团队科研成果分享
2026.11.16-2026.11.22
标 题:Diffusion-Enhanced Joint Communication and Localization for Cell-Free Massive MIMO
期 刊:IEEE Journal of Selected Topics in Signal Processing
作 者:Gangle Sun, Xiayang Chen, Yuqi Chen, Xinrui Li, Ruoguang Li, Wenjin Wang, Guangjie Han, and Shi Jin
分享人:河海大学——孙港乐
01
研究背景
BACKGROUND
研究背景
面向第六代移动通信(6G),无线网络对通信性能和定位能力提出了更高要求。传统蜂窝网络主要依赖单个基站服务用户,容易受到小区边缘信号衰减、覆盖不均和小区间干扰等问题的限制。相比之下,无蜂窝大规模多输入多输出(Cell-Free Massive MIMO,CF-mMIMO)通过多个地理分布的接入点(AP)协同服务用户,打破传统小区边界,将原先小区间干扰转化为协同传输增益,提升通信覆盖和频谱效率。
然而,在分布式AP协同接收场景下,用户通常只能以一个参考AP为基准进行定时同步,难以同时与所有AP实现严格的时间对齐,因此异步传播难以避免。分布式AP带来的异步传输是一把“双刃剑”:一方面,不同AP间的传播时延差异会引起频域信道的相位旋转,增加信道估计(CE)和数据检测(DD)的难度;另一方面,不同AP观测到的传播时延、到达角及信道强度等特征,又能够提供互补的空间信息,为用户定位带来更加丰富的多视角观测。因此,如何有效抑制异步传播对通信性能的不利影响,同时充分挖掘其蕴含的空间信息以提升定位精度,成为CF-mMIMO系统亟待解决的重要问题。
为实现上述目标,关键在于设计能够充分利用信道物理结构与统计特征的高性能接收机。现有接收方法主要采用模型驱动和数据驱动两类思路:模型驱动方法利用信道稀疏性等解析先验,具有明确的物理意义,但难以充分刻画复杂信道的隐含统计特征;数据驱动方法能够学习复杂的信道分布,但往往缺乏显式的物理结构约束。针对上述局限,论文提出扩散模型增强的通信与定位联合接收框架(DE-JCAL),融合模型驱动的解析先验与数据驱动的扩散先验,通过深度展开实现高性能联合接收,并结合多任务学习实现通信与定位的协同优化。
02
关键技术
TECHNOLOGY
关键技术
本文围绕混合先验建模、深度展开接收和通信定位联合优化三个方面展开研究,主要技术如下。
1. 解析稀疏先验与扩散先验协同建模
无线信号在传播过程中通常经过有限条主要路径,因此信道在时延–角度域往往呈现稀疏或近似稀疏结构。基于这一特性,论文利用稀疏正则化刻画信道的物理结构,同时引入扩散模型,从信道样本中学习传统解析模型难以准确描述的复杂统计特征。其中,解析稀疏先验提供显式结构约束,扩散先验补充隐式信道分布信息。通过自适应融合两类先验,充分发挥物理模型与数据学习的互补优势,提高复杂传播环境下的信道估计精度。
2. 基于深度展开的联合信道估计与数据检测
针对信道与传输数据相互耦合的特点,论文基于前向–后向分裂(Forward–Backward Splitting,FBS)算法,设计信道估计与数据检测交替迭代的联合接收方法。在此基础上,通过深度展开技术,将传统迭代算法映射为多层可训练网络,每一层对应一次信道与数据的联合更新。与采用固定参数的传统迭代算法不同,深度展开能够通过数据训练自适应优化更新步长、先验融合权重等关键参数,在保留算法物理可解释性的同时提升接收性能。
3. 基于信道特征的定位及多任务联合训练
在CF-mMIMO系统中,不同AP观测到的信道包含传播时延、到达角和信道强度等与用户位置密切相关的信息。论文利用卷积神经网络(CNN)从多个AP的估计信道中提取空间特征,实现用户二维位置估计。进一步地,设计融合信道估计、数据检测与用户定位的多任务联合训练机制,将定位损失通过信道估计输出反向传播至通信接收机,使定位任务能够参与接收参数的优化,从而实现通信与定位性能的协同提升。
03
算法介绍
ALGORITHMS
算法介绍
(1)异步无蜂窝大规模MIMO系统建模
图1 分布式AP协作及用户–AP传播路径示意
如图1所示,系统由多个AP、若干用户终端(UE)和中央处理单元(CPU)构成。在上行传输过程中,不同AP从各自位置接收同一用户的信号,因此同一用户到不同AP的传播路径通常对应不同的传播时延和到达角(AoA)。为刻画多径传播的结构特征,论文将频域信道转换到时延–角度域,获得具有稀疏结构的信道系数表示。在此基础上,将各AP的接收信号与用户共享的传输数据符号统一纳入推断过程,为后续联合接收与用户定位提供信道信息基础。
(2)混合先验驱动的联合接收算法
在异步CF-mMIMO系统中,接收机需要同时恢复未知信道Z和数据符号U。为此,论文将联合接收问题建模为包含接收信号匹配项、信道稀疏先验、扩散先验及符号约束项的优化问题,并采用FBS算法对信道变量与数据变量进行交替更新。
