Deep Unfolding Learning Aided ISAC Transceiver Design
Notice bibliographique
Résumé
Integrated sensing and communication (ISAC) can enhance spectral efficiency and facilitate the diverse emerging applications via sharing the same spectrum and hardware between communication and sensing. However, effective operation of ISAC may suffer from high complexity. In this paper, we develop a low-complexity deep unfolding learning-aided transceiver design scheme for ISAC in a cluttered environment. In particular, we optimize the transmit waveform and receive filtering to minimize the weighted sum of multi-user interference power and the reciprocal of sensing signal-to-interference-plus-noise ratio (SINR), while adhering to the constraints of a constant modulus signal and waveform similarity. An alternating direction method of multipliers (ADMM)-based iterative algorithm is first developed to address this non-convex optimization problem with both equality and inequality constraints. To further reduce the computational complexity, we develop two deep unfolding neural networks (NNs), termed ADMM-DL-NET and ADMM-PGD-NET, to handle this problem, which can unfold the underlying ADMM-based iterative algorithm to a lightweight neural network with learnable parameters and eliminate the need for the bisection method by adopting the Uzawa’s method and projected gradient descent, respectively. Simulation results demonstrate that our proposed deep unfolding NNs can achieve comparable performance to the ADMM-based iterative algorithm with significantly reduced complexity, and outperform the unsupervised learning benchmarks in performance and number of learnable parameters.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 0,001 |
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 ».