6G通信中盲波束成形技术与BORN算法解析-尧图网络科技

1. 盲波束成形技术演进与BORN算法核心价值

在6G通信系统的演进过程中，可重构智能表面（RIS）技术正逐步从理论走向实际部署。这种由大量低成本无源反射单元组成的平面结构，能够动态调控电磁波的传播特性，为突破传统无线通信的覆盖限制提供了全新思路。然而，要实现RIS技术的全部潜力，其核心挑战在于如何高效配置每个反射单元的相位状态。

传统波束成形方法严重依赖精确的信道状态信息（CSI），这在实际部署中面临三重困境：

反射信道强度通常低于背景噪声水平，导致信道估计信噪比不足
现有网络协议需要重大修改才能支持RIS的信道估计
商用硬件普遍仅支持接收信号强度指示（RSSI）测量，缺乏相位信息获取能力

盲波束成形技术的突破性在于完全摒弃了对CSI的依赖，仅通过接收信号强度（RSS）测量即可实现相位配置。这种"黑箱"式的优化方法具有显著的工程优势：

兼容现有商用硬件设备
无需修改通信协议栈
适应复杂多变的环境条件

在众多盲波束成形算法中，BORN（Blind Optimal RIS Beamforming with seNsing）通过创新性地建立接收信噪比（SNR）的二次模型（Quadratic Model），实现了算法效率与性能的显著提升。其核心突破体现在：

理论层面首次证明了二进制RIS场景下的近最优性能保证
样本复杂度降至O(N log₂N)量级，大幅降低训练开销
计算复杂度保持O(N²)，适合大规模RIS阵列实时配置

注：二进制RIS（θₙ∈{0,π}）因其硬件实现简单、成本低廉，仍是当前商用原型机的主流选择。每个单元仅需单个PIN二极管控制，在反射损耗和制造成本间取得最佳平衡。

2. BORN算法架构与二次模型解析

2.1 系统模型与问题重构

考虑由发射机（TX）、接收机（RX）和N单元RIS组成的通信系统，接收信号可建模为： [ Y = \left( h_0 + \sum_{n=1}^N h_n e^{jθ_n} \right)X + Z ] 其中h₀为背景信道，hₙ为第n个RIS元素的级联信道，θₙ为相位配置，Z∼CN(0,σ²)为加性高斯白噪声。

通过引入Rademacher特征向量x（xₙ=e^{jθₙ}∈{-1,1}），接收SNR可重构为二次形式： [ s(x) = x^⊤M^⋆x + x^⊤w^⋆ + c^⋆ ] 其中M⋆=P/σ² V^⊤V（rank≤2），w⋆=2P/σ² V^⊤v₀，c⋆=P/σ² ∥v₀∥²₂。

这一数学重构揭示了SNR的固有二次结构，为后续算法设计奠定基础。值得注意的是，矩阵M⋆的低秩特性（rank≤2）将成为降低样本复杂度的关键。

2.2 两阶段处理流程

BORN算法采用清晰的阶段性处理架构：

阶段一：感知（Sensing）

随机生成Ns组相位配置{θ₁,...,θ_Ns}
测量对应SNR值构建数据集D={(xⁿ,yⁿ)}
通过矩阵感知算法估计(M̂,ŵ)

阶段二：优化（Optimization）

对M̂进行PSD投影确保凸性
求解重构后的二次优化问题： [ \text{maximize } \hat{y}(x) = x^⊤M̂x + x^⊤ŵ ] [ \text{subject to } x ∈ {-1,1}^N ]

这种解耦设计既保证了算法的模块化，又通过理论证明确保了两阶段协同可实现近最优性能。

3. 矩阵感知算法实现细节

3.1 基于小批量更新的参数估计

Algorithm 1采用增量式学习策略，核心步骤包括：

小批量数据划分：将数据集D分为T个批次，每批含B个样本
误差估计：计算当前参数(M_t,w_t)的预测误差 [ H_1^{(t)} = \frac{1}{2B}A'^{(t)}(y_t - A^{(t)}(M_t) - X_t^⊤w_t) ]
参数更新：交替优化矩阵和向量参数 [ U_{t+1} = \text{QR}( (H_1^{(t)⊤} - h_2^{(t)}I + M_t)U_t ) ] [ w_{t+1} = h_3^{(t)} + w_t ]

这种设计充分利用了Rademacher特征的统计特性，通过线性收敛保证实现高效参数估计。