Codebook-Based Downlink Beamforming with Imperfect CSI Using Model-Driven Deep Learning
不完整信道状态信息下的基于码书下行波束形成设计-模型驱动深度学习方法
演讲者：Prof. Dr.-Ing. Marius Pesavento
达姆施塔特工业大学（Technische Universität Darmstadt）
德国，达姆施塔特
时间：2026年7月10日, 上午10 – 11：15
地点：广东技术师范大学东校区工业中心409室
摘要：在本讲座中，我们将探讨在信道状态信息（CSI）不完善的情况下，多用户多输入单输出无线系统中基于码书的下行链路波束成形所面临的节能挑战。现有的基于模型的优化算法通常假设完善或平均的CSI，但这会导致在信道估计误差或量化CSI反馈的情况下出现性能下降和服务质量（QoS）不足。而传统的采用通用神经网络架构的深度学习方法则存在数据效率低下和缺乏可解释性的问题。为了克服这些局限性，我们提出了一种新的模型辅助深度学习方法，该方法展开了一个用于基于码书的波束成形的最优迭代算法，并通过可学习的参数函数融入了自适应中断概率约束。我们的架构利用了上行链路-下行链路的对偶性，并采用图神经网络来预测由CSI不完善引起的不可预见的干扰模式。该框架包含一个可微分的中断概率约束近似方法和一个新的自适应近似方案，以维持目标服务质量水平。大量的数值结果表明，我们的方法能够在适应不同信道状态信息（CSI）水平的同时，达到目标中断概率，并且在功率效率和计算成本方面均优于传统的基于模型的方法和通用深度神经网络。所提出的架构在不同的用户配置和CSI劣化场景下均展现出强大的泛化能力，使其特别适用于基于码本的混合波束成形系统的实际部署。
演讲者简介：Marius Pesavento 是德国达姆施塔特工业大学 (Technical University of Darmstadt) 电气工程与信息技术系通信系统专业教授。他的研究方向包括统计信号处理和传感器阵列信号处理、MIMO 通信、优化以及模型辅助深度学习。他目前担任《IEEE Open Journal of Signal Processing》杂志主编（EiC, 2026-2028年）。他曾担任《IEEE Transactions on Signal Processing》副主编（AE，2012-2016年）和《EURASIP Journal on Signal Processing》主题编辑（SAE，2024-2025年）。他是IEEE “信号处理理论与方法”技术委员会（IEEE SPTM TC）的成员，也是IEEE信号处理学会理事会（Board of Governors）成员，以及第八区（2025-2027年）的区域理事。他曾于2025年担任IEEE 信号处理学会“传感器阵列和多通道信号处理”技术委员会（IEEE SAM TC）副主席，及曾任EURASIP“多传感器系统信号处理”技术领域委员会主席。
