基于测量的CNN用于ISAC系统检测与估计评估

在无线传感应用中，如ISAC，一个关键的信号处理步骤是从信道估计中检测和估计目标。在此上下文环境下，有效算法必须在较宽的信噪比范围内具有鲁棒性，能够处理未知目标数量，并且具有计算效率以实现实时实现。在过去的十年中，不同的机器学习方法作为有前景的解决方案，既可作为独立模型，也可作为补充现有技术。然而，由于模型通常在来自现有模型的合成数据上进行训练和评估，将其应用于测量数据具有挑战性。同时，在复杂的传播场景下，直接在测量数据上进行训练是不可行的，因为没有可用的真实标签。因此，本文在合成数据上训练CNN方法用于目标检测和估计，并在来自郊区户外测量的数据上进行评估。利用环境知识以及可用的目标位置真实标签，我们研究该方法的检测概率和准确性。结果表明，该方法在测量数据上有效，适用于ISAC系统中感知目标的联合检测与估计。