知识卡片：面向5G及未来系统的多基地ISAC深度学习杂波抑制

一句话结论

该论文提出一种带杂波抑制的多基地集成感知与通信（ISAC）框架，利用残差与注意力增强的深度神经网络直接从受杂波污染的观测中增强目标响应，在密集动态杂波条件下对目标位置与速度估计的表现显著优于传统信号处理方法。

事件概述或研究问题

• 研究场景：利用5G及未来信号作为机会信号（signals of opportunity）的ISAC系统，可在共享基础设施与频谱资源上同时完成无线感知与通信。
• 多基地ISAC通过空间分布接收机扩大感知覆盖范围，但密集且动态的杂波会严重退化双基地距离与多普勒估计，进而导致目标定位与速度估计出错。
• 核心问题：如何在强杂波条件下实现高保真的目标位置与速度估计。

方法/产品要点

• 杂波建模：用随机位置、具有不同多普勒扩展和雷达截面积（RCS）的散射体建模分布式杂波，以刻画密集与动态杂波效应。
• 传统基线评估：评估了多种常规信号处理杂波抑制基线方法，发现在强杂波条件下鲁棒性有限。
• 深度学习杂波抑制：引入基于深度学习的杂波抑制方法，采用残差网络与注意力增强的深度神经网络架构，直接从含杂波观测中增强目标响应。
• 论文未在摘要中给出具体网络层数、训练数据规模、仿真参数或量化指标，此类细节待核实。

主要结果或产业意义

• 摘要称深度学习方法在多基地ISAC的多种杂波条件下，对目标位置与速度估计“显著优于”传统方法（substantially outperform）；具体提升幅度、对比指标与实验设置待核实。
• 产业意义：为5G及未来网络复用通信基础设施开展感知提供了抗杂波的技术路径，有望提升多基地部署在复杂环境下的定位与测速可靠性。

为什么重要

• 多基地ISAC的覆盖优势在密集动态杂波下容易被抵消，杂波抑制是决定其能否实用的关键环节。
• 将深度学习引入ISAC信号处理链路，代表“AI增强感知”在通信感知一体化方向的具体落地尝试，对后续系统设计与标准化讨论具有参考价值。
• 与既有卡片（如MRICombo的医学分割、SOAP/Muon优化器、无标签真实-虚假分类）不同，本条聚焦无线感知中的杂波抑制问题，属新增脉络。

局限与不确定性

• 本文结论基于作者自建的杂波仿真模型（随机散射体、多普勒扩展与RCS设定），是否覆盖真实部署环境待核实。
• 摘要未披露数据集来源、训练/测试划分、基线方法清单、量化评估指标与统计显著性，需查阅全文。
• 深度学习方法的泛化性（跨场景、跨杂波分布）与计算开销未在摘要中说明，待核实。
• 论文为arXiv预印本（v1），尚未确认同行评审状态。

可用于图书/PPT/简报的角度

• “AI为ISAC抗杂波”：从传统信号处理到深度学习增强的演进叙事。
• 多基地感知的覆盖增益与杂波代价之间的权衡。
• 5G/6G网络中通信与感知资源共享的典型技术挑战与AI解法。
• 残差与注意力架构在物理层信号增强中的跨领域迁移。

原始材料

• 标题：Multistatic ISAC with Deep Learning-Based Clutter Suppression for 5G and Beyond
• 作者：Yalin E. Sagduyu, Tugba Erpek, Sastry Kompella
• arXiv ID：2610.40586v1（cs.NI；交叉分类 cs.AI, cs.LG, eess.SP）
• 提交/更新：2026-10-29
• 摘要页：https://arxiv.org/abs/2610.40586v1
• PDF：https://arxiv.org/pdf/2610.40586v1