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.
Іншою мовою
із вихідного контенту
arxiv.org
Ключові висновки, отримані з
by Chenghong Bi... о arxiv.org 10-15-2024
https://arxiv.org/pdf/2410.10711.pdfГлибші Запити