2026-08-17论文雷达 TEST

流体天线系统 (FAS) 实现位置可重新配置，使收发器能够访问高分辨率空间信号。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整CSI的FAS方案，称为部分FAS。本文首先介绍了 FAS 的时空框架，并在此基础上提出了部分 FAS。所提出的部分 FAS 重量轻且计算效率高，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，部分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。此外，我们推导了最佳端口放置的封闭式表达式，其中最佳性定义为在只有单个端口 CSI 可用的特殊情况下最小化中断概率的端口。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部分 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。此外，我们为所提出的部分 FAS 建立了马尔可夫条件，这提供了对时隙持续时间的物理设计以及部分 FAS 接近理想 FAS 所需的历史 CSI 样本数量的见解。数值结果表明，所提出的部分 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，同时需要显着减少的端口 CSI 测量和较低的端口切换速度。

最近的工作探索了用于辐射近场的复杂波束聚焦技术，一些研究表明某些波束形状（例如艾里波束）可以实现障碍物后面有效的电磁（EM）波传输。在这封信中，我们询问增加此类技术的复杂性是否合理。我们区分部分遮挡区域和完全遮挡区域。在通常采用艾里波束的部分遮挡区域，我们证明了一种简单的视距（LoS）策略，该策略仅激活具有无障碍视野的接收器的天线，该策略接近最优，并且在复杂性低得多的情况下优于艾里波束。在完全遮挡区域，我们认为精确的光束聚焦需要物理上一致的电磁波传播模型来捕获衍射等传播效应。然而，一旦这样的模型可用，最佳光束聚焦策略就有一个封闭形式的解决方案，并且可以直接计算。这些结果表明，与将光束聚焦到遮挡区域的简单替代方案相比，复杂的技术（例如艾里光束）几乎没有什么好处。

仿射频分复用 (AFDM) 是一种很有前景的基于线性调频脉冲的多载波波形，适用于高移动性集成传感和通信 (ISAC)。准确的角度、延迟和多普勒估计对于 AFDM 传感至关重要。由于目标延迟和多普勒频移通常是连续值，因此将它们表示为离散延迟 - 多普勒网格会导致离散仿射傅里叶变换 (DAFT) 域中的能量泄漏和峰值位移。 AFDM 线性调频脉冲还会在 DAFT 域响应中引起延迟多普勒耦合。所得的 DAFT 域匹配分数表面呈现出与归一化延迟轴和归一化多普勒轴不对齐的局部脊。为了解决这些问题，本文研究了共置 AFDM-ISAC 传感架构的角度和连续值延迟多普勒参数的联合估计。变换域稀疏传感模型是根据分数 DAFT 域响应制定的。基于该模型，开发了耦合坐标牛顿正交匹配追踪（CC-NOMP）估计器。 CC-NOMP 使用 AFDM 引起的耦合坐标来参数化主要局部脊。它将耦合坐标牛顿细化与受保护的更新、耦合对齐延迟细化和循环多目标细化相结合，以估计角度、连续归一化延迟和归一化多普勒。还导出了确定性 Cramér-Rao 界和主阶复杂性分析。使用连续值离网目标参数的仿真结果表明，CC-NOMP 实现了比所考虑的基线更低的延迟和多普勒误差本底，同时保持了相当的角度估计精度。

在宽带近场系统中，波束斜视效应使定位变得复杂，导致传统方法在低信噪比（SNR）条件下遭受严重的测距模糊。尤其是基于深度学习 (DL) 的方法通常将扫描观察结果视为整体图像，这使得它们容易受到特征混叠的影响。为了应对这些挑战，这封信提出了一种将可控光束斜视与解纠缠表示学习相结合的物理感知框架。我们没有将光束斜视效应作为一种损害来减轻，而是设计了一种分层扫描策略，利用其频率相关效应进行低开销传感，生成结构化空间光谱特征以逐步解决错误传播。在这些丰富的物理观察的支持下，所提出的 DiBSNet 采用多分支解耦架构，明确地解开了固有耦合的角度和径向特征。通过强制潜在表示的统计独立性，DiBSNet 隔离特定于参数的信息并有效避免特征混叠。仿真结果表明，与传统基准相比，该方法在低信噪比下的定位精度提高了 76.2%。值得注意的是，它在外围区域保持了强大的性能，同时只需要最复杂的基于深度学习的基线的约 1% 的浮点运算 (FLOP)。

