《Journal of Communications and Networks》：CSI-based beamforming and localization for massive MIMO using deep learning
编辑推荐：
隨著6G時代對集成傳感與通信(ISAC)能力的需求日益增長，如何高效利用信道狀態信息(CSI)以同時提升通信效能與感知精度成為關鍵難題。本研究針對此問題，創新性地引入多任務深度學習架構，利用卷積神經網絡(CNN)提取CSI特徵，並通過全連接網絡同步優化波束成形選擇與用戶定位。結果表明，所提模型在使用64天線時，Top-1波束成形分類準確率高達78.2%，定位誤差最低可達2.11米，相較傳統單任務模型，分類準確率提升最高達7%，定位誤差降低最高達81%。這項工作為6G ISAC系統的實際部署提供了高效、一體化的解決方案，具有重要的理論與實踐意義。
在邁向6G的通信藍圖中，集成傳感與通信(Integrated Sensing and Communication, ISAC)被視為一項顛覆性的技術範式。它夢想讓未來的無線網絡不再只是傳輸數據的管道，而是能同時感知物理世界的“智能體”，實現通信與感知的協同增效。然而，理想豐滿，現實骨感。傳統的無線系統設計往往是“鐵路警察，各管一段”，通信模塊和感知模塊獨立優化，導致寶貴的無線資源（如頻譜、功率、天線）無法共享，硬件效率低下。更令人頭疼的是，在擁有海量天線的大規模MIMO(Massive MIMO)系統中，如何從複雜的無線信道“迷宮”裡，既快速又準確地找到最優的波束指向用戶（波束成形），又能精確判斷用戶身處何方（定位），成為一個計算複雜度高、難以兩全的挑戰。
為了解決這一雙重挑戰，研究團隊在《Journal of Communications and Networks》上發表了一項創新研究，巧妙地將深度學習(Deep Learning)這把“瑞士軍刀”應用於ISAC場景。他們的核心思路是：告別“單打獨鬥”的傳統模型，設計一個能“一心二用”的智能神經網絡，讓它同時攻克波束成形選擇和用戶定位這兩個任務。他們意識到，承載著信道特徵的寶庫——信道狀態信息(Channel State Information, CSI)，正是連接這兩個任務的天然橋樑。於是，研究人員構建了一個多任務深度學習框架。該框架首先利用擅長捕捉空間特徵的卷積神經網絡(Convolutional Neural Network, CNN)對原始的CSI數據進行深度特徵提取，就像一位經驗豐富的偵探從雜亂的線索中梳理出關鍵模式。隨後，這些提煉後的高級特徵被送入一個全連接神經網絡，這個網絡“兵分兩路”：一路負責從眾多預定義的波束成形方案中選出最優解（分類任務）；另一路則根據這些特徵估算出用戶的具體位置（回歸任務）。為了確保模型不會“偏科”，在訓練過程中，他們引入了一個加權損失函數，像一位公正的教練，動態平衡兩個任務的重要性，引導模型在波束成形的準確性和定位的精確性之間找到最佳平衡點。
研究團隊為開展此項工作，主要應用了幾個關鍵技術方法：首先，構建了一個包含大規模MIMO系統下CSI數據、對應最優波束成形索引以及用戶真實位置坐標的數據集，用於模型訓練與測試。其次，設計並實現了一個基於CNN特徵提取器的多任務深度學習神經網絡架構。該架構的核心是通過共享的CNN層處理原始CSI輸入，其後分支為兩個任務特定的全連接層，分別輸出波束分類結果和位置坐標。最後，採用了一種自定義的加權損失函數來聯合優化兩個任務的目標。
模型架構與訓練
研究提出了一個端到端的多任務深度學習模型。該模型以原始CSI數據作為輸入，通過多層CNN自動學習信道中的空間特徵。這些特徵隨後被餵入兩個並行的全連接分支網絡。一個分支負責執行多類別分類，從候選碼本中識別出最優的波束成形向量；另一個分支則執行回歸分析，直接輸出用戶在二維平面上的坐標估計值(x, y)。在模型訓練階段，研究採用加權和的方式結合了分類任務的交叉熵損失和定位任務的均方誤差損失，從而實現單一模型對雙重目標的協同優化。
實驗結果與分析
通過在模擬生成的大規模MIMO數據集上進行系統性實驗，該研究得出了以下關鍵結果：
- 1.
波束成形分類性能卓越：在64天線的配置下，所提出的多任務模型在Top-1準確率（即首選波束即為最優波束）上達到了78.2%，而在Top-3準確率（最優波束出現在前三候選中）上更是獲得了高達99.21%的優異成績。這表明模型能夠極其可靠地篩選出性能優良的波束成形方案。
- 2.
用戶定位精度顯著提升：在定位任務上，模型取得了最低至2.11米的平均定位誤差。這一精度水平對於許多基於位置的服務應用而言具有實用價值。
- 3.
多任務學習的優勢驗證：與專門針對單一任務（僅波束成形或僅定位）訓練的基準模型相比，本研究的多任務模型展現出顯著的綜合優勢。在波束成形分類準確率上，其提升幅度最高可達7%；而在降低定位誤差方面，效果更為驚人，誤差減少了最高達81%。這強有力地證明了，通過共享CSI特徵表示，兩個任務之間存在著積極的知識遷移與協同效應，實現了“1+1>2”的效果。
- 4.
模型魯棒性與泛化能力：研究還通過對不同天線數量、信噪比條件以及場景配置的測試，初步驗證了所提方法在不同系統參數下的魯棒性和一定的泛化能力。
該研究的結論與討論部分強調，這項工作成功驗證了利用單一深度學習模型同時處理ISAC系統中波束成形與用戶定位雙重任務的可行性與優越性。所提出的基於CNN的多任務框架，不僅大幅提升了波束選擇的準確率和定位精度，更重要的是，它提供了一種高效、一體化的解決思路，減少了系統中並行運行多個專用模塊的計算開銷與設計複雜度。這對於資源受限的移動設備和需要低延遲響應的6G應用場景（如自動駕駛、擴展現實）具有重要意義。論文明確指出，這種“感知即通信，通信即感知”的深度學習賦能範式，為未來6G網絡實現更高層次的智能與集成開闢了新的技術路徑。儘管當前研究基於特定模擬環境，但其展現出的潛力鼓勵後續研究在更複雜的信道模型、移動性場景以及實際硬件原型上進行進一步的探索與驗證。
