面向宽带 mmWave 大规模 MIMO 系统的模型驱动深度学习稀疏信道表示与恢复

基于摘要分析。本文研究宽带毫米波（mmWave）大规模多输入多输出（MIMO）系统的信道估计，提出模型驱动深度学习（MDDL）方案，分别为角域稀疏信道表示和稀疏恢复设计网络，旨在提高信道估计的收敛表现与恢复性能。 表示阶段采用 angular-resampling network，根据路径真实到达角（AoAs）自适应确定角度网格的采样间隔，并据此构建角域稀疏表示字典。摘要明确该网络包含三个模块，使用新设计的 angular Gaussian-mixture distribution loss 训练，但未提供模块细节、损失公式或训练监督来源。恢复阶段先通过最大化广义松弛证据下界（ELBO），构建 inverse-free variational Bayesian learning（IF-VBL）方法，再将其展开为逐层网络，学习部分先验参数。其关键机制是联合改进表示字典与模型驱动恢复过程，而非仅使用通用网络直接回归信道。 作者报告，在宽带 mmWave 大规模 MIMO 信道估计仿真中，该方案相较对照方法改善了收敛与性能；摘要未给出具体指标、数值、对照名称和仿真配置，不能据此量化收益。训练与测试划分、计算复杂度、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 源重建可表述为已知前向观测模型下的稀疏逆问题，可考察其自适应字典与 IF-VBL 深度展开机制，以应对固定网格失配和迭代求解开销。原方法依赖通信信道的角域路径结构，EEG 应改用头模型导联场及源空间参数化，不能直接沿用到达角字典或角度损失；训练监督与所需数据规模也需重新确认。低信噪比、相关或非稀疏脑源、少通道以及跨被试头模型差异均可能使该假设失效。一个可证伪的小实验是在同一 EEG 前向模型的模拟数据上，固定训练与测试划分，对比固定字典和自适应字典、原始迭代求解与展开求解，联合检验源定位误差、重建误差及运行时间，并测试信噪比与通道数变化下的稳定性。相关 EEG 工作尚未检索确认。