2026-08-11论文雷达 TEST

流体天线系统 (FAS) 利用许多候选端口来实现空间分集，但硬件限制仅允许在少数活动端口进行信道观测。是否可以在不预先获取信道统计信息的情况下恢复全端口 CSI 仍然是一个悬而未决的问题。在克拉克各向同性散射模型下，我们表明通道位于由散射环境而不是总端口数决定的低维空间模态子空间中。因此，当观察到的端口数量达到模态维度（即 $M\geq r$）时，即使 $M\ll N$ ，恢复也变得可行。我们进一步建立了一个尖锐的可行性阈值：无论信噪比如何，低于此尺寸都不可能进行可靠的恢复，而在其之上进行额外的观察则可以提高准确性。通过将恢复误差分解为模态截断、估计和学习组件，我们得出了射频链、导频开销、发射功率和训练数据之间的明确权衡。这些结果可实现可扩展的无先验全端口 CSI 恢复，且活动端口很少。

高频通信系统严重依赖视距 (LoS) 路径，因此视距路径的阻塞可能会导致严重的性能损失。具有弯曲轨迹的近场艾里光束可以引导能量绕过障碍物，为缓解阻塞提供了一种有前景的解决方案。然而，现有的选择近乎最佳艾里光束轨迹的方法要么依赖于高开销光束训练，要么采用数据驱动的学习，而没有明确的、物理上可解释的规则。为了解决这个问题，我们提出了一种物理引导的神经艾里波束形成框架，该框架可以一次性选择一条接近最佳的轨迹，并具有清晰的物理可解释性。具体来说，我们首先在 3GPP TR 38.901 中制定了阻塞模型的单边表示，并揭示了轨迹-边耦合机制。该分析产生定义候选轨迹的轨迹选择最优条件。尽管这些轨迹通常不能以封闭形式表达，但我们证明它们形成了连续的结构。然后利用这种连续结构来构建一个紧凑的物理定义区域，以捕获接近最佳的轨迹。在该区域的指导下，最终设计了一个轻量级神经预测器，无需光束训练即可直接选择接近最优的轨迹。模拟表明，紧凑的物理定义区域有效地捕获了接近最佳的轨迹，同时平均仅占据候选空间区域的 6% 左右。所提出的框架保留了通过数值优化获得的 99.7% 的参考率，并且几乎与数据驱动方法的速率匹配，尽管使用的神经网络参数减少了约 112 倍。

向 6G 网络的演进将近场传播、宽带波束斜视和移动引起的多普勒效应带到了集成传感与通信 (ISAC) 的前沿。这些现象对大规模 MIMO 系统的估计精度和算法效率提出了严格的要求。本文开发了一个统一的框架来应对这些挑战。首先，提出了一种强制下降（FD）采样方法来抑制噪声方差并重塑频谱峰值，从而在保持线性复杂度的同时提高近场范围估计的鲁棒性。其次，基于 FD 增强的光谱信息，建立了移动感知传感模型，该模型联合利用波束斜视和多普勒频移来实现单个信号帧内的同步位置速度估计。这种统一的公式取代了传统的静态定位和迭代跟踪的两阶段范例，从而提高了准确性并确保了实时可行性。理论分析建立了方差减少机制并推导出相关的 Crammer-Rao 下界，而复杂性评估则确认了可扩展性。仿真结果展示了亚厘米级的测距精度和稳健的速度估计性能，验证了 FD 增强型近场传感在未来 6G ISAC 系统中的实际潜力。

准确的信道估计对于超大规模多输入多输出 (UM-MIMO) 系统中的相干传输至关重要，在该系统中，近场传播和高维空间信道给信号处理带来了巨大的挑战。由于几何相关的信道变化，可移动天线架构进一步增加了估计复杂性。现有方法难以平衡准确性和复杂性，从而促进使用依赖于环境的传播结构来进行有效估计。为此，本文提出了一种用于 UM-MIMO 系统的基于信道映射的统一信道估计框架，该框架集成了可移动平面阵列重构和近场球面波建模，以支持几何感知视距（LoS）估计和高效的非视距（NLoS）恢复。提出了一种基于信道图的 LoS 估计器，将粗略的用户位置信息与 Fisher 信息引导的天线放置策略相结合。还提出了两种有效的 NLoS 估计方法，包括用于低复杂性处理的基于草图的缩减子空间估计器和利用散射体位置信息实现接近最优性能的基于通道图的估计器。该框架进一步结合了可见性区域建模和针对多用户场景的基于结构相似性的飞行员分配策略。仿真结果表明，与没有通道映射的最先进基准相比，所提出的基于通道映射的框架提高了估计精度，减少了计算开销，并增强了可扩展性。

本文提出了一种用于近场（NF）视距（LoS）多输入多输出（MIMO）系统的新型流体天线（FA）辅助正交信道构建方案。具体来说，我们考虑配备固定位置均匀平面阵列 (UPA) 的发射器 (Tx) 和配备由 FA 组成的平面阵列的移动接收器 (Rx)。我们首先介绍正交模式（OM）的概念，它表示用于正交信道构建的一组FA的特定位置。在 NF 球形模型下，我们表明这些 OM 可以有效地构建在二维晶格中。为了增强系统性能，我们通过旋转 Rx 平面并仔细选择二维基向量来最大化预定义 Rx 区域内的 OM 数量。通过动态地将 FA 移动到 OM 来维持信道正交性。我们进一步提出了一种用于空间复用的有效模拟波束成形方法和波束空间调制方案，以在 Tx 射频 (RF) 链数量有限时增强容量。仿真结果验证了所提出的方法显着提高了单用户和多用户通信系统中的 NF LoS MIMO 信道容量。

为了支持太赫兹（THz）通信中的超密集连接，本文提出了一种动态频率位置流体天线（D-FPFA）架构。频率可调谐本地振荡器 (LO) 集成到 RF 链中以访问不同的子带，从而扩展系统的总带宽并提供频域分集。为了利用空间分集，基站采用可移动子阵列，每个用户都配备了可移动天线。我们首先开发一种两相波束分裂感知频率分配策略。在第一阶段，我们根据信道相关系数将用户划分为不相交的子带以减轻干扰。在第二阶段，我们研究了平面阵列的宽带近场分束效应，并揭示了像散现象，其中非中心子载波上的光束无法完美地重新聚焦在单个空间点。然后，我们建立了波束分割复用策略，其中我们将用户分组任务制定为最小支配集问题。为了最大化总速率，我们引入了开关网络以及基于距离的天线选择策略来考虑近场信道增益变化，然后是基于粒子群优化的算法，联合优化天线位置和预编码器。数值结果表明，所提出的 D-FPFA 的总速率约为传统基于移相器 (PS) 的子阵列阵列 (AoSA) 架构的 2.3 倍。它还达到了 TTD 同类产品 95% 的总效率，同时提供大约 2.8 倍的能源效率 (EE)。此外，D-FPFA 的全连接变体，即 FPFA，在所有考虑的架构中实现了最高的 EE。

