Основні поняття
本文提出了一種基於深度學習的新方法 LISAC,用於設計具備感測和通訊雙重功能的 OFDM 編碼波形,並透過模擬驗證其在感測效能和通訊品質之間取得了比現有方法更好的平衡。
Анотація
論文概述
本論文提出了一種名為 LISAC 的深度學習演算法,旨在設計一種能夠同時滿足感測和通訊需求的 OFDM 波形。
研究背景
整合感測與通訊(ISAC)技術近年來備受關注,它有望解決頻譜短缺問題並降低硬體成本,為 6G 網路帶來新的應用和服務。然而,設計有效的 ISAC 波形極具挑戰性,因為感測和通訊的需求往往相互衝突。
LISAC 架構
LISAC 模型的編碼器和解碼器均由遞迴神經網路(RNN)構成。編碼器將輸入位元序列編碼成同時用於感測和通訊的傳輸波形,而解碼器則從接收到的訊號中解碼出資訊位元。
訓練方法
LISAC 模型的訓練採用交替優化策略,損失函數是感測的 outlier MSE 和原始位元序列與解碼器輸出之間的交叉熵損失的加權和。通過調整權重,可以實現不同的感測和通訊性能折衷。
實驗結果
數值實驗表明,LISAC 波形在感測效能和通訊品質之間取得了比現有方法更好的平衡。當通訊效能是優先考慮因素時,學習到的編碼會將傳輸訊號分散在整個 I/Q 平面上;而當感測效能變得重要時,它會收斂到 PSK 和幅度調變的混合。
主要貢獻
- 提出了一種基於深度學習的 ISAC 波形設計新方法 LISAC。
- 通過模擬驗證了 LISAC 在感測效能和通訊品質之間取得了比現有方法更好的平衡。
未來研究方向
- 將 LISAC 擴展到多目標感測場景。
- 研究 LISAC 在頻率選擇性通道中的效能。
- 探討 LISAC 與其他 ISAC 波形設計方法的結合。
Статистика
LISAC 模型在通訊訊雜比為 4 dB、感測訊雜比為 -11 dB 的環境下進行訓練和評估。
研究人員測試了不同碼字長度(C = 16、128、256)對 LISAC 效能的影響。
結果顯示,碼字長度為 128 的 LISAC 模型在各種權重設置下都能取得較好的綜合效能。
相較於傳統的 QPSK 調變方法,LISAC 在感測均方誤差和位元錯誤率方面均表現更優。
Цитати
"Ideal ISAC waveform should balance the achieved communication capacity with the detection/estimation capacities for sensing."
"Designing an effective ISAC waveform is challenging due to the conflicting requirements of sensing and communications."
"Numerical experiments show that the learned code spreads the transmitted signals across the I/Q plane when communication performance is the priority, while it converges to a mixture between PSK and amplitude modulation when the sensing performance becomes important."