用于多用户多输入单输出毫米波系统混合波束成形设计的深度学习方法

为什么更快的无线波束对日常生活很重要

未来的汽车、手机和传感器将依赖超高速无线链路实现实时数据共享。毫米波（mmWave）信号能够提供类似光纤的速率，但易受距离和障碍物衰减。为此，基站必须通过波束成形非常精确地“瞄准”信号，这一过程很强大但通常对车辆通信等现实中移动速度快的场景来说过于缓慢和复杂。本文探讨了如何用深度学习重新设计该过程，使网络能够跟上道路上快速变化的需求。

在不增加笨重硬件的情况下锐化无线波束

现代毫米波基站在小面积内部署大量微型天线。通过精确调整每个天线的发射方式，基站可以形成一束狭窄波束，将能量聚焦到特定用户方向，从而提升速率和可靠性。实现这一点主要有两种方式。数字波束成形灵活性最高，但每个天线都需要一套昂贵且耗电的电子设备。模拟波束成形成本更低、能耗更少，但通常一次只能服务一个波束或用户。混合波束成形结合了两者：一个小规模的数字阶段驱动一组模拟相位移器，力求在保持较低硬件成本和功耗的前提下实现高数据率。

瓶颈：缓慢且复杂的波束设计

设计良好的混合波束模式在数学上很困难。系统必须在严格的硬件约束下决定如何在数字和模拟阶段之间分配任务，例如固定幅度的相位移器和受限数量的射频链。传统方法通过反复调整波束以最大化所有用户的数据率总和来搜索近似最优解。知名算法可以达到高性能，但需要大量重复计算和专业的优化软件。这使得它们在实时应用中（尤其是在车辆等快速移动、信道瞬时变化的场景）过于缓慢且计算负担沉重。

教神经网络选择合适的波束

作者提出了一种基于深度学习的混合波束成形方法，称为DL-HBF，将波束设计视为模式识别任务。系统不再每次都重新求解复杂优化问题，而是先利用名为DeepMIMO的真实感射线追踪信道模型构建大规模训练集。对于基站与多个单天线用户之间的每个模拟信道，离线穷尽搜索从精心构建的码本中识别出最佳模拟波束矩阵，并计算相应的数字预编码器。这些选择作为标签。输入到神经网络的是包含信号相位以及其实部和虚部的三层信道表示，赋予模型关于信号在环境中传播的丰富信息。

从繁重的优化到快速决策

DL-HBF的核心是一个卷积神经网络，学习将信道测量直接映射到最佳模拟波束模式的索引。训练完成后，网络可以在一次前向传播中高精度地对新的信道条件进行分类，避免了缓慢的迭代循环。然后从选择的模拟矩阵以闭式形式计算数字波束成形部分。基于60 GHz移动用户的详尽街道级场景仿真表明，所提方法在总数据率上接近最强的传统算法，同时显著减少了计算时间。与若干标准混合波束成形技术相比，深度学习方法在数据速率与延迟之间提供了更好的权衡，并且当射频链数量增加时具有更好的扩展性。

在信道信息不完美时仍能保持可靠

实际网络从不可能完美获知无线信道状态；测量存在噪声并且有延迟。因此研究还测试了在信道估计受损时不同方法的表现。所有方法都会出现一定准确率下降，但DL-HBF在接近理想全数字解方面的退化最小。由于神经网络在包括不完美信道在内的大量信道实现上进行训练，它学到的是鲁棒的模式，而不是依赖精确数值。作者还将数据集生成流程设计为快速且节省内存，使得在网络布局或运行条件改变时更容易重新训练系统。

这对未来无线系统意味着什么

从实践角度看，这项工作表明深度学习能够将缓慢且数学上要求高的波束成形优化，转变为一种快速的类似查表的操作，其精度足以用于实际部署。所提出的DL-HBF方案在保持高数据率的同时，显著降低了延迟和计算量，并且在信道信息不精确时仍然稳定。对非专业读者来说，结论是更智能、基于学习的信号控制可以帮助未来的5G和6G网络为众多移动用户同时提供可靠的高速连接，从而支持更安全的网联车辆和更丰富的移动应用，而无需过度复杂的硬件。

引用: Ghaith, E., Mekkawy, T., Abouelfadl, A.A. et al. Deep learning approach for hybrid beamforming design in MU-MISO mmWave systems. Sci Rep 16, 5014 (2026). https://doi.org/10.1038/s41598-026-35247-5

关键词: 毫米波波束成形, 深度学习 无线, 混合预编码, 车载通信, 大规模MIMO