准确而强大的本地化是新兴 5G 和 6G 应用（包括自动驾驶、扩展现实和智能制造）的关键推动因素。虽然数据驱动的方法已显示出前景，但大多数现有模型需要大量标记数据，并且难以跨部署场景和无线配置进行推广。为了解决这些限制，我们提出了一种专为无线定位而定制的基于基础模型的解决方案。我们首先基于信息瓶颈理论分析不同的自监督学习任务如何获取通用和特定任务的语义特征。在此基础上，我们为所提出的大型无线定位模型设计了一种预训练方法。具体来说，我们提出了一种自监督学习框架，该框架联合优化空间频率掩蔽通道建模、域变换不变性和位置不变对比学习。这些目标从多个角度共同捕获无线信道的底层语义。我们进一步设计了用于到达时间估计、到达角度估计、单基站定位和多基站定位的轻量级解码器。综合实验结果证实，LWLM 在所有定位任务中始终超越基于模型和监督学习的基线，比没有预训练的 Transformer 模型提高了 26.0% 到 87.5%，并且在标签限制微调、看不见的基站配置和跨数据集评估下进行了泛化。

本文研究可移动天线（MA）支持的多用户通信系统，其中基站配备多个可移动子阵，以实现天线单元的成组移动。为兼顾球面波模型（SWM）的建模精度与平面波模型（PWM）的简洁性，论文采用并针对所研究 MA 系统定制混合球面-平面波模型（HSPWM）：不同子阵之间采用球面波传播，而每个子阵内部假设平面波传播。为降低子阵移动开销，论文进一步设计双时间尺度优化框架，其中阵列位置向量依据统计信道状态信息优化，发射波束则依据瞬时信道状态信息设计。仿真结果表明，当 HSPWM 相对于 SWM 的建模误差低于 -20 dB 时，基于 HSPWM 的 MA 系统设计可达到与基于 SWM 的设计几乎相同的性能。

这封信研究了使用混合近远场通道模型的可移动子阵列 (MSA) 辅助的集成传感和通信 (ISAC) 系统。假设传感目标和通信用户位于整个 MSA 孔径的近场，但位于每个子阵列的远场区域。据此，建立了混合近远场信道模型，并推导了联合距离、仰角和方位角估计的等效Fisher信息矩阵和Cram\'er-Rao界（CRB）。发射波束成形矩阵和子阵列位置经过联合优化，以最大限度地减少受最小通信信号干扰加噪声比 (SINR)、最大发射功率和子阵列移动限制影响的轨迹 CRB。开发了一种交替优化算法，将迭代秩一惩罚半定松弛与投影有限差分块下降和回溯相结合。数值结果表明，混合场模型与球面波模型非常匹配，而 MSA 大大降低了 CRB。

机器学习的最新进展使得无线基础模型的训练成为可能，该模型旨在支持基于无线信号的信道估计、波束预测和定位等任务。现有的无线基础模型通常使用子载波、天线或时间上的掩模重建来对信道张量进行预训练，但忽略无线传播的物理特性。在这项工作中，我们建议使用多路径传播作为基本的预训练对象。我们提出了 MultiPathFormer，这是一种自回归基础模型，它将每个发送器-接收器链路表示为连续值路径标记的有序序列和具有下一个路径预测的预训练。我们在变压器主干之上引入了环境 RAG（检索增强生成）机制和第一路径码本，利用环境知识将延迟和功率等路径统计估计提高高达 59%。在 27 个环境中预训练的 MultiPathFormer 可以转移到未见过的用户，并且经过特定场景的微调后，其性能优于在新环境中从头开始训练相应模型。在下游任务中，它优于基于 SOTA 通道的基础模型，实现了 5.57 m 平均定位误差、0.914 top-3 波束精度、0.994 视线分类精度和 0.561 通道估计 NMSE。这些结果表明，路径级预训练可以学习无线传播的可重用表示。

发射波束成形设计是集成传感与通信（ISAC）系统中的一个基本问题。人们提出了多种方法来联合优化关键性能指标，例如信号干扰加噪声比和 Cramer-Rao 界。然而，这些方法的计算复杂度通常随着基站（BS）发射天线的数量而快速增长。为了应对这一挑战，我们证明了 ISAC 波束成形问题的一个基本结构特性，即存在一个表现出低维结构的最优解。这导致问题的等效重新表述与用户数量相关，而不是与基站天线数量相关，从而能够开发低复杂度算法。当将内点方法应用于重新表述的问题时，当天线数量超过用户数量一个数量级时，我们可以将复杂性降低多达六个数量级。为了进一步降低复杂性，我们开发了一种平衡增强拉格朗日方法来解决重新表述的问题。所提出的算法保持最优性，同时实现与用户数量成四倍缩放的计算复杂性。我们的仿真结果表明，在大规模 MIMO 场景中，所提出的 R-BAL 方法可以比传统 IPM 实现超过 10000 倍的加速。

近场光束训练对于挖掘超大规模多输入多输出系统的高增益潜力至关重要。为了减少训练开销，现有的工作大多利用波束斜视效应，利用极域码本的时延（TD）波束成形，从而能够在特定距离同时扫描多个角度。然而，由于穷举距离搜索，此类方法仍然面临较高的开销。为了应对这一挑战，我们提出了一种基于模式缩放的带有波数域码本的近场宽带波束训练。具体来说，我们首先建立了一种精细的宽带傅里叶平面波通道表示，在此基础上我们揭示了模式缩放效应，其中不同子载波上的波数域模式相对于中心频率表现出频率相关的缩放。利用这一特性，我们开发了一种 TD 辅助光束扫描策略，可同时探测多个波数方向，以快速获取完整的波数域模式。基于获得的模式，我们进一步推导精确的、无近似的封闭式表达式，在接收器坐标和波数域模式之间建立严格的映射，从而仅需要几个导频即可实现准确的用户定位。最后，数值结果验证了我们提出的方案在波束成形增益和训练开销方面的优越性。

集成传感和通信正在将蜂窝基础设施转变为物理世界的积极观察者。当这种基础设施与能够故意改变其状态和周围环境的实体进行交互时，物理世界本身就可以成为一种通信媒介。本文研究了这种传感引发的近场具体通信范式的基本通信限制。我们考虑将消息映射到有界三维（3D）区域内的可控散射体的位置的代理，而基站则从多快照单基地感测回波中解码所选位置。近场球形波前解析角度和范围，将体现符号空间从 2D 平面扩展到 3D 体积。然而，这种增益伴随着位置相关和各向异性的可靠性几何形状。我们通过成对的 Bhattacharyya 距离来表征这种几何形状，并导出所得到的 3D 易混淆区域的局部椭球表示，其主轴量化了方向传感分辨率。椭球在远场极限下进一步退化为二维横向椭圆，统一了两种状态。然后，我们制定有限快照 $ε$ 容量，并将可靠的码本设计转化为 3D 打包问题。面心立方结构提供了可实现的速率，而几何逆则产生互补的上限。数值结果验证了所提出的几何形状，并证明了近场体积填料相对于远场平面填料的容量增益。这些结果建立了一个统一的几何和信息理论框架，用于通过有意配置的物理状态进行通信。

准确联合跟踪移动用户、周围散射体和动态信道是第六代 (6G) 无线系统的一项关键任务，对于确保高质量通信和支持自动驾驶和沉浸式扩展现实等先进传感应用至关重要。虽然超大规模多输入多输出（XL-MIMO）本质上通过其高空间分辨率和频谱效率为这项任务提供了强有力的支持，但其大规模的天线阵列，加上近场传播特性，使得联合轨迹和信道跟踪非常耗时且需要大量硬件。为了应对这些挑战，我们从基于信号图像的角度重新思考问题。具体来说，我们设计了一种基于子阵列的部分连接混合波束成形（PC-HBF）架构，具有定制的时分复用（TM）机制。这有效地补偿了有限射频 (RF) 链造成的孔径损失，生成本质上捕获近场空间特征的高保真笛卡尔域信号图像。基于这种视觉表示，我们提出了一种改进的 CenterNet 来执行快速准确的路径定位，绕过传统的基于压缩感知的方法所需的路径迭代搜索。为了进一步提高精度和跟踪效率，开发了局部小规模正交匹配追踪（OMP）细化器和轻量级级联OMP跟踪器。最后，结合了基于匈牙利的轨迹关联模块，以保持轨迹连续性并为环境监测提供轨迹级信息。仿真结果表明，所提出的框架在初始估计和跟踪精度方面始终优于代表性基线，特别是在低信噪比（SNR）和有限硬件条件下。

