用于RIS辅助ISAC系统中信道估计的条件生成对抗网络
信号处理
2025-02-25 v1
摘要
集成感知与通信(ISAC)技术已被探索为未来无线网络的潜在进步方向，致力于将频谱资源有效用于通信和感知。将可重构智能表面(RIS)与ISAC相结合，通过优化传播环境进一步增强了这一能力，从而同时提高了感知精度和通信质量。在该领域内，准确的信道估计对于确保可靠部署至关重要。传统的深度学习(DL)方法虽然有效，但在建模无线信道的复杂动态时可能带来性能限制。本文提出了一种条件生成对抗网络(CGANs)的新应用，以解决RIS辅助ISAC系统的信道估计问题。CGAN框架对抗性地训练两个DL网络，使生成网络不仅能学习从观测数据到真实信道条件的映射关系，还能基于判别器网络的反馈改进其输出，从而有效优化训练过程和估计精度。数值仿真表明，与传统的DL技术相比，所提出的基于CGAN的方法有效提高了估计性能。结果突显了CGAN在革新信道估计方面的潜力，为更准确可靠的ISAC部署铺平了道路。
引用
@article{arxiv.2502.17128,
title = {Conditional Generative Adversarial Networks for Channel Estimation in RIS-Assisted ISAC Systems},
author = {Alice Faisal and Ibrahim Al-Nahhal and Kyesan Lee and Octavia A. Dobre and Hyundong Shin},
journal= {arXiv preprint arXiv:2502.17128},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Communications