在無線通信領域，大規模多輸入多輸出(Massive MIMO)技術被視為提升頻譜效率的關鍵，但其性能高度依賴于精確的信道狀態信息(CSIT)。特別是在頻分雙工(FDD)系統中，隨著基站天線數量增加，傳統信道估計方法面臨導頻開銷爆炸性增長和動態信道跟蹤困難的雙重挑戰。雖然壓縮感知(CS)等方案能利用信道稀疏性降低開銷，但其計算復雜度阻礙了實時應用。

針對這一瓶頸，Sahand工業大學的研究團隊在《Digital Signal Processing》發表創新性研究，提出融合深度學習與稀疏恢復原理的聯合解決方案。該方法通過設計特殊的神經網絡層，將傳統迭代閾值算法展開為可訓練模塊，實現了導頻矩陣優化與時變信道估計的協同處理。

關鍵技術包括：1) 構建基于L₀范數約束的深度展開網絡層；2) 采用兩階段訓練策略（離線預訓練+在線微調）；3) 利用Kronecker積結構處理多用戶場景。測試采用3GPP信道模型和幾何信道模型，對比LAMP、OMP等6種基準方法。

研究結果顯示：

1. 系統模型：建立FDD下行鏈路模型，用戶接收信號y_k=h_kΦ+n_k，其中Φ∈C^M×T為導頻矩陣。通過將信道估計轉化為稀疏恢復問題，顯著降低所需導頻數量T。
2. 網絡設計：創新性地將迭代軟閾值算法(ISTA)映射為神經網絡層，通過可學習參數替代固定閾值，在PilotNet和EstimateNet中實現端到端優化。
3. 性能驗證：在20dB信噪比下，歸一化均方誤差(NMSE)較傳統方法降低47%，導頻長度縮短60%仍保持同等精度，且時變跟蹤速度提升3倍。

結論部分強調，該方法首次實現導頻設計與信道估計的深度聯合優化，其核心突破在于：1) 通過神經網絡參數化傳統算法，平衡計算效率與性能；2) 在線更新機制有效適應信道時變特性；3) 稀疏先驗的顯式編碼增強模型泛化能力。這項工作為6G系統中智能信號處理提供了重要范式，其設計思路可擴展至毫米波通信等場景。