聚合学习：破解大规模MIMO在线信道预测的小样本难题

1. 项目概述：当信道预测遇上在线学习

在5G和6G通信系统的核心——大规模多输入多输出（Massive MIMO）技术中，波束成形是实现高容量和广覆盖的基石。然而，这块基石的稳固性，完全依赖于一个看似简单却极其脆弱的环节：精确的信道状态信息。想象一下，你是一位经验丰富的雷达操作员，目标正在高速移动，你根据上一秒的雷达回波调整了天线方向，试图锁定目标。但就在指令发出的瞬间，目标已经改变了位置和速度，你的“精确”瞄准瞬间变成了“过时”的瞄准。在无线通信中，由于用户设备的移动、信号反馈延迟，信道估计值在获取的那一刻就可能已经“过时”了。信道预测，就是解决这个“瞄准滞后”问题的关键技术，它试图利用信道在时间上的连续性（时域相关性），从过去几个时刻的信道“快照”中，推算出未来时刻的信道状态。

近年来，机器学习，特别是深度学习，为信道预测注入了新的活力。与传统基于固定数学模型的预测方法（如自回归模型、卡尔曼滤波）相比，神经网络就像一个强大的“模式识别引擎”，能够从海量的历史信道数据中，学习到更复杂、更非线性的时变规律。然而，一个普遍的做法是“离线训练”：在实验室或仿真环境中，用某一段特定环境（如特定用户、特定移动速度、特定散射体分布）下生成的海量数据，训练好一个预测模型，然后直接部署。这就像用一位在平原地区训练出的狙击手，突然把他空降到茂密的丛林或复杂的城市巷战中，他的“经验”很可能不再适用，甚至成为累赘。无线环境恰恰就是这样一个动态变化的“战场”，新用户不断接入，用户移动轨迹和速度变化，周围散射体（如建筑物、车辆）也在变动，导致信道的统计特性（如多径分布、多普勒频移）发生漂移。一个离线训练的模型，面对这些未曾见过的“新场景”，预测性能往往会急剧下降。

因此，一个自然的思路是让模型“在线学习”，即在线重训练框架。这个框架的核心是一个循环：收集一小段最新的信道数据 -> 用这些数据从头开始重新训练预测模型 -> 使用新模型进行一段时间的预测 -> 当环境再次变化时，重复此过程。这确保了模型总能“与时俱进”。但理想很丰满，现实却很骨感。在线重训练面临一个严峻的挑战：训练时间开销。这个开销包括两部分：数据收集时间和神经网络计算时间。计算时间受硬件（如GPU/NPU）和模型复杂度影响，而数据收集时间则直接取决于你需要收集多少个时间片（Time Slot）的数据。为了快速响应环境变化，我们希望这个周期越短越好，这意味着可用于训练的数据量（N个时间片）非常有限。用极少的数据去训练一个复杂的神经网络，极易导致过拟合——模型只是记住了这几条数据的噪声，而无法学到普适的规律，泛化能力极差。

正是在这个背景下，我们提出的聚合学习方法，为解决“在线重训练中数据饥渴”这一核心工程难题，提供了一个巧妙而高效的思路。它不依赖于昂贵的数据增强或复杂的元学习框架，而是从信道数据本身的结构中寻找“免费的午餐”。

2. 聚合学习（AL）的核心思想与两种变体

聚合学习的核心洞察非常直接：一个宽带大规模MIMO系统的信道矩阵，天然蕴含着大量结构相似但又不完全相同的“子样本”。

让我们先明确一下我们处理的数据对象。在一个采用正交频分复用（OFDM）的宽带Massive MIMO系统中，基站有 M 根天线，用户设备有单根或多根天线，系统使用 L 个子载波。在某个时刻 n，我们通过信道估计得到一个阵列-频域信道矩阵H_n，其维度是(M × L)。这个矩阵的每一个元素H_n[m, l]代表了第 m 根天线在第 l 个子载波上的复信道系数。