研究了通过波数域模式操作的全息孔径的多点目标的单站定位。镜面点条件限制了光谱模型作为近场近似的有效性。单个快照观察到的尺寸投影最多为目标计数乘以偏振分量，而可逆编码恢复整个通道并将解码的数据放置在发射和接收波数的差异网格上。等级条件决定了可识别性，费希尔矩阵简化为晶格上的协方差，规定了仅用数十个射频链即可实现全孔径分辨率的嵌套模式选择。

视距 (LoS) 大规模 MIMO 性能从根本上来说是由信道 Gram 矩阵的代数属性决定的，该矩阵决定了空间复用效率和总速率容量。传统上通过线性代数进行分析，矩阵行为通常与天线几何形状分离。这封信介绍了 k 空间协同阵列，这是一种通过将经典空间协同阵列扩展到波矢量域来弥补这一差距的几何框架。我们建立了双重遗传原理，揭示了格拉姆矩阵是虚拟阵列因子的离散采样，继承了精确的微观晶格周期性和物理孔径的宏观边缘。将 Gram 矩阵条目直接映射到这些几何结构揭示了 k 空间中的不同空间频率如何控制空间混叠和秩塌陷。这使得主动孔径工程和低复杂性用户调度成为可能，为优化下一代视距通信中的空间自由度提供了确定性路径。

这封信提出了一种使用均匀平面阵列 (UPA) 进行三维 (3D) 视距 (LoS) 用户定位的基于相位差的方案，适用于精确球面波模型下的近场和远场区域。与之前研究的二维 (2D) 均匀线性阵列 (ULA) 情况不同，3D UPA 情况需要联合利用两个阵列轴来恢复用户的距离、方位角和天顶角。首先根据上行链路导频估计相邻天线相位差，然后沿阵列轴求和以获得广泛分离的天线元件之间的展开相位差。这些相位差之和使得能够构建多个三方程系统，其解产生用户的距离、方位角和天顶角。我们量化了此类方程组的数量，提供了一种仅使用三个相位差和的代表性封闭式估计器，并提出了一种利用所有可用和的全数据非线性最小二乘估计器。数值结果包括经典的 Fraunhofer 近场情况和以米为单位的绝对 3D 位置 RMSE，并在闭式初始化可靠时显示近 CRB 性能。此外，与最先进的基线方案不同，其性能取决于精心调整的超参数，所提出的估计器是无超参数的。

在本文中，我们研究了远场和近场情况下多天线系统的有效波束覆盖设计。为了降低现有基于采样和优化的方法的计算复杂性，我们提出了一种新的低复杂性但高效的波束覆盖设计，该设计利用天线和空间域之间的傅里叶变换（FT）关系。为此，我们首先针对近场和远场情况制定通用波束覆盖优化问题，以最大化目标区域上最坏情况波束形成增益。对于远场情况，我们表明波束覆盖设计可以被视为空间频率滤波问题，其中角度覆盖可以通过逆 FT 在天线域中进行权重整形来实现，从而产生无限长度的加权序列。在有限天线数量的约束下，通过直接截断这个无限长序列提出了一种替代方案，然而，这不可避免地在角度边界引入滚降效应，导致最坏情况波束成形增益下降。为了解决这个问题，我们描述了有限天线引起的滚降效应，在此基础上开发了具有保护性变焦的滚降感知设计，以确保目标角度区域内的平坦波束形成增益分布。接下来，我们将所提出的方法扩展到近场情况。具体来说，通过对近场信道引导矢量（CSV）的相位应用一阶泰勒近似，二维（2D）近场波束覆盖设计（角度和反范围）可以转换为2D逆FT，从而实现低复杂度和封闭式波束形成设计。此外，观察到固有的近场范围散焦效应，表明足够宽的角度覆盖会导致范围不敏感的波束控制。最后，数值结果表明，所提出的基于 FT 的方法实现了与传统的基于采样的优化方法相当的最坏情况波束成形性能，同时将计算运行时间显着减少了几个数量级。

在基于正交频分复用 (OFDM) 的大规模多输入多输出 (MIMO) 近场 (NF) 感测中，目标运动会在阵列孔径上引起与天线相关的双基地多普勒变化。忽略这种空间多普勒变化会导致模型不匹配，从而降低 NF 定位。在本文中，我们提出了一种用于联合径向/横向速度估计和多普勒感知定位的低复杂度递归框架。该方法由恒定多普勒粗定位初始化，在基于闭式最小二乘估计器 (LSE) 的速度估计和依赖于天线的多普勒感知定位细化之间交替。仿真和测量结果证明了所提出的框架相对于两种基准方法的有效性。与低复杂度的恒定多普勒基线方法相比，该算法改进了距离、角度和径向速度估计结果，同时还能够估计横向速度。测量结果中，总体定位误差从0.268 m减小到0.064 m。径向和横向速度估计误差分别为0.032 m/s和0.069 m/s。与高复杂度的穷举四维（4D）最大似然估计器（MLE）相比，所提出的方法实现了可比的速度估计结果，同时当 4D MLE 具有实用的有限搜索网格时产生更准确的定位结果。

新的中频（FR3，6-24 GHz）频谱预计将在覆盖范围、容量和部署可行性之间提供良好的平衡，从而在未来的 6G 网络中发挥重要作用。与此同时，超大规模多输入多输出（XL-MIMO）已成为开发这些频段的传播和空间复用潜力的关键使能技术。首先，本文系统回顾了新中频频谱的频谱分配和标准化活动，以及各国和地区的6G频谱规划策略。其次，还推出了专为新型中频千元以上信道测量而开发的宽带大规模MIMO信道探测仪。第三，全面回顾和分析了四种代表性XL-MIMO架构（包括同位、无小区和智能XL-MIMO）的传播特性和信道建模方法，特别强调近场传播、空间非平稳性和容量性能。然后，总结了信道估计、波束成形和人工智能辅助信号处理方面的最新进展。此外，还对配备1536个和768个天线单元的新型中频XL-MIMO系统的性能进行了比较评估。最后，在上 6 GHz (U6GHz) 频段进行的真实通信环境原型系统现场试验用于研究实际部署条件下的实际系统性能。结果表明，目标信噪比是影响U6GHz频段XL-MIMO性能的关键因素。

本文研究由混合波束成形模块化超大规模多输入多输出（XL-MIMO）阵列支撑的混合近远场同步无线信息与能量传输（SWIPT）系统的功耗效率。多个信息解码用户和能量采集用户由发射阵列的多个组成子阵服务，并分布在近场和远场区域。论文提出一种新判决方法，利用最小二乘信道估计的 Frobenius 范数频率相关性准确区分不同场区用户。近场空间非平稳性会形成不同的电磁可见区，可据此有策略地激活 XL-MIMO 子阵。作者建立两层联合优化问题，在同时考虑信息与能量用户功率分配和子阵激活的条件下最小化总体功耗，并将混合整数问题转化为可处理形式。仿真结果显示，所提功率分配-子阵激活-混合波束方案相较等功率全阵列方案最多降低 93% 的总体功耗，相较功率分配全阵列混合波束方案最多降低 18%。

