Joint Transmit and Reflective Beamforming for IRS-Assisted Integrated Sensing and Communication

II. SYSTEM MODEL AND PROBLEM FORMULATION

我们考虑如图1所示的IRS辅助ISAC系统，该系统由一个具有 $M>1$ 个发射天线的BS，一个具有1个接收天线的CU，一个具有 $N>1$ 个单元的 ULA-IRS 以及BS NLoS区域的多个潜在目标组成。为了进行初步研究，假设BS完全知道全局信道状态信息（CSI）和目标的大致方向。

为了方便ISAC，我们认为BS使用发射波束形成来发送信息和专用雷达传感信号。设 $s$ 为CU所需的信息信号，$\mathbf{w}\in {\mathbb{C}}^{M\times 1}$ 为相应的发射波束形成矢量，其中设 $s$ 为均值为零，单位方差为零的随机变量。设 ${\mathbf{x}}_0\in {\mathbb{C}}^{M\times 1}$ 表示专用的传感信号，是一个随机生成的序列与s无关，具有零均值和协方差矩阵${\mathbf{R}}_0\triangleq \mathbb{E}\left(x_0{x}_0^{\text{H}}\right)\succcurlyeq 0$ 。注意我们考虑了一般的多波束感知信号传输以0≤rank(R0)≤M，以便为感知提供更多的自由度。其中rank(R0)对应BS发送的感应光束数，每个感应光束可通过R0的特征值分解(EVD)得到。将信息信号与传感信号结合，BS发射的信号x为

$$\begin{array}{c}\mathbf{x}=\mathbf{ws}+{\mathbf{x}}_0.\end{array}\text{\hspace{1em}(1)}$$

设P0表示BS点处的最大发射功率。我们有发射功率约束为

$$\begin{array}{c}\mathbb{E}\left(\Vert \mathbf{x}{\Vert }^2\right)=\Vert \mathbf{w}{\Vert }^2+\mathrm{tr}\left({\mathbf{R}}_0\right)\le P_0.\end{array}\text{\hspace{1em}(2)}$$

首先，我们考虑从BS到CU的信息传输。设 $\mathbf{G}\in {\mathbb{C}}^{N\times M},{\mathbf{h}}_{\text{r}}\in {\mathbb{C}}^{N\times 1}$，${\mathbf{h}}_{\text{d}}\in {\mathbb{C}}^{M\times 1}$ 分别表示BS-IRS链路的信道矩阵，IRS-CU和BS-CU链路的信道向量。注意，通道矩阵/矢量 $\mathbf{G}$、${\mathbf{h}}_r$ 和 ${\mathbf{h}}_{\mathrm{d}}$ 可能包含相应链路中的LoS和NLoS信号路径。更进一步，设 ${\varphi }_n\in (0,2\pi ]$ 表示反射元件 n ∈ { 1 , 2 , ⋯   , N } n \in\{1,2, \cdots, N\} n∈{1,2,⋯,N} 在IRS处的相移，$\mathbf{\Phi }=\mathrm{diag}\left(e^{j{\varphi }_1},\dots ,e^{j{\varphi }_N}\right)$ 表示对应的反射波束形成矩阵。将直接BS-CU链路传输的信号与反射BS-IRS-CU链路相结合，在CU处接收到的信号为

$$y=\left({\mathbf{h}}_{\mathrm{r}}^{\mathrm{H}}\mathbf{\Phi }\mathbf{G}+{\mathbf{h}}_{\mathrm{d}}^{\mathrm{H}}\right)\left(\mathbf{w}s+{\mathbf{x}}_0\right)+n\text{\hspace{1em}(3)}$$

其中 $n\sim \mathcal{C}\mathcal{N}\left(0,{\sigma }^2\right)$ 表示CU接收器处的加性高斯白噪声(AWGN)。需要注意的是，在CU接收端，接收信息信号 $s$ 可能会受到感测信号 ${\mathbf{x}}_0$ 的干扰。然而，由于 ${\mathbf{x}}_0$ 可以离线生成，因此CU在传输之前就知道，因此CU可以预先取消来自 ${\mathbf{x}}_0$ 的干扰，以便于 $s$ 的解码[7]。经过这样的处理，CU接收到的SNR为

$$\gamma =\frac{{\left|\left({\mathbf{h}}_{\mathrm{r}}^{\mathrm{H}}\mathbf{\Phi }\mathbf{G}+{\mathbf{h}}_{\mathrm{d}}^{\mathrm{H}}\right)\mathbf{w}\right|}^2}{{\sigma }^2}\text{\hspace{1em}(4)}$$

