arXiv cs.AI· Jiayu Liu, Kai Wan, Shuo Shao, Giuseppe Caire·· 11 小时前AI 评分24
跨尺度非线性波形融合：面向通感一体化的图像传输与多目标定位
Learning Nonlinear Waveform Fusion Across Scales for Integrated Sensing and Communication
AI 导读
研究提出跨尺度学习的非线性波形融合方法，用于通感一体化（ISAC）中的图像传输与多目标距离、角度定位，替代固定源叠加与频分方案。在 512 张独立测试图像上，相比时域叠加与学习式频谱线性融合，归一化定位误差分别降低 29.0% 和 27.0%，平均峰值信噪比提升 1.40 和 0.82 dB。固定所提波形时，学习式局部校正使平均归一化定位误差再降 12.2%。
正文 · AI 翻译
摘要：固定源叠加与频率划分限制了通信内容在集成感知与通信（ISAC）中与探测参考信号的交互方式。我们学习跨尺度的非线性波形融合，用于图像传输以及多目标在距离和角度上的定位。接收端利用各自可获得的信息。自适应时间特征加权与频谱更新将图像特征和确定性线性调频参考信号结合在共享的复状态中，在阵列帧内生成总能量固定的波形。在用户设备（UE）端，参考信号与信道状态信息为用于图像重建的神经解混器提供条件。在基站端，实际发射脉冲定义了一个相干字典，用于结合学习到的局部校正、物理精化与残差更新的顺序定位。我们在 512 张独立测试图像上，将所提出的波形与时间域叠加以及学习到的频谱线性融合进行比较，使用共享的固定 UE 接收机和采用相干峰值搜索的基线感知接收机。在十一种任务权重上平均，所提出的波形分别将归一化定位误差降低 29.0\% 和 27.0\%，同时将平均峰值信噪比提高 1.40 和 0.82~dB。在固定所提出波形的情况下，与没有学习校正的相同顺序接收机相比，学习到的局部校正将平均归一化定位误差降低 12.2\%。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32099 [cs.AI] |
| （或 arXiv:2610.32099v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32099 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jiayu Liu [查看电子邮件]
[v1]
2026年10月23日星期五 03:02:20 UTC（1,911 KB）
来源：arXiv cs.AI · arxiv.org