当前位置：首页 > news >正文

MIMO-OFDM神经集成感知与通信框架解析

news 2026/6/3 6:21:42

1. MIMO-OFDM神经集成感知与通信框架解析

在无线通信与感知技术日益融合的背景下，集成感知与通信(ISAC)系统正成为下一代网络的关键技术。传统方案中，感知与通信功能往往需要独立的频谱资源和硬件设备，导致系统复杂度和部署成本居高不下。本文提出的神经ISAC框架创新性地利用现有MIMO-OFDM通信基础设施，在不影响数据传输的前提下实现了环境感知功能。

1.1 系统架构设计原理

神经ISAC系统的核心架构包含三个关键模块：

双功能信号发射模块：采用标准MIMO-OFDM发射机，使用Nt根天线同时服务K个单天线用户设备(UE)。系统工作频段为6GHz，带宽可配置为10-320MHz，每个资源块包含14个OFDM符号，其中第3和第12个符号为导频。
环境感知处理模块：通过Nr根接收天线采集反向散射信号，利用设计的神经网络处理链实现场景重建。系统采用全双工设计，收发天线间距为半波长，自干扰抑制达到-40dB。
联合优化模块：将感知任务建模为离散地图重建问题，通过监督学习实现端到端优化。特别地，系统在5m×5m×3m的混凝土封闭环境中测试，目标为0.5m立方体，随机分布在2m×2m区域内。

关键创新：系统采用零中频(ZIF)预编码设计，通信预编码矩阵Pw通过信道状态信息(CSI)的伪逆计算得到，同时加入功率归一化因子Ξw保证各数据流功率均衡。

1.2 离散地图表示方法

系统提出三种场景表示方法，适应不同感知需求：

表示类型	数学定义	特点	适用场景
概率地图	mi = δ(i,i*)	单热点表示	单目标定位
硬地图	mi = ∨(p∈Ω)1Gi(p)	二进制网格	多目标检测
软地图	mi = μΩ(Gi)	连续值分布	目标轮廓重建

实际测试中，5×5网格分辨率下，概率地图定位准确率可达92%，而软地图虽然能反映目标形状细节，但边界区域预测误差较大。这种性能差异源于不同表示方法对神经网络输出的约束强度。

2. 信号处理关键技术实现

2.1 正则化信道估计方法

传统最小二乘(LS)估计在MU-MIMO场景下存在秩亏缺问题。当数据流数K小于发射天线数Nt时，估计结果会出现偏差：

E[Ĥs_w] = Hs_w Σ(rw)_k=1 u_k u_k^H

其中uw,k为PwSw的SVD分解得到的左奇异向量。为解决此问题，我们引入Tikhonov正则化：

Ĥs_w = Ys_w S_w^H P_w^H (P_w S_w S_w^H P_w^H + λreg I_Nt)^-1

正则化因子λreg的选择至关重要。实测表明，在10^-3到10^-1范围内系统性能稳定：

概率地图：λreg=10^-2
硬/软地图：λreg=10^-3

2.2 特征提取与融合技术

系统开发了两类特征提取方案：

波束空间-时延域特征：
- 波束空间变换：Fs_beam = FNt ×2 FNr ×1 Ĥs
- 时延域变换：Fs_delay = F_W^H ×3 Ĥs
- 联合特征：Fs_bd = |FH_W ×3 Fs_beam|
直接特征： Fs_d = [ℜ{Ĥs} ℑ{Ĥs}] ∈ R^(Nr×Nt×2W)

环境先验知识通过三种方式融合：

减法融合(gSUB_fus)：Fs = Fs_e - Fs_e,ref
堆叠融合(gSTA_fus)：Fs = [Fs_e; Fs_e,ref]
无融合(gNOR_fus)：Fs = Fs_e

实测数据显示，在40MHz带宽下，减法融合使定位准确率提升超过30%，显著优于其他方案。

3. 神经网络设计与训练

3.1 网络架构细节

系统采用改进的ResNet18结构，主要调整包括：

将首层7×7卷积改为3×3卷积，适配小尺寸输入特征
使用8个残差块构建主干网络
输出层根据地图类型选择激活函数：
- 概率地图：Softmax
- 硬/软地图：Sigmoid

输入特征切片策略：

对Fs_bd ∈ R^(Nr×Nt×W)，沿Nt维度切片得到Nt个Nr×W特征图
每个特征图对应特定发射天线的空-频响应

3.2 训练流程优化

算法1给出了完整的训练过程，关键步骤包括：

数据生成：
- 使用NVIDIA Sionna平台生成105组数据
- 每条数据包含：信息比特b(q)、通信信道Hc(q)、感知信道Hs(q)、地图标签m(q)
- 路径数设为75，射线追踪采样105次，最大反射深度5
参数更新：
- 初始学习率10^-5，批量大小1024
- 使用Adam优化器
- 训练100轮次，取验证集最佳模型
损失函数设计：
- 概率地图：分类交叉熵(CCE)
- 硬/软地图：二元交叉熵(BCE)