无线增强对于下一代移动通信系统实现无缝连接至关重要，但传统的网络扩容策略在经济上正变得难以持续。可重构智能表面（RIS）可通过提高信号利用率提供一种有前景的替代方案。然而，先进 RIS 的硬件和部署成本较高，限制了其大规模应用。本文提出 OpenRIS，以推动该技术的普及。OpenRIS 是一个由类似乐高积木的超构模块组成的开源低成本平台。在数字孪生的辅助下，这些超构模块可以灵活拼装成任意形状，在无需额外供电的情况下实现定制化、可大规模部署的无线增强。实验和全波仿真验证了离散化 OpenRIS 与连续 RIS 具有一致的性能。作者进一步开发了双用户无线传输系统和三维覆盖测量系统，以展示 OpenRIS 在无线增强中的多样化适用性。作为一种即插即用方案，OpenRIS 可加速 RIS 理论向实际应用转化，并有望集成到基础设施中，进而重塑未来无线环境。

提出了新型中心馈电收缩天线系统（C-PASS）的通用框架。在此框架内，首先推导了所提出的 C-PASS 的自由度 (DoF) 和功率缩放定律的封闭式表达式。这些理论结果表明，可实现的 DoF 与输入端口数量 M 和接收天线数量 K 成线性比例。此外，导出的功率缩放定律表明 C-PASS 实现了 O(P_T M) 量级的功率增益，其中 P_T 表示发射功率。基于所提出的 C-PASS 模型，提出了发射和收缩波束成形联合优化的总速率最大化问题。为了解决这个高度耦合的非凸问题，开发了一种有效的交替优化算法。更具体地，通过导出的封闭形式解来更新发射预编码和功率分配比，同时使用块坐标下降方法来优化收缩天线位置和辐射系数。最后，数值结果表明，与单波导 PASS 相比，单波导 C-PASS 实现了更优异的 DoF 和功率缩放定律，并且在高衰减情况下优于多波导 PASS，产生超过 10 dB 的增益。

流体天线系统 (FAS) 通过实现可重新配置的辐射特性，为无人机 (UAV) 空对地 (A2G) 通信提供了一种有前景的解决方案。针对传统模型在捕获 FAS 动态端口配置和无人机通信近场特性方面的局限性，本文提出了一种用于 FAS 辅助无人机到移动用户（MU）链路的动态端口可重构近场信道模型。此外，我们利用贪婪策略开发了一种 FAS 自适应子阵列划分方案。通过分解视距（LoS）和非视距（NLoS）分量，并将无人机运动动力学与FAS端口激活状态相结合，该模型准确地表征了近场通道的非均匀空间分布。子阵列分区方案动态分组活动端口以满足近场条件，同时显着降低计算复杂性，并由动态更新算法支持，该算法可在端口切换期间有效处理子阵列调整。为了避免密集 FAS 配置中的低有效增益和深度衰落端口，采用基于信道增益的选择策略来优先考虑高增益端口。我们推导并分析了建模精度和通道容量，研究了 FAS 尺寸、端口间距、活动端口数和无人机动态对系统性能的影响。最后，评估了子阵列划分方案的计算复杂度，验证了其在实时应用中的优势，为动态场景下FAS的设计和分析提供理论基础。

在本研究中，我们在 25-28 GHz 的室内工厂中对各种测试目标进行统计雷达截面 (RCS) 分析，目的是确定表征目标散射特性的最佳拟合参数分布，用于集成传感和通信信道建模标准化。该分析是基于双基地角度为 20°、40° 和 60° 的准单基地和双基地配置的测量进行的。测试目标包括无人机、自主移动机器人和机械臂。拟合优度检验验证了这些目标的 RCS 最好通过具有高统计置信度的对数正态分布和伽马分布来建模。此外，我们还提供了一个框架，用于评估受控双基地几何形状下矩形片材的近场 (NF)、镜面反射主导的有效双基地 RCS。评估新颖的确定性 RCS 模型，结合对双基地角、发射机-目标分离的依赖关系 ( $\mathrm {2~\text {m}}~\text {to}~\mathrm {10~\text {m}}$ )。结果表明，一些提出的确定性 RCS 模型准确地拟合了测量数据，突出了它们在 NF 双基地配置中确定性 RCS 表征中的适用性。

无线系统中的高增益模拟波束成形通常采用模拟移相器来相干地组合信号。然而，这种对有源硬件组件的依赖会带来大量成本、功耗和信号插入损耗，所有这些都会随着天线阵列的尺寸而增加。本文提出了一种新颖的框架，用可移动天线（MA）的位置优化来代替相位调整。核心思想是利用天线的移动本质上改变无线信道相位的事实来模拟移相器的功能。为了实现这个框架，我们开发了一种计算高效的方法，称为导数匹配优化（DMO）。与传统的迭代算法不同，DMO 是一种非迭代方法，它利用解耦优化问题的新颖几何检测策略直接确定最佳 MA 位置。在理论分析中，我们证明了DMO方法在实际MA放置约束下的全局最优性，并推导了归一化均方误差（NMSE）的封闭式表达式来表征其渐近收敛行为。仿真结果表明，我们基于 DMO 的系统大大优于传统的固定位置天线 (FPA) 阵列和依赖移相器的 MA 系统，验证了其在性能、能源效率和成本效益方面的优越性。

无线基础模型正在成为人工智能原生物理层设计的一个有前途的范例。然而，现有方法通常将通道状态信息（CSI）建模为具有通用令牌解码器的类似图像的离散张量，这些解码器可能难以有效地捕获复杂的高频变化，并且通常会产生高维、大小相关的表示。在本文中，我们提出了 WiFo-INR，一种基于隐式神经表示 (INR) 的无线基础模型，它将 CSI 表示为坐标条件神经函数。 Transformer 编码器将部分或粗略 CSI 映射到固定维调制令牌，该调制令牌适应基于 SIREN 的解码器，压缩自动编码器支持量化 CSI 反馈。它采用两阶段自监督预训练方案，其中混合掩蔽和降噪改进了通道重建，压缩增强预训练可在低压缩比下实现准确的 CSI 反馈。大量实验表明，WiFo-INR 可以学习高效、紧凑且与 CSI 大小无关的隐式无线表示。与现有基础模型相比，WiFo-INR 改进了信道重构和 CSI 反馈性能，同时大幅降低了推理延迟。它还以最小的微调开销有效地传输到不同的无线任务，并实现对看不见的 CSI 大小的零样本泛化。

基于可重构天线技术的进步，可移动天线 (MA) 可以动态地重塑天线阵列并引入额外的空间自由度 (DoF)，从而进一步提高通信性能。尽管有这些好处，现有的 MA 设计算法通常需要离散定位选择带来过高的计算复杂性，这阻碍了 MA 的实际实现。在本文中，我们研究了离散MA辅助的多用户多输入多输出（MU-MIMO）上行链路通信系统的互信息（MI）最大化问题的有效解决方案。为此，我们首先在完美信道状态信息（CSI）的假设下制定离散MA定位问题。然后，我们证明该设计问题属于受 2 系统约束的单调子模最大化范畴。因此，我们提出了一种低复杂度的距离约束子模位置搜索算法，理论上可以实现至少 1/3 的最优值。此外，我们将我们的方法扩展到 CSI 不完善的场景，并表明所提出的基于子模块优化的设计对于信道估计误差仍然具有鲁棒性。数值结果表明，在完美和不完美的 CSI 假设下，所提出的方案都能实现至少 90% 的最优解的 MI 增益。值得注意的是，该算法实现了数量级的复杂度降低（例如，比分支定界方法快 34.4 倍），同时保持显着的 MI 增益。

