具有强互耦的动态超表面天线的ADC感知端到端优化用于单站场景分类

动态超表面天线(DMA)支持可编程的波域信号处理，可以与下游数字处理以端到端的方式联合优化。然而，现有研究通常假设理想的模数转换(ADC)，并且常常依赖简化的电磁模型。在这里，我们研究了基于具有强互耦(MC)的DMA的单站感知流水线的ADC感知端到端优化。我们使用MC感知的多端口网络模型对波域进行建模，该模型的参数是通过对具有96个一位可编程超元件的制造混沌腔背衬DMA进行实验估计的。我们对DMA配置和数字分类器进行ADC感知的端到端优化，要么感知固定的均匀ADC，要么可选地联合学习ADC决策阈值，并与假设理想ADC和/或忽略MC的基线进行比较。我们的结果表明，在低分辨率ADC区域中，ADC感知至关重要：使用一位ADC和八个DMA配置，部署理想ADC训练的系统与均匀一位ADC会将测试准确率从95.5%降至56.0%，而使用相同固定均匀一位ADC的ADC感知训练则达到87.2%。我们还表明，没有MC感知，准确率会下降到随机猜测水平。在所考虑的基于DMA的感知流水线中，学习非均匀ADC阈值相对于固定均匀ADC最多只能提供适度的额外增益。