接下来，我们考虑雷达对 BS NLoS 区域潜在目标的感知。在这种情况下，我们使用由IRS反射产生的 virtual LoS links 来感知它们。因此，我们采用IRS在期望的传感角度上的波束方向增益作为传感性能指标。设 $d_{\text{IRS }}$ 表示IRS处连续反射元件之间的间距，$\lambda$ 表示波长。在IRS处，离开角(AoD) $\theta$ 的导向矢量

$$\mathbf{a}(\theta )={\left[1,e^{j\frac{2\pi d_{\mathrm{IRS}}}{\lambda }\sin \theta },\dots ,e^{j\frac{2\pi (N-1)d_{\mathrm{IRS}}}{\lambda }\sin \theta }\right]}^{\mathrm{T}}$$

$$\begin{array}{rl}(\mathrm{P}1):\underset{\mathbf{w},{\mathbf{R}}_0,\mathbf{\Phi }}{\max }& \underset{l\in \mathcal{L}}{\min }{\mathbf{a}}^{\mathrm{H}}\left({\theta }_l\right)\mathbf{\Phi }\mathbf{G}\left(\mathbf{w}{\mathbf{w}}^{\mathrm{H}}+{\mathbf{R}}_0\right){\mathbf{G}}^{\mathrm{H}}{\mathbf{\Phi }}^{\mathrm{H}}\mathbf{a}\left({\theta }_l\right)\\ \text{ s.t. }& \frac{{\left|\left({\mathbf{h}}_{\mathrm{r}}^{\mathrm{H}}\mathbf{\Phi }\mathbf{G}+{\mathbf{h}}_{\mathrm{d}}^{\mathrm{H}}\right)\mathbf{w}\right|}^2}{{\sigma }^2}\ge \Gamma ,\\ & \Vert \mathbf{w}{\Vert }^2+\mathrm{tr}\left({\mathbf{R}}_0\right)\le P_0,\\ & {\mathbf{R}}_0⪰0,\\ & \mathbf{\Phi }=\mathrm{diag}\left(e^{j{\varphi }_1},\dots ,e^{j{\varphi }_N}\right),\end{array}\text{\hspace{1em}(7)}$$

其中 $\Gamma$ 表示CU的最小SNR阈值。由于发射波束形成器（$\mathbf{w}$ 和 ${\mathbf{R}}_0$）和反射波束形成器（$\mathbf{\Phi }$）之间的耦合，问题(P1)高度非凸，因此非常难以被优化解决。

备注1：值得注意的是，对于没有IRS的传统ISAC系统，波束模式匹配（beampatten matching）是另一个广泛采用的传感设计标准(例如[7]，[8]，[18])，其目标是通过允许BS以全功率发射，使实现的发射波束方向图与预定波束方向图之间的均方匹配误差最小化。然而，这种设计可能不适用于我们感兴趣的 IRS-assisted ISAC 系统。这是因为在波束模式匹配设计下，BS可以选择引导能量正交于IRS，并使用直接LoS链路为CU服务，这可能导致最小(甚至为零)匹配误差，但在IRS处的波束模式增益非常小(甚至为零)，这不是传感所希望的。

III. PROPOSED JOINT BEAMFORMING SOLUTION TO PROBLEM (P1)

本节提出了一种基于交替优化原理的求解问题(P1)的有效算法，其中BS处的发射波束形成器（$\mathbf{w}$ 和 ${\mathbf{R}}_0$）和IRS处的反射波束形成器（$\mathbf{\Phi }$）通过将对方视为给定，以交替方式进行优化。对所提出的联合波束形成算法的细节进行了总结在算法1中。下面，我们将分别关注发射和反射波束形成的优化。

