Исследовательская статья

Распределение мощности на основе имитационного моделирования для интегрированных систем зондирования и связи с балансировкой пропускной способности связи и обнаружения целей

28 просмотров

⸱

11 сентября 2026 г.

 , 
1School of Traffic and Electrical Engineering, Dalian University of Science and Technology, 2School of Railway Intelligent Engineering, Dalian Jiaotong University

В этой статье

Краткое содержание

В данном протоколе описывается основанный на моделировании метод оптимизации распределения мощности в интегрированных системах зондирования и связи с использованием модели многокритериальной оптимизации и усовершенствованного алгоритма оптимизации «Бабочка» (Butterfly Optimization Algorithm) для достижения баланса между пропускной способностью связи и эффективностью обнаружения целей при различных условиях эксплуатации.

Аннотация

Системы интегрированного зондирования и связи (ISAC) требуют эффективного распределения мощности для балансировки качества связи и характеристик зондирования при работе в условиях ограниченных ресурсов спектра и мощности. Традиционные методы равного распределения мощности часто не позволяют достичь эффективного компромисса между пропускной способностью канала связи и вероятностью обнаружения цели (PDP), поскольку они недостаточно учитывают различные цели связи и зондирования. В данном исследовании предлагается стратегия распределения мощности на основе моделирования для системы ISAC на базе ортогонального частотного разделения каналов (OFDM) с использованием структуры нормированной многокритериальной оптимизации. Для повышения способности к глобальному поиску, скорости сходимости и разнообразия решений применяется усовершенствованный алгоритм оптимизации «Бабочка» (BOA), включающий стратегии динамической вероятности переключения и динамической дисперсионной гауссовой мутации. Для оценки предлагаемого подхода было проведено численное моделирование при различных весовых коэффициентах связи, конфигурациях антенн, количестве поднесущих и отношениях сигнал/шум. Оптимизированная стратегия обеспечила улучшенную сходимость, обеспечив при этом сбалансированный компромисс между пропускной способностью канала связи и PDP в нескольких сценариях моделирования. Эти результаты демонстрируют, что предлагаемая структура оптимизации может эффективно поддерживать распределение ресурсов на основе моделирования для систем ISAC на базе OFDM, предоставляя воспроизводимую методологию оценки компромиссов между связью и зондированием при различных условиях эксплуатации.

Введение

В связи с быстрым расширением услуг беспроводной связи и растущим спросом на высокопроизводительное радиолокационное зондирование конфликт между ограниченными спектральными ресурсами и растущими требованиями к обслуживанию становится все более выраженным. В то же время миниатюризация и интеграция электронных устройств способствовали дальнейшему развитию систем интегрированного зондирования и связи (ISAC). Вследствие этого ISAC стала основным направлением исследований в области электронных информационных систем1,2,3. Благодаря совместному использованию спектра и аппаратных ресурсов, ISAC обеспечивает одновременную передачу данных беспроводной связи и сигналов радиолокационного зондирования, преодолевая таким образом ограничения спектральной эффективности традиционных автономных систем и улучшая использование ресурсов в сложных сценариях4. Ортогональное частотное разделение каналов (OFDM) представляет собой широко применяемую технологию многочастотной модуляции, которая повышает эффективность использования спектра и обеспечивает высокую устойчивость к многолучевым помехам. Благодаря этим преимуществам OFDM стала предпочтительной формой сигнала для систем ISAC. Полученная архитектура OFDM-ISAC обеспечивает надежную основу формы сигнала для скоординированной реализации функций связи и зондирования5,6. Соответственно, этой теме посвящено значительное количество исследований.

Для повышения эффективности связи и качества зондирования Wen и др.7 предложили метод распределения мощности (PAM) для систем ISAC на базе много membawa OFDM в свободном пространстве. Их результаты продемонстрировали эффективность данного метода и выявили компромисс между характеристиками связи и зондирования. Wang и др.8 разработали метод оптимизации распределения мощности на основе глубокого обучения для систем OFDM-ISAC с целью минимизации вероятности ошибки символов связи и нижней границы Крамера — Рао для совместной оценки задержки и доплеровского сдвига, что позволило улучшить показатели связи. Чтобы сбалансировать эффективность связи и зондирования, AlKhansa и др.9 разработали динамический PAM для оценки времени прибытия сигнала в системах OFDM-ISAC; численные результаты подтвердили важность учета нескольких ограничений зондирования. He и др.10 сформулировали задачу оптимизации по критерию «максимин» для многоносительных систем OFDM-ISAC и разработали итерационный алгоритм оптимизации на основе последовательного выпуклого приближения для решения полученной невыпуклой задачи, тем самым повысив качество связи. Liao и др.11 предложили вычислительно эффективный формирователь луча передачи ISAC, основанный на взвешенной комбинации линейного прекодера и заранее определенного формирователя луча антенной решетки, продемонстрировав высокую вычислительную эффективность и общую производительность.

Несмотря на эти достижения, большинство систем OFDM-ISAC по-прежнему полагаются на равное распределение мощности, что ограничивает общую эффективность системы при одновременном функционировании функций связи и зондирования. Стратегия распределения мощности, максимизирующая пропускную способность канала связи, может снизить эффективность обнаружения целей, в то время как стратегия, оптимизированная исключительно для вероятности обнаружения цели (PDP), может выделить избыточную мощность на зондирование в ущерб качеству связи. Кроме того, поскольку пропускная способность канала связи и PDP имеют разные физические размерности, традиционные методы оптимизации взвешенной суммы не могут адекватно сбалансировать их относительный вклад, что ограничивает общую производительность систем OFDM-ISAC. В данном исследовании изучается распределение мощности передачи в системах OFDM-ISAC для совместной оптимизации пропускной способности канала связи и PDP, несмотря на указанные различия в размерностях. Предложенная модель OFDM-ISAC-P нормализует обе целевые функции и применяет настраиваемые весовые коэффициенты для улучшения сопоставимости оптимизации. Чтобы преодолеть ограничения традиционного алгоритма оптимизации «бабочки» (BOA), включая фиксированные параметры, медленную сходимость и склонность к локальным оптимумам, были внедрены стратегии динамической вероятности переключения (DSP) и динамической вариации гауссовой мутации (DVGM) для повышения адаптивности поиска. В исследовании выдвигается гипотеза, что сочетание нормализованной многокритериальной оптимизации с улучшенным BOA обеспечивает более стабильное распределение мощности по Парето-равновесию, чем традиционное равное распределение мощности и стандартный BOA. Основные вклады данной работы включают разработку нормализованной многокритериальной модели распределения мощности, усовершенствованную структуру оптимизации на базе BOA и валидацию с помощью моделирования в сценариях с многоантенными, многонесущими системами и интеллектуальным транспортом.

Протокол

Данное исследование включало только математическое моделирование, разработку алгоритмов и численное моделирование для системы OFDM-ISAC. В работе не принимали участия люди, животные, не использовались биологические образцы или персональные данные. Таким образом, одобрение институционального комитета по этике, включая одобрение Институционального наблюдательного совета (IRB) или Институционального комитета по уходу и использованию животных (IACUC), не требовалось.

Разработка модели распределения мощности для интегрированной системы зондирования и связи на базе ортогонального частотного разделения каналов

В системах ISAC традиционные равные PAM часто равномерно распределяют мощность передачи по каждому каналу и антенне в процессе одновременной связи и зондирования, не учитывая их различные требования к производительности. Это может привести к выделению избыточной мощности неэффективным линиям передачи и невозможности удовлетворить гетерогенные требования служб связи и зондирования, что снижает общую эффективность использования мощности12,13,14. Поэтому в данном исследовании рассматриваются двойные функциональные цели системы путем совместной оптимизации пропускной способности канала связи и PDP. Для разработки стратегии распределения мощности для системы ISAC на базе OFDM, называемой моделью OFDM-ISAC-P, построена структура многокритериальной оптимизации. OFDM представляет собой эффективный метод многочастотной модуляции, состоящий из передающей и приемной частей. Процесс OFDM показан на Рисунке 1.

