arXiv cs.AI· Yalin E. Sagduyu, Tugba Erpek, Sastry Kompella·· 13 小时前AI 评分18
面向5G及未来网络的多基地ISAC：基于深度学习的杂波抑制
Multistatic ISAC with Deep Learning-Based Clutter Suppression for 5G and Beyond
AI 导读
该论文提出一种带杂波抑制的多基地ISAC框架，用于高保真估计目标位置与速度。研究用随机分布、多普勒扩展和雷达截面积各异的散射体建模分布式杂波，并评估多种传统信号处理基线，发现其在强杂波下鲁棒性有限。为此引入基于残差和注意力增强深度神经网络的深度学习杂波抑制方法，在多基地ISAC多种杂波条件下，其位置与速度估计显著优于传统方法。
正文 · AI 翻译
摘要：利用 5G 及未来机会信号的集成感知与通信（ISAC）系统，能够借助共享的基础设施和频谱资源实现无线感知与通信的联合。虽然多基地 ISAC 可以通过空间分布式接收机扩大感知覆盖范围，但密集且动态的杂波会显著降低双基地距离和多普勒估计的性能，从而导致目标定位与速度估计出现误差。本文提出了一种带有杂波抑制的多基地 ISAC 框架，用于高保真地估计目标位置和速度。分布式杂波通过随机分布的散射体建模，这些散射体具有不同的多普勒扩展和雷达截面积，以刻画密集且动态的杂波效应。本文评估了多种传统信号处理基线方法用于杂波抑制，结果表明它们在强杂波条件下鲁棒性有限。为克服这一局限，本文引入了基于深度学习的杂波抑制方法，通过采用残差和注意力增强的深度神经网络架构，直接从受杂波污染的观测中增强目标响应，从而提高对密集且动态杂波的鲁棒性。在多基地 ISAC 的各种杂波条件下，这些方法在目标位置和速度估计方面显著优于传统方法。
| 主题： | 网络与互联网架构（cs.NI）；人工智能（cs.AI）；机器学习（cs.LG）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.40586 [cs.NI] |
| （或本版本的 arXiv:2610.40586v1 [cs.NI]） | |
| https://doi.org/10.48550/arXiv.2610.40586 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yalin E. Sagduyu [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 17:47:02 UTC（362 KB）
来源：arXiv cs.AI · arxiv.org