通信与感知中的基座模型：提升泛化性、可迁移性与性能
信号处理
2025-03-12 v1
摘要
深度学习（DL）已成为应对通信与感知系统中固有复杂挑战的强大工具，显著提升了未来第六代（6G）网络的智能化水平。大量研究强调了 DL 技术在这些领域的前景。然而，除了提升准确性之外，基于 DL 的系统在泛化性和可迁移性方面也面临新的挑战。为解决这些问题，本文提出了一系列具有数学基础且模块化的模型，称为基座模型（bedrock models），专门设计用于集成到通信与感知系统中。由于其模块化架构，这些模型可以无缝融入现有的通信与感知框架。对于通信系统，所提出的模型不仅展示了显著的性能提升，还表现出强大的可迁移性，支持在不同任务之间直接共享参数，极大便利了实际部署。在感知应用中，将基座模型集成到现有系统中可产生优越的性能，将延迟和多普勒估计误差相比传统方法降低一个数量级。此外，本文还提出了一种基于基座模型的预均衡策略，用于发射端。通过利用感知信息，传输的通信信号得以动态调整，而无需改变在加性高斯白噪声（AWGN）信道中预训练的通信模型。这种自适应使系统能够有效应对双弥散信道，将接收信号恢复至类 AWGN 状态，从而实现接近最优的性能。仿真结果证实了所提出基座模型的有效性与可迁移性，突显了其在推进通信与感知系统方面的潜力。
引用
@article{arxiv.2503.08220,
title = {Bedrock Models in Communication and Sensing: Advancing Generalization, Transferability, and Performance},
author = {Cheng Luo and Luping Xiang and Jie Hu and Kun Yang},
journal= {arXiv preprint arXiv:2503.08220},
year = {2025}
}