课题组在超大规模MIMO近场波束域特性方面研究工作受到关注
近日，“6G近场技术”微信公众号，报道了我们课题组在超大规模MIMO近场波束域特性方面的研究工作，网页链接是https://mp.weixin.qq.com/s/cr5qwuput0H3xrmZe8uMCA
我们的多项研究成果已在IEEE Communications Magazine、IEEE Transactions on Wireless Communications、IEEE Journal of Selected Topics in Signal Processing 及 IEEE Transactions on Vehicular Technology 等通信领域相关的主流期刊上发表，特别是论文Near-Field Multiuser Communications based on Sparse Arrays被列为IEEE Journal of Selected Topics in Signal Processing当期的封面论文。这些工作深入分析了近场波束域的基本性质，揭示了其在波束聚焦能力与波束覆盖范围等方面的规律，并进一步论证了其在波束聚焦、波束训练、波束跟踪以及信道估计等关键技术中的潜在价值。上述研究不仅为理解超大规模天线阵列的近场波束特性提供了新视角，也为相关理论的发展与工程实践奠定了基础。相关研究工作得到了多项国家自然科学基金项目以及国家重点研发计划项目的资助。
超大规模天线阵列，或称为超大规模MIMO，通过大幅增加天线数量，能充分发掘空域的自由度，被广泛认为是提升未来无线通信性能的关键技术之一。天线数量的大幅增长导致部分通信区域由远场转变为近场，使得信道模型从远场下的平面波传播转变为近场下的球面波传播。由于两者在信道特性上存在显著差异，传统基于远场假设的通信方法在近场环境中面临失效。因此，面向近场通信特性的理论与技术已成为当前研究的重要方向之一。
在远场，信道导向矢量与波束域之间可通过傅里叶变换建立联系，使得远场波束特性能够直观呈现，从而为相关技术的发展提供了重要支撑。然而，在近场，由于信道模型发生根本变化，傅里叶变换在揭示近场波束域特性方面的适用性显著降低。因此，亟需构建新的分析工具和方法，以类似傅里叶变换在远场中的作用，有效刻画近场波束域的基本规律，从而推动近场波束相关技术的研究与应用。
基于近场信道导向矢量和二次相位信号的相似性，我们提出了采用分数阶傅立叶变换将近场信道变换至近场波束域的方法[1]，如图1所示。基于波束域中波束增益的分布，进一步将近场波束域划分为高主瓣区、低主瓣区和旁瓣区，并对高主瓣区和低主瓣区的特性进行了详细分析，获得如下几点结论：（1） 波束聚焦能力：近场波束聚焦能力在角度维度上随天线数量线性增长，而在距离维度上则随天线数量二次增长。（2）高主瓣区特性：高主瓣区的角度维度波束宽度为二除以天线数目，距离维度波束宽度为七除以天线数的平方。高主瓣区的波束增益可近似为二维高斯函数，从而获得了波束增益和距离角度间的简洁闭式表达式。（3）低主瓣区特性：利用不动相准则，给出了低主瓣区波束增益的近似闭式解，表明低主瓣区的波束增益平方随聚焦区域与目标区域间距离差的增大而线性减小，低主瓣区的角度宽度则随此距离差的增大而线性增大。（4）其他特性：近场波束域满足帕斯瓦尔关系，具有平移不变性，且可通过快速分数阶傅立叶变换算法进行高效计算。
图1. 远场与近场波束域对比图
鉴于常规半波长间隔均匀阵列的超大规模MIMO近场通信系统存在硬件成本过高的问题，我们进一步探索了基于稀疏阵列的近场通信技术，并率先提出了基于非均匀稀疏MIMO阵列的近场通信方案[2]。首先，我们分析了均匀稀疏阵列波束域特性，发现其相较于半波长间隔均匀阵具有周期性波束增益、波束聚焦能力更强以及空间分辨率更高这三大特点。然而，受限于其周期性波束特性，均匀稀疏阵存在栅瓣效应，导致严重的多用户干扰。鉴于栅瓣主要由天线阵元的均匀排布引起，我们进一步提出了采用非均匀稀疏阵列结构以有效抑制栅瓣，提高了系统性能。
图2 均匀稀疏阵与非均匀稀疏阵近场波束域对比图
基于近场波束域的分析，我们提出了一种低开销高精度的三阶段混合场波束训练方案[3]。在第一阶段，设计了如图3所示的由梯形码字构成的初始码本，用于粗略获取信道路径的方向与距离信息。在第二阶段，根据第一阶段波束训练的结果确定当前信道路径所在的区域。然后，将包括该区域的多个码字进行组合形成第二阶段的码本。通过逐个测试第二阶段码本中的每个码字，获得了多个信道测量值。基于这些测量值，分别采用最大似然和不动相位准则的方法获得信道参数估计值。在第三阶段，首先在第二阶段获得的信道参数估计值周围进行邻域搜索，以进一步确定信道路径的可能区域。鉴于近场波束增益可近似为二维高斯分布，我们提出了基于最小二乘准则的高精度估计算法，实现了对信道参数的精确提取。
