基于神经网络的单载波联合通信与探测：损失函数设计、星座塑形与预编码
神经与进化计算
2025-10-01 v1 人工智能
机器学习
机器学习
摘要
我们研究了更高阶调制格式对单载波联合通信与探测(JCAS)系统探测性能的影响。包括波束赋形器、调制器、目标探测器、到达角(AoA)估计器和通信解调器在内的多个独立组件被实现为可训练神经网络(NN)。我们将几何塑形调制格式与经典的正交�幅调制(QAM)方案进行比较。我们评估了多快照探测和不同信噪比(SNR)对基于自编码器的系统整体性能的影响。为改善系统的训练行为，我们将损失函数从各自的SNR值和探测快照数量中解耦，使用包括Cramér-Rao下界用于AoA估计和互信息用于通信的性能上界。NN-based探测在低SNR下优于经典算法，包括基于Neyman-Pearson的功率探测器用于目标探测和ESPRIT用于AoA估计，无论是训练得到的星座还是QAM。我们展示了通过多快照探测可以在经典方法与塑形调制格式之间显著缩小探测性能差距。最后，我们演示了系统扩展到多用户多输入多输出(MIMO)，以提高为多个用户设备服务时的空间效率。我们的贡献强调了在训练神经网络时使用估计下界的重要性，尤其是在训练得到的解决方案部署于不同SNR条件时。
引用
@article{arxiv.2509.26507,
title = {The Dragon Hatchling: The Missing Link between the Transformer and Models of the Brain},
author = {Adrian Kosowski and Przemysław Uznański and Jan Chorowski and Zuzanna Stamirowska and Michał Bartoszkiewicz},
journal= {arXiv preprint arXiv:2509.26507},
year = {2025}
}
备注
Code available at: https://github.com/pathwaycom/bdh Accompanying blog: https://pathway.com/research/bdh