基于信道状态信息CSI的非正交多址NOMA多用户感知系统，该系统允许多个感知用户在同一个频带内发送信号，并在接收端实现信号分离​

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

本文介绍了一种基于信道状态信息 (CSI) 的非正交多址 (NOMA) 多用户感知系统，该系统允许多个感知用户在同一个频带内发送信号，并在接收端实现信号分离。该方法基于文献“CSI-based Sensing with NOMA of Multiple Sensing Users for ISAC”[1]，为协同感知提供了一种新的解决方案。

引言

近年来，随着无线通信和传感技术的飞速发展，人们对无线感知的需求日益增长。在传统感知系统中，多个用户通常需要使用不同的频带或时间槽进行感知，这会造成频谱资源的浪费。为了提高频谱利用率，非正交多址接入 (NOMA) 技术被引入到感知系统中。

NOMA 允许多个用户在同一频带内同时传输数据，通过在接收端利用用户的信道差异来区分不同的用户信号。这使得多个用户能够共享相同的频谱资源，提高了频谱效率。然而，在 NOMA 感知系统中，如何有效地分离来自多个感知用户的信号是一个关键挑战。

基于CSI的多用户NOMA感知系统

本文介绍了一种基于 CSI 的多用户 NOMA 感知系统，该系统能够在接收端有效地分离来自多个感知用户的信号。该系统包括一个通信用户和多个感知用户。通信用户在 NOMA 模式下与接收器进行通信，而感知用户则利用相同的频带发送他们的感知信号。

信号模型

信号分离

为了分离接收信号中的各个用户信号，接收机需要利用每个用户的信道状态信息 (CSI)。通过估计每个用户的信道增益，接收机可以构造一个接收滤波器，该滤波器可以有效地分离不同用户的信号。

信号检测

在分离出每个用户的信号后，接收机可以对其进行检测，从而获得每个用户的感知信息。检测过程可以采用传统的信号检测算法，例如最大似然 (ML) 检测或最小均方误差 (MMSE) 检测。

算法流程

该算法的流程如下：

1. 接收机估计每个用户的信道增益 ℎ�hc 和 ℎ�hk。

2. 接收机构造一个接收滤波器，该滤波器可以有效地分离不同用户的信号。

3. 接收机利用接收滤波器分离来自每个用户的信号。

4. 接收机对每个用户的信号进行检测，从而获得每个用户的感知信息。

性能评估

通过仿真实验，该算法的性能得到了验证。仿真结果表明，该算法能够在保证通信用户通信质量的情况下，有效地分离来自多个感知用户的信号，从而实现协同感知。

结论

本文介绍了一种基于 CSI 的多用户 NOMA 感知系统，该系统能够在同一个频带内实现多个用户的感知。该方法能够有效地分离来自多个感知用户的信号，提高了频谱利用率，为协同感知提供了新的解决方案。

⛳️ 运行结果

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9  雷达方面