基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计

doi:10.11772/j.issn.1001-9081.2025070859

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2548-2554.DOI: 10.11772/j.issn.1001-9081.2025070859

基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计

郭晓金¹^,², 隋旭洋¹^,²(), 周柯男¹^,²

^1.重庆邮电大学通信与信息工程学院，重庆 400065
^2.移动通信技术重庆市重点实验室（重庆邮电大学），重庆 400065

收稿日期:2025-07-31 修回日期:2025-09-25 接受日期:2025-09-29 发布日期:2025-11-05 出版日期:2026-08-10
通讯作者: 隋旭洋
作者简介:郭晓金（1974—），男，山东新泰人，副教授，博士，主要研究方向：移动通信物理层算法
隋旭洋（2000—），男，安徽马鞍山人，硕士研究生，主要研究方向：移动通信物理层算法、深度学习
周柯男（2001—），男，云南曲靖人，硕士研究生，主要研究方向：移动通信物理层算法、信道估计。
基金资助:
重庆市自然科学基金创新发展联合基金（中国星网）资助项目(CSTB2023NSCQ-LZX0114)

Channel estimation of STAR-RIS-assisted hybrid-field communication system based on deep learning

Xiaojin GUO¹^,², Xuyang SUI¹^,²(), Kenan ZHOU¹^,²

^1.School of Communication and Information Engineering，Chongqing University of Posts and Telecommunications，Chongqing 400065，China
^2.Chongqing Key Laboratory of Mobile Communication Technology （Chongqing University of Posts and Telecommunications），Chongqing 400065，China

Received:2025-07-31 Revised:2025-09-25 Accepted:2025-09-29 Online:2025-11-05 Published:2026-08-10
Contact: Xuyang SUI
About author:GUO Xiaojin， born in 1974， Ph. D.， associate professor. His research interests include mobile communication physical layer algorithms.
ZHOU Kenan， born in 2001， M. S. candidate. His research interests include mobile communication physical layer algorithms， channel estimation.
Supported by:
Innovation and Development Joint Fund of Chongqing Natural Science Foundation （China Satellite Network）(CSTB2023NSCQ-LZX0114)

摘要/Abstract

摘要：

针对同时透射与反射可重构智能表面（STAR-RIS）辅助混合场通信系统在信道估计中面临的导频开销高和精度低的问题，提出一种基于多尺度特征感知融合的超分重建信道估计网络（MFSRN）。该网络将信道估计问题建模为信道矩阵的重建任务，首先，从上采样的信道矩阵中提取公共特征；随后，利用注意力门限分离各用户的特定信道特征；最后，并行地完成多用户信道矩阵的重建。为了提升网络性能，设计增强卷积模块（ECB）和双流特征感知（DSFA）模块，以有效提取混合场信道的局部和全局特征，并引入特征金字塔注意力（FPA）模块增强模型对多尺度特征的聚合能力。实验结果表明，所提方案在实现更低导频开销的同时，与经典的DRSN和U-MLP方案相比，归一化均方误差（NMSE）在不同信噪比（SNR）下分别平均降低了3.62 dB和1.28 dB，表现出更好的估计性能。

关键词: 深度学习, 同时透射与反射可重构智能表面, 信道估计, 混合场, 注意力机制

Abstract:

To address the problems of high pilot overhead and low accuracy in channel estimation of Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surface （STAR-RIS）-assisted hybrid-field communication systems， a Multi-scale Feature-aware Fusion Super Resolution Network （MFSRN） was proposed. In the network， channel estimation problem was modeled as a channel matrix reconstruction task. First， common features were extracted from an upsampled channel matrix； then， an attention gate was utilized to separate user-specific channel features； finally， reconstruction of multi-user channel matrices was completed in parallel. To enhance network performance， an Enhanced Convolution Block （ECB） and a Dual-Stream Feature-Aware （DSFA） block were designed to extract both local and global features of hybrid-field channel effectively， and a Feature Pyramid Attention （FPA） block was introduced to strengthen model’s capability for multi-scale feature aggregation. Experimental results demonstrate that compared with classic DRSN and U-MLP schemes， the proposed scheme achieves a lower pilot overhead and has the Normalized Mean Square Error （NMSE） reduced by an average of 3.62 dB and 1.28 dB respectively at different Signal-to-Noise Ratio （SNR）， showing better estimation performance.

Key words: deep learning, Simultaneously Transmitting and Reflecting Intelligent Surface (STAR-RIS), channel estimation, hybrid-field, attention mechanism

中图分类号:

TN929.5

郭晓金, 隋旭洋, 周柯男. 基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计[J]. 计算机应用, 2026, 46(8): 2548-2554.

Xiaojin GUO, Xuyang SUI, Kenan ZHOU. Channel estimation of STAR-RIS-assisted hybrid-field communication system based on deep learning[J]. Journal of Computer Applications, 2026, 46(8): 2548-2554.

