【技术实现步骤摘要】
本专利技术属于通信感知一体化波形设计领域，涉及一种基于深度展开学习的低复杂度通信感知一体化波形的设计方案，具体是将传统的交替方向乘子法展开成深度神经网络来实现在线一体化波形设计，通过联合优化以下两个方面：发射波形和反射面相移，从而最小化系统的多用户干扰和波形差异的加权和。
技术介绍
1、如今，无线设备的指数级增长加剧了频谱拥塞，需要有效的技术来解决这个问题。幸运的是，集成传感与通信(integrated sensing and communication,isac)正在成为一种很有前途的解决方案来缓解频谱稀缺和提高频谱效率。具体地，通信和传感被集成到一个统一的平台中，共享相同的频谱和硬件。因此，isac在能耗、硬件尺寸、频谱效率和干扰方面优于分离的设定，使其能够赋能无线通信中的各种应用，如车联网、物联网和智能家居。波形设计作为isac的重要组成部分，旨在获得用于通信和传感目的的双功能波形。通常波形设计方案可分为以雷达为中心、以通信为中心和联合设计方案。
2、另一方面，深度学习(deep learning,dl)在计算机视觉、机器翻译等多个领域取得了巨大的成功，展示了强大的非线性拟合和自动特征提取能力。此外，低复杂度的推理过程使深度学习能够在线部署。在此启发下，深度学习有望以数据驱动的方式处理复杂的优化问题，绕过复杂的数学推导，促进算法在线部署。由于求解优化问题本质上是寻找问题实例与对应解之间的映射关系，深度神经网络(deep neural networks,dnns)有望借助强大的拟合能力来建模复杂的映射关系。文献[
3、然而，这些神经网络可以被视为没有足够可解释性的黑盒，需要大量的训练样本来微调模型参数。这对其在无线通信中的广泛应用提出了巨大挑战，特别是在训练样本有限的场景下。如何提高深度神经网络的可解释性并降低训练样本需求进而实现广泛应用是一个关键问题。文献[p.krishnananthalingam,n.t.nguyen,and m.juntti,"deepunfolding enabled constant modulus waveform design for joint communicationsand sensing,"arxiv preprint arxiv:2306.14702,2023.]设计了一个基于梯度下降法的深度展开学习来求解恒模波形设计问题，但是没有考虑智能反射面，且难以推广到多变量优化场景。因此，需要研究智能反射面辅助的波形设计问题。
4、而本专利技术结合深度展开学习的诸多优点，将迭代算法与深度神经网络结合来优化双功能波形，不仅可以降低计算复杂度，还可以使得求解质量更高。本专利技术以最小化系统的多用户干扰和波形差异的加权和为目标，对系统中的参数进行了合适的设计，进而能够根据模型参数生成最优的网络设计以最小化系统的多用户干扰和波形差异的加权和。
技术实现思路
1、本专利技术的目的是为了求解智能反射面辅助的通感一体化系统的多用户干扰和波形差异的加权和最小化问题。在网络模型中，双功能基站发射一体化波形来感知一个特定的目标和服务k个地面用户，由于严重的阻塞，从双功能基站到用户没有直接通信链路。因此，部署具有m个反射元的智能反射面来建立双功能基站到用户的虚拟直射链路，具体方案如示意图1所示。基于此模型本专利技术提供一种联合发射波形、和智能反射面的无源波束赋形的设计方法，以实现系统多用户干扰和波形差异的加权和的最大化。
2、为达到上述技术目的，本专利技术采用的技术方案如下：
3、一种深度展开学习的通信感知一体化波形设计方法，所述设计方法通过一体化基站发射一体化波形来实现通信感知一体化的功能；基于交替方向乘子法的思想，将原问题分解为四个子问题求解，推导出每个子问题的闭式解；为进一步降低计算复杂度，将设计的迭代算法展开成神经网络并引入可学习超参数。具体包括以下步骤：
4、第一步，构建系统模型：
5、(1.1)双功能基站发射一体化波形来感知一个特定的目标和服务k个地面用户，由于严重的阻塞，从双功能基站到用户没有直接通信链路。因此，部署具有m个反射元的智能反射面来建立双功能基站到用户的虚拟直射链路；
6、(1.2)从双功能基站到智能反射面和从智能反射面到第k个用户的通道分别可以表示为和m表示反射面单元数，nt表示基站天线数。智能反射面的相移矩阵表示为其中表示φ的第m个元素，表示第m个反射单元的相移，j为虚部单位，diag表示对角化操作，m表示反射面单元数。研究l个时隙的波形设计。不是一般性地，通信信道和智能反射面的相移在整个过程中保持不变；
7、(1.3)用户在l个时隙内接收信号可以表示为：
8、y＝hx+w, (1)
9、其中，为一体化波形，xl表示第l个时隙的波形向量，表示噪声矩阵，其中表示第l个时隙的噪声向量，σ2表示噪声功率，l表示时隙数，表示从双功能基站到用户的等效信道，(·)t表示转置操作；
10、设为用户期望的通信符号，公式(1)可重写为：
11、
12、其中，(hx-s)表示多用户干扰。因此，对于第k个用户，其每时隙的信干噪比可以写成：
13、
14、其中为数学期望，s(k,l)表示第k个用户在第l个时隙的期望信号，xl表示第l个时隙的发射波形，σ2表示噪声功率，k和l分别表示用户索引和时隙索引。从公式(3)中我们可以观察到，对于给定的功率不变的s，可以通过最小化多用户干扰能量来最大化γk。因此，采用多用户干扰能量作为通信性能指标。
15、为了获得满意的感知性能，发射波形应具有良好的自相关特性和较高的峰旁瓣比。然而，直接优化具有满意感知能力的一体化波形可能是困难的。作为补救措施，传统的雷达波形，如调频连续波波形可以作为参考波形。此外，一体化波形的感知性能可以通过波形差异来评价：
16、
17、其中，x0表示参考的调频连续波波形，表示为：
18、
19、在公式(5)中，p表示发射功率；θ0表示目标的角度，为指向目标的导向向量；表示调频连续波波形，其中，fs表示采样频率，ν表示调频斜率率，f0表示载波频率，j表示虚部单位，l表示时隙索引；
20、公式(4)可以看出，‖x-x0‖f越小，感知性能本文档来自技高网...
【技术保护点】
1.一种深度展开学习辅助的通信感知一体化波形设计方法，其特征在于，所述设计方法通过一体化基站发射一体化波形来实现通信感知一体化的功能；包括以下步骤：
2.根据权利要求1所述的一种深度展开学习辅助的通信感知一体化波形设计方法，其特征在于，所述的第一步，构建系统模型，具体如下：
3.根据权利要求1所述的一种深度展开学习辅助的通信感知一体化波形设计方法，其特征在于，所述第三步，设计算法求解优化问题，具体如下：
4.根据权利要求3所述的一种深度展开学习辅助的通信感知一体化波形设计方法，其特征在于，所述的第三步(3.4)具体如下：
【技术特征摘要】
1.一种深度展开学习辅助的通信感知一体化波形设计方法，其特征在于，所述设计方法通过一体化基站发射一体化波形来实现通信感知一体化的功能；包括以下步骤：
2.根据权利要求1所述的一种深度展开学习辅助的通信感知一体化波形设计方法，其特征在于，所述的第一步，构建系统模型，具体如...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。