让“通感”更聪明：人工智能在通信感知一体化中的非线性建模优势

把物理结构“写进网里”，让数据把非线性“补齐到位”，AI 才能把通感融合带到工程可用的下一层台阶。

weixin_63763813

391人浏览 · 2025-10-06 11:10:39

weixin_63763813 · 2025-10-06 11:10:39 发布

让“通感”更聪明：人工智能在通信感知一体化中的非线性建模优势

面向通信感知一体化（ISAC/通感融合），人工智能不仅是“更强的拟合器”，更是能把硬件非理想、信道稀疏性、散射非高斯性、目标机动性等复杂因素揉进同一套模型里的“非线性工程师”。

1. 为什么 ISAC 天然需要“非线性大脑”？

传统线性范式的边界
ISAC 同时要做高可靠通信与高分辨感知。很多关键环节（信道估计、干扰抑制、目标检测与参数估计）沿用线性高斯假设与二次型代价。然而现实里经常出现：

硬件非理想：功放 AM/AM、AM/PM，IQ 不平衡，相位噪声，ADC 饱和、压缩。
传播与散射：非高斯/非平稳杂波，非线性多径合成，遮挡与稀疏结构。
系统级耦合：同一波形既用于通信又用于感知，任务耦合导致统计分布“扭曲”。

这些都在提醒我们：真实世界是非线性的，而“线性-高斯-凸优化”的工具箱并不总够用。

2. 神经网络的非线性表达：从“能不能”到“怎么用”

通用近似能力
神经网络可实现从观测到任务输出的非线性映射：
$z^=fθ(x) \hat{\mathbf{z}} = f_{\boldsymbol{\theta}}(\mathbf{x})$
其中 $x\mathbf{x}$ 是接收数据（时域或频域）、 $z^\hat{\mathbf{z}}$ 是我们要的量（信道、目标参数、置信度等）， $fθf_{\boldsymbol{\theta}}$ 是可训练的非线性函数（参数为 $θ\boldsymbol{\theta}$ ）。该表达能覆盖多类非线性：饱和与压缩、相位扭曲、非高斯噪声、复杂耦合等。

先验与结构融入（Physics/Model-informed）
不是“黑盒万能钥匙”。实际更推荐模型驱动 + 数据驱动结合：

深度展开（Unfolding）：把迭代算法的每一步写成一层网络，既保留物理含义，又让每步参数可学习。
结构化层：FFT、匹配滤波、波束形成等算子以固定层注入，学习重点放在非线性与不确定性上。
多任务头（Multi-head）：通信与感知共享主干，分头输出解调可信度、目标的距离/速度/角度等。

3. 典型应用场景与效果

3.1 非线性硬件补偿（数字前置线性化 + 同步校正）

目标：同时提升链路 EVM 与感知处理的相位一致性。
思路：学习 $fθf_{\boldsymbol{\theta}}$ 近似逆向补偿：
$\mathbf{x}_{\text{lin}} = f_{\boldsymbol{\theta}}^{-1}(\mathbf{x}_{\text{meas}})$
变量解释： $xmeas\mathbf{x}_{\text{meas}}$ 为含非线性与相噪的实测样本， $xlin\mathbf{x}_{\text{lin}}$ 为期望的“线性化”输出。
优势：相较基于 Volterra 的固定结构，NN 能自适应更高阶与耦合项，减少手工建模成本。

3.2 非高斯/非稳杂波下的目标检测与参数估计

传统：CFAR、GLRT 假设高斯或稳态统计。
AI 路径：以时–频–角多维特征为输入，学习检测统计量
$T_{\text{NN}} = f_{\boldsymbol{\theta}}(\mathbf{X})$
变量解释： $X\mathbf{X}$ 为多维特征张量（如多脉冲频域谱、空域快拍、时频块等）， $TNNT_{\text{NN}}$ 为学得的检测分数。
效果：在非高斯尾部、强杂波背景下， $P_D$ （检出率）可在相同 $PFAP_{\mathrm{FA}}$ （虚警率）下降提升；对遮挡/弱散射目标更敏感。