流体天线系统 (FAS) 实现了位置可重新配置。然而，实时 FAS 的一个潜在缺点是，它需要每个通信时隙的每个 FAS 端口的完整通道状态信息 (CSI)，这种方法称为理想 FAS。认识到实现理想FAS的困难，我们提出了一种基于不完全CSI的FAS方案，称为半盲FAS。本文首先介绍了 FAS 的时空框架，并在此基础上开发了半盲 FAS。所提出的半盲 FAS 重量轻，计算效率高，可扩展至任意数量的端口和时隙，并且无需预训练或深度学习结构即可运行。该方案有效地利用不完整的历史CSI来估计所需时隙上所有FAS端口的条件分布，从而识别信号接收的统计最佳端口。一般来说，半盲FAS的核心思想是从统计的角度通过条件分布分析来选择最优端口，并根据感兴趣的场景定义最优性。受信息论熵的启发，我们进一步开发了剩余熵功率比来表征物理参数如何影响半盲 FAS 和理想 FAS 之间的性能差距。我们的分析表明，估计性能不仅取决于采样端口和时隙的数量，还取决于每个时隙具有给定CSI的端口的具体指数，即端口采样策略。在现有的港口估算研究中，这一关键因素在很大程度上被忽视了。数值结果表明，所提出的半盲 FAS 实现了与理想 FAS 相当的性能，在某些情况下与理想 FAS 无法区分，同时需要显着更少的端口 CSI 测量和更低的端口切换速度。

在本文中，我们研究了多小区大规模多输入多输出（MIMO）系统中的窄带协调用户调度。具体来说，我们在频谱效率最大化准则下制定了多小区协调用户调度问题，从而揭示了计算复杂性和信令开销方面的固有挑战。为了应对这些挑战，我们首次开发了面向用户调度的CKM（US-CKM），并进一步提出了US-CKM驱动的两阶段协调用户调度框架。它利用位置信息和统计通道状态信息 (SCSI) 之间的映射来实现 SCSI 的快速检索和持久重用，从而大大减少 CSI 获取开销。此外，通过将统计信道相关性嵌入到CKM框架中，它可以更有效地表征用户间干扰模式。在此框架内，我们设计了第一阶段的小区内活动用户选择方案和第二阶段的小区间协调调度方案，两者都基于US-CKM中的条目。具体地，第一阶段识别具有有利信道增益和低小区内干扰的用户，从而显着减少候选用户集，同时仅导致总速率的边际损失。反过来，第二阶段通过充分利用跨小区间信道相关性来有效抑制小区间干扰（ICI）。为了增强在动态散射体环境中针对不完美 SCSI 的鲁棒性，我们通过可靠性引导机制增强了两阶段框架。我们没有平等对待所有网格，而是使用网格可靠性度量来评估 US-CKM 中条目的稳定性，该度量量化每个网格内采样位置处的通道测量的方差。基于这个定义，我们识别低可靠性网格，实时获取其相应的瞬时CSI，并将其与其他网格的现有SCSI集成，从而细化通道增益和空间相关特性。所提出的机制使系统能够在总速率性能和信令开销之间取得有效的平衡。仿真结果证实了所提出框架的有效性，显示出多小区总速率性能的显着改进。

作为6G的关键技术，集成传感与通信（ISAC）受到了广泛关注，部署可重构智能表面（RIS）可以通过提供额外的自由度来增强ISAC的通信性能和传感能力。在本文中，我们研究了 RIS 辅助 ISAC 系统的波束训练框架，其中对通信用户设备 (UE) 进行波束对准，同时通过其回波信号检测单个目标。使用根据 5G 标准原理构建的码本，我们提出了一种部分搜索过程，该过程实现了低训练开销，并在数学上表明该策略足以识别合适的码字组合来为 UE 提供服务。应用辅助波束对方法，获得基站和RIS角度的目标角度信息。然后，基于角度估计提出了高精度闭合形式定位，并且我们进一步将所提出的技术扩展到多目标定位场景。数值结果突出了所提出的技术在 ISAC 环境中的优势，表明训练过程可以有效地找到码字组合，并且目标定位技术优于基准。

这封信从耦合模式理论 (CMT) 感知的角度研究了多用户收缩天线系统 (PAS) 的发射功率最小化。现有基于 CMT 的收缩天线 (PA) 研究揭示了耦合引起的功率交换和辐射行为，但这些效应尚未完全嵌入到系统级多 PA 通道建模和波束成形设计中。因此，我们开发了一种定向和损耗感知的通道模型，该模型可以捕获与耦合长度相关的功率提取以及由波导内衰减和上游提取引起的下游引导功率降低。该模型表明，PA 设计应考虑定向辐射和引导功率演化，而不是大多数现有工作中仅​​考虑传播距离或最大耦合。基于该信道模型，我们为连续 PA 定位和有限码本激活制定了服务质量 (QoS) 约束的功率最小化问题。对于每个候选耦合长度，逐元素定位和基于 BPSO 的激活使用封闭式迫零（ZF）功率度量来进行低复杂度配置排名，从而避免重复波束成形优化，同时排除排名不足的候选者并对其余候选者进行排序。然后通过最佳固定配置 QoS 波束成形来评估每个耦合长度的所选配置。仿真结果表明，CMT 感知建模从根本上重塑了首选 PA 配置，由于抑制了下游 PA 贡献，最大耦合并不总是节能的，有限码本激活与基于 ZF 的排序相结合，在传输功率性能和部署复杂性之间提供了平衡。

由于无人机 (UAV) 的高机动性和频谱稀缺性，集成传感和通信 (ISAC) 对于低空无线网络 (LAWN) 至关重要。为了解决这些限制，流体天线系统（FAS）因其动态改善信道条件的能力而受到广泛关注。在本文中，我们考虑了 LAWN 中的 FAS 辅助 ISAC 框架，其中配备多个流体天线的发射基站（TBS）与多用户通信，而接收基站（RBS）同时跟踪无人机。利用基于扩展卡尔曼滤波（EKF）的跟踪框架，我们的目标是在满足多用户通信速率、TBS的发射功率、流体天线的移动区域和天线间距离的同时，最小化后克拉默-饶界（PCRB）。由于耦合变量，公式化的优化问题是非凸的。为了解决这个问题，我们开发了一种双环迭代优化算法：内环使用半定松弛（SDR）优化TBS的发射波束成形，而外环使用粒子群优化（PSO）调整流体天线的位置。仿真结果验证了与其他基准方案相比，所提出的方案在跟踪和通信性能之间实现了更好的平衡。

随着大规模多输入多输出 (MIMO) 系统中天线数量的不断增加，稳健且快速的信道估计变得越来越重要，但仍然极具挑战性。在这项工作中，我们提出了一种轻量级的零样本自监督（ZS-SS）学习框架。它利用无线信道中的非局部自相似性来构建信道系数库，并通过随机和非连续的空间排列生成训练对以去相关噪声。然后，这些对使用专门设计的复合损失来训练紧凑的卷积神经网络 (CNN)，以实现稳健的信道估计。为了进一步提高适应性和效率，我们采用了元学习方法，可以快速推理动态通道环境。高斯和代表性非高斯场景下的模拟表明，我们的方法比传统估计器实现了高达 90% 的增益，并且比最先进的基线得到了一致的改进，同时运行速度提高了近 100 倍。这证明了其在资源有限的大规模 MIMO 系统中实时部署的实用性和适用性。

