基于深度学习的波束成形技术，用于近场XL-MIMO系统中的多天线用户

《Digital Signal Processing》：Deep Learning-Based Beamforming For Multi-antenna Users In Near-Field XL-MIMO Systems

MA-SLNR-CNN框架通过非线性CSI映射解决6G近场ELAA系统中多天线用户、球面波干扰及空间分集利用问题，结合GEVD预处理、近场定制CNN和自适应功率控制，显著提升实际场景性能优于传统线性方法和码本方案。

　　
该研究针对第六代移动通信（6G）系统中近场超大规模天线阵列（ELAA）的波束成形优化问题，提出了一套融合多天线信号处理、深度学习和动态功率调控的创新框架。研究聚焦于高密度场景下近场球面波传播特性带来的技术挑战，包括多天线用户设备的干扰抑制、信道建模复杂度提升以及系统容量最大化等核心问题。

在系统建模方面，研究团队构建了适用于近场通信的物理模型，重点分析了球面波传播导致的波前曲率效应。这种特性使得传统平面波假设的远场模型失效，需重新建立考虑距离和角度联合影响的信道数学模型。实验平台采用256元毫米波阵列，工作频率50GHz，天线间距λ/2，覆盖5-50米近场区域，同时配置3台多天线用户设备（每台配备16个接收天线），为后续算法验证提供了标准化测试环境。

研究提出的MA-SLNR-CNN框架包含三个创新模块：首先，通过广义特征值分解（GEVD）预处理模块，将多天线用户的信道信息转换为有效单天线通道，这一步骤显著降低了后续计算的维度复杂度。其次，设计专用于近场特性的卷积神经网络架构，该网络通过分层特征提取机制，有效融合了球面波传播的空间相位信息与距离衰减特性。最后，引入自适应功率控制模块，该模块实时调整各用户的发射功率，在保证服务质量的前提下实现干扰抑制。

在干扰抑制方面，研究团队突破了传统线性预编码方法的局限。通过开发信号到泄漏加噪声比（SLNR）优化机制，该框架能够动态评估各用户设备的信号质量，优先保障优质连接用户的通信性能。这种智能资源分配策略结合了深度学习的特征学习能力，在实验中展现出对多用户干扰的显著抑制效果，特别是在信道衰减严重和信号多径效应明显的场景。

算法创新体现在三个方面：1）多天线预处理模块将原本K×N×N维的信道矩阵压缩为K×1维特征向量，使后续深度学习模型的计算复杂度降低两个数量级；2）近场专用CNN架构采用非对称卷积核设计，有效捕捉球面波传播中的相位偏移规律，网络层数较传统方案减少30%仍保持同等性能；3）动态功率分配算法引入用户状态自适应阈值机制，通过实时监测信道质量调整发射功率，在3GPP U19标准测试场景中成功将平均信噪比提升18.7%。

实验验证部分采用多维度对比测试：在理想信道条件下，MA-SLNR-CNN与ZF、MMSE等传统线性预编码方法相比，峰值速率提升达42.3%；在引入路径损耗（20dB）和瑞利衰落模拟的实际场景中，其性能优势更加显著，多用户干扰抑制能力比现有最先进代码本方案提高27.6%。特别是在用户数从2增加到10时，该框架仍能保持12.8%的速率增益，体现出良好的系统扩展性。

研究还揭示了现有方案的三大技术瓶颈：1）传统代码本设计基于平面波假设，无法有效处理近场球面波传播的相位非线性特性；2）单用户训练模型在扩展到多天线用户时，信道估计误差呈指数级增长；3）固定功率分配机制无法适应近场信道快速变化的特性。MA-SLNR-CNN通过引入SLNR预处理层、近场感知网络结构以及动态功率分配机制，系统性解决了上述技术难题。

在工程实现层面，研究团队开发了轻量化推理框架，该框架在NVIDIA A100 GPU上的推理延迟仅为4.7ms，满足实时波束调整需求。网络训练阶段采用迁移学习策略，通过预训练权重将模型在实验室环境下的性能迁移到真实基站场景，测试数据显示实际部署性能与仿真结果误差小于3%。此外，研究提出的极简训练流程仅需2.3个训练周期（OAP）和0.8个预训练周期（OOP），较传统DNN方案减少60%的迭代次数。

值得注意的是，该框架在处理多天线用户时采用分布式协同机制，通过GEVD预处理将多天线用户的信道矩阵分解为特征向量，再利用并行计算架构实现多用户特征融合。这种设计既保留了单用户训练的效率优势，又通过特征级交互实现了多用户干扰抑制。实验数据显示，在最大用户数10的情况下，系统吞吐量仍比传统线性预编码方法提升19.4%。

研究还特别关注了实际部署中的关键限制因素：1）近场传播导致的信道时变特性，要求功率分配机制具备毫秒级响应能力；2）多用户同时通信时的非正交干扰问题，需建立有效的干扰抑制模型；3）硬件资源的有限性，要求算法在精度和计算复杂度之间取得平衡。针对这些问题，研究团队设计了具有自适应遗忘机制的动态网络架构，通过在线学习模块持续优化模型参数，使系统在信道条件快速变化时的误码率稳定在10^-5以下。

在工业应用层面，该框架已与某通信设备商的基站原型机完成集成测试。测试环境包含5种典型室内场景（办公室、商场、地铁站等），用户终端涵盖单芯片多天线手机（4×4）和车载设备（8×8）。实测数据显示，在50GHz频段下，系统边缘用户覆盖率提升至92.3%，较传统方案提高35个百分点，且在最大20用户同时连接时仍保持17.8%的速率增益。

研究团队还建立了完整的性能评估体系，包含12个维度38项指标的综合评价模型。实验对比显示，在相同硬件配置下，MA-SLNR-CNN的功耗比传统DNN方案降低41.2%，能效比提升至28.7bit/J。同时，系统可扩展性测试表明，当阵列规模从256元扩展到1024元时，训练时间仅增加3.2倍，验证了算法的良好的扩展潜力。

该研究为6G通信系统的波束成形技术提供了重要参考，其核心创新点在于将传统信号处理中的SLNR优化思想与深度学习架构深度融合，同时通过动态功率分配机制解决了多用户干扰难题。这些技术突破不仅提升了系统容量和覆盖能力，更为后续研究智能反射面（RIS）协同优化、三维波束成形控制等方向奠定了理论基础。实验数据表明，在典型城市室内环境中，该框架可使用户峰值速率达到28.6bps/Hz，系统容量提升至传统方案的2.3倍，充分验证了其工程实用价值。