3.3 非线性信道估计与联合感知

通信视角：在硬件非理想 + 稀疏多径 + 阵列失配下，LMMSE 等线性估计出现偏差。
AI 视角：以导频 + 数据符号的残差信息作为输入，输出稀疏/低秩先验下的非线性信道估计 $H^\hat{\mathbf{H}}$ 。
进一步：与感知共享特征主干，联合输出目标参数 $η^=[τ^,ν^,θ^]\hat{\boldsymbol{\eta}} = [\hat{\tau},\hat{\nu},\hat{\theta}]$ （时延、多普勒、到达角）。
$[H^,,η^]=fθ(Y,P) [\hat{\mathbf{H}},,\hat{\boldsymbol{\eta}}] = f_{\boldsymbol{\theta}}(\mathbf{Y},\mathbf{P})$
变量解释： $Y\mathbf{Y}$ 为接收符号张量， $P\mathbf{P}$ 为导频/参考结构。

3.4 自适应波形与资源调度（强化学习）

任务：在通信速率、感知分辨与能耗之间做动态权衡。
方法：用策略网络 $πθ(a∣s)\pi_{\boldsymbol{\theta}}(a|s)$ 在状态 $s$ （信道质量、目标密度、剩余能量）下选择动作 $a$ （子载波/功率/PRB/扫频策略）。
收益：在非平稳与耦合强场景下，相比固定规则有更稳的长期回报。

3.5 生成式建模用于数据增强与仿真域对齐

问题：实测数据难得，仿真域存在分布偏移。
解法：用生成模型学真实噪声、杂波、非理想特征，生成“拟真”数据以训练/微调下游模型；或做风格迁移以缩小仿真–实测域差距。

4. 一个“模型驱动 + 数据驱动”的落地范式

管线概览

结构化前端：固定层实现 FFT/匹配滤波/波束形成，输出物理可解释特征。
非线性主干：CNN/Transformer 提取跨时–频–空相关。
多任务头：
- 通信头：软信息、信道矩阵、EVM 估计；
- 感知头：检测分数、 $τ^\hat{\tau}$ 、 $ν^\hat{\nu}$ 、 $θ^\hat{\theta}$ 。
训练目标（示例）：
$L=λ1∣H−H^∣22+λ2CE(y,y^)+λ3SmoothL1(η,η^) \mathcal{L} = \lambda_1 |\mathbf{H}-\hat{\mathbf{H}}|_2^2 + \lambda_2 \mathrm{CE}(y,\hat{y}) + \lambda_3 \mathrm{SmoothL1}(\boldsymbol{\eta},\hat{\boldsymbol{\eta}})$
变量解释： $H\mathbf{H}$ 为真值信道， $y$ 为调制/解码标签， $η\boldsymbol{\eta}$ 为目标真值参数； $λi\lambda_i$ 为损失权重。
在线自适应：小步长或少量实测样本的快速微调，稳健应对设备漂移与场景变化。

5. 小型“对照实验”思路

任务：在强相位噪声 + 非高斯杂波下做多目标检测与速度估计。

线性基线：匹配滤波 + CFAR + DFT 速度估计。
AI 模型：结构化前端（固定匹配滤波与 STFT）+ CNN 检测头 + 回归头估计多普勒。
对比指标：
- 检测： $P_D$ 在相同 $PFAP_{\mathrm{FA}}$ 下的提升；
- 估计：速度 RMSE、置信区间覆盖率；
- 稳健性：相位噪声抖动与饱和比例变化下的退化曲线。
预期现象：AI 模型对非高斯尾部、轻度饱和与频偏更不敏感，ROC 曲线外推更优，速度估计 RMSE 更低。

6. 复杂度与部署：从实验室到边缘设备

实时性：
- 运算预算 = 帧内时限（例如 1–5 ms）− RF/BBI/O 延迟。
- 手段：网络蒸馏、结构剪枝、INT8 量化、分块并行、CPU/GPU/FPGA/ASIC 协同。
资源映射：
- FFT/相关等固定层上 FPGA；
- 主干轻量 CNN/Transformer 上 DSP/GPU；
- 高吞吐链路用流水线与批量化推理。
鲁棒性：
- 域泛化（多域训练、风格扰动）、不确定性估计（温度缩放、深度集成），提升外场可迁移性。
可解释性：
- 显著性图、特征响应与物理变量对齐；
- 展开式网络的“每层即一步”有助调参与排障。

7. 与传统方法的侧重差异（要点对比）

维度	传统线性范式	AI 非线性范式
噪声/杂波假设	常见高斯、稳态	直接学习非高斯、非稳结构
硬件非理想	手工建模（如 Volterra）	端到端学得逆映射，覆盖耦合项
通感耦合	分步解耦处理	多任务共享特征，联合最优
调参与适配	规则/阈值手调	数据驱动自适应、在线微调
解释性	强（模型闭式）	可通过展开/先验注入增强
部署成本	低到中	需算力与工程优化，但收益显著