”技巧（忽略疯狂的噪声），即使在硬件不完美的条件下，我们也能保持超快速连接的稳定。

因此，虽然这还不是一种可以从商店购买的成品，但仿真强烈表明，如果我们希望未来的 5G 及更高级网络能在硬件有缺陷的混乱现实城市中正常工作，我们需要转向这种更聪明、更强韧的聆听方式。

技术摘要：针对受脉冲噪声影响的 RIS 辅助混合 MIMO 毫米波通信的鲁棒稀疏信道估计器

问题陈述
将可重构智能表面（RIS）与毫米波（mmWave）多输入多输出（MIMO）架构相结合，对于实现下一代无线网络中的超高数据速率至关重要。然而，在这些系统中，准确的信道估计（CE）面临着重大挑战。RIS 辅助链路遭受严重的路径损耗，并且极易受到由功率放大器中的非线性硬件损伤（HIs）以及密集城市环境中常见的脉冲干扰所引起的非高斯失真影响。

传统的信道估计技术，如正交匹配追踪（OMP）和零吸引最小均方误差算法（ZA-LMS），依赖于最小均方误差（MMSE）准则。这些方法仅考虑二阶误差统计量，并假设噪声分布为高斯分布。因此，当应用于受重尾、非高斯或脉冲噪声影响的 RIS 辅助混合 MIMO 毫米波系统时，这些方法会出现性能退化和不稳定性。此外，尽管毫米波信道在角度域具有固有的稀疏性，但现有的稀疏感知估计器在这些特定的非理想条件下往往无法保持鲁棒性。

方法论
本文提出了一个基于最大相关熵准则（MCC）的统一鲁棒稀疏感知（SA）信道估计框架。MCC 是一种鲁棒的统计度量方法，它利用高阶误差统计量，使得其与传统的 MMSE 方法相比，在应对脉冲噪声和异常值时具有天然的鲁棒性。

作者开发了一个渐进式算法框架：

ZA-MCC 估计器： 最初的提议是在 MCC 代价函数中集成 $\ell_1$ 范数正则化项。这在利用 MCC 对非高斯噪声的鲁棒性的同时，促进了信道系数的稀疏性。
SA-MCC 估计器： 为了解决 $\ell_1$ 范数正则化可能导致所有系数均匀向零吸引（从而可能降低显著信道抽头的性能）的局限性，作者提出了一种更灵活的稀疏约束。该方法利用了 $\ell_0$ 范数的广义高斯超几何近似。这种方法能够更好地抑制不显著的信道抽头，同时保留主导路径。
VSS-SA-MCC 估计器： 最终提出的算法向 SA-MCC 框架引入了可变步长（VSS）策略。不同于现有的基于瞬时误差能量（由于异常值可能导致不稳定）来更新步长的 VSS-ZA-LMS 算法，该方法根据 MCC 诱导的误差核能量来动态调整学习率。这种动态适应旨在加速收敛并降低稳态归一化均方误差（NMSE），且不会增加计算复杂度。

系统模型考虑了一个下行场景，其中基站（BS）到用户设备（UE）的直接视距（LoS）被阻挡，必须通过 RIS 进行信号传输。信道采用几何建模，具有稀疏的多径分量，噪声则使用对称 $\alpha$ -稳定分布进行建模，以模拟脉冲干扰。

主要贡献
论文声称了以下具体贡献：

新颖框架： 本文首次研究了在存在非高斯失真的情况下，将基于 MCC 的稀疏感知算法用于 RIS 辅助混合 MIMO 毫米波信道估计。
鲁棒稀疏性： 所提出的 ZA-MCC 框架利用高阶误差统计量，在应对脉冲噪声方面比传统的基于 MMSE 的估计器提供了更好的韧性。
增强型稀疏约束： 引入了一种使用 $\ell_0$ 范数广义高斯超几何近似的新型 SA-MCC 估计器，能够实现对不显著信道抽头的更优抑制。
自适应学习： 引入了基于 MCC 误差核能量动态调整学习率的 VSS 策略（VSS-SA-MCC），从而实现了加速收敛并降低稳态 NMSE。
全面验证： 通过广泛的仿真，在各种 MIMO 和 RIS 配置下验证了该框架，证明了其相对于最先进基准方法的优越性。

仿真结果
针对 $\alpha$ -稳定噪声（ $\alpha=1$ ），将所提出的 VSS-SA-MCC 算法与 LMS、ZA-LMS、标准 MCC、ZA-MCC 以及固定步长 SA-MCC 算法进行了性能评估。主要发现包括：

收敛性： VSS-SA-MCC 算法在所有测试方法中表现出最快的收敛速度。在具有 32 个 RIS 元件的 $32 \times 32$ MIMO 系统中，它达到了 $-35.15$ dB 的稳态 NMSE，优于达到 $-33.21$ dB 的固定步长 SA-MCC ( $p=2$ )。
SNR 鲁棒性： 在 $-20$ dB 到 $20$ dB 的 SNR 范围内，所提出的基于 SA 的方法始终优于 LMS、ZA-LMS 和标准 MCC。SA-MCC ( $p=2$ ) 和 VSS-SA-MCC 变体表现出最低的 NMSE 和最小的波动，特别是在 ZA-LMS 出现显著振荡的低 SNR 阶段。
IRS 扩展性： 增加 RIS 元件数量（从 32 个增加到 64 个）提高了所有算法的 NMSE 性能。然而，所提出的 SA-MCC ( $p=2$ ) 和 VSS-SA-MCC 表现出最显著的增益，在 $64 \times 64$ MIMO 系统配合 64 个 RIS 元件的情况下，达到了 $-36.22$ dB 的稳态 NMSE。
参数敏感性： 使用 $p=2$ 的高斯超几何近似始终比 $p=1$ 产生更低的 NMSE，这验证了特定 $\ell_0$ 类惩罚项公式的有效性。

意义与主张
作者得出结论，所提出的 VSS-SA-MCC 方法为未来无线通信系统提供了一种极具前景的解决方案，特别是在具有硬件损伤、严重衰落和非高斯扰动的场景中。这项工作通过证明在处理实际 RIS 辅助毫米波部署中固有的脉冲噪声时，鲁棒的、稀疏感知的估计是可行且优于现有方法的，填补了一个关键的研究空白。论文将该方法定位为传统估计器的可行替代方案，因为后者在非高斯条件下表现不佳，而该方法在保证高精度、快速收敛和鲁棒性的同时，并未增加显著的计算开销。

技术摘要：针对受脉冲噪声影响的 RIS 辅助混合 MIMO 毫米波通信的鲁棒稀疏信道估计器

类似论文