【IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS 2025年4月】4月，美国弗吉尼亚理工大学布拉德利电气与计算机工程系Lingjia Liu教授研究团队，针对无线通信系统的信道估计问题研究了一种新型在线学习框架。相关成果以“Learning to Estimate: A Real-Time Online Learning Framework for MIMO-OFDM Channel Estimation”为题，在《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》杂志上发表。

该研究团队针对 MIMO-OFDM 信道估计问题提出了一种新型实时在线学习框架StructNet-CE，它仅利用空中（OTA）参考信号（RS）在时隙基础上进行在线信道估计，且无需假设存在任何信道知识。为了实现实时且高效的信道学习，StructNet-CE 的设计利用了 MIMO-OFDM 系统固有的结构信息：调制星座图的重复结构以及符号分类对子信道干扰的不变性特性。嵌入的结构信息使 StructNet-CE 能够通过底层符号检测任务进行信道估计，并通过在 5G/5G-Advanced 时隙中采用分散的 RS 配置，利用有限的 RS 实现对 MIMO 信道的准确学习。数值实验表明，通过融入结构知识，信道估计性能得到了显著提升，与现有方法相比，均方误差（MSE）降低了约 44.41% 至 95.54%。此外，StructNet-CE 与当前及未来的无线网络兼容，并且易于应用，这表明将机器学习技术与领域知识相结合应用于无线系统是有效、重要且相关的。（电子信息学科研究院路新华编译）