Sensing-aided Uplink Channel Estimation for Joint Communication and Sensing
联合通信与感知（JCAS）技术由于其使用相同的发送信号进行通信和感知的高频谱效率而引起了人们的极大关注。利用上行信道与感知结果的相关性，提出了一种基于感知辅助卡尔曼滤波器（SAKF）的上行JCAS信道状态信息（CSI）估计方法，利用到达角（AoA）估计提高CSI估计精度。提出了一种基于卡尔曼滤波器（KF）的信道状态信息（CSI）增强方法，该方法利用所估计的AoA作为先验信息来改进最小二乘CSI估计。仿真结果表明，基于SAKF的信道状态信息估计方法的出错率（BER）接近最小均方误差（MMSE）方法，而复杂度显著降低。
2022-11-08 cs.ET cs.IT math.IT
Amplitude-Aided 1-Bit Compressive Sensing Over Noisy Wireless Sensor Networks
摘要一位压缩感知（CS）是已知的，特别适合于资源受限的无线传感器网络（WSNs）。本文研究了噪声无线传感器网络中1比特压缩感知信号在信道引起的比特翻转误差下的重构问题，提出了一种幅度辅助的信号重构方案，该方案（i）设计了局部二进制量化器的表示点，以最小化由局部感知噪声、量化和比特符号翻转引起的数据保真度损失，以及（ii）融合中心采用传统的最小化方法，使用解码和解映射的二进制数据来恢复稀疏信号。通过最小化净数据失配的均方误差（MSE），考虑到非零信号项的分布，局部检测噪声，量化误差和位翻转，二进制量化器的代表点的设计，然后获得一个简单的封闭形式的解决方案。数值仿真结果表明，我们的方法提高了估计精度时，信噪比低或传感器的数量是小的，相比，最先进的1位CS算法完全依赖于信号恢复的标志消息。
2015-06-04 cs.IT math.IT
Sensing aided Channel Estimation in Wideband Millimeter-Wave MIMO Systems
在这项工作中，上行链路信道估计问题被认为是毫米波（mmWave）多输入多输出（MIMO）系统。众所周知，信道估计中的导频开销和计算复杂度随着天线数目和带宽而增加。为了克服这一点，所提出的方法允许在基站的信道估计由感测信息辅助。感测信息包含对环境中的散射体位置的估计。提出了一种同时加权正交匹配追踪（SWOMP）-稀疏贝叶斯学习（SBL）算法，有效地将此感知信息的通信信道估计过程。所提出的框架可以应对a）存在于感测信息中的散射体与通信信道不相关联以及b）散射体的位置中的缺陷的场景。仿真结果表明，该算法仅以少量导频开销为代价，就能获得良好的宽带性能。最后，Cramer-Rao界（CRB）的角度估计和多径信道增益的SBL推导出，所提出的算法的本地可识别性提供了宝贵的见解。
2023-02-04 cs.IT eess.SP math.IT
RIS-Aided Cooperative ISAC Network for Imaging-Based Low-Altitude Surveillance
Southeast University（东南大学）；National Mobile Communications Research Laboratory, Southeast University（东南大学国家移动通信实验室）；Key Laboratory of Measurement and Control of Complex Systems of Engineering, Ministry of Education, Southeast University（东南大学教育部复杂工程测控重点实验室）；Frontiers Science Center for Mobile Information Communication and Security, Southeast University（东南大学移动信息通信与安全前沿科学中心）
本文提出利用可重构智能表面的协作ISAC网络用于低空监视，通过成像问题建模和子空间追求算法实现高效低空目标检测。
2026-01-22 cs.IT math.IT
Data-aided Sensing for Distributed Detection
Deakin University（迪肯大学）
在本文中，我们研究了数据辅助传感（DAS）的分布式检测在无线传感器网络（WSNs）传感器的测量是相关的。特别是，我们推导出一个节点选择标准的基础上，在DAS的J-发散可靠的决策受到决策延迟约束。基于所提出的基于J-散度的DAS，可以选择节点以快速增加对数似然比（LLR），这导致了具有较小数量的传感器的可靠决策，所述传感器上传测量以用于较短的决策延迟。从仿真结果中，它被证实，基于J-发散DAS可以提供一个可靠的决策与其他方法相比，较少的传感器数量。
2020-11-17 cs.IT cs.LG math.IT
Flexible Intelligent Metasurface-Aided ISAC: User Fairness Optimization and Performance Evaluation
