基于模拟退火的夹捏天线系统信道估计：综合性能分析

《Physical Communication》：Simulated Annealing Based Channel Estimation for Pinching-Antenna Systems: A Comprehensive Performance Analysis

　　

夹捏天线系统(Pinching-Antenna Systems, PASS)通过介电粒子附着实现6G网络的动态天线重构，但由于顺序切换和病态对角测量矩阵，产生了具有挑战性的信道估计问题。研究人员提出了一种模拟退火(Simulated Annealing, SA)方法，在不需要信道统计信息或校准数据的情况下实现了有竞争力的估计性能。所提出的相位感知算法采用笛卡尔坐标与自适应冷却过程相结合，以保持稳定可靠的收敛。仿真结果表明，SA方法获得的归一化均方误差(Normalized Mean Square Error, NMSE)约为3.37 dB，与相同测试条件下正则化最小二乘(Regularized Least Squares, RLS)得到的3.15 dB非常接近，并且大致相当于线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)性能水平的85%，尽管它不需要任何噪声方差或协方差知识。所获得的性能明显受约束边界的影响：当使用紧边界（例如，在[-0.5, 0.5]范围内）时，NMSE达到-0.78 dB，而对于较松的边界（[-3.0, 3.0]）则上升到约4.70 dB。在不同信噪比(Signal-to-Noise Ratio, SNR)值和阵列尺寸（N从8到64）下的额外测试证实，该算法具有一致的可扩展性，并在低SNR水平下保持高度鲁棒性。总体而言，这些发现表明SA提供了一种统计依赖性降低的实用方法，既不需要信道协方差也不需要噪声方差信息，适用于动态PASS系统，特别是在快速结构重构妨碍使用任何稳定统计建模的场景中。

基于模拟退火的夹捏天线系统信道估计研究解读

第六代（6G）无线通信系统要求极高的数据速率、亚毫秒级时延以及每平方公里超过一千万台设备的连接能力，传统大规模多输入多输出（MIMO）架构已难以满足这些需求。可重构天线技术通过动态调整空间位置、方向或激活模式来适应环境变化，其中夹捏天线系统（PASS）是一种代表性方案。PASS概念由NTT DOCOMO于2021年提出，其利用介电波导和机械添加介电粒子来实现顺序天线激活，从而保持强的视距（LoS）链路。然而，顺序激活带来三个根本性挑战：第一，测量矩阵为对角矩阵，缺乏传统MIMO的测量冗余；第二，机械公差和波导衰减导致耦合系数变化，使矩阵病态化，条件数通常处于1.43至10.2 dB范围；第三，频繁重构使信道协方差和噪声方差等统计信息不可用，导致线性最小均方误差（LMMSE）等经典方法无法实用。传统最小二乘（LS）在病态条件下噪声放大严重，其NMSE在典型条件下约为23.39 dB。因此，研究人员提出一种基于模拟退火（SA）的信道估计算法，该算法不依赖统计信息，适用于动态PASS系统。该研究发表于《Physical Communication》。

在方法上，研究人员建立了28 GHz城市微蜂窝信道的仿真模型。信道采用Rician分布，K因子为10 dB，包含一个LoS分量以及三条反射路径和三条散射路径；耦合系数α[n]在[0.7,1.0]内均匀分布，并计入波导传播衰减。系统模型为对角测量矩阵，观测向量满足y=Ah+v。SA算法以LS解作为初始化，采用笛卡尔坐标表示复信道，利用Tikhonov正则化代价函数J(h)=||Ah-y||²+λ_reg||h||²，其中λ_reg=0.01。算法使用指数冷却温度T=T₀α^iter，初始温度T₀=10.0，冷却率α=0.995，最大迭代500次，并通过自适应扰动控制和Metropolis接受准则平衡探索与开发。仿真覆盖N=8至64的天线数，SNR范围为-20至20 dB，每个配置进行1000次蒙特卡罗实验。

研究结果：
不同SNR下的性能比较：在N=32时，SA的NMSE约为3.37 dB，与RLS的3.15 dB接近，差距仅0.32 dB，且SA约达到LMMSE性能的85%，但无需噪声方差或协方差信息。在低SNR区域（如-10 dB），SA比RLS改进超过7 dB，这归因于随机搜索避免陷入噪声导致的局部极小。
约束边界的影响：研究人员分析了[-0.5,0.5]至[-3.0,3.0]的边界范围，发现紧边界[-0.5,0.5]时NMSE达到-0.78 dB，较RLS提升5.52 dB；松边界[-3.0,3.0]时NMSE为4.70 dB，仍略优于RLS。在[-1.5,1.5]范围内，SA在精度与鲁棒性之间取得平衡，较RLS提升约2.2 dB，且保持约85%的LMMSE性能。
正则化参数敏感性：RLS在λ≈10^-2附近存在宽的NMSE最小值，确认了λ_reg=0.01的合理性；SA则对λ不敏感，在λ>0.1时收敛。
阵列规模可扩展性：当N从8增至64时，NMSE近似线性下降，表明算法计算复杂度和估计精度随规模一致扩展，且随机扰动不会累积。

讨论部分：SA的主要优势在于无需统计信息即可处理病态对角矩阵，但对约束边界有依赖：边界过窄会限制对真实值的捕捉，过宽则增加噪声敏感性。仿真表明[-1.5,1.5]是一个实用折中。SA的随机性会导致轻微运行间波动，可通过固定随机种子或多次运行平均来缓解。计算复杂度随天线数线性增长，适合实时实现。对于实际中可能存在的两态PASS配置（每个天线元素仅附着或分离），SA仍直接适用，但需调整约束和扰动参数以反映离散解空间。

研究结论部分：SA方法在不需信道协方差和噪声方差信息的前提下，仅依靠固定正则化参数即可实现与RLS几乎相同的估计精度（差距约0.32 dB），并完全消除对统计信息的需求；当考虑实际硬件限制时，SA能利用约束边界获得约2.2 dB的增益；更窄的理论边界（如[-0.5,0.5]）可带来更大提升但需实验验证。算法在O(N)计算复杂度下保持约85%的LMMSE性能，适用于实时系统。其性能受约束边界和SNR影响：在低SNR或受限环境中SA更有利，高SNR且统计已知时经典方法更有效。总体而言，SA在信道统计信息不可用或变化过快时，提供了估计精度、独立性和实际可用性之间的平衡方案。