物理引导神经网络降低智能反射面配置测量开销

研究聚焦单输入单输出的智能反射面链路配置，将整体过程划分为信道估计与优化配置两个阶段。估计阶段通常采用导频信道估计，或利用接收信号强度重建信道。硬件测试观察到，不同数据块之间存在明显的相位演化，其特征与残余载波频偏一致。

仿真结果表明，若不补偿这类相位旋转，导频信道估计的性能可能严重下降；接收信号强度估计受到的影响相对较小，但传统方法往往需要大量测量，才能使接收信噪比接近理想水平。因此，测量开销成为智能反射面配置优化的重要约束。

为此，研究提出面向接收信号强度信道估计的参数化物理引导神经盲波束形成方法，将物理特征引入神经网络估计过程。仿真与硬件实验均显示，该方法使用显著更少的接收信号强度测量，可获得接近完美信道状态信息情形的接收信噪比，并与现有方法表现相当。研究说明，物理约束与神经网络结合，有望在降低采样成本的同时保持信道估计与配置性能。

【空音视角】 从无线感知与非接触监测的工程实践看，链路状态估计的测量成本会影响设备功耗、部署周期和持续运行能力。该研究提示，物理引导学习可在减少采样的同时保持信道估计精度，对依赖稳定无线链路的感知场景具有参考价值；实际应用仍需结合硬件漂移、复杂环境及算法泛化能力进一步验证。

—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2610.27972