全息多输入多输出 (HMIMO) 利用连续的天线孔径表面来实现 6G 通信的极端空间分辨率。然而，由此产生的巨大信道维度引发了“维度灾难”，将信道估计变成了严重不适定的逆问题。现有的压缩感知或深度学习方法通​​常难以平衡信道重建精度和计算复杂性，通常无法捕获潜在的电磁传播定律。为了解决这个问题，我们提出了 Diff-Mamba，一种新颖的物理感知顺序学习模型，它将生成扩散先验与有效的状态空间模型相结合。首先，基于电磁信息理论，我们从导出的空间相关模型生成通道数据集，以表征近场电磁传播特征。其次，我们引入了一种潜在扩散模型，将生成过程转变为空间紧凑的潜在流形。通过将高维通道映射到低分辨率特征空间，我们有效地捕获了电磁场的固有低阶结构，同时显着降低了扩散主干的计算复杂性。最后，我们设计了一个 Fusion Mamba 架构，它将这些生成先验与噪声观测相集成，利用 Mamba 的线性复杂性来有效地模拟远程空间依赖性。广泛的模拟表明，Diff-Mamba 的性能优于最先进的基线，在估计精度方面实现了显着提高。此外，所提出的方法对导频稀缺和超参数变化表现出卓越的鲁棒性，验证了其作为 HMIMO 系统可扩展解决方案的潜力。

基站越来越多地部署大型天线阵列，显着提高了无线电定位方法的空间分辨率和定位精度。然而，传统的信号处理技术在复杂的无线电环境中表现不佳，特别是在非视距（NLoS）传播路径占主导地位的场景中，导致定位精度下降。机器学习的最新发展促进了机器学习辅助定位技术的发展，提高了复杂无线电环境中的定位精度。然而，这些方法在训练和推理阶段通常涉及大量的计算复杂性。这项工作通过同时减少内存需求并提高其准确性，扩展了完善的基于指纹的定位框架。具体来说，基于模型的神经网络用于学习位置到通道的映射，然后用作生成神经通道模型。该生成模型增强了指纹比较字典，同时减少了内存需求。即使在复杂的静态非视距环境中，所提出的方法也能实现亚波长定位精度，从而优于指纹识别基线。值得注意的是，与传统的指纹识别方法相比，它在定位精度方面提高了几个数量级，同时将内存需求降低了一个数量级。

在本文中，我们研究了异步无小区多输入多输出（MIMO）基础设施上的鲁棒上行链路感知和定位，其中上行链路通信导频被重用于感知。在基于云无线接入网络（C-RAN）的实际无小区架构中，分布式接入点（AP）通常通过有线回程进行同步，但它们的独立本地振荡器仍然会引入AP特定的抖动和脉冲定时异常值。用户设备（UE）本身不与网络同步。这引入了出现在每个 AP 链路上的大的常见时序偏差。这两种类型的时钟损伤具有不同的结构，不应将其视为单个随机错误。为了解决这个问题，我们提出了一种分层感知和融合框架。该框架有四个阶段。首先，空间解耦分离多径分量。然后，基于中值的同步给出延迟和总频率偏移的粗略估计，两者对脉冲干扰都很鲁棒。分布式 H∞ 滤波器在每个 AP 处细化这些估计。最后，中央处理单元 (CPU) 融合细化的范围以联合恢复 UE 位置和公共定时偏差，之后根据偏差补偿的非视距 (NLoS) 延迟映射无源散射体。该框架将几何范围与时序偏差分开，并降低了不可靠 AP 的权重。其结果是提高了异步无细胞网络的鲁棒性。仿真结果表明，与基于卡尔曼滤波器（KF）的基准和其他鲁棒估计器基线相比，该方案在脉冲时钟干扰下实现了更低的 UE 定位和散射映射误差。

