Simulationsbasierte Leistungsallokation für integrierte Sensing- und Kommunikationssysteme zur Balance zwischen Kommunikationskapazität und Zielerkennung

Zusammenfassung

Dieses Protokoll beschreibt eine simulationsbasierte Methode zur Optimierung der Leistungszuweisung in integrierten Sensing- und Kommunikationssystemen unter Verwendung eines Multi-Objektiv-Optimierungsmodells und eines erweiterten Butterfly-Optimierungsalgorithmus, um die Kommunikationskapazität und die Zielidentifikationsleistung unter verschiedenen Betriebsbedingungen auszugleichen.

Zusammenfassung

Integrierte Sensing- und Kommunikationssysteme (ISAC) erfordern eine effiziente Leistungsverteilung, um bei begrenzten Spektrum- und Leistungsressourcen die Kommunikationsqualität und die Sensingleistung auszugleichen. Herkömmliche Methoden mit gleichmäßiger Leistungsverteilung erreichen oft keinen wirksamen Kompromiss zwischen Kanalkapazität der Kommunikation und Erkennungswahrscheinlichkeit von Zielen (PDP), da sie die unterschiedlichen Ziele von Kommunikation und Sensing nicht ausreichend berücksichtigen. Diese Studie schlägt eine simulationsbasierte Leistungsverteilungsstrategie für ein OFDM-basiertes ISAC-System vor, die auf einem normalisierten mehrzielorientierten Optimierungsansatz basiert. Ein verbesserter Schmetterlings-Optimierungsalgorithmus (BOA), der Strategien mit dynamischer Umschaltwahrscheinlichkeit und dynamischer Varianz-Gaußscher Mutation integriert, wird eingesetzt, um die globale Suchfähigkeit, die Konvergenzgeschwindigkeit und die Lösungsvielfalt zu verbessern. Numerische Simulationen wurden unter verschiedenen Gewichtungsfaktoren für die Kommunikation, Antennenkonfigurationen, Anzahlen von Subträgern und Signal-Rausch-Verhältnissen durchgeführt, um den vorgeschlagenen Ansatz zu bewerten. Die optimierte Strategie zeigte ein verbessertes Konvergenzverhalten und lieferte gleichzeitig in mehreren Simulationsszenarien einen ausgewogenen Kompromiss zwischen Kanalkapazität und PDP. Diese Ergebnisse zeigen, dass der vorgeschlagene Optimierungsrahmen simulationsbasierte Ressourcenallokation für OFDM-basierte ISAC-Systeme effektiv unterstützen kann und gleichzeitig eine reproduzierbare Methodik zur Bewertung der Kompromisse zwischen Kommunikation und Sensing unter verschiedenen Betriebsbedingungen bereitstellt.

Einleitung

Mit der rasanten Ausweitung drahtloser Kommunikationsdienste und dem steigenden Bedarf an leistungsfähigen Radarsensoren ist der Konflikt zwischen begrenzten Spektrumressourcen und wachsenden Anforderungen an Dienstleistungen immer deutlicher hervorgetreten. Gleichzeitig haben die Miniaturisierung und Integration elektronischer Geräte integrierte Erkennungs- und Kommunikationssysteme (Integrated Sensing and Communication, ISAC) weiter vorangetrieben. Folglich hat sich ISAC zu einer bedeutenden Forschungsrichtung in elektronischen Informationssystemen entwickelt^1,2,3. Durch die gemeinsame Nutzung von Spektrum- und Hardware-Ressourcen ermöglicht ISAC die gleichzeitige Übertragung von drahtlosen Kommunikationsdaten und Radarsignalen, wodurch die spektrale Effizienzgrenzen herkömmlicher Einzelsysteme überwunden und die Ressourcennutzung in komplexen Szenarien verbessert wird⁴. Die Orthogonal Frequency Division Multiplexing (OFDM)-Technik ist eine weit verbreitete Multiträgermodulationstechnik, die die Spektrumnutzung verbessert und eine hohe Robustheit gegenüber Mehrwegeinterferenzen bietet. Aufgrund dieser Vorteile hat sich OFDM zur bevorzugten Wellenform für ISAC-Systeme entwickelt. Die resultierende OFDM-ISAC-Architektur schafft eine zuverlässige Wellenformgrundlage für die koordinierte Implementierung von Kommunikations- und Sensing-Funktionen^5,6. Demgemäß hat eine beträchtliche Forschungstätigkeit sich auf dieses Thema konzentriert.

Um die Effizienz der Kommunikation und die Leistungsfähigkeit der Sensorik zu verbessern, schlugen Wen et al.⁷ eine Leistungsverteilungsmethode (PAM) für OFDM-basierte ISAC-Systeme in freier Sichtverbindung vor. Ihre Ergebnisse belegten die Wirksamkeit der Methode und verdeutlichten den Kompromiss zwischen Kommunikations- und Sensorleistung. Wang et al.⁸ entwickelten eine auf Deep Learning basierende Optimierungsmethode zur Leistungsverteilung für OFDM-ISAC-Systeme, um die Symbolfehlerrate der Kommunikation sowie die Cramér-Rao-Untergrenze für die gemeinsame Schätzung von Verzögerung und Doppler-Effekt zu minimieren, wodurch die Kommunikationsleistung verbessert wurde. Um eine ausgewogene Kommunikations- und Sensorleistung zu erreichen, entwarfen AlKhansa et al.⁹ eine dynamische PAM für die Schätzung der Laufzeit (time-of-arrival) in OFDM-ISAC-Systemen, und numerische Ergebnisse bestätigten die Bedeutung der Berücksichtigung mehrerer Sensorbeschränkungen. He et al.¹⁰ formulierten ein Max-Min-Optimierungsproblem für mehrträgerbasierte OFDM-ISAC-Systeme und entwickelten einen iterativen Optimierungsalgorithmus auf Grundlage der sukzessiven konvexen Approximation, um das entstehende nicht-konvexe Problem zu lösen, wodurch die Kommunikationsleistung verbessert wurde. Liao et al.¹¹ schlugen einen recheneffizienten Sende-Beamformer für ISAC vor, der auf einer gewichteten Kombination eines linearen Präkodierers und eines vordefinierten Array-Beamformers basiert, und zeigten dabei eine günstige Recheneffizienz sowie Gesamtleistung.

Trotz dieser Fortschritte basieren die meisten OFDM-ISAC-Systeme weiterhin auf einer gleichmäßigen Leistungszuweisung, was die Gesamtsystemleistung begrenzt, wenn Kommunikations- und Sensing-Funktionen gleichzeitig betrieben werden. Eine Leistungszuweisungsstrategie, die die Kapazität des Kommunikationskanals maximiert, kann die Ziel-Erkennungsleistung verringern, während eine ausschließlich auf die Erkennungswahrscheinlichkeit (PDP) optimierte Strategie übermäßige Leistung für das Sensing auf Kosten der Kommunikationsqualität bereitstellen kann. Außerdem können herkömmliche gewichtete Summen-Optimierungsverfahren aufgrund der unterschiedlichen physikalischen Dimensionen von Kommunikationskanalkapazität und PDP deren relative Beiträge nicht ausreichend ausbalancieren, was die Gesamtleistung von OFDM-ISAC-Systemen einschränkt. Diese Studie untersucht die Sendeleistungs-Zuweisung in OFDM-ISAC-Systemen, um trotz dieser Dimensionsunterschiede die Kanalkapazität und PDP gemeinsam zu optimieren. Das vorgeschlagene OFDM-ISAC-P-Modell normalisiert beide Zielfunktionen und wendet einstellbare Gewichtungsfaktoren an, um die Vergleichbarkeit der Optimierung zu verbessern. Um die Grenzen des herkömmlichen Butterfly-Optimierungsalgorithmus (BOA) zu überwinden – darunter feste Parameter, langsames Konvergenzverhalten und Anfälligkeit für lokale Optima – werden Strategien mit dynamischer Umschaltwahrscheinlichkeit (DSP) und dynamischer Varianz-Gaußscher Mutation (DVGM) integriert, um die Suchanpassungsfähigkeit zu erhöhen. Die Studie vermutet, dass die Kombination einer normalisierten multikriteriellen Optimierung mit dem verbesserten BOA eine stabilere Pareto-Gleichgewichts-Leistungszuweisung ermöglicht als die herkömmliche gleichmäßige Leistungszuweisung oder der Standard-BOA. Zu den Hauptbeiträgen dieser Studie zählen die Entwicklung eines normalisierten multikriteriellen Modells zur Leistungszuweisung, ein erweitertes, auf BOA basierendes Optimierungsframework sowie die simulationsbasierte Validierung anhand von Szenarien mit Mehrantennen-, Multiträger- und intelligenten Transportsystemen.

Protokoll

Diese Studie umfasste lediglich mathematische Modellierung, Algorithmusentwicklung und numerische Simulationen für ein OFDM-ISAC-System. Es waren keine menschlichen Teilnehmer, Tiere, biologischen Proben oder personenbezogenen Daten beteiligt. Daher war eine Genehmigung durch eine institutionelle Ethikkommission, einschließlich einer Genehmigung durch eine Institutional Review Board (IRB) oder eine Institutional Animal Care and Use Committee (IACUC), nicht erforderlich.

Entwurf eines Leistungsverteilungsmodells für das auf Orthogonal Frequency Division Multiplexing basierende integrierte Erkennungs- und Kommunikationssystem

In ISAC-Systemen verteilen traditionelle gleichmäßige PAMs die Übertragungsleistung oft gleichmäßig auf jeden Kanal und jede Antenne während der gleichzeitigen Kommunikation und Sensorik, ohne deren unterschiedliche Leistungsanforderungen zu berücksichtigen. Dadurch könnte übermäßige Leistung auf ineffiziente Übertragungsverbindungen zugewiesen werden und die heterogenen Anforderungen von Kommunikations- und Sensordiensten möglicherweise nicht erfüllt werden, was die gesamte Leistungsausnutzungseffizienz verringert^12,13,14. Daher berücksichtigt diese Studie die dualen Funktionsziele des Systems, indem Kommunikationskanalkapazität und PDP gemeinsam optimiert werden. Ein mehrzielorientierter Optimierungsansatz wird entwickelt, um eine Leistungszuweisungsstrategie für das OFDM-basierte ISAC-System zu erstellen, die als OFDM-ISAC-P-Modell bezeichnet wird. OFDM ist eine effiziente Multiträgermodulationstechnik, die aus einem Sender- und einem Empfängerende besteht. Der OFDM-Prozess ist in Abbildung 1 dargestellt.