A. Transmit Beamforming Optimization at BS

首先，我们在任何给定的反射波束形成器 $\mathbf{\Phi }$ 下优化问题(P1)中的发射波束形成器 $\mathbf{w}$ 和 ${\mathbf{R}}_0$。这个问题被表述为

$$\begin{array}{rl}(\mathrm{P}2):& \underset{\mathbf{w},{\mathbf{R}}_0}{\max }\underset{l\in \mathcal{L}}{\min }{\mathbf{a}}^{\mathrm{H}}\left({\theta }_l\right)\mathbf{\Phi }\mathbf{G}\left(\mathbf{w}{\mathbf{w}}^{\mathrm{H}}+{\mathbf{R}}_0\right){\mathbf{G}}^{\mathrm{H}}{\mathbf{\Phi }}^{\mathrm{H}}\mathbf{a}\left({\theta }_l\right)\\ & \text{ s.t. }\text{ (7a), (7b), and (7c). }\end{array}$$

为此，我们定义 $\mathbf{W}=\mathbf{w}{\mathbf{w}}^{\mathrm{H}}$，其中$\mathbf{W}⪰0$，rank($\mathbf{W}$)≤1。令 $\mathbf{h}={\mathbf{G}}^{\mathrm{H}}{\mathbf{\Phi }}^{\mathrm{H}}{\mathbf{h}}_{\mathrm{r}}+{\mathbf{h}}_{\mathrm{d}}$ 表示从BS到CU的组合信道矢量，代之以 $\mathbf{W}=\mathbf{w}{\mathbf{w}}^{\mathrm{H}}$，将问题(P2)中的发射波束形成优化重新表述为

$$\begin{array}{rlrl}(\mathrm{P}2.1):& \underset{\mathbf{W},{\mathbf{R}}_0}{\max }& & \underset{l\in \mathcal{L}}{\min }{\mathbf{a}}^{\mathrm{H}}\left({\theta }_l\right)\mathbf{\Phi }\mathbf{G}\left(\mathbf{W}+{\mathbf{R}}_0\right){\mathbf{G}}^{\mathrm{H}}{\mathbf{\Phi }}^{\mathrm{H}}\mathbf{a}\left({\theta }_l\right)\\ & \text{ s.t. }& & \mathrm{tr}\left(\mathbf{h}{\mathbf{h}}^{\mathrm{H}}\mathbf{W}\right)\ge \Gamma {\sigma }^2\\ & & & \mathrm{tr}\left(\mathbf{W}+{\mathbf{R}}_0\right)\le P_0\\ & & & {\mathbf{R}}_0⪰0,\mathbf{W}⪰0\\ & & & \mathrm{rank}(\mathbf{W})\le 1.\end{array}\text{\hspace{1em}(8a)(8b)(8c)(8d)}$$

然而，问题(P2.1)是非凸的，因为 $\mathbf{W}$ 在(8d)上的秩一约束。为了解决这个问题，我们放宽了rank-one constraint ，得到问题的SDR版本(P2.1)为

$$\begin{array}{rlrl}(\mathrm{SDR}2.1):& \underset{\mathbf{W},{\mathbf{R}}_0}{\max }& & \underset{l\in \mathcal{L}}{\min }{\mathbf{a}}^{\mathrm{H}}\left({\theta }_l\right)\mathbf{\Phi }\mathbf{G}\left(\mathbf{W}+{\mathbf{R}}_0\right){\mathbf{G}}^{\mathrm{H}}{\mathbf{\Phi }}^{\mathrm{H}}\mathbf{a}\left({\theta }_l\right)\\ & \text{ s.t. }& & (8\mathrm{a}),(8\mathrm{b}),\text{ and (8c). }\end{array}$$

可以观察到，问题(SDR2.1)是一个半确定规划(SDP)，可以通过CVX等凸求解器进行最优求解[19]。设 ${\mathbf{W}}^{\ast }$ 和 ${\mathbf{R}}_0^{\ast }$ denote为问题(SDR2.1)的最优解，其中 ${\mathbf{W}}^{\ast }$ 通常是高阶的。基于 ${\mathbf{W}}^{\ast }$，我们可以重构一个等价的秩一解，并据此找到问题(P2.1)的最优解(从而找到问题(P2))，如下面的命题所示。

Proposition 1. The optimal solution to problem (P2.1) is
$$\begin{array}{rl}& \hat{\mathbf{W}}=\hat{\mathbf{w}}{\hat{\mathbf{w}}}^{\text{H}},\\ & {\hat{\mathbf{R}}}_0={\mathbf{R}}_0^{\ast }+{\mathbf{W}}^{\ast }-\hat{\mathbf{W}},\end{array}\text{\hspace{1em}(9)(10)}$$

