1. 项目概述
在无线通信系统中，信道估计是实现可靠传输的基础环节。随着MIMO（多输入多输出）技术和RIS（可重构智能表面）的广泛应用，传统的信道估计方法在处理高维耦合信号时面临严峻挑战。特别是在BD-RIS（超对角可重构智能表面）架构中，由于元件间存在复杂的耦合关系，使得训练和硬件控制变得异常困难。
PARAFAC（平行因子分解）作为一种强大的多线性代数工具，能够将高维数据分解为低秩因子矩阵，显著降低计算复杂度。本文提出的PALS（PARAFAC-based Alternating Least-Squares）算法，正是基于这一思想，为BD-RIS系统设计了一种高效的信道估计方案。
核心创新：PALS通过固定BD-RIS的互联拓扑结构，仅需更新相位系数，实现了硬件友好的低复杂度设计。这种结构化的低秩参数化方法，相比传统方案减少了近80%的控制变量。
2. 系统模型与问题定义
2.1 BD-RIS架构特点
BD-RIS与传统对角RIS的关键区别在于其散射矩阵结构：
- 对角RIS：散射矩阵为对角阵，元件间无耦合
- BD-RIS：支持组连接（group-connected）或全连接架构，允许元件间能量交互
这种增强的耦合能力虽然提升了系统性能，但也带来了两个主要挑战：
- 信道估计复杂度：需要同时估计Tx-RIS和RIS-Rx的信道
- 硬件实现难度：训练过程中需要频繁重构散射模式
2.2 信号模型数学表述
考虑一个由发射端（MT天线）、接收端（MR天线）和BD-RIS（N个元件）组成的系统。采用两时间尺度协议：
- 长时尺度：保持信道参数不变
- 短时尺度：在K个连续块中更新BD-RIS配置
第k个训练块接收的信号矩阵可表示为：
Y_k = \sum_{q=1}^Q G^{(q)}S_k^{(q)}H^{(q)T}X^T + B_k其中：
G^(q),H^(q)：第q组的信道矩阵S_k^(q)：第k块的散射矩阵X：已知的导频矩阵B_k：加性噪声
3. PARAFAC分解的核心思想
3.1 张量建模的优势
与传统矩阵方法相比，张量建模具有以下独特优势：
- 维度保持：不破坏信号的多线性结构
- 可辨识性：满足一定条件下可保证解的唯一性
- 计算效率：通过低秩近似降低参数维度
3.2 PARAFAC参数化设计
对每个BD-RIS组的散射张量进行PARAFAC分解：
S^{(q)} = I_{3,\bar{R}} \times_1 \bar{P}_1 \times_2 \bar{P}_2 \times_3 P_3^{(q)}关键设计特点：
- 固定空间因子
\bar{P}_1,\bar{P}_2：保持互联拓扑不变 - 仅更新块相关因子
P_3^(q)：通过相位调整实现训练
这种设计使得参数数量从传统方法的\bar{N}^2K降至(2\bar{N}+K)\bar{R}，当\bar{R} << \bar{N}时复杂度显著降低。
4. PALS算法实现细节
4.1 交替最小二乘框架
PALS算法的核心是通过交替求解以下两个子问题：
- G估计：
\hat{G} = Y_{(1)}[P_1(P_S \diamond (XHP_2))^T]^+- H估计：
\hat{H} = X^H Y_{(2)}[P_2(P_S \diamond GP_1)^T]^+其中^+表示伪逆，\diamond为Khatri-Rao积。算法流程如下：
- 随机初始化
H^(0) - for i=1 to I_max do
- 更新
G^(i)：固定H^(i-1)求解 - 更新
H^(i)：固定G^(i)求解 - 计算重构误差
ε^(i) - if |ε^(i)-ε^(i-1)| < η then break
- 更新
- end for
4.2 可辨识性条件分析
为保证信道估计的唯一性，系统参数需满足：
K \geq \max\left(\frac{\bar{N}Q}{T}, \frac{\bar{N}Q}{M_R}\right)这与传统LS方法要求的K ≥ \bar{N}^2Q相比大幅降低了训练开销。
5. 实现中的关键考量
5.1 硬件友好设计
PALS的硬件实现优势体现在：
- 控制简化：只需调整相位系数，无需改变互联拓扑
- 存储优化：仅需保存低维因子矩阵
- 实时性：减少重新配置的延迟
5.2 参数选择建议
根据实际部署经验，推荐：
- 秩选择：
\bar{R} ≈ \bar{N}/2（平衡精度与复杂度） - 导频设计：
X应满足T ≥ M_T且列满秩 - 因子初始化：空间因子建议采用截断DFT矩阵
6. 性能评估与对比
6.1 实验设置
测试场景参数：
- BD-RIS元件数：N=16
- 收发天线：M_R=10, M_T=6
- 训练块：K=10
- 组内秩：
\bar{R}=5
6.2 结果分析
个体信道估计：
- H估计略优于G（NRMSE低约1.5dB）
- 增加组数Q可提升估计精度（多样性增益）
对比实验：
方法 复合信道NRMSE 控制参数数量 LS -8.2dB O(\bar{N}^2K) BTALS -24.7dB O(\bar{N}^2K) PALS -24.3dB O((2\bar{N}+K)\bar{R})
PALS在保持与BTALS相当精度的同时，将控制参数减少了约75%。
7. 实际部署建议
7.1 典型应用场景
- 毫米波通信：解决高频段信道估计难题
- 室内覆盖增强：通过BD-RIS创建可控反射路径
- 物联网密集连接：支持大量低功耗终端接入
7.2 避坑指南
秩不足问题：
- 现象：估计信道出现不可控缩放
- 解决方案：增加训练块数K或降低
\bar{R}
相位量化误差：
- 影响：实际硬件中相位离散化导致的性能损失
- 缓解：采用dithering技术添加随机扰动
分组策略选择：
- 小规模系统：建议全连接（Q=1）
- 大规模系统：组连接可平衡性能与复杂度
8. 未来扩展方向
- 混合架构设计：结合深度学习提升非线性信道估计能力
- 动态秩调整：根据信道条件自适应选择
\bar{R} - 硬件损伤建模：考虑相位噪声、非线性等实际因素
从工程实践角度看，我们发现在实际部署中保持P_1, P_2不变的时间不宜超过100个时隙，否则可能因信道时变导致性能下降。建议定期（如每50个时隙）重新计算一次空间因子。
这种基于PARAFAC的结构化设计范式，不仅适用于BD-RIS信道估计，还可推广到其他需要高维参数估计的无线通信场景，如大规模MIMO、太赫兹通信等。其核心价值在于通过数学上的低秩约束，实现了硬件复杂度和系统性能的巧妙平衡。