Abbildung 1. Signalverarbeitungsablauf der Orthogonal Frequency Division Multiplexing (OFDM)-Wellenform, die im Integrated Sensing and Communication (ISAC)-System verwendet wird. Der Ablauf umfasst Datenkodierung, Interleaving, Symbolzuordnung, Serien-Parallel-Konvertierung, inverse schnelle Fourier-Transformation (IFFT), Einfügung des zyklischen Präfixes (CP), Hochfrequenzübertragung (RF), drahtlose Kanalausbreitung, HF-Empfang, Entfernung des zyklischen Präfixes (CP), schnelle Fourier-Transformation (FFT), Kanalgleichstellung, Demapping, Deinterleaving, Dekodierung und Datenwiederherstellung. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

In Abbildung 1 dienen OFDM-Signale als gemeinsame Wellenform für Kommunikation und Sensorik aufgrund ihrer hohen Spektrumnutzung und starken Widerstandsfähigkeit gegen Mehwegeinterferenzen und ermöglichen somit die einheitliche Übertragung einer Wellenform für beide Funktionen^15,16,17. Unter Vernachlässigung des spektralen Formungseffekts der Fensterfunktion wird die gesendete OFDM-Wellenform unter Verwendung der Trägerfrequenz, der Anzahl der Teilträger, der komplexen Gewichte der Teilträger für die Leistungszuweisung, der Codierung des Kommunikationssignals sowie des Abstands zwischen den Teilträgern konstruiert. Die Systembandbreite wird durch den Abstand zwischen den Teilträgern und die Anzahl der Teilträger bestimmt¹⁸. Der Prozess der Erzeugung des Kommunikationssignals wird wie folgt festgelegt: Binäre Informationsbits werden zunächst mithilfe eines Low-Density-Parity-Check-(LDPC)-Kodierungsschemas codiert, um die Übertragungssicherheit zu erhöhen, und anschließend mittels Quadratur-Phasenumtastung (QPSK) auf komplexe Symbole abgebildet. Die modulierten Symbole werden gemäß der optimierten Leistungszuweisungsstrategie den OFDM-Teilträgern zugeordnet. Nach der Durchführung der inversen schnellen Fourier-Transformation (IFFT) und dem Einfügen eines zyklischen Präfixes (CP) wird die OFDM-Kommunikationswellenform im Zeitbereich erzeugt und gemeinsam mit dem Sensorsignal übertragen. Während aller Simulationen bleibt die Modulations- und Codierungskonfiguration unverändert. Die in dieser Studie verwendete ISAC-Systemkonfiguration ist in Abbildung 2 dargestellt.

Abbildung 2. Systemkonfiguration des OFDM-basierten integrierten Erkennungs- und Kommunikationssystems (ISAC). Das Diagramm zeigt das Sende- (Tx-)Array, das Empfangs- (Rx-)Array, den direkten Sichtverbindungskanal (LoS), den Ziel-Echo-Erkennungsweg, den Bodenreflexionspfad, den Himmelsreflexionspfad sowie repräsentative Hindernisse in der simulierten Ausbreitungsumgebung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Das System besteht aus einem Sende-Antennenarray und einem Empfangs-Antennenarray. Die Signalübertragung erfolgt über zwei Hauptpfade. Der erste ist der Sichtverbindungspfad (Line-of-Sight, LoS), bei dem das Signal direkt vom Sende- zum Empfangsarray übertragen wird. Der zweite ist der Reflexionspfad, bei dem ein Teil des Signals vom Boden reflektiert wird und das Empfangsarray erreicht, während ein anderer Teil über einen Himmelsreflexionspfad läuft, bevor er das Empfangsarray erreicht^19,20,21. Das System ist ein LoS-dominantes Multi-Antennen-OFDM-ISAC-System, bei dem die Empfänger für Kommunikation und Sensorik unterschiedliche Antennenkonfigurationen verwenden können. Obwohl Abbildung 2 mögliche Ausbreitungskomponenten zeigt, einschließlich des direkten LoS-Pfads und pfadbezogener Reflexionen, berücksichtigen das mathematische Modell und die Simulationen lediglich den dominierenden LoS-Kommunikationskanal und den Ziel-Echo-Sensorikkanal. Boden- und Himmelsreflexionen werden als Hintergrundausbreitungseffekte behandelt und nicht als separat optimierte Nicht-Sichtverbindungskanäle (NLoS). Die Kanalimpulsantwortmatrix wird unter der Annahme einer LoS-dominanten Verbindung definiert, wobei Mehrempfangseffekte durch Fading, Dopplerverschiebung und Rauschterme dargestellt werden. Auf Grundlage dieser Kanalimpulsantwortmatrix sowie des gesendeten Signals und des Kanalrauschmodells wird das empfangene Kommunikationssignal in Gleichung 1 ausgedrückt.

Hier stellt n_c,m Gaußsches weißes Rauschen dar, S_m bezeichnet das übertragene Signal und H_c,m die Antwortmatrix des Kommunikationskanals.

In der Erfassungsfunktion des ISAC-Systems besteht der Signalübertragungsweg aus zwei Stufen. Die erste Stufe ist die Übertragung vom Sender zum Ziel, die zweite ist der Echoweg, bei dem das reflektierte Signal über den Erfassungskanal vom Ziel zurück zum Empfänger gelangt^22,23,24. Für die m-te Unterkreisfrequenz beschreibt die Kanalimpulsantwortmatrix die Signalausbreitung und wird als Gleichung 2 ausgedrückt:

Hier stellt b_s den Fading-Koeffizienten des Sensing-Echo-Pfads dar, f_s,m bezeichnet die reflektierte Doppler-Frequenzverschiebung und τ_s repräsentiert die Laufzeitverzögerung des Reflexionspfads. Basierend auf der Kanalantwortmatrix des Sensors wird das empfangene Sensorsignal als Gleichung 3 ausgedrückt:

Hier stellt n_s,m Gaußsches weißes Rauschen im Erfassungskanal dar.

In drahtlosen Kommunikationssystemen sind eine effiziente Spektrumplanung und Ressourcenallokation entscheidend, um die Gesamtsystemleistung zu verbessern²⁵. Daher verwendet diese Studie die Kanalkapazität der Kommunikation als primäres Konstruktionskriterium. Ein Optimierungsmodell wird aufgestellt, um die Kanalkapazität zu maximieren, indem die gesamte Sendeleistung gemäß der vorgeschlagenen Strategie zur Ressourcenallokation auf die OFDM-Subträger verteilt wird, wie in Gleichung 4 dargestellt.

Das Optimierungsproblem der Kommunikation wird wie folgt formuliert (Gleichung 4):

unterworfen

Hier stellt σ_c² die Rauschvarianz des Kommunikations-Gauß-Kanals dar, P bezeichnet die gesamte Übertragungsleistung der Kommunikation, P_c den optimalen Vektor zur Leistungszuweisung in der Kommunikation, a_m das der m-ten Subträgerfrequenz zugewiesene Gewicht und N_c die Anzahl der Subträgerfrequenzen.

Die mit der WA erhaltene optimale Lösung wird als Gleichung 5 ausgedrückt:

Hier bezeichnet die optimale Leistungszuweisung für den m-ten Kommunikationsunterkanal, g_m das Verhältnis von Kanal- zu Rauschverstärkung des m-ten Kommunikationsunterkanals und μ_c den Wasserstand der WA.

Gemäß der in Abbildung 3 dargestellten Wasserverteilung erhalten Subkanäle mit höheren Kanalverstärkungen, die kleineren inversen Kanalverstärkungen entsprechen, eine größere Sendeleistung unterhalb des gewählten Wasserstandes. Dadurch kann das System günstige Kanalbedingungen nutzen, die Gesamtleistungsbeschränkung einhalten und die gesamte Kommunikationskapazität verbessern. Folglich erhalten Subkanäle mit besseren Kanalbedingungen mehr Leistung, während Subkanäle mit schlechteren Bedingungen weniger erhalten. Durch diese adaptive Leistungszuweisungsstrategie nutzt die Wasserverteilung die Kanalressourcen effizient, um die Kommunikationsleistung zu verbessern.

Abbildung 3. Prinzip des Water-Filling-Algorithmus (WA) zur Zuweisung der Sendeleistung in der Kommunikation. Die horizontale Achse stellt die OFDM-Unterkanäle dar, die vertikale Achse die inverse Kanalverstärkung und die zugeordnete Sendeleistung. Der Wasserpegel bestimmt die Sendeleistung, die jedem Unterkanal unter der Gesamtbeschränkung der Übertragungsleistung zugewiesen wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Für das Erfassungsziel ist eine geeignete Leistungszuweisungsstrategie unerlässlich, wenn die Falschalarmwahrscheinlichkeit festgelegt ist. Eine optimierte Leistungszuweisungsstrategie verbessert die Erfassungsleistung, indem sie die Genauigkeit der Zieldetektion erhöht. Der Erfassungsprozess erfordert eine Hypothesenprüfung unter der Hypothese des Zielvorhandenseins (H₁) und der Hypothese des Zielnichtvorhandenseins (H₀). Unter diesen Hypothesen wird das empfangene Signal für jeden Subträger während des k-ten Pulses durch Gleichung 6 ausgedrückt:

Hier bezeichnet y den Sensorbeobachtungsvektor, A repräsentiert die Diagonalmatrix diag(a₀, a₁, …, a_Nc−1), D(v) bezeichnet die Diagonalmatrix, die die Doppler-Frequenzverschiebung des Ziels enthält, β repräsentiert den Vektor der Reflexionskoeffizienten des Ziels und n_s bezeichnet weißes Gaußsches Rauschen im Sensor-Kanal.

Die Wahrscheinlichkeitsdichtefunktionen unter H₀ und H₁ werden anschließend ausgewertet. Für eine vorgegebene Fehlalarmwahrscheinlichkeit wird die PDP auf Grundlage dieser beiden Hypothesen berechnet. Gemäß der Detektionstheorie des Likelihood-Verhältnisses wird daraufhin ein verallgemeinerter Detektor für das maximale Likelihood-Verhältnis abgeleitet, um die PDP zu maximieren.

Der verallgemeinerte Maximum-Likelihood-Quotientendetektor wird als Gleichung 7 ausgedrückt:

Hier bezeichnen l_G und L_G die verallgemeinerte Likelihood-Quotient-Detektionsstatistik bzw. die Likelihood-Quotient-Funktion, y^H stellt die hermitesch Transponierte von y dar, und γ₀ bezeichnet die Detektionsschwelle. Während des Detektionsprozesses wird die Schwelle verwendet, um zu bestimmen, ob die Hypothese des Vorhandenseins des Ziels (H₁) oder die Hypothese des Fehlens des Ziels (H₀) angenommen wird. Der Zusammenhang zwischen der Erkennungsschwelle und der Zieldetektionswahrscheinlichkeit ist in Abbildung 4 dargestellt.

