当前位置：首页 > news >正文

基于PARAFAC的BD-RIS信道估计PALS算法解析

news 2026/5/10 3:08:24

1. 项目概述

在无线通信系统中，信道估计是实现可靠传输的基础环节。随着MIMO（多输入多输出）技术和RIS（可重构智能表面）的广泛应用，传统的信道估计方法在处理高维耦合信号时面临严峻挑战。特别是在BD-RIS（超对角可重构智能表面）架构中，由于元件间存在复杂的耦合关系，使得训练和硬件控制变得异常困难。

PARAFAC（平行因子分解）作为一种强大的多线性代数工具，能够将高维数据分解为低秩因子矩阵，显著降低计算复杂度。本文提出的PALS（PARAFAC-based Alternating Least-Squares）算法，正是基于这一思想，为BD-RIS系统设计了一种高效的信道估计方案。

核心创新：PALS通过固定BD-RIS的互联拓扑结构，仅需更新相位系数，实现了硬件友好的低复杂度设计。这种结构化的低秩参数化方法，相比传统方案减少了近80%的控制变量。

2. 系统模型与问题定义

2.1 BD-RIS架构特点

BD-RIS与传统对角RIS的关键区别在于其散射矩阵结构：

对角RIS：散射矩阵为对角阵，元件间无耦合
BD-RIS：支持组连接（group-connected）或全连接架构，允许元件间能量交互

这种增强的耦合能力虽然提升了系统性能，但也带来了两个主要挑战：

信道估计复杂度：需要同时估计Tx-RIS和RIS-Rx的信道
硬件实现难度：训练过程中需要频繁重构散射模式

2.2 信号模型数学表述

考虑一个由发射端（MT天线）、接收端（MR天线）和BD-RIS（N个元件）组成的系统。采用两时间尺度协议：

长时尺度：保持信道参数不变
短时尺度：在K个连续块中更新BD-RIS配置

第k个训练块接收的信号矩阵可表示为：

Y_k = \sum_{q=1}^Q G^{(q)}S_k^{(q)}H^{(q)T}X^T + B_k

其中：

G^(q),H^(q)：第q组的信道矩阵
S_k^(q)：第k块的散射矩阵
X：已知的导频矩阵
B_k：加性噪声

3. PARAFAC分解的核心思想

3.1 张量建模的优势

与传统矩阵方法相比，张量建模具有以下独特优势：

维度保持：不破坏信号的多线性结构
可辨识性：满足一定条件下可保证解的唯一性
计算效率：通过低秩近似降低参数维度

3.2 PARAFAC参数化设计

对每个BD-RIS组的散射张量进行PARAFAC分解：

S^{(q)} = I_{3,\bar{R}} \times_1 \bar{P}_1 \times_2 \bar{P}_2 \times_3 P_3^{(q)}

关键设计特点：

固定空间因子\bar{P}_1,\bar{P}_2：保持互联拓扑不变
仅更新块相关因子P_3^(q)：通过相位调整实现训练

这种设计使得参数数量从传统方法的\bar{N}^2K降至(2\bar{N}+K)\bar{R}，当\bar{R} << \bar{N}时复杂度显著降低。

4. PALS算法实现细节

4.1 交替最小二乘框架

PALS算法的核心是通过交替求解以下两个子问题：

G估计：

\hat{G} = Y_{(1)}[P_1(P_S \diamond (XHP_2))^T]^+

H估计：

\hat{H} = X^H Y_{(2)}[P_2(P_S \diamond GP_1)^T]^+

其中^+表示伪逆，\diamond为Khatri-Rao积。算法流程如下：

随机初始化H^(0)
for i=1 to I_max do
- 更新G^(i)：固定H^(i-1)求解
- 更新H^(i)：固定G^(i)求解
- 计算重构误差ε^(i)
- if |ε^(i)-ε^(i-1)| < η then break
end for

4.2 可辨识性条件分析

为保证信道估计的唯一性，系统参数需满足：

K \geq \max\left(\frac{\bar{N}Q}{T}, \frac{\bar{N}Q}{M_R}\right)

这与传统LS方法要求的K ≥ \bar{N}^2Q相比大幅降低了训练开销。

5. 实现中的关键考量

5.1 硬件友好设计

PALS的硬件实现优势体现在：

控制简化：只需调整相位系数，无需改变互联拓扑
存储优化：仅需保存低维因子矩阵
实时性：减少重新配置的延迟

5.2 参数选择建议

根据实际部署经验，推荐：

秩选择：\bar{R} ≈ \bar{N}/2（平衡精度与复杂度）
导频设计：X应满足T ≥ M_T且列满秩
因子初始化：空间因子建议采用截断DFT矩阵

6. 性能评估与对比

6.1 实验设置

测试场景参数：

BD-RIS元件数：N=16
收发天线：M_R=10, M_T=6
训练块：K=10
组内秩：\bar{R}=5

6.2 结果分析

个体信道估计：
- H估计略优于G（NRMSE低约1.5dB）
- 增加组数Q可提升估计精度（多样性增益）
对比实验：
方法复合信道NRMSE 控制参数数量
LS -8.2dB O(\bar{N}^2K)
BTALS -24.7dB O(\bar{N}^2K)
PALS -24.3dB O((2\bar{N}+K)\bar{R})