全息多输入多输出（HMIMO）可以以较低的硬件成本提高频谱效率（SE），但联合优化数字和全息波束形成器的传统交替优化（AO）方法的计算成本很高。基于学习的波束形成提供了一种低复杂度的替代方案，而图神经网络 (GNN) 特别有吸引力，因为它们可以利用排列等方差 (PE)。最佳 HMIMO 波束成形策略在多个维度上展现 PE 属性。现有方法要么使用高维 GNN，增加模型大小和训练复杂性，要​​么仅利用部分 PE 属性，导致性能下降。为了解决这个问题，我们通过学习等效波束形成器来重新表述该问题，该波束形成器从网络输出中删除射频链维度，同时保留原始问题的 PE 属性。重构引入了一个重要的列空间约束，因为等效波束形成器必须可由相位图矩阵表示。然后，我们开发了一个由基于梯度的图神经网络（GGNN）和两个投影模块组成的级联架构。 GGNN 使用由耦合梯度结构驱动的更新方程共同学习全息波束形成器和等效波束形成器，而投影模块恢复数字波束形成器并强制执行列空间和发射功率约束。仿真结果表明，与 AO 基线相比，所提出的方法以更低的推理延迟实现了更高的 SE，并且比现有的基于学习的基线具有更好的泛化能力。

电磁可重构流体天线系统 (ER-FAS) 通过动态控制每个元件的辐射方向图，提供额外的电磁 (EM) 域自由度，从而提高无线通信的功率效率。然而，这些能力的有效利用关键取决于准确的信道估计，这在之前的研究中受到的关注有限。本文提出了一种利用可用信道稀疏性的下行链路宽带系统的低复杂度信道参数估计框架。考虑基于综合的可重构性模型，其中每个天线使用一组有限的 EM 基函数生成所需的波束方向图。基于该模型，制定了数字和 EM 预编码器的联合优化，其目标是最小化信道参数的 Crammer-Rao 下界。仿真结果表明，所提出的混合波束成形和估计方法能够准确恢复信道参数，同时保持较低的计算复杂度。

6GHz 以下信道、毫米波 (mmWave) 信道和 3D 点云等多模态异构信息可以通过提供物理环境变化的实时反馈来指导通信系统优化。这封信提出了一种基于深度强化学习的多模态传感辅助毫米波波束跟踪（MMS-BT）方法。通过利用多模态传感信息，可以动态调整波束跟踪范围，从而在具有空间一致特性的毫米波通道中实现环境自适应波束跟踪决策。仿真结果表明，多模态传感增强了人工智能辅助光束跟踪的鲁棒性。此外，将 3D 点云与射频传感融合可以将波束跟踪的成功概率提高 13.1%。

多路径传感旨在提取多个传播路径的几何属性，预计将成为 6G 的关键功能。可移动天线 (MA) 可以通过机械运动合成孔径来实现此功能。然而，现有的基于MA的传感方法通常依赖于对整个可移动区域的详尽扫描，导致显着的控制开销和传感延迟，这限制了其敏捷传感的实用性。为了应对这一挑战，本文开发了一种先验引导的敏捷多路径传感框架，该框架利用弱先验到达角（AoA）统计数据作为辅助信息。拟议的框架建立在两个关键步骤之上。首先，可移动板的三维方向仅优化一次，以配置机械上可行的扫描区域，在费舍尔信息分析的指导下增强路径可视性，同时保持路径间可辨别性。其次，给定最佳板方向，MA 仅执行两次线性扫描，其非共线空间相位投影通过基于最大后验 (MAP) 的估计器与先前的 AoA 统计数据融合，以恢复多个路径的仰角和方位角 AoA。估计的 AoA 随后用于通过增强目标路径分量同时抑制来自其他路径的干扰来提取到达时间 (ToAs)。只需一次方向调整和两次线性扫描，所提出的框架就可以实现敏捷的多路径传感，显着降低控制开销和延迟，同时实现接近单路径基准的 AoA 和 ToA 估计精度。

在多输入多输出系统中，时频衰落和有限的导频信号资源之间复杂的相互作用阻碍了高保真信道状态信息的获取。当前的深度学习方法通​​常缺乏物理一致性并且需要大量的计算成本。本文提出了 PiPNet，一种轻量级物理感知 Transformer 架构，它将专门的先验知识集成到模型中，包括 Pilot-Aware Encoding，它建立了一种用于噪声过滤的稀疏性保持流形投影机制；超信息物理注意力模块利用由谱域、相位域和微分域组成的物理三元组，并结合反向注意力机制来降低计算复杂性；相量整流前馈模块可细化信号边缘细节。仿真结果表明，与现有方法相比，PiPNet 始终实现卓越的性能。此外，PiPNet 在估计精度和计算效率之间表现出更好的平衡，表明其在实时无线应用中的潜力。

由于能够动态建立视距 (LoS) 链路，收缩天线 (PA) 系统最近已成为柔性天线系列中一个有前途的成员。虽然大多数现有研究假设没有障碍物的理想环境，但实际的室内部署通常充满障碍物，视距阻塞会显着降低性能。本文通过开发圆柱形障碍物的确定性模型来研究阻塞感知环境中的收缩天线系统，该模型无需依赖随机近似即可精确表征视距条件。基于该模型，首先研究一种特殊情况，其中每个 PA 服务于单个用户，并且只能部署在波导上的离散位置。在这种情况下，波导的服务器分配是通过匈牙利算法获得的，并且 PA 位置使用代理辅助块坐标下降 (BCD) 算法进行细化。然后，考虑一般情况，其中每个 PA 为所有用户服务，并且可以沿着波导连续放置。在这种情况下，波束成形和 PA 位置通过加权最小均方误差 (WMMSE) 集成的深度确定性策略梯度 (DDPG) 框架联合优化，以解决非平滑的视距转换问题。仿真结果表明，与基准相比，所提出的算法显着提高了系统吞吐量。此外，结果表明，收缩天线系统可以有效地利用障碍物来抑制同信道干扰，将潜在的阻塞转化为性能增益。

由于原始 I/Q 信号固有的物理复杂性和频谱数据的极端异质性，将基础模型应用于射频 (RF) 域提出了独特的挑战。在本文中，我们提出了 Radio-FM，这是一个可扩展的基础模型系列，专为通用无线电信号表示学习而设计。与标准架构不同，Radio-FM 采用专门针对 I/Q 独立性进行优化的双通道处理，同时通过轻量级注意力机制捕获跨通道交互。为了在具有高度可变序列长度的异构多源语料库中扩展预训练，我们提出了一种令牌预算动态批处理策略以及与通道无关的掩模重建相结合。我们在涵盖调制、雷达和通信领域的 15 个不同数据集上对 Radio-FM 进行预训练，并在 15 个下游基准上对其进行严格评估。实验结果表明，Radio-FM 在 15 个基准测试中的 13 个上实现了最先进的性能，在调制、雷达、发射器识别、无线技术识别和无线干扰识别方面持续改进。值得注意的是，它表现出卓越的少样本可转移性，显着优于数据稀缺情况下的现有基线，验证了其作为无线电信号理解的通用骨干的潜力。

