Sparse Bayesian Generative Modeling for Joint Parameter and Channel Estimation
本工作提出一种低复杂度稀疏贝叶斯生成建模方法,利用物理信息生成模型同时估计无线信道及其物理参数,无需额外计算开销,并近似条件均值估计器以提升联合通信与感知性能。
2025-02-25 eess.SP
On the Performance Gain of Integrated Sensing and Communications: A Subspace Correlation Perspective
本文从雷达感知与通信(S&C)之间的信道相关性,即ISAC子空间相关性的角度,研究了通感一体化(ISAC)的性能增益。首先,我们考虑了一个多输入多输出(MIMO)ISAC系统,并揭示了最佳ISAC信号是在子空间由发送导向矢量的传感信道和右奇异矩阵的通信信道。利用这一结果,我们研究了一个基本的ISAC场景与一个单一的目标和一个单天线的通信用户,并推导出最佳的波形协方差矩阵最小化的估计误差在给定的通信速率约束下。为了量化ISAC系统的积分增益,我们定义了子空间“相关系数”来表征S&C通道之间的耦合效应。最后,数值结果验证了所提出的方法的有效性。
2022-11-02 eess.SP
Generative Deep Synthesis of MIMO Sensing Waveforms with Desired Transmit Beampattern
本文提出基于条件Wasserstein GAN的生成式深度学习方法,可实时合成具有恒模特性和用户定义波束方向图的MIMO感知波形,在降低计算复杂度的同时支持LPI/LPD雷达操作并减少系统间干扰。
2024-12-30 eess.SP
Radar Sensing via OTFS Signaling: A Delay Doppler Signal Processing Perspective
本文从延迟-多普勒信号处理视角研究OTFS与雷达感知的联系,发现距离-多普勒矩阵计算等价于矩形脉冲整形下的OTFS解调,并提出二维相关算法估计分数延迟和多普勒参数,仿真验证其可高效获取多目标参数。
2023-06-20 eess.SP
Impact of PA Nonlinearities on AFDM Sensing: A Matched Filtering Perspective
Inria(法国国家数字技术研究中心);University of Paris-Est Créteil (UPEC)(巴黎东克雷泰伊大学)
本文研究PA非线性对AFDM感知性能的影响,通过Bussgang分解分析匹配滤波模糊函数,发现AFDM旁瓣几乎不受影响,且在高多普勒和非线性放大下优于OFDM,适用于ISAC感知任务。
2026-09-15 eess.SP
Sensing in Bi-Static ISAC Systems with Clock Asynchronism: A Signal Processing Perspective
本文针对6G核心场景ISAC中双基地感知因收发端时钟异步导致感知性能下降甚至失效的问题,综述了现有解决技术,并提出未来研究方向与开放问题,助力双基地感知成熟发展。
2024-06-24 eess.SP
A physics-informed generative model for passive radio-frequency sensing
针对电磁人体模型耗时长、难以满足实时射频传感需求的问题,本文提出结合电磁人体衍射方法的变分自编码器生成模型,经仿真工具与真实数据验证有效,可应用于被动射频传感、定位与跟踪等场景。
2023-10-06 eess.SP
Generative AI Enabled Robust Data Augmentation for Wireless Sensing in ISAC Networks
针对ISAC场景训练数据不足且分布不均的问题,提出基于双扩散模型的GenAI数据增强方案,并结合CSI路径变化参数估计算法提升目标检测,性能最高提升70%。
2025-02-18 eess.SP
Advancing THz Radio Map Construction and Obstacle Sensing: An Integrated Generative Framework in ISAC
本文提出基于条件生成对抗网络的集成框架,利用太赫兹无线电地图与障碍物感知的相互增强,实现ISAC中的高效障碍物检测,显著降低均方误差。
2025-03-29 eess.SP
Terahertz Integrated Sensing and Communication-Empowered UAVs in 6G: A Transceiver Design Perspective
本文从收发机设计视角系统研究太赫兹ISAC赋能无人机在6G中的关键技术与挑战,重点探讨混合波束赋形、高能效波形设计和信道状态信息获取,并展望未来研究方向。
2025-02-07 eess.SP
Integrated Sensing and Communications Over the Years: An Evolution Perspective