Donghua University（东华大学）；Great Bay University（大湾区大学）；Keio University（庆应义塾大学）
研究灵活智能超表面与NOMA辅助的ISAC系统的最大最小用户公平性优化，推导目标感知中AoD估计的CRLB并嵌入优化框架，用交替优化算法解决非凸问题，提升用户公平性，平衡通信与感知性能，揭示相关耦合特性，为6G网络提供优化方案。
2026-07-22 cs.IT math.IT
Triple-Structured Compressive Sensing-based Channel Estimation for RIS-aided MU-MIMO Systems
可重构智能表面（RIS）被认为是5G之后的潜在技术，并引起了巨大的研究关注。然而，由于级联信道中的参数数量过多，在RI辅助系统中的信道估计仍然是一个关键的挑战。现有的基于压缩感知（CS）的RIS估计方案仅采用不完全稀疏性，这会导致冗余导频消耗。在本文中，我们利用级联通道的特定三重结构稀疏性，即，公共列稀疏度、偏移补偿后的结构化行稀疏度和所有用户之间的公共偏移。在此基础上提出了一种新的多用户联合估计算法。仿真结果表明，我们的方法可以显着减少导频开销在两个CDMA和UPA场景。
2021-08-31 cs.IT eess.SP math.IT
Joint Precoding and Phase-Shift Optimization for Beyond-Diagonal RIS-Aided ISAC System
School of Information Science and Engineering, Shandong University（山东大学信息科学与工程学院）；National Mobile Communications Research Laboratory, Southeast University（东南大学移动通信国家重点实验室）
本文研究了超对角RIS辅助多用户ISAC系统优化问题，通过联合预编码和相移优化提升通信与感知性能。
2026-03-16 cs.IT math.IT
Sensing Aided OTFS Channel Estimation for Massive MIMO Systems
正交时频空间（OTFS）调制具有在高度移动场景中实现鲁棒通信的潜力。然而，估计OTFS系统的信道与高导频信令开销相关联，该高导频信令开销与最大延迟和多普勒扩展成比例。这对于大规模MIMO系统来说尤其具有挑战性，因为系统开销也随着天线数量的增加而增加。然而，一个重要的观察是，延迟，多普勒，和出发/到达信息的角度直接相关的距离，速度，和移动用户的方向信息和环境中的各种散射体。有了这个动机，我们建议利用雷达感测来获得有关环境中的移动用户和散射体的信息，并利用它来帮助大规模MIMO系统中的OTFS信道估计。作为实现我们的愿景的一种方法，本文将大规模MIMO系统中的OTFS信道估计问题制定为稀疏恢复问题，并利用雷达感测信息来确定支持（非零延迟多普勒抽头的位置）。提出的雷达传感辅助稀疏恢复算法进行评估的基础上准确的三维射线跟踪框架与共存的雷达和通信数据。结果表明，开发的传感辅助解决方案始终优于标准稀疏恢复算法（不利用雷达传感数据），并导致显着减少导频开销，这突出了基于OTFS的大规模MIMO系统的一个有前途的方向。
2022-09-22 cs.IT eess.SP math.IT
Intelligent Reflecting Surface-Aided Spectrum Sensing for Cognitive Radio
频谱感知是认知无线电的关键使能技术，它提供有关频谱可用性的重要信息。然而，由于严重的无线信道衰落和路径损耗，在CR或次要用户（SU）处接收的主要用户（PU）信号实际上可能太弱而不能进行可靠检测。为了解决这个问题，我们认为在这封信中一个新的智能反射表面（IRS）辅助频谱感知方案CR，通过利用大孔径和被动波束形成增益的IRS提高PU信号强度接收在SU，以促进其频谱感知。具体地，通过根据给定的码本随时间动态地改变IRS反射，其反射信号功率在SU处基本上变化，这被用于机会信号检测。此外，我们提出了一种加权的能量检测方法，通过结合不同的IRS反射的接收信号的功率值，这显着提高了检测性能。仿真结果验证了所提出的IRS辅助频谱感知方案的性能增益，与不同的基准方案相比。
2022-02-05 cs.ET cs.IT eess.SP
Sensing-based Beamforming Design for Joint Performance Enhancement of RIS-Aided ISAC Systems
针对RIS辅助ISAC中的同步通信与感知难题，提出两阶段传输协议和基于感知的波束成形设计，在保持近纯通信性能的同时实现毫米级定位。
2023-06-08 cs.IT eess.SP math.IT
IRS-Aided Non-Orthogonal ISAC Systems: Performance Analysis and Beamforming Design
