编辑推荐：
在快速时变 MIMO-OFDM 系统中，准确的信道状态信息（CSI）至关重要。研究人员开展基于条件去噪扩散的信道估计（CDDCE）研究。结果显示该方案性能超经典及前沿深度学习方法，且鲁棒性强，对提升通信质量意义重大。
随着第五代（5G）和第六代（6G）通信技术的飞速发展，人们对高速、稳定的无线通信需求日益增长。大规模多输入多输出（MIMO）技术凭借其能在不增加带宽和发射功率的情况下，指数级提升信道容量和频谱利用率的优势，成为 5G 和 6G 通信系统的关键技术之一。正交频分复用（OFDM）技术因其出色的抗多径传播环境中频率选择性衰落能力，常与 MIMO 相结合，进一步提高传输速率、链路可靠性和通信质量，使得 MIMO-OFDM 技术在 5G 中得到广泛应用。
然而，在 MIMO-OFDM 系统中，尤其是在快速时变和非平稳条件下，如高速铁路、车联网（V2X）通信场景，准确的信道状态信息（CSI）是实现高数据速率可靠通信的关键。但这些场景中的信号会同时受到频率选择性衰落和时间选择性衰落的影响，导致信号质量下降，整个无线通信系统性能降低。因此，精确估计 CSI 并进行补偿，对在接收端恢复传输数据流至关重要。
传统的信道估计方法中，经典最小二乘（LS）估计因其数学上的易处理性得到广泛应用，但在实际高移动性环境中，由于忽略噪声信息，其性能会下降。线性最小均方误差（LMMSE）估计方法虽利用信道统计信息能获得更好的性能，但在快速衰落信道下，这些统计信息要么难以获取，要么在短时间内快速变化，使得 LMMSE 在实际 MIMO-OFDM 系统中的计算复杂度难以接受。
近年来，深度学习（DL）凭借其强大的数据学习能力，在无线通信的多个领域得到应用，包括信道估计、CSI 反馈、信号解码和无线资源分配等。基于 DL 的模型虽取得了不错的性能，但仍存在诸多问题。例如，有的基于深度神经网络（DNN）的联合导频设计和信道估计方案，在处理复杂时变信道时学习能力不足；有的基于卷积神经网络（CNN）的方案虽能提高估计精度，但需要更频繁地向发射端反馈信息，增加了频率资源开销；还有的利用毫米波大规模 MIMO 系统中空间、频率和时间相关性的 CNN 架构，在处理复杂非平稳条件（如车辆移动产生的多普勒效应）时，估计精度不够。此外，之前的研究在训练和测试阶段存在数据利用不一致的问题，且缺乏有效的信道数据预处理策略，在面对噪声、失真和干扰时性能下降明显。
为了解决这些问题，相关研究人员开展了基于条件去噪扩散的信道估计（CDDCE）研究，并在《Digital Signal Processing》上发表了研究成果 。该研究提出了一种创新的 CDDCE 方案，并为其定制了有效的信道预处理策略，这一成果对于提升无线通信系统性能具有重要意义。
研究人员在开展此项研究时，运用了以下关键技术方法：首先，利用快速傅里叶逆变换（IFFT）对粗略的信道信息进行预处理，有效提取其独特特征；然后，基于去噪扩散概率模型（DDPM）构建 CDDCE 模型，该模型通过马尔可夫链进行正向高斯扩散过程，同时利用专门训练的 U - Net 进行反向迭代细化过程，对预处理后的信道进行迭代优化。
系统模型
研究人员考虑了一个典型的 MIMO-OFDM 架构，该架构包含Nt个发射天线和Nr个接收天线。在发射端，输入的二进制数据流经过调制后，由 MIMO 编码器转换为符号。这一系统模型为后续的信道估计研究提供了基础框架。
条件去噪扩散 - based 信道估计方案
研究人员提出的 CDDCE 方案，是对传统信道估计方法的创新。在正向高斯扩散过程中，CDDCE 模型利用马尔可夫链，按照余弦方差调度，逐渐向定制预处理后的真实 CSI 中添加高斯噪声。在反向迭代细化过程中，从纯高斯噪声开始，利用在不同噪声水平下训练的专门 U - Net，反复细化条件粗略估计的 CSI。这种创新的方法使得信道估计能够更好地适应复杂的信道环境。
仿真结果
研究人员通过仿真实验对 CDDCE 方案进行验证。在仿真中，设定 MIMO-OFDM 系统的参数，如 30kHz 子载波间隔、128 个子载波（N=128）、32 的循环前缀长度（Ncp=32）、每个 OFDM 帧包含 64 个 OFDM 符号（Nframe=64）、发射端和接收端各有 2 个天线（Nt=Nr=2）、每个 OFDM 中有 32 个导频子载波（Npilot=32），并采用 QPSK 调制方式。结果表明，CDDCE 方案在归一化均方误差（NMSE）和误码率（BER）性能上，显著优于传统方法和几种前沿的基于深度学习的方法。同时，该方案在导频符号数量受限、省略循环前缀、引入限幅噪声以及离线和在线信道条件不匹配等多种不利情况下，表现出良好的鲁棒性。
研究结论和讨论
研究提出的 CDDCE 方案为快速时变 MIMO-OFDM 系统的信道估计提供了一种高效的解决方案。通过专门的信道预处理策略和创新的 CDDCE 模型，有效提升了信道估计质量和信号检测精度，在性能和计算复杂度之间达到了良好的平衡。该方案在多种复杂信道条件下的出色表现，为未来 5G 和 6G 通信系统在高速移动场景中的应用提供了有力支持，有助于推动无线通信技术的进一步发展。
