博士生陈康建在IEEE TWC发表近场宽带通信块稀疏信道估计论文

2026年4月，博士生陈康建在戚晨皓教授的指导下，撰写的第一作者论文“Near-Field Wideband Channel Estimation with Block Sparsity”被无线通信领域旗舰SCI期刊IEEE Transactions on Wireless Communications（SCI影响因子10.7）录用。论文的第一作者是博士生陈康建同学，第二作者是陈康建的导师戚晨皓教授，第三作者是新加坡南洋理工大学的 Chau Yuen 教授，第四作者是加拿大纽芬兰纪念大学的 Octavia A. Dobre 教授。

随着未来无线通信系统对高速率传输和海量连接能力提出更高要求，毫米波通信凭借丰富的频谱资源受到广泛关注。为补偿毫米波频段严重的路径损耗，基站侧可配置超大规模天线阵列，并借助波束成形获得更高的阵列增益。然而，在宽带毫米波通信系统中，超大规模阵列会同时带来近场效应（Near-field Effect）和宽带效应（Wideband Effect），使得传统基于远场平面波和窄带假设的信道模型难以准确刻画实际信道特征。与此同时，实际传播环境中的建筑物、道路等面散射体往往具有一定物理尺寸，其对应的信道稀疏性不再表现为单个离散点，而是呈现块稀疏（Block Sparsity）结构。针对上述问题，本文研究了近场宽带无线通信系统的块稀疏信道估计问题。以下图1给出了本文所研究的近场宽带块稀疏信道模型示意图。

图1 近场宽带通信的块稀疏信道模型示意图

论文首先构建了近场宽带信道的稀疏表示，指出其稀疏系数向量不仅在不同子载波之间具有共同稀疏性，还在距离-角度域中呈现二维块稀疏性。基于这一结构特征，本文提出了一种基于总变差正则化的块稀疏贝叶斯学习（Total Variation-regularized Block Sparse Bayesian Learning，TV-BSBL）算法。该算法利用Gamma先验和子载波自适应因子刻画不同子载波之间的共同稀疏性，并通过总变差正则化促进相邻距离-角度网格上的块稀疏结构，从而实现对近场宽带块稀疏信道的高精度估计。

针对总变差正则化引入后信号超参数更新难以求解的问题，论文进一步提出了一种基于原始-对偶混合梯度的信号超参数更新（Primal-Dual Hybrid Gradient-based Signal Hyperparameter Update，PDHG-SHU）算法。该算法将原本难以处理的非凸优化问题转化为等价的凸优化问题，并利用原始变量和对偶变量的交替更新实现高效求解，能够保证获得全局最优解。与传统总变差正则化稀疏贝叶斯学习方法相比，所提出的PDHG-SHU算法为信号超参数更新提供了更高效可靠的优化框架。

此外，考虑到实际信道参数通常不会严格落在预设量化网格上，论文进一步提出了离格TV-BSBL算法。该算法引入额外变量刻画真实信道参数与量化网格之间的偏差，并将偏差变量纳入最大后验估计框架中，通过梯度下降进行迭代更新，从而有效缓解网格失配所带来的估计误差。仿真结果表明，所提出的在格TV-BSBL算法和离格TV-BSBL算法在多种系统参数设置下均能取得优于现有方法的信道估计性能。该研究为近场宽带通信系统的块稀疏信道估计提供了新的解决思路，为后续波束成形优化提供了重要支撑。