稀疏阵列降低了超大规模多输入多输出系统的硬件成本，同时保留了大的有效孔径，但可能会遭受严重的旁瓣和栅瓣泄漏。可旋转天线 (RA) 提供定向泄漏抑制，而频繁的视轴适应瞬时用户位置会产生相当大的控制开销。在实际应用中，长期用户分布往往是不均匀的，紧凑的热点与分散的用户共存，这使得基于组级几何的低复杂度RA配置成为可能。受此观察的启发，我们提出了一种组感知的稀疏 RA 架构，其中用户被组织成服务组，并且激活的 RA 被划分为特定于组的稀疏子阵列。我们通过联合优化稀疏孔径分配、RA 方向和发射波束成形，最大化所有用户的最小信号干扰加噪声比 (SINR)。我们表明，RA 引起的组间泄漏抑制和稀疏孔径引起的组内正交化共同产生了近似解耦的分组波束形成结构，为分组天线数量分配和非周期性稀疏位置初始化提供了物理指导。在这些见解的指导下，我们开发了一种结构化的低复杂度两层算法，将封闭式投影组中心 RA 方向规则嵌入到稀疏孔径分配和波束成形设计中。该算法结合了分析引导的初始化、采样多起点天线分配搜索和用于波束成形的基于二分法的二阶锥编程。数值结果表明，所提出的设计非常接近完全共享和方向优化的基准，同时大大优于紧凑和全向稀疏阵列方案。

流体天线阵列 (FAA) 在规定的孔径内重新配置一组有限的辐射端口。然而，在紧凑的孔径中，通道驱动的布局可能会聚集端口，加强相互耦合，降低辐射条件，增加源电压需求，并产生不均匀的电流负载。本文研究了联合优化端口布局和当前域传输的下行多用户波束成形。电磁引导图网络根据通道观测预测端口布局，并使用几何和互阻抗信息对其进行细化。训练目标联合考虑通信性能和电磁可行性，同时对所有方法应用共同的评估程序。结果表明，在通用的可行性标准下，该方法提供了通信速率、电流负载和配置延迟之间的可控权衡。

流体天线阵列（FAA）激活共同确定用于预编码的有效多用户信道和稀疏物理孔径。面向通道的选择会集中高增益端口并损害孔径质量，而面向几何的选择不适应瞬时通道状态信息（CSI）。本文将有限端口 FAA 激活表述为精确射频链预算下的速率-孔径-可行性问题。我们提出了阻抗感知区域端口激活（IA-ZPA），它将紧凑的 CSI 条件端口评分与棋盘可行性投影和推理时间互阻抗感知选择结合起来。学习的评分器对端口进行排名，而确定性规则则固定活动孔径；然后，一个单独的电流域 RZF 后端评估源驱动的可行性。在常见的感应 EMF 协议下，IA-ZPA 在满足规定的平均 PSLL 目标的方法中获得了最大的约束率，并且决策时间比贪婪选择要短得多。

虽然学习的无线接收器通常使用合成数据进行研究，但无线 (OTA) 测量对训练的影响仍不清楚。我们使用类似 5G/6G 的正交频分复用 (OFDM) 系统在不同的环境和移动条件下进行了 5.88 GHz 测量活动，并使用测量数据和合成数据的混合来训练神经信道估计器和容量匹配的端到端神经接收器。增加 OTA 分数揭示了一个根本性的不对称性：测量的数据持续改进了端到端接收器，而信道估计器在中间分数处达到峰值，并随着完全测量的训练而退化。我们表明，这种差异源于监督目标：OTA 通道标签源自噪声接收信号，因此包含与接收器输入相关的监督错误，而通过循环冗余校验 (CRC) 验证的解码位可提供有效的无差错监督。受控去噪实验证实，是这种相关性（而不是有限的数据多样性）导致了性能下降。这些结果为使用 OTA 数据训练学习接收器提供了实用指导：端到端接收器受益于完全测量的训练，而信道估计器受益于适度的 OTA 分数，但需要提高标签质量，例如通过去噪，释放更多收益。