Схема беспроводной связи, включающая процессы кодирования, IFFT, РЧ-канал, FFT и декодирования.
Рисунок 1. Рабочий процесс обработки сигналов формы волны с ортогональным частотным разделением каналов (OFDM), используемой в системе интегрированного зондирования и связи (ISAC). Рабочий процесс включает кодирование данных, перемежение, отображение символов, последовательно-параллельное преобразование, обратное быстрое преобразование Фурье (IFFT), вставку циклического префикса (CP), радиочастотную (РЧ) передачу, распространение по беспроводному каналу, РЧ-прием, удаление CP, быстрое преобразование Фурье (FFT), выравнивание канала, обратное отображение, обратное перемежение, декодирование и восстановление данных. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

На Рисунке 1 сигналы OFDM используются в качестве общего рабочего сигнала для связи и зондирования благодаря их высокой спектральной эффективности и высокой устойчивости к многолучевым помехам, что позволяет обеспечить единую передачу сигналов для обеих функций15,16,17. Без учета эффекта спектрального формирования оконной функции передаваемая форма сигнала OFDM формируется с использованием несущей частоты, количества поднесущих, комплексных весов поднесущих для распределения мощности, кодирования сигнала связи и интервала между поднесущими. Полоса пропускания системы определяется интервалом между поднесущими и их количеством18. Процесс генерации сигнала связи определен следующим образом. Бинарные информационные биты сначала кодируются с использованием схемы кодирования с малой плотностью проверок на четность (LDPC) для повышения надежности передачи, а затем отображаются в символы с комплексными значениями с использованием квадратурной фазовой манипуляции (QPSK). Модулированные символы распределяются по поднесущим OFDM в соответствии с оптимизированной стратегией распределения мощности. После применения быстрого преобразования Фурье (БПФ) и добавления циклического префикса (CP) формируется временная форма сигнала связи OFDM, которая передается вместе с сигналом зондирования. Одна и та же конфигурация модуляции и кодирования сохраняется во всех симуляциях. Конфигурация системы ISAC, использованная в данном исследовании, показана на Рисунке 2.

Пути прохождения беспроводного сигнала, диаграмма, показывающая прямой путь, отражение от земли и неба от препятствий и приемную антенную решетку (Rx).
Рисунок 2. Конфигурация системы интегрированного зондирования и связи (ISAC) на базе ортогонального частотного разделения каналов (OFDM). На диаграмме показаны передающая (Tx) антенная решетка, приемная (Rx) антенная решетка, прямой путь связи в пределах прямой видимости (LoS), путь зондирования по эху от цели, путь отражения от земли, путь отражения от неба и типичные препятствия в моделируемой среде распространения сигнала. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Система состоит из передающей антенной решетки и приемной антенной решетки. Передача сигнала происходит по двум основным путям. Первый — это путь прямой видимости (LoS), при котором сигнал передается непосредственно от передающей решетки к приемной. Второй — путь отражения, при котором часть сигнала отражается от земли и достигает приемной решетки, в то время как другая часть проходит через путь отражения от неба перед попаданием на приемную решетку19,20,21. Система представляет собой многоантенную систему OFDM-ISAC с доминирующим путем LoS, в которой приемники связи и зондирования могут иметь разные конфигурации антенн. Хотя на Рисунке 2 показаны возможные компоненты распространения, включая прямой путь LoS и пути, связанные с отражением, в математической модели и при моделировании учитываются только доминирующий канал связи LoS и канал зондирования эхо-сигнала от цели. Отражения от земли и неба рассматриваются как фоновые эффекты распространения, а не как независимо оптимизируемые каналы без прямой видимости (NLoS). Матрица отклика канала определена с учетом доминирования пути LoS, при этом многолучевые эффекты представлены через замирания, доплеровский сдвиг и шумовые члены. На основе этой матрицы отклика канала, совместно с передаваемым сигналом и моделью шума в канале, принимаемый сигнал связи выражен в Уравнении 1.

Уравнение статического равновесия, y_cm = H_cm * S_m + n_cm, формула, для образовательных целей

Здесь nc,m представляет собой гауссовский белый шум, Sm обозначает передаваемый сигнал, а Hc,m представляет собой матрицу отклика канала связи.

В функции зондирования системы ISAC путь передачи сигнала состоит из двух этапов. Первый этап — это передача от передатчика к цели, а второй — путь эха, по которому отраженный сигнал распространяется от цели обратно к приемнику через канал зондирования22,23,24. Для m-й поднесущей матрица отклика канала зондирования характеризует распространение сигнала и выражается Уравнением 2:

Уравнение статического равновесия \( H_{sm} = b_s e^{j2\pi f_{sm} \theta} e^{-j2\pi m f \tau_s} \).

Здесь bs представляет собой коэффициент замирания эхо-сигнала зондирования, fs,m обозначает отраженный доплеровский сдвиг частоты, а τs представляет собой задержку распространения сигнала по пути отражения. На основе матрицы отклика канала зондирования принимаемый сигнал зондирования выражается Уравнением 3:

Уравнение, показывающее формулу обработки сигнала: y_sm = H_sm S_m + n_sm, используемую в исследованиях по анализу данных.

Здесь ns,m представляет собой гауссов белый шум в канале измерения.

В системах беспроводной связи эффективное планирование спектра и распределение ресурсов имеют решающее значение для повышения общей производительности системы25. Соответственно, в данном исследовании в качестве основного критерия проектирования используется пропускная способность канала связи. Для максимизации пропускной способности канала разработана модель оптимизации, которая распределяет общую мощность передачи по поднесущим OFDM согласно предлагаемой стратегии распределения ресурсов, как показано в Уравнении 4.

Задача оптимизации связи формулируется следующим образом (Уравнение 4):

Формула оптимизации, диаграмма уравнения суммы, анализ обработки сигналов, максимизация пропускной способности канала.

подвержен

Уравнение статического равновесия Σam=1; схема формулы; инструмент математического анализа.

Здесь σc2 представляет собой дисперсию шума коммуникационного гауссовского канала, P обозначает общую мощность передачи данных, Pc представляет вектор оптимального распределения мощности связи, am обозначает вес, присвоенный m-й поднесущей, а Nc представляет количество поднесущих.

Оптимальное решение, полученное с помощью WA, выражается следующим образом: Уравнение 5:

Уравнение условий в математическом анализе, формула: \( \hat{p}_{c,m} = \left\{ \right. \)

Здесь диаграмма статического равновесия ΣFx=0, анализ физики и механики обозначает оптимальную мощность, выделенную для m-го коммуникационного подканала, gm представляет собой отношение коэффициента усиления канала к шуму m-го коммуникационного подканала, а μc обозначает уровень воды WA.

Согласно алгоритму WA, проиллюстрированному на Рисунке 3, подканалы с более высокими коэффициентами усиления канала, что соответствует меньшим обратным коэффициентам усиления, получают большую мощность передачи при выбранном уровне заполнения (water level). Это позволяет системе использовать благоприятные условия канала при соблюдении ограничения по общей мощности и повышении общей пропускной способности связи. Следовательно, подканалы с лучшими условиями распространения получают больше мощности, в то время как подканалы с худшими условиями — меньше. Благодаря этой стратегии адаптивного распределения мощности алгоритм WA эффективно использует ресурсы канала для повышения качества связи.

Процесс инъекции воды в подканалы; столбчатая диаграмма с уровнями мощности, линией μc, соотношениями 1/gi; анализ.
Рисунок 3. Принцип алгоритма заполнения водой (WA), используемого для распределения мощности связи. Горизонтальная ось представляет подканалы OFDM, а вертикальная ось — обратный коэффициент усиления канала и выделяемую мощность передачи. Уровень воды определяет мощность передачи, назначенную каждому подканалу при ограничении общей мощности передачи. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Для достижения целей зондирования при фиксированной вероятности ложной тревоги крайне важна соответствующая стратегия распределения мощности. Оптимизированная стратегия распределения мощности повышает эффективность зондирования за счет увеличения точности обнаружения цели. Процесс зондирования требует проверки гипотез в условиях гипотезы о наличии цели (H1) и гипотезы об отсутствии цели (H0). Согласно этим гипотезам, принимаемый сигнал для каждой поднесущей во время k-го импульса выражается формулой 6:

Уравнение для проверки гипотез, математическая формула, статистический анализ, обозначения H0 и H1.

Здесь y обозначает вектор наблюдений датчика, A представляет собой диагональную матрицу diag(a0, a1, …, aNc−1), D(v) обозначает диагональную матрицу, содержащую доплеровский сдвиг частоты цели, β представляет собой вектор коэффициентов отражения цели, а ns обозначает белый гауссовый шум в канале зондирования.

Затем оцениваются функции плотности вероятности для H0 и H1. Для заданной вероятности ложного срабатывания рассчитывается PDP на основе этих двух гипотез. Согласно теории детектирования по отношению правдоподобия, впоследствии выводится обобщенный детектор максимального отношения правдоподобия для максимизации PDP.

Обобщенный детектор отношения максимального правдоподобия выражается Уравнением 7:

Логарифмическое уравнение для статистического анализа; диаграмма формулы, включающая lnL_G, σ^2, y^H, y_0.

Здесь lG и LG обозначают статистику обнаружения на основе обобщенного отношения правдоподобия и функцию отношения правдоподобия соответственно, yH представляет собой эрмитово-сопряженное транспонирование y, а γ0 обозначает порог обнаружения. В процессе обнаружения порог используется для определения того, какая гипотеза принимается: гипотеза о наличии цели (H1) или гипотеза об отсутствии цели (H0). Зависимость между порогом обнаружения при зондировании и вероятностью обнаружения цели показана на рисунке 4.

