1. MOMPnet框架概述

在现代无线通信系统中，多输入多输出（MIMO）技术已成为实现高速数据传输的关键手段。随着天线数量和系统带宽的不断增加，信道估计和用户定位任务面临着前所未有的挑战。传统稀疏恢复方法虽然具有理论保证和可解释性，但在实际应用中存在两个主要瓶颈：一是对硬件损伤的敏感性，二是计算复杂度随系统维度急剧增长的问题。

MOMPnet创新性地将深度展开（Deep Unfolding）技术与多维正交匹配追踪（MOMP）算法相结合，构建了一个物理约束的神经网络框架。这个框架的核心思想是将迭代算法展开为神经网络层，同时保留算法的可解释性结构。具体来说：

• 深度展开架构：将MOMP算法的每次迭代映射为神经网络的一个层，前向传播执行算法步骤，反向传播优化字典参数
• 物理约束学习：网络参数直接对应天线位置、增益等物理量，确保学习结果具有明确的物理意义
• 多维字典分解：采用Kronecker积结构将高维字典分解为多个低维字典，显著降低计算复杂度

提示：深度展开技术的关键优势在于它既保留了传统算法的可解释性，又能够通过数据驱动的方式自动校正模型误差，特别适合处理存在硬件损伤的实际系统。

2. 系统模型与问题描述

2.1 物理信道建模

考虑一个工作在毫米波频段的多用户MIMO系统，基站（BS）配备NB个天线的均匀线性阵列（ULA），服务M个移动站（MS），每个MS配备NM个天线。系统采用多载波调制，包含NS个子载波。在 multipath 传播环境下，第m个用户的信道可以表示为：

h_m = Σ(α_k · e_s,B(φ_k) ⊗ e_s,m(ψ_k) ⊗ e_f(τ_k)) k=1 to K

其中：

• α_k：第k条路径的复增益
• e_s,B(φ_k)：BS端对应于到达角φ_k的导向矢量
• e_s,m(ψ_k)：MS端对应于离开角ψ_k的导向矢量
• e_f(τ_k)：对应于时延τ_k的频率响应矢量
• ⊗表示Kronecker积

这种表示方法利用了信道的稀疏特性，即有效路径数K远小于信道维度NBNMNS。

2.2 硬件损伤模型

实际系统中的硬件损伤主要包括：

1. 天线阵列误差：

   • 位置误差：实际天线位置与标称位置的偏差
   • 增益误差：包括幅度和相位偏差
   • 互耦效应：相邻天线间的电磁耦合

2. 频率误差：

   • 子载频偏：由本地振荡器ppm误差引起
   • 采样时钟偏差

这些损伤导致实际系统参数与标称参数存在差异，进而影响基于物理模型的估计性能。以BS天线i为例，其实际参数可建模为：

p_i = p̂_i + λ·n_p,i (位置误差) g_B,i = (â_i + n_a,i)·e^(j(φ̂_B,i + n_φ,i)) (增益误差)

其中n_p,i、n_a,i、n_φ,i为随机扰动，服从均匀分布。

3. MOMP算法原理与改进

3.1 传统OMP算法局限

正交匹配追踪（OMP）是经典的稀疏恢复算法，其核心步骤包括：

1. 原子选择：找到与残差最相关的字典原子
2. 系数更新：通过最小二乘估计所选原子系数
3. 残差更新：减去已表示部分

然而在大型MIMO系统中，完整字典的尺寸可能达到16384×16384000（对于NB=16, NM=8, NS=128的情况），使得传统OMP的计算复杂度变得不可行。

3.2 多维OMP（MOMP）优化

MOMP算法利用字典的Kronecker积结构D = D1 ⊗ D2 ⊗ D3，将高维原子选择分解为低维子问题：

1. 顺序相关性计算：

   • 首先在D1维度计算相关性：C1 = D1^H ×1 H
   • 然后在D2维度：C2 = D2^H ×2 C1(i1,:,:)
   • 最后在D3维度：C3 = D3^H ×3 C2(i2,:)

2. 原子索引选择：

   i1 = argmax_i ||C1(i,:,:)||_F i2 = argmax_j ||C2(j,:)||_2 i3 = argmax_k |C3(k)|^2

这种分解将计算复杂度从O(A1A2A3)降低到O(A1+A2+A3)，使得高维问题变得可解。

表1比较了OMP与MOMP在三维情况下的计算复杂度：

4. MOMPnet实现细节

4.1 网络架构设计

MOMPnet将MOMP算法展开为L层神经网络，每层对应一次MOMP迭代。网络参数θ包含所有物理参数：

• BS参数：天线位置{p_i}、增益{g_B,i}、互耦系数c1
• MS参数：各移动站天线位置{q_m,i}、增益{g_m,i}
• 子载频参数：实际频率{f_i}

