Power Allocation for Joint Communication and Sensing in Cell-Free Massive MIMO
针对云无线接入网络架构下的单目标检测问题,研究了一种具有下行通信和多站感知的联合通信感知系统。无小区大规模MIMO的集中式操作被考虑用于通信和感测目的。JCAS发送接入点(AP)共同服务于用户设备(UE),并且可选地将波束转向目标。最大后验比测试检测器推导出检测器使用在分布式AP接收到的信号的目标。我们提出了一种功率分配算法,以最大限度地提高感知信噪比的条件下,每个UE的最小信号干扰加噪声比值是有保证的。数值结果表明,与完全以通信为中心的功率分配相比,在一定的虚警概率下,所提出的算法可以显着提高检测概率,用于两种JCAS设置:i)使用额外的感测符号或ii)仅使用现有的通信符号。
2022-09-05 cs.IT eess.SP math.IT
Sensing-Enhanced Secure Communication: Joint Time Allocation and Beamforming Design
本文提出一种两阶段框架,利用感知估计窃听者位置,通过联合优化时间分配与波束成形,在DFRC基站下增强物理层安全并最大化系统总速率,仿真验证了显著增益。
2023-12-23 cs.IT math.IT
Compressive Wideband Spectrum Sensing for Fixed Frequency Spectrum Allocation
过高的采样率是认知无线电宽带频谱感知的瓶颈。研究表明,传感信号在频域上具有稀疏性,压缩感知(Compressed Sensing,CS)可以将采样负担转移到数字信号处理器上。模拟信息转换器(AIC)可以以亚奈奎斯特速率对接收信号进行随机采样,以获得随机测量。考虑到主无线电的静态频谱分配意味着不同主无线电之间的边界是预先已知的,这里我们将不同主用户之间的频谱边界信息作为先验信息来获得混合l2/l1范数去噪算子(MNDO)。在MNDO中,估计的功率谱密度(PSD)向量被划分为具有对应于不同分配的主无线电的边界的块部分。与以往标准的对整个PSD向量的l1范数约束不同,该算法通过最小化PSD向量每一段的l2范数之和来促进PSD向量的局部分组分布,而整体稀疏分布,同时放松约束来提高去噪性能。仿真结果表明,该方法在精度、去噪能力等方面均优于标准稀疏谱估计。
2010-05-11 cs.IT math.IT
Joint Spectrum Partitioning and Power Allocation for Energy Efficient Semi-Integrated Sensing and Communications
针对频谱拥挤下支持多服务的半集成感知与通信系统,提出两种联合频谱划分与功率分配方案以最大化总性能与能效,并通过凸优化与分数规划求解,验证了服务优先级与QoS对网络性能的影响。
2024-04-28 cs.IT cs.NI math.IT
Optimal Resource Allocation for Joint Sensing and Communication: Multiple Targets and Clutters
我们研究了一种基于射频(RF)信号刺激的非接触式目标探测。发射信号从配备有二维天线阵列的发射机发出。然后,在多个分布式传感器处接收来自目标的反射信号。在传感器处的观测被放大并转发到融合中心。然后,融合中心进行空时后处理,以提取接收信号和目标冲激响应之间的最大公共信息。最佳功率分配在发射机和放大器在传感器的影响。幂和最小化问题是一个非凸问题。我们提出了一个有效的算法来解决这个问题迭代。空时接收信号矢量的最大比合并(MRC)是利用最大比传输(MRT)在足够低的信干噪比(SINR)下实现最优接收的方法。然而,在更高的SINR需求,在融合中心的迫零(ZF)优于MRC。
2019-02-28 cs.IT math.IT
Joint Spectrum Sensing and Resource Allocation for OFDM-based Transmission with a Cognitive Relay
在本文中,我们研究了联合频谱感知和资源分配问题,以最大限度地提高基于OFDM的认知无线电链路的吞吐量与认知中继。通过应用使用解码和转发(D&F)的认知中继,我们实现了更可靠的通信,产生更少的干扰(通过需要更少的发射功率)和更多的分集增益。为了解决频谱感知中的缺陷,提出的方案联合修改能量检测器阈值,并将发射功率分配给所有认知无线电(CR)子载波,同时为次级用户(SU)和认知中继分配子载波对。该问题被转换为约束优化问题,其具有以下约束:(1)由SU和认知中继引入到PU的干扰;(2)误检和虚警概率;(3)用于在SU发射机和认知中继上传输的子载波配对;以及(4)每个CR子载波的最小服务质量(QoS)。我们提出了一个最优和两个次优的计划,所有这些都是比较文献中的其他计划。仿真结果表明,所提出的方案实现显着更高的吞吐量比其他方案在文献中不同的中继情况。