Abbildung 4. Zusammenhang zwischen der Erkennungsschwelle des Sensors und der Wahrscheinlichkeit der Zielentdeckung. Die Wahrscheinlichkeitsdichtefunktionen unter der Hypothese „Ziel nicht vorhanden“ und der Hypothese „Ziel vorhanden“ sind zusammen mit der zur Hypothesenprüfung verwendeten Erkennungsschwelle dargestellt. Die schattierten Bereiche entsprechen den Entscheidungsbereichen, die mit der Falschalarmwahrscheinlichkeit und der Wahrscheinlichkeit der Zielentdeckung assoziiert sind. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 4 gezeigt, steht der PDP in direktem Zusammenhang mit der nichtzentralen komplexen Chi-Quadrat-Verteilung. Bei einer festen Falschalarmwahrscheinlichkeit (d. h. der maximal zulässigen Wahrscheinlichkeit für eine falsche Detektion) ist der Nichtzentralitätsparameter positiv mit dem PDP korreliert. Folglich verbessert eine Erhöhung des Nichtzentralitätsparameters die Wahrscheinlichkeit, das Zielsignal korrekt zu detektieren. Aufgrund dieses Zusammenhangs wird die gesamte Sendeerkennungsleistung als Leistungsbegrenzung betrachtet, während die Maximierung des Nichtzentralitätsparameters als Optimierungsziel gewählt wird. Das sich ergebende beschränkte Optimierungsproblem dient zur Ableitung der optimalen Strategie zur Leistungszuweisung bei der Signalerkennung und wird als Gleichung 8 ausgedrückt:

wobei α den unter der Leistungsbegrenzung ermittelten optimalen Sende-Gewichtungsvektor für die Sensorik bezeichnet und zugleich den Sende-Gewichtungsvektor für die Sensorik-Trägerschwingung darstellt, B(v, β) den Sensorik-Informationsvektor bezeichnet und P die gesamte Sendeleistung für die Sensorik repräsentiert.

Die Optimierung zeigt, dass die optimale Strategie zur Leistungszuweisung für die Sensorik die Leistung nicht auf mehrere Teilkanäle verteilt. Stattdessen wird die gesamte verfügbare Sendeleistung für die Sensorik demjenigen Teilkanal zugewiesen, der durch Kanalbewertung als der mit der besten Sensorleistung identifiziert wurde, wodurch die Ziel-Erkennungsleistung in einem einzelnen Kanal maximiert wird.

In dem OFDM-ISAC-System ist die Leistungszuweisung die zentrale Optimierungsaufgabe, und die optimale Strategie muss die Konstruktionsanforderungen sowohl der Kommunikation als auch der Sensorik erfüllen. Insbesondere berücksichtigt die Optimierung simultan Leistungskenngrößen der Kommunikation, wie die Bitfehlerrate und die Kanalkapazität, sowie Leistungskenngrößen der Sensorik, wie die PDP und die Genauigkeit der Parameterschätzung. Die Gesamtsystemleistung wird durch koordinierte Ressourcenverteilung verbessert. Allerdings weist die direkte Kombination der optimalen Leistungszuweisungsstrategien für Kommunikation und Sensorik mittels herkömmlicher gewichteter Summenoptimierung erhebliche Einschränkungen auf. Da die unterschiedlichen physikalischen Dimensionen und relativen Beiträge der beiden Leistungskenngrößen nicht ausreichend berücksichtigt werden, spiegelt die resultierende Optimierung möglicherweise nicht genau die Anforderungen integrierter Kommunikations-Sensorik-Systeme wider^26,27.

Daher schlägt diese Studie einen integrierten Designrahmen basierend auf normalisierter Gewichtung vor. Zunächst werden die Metriken für Kommunikations- und Sensing-Leistung normalisiert, um die Auswirkungen inkonsistenter Dimensionen zu eliminieren. Anschließend werden die Gewichtungskoeffizienten entsprechend dem Anwendungsszenario angepasst, um eine ausgewogenere Leistungszuweisung zu erreichen. Die mathematische Formulierung des normalisierten OFDM-ISAC-P-Modells ist in Gleichung 9 angegeben:

Hier bezeichnet w den Kommunikationsgewichtungsfaktor, F_c den optimalen Zielfunktionswert, der aus dem Kommunikations-Optimierungsproblem gewonnen wurde, p_m die dem m-ten OFDM-Teilträger zugewiesene Leistung, g_m die äquivalente Kanal-Rausch-Verstärkung des m-ten Kommunikationsteilträgers, P die gesamte Sendeleistung, F_s den optimalen Zielfunktionswert, der aus dem Sensorik-Optimierungsproblem gewonnen wurde, und b_m das m-te Element des Sensorikvektors B(v, β).

Der Kommunikationsgewichtungsfaktor w zusammen mit seinem komplementären Sensorik-Gewichtungsfaktor (1 − w) dient als einstellbarer Gestaltungsparameter, der die relative Bedeutung der Kapazität des Kommunikationskanals und der PDP unter verschiedenen Anwendungsszenarien widerspiegelt^28,29. In dieser Studie wird w als konfigurierbarer Parameter auf Szenarienebene und nicht als zeitvariabler Steuervariable behandelt. Entsprechend ist w für jedes Simulationsszenario festgelegt (z. B. w = 0,5 für ausgewogene Kommunikations- und Sensorikleistung und w = 0,8 für kommunikationsorientierten Betrieb). Der verbesserte BOA wird anschließend verwendet, um die entsprechende Leistungsverteilung zu optimieren. Daher bezieht sich der Begriff „dynamischer Gewichtungsfaktor“ darauf, unterschiedliche Gewichtungsfaktoren für verschiedene Betriebsszenarien auszuwählen, anstatt eine Echtzeit-Anpassung während der Algorithmusausführung zu implementieren.

Lösung des Leistungsoptimierungsmodells für das auf orthogonalen Frequenzmultiplexverfahren basierende integrierte Erkennungs- und Kommunikationssystem unter Verwendung des verbesserten Schmetterlings-Optimierungsalgorithmus

Nach der Erstellung des OFDM-ISAC-P-Modells wird das verbesserte BOA verwendet, um das Optimierungsproblem zu lösen. Das BOA weist eine einfache Struktur auf, ist leicht zu implementieren und verfügt über eine starke globale Suchfähigkeit. Es ahmt das Nahrungsverhalten von Schmetterlingen nach und nutzt einen Lévy-Flug-Mechanismus, um den Suchraum effizient zu erkunden. Der Algorithmus erfordert relativ wenige Parametereinstellungen, wodurch er für eine breite Palette von Optimierungsproblemen geeignet ist. Das herkömmliche BOA kann jedoch vorzeitig in lokale Optima konvergieren, ist empfindlich gegenüber Parametereinstellungen und erfordert oft viele Iterationen bei der Lösung hochdimensionaler Optimierungsprobleme³⁰. Daher werden in dieser Studie die Mutationsstrategie und das Optimierungsverfahren verbessert.

Um die globale Erkundung während des frühen Optimierungsstadiums zu verbessern, wird eine DSP-Strategie eingeführt. In den anfänglichen Iterationen fördert eine relativ geringe Umschaltwahrscheinlichkeit die Erkundung des Suchraums. Mit zunehmender Anzahl an Iterationen wird die Umschaltwahrscheinlichkeit schrittweise angepasst, um die lokale Ausnutzung zu verstärken und die Konvergenz zu verbessern. Der DSP ist in Gleichung 10 definiert:

wobei α den Anfangswert des DSP, t die aktuelle Iterationszahl und β den Steuerungskoeffizienten bezeichnet. Diese adaptive Strategie erhöht die Populationsvielfalt in der frühen Optimierungsphase, erweitert den Suchraum und verringert die Wahrscheinlichkeit einer vorzeitigen Konvergenz zu lokalen Optima. Im Verlauf der Optimierung verschiebt sich die Suche schrittweise von der globalen Erkundung zur lokalen Ausnutzung.

Um die Optimierungsleistung weiter zu verbessern, wird das DVGM in den Algorithmus integriert. Während der frühen Iterationen wird eine relativ große Mutationsvarianz angewandt, um den Suchbereich zu erweitern und die globale Erkundung zu verbessern. Während die Optimierung fortschreitet, wird die Mutationsvarianz schrittweise verringert, um die Genauigkeit der lokalen Suche zu erhöhen und die Konvergenz zu fördern. Die maximale Varianz σ_max und die minimale Varianz σ_min sind in Gleichung 11 definiert:

Die verbesserten globalen und lokalen Suchstrategien sind in Gleichung 12 zusammengefasst:

Hier bezeichnet normrnd(0, σ(t)) eine gaußsche Zufallszahl mit einem Mittelwert von 0 und einer Varianz σ(t), und f_i stellt den Duft-Parameter dar, der das Suchverhalten des Schmetterlings steuert. Nach Einbindung der DSP- und DVGM-Strategien wird der verbesserte BOA erhalten, wie in Abbildung 5 veranschaulicht.

Abbildung 5. Ablauf des verbesserten Butterfly Optimization Algorithm (BOA). Der Optimierungsprozess umfasst die Initialisierung, Erzeugung der Population, Bewertung der Fitness, Dynamische Wechselwahrscheinlichkeit (DSP), globale und lokale Suchvorgänge, Dynamische Varianz-Gaußsche Mutation (DVGM), Aktualisierung der Lösung, Konvergenzbeurteilung und Ausgabe der optimalen Lösung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5 veranschaulicht die beiden in den BOA integrierten Verbesserungsstrategien: DSP und DVGM. Die DSP-Strategie passt die Umschaltfrequenz zwischen globaler und lokaler Suche adaptiv an. In der frühen Optimierungsphase betont der Algorithmus die globale Erkundung, um die Populationsvielfalt zu erhöhen und die Wahrscheinlichkeit zu verbessern, aussichtsreiche Lösungsbereiche zu identifizieren. Im Verlauf der Optimierung verlagert sich die Suche schrittweise hin zur lokalen Nutzung, um die Konvergenz zu beschleunigen. Die DVGM-Strategie stört das derzeit beste Individuum, wodurch die Fähigkeit zur lokalen Suche verbessert, die Lösungsvielfalt erhöht und die Wahrscheinlichkeit verringert wird, vorzeitig in lokale Optima zu konvergieren.

Wenn der verbesserte BOA zur Lösung des OFDM-ISAC-P-Modells angewendet wird, werden die Optimierungsvariablen zunächst codiert, eine initiale Population generiert und jedem Individuum eine Kandidatenstrategie für die Leistungszuweisung zugewiesen. Der gesamte Optimierungsablauf ist in Abbildung 6 dargestellt.

Abbildung 6. Ablauf des verbesserten Schmetterlings-Optimierungsalgorithmus (BOA) zur Lösung des Leistungszuweisungsmodells für OFDM-basierte integrierte Sensorik und Kommunikation (OFDM-ISAC). Der Prozess umfasst die Initialisierung der Parameter, die Codierung von vorgeschlagenen Leistungszuweisungsvektoren, die Erzeugung der Population, die Bewertung der Fitness, die iterative Aktualisierung der Lösung, die Beurteilung der Konvergenz sowie die Ausgabe der optimalen Leistungszuweisungsstrategie. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 6 gezeigt, beginnt die Optimierung mit der Anwendung der DSP-Strategie zur Durchführung einer iterativen Optimierung. In den frühen Iterationen steht die globale Erkundung im Vordergrund, um verschiedene Leistungszuweisungskombinationen für das OFDM-ISAC-System zu untersuchen. In den späteren Iterationen verlagert sich die Suche schrittweise hin zur lokalen Ausnutzung, um vielversprechende Kandidatenlösungen zu verfeinern und gleichzeitig die Gesamtsendeleistungsbegrenzung einzuhalten. Anschließend wird die DVGM-Strategie auf die derzeit beste Lösung angewandt, um lokale Optima zu verlassen und die Vielfalt der Lösungen aufrechtzuerhalten. Während des gesamten Optimierungsprozesses dienen die Kommunikations- und Sensing-Zielfunktionen zur Bewertung der Eignung jeder Kandidatenlösung, wobei qualitativ hochwertigere Individuen für die nächste Iteration beibehalten werden. Die Optimierung wird fortgesetzt, bis das vordefinierte Abbruchkriterium erfüllt ist. Die endgültige optimale Lösung stellt die Leistungszuweisungsstrategie dar, die das beste Gleichgewicht zwischen Kommunikationsleistung und Zielentdeckungsleistung bietet.