前向传播过程执行算法1的步骤，而反向传播则通过最小化如下损失函数来优化物理参数：

L(θ) = 1/B Σ ||H_θ(Y)-Y||_F^2

其中B为batch大小，H_θ(·)为网络输出的信道估计。

4.2 字典构建策略

MOMPnet采用三个独立的字典：

1. BS字典DB：

   • 尺寸：NB×AB
   • 包含考虑硬件损伤的BS导向矢量
   • 构造方式：DB = CB·[e_s,B(φ1), ..., e_s,B(φAB)]

2. MS字典Dm：

   • 尺寸：NM×AM
   • 每个MS有独立的字典反映其硬件特性
   • 构造方式类似BS字典

3. 时延字典DS：

   • 尺寸：NS×AS
   • 包含不同时延对应的频率响应
   • 构造方式：DS = [e_f(τ1), ..., e_f(τAS)]

这种分离式字典设计不仅降低了计算复杂度，还允许分别学习和校正不同环节的硬件损伤。

5. 实验验证与性能分析

5.1 实验设置

使用Sionna射线追踪仿真器生成巴黎场景下的毫米波信道数据，系统配置如下：

• 载波频率：28 GHz
• BS天线数：16（ULA）
• MS数量：10，每个8天线
• 子载波数：128（有效带宽1.44 MHz）
• 字典尺寸：AB=160, AM=80, AS=1280
• 硬件损伤参数：
  • 天线位置误差：δp=δq=0.24λ
  • 增益误差：δa=0.4（幅度），δφ=0.4rad（相位）
  • 互耦系数：c1=0.15e^(-jπ/6)

5.2 信道估计性能

图2展示了不同SNR下的归一化均方误差（NMSE）性能：

• 标称模型（红色）：忽略硬件损伤，性能最差
• MOMPnet（蓝色）：经过训练后接近理想模型性能
• 理想模型（绿色）：已知真实硬件参数的理论上限

在15dB SNR下，MOMPnet仅需5个epoch就将NMSE从0.44降至0.14，验证了其有效校正硬件损伤的能力。

5.3 参数可解释性

图3展示了学习到的BS天线参数与标称、真实参数的对比：

1. 天线增益：

   • 学习误差（MAE）从0.06降至0.01
   • 准确恢复了幅度和相位偏差

2. 天线位置：

   • 学习误差从1.3e-3λ降至7.3e-4λ
   • 精确捕捉了阵列几何变形

3. 互耦系数：

   • 完美匹配真实值c1=0.15e^(-jπ/6)

这种物理参数的可解释性使得模型具有良好的泛化能力，如在定位任务中（图4）平均误差减少了9米。

5.4 与MOD算法对比

与传统的MOD（Method of Optimal Directions）字典学习方法相比，MOMPnet展现出显著优势：

1. 计算效率：

   • MOD需要矩阵求逆，复杂度O(A^3)
   • MOMPnet基于梯度下降，适合在线学习

2. 样本效率：

   • MOD需要样本数>字典原子数
   • MOMPnet可用单样本增量学习

3. 性能表现：

   • 在相同训练集下，MOMPnet的NMSE低一个数量级
   • 尤其在小样本场景优势明显（图5a）

更重要的是，MOD学习的字典缺乏物理意义，而MOMPnet的参数直接对应可解释的物理量。

6. 实际部署考量

在实际系统中部署MOMPnet时，需注意以下关键点：

1. 训练策略：

   • 分阶段训练：先固定部分参数训练其他参数
   • 迁移学习：在新场景复用已学习的基础参数

2. 复杂度控制：

   • 动态迭代深度：根据信道条件自适应层数
   • 混合精度训练：减少计算资源消耗

3. 硬件实现：

   • 并行计算：利用GPU加速张量运算
   • 定点量化：降低推理时计算开销

4. 持续学习：

   • 在线微调：适应硬件老化带来的参数漂移
   • 异常检测：识别需要重新训练的硬件故障

一个典型的部署流程可能包含以下步骤：

1. 系统初始化： - 加载标称硬件参数 - 构建初始字典 2. 离线校准阶段： - 收集少量信道测量数据 - 训练MOMPnet网络 3. 在线运行阶段： - 实时信道估计与定位 - 定期参数更新（如每天/每周）

这种部署方式既保证了系统初始可用性，又能通过持续学习不断提升性能。