2015-11-12 cs.IT math.IT
Performance Analysis and Sensing-Aware Resource Allocation for Full-Duplex Massive MIMO ISCC Networks
VinUniversity(文大学);University of Oulu(奥卢大学);Trinity College Dublin(都柏林三一学院);University of Luxembourg(卢森堡大学)
本文针对全双工大规模MIMO ISCC网络,联合优化卸载比例、发射功率与计算资源,提出逐次凸近似算法,可降低雷达发射功率与任务延迟。
2026-10-09 cs.IT math.IT
Multi-channel Sensing And Resource Allocation in Energy Constrained Cognitive Radio Networks
我们考虑一个认知无线电网络中的多信道许可的环境。如果信道被感测为空闲,则次用户在信道中发送。这导致感测时间和传输时间之间的折衷。当次用户能量受限时,如果更多的能量用于感测,则可用于传输的能量更少。这就产生了能量的权衡。对于多个主信道,次用户必须在每个信道中决定适当的感测时间和发送功率,以最大化每个帧持续时间内的平均聚合比特吞吐量,同时确保主用户的服务质量。考虑到时间和能源的有限资源,我们制定了这个问题作为一个资源分配问题。最初考虑单个二级用户场景,并使用分解和交替优化技术获得解决方案。之后我们将分析扩展到多个二级用户的情况。仿真结果研究了信道占用、衰落和能量可用性对该方法性能的影响。
2017-01-17 cs.IT cs.NI math.IT
Trajectory Design and Resource Allocation for Multi-UAV-Assisted Sensing, Communication, and Edge Computing Integration
本文提出多无人机辅助的感知通信计算融合网络,通过联合优化轨迹、资源分配等最小化加权能耗,采用带注意力的多智能体PPO算法求解,在能耗、资源利用率和收敛速度上优于基准。
2024-10-05 cs.IT math.IT
Resource Allocation for XR with Edge Offloading: A Reinforcement Learning Approach
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出一种基于强化学习的XR资源分配框架,动态分配上下行时隙并决策边缘卸载,通过部分卸载使覆盖范围扩展55%、能耗降低34%。
2025-10-26 cs.IT math.IT
CRB-Guided Sensing and Resource Allocation for Human Pose Prediction in Integrated Sensing, Communication, and Computation Systems
King’s College London(伦敦国王学院);Zhejiang University(浙江大学)
该研究针对ISCC系统,提出CRB引导的感知框架与交替优化算法,联合优化波束成形矩阵等,实现自适应深度姿态预测,在资源约束下将预测性能提升最多35%。
2026-09-03 cs.IT cs.NI math.IT
Power Allocation in Multi-User Cellular Networks: Deep Reinforcement Learning Approaches
基于模型的功率分配算法已经研究了几十年,但它要求数学模型是可解析的,并且通常具有较高的计算复杂性。近年来,数据驱动的无模型机器学习方法得到了快速发展,以获得接近最优的性能和可承受的计算复杂性,深度强化学习(DRL)被认为是未来智能网络的巨大潜力。在本文中,DRL方法被认为是在多用户无线通信蜂窝网络的功率控制。在考虑跨单元协作、离线/在线集中训练和分布式执行的基础上,对基于DRL的顶层设计进行了数学分析。在此基础上进一步发展了具体的DRL设计,提出了基于策略的REINFORCE、基于值的深度Q学习(DQL)、行动者-批评者深度确定性策略梯度(DDPG)算法。仿真结果表明,所提出的数据驱动的方法优于最先进的基于模型的方法的和速率性能,具有良好的泛化能力和更快的处理速度。此外,建议DDPG优于REINFORCE和DQL的总和速率性能和鲁棒性方面,并可以纳入现有的资源分配计划,由于其通用性。