График теории обнаружения сигналов, показывающий шум в сравнении с сигналом+шумом, с отмеченным порогом обнаружения.
Рисунок 4. Взаимосвязь между порогом обнаружения датчиком и вероятностью обнаружения цели. Функции плотности вероятности для гипотезы отсутствия цели и гипотезы присутствия цели показаны вместе с порогом обнаружения, используемым для проверки гипотез. Заштрихованные области соответствуют областям принятия решения, связанным с вероятностью ложной тревоги и вероятностью обнаружения цели. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Как показано на рисунке 4, вероятность обнаружения (PDP) напрямую связана с нецентральным комплексным распределением хи-квадрат. При фиксированной вероятности ложной тревоги (т. е. максимально допустимой вероятности ложного обнаружения) параметр нецентральности положительно коррелирует с PDP. Следовательно, увеличение параметра нецентральности повышает вероятность правильного обнаружения целевого сигнала. Основываясь на этой взаимосвязи, общая мощность передачи при зондировании рассматривается как ограничение по мощности, в то время как максимизация параметра нецентральности выбирается в качестве цели оптимизации. Результирующая задача условной оптимизации используется для вывода оптимальной стратегии распределения мощности зондирования и выражается в уравнении 8:

Диаграмма уравнения оптимизации с формулой argmax для алгоритмического анализа.

где α обозначает оптимальный вектор весовых коэффициентов передачи сигнала зондирования, полученный с учетом ограничения по мощности, и также представляет собой вектор весовых коэффициентов передачи для поднесущих зондирования, B(v, β) обозначает вектор информационной составляющей зондирования, а P представляет общую мощность передачи сигнала зондирования.

Оптимизация показывает, что оптимальная стратегия распределения мощности зондирования не предполагает распределение мощности по нескольким подканалам. Вместо этого вся доступная мощность передачи зондирующего сигнала выделяется подканалу, который по результатам оценки канала обеспечивает наилучшие характеристики зондирования, что позволяет максимизировать эффективность обнаружения цели в одном канале.

В системе OFDM-ISAC распределение мощности является основной задачей оптимизации, и оптимальная стратегия должна удовлетворять проектным требованиям как связи, так и зондирования. В частности, оптимизация одновременно учитывает показатели эффективности связи, включая вероятность битовой ошибки и пропускную способность канала, а также показатели эффективности зондирования, включая PDP и точность оценки параметров. Общая производительность системы повышается за счет скоординированного распределения ресурсов. Однако прямое объединение оптимальных стратегий распределения мощности для связи и зондирования с использованием традиционной оптимизации взвешенной суммы имеет существенные ограничения. Поскольку различные физические размерности и относительные вклады двух показателей эффективности учитываются недостаточно, полученная оптимизация может неточно отражать требования интегрированных систем связи и зондирования26,27.

Таким образом, в данном исследовании предлагается интегрированная основа проектирования, основанная на нормализованном взвешивании. Сначала метрики производительности связи и зондирования нормализуются для устранения эффектов размерной несогласованности. Затем весовые коэффициенты корректируются в соответствии со сценарием применения для достижения более сбалансированного распределения мощности. Математическая формулировка нормализованной модели OFDM-ISAC-P представлена в Уравнении 9:

Диаграмма формулы уравнения оптимизации; argmax с суммированием, при соблюдении ограничений, для исследовательского использования.

Здесь w обозначает весовой коэффициент связи, Fc представляет собой оптимальное значение целевой функции, полученное в результате решения задачи оптимизации связи, pm обозначает мощность, выделяемую m-й поднесущей OFDM, gm представляет собой эквивалентный коэффициент усиления отношение сигнал/шум m-й коммуникационной поднесущей, P обозначает общую мощность передачи, Fs представляет собой оптимальное значение целевой функции, полученное в результате решения задачи оптимизации зондирования, а bm обозначает m-й элемент вектора зондирования B(v, β).

Весовой коэффициент связи w вместе с дополнительным весовым коэффициентом зондирования (1 − w) служит настраиваемым параметром проектирования, который отражает относительную значимость пропускной способности канала связи и PDP в различных сценариях применения28,29. В данном исследовании w рассматривается как параметр конфигурации на уровне сценария, а не как изменяющаяся во времени управляющая переменная. Соответственно, w фиксируется для каждого сценария моделирования (например, w = 0.5 для сбалансированной производительности связи и зондирования и w = 0.8 для работы с приоритетом связи). Затем улучшенный алгоритм BOA используется для оптимизации соответствующего распределения мощности. Таким образом, термин «динамический весовой коэффициент» относится к выбору различных весовых коэффициентов для разных рабочих сценариев, а не к реализации автоматической адаптации в режиме реального времени во время выполнения алгоритма.

Решение модели оптимизации мощности для интегрированной системы зондирования и связи на основе ортогонального частотного разделения с использованием улучшенного алгоритма оптимизации бабочек

После построения модели OFDM-ISAC-P для решения задачи оптимизации используется улучшенный алгоритм BOA. BOA имеет простую структуру, легко внедряется и обладает высокой способностью к глобальному поиску. Он имитирует кормовое поведение бабочек и использует механизм левитовского полета для эффективного исследования пространства поиска. Алгоритм требует настройки относительно небольшого количества параметров, что делает его подходящим для широкого спектра задач оптимизации. Однако традиционный BOA может преждевременно сходиться к локальным оптимумам, чувствителен к настройкам параметров и часто требует большого количества итераций при решении многомерных задач оптимизации30. Поэтому в данной работе усовершенствованы стратегия мутации и процедура оптимизации.

Для улучшения глобального поиска на начальном этапе оптимизации вводится стратегия DSP. В ходе первых итераций относительно низкая вероятность переключения способствует более активному исследованию пространства поиска. По мере увеличения числа итераций вероятность переключения постепенно корректируется для усиления локальной эксплуатации и улучшения сходимости. DSP определяется в Уравнении 10:

Уравнение динамического процесса, показывающее p(t) с использованием переменных α, β и Maxiter в сложной зависимости.

где α обозначает начальное значение DSP, t представляет номер текущей итерации, а β является коэффициентом управления. Эта адаптивная стратегия увеличивает разнообразие популяции на раннем этапе оптимизации, расширяет пространство поиска и снижает вероятность преждевременной сходимости к локальным оптимумам. По мере продвижения оптимизации поиск постепенно переключается с глобального исследования на локальную эксплуатацию.

Для дальнейшего повышения эффективности оптимизации в алгоритм включен метод DVGM. На начальных итерациях применяется относительно большая дисперсия мутации для расширения диапазона поиска и улучшения глобального исследования. По мере протекания оптимизации дисперсия мутации постепенно снижается для повышения точности локального поиска и облегчения сходимости. Максимальная дисперсия σmax и минимальная дисперсия σmin определены в Уравнении 11:

Уравнение зависимости напряжения от деформации, σ(t), демонстрирующее изменение напряжения в зависимости от времени.

Улучшенные стратегии глобального и локального поиска обобщены в уравнении 12:

Уравнение динамического обновления; формула; анализ стохастических процессов; математическое моделирование.

Здесь normrnd(0, σ(t)) обозначает гауссово случайное число со средним значением 0 и дисперсией σ(t), а fi представляет собой параметр аромата, который определяет поведение бабочек при поиске. После внедрения стратегий DSP и DVGM получается улучшенный алгоритм BOA, как показано на Рисунке 5.

Блок-схема алгоритма оптимизации бабочек, иллюстрирующая динамическую вариационную мутацию и гауссову стратегию.
Рисунок 5Рабочий процесс усовершенствованного алгоритма оптимизации бабочек (BOA). Процедура оптимизации включает инициализацию, генерацию популяции, оценку приспособленности, динамическую вероятность переключения (DSP), глобальный и локальный поиск, динамическую гауссову мутацию с переменной дисперсией (DVGM), обновление решения, оценку сходимости и вывод оптимального решения. Пожалуйста, нажмите здесь, чтобы просмотреть эту фигуру в увеличенном размере.

Рисунок 5 иллюстрирует две стратегии улучшения, внедренные в BOA: DSP и DVGM. Стратегия DSP адаптивно регулирует частоту переключения между глобальным и локальным поиском. На ранней стадии оптимизации алгоритм делает упор на глобальное исследование для повышения разнообразия популяции и увеличения вероятности обнаружения перспективных областей решения. По мере продвижения оптимизации поиск постепенно смещается в сторону локальной эксплуатации для ускорения сходимости. Стратегия DVGM вносит возмущения в текущую лучшую особь, тем самым расширяя возможности локального поиска, увеличивая разнообразие решений и снижая вероятность преждевременной сходимости к локальным оптимумам.

При применении улучшенного алгоритма BOA для решения модели OFDM-ISAC-P переменные оптимизации сначала кодируются, создается начальная популяция, и каждому индивидууму назначаются возможные стратегии распределения мощности. Общий рабочий процесс оптимизации показан на Рисунке 6.