Beijing University of Posts and Telecommunications(北京邮电大学);Shenzhen University(深圳大学);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Beijing Information Science and Technology University(北京信息科技大学);Southeast University(东南大学);Southern University of Science and Technology(南方科技大学);University of Technology Sydney(悉尼科技大学);The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳))
本文综述了ISAC技术从单模到多模的发展历程,探讨了频谱扩展、网络架构优化及标准化进展,以推动6G网络的部署。
2026-01-19 eess.SP
The Field-based Model: A New Perspective on RF-based Material Sensing
本研究提出WiFi感知系统WiField,以电场全域视角构建统一感知框架,通过无相位数据实现电场到材质分布的逆映射,可在低成本商用设备上同时识别多波长级目标,平均识别准确率超97%。
2024-12-07 eess.SP
Integrated Radio Sensing Capabilities for 6G Networks: AI/ML Perspective
本文从AI/ML视角综述6G网络中集成无线电感知能力的方法,涵盖雷达、频谱感知及非合作发射机定位等应用,并探讨AI驱动的多模态多任务网络的优势与挑战。
2025-07-20 eess.SP
Spectrum Sensing under Spectrum Misuse Behaviors: A Multi-Hypothesis Test Perspective
非法接入和恶意功率发射所带来的频谱滥用行为会危及合法通信,恶化频谱使用环境。在本文中,我们的目的是检测频谱是否被占用,如果它被占用,识别是否存在滥用行为。一个至关重要的挑战是合法频谱利用和滥用行为共存,非法用户的行为可能呈间歇性和快速变化,这给频谱感知带来了很大的不确定性。为了解决这个问题,我们首先制定了非法接入和流氓功率发射下的频谱感知问题作为一个统一的三元假设检验。然后,我们提出了一种新的检验准则,称为广义多假设N-P准则。在此准则下,分别推导了基于广义似然比检验和R检验的两种检验规则,分析了它们的渐近性能,并给出了它们的上界。为了进一步提高检测性能,设计了一种基于全局N-P准则的协作频谱感知方案。此外,大量的仿真提供了各种参数配置下,所提出的方案的性能进行了验证。
2017-11-29 eess.SP
Time-Modulated Intelligent Reflecting Surfaces for Integrated Sensing, Communication and Security: A Generative AI Design Framework
Rutgers University(罗格斯大学);Princeton University(普林斯顿大学)
本文提出利用生成式AI设计框架,通过时间调制智能反射面实现集成感知、通信与安全的物理层安全性。
2025-12-30 eess.SP
Generative AI Meets Wireless Sensing: Towards Wireless Foundation Model
Tsinghua University(清华大学);University of Hong Kong(香港大学);Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));Huawei Technology Co. Ltd.(华为技术有限公司)
本文综述了生成式人工智能与无线感知的融合,分析GenAI作为插件或求解器的集成方式及GAN、VAE、扩散模型等主流生成模型在感知任务中的适用性,并提出构建统一预训练的无线基础模型作为未来方向。
2025-09-18 cs.AI cs.LG eess.SP
Scoring ISAC: Benchmarking Integrated Sensing and Communications via Score-Based Generative Modeling
针对实际场景下ISAC系统性能指标难以解析推导的问题,本文提出Scoring ISAC框架,基于分数生成式模型从数据估计性能指标,经目标检测与定位实验验证精度,为ISAC分析与优化提供新路径。
2025-08-04 eess.SP
Generative Artificial Intelligence Assisted Wireless Sensing: Human Flow Detection in Practical Communication Environments
提出一种基于生成式人工智能辅助的人流检测系统G-HFD,利用信道状态信息估计人体反射参数,并结合统一加权条件扩散模型去噪以准确检测目标数量及到达方向,在实际通信环境中子流大小检测准确率达91%。
2024-04-22 eess.SP
Conditional Generative Learning Enabled Wireless UAV Sensing and Tracking via Point Cloud Imaging
Fudan University(复旦大学);University of Electronic Science and Technology of China(电子科技大学)
