基于深度学习杂波抑制的5G及后续多基地ISAC

利用5G及后续机会信号的集成感知与通信（ISAC）系统借助共享基础设施和频谱资源，实现无线感知与通信的协同。尽管多基地ISAC能够通过空间分布式接收机扩大感知覆盖范围，但密集且动态的杂波会显著降低双基地距离和多普勒估计的性能，导致目标定位和速度估计出现误差。本文提出了一种带有杂波抑制功能的多基地ISAC框架，用于高保真地估计目标位置和速度。通过对具有不同多普勒展宽和雷达散射截面的随机分布散射体进行建模，刻画分布式杂波的密集性和动态特征。本文评估了多种传统信号处理杂波抑制基线方法，结果表明，在强杂波条件下，这些方法的鲁棒性有限。为解决这一局限，本文引入基于深度学习的杂波抑制方法，采用残差和注意力增强型深度神经网络架构，直接从受杂波污染的观测中增强目标响应，从而提升对密集且动态杂波的鲁棒性。在多基地ISAC的多种杂波条件下，这些方法在目标位置和速度估计方面均显著优于传统方法。