传统基于ML的信道预测器，无论是使用MLP、RNN还是CNN，通常将这个(M × L)的矩阵整体（或展平后的向量）作为神经网络的一个输入样本，去预测下一个时刻的(M × L)矩阵。在在线训练场景下，如果我们只收集了 N 个时间片的序列数据，那么我们只能得到(N - I)个这样的训练样本对（其中 I 是输入序列长度）。当 N 很小时（例如几十），样本量严重不足。

聚合学习则换了一个视角来看待H_n这个矩阵：

1. 阵列域视角（AL-AD）：将H_n的每一列（共 L 列）看作一个独立的阵列域信道向量。每一列H_n[:, l]是一个 M 维的向量，它描述了在第 l 个子载波上，从用户到基站所有 M 根天线的信道响应。由于不同子载波频率相近，它们经历的无线环境（如散射体、路径损耗）是高度相关的，因此这 L 个阵列域信道向量在统计特性上非常相似，但又因为频率选择性衰落而存在细微差异。这 L 个向量，就可以被看作是 L 个高度相关但非独立的训练子样本。

2. 频域视角（AL-FD）：将H_n的每一行（共 M 行）看作一个独立的频域信道向量。每一行H_n[m, :]是一个 L 维的向量，它描述了从第 m 根天线接收到的、跨越所有 L 个子载波的信道频率响应。对于同一根天线，不同子载波上的信道系数同样具有强相关性（由信道的时延扩展决定）。这 M 个频域信道向量，则提供了另一种视角下的 M 个训练子样本。

关键提示：阵列域视角是MIMO-OFDM系统中最直观、最常用的信道表示形式。而频域视角则提供了一个新颖的、从单天线角度观察宽带信道频率特性的窗口。这两种视角的统计特性不同，这也直接导致了后续AL-AD和AL-FD性能的差异。

基于以上视角，聚合学习的操作流程就清晰了，其数据预处理过程如图3(a)所示：

步骤一：数据分割。对于收集到的每一个原始训练样本(X_n, Y_n)（其中X_n是过去 I 个时刻的信道矩阵序列，Y_n是下一个时刻的目标矩阵），我们不再将其视为一个整体。而是按照选定的视角（阵列域或频域），将其“拆解”成多个子数据。

• 若采用AL-AD，则将每个时刻的(M × L)矩阵，按列拆分成 L 个(M × 1)的阵列域信道向量序列。
• 若采用AL-FD，则将每个时刻的(M × L)矩阵，按行拆分成 M 个(L × 1)的频域信道向量序列。

步骤二：数据聚合。将所有时间片、所有子载波（或所有天线）上产生的这些子数据，全部汇集到一个新的训练数据集中。假设原始数据集 D 有(N - I)个样本，那么：

• AL-AD产生的新数据集D_AL将包含L × (N - I)个训练样本。
• AL-FD产生的新数据集D_AL将包含M × (N - I)个训练样本。

效果：在数据收集时间（即 N）不变的情况下，训练数据量瞬间扩大了 K2 倍（K2 在AL-AD中为子载波数 L，在AL-FD中为天线数 M）。对于一个典型的大规模MIMO系统（M=64, L=256），即使 N 很小，我们也能轻松获得成千上万个训练样本，彻底解决了小样本训练的问题。

2.1 AL-AD与AL-FD的神经网络训练与预测

数据预处理完成后，神经网络的训练变得非常直接，如图3(b)所示。这里需要强调一个关键点：聚合学习方法本身不绑定任何特定的神经网络架构。它的创新在于数据预处理方式，而非网络结构。无论是简单的多层感知机（MLP）、循环神经网络（RNN）、长短期记忆网络（LSTM）还是更复杂的Transformer，都可以作为其核心预测器。

网络输入输出适配：以最基础的MLP为例。对于每一个子数据（例如，第 l 个子载波的阵列域信道序列），其输入特征x_n^i是过去 I 个时刻该子载波上 M 维复向量的序列。我们需要将每个复数的实部和虚部分开，并将这 I 个时刻的2*M个实数按时间顺序拼接成一个(2*I*M × 1)的实值输入向量。对应的标签y_n^i则是下一个时刻该子载波的 M 维复向量，同样处理为(2*M × 1)的实值向量。这样，网络就学习从一段历史序列预测下一个时刻单个子载波（或单根天线）上的信道。