研究无人机感知与跟踪问题,提出AUGUST方法,集成条件信道编码与生成解码模块,通过位置和信噪比嵌入及加权训练目标的扩散模型,实现更准确的无人机点云重建与定位,提升对其姿态和形状信息的捕获能力。
2026-07-17 eess.SP
Pinching Antennas-Assisted Sensing: A Ziv-Zakai Bound (ZZB) Perspective
Queen Mary University of London(伦敦大学玛丽女王学院);The University of Hong Kong(香港大学);Friedrich-Alexander-University Erlangen-Nurnberg (FAU)(埃尔朗根-纽伦堡弗里德里希·亚历山大大学)
针对夹捏天线系统(PASS)的多模态观测模型导致的感知模糊问题,从Ziv-Zakai界(ZZB)角度分析其感知能力,提出低复杂度替代目标函数以实现ZZB最小化。
2026-07-02 eess.SP
Pinching-Antenna Assisted Sensing: A Bayesian Cramér-Rao Bound Perspective
The University of Hong Kong(香港大学);Khalifa University(哈利法大学);University of Manchester(曼彻斯特大学)
本文从贝叶斯克拉美-罗界角度研究夹捏天线系统的感知极限,提出两种目标调度协议并优化功率分配,证明其性能优于传统固定阵列。
2025-10-10 eess.SP
Collaborative Spectrum Sensing in Cognitive and Intelligent Wireless Networks: An Artificial Intelligence Perspective
University of Electronic Science and Technology of China(电子科技大学)
本文从人工智能视角探讨认知与智能无线网络中的协作频谱感知,分析其核心方法与贡献,包括经典检测器设计、融合策略及AI驱动的深度学习模型分类。
2026-04-30 eess.SP
Generative Site-Specific Beamforming for UPAs via Decoupled Channel Sensing
Shenzhen Loop Area Institution(深圳环区机构);The University of Hong Kong(香港大学)
提出一种交叉融合的生成式特定站点波束赋形框架,通过解耦信道感知策略将UPA的方位角和仰角域独立探测,将在线扫描开销从乘法复杂度降至线性,并利用双向交叉注意力编码器和条件归一化流生成器解决波束生成模糊性问题,在DeepMIMO场景中显著提升波束赋形增益并降低开销。
2026-06-23 eess.SP
One-bit Compressed Sensing using Generative Models
ANDRO Computational Solutions(安卓计算解决方案公司);Syracuse University(雪城大学);Delft University of Technology(代尔夫特理工大学)
本文提出利用预训练生成模型在其值域内搜索的一比特压缩感知重建算法,给出精度与样本复杂度理论保证,并在 MNIST、Fashion-MNIST 和 Omniglot 上验证其优越性能。
2025-02-18 cs.LG eess.SP
Generative AI for RF Sensing in IoT systems
Central South University(中南大学);Khalifa University(哈利法大学);Technology Innovation Institute(技术创新研究院);CRAN(南锡自动控制研究中心);CNRS(法国国家科学研究中心);Michigan Technological University(密歇根理工大学)
本文综述了生成式人工智能在物联网射频感知中的应用,通过合成数据、信号增强和多模态融合解决噪声、干扰及部署成本等问题,并提出统一框架以提升感知系统的泛化能力与智能化水平。
2024-11-24 cs.AI eess.SP
Exact asymptotics for phase retrieval and compressed sensing with random generative priors
Institut de Physique Théorique CNRS & CEA & Université Paris-Saclay(法国国家科学研究中心、法国原子能与替代能源委员会及巴黎-萨克雷大学理论物理研究所)
我们考虑的问题,压缩感知和(实值)相位恢复与随机测量矩阵。我们推导出信息理论最优性能的尖锐渐近性,以及由具有随机权重矩阵和任意激活的完全连接的深度神经网络组成的生成先验集合的最佳已知多项式算法。我们比较稀疏可分离先验的性能,并得出结论,生成先验可能是有利的算法性能。特别是,虽然稀疏性不允许有效地执行压缩相位检索接近其信息理论的限制,它被发现,在随机生成的前压缩相位检索变得易于处理。
2020-06-12 cond-mat.dis-nn cs.LG eess.SP