智能反射面（IRS）在促进正交时分集成传感和通信（TD-ISAC）方面显示出其有效性，其中传感任务和通信任务占用正交的时频资源，而IRS在非正交ISAC（NO-ISAC）系统中的作用迄今为止仍不清楚。在本文中，我们考虑了一个IRS辅助NO-ISAC系统，分布式IRS部署，以协助并发通信和位置感知的盲区用户，占用非正交/重叠的时间-频率资源。首先，我们提出了一个修改的Cramer-Rao下界（CRLB），以统一的方式来表征通信和位置感知的性能。我们进一步推导出封闭形式的表达式修改CRLB在我们考虑的NO-ISAC系统，使我们能够识别的通信和位置传感性能之间的根本权衡。此外，通过利用修改后的CRLB，我们提出了一个联合的主动和被动波束形成的设计算法，实现了良好的通信和位置感知的权衡。通过数值计算，我们证明了IRS辅助NO-ISAC系统比IRS辅助TD-ISAC系统在通信和定位性能方面的优越性。此外，它表明，与使用专用定位参考信号的IRS辅助定位系统相比，使用随机通信信号的IRS辅助NO-ISAC系统可以实现相当的定位性能。此外，我们调查的通信性能和本地化性能之间的权衡，并显示如何的NO-ISAC系统的性能可以显着提高通过增加的IRS元素的数量。
2022-08-10 cs.IT eess.SP math.IT
Sensing-Assisted Secure Communication in MA-Aided ISAC: CRB Analysis and Robust Design
School of Information Engineering, Guangdong University of Technology（广东工业大学信息工程学院）；Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系）；Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系）
本文提出一种基于 MA 有帮助的 ISAC 系统的传感辅助安全通信方案，通过优化 MA 位置以提高传感精度，并利用 CRB 分析和鲁棒设计提升保密率。
2026-04-26 cs.IT math.IT
Beam Scanning for Integrated Sensing and Communication in IRS-aided mmWave Systems
本文研究IRS辅助毫米波ISAC系统，提出STAS协议实现同时波束训练与感知，推导了通信可达速率与感知角度估计CRB的闭式解，并验证了其在平衡通信与感知性能上优于基准协议。
2023-07-01 cs.IT eess.SP math.IT
NOMA-aided Joint Communication, Sensing, and Multi-tier Computing Systems
提出了一种非正交多址接入（NOMA）辅助的联合通信、感知和多层计算（JCSMC）框架。在该框架中，多功能基站（BS）执行目标感知，同时向附近的用户提供边缘计算服务。为了提高计算效率，采用多层计算结构，其中BS可以进一步将计算任务卸载到功能强大的云服务器（CS）。研究了在JCSMC框架中使用NOMA的潜在好处，它可以最大限度地提高计算卸载能力并抑制函数间干扰。基于所提出的框架，BS的发射波束形成器和在BS和CS处的计算资源分配被联合优化，以最大化服从通信-计算因果关系和感测质量约束的计算速率。分别考虑了部分卸载和二进制卸载两种计算模式：1）针对部分卸载模式，提出了一种基于加权最小均方误差的交替优化算法来求解相应的非凸优化问题。2）对于二进制卸载模式，首先将高耦合混合整数优化问题转化为等价但更易处理的形式。然后，利用乘子法的交替方向法求解该问题，得到了一个近似最优解。最后，数值结果验证了所提出的算法和所提出的NOMA辅助JCSMC框架的有效性
2022-12-27 cs.IT eess.SP math.IT
IRS Aided Millimeter-Wave Sensing and Communication: Beam Scanning, Beam Splitting, and Performance Analysis
本文提出一种半无源IRS辅助的毫米波ISAC两阶段协议，利用波束扫描与波束分裂实现高效感知，推导了可达速率和角度估计误差界，仿真验证了方案有效性。
2024-01-27 cs.IT eess.SP math.IT
Active-RIS-Aided Covert Communications in NOMA-Inspired ISAC Wireless Systems
本文研究主动RIS辅助的NOMA-ISAC系统隐蔽通信，通过联合波束赋形优化最大化隐蔽速率，并证明主动RIS及无专用感知信号方案在速率和感知权衡上更具优势。
2024-06-30 cs.IT eess.SP math.IT
Is the Performance of NOMA-aided Integrated Sensing and Multicast-Unicast Communications Improved by IRS?