6G移动通信对更高数据速率和海量连接提出了沉浸式通信需求，而新兴的感知计算智能融合场景要求基站同时增强计算能力、保证业务时延和实现感知。我们提出全光子基站——一种渐进式演进架构，将光子技术引入基带处理、前传传输和射频前端三个功能域，并通过跨域协同设计获得系统级增益。通过引入光子学，Omni-PBS利用超宽带宽、超低传播延迟和原生并行性的固有物理优势，超越上述电子瓶颈，满足6G场景的复合需求。光学基带计算领域采用光子加速器执行线性计算密集型任务，将AI推理的能效提高一到两个数量级。模拟光前传领域用模拟光纤无线电取代数字前传，消除了拉远单元中的ADC/DAC和数字中频芯片，大大降低了前传带宽要求。微波光子射频领域通过光学实时延迟波束形成、可编程光子滤波和光学外差频率转换突破了电子射频前端的带宽和频率限制。这三个领域通过端到端光域连续性、跨域协同设计、光计算资源调度和功能分裂联合优化四个协同设计原则，获得了超越单域求和的系统级增益。

晴空湍流对航空构成持续的危害，但它却能避开传统的气象雷达，并且仍然难以检测到。现有的光学传感方法在严重的湍流下会变得不稳定，并且极易受到机载节点之间未对准的影响。在这里，我们介绍一种基于携带轨道角动量（OAM）的结构化太赫兹（THz）光束的大气传感方案。我们推导并通过实验验证了一个分析模型，该模型将湍流引起的 OAM 模态串扰映射到大气的折射率结构常数。我们的模拟和实验表明，这种 THz-OAM 方法在光学系统饱和的严重湍流下仍然保持鲁棒性，并提供了几个数量级的更大的失准弹性。此外，该方案还通过了解发散的 THz-OAM 光束与相互传播路径中的湍流介质的相互作用，并同时监测水蒸气以识别湍流前兆，实现了主要湍流簇的定位。这项工作建立了结构化太赫兹-OAM 光束作为远程大气湍流推断的稳健框架。

太赫兹 (THz) 通信为未来的数据密集型网络释放了巨大的容量。虽然基于光子学的太赫兹系统提供宽带宽，但它们对分立光学组件的依赖决定了巨大的耦合损耗和庞大的占地面积。在不降低分立光电元件的带宽或效率的情况下实现完整的片上集成仍然是一个核心挑战。在这里，我们通过将 InP 基单行载流子光电二极管 (UTC-PD) 异质粘合到薄膜铌酸锂 (TFLN) 调制器芯片来演示集成光子太赫兹发射器。该架构成功地将 TFLN 出色的电光响应与强大的 III-V THz 生成相结合，采用集成光电二极管，基准 3dB 带宽为 240 GHz，内部响应率为 0.67 A/W。在亚太赫兹无线链路中，发射器使用 NRZ 或 PAM4 格式在 150 GHz 下提供 40 Gbit/s，在 200 GHz 下提供 32 Gbit/s，为下一代无线互连建立可扩展的路径。

经典信道解码通常将所有信息序列视为同等可能，并且主要依赖于信道观察和代码结构，而不利用源数据中的统计或语义结构。尽管源压缩旨在消除冗余，但实际的源编码可能会留下传统通道解码器无法利用的大量残留结构。现代多模态数据源（包括文本、语音和图像）表现出丰富的统计和语义依赖性，基础模型可以学习和利用这些依赖性来改进通道解码。本文介绍了语义错误控制编码（SECC），它通过基础模型将源的语义结构无缝地集成到编码和解码中。语义源先验（由模型的源内容先验概率表示）将代码冗余引导至编码器处语义重要的内容，并改进解码器处的可靠性估计、候选搜索和错误检测/纠正。信道代码保持其代数结构，并且其约束确保来自基础模型的语义建议符合该结构。我们描述了 SECC 框架，将其设计方法分为三种方法，并在文本源上演示了代表性方案。所演示的方案在 AWGN 信道上显示出比传统解码高出几个分贝的编码增益，并且误码率低于正常近似范围。最后，我们确定了几个开放的挑战。

神经形态计算可实现事件驱动、低功耗推理，因此是在资源受限的无线设备上联合执行通信、传感和处理的一项有吸引力的技术。脉冲无线电超宽带 (IR-UWB) 信号在 IEEE 802.15.4 系列中进行了标准化，并广泛部署用于测距和短程通信，自然地与神经形态处理相匹配，因为两者都通过稀疏时间事件或尖峰进行操作。在此背景下，本文研究了一种符合标准的神经形态集成传感和通信 (N-ISAC) 系统，其中单个尖峰神经网络 (SNN) 接收器联合解调数字数据并直接从常见的 IEEE 802.15.4z 高速率脉冲重复频率 (HRP) UWB 波形检测无源雷达目标。与之前的 N-ISAC 工作不同，N-ISAC 工作假设了基本的脉冲位置调制接口和简化的多路径通道，我们考虑了完全标准化的物理​​层以及由可重构智能表面 (RIS) 辅助的真实光线追踪通道。该模型考虑了基于超材料的 RIS 的频率选择性响应，该响应会分散宽带 IR-UWB 脉冲，并可能降低通信和传感性能。数值实验量化了 RIS 频率选择性对 UWB ISAC 的影响，并表征了 ISAC 性能和接收器计算能量之间的权衡。

