通过基于神经网络的信道估计在高效PCC-OFDM中增强5G上行通信

为什么你手机的上传速度很重要

当你发送视频、加入实时通话或指导自动驾驶汽车时，设备必须快速且可靠地将数据上传到网络。本文研究如何通过将巧妙的无线电信号设计与能适应复杂真实空中信道的学习模型相结合，使5G的“上行”更智能、更高效。

更有效地利用频谱

现代移动网络将数据切成很多小块，并通过一组紧密间隔的无线载波发送，这种方法在4G和5G中广泛使用。作者关注一种改进版本称为PCC-OFDM，它以特定方式排列这些载波，使它们在一定程度上相互抵消彼此的缺点。这种布局有助于在相同频谱资源内传输更多信息，减少载波间的干扰，并容忍通常困扰无线链路的一些时钟和频率误差。

读取嘈杂信道的难题

要解码你手机发送的信号，基站需要对当时的空中信道有清晰的认识。信号会在建筑、车辆和人群上反射，产生不断变化的回波和失真。传统工具尝试用简单的数学模型估计这个“信道”，但在用户快速移动、多条路径存在或使用非常宽的频带时，这些方法会吃力。PCC-OFDM中特殊的载波配对使问题更复杂，因为每个载波上接收到的信号还依赖于相邻载波。

教神经网络在噪声中“听见”

作者提出一种紧凑的神经网络——多层感知机，以改进系统对信道的感知。首先，用标准方法利用已知的参考载波对信道做粗略估计。然后神经网络将这些粗估计的实部和虚部作为输入，学习将它们直接映射为每个载波的最佳校正值。与更深或更专用的结构不同，该网络仅使用全连接层，从而保持可调参数数量适中，降低计算和内存开销，同时仍能捕捉复杂的非线性模式。

从实验设置到性能提升

在模拟的5G上行场景中，考虑多天线和不同类型的模数转换器，新的估计器与多种流行方法进行了比较，包括经典的线性方法以及卷积和循环等更深的学习模型。所提出的设计在宽广的信噪比条件下显示出更低的估计误差，同时所需算术运算更少。它还支持“混合”转换器配置，即部分接收器使用高精度而其他使用粗精度，这对在大规模天线阵列中降低硬件成本和功耗具有吸引力。

把更好的估计转化为更快的链路

更精确的信道信息可以通过更有效的波束控制和信号成形转化为更高的数据速率。作者在一个称为预编码的信号成形步骤中使用了基于神经网络的估计，并测量了系统每赫兹每秒可传输的比特数。在多种天线规模、用户数、移动速度和信道类型下，所提方法相比其他基于学习的方案提供了更高的频谱效率，同时运行更快、占用更少内存。在与信道相关的分类测试中，准确率达约98%，训练过程稳定，没有出现过拟合迹象。

这对日常用户意味着什么

通俗地说，这项工作表明经过精心设计且相对简单的神经网络可以帮助5G基站更清晰地“聆听”无线环境并更快地对变化做出反应。与更智能的载波排列相结合，它能在相同频谱片内传输更多数据，并在用户高速移动或信号路径复杂时保持连接稳定。对于未来需要支持高密度城市、工业传感器和互联车辆的网络，这类方法可能带来更流畅的视频通话、更快的上传和更可靠的连接，同时不会成比例地增加硬件成本或能耗。

引用: J., M.J., S., S. Enhancing 5G uplink communications through efficient PCC-OFDM with neural network-based channel estimation. Sci Rep 16, 15662 (2026). https://doi.org/10.1038/s41598-026-47256-5

关键词: 5G上行, 信道估计, 神经网络, OFDM, 频谱效率