Multiuser Association and Localization Over Doubly Dispersive Multipath Channels for Integrated Sensing and Communications
Notice bibliographique
Résumé
Supporting multiuser communication and localization is a typical scenario in Integrated sensing and communications (ISAC). However, the problem of multi-echo induced by multipath and multiuser makes it hard to determine the relationship between user equipments (UEs) and these echoes. Thus, applying traditional estimation algorithms at the radar receiver inevitably leads to weak communication and localization performances due to the mismatch between echoes and UEs. In this paper, aiming to achieve multiuser association and localization under doubly dispersive multipath channels, we construct an ISAC unified waveform based on the orthogonal delay-Doppler division multiplexing (ODDM) principle and develop an off-grid cluster sparse Bayesian learning estimation (OG-CSBL) algorithm. Particularly, we focus on the mono-static setup, where the base station (BS) expects to communicate with multiuser while sensing their locations. We utilize the high-resolution range profile (HRRP) to characterize the physical features of UEs and establish associations with their echoes by exploiting the inherent cluster structure. To estimate parameters, we design a hybrid Dirichlet process (DP)-Gaussian hierarchical prior distribution and propose a variational Bayesian inference (VBI)-EM strategy. Additionally, we develop a backtrack echo identification scheme to facilitate precise UE localization. Simulation results demonstrate that the proposed scheme achieves superior NMSE performance, offers meter-level localization accuracy, and obtains better BER performance in the complex multiuser coexistence scenario.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».