Блок-схема алгоритма оптимизации «Бабочка» для процесса распределения мощности в системе OFDM-ISAC.
Рисунок 6. Алгоритм работы улучшенного алгоритма оптимизации «Бабочка» (BOA) для решения модели распределения мощности в интегрированной системе связи и зондирования на базе мультиплексирования с ортогональным частотным разделением каналов (OFDM-ISAC). Процедура включает инициализацию параметров, кодирование векторов-кандидатов для распределения мощности, генерацию популяции, оценку приспособленности, итеративное обновление решения, оценку сходимости и вывод оптимальной стратегии распределения мощности. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Как показано на Рисунке 6, оптимизация начинается с применения стратегии DSP для проведения итерационной оптимизации. На ранних итерациях основной акцент делается на глобальном исследовании для изучения различных комбинаций распределения мощности в системе OFDM-ISAC. На более поздних итерациях поиск постепенно смещается в сторону локальной эксплуатации для уточнения высококачественных кандидатов в решения при соблюдении ограничения на общую мощность передачи. Впоследствии к текущему лучшему решению применяется стратегия DVGM для выхода из локальных оптимумов и поддержания разнообразия решений. На протяжении всего процесса оптимизации целевые функции связи и зондирования используются для оценки приспособленности каждого потенциального решения, при этом особи более высокого качества сохраняются для следующей итерации. Оптимизация продолжается до выполнения заданного критерия завершения. Итоговое оптимальное решение представляет собой стратегию распределения мощности, которая обеспечивает наилучший баланс между характеристиками связи и эффективностью обнаружения цели.

Параметры воспроизводимости

Для повышения воспроизводимости подробно указаны параметры симуляции, настройки инициализации, ограничения и критерии завершения. Все эксперименты были реализованы в Ubuntu 22.04 LTS с использованием Python 3.10, PyTorch 2.1, NumPy 1.26, CVXPY 1.4 и MATLAB R2023b (см. Таблицу материалов). Параметры симуляции и вычислительная среда, использованные в данной работе, обобщены в Таблице 1, в то время как подробная конфигурация параметров симуляции OFDM-ISAC представлена в Дополнительной таблице 1. В симуляциях использовались спектральная плотность мощности шума −174 dBm/Hz, 64 поднесущие, 16 OFDM-символов, несущая частота 4 GHz, шаг поднесущей 15 kHz, восемь передающих антенн и максимум 10 000 итераций. Коэффициент распределения мощности был инициализирован в диапазоне 0–1 с разрешением 0,01 и нормализован для соблюдения ограничения по общей мощности передачи. Вес связи, вес зондирования и точность многослойного априорного распределения были установлены на уровне 0,2, 0,3 и 0,5 соответственно. Ограничения оптимизации включали неотрицательное распределение мощности пользователей, ограниченную общую мощность передачи, ограниченную полосу пропускания и вероятность ложной тревоги порядка 10⁻3. Оптимизация завершалась либо при достижении максимального количества итераций, либо когда относительное изменение целевой функции между двумя последовательными итерациями опускалось ниже 10⁻4. Все эксперименты с рандомной инициализацией и возмущениями канала проводились с использованием фиксированных случайных чисел (seeds) и независимо повторялись 30 раз.

ПараметрЗначениеОписание
Несущая частота4 GHzНесущая частота OFDM.
Схема кодирования/модуляции связиКвадратурная фазовая манипуляция (QPSK) с канальным кодированием с малой плотностью проверок на четность (LDPC)Метод генерации сигнала связи, используемый для воспроизведения передаваемой формы сигнала OFDM.
Вес связи0.2Вес, присвоенный задаче связи.
Вероятность ложной тревоги10⁻³Вероятность ложной тревоги, используемая в качестве ограничения при оптимизации зондирования.
Аппаратная платформаIntel Core i7-13700 CPU, NVIDIA RTX 4070 GPU, 32 GB RAMВычислительная платформа, использованная для моделирования.
Эталонный набор данных для моделирования ISACНеприменимо. Все эталонные данные были получены с помощью численного моделирования.Эталонный набор данных, использованный для оценки эффективности.
Максимальное количество итераций10,000Максимальное количество итераций оптимизации.
Точность многослойного априорного распределения0.5Параметр априорной информации, используемый при оптимизации.
Спектральная плотность мощности шума−174 dBm/HzСпектральная плотность шума канала связи.
Количество OFDM-символов16Количество OFDM-символов в одном кадре.
Количество OFDM-поднесущих64Количество OFDM-поднесущих.
Операционная системаUbuntu 22.04 LTSВычислительная среда.
Программное обеспечение для оптимизацииCVXPY 1.4Пакет для выпуклой оптимизации.
Разрешение распределения мощности0.01Разрешение инициализированных коэффициентов распределения мощности.
Язык программированияPython 3.10Язык программирования, использованный для реализации моделирования.
Случайное число (seed)ФиксированноеФиксированное случайное число, использованное для всех серий моделирования.
Повторные запуски30Количество независимых запусков моделирования, выполненных для статистического анализа.
Библиотека для научных вычисленийNumPy 1.26Библиотека численных вычислений, использованная для проведения расчетов.
Вес зондирования0.3Вес, присвоенный задаче зондирования.
Платформа моделированияMATLAB R2023bПлатформа, использованная для численного моделирования и визуализации.
Критерий остановкиМаксимальное число итераций или относительное изменение целевой функции < 10⁻⁴Критерий завершения оптимизации.
Интервал между поднесущими15 kHzИнтервал между OFDM-поднесущими.
Библиотека тензорных вычисленийPyTorch 2.1Фреймворк для тензорных вычислений, использованный для матричных и тензорных операций.
Общее количество передающих антенн8Количество передающих антенн.

Таблица 1: Параметры моделирования и вычислительная среда, использованные для моделирования интегрированного зондирования и связи (ISAC) на основе ортогонального частотного разделения каналов (OFDM).В таблице приведены параметры формы сигнала, параметры оптимизации, настройки моделирования, описание вычислительной среды, программного обеспечения, наборов данных и другие условия моделирования, использованные в ходе исследования.

Если не указано иное, процентные улучшения, представленные как «увеличение на X%», рассчитываются как относительный процентный прирост с использованием Уравнения 13:

Формула относительного улучшения для сравнения предлагаемых и базовых значений; схема уравнения.

Для показателей эффективности, основанных на вероятности или скорости, таких как PDP, абсолютные изменения эксплицитно указываются в процентных пунктах (pp). Например, увеличение с 46% до 63% указывается как +17 pp, тогда как +37,0% обозначает соответствующее относительное процентное увеличение, рассчитанное с использованием 46% в качестве базового значения.

Результаты

Тестирование производительности усовершенствованного алгоритма оптимизации бабочек

Перед оценкой эффективности OFDM-ISAC PAM была проведена оценка усовершенствованного алгоритма BOA. В качестве алгоритмов для сравнения были выбраны традиционный BOA, алгоритм оптимизации китов (Whale Optimization Algorithm, WOA) и метод роевого интеллекта (Particle Swarm Optimization, PSO). Для эталонной оценки в качестве показателей эффективности использовались среднее значение и стандартное отклонение с применением двух унимодальных эталонных функций ( и ) и двух мультимодальных эталонных функций ( и ). Параметры эталона, использованные для алгоритмов оптимизации, описаны ниже. Размерность задачи была зафиксирована на уровне , максимальное количество итераций составило 500, а размер популяции — 30. Каждый алгоритм запускался независимо 30 раз для вычисления среднего значения и стандартного отклонения. Здесь обозначает переменную решения номер , а теоретический глобальный оптимум всех эталонных функций равен нулю. Для оценки эффективности оптимизации усовершенствованного BOA были выбраны четыре стандартные эталонные функции. В частности, и соответствуют функциям Sphere и Schwefel 2.22 соответственно, которые широко используются для оценки способности алгоритмов оптимизации к глобальной сходимости. Мультимодальные эталонные функции и соответствуют функциям Растригина и Акли соответственно, которые обычно применяются для оценки способности к глобальному поиску и возможности избегать локальных оптимумов. Математические определения этих эталонных функций приведены в Уравнении 14, а соответствующие ссылки на эталоны предоставлены.

Уравнения математической оптимизации; f₁(x), f₂(x), mf₁(x), mf₂(x); формулы анализа.

Для оценки способности стратегии нормализованного взвешивания балансировать производительность при различных коэффициентах веса связи, коэффициент веса связи варьировали от 0,2 до 0,8 при фиксированном отношении сигнал/шум (SNR) 15 dB и конфигурации передающих/приемных антенн 4 × 4. Эффективность оптимизации усовершенствованного алгоритма BOA сравнивали с эффективностью традиционного BOA. Показатели связи и зондирования, полученные при различных коэффициентах веса связи, приведены в Таблице 2.

Весовой коэффициент связиПропускная способность канала связи (bps/Hz)Вероятность обнаружения цели (%)Итерации сходимости IBOAИтерации сходимости BOAОбщее использование мощности (%)Расстояние до фронта Парето
0.212.493.711024398.60.033
0.415.788.5103229990.027
0.517.382.19721699.40.02
0.618.875.49020299.70.016
0.72068.68219499.90.011
0.821.661.5761831000.009

Таблица 2: Показатели связи и зондирования, полученные при различных весовых коэффициентах связи. В таблице представлены весовой коэффициент связи, пропускная способность канала связи (bps/Hz), вероятность обнаружения цели (%), количество итераций сходимости усовершенствованного алгоритма оптимизации бабочек (IBOA) и традиционного алгоритма оптимизации бабочек (BOA), общий коэффициент использования мощности (%) и расстояние до границы Парето.