Einstellungen zur Reproduzierbarkeit

Um die Reproduzierbarkeit zu verbessern, werden die Simulationsparameter, Initialisierungseinstellungen, Nebenbedingungen und Abbruchkriterien detailliert festgelegt. Alle Experimente wurden unter Ubuntu 22.04 LTS mit Python 3.10, PyTorch 2.1, NumPy 1.26, CVXPY 1.4 und MATLAB R2023b durchgeführt (siehe Tabelle der Materialien). Die in dieser Studie verwendeten Simulationsparameter und die Rechenumgebung sind in Tabelle 1 zusammengefasst, während die detaillierte Konfiguration der OFDM-ISAC-Simulationsparameter in Zusatz-Tabelle 1 angegeben ist. In den Simulationen wurde eine Rauschleistungsdichte von −174 dBm/Hz, 64 Teilträger, 16 OFDM-Symbole, eine Trägerfrequenz von 4 GHz, ein Teilträgerabstand von 15 kHz, acht Sendeantennen und maximal 10.000 Iterationen verwendet. Das Leistungszuweisungsverhältnis wurde im Bereich von 0–1 mit einer Auflösung von 0,01 initialisiert und normalisiert, um die Gesamtsendeleistungsbeschränkung einzuhalten. Das Kommunikationsgewicht, das Sensing-Gewicht und die Genauigkeit des mehrschichtigen Vorwissens wurden auf 0,2, 0,3 bzw. 0,5 festgelegt. Die Optimierungsnebenbedingungen umfassten nichtnegative Benutzerleistungszuweisung, begrenzte Gesamtsendeleistung, begrenzte Bandbreite und eine Falschalarmwahrscheinlichkeit in der Größenordnung von 10⁻³. Die Optimierung wurde beendet, sobald entweder die maximale Anzahl an Iterationen erreicht war oder die relative Änderung der Zielfunktion zwischen zwei aufeinanderfolgenden Iterationen unter 10⁻⁴ fiel. Alle Experimente mit zufälliger Initialisierung und Kanalstörungen verwendeten feste Zufallsseeds und wurden unabhängig voneinander 30-mal wiederholt.

Parameter	Wert	Beschreibung
Trägerfrequenz	4 GHz	OFDM-Trägerfrequenz.
Kommunikationscodierungs-/Modulationsschema	Quadratur-Phasenumtastung (QPSK) mit Kanalcodierung mittels Low-Density Parity-Check (LDPC)	Verfahren zur Erzeugung des Kommunikationssignals, das zur Reproduktion der gesendeten OFDM-Wellenform verwendet wird.
Kommunikationsgewichtung	0,2	Gewichtung, die dem Kommunikationsziel zugewiesen wird.
Falschalarmwahrscheinlichkeit	10⁻³	Falschalarmwahrscheinlichkeit, die als Optimierungsnebenbedingung für die Sensorik verwendet wird.
Hardwareplattform	Intel Core i7-13700 CPU, NVIDIA RTX 4070 GPU, 32 GB RAM	Rechenplattform, die für die Simulationen verwendet wurde.
ISAC-Simulations-Benchmark-Datensatz	Nicht zutreffend. Alle Benchmark-Daten wurden durch numerische Simulationen generiert.	Benchmark-Datensatz zur Leistungsbewertung.
Maximale Anzahl an Iterationen	10.000	Maximale Anzahl an Optimierungsiterationen.
Genauigkeit der mehrschichtigen A-priori-Information	0,5	A-priori-Parameter, der während der Optimierung verwendet wird.
Rauschleistungsdichte	−174 dBm/Hz	Spektrale Rauschdichte des Kommunikationskanals.
Anzahl der OFDM-Symbole	16	Anzahl der OFDM-Symbole pro Rahmen.
Anzahl der OFDM-Teilträger	64	Anzahl der OFDM-Teilträger.
Betriebssystem	Ubuntu 22.04 LTS	Rechenumgebung.
Optimierungssoftware	CVXPY 1.4	Paket für konvexe Optimierung.
Auflösung der Leistungsverteilung	0,01	Auflösung der initialisierten Leistungsverteilungsverhältnisse.
Programmiersprache	Python 3.10	Programmiersprache, die für die Implementierung der Simulation verwendet wurde.
Zufallsstartwert (Random seed)	Festgelegt	Festgelegter Zufallsstartwert für alle Simulationen.
Wiederholte Durchläufe	30	Anzahl unabhängiger Simulationsdurchläufe zur statistischen Analyse.
Wissenschaftliche Rechenbibliothek	NumPy 1.26	Bibliothek für numerische Berechnungen.
Sensorgewichtung	0,3	Gewichtung, die dem Sensorikziel zugewiesen wird.
Simulationsplattform	MATLAB R2023b	Plattform zur numerischen Simulation und Visualisierung.
Abbruchkriterium	Maximale Iterationen oder relativer Zielwertwechsel < 10⁻⁴	Abbruchkriterium für die Optimierung.
Teilträgerabstand	15 kHz	Abstand zwischen OFDM-Teilträgern.
Bibliothek für Tensorberechnungen	PyTorch 2.1	Rahmenwerk für Tensorberechnungen, das für Matrix- und Tensoroperationen verwendet wird.
Gesamtanzahl der Sendeantennen	8	Anzahl der Sendeantennen.

Tabelle 1: Simulationsparameter und Rechenumgebung für die Orthogonal Frequency Division Multiplexing (OFDM)-basierten Integrated Sensing and Communication (ISAC)-Simulationen. Die Tabelle fasst die Wellenformparameter, Optimierungsparameter, Simulationseinstellungen, Rechenumgebung, Software, Datensätze und weiteren Simulationsbedingungen zusammen, die in der Studie verwendet wurden.

Sofern nicht anders angegeben, werden prozentuale Verbesserungen, die als „um X % gesteigert“ angegeben sind, als relative Prozentsteigerungen unter Verwendung von Gleichung 13 berechnet:

Bei wahrscheinlichkeits- oder ratenbasierten Leistungsmetriken, wie der PDP, werden absolute Veränderungen explizit als Anstieg in Prozentpunkten (pp) angegeben. Beispielsweise wird ein Anstieg von 46 % auf 63 % als +17 pp berichtet, während +37,0 % die entsprechende relative prozentuale Steigerung bezeichnet, berechnet mit 46 % als Bezugsbasis.

Ergebnisse

Leistungstest des verbesserten Butterfly-Optimierungsalgorithmus

Bevor die Wirksamkeit des OFDM-ISAC PAM bewertet wurde, erfolgte die Bewertung des verbesserten BOA. Als Vergleichsalgorithmen wurden das herkömmliche BOA, der Whale Optimization Algorithm (WOA) und die Particle Swarm Optimization (PSO) ausgewählt. Für die Benchmark-Bewertung wurden der Mittelwert und die Standardabweichung als Leistungskennzahlen verwendet, mit zwei unimodalen Benchmark-Funktionen ( und ) sowie zwei multimodalen Benchmark-Funktionen ( und ). Die für die Optimierungsalgorithmen verwendeten Benchmark-Einstellungen werden im Folgenden beschrieben. Die Problem-Dimension war auf festgelegt, die maximale Anzahl an Iterationen betrug 500 und die Populationsgröße war 30. Jeder Algorithmus wurde 30-mal unabhängig ausgeführt, um den Mittelwert und die Standardabweichung zu berechnen. Dabei bezeichnet die -te Entscheidungsvariable, und das theoretische globale Optimum aller Benchmark-Funktionen ist null. Zur Bewertung der Optimierungsleistung des verbesserten BOA wurden vier Standard-Benchmark-Funktionen ausgewählt. Insbesondere entsprechen und den Sphere- und Schwefel-2.22-Funktionen, die häufig zur Beurteilung der globalen Konvergenzfähigkeit von Optimierungsalgorithmen verwendet werden. Die multimodalen Benchmark-Funktionen und entsprechen den Rastrigin- und Ackley-Funktionen, die üblicherweise zur Bewertung der globalen Erkundungsfähigkeit und der Fähigkeit, lokale Optima zu vermeiden, herangezogen werden. Die mathematischen Definitionen dieser Benchmark-Funktionen sind in Gleichung 14 angegeben, und die entsprechenden Referenzen zu den Benchmarks werden bereitgestellt.

Um die Leistungsbilanzierungsfähigkeit der normalisierten Gewichtungsstrategie bei unterschiedlichen Kommunikationsgewichtungsfaktoren zu bewerten, wurde der Kommunikationsgewichtungsfaktor zwischen 0,2 und 0,8 variiert, wobei ein fester Signal-Rausch-Abstand (SNR) von 15 dB und eine 4 × 4 Sende-/Empfangsantennenkonfiguration beibehalten wurden. Die Optimierungsleistung des verbesserten BOA wurde mit der des herkömmlichen BOA verglichen. Die erzielten Kommunikations- und Sensing-Leistungen bei verschiedenen Kommunikationsgewichtungsfaktoren sind in Tabelle 2 zusammengefasst.

Kommunikationsgewichtungsfaktor	Kapazität des Kommunikationskanals (bps/Hz)	Zieldetektionswahrscheinlichkeit (%)	IBOA-Konvergenziterationen	BOA-Konvergenziterationen	Gesamtleistungsverbrauch (%)	Abstand zur Pareto-Front
0.2	12.4	93.7	110	243	98.6	0.033
0.4	15.7	88.5	103	229	99	0.027
0.5	17.3	82.1	97	216	99.4	0.02
0.6	18.8	75.4	90	202	99.7	0.016
0.7	20	68.6	82	194	99.9	0.011
0.8	21.6	61.5	76	183	100	0.009

Tabelle 2: Kommunikations- und Sensing-Leistung unter verschiedenen Kommunikationsgewichtungsfaktoren. Die Tabelle fasst den Kommunikationsgewichtungsfaktor, die Kommunikationskanalkapazität (bps/Hz), die Ziel-Erkennungswahrscheinlichkeit (%), die Konvergenziterationen des verbesserten Schmetterlings-Optimierungsalgorithmus (IBOA) und des konventionellen Schmetterlings-Optimierungsalgorithmus (BOA), die gesamte Leistungsauslastung (%) sowie den Abstand zur Pareto-Front zusammen.

