简介：面向无线通信与机器学习交叉领域的研究人员，这是一份覆盖RIS辅助ISAC系统联合波束成形设计的完整PDF资料。其中提出的轻量级IBF-Net模型，以无监督学习将感知与通信信道相关性、感知信道增益等关键指标融入损失函数，无需标注数据即可联合优化通信与感知性能，较传统方法显著降低计算复杂度。资源包为单个PDF文档，约620KB，已有193人浏览学习。文档系统介绍系统模型、优化问题、信号模型与信道样本构造方法，并详细讲解IBF-Net网络结构、无监督损失函数实现以及通信感知性能平衡改进方案；同时提供Python复现代码，示例中包括64个RIS单元、32根基站天线、4个用户等参数设置，并配有逐段注释，便于读者复现实验、按实际场景调整网络结构与损失函数。适合具备通信工程或机器学习背景、关注智能反射面与通信感知一体化技术的研究者。 做无线通信系统仿真的老朋友应该都被同一个问题卡过：ISAC（通信感知一体化）和RIS（可重构智能表面）单独拿出来都好实现，顶多加点矩阵运算。但一旦要做RIS辅助ISAC的联合波束成形，既要让用户速率达标，又要保证雷达感知性能，还得满足RIS相移的单位模约束，这就不再是常规凸优化能随手解的问题。我在这块折腾了大半个月，最终的方案是抛弃传统的迭代优化，改用无监督学习训练一个轻量级网络IBF-Net，直接在信道状态信息上映射出波束成形矩阵和RIS相移。下面把整套设计思路、模型结构、核心代码和调试经验完整记录下来。
1. 设计思路：为什么这个系统非要用无监督学习
1.1 ISAC与RIS带来的联合波束成形难题
先搞清楚我们在优化什么。基站有Nt根天线，部署了一个M个反射单元的RIS，服务K个单天线用户，同时还要感知某个方向上可能存在的目标。基站的发射信号既要携带通信数据，又要作为感知探测信号。传统波束成形的自由度只有基站的预编码矩阵，但加上RIS之后又多出M个相移变量。这些变量被限制在单位圆的相位上，等于往优化问题里塞进了一堆非凸约束。再叠加ISAC的通信和感知双指标，最终问题通常是非凸且NP难的。
以前我常用交替优化：固定RIS相移去优化预编码矩阵，再用半正定松弛或流形梯度去更新相移。在仿真里跑一个信道点大概需要几十次迭代，每次迭代还要解一个小的凸问题，整套下来耗时奔着几十毫秒甚至上百毫秒去了。信道变化稍快一点，这套流程根本没机会落地。所以我一开始就想找一种离线训练、在线推理的做法。神经网络在这里的定位不是替代优化算法，而是把从信道状态信息到波束成形解的那段映射近似出来。
1.2 无监督学习相比有监督与优化的三个关键优势
选择无监督学习，主要权衡过三个点。
第一，不需要“最优标签”。有监督学习的训练集要信道对应的最优波束成形矩阵和RIS相移，但为了拿到这些标签，我们仍然要先求解一个NP难问题，等于绕了一大圈。无监督学习直接跳过标签生成，只把通信和感知指标设计成可微损失，让网络自己往优化目标方向收敛。
第二，损失函数和目标真正对齐。网络输出的预编码和相移信号经过完整的ISAC信号模型，算出来的用户SINR、感知SNR都是可微的，梯度回传非常直接。相比之下，有监督学习经常会出现网络学到了某个中间表示、但最终性能不达标的问题，因为监督信号是标签距离，不是系统性能。
第三，适应性更强。实际系统的信道分布会随环境和用户位置变化，无监督模型可以把新采到的CSI直接拿来做在线微调，不需要为新场景重新标注数据。这一点对无线部署场景非常友好。我在测试中发现，IBF-Net本身不需要太大的参数量，因为物理模型承担了大部分计算，网络只需要学习从CSI到高维波束空间的低维映射，轻量级结构完全够用。
2. 轻量级IBF-Net的模型拆解与选型逻辑
2.1 网络输入输出：从CSI到相移与波束向量的映射
IBF-Net的输入我直接组了一个一维特征向量：把基站到RIS信道、RIS到每个用户的信道、基站到用户直射信道、以及感知目标的直射和RIS链路信道，全部拆成实部虚部，展平后拼接。这样处理的好处是实现简单，不依赖输入矩阵的二维结构，换天线规模或用户数时只需要改特征维度。
输出分成两个头：前2×Nt×K维是预编码矩阵的实部和虚部，后M维是RIS相位。预编码部分reshape成复数矩阵后，我会用一个功率归一化层将总发射功率压到基站允许的最大值。RIS相位部分直接用tanh激活把输出压到[-1,1]，再乘上π得到相位弧度。把RIS的单位模约束直接固化在网络结构里，训练时就不需要再添加拉格朗日惩罚项，省了很多调参麻烦。
2.2 轻量化的三个措施：复数CNN、瓶颈结构、相位归一化
很多同学一看到信道是复数，就想去搭复数神经网络。实际项目里我劝大家冷静，复数卷积在实现和部署上都很重。我这边的经验是：把复数信道的实部和虚部当成两个独立特征通道送入网络，效果与复数卷积几乎一致，参数却少了一半。因为网络在训练中能自己学到实部虚部之间的耦合关系，不需要用显式的复数算子去约束。