2019-01-22 cs.IT math.IT
Performance Analysis and Power Allocation of Joint Communication and Sensing Towards Future Communication Networks
针对大规模设备接入导致的雷达和通信频率重叠问题,提出了一种新的联合通信与感知(Joint Communication and Sensing,JCS)系统,利用微基站(MicroBase Station,MiBS)同时实现目标感知和协作通信。具体地,作为感测设备的MiBS还可以用作全双工(FD)解码转发(DF)中继以辅助端到端通信。为了进一步提高频谱利用率,采用非正交多址接入(NOMA),使得宏基站(MaBS)与物联网(IoT)设备之间的通信。为了便于性能评估,系统的精确和渐近中断概率,遍历率,感知概率的特点。随后,设计了两个最优功率分配(OPA)问题:最大化感知信号的接收信干噪比和最大化通信总速率,并利用拉格朗日方法和函数单调性进行求解。仿真结果表明:1)JCS NOMA系统在与非协作NOMA系统功耗相同的前提下,能够同时实现通信增强和感知功能; 2)所提出的OPA方案优于随机功率分配方案。
2022-01-09 cs.IT cs.SY eess.SY
A Novel ISAC Transmission Framework based on Spatially-Spread Orthogonal Time Frequency Space Modulation
在本文中,我们提出了一种新的综合传感和通信(ISAC)传输框架的基础上的空间扩展正交时频空间(SS-OTFS)调制,考虑到通信信道强度不能直接从雷达感测。我们首先提出了SS-OTFS调制的概念,其中关键的新颖性是由空间扩展/解扩实现的角域离散化。这种离散化产生了简单和有见地的有效模型,雷达传感和通信,从而简化设计的相关估计和检测问题。特别是,我们利用有效雷达感知矩阵的特殊结构,设计了简单的雷达感知波束跟踪、角度估计和功率分配方案。同时,我们提供了一个详细的分析成对错误概率(PEP)的通信,揭示了预编码和功率分配设计的关键条件。基于这些条件,我们设计了一个符号式预编码方案的通信仅基于延迟,多普勒,和角度估计从雷达感测,没有先验知识的通信信道衰落系数,还介绍了通信的功率分配。此外,我们注意到,雷达传感和通信需要不同的功率分配。因此,我们讨论了不同的功率分配的雷达感知和通信的性能,并表明在实际情况下,功率分配应设计倾向于雷达感知。数值结果验证了所提出的ISAC传输框架的有效性,这也与我们的分析和讨论相一致。
2021-09-01 cs.IT eess.SP math.IT
Gesture-Aware Indoor THz ISAC Systems for Adaptive Resource Allocation
King’s College London(伦敦国王学院)
针对太赫兹频段多用户室内集成感知与通信系统,提出基于扩展卡尔曼滤波手势跟踪的自适应联合优化算法,通过动态调整功率分配和波束赋形,在满足手势相关通信服务质量约束下最大化感知信干噪比。
2026-05-28 cs.IT cs.LG math.IT
Dual-Scale Channel Estimation in Sensing-Assisted Communication Systems: Joint Time Allocation and Beamforming Design
University of Macau(澳门大学);Donghua University(东华大学);Zhejiang University(浙江大学);Illinois Institute of Technology(伊利诺伊理工学院);University of Waterloo(滑铁卢大学)
本文提出了一种基于感知与通信融合的双尺度通道估计方法,通过联合时间分配与波束成形设计,提升通信效率。
2026-01-01 cs.IT eess.SP math.IT
Multi-Static Target Detection and Power Allocation for Integrated Sensing and Communication in Cell-Free Massive MIMO
本文针对无蜂窝大规模MIMO集成感知与通信系统,提出基于最大后验比率检验的多基地目标检测器和兼顾通信需求的功率分配算法,在有无杂波环境下均优于基准方案。
2024-03-27 cs.IT eess.SP math.IT