Wie in Tabelle 2 dargestellt, erhöhte sich die Kapazität des Kommunikationskanals um 74,2 %, während der PDP um 34,4 % sank, als der Kommunikationsgewichtungsfaktor von 0,2 auf 0,8 erhöht wurde, was die Fähigkeit der Gewichtungsstrategie zeigt, den Kompromiss zwischen Kommunikations- und Sensing-Leistung anzupassen. Die verbesserte BOA konvergierte schneller als die herkömmliche BOA, mit durchschnittlich 93 Konvergenziterationen, was eine Verringerung um 56,0 % bei der durchschnittlichen Anzahl der für die Konvergenz erforderlichen Iterationen im Vergleich zur herkömmlichen BOA darstellt. Zusätzlich nahm der Abstand zur Pareto-Front mit steigendem Kommunikationsgewichtungsfaktor ab. Beispielsweise verringerte sich der Abstand zur Pareto-Front von 0,020 bei einem Kommunikationsgewichtungsfaktor von 0,5 auf 0,009 bei 0,8, was darauf hinweist, dass sich die optimierten Lösungen den entsprechenden pareto-optimalen Arbeitspunkten annähern, wenn der Kommunikationsgewichtungsfaktor steigt. Ein geringerer Abstand zur Pareto-Front bei einem höheren Kommunikationsgewichtungsfaktor (z. B. 0,8) repräsentiert eine Lösung, die stärker auf die Kommunikationskapazität abzielt, während ω = 0,5 einen ausgewogeneren Kompromiss zwischen der normierten Kommunikationskapazität und dem PDP darstellt. Demgemäß wird ω = 0,5 als repräsentativer ausgewogener Arbeitspunkt betrachtet und nicht als eindeutiges globales Minimum des Abstands zur Pareto-Front. Die Konvergenzleistung unter den unimodalen Benchmark-Funktionen ist in Abbildung 7 dargestellt.

Abbildung 7. Konvergenzverhalten der Optimierungsalgorithmen bei unimodalen Benchmark-Funktionen. (A) Funktion f₁. (B) Funktion f₂. Die horizontale Achse zeigt die Anzahl der Iterationen, die vertikale Achse den durchschnittlichen Fitnesswert. Die Kurven vergleichen den verbesserten Schmetterlings-Optimierungsalgorithmus (IBOA), den herkömmlichen Schmetterlings-Optimierungsalgorithmus (BOA), den Wal-Optimierungsalgorithmus (WOA) und die Partikelschwarmoptimierung (PSO). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7A zeigt die Ergebnisse für die unimodale Funktion f₁, während Abbildung 7B die Ergebnisse für die unimodale Funktion f₂ darstellt. Zur Bewertung der Optimierungsleistung wurde die durchschnittliche Fitness-Konvergenz verwendet, ausgedrückt als Abnahme der Standardabweichung. Die verbesserte BOA, die herkömmliche BOA, WOA und PSO wurden unter identischen Benchmark-Bedingungen evaluiert. Basierend auf 30 unabhängigen Durchläufen zeigte eine einfaktorielle Varianzanalyse, gefolgt von Tukeys post-hoc-Test mit Holm-Bonferroni-Korrektur, eine signifikant niedrigere endgültige Konvergenzvarianz für die verbesserte BOA im Vergleich zur herkömmlichen BOA, WOA und PSO, wobei statistisch signifikante Unterschiede nach der Holm-Bonferroni-Korrektur beobachtet wurden (adjustierter p < 0,05). Bei den unimodalen Benchmark-Funktionen verringerte sich die Konvergenzvarianz der Algorithmen WOA und PSO langsamer als bei den BOA-basierten Methoden. Für die Funktion f₁ erreichten sowohl die verbesserte BOA als auch die herkömmliche BOA sehr niedrige Endwerte der Fitness; die verbesserte BOA erreichte dieses Niveau jedoch früher im Optimierungsprozess. Für die Funktion f₂ konvergierten alle Algorithmen langsamer, wobei die verbesserte BOA nach 500 Iterationen den niedrigsten Endwert der Fitness erreichte. Die Konvergenzergebnisse für die multimodalen Benchmark-Funktionen sind in Abbildung 8 dargestellt.

Abbildung 8. Konvergenzverhalten der Optimierungsalgorithmen bei multimodalen Benchmark-Funktionen. (A) Funktion mf₁. (B) Funktion mf₂. Die horizontale Achse zeigt die Anzahl der Iterationen, die vertikale Achse den durchschnittlichen Fitnesswert. Die Kurven vergleichen den verbesserten Schmetterlings-Optimierungsalgorithmus (IBOA), den herkömmlichen Schmetterlings-Optimierungsalgorithmus (BOA), den Wal-Optimierungsalgorithmus (WOA) und die Partikelschwarmoptimierung (PSO). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 8A zeigt die Ergebnisse für die multimodale Funktion mf₁, während Abbildung 8B die Ergebnisse für die multimodale Funktion mf₂ darstellt. Bei den multimodalen Benchmark-Funktionen zeigte der verbesserte BOA eine bessere Konvergenzstabilität als die vergleichenden Algorithmen. Basierend auf 30 unabhängigen Durchläufen wurden nach Korrektur nach Holm-Bonferroni statistisch signifikante Unterschiede zwischen dem verbesserten BOA und den vergleichenden Algorithmen beobachtet (adjustierter p < 0,05). Die vorgeschlagenen DSP- und DVGM-Strategien verbesserten die globale Suchfähigkeit des BOA. Der konventionelle BOA wies bei den multimodalen Benchmark-Funktionen eine Leistung auf, die näher an der des verbesserten BOA lag als bei den unimodalen Benchmark-Funktionen, was auf eine verbesserte Eignung für multimodale Optimierungsprobleme hindeutet. Insgesamt übertraf der verbesserte BOA die vergleichenden Algorithmen bei allen evaluierten Benchmark-Funktionen und wurde anschließend zur Lösung des OFDM-ISAC-Leistungsoptimierungsmodells eingesetzt.

Alle Optimierungsalgorithmen wurden für jede Benchmark-Funktion unabhängig 30-mal ausgeführt. Endgültige Konvergenzwerte werden als Mittelwert ± Standardabweichung angegeben. Eine einfaktorielle Varianzanalyse wurde verwendet, um die vier Optimierungsalgorithmen zu vergleichen, gefolgt von Tukeys post-hoc-Test für paarweise Vergleiche mit Holm-Bonferroni-Korrektur für Mehrfachvergleiche. Angepasste p-Werte werden berichtet, und ein p < 0,05 galt als statistisch signifikant.

Simulationsanalyse der Leistungszuweisung in einem auf Orthogonal Frequency Division Multiplexing basierenden integrierten Sensing- und Kommunikationssystem

Nach der Bewertung des Optimierungsalgorithmus wurde die Wirksamkeit der OFDM-ISAC-Leistungszuweisungsstrategie durch numerische Simulationen weiter analysiert. In den Simulationsexperimenten wurden die Sendeantenne, die Kommunikationsantenne und die Sensorempfangsantenne des Systems jeweils auf vier festgelegt, bezeichnet mit B, T und R. Die Änderungen der Kommunikationskanalkapazität und der PDP bei verschiedenen Antennenkonfigurationen sind in Abbildung 9 dargestellt. Sofern nicht anders angegeben, wurde für alle Simulationen in diesem Abschnitt dasselbe LoS-dominante OFDM-ISAC-Kanalmodell verwendet, das im Abschnitt Methoden beschrieben ist. Die Antennenkonfigurationen wurden lediglich variiert, um Skalierbarkeit und vergleichende Leistung zu bewerten. Insbesondere diente die Single-Input-Single-Output-(SISO)-Konfiguration als Referenzbenchmark, die 2-Sende-2-Empfangs-(2T2R)-Konfiguration der Überprüfung der Unterkarrierensensitivität und die 4-Sende-4-Empfangs-(4T4R)-Konfiguration der primären Mehrantennenkonfiguration zur Bewertung der Kommunikations- und Sensingleistung.

Abbildung 9. Auswirkungen der Antennenkonfiguration auf die Kommunikations- und Erfassungsleistung bei unterschiedlichen Signal-Rausch-Verhältnissen (SNRs). (A) Kanalkapazität (bps/Hz) in Abhängigkeit vom SNR. (B) Ziel-Detektionswahrscheinlichkeit in Abhängigkeit vom SNR. Die Kurven vergleichen die vorgeschlagene Leistungszuweisungsmethode mit gleichmäßiger Leistungszuweisung unter Verwendung verschiedener Sende- und Empfangsantennenkonfigurationen. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Wie in Abbildung 9A gezeigt, stieg die Kanalkapazität mit der Anzahl der Antennen. Wenn die Anzahl der Sende- und Empfangsantennen von zwei auf vier erhöht wurde, stieg die Kanalkapazität bei einem SNR von 20 dB von etwa 20 bps/Hz auf nahezu 60 bps/Hz an, was den durch die Mehrantennenkonfiguration erzielten räumlichen Multiplexgewinn widerspiegelt. Abbildung 9B zeigt, dass bei verschiedenen Konfigurationen von Sende- und Empfangsantennen die mit der vorgeschlagenen optimalen PAM erhaltene PDP durchgängig höher war als die mit gleichmäßiger Leistungszuweisung erhaltene. Bei einem SNR von 10 dB und vier Sendenantennen näherte sich die PDP des vorgeschlagenen Verfahrens dem theoretischen Optimum von 1 an, während die gleichmäßige PAM deutlich niedriger blieb. Die verbesserte BOA maximiert die Likelihood-Quotientenfunktion durch iterative Optimierung, passt dynamisch das Leistungszuweisungsverhältnis zwischen den Sendenantennen an und weist Antennen mit stärkeren Antworten mehr Sendeleistung zu, während die Leistung für schwächere Antworten reduziert wird, wodurch die Ziel-Erkennungsleistung verbessert wird.

Wenn sowohl die Kommunikations- als auch die Sensing-Sende- und -Empfangsantennen als 4T4R konfiguriert waren, wurde das Leistungsoptimierungsmodell des OFDM-ISAC-Systems bewertet. Die Kommunikationskanalkapazität und die PDP, die unter verschiedenen Kommunikationsgewichtungsfaktoren erzielt wurden, sind in Abbildung 10 dargestellt.

Abbildung 10. Einfluss des Kommunikationsgewichtungsfaktors auf die Leistungsfähigkeit von Kommunikation und Sensorik. (A) Kanalkapazität in Abhängigkeit vom Signal-Rausch-Verhältnis (SNR). (B) Detektionswahrscheinlichkeit für das Ziel in Abhängigkeit vom SNR. Die Kurven vergleichen die vorgeschlagene Methode, eine gleichmäßige Leistungsverteilung sowie Kommunikationsgewichtungsfaktoren von 0,3 und 0,8. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Abbildung 10A zeigt, dass die Kanalkapazität der Kommunikation bei verschiedenen PAMs variierte, wenn sowohl die Kommunikations- als auch die Sensing-Antennenkonfiguration 4T4R betrug. Die Kanalkapazität der Kommunikation stieg für alle evaluierten PAMs mit zunehmendem SNR. Bei einem SNR von 20 dB betrugen die Kanalkapazitäten etwa 13 bps/Hz für die vorgeschlagene Methode, 40 bps/Hz für die gleichmäßige Leistungszuweisung, 42 bps/Hz bei einem Kommunikationsgewichtungsfaktor von 0,3 und 38 bps/Hz bei einem Kommunikationsgewichtungsfaktor von 0,8. Abbildung 10B zeigt, dass die PDP für alle evaluierten PAMs mit steigendem SNR anstieg und bei einem SNR von 20 dB den Wert 1 annäherte. Diese Ergebnisse zeigen, dass der Kommunikationsgewichtungsfaktor den Kompromiss zwischen Kanalkapazität der Kommunikation und Sensing-Leistung beeinflusst.