图/表 13

图1 STAR-RIS辅助混合场ELAA系统模型

Fig. 1 STAR-RIS-assisted hybrid-field ELAA system model

图2 MFSRN模型的结构

Fig. 2 Structure of MFSRN model

图3 增强卷积模块的结构

Fig. 3 Structure of enhanced convolution block

图4 双流特征感知模块的结构

Fig. 4 Structure of dual-stream feature-aware block

图5 不同模块的特征空间感受野大小

Fig. 5 Receptive field sizes of feature space in different modules

图6 特征金字塔注意力模块的结构

Fig. 6 Structure of feature pyramid attention block

表1 信道仿真参数

Tab. 1 Channel simulation parameters

名称	符号	值
基站天线数	$M$	32（4×8）
RIS子表面数	$N$	128（4×32）
载波波长/m	$λ$	0.01
载波频率/GHz	$f$	30
天线间距/m	$Δ m$	0.02
用户数	$K$	2
采样率	$Γ$	4
透射系数	$β t$	0.5
反射系数	$β r$	0.5
泄漏值	$a$	0.2

表1 信道仿真参数

Tab. 1 Channel simulation parameters

名称	符号	值
基站天线数	$M$	32（4×8）
RIS子表面数	$N$	128（4×32）
载波波长/m	$λ$	0.01
载波频率/GHz	$f$	30
天线间距/m	$Δ m$	0.02
用户数	$K$	2
采样率	$Γ$	4
透射系数	$β t$	0.5
反射系数	$β r$	0.5
泄漏值	$a$	0.2

图7 不同信道估计方案的NMSE对比

Fig. 7 NMSE comparison for different channel estimation schemes

图8 不同导频开销下的NMSE对比

Fig. 8 NMSE comparison under different pilot overhead

图9 不同ES率下的NMSE对比

Fig. 9 NMSE comparison under different ES ratios

图10 不同用户数K下的NMSE对比

Fig. 10 NMSE comparison under different numbers of users K

图11 不同模块对MFSRN性能的影响

Fig. 11 Impact of different blocks on MFSRN performance

表2 不同网络方案的复杂度对比

Tab. 2 Comparison of complexity for different network schemes

网络方案	FLOPs/10⁹	参数量/10⁶
DRSN	2.756	0.821
U-MLP	11.180	12.790
MFSRN	9.244	8.960

参考文献 20

[1]	Cui M， Wu Z， Lu Y， et al. Near-field MIMO communications for 6G： fundamentals， challenges， potentials， and future directions［J］. IEEE Communications Magazine， 2023， 61（1）： 40-46.
[2]	王亿，杨柳，张痛快. RIS辅助毫米波系统中基于压缩感知的信道估计［J］. 计算机应用， 2022， 42（12）： 3870-3875.
	Wang Yi， Yang Liu， Zhang Tongkuai. Channel estimation based on compressive sensing in RIS-assisted millimeter wave system［J］. Journal of Computer Applications， 2022， 42（12）： 3870-3875.
[3]	Selvan K T， Janaswamy R. Fraunhofer and Fresnel distances： unified derivation for aperture antennas［J］. IEEE Antennas and Propagation Magazine， 2017， 59（4）： 12-15.
[4]	Liu Y， Liu X， Mu X， et al. Reconfigurable intelligent surfaces： principles and opportunities［J］. IEEE Communications Surveys and Tutorials， 2021， 23（3）： 1546-1577.
[5]	Liu Y， Mu X， Xu J， et al. STAR： simultaneous transmission and reflection for 360° coverage by intelligent surfaces［J］. IEEE Wireless Communications， 2021， 28（6）： 102-109.
[6]	Mu X， Liu Y， Guo L， et al. Simultaneously Transmitting And Reflecting （STAR） RIS aided wireless communications［J］. IEEE Transactions on Wireless Communications， 2022， 21（5）： 3083-3098.
[7]	Wu C， You C， Liu Y， et al. Channel estimation for STAR-RIS-aided wireless communication［J］. IEEE Communications Letters， 2022， 26（3）： 652-656.
[8]	Luo X， Liu Y， Xu F， et al. Channel estimation for STAR-RIS-assisted multi-user mmWave wireless systems［J］. IEEE Wireless Communications Letters， 2025， 14（1）： 203-207.
[9]	Kundu N K， McKay M R. Channel estimation for reconfigurable intelligent surface aided MISO communications： from LMMSE to deep learning solutions［J］. IEEE Open Journal of the Communications Society， 2021， 2： 471-487.
[10]	Elbir A M， Papazafeiropoulos A， Kourtessis P， et al. Deep channel learning for large intelligent surfaces aided mm-wave massive MIMO systems［J］. IEEE Wireless Communications Letters， 2020， 9（9）： 1447-1451.
[11]	Shen W， Qin Z， Nallanathan A. Deep learning for super-resolution channel estimation in reconfigurable intelligent surface aided systems［J］. IEEE Transactions on Communications， 2023， 71（3）： 1491-1503.
[12]	Shen W， Qin Z， Tao X， et al. Attention-enabled channel estimation for STAR-RIS-aided indoor and outdoor MIMO［C］// ISWCS 2024. Piscataway： IEEE， 2024： 1-6.
[13]	Yu L， Liu J， Zhang H， et al. Channel estimation for STAR-RIS-aided communications based on deep iterative networks［C］// ICC 2023. Piscataway： IEEE， 2023： 119-123.
[14]	Xiao J， Wang J， Wang Z， et al. Multi-task learning for near/far field channel estimation in STAR-RIS networks［J］. IEEE Transactions on Communications， 2024， 72（10）： 6344-6359.
[15]	Zheng B， Zhang R. Intelligent reflecting surface-enhanced OFDM： channel estimation and reflection optimization［J］. IEEE Wireless Communications Letters， 2020， 9（4）： 518-522.
[16]	Basar E， Yildirim I， Kilinc F. Indoor and outdoor physical channel modeling and efficient positioning for reconfigurable intelligent surfaces in mmWave bands［J］. IEEE Transactions on Communications， 2021， 69（12）： 8600-8611.
[17]	Dai L， Wei X. Distributed machine learning based downlink channel estimation for RIS assisted wireless communications［J］. IEEE Transactions on Communications， 2022， 70（7）： 4900-4909.
[18]	Tang C， Zhao Y， Wang G， et al. Sparse MLP for image recognition： is self-attention really necessary？［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2022， 36（2）： 2344-2351.
[19]	Xie W， Xiao J， Zhu P， et al. Multi-task learning-based channel estimation for RIS assisted multi-user communication systems［J］. IEEE Communications Letters， 2022， 26（3）： 577-581.
[20]	Xiao J， Wang J， Chen Z， et al. U-MLP-based hybrid-field channel estimation for XL-RIS assisted millimeter-wave MIMO systems［J］. IEEE Wireless Communications Letters， 2023， 12（6）： 1042-1046.