Resource Allocation in Uplink NOMA-IoT Networks: A Reinforcement-Learning Approach
非正交多址接入(NOMA)利用电力域的潜力来增强物联网(IoT)的连接性。由于通信信道随时间变化,动态用户聚类是提高NOMA-IoT网络吞吐量的一种很有前途的方法。提出了一种适用于NOMA-IoT通信上行链路的智能资源分配方案。为了最大限度地提高和率的平均性能,这项工作设计了一个有效的优化方法的基础上两个强化学习算法,即深度强化学习(DRL)和SARSA学习。对于轻交通,SARSA学习被用来探索最安全的资源分配策略,以低成本。对于繁忙的交通,DRL用于处理交通引入的巨大变量。借助于所考虑的方法,这项工作解决了NOMA技术中公平资源分配的两个主要问题:1)动态分配用户和2)平衡资源块和网络流量。我们分析表明,收敛速度是成反比的网络规模。数值结果表明:1)与最优基准方案相比,所提出的DRL和SARSA-学习算法具有较低的复杂度和可接受的精度; 2)NOMA使能的IoT网络在系统吞吐量方面优于传统的基于正交多址的IoT网络。
2021-03-08 cs.IT eess.SP math.IT
Deep Reinforcement Learning Based Spectrum Allocation in Integrated Access and Backhaul Networks
本文提出了一种基于深度强化学习(Deep Reinforcement Learning,DRL)的频谱分配框架,以解决大规模部署和动态环境下的集成接入和回程(Integrated Access and Backhaul,IAB)架构中的频谱分配问题。可用频谱被划分为若干正交子信道,并且施主基站(DBS)和所有IAB节点具有相同的频谱资源用于分配,其中DBS将这些子信道用于相关联的用户设备(UE)的接入链路以及相关联的IAB节点的回程链路,并且IAB节点可以将所有子信道用于其相关联的UE。这是5G不同于传统设置的关键特征之一,传统设置中回程网络独立于接入网络设计。以最大化所有UE组的对数速率之和为目标,将频谱分配问题转化为一个混合整数非线性规划问题。然而,它是难以找到一个最佳的解决方案,特别是当IAB网络是大的和时变的。为了解决这个问题,我们建议使用最新的DRL方法,通过集成ACSA方案和深度神经网络(DNN)来实现不同场景的实时频谱分配。通过数值模拟对所提出的方法进行了评估,并与一些基线分配策略进行了比较,结果显示出良好的效果。
2020-04-27 cs.IT eess.SP math.IT
Toward Ambient Intelligence: Federated Edge Learning with Task-Oriented Sensing, Computation, and Communication Integration
在本文中,我们解决的问题,联合传感,计算和通信(SC $^{2}$)资源分配联邦边缘学习(FEEL)通过一个具体的案例研究的人体运动识别的无线传感环境智能。首先,通过分析人体运动识别中的无线传感过程,我们发现存在一个阈值的传感发射功率,超过该阈值产生的传感数据样本具有近似相同的满意的质量。然后,联合SC $^{2}$资源分配问题被投以最大化FEEL的收敛速度,在训练时间,能量供应和每个边缘设备的感测质量的约束下。解决这个问题需要解决两个子问题,以便:第一个减少,以确定联合传感和通信资源分配,最大限度地提高了在整个训练过程中可以感测到的样本的总数;第二个涉及的分区所获得的感测样本的总数在所有的通信轮,以确定在每一轮的批量大小收敛速度最大化。联合传感和通信资源分配的第一个子问题被转换为一个单变量优化问题,通过利用不同的控制变量(资源)之间的关系,从而允许通过一维网格搜索的有效解决方案。对于第二子问题,发现在每一轮要感测的样本的数量(或批量大小)是在该轮获得的损失函数值的递减函数。基于这种关系,在每个通信轮的近似最优批量大小推导出封闭形式的轮指数的函数。最后,大量的仿真结果验证了联合SC $^{2}$资源分配方案的优越性。
2022-06-13 cs.IT eess.SP math.IT
Deep Reinforcement Learning for Joint Spectrum and Power Allocation in Cellular Networks
Northwestern University(西北大学)
