核心概念
Ein tieflernbasierter Schätzrahmen wird entwickelt, um die Sensorik- und Kommunikationskanäle in einem IRS-unterstützten ISAC-System effizient zu schätzen.
摘要
In dieser Arbeit wird ein tieflernbasierter Schätzansatz für ein IRS-unterstütztes integriertes Sensorik- und Kommunikationssystem (ISAC-System) vorgestellt. Der Ansatz umfasst zwei verschiedene Tiefneuronetzwerk-Architekturen, um die Sensorik- und Kommunikationskanäle effizient zu schätzen.
Für die Sensorikkanalschätzung wird ein Tiefneuronetz (SE-DNN) am ISAC-Basisstation eingesetzt. Für die Kommunikationskanalschätzung wird ein zweites Tiefneuronetz (CE-DNN) jedem Downlink-Nutzergerät zugewiesen. Die Eingabe-Ausgabe-Paare für das Training der Netze werden sorgfältig entworfen, um die Schätzgenauigkeit zu verbessern. Außerdem wird der Trainingsdatensatz durch Datenerweiterung angereichert.
Die Simulationsergebnisse zeigen, dass der vorgeschlagene Ansatz im Vergleich zu einem Benchmark-Schema unter verschiedenen Signal-Rausch-Verhältnis-Bedingungen und Systemparametern deutliche Verbesserungen der Schätzgenauigkeit erzielt.
統計資料
Die Sendeleistung der ISAC-Basisstation beträgt P0 = 20 dBm.
Der Rician-Faktor des BS-IRS-Links ist KBI = 10, während der des IRS-Uk-Links KIUk = 0 beträgt.
Die Pfadverluste der Sensorik- und Kommunikationskanäle sind ζS = ζ0(dS/d0)^(-γS), ζBI = ζ0(dBI/d0)^(-γBI) und ζIUk = ζ0(dIUk/d0)^(-γIUk), wobei ζ0 = -30 dBm, dS = 140 m, dBI = 50 m, dIUk = 2 m, γS = 3, γBI = 2,3 und γIUk = 2.
引述
"Ein tieflernbasierter Schätzrahmen, der zwei verschiedene Tiefneuronetzwerk-Architekturen umfasst, wird entwickelt, um die Sensorik- und Kommunikationskanäle in einem IRS-unterstützten ISAC-System effizient zu schätzen."
"Die Simulationsergebnisse zeigen, dass der vorgeschlagene Ansatz im Vergleich zu einem Benchmark-Schema unter verschiedenen Signal-Rausch-Verhältnis-Bedingungen und Systemparametern deutliche Verbesserungen der Schätzgenauigkeit erzielt."