本文研究IRS在NOMA辅助的ISMUC系统中是否提升性能，通过优化单播速率并采用Dinkelbach和交替优化算法，仿真表明完美SIC下速率提升，非完美SIC下几乎不变。
2023-07-26 cs.IT eess.SP math.IT
Frequency Diverse Array-enabled RIS-aided Integrated Sensing and Communication
本文研究频控阵使能的RIS辅助集成感知与通信系统，通过联合优化波束赋形、RIS相移、频率偏移等参数最大化总速率，并利用分数规划和交替优化算法实现优于传统相控阵方案的感知与通信性能。
2024-10-01 cs.IT eess.SP math.IT
Priori-Information Aided Iterative Hard Threshold: A Low-Complexity High-Accuracy Compressive Sensing Based Channel Estimation for TDS-OFDM
针对双选择性衰落信道下时域同步（TDS）正交频分复用（OFDM）系统的性能损失，提出了一种基于压缩感知（CS）的低复杂度信道估计方法。具体地说，首先提出了一种时域训练序列的加和方法，利用信道的时间相关性获得无线信道的信道长度、路径时延和路径增益的粗估计，以提高粗估计在严重衰落信道和长时延扩展下的鲁棒性。然后，我们提出了优先信息辅助（PA）迭代硬阈值（IHT）算法，它利用所获得的粗估计的无线信道的先验信息，因此能够获得准确的信道估计的双选择性衰落信道。与经典IHT算法的收敛性要求测量矩阵的$l_2$范数小于1相比，所提出的PA-IHT算法充分利用了测量矩阵的先验信息，消除了这一限制，同时减少了迭代次数.与现有的基于CS的TDS-OFDM信道估计方法相比，该算法在提高信道估计精度的同时，显著降低了信道估计的计算复杂性。仿真结果表明，在不牺牲频谱效率和改变现有TDS-OFDM信号结构的情况下，该方案在各种情况下，尤其是在严重双选择性衰落信道下，性能优于现有的TDS-OFDM信道估计方案。
2015-11-27 cs.IT math.IT
Joint Beamforming for RIS Aided Full-Duplex Integrated Sensing and Uplink Communication
本文针对全双工上行ISAC系统，提出联合优化波束赋形、RIS配置和用户功率分配的迭代算法，利用MM和PDD方法求解，并通过数值结果验证RIS对自干扰抑制和感知性能的提升。
2023-09-21 cs.IT eess.SP math.IT
Target Detection for OTFS-Aided Cell-Free MIMO ISAC System
本文针对OTFS辅助的无蜂窝MIMO ISAC系统，提出以感知为中心的功率分配方案，在保障通信QoS和AP功率预算下最大化感知SNR，显著优于以通信为中心的方法。
2024-08-23 cs.IT eess.SP math.IT
Gaussian Data-aided Sensing with Multichannel Random Access and Model Selection
在本文中，我们研究了数据辅助传感（DAS）的系统组成的基站（BS）和一些节点，其中BS成为一个接收器，收集测量或数据集分布在一个小区的节点。DAS是允许BS有效地估计目标信号（即，所有节点的测量），具有少量的测量（与随机轮询相比）。在DAS中，基于在BS处已经可从先前回合获得的数据集，在每一回合中选择一组节点以用于高效的数据汇集。我们认为DAS的测量是相关的高斯本文。所得到的DAS被称为高斯DAS。使用均方误差（MSE）准则，在每一轮中，BS能够选择具有数据集的节点以最小化下一轮的MSE。此外，我们以两种不同的方式推广高斯DAS：i）具有多个并行通道，使用随机访问从节点上传测量值; ii）具有模型选择，其中多臂强盗问题公式用于将模型选择与DAS相结合。
2019-12-04 cs.IT eess.SP math.IT
Microwave Linear Analog Computer (MiLAC)-Aided MIMO Radar Sensing: Transmit Beamforming Design and DoA Estimation
Imperial College London（帝国理工学院）
本文研究了利用微波线性模拟计算机（MiLAC）辅助MIMO雷达感知的问题，提出了一种基于MiLAC的发射波束成形设计和基于二维离散傅里叶变换（2D-DFT）的方向估计方法，并证明了MiLAC辅助和全数字波束成形在CRB和方向估计性能上具有相同效果，同时降低了硬件成本和功耗。
2026-05-20 cs.IT eess.SP math.IT
Joint Beamforming and Power Allocation for RIS Aided Full-Duplex Integrated Sensing and Uplink Communication System
本文研究RIS辅助的全双工ISAC上行通信系统中的联合波束成形与功率分配问题，提出基于MM和PDD的迭代优化算法及基于ADMM的低复杂度解析算法，数值结果验证了算法有效性和RIS带来的性能提升。
2023-09-07 cs.IT eess.SP math.IT
