arXiv 论文提出多基地 ISAC 深度学习杂波抑制方法
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题与场景
论文关注的是利用 5G 及以后信号的机会式多基地 ISAC 系统：多个空间分布的接收端共享基础设施与频谱，在通信的同时完成无线感知，从而扩大感知覆盖范围。但代价是杂波的影响更复杂——密集且动态的杂波会显著降低双基地距离与多普勒估计的精度，最终反映为目标定位和速度估计出错。作者没有回避这一难点，而是把杂波本身作为建模对象，用随机分布的散射体来刻画，并让这些散射体具有不同的多普勒扩展和雷达截面积，以贴近真实环境中杂波密集且随时间变化的特征。
传统基线的局限
在方法对比上，论文先系统评测了一批传统信号处理的杂波抑制基线。这些基线在杂波较弱的条件下尚可使用，但在强杂波场景中鲁棒性明显不足，说明仅靠经典信号处理手段难以应对多基地构型下分布式的动态杂波。这一结论为后续引入学习方法提供了直接动机：与其在信号处理链条上继续修补，不如让网络从受污染的观测中学习如何突出目标响应。
网络结构与效果
作者提出的深度学习杂波抑制方法采用残差与注意力增强的深度神经网络架构，输入是受杂波污染的观测，输出是经过增强的目标响应，再用于位置与速度估计。论文报告称，在多种杂波条件下，这些方法在目标位置和速度估计上明显超过传统方案。材料未给出具体的网络规模、训练数据量或误差指标数值，因此无法进一步量化提升幅度；论文同时归入网络与互联网架构、人工智能、机器学习与信号处理等分类，说明其定位横跨通信与学习两个方向。
为什么值得看
把深度学习用于 5G 及以后信号的多基地感知杂波抑制，给出了与传统信号处理基线的直接对比，对做 ISAC 与无线感知的…
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。