.png){kind=icon}
返回
Deep Learning-Based Beamforming Optimization for ISAC Systems: A Low-Complexity and Transferable Framework
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2025.3649260.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于超大规模天线阵列（ELAA）基综合感知与通信（ISAC）系统中用户和天线数量的增加，波束形成优化的复杂性变得难以承受，这阻碍了ISAC在实际中的实时、低成本部署。具体而言，考虑一个基站（BS）与多个用户通信并执行目标检测的通用ISAC系统。然后，在发射功率和用户最小感知速率的约束下，提出了一个最大化总通信速率的问题。为解决该问题，我们开发了一个利用深度学习算法的框架，为ISAC波束形成提供低复杂度和可转移（LCT）的解决方案。所提出的LCT波束形成优化框架包括三个模块：1）提出一种基于无监督学习的特征提取算法，用于从变化的信道状态信息（CSI）中提取固定大小的潜在特征，同时保留其关键信息；2）提出一种基于强化学习（RL）的波束图优化算法，根据提取的特征搜索期望的波束图；3）提出一种基于监督学习的波束形成重建算法，根据RL代理提供的波束图重建波束形成向量。仿真结果表明，所提出的LCT框架通过优化直观的波束图而非波束形成，优于基线RL算法。此外，LCT框架为ISAC系统提供了低成本波束形成优化的解决方案。训练好的RL模块在改变天线或用户数量时无需重新训练即可转移。
Keyword:
Autoencoder (AE)
beamforming optimization
deep learning (DL)
integrated communication and sensing (ISAC)
reinforcement learning (RL)
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
Learn to Optimize RIS Aided Hybrid Beamforming With Out-of-Distribution Generalization学习使用分布外泛化优化RIS辅助混合波束成形
PREAI
分享收藏Movable Antenna-Aided Cooperative ISAC Network With Time Synchronization Error and Imperfect CSI具有时间同步误差和不完全CSI的可移动天线辅助协作ISAC网络
PREAI
分享收藏MARL-Based UAV Trajectory and Beamforming Optimization for ISAC System基于MARL的ISAC系统无人机航迹和波束形成优化
PREAI
分享收藏Deep Reinforcement Learning-Based Resource Allocation for Integrated Sensing, Communication, and Computation in Vehicular Network基于深度强化学习的车载网络综合感知、通信与计算资源分配
PREAI
分享收藏
Joint Transmit Waveform and Receive Filter Design for Dual-Function Radar-Communication Systems双功能雷达通信系统的联合发射波形和接收滤波器设计
OAAI
OAAI分享收藏AutoSen: Improving Automatic WiFi Human Sensing through Cross-Modal Autoencoder.png)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容