无线网络运营商通常将其拥有的无线电频谱划分为多个子带。在蜂窝网络中,这些子带然后在许多小区中被重用。为了减轻同信道干扰,联合频谱和功率分配问题通常被公式化以最大化和速率目标。用于解决这种问题的最佳已知算法通常需要瞬时全局信道状态信息和集中式优化器。事实上,这些算法在实践中还没有在具有时变子带的大型网络中实现。深度强化学习算法是解决复杂资源管理问题的有前途的工具。这里的一个主要挑战是频谱分配涉及离散子带选择,而功率分配涉及连续变量。在本文中,提出了一个学习框架,以优化离散和连续的决策变量。具体来说,两个独立的深度强化学习算法被设计为同时执行和训练,以最大化联合目标。仿真结果表明,该方案优于最先进的分数规划算法和以前的解决方案基于深度强化学习。
2020-12-19 cs.IT cs.LG eess.SP
Transmit Power Allocation for Joint Communication and Sensing through Massive MIMO Arrays
本文考虑的情况下,一个基站(BS),配备了一个大规模的天线阵列,执行,使用相同的频率范围内,既与移动用户的通信和雷达监视周围环境,依赖于大规模MIMO阵列的能力,以合成多个窄波束。基于用于通信和监视任务的OFDM信令格式,提供了系统可实现的下行链路速率的下限,以及不需要关于目标参数的任何知识的GLRT检测规则。然后,提出了一种功率分配策略,旨在最大限度地提高移动用户的公平性,同时保证最小的信号干扰比的雷达系统的阈值。数值结果表明,该系统的性能是有效的,功率控制过程有助于提高系统的公平性。
2020-03-29 cs.IT eess.SP math.IT
Model-Driven Sensing-Node Selection and Power Allocation for Tracking Maneuvering Targets in Perceptive Mobile Networks
本文针对感知移动网络中机动目标跟踪的感知节点选择与功率分配问题,提出基于MM-ADMM迭代算法展开的模型驱动深度学习方法,并设计不动点注水功率分配方案,在显著降低计算复杂度的同时提升跟踪性能。
2024-03-28 cs.IT eess.SP math.IT
Free Space Optical Integrated Sensing and Communication Based on DCO-OFDM: Performance Metrics and Resource Allocation
本文提出基于DCO-OFDM的FSO-ISAC方案,推导频谱效率与Fisher信息,构建联合功率分配问题并分解求解,仿真揭示通信与感知的权衡。
2023-12-21 cs.IT eess.SP 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
Integrated sensing and full-duplex communication: Joint transceiver beamforming and power allocation
针对具有全双工(FD)感测和半双工(HD)通信的集成感测和通信(ISAC)系统,已经广泛研究了波束成形设计。为了实现更高的频谱效率,在本文中,我们扩展现有的ISAC波束形成设计,考虑FD能力的雷达和通信。具体来说,我们考虑一个ISAC系统,其中基站(BS)执行目标检测,并与多个下行链路用户和上行链路用户重用相同的时间和频率资源进行通信。我们联合优化下行链路双功能发射信号和上行链路接收波束形成器在BS和在上行链路用户的发射功率。该问题被制定为最小化系统的总发射功率,同时保证通信和传感的要求。下行链路和上行链路传输紧密耦合,使得联合优化具有挑战性。为了处理这个问题,我们首先确定接收波束成形器在封闭的形式相对于BS发射波束成形和用户发射功率,然后提出一个迭代的解决方案,其余的问题。我们通过数值计算结果表明,优化的FD通信为基础的ISAC导致功率效率的改善相比,传统的ISAC与HD通信。
2023-02-19 cs.IT eess.SP math.IT
Joint Node Selection and Resource Allocation Optimization for Cooperative Sensing with a Shared Wireless Backhaul
针对共享无线回程的协作感知系统,提出混合信息-信号域协作感知设计,联合优化节点选择与资源分配,以最小化信道使用次数,并证明所提算法收敛至KKT解集,显著提升定位性能。
2024-12-17 cs.IT eess.SP math.IT
Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning
Nanyang Technological University(南洋理工大学);University of Technology Sydney(悉尼科技大学);Sungkyunkwan University (SKKU)(成均馆大学)