使用光的增材制造通常受到串行逐体素或逐层处理的限制，这从根本上限制了制造速度和可扩展性。在这里，我们介绍了一种单次曝光全息三维 (3D) 打印方法，该方法可以一步光学合成整个体积剂量分布。该方法将逆向设计的微结构相位掩模与专为控制光吸收而设计的光聚合物树脂相结合。通过精确定制相位掩模版形，我们在树脂内生成任意 3D 光强度分布，包括定义中空内部特征的有意编码的暗区域。同时，树脂配方旨在平衡光学渗透与足够的局部能量沉积，以在整个体积内实现高保真聚合。使用这种方法，在单次 7.5 秒曝光中制造出包含超过 10 6 个可寻址体素的毫米级架构，相当于每秒约 1 立方毫米的体积吞吐量（每秒> 10 5 体素）。目前所展示的性能受到树脂动力学和照明几何形状的限制，而不是受到相位掩模框架本身的限制。由于体积信息容量随着相位掩模的空间带宽乘积而缩放，因此这种方法提供了一条通向更高吞吐量的清晰途径，从而实现了微光学组件、生物医学支架和其他精密设计的介观系统的可扩展制造。

在本文中，我们研究了多用户、多目标集成传感与通信（ISAC）系统，并提出了一种基于相长干扰（CI）的全数字块级预编码（BLP）方案。在所考虑的块内，优化目标是最小 CI 比例因子，并限制目标照明功率、3 dB 主瓣宽度和峰值旁瓣比。基于全数字CI-BLP方案，提出了一种最优的混合CI-BLP方案。所需的射频 (RF) 链数量仅取决于块长度。此外，为了进一步降低ISAC系统的硬件成本，提出了一种基于恒定相位移相器（CPPS）的新型射频预编码方案。与基准方案相比，所提出的具有 CPPS 的混合 CI-BLP 方案可以用更少的 CPPS 实现更高的精度。仿真结果证明了所提出的全数字 CI-BLP 方案在 ISAC 性能方面的优越性。此外，仿真结果验证了所提出的具有无限分辨率PS的混合CI-BLP方案的最优性，以及平均误差与CPPS数量之间的关系。所提出的混合预编码方案对于不同的设计指标和不同的场景是通用的。

当前依赖固定地面接入点 (AP) 和单层表面的无蜂窝大规模 MIMO (CF-mMIMO) 系统的部署灵活性和波束赋形能力有限。为了解决这一限制，我们提出了一种新型的无人机（UAV）安装的堆叠式智能超表面（SIM）辅助CF-mMIMO系统，该系统通过波域波束形成和自适应悬停位置优化来最大化总和速率。我们针对 AP 发射功率、多层 SIM 相移和无碰撞无人机部署位置制定了联合非凸优化问题。为了解决这个问题，我们开发了一种基于交替优化（AO）的迭代算法，该算法结合了受最大比率传输、梯度上升和逐次凸逼近启发的功率分配方案。仿真结果表明，所提出的方法优于固定AP部署的传统方案，表明无人机移动性和SIM的集成可以有效提高未来无线网络的吞吐量。

这项工作研究了均匀线性阵列的空间宽带（SWB）天线阵列因子（AF）。首先，针对窄带 (NB) 信号和元件间距满足奈奎斯特准则的大孔径推导 SWB AF 近似。该推导考虑了不同的空间和光谱窗口。接下来，在统一的空间和频谱加权下开发宽带 (WB) 信号的 SWB AF 近似值。分析表明，对于完全填充的阵列，增加带宽可以有效抑制 AF 旁瓣。最后，引入了通用 SWB AF 近似，该近似基于将 SWB AF 识别为空间变异卷积。在此公式中，SWB AF 表示为空间窄带 (SNB) AF 和 SWB 内核的卷积，从而深入了解带宽和光谱权重如何影响最终的 SWB AF。事实证明，所提出的近似对于各种带宽和元件间距（包括稀疏阵列）都是准确的。特别是，对于稀疏阵列，带宽可以通过将能量分布在更宽的角度范围内来抑制栅瓣振幅。提供了作为带宽-孔径乘积函数的光栅波瓣包络的近似值。