RIS-Aided Integrated Sensing and Communication Systems under Dual-polarized Channels
本文研究双极化信道下RIS辅助ISAC系统，通过WMMSE、AO、MM及惩罚算法联合优化双极化基站波束成形与RIS反射系数以最大化和速率，仿真验证了双极化部署的优势。
2025-01-01 cs.IT eess.SP math.IT
Sensing-Aided Secure Multicast in Rotatable Antenna-Enabled ISAC Systems
Beijing University of Posts and Telecommunications（北京邮电大学）；Queen Mary University of London（伦敦大学玛丽女王学院）
本文提出一种两级可旋转天线赋能的辅助感知安全多播方案，通过联合阵列级和元素级旋转与模拟波束成形，提升用户信号并抑制窃听泄漏，利用CRB构建概率角不确定性区域，解决非凸优化问题，验证了方案的有效性与鲁棒性。
2026-09-15 cs.IT eess.SP math.IT
Digital Twin Aided Compressive Sensing: Enabling Site-Specific MIMO Hybrid Precoding
本文提出用站点特定数字孪生生成合成信道数据，端到端训练压缩感知测量与 MIMO 混合预编码模型，并以少量真实数据精调，显著降低数据开销且性能接近真实数据训练。
2024-05-12 cs.IT eess.SP math.IT
Multi-Periodogram Velocity Estimation with Irregular Reference Signals for Robot-Aided ISAC
University of Hertfordshire, UK（赫特福德郡大学）；Beihang University, China（北航大学）
本文提出一种多周期图速度估计方法，用于机器人辅助的集成感知与通信系统，通过分解不规则时间域模式诱导的速度剖面，提升低信噪比下的鲁棒性。
2026-04-28 cs.IT cs.RO math.IT
Difference Imaging-Based Parking Lot Surveillance in Multi-RIS-Aided Collaborative ISAC System
本文提出一种多RIS辅助协作ISAC系统，利用差分成像和压缩感知算法捕获停车场散射系数稀疏变化，实现高精度停车占用检测，并通过多RIS协作进一步提升检测性能。
2025-07-05 cs.IT math.IT
Reconfigurable Intelligent Sensing Surface aided Wireless Powered Communication Networks: A Sensing-Then-Reflecting Approach
本文提出一种可重构智能感知表面（RISS），利用DOA估计替代传统信道估计以降低导频开销并独立于混合接入点运行，通过先感知后反射策略提升无线供电通信网络性能，数值结果验证了其相对传统方案的显著增益。
2023-10-20 cs.IT eess.SP math.IT
Beamforming for Secure RSMA-Aided ISAC Systems
本文研究RSMA辅助ISAC系统的物理层安全波束赋形，在窃听者CSI已知时最大化能量效率，未知时利用人工噪声干扰窃听者，并提出三种迭代算法求解非凸优化问题。
2025-06-04 cs.IT eess.SP math.IT
Joint Power Allocation and Phase-Shift Design for Beyond-Diagonal Stacked Intelligent Metasurfaces-Aided ISAC Systems
Shandong University（山东大学）；Northeastern University at Qinhuangdao（东北大学秦皇岛分校）；Nanyang Technological University（南洋理工大学）
该研究针对ISAC系统提出超对角堆叠智能超表面架构，开发统一交替优化框架及相关算法，仿真显示其可实现更优通信-感知权衡且所需层数更少。
2026-08-20 cs.IT math.IT
Transmitter Side Beyond-Diagonal RIS for mmWave Integrated Sensing and Communications
本文提出一种发射端BD-RIS辅助的毫米波ISAC架构，并设计两阶段算法联合优化数字波束成形与散射矩阵，实现通信和感知性能的双重提升。
2024-04-26 cs.IT eess.SP math.IT
Joint Localization and Environment Sensing by Harnessing NLOS Components in RIS-aided mmWave Communication Systems
本研究提出利用毫米波通信系统中的NLOS分量进行联合定位与环境感知，建立RIS路径增益模型并提出两阶段估计器，显著提升了UE定位与环境感知精度。
2023-05-21 cs.IT eess.SP math.IT
