大规模MIMO系统统计信道指纹构建：统一张量学习框架
机器学习
2026-05-01 v1 人工智能
信息论
信号处理
math.IT
摘要
信道指纹(CF)被视为促进大规模多输入多输出(MIMO)通信系统信道状态信息(CSI)获取的关键使能器。本文探讨了一种新型CF，即将统计CSI(sCSI)存储在每个潜在位置的统计信道指纹(sCF)。具体而言，我们揭示了sCSI，即信道空间协方差矩阵(CSCM)与信道功率角谱(CPAS)之间的关系。基于此基础，我们构建了sCF的统一张量表示，进一步通过利用CSCM的特征值分解及其与PAS的相关性来降低其维度。鉴于测量成本、隐私和安全等实际约束，我们关注三个典型场景并统一将其形式化为张量恢复任务。为此，我们提出了统一的基于张量的学习架构，称为LPWTNet。该架构包含闭形式的拉普拉斯金字塔(LP)分解和重建框架，取代传统的编码器-解码器结构，实现高效推理并捕获sCF的多尺度频率子带特征。此外，引入共享掩码学习策略，通过层级调整来自适应细化sCF的高频分量。为获得更大的感受野而避免过度参数化，我们进一步提出一种基于小核卷积的机制，其基于小波变换(WT)，跨越sCF的不同频率成分进行卷积，从而增强特征提取效率。大量实验表明，在 various sCF构建场景中，与当前最先进的基线方法相比，所提出的方法在重建精度和计算效率方面表现出竞争力。
引用
@article{arxiv.2604.27574,
title = {Statistical Channel Fingerprint Construction for Massive MIMO: A Unified Tensor Learning Framework},
author = {Zhenzhou Jin and Li You and Xiang-Gen Xia and Xiqi Gao},
journal= {arXiv preprint arXiv:2604.27574},
year = {2026}
}
备注
15 pages, 7 figures