异步接收是无小区大规模多输入多输出正交频分复用（CF-mMIMO-OFDM）系统中不可忽视的问题。分布式接入点 (AP) 上的异构传播延迟会破坏定时对齐并降低相干传输性能。本文提出了一种传感辅助波束域定时对准（BDTA）方案来解决这个问题。使用上行链路导频信号，所提出的方法执行感测辅助角度延迟提取，定位用户设备（UE），并估计从每个UE到多个AP的相应传播延迟。通过利用毫米波信道的角度稀疏性，这些延迟估计被进一步转换为波束域定时提前，以实现用户特定的下行链路定时对齐。仿真结果表明，所提出的感知辅助 BDTA 方案显着提高了异步接收场景中的下行链路频谱效率（SE）。

未来的集成传感和通信 (ISAC) 架构将获取测量值的传感实体 (SE) 与执行推理的传感功能 (SF) 分开，从而需要在 SE-SF 接口上提供紧凑的、面向任务的反馈。转发原始信道频率响应或完整的每链路延迟多普勒方位角仰角 (DDAE) 张量的成本过高，而仅峰值报告会在杂波下丢弃目标区分结构。我们提出了一种基于学习的从粗到细的传感管道，具有用于单目标估计的候选潜在反馈。在 SE，轻量级卷积记分器根据基于导频的 OFDM 信道估计生成密集的延迟多普勒建议图，学习编码器通过融合每个候选方位角仰角补丁、归一化位置和置信度线索来构造 K 个紧凑的 C 维候选标记。训练后潜伏被统一量化为 b 位，并在有限预算 B_fb = bKC + 18K + 16 位下传输到 SF，SF 执行跨候选细化、重新排序和联合四参数估计。在具有静态和动态杂波的光线追踪城市场景中，(K、C、b) 设计空间中的三个操作点在每个相干处理间隔 107-806 字节时实现 96.33-98.88% 的检测，8 位 DDAE 幅度张量的压缩比为 1.2-9.2 x 10^4，从而将 SE-SF 接口从多 Gbit/s 速率降低到亚 Mbit/s 速率。在独立校园规模环境上的跨场景评估在无需重新训练的情况下实现了 98.79-99.50% 的检测率和较好的角度精度，这表明学习的表示捕获了目标相关的结构，该结构可以在杂波密度相当或较低的场景中传输。

高效的信道状态信息（CSI）反馈对于频分双工（FDD）大规模多输入多输出（MIMO）系统不可或缺。现有的压缩感知（CS）算法利用延迟域稀疏性，但面临令人望而却步的迭代延迟和离散网格不匹配的问题。相反，深度学习（DL）方法可以实现快速推理，但缺乏空间可扩展性和领域适应性，无法泛化到看不见的传播环境，并且需要计算量大的编码器和解码器。在本文中，我们提出了 TAP，一种 Tap 辅助参数 CSI 压缩。 TAP 是一种一次性神经框架，它将 DL 的速度与 CS 的数学可解释性结合起来。 TAP 用轻量级一维神经网络取代迭代追踪，该神经网络通过可微子网格插值算子从时间通道序列中提取主要的连续传播延迟。 TAP 实现了真正的架构独立性，实现了跨不同阵列几何结构和不可见的传播环境的零样本泛化。此外，TAP 产生完全无需解码器的有效负载，允许 BS 通过简单的快速傅里叶逆变换 (IFFT) 来重建信道。对五个 3GPP 环境的广泛评估表明，TAP 的信道频率响应归一化均方误差 (CFR-NMSE) 比 CsiNet 提高了 3.13 至 12.22 dB，同时将模型占用空间缩小了 660 倍至 1 MB 以下。 TAP 的运行延迟为亚毫秒级，与传统迭代 OMP 相比，推理速度提高了 2700 倍，为下一代网络提供可扩展且可部署的解决方案。

人工智能无线接入网络（AI-RAN）预计由多个基于人工智能的模块组成，这些模块可能由不同供应商独立开发。在这项工作中，我们研究支持 AI-RAN 的无蜂窝 MIMO 系统，特别关注现代 AI 模型的系统影响。具体来说，我们关注大型语言模型（LLM）所普及的测试时可扩展性现象，在这种现象下，随着在测试时分配额外的计算资源，模型性能会提高。通过注意到每个 AI 模块的最佳额外计算资源量通常应取决于其与其他模块以及底层无线信道的交互，我们提出了一个通用框架，可以为无小区 MIMO 系统中的每个测试时可扩展模块实现最佳资源分配。实验结果证明了所提出的框架在充分开发无小区 MIMO 系统中测试时可扩展 AI-RAN 潜力方面的有效性。

操纵超快脉冲的能力一直是重大技术进步的核心，包括线性调频脉冲放大、脉冲压缩和频率转换。在太赫兹（THz）频率下，脉冲色散和频率的精确控制是下一代高速无线通信和传感应用的关键，但由于低效的非线性材料和无源器件的基本限制，这种控制仍然很困难。在这里，为了克服这些限制，我们引入了一种具有级联时间和空间边界的时变半导体波导平台，并演示了具有高效频率转换的太赫兹脉冲波形的可编程控制。通过在多个时间边界精确定时光脉冲来控制太赫兹脉冲内频移，我们生成定制的正、负和非单调线性调频脉冲，以及可调谐频率上转换。这些结果为时变光子学的可编程太赫兹脉冲操纵开辟了道路。

仿射频分复用 (AFDM) 已成为下一代集成传感和通信 (ISAC) 系统的一种有前景的波形。然而，在提高频谱效率的同时获得准确的信道和传感相关参数变得具有挑战性，特别是在具有分数延迟和分数多普勒频移的双色散信道中。为了应对这一挑战，通过将信道估计任务表述为多测量向量（MMV）离网稀疏恢复问题，我们提出了一种数据辅助网格演化稀疏贝叶斯学习（D-GESBL）方案，用于叠加导频框架下的信道估计和感知。具体来说，我们开发了一种高效的数据辅助迭代接收器，其中可靠解码的数据符号作为附加伪导频信息反馈，以协助信道估计和感测。为了减轻离网失配并提高整体估计精度，我们开发了一种网格演化程序，根据估计的离网分量迭代调整离散仿射傅立叶（DAF）域中的虚拟网格。此外，通过将广义近似消息传递（GAMP）算法集成到所提出的SBL框架中，我们还开发了一种低复杂度的数据辅助GAMP基于网格演化SBL（D-GAMP-GESBL）算法。最后，数值结果验证了我们提出的方案的有效性，并证明了它们相对于现有最先进方法的优越性。

无线能量传输、通感一体化和流体天线等新兴技术显著提升了现代卫星通信系统的能力。本文研究面向低轨卫星网络的流体天线辅助感知、通信与能量传输一体化框架，系统分为两个阶段：能量传输与目标感知阶段，以及信息传输阶段。第一阶段中，空间太阳能卫星发送双功能波形，在为多颗低轨卫星充电的同时照射感知目标；第二阶段中，这些低轨卫星利用采集的能量协同服务多个地面用户。论文在空间太阳能卫星发射功率、低轨卫星能量采集与感知要求、用户速率需求和流体天线可移动区域等约束下最大化总速率，并提出三阶段交替优化算法，将问题分解为资源分配、空间太阳能卫星侧流体天线布置和低轨卫星侧流体天线布置。仿真验证了所提算法相较七种基线的性能优势，并表明流体天线能够根据服务类型调节信道间差异以增强多功能无线服务；同时，不同服务需要不同信道特征，因此无法为所有服务同时提供最优信道条件。