具体而言,在信道更新阶段,算法根据当前数据估计计算多AP接收残差,结合扩散得分网络提供的先验梯度信息修正时延–角度域信道,并通过软阈值操作引入稀疏约束,抑制不重要的信道分量。在数据更新阶段,算法基于更新后的信道聚合各AP的观测信息,利用星座点吸引项修正数据估计,并将连续变量投影到正交相移键控(QPSK)星座的凸包内,最终通过最近星座点判决得到检测结果。通过上述交替迭代,信道估计与数据检测相互提供信息,实现协同恢复。
(3)由迭代算法到可训练的深度展开接收机
图2 DE-JCAL深度展开接收机整体结构
如图2所示,论文将上述迭代算法展开为多层可训练网络,其中一次信道更新与一次数据更新构成一个展开层,多个展开层串联形成完整的DE-JCAL接收机。每层均包含信道变量和数据变量的前向更新与后向映射,并利用预训练的扩散得分网络为信道更新提供数据驱动先验信息。
在网络设计中,更新步长、正则化强度及先验融合权重被设置为各层独立的可学习参数,使接收机能够根据不同迭代阶段自适应调整更新策略,实现解析稀疏先验与扩散先验的动态融合。
(4)基于多AP信道特征的用户定位
图3 基于估计信道的CNN定位模块
完成联合信道估计与数据检测后,DE-JCAL进一步利用恢复的多AP信道信息进行用户定位。具体而言,将每个用户在不同AP处估计得到的时延–角度域信道的实部与虚部组合为特征图,通过CNN提取与传播时延、到达角及空间分布相关的特征,随后由多层感知机(MLP)输出用户的二维坐标。
值得注意的是,论文在对输入特征进行归一化处理的同时,保留了全局信道功率及各AP间相对功率等辅助信息,既减弱了幅度尺度差异对网络训练的影响,又保留了对定位具有重要意义的大尺度信道特征。
(5)先验预训练与多任务联合优化
论文采用两阶段训练策略。首先,利用仿真生成的时延–角度域信道样本对扩散得分网络进行离线预训练,使其学习不同噪声水平下的信道分布梯度;随后固定得分网络参数,联合训练深度展开接收机与定位模块。
联合训练的损失函数同时包含信道估计误差、数据检测误差和定位误差,使三项任务能够共同指导接收参数的学习。需要说明的是,在线推理采用“先联合信道估计与数据检测,再执行用户定位”的级联结构,而定位任务通过训练阶段的误差反向传播参与通信接收机的优化。
04
实验结果分析
ANALYSIS
实验结果分析
论文基于3GPP UMi-LOS场景下的QuaDRiGa信道开展仿真。典型配置为4个AP,每个AP配备8根天线,协同服务8个单天线用户;系统使用72个共享子载波,并采用QPSK调制。数据集包含10,000组独立信道实现,按照8∶1∶1划分训练、验证和测试集。实验通过信道估计归一化均方误差(NMSE)、数据检测符号错误率(SER)及定位误差累积分布函数(CDF)评估系统性能,并研究不同信噪比(SNR)下的表现。
1. 不同SNR下的通信与定位性能
图4 不同SNR下的信道估计、数据检测与定位性能
图4展示了不同SNR下的通信与定位性能,其中通信性能与WDRCED、PBiGaBP、LMMSE-EP、OJCD-LMMSE、JACD-EP及VB(PFL)等代表性接收算法进行对比。可以看出,在所测试的SNR范围内,DE-JCAL在NMSE和SER方面均优于其他对比算法,其中低SNR下的信道估计优势尤为突出,体现了混合先验在噪声干扰较强时的鲁棒性。此外,随着SNR提高,定位误差CDF逐渐向较小误差方向移动,说明更准确的信道恢复能够提供更加可靠的空间特征,从而改善用户定位性能。
2. 消融实验
图5 不同模块消融及训练策略对比
为验证各模块的有效性,图5对不同先验、符号约束及训练策略进行了消融分析。实验结果表明,移除扩散先验后,信道估计NMSE恶化约2.4~3.1 dB;移除解析稀疏先验后,NMSE恶化约1.2~2.9 dB,验证了两类先验在信道恢复中的互补作用。此外,移除星座凸包投影会导致信道估计和数据检测性能明显下降,说明显式符号约束对联合接收的重要性。相比采用跨层共享先验权重或分阶段独立训练的方案,完整的DE-JCAL框架在通信与定位性能方面总体表现更优,进一步验证了层间自适应先验融合与多任务联合训练的有效性。
05
总结
CONCLUSION
总结
本文针对异步CF-mMIMO系统中的通信与定位需求,提出扩散增强的联合接收框架DE-JCAL。通过融合解析稀疏先验与扩散先验,结合深度展开和多任务联合训练,实现了信道估计、数据检测与用户定位的协同设计。仿真结果验证了所提方法在通信接收方面的性能优势以及定位任务与通信接收联合优化的有效性,展现了模型驱动与数据驱动深度融合的应用潜力。
未来可进一步拓展至超循环前缀(CP)异步传输及非理想硬件条件下的复杂通信场景,并结合实际系统部署需求,研究更加鲁棒、高效的通信与定位联合接收方法,进一步提升所提框架的适用性与工程应用价值。
END
扫描二维码关注我们
推荐站内搜索:最好用的开发软件、免费开源系统、渗透测试工具云盘下载、最新渗透测试资料、最新黑客工具下载……



