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.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Simulationsbasierte Leistungsallokation für integrierte Sensing- und Kommunikationssysteme zur Balance zwischen Kommunikationskapazität und Zielerkennung
94 Aufrufe
⸱
11. September 2026
In diesem Artikel
Zusammenfassung
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 entwickelt1,2,3. 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-Funktionen5,6. 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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
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 verringert12,13,14. 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 Funktionen15,16,17. 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 erreicht19,20,21. 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 nc,m Gaußsches weißes Rauschen dar, Sm bezeichnet das übertragene Signal und Hc,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 gelangt22,23,24. Für die m-te Unterkreisfrequenz beschreibt die Kanalimpulsantwortmatrix die Signalausbreitung und wird als Gleichung 2 ausgedrückt:
Hier stellt bs den Fading-Koeffizienten des Sensing-Echo-Pfads dar, fs,m bezeichnet die reflektierte Doppler-Frequenzverschiebung und τs repräsentiert die Laufzeitverzögerung des Reflexionspfads. Basierend auf der Kanalantwortmatrix des Sensors wird das empfangene Sensorsignal als Gleichung 3 ausgedrückt:
Hier stellt ns,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 σc2 die Rauschvarianz des Kommunikations-Gauß-Kanals dar, P bezeichnet die gesamte Übertragungsleistung der Kommunikation, Pc den optimalen Vektor zur Leistungszuweisung in der Kommunikation, am das der m-ten Subträgerfrequenz zugewiesene Gewicht und Nc 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, gm das Verhältnis von Kanal- zu Rauschverstärkung des m-ten Kommunikationsunterkanals und μc 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, …, aNc−1), D(v) bezeichnet die Diagonalmatrix, die die Doppler-Frequenzverschiebung des Ziels enthält, β repräsentiert den Vektor der Reflexionskoeffizienten des Ziels und ns 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 lG und LG die verallgemeinerte Likelihood-Quotient-Detektionsstatistik bzw. die Likelihood-Quotient-Funktion, yH 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 wider26,27.
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, Fc den optimalen Zielfunktionswert, der aus dem Kommunikations-Optimierungsproblem gewonnen wurde, pm die dem m-ten OFDM-Teilträger zugewiesene Leistung, gm die äquivalente Kanal-Rausch-Verstärkung des m-ten Kommunikationsteilträgers, P die gesamte Sendeleistung, Fs den optimalen Zielfunktionswert, der aus dem Sensorik-Optimierungsproblem gewonnen wurde, und bm 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 widerspiegelt28,29. 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 σmax und die minimale Varianz σmin 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 fi 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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
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 ...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
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 untersucht1,2,7,<...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Interessenkonflikt:
Die Autoren erklären, dass kein Interessenkonflikt besteht.
Danksagungen
Die Autoren danken für die finanzielle Unterstützung durch das Natürliche Wissenschaftsforschungsprojekt der Bildungsbehörde der Provinz Liaoning, China (Förderkennzeichen JYTMS20230009), das Technologieforschungs- und Entwicklungsprojekt Dalian, China (Förderkennzeichen 2024JB11GX001), sowie das Projekt zur Förderung von Fachdisziplin-Teams der Technischen Universität Dalian für Wissenschaft und Technologie (Förderkennzeichen KYXK2025001).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
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. |
Referenzen
- Li Y, Wei Z, Feng Z. Joint subcarrier and power allocation for uplink integrated sensing and communication system. IEEE Sens J. 2023;23(24):31072-31081. doi:10.1109/JSEN.2023.3330936.
- Cao X, Tang L, Shen F. Robust OFDM shared waveform design and resource allocation for the integrated sensing and communication system. In: 2023 IEEE Wireless Communications and Networking Conference (WCNC). IEEE; 2023:13-24. doi:10.1109/WCNC55385.2023.10118730.
- Wen Y, Yang F, Song J. Adaptive resource allocation in ADO-OFDM for optical wireless integrated sensing and communication. In: GLOBECOM 2024 IEEE Global Communications Conference. IEEE; 2024:28-39. doi:10.1109/GLOBECOM52923.2024.10901628.
- Sümer AS, Memişoğlu E, Arslan H. A novel pilot allocation technique for uplink OFDMA in ISAC systems. IEEE Wirel Commun Lett. 2025;14(8):2561-2565. doi:10.1109/LWC.2025.3575711.
- Hawkins H, Xu C, Yang LL. IM-OFDM ISAC outperforms OFDM ISAC by combining multiple sensing observations. IEEE Open J Veh Technol. 2024;5(1):312-329. doi:10.1109/OJVT.2024.3366772.
- Zhu W, Han Y, Wang L. Pilot optimization for OFDM-based ISAC signal in emergency IoT networks. IEEE Internet Things J. 2023;11(18):29600-29614. doi:10.1109/JIOT.2023.3314057.
- Wen Y, Yang F, Song J. Power allocation for OFDM-based free space optical integrated sensing and communication. In: ICC 2024 IEEE International Conference on Communications. IEEE; 2024:2408-2413. doi:10.1109/ICC51166.2024.10622583.