Stacked Intelligent Metasurface-Aided Wave-Domain Signal Processing: From Communications to Sensing and Computing
Nanyang Technological University（南洋理工大学）；Research Institute for Digital Future, Khalifa University（哈利法大学数字未来研究所）；CentraleSupelec, University Paris-Saclay（中央理工-苏佩莱克学院，巴黎萨克雷大学）；University of Southampton（南安普顿大学）
本文提出利用堆叠智能超表面技术实现电磁域内的高速、低功耗信号处理，探讨其在通信、传感与计算中的应用及挑战。
2026-07-28 cs.IT math.IT
Power Allocation for Coordinated Multi-Point Aided ISAC Systems
本文研究 CoMP 辅助 ISAC 系统的功率分配问题，提出以检测概率评估感知性能，并在满足各目标检测概率和总功率约束下设计高效功率分配策略以最大化总速率。
2025-03-10 cs.IT eess.SP math.IT
Beyond Diagonal Intelligent Reflecting Surface Aided Integrated Sensing and Communication
本文研究BD-IRS辅助上行ISAC系统，提出优化反射矩阵以最大化最小用户速率并满足感知精度约束，采用PDD算法求解，并验证TDMA方案消除干扰的有效性。
2025-06-24 cs.IT eess.SP math.IT
UAV-aided RF Mapping for Sensing and Connectivity in Wireless Networks
EURECOM（欧洲通信学院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Future Network of Intelligence Institute（未来智联网络研究院）；University of Southern California（南加州大学）
使用无人机（UAV）作为飞行无线电接入网络（RAN）节点为传统的固定地面部署提供了有希望的补充。最近仍然在无线网络的背景下，无人机也被设想用作射频（RF）感测和定位设备。在这两种情况下，使用无人机的优势在于它们能够在3D中自由导航，并及时到达所获得的网络吞吐量或感知性能最佳的空间位置。在实践中，为UAV选择合适的位置或轨迹在很大程度上取决于当地地形特征，包括周围无线电障碍物的位置。因此，机器人必须能够在执行其数据通信或感测服务时映射其无线电环境的特征。本文讨论了与这项任务有关的挑战，这里称为无线电测绘。它的承诺有关的自主无线电感知无人机的有效轨迹设计，以及算法的解决方案。无线电映射的连接，传感和定位性能方面的优势进行了说明。
2022-05-06 cs.IT cs.LG cs.NI
Secure OFDM-IM ISAC With Artificial-Noise-Aided Index Deception
Koç University（科奇大学）；TU Dortmund University（多特蒙德工业大学）
针对安全关键的ISAC场景，提出基于人工噪声辅助索引欺骗的OFDM-IM框架，将人工噪声注入非活动子载波，通过预编码器在合法接收器处消除噪声并欺骗目标索引检测器，同时兼顾感知，优化问题最大化目标发射功率，相比经典OFDM提高了目标发射功率。
2026-08-21 cs.ET cs.IT math.IT
Secure Pinching Antenna-aided ISAC
本文提出一种可调针状天线辅助的安全ISAC方案，通过优化PA位置、波束成形和人工噪声设计，在保密与功率约束下最大化感知性能，相比传统均匀线性阵列系统实现最高30 dB照射功率增益。
2025-07-17 cs.IT eess.SP math.IT
LP Decoding meets LP Decoding: A Connection between Channel Coding and Compressed Sensing
介绍了两种线性规划解码器，即信道编码线性规划解码（CC-LPD）和压缩感知线性规划解码（CS-LPD）。到目前为止，它们都是独立发展的。本文的目的是表明，有一个紧密的联系，一方面，CS-LPD的基础上的零-一测量矩阵的实数，另一方面，CC-LPD的二进制线性码，这是通过查看此测量矩阵作为一个二进制奇偶校验矩阵。这种连接允许将性能保证从一种设置转换到另一种设置。
2009-10-06 cs.IT math.IT
DRL-Based Joint Beamforming and Surface Shape Optimization for Flexible Intelligent Metasurface-Aided ISAC Systems
Shandong University（山东大学）；Northeastern University at Qinhuangdao（东北大学秦皇岛分校）；University of Electronic Science and Technology of China（电子科技大学）
针对柔性智能超表面辅助的集成感知与通信系统，提出基于深度确定性策略梯度的联合波束赋形矩阵与表面形状优化方法，在保证通信质量下最小化克拉美-罗界。
