The Integrated Sensing and Communication (ISAC) system has emerged due to its advantages of efficient spectrum utilization and low hardware cost. In ISAC, wireless communication and radar sensing coexist, making the classification between communication and sensing signals crucial for improving the system’s efficiency, as it directly impacts the performance of ISAC systems and has not been adequately addressed in existing literature. In this thesis, we propose a Neural Network (NN) based framework to classify communication and sensing signals. The proposed framework is built on the mathematical observation that the Hankelization matrix of Orthogonal Frequency Division Multiplexing (OFDM) signals exhibits a low-rank property when the Signal-to-Noise Ratio (SNR) is infinite. By extension, we infer that the Hankelization matrix of a communication or sensing channel retains significant information even in real-world environments. Consequently, we designed our network to take the singular values of the Hankelization matrix as input and the one-hot coded vector as output. This design choice allows the network to function effectively with small input vectors and limited training dataset sizes. To validate our approach, we conducted extensive simulations. The results demonstrate that our network outperforms existing classification methods across various scenarios, highlighting its robustness and reliability. The key findings of this thesis include the successful classification of signals with higher accuracy and efficiency compared to traditional methods. The impact of this research is substantial, as it provides a novel solution for signal classification in ISAC systems. The enhanced classification capability can lead to more efficient spectrum utilization and improved performance of ISAC systems. Future research can build on this framework to explore other types of signal classification or improve the robustness of the network further.

ISAC-systemet har vuxit fram tack vare sina fördelar med effektivt spektrumutnyttjande och låg hårdvarukostnad. I ISAC samexisterar trådlös kommunikation och radaravkänning, vilket gör att klassificeringen mellan kommunikations- och avkänningssignaler är avgörande för att förbättra systemets effektivitet. Detta problem är betydande och utmanande, eftersom det direkt påverkar ISAC-systemens prestanda och inte har behandlats tillräckligt i befintlig litteratur. I detta dokument föreslår vi ett NN-baserat ramverk för att klassificera kommunikations- och avkänningssignaler. Det föreslagna ramverket bygger på den matematiska observationen att Hankelization-matrisen för OFDM-signaler uppvisar en låg rangegenskap när SNR är oändligt. I förlängningen drar vi slutsatsen att Hankelization-matrisen för en kommunikations- eller avkänningskanal innehåller viktig information även i verkliga miljöer. Följaktligen har vi utformat vårt nätverk så att det tar singulärvärdena i Hankelization-matrisen som indata och den one-hot-kodade vektorn som utdata. Detta designval gör att nätverket kan fungera effektivt med små ingångsvektorer och begränsade träningsdatasetstorlekar. För att validera vårt tillvägagångssätt genomförde vi omfattande simuleringar. Resultaten visar att vårt nätverk överträffar befintliga klassificeringsmetoder i olika scenarier, vilket understryker dess robusthet och tillförlitlighet. De viktigaste resultaten av detta projekt inkluderar framgångsrik klassificering av signaler med högre noggrannhet och effektivitet jämfört med traditionella metoder. Denna forskning har stor betydelse eftersom den ger en ny lösning för signalklassificering i ISAC-system. Den förbättrade klassificeringsförmågan kan leda till effektivare spektrumutnyttjande och förbättrad prestanda för ISAC-system. Framtida forskning kan bygga vidare på detta ramverk för att utforska andra typer av signalklassificering eller förbättra nätverkets robusthet ytterligare.