Anschließend wurden vergleichende Simulationen durchgeführt, um die Wirksamkeit der vorgeschlagenen Methode weiter zu bewerten. Als Referenzbenchmark wurde das herkömmliche OFDM-PAM unter der SISO-Architektur ausgewählt (im Folgenden als vergleichende Methode bezeichnet) und mit der Leistungszuweisungsstrategie verglichen, die mithilfe des vorgeschlagenen OFDM-ISAC-P-Modells erhalten wurde. Bei einem Kommunikationsgewichtungsfaktor von 0,8 sind die Kommunikationskanalkapazität und die PDP bei verschiedenen Antennenkonfigurationen in Abhängigkeit vom SNR in Abbildung 11 dargestellt.

Abbildung 11. Kommunikations- und Sensorleistung bei Verwendung unterschiedlicher Antennenkonfigurationen. (A) Kanalkapazität in Abhängigkeit von der Signal-zu-Rausch-Verhältnis (SNR). (B) Ziel-Detektionswahrscheinlichkeit in Abhängigkeit von SNR. Die Kurven vergleichen die vorgeschlagene Methode mit einer, zwei und vier Sende-/Empfangsantennenkonfigurationen zusammen mit der Vergleichsmethode. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Abbildung 11A zeigt, dass die Kanalkapazität für die Kommunikation bei vier Sendeantennen und einem Kommunikationsgewichtungsfaktor von 0,8 bei einer SNR von 20 dB etwa 67 bps/Hz erreichte. Bei der 2T2R-Konfiguration betrug die Kanalkapazität für die Kommunikation etwa 48 bps/Hz, während die SISO-Konfiguration etwa 37 bps/Hz erreichte. Die Erhöhung der Anzahl der Antennen führte somit zu einer Steigerung der Kanalkapazität für die Kommunikation. Abbildung 11B zeigt, dass bei einer SNR von 20 dB die PDP bei der 4T4R-Konfiguration nahe bei 1,00 lag, bei der 2T2R-Konfiguration etwa 0,98 betrug und bei der SISO-Konfiguration ebenfalls etwa 0,98 betrug. Diese Ergebnisse belegen eine verbesserte Leistung hinsichtlich Kommunikation und Sensorik bei Mehrantennenkonfigurationen im Vergleich zum SISO-Referenzbenchmark. Die SISO-Konfiguration in Abbildung 11 wurde lediglich als Referenzbenchmark aufgenommen. Das vorgeschlagene OFDM-ISAC-P-Modell wurde für Mehrantennensysteme formuliert, während die 2T2R- und 4T4R-Konfigurationen verwendet wurden, um die Leistungsgewinne durch die Skalierung der Antennenanzahl unter derselben Annahme eines LoS-dominanten Kanals zu bewerten.

Abschließend wurde die Effektivität des OFDM-ISAC-P-Modells unter verschiedenen Systemparameterkonfigurationen bewertet, indem die Anzahl der Subträger (64, 128 und 256) variiert wurde. Die Gesamtbandbreite wurde konstant bei 20 MHz gehalten, während der Subträgerabstand invers zur Anzahl der Subträger angepasst wurde. Die Antennenkonfiguration betrug 2T2R, und das LoS-Kanalmodell wurde verwendet. Die Kommunikationskanalkapazität und die PDP, ermittelt unter verschiedenen SNR-Werten (0, 10 und 20 dB), wurden zwischen der vorgeschlagenen Methode und der gleichmäßigen Leistungszuweisung verglichen. Die entsprechenden Ergebnisse sind in Tabelle 3 zusammengefasst.

Methode	Anzahl der Subträger	Kanal­kapazität (bps/Hz)			Erkennungs­wahrscheinlichkeit
		SNR = 0 dB	SNR = 10 dB	SNR = 20 dB	SNR = 0 dB	SNR = 10 dB	SNR = 20 dB
Gleichmäßige Leistungszuweisung	64	0.98	2.35	4.71	0.37	0.72	0.89
	128	1.32	3.11	6.28	0.42	0.76	0.92
	256	1.75	4.02	8.15	0.46	0.8	0.94
Vorgeschlagene OFDM-ISAC-P-Strategie	64	1.53	3.89	7.62	0.52	0.88	0.98
	128	2.15	5.23	10.15	0.58	0.91	0.99
	256	2.87	6.71	13.28	0.63	0.94	0.99

Tabelle 3: Vergleich der Kommunikationskanalkapazität und der Zielerkennungswahrscheinlichkeit für eine gleichmäßige Leistungszuweisung und die vorgeschlagene Leistungszuweisungsstrategie bei unterschiedlichen Signal-Rausch-Verhältnissen (SNRs) und Anzahlen von OFDM-Subträgern. Die Kommunikationskanalkapazität wird in bps/Hz angegeben, die Zielerkennungswahrscheinlichkeit als Wahrscheinlichkeit (0–1).

Wie in Tabelle 3 gezeigt, hatte die Erhöhung der Anzahl der Subträger einen erheblichen Einfluss auf die Systemleistung. Bei der Konfiguration mit 256 Subträgern erreichte das vorgeschlagene Verfahren eine Kanalkapazität von 13,28 bps/Hz bei einem SNR von 20 dB, was einer Steigerung um 74,3 % gegenüber der Konfiguration mit 64 Subträgern entspricht, während die PDP vergleichbar blieb. Dies zeigt, dass die Erhöhung der Anzahl der Subträger die Kommunikationsleistung verbesserte, ohne die Sensingleistung wesentlich zu beeinträchtigen. Bei gleicher Anzahl an Subträgern übertraf das vorgeschlagene Verfahren die gleichmäßige Leistungszuweisung durchgängig. Beispielsweise stieg bei 128 Subträgern und einem SNR von 10 dB die Kanalkapazität um 68,2 % und die PDP um 19,7 % im Vergleich zur gleichmäßigen Leistungszuweisung, was die Wirksamkeit der vorgeschlagenen Leistungsallokationsstrategie unter verschiedenen Systemparameterkonfigurationen belegt. Selbst unter der Bedingung eines niedrigen SNR von 0 dB mit 64 Subträgern blieb die Kanalkapazität um 56,1 % höher als bei gleichmäßiger Leistungszuweisung, was darauf hinweist, dass das vorgeschlagene Modell die Systemleistung unter verschiedenen Subträgerkonfigurationen effektiv verbessert und gleichzeitig eine Vielzahl von Anforderungen an die Spektrumzuweisung unterstützt.

Praktische Analyse des Szenarios der intelligenten Zusammenarbeit zwischen Fahrzeugen und Straßen im Bereich des Verkehrs

Bei der Zusammenarbeit zwischen Fahrzeugen und Straße übernimmt die Straßenrandeinheit (RSU) gleichzeitig zwei Hauptaufgaben. Die erste besteht darin, Fahrzeug-an-alles-Daten (V2X) an mit hohen Geschwindigkeiten fahrende Fahrzeuge (100–120 km/h) zu übertragen, einschließlich Echtzeit-Verkehrsbedingungen, vorübergehender Geschwindigkeitsbegrenzungen und Notbremswarnungen. Die zweite Aufgabe ist die Erkennung defekter Fahrzeuge, Fahrbahnverschmutzungen und anderer Hindernisse innerhalb einer Reichweite von 1–2 km mithilfe von Radarsensoren. Unter diesen Bedingungen verursachen hohe Fahrzeuggeschwindigkeiten erhebliche Doppler-Frequenzverschiebungen im Kommunikationskanal. Folglich müssen unter der verfügbaren Sendeleistung die Kanalkapazität der Kommunikation und die PDP ausgeglichen werden. Die Simulation verwendet eine 4T4R-Antennenkonfiguration, 256 Subträger, eine Bandbreite von 20 MHz und ein kanaldominantes LoS-Modell, was den Annahmen im Methodenteil entspricht. Dieses Szenario bewertet die Störfestigkeit und die Langstrecken-Sensingleistung der vorgeschlagenen Methode unter Bewegung von Hochgeschwindigkeitsfahrzeugen. Die Kanalkapazität der Kommunikation und die PDP wurden bei SNR-Werten von 0 dB und 20 dB bewertet. Die entsprechenden Ergebnisse sind in Abbildung 12 dargestellt.

Abbildung 12. Vergleich der Kommunikations- und Erfassungsleistung zwischen gleichmäßiger Leistungszuweisung und der vorgeschlagenen Methode bei unterschiedlichen Signal-Rausch-Verhältnissen (SNRs). (A) Ergebnisse bei 0 dB. (B) Ergebnisse bei 20 dB. Die Balken zeigen die Kanalkapazität der Kommunikation und die Wahrscheinlichkeit der Zielentdeckung für die beiden Methoden der Leistungszuweisung. Fehlerbalken stellen die aus wiederholten, unabhängigen Simulationen berechnete Standardabweichung (SD) dar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wie in Abbildung 12A dargestellt, erreichte das vorgeschlagene Verfahren unter der Niedrig-SNR-Bedingung von 0 dB (die ungünstige Ausbreitungsbedingungen wie Regen oder dichten Nebel repräsentiert) eine Kanalkapazität von 2,90 bps/Hz, was einer Steigerung um 61,1 % gegenüber der gleichmäßigen Leistungszuweisung (1,80 bps/Hz) entspricht. Die PDP stieg von 46 % auf 63 %, was einer absoluten Verbesserung um 17 Prozentpunkte und einer relativen Verbesserung von 37,0 % (bezogen auf 46 % als Bezugsgröße) entspricht. Abbildung 12B zeigt, dass bei einem SNR von 20 dB das vorgeschlagene Verfahren eine Kanalkapazität von 13,30 bps/Hz erreichte, was einer Steigerung um 60,2 % gegenüber der gleichmäßigen Leistungszuweisung (8,30 bps/Hz) entspricht. Die PDP stieg von 94 % auf 98 %, was einer absoluten Verbesserung um 4 Prozentpunkte und einer relativen Verbesserung von 4,3 % entspricht. Diese Simulationsergebnisse zeigen eine verbesserte Kommunikations- und Sendeempfangsleistung im untersuchten Autobahn-Szenario. Die vorgeschlagene Leistungszuweisungsstrategie gewährleistete eine stabile Kanalkapazität und Ziel-Erkennungswahrscheinlichkeit unter den untersuchten Mehrantennen-Simulationsbedingungen, was auf ihre potenzielle Eignung für OFDM-basierte integrierte Sendeempfangs- und Kommunikationssysteme hinweist.