Deterministic-Random Tradeoff of Integrated Sensing and Communications in Gaussian Channels: A Rate-Distortion Perspective
集成传感和通信(ISAC)被认为是未来无线网络的关键技术。为了揭示ISAC系统的基本性能限制,本文从率失真的角度研究了矢量高斯信道下感知和通信(S&C)之间的确定性-随机权衡。我们将ISAC信号建模为携带信息的随机矩阵,其实现对于感测接收器是完全已知的,但对于通信接收器是未知的。我们描述了感知互信息条件下的随机ISAC信号,并表明它提供了一个普遍的下限失真度量的感知。此外,我们证明了失真下界最小化,如果样本协方差矩阵的ISAC信号是确定的。然后,我们提供我们的理解的主要结果,通过解释无线传感作为非合作源信道编码,并揭示了确定性随机权衡的S&C ISAC系统。最后,通过分析目标响应矩阵估计的具体实例,给出了失真界可拓性的充分条件。
2023-01-04 cs.IT eess.SP math.IT
A coherence parameter characterizing generative compressed sensing with Fourier measurements
McGill University(麦吉尔大学);Concordia University(康考迪亚大学);University of British Columbia(不列颠哥伦比亚大学)
在Bora等人(2017)中,为压缩感知保证开发了一个数学框架,其中测量矩阵是高斯的,信号结构是生成神经网络(GNN)的范围。当测量矩阵和/或网络权重遵循亚高斯分布时,GNN的压缩感知问题已经被广泛分析。我们超越了亚高斯假设,测量矩阵是通过均匀采样在一个酉矩阵的随机行(包括子采样傅立叶测量作为一种特殊情况)。具体来说,我们证明了第一个已知的限制等距保证生成压缩感知与二次采样等距,并提供恢复边界,解决了一个开放的问题Scarlett等人。(2022年,第10页)。恢复效能的特点是一致性,一个新的参数,它衡量网络的范围和测量矩阵之间的相互作用。我们的方法依赖于子空间计数参数和思想的核心高维概率。此外,我们提出了一种正则化策略,用于训练GNNs,使其与测量算子具有良好的一致性。我们提供了令人信服的数值模拟来支持这种正则化的训练策略:我们的策略产生了低相干网络,需要更少的信号恢复测量。这与我们的理论结果一起,支持相干性作为一个自然的量来表征生成压缩感知与子采样等距。
2022-11-09 cs.IT cs.LG eess.SP
NOMA for Integrating Sensing and Communications towards 6G: A Multiple Access Perspective
本文从多址接入视角研究6G感知通信一体化,提出多种基于NOMA的上下行ISAC设计方案,可灵活协调干扰、分配资源,性能优于传统方案。
2022-06-01 cs.IT eess.SP math.IT
Joint Communication and Sensing for 6G -- A Cross-Layer Perspective
本文从跨层视角全面概述Hexa-X-II项目在6G联合通信与感知(JCAS)方面的研究,将6G用例与服务需求对齐,并指出连接通信与感知的不同场景,涵盖物理与网络域的模型、部署、资源分配及创新功能。
2024-02-14 cs.IT eess.SP math.IT
Multi-View Wireless Sensing via Conditional Generative Learning: Framework and Model Design
Institute of Fundamental and Transdisciplinary Research, Zhejiang University(浙江大学基础与交叉研究院)
本文提出一种基于条件生成学习的多视图无线传感框架,通过融合多视图CSI信息,利用双部分神经网络架构提升目标重建精度和灵活性。
2026-02-20 cs.AI cs.LG eess.SP
Deep Learning Techniques for Compressive Sensing-Based Reconstruction and Inference -- A Ubiquitous Systems Perspective
Faculty of Computer and Information Science, University of Ljubljana(卢布尔雅那大学计算机与信息科学学院)
压缩感知(CS)是一种用于降低采样率的数学上优雅的工具,有可能为更广泛的设备带来上下文感知。然而,采样和重建算法的实际问题阻止了CS在现实世界领域中的进一步扩散,特别是在异构的无处不在的设备中。深度学习(DL)自然地补充了CS,以适应采样矩阵,重建信号,并从压缩样本中学习。虽然CS-DL集成最近受到了大量的研究兴趣,但它还没有得到彻底的调查,也没有阐明将CS-DL带到ubicomp域中的现实世界实现的实际问题。在本文中,我们确定主要的可能方式,CS和DL可以相互作用,提取关键的想法,使CS-DL有效,确定CS-DL研究空间的主要趋势,并得出指导方针,为未来的发展CS-DL在ubicomp域。
2021-05-26 cs.LG eess.SP
