一种用于近场宽带超大天线阵列的新型波束训练方法

《Physical Communication》:A novel beam training method for near-field wideband extremely large antenna arrays

【字体: 大 中 小 】 时间:2026年02月11日 来源:Physical Communication 1.9

编辑推荐:

  戴阳周|柯煌|关景毅|王阳|杜建和 中国北京邮电大学信息与通信工程学院,邮编100024 **摘要** 超大天线阵列是未来第六代(6G)无线网络的关键技术,能够实现极高的数据传输速率。然而,现有的波束训练方法要么需要较高的开销,要么由于在近场环境中需同时估计角度和距

  戴阳周|柯煌|关景毅|王阳|杜建和
中国北京邮电大学信息与通信工程学院,邮编100024

**摘要**
超大天线阵列是未来第六代(6G)无线网络的关键技术,能够实现极高的数据传输速率。然而,现有的波束训练方法要么需要较高的开销,要么由于在近场环境中需同时估计角度和距离,导致在训练资源受限时性能不佳。为解决这一问题,我们为近场宽带超大天线阵列系统设计了一种新的三阶段波束训练方法。具体而言,基站首先利用基于波束分割分析和子阵列划分设计的宽波束进行初始角度估计,以缩小角度搜索范围;第二阶段通过对称窄波束实现对用户设备角度的更精确估计;最后,利用精确的角度估计结果来确定近场中的最优波束以实现距离估计。仿真结果表明,该方法在较低训练开销的情况下实现了近乎最优的传输速率,且其角度估计误差也小于现有波束训练方案。

**引言**
超大天线阵列被视为未来第六代(6G)网络的核心技术之一[1][2]。由于其庞大的天线阵列结构,超大天线阵列能够显著提升空间复用增益和波束成形增益,从而大幅提高系统的数据传输速率[3]。此外,这类技术还具备更高的波束成形灵活性,并能增强物理层安全性,因此成为满足6G通信高容量和高速率需求的关键技术[4]。尤其是在毫米波和太赫兹频段,超大天线阵列能够提供较高的波束成形增益,以弥补严重的路径损耗,进一步拓展高频网络的应用范围[5]。

在超大天线阵列系统中,准确的信道状态信息对于有效的波束成形至关重要[6][7]。信道状态信息通常通过信道估计和波束训练获得[8]。对于传统的大型天线阵列系统,信道估计方法能够在相对较低的导频开销下实现良好的速率性能[9]。然而,由于信道维度与天线数量成正比,超大天线阵列系统的信道维度通常非常高[10],这就导致了传统的信道估计方案需要过高的导频开销。为避免获取完整的高维信道状态信息,人们提出了多种波束训练方案。在[11][12]中,研究者们着眼于可重构智能表面辅助场景,而[13][14][15]则针对毫米波大型天线阵列系统,提出了基于分层码本的低复杂度框架。与传统的信道估计相比,这些波束训练方案虽然只能获取部分信道状态信息,但依然能够在显著降低导频开销的同时实现近乎最优的速率性能。

在传统的远场波束训练中,发射机依次发送预定义码本中的码字来扫描目标区域,用户设备的实际方向由接收功率最大的码字对应的方向确定。然而,与第五代系统中的远场传播不同,在超大天线阵列系统中,尤其是高频环境下,近场传播变得极为重要[16]。在这种场景下,电磁波不能再视为平面波,而必须以球面波的形式进行更精确的建模[17]。与远场平面波不同,近场球面波同时包含目标的角度和距离信息,这使得信道特性更为复杂[18]。其直接后果是,基于远场假设的传统波束训练方法在近场环境中不再有效[19],因为这些方法仅依靠角度搜索来确定最佳波束方向,无法区分用户设备与基站之间的距离[20]。此外,由于需要同时估计角度和距离,用于确定用户设备位置的导频开销也会显著增加[21][22]。因此,为超大天线阵列系统设计低开销且高效的近场波束训练方案显得十分必要。

