博士生王莹在IEEE TVT上发表深度学习近场波束训练与跟踪的论文

2025年6月，博士生王莹在戚晨皓教授指导下撰写的第一作者论文“Near-Field Beam Training and Tracking with Deep Learning for Extremely Large-Scale MIMO”，被IEEE车辆技术学会（Vehicular Technology Society，VTS）旗舰刊物IEEE Transactions on Vehicular Technology录用。论文的第一作者是博士生王莹同学，第二作者是王莹的导师戚晨皓教授，第三作者是硕士生何文韬同学，第四作者是英国伦敦玛丽女王大学的Arumugam Nallanathan教授。

在超大规模MIMO系统中，瑞利距离可达上百米。此时，瑞利距离覆盖范围内的近场效应不可忽略。不同于仅在角度域表现出稀疏性的远场通信，近场通信在角度和距离两个维度内表现出稀疏性，维度的提升导致用于波束训练和波束跟踪的码本中的码字数大幅增加，从而引起了过高的训练开销。因此针对超大规模MIMO系统的近场通信场景，为了降低训练开销，本论文提出了基于卷积神经网络（Convolutional Neural Network，CNN）的波束训练方案和基于长短期记忆网络（Long Short-Term Memory ，LSTM）的波束跟踪方案。

用于波束训练的两阶段CNN网络结构

在基于CNN的波束训练方案中，我们首先利用有限角斜域码本进行波束扫描，从而大幅减少训练开销，然后利用CNN的预测能力，基于扫描结果预测完整角斜域码本中的最佳码字，从而确定最终的波束聚焦位置。如上图所示，该预测分两阶段完成。在第一阶段，CNN网络对有限角斜域扫描结果进行降噪处理，粗略预测出用户所在角度范围。在第二阶段，根据第一阶段的结果进行了小范围补测，随后CNN根据补测结果预测出完整角斜域码本中的最佳码字，从而更精确地确定波束聚焦的角度和距离。此外，在基于LSTM的波束跟踪方案中，每个周期仅需小范围波束扫描就能够精确预测下一周期波束角度和距离，从而大幅减少训练开销。仿真结果表明，相比于现有方案，所提出的基于CNN的波束训练方案和基于LSTM的波束跟踪方案显著降低了训练开销，另外在可达速率和归一化增益方面能获得更佳的性能。