Index Modulation for Integrated Sensing and Communications: A Signal Processing Perspective
本文从信号处理视角综述索引调制在集成感知与通信中的应用,分析其分析背景与主要应用,旨在提升能量和频谱效率并保持雷达感知性能。
2024-08-12 cs.IT eess.SP math.IT
Generative Spectrum Cartography: Unified Reconstruction and Active Sensing via Diffusion Models
Zhejiang University-University of Illinois Urbana-Champaign Institute (ZJUI), Zhejiang University(浙江大学伊利诺伊大学厄巴纳香槟校区联合学院,浙江大学);Tsinghua Space Center and Beijing National Research Center for Information Science and Technology, Tsinghua University(清华航天航空学院与北京信息科学与技术国家研究中心,清华大学);Key Laboratory of Universal Wireless Communications, Ministry of Education, School of Information and Communication Engineering, Beijing University of Posts and Telecommunications(教育部无线通信重点实验室,北京邮电大学信息与通信工程学院)
提出基于扩散模型的后验推断框架GSC,统一解决稀疏、噪声、低比特量化测量下的频谱地图重建与主动感知问题,实现无梯度后验采样与不确定性驱动的测量点选择。
2026-06-02 cs.IT eess.SP math.IT
QCM-SGM+: Improved Quantized Compressed Sensing With Score-Based Generative Models
Zhejiang University(浙江大学);The University of Tokyo(东京大学)
针对量化压缩感知中QCS-SGM算法仅适用于行正交感知矩阵的局限,提出QCS-SGM+变体,通过贝叶斯推断和期望传播计算似然分数,有效处理一般感知矩阵并显著提升恢复性能。
2024-01-08 cs.IT cs.LG eess.SP
Integration of Communication and Sensing in 6G: a Joint Industrial and Academic Perspective
6 G可能是第一代移动通信,将定位和传感与通信功能紧密集成。在全球范围内的多项举措中,Hexa-X旗舰项目脱颖而出,因为它汇集了来自相邻行业和学术界的25个关键参与者,其明确目标之一是研究全新的无线电接入技术和高分辨率定位和传感。这些功能不仅可以实现需要极端本地化性能的新用例,还可以提供支持和改进通信功能的方法。本文概述了Hexa-X愿景以及设想的用例。为了缩小这些用例在5G方面所需的性能差距,将讨论几个技术推动因素,以及未来几年的相关研究挑战。
2021-06-24 cs.IT eess.SP math.IT
Integrated Sensing and Communication from Learning Perspective: An SDP3 Approach
Southern University of Science and Technology (SUSTech)(南方科技大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Huawei technologies, Co. Ltd.(华为技术有限公司);University of Macau(澳门大学)
在基于学习的人体运动识别应用中,表征集成传感和通信(ISAC)系统中的传感和通信性能折衷是具有挑战性的。这是因为大型实验数据集和深度神经网络的黑盒性质。本文介绍了一个仿真驱动的性能预测器和优化器SDP3,它由SDP3数据模拟器、SDP3性能预测器和SDP3性能优化器组成。具体而言,SDP3数据模拟器在虚拟环境中生成生动的无线传感数据集,SDP3性能预测器基于函数回归方法预测传感性能,SDP3性能优化器分析地研究传感和通信性能的折衷。实验结果表明,模拟传感数据集与实验数据集在运动识别精度上非常匹配。通过利用SDP3,发现识别精度和通信吞吐量的可实现区域由通信饱和区、感知饱和区和通信感知对抗区组成,其中ISAC系统所需的平衡性能位于第三个区域。
2023-02-14 cs.IT cs.LG eess.SP
Infinite dimensional generative sensing
MaLGa Center, DIMA, University of Genoa, Via Dodecaneso 35, 16146, Genova, Italy(马尔加中心、DIMA、热那亚大学);MaLGa Center, DIBRIS, University of Genoa, Via Dodecaneso 35, 16146, Genova, Italy(马尔加中心、DIBRIS、热那亚大学)
本文提出了一种在无限维希尔伯特空间中进行生成压缩感知的严格框架,通过扩展局部一致性概念和泛化受限等距性质,推导出最优采样分布,并在达西流方程中验证了理论结果。