基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计

Channel estimation of STAR-RIS-assisted hybrid-field communication system based on deep learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 20

相关文章 15

编辑推荐

Metrics

[1]	李光辉, 屈立成. 基于改进Lite-Mono架构的动态空洞卷积和分层注意力模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2567-2576.
[2]	刘晶, 赵邵泽, 刘鑫刚, 牛浩哲, 季海鹏. 跨工况下基于改进CGAN的钛合金显微组织数据生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2373-2382.
[3]	凌妙根, 井瑞, 方巍. 可解释性深度学习在热带气旋预报中的应用研究综述[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2318-2326.
[4]	颜建强, 董贝贝, 曲博婷, 彭晨. 融合多源信息与图级注意力的双向扩散动态图卷积交通流预测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2327-2333.
[5]	肖海林, 曹清阳, 蒋海龙, 张中山, 胡智群. 基于深度神经网络的正交频分复用系统信道估计算法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2250-2258.
[6]	刘雯玲, 李勇, 李佳慧, 张厚康. 面向不均匀雾霾遥感图像的无监督去雾方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2297-2306.
[7]	杜秀丽, 高星, 张校毓, 潘成胜, 邹启杰. 基于密集时空可变形注意力的视频快照压缩成像重建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2288-2296.
[8]	张国有, 聂宏宇, 潘理虎, 雷润东. 基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2259-2266.
[9]	武湘怡, 叶海良, 曹飞龙. 基于平滑-锐化图卷积的点云补全方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2267-2276.
[10]	秦隽, 焦新涛, 曾碧卿. 融合BiLSTM-Transformer与Kolmogorov-Arnold网络的非侵入式负荷监测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 2026-2033.
[11]	张金萧, 李成龙, 高新燕, 张铭. 基于时空特征金字塔网络与多假设交互机制的三维人体姿态估计模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1965-1972.
[12]	何运平, 王雷春, 宋芮芮, 卢祥凤, 魏金香, 刘小萌. 基于对比不变性和强化特定性的双通道多模态情感分析模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1767-1775.
[13]	姚力挽, 刘海龙, 曾张帆. 基于频域驱动及扩散融合的声纳图像增强算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1947-1955.
[14]	何丽丽, 曹勐, 张磊, 潘洪军, 刘义, 孙成心. 基于Kolmogorov-Arnold网络与扩散Transformer的手语生成模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1801-1810.
[15]	张纾豪, 何坤金, 徐佳晨, 沙河山, 陈正鸣. 融合透视校正与轻量注意力机制的轮毂缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 2007-2015.