目前,远场波束训练已得到广泛研究。例如,在[23][24]中,研究者们介绍了经典的离散傅里叶变换码本以及穷举式波束训练方法,其中码本被设计为覆盖整个目标区域,训练阶段会依次向用户设备发送对应于预定义方向的波束成形向量。训练完成后,通过接收功率最大的码字来确定目标方向。在[25]中,提出了一种基于统计的波束训练方案,通过根据波束的使用频率来扫描波束,一旦波束成形增益超过阈值则停止该过程。在[26]中,研究者们为毫米波可重构智能表面系统提出了分层训练方案,该方案利用分层码本实现更高效的波束对准,且性能下降幅度很小。尽管[23][24][25][26]这些研究实现了远场波束训练,但这些方案带来的高昂开销不可忽视,尤其是在超大天线阵列系统中。为解决这一问题,人们提出了几种改进方案,这些方案大致可分为两类:多波束搜索方案和角度计算方案。在第一类方案中,[27]提出了一种用于可重构智能表面辅助多用户通信的多波束训练方法,该方法将反射元件划分为多个子阵列,从而能够在不同时间形成多个波束。此外,[28]开发了一种高效的混合远/近场波束训练方案,该方案利用近场导向向量的近似正交性,构建出用于同时估计角度和距离的多方向训练序列。在[29]中,提出了一种隐蔽多用户波束训练策略,该策略结合多指波束码本和友好干扰器,以提高隐蔽传输的吞吐量和对准概率。在[30]中,提出了一种基于稀疏感测矩阵的高效估计方案,该方案能够在最小化训练开销的情况下确定最优对准方式。在第二类方案中,[31][32]的研究者们通过利用相邻辅助波束并计算比值来估计信号的发射角和接收角。为在毫米波通信中实现灵活高效的覆盖,[33]提出了一种采用子阵列划分的宽波束成形方案,通过设计宽波束来覆盖目标区域。此外,[34]的研究者们在[31][32][33]的基础上,利用宽波束的功率分布特性,开发了一种分析型波束训练框架,该框架能够在降低训练开销的同时实现高效的角度估计和近乎最优的传输速率。

宽带超大天线阵列系统中的庞大天线阵列要求采用基于近场球面波模型的实用波束训练方案。与远场假设不同,近场球面波模型需要同时考虑角度和距离因素。因此,直接将远场波束训练方法应用于近场信道会导致性能严重下降。此外,近场波束训练对角度估计极为敏感,哪怕是微小的角度偏差也会造成严重的性能损失[35]。为解决这一问题,人们提出了多种近场波束训练方案。与远场穷举式波束训练类似,[36][37]的研究者们提出了一种近场穷举式波束训练方法,该方法利用预先设计的极坐标域码本,对角度和距离进行联合搜索,以确定目标的角度和距离。尽管上述方法解决了近场中的角度偏差问题,但穷举式训练方案的导频开销过高,甚至可达远场穷举式方法的十倍[38]。为降低近场波束训练的开销,[39]的研究者们研究了远场波束与近场波束之间的关系,提出了一种基于近场角度波束的波束训练方案。该方法首先利用远场窄波束估计角度,然后再根据近场角度-距离对确定距离,从而成功降低了训练开销。此外,受远场波束训练的启发,[40]提出了一种近场分层训练方案,该方案通过均匀搜索多个角度和距离来确定目标位置。不过,[40]中的方法存在局限性,因为近场信道模型中的距离参数要求进行非均匀的距离搜索才能提高估计精度。[41]的研究者们结合了基于角度波束的训练和分层波束训练的理念,提出了一种近场两阶段分层波束训练方法,该方法显著降低了波束训练的开销。此外,还有几种基于机器学习的近场波束训练方法被提出。在[42]中,研究者们设计了基于卷积神经网络的波束训练方法,无需预定义码本。在[43]中,一种基于深度神经网络的方案利用辅助码字和概率向量来优化码字选择,从而共同预测最优的角度和距离。尽管这些方案在一定程度上降低了训练开销,但它们要么依赖于窄带假设,要么需要大量的计算资源和处理时间,因此并不适用于当前的通信系统。