式中，$\hat{\mathbf{w}}={\left({\mathbf{h}}^{\mathrm{H}}{\mathbf{W}}^{\ast }\mathbf{h}\right)}^{-1/2}{\mathbf{W}}^{\ast }\mathbf{h}$ 表示在BS处对应的发射波束形成矢量。相应地，$\hat{\mathbf{w}}$ 和 ${\hat{\mathbf{R}}}_0$ 成为问题(P2)的最优解。

注2：值得注意的是，对于(P2.1)的最优解，我们通常有 $\mathrm{rank}\left({\hat{\mathbf{R}}}_0\right)\ge 1\left({\hat{\mathbf{R}}}_0\ne 0\right)$，特别是当 $\mathbf{G}$ 是随机生成的（例如，遵从瑞利衰落之后），这将在第四节的数值结果中显示。这表明使用专门的传感波束来增强IRS ISAC性能的必要性。这与[7]中没有IRS的情况不同，在那里可能不需要专用感知波束。

备注3：当BS与ULA一起部署，并且从BS到IRS的信道矩阵为LoS时，也值得讨论一种特殊情况，即
$$\mathbf{G}=\mathbf{a}\left({\theta }_{\mathrm{IRS}}\right){\mathbf{b}}^{\mathrm{H}}\left({\theta }_{\mathrm{BS}}\right)$$
其中 ${\theta }_{\mathrm{IRS}}$ 和 ${\theta }_{\mathrm{BS}}$ 分别表示BS-IRS链路在IRS和BS处的到达角（AoA）和离开角（AoD）, $\mathbf{a}\left({\theta }_{\mathrm{IRS}}\right)$ 表示式(5)中IRS处的导向矢量，$\mathbf{b}\left({\theta }_{\mathrm{BS}}\right)$ 表示BS处的导向矢量，即
$$\mathbf{b}\left({\theta }_{\mathrm{BS}}\right)={\left[1,e^{j\frac{2\pi d_{\mathrm{BS}}}{\lambda }\sin {\theta }_{\mathrm{BS}}},\dots ,e^{j\frac{2\pi (M-1)d_{\mathrm{BS}}}{\lambda }\sin {\theta }_{\mathrm{BS}}}\right]}^{\mathrm{T}},$$

在这种情况下，可以类似于[7]表明，${\mathbf{R}}_0^{\ast }=0$ 是问题(P2.1)的一般最优，这意味着在这种特殊情况下不需要 dedicated sensing beams。

B. Reflective Beamforming Optimization at IRS

接下来，我们在任意给定的主动发射波束形成器 $\mathbf{w}$ 和 ${\mathbf{R}}_0$ 下优化反射波束形成器 $\mathbf{\Phi }$ 问题(P1)。设 $\mathbf{v}={\left[e^{j{\varphi }_1},\dots ,e^{j{\varphi }_N}\right]}^{\mathrm{H}}$ 表示IRS处的反射相移矢量。然后，从IRS到角度 $\theta$ 的传感波束图增益重写为

$$\mathcal{P}(\theta )={\mathbf{v}}^{\mathrm{H}}{\mathbf{R}}_1(\theta )\mathbf{v}\text{\hspace{1em}(14)}$$

与
$${\mathbf{R}}_1(\theta )=\mathrm{diag}\left({\mathbf{a}}^{\mathrm{H}}(\theta )\right)\mathbf{G}\left({\mathbf{R}}_0+\mathbf{W}\right){\mathbf{G}}^{\mathrm{H}}\mathrm{diag}(\mathbf{a}(\theta ))$$

更进一步，定义

$${\mathbf{R}}_2(\theta )=\left[\begin{array}{cc}{\mathbf{R}}_1(\theta )& 0_{N\times 1}\\ 0_{1\times N}& 0\end{array}\right],\overline{\mathbf{v}}=\left[\begin{array}{l}\mathbf{v}\\ 1\end{array}\right]$$

