Signal Enhancement and Suppression Schemes for Bi-Static ISAC With IRS-Mounted Target
Notice bibliographique
Résumé
Integrated sensing and communication (ISAC) has evolved as a critical paradigm to enhance the dual functions concurrently. However, ISAC may encounter performance limitations, due to undesired channel conditions, small target size, and security threats. In this paper, we investigate intelligent reconfigurable surface (IRS)-aided bi-static ISAC networks, where the IRS is mounted directly on the target surface, and analyze the signal enhancing and suppressing effects of the target-mounted IRS, respectively. First, we maximize the sensing signal-to-noise ratio (SNR) while satisfying the users’ communication requirements by jointly optimizing the transmit beamforming and IRS reflection. To solve this optimization problem, an alternating optimization algorithm is employed to decouple the optimization variables, followed by the application of successive convex approximation and penalty dual decomposition to solve the subproblems. Second, we consider two threatening scenarios where two adversarial base stations (BSs) intend to capture the information reflected by the target. In the first scenario where the adversarial receiving BS attempts to exploit the reflected ISAC signal, we minimize its received power via optimizing the transmit beamforming and the IRS reflection alternately. In the second scenario where the adversarial transmitting BS emits a dedicated signal to detect the target, we focus on optimizing the IRS reflection. Simulation results are presented to show the effectiveness of the proposed schemes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».