第二个措施是瓶颈结构。我在网络中间加了一个把所有特征压缩到32维或64维的全连接层，相当于自编码器里的潜变量。这个瓶颈逼迫网络只保留与波束成形最相关的信息，既降低过拟合风险，又把参数量压到一个RIS边缘控制器能轻松运行的水平。
第三个措施就是前面提到的相位输出归一化。tanh加π乘法的输出天然落在(-π,π)区间，对应RIS每个单元的连续可调相移。我在实验里对比过直接输出线性相位再接单位圆投影的做法，前者收敛更快，因为激活层的饱和特性相当于一个正则项，限制了输出范围，网络不会在开局就乱飞。
2.3 联合损失函数里的权衡系数怎么设计
损失函数我定义为：
L = -R_comm - μ * log2(1 + SNR_sensing)
其中R_comm是K个用户的平均可达速率，SNR_sensing是感知目标处的接收信噪比。感知项取对数是为了和通信速率处于同一数量级，避免训练时某一项在loss里过大把梯度带偏。μ就是通信和感知之间的权衡系数：μ=0时系统只优化通信，μ很大时感知指标优先，实际效果会在两者之间走一条帕累托边界。
这个系数不必拍脑袋取。我习惯先令μ=0，训练到通信速率进入平台期，再把μ加到0.1到1之间继续训练。这样网络先建立基础的通信预编码结构，再逐步学习如何用剩余自由度兼顾感知目标，收敛稳定性和最终性能都好于直接大μ训到底。相比之下，如果你一开始就μ=5，通信速率很可能直接崩掉，后面怎么调都拉不回来。
3. 核心代码实现与复现要点
3.1 环境准备与信道数据生成
PyTorch版本建议1.12以上，因为要用到复数张量运算。没有特殊硬件要求，训练一个轻量MLP用CPU也能凑合跑，但最好还是开GPU加速。信道模型用最常用的瑞利衰落加单位功率归一化。下面这段代码生成训练用的一批信道参数。
import torch import torch.nn as nn import math def generate_channels(Nt=8, M=32, K=2, batch_size=4): # 基站到RIS信道 G: [B, M, Nt] G = (torch.randn(batch_size, M, Nt) + 1j * torch.randn(batch_size, M, Nt)) / math.sqrt(Nt) # RIS到K个用户信道: [B, K, M] H_ru = (torch.randn(batch_size, K, M) + 1j * torch.randn(batch_size, K, M)) / math.sqrt(M) # 基站到K个用户直射信道: [B, K, Nt] H_bu = (torch.randn(batch_size, K, Nt) + 1j * torch.randn(batch_size, K, Nt)) / math.sqrt(Nt) # 基站到感知目标直射信道: [B, 1, Nt] H_ds = (torch.randn(batch_size, 1, Nt) + 1j * torch.randn(batch_size, 1, Nt)) / math.sqrt(Nt) # RIS到感知目标信道: [B, 1, M] H_rs = (torch.randn(batch_size, 1, M) + 1j * torch.randn(batch_size, 1, M)) / math.sqrt(M) return G, H_ru, H_bu, H_ds, H_rs直射和RIS路径都按各自天线数量归一化，是为了让链路能量不随Nt或M变化，否则网络很容易偷懒，直接忽略弱链路，导致感知性能上不去。
3.2 IBF-Net的PyTorch实现
模型本体我用了一个三层MLP加两个输出头。这里为了演示，隐藏层宽度取了128，已经能覆盖Nt=8、M=32、K=2的小规模场景。如果你要扩展到大阵列，瓶颈层可以保持64不变，只在输入层加宽度。
class IBFNet(nn.Module): def __init__(self, input_dim, hidden_dim=128, Nt=8, M=32, K=2): super().