Im Gegensatz zum Autobahnszenario in Abbildung 12 zeigt Tabelle 4 die Ergebnisse für ein Szenario der Zusammenarbeit zwischen Fahrzeugen, Straße und Fußgängern an einer städtischen Kreuzung. Dieses Szenario berücksichtigt Gebäudeabschattung, häufiges Anhalten und Anfahren von Fahrzeugen, Fußgängerüberwege sowie Mischverkehr mit Elektrofahrzeugen. Daher wurden die SNR-Werte auf 5, 15 und 25 dB festgelegt statt auf 0 und 20 dB. Die entsprechenden Simulationsergebnisse sind in Tabelle 4 zusammengefasst.

Signal-Rausch-Verhältnis (dB)	Methode	Kanalkapazität (bps/Hz)	Erkennungswahrscheinlichkeit (%)	Kommunikationsverzögerung (ms)
5	Gleiche Leistungszuweisung	1.32	42	3.8
	Vorgeschlagene OFDM-ISAC-P-Strategie	2.15	58	2.5
15	Gleiche Leistungszuweisung	3.11	76	2.5
	Vorgeschlagene OFDM-ISAC-P-Strategie	5.23	91	1.8
25	Gleiche Leistungszuweisung	6.28	92	1.9
	Vorgeschlagene OFDM-ISAC-P-Strategie	10.15	99	1.2

Tabelle 4: Vergleich der Kommunikations- und Sensing-Leistung zwischen gleichmäßiger Leistungszuweisung und der vorgeschlagenen Leistungszuweisungsstrategie bei unterschiedlichen Signal-Rausch-Verhältnissen (SNRs). Zu den bewerteten Leistungskennzahlen gehören die Kapazität des Kommunikationskanals (bps/Hz), die Erkennungswahrscheinlichkeit des Ziels (%) und die Kommunikationsverzögerung (ms).

Wie in Tabelle 4 gezeigt, erzielte die vorgeschlagene Methode unter dem simulierten Szenario einer städtischen Kreuzung eine verbesserte Kommunikations- und Sensing-Leistung. Bei einem SNR von 15 dB erreichte die Kapazität des Kommunikationskanals 5,23 bps/Hz, was einer Steigerung um 68,2 % im Vergleich zur gleichmäßigen Leistungszuweisung (3,11 bps/Hz) entspricht. Die entsprechende Kommunikationsverzögerung betrug 1,8 ms, was einer Verringerung um 28,0 % im Vergleich zur gleichmäßigen Leistungszuweisung (2,5 ms) entspricht. Die Ziel-Erkennungswahrscheinlichkeit (PDP) erreichte 91 %, was einer relativen Verbesserung um 19,7 % im Vergleich zur gleichmäßigen Leistungszuweisung (76 %) entspricht. Bei einem SNR von 25 dB erzielte die vorgeschlagene Methode eine Kanalkapazität von 10,15 bps/Hz, was einer Steigerung um 61,6 % im Vergleich zur gleichmäßigen Leistungszuweisung (6,28 bps/Hz) entspricht. Die Kommunikationsverzögerung verringerte sich auf 1,2 ms und die PDP erreichte 99 %. Selbst unter der niedrigeren SNR-Bedingung von 5 dB blieb die Kanalkapazität bei 2,15 bps/Hz, was einer Steigerung um 62,9 % im Vergleich zur gleichmäßigen Leistungszuweisung entspricht, während die Kommunikationsverzögerung bei 2,5 ms verblieb. Diese Simulationsergebnisse zeigen, dass die vorgeschlagene Strategie zur Leistungszuweisung eine effiziente Zuordnung von Kommunikations- und Sensing-Ressourcen sowie eine verbesserte Ziel-Erkennungsleistung im bewerteten Szenario einer städtischen Kreuzung ermöglicht und somit ihre mögliche Anwendung in kooperativen Wahrnehmungssystemen für Fahrzeuge, Straßen und Fußgänger unterstützt.

Um den Rechenaufwand der vorgeschlagenen Methode zu bewerten, wurde die durchschnittliche Optimierungszeit verschiedener Leistungszuweisungsverfahren unter identischen Simulationbedingungen verglichen. Die gleichmäßige Leistungszuweisung wies die geringsten Rechenkosten auf, da keine iterative Optimierung erforderlich war. Die WA erreichte eine schnelle Optimierung für das kommunikationsorientierte Ziel, optimierte jedoch nicht direkt die PDP. Der herkömmliche BOA benötigte mehr Iterationen und längere Optimierungszeit. Im in Tabelle 5 zusammengefassten Vergleich des Rechenaufwands reduzierte die Einbindung der DSP- und DVGM-Strategien die durchschnittliche Anzahl an Konvergenziterationen des verbesserten BOA auf 98, wodurch die Optimierungszeit verringert wurde, während gleichzeitig eine verbesserte Kommunikations- und Sensing-Leistung beibehalten wurde. Die entsprechenden Ergebnisse sind in Tabelle 5 dargestellt.

Leistungszuteilungsverfahren	Primäres Optimierungsziel	Rechenaufwand	Durchschnittliche Anzahl an Konvergenziterationen	Durchschnittliche Optimierungsdauer	Echtzeitfähigkeit
Gleichmäßige Leistungszuteilung	Keins	O(N)	Nicht zutreffend	0,03 ms	Hoch, jedoch schlechte Leistungsbilanz.
WA	Kommunikationskapazität	O(N log N)	Nicht zutreffend	0,18 ms	Hoch, jedoch wird die Sendeempfindlichkeit nicht gemeinsam optimiert.
Herkömmliches BOA	Gemeinsames Kommunikations-Sendeziel	O(PID)	235	12,6 ms	Mäßig.
Verbessertes BOA	Normalisiertes gemeinsames Kommunikations-Sendeziel	O(PID)	98	5,4 ms	Geeignet für langsame Zeitskalen oder Leistungsaktualisierungen auf Rahmenebene.

Tabelle 5: Vergleich der rechnerischen Eigenschaften verschiedener Leistungsverteilungsverfahren. Die Tabelle vergleicht die gleichmäßige Leistungsverteilung, die Water-Filling-Verteilung (WA), den traditionellen Butterfly-Optimierungsalgorithmus (BOA) und den verbesserten Butterfly-Optimierungsalgorithmus (IBOA) hinsichtlich Optimierungsziel, rechnerischer Komplexität, durchschnittlicher Konvergenziterationen, durchschnittlicher Optimierungszeit und Echtzeit-Anwendbarkeit. Dabei bezeichnet N die Anzahl der OFDM-Subträger. Die rechnerische Komplexität der BOA-basierten Verfahren wird als O(PID) ausgedrückt, wobei P die Populationsgröße, I die maximale Anzahl an Iterationen und D die Dimension des Optimierungsproblems darstellt.

Wie in Tabelle 5 gezeigt, wiesen die gleichmäßige Leistungszuweisung und die WA die geringsten Rechenkosten auf, optimierten jedoch nur begrenzte Leistungsziele. Die gleichmäßige Leistungszuweisung berücksichtigte keine Kanalvariationen, während die WA hauptsächlich die Kapazität des Kommunikationskanals optimierte, ohne die PDP gemeinsam zu optimieren. Die verbesserte BOA erforderte einen höheren Rechenaufwand, da sie den Leistungszuweisungsvektor iterativ optimierte. Im Vergleich zur herkömmlichen BOA verringerte sich jedoch die durchschnittliche Anzahl an Konvergenziterationen von 235 auf 98, und die durchschnittliche Optimierungszeit sank von 12,6 ms auf 5,4 ms. Diese Ergebnisse zeigen, dass die vorgeschlagenen Verbesserungen die rechnerische Belastung der BOA verringern, während gleichzeitig eine verbesserte Optimierungsleistung beibehalten wird. Für echtzeitfähige Anwendungen der sechsten Generation (6G) eignet sich die vorgeschlagene Methode besser für die Leistungszuweisung auf Ebene von Frames, Slot-Gruppen oder Szenarien als für die symbolweise sofortige Anpassung. Eine Warm-Start-Initialisierung oder eine Implementierung mit Unterstützung durch Nachschlagetabellen könnte die Entscheidungslatenz in zukünftigen Implementierungen weiter verringern.

Datenverfügbarkeit:

Die die Ergebnisse dieser Studie unterstützenden Daten sind als ergänzendes Material zusammen mit dem Manuskript bereitgestellt. Die Parameterkonfiguration für die OFDM-ISAC-Simulation ist in Ergänzende Tabelle 1 enthalten, und die numerischen Quelldaten, die Abbildungen 7–12 zugrunde liegen, sind in Ergänzende Datendatei 1 enthalten.

Erweiterte Tabelle 1. Konfiguration der Simulationsparameter für das OFDM-basierte integrierte Erkennungs- und Kommunikationssystem (OFDM-ISAC). Diese Tabelle fasst die Simulationsparameter zusammen, die zur Konfiguration des OFDM-ISAC-Systems verwendet wurden, einschließlich Wellenformparameter, Kanaleigenschaften, Einstellungen für Benutzer und Ziele, Antennenkonfiguration sowie Optimierungsparameter, die in den numerischen Simulationen verwendet wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusätzliche Datendatei 1. Numerische Quelldaten zu den Abbildungen 7–12. Die Arbeitsmappe enthält separate Arbeitsblätter mit den numerischen Daten zu den Abbildungen 7–12, einschließlich der Konvergenz- und endgültigen Fitnesswerte für die Optimierungsalgorithmen in den Abbildungen 7 und 8, der Kanalkapazität und der Zielentdeckungswahrscheinlichkeit für die Abbildungen 9–12 sowie der entsprechenden Signal-Rausch-Verhältnisse, Antennenkonfigurationen und Kommunikationsgewichtungsbedingungen, die zur Erstellung der endgültigen Abbildungen verwendet wurden.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Das vorgeschlagene OFDM-ISAC-P-Modell adressiert die Notwendigkeit, die Kanalkapazität der Kommunikation und die PDP unter einer gemeinsamen Sendeleistungsbegrenzung auszugleichen. Bisherige OFDM-basierte ISAC-Studien haben die gemeinsame Zuweisung von Subträgern und Leistung, die Gestaltung gemeinsamer Wellenformen, die dynamische Leistungszuweisung sowie die Kompromisse zwischen Kommunikation und Sensing untersucht^{1,2,7,8,9,10,11,28,29,30}. In der vorliegenden Studie werden die Kommunikations- und Sensing-Ziele normalisiert, um den Einfluss ihrer dimensionalen Unterschiede zu verringern, und einstellbare Gewichtungsfaktoren werden verwendet, um unterschiedliche Prioritäten zwischen Kommunikation und Sensing abzubilden. Der verbesserte BOA, der DSP und DVGM integriert, wird anschließend angewendet, um das resultierende nichtkonvexe Problem der Leistungszuweisung zu lösen. Die vorliegende Bewertung beurteilt den kombinierten verbesserten BOA, der sowohl DSP als auch DVGM enthält; die individuellen Beiträge dieser beiden Mechanismen wurden nicht separat durch eine Ablationsanalyse bewertet und sollten in zukünftigen Arbeiten untersucht werden. Die Simulationsergebnisse zeigen, dass dieses Framework unter den untersuchten Bedingungen einen ausgewogeneren Betriebspunkt für Kommunikation und Sensing bietet als die gleichmäßige Leistungszuweisung und die kommunikationsorientierte WA-Zuweisung.