集成传感和通信 (ISAC) 可使用无线系统中的共享频谱和硬件资源实现同步通信和传感。然而，确保传感功​​能免受未经授权的接收器的攻击仍然是一个基本挑战。在本文中，我们为以通信为中心的（CC）-ISAC系统提出了一种基于子采样的传感隐私框架，该框架联合利用稀疏阵列和稀疏导频分配来分别在空间和频率域中引入受控混叠。通过将天线阵列和导频子载波分别解释为空间和频率采样机制，我们表明空间频率欠采样自然会扭曲未经授权的接收器观察到的距离角度多输入多输出（MIMO）模糊函数（AF）。为此，我们首先推导距离角 MIMO-AF 的封闭式表达式，然后表征由于空间和频域混叠而出现的鬼目标。接下来，我们建立了一个充分条件，在该条件下，这些模糊度共同转化为定位模糊度，并表明，对于足够大的空间和频率子采样因子，未经授权的接收器不可避免地将目标定位在不正确的鬼位置。最后，我们表明所提出的子采样框架保留了本机合法的 ISAC 性能，而无需引入额外的权衡。数值结果验证了分析，并表明稀疏阵列和稀疏导频自然地能够通过混叠欺骗来感知和定位隐私。

在过去的十年中，深度学习已经从一种替代孤立无线模块的工具发展成为一种更广泛的开发无线智能的方法。本文通过三个转变追踪了这一轨迹：学习无线功能模块、重新设计和重新规范化通信目标以及在实际物理约束下实现泛化。这些转变共同推动了通过任何适当的方式随时随地进行沟通的更广泛追求。早期研究表明，神经网络可以近似困难的物理层推理和网络优化映射，而后续研究嵌入了特定领域的结构，转向面向任务的语义，并解决了边缘高效适应的需求。展望未来，我们认为无线人工智能 (AI) 的下一个时代不仅仅取决于扩展模型容量。有希望的方向包括物理接地的无线世界模型、代理推理和实现，以及允许学习组件以清晰的边界、物理一致性和系统级互操作性运行的标准化机制。

摘要 通过用亚波长纳米结构的平面阵列取代笨重的透镜，超表面已成为紧凑型光学传感器的强大平台。在精密光学计量中，光束偏振态和波前的同步映射对于应力引起的双折射和表面平整度的实时诊断至关重要。为了在紧凑的占地面积中实现这一点，现有的超表面通常将其孔径划分为离散区域，这本质上限制了系统的光收集效率和数值孔径。在这里，我们展示了一种逆向设计的超表面，它将全斯托克斯偏振测量和夏克哈特曼波前传感集成在可见光谱的单个连续孔径内。通过利用伴随优化方法来独立控制每个纳米结构的几何形状和旋转，我们打破了孔径共享范式，并将整个像素区域用于所有通道。当与浅层神经网络相结合以自动进行峰值识别并校正硬件非理想性时，我们的设备在庞加莱虂球上的 100 个测试状态中产生的平均偏振重建误差仅为 0.046，同时保持敏感波前倾斜检测所需的精确焦点跟踪。这项工作强调了逆向设计产生多功能、非直观平面光学器件的能力，其性能优于传统光学器件。

实用的可重构智能表面（RIS）通常仅支持少量的相态，这使得它们的配置本质上是离散的。对于具有 $N$ 元素的 1 位 RIS，直接优化需要在 $2^N$ 二进制配置中进行搜索。这项工作表明这个指数配置空间不是非结构化的。通过将 1 位 RIS 优化重新表述为通道相关向量的有符号总和的范数的最大化，我们证明每个全局最优配置都必须由它们在共同方向上的投影的符号引起。这种几何特征限制了可以包含全局最优的配置类别，并根据信号空间维度导致不同的算法结果。对于一般的多输入多输出（MIMO）系统，我们开发了一种几何信息采样方法，仅评估结构上可接受的配置。对于单输入单输出 (SISO) 系统，相同的原理简化为二维角度划分，通过评估 $2^N$ 配置中的最多 $N+1$ 来表征完整的候选集，并通过多项式时间枚举恢复全局最优值。最后，我们将相同的二进制优化原理应用于集成传感和通信（ISAC）场景，其中通信增强和目标定位简化为相同的基础几何问题。因此，所提出的框架提供了一种统一的方法来利用跨通信和传感功能的实用 1 位 RIS 配置的结构。

可重构智能表面（RIS）在增强集成传感和通信（ISAC）性能方面表现出了巨大的潜力，特别是当视距（LoS）路径受阻时。通过控制地面上的可重构元件，RIS可以建立虚拟LoS路径并提供可观的无源波束形成增益，从而显着提高接收信号质量。在本文中，我们设计了一种用于目标定位的新型多跳RIS ISAC系统，其中部署多个RIS来协助从发射器到相关用户的通信，同时增强目标定位中的接收器感知性能。具体来说，我们制定了一个优化问题，以最小化目标检测的均方根误差（RMSE），同时保证用户的通信要求。为了解决这个问题，我们首先通过并行因子分解展开级联传感通道，并开发一种基于低秩CANDECOMP/PARAFAC分解（CPD）的方案来提取传感目标的位置参数（即到达角、出发角和延迟）。然后，我们开发了一种联合选择发射波束成形和 RIS 相移配置的方案，以最大限度地提高接收器的传感能量，从而提高目标定位的准确性。我们还提供了通过我们的方法估计的参数的唯一性分析、复杂性分析和 Cram\'er-Rao 下界 (CRLB)。仿真结果验证了我们的设计相对于基线所获得的目标定位的改进。

摘要 微观物体的三维 (3D) 跟踪对于探测生物、微流体和纳米级系统的动态过程至关重要。在线数字全息显微镜（DHM）为此目的提供了一个强大的框架，将体积信息编码为单个强度测量，从而通过数值波传播实现无扫描重建。然而，尽管其概念简单，但内联 DHM 的实际实施仍然从根本上受到其对笨重中继光学器件的依赖的限制，这限制了系统的紧凑性、对准鲁棒性以及与新兴小型化平台的集成。在这里，我们使用平面超光学器件重新构建了内联 DHM，用超透镜取代传统的折射中继光学器件，从而建立了一个紧凑的单路全息成像平台。该架构保留了在线全息术的固有优势，包括单次体积编码和数值传播重建，同时大大降低了光学复杂性和系统占用空间。我们使用分辨率目标、微球和活体微生物对超表面启用的内联 DHM 进行实验验证，并在紧凑的光学配置中演示免扫描 3D 跟踪。我们的研究结果表明，平面元光学不仅可以作为折射元件的替代品，而且可以作为小型化全息显微镜和先进可集成体积成像平台的有效系统级策略。

本文研究了在服务质量和每个接入点功率约束下无小区大规模多输入多输出系统下行链路的能源效率 (EE) 最大化。我们首先推导目标函数关于功率分配系数的封闭式梯度表达式，然后提出一种加速投影梯度（APG）方法来解决这个问题。为了降低 APG 的计算复杂度和运行时间，我们提出了一种深度展开的 APG 框架，将迭代 APG 更新映射到有限数量的神经网络层，其中步长和惩罚系数等参数是从数据中学习的。所提出的方法通过固定数量的基于梯度的更新产生功率分配解决方案，而不需要线搜索或手动参数调整。数值结果表明，该方法实现了与迭代 APG 方法相当的 EE 性能，同时所需的计算成本显着降低，在所考虑的系统设置下，浮点运算量减少了 30 倍。