研究提出基于深度学习的三混合MIMO预编码框架 融合电磁域自由度提升频谱效率

近年来，电磁可重构天线因其每个阵元可提供多种候选辐射图案，被视为在传统空间域之外引入了新的设计维度。研究人员将这种辐射图案可重构性视为"电磁域预编码"，与已有的模拟域和数字域预编码相叠加，形成所谓"三混合"预编码架构，试图在宽带多用户MIMO-OFDM系统中进一步挖掘频谱效率潜力。

三域预编码的联合设计复杂度极高，传统数值求解方法在工程实时性上面临挑战。为此，该研究提出了一种名为Tri-PNet的深度学习网络，其核心是采用Conformer这一融合卷积神经网络局部建模能力与Transformer全局依赖建模能力的新兴架构。整个网络以最大化平均和速率频谱效率为目标，以无监督方式进行训练，端到端地联合学习电磁域、模拟域与数字域三部分预编码参数。

在具体设计上，Tri-PNet由两个子网络构成：辐射图案选择子网络RPSNet使用Conformer编码器捕捉频域上的局部与全局相关性；混合模数预编码子网络HPNet则结合交叉注意力与双路径处理，并以奇异值分解和迫零算法为先验引导。研究人员分别在非规则模式与3GPP TR 38.901模式两种典型辐射图案配置下进行了仿真验证。

仿真结果表明，Tri-PNet在两种模式下均显著优于随机电磁预编码以及不含电磁预编码的传统混合MIMO方案，其性能可接近贪婪式电磁预编码搜索方案，同时在线计算复杂度大幅下降。此外，该方案在不完美信道状态信息条件下仍表现出较强的鲁棒性，更贴近实际部署场景。

【空音视角】 从WiFi感知与非接触式生命体征监测的角度看，该研究的核心关注点在于通信侧的频谱效率优化，与监测应用所依赖的信道状态信息质量存在间接关联。MIMO预编码方案会影响WiFi信号的发射结构与信道响应的可分辨性，从而对基于CSI的行为感知、呼吸监测等应用产生潜在影响。当前主流WiFi感知方案普遍运行在商用WiFi协议框架内，研究端MIMO预编码架构的演进，特别是引入AI驱动的联合设计思路，值得作为长期技术趋势持续关注；但该方向短期内对感知侧实际部署方案的影响仍需结合具体硬件与协议演进加以评估。

—— 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/2609.39167