2026-07-02 cs.IT math.IT
Integrated Sensing and Communication for 6G: Ten Key Machine Learning Roles
集成传感和通信是未来无线系统的定义主题。这是由有前途的性能增益，特别是因为它们相互帮助，并通过更好地利用无线和硬件资源。然而，在实践中实现这些收益面临着一些挑战，利用机器学习可以提供潜在的解决方案。本文重点介绍了机器学习在联合传感和通信、传感辅助通信和通信辅助传感系统中的十个关键作用，解释了为什么以及如何利用机器学习，并强调了未来研究的重要方向。本文还介绍了基于大规模真实世界数据集DeepSense 6G的一些机器学习角色的真实世界结果，这些结果可用于研究广泛的通感一体化问题。
2022-12-23 cs.IT eess.SP math.IT
Movable Antenna-Aided Near-Field Integrated Sensing and Communication
本文研究可移动天线（MA）增强的近场通信与感知一体化系统，通过联合优化波束成形、信号协方差、天线位置及功率分配以最大化速率加权和，并提出两层随机位置和贪婪天线位置匹配算法显著提升性能并降低移动开销。
2025-07-11 cs.IT eess.SP math.IT
Permutation Meets Parallel Compressed Sensing: How to Relax Restricted Isometry Property for 2D Sparse Signals
传统的压缩感知考虑对1D信号进行采样。对于多维信号，如果将其整形为向量，则所需的感测矩阵的大小变得非常大，这显著增加了存储和计算复杂性。为了解决这个问题，我们提出将多维信号整形为2D信号，并使用压缩感知逐列地对具有相同的感知矩阵的2D信号进行采样。它被称为并行压缩感知，并且它具有低得多的存储和计算复杂性。对于给定的并行压缩感知重构性能，如果对2D信号应用所谓的可接受置换，我们表明相应的感知矩阵具有较小的限制等距属性条件所需的阶数，从而进一步降低了存储和计算要求。一个基于扫描的置换，这是特别有用的信号满足层模型，介绍和研究。作为并行压缩感知的一个应用，提出了一种基于扫描置换的视频压缩方案。研究表明，基于之字形扫描的置换提高了重建图像和视频帧的峰值信噪比。
2013-05-21 cs.IT math.IT
Compressive Sensing Based Massive Access for IoT Relying on Media Modulation Aided Machine Type Communications
大规模物联网的一个根本挑战在于如何支持大规模机器类型通信（mMTC）。这封信提出了一种基于媒体调制的mMTC解决方案，以提高吞吐量，其中一个大规模的多输入多输出的基站（BS）用于提高检测性能。对于这样的mMTC场景，可靠的活动设备检测和数据解码提出了严重的挑战。通过利用在BS处接收的mMTC的上行链路接入信号的稀疏性，提出了基于压缩感测的大规模接入解决方案来应对这一挑战。具体来说，我们提出了一个块稀疏自适应匹配追踪算法检测的活动设备，从而块稀疏的上行链路接入信号表现出跨连续的时隙和媒体调制符号的结构化稀疏性被用来提高检测性能。此外，一个连续的干扰消除为基础的结构化子空间追踪算法被设想用于有源设备的数据解调，从而在每个时隙中发现的基于媒体调制的符号的结构化稀疏性被利用来提高检测性能。最后，我们的仿真结果验证了所提出的方案比国家的最先进的解决方案的优越性。
2020-05-08 cs.IT eess.SP math.IT
Practical Implementation of RIS-Aided Spectrum Sensing: A Deep Learning-Based Solution
TÜBİTAK-BİLGEM（土耳其科技工业研究委员会生物技术研究中心）；Communications and Signal Processing Research (HİSAR) Lab., TÜBİTAK-BİLGEM（土耳其科技工业研究委员会通信技术信号处理研究（HİSAR）实验室）；Koç University（科奇大学）；Communications Research and Innovation Laboratory (CoreLab), Department of Electrical and Electronics Engineering, Koç University（科奇大学电气电子工程学院通信研究与创新实验室（CoreLab））；Istanbul Technical University（伊斯坦布尔理工大学）；Faculty of Electrical and Electronics Engineering, Istanbul Technical University（伊斯坦布尔理工大学电气电子工程学院）；McGill University（麦吉尔大学）；Department of Electrical and Computer Engineering, McGill University（麦吉尔大学电气与计算机工程系）；Department of Electronics and Telecommunications Engineering, Istanbul Technical University（伊斯坦布尔理工大学电子与电信工程系）
