深度学习驱动的ISAC系统：识别精度与通信速率的权衡

"这篇论文探讨了在集成传感和通信(ISAC)系统中，识别精度与通信速率之间的权衡关系。作者Guoliang Li、Shuai Wang、Jie Li、Rui Wang、Fan Liu、Meihong Zhang、Xiaohui Peng和Tony Xiao Han通过深入学习方法，针对基于深度谱网络的人体运动识别任务，分析了这一新兴技术的性能瓶颈和优化策略。" 在当前的无线通信环境中，集成传感和通信(ISAC)技术已经成为提高频谱利用率的有效手段，它允许雷达和通信系统共享硬件或频谱资源。然而，这种资源共享方式带来了感知性能（识别精度）与通信性能（数据速率）之间的折衷问题。以往的研究对此权衡关系的理解并不充分，特别是在深度学习驱动的ISAC系统中，用于人体运动识别的任务更是如此。 本文的核心贡献在于，它建立了一个多目标优化问题，旨在同时最大化识别准确率和通信数据速率。为了构建这个模型，研究者们提出了一种非线性的识别精度模型，该模型与无线资源分配直接相关。这个模型是通过对深度谱网络系统性能的幂函数回归分析得出的，这为理解和调整ISAC系统的资源分配提供了新的视角。 传统上，通信系统的设计通常关注于数据传输速率的提升，而感知任务则侧重于精度。然而，ISAC系统需要在这两个目标之间找到平衡。通过非线性模型，论文揭示了在不同无线资源分配策略下，识别精度与通信速率如何相互影响。这有助于设计者更好地理解在有限的资源条件下，如何优化系统配置，以实现两者的最佳协同工作。 此外，该研究还可能对未来的ISAC系统设计产生深远影响，尤其是在物联网(IoT)、自动驾驶和智能城市等应用中，这些场景需要高精度的环境感知和高效的数据传输。通过优化识别与通信之间的权衡，可以实现更智能、更节能的无线通信解决方案。 这篇论文为理解和优化ISAC系统中的感知通信权衡提供了一个新的理论框架，并通过实证分析提供了深度学习在这一领域的应用见解。这对于推动ISAC技术的发展，以及进一步探索通信与感知在复杂环境下的融合，具有重要的理论价值和实践意义。