车载网络中通感一体化的预测波束成形：一种深度学习方法
信息论
2022-02-09 v1 信号处理
math.IT
摘要
通感一体化（ISAC）的实现高度依赖于利用准确瞬时信道状态信息（ICSI）的有效波束成形设计。然而，ISAC 中的信道跟踪需要大量训练开销与极高的计算复杂度。为解决该问题，本文关注 ISAC 辅助的车载网络，并利用深度学习方法隐式学习历史信道特征，直接预测下一时隙的波束成形矩阵以最大化系统平均可达和速率，从而绕过显式信道跟踪的需求以降低系统信令开销。为此，首先为所考虑的 ISAC 系统建立了以基于 Cramer-Rao 下界感知约束的一般和速率最大化问题。随后，设计了一种基于历史信道的卷积长短期记忆网络用于预测波束成形，其可利用通信信道的空间与时间依赖性以进一步提升学习性能。最后，仿真结果表明所提方法能满足感知性能要求，且其可达和速率能接近由具有完美 ICSI 的 genie-aided 方案所得的上界。
引用
@article{arxiv.2202.03811,
title = {Predictive Beamforming for Integrated Sensing and Communication in Vehicular Networks: A Deep Learning Approach},
author = {Chang Liu and Weijie Yuan and Shuangyang Li and Xuemeng Liu and Derrick Wing Kwan Ng and Yonghui Li},
journal= {arXiv preprint arXiv:2202.03811},
year = {2022}
}
备注
8 pages, 5 figures, this work has been accepted by ICC 2022