这封信介绍了一种新的框架,以优化功率分配的用户在速率分裂多址(RSMA)网络。在网络中,针对用户的消息被分成不同的部分,即单个公共部分和各自的私有部分。这种机制使RSMA能够灵活地管理干扰,从而提高能量和频谱效率。虽然RSMA具有突出的优点,但在通信信道的不确定性和发射机对信道信息的了解有限的情况下,优化RSMA的功率分配是非常具有挑战性的。为了解决这个问题,我们首先开发了一个马尔可夫决策过程框架来建模的通信信道的动态。然后,提出了深度强化算法,以找到最佳的功率分配策略的发射机,而不需要任何先验信息的信道。仿真结果表明,在不同的功率和QoS要求下,该方案的平均和速率优于基线方案。
2021-10-05 cs.AI cs.IT cs.NI
CRB-Guided Framework Design and Resource Allocation for Indoor mmWave ISCC Systems
King’s College London(伦敦国王学院)
针对室内毫米波ISCC系统,提出基于克拉美罗界(CRB)的资源分配框架,通过联合优化感知功率和自适应深度Mamba模型深度,最小化人体姿态预测误差。
2026-05-28 cs.IT cs.LG 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
Multi-Agent Deep Reinforcement Learning for Dynamic Power Allocation in Wireless Networks
这项工作展示了深度强化学习技术在无线网络中传输功率控制的潜力。现有技术通常通过解决具有挑战性的优化问题来找到接近最优的功率分配。由于这些算法的计算复杂度和瞬时跨小区信道状态信息(CSI)要求,这些算法中的大多数不能扩展到真实世界场景中的大型网络。本文提出了一种基于无模型深度强化学习的分布式执行动态功率分配方案。每个发射机从几个邻居收集CSI和服务质量(QoS)信息,并相应地调整其自己的发射功率。目标是最大化加权和速率效用函数,该函数可以被特殊化以实现最大和速率或比例公平调度。CSI中的随机变化和延迟都是使用深度Q学习来解决的。对于一个典型的网络架构,所提出的算法,以实现近最佳的功率分配实时延迟CSI测量提供给代理的基础上。该方案特别适用于系统模型不准确且CSI时延不可忽略的实际场景。
2019-04-08 cs.IT eess.SP math.IT
Hybrid Hierarchical DRL Enabled Resource Allocation for Secure Transmission in Multi-IRS-Assisted Sensing-Enhanced Spectrum Sharing Networks
本文研究多IRS辅助感知增强频谱共享网络的安全传输问题,提出基于D3QN和SAC的分层深度强化学习资源分配方案,联合优化IRS配对、子信道、波束成形、反射系数和感知时间,以最大化次级网络安全速率并提升频谱利用率。
2023-12-02 cs.IT eess.SP math.IT
Resource Allocation for Positive-Rate Covert Communications Using Optimization and Deep Reinforcement Learning
Columbia University(哥伦比亚大学)
针对瑞利块衰落信道下的无密钥正速率隐蔽通信场景,分别提出非因果CSI下的三步优化法与因果CSI下的DDQN深度强化学习法,求解功率与速率分配两类问题,仿真验证了方法有效性。
2026-03-06 cs.IT eess.SP math.IT
Jointly Optimal Sensing and Resource Allocation for Multiuser Overlay Cognitive Radios
King Juan Carlos Univ.(胡安·卡洛斯国王大学)
针对多用户覆盖式认知无线电,提出一种联合优化感知与资源分配的两步策略,最小化感知成本、最大化次级用户加权和速率并限制对主用户的干扰概率。
2012-11-05 cs.IT cs.NI cs.SY
Deep Reinforcement Learning for Radio Resource Allocation in NOMA-based Remote State Estimation
针对基于 NOMA 的远程状态估计,本文提出动作空间压缩方法与深度强化学习算法,联合优化信道分配和功率分配,以最小化长期平均估计均方误差并提升可扩展性。
2022-05-24 cs.IT cs.SY eess.SP