半盲流体天线系统：基于统计方法实现端口选择
针对流体天线系统（FAS）依赖完整信道状态信息（CSI）的工程瓶颈，研究者提出了一种基于不完整CSI的半盲FAS方案。该方案无需预训练或深度学习结构，通过条件分布估计识别统计最优端口，在显著减少端口测量和切换需求的同时，性能可逼近理想FAS。研究还揭示了端口采样策略对估计性能的关键影响。
流体天线系统（FAS）凭借位置可重构特性，为下一代无线通信提供了灵活的硬件新范式。然而，传统理想FAS方案要求在每个通信时隙内获取全部端口的信道状态信息（CSI），这对信道估计开销和硬件切换速度提出了很高要求，制约了其在实际场景中的部署。
为降低上述开销，研究者提出了基于不完整CSI的半盲FAS方案。该方案以FAS的时空框架为基础，利用不完整的历史CSI对目标时隙所有端口的条件分布进行估计，进而从统计角度选出最优信号接收端口。方案无需预训练，也不依赖深度学习结构，具备轻量化、计算高效的特点，且端口数量与时隙数可灵活扩展。
研究受信息论熵概念启发，进一步提出残差熵功率比指标，用于刻画半盲FAS与理想FAS之间的性能差距及其受物理参数的影响。分析表明，估计性能不仅取决于采样端口数和时隙数，还高度依赖具体端口采样策略——这一关键因素在既有端口估计研究中被普遍忽视。
数值仿真结果显示，所提半盲FAS在显著减少端口CSI测量和降低切换速度需求的同时，性能可与理想FAS相当，部分场景下二者难以区分。
【空音视角】 从非接触式感知与WiFi信道分析的角度看，半盲FAS提出以不完整CSI推断全端口条件分布的思路颇具启发意义。在睡眠呼吸监测、跌倒检测等典型应用场景中，感知端同样面临子载波与天线维度上信道信息不完备的现实约束，如何用更少测量换得更稳健的状态估计，是工程落地的核心痛点。该方案规避深度学习、强调统计可解释性的设计取向，与边缘侧低功耗部署需求高度契合；通信领域对信道时空结构的新理解，也有望反哺感知侧的信道建模与特征提取工作。
—— 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/2608.08339
来源：arXiv 信号处理（查看原文）