损失函数：训练时使用的损失函数是均方误差（MSE），但计算方式体现了“聚合”的思想。损失函数是所有子数据预测误差的平均值（公式(10)）。这意味着，网络在训练时，是在同时学习预测所有子载波（或所有天线）的信道演变规律，它被迫去捕捉这些子信道之间共通的时变模式。

预测与重构：训练完成后，进行预测时，流程是数据预处理的逆过程。当需要预测未来时刻n+1的完整(M × L)信道矩阵时：

1. 对于矩阵中的每一个位置（即每一个“子信道”），将对应的历史序列输入训练好的神经网络，得到该位置的预测值（一个复向量）。
2. 在AL-AD中，我们预测出 L 个(M × 1)的阵列域向量，然后将它们作为列向量拼装，重构出完整的(M × L)矩阵。
3. 在AL-FD中，我们预测出 M 个(L × 1)的频域向量，然后将它们作为行向量拼装，重构出完整的(M × L)矩阵。

实操心得：网络架构的选择。虽然AL方法兼容各种网络，但在线训练场景下，需要在表达能力和训练速度之间权衡。MLP结构简单，训练最快，对于相关性极强的子信道（如AL-FD中的频域向量）可能已足够。LSTM或GRU能更好地建模时间序列的长期依赖，但参数更多，训练稍慢。Transformer理论上捕获全局依赖能力最强，但计算开销最大。在实际工程部署中，如果NPU等硬件加速器支持良好，可以尝试轻量级Transformer；如果对延迟极其敏感，优化良好的MLP或GRU往往是更稳妥的起点。我们的实验表明，在数据经过AL预处理后，即使是一个3-4层的MLP也能取得非常不错的性能。

3. 为什么聚合学习有效？三大相关性解析

聚合学习看似只是简单地“拆东墙补西墙”，把一份数据复制多份来用。但其有效性背后有深刻的无线信道特性作为支撑。理解这三种相关性，是掌握AL方法精髓、并在实际中判断该用AL-AD还是AL-FD的关键。

3.1 子信道间的相关性：多样性与统一性的平衡

这是聚合学习能够成立的首要前提。如果拆分出的 K2 个子信道彼此完全独立、毫不相关，那么用子信道A的数据去训练一个预测子信道B的模型，就是毫无意义的，甚至会产生误导。幸运的是，在宽带大规模MIMO信道中，这种强相关性是普遍存在的。

• 对于AL-AD（阵列域）：不同子载波上的阵列域信道向量H_n[:, l]之所以相关，是因为它们来自同一个物理信道。不同的子载波只是对同一段频率选择性信道在不同频点上的采样。它们共享相同的空间特性（如到达角、离开角）和大尺度衰落（如路径损耗、阴影衰落）。虽然小尺度衰落（由多径相位叠加引起）在不同频点上有所不同，但其统计规律（如分布、时间相关性）是相似的。因此，这 L 个子信道是“同源异构”的，它们共享底层物理规律，但具体实现值不同。这为神经网络提供了丰富的、具有内在一致性的训练样本，帮助其更好地泛化。
• 对于AL-FD（频域）：不同天线上的频域信道向量H_n[m, :]之间的相关性，源于天线阵列的空间相关性。在天线间距较小时（通常为半波长），相邻天线接收到的信号经历非常相似的多径环境，因此它们的频域响应也高度相关。即使天线间距较大，在丰富的散射环境下，信道也可能具备一定的空间相关性。因此，这 M 个子信道同样是高度相关的。

这种相关性确保了聚合后的数据集D_AL内的样本并非完全独立同分布，而是从一个共同的、时变的信道分布中抽取的多个相关样本。这既增加了数据量，又保证了数据内在的一致性，使得神经网络能够更稳健地估计信道演变的动态模型。

3.2 子信道内部的空-时相关性：预测的基石

聚合学习将预测一个高维的(M × L)矩阵的问题，分解为预测多个低维向量的问题。因此，每个子信道内部的时空相关性，直接决定了预测任务的难易程度，也解释了AL-AD和AL-FD的性能差异。