图3 所设计的由梯形码字组成的码本图
考虑到实际应用中，部分连接架构相比于全连接架构能大幅降低硬件复杂度，因此，我们提出了适合于部分连接架构超大规模阵列的波束训练、波束细化和波束跟踪方法[4]。在波束训练阶段，针对预设的混合场码本中的每个码字，设计了专用的数字波束合并向量。通过利用这些合并向量对对应空间进行训练，叠加多个子阵列的增益以逼近全阵列性能，从而充分发挥数字域的并行处理能力，显著提升训练效率。最终，通过选择数字加权后功率最大的码字作为训练结果，实现了高效波束初选。为缓解波束训练过程中的量化误差，我们进一步提出了一种适用于远近混合场景的波束细化方法。基于不动相位准则与时频对偶原理，推导出模拟合并后的子阵接收信号表达式，并获得信道角度与距离的闭式估计值。此外，为降低开销，我们还提出了一种面向近场通信的波束跟踪方法。考虑到近场信道同时依赖于角度与距离，采用运动学模型刻画信道动态特性。在每个时隙内，通过波束细化方法实时估计了用户的角度与距离以确定其位置，进而结合卡尔曼滤波融合位置估计与运动学模型，实现了近场信道的连续跟踪与预测。
图4 所提码本挑选方法示意图
考虑到机器学习在非线性预测方面具有优势，我们提出了一种基于深度学习的近场波束训练方案[5]。该方法首先从角度–距离二维空间构建的码本中，均匀选取部分码字用于初始训练。例如，如图4所示，从8x8的二维码本中每4个码字中挑选1个码字，使得所选码字在角度和距离维度上分布尽可能均匀。随后，利用这些码字训练深度神经网络，并基于网络输出的概率向量联合估计出最优的角度和距离参数，从而匹配当前近场信道。为进一步提升波束训练性能，我们还提出了一种基于补充码字的增强方案。该方案根据深度神经网络输出的概率分布，确定了一组补充码字用于追加训练，以进一步提高波束训练的精度和鲁棒性。此外，我们还提出了基于卷积神经网络的近场波束训练方案和基于长短期记忆网络的近场波束跟踪方案[6]。如图5所示，在基于卷积神经网络的波束训练方案中，我们利用低主瓣区三角形的波束特性对波束空间进行覆盖，设计了有限码本进行波束扫描，从而大幅降低了训练开销，然后利用卷积神经网络的预测能力，基于扫描结果预测了完整码本中的最佳码字，从而确定了最终的波束聚焦位置。该预测分两阶段完成。在第一阶段，卷积神经网络对初始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，随后卷积神经网络根据补测结果预测出完整码本中的最佳码字，从而更精确地确定波束聚焦的角度和距离。此外，在基于长短期记忆网络的波束跟踪方案中，每个周期仅需小范围补测码字扫描就能够精确预测下一周期波束角度和距离，从而大幅降低了训练开销。
图5 有限码本、补测码字和完整码本示意图
不同于目前常见的混合波束成形，我们还探索了一种用于近场多用户通信的纯模拟波束成形方法[7]。如图6所示，利用近场波束聚焦能力，精细化地设计波束增益分布模式可以有效抑制用户间干扰，从而提高传输效率。现有的近场多用户通信方案大多基于混合波束成形架构，需要进行高质量的等效信道估计，以获取用于数字波束成形的信道状态信息。为了简化系统架构并避免等效信道估计所需的导频开销，团队研究了基于纯模拟波束成形架构的近场多用户通信技术。首先研究了纯模拟波束成形替代混合波束成形的可行性，然后为了满足实际应用的需要，提出了一种基于非完美信道状态信息的纯模拟波束成形方案。该方案将和速率最大化问题转化为目标用户功率最大化同时非目标用户功率最小化的问题。为了解决这一非凸问题，使用波束聚焦和波束零陷进行纯模拟波束成形，并利用Majorization-Minimization算法优化求解。
图6. 波束聚焦与波束零陷示意图
总之，我们从波束域的角度系统地揭示了超大规模MIMO近场信道的特性，相关研究工作表明，近场信道与近场波束域之间可通过分数阶傅里叶变换建立联系。基于波束增益分布，我们将近场波束域划分为高主瓣区、低主瓣区和旁瓣区，并深入分析了高主瓣区与低主瓣区的特性。在此基础上，围绕波束训练与波束跟踪，提出了一系列近场通信技术方案。相关成果有力推动了近场通信理论的发展，并为超大规模天线阵列的工程化部署提供了理论支撑。后续的研究工作可进一步考虑不同的天线阵列架构。例如，未来无线网络中需要支持多频段通信，不同频段通常对应不同尺寸的天线阵列，若所有频段均采用超大规模阵列，将带来显著的空间占用与硬件开销。为此，可考虑引入频率可重构天线技术，构建多频共口径的超大规模天线阵列，以适应多频段通信的需求[8]。此外，还可将辐射方向图可重构天线技术集成至超大规模阵列中，进一步提升系统的设计自由度与整体性能[9]。