Как показано на Таблица 2при увеличении весового коэффициента связи с 0,2 до 0,8 пропускная способность канала связи увеличилась на 74,2%, в то время как PDP снизился на 34,4%, что демонстрирует способность стратегии взвешивания регулировать компромисс между характеристиками связи и зондирования. Улучшенный алгоритм BOA сходился быстрее, чем традиционный BOA: среднее количество итераций до сходимости составило 93, что на 56,0% меньше среднего числа итераций, необходимых для сходимости традиционного BOA. Кроме того, расстояние до границы Парето уменьшалось по мере увеличения весового коэффициента связи. Например, расстояние до границы Парето сократилось с 0,020 при весовом коэффициенте связи 0,5 до 0,009 при 0,8, что указывает на приближение оптимизированных решений к соответствующим точкам работы, оптимальным по Парето, при увеличении весового коэффициента связи. Меньшее расстояние до границы Парето при более высоком весовом коэффициенте связи (например, 0,8) соответствует решению, в котором основной акцент сделан на пропускной способности связи, в то время как ω = 0,5 представляет собой более сбалансированный компромисс между нормированной пропускной способностью связи и PDP. Соответственно, ω = 0,5 рассматривается как репрезентативная сбалансированная рабочая точка, а не как единственный глобальный минимум расстояния до границы Парето. Характеристики сходимости для унимодальных эталонных функций представлены в Рисунок 7.

Сравнительная диаграмма алгоритмов оптимизации; приспособленность в зависимости от итерации для IBOA, BOA, WOA, PSO.
Рисунок 7. Сходимость алгоритмов оптимизации на унимодальных эталонных функциях. (A) Функция f1. (B) Функция f2. Горизонтальная ось представляет номер итерации, а вертикальная ось — среднее значение приспособленности. Кривые сравнивают улучшенный алгоритм оптимизации бабочек (IBOA), традиционный алгоритм оптимизации бабочек (BOA), алгоритм оптимизации китов (WOA) и метод оптимизации роя частиц (PSO). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 7A представляет результаты для унимодальной функции f1, в то время как на Рисунке 7B представлены результаты для унимодальной функции f2. Для оценки эффективности оптимизации использовалась средняя сходимость приспособленности, выраженная в уменьшении стандартного отклонения. Улучшенный BOA, традиционный BOA, WOA и PSO оценивались в идентичных эталонных условиях. На основании 30 независимых запусков однофакторный дисперсионный анализ с последующим апостериорным тестом Тьюки с поправкой Холмса-Бонферрони показал значимо более низкую конечную дисперсию сходимости для улучшенного BOA по сравнению с традиционным BOA, WOA и PSO, при этом статистически значимые различия наблюдались после поправки Холмса-Бонферрони (скорректированный p < 0.05). При использовании унимодальных эталонных функций дисперсия сходимости алгоритмов WOA и PSO снижалась медленнее, чем у методов на базе BOA. Для функции f1 как улучшенный, так и традиционный BOA достигли очень низких конечных значений приспособленности; однако улучшенный BOA достиг этого уровня раньше в процессе оптимизации. Для функции f2 все алгоритмы сходились медленнее, хотя улучшенный BOA достиг наименьшего конечного значения приспособленности после 500 итераций. Результаты сходимости для мультимодальных эталонных функций представлены на Рисунке 8.

Сравнение алгоритмов оптимизации; средняя приспособленность в зависимости от итерации; IBOA, BOA, WOA, PSO; график.
Рисунок 8. Сходимость алгоритмов оптимизации на многомодальных эталонных функциях. (A) Функция mf1. (B) Функция mf2. Горизонтальная ось представляет номер итерации, вертикальная ось — среднее значение приспособленности. Кривые сравнивают улучшенный алгоритм оптимизации бабочек (IBOA), традиционный алгоритм оптимизации бабочек (BOA), алгоритм оптимизации китов (WOA) и метод оптимизации роем частиц (PSO). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 8A представляет результаты для мультимодальной функции mf1, в то время как Рисунок 8B представляет результаты для мультимодальной функции mf2. При использовании мультимодальных эталонных функций улучшенный алгоритм BOA продемонстрировал более высокую стабильность сходимости по сравнению с алгоритмами сравнения. На основе 30 независимых запусков после применения поправки Хольма-Бонферрони были обнаружены статистически значимые различия между улучшенным BOA и алгоритмами сравнения (скорректированное p < 0.05). Предложенные стратегии DSP и DVGM расширили возможности глобального поиска BOA. Традиционный BOA показал результаты, более близкие к улучшенному BOA при использовании мультимодальных эталонных функций, чем при использовании унимодальных эталонных функций, что указывает на повышенную пригодность для задач мультимодальной оптимизации. В целом, улучшенный BOA превзошел алгоритмы сравнения на всех оцененных эталонных функциях и впоследствии был применен для решения модели оптимизации мощности OFDM-ISAC.

Все алгоритмы оптимизации были независимо запущены по 30 раз для каждой тестовой функции. Конечные значения сходимости представлены как среднее значение ± стандартное отклонение. Для сравнения четырех алгоритмов оптимизации использовался однофакторный дисперсионный анализ с последующим апостериорным критерием Тьюки для попарных сравнений и поправкой Холма-Бонферрони для множественного тестирования. Приведены скорректированные значения p, при этом p < 0.05 считалось статистически значимым.

Симуляционный анализ распределения мощности в интегрированной системе зондирования и связи на базе ортогонального частотного разделения каналов

После оценки алгоритма оптимизации эффективность стратегии распределения мощности OFDM-ISAC была дополнительно проанализирована с помощью численного моделирования. В ходе имизационных экспериментов количество передающих антенн, коммуникационных антенн и приемных антенн зондирования системы было установлено равным четырем, что обозначено как B, T и R соответственно. Изменения пропускной способности канала связи и PDP при различных конфигурациях антенн показаны на Рисунке 9. Если не указано иное, во всех симуляциях в данном разделе использовалась одна и та же модель канала OFDM-ISAC с доминированием прямой видимости (LoS), описанная в разделе «Методы». Конфигурации антенн изменялись только для оценки масштабируемости и сравнительной эффективности. В частности, конфигурация с одним входом и одним выходом (SISO) использовалась в качестве эталонного образца, конфигурация «2 передачи — 2 приема» (2T2R) — для проверки чувствительности поднесущих, а конфигурация «4 передачи — 4 приема» (4T4R) — в качестве основной многоантенной конфигурации для оценки эффективности совмещенной связи и зондирования.

Графики пропускной способности канала и вероятности обнаружения; анализ отношения сигнал/шум; исследование связи.
Рисунок 9. Влияние конфигурации антенн на эффективность связи и зондирования при различных отношениях сигнал/шум (SNR). (A) Пропускная способность канала связи (bps/Hz) в зависимости от SNR. (B) Вероятность обнаружения цели в зависимости от SNR. Кривые сравнивают предлагаемый метод распределения мощности и равномерное распределение мощности при различных конфигурациях передающих и приемных антенн. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Как показано на рисунке 9A, пропускная способность канала связи увеличивалась с ростом числа антенн. При увеличении числа передающих и приемных антенн с двух до четырех пропускная способность канала связи выросла примерно с 20 bps/Hz до почти 60 bps/Hz при SNR 20 dB, что отражает выигрыш от пространственного мультиплексирования, обеспечиваемый многоантенной конфигурацией. На рисунке 9B показано, что при различных конфигурациях передающих и приемных антенн значение PDP, полученное с помощью предлагаемого оптимального PAM, было последовательно выше, чем при использовании равного распределения мощности. При SNR 10 dB и четырех передающих антеннах PDP предлагаемого метода приблизилось к теоретическому оптимуму, равному 1, в то время как при равном PAM значение оставалось существенно ниже. Усовершенствованный BOA максимизирует функцию отношения правдоподобия посредством итеративной оптимизации, динамически корректирует коэффициент распределения мощности между передающими антеннами и выделяет больше передаваемой мощности антеннам с более сильным откликом, сокращая мощность для антенн с более слабым откликом, тем самым повышая эффективность обнаружения цели.

Когда обе системы передающих и принимающих антенн для связи и зондирования были сконфигурированы как 4T4R, была проведена оценка модели оптимизации мощности системы OFDM-ISAC. Пропускная способность канала связи и PDP, полученные при различных весовых коэффициентах связи, представлены на Рисунке 10.

