面向6G网络的通用且鲁健的束预测：基于位置特征融合的深度学习框架
信号处理
2026-02-11 v1
摘要
束形成(BF)是提高第五代(5G)及更高无线网络系统容量的关键技术，但在超大型多输入多输出(MIMO)系统中进行全网束训练会产生巨大的开销。为此，我们提出一种基于深度学习的框架，利用位置感知特征以提高束预测精度的同时降低训练成本。该方法使用空间坐标标签监督位置提取分支，并通过特征融合模块将生成的表示与束域特征相集成。采用双分支 RegNet 架构，以联合学习位置相关特征和通信特征进行束预测。引入自适应融合和对抗融合两种融合策略，以实现高效的特征集成。该框架在 3.5 GHz 频率下，依据 3GPP 规范在四个城市场景中测试的 DeepMIMO 模拟器生成的数据集上进行评估，其中同时提供参考信号接收功率和用户设备位置信息。在分布内和分布外设置下进行的仿真结果表明，所提出的方法持续优于传统基准方法，通过有效融合位置信息，实现了更准确和更鲁健的束预测。
引用
@article{arxiv.2602.09685,
title = {Generalizable and Robust Beam Prediction for 6G Networks: An Deep-Learning Framework with Positioning Feature Fusion},
author = {Yanliang Jin and Yunfan Li and Jiang Jun and Yuan Gao and Shengli Liu and Jianbo Du and Zhaohui Yang and Shugong Xu},
journal= {arXiv preprint arXiv:2602.09685},
year = {2026}
}