参考文献：
Kangjian Chen, Chenhao Qi, Jingjia Huang, Octavia A. Dobre and Geoffrey Ye Li, “Near-field communications for extremely large-scale MIMO: A beamspace perspective,” IEEE Communications Magazine, vol. 63, no. 5, pp. 166-172, May 2025.
Kangjian Chen, Chenhao Qi, Geoffrey Ye Li and Octavia A. Dobre, “Near-field multiuser communications based on sparse arrays,” IEEE Journal on Selected Topics in Signal Processing, vol. 18, no. 4, pp. 619-632, May 2024.
Kangjian Chen, Chenhao Qi, Octavia A. Dobre and Geoffrey Ye Li, “Triple-refined hybrid-field beam training for mmWave extremely large-scale MIMO,” IEEE Transactions on Wireless Communications, vol. 23, no. 8, pp. 8556-8570, Aug. 2024.
Kangjian Chen, Chenhao Qi, Cheng-Xiang Wang and Geoffrey Ye Li, “Beam training and tracking for extremely large-scale MIMO communications,” IEEE Transactions on Wireless Communications, vol. 23, no. 5, pp. 5048-5062, May 2024.
Guoli Jiang and Chenhao Qi, “Near-field beam training based on deep learning for extremely large-scale MIMO,” IEEE Communications Letters, vol. 27, no.8, pp. 2063-2067, Aug. 2023.
Ying Wang, Chenhao Qi, Wentao He, and Arumugam Nallanathan, “Near-field beam training and tracking with deep learning for extremely large-scale MIMO,” IEEE Transactions on Vehicular Technology, early access, Jun. 2025.
Ying Wang and Chenhao Qi, “Analog-only beamforming for near-field multiuser MIMO communications,” Frontiers of Information Technology & Electronic Engineering, vol. 26, no. 4, pp.639-651, Apr. 2025.
Kangjian Chen, Chenhao Qi and Octavia A. Dobre, “DBRAA: Sub-6 GHz and millimeter wave dual-band reconfigurable antenna array for ISAC,” IEEE Transactions on Communications, early access, May 2025.
Kangjian Chen, Chenhao Qi, Yujing Hong and Chau Yuen, “REMAA: Reconfigurable Pixel Antenna-based Electronic Movable-Antenna Arrays for Multiuser Communications,“ IEEE Transactions on Communications, early access, 2025.