基于双窗口的目标计数学习：面向 OFDM ISAC 的 CNN 方法
信号处理
2025-12-01 v1
摘要
采用正交频分复用（OFDM）波形的集成感知与通信（ISAC）是下一代无线系统的关键使能技术。近期研究表明，卷积神经网络（CNN）可从二维速程图（range-Doppler periodogram）中估计目标数量，但在场景变密集时准确率常下降。一个重要因素是经典的分辨率-旁瓣抑制权衡，这在目标较弱或紧密间距时限制了性能。虽然窗口处理通常用于塑造这种权衡，但选择通常是静态的。本文提出一种新型 CNN 方法，利用两个加窗后的速程图并学习融合互补视图：一个窗口优化分辨率，另一个窗口优化旁瓣抑制。该设计通过暴露互补加窗图并让模型学习何时最依赖每个窗口来显式针对分辨率-旁瓣抑制权衡进行优化。数值实验表明，与单窗口 CNN 基线相比，本方法在目标密度扩展性和不同噪声水平下的鲁棒性均显著提升。
引用
@article{arxiv.2511.22473,
title = {Learning to Count Targets from Dual-Window: A CNN Approach for OFDM ISAC},
author = {Ali Al Khansa},
journal= {arXiv preprint arXiv:2511.22473},
year = {2025}
}