График зависимости пропускной способности канала и вероятности обнаружения от отношения сигнал-шум.
Рисунок 10. Влияние весового коэффициента связи на эффективность связи и зондирования. (A) Пропускная способность канала связи в зависимости от отношения сигнал-шум (SNR). (B) Вероятность обнаружения цели в зависимости от SNR. Кривые сравнивают предлагаемый метод, равное распределение мощности, а также весовые коэффициенты связи 0.3 и 0.8. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 10A показывает, что пропускная способность канала связи варьировалась при различных PAM, когда конфигурации антенн связи и зондирования были 4T4R. Пропускная способность канала связи увеличивалась с ростом SNR для всех оцениваемых PAM. При SNR 20 dB пропускная способность канала составила приблизительно 13 bps/Hz для предлагаемого метода, 40 bps/Hz для равного распределения мощности, 42 bps/Hz при коэффициенте взвешивания связи 0,3 и 38 bps/Hz при коэффициенте взвешивания связи 0,8. Рисунок 10B показывает, что PDP увеличивался с ростом SNR для всех оцениваемых PAM и приблизился к 1 при SNR 20 dB. Эти результаты демонстрируют, что коэффициент взвешивания связи влияет на компромисс между пропускной способностью канала связи и эффективностью зондирования.

Впоследствии было проведено сравнительное моделирование для дальнейшей оценки эффективности предлагаемого метода. В качестве эталона (далее именуемого «сравнительный метод») была выбрана традиционная схема OFDM PAM с архитектурой SISO, которая сопоставлялась со стратегией распределения мощности, полученной с помощью предлагаемой модели OFDM-ISAC-P. При значении весового коэффициента связи 0,8 пропускная способность канала связи и PDP, полученные при различных конфигурациях антенн в зависимости от SNR, представлены на рисунке 11.

Графики пропускной способности канала и вероятности обнаружения в зависимости от отношения сигнал/шум при сравнительном анализе.
Рисунок 11. Показатели связи и зондирования, полученные при использовании различных конфигураций антенн. (A) Пропускная способность канала связи как функция отношения сигнал/шум (SNR). (B) Вероятность обнаружения цели как функция SNR. Кривые сравнивают предлагаемый метод с использованием конфигураций одной, двух и четырех передающих/приемных антенн с методом сравнения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 11A показывает, что при количестве передающих антенн, равном четырем, и коэффициенте взвешивания связи 0,8 пропускная способность канала связи достигла приблизительно 67 bps/Hz при SNR 20 dB. В конфигурации 2T2R пропускная способность канала связи составила приблизительно 48 bps/Hz, тогда как в конфигурации SISO она достигла примерно 37 bps/Hz. Таким образом, увеличение количества антенн привело к росту пропускной способности канала связи. Рисунок 11B показывает, что при SNR 20 dB значение PDP было близко к 1,00 для конфигурации 4T4R, примерно 0,98 для конфигурации 2T2R и примерно 0,98 для конфигурации SISO. Эти результаты демонстрируют улучшение характеристик связи и зондирования в многоантенных конфигурациях по сравнению с эталонным показателем SISO. Конфигурация SISO на Рисунке 11 приведена исключительно в качестве эталона. Предложенная модель OFDM-ISAC-P была сформулирована для многоантенных систем, в то время как конфигурации 2T2R и 4T4R использовались для оценки прироста производительности, полученного за счет масштабирования количества антенн при одном и том же допущении о канале с доминированием прямой видимости (LoS).

Наконец, эффективность модели OFDM-ISAC-P была оценена при различных конфигурациях параметров системы путем изменения количества поднесущих (64, 128 и 256). Общая полоса пропускания была зафиксирована на уровне 20 MHz, при этом расстояние между поднесущими корректировалось обратно пропорционально их количеству. Конфигурация антенн составляла 2T2R, и была принята модель канала LoS. Пропускная способность канала связи и PDP, полученные при различных значениях SNR (0, 10 и 20 dB), были сопоставлены для предлагаемого метода и метода равного распределения мощности. Соответствующие результаты обобщены в Таблице 3.

МетодКоличество поднесущихПропускная способность канала (бит/с/Гц)Вероятность обнаружения
ОСШ = 0 дБОСШ = 10 дБОСШ = 20 дБОСШ = 0 дБОСШ = 10 дБОСШ = 20 дБ
Равномерное распределение мощности640.982.354.710.370.720.89
1281.323.116.280.420.760.92
2561.754.028.150.460.80.94
Предлагаемая стратегия OFDM-ISAC-P641.533.897.620.520.880.98
1282.155.2310.150.580.910.99
2562.876.7113.280.630.940.99

Таблица 3: Сравнение пропускной способности канала связи и вероятности обнаружения цели при равном распределении мощности и предлагаемой стратегии распределения мощности при различных отношениях сигнал/шум (SNR) и количестве OFDM-поднесущих. Пропускная способность канала связи указана в bps/Hz, а вероятность обнаружения цели представлена в виде вероятности (0–1).

Как показано в таблице 3, увеличение количества поднесущих оказало существенное влияние на производительность системы. При конфигурации с 256 поднесущими предлагаемый метод обеспечил пропускную способность канала связи 13,28 bps/Hz при SNR 20 dB, что на 74,3% больше по сравнению с конфигурацией из 64 поднесущих; при этом PDP остался сопоставимым, что указывает на то, что увеличение числа поднесущих улучшило характеристики связи без существенного снижения эффективности зондирования. При одинаковом количестве поднесущих предлагаемый метод последовательно превосходил стратегию равного распределения мощности. Например, при 128 поднесущих и SNR 10 dB пропускная способность канала связи увеличилась на 68,2%, а PDP вырос на 19,7% по сравнению с равным распределением мощности, что демонстрирует эффективность предложенной стратегии распределения мощности при различных конфигурациях параметров системы. Даже в условиях низкого SNR 0 dB при 64 поднесущих пропускная способность канала связи оставалась на 56,1% выше, чем при использовании равного распределения мощности, что свидетельствует о том, что предлагаемая модель эффективно повышает производительность системы при различных конфигурациях поднесущих, поддерживая широкий спектр требований к распределению спектра.

Практический анализ сценария взаимодействия интеллектуальных транспортных средств и дорожной инфраструктуры

В системе взаимодействия транспортных средств и дорожной инфраструктуры на автомагистралях придорожный модуль (RSU) одновременно выполняет две основные задачи. Первая заключается в передаче данных V2X (Vehicle-to-Everything) транспортным средствам, движущимся на высоких скоростях (100–120 km/h), включая информацию о состоянии дорог в реальном времени, временные ограничения скорости и предупреждения об экстренном торможении. Вторая задача — обнаружение неисправных транспортных средств, дорожного мусора и других препятствий в радиусе 1–2 km с помощью радарного зондирования. В таких условиях высокие скорости транспортных средств вызывают значительные доплеровские сдвиги частоты в канале связи. Следовательно, необходимо сбалансировать пропускную способность канала связи и PDP при доступной мощности передачи. В симуляции используется конфигурация антенн 4T4R, 256 поднесущих, полоса пропускания 20 MHz и модель канала с преобладанием прямой видимости (LoS), что соответствует допущениям, описанным в разделе «Методы». Данный сценарий позволяет оценить помехоустойчивость и эффективность дальнего зондирования предлагаемого метода при движении транспортных средств на высокой скорости. Пропускная способность канала связи и PDP оценивались при SNR 0 dB и 20 dB. Соответствующие результаты представлены на Рисунке 12.

Столбиковая диаграмма, сравнивающая равное распределение мощности и предлагаемую методику исследования; показатели при 0 дБ и 20 дБ.
Рисунок 12. Сравнение показателей связи и зондирования при равном распределении мощности и предлагаемом методе при различных отношениях сигнал/шум (SNR). (A) Результаты, полученные при 0 dB. (B) Результаты, полученные при 20 dB. Столбцы представляют пропускную способность канала связи и вероятность обнаружения цели для двух методов распределения мощности. Планки погрешностей представляют стандартное отклонение (SD), рассчитанное на основе повторных независимых симуляций. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Как показано на рисунке 12A, в условиях низкого SNR 0 dB (соответствующем неблагоприятным условиям распространения сигнала, таким как дождь или густой туман), предлагаемый метод обеспечил пропускную способность канала связи 2.90 bps/Hz, что на 61.1% больше по сравнению с равным распределением мощности (1.80 bps/Hz). PDP увеличился с 46% до 63%, что соответствует абсолютному улучшению на 17 процентных пунктов и относительному улучшению на 37.0% (при использовании 46% в качестве знаменателя). На рисунке 12B показано, что при SNR 20 dB предлагаемый метод обеспечил пропускную способность канала связи 13.30 bps/Hz, что на 60.2% больше по сравнению с равным распределением мощности (8.30 bps/Hz). PDP увеличился с 94% до 98%, что соответствует абсолютному улучшению на 4 процентных пункта и относительному улучшению на 4.3%. Эти результаты моделирования демонстрируют улучшение характеристик связи и зондирования в исследуемом сценарии автомагистрали. Предлагаемая стратегия распределения мощности обеспечила стабильную пропускную способность канала связи и вероятность обнаружения цели в исследуемых условиях многоантенного моделирования, что указывает на возможность ее применения в интегрированных системах зондирования и связи на базе OFDM.