• 空间相关性（阵列域 vs 频域）：

  • 阵列域信道向量（M维）：其空间相关性体现在天线之间。在大规模MIMO中，由于天线密集排布，信道向量通常具有较高的空间相关性（即信道矩阵是低秩的）。这意味着，向量中 M 个元素的值并不是完全独立的，它们之间存在很强的线性或非线性关系。预测一个高度相关的 M 维向量，比预测 M 个独立的标量要容易，因为网络可以利用这种结构信息。
  • 频域信道向量（L维）：其“空间”在这里指频域，即不同子载波之间的相关性。由于信道的时延扩展是有限的，频域信道通常表现出很强的频率相关性（相邻子载波信道增益接近）。此外，在OFDM系统中，有效的子载波信道通常集中在有限的频带内，进一步增强了这种相关性。因此，频域向量也是一个高度结构化的向量。

• 时间相关性：这是信道预测的根本依据。无论是阵列域向量还是频域向量，它们都随着时间（用户移动、环境变化）而演化。这种演化通常可以用一个复杂的随机过程来描述，但具有短期内的可预测性（例如，遵循某种自回归模型）。神经网络的任务就是学习这个演化规律。由于子信道是原始高维信道的投影，它们保留了原始信道的主要时间动态特性。

3.3 AL-AD与AL-FD的性能分野：相关性强度的较量

在我们的仿真和理论分析中，一个重要的发现是：AL-FD（频域聚合）的预测性能通常优于AL-AD（阵列域聚合）。其根本原因在于，对于典型的宽带大规模MIMO信道：

频域信道向量内部的元素间相关性，通常远高于阵列域信道向量内部的元素间相关性。

我们可以用一个简单的类比来理解：想象你要预测一个由64位乐手（天线）演奏的、包含256个音符（子载波）的复杂乐章下一小节的变化。

• AL-AD策略：你找来256位专家，每位专家只紧盯一位乐手（比如第一位专家只盯小提琴手A），试图根据这位乐手过去几小节的演奏，预测他下一小节的256个音符。虽然小提琴手A的演奏有其规律，但预测256个独立音符的序列仍然非常困难。
• AL-FD策略：你找来64位专家，每位专家负责一个特定的音符（比如第一位专家只负责中央C这个音），他要根据过去几小节所有64位乐手演奏中央C的情况，预测下一小节所有乐手演奏中央C的强弱。由于所有乐手在演奏同一个音符时，强弱变化趋势是高度协同的（受指挥和曲谱约束），预测这个64维的“合奏强度向量”就相对容易得多。

在信道中，“频域向量”就像是“同一个音符在所有乐手上的合奏”，其内部元素（不同天线在同一子载波上的响应）由相同的空间信道结构决定，相关性极强。而“阵列域向量”就像是“同一个乐手演奏的所有音符”，虽然音符间有旋律联系（频率相关性），但其变化模式比空间结构更复杂、更快速。因此，神经网络学习并预测一个强相关的频域向量，比预测一个相关性稍弱的阵列域向量，更容易获得更高的精度。

注意事项：环境依赖性与选择策略。AL-FD的优越性在典型的富散射、天线间距较小的城区宏蜂窝场景下最为明显。然而，在某些特殊场景下，例如天线间距非常大（如分布式MIMO）或散射极其稀疏（如毫米波视距链路），天线间的空间相关性会减弱，而频域相关性可能因宽带效应而变得复杂。此时，AL-AD的性能可能会与AL-FD相当甚至反超。因此，在实际系统中，一种可行的策略是在初始化阶段或定期对两种方法的性能进行快速评估，动态选择当前环境下更优的聚合域。

4. 在线重训练框架的工程实现与参数设计

理解了聚合学习的原理，我们将其嵌入到完整的在线重训练框架中，探讨如何将其工程化。整个框架的运行周期如图2所示，核心是在“训练阶段”和“预测阶段”之间循环切换。

4.1 框架工作流程详解

1. 触发机制：框架需要一个触发条件来启动新一轮的训练。这可以是周期性的（例如，每T个时间片），也可以是基于性能监测的（例如，当最近一段时间预测误差的滑动平均值超过某个阈值时）。后者更能适应环境变化的快慢。