Dieser Ansatz könnte die OFDM-basierte ISAC-Forschung voranbringen, indem er einen einheitlichen Simulationsrahmen zur Bewertung der Kommunikationskapazität, der PDP, der Antennen-Skalierung, der Subträger-Konfiguration, der Auswahl von Gewichtungsfaktoren und des Rechenaufwands bereitstellt. Bisherige Untersuchungen haben die Bedeutung adaptiver Ressourcenallokation, Wellenform-Optimierung und Leistungsverteilung in ISAC-Systemen gezeigt^{3,4,5,6,7,8,9,10,11,28,29,30}. Die vorliegenden Ergebnisse erweitern diese Richtung, indem sie eine normalisierte multikriterielle Optimierung mit einem verbesserten populationsbasierten Solver kombinieren. Die evaluierten Gewichtungsfaktoren beschreiben näherungsweise einen Pareto-Kompromiss, bei dem eine Erhöhung des Kommunikationsgewichts die Kommunikationskapazität verbessert, aber die PDP verringert, während eine Verringerung des Kommunikationsgewichts den gegenteiligen Effekt hat. Dieser Rahmen bietet daher eine methodische Grundlage zur Untersuchung der Kompromisse zwischen Kommunikation und Sensorik unter verschiedenen Systemprioritäten, einschließlich Szenarien des intelligenten Verkehrs und der Fahrzeugnetzwerke^16,17,26,28.

Es bestehen mehrere Einschränkungen. Erstens basiert die Validierung vollständig auf mathematischer Modellierung und numerischen Simulationen mit vordefinierten Kanalparametern, Antennenkonfigurationen, Dopplerverschiebungen, Signal-Rausch-Verhältnissen und Rauschniveaus. Die berichteten Gewinne sollten daher als Verbesserungen auf Simulationsniveau und nicht als direkter Nachweis der Leistung bei Feldanwendungen interpretiert werden. Zweitens ist die Annahme eines LoS-dominanten Kanals für das bewertete Szenario der Zusammenarbeit zwischen Fahrzeugen und Straße auf Autobahnen geeignet, könnte jedoch für dichte städtische Kreuzungen idealisiert sein, wo NLoS-Ausbreitung, Mehwegeffekte, Blockaden und schnelle Kanaländerungen ausgeprägter auftreten^19,20,21,26. Diese Ausbreitungseffekte können stärkere Schwankungen der Kanalverstärkung und der Stärke der Sensing-Echos verursachen und dadurch die Stabilität der optimierten Leistungsverteilung verringern. Zukünftige Studien sollten daher das Framework auf hybride LoS/NLoS-Kanäle erweitern, die Mehrwege-Cluster, zufällige Blockaden, zeitvariante Kanalzustandsinformationen und ungenaue Kanalschätzung einbeziehen.

Das aktuelle Modell berücksichtigt außerdem nicht explizit Mehrnutzer-Interferenzen, Inter-Fahrzeug-Störungen, gemeinsame Scheduling-Verfahren zwischen mehreren Empfängern oder gleichzeitige Erfassung mehrerer Ziele. In praktischen ISAC-Netzwerken der sechsten Generation könnte das Optimierungsziel von der Kommunikationskapazität eines Einzelverbindungslinks und der Einzel-PDP auf Formulierungen für mehrere Nutzer und mehrere Ziele erweitert werden müssen, die Fairness, Interferenzen, Beamforming und Scheduling-Beschränkungen einbeziehen^{11,20,22,23,24,30}. Bei der Sensorik mag die Konzentration der Sendeleistung auf den besten Teilkanal zur Detektion eines einzelnen Punktziels geeignet sein, könnte jedoch für Radarabbildung, elektromagnetische Eigenschaftserfassung oder die Verfolgung mehrerer Ziele unzureichend sein, wo die Leistung möglicherweise über zielempfindliche Subträger, Strahlen oder räumliche Richtungen verteilt werden muss^22,23,24,25. Alternative Formulierungen könnten daher die gewichtete Erkennungswahrscheinlichkeit, minimale PDP, Schätzgenauigkeit oder die kombinierte Leistung von Erkennung und Verfolgung optimieren. Konvexe Approximation, Optimierung des Beamforming, kooperative Netzwerkverfahren und lernbasierte Ressourcenallokation stellen weitere mögliche Ansätze zur Untersuchung derselben Hypothese dar^{2,8,11,16,17,23,24,30}.

Die Studie beinhaltet keine Hardware-Prototypenerstellung, gemessene fahrzeugmontierte Kanaldaten, Feldexperimente oder Echtzeit-Embedded-Implementierung. Obwohl die verbesserte BOA die durchschnittliche Anzahl an Konvergenziterationen und Optimierungszeit im Vergleich zur traditionellen BOA verringerte, blieb sie rechenaufwändiger als die gleichmäßige Leistungszuweisung und WA. Die vorgeschlagene Methode eignet sich daher unter der aktuellen Implementierung besser für leistungsbezogene Zuweisungen auf Szenario-, Frame- oder Slot-Gruppenebene als für symbolweise augenblickliche Anpassungen. Zukünftige Arbeiten sollten die Warmstart-Initialisierung, die Unterstützung durch Nachschlagetabellen, paralleles Rechnen und leichtgewichtige, lernbasierte Approximationen zur Verringerung der Entscheidungslatenz untersuchen. Hardware-in-the-Loop-Tests, gemessene LoS/NLoS-Fahrzeug-Straße-Kanäle sowie Echtzeit-Implementierungen wären ebenfalls erforderlich, um zu bestimmen, ob die beobachteten Verbesserungen auf Simulationsebene unter praktischen Kanalunsicherheiten und rechnerischen Einschränkungen stabil bleiben. Demzufolge sollten die Beispiele aus dem Bereich des intelligenten Verkehrs als simulationsbasierte Machbarkeitsanalysen und nicht als verifizierte technische Implementierungen interpretiert werden.

Zusammenfassend hat die steigende Nachfrage nach drahtloser Kommunikation und Radarsensorik den Konflikt zwischen begrenzten Spektrumressourcen und wachsenden Dienstanforderungen verschärft, wodurch ISAC zu einem wichtigen Ansatz zur Verbesserung der Ressourcennutzung geworden ist^{12,13,14,15,19,26}. In dieser Studie wurde das OFDM-ISAC-P-Modell aufgebaut, kommunikations- und sensorikorientierte Referenzlösungen wurden mittels WA und verallgemeinerter Maximum-Likelihood-Quotientendetektion ermittelt, und eine normalisierte Gewichtung wurde eingeführt, um dimensionsbedingte Inkonsistenzen zwischen den beiden Zielgrößen zu reduzieren. Der verbesserte BOA wurde anschließend verwendet, um das resultierende Leistungszuweisungsmodell zu lösen und die Leistung von Kommunikation und Sensorik auszugleichen. Im Vergleich des Rechenaufwands, zusammengefasst in Tabelle 5, verringerten sich die durchschnittlichen Konvergenziterationen des verbesserten BOA im Vergleich zum traditionellen BOA um 58,3 %. Bei der evaluierten 4T4R-Konfiguration bei 20 dB erreichte das OFDM-ISAC-P-Modell eine Kommunikationskanalkapazität von etwa 60 bps/Hz und eine PDP nahe 1. In den untersuchten LoS-dominierten Mehrantennenszenarien verbesserte das vorgeschlagene Verfahren effektiv die Kanalkapazität der Kommunikation und die Zielentdeckungswahrscheinlichkeit und erzielte somit einen ausgewogenen Kompromiss zwischen Kommunikations- und Sensorikleistung. Die Studie beschränkt sich jedoch weiterhin auf LoS-dominierte Simulationsszenarien und berücksichtigt keine Mehrnutzerinterferenz, NLoS-Kanalmodellierung oder Echtzeit-Leistungsanpassung bei sich schnell ändernden Kanälen. Zukünftige Forschungsarbeiten sollten das Modell auf Mehrnutzer-OFDM-ISAC-Systeme erweitern, NLoS- und gemessene Kanalmodelle einführen, Mehrziel-Sensorikechos verarbeiten und adaptive Leistungszuweisung unter Verwendung von Deep Learning und anderen methoden mit geringer Komplexität untersuchen, um die Reaktionsfähigkeit in dynamischen Umgebungen zu verbessern und eine weitergehende praktische Bewertung der ISAC-Technologie zu unterstützen^{16,17,21,26,28}.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
CVXPY	CVXPY-Entwickler	Version 1.4	Konvexes Optimierungspaket, das zur Überprüfung des Leistungszuweisungsmodells verwendet wird.
Optimierungsprogramm für verbesserte BOA	Autoren	Nicht zutreffend	Individuelle Implementierung des verbesserten Schmetterlings-Optimierungsalgorithmus (IBOA), der zur Lösung des OFDM-ISAC-P-Leistungszuweisungsmodells unter Verwendung dynamischer Umschaltwahrscheinlichkeit und Gaußscher Mutation mit dynamischer Varianz eingesetzt wird.
ISAC-Simulations-Benchmark-Datensatz	Autoren	Nicht zutreffend	Vom Autorenteam erzeugter Simulations-Benchmark, der zur Bewertung der vorgeschlagenen Leistungszuweisungsmethode unter verschiedenen Signal-Rausch-Verhältnissen, Antennenkonfigurationen und Anzahlen von Subträgern verwendet wird.
MATLAB	The MathWorks, Inc.	R2023b	Plattform für numerische Simulation und Visualisierung der Ergebnisse.
NumPy	NumPy-Entwickler	Version 1.26	Bibliothek für numerische Berechnungen, die für Array-Operationen, zufällige Initialisierung und statistische Analysen verwendet wird.
OFDM-ISAC-Simulationsprogramm	Autoren	Nicht zutreffend	Individueller Simulationscode zur Erstellung des OFDM-ISAC-Kanalmodells, zur Berechnung der Kapazität des Kommunikationskanals und zur Bewertung der Zielerkennungswahrscheinlichkeit.
PyTorch	PyTorch Foundation	Version 2.1	Framework für Tensor-Berechnungen, der für numerische Modellierung und Matrixoperationen verwendet wird.
Python-Programmierumgebung	Python Software Foundation	Python 3.10	Programmiersprache für die Implementierung von Algorithmen und numerische Berechnungen.
Ubuntu-Betriebssystem	Canonical Ltd.	Ubuntu 22.04 LTS	Betriebssystem zur Durchführung der OFDM-ISAC-Leistungszuweisungssimulationen.