2026-03-03 cs.IT cs.LG cs.NA
Towards robust sensing for Autonomous Vehicles: An adversarial perspective
Centre for Intelligent Sensing, Queen Mary University of London(伦敦玛丽女王大学智能感知中心);Ecole Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
自动驾驶汽车依赖于准确和强大的传感器观测,在各种条件下进行安全关键决策。这种系统的基本构建块是处理超声、雷达、GPS、激光雷达和相机信号的传感器和分类器~ \cite{Khan2018}。最重要的是,由此产生的决策对扰动具有鲁棒性,这些扰动可以采取不同类型的干扰和数据转换的形式,甚至可以是对抗性扰动(AP)。对抗性扰动是有目的地改变环境或感官测量,目的是攻击和击败自治系统。为了在快速发展的自动驾驶领域构建和部署更安全的系统,有必要仔细评估其传感系统的脆弱性。为此,我们调查了在对抗环境中的新兴领域的传感:在回顾了对自治系统的传感模式的对抗攻击后,我们讨论了对策并提出了未来的研究方向。
2020-07-14 cs.CR cs.LG eess.SP
Optimal and Robust Waveform Design for MIMO-OFDM Channel Sensing: A Cramér-Rao Bound Perspective
无线信道感知是集成感知和通信(ISAC)的关键推动因素之一,它有助于通信网络了解周围环境。在这项工作中,我们认为MIMO-OFDM系统,并旨在设计最佳和强大的波形,准确的信道参数估计给定的OFDM资源分配。首先推导了Fisher信息矩阵,并通过最大化Fisher信息矩阵的对数行列式来制定波形设计问题。然后,我们考虑参数的不确定性和状态的随机优化问题的鲁棒设计。我们提出了黎曼精确罚光滑法(REPMS)及其随机版本SREPMS来解决约束非凸问题。在模拟中,我们表明,REPMS产生可比的结果半定松弛(SDR),但具有更短的运行时间。最后,使用SREMPS设计的鲁棒波形进行了研究,并显示出在信道扰动下具有良好的性能。
2023-01-25 cs.IT eess.SP math.IT
Uniform Recovery Guarantees for Quantized Corrupted Sensing Using Structured or Generative Priors
本文针对量化损坏感知问题,利用抖动均匀量化器和亚高斯感知矩阵,为结构化先验和生成先验下的Lasso恢复建立了统一保证,并改进了量化乘积嵌入性质及误差衰减率。
2024-01-16 cs.IT eess.SP math.IT
Information-Theoretic Lower Bounds for Compressive Sensing with Generative Models
National University of Singapore(新加坡国立大学)
最近已经表明,对于压缩感测,如果稀疏性假设被未知向量位于适当选择的生成模型的范围附近的假设所取代,则可能需要显著更少的测量。特别地,在(Bora { \em et al.},2017)粗略地示出,当生成模型是具有有界$k$维输入的$L$ -Lipschitz函数时,$O(k\log L)$随机高斯测量足以进行准确恢复,并且当生成模型是具有深度$d$和宽度$w$的$k$输入ReLU网络时,$O(kd \log w)$测量足以进行准确恢复。在本文中,我们建立了相应的算法独立的样本复杂性的下界,使用工具,极大极小统计分析。(i)构造了一个能够产生群稀疏信号的$L$生成模型,并证明了所需的测量数为$Ω(k \log L)$ ; ㈡利用类似的想法,我们构建具有高深度和/或高深度的ReLU网络,其中必要的测量次数为$Ω\big( kd \frac{\log w}{\log n}\big)$(具有输出维度$n$),并且在某些情况下具有$Ω(kd \log w)$。结果,我们建立了在(Bora { \em et al.},在没有进一步假设的情况下,最优或接近最优。
2020-03-10 cs.IT cs.LG eess.SP
Integrated Sensing and Communication with mmWave Massive MIMO: A Compressed Sampling Perspective
集成传感和通信(ISAC)为实现未来无线系统开辟了许多改变游戏规则的机会。在本文中,我们提出了一个ISAC处理框架依赖于毫米波(mmWave)大规模多输入多输出(MIMO)系统。具体而言,我们提供了一个压缩采样(CS)的角度来促进ISAC处理,这不仅可以恢复高维信道状态信息或/和雷达成像信息,而且还显着减少导频开销。首先,为雷达接收机量身定制了一种节能的宽间隔阵列(WSA)结构,以提高雷达感知的角分辨率,但代价是角模糊。然后,我们提出了一个ISAC帧结构的时变ISAC系统考虑不同的时间尺度。通过综合考虑CS理论和混合波束形成(HBF)架构所引起的硬件约束,明智地设计了导频波形。接下来,我们设计了专用的字典WSA,作为一个构建块制定的ISAC处理稀疏信号恢复问题。针对角模糊存在的问题,提出了支持度细化正交匹配追踪(OMP-SR)算法。我们还提供了一个框架,估计多普勒频率在有效载荷数据传输,以保证通信性能。仿真结果表明,在所提出的ISAC框架下,通信和雷达感知性能良好。
