ISAC-NET：用于集成被动感知与通信的模型驱动深度学习
信息论
2023-07-31 v1 机器学习
math.IT
摘要
近年来无线通信的发展以及对感知能力的巨大需求催生了集成感知与通信（ISAC）技术，其中被动感知发挥着重要作用。被动感知的主要挑战是如何在通信解调错误的条件下实现高感知性能。在本文中，我们提出一种 ISAC 网络（ISAC-NET），通过模型驱动深度学习（DL）将被动感知与通信信号检测相结合。与现有的先解调发射符号再从解调符号获得被动感知结果的被动感知算法不同，ISAC-NET 同时获得被动感知结果与通信解调符号。不同于数据驱动的 DL 方法，我们采用分块信号处理的方法，将 ISAC-NET 划分为被动感知模块、信号检测模块和信道重建模块。仿真结果表明，ISAC-NET 获得了优于传统信号解调算法的通信性能，且接近 OAMP-Net2。与 2D-DFT 算法相比，ISAC-NET 展现出显著增强的感知性能。总之，ISAC-NET 是无线通信中被动感知与通信的一个有前景的工具。
引用
@article{arxiv.2307.15074,
title = {ISAC-NET: Model-driven Deep Learning for Integrated Passive Sensing and Communication},
author = {Wangjun Jiang and Dingyou Ma and Zhiqing Wei and Zhiyong Feng and Ping Zhang},
journal= {arXiv preprint arXiv:2307.15074},
year = {2023}
}
备注
29 pages, 11 figures