В отличие от сценария на шоссе, показанного на Рисунке 12, в Таблице 4 представлены результаты для сценария взаимодействия автомобиля, дороги и человека на городском перекрестке. В данном сценарии учитываются препятствия в виде зданий, частые остановки и запуски транспортных средств, пешеходные переходы и смешанный поток трафика с участием электромобилей. Соответственно, значения SNR были установлены на уровнях 5, 15 и 25 dB вместо 0 и 20 dB. Соответствующие результаты моделирования обобщены в Таблице 4.

Отношение сигнал/шум (dB)МетодПропускная способность канала (bps/Hz)Вероятность обнаружения (%)Задержка связи (ms)
5Равномерное распределение мощности1.32423.8
Предлагаемая стратегия OFDM-ISAC-P2.15582.5
15Равномерное распределение мощности3.11762.5
Предлагаемая стратегия OFDM-ISAC-P5.23911.8
25Равномерное распределение мощности6.28921.9
Предлагаемая стратегия OFDM-ISAC-P10.15991.2

Таблица 4: Сравнение показателей связи и зондирования при равном распределении мощности и предлагаемой стратегии распределения мощности при различных значениях отношения сигнал/шум (SNR).Оцениваемые показатели эффективности включают пропускную способность канала связи (bps/Hz), вероятность обнаружения цели (%) и задержку связи (ms).

Как показано в Таблице 4, предлагаемый метод обеспечил улучшение характеристик связи и зондирования в смоделированном сценарии городского перекрестка. При SNR 15 dB пропускная способность канала связи достигла 5,23 bps/Hz, что на 68,2% выше по сравнению с равным распределением мощности (3,11 bps/Hz). Соответствующая задержка связи составила 1,8 ms, что представляет собой снижение на 28,0% по сравнению с равным распределением мощности (2,5 ms). Вероятность обнаружения цели (PDP) достигла 91%, что означает относительное улучшение на 19,7% по сравнению с равным распределением мощности (76%). При SNR 25 dB предлагаемый метод обеспечил пропускную способность канала связи 10,15 bps/Hz, что на 61,6% выше по сравнению с равным распределением мощности (6,28 bps/Hz). Задержка связи снизилась до 1,2 ms, а PDP достигла 99%. Даже в условиях более низкого SNR 5 dB пропускная способность канала связи осталась на уровне 2,15 bps/Hz, что на 62,9% выше по сравнению с равным распределением мощности, в то время как задержка связи составила 2,5 ms. Эти результаты моделирования демонстрируют, что предлагаемая стратегия распределения мощности обеспечивает эффективное распределение ресурсов связи и зондирования, а также улучшенные характеристики обнаружения целей в исследованном сценарии городского перекрестка, что подтверждает потенциал ее применения в системах совместного восприятия «транспортное средство — дорога — пешеход».

Для оценки вычислительных затрат предлагаемого метода в одной и той же среде моделирования было проведено сравнение среднего времени оптимизации различных схем распределения мощности. Равномерное распределение мощности продемонстрировало наименьшие вычислительные затраты, так как оно не требовало итерационной оптимизации. Метод WA обеспечил быструю оптимизацию целевой функции, ориентированной на связь, но не оптимизировал напрямую PDP. Традиционный метод BOA потребовал большего количества итераций и более длительного времени оптимизации. В сравнении вычислительных затрат, обобщенном в Таблице 5, внедрение стратегий DSP и DVGM сократило среднее количество итераций сходимости усовершенствованного метода BOA до 98, тем самым уменьшив время оптимизации при сохранении улучшенных характеристик связи и зондирования. Соответствующие результаты представлены в Таблице 5.

Схема распределения мощностиОсновная цель оптимизацииВычислительная сложностьСреднее количество итераций сходимостиСреднее время оптимизацииПрименимость в режиме реального времени
Равное распределение мощностиПоскольку исходный текст не был предоставлен, пожалуйста, отправьте содержимое, которое необходимо перевести. Я готов приступить к профессиональному переводу ваших научных и образовательных материалов JoVE на русский язык, строго соблюдая все указанные требования к академическому стилю, терминологической точности и оформлению протоколов.O(N)Неприменимо0,03 мсВысокие показатели, но плохой баланс производительности.
WAПропускная способность связиO(N log N)Неприменимо0,18 мсВысокая, однако характеристики зондирования не оптимизированы совместно.
Традиционный BOAОбщая цель связи и зондированияO(PID)23512,6 мсУмеренный.
Улучшенный метод BOAНормированная целевая функция совместной связи и зондированияO(PID)985,4 мсПодходит для обновления мощности с большой временной задержкой или на уровне кадров.

Таблица 5: Сравнение вычислительных характеристик различных схем распределения мощности.В таблице сравниваются равномерное распределение мощности, метод заполнения водой (Water-Filling Allocation, WA), традиционный алгоритм оптимизации бабочек (Butterfly Optimization Algorithm, BOA) и улучшенный алгоритм оптимизации бабочек (Improved Butterfly Optimization Algorithm, IBOA) по таким критериям, как цель оптимизации, вычислительная сложность, среднее количество итераций сходимости, среднее время оптимизации и применимость в режиме реального времени. Здесь N обозначает количество OFDM-поднесущих. Вычислительная сложность методов на основе BOA выражается как O(PID), где P представляет размер популяции, I обозначает максимальное количество итераций, а D представляет размерность задачи оптимизации.

Как показано на Таблица 5При равном распределении мощности и использовании WA наблюдались самые низкие вычислительные затраты, однако оптимизировались лишь ограниченные целевые показатели эффективности. Равное распределение мощности не учитывало изменения характеристик канала, в то время как WA в основном оптимизировал пропускную способность канала связи без совместной оптимизации PDP. Улучшенный алгоритм BOA требовал больших вычислительных затрат, так как он итеративно оптимизировал вектор распределения мощности. Тем не менее, по сравнению с традиционным BOA, среднее количество итераций до сходимости сократилось с 235 до 98, а среднее время оптимизации уменьшилось с 12,6 мс до 5,4 мс. Эти результаты показывают, что предложенные улучшения снизили вычислительную нагрузку на BOA при сохранении повышенной эффективности оптимизации. Для приложений связи шестого поколения (6G) в режиме реального времени предложенный метод более подходит для распределения мощности на уровне кадров, групп слотов или сценариев, чем для мгновенной адаптации на уровне символов. Инициализация с «горячим стартом» (warm-start) или реализация с использованием таблиц поиска могут дополнительно сократить задержку принятия решений при последующем внедрении.

Доступность данных:

Данные, подтверждающие результаты этого исследования, представлены в качестве дополнительных материалов к рукописи. Конфигурация параметров симуляции OFDM-ISAC приведена в Дополнительной таблице 1, а числовые исходные данные, лежащие в основе Рисунков 7–12, представлены в Дополнительном файле данных 1.

Дополнительная таблица 1. Конфигурация параметров моделирования интегрированного зондирования и связи на базе OFDM (OFDM-ISAC). В данной таблице обобщены параметры моделирования, использованные для настройки системы OFDM-ISAC, включая параметры формы сигнала, характеристики канала, настройки пользователя и цели, конфигурацию антенн, а также параметры оптимизации, применявшиеся во всех численных расчетах.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл данных 1. Численные исходные данные, лежащие в основе рисунков 7–12. Рабочая книга содержит отдельные листы с численными данными, соответствующими рисункам 7–12, включая значения сходимости и конечной приспособленности для алгоритмов оптимизации на рисунках 7 и 8, данные о пропускной способности канала связи и вероятности обнаружения цели для рисунков 9–12, а также соответствующие условия отношения сигнал/шум, конфигурации антенн и весовые коэффициенты связи, использованные для построения итоговых рисунков.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

Предложенная модель OFDM-ISAC-P направлена на решение задачи баланса между пропускной способностью канала связи и PDP при общем ограничении мощности передачи. В существующих исследованиях ISAC на базе OFDM рассматривались совместное распределение поднесущих и мощности, проектирование общей формы сигнала, динамическое распределение мощности, а также компромиссы между связью и зондированием1,2,7,8,9,10,11,28,29,30. В настоящем исследовании цели связи и зондирования нормализованы для уменьшения влияния разности их размерностей, а для представления различных приоритетов связи и зондирования используются настраиваемые весовые коэффициенты. Затем улучшенный алгоритм BOA, включающий DSP и DVGM, применяется для решения полученной невыпуклой задачи распределения мощности. В данной оценке рассматривается комбинированный улучшенный BOA, объединяющий как DSP, так и DVGM; индивидуальный вклад этих двух механизмов не оценивался отдельно с помощью абляционного анализа и должен быть изучен в будущих работах. Результаты моделирования показывают, что в исследованных условиях данная структура обеспечивает более сбалансированную рабочую точку связи и зондирования по сравнению с равным распределением мощности и WA-распределением, ориентированным на связь.