将(16)代入(14)，我们得到 $\mathcal{P}(\theta )={\overline{\mathbf{v}}}^{\mathrm{H}}{\mathbf{R}}_2(\theta )\overline{\mathbf{v}}$。进一步，让 $\mathbf{H}=\mathrm{diag}\left({\mathbf{h}}_{\mathrm{r}}^{\mathrm{H}}\right)\mathbf{G}\in {\mathbb{C}}^{N\times M}$，(4)中接收到的信号功率重写为 ${\left|\left({\mathbf{h}}_{\mathrm{r}}^{\mathrm{H}}\mathbf{\Phi }\mathbf{G}+{\mathbf{h}}_{\mathrm{d}}^{\mathrm{H}}\right)\mathbf{w}\right|}^2={\left|\left({\mathbf{v}}^{\mathrm{H}}\mathbf{H}+{\mathbf{h}}_{\mathrm{d}}^{\mathrm{H}}\right)\mathbf{w}\right|}^2$。(7a)中的信噪比约束表示为
$$\left({\mathbf{v}}^{\mathrm{H}}\mathbf{H}+{\mathbf{h}}_{\mathrm{d}}^{\mathrm{H}}\right)\mathbf{W}\left({\mathbf{H}}^{\mathrm{H}}\mathbf{v}+{\mathbf{h}}_{\mathrm{d}}\right)\ge \Gamma {\sigma }^2$$
等价于
$${\overline{\mathbf{v}}}^{\mathrm{H}}{\mathbf{R}}_3\overline{\mathbf{v}}+{\mathbf{h}}_{\mathrm{d}}^{\mathrm{H}}\mathbf{W}{\mathbf{h}}_{\mathrm{d}}\ge \Gamma {\sigma }^2$$
其中
$${\mathbf{R}}_3=\left[\begin{array}{cc}\mathbf{H}\mathbf{W}{\mathbf{H}}^{\mathrm{H}}& \mathbf{H}\mathbf{W}{\mathbf{h}}_{\mathrm{d}}\\ {\mathbf{h}}_{\mathrm{d}}^{\mathrm{H}}\mathbf{W}{\mathbf{H}}^{\mathrm{H}}& 0\end{array}\right].$$

因此，$\mathbf{\Phi }$ 问题(P1)的优化就变成了 $\overline{\mathbf{v}}$ 的优化，这就是下面的问题：
 (P3):  max ⁡ v ‾ min ⁡ l ∈ L v ‾ H R 2 ( θ l ) v ‾  s.t.  v ‾ H R 3 v ‾ + h d H W h d ≥ Γ σ 2 , ∣ v ‾ n ∣ = 1 , ∀ n ∈ { 1 , … , N + 1 } . \begin{aligned} \text { (P3): } \max _{\overline{\boldsymbol{v}}} & \min _{l \in \mathcal{L}} \overline{\boldsymbol{v}}^{\mathrm{H}} \boldsymbol{R}_{2}\left(\theta_{l}\right) \overline{\boldsymbol{v}} \\ \text { s.t. } & \overline{\boldsymbol{v}}^{\mathrm{H}} \boldsymbol{R}_{3} \overline{\boldsymbol{v}}+\boldsymbol{h}_{\mathrm{d}}^{\mathrm{H}} \boldsymbol{W} \boldsymbol{h}_{\mathrm{d}} \geq \Gamma \sigma^{2}, \\ & \left|\overline{\boldsymbol{v}}_{n}\right|=1, \forall n \in\{1, \ldots, N+1\} . \end{aligned}  (P3): vmax​ s.t. ​l∈Lmin​vHR2​(θl​)vvHR3​v+hdH​Whd​≥Γσ2,∣vn​∣=1,∀n∈{1,…,N+1}.​

接下来，我们用 $\overline{\mathbf{V}}=\overline{\mathbf{v}}{\overline{\mathbf{v}}}^{\mathrm{H}}$ 和 $\mathrm{rank}(\overline{\mathbf{V}})=1$。请注意 ${\overline{\mathbf{v}}}^{\mathrm{H}}{\mathbf{R}}_2(\theta )\overline{\mathbf{v}}=\mathrm{tr}\left({\mathbf{R}}_2(\theta )\overline{\mathbf{V}}\right)$ 和 ${\overline{\mathbf{v}}}^{\mathrm{H}}{\mathbf{R}}_3\overline{\mathbf{v}}=\mathrm{tr}\left({\mathbf{R}}_3\overline{\mathbf{V}}\right)$。通过将 $\overline{\mathbf{V}}=\overline{\mathbf{v}}{\overline{\mathbf{v}}}^{\mathrm{H}}$ 代入，问题(P3)中的反射波束形成优化问题被重新表述为

