大模型 AI 在近场波束预测中的应用：基于 CNN-GPT2 的6G超大规模 MIMO 框架
信号处理
2025-10-28 v1
摘要
毫米波通信中极大规模天线阵列（ELAA）的出现，尤其是在高速移动场景中，凸显了近场波束预测的重要性。不同于传统的远场假设，近场波束预测需要构建同时覆盖角度和距离域的码表，这导致飞行器开销显著增加。此外，与远场情况相比，近场最优波束指数表现出因其对用户角度和距离的联合依赖而呈现突变和非线性动力学，这给时序建模带来了重大挑战。为此，我们提出一种基于卷积神经网络-生成式预训练变换器2（CNN-GPT2）的近场波束预测框架。具体而言，设计了上行飞行器传输策略，通过宽波束模拟前导码和频率可变数字前导码实现高效信道探测。对接收到的飞行器信号进行预处理并通过基于 CNN 的特征提取器，随后由 GPT-2 模型捕获跨多帧的时序依赖性，端到端地预测近场波束指数。
引用
@article{arxiv.2510.22557,
title = {Large-Model AI for Near Field Beam Prediction: A CNN-GPT2 Framework for 6G XL-MIMO},
author = {Wang Liu and Cunhua Pan and Hong Ren and Wei Zhang and Cheng-Xiang Wang and Jiangzhou Wang},
journal= {arXiv preprint arXiv:2510.22557},
year = {2025}
}