본 연구 논문에서는 통합 감지 및 통신 (ISAC) 시스템을 위한 새로운 심층 학습 기반 코드화된 파형 설계 방법인 LISAC를 소개합니다. ISAC는 스펙트럼 부족을 완화하고 하드웨어 비용을 절감할 수 있는 잠재력으로 인해 6G 네트워크에서 주목받고 있습니다. 하지만 감지 및 통신의 상충되는 요구 사항으로 인해 효과적인 ISAC 파형을 설계하는 것은 어려운 과제입니다.
LISAC는 OFDM을 기반으로 하며, 송신기와 수신기 모두 RNN(Recurrent Neural Network)으로 매개변수화됩니다. 송신기는 입력 비트 시퀀스를 감지 및 통신을 위한 전송 파형으로 인코딩하고, 수신기는 RNN 기반 디코더를 사용하여 정보 비트를 디코딩하는 동시에 송신기는 최대 가능도 감지를 통해 대상을 감지합니다.
LISAC 인코더와 디코더는 통신 및 감지 성능을 모두 고려하여 최적화됩니다. 손실 함수는 감지의 outlier MSE와 원래 비트 시퀀스와 디코더 출력 간의 교차 엔트로피 손실의 가중 합으로 구성됩니다. 학습 중에 다른 가중치를 사용하여 감지 및 통신 트레이드 오프에서 다른 지점을 달성할 수 있습니다.
수치 실험 결과, LISAC 파형은 기존 방법에 비해 더 나은 감지 및 통신 트레이드 오프 곡선을 달성하는 것으로 나타났습니다. 특히, 학습된 코드는 통신 성능이 우선 순위일 때 전송 신호를 I/Q 평면에 걸쳐 확산시키는 반면, 감지 성능이 중요해지면 PSK와 진폭 변조 간의 혼합으로 수렴합니다.
본 논문에서 제안된 LISAC 프레임워크는 완전히 학습 가능한 코드화된 파형을 통해 만족스러운 감지 및 통신 성능을 달성하는 새로운 방법을 제시합니다. 제안된 LISAC는 기존 방법에 비해 향상된 성능을 보여주며, 향후 6G 네트워크에서 ISAC 기술 발전에 기여할 것으로 기대됩니다.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問