2. 训练阶段：

   • 数据收集窗口：触发后，系统进入训练阶段。首先，暂停使用旧模型进行预测，转而开始收集最新的信道估计值。这个收集窗口的长度为 N 个时间片。N的选择是核心权衡：N太大，数据收集时间长，系统在训练期间因使用过时信道而性能损失大；N太小，即使经过AL处理，数据量可能仍不足以训练一个稳定的模型。通常，N需要根据信道相干时间、用户移动速度来设定，一般在几十到几百个时间片量级。
   • 数据预处理与聚合：收集到{G_n, G_{n+1}, ..., G_{n+N-1}}后，按照第2节描述的AL方法（选择AL-AD或AL-FD）进行数据分割与聚合，构建出扩大后的训练数据集D_AL。
   • 神经网络训练：使用D_AL对选定的神经网络进行训练。这里的关键是从头开始训练，而不是微调。这是因为环境可能已发生根本性变化，旧模型的参数可能不适用于新环境，微调容易陷入局部最优或发生灾难性遗忘。训练目标是最小化公式(10)的损失函数。

3. 预测阶段：

   • 训练完成后，立即切换到预测阶段。将新训练好的模型部署到信道预测模块。
   • 在每一个预测时刻，系统将过去 I 个时刻的估计信道矩阵（或对应的子信道序列）输入模型，得到对下一个时刻信道的预测值Ĥ_{n+1}，供波束成形等后续模块使用。
   • 预测阶段持续运行，直到下一个训练触发条件被满足。

4.2 关键参数设计与调优建议

1. 输入序列长度 I：这决定了模型能看到多长的历史来做出预测。I 太小，模型无法捕捉足够的时域相关性；I 太大，会增加模型输入维度和计算复杂度，且更久远的历史信息可能对当前预测贡献很小。I 与用户的最大多普勒频移f_d和系统采样间隔T_s有关。一个经验法则是I应覆盖信道相干时间的主要部分，通常I取值在 5 到 20 之间。可以通过分析信道自相关函数衰减到某个阈值（如0.7）的时间点来初步确定 I。

2. 训练数据量 N 与 AL 增益：假设我们要求原始方法需要N_orig个时间片才能训练出可用的模型。采用AL方法后，由于数据量扩大了 K2 倍，要达到相近的模型性能，我们所需的N_AL可以显著减少。理论上，N_AL ≈ N_orig / K2。例如，若N_orig = 500，K2 = L = 256，则N_AL可降至 2 左右。但实际中，由于子信道间并非完全独立，增益会打折扣。我们的实验表明，在典型场景下，N_AL取 10~30 就能达到离线训练用数百个时间片数据的性能，数据收集时间减少了约一个数量级。

3. 神经网络结构与超参数：

   • 网络深度与宽度：对于AL处理后的数据，输入维度从2*M*L*I降为2*K1*I（K1为子信道维度）。这大大降低了网络输入层的规模。一个3-5层的MLP通常就能取得很好效果。每层神经元数量可以从128到512不等，取决于K1的大小。
   • 激活函数：鉴于信道数据是复数值，拆分为实部虚部后，使用ReLU或其变种（如Leaky ReLU）是常见选择。对于输出层，通常使用线性激活函数。
   • 学习率与优化器：使用Adam优化器是标准做法。初始学习率可以设置在1e-3到1e-4之间。由于在线训练每个周期数据量有限，建议使用较小的批量大小（如32或64），并配合早停法（Early Stopping）防止过拟合，即当验证集损失在连续多个epoch内不再下降时停止训练。

4. 预测相位补偿：一个容易被忽略但重要的细节是，信道预测输出的是复信道系数。在实际系统中，载波频率偏移（CFO）和采样时钟偏移（SCO）会引入一个随时间线性增长的公共相位旋转。这个旋转在子载波间是一致的，但在时间上变化。神经网络可能难以精确学习这种线性的相位漂移。因此，一个实用的技巧是：在将信道数据输入网络前，先进行相位去旋转处理，例如，以每个子信道第一个元素的相位为参考进行归一化。在预测输出后，再根据估计的公共相位漂移速率将相位旋转加回去。这能显著提升预测的相位精度。

