【IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS 2026年】近期，香港科技大学电子与计算机工程系Vincent K. N. Lau教授研究团队，针对像素化可重构智能表面（Pixel-based RIS）系统中的非可分状态响应问题研究了一种新型信道估计与波束成形方案。相关成果以“Channel Estimation and Passive Beamforming for Pixel-based Reconfigurable Intelligent Surfaces with Non-Separable State Response”为题，在《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》杂志上发表。

该研究团队针对像素化RIS设计中独特的非可分状态响应特性，提出了一套完整的信道估计与无源波束成形解决方案。该方案克服了传统相控阵RIS依赖昂贵且有损耗的移相器的问题，解决了因像素化RIS响应函数取决于入射角、反射角及状态配置耦合而导致现有基于可分离模型的方法失效的挑战 。团队首先利用乘积-勒让德核函数（Product-Legendre-kernel）方法和特定任务的深度神经网络（DNN），实现了对高维非可分RIS响应函数的低复杂度高精度拟合。在此基础上，提出了一种基于主导散射路径的简化级联信道模型，并通过分步算法分别估计短期瞬时信道参数与长期角度统计参数 。此外，针对离散RIS状态配置的组合优化难题，引入了基于One-Hot向量重参数化与稀疏正则化的连续松弛波束成形算法，以最大化可达和速率。仿真结果表明，与现有的基准方案相比，所提算法在宽信噪比范围内具有显著的性能优势。（电子信息学科研究院莫林林编译）

Fig.1. Architecture of the proposed DNN.