无细胞ISAC系统：基于学习的信道估计与协同波束成形

《IEEE Transactions on Cognitive Communications and Networking》：Cell-Free ISAC Systems: Learning-Based Channel Estimation and Coordinated Beamforming

　　本文研究了一种细胞-free多输入多输出集成感知与通信系统，通过联合优化导频序列实现高效信道估计与协调波束成形，结合Transformer和图神经网络（GNN）模型，采用时分双工协议与监督学习方法，有效降低系统开销，仿真验证了其在信道估计精度、目标检测性能及通信质量上的优越性。

　　

摘要：

本文研究了一种无蜂窝网络的多输入多输出集成感知与通信（ISAC）系统，重点关注信道估计和协同波束成形，同时尽量减少系统开销。为实现这一目标，我们在信道估计和数据传输期间的协同波束成形过程中联合优化导频序列，以提高目标检测的效率。具体而言，在中央处理单元中，我们使用Transformer进行信道估计，使用图神经网络（GNN）进行协同波束成形。首先，我们提出了一种时分双工协议用于信道估计和粗略目标检测；采用监督学习方法来逼近最优解，并利用训练有素的数据集。其次，我们将无蜂窝网络ISAC的拓扑结构建模为异构图，包含不同类型的节点和边，并采用基于GNN的方法进行协同波束成形。这两种学习模型均在线下进行训练，然后在线上部署。仿真结果表明，所提出的方案在信道估计精度、目标检测性能和通信信号质量方面均具有有效性。