5. 性能评估、对比与常见问题排查

为了验证聚合学习的有效性，我们将其与几种基准方法在多种信道场景下进行了对比仿真。仿真的核心指标是归一化均方误差（NMSE），定义为预测信道与真实信道之间差值的Frobenius范数的平方，再除以真实信道的Frobenius范数的平方。

5.1 基准方法与对比结果

我们对比了以下方法：

1. 传统离线MLP：使用大量离线数据（数千时间片）训练一个大型MLP，直接预测整个(M × L)矩阵。作为性能上限参考。
2. 在线MLP（无AL）：在在线框架下，直接用有限的 N 个时间片数据训练一个MLP（输入为展平的历史信道向量）。代表基线在线方法。
3. 自回归（AR）预测器：一种经典的模型驱动方法，作为非ML基准。
4. AL-AD：本文提出的阵列域聚合学习。
5. AL-FD：本文提出的频域聚合学习。

典型仿真结果分析： 在3GPP 38.901定义的UMi（城市微蜂窝）场景，载频3.5GHz，带宽100MHz，基站天线数M=64，子载波数L=256，用户移动速度30km/h的条件下，我们得到如下核心结论：

• 数据效率：当在线训练数据量 N 很小（如N=20）时，传统在线MLP由于严重过拟合，NMSE比离线MLP差10dB以上。而AL-AD和AL-FD的NMSE仅比离线MLP差2-3dB，AL-FD甚至在某些情况下接近离线性能。这直观证明了AL方法在极小样本下的强大数据利用能力。
• 性能排序：在绝大多数测试场景下，性能排序为：AL-FD > AL-AD > 在线MLP (无AL) ≈ AR。AL-FD的优越性得到了反复验证，其NMSE通常比AL-AD低0.5-1.5dB。
• 收敛速度：在训练过程中，AL方法（尤其是AL-FD）的损失函数下降更快，更早进入稳定平台期。这意味着它们需要的训练epoch更少，进一步减少了在线训练的计算时间开销。
• 对信道变化的鲁棒性：我们模拟了用户突然转向或加速的场景。离线MLP性能急剧恶化。在线MLP（无AL）需要重新收集较多数据才能恢复。而AL方法，由于其模型是在最新、最相关的子信道数据上快速训练得到的，能更快地适应这种突变，预测性能恢复得更迅速。

5.2 常见问题、故障排查与调优实录

在实际实现和调试AL方法时，我们遇到了若干典型问题，以下是排查思路和解决方案：

问题一：预测性能在某个子载波或天线上突然变差。

• 现象：整体NMSE尚可，但个别子载波或天线的预测误差极大。
• 排查：
  1. 数据检查：首先检查原始信道估计数据中，该异常位置的估计值是否存在异常（如突发的强干扰导致估计错误）。在线训练对数据质量很敏感。
  2. 相关性分析：计算该异常子信道与其他子信道的相关性。如果发现其相关性显著低于平均水平（例如，由于该子载波处于频带边缘，信道估计噪声大；或该天线故障），那么它在聚合数据集里就是一个“异类”。
  3. 模型诊断：观察训练损失曲线。如果训练损失很低但验证损失（在预留的时间片上计算）很高，且波动大，可能是过拟合。对于AL，过拟合可能表现为模型对大多数“正常”子信道拟合很好，但对少数“异常”子信道完全乱猜。
• 解决：
  1. 数据清洗：在数据预处理阶段，可以加入简单的异常值检测与剔除。例如，计算每个时间片上所有子信道幅值的均值和方差，剔除幅值超出[均值±3倍标准差]范围的异常样本。
  2. 加权损失函数：在损失函数（公式(10)）中，为每个子信道的误差项引入一个权重w_i。可以根据历史误差或子信道间相关性的倒数来设置权重，降低异常子信道对整体训练的影响。
  3. 增加正则化：在神经网络中增加Dropout层或L2权重正则化，抑制模型对训练数据中噪声和异常值的过度记忆。

