In diesem Artikel wird eine dreistufige Kanalschätzungsmethode auf der Grundlage von Deep Learning für ein IRS-unterstütztes integriertes Sensor- und Kommunikationssystem (ISAC) vorgestellt.
In der ersten Stufe werden die direkten Sensor- und Kommunikationskanäle geschätzt, indem alle IRS-Elemente ausgeschaltet sind. In der zweiten Stufe wird der reflektierte Kommunikationskanal geschätzt, indem die Übertragung des ISAC-BS ausgeschaltet und die IRS-Elemente eingeschaltet sind. In der dritten Stufe wird der reflektierte Sensorkanal geschätzt, indem sowohl die Übertragung des ISAC-BS als auch die IRS-Elemente eingeschaltet sind.
Für jede Stufe werden zwei Arten von Eingabe-Ausgangs-Paaren für das Deep-Learning-Netzwerk entworfen. Die erste Art basiert direkt auf den empfangenen Sensor- und Kommunikationssignalen, während die zweite Art auf den Least-Squares-Schätzungen der Kanäle basiert. Zwei verschiedene CNN-Architekturen werden entwickelt, um die direkten und reflektierten Kanäle separat zu schätzen.
Die Leistungsfähigkeit des vorgeschlagenen Ansatzes wird durch Simulationen unter verschiedenen Signal-Rausch-Verhältnis-Bedingungen und Systemparametern validiert. Die Ergebnisse zeigen, dass der vorgeschlagene Ansatz eine erhebliche Verbesserung der Schätzgenauigkeit im Vergleich zu einem Least-Squares-Basislinien-Schätzer erzielt.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Yu Liu,Ibrah... at arxiv.org 04-09-2024
https://arxiv.org/pdf/2402.09441.pdfDeeper Inquiries