Данный подход может способствовать развитию исследований в области ISAC на базе OFDM, предоставляя унифицированную среду моделирования для оценки пропускной способности связи, PDP, масштабирования антенн, конфигурации поднесущих, выбора весовых коэффициентов и вычислительных затрат. Связанные исследования показали важность адаптивного распределения ресурсов, оптимизации формы сигнала и распределения мощности в системах ISAC3,4,5,6,7,8,9,10,11,28,29,30. Полученные результаты расширяют это направление за счет сочетания нормированной многокритериальной оптимизации с усовершенствованным популяционным решателем. Оцененные весовые коэффициенты примерно описывают компромисс Парето, при котором увеличение веса связи повышает пропускную способность связи, снижая при этом PDP, а уменьшение веса связи приводит к противоположному эффекту. Таким образом, данная структура обеспечивает методологическую основу для изучения компромиссов между связью и зондированием при различных приоритетах системы, включая сценарии интеллектуального транспорта и автомобильных сетей16,17,26,28.

Остаются некоторые ограничения. Во-первых, валидация полностью основана на математическом моделировании и численных симуляциях с предопределенными параметрами канала, конфигурациями антенн, доплеровскими сдвигами, отношениями сигнал-шум и уровнями шума. Следовательно, сообщаемые выигрыши следует интерпретировать как улучшения на уровне симуляции, а не как прямое доказательство эффективности при развертывании в полевых условиях. Во-вторых, предположение о преобладании прямой видимости (LoS) применимо для оцениваемого сценария взаимодействия транспортных средств и дорог на шоссе, но может быть идеализировано для плотных городских перекрестков, где более выражены распространение без прямой видимости (NLoS), многолучевое отражение, блокировка и быстрые изменения канала19,20,21,26. Эти эффекты распространения могут вызвать более сильные колебания коэффициента усиления канала связи и мощности эха зондирования, тем самым снижая стабильность оптимизированного распределения мощности. Поэтому будущие исследования должны расширить данную структуру на гибридные каналы LoS/NLoS, включающие многолучевые кластеры, случайную блокировку, изменяющуюся во времени информацию о состоянии канала и несовершенную оценку канала.

Текущая модель также не учитывает явным образом многопользовательские помехи, помехи между транспортными средствами, совместное планирование для нескольких приемников или одновременное обнаружение нескольких целей. В практических сетях ISAC шестого поколения целевая функция оптимизации может быть расширена от пропускной способности одного канала связи и одного PDP до многопользовательских и многоцелевых формулировок, включающих ограничения по справедливости, помехам, формированию луча и планированию11,20,22,23,24,30. Что касается зондирования, концентрация мощности передачи на наилучшем подканале может быть подходящей для обнаружения одной точечной цели, но может оказаться недостаточной для радарного изображения, зондирования электромагнитных свойств или сопровождения нескольких целей, где мощность может потребоваться распределить по чувствительным к цели поднесущим, лучам или пространственным направлениям22,23,24,25. Таким образом, альтернативные формулировки могли бы оптимизировать взвешенную вероятность обнаружения, минимальный PDP, точность оценки или совместную эффективность обнаружения и сопровождения. Выпуклая аппроксимация, оптимизация формирования луча, методы кооперативных сетей и распределение ресурсов на основе машинного обучения представляют собой другие возможные подходы к исследованию данной гипотезы2,8,11,16,17,23,24,30.

Данное исследование не включает прототипирование аппаратного обеспечения, измерение данных каналов связи на установленных на транспортных средствах устройствах, полевые эксперименты или реализацию встроенных систем в режиме реального времени. Несмотря на то, что усовершенствованный алгоритм BOA сократил среднее количество итераций сходимости и время оптимизации по сравнению с традиционным BOA, он остался более требовательным к вычислительным ресурсам, чем равномерное распределение мощности и WA. Таким образом, предлагаемый метод в текущей реализации более подходит для распределения мощности на уровне сценария, кадра или группы слотов, чем для мгновенной корректировки на уровне символов. В будущих работах следует оценить инициализацию с «горячим стартом», использование таблиц поиска, параллельные вычисления и облегченную аппроксимацию на основе машинного обучения для снижения задержки принятия решений. Также потребуются тестирование с аппаратным обеспечением в контуре (hardware-in-the-loop), измерение дорожных каналов связи автомобиля в условиях прямой (LoS) и отсутствующей (NLoS) видимости, а также реализация в режиме реального времени, чтобы определить, сохранятся ли наблюдаемые на уровне симуляции улучшения при практической неопределенности канала и вычислительных ограничениях. Соответственно, примеры интеллектуальных транспортных систем следует интерпретировать как анализ осуществимости на основе моделирования, а не как верифицированные инженерные внедрения.

В заключение следует отметить, что растущий спрос на беспроводную связь и радарное зондирование обострил противоречие между ограниченными спектральными ресурсами и расширяющимися требованиями к обслуживанию, что делает ISAC важным подходом к улучшению использования ресурсов12,13,14,15,19,26. В данном исследовании была построена модель OFDM-ISAC-P, получены эталонные решения, ориентированные на связь и зондирование, с помощью WA и детектирования по обобщенному максимальному отношению правдоподобия, а также внедрено нормированное взвешивание для устранения размерной несогласованности между двумя целями. Затем улучшенный алгоритм BOA был использован для решения полученной модели распределения мощности и балансировки характеристик связи и зондирования. В сравнении вычислительных затрат, приведенном в Таблице 5, среднее количество итераций сходимости улучшенного BOA сократилось на 58,3% по сравнению с традиционным BOA. При оцениваемой конфигурации 4T4R при 20 dB модель OFDM-ISAC-P обеспечила пропускную способность канала связи примерно 60 bps/Hz и значение PDP, близкое к 1. В исследованных многоантенных сценариях с преобладанием прямой видимости (LoS) предлагаемый метод эффективно повысил пропускную способность канала связи и вероятность обнаружения цели, тем самым достигнув сбалансированного компромисса между характеристиками связи и зондирования. Однако исследование по-прежнему ограничено симуляционными сценариями с преобладанием LoS и не учитывает многопользовательские помехи, моделирование каналов без прямой видимости (NLoS) или регулировку мощности в режиме реального времени в условиях быстро меняющихся каналов. Будущие исследования должны быть направлены на расширение модели для многопользовательских систем OFDM-ISAC, внедрение моделей NLoS и моделей измеренных каналов, обработку эхо-сигналов зондирования нескольких целей, а также изучение адаптивного распределения мощности с использованием глубокого обучения и других методов с низкой сложностью для повышения скорости отклика в динамических средах и обеспечения дальнейшей практической оценки технологии ISAC16,17,21,26,28.

Раскрытие информации

Конфликт интересов:

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы выражают благодарность за финансовую поддержку в рамках Проекта по исследованиям в области естественных наук Департамента образования провинции Ляонин, Китай (грант № JYTMS20230009), проект по научно-техническим исследованиям и разработкам города Далянь, Китай (грант № 2024JB11GX001), и проект по развитию профильных команд Даляньского университета науки и технологий (грант № KYXK2025001).

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
CVXPYCVXPY DevelopersВерсия 1.4Пакет выпуклой оптимизации, используемый для верификации модели распределения мощности.
Улучшенная программа оптимизации BOAАвторыНеприменимоСпециальная реализация улучшенного алгоритма оптимизации бабочек (Improved Butterfly Optimization Algorithm, IBOA), используемая для решения модели распределения мощности OFDM-ISAC-P с применением динамической вероятности переключения и динамической дисперсии гауссовой мутации.
Эталонный набор данных для симуляции ISACАвторыНеприменимоЭталонный набор данных для симуляции, созданный авторами и используемый для оценки предлагаемого метода распределения мощности при различных отношениях сигнал/шум, конфигурациях антенн и количестве поднесущих.
MATLABThe MathWorks, Inc.R2023bПлатформа, используемая для численного моделирования и визуализации результатов.
NumPyNumPy DevelopersВерсия 1.26Библиотека для численных вычислений, используемая для операций с массивами, рандомизированной инициализации и статистического анализа.
Программа симуляции OFDM-ISACАвторыНеприменимоСпециальный код симуляции, используемый для построения модели канала OFDM-ISAC, расчета пропускной способности канала связи и оценки вероятности обнаружения цели.
PyTorchPyTorch FoundationВерсия 2.1Фреймворк для тензорных вычислений, используемый для численного моделирования и матричных операций.
Среда программирования PythonPython Software FoundationPython 3.10Язык программирования, используемый для реализации алгоритмов и численных вычислений.
Операционная система UbuntuCanonical Ltd.Ubuntu 22.04 LTSОперационная система, используемая для реализации симуляций распределения мощности OFDM-ISAC.

Ссылки

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. 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.
  19. 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.
  20. 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.
  21. 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.
  22. 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.
  23. 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.
  24. 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.
  25. 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.
  26. 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.
  27. 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.
  28. 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.
  29. 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.
  30. 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.

Перепечатки и разрешения

Теги

OFDM
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.