基于深度学习的5G及以后多站ISAC杂波抑制

Arxiv：2610.40586v1公告类型：交叉摘要：使用5G和Beyond Signals of Opportunity的集成传感和通信(ISAC)系统使用共享基础设施和频谱资源实现联合无线传感和通信。虽然多基地ISAC可以增加空间分布的接收机的感知覆盖，但密集和动态的杂波会显著降低双基地距离和多普勒估计，导致目标定位和速度估计的误差。本文提出了一种具有杂波抑制功能的多基地ISAC框架，用于目标位置和速度的高保真估计。分布式杂波由具有不同多普勒扩展和雷达截面的随机分布的散射体来建模，以捕获密集和动态的杂波效果。对多种常规信号处理基线进行了杂波抑制评估，在强杂波条件下表现出有限的稳健性。为了解决这一局限性，引入了基于深度学习的杂波抑制方法，通过使用残差和注意力增强型深度神经网络结构来提高对密集和动态杂波的鲁棒性，该结构直接增强了来自杂波污染观测的目标响应。在多基地ISAC中，这些方法在不同杂波条件下的目标位置和速度估计明显优于传统方法。