 (P3.1):  max ⁡ V ‾ min ⁡ l ∈ L tr ⁡ ( R 2 ( θ l ) V ‾ )  s.t.  tr ⁡ ( R 3 V ‾ ) + h d H W h d ≥ Γ σ 2 , V ‾ n , n = 1 , ∀ n ∈ { 1 , … , N + 1 } , V ‾ ⪰ 0 , rank ⁡ ( V ‾ ) = 1. \begin{aligned} \text { (P3.1): } \max _{\overline{\boldsymbol{V}}} & \min _{l \in \mathcal{L}} \operatorname{tr}\left(\boldsymbol{R}_{2}\left(\theta_{l}\right) \overline{\boldsymbol{V}}\right) \\ \text { s.t. } & \operatorname{tr}\left(\boldsymbol{R}_{3} \overline{\boldsymbol{V}}\right)+\boldsymbol{h}_{\mathrm{d}}^{\mathrm{H}} \boldsymbol{W} \boldsymbol{h}_{\mathrm{d}} \geq \Gamma \sigma^{2}, \\ & \overline{\boldsymbol{V}}_{n, n}=1, \forall n \in\{1, \ldots, N+1\}, \\ & \overline{\boldsymbol{V}} \succeq \mathbf{0}, \\ & \operatorname{rank}(\overline{\boldsymbol{V}})=1 . \end{aligned}  (P3.1): Vmax​ s.t. ​l∈Lmin​tr(R2​(θl​)V)tr(R3​V)+hdH​Whd​≥Γσ2,Vn,n​=1,∀n∈{1,…,N+1},V⪰0,rank(V)=1.​

然而，问题(P3.1)是非凸的，因为 $\overline{\mathbf{V}}$ 在(21d)上的秩一约束。为了解决这个问题，我们放宽了秩一约束，得到问题的SDR版本(P3.1)为

$$\begin{array}{rl}\text{ (SDR3.1) : }\underset{\overline{\mathbf{V}}}{\max }& \underset{l\in \mathcal{L}}{\min }\mathrm{tr}\left({\mathbf{R}}_2\left({\theta }_l\right)\bar{\mathbf{V}}\right)\\ \text{ s.t. }& (21\mathrm{a}),(21\mathrm{b}),\text{ and }(21\mathrm{c}).\end{array}$$

问题(SDR3.1)是一个SDP，可以通过诸如CVX[19]等凸求解器进行最优求解。设 ${\bar{\mathbf{V}}}^{\ast }$ 表示得到的问题(SDR3.1)的最优解，它通常是高阶的。然后用高斯随机化（Gaussian randomization）构造一个近似的秩一解。具体来说，我们首先生成若干随机化 $\mathbf{r}\sim \mathcal{C}\mathcal{N}\left(0,{\bar{\mathbf{V}}}^{\ast }\right)$，并相应地构造问题(P3)的候选可行解为 $\mathbf{v}=e^{j\arg \left({\left[\frac{\mathbf{r}}{{\mathbf{r}}_{N+1}}\right]}_{(1:N)}\right)}$。由独立生成高斯随机向量 $\mathbf{r}$ 进行多次运算，将目标值近似为所有随机实现中的最大值。注意，高斯随机化应该实现多次，以确保每次迭代的目标值都增加。

将得到的(P2.1)和(P3.1)问题的解结合起来，就完成了求解(P1)问题的交替优化算法。注意，在交替优化的每次迭代中，问题(P2.1)都会得到最优解，因此会得到一个不递减的目标值。还需要注意的是，如果随机化的数量足够多，那么解决问题(P3.1)后的目标值也将是单调不递减的。因此，所提出的基于交替优化的求解问题算法(P1)的收敛性得到了保证。