2022-09-09 cs.IT eess.SP math.IT
Quantized Compressed Sensing with Score-based Generative Models
The University of Tokyo(东京大学);Institute for Physics of Intelligence(智能物理研究所)
我们考虑的一般问题,从嘈杂的量化测量恢复高维信号。量化,特别是粗量化,如1位符号测量,导致严重的信息丢失,因此,未知信号的良好的先验知识有助于准确的恢复。基于分数的生成模型(SGM,也称为扩散模型)在捕获自然信号的丰富结构方面的能力,超越了简单的稀疏性,我们提出了一种无监督的数据驱动方法,称为带SGM的量化压缩感知(QCS-SGM),其中先验分布由预先训练的SGM建模。为了进行后验抽样,退火的伪似然得分称为噪声扰动伪似然得分,并结合SGM的先验得分。所提出的QCS-SGM适用于任意数量的量化比特。在多种基线数据集上的实验表明,所提出的QCS-SGM显着优于现有的国家的最先进的算法,由一个大的利润率为分布和分布外的样本。此外,作为一种后验抽样方法,QCS-SGM可以很容易地用于获得重建结果的置信区间或不确定性估计。该代码可在https://github.com/mengxiangming/QCS-SGM上获得。
2023-02-20 cs.IT cs.LG eess.SP
Adaptive LPD Radar Waveform Design with Generative Deep Learning
DEVCOM Army Research Lab(DEVCOM陆军研究实验室);University of Maryland(马里兰大学)
提出一种基于生成对抗网络的LPD雷达波形设计方法,通过对抗训练生成与背景不可区分的波形,在降低90%可检测性的同时改善感知性能。
2025-02-24 cs.LG eess.SP
Rethinking the Performance of ISAC System: From Efficiency and Utility Perspectives
集成传感和通信(ISAC)是6 G通信系统的关键技术,它使传统的无线通信网络能够感知周围的目标。共同使用试点是实现ISAC的一个有希望的战略。它带来了通信和感知之间的权衡,这在不完美的信道估计条件下仍然是不清楚的。为了提供一些见解,遍历容量与不完美的信道估计和遍历克拉美-罗界(CRB)的距离感知之间的权衡进行了研究。首先,推导了与导频数目相关的各态历经容量和各态历经距离CRB的封闭表达式。其次,首次提出了两个新的度量指标:效率和效用,以评估容量和距离感知误差的联合性能。具体而言,效率是用来评估每单位的传感误差的可实现的能力,和效用的设计来评估ISAC的利用程度。此外,设计了一种导频长度优化算法,以达到最佳的效率。最后通过仿真验证了分析结果的正确性,并为槽形结构的设计提供了参考。
2022-08-18 cs.IT eess.SP math.IT
Multi-Functional Chirp Signalling for Next-Generation Multi-Carrier Wireless Networks: Communications, Sensing and ISAC Perspectives
University of Essex(埃塞克斯大学);University of Surrey(萨里大学);University College London(伦敦大学学院);Nanyang Technological University(南洋理工大学);University of Southampton(南安普顿大学)
为满足下一代多载波移动网络服务质量需求,设计多功能信号方案。倡导啁啾信号,融合序列与波形,考虑多种啁啾波形创建多载波波形,突出其在高移动性通信及信息感知与通信一体化方面优势并指出研究方向。
2026-10-27 cs.IT eess.SP math.IT
In-Band Full-Duplex MIMO Systems for Simultaneous Communications and Sensing: Challenges, Methods, and Future Perspectives
本文提出了一种基于低复杂度模拟消去FD MIMO架构的通信感知一体化框架,针对双重功能优化参数而非抑制自干扰,梳理了该领域的挑战、研究现状并指出未来方向。
2024-10-09 cs.ET cs.IT eess.SP
A Unified Framework for Uniform Signal Recovery in Nonlinear Generative Compressed Sensing
University of Hong Kong(香港大学);National University of Singapore(新加坡国立大学);Hong Kong Baptist University(香港浸会大学);UESTC(电子科技大学)
针对非线性生成压缩感知现有恢复结果多为非均匀的问题,提出统一框架推导均匀恢复保证,引入Lipschitz近似处理不连续观测,提出更紧的集中不等式,实验验证了理论有效性。
2023-10-09 cs.IT cs.LG eess.SP