基于广义柔性智能超表面的训练高效多用户上行信道估计

研究聚焦基站侧广义柔性智能超表面的多用户上行信道估计。系统采用窄带远场传播假设，并遵循双时间尺度机械协议：慢速状态下，面板在平面网格内刚性平移；快速状态下，面板沿法向改变形态。正交多用户导频使各用户信道呈现四阶标准多项式张量结构，为减少训练开销和开展配置预测建立统一模型。

在此基础上，作者提出两种互补估计方法：一种通过交替最小二乘进行张量分解，并结合配对旋转不变性提取波向量；另一种采用张量空间平滑与多重信号分类方法，以保持多线性阵列流形。两类方法共享最小描述长度前端，用于自动检测张量秩。研究还推导了张量分解的可辨识条件，明确阵元数量、形态状态数、网格位置与可恢复多径分量上限之间的关系。

理论与数值结果表明，该模型能够重构训练网格之外的信道配置。配置选择型多用户发射预编码器可据此遍历整个运动网格，在不增加额外导频的条件下选择配置；当模型阶次得到正确确定时，基于估计信道与基于理想信道的配置选择结果一致。与孔径和训练预算相同的固定面板相比，灵活重构带来的增益随用户负载增加。快速形态变化的主要作用是改善张量分解条件，而非直接产生波束形成增益。

【空音视角】 这项工作的意义在于，将机械配置、稀疏导频和多用户信道统一到可辨识的张量模型中，并通过模型外推减少逐状态训练。对无线局域网感知与非接触监测而言，这提示同类系统可重视结构化标定、模型阶次选择和配置规划，而非单纯增加采样。其思路有助于提升复杂多径环境下的状态感知效率，但实际应用仍需权衡硬件控制、通信与感知任务之间的资源配置。

—— 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/2610.29658