✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码
（1）基于OMP的稀疏RDM重构算法：
在5G NR帧结构下，感知信号采用时频域稀疏映射的DMRS作为探测序列，导致距离-多普勒谱出现高旁瓣干扰。提出采用压缩感知中的正交匹配追踪（OMP）算法从部分测量中重构完整RDM。首先建立感知接收信号的稀疏表示模型，以超分辨率网格划分距离-多普勒平面，距离维划分1000格，多普勒维划分200格，构建观测矩阵。利用OMP迭代选择与当前残差最相关的原子，每次迭代通过最小二乘更新稀疏系数，迭代停止条件为残差能量低于噪声功率的1.5倍或达到最大稀疏度K=15。为加速计算，提前计算观测矩阵与接收信号的内积并存储在查找表中。在信噪比-2dB条件下，OMP重构的RDM旁瓣水平比传统匹配滤波降低了12dB，目标检测概率从传统方法的68%提升至81%，距离和多普勒估计精度分别提高约18%和22%。
（2）通信与感知一体化波形设计与资源分配：
仿真软件集成了灵活的一体化波形配置模块。物理层基于5G NR参数集μ=1（子载波间隔30kHz），可配置不同类型参考信号（DMRS、CSI-RS、SRS）作为感知信号，并支持梳状、交错等多种时频资源映射模式。在链路级评估中，对比了DMRS配置类型1和类型2的感知性能，类型2由于频域密度更高，距离分辨率提升约0.18m。系统级平台进一步实现多基站合作感知功能：多个gNB通过Xn接口交换感知测量信息，采用加权最小二乘定位算法融合各站的距离/角度估计，权重由各站接收信噪比决定。仿真实验设置7个路侧基站协同探测道路上的无人车，合作感知定位误差为0.72m，较单站感知的1.35m减少了46.7%，验证了双站/多站感知增益。
（3）面向无人机探测的仿真验证与指标统计：
基于真实地理环境导入OpenStreetMap地图构建三维仿真场景，部署4辆无人车以10m/s速度行驶和6架无人机以8m/s速度飞行。基站间隔500m，载频28GHz，发射功率30dBm，通信与感知时隙比例3:1。运行90秒仿真，统计感知性能指标：90%的无人车定位精度可达0.91m，90%的无人机定位精度为1.11m，满足大多数用例需求。同时，软件实时可视化显示感知轨迹与真实轨迹的对比，记录通信吞吐量。当感知功能开启时，通信吞吐量仅下降约4.7%，表明通感一体化对通信性能影响很小。仿真软件还提供了基于MATLAB App Designer的GUI，可拖拽配置场景、调整参数、生成PDF报告，为后续标准化工作提供评估工具。
import numpy as np from numpy.linalg import lstsq # OMP重构RDM def omp_rdm_reconstruct(y, A, sparsity=15, tol=1.5): residual = y.copy() support = [] atoms_selected = [] m, n = A.shape for iter in range(sparsity): # 匹配 proj = np.abs(A.T @ residual) idx = np.argmax(proj) support.append(idx) atoms_selected.append(A[:, idx]) A_s = np.column_stack(atoms_selected) # 最小二乘更新系数 x_hat, _, _, _ = lstsq(A_s, y) residual = y - A_s @ x_hat # 收敛判断 if np.linalg.norm(residual) < tol * np.std(y): break # 重建RDM rdm = np.zeros(n) rdm[support] = np.abs(x_hat) return rdm.reshape(1000, 200) # 一体化波形资源分配简单模型 def config_sensing_signal(N_sc=600, mapping_type='comb2'): grid = np.zeros((14, N_sc)) # 14 OFDM符号, N_sc子载波 if mapping_type == 'comb2': for sym in range(3, 14, 2): grid[sym, ::2] = np.exp(1j*np.random.uniform(0, 2*np.pi, N_sc//2)) elif mapping_type == 'type2': for sym in [2, 7, 11]: groups = N_sc // 12 * 2 for g in range(groups): offset = g * 6 grid[sym, offset:offset+2] = np.exp(1j*np.random.uniform(0,2*np.pi,2)) return grid # 多基站加权最小二乘定位 def cooperative_localization(measurements): # measurements: list of (bs_pos, range_est, angle_est, snr) A = []; b = [] weights = [] ref_pos = measurements[0][0] for i, (pos, r, ang, snr) in enumerate(measurements[1:]): dx = pos[0] - ref_pos[0]; dy = pos[1] - ref_pos[1] A.append([dx, dy]) b.append(0.5 * (dx**2 + dy**2 - r**2 + ref_pos[0]**2 - pos[0]**2)) weights.append(snr) A = np.array(A); b = np.array(b) W = np.diag(weights) loc = np.linalg.inv(A.T @ W @ A) @ A.T @ W @ b return loc + ref_pos # 性能评估指标统计 def evaluate_performance(gt_tracks, estimated_tracks): errors = np.linalg.norm(np.array(gt_tracks) - np.array(estimated_tracks), axis=1) percentile_90 = np.percentile(errors, 90) median_err = np.median(errors) return percentile_90, median_err # GUI伪代码（Matlab App Designer风格接口） def app_designer_callback(btn): params = read_ui_controls() scenario = generate_scenario(params) results = run_simulation(scenario) update_plots(results) export_report(results)如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