受上述远场分层波束训练和近场波束训练方案的启发,我们提出了一种新的波束训练方法,该方法能够为宽带超大天线阵列系统带来高效率且低开销的训练效果。通过设计宽波束码本,并利用相邻波束之间的功率分布信息,可以快速确定用户设备的方向。基于这一发现,我们提出了一种适用于近场和远场场景的三阶段波束训练方法,且该方法的训练开销较低。我们的主要贡献如下:
• 首先,我们在角度域设计了一种具有自定义波束数量的宽波束码本。具体而言,通过将天线阵列划分为尽可能大的子阵列,生成一组具有所需角度覆盖范围和足够阵列增益的宽波束,从而实现对用户设备方向的粗略估计,进而有效降低后续窄波束精细调整所需的训练开销。为确保所设计的宽波束能够充分利用多子载波特性,我们综合考虑了波束分割效应,共同设计了每束宽波束的带宽和中心方向。此外,我们还设计了相位补偿机制,以减少相邻宽波束之间的波动。
• 其次,我们提出了一种用于近场通信的三阶段波束训练方法,该方法通过分离角度估计和距离估计,显著降低了训练开销。在该框架中,首先利用设计的宽波束码本实现粗略的角度对准。为缓解近场角度偏差导致的阵列增益损失,我们引入了基于相邻波束功率的精细调整机制,以便在选定的角度范围内定位用户设备。在经过精细调整后的角度搜索范围内,我们设计了对称窄波束,使得在一个时间槽内可以同时传输两个定向波束,从而提高角度估计的精度和训练效率。随后,利用由候选波束构成的近场码本,在极坐标域中进行距离估计。
• 最后,我们分析了现有波束训练方法的训练开销,并通过仿真结果验证了所提出的三阶段方案的有效性。与现有的[22][39][40]方案相比,所提出的方法在训练开销、可达传输速率以及角度估计精度方面均表现更优。此外,即使在训练开销受到严格限制的情况下,所提出的方法仍能保持良好的传输速率,而这正是现有波束训练方案所无法做到的。另外,所提出的方法也可应用于远场信道。

本文的其余部分结构如下:第2节介绍近场和远场系统模型;第3节介绍几种现有的波束训练基准方案;第4节详细阐述宽波束码本的生成方法以及所提出的三阶段波束训练方案。仿真结果展示在第五节,结论则总结于第六节。大写字母、小写字母以及斜体字母分别代表矩阵、向量和张量;(?·?)T表示转置运算;|?·?|表示绝对值运算符;?x?表示小于或等于x的最接近整数;H[:, i]和v[i]分别表示H的第i列以及v的第i个元素;H[:,i,j]表示通过将张量H的第二和第三索引分别固定为i和j所得到的模式1纤维。∠(?·?)表示复数的相位;CN(μ,Σ)表示均值为μ、协方差为Σ的复高斯分布。

系统模型
我们考虑一种下行链路宽带ELAA通信系统,其中基站配备有均匀线性阵列(ULA),而用户设备则配备有单个天线。基站采用正交频分复用(OFDM)技术为用户设备提供服务。我们设定Nt、B、M、fc和c分别为基站的天线数量、带宽、子载波数量、中心载波频率以及光速。

由于散射作用导致的严重路径损耗,主要功率为

角度域远场穷举波束训练
传统的远场穷举波束训练方法会在角度域进行均匀采样,进而构建用于波束扫描的DFT码本。具体而言,大小为Nt的DFT码本可表示为
W=[bNt(?1),bNt(2?NtNt),?,bNt(Nt?2Nt)]=[11?1ejπejNt?2Ntπ?ej2?NtNtπ????ej(Nt?1)πej(Nt?1)Nt?2Ntπ?ej(Nt?1)2?NtNtπ]。

在训练阶段,码本W中的每一列都被提取作为一个波束形成向量,这些导频信号会在不同的时隙发送给用户设备。接收到的

宽波束码本生成
无论是远场还是近场波束训练,其核心技术都依赖于窄波束以及确定用于数据传输的最佳波束。然而,有限的开销使得无法训练所有窄波束,从而导致波束方向与用户设备方向不匹配。针对这一问题,我们首先构建一组宽波束来确定用户设备的粗略方向,然后再发送窄波束来进一步精确估计。因此,我们采用了[33]中的框架

仿真结果
在本节中,通过仿真结果来评估所提出的三阶段波束训练方法的性能,并验证其有效性。通信系统的参数设置为Nt=256,αΔ=1.44 [19],fc=40GHz,B=2GHz,子载波数量则为M=128。所提出的方法与[34]中的解析训练方法、[30]中的多方向方法以及远场的穷举波束训练框架进行了比较。在近场情况下,

结论
在本文中,我们解决了宽带ELAA系统在远场和近场条件下的波束训练问题。为降低现有训练方法带来的高训练开销,我们提出了一种新的三阶段波束训练方法,该方法既适用于近场也适用于远场。我们首先基于对波束分裂效应和子阵列划分的分析设计出了宽波束码本,以此粗略估计用户设备的方向,从而缩小波束训练的范围

作者贡献说明
周德阳:写作——审稿与编辑,写作——初稿撰写,验证,监督。黄凯:写作——初稿撰写,可视化,方法论,数据整理。关静怡:写作——审稿与编辑,验证,监督,方法论。王阳:验证,监督,形式化分析。杜建合:监督,资源协调,项目管理,形式化分析。

利益冲突声明
作者声明自己不存在任何可能影响本文研究工作的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号