使用深度贝叶斯高斯过程和压缩感知的 OTFS 与 NOMA 中的高级信道估计

为什么高速移动的连接需要更智能的辅助

从高速列车上的流媒体到汽车之间的通信以避免碰撞，设备在快速穿行拥挤城市时保持连接的需求日益增长。在这些情形中，无线信号会在建筑物和车辆间反射，并且随着运动产生频移。本文探讨了一种新方法，通过教会网络“感知”无线波传播的隐形路径来保持连接清晰可靠，即使用户和周围环境都在不断移动。

移动中通信的挑战

像 5G 以及未来的 6G 这样的现代网络预计要同时服务大量高速移动的用户，从高速公路交通到高速列车。两种有前景的技术有助于应对这一需求：OTFS，一种以延迟和多普勒位移为先验设计的数据编排方式；以及 NOMA，一种允许多个用户共享同一频段的接入方法。两者都依赖于一个关键要素——信道估计，即网络对环境如何扭曲每个用户信号的预测。传统方法会发送大量已知的“导频”信号并拟合简单模型，这在用户移动缓慢时效果良好。但在车流密集、速度超过 100 公里/小时且反射丰富的城市环境中，这些简单模型难以胜任，需用过多导频、浪费带宽，并且无法跟上快速变化。

学习与感知的新型结合

作者提出了一种混合方法，称为深度贝叶斯高斯过程与压缩感知（DBGP-CS），以解决这一问题。该方法融合了三方面的思想。首先，深度神经网络从描述信号延迟与频移的复杂原始测量中学习有用模式，将其转化为更紧凑的特征表示。其次，贝叶斯高斯过程以这些学习到的特征为输入，将信道视为一个平滑但存在不确定性的函数，不仅给出最佳估计，还提供关于该估计置信度的度量。第三，压缩感知利用了只有少数传播路径承担大部分信号能量的稀疏性，使系统能够从远少于传统需求的导频中重构信道。三者结合旨在减少开销、捕捉非线性行为，同时在对功率、编码和调度做出决策前告知网络其置信度。

将想法付诸检验

为检验新方法的效果，研究人员模拟了一个严苛场景：100 名用户在密集城市环境中以最高达 120 公里/小时的高速移动，采用标准的 5G 毫米波信道模型并含有九条反射路径。他们将 DBGP-CS 与三种其他策略进行比较：基础的最小二乘法、更为复杂的线性最小均方误差方法，以及不含压缩感知的深度贝叶斯高斯过程。在广泛的信噪比范围内，这种混合方法产生了更高精度的信道估计和更低的译码误码率。值得注意的是，在典型工作条件下，它将关键误差度量降低到最佳传统方法的大约十分之一，并将所需导频数量削减了一半，从而将该带宽释放给实际用户数据。

在多种真实条件下的稳健表现

团队还在不同速度、不同反射路径数、导频与数据信号能量分配的变化以及导频数目不同的情况下对方法进行了严格测试。即便当路径数增多或车辆速度加快使信道变得更难预测时，新模型仍保持明显优势。仅用 20 个导频，它就能达到或超过旧方法在使用 40 个导频时的性能，证实了所宣称的 50% 开销减少。同时，该方法被设计为实用可行：耗时的训练阶段可以离线完成，而实时估计步骤可在现代硬件上于数毫秒内运行，与预测和边缘计算结合后足以满足许多车载应用的时延要求。

对日常用户意味着什么

通俗地说，这项工作表明将现代机器学习与巧妙的信号处理结合起来，可以在关键时刻——高速和拥挤环境中——使无线链路更可靠。通过学习无线信道的结构、量化不确定性并减少参考信号需求，所提方法可以为 OTFS‑NOMA 系统带来更清晰的连接、更低的误码率以及更高效的频谱利用。如果在未来 5G 与 6G 网络中采用，这些技术可帮助你的汽车、列车或手机在穿越反射迷宫时仍保持平稳连接，为更安全的自动驾驶、更佳的车联网通信和更稳健的高速移动互联网铺平道路。

引用: Anilkumar, N., Sengan, S. Advanced channel estimation in OTFS and NOMA using deep bayesian gaussian processes and compressive sensing. Sci Rep 16, 10901 (2026). https://doi.org/10.1038/s41598-026-46253-y

关键词: 无线通信, 信道估计, OTFS NOMA, 机器学习, 车载网络