[论文解读] Deep learning based Channel Estimation and Beamforming in Movable Antenna Systems

Kaijun Feng, Ziwei Wan+6 more|arXiv (Cornell University)|Feb 8, 2026

Advanced MIMO Systems Optimization被引用 0

一句话总结

论文提出一个面向多用户宽带可移动天线系统的深度学习框架，协同执行信道估计、天线位置优化和波束赋形。它将基于 CS 的初始 CSI、Swin-Transformer 去噪以及 Transformer 驱动的位置选择与基于模型的 WMMSE 波束形成相结合。

ABSTRACT

Movable antenna (MA) has emerged as a promising technology for future wireless systems. Compared with traditional fixed-position antennas, MA improves system performance by antenna movement to optimize channel conditions. For multiuser wideband MA systems, this paper proposes deep learning-based framework integrating channel estimation (CE), antenna position optimization, and beamforming, with a clear workflow and enhanced efficiency. Specifically, to obtain accurate channel state information (CSI), we design a two-stage CE mechanism: first reconstructing the channel matrix from limited measurements via compressive sensing, then introducing a Swin-Transformer-based denoising network to refine CE accuracy for subsequent optimization. Building on this, we address the joint optimization challenge by proposing a Transformer-based network that intelligently maps CSI sequences of candidate positions to optimal MA positions while combining a model-driven weighted minimum mean square error (WMMSE) beamforming approach to achieve better performance. Simulation results demonstrate that the proposed methods achieve superior performance compared with existing counterparts under various conditions. The codes about this work are available at https://github.com/ZiweiWan/Code-4-DL-MA-CE-BF.

研究动机与目标

• 将可移动天线系统作为绕过遮挡、适应用户移动并利用多径分集以提高光谱效率的手段。
• 在有限测量下为宽带 MA 系统开发一个准确的 CSI 获取管线。
• 实现天线位置与下行波束成形的联合优化，以最大化系统性能。
• 提出与基于模型的技术集成的深度学习模块，在降低复杂度的同时改善结果。

提出的方法

• 两阶段信道估计：从有限导频测量的压缩感知重建，随后进行基于 Swin-Transformer 的去噪（MA-CENet）。
• 基于 Transformer 的天线位置优化（MA-PSN），将 CSI 序列映射到跨子载波的最佳 MA 位置。
• 使用 Transformer 强化的 WMMSE 方法的模型驱动波束成形设计（MA-BFNet 与 MA-DBN），以最大化和速率。
• 对信道估计使用基于字典的稀疏表示并使用 Swin Transformer 去噪以保持空间结构。
• 开发一套序贯位置选择机制，确保每个 MA 元件分配唯一位置。
• 端到端管线在最佳位置选择后输出每个子载波的波束成形矩阵。

实验结果

研究问题

• RQ1 两阶段 CS 与 Transformer 去噪是否能在有限导频下为宽带 MA 系统提供可靠的 CSI？
• RQ2 如何利用 CSI 在跨子载波的多用户情形中实现对可移动天线的最优放置？
• RQ3 在具有如 WMMSE 这类基于模型的组件的前提下，Transformer 基网络是否能高效获得高性能波束成形？
• RQ4 与传统方法相比，所提 DL 框架在性能提升与训练开销方面的权衡与影响？

主要发现

• MA-CENet 在不同 pilot SNR 区间内，相比传统去噪方法，在 CSI 去噪和 NMSE 降低方面具有优势。
• MA-PSN 学习跨子载波的 CSI 相关性，以分配最优的 MA 位置，从而提升和性能。
• 带有模型驱动的 WMMSE 式波束成形器的 MA-BFNet 在仿真中实现的和速率高于传统 WMMSE 与 ZF 基线。
• 该框架可扩展至多用户设置和宽带 OFDM，在不同场景下对基线方法表现出持续的性能提升。