面向6G联合通信与感知的复值神经网络波形设计框架

《IEICE Transactions on Communications》：Waveform design using complex-valued neural networks for joint communication and sensing

　　联合通信与感知（JCAS）最近已成为未来6G无线网络的关键技术。JCAS通过共享发射波形同时实现通信和雷达感知功能，既降低了硬件成本，又提高了能效。然而，设计能够同时提供高通信效率和准确感知能力的波形仍然是一个具有挑战性的研究问题。因此，近期研究已探索了各种针对JCAS定制的传输框架和波形设计方法。在本文中，我们提出了一种基于复值神经网络（CV-NN）的新波形设计框架，可同时提升通信效率和雷达感知性能。所提方法通过CV-NN架构将源消息转换为离散多电平调制波形，在保持可靠通信性能的同时，实现了良好的自相关和互相关特性。此外，本文通过引入通信符号嵌入、接收机处理以及雷达感知与通信性能的联合评估，将所提波形设计框架扩展到端到端的以雷达为中心的JCAS场景。数值仿真证实，所提框架生成的波形相较于传统算法具有更优的相关特性。此外，当应用于以雷达为中心的JCAS场景时，所提波形在保持准确感知性能的同时提高了通信效率，证明了所提框架作为完整JCAS传输方案的有效性。