IV. NUMERICAL RESULTS

本节提供数值结果来评估我们提出的 IRS-assisted ISAC设计的性能。我们考虑BS-IRS和IRS-CU链路的 Rician 衰落（Rician因子为0.5）和BS-CU链路的 Rayleigh 衰落。距离相关的路径损耗建模为 $K_0(\frac{d}{d_0}{)}^{-\alpha }$，其中 $K_0=-30\mathrm{dB}$为参考距离 $d_0=1\mathrm{m}$ 处的路径损耗，BS-IRS、IRS-CU和BS-CU链路的路径损耗指数 $\alpha$ 分别设为2.5、2.5和3.5。

$$h=\sqrt{C_0{\left(\frac{d}{d_0}\right)}^{\alpha }}\cdot \left(\sqrt{\frac{\beta }{\beta +1}}{h}^{LoS}+\sqrt{\frac{1}{\beta +1}}{h}^{NLoS}\right)$$这里我们根据要求可以设置 $\beta =0.5$

omega = 1;
% Normalization
% To generate a Rayleigh fading channel gain
h_rayleigh = sqrt(omega/2) *(randn(1,1) + 1i*randn(1,1));

% Rician factor
k = 10;
% To generate a Rician fading channel gain
h_rician = sqrt(k/(k+1)) + sqrt(1/(k+1)) * h_rayleigh;

由于潜在的障碍，我们考虑了BS-CU链路的额外阴影衰落，标准偏差为 $10\mathrm{dB}$。BS、CU和IRS分别位于坐标(0,0)、(50 m, 0)和(18 m, 2 m)。所需的感测角度在 $[-61^{◦},-59^{◦}]$，$[-31^{◦},-29^{◦}]$，$[-1^{◦},1^{◦}]$，$[29^{◦},31^{◦}]$，和 $\left[59^{◦},61^{◦}\right]$进行采样，其中采样间隔为 $0.25^{◦}$。我们设BS点天线数 $M=8$，IRS反射单元数 $N=64$。设 $P_0=20\mathrm{dBm}$， ${\sigma }^2=-80\mathrm{dBm}$。

图2显示了我们提出的求解问题(P1)的交替优化算法的收敛行为，其中 $\Gamma =10\mathrm{dB}$。结果表明，所提出的基于交替优化的算法在大约10次迭代内收敛，从而验证了其有效性。

接下来，我们比较了我们提出的 IRS-assisted ISAC设计与以下基准方案的性能。

1. Information beamforming only：BS使用信息波束 $\mathbf{w}$ 进行通信和传感。这种情况下的联合波束成形设计对应于R0= 0的问题(P1)。在该方案中，得到的问题(SDR2.1)的解通常具有高秩，并使用高斯随机化来重建近似的秩一解。

2. 分离波束形成设计：该方案分别优化了BS处的发射波束形成和IRS处的反射波束形成。首先，对反射波束形成器Φ进行优化，使IRS的最小通道规范朝向所需的传感角度最大化，即:
   $$\begin{array}{rlrl}(\text{P4}):& \underset{\Phi }{\max }& & \underset{l\in \mathcal{L}}{\min }\mathbb{E}(\Vert a^{\mathrm{H}}({\theta }_l)\Phi G{\Vert }^2)\\ & s.t.& & \Phi =\mathrm{diag}(e^{j{\varphi }_1},...,e^{j{\varphi }_N}).\end{array}$$
   然后，利用问题(P4)中的反射波束形成器Φobtained，通过求解问题(P2)来设计联合传输信息和感知波束形成。

图3显示了不同方案可实现的波束方向图增益，其中Γ= 10 dB。观察到，所提出的设计产生多个信号波束从IRS到所需的传感角度。所提出的基于交替优化的设计被观察到在最差角度下获得更高的波束图增益，比其他两种基准方案。

图4显示了在传感角度下的，最小波束方向图增益与接收到的CU信噪比阈值 $\Gamma$ 的关系。可以观察到，所提出的基于交替优化的算法在与两个基准方案对比，取得了显著的性能增益。当 $\Gamma$ 小（例如 $\Gamma <6\mathrm{dB}$）时，

观察到单独的波束成形设计的表现接近所提出的基于交替优化的设计，并优于仅信息波束成形方案。这是因为在这种情况下，CU处的SNR可以很容易地得到满足，因此在单独的波束形成设计中，面向传感的反射波束形成(即问题(P4))变得可取。此外，可以观察到，与仅使用信息波束成形的情况相比，使用感知信号会导致显著的感知性能增强。由于考虑了随机信道g，这与备注2一致。相反，当Γis高(例如Γ> 12 dB)时，可以观察到，仅信息设计与基于交替优化的设计接近，单独波束形成设计变得不可行。这是因为在这种情况下，为了满足CU处的SNR要求，需要将大部分能量分配给信息信号，从而有利于信息波束形成的设计。