问题二：AL-FD和AL-AD性能差异不明显，甚至AL-AD偶尔更好。

• 现象：在仿真或实测中，两种方法NMSE接近。
• 排查：
  1. 场景分析：回顾当前信道场景。是否是高频率选择性、低空间相关性的场景？例如，在时延扩展很大的室内环境，或天线间距很大的分布式天线系统（DAS）中，频域相关性可能减弱，空间相关性可能因分集增益而变得不显著。
  2. 相关性定量计算：实际计算当前信道数据中，阵列域向量内部（天线间）的相关系数矩阵和频域向量内部（子载波间）的相关系数矩阵的平均值。比较两者的大小。
• 解决：
  1. 动态选择：实现一个轻量级的性能评估模块。在每个训练周期开始时，用最近收集的少量数据（如5个时间片），快速训练两个极简的模型（如单层线性网络）分别采用AL-AD和AL-FD预处理，在紧接着的几个时间片上验证，选择验证误差更小的那个域进行本轮的正式训练。
  2. 混合聚合：一种更激进的思路是尝试同时利用两种相关性。例如，可以先将信道矩阵在阵列域拆分，对每个阵列域向量，再进一步在频域进行某种形式的特征提取或降维，然后再聚合。但这会引入更高的设计复杂度和计算量。

问题三：在线训练周期不稳定，时好时坏。

• 现象：不同训练周期得到的模型性能波动很大。
• 排查：
  1. 数据量N是否足够：检查N是否太小，导致每个周期的训练数据集D_AL的统计特性波动大。可以尝试适当增大N。
  2. 训练收敛性：检查训练过程的随机性，如权重初始化、优化器的随机梯度下降。确保每个周期训练足够的epoch，并使用验证早停。
  3. 信道非平稳性：如果环境变化极快（如用户高速移动），信道的统计特性在一个训练周期内就可能发生显著变化，导致收集到的N个时间片数据内部不一致。
• 解决：
  1. 滑动窗口训练：不使用固定的、离散的训练周期，而是采用滑动窗口。始终用最近W个时间片的数据（经过AL处理）来持续地微调模型。这类似于“持续学习”，但需要更精细的学习率调度和防止灾难性遗忘的机制。
  2. 集成预测：训练多个模型（例如，用最近三个时间窗口的数据分别训练），预测时对它们的输出进行平均或加权平均，可以平滑单次训练带来的性能波动，提高鲁棒性。

问题四：计算延迟仍然过高，无法满足实时性要求。

• 现象：虽然数据收集时间减少了，但神经网络训练时间（T_com）在资源受限的边缘设备上仍然过长。
• 解决：
  1. 模型轻量化：优先选择MLP而非LSTM/Transformer。使用剪枝、量化等技术压缩模型。知识蒸馏也是一个方向：用一个在强大服务器上预训练好的大模型（教师模型）来指导一个小模型（学生模型）的训练，学生模型专用于在线部署。
  2. 硬件加速：充分利用NPU、GPU或专用的AI加速器进行模型推理和训练。设计网络时考虑硬件友好的操作（如避免复杂分支、使用标准卷积等）。
  3. 提前训练与热启动：虽然是在线重训练，但可以预先在多种典型信道场景的混合数据上训练一个通用的“基础模型”。在线训练时，不是从头开始随机初始化，而是以这个基础模型的权重作为起点进行微调。这可以大幅减少收敛所需的epoch数，从而降低T_com。

聚合学习为宽带大规模MIMO系统中的在线信道预测提供了一个极具工程实用价值的解决方案。它巧妙地将信道矩阵的固有结构转化为数据增益，以近乎零额外开销的方式，极大地缓解了在线训练的数据饥渴问题。AL-FD因其频域向量更强的内在相关性，通常成为首选方案。然而，真正的工程落地远不止于算法本身，更需要结合具体的硬件平台、业务延迟要求和实际信道特性，对数据预处理、网络架构、训练策略和异常处理进行全方位的精心设计和调优。