- Wang X, Han S. Optimization of power allocation for OFDM-based ISAC systems. In: GLOBECOM 2024 IEEE Global Communications Conference. IEEE; 2024:5387-5392. doi:10.1109/GLOBECOM52923.2024.10901655.
- Al Khansa A, Madhusudan G, Larue G. Dynamic power allocation in OFDM ISAC for time of arrival estimation. In: 2024 IEEE Conference on Standards for Communications and Networking (CSCN). IEEE; 2024:249-254. doi:10.1109/CSCN63874.2024.10849719.
- He X. Power allocation scheme for OFDM-ISAC system. In: 2025 5th International Conference on Sensors and Information Technology. IEEE; 2025:136-140. doi:10.1109/ICSI64877.2025.11009420.
- Liao B, Ngo HQ, Matthaiou M. Power allocation for massive MIMO-ISAC systems. IEEE Trans Wirel Commun. 2024;23(10):14232-14248. doi:10.1109/TWC.2024.3410385.
- Chen Y, et al. Integrated sensing, communication, and powering: Toward multi-functional 6G wireless networks. IEEE Commun Mag. 2025;63(8):146-153. doi:10.1109/MCOM.006.2400013.
- Singh S, Samal U. Integrated sensing and communication in next-generation wireless networks: Insights and trends. Int J Commun Syst. 2025;38(5):70014-70018. doi:10.1002/dac.70014.
- Liu J, et al. OFDM-structure based waveform designs for integrated sensing and communication. Sci China Inf Sci. 2025;68(5):150306-150309. doi:10.1007/s11432-024-4373-7.
- Ni Y, et al. An integrated sensing and communications system based on affine frequency division multiplexing. IEEE Trans Wirel Commun. 2025;24(5):3763-3779. doi:10.1109/TWC.2025.3532993.
- Li C, et al. Improved TD3-based resource allocation optimization for latency-sensitive tasks in ISAC-aided VEC. ACM Trans Sens Netw. 2025;21(6):1-27. doi:10.1145/3767332.
- Li C, Long K, Yang M. D3QN-TD3-based user association and resource allocation in ISAC-aided vehicular edge computing. ACM Trans Sens Netw. 2025;21(4):1-31. doi:10.1145/3744711.
- Ahmed MF, Rahman A. OFDM-based optical integrated sensing and communication framework using embedded pilot subcarriers. Opt Contin. 2026;5(6):1706-1720. doi:10.1364/OPTCON.595843.
- Luo HL, et al. Integrated sensing and communications framework for 6G networks. IEEE Wirel Commun. 2025;32(6):102-109. doi:10.1109/MWC.2025.3599658.
- Nabil Y, ElSawy H, Hassanein HS. System-level analysis of dual-mode networked sensing: ISAC integration and coordination gains. IEEE Trans Wirel Commun. 2025;25(4):7970-7987. doi:10.1109/TWC.2025.3634682.
- Feng XX, Wu W, Ling M, Zheng H. Off-grid parameter estimation for OFDM-based ISAC systems with incomplete data and demodulation errors. China Commun. 2026;23(3):199-216. doi:10.23919/JCC.fa.2025-0172.202603.
- Jiang YH, Gao F, Shi J, Tie JC. Electromagnetic property sensing in ISAC with multiple base stations: Algorithm, pilot design, and performance analysis. IEEE Trans Wirel Commun. 2025;24(4):3400-3416. doi:10.1109/TWC.2025.3530946.
- Zhang Y, et al. Backscatter device-aided integrated sensing and communication: A Pareto optimization framework. IEEE Trans Wirel Commun. 2026;25(2):17958-17974. doi:10.1109/TWC.2026.3698666.
- Zhang X, Huang B, Alouini MS. Design of 3-D beamforming and deployment strategies for ISAC-based HAPS systems. IEEE Trans Wirel Commun. 2026;25(2):13228-13242. doi:10.1109/TWC.2026.3670213.
- Uluocak S, Kartal M. A low-complexity target Swerling type estimation method for next-generation OFDM-based ISAC systems. IEEE Access. 2025;13(5):192542-192554. doi:10.1109/ACCESS.2025.3630105.
- Du Z, et al. Toward ISAC-empowered vehicular networks: Framework, advances, and opportunities. IEEE Wirel Commun. 2025;32(2):222-229. doi:10.1109/MWC.002.2300496.
- Hasanvand M, Nooshyar M, Moharamkhani E, Selyari A. Machine learning methodology for identifying vehicles using image processing. AIA. 2023;1(3):170-178. doi:10.47852/bonviewAIA3202833.
- Yang H, Wang L, Feng Z. Dynamic power allocation for integrated sensing and communication-enabled vehicular networks. IEEE Trans Wirel Commun. 2024;23(9):12313-12330. doi:10.1109/TWC.2024.3391354.
- Wen Y, Yang F, Song J. Free space optical integrated sensing and communication based on DCO-OFDM: Performance metrics and resource allocation. IEEE Internet Things J. 2024;12(2):2158-2173. doi:10.1109/JIOT.2024.3469279.
- Liu M, Yang M, Li H. Performance analysis and power allocation for cooperative ISAC networks. IEEE Internet Things J. 2022;10(7):6336-6351. doi:10.1109/JIOT.2022.3225281.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.