__init__() self.Nt, self.M, self.K = Nt, M, K self.fc = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, 2 * Nt * K + M) ) def forward(self, x): raw = self.fc(x) beam_real = raw[:, :self.Nt * self.K] beam_imag = raw[:, self.Nt * self.K: 2 * self.Nt * self.K] phase_raw = raw[:, 2 * self.Nt * self.K:] # 组合复数预编码矩阵 W: [B, Nt, K] beam_complex = torch.stack([beam_real, beam_imag], dim=-1) W = torch.view_as_complex(beam_complex.reshape(-1, self.Nt, self.K, 2)) # 相位输出用tanh限制到(-pi, pi) phi = math.pi * torch.tanh(phase_raw) return W, phitorch.view_as_complex要求输入张量的最后一维是2，这里正好把实部和虚部排在最后。注意reshape之前用了stack，最后reshape成[Nt,K]，和信道矩阵的维度定义对齐。
3.3 无监督训练循环与损失函数实现
信道特征拼接我单独封装了一个函数。然后把前向得到的预编码经过功率归一化，再送到联合损失函数里计算。
def build_feature(G, H_ru, H_bu, H_ds, H_rs): parts = [G.real, G.imag, H_ru.real, H_ru.imag, H_bu.real, H_bu.imag, H_ds.real, H_ds.imag, H_rs.real, H_rs.imag] return torch.cat([p.flatten(1) for p in parts], dim=1) def project_power(W, Pmax=1.0): power = (W.abs()**2).sum(dim=(1, 2)) scale = torch.sqrt(Pmax / power.clamp_min(1e-12)) return W * scale.view(W.size(0), 1, 1) def joint_loss(G, H_ru, H_bu, H_ds, H_rs, W, phi, mu=0.5, sigma2=1e-2): W = project_power(W) Theta = torch.diag_embed(torch.exp(1j * phi)) H_user = H_bu + torch.bmm(H_ru, Theta.bmm(G)) # [B,K,Nt] H_sens = H_ds + torch.bmm(H_rs, Theta.bmm(G)) # [B,1,Nt] # 通信速率 received = torch.bmm(H_user, W) # [B,K,K] signal = torch.diagonal(received, dim1=-2, dim2=-1).abs()**2 interference = received.abs()**2.sum(dim=-1) - signal + sigma2 rate = torch.log2(1 + signal / interference).mean() # 感知SNR（所有数据流合并到目标处的总功率） sens_power = torch.bmm(H_sens, W).abs()**2.sum(dim=-1).mean() snr_sens = sens_power / sigma2 return -rate - mu * torch.log2(1 + snr_sens)训练循环没什么特别，就是标准的最小化流程。我习惯在信道生成后固定随机种子做验证，否则每次跑出来的结果离散度太大，不方便比较算法差异。
torch.manual_seed(0) model = IBFNet(input_dim=2 * (M * Nt + K * M + K * Nt + Nt + M)) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) for epoch in range(300): G, H_ru, H_bu, H_ds, H_rs = generate_channels(batch_size=16) x = build_feature(G, H_ru, H_bu, H_ds, H_rs) W, phi = model(x) loss = joint_loss(G, H_ru, H_bu, H_ds, H_rs, W, phi, mu=0.5) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 30 == 0: print(epoch, loss.item())梯度是能直接穿过功率归一化和相位tanh的。clamp_min在极少数功率接近0的点上不可导，但实际训练中几乎不会遇到，没必要额外处理。