本文提出利用可重构智能表面（RIS）辅助深度学习进行下一代认知无线电的频谱感知。通过实验验证RIS能显著提升深度学习检测器对主信号类型及其时频利用的识别性能。
2024-03-11 cs.IT eess.SP math.IT
Binary Fused Compressive Sensing: 1-Bit Compressive Sensing meets Group Sparsity
Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico, Technical University of Lisbon（里斯本技术大学高等技术学院）
提出了一种新的方法，{ \it二元融合压缩感知}（BFCS），从1位压缩测量恢复稀疏分段平滑信号。该算法是一个修改以前的{ \it二进制迭代硬阈值}（BIHT）算法，其中，除了稀疏约束，恢复信号的总变化是上约束。与BIHT一样，目标函数的数据项是单侧$\ell_1$（或$\ell_2$）范数。对稀疏分段光滑信号的恢复实验表明，该算法能够充分利用原始信号的分段光滑性，实现比BIHT更精确的恢复。
2014-02-20 cs.CV cs.IT math.IT
Secure Transmission for Fluid Antenna-Aided ISAC Systems
School of Information Science and Engineering, Shandong University（山东大学信息科学与工程学院）；Information Technology Service Center, People’s Court, Beijing（北京市人民法院信息技术服务中心）
本文提出了一种利用流体天线优化多用户总保密率的ISAC安全传输方案，通过联合优化天线位置和波束成形，实现超过20%的保密率提升。
2026-02-26 cs.IT math.IT
Sensing Aided Reconfigurable Intelligent Surfaces for 3GPP 5G Transparent Operation
可重构智能表面（RIS）能否以独立模式运行，对3GPP 5G初始接入过程完全透明？认识到这一点可以大大简化这些表面的部署和操作，并减少基础设施控制开销。本文研究了构建独立/透明RIS系统的可行性，并表明一个关键挑战在于确定用户设备（UE）侧RIS波束反射方向。为了应对这一挑战，我们建议为RIS配备多模态传感能力（例如，使用无线和视觉传感器），这使得它们能够发展对周围环境和移动用户的某种感知。在此基础上，我们开发了一个机器学习框架，该框架利用RIS的无线和视觉传感器来选择基站（BS）和用户之间的最佳波束，并实现5G独立/透明RIS操作。使用高保真度的合成数据集与共存的无线和视觉数据，我们广泛地评估所提出的框架的性能。实验结果表明，所提出的方法可以准确地预测BS和UE侧候选波束，并且独立RIS波束选择解决方案能够实现接近最优的可实现速率，同时显著降低波束训练开销。
2022-11-24 cs.IT eess.SP math.IT
Sensing Aided Covert Communications: Turning Interference into Allies
本文研究雷达-通信协作系统中的隐蔽通信，利用雷达感知跟踪并干扰敌方目标，通过联合设计雷达波形与通信波束成形最大化隐蔽传输速率，提出针对完美与不完美CSI的算法，仿真证明其能保证隐蔽性并显著优于传统方案。
2024-01-03 cs.IT eess.SP math.IT
Dual-UAV-Aided Covert Communications for Air-to-Ground ISAC Networks
提出双UAV辅助的空地ISAC网络隐蔽通信方案，通过协同设计波束成形与轨迹，在满足感知与隐蔽约束下最大化平均隐蔽速率。
2025-05-31 cs.IT eess.SP math.IT
Quantum Sensing Based Joint 3D Beam Training for UAV-mounted STAR-RIS Aided TeraHertz Multi-user Massive MIMO Systems
太赫兹（THz）系统能够支持超高数据率，这要归功于大带宽，以及利用高增益波束成形来对抗高路径损耗的潜力。本文提出了一种新的量子感知（鬼成像（GI））的波束训练的同时发射和反射可重构智能表面（STAR RIS）辅助太赫兹多用户大规模MIMO系统。我们首先通过围绕5G下行信号进行GI，以获得包括用户和障碍物在内的环境的3D图像。根据这些信息，我们计算出的最佳位置的无人机安装STAR所提出的算法。因此，可以执行基于位置的波束训练。为了提高波束形成增益，我们进一步结合信道估计，提出了一种半被动结构的STAR和模糊消除方案，用于分离的信道估计。从而避免了级联信道估计中可能影响最优无源波束形成的模糊性。然后执行最佳主动和被动波束成形，并启动数据传输。联合研究了所提出的BS子阵列和子STAR空间复用架构、最佳有源和无源波束成形、数字预编码以及UAV安装的STAR的最佳位置，以最大化用户的平均可实现和速率。此外，云无线电接入网络（CRAN）结构的5G下行链路信号被提出用于具有增强分辨率的GI。仿真结果表明，该方案有效地实现了波束训练和分离信道估计，与STAR随机相位工作时相比，频谱效率显著提高。
2022-12-15 cs.IT eess.SP math.IT