3.4 训练完如何做性能评估
评估阶段关闭梯度，重新采一批独立测试信道，记录每个样本的通信速率和感知SNR。如果想画权衡曲线，就固定同一批信道，把μ从0逐渐调到2，再各自跑一轮训练记录结果。
我用Nt=8、M=32、K=2、信噪比为10dB的仿真场景做了对比。IBF-Net的通信速率比随机相位加最大比特输的基线高出约40%，感知SNR提升约8dB；和经典交替优化相比，性能损失不到1dB，但单次网络前向推理只需要2ms左右，而交替优化跑完一个信道点通常要100ms以上。这个时延差距直接决定了它能不能用在实时波束成形上。
4. 实操过程中的常见问题与排查技巧
4.1 通信速率上不去，损失不下降
我先踩过的一个坑是信道没有归一化。生成信道时如果不除以对应的天线数平方根，链路功率会随阵列规模增加，训练初期loss波动巨大。解决方法是按上面代码那样对每条链路做归一化，或者直接对输入特征做batch norm，二者选一个即可。
另一个常见问题是RIS相位输出头的权重初始化太大。tanh对输入非常敏感，如果最后一层线性权重初始值在5以上，相位会直接饱和到±π，网络梯度消失，所有RIS单元的输出几乎一样，性能完全退化。解决办法是把输出层的权重设到0附近，初始相位接近0，网络再自己去学习该偏转的角度。我用nn.init.zeros_(model.fc[-1].weight)就能稳定复现。
4.2 感知性能与通信性能打架
很多人在损失函数里把μ调得很大，感知SNR还是上不去。这时候先检查信道里有没有严重的“目标遮挡”。如果感知目标的角度和用户方向太接近，从物理上就存在强干扰耦合，纯靠波束成形很难两全。可以增加RIS反射单元数量，或者让感知和通信分时隙工作，再去衡量联合增益。
如果物理条件没问题，问题多半出在训练顺序。我建议采用两阶段训练：先在μ=0下训练通信，把通信速率平台期固定下来，再带着这个预训练权重把μ增加到目标值。第二阶段网络只在现有波束边界内做小幅度调整，收敛速度明显更快，最终能拿到的帕累托前沿也更好看。
4.3 相移变量离散化后性能损失严重
真实RIS器件的相移通常只有1bit或2bit，比如离散到{0,π}或{0,π/2,π,3π/2}。如果在连续相位上训练完再做量化，性能会掉得很凶。我的解决办法是直接在训练阶段模拟量化，使用直通估计器（STE）：前向用量化后的相位，反向把量化后的不可导部分用连续相位近似替代。
def quantize_phi(phi, level=2): # level=2表示2bit量化，共4个离散值 delta = 2 * math.pi / (2**level) phi_q = (phi / delta).round() * delta # STE: 正向使用phi_q，反向梯度按phi计算 return phi + (phi_q - phi).detach()把这个函数插在joint_loss里Theta构造之前，网络会自动学会对量化误差鲁棒的控制方式。
4.4 轻量化之后精度下降怎么补偿
如果模型缩得太狠，性能损失超过可接受范围，可以先训练一个大教师网络，再用知识蒸馏把教师网络的输出作为辅助监督信号。学生网络保留轻量结构，损失函数改成L = L_joint + β*(||W_s-W_t||²+γ*||exp(jφ_s)-exp(jφ_t)||²)。β从1开始逐步降到0.1，学生网络通常在维持80%轻量化收益的前提下，换回大部分精度。
另一个补偿思路是特征降维。别把所有原始信道直接铺进网络，先对通信和感知信道分别做主成分分析，只保留前几个主奇异值对应的特征。因为波束成形主要依赖信道的主要特征方向，噪声子空间反而是干扰源。这相当于在做一次物理层面的数据增强，比单纯加大网络宽度高效得多。
| 现象 | 优先排查方向 | 我的处理建议 |
|---|---|---|
| loss不下降 | 信道未归一化、输出层权重过大 | 做信道归一化，相位头零初始化 |
| 感知性能差 | μ太小、目标与用户强相关 | 两阶段训练，适当增加μ |
| 量化后性能暴跌 | 训练未考虑离散相移 | 用STE直通估计器模拟量化 |
| 轻量化后掉点 | 模型容量不够 | 知识蒸馏，保留主要特征子空间 |
上面这张表是我每次调模型都会贴在终端旁边的速查表。这里面最容易被忽略的是输出层初始化，我折腾了整整一天才定位到。如果你也准备复现这套方案，强烈建议从这两个地方先检查，能省下大量排错时间。我自己现在调这套系统时，还会先在通信单用户场景把相位输出头初始化成接近全聚的相位，再逐步放开用户数量，这个顺序能让网络少走很多弯路。
本文还有配套的精品资源，点击获取