在深度神经网络 (DNN) 设计中利用无线策略的数学特性可以提高学习性能和泛化性，同时降低训练复杂性。排列等变性和排列不变性已被纳入 DNN 架构中。在本文中，我们研究了共轭等变（CE），并提出了一种用于预编码器学习的通用共轭等变神经网络（CENN）框架。我们首先确定一类统一预编码问题的最优策略满足 CE，即当信道矩阵共轭时，最优预编码器的共轭保持最优。然后我们表明，对于具有线性处理函数的 DNN，强制执行 CE 限制了它们学习最佳预编码策略的能力。为了克服这个限制，我们开发了一种通用的非线性结构，并证明它将任意基函数转换为 CE 处理函数，同时保留基函数的原始等方差性质。这种结构使现有的等变网络能够合并 CE，而无需添加可学习的参数。全数字和 RIS 辅助预编码的模拟表明，由此产生的 CE 增强网络提高了学习和泛化性能，同时比原始网络需要更少的训练样本和更短的训练时间。

广义正交线性调频分频复用 (GOCDM) 引入了离散根索引 λ 作为波形设计自由度，增强了对双选择通道和多样化传感要求的适应性。与 OCDM-ISAC 中的单线性调频设计以及仿射频分复用 (AFDM) ISAC 中通信和传感参数的单独配置不同，GOCDM-ISAC 中的 λ 同时决定广义离散菲涅耳变换域中的稀疏宽度和线性调频斜率，从而使延迟多普勒耦合与通信带宽效率密切相关。为了解决这个问题，本文提出了一种基于互补根索引和三阶段参数估计算法的双线性调频嵌入式导频框架，该算法在单目标 AWGN 信道下将联合 Fisher 信息矩阵 (FIM) 的非对角项推向零，并减轻了离散网格的分辨率限制。仿真表明，在 SNR 为 20 dB 时，与其他基线相比，距离和速度估计误差分别减少了约 9.1 dB 和 5.9 dB，同时保持了高通信可靠性和通信带宽效率。

高保真光线追踪 (RT) 通道重建是构建 6G 无线通信时代数字孪生的基本步骤。然而，复杂电磁材料参数的精确校准仍然是一个双重挑战，其特点是大量的计算开销和严格的精度要求。为了克服这个瓶颈，我们提出了一种具有个体记忆的代理辅助灰狼优化器（SGWO-IM）算法，该算法可同时提高计算效率和校准精度。在计算效率方面，在线代理模型无缝嵌入到候选人预筛选的评估工作流程中，大大减少了对高度耗时的真实RT模拟的依赖。在标定精度方面，采用自适应收敛和个体记忆策略来优化全局参数搜索路径，有效增强重建通道与测量数据的一致性。根据高密度城市场景的测量信道数据进行验证，所提出的算法仅需要 225 次真实 RT 模拟调用，而标准灰狼优化器 (GWO) 需要 600 次调用，计算开销减少了 62.5%。同时，最终的均方根误差 (RMSE) 从 GWO 的 3.65 dB 大幅降低至 2.97 dB。结果表明，SGWO-IM算法在效率和精度上都取得了显着的进步，为电磁环境重建提供了一种有效平衡效率和精度的解决方案。

在本文中，我们研究了干扰信道上的流体天线系统（FAS）辅助的下行链路移动嵌入式人工智能网络（MEAN），其中多个基站（BS）-代理对重复使用相同的频谱。 BS 采用 FAS 来提高通信质量，而移动嵌入式人工智能 (AI) 代理可以根据环境感知信道信息（例如信道干扰加噪声图 (CINM)）调整其位置。考虑到同信道干扰以及通信和代理移动引起的能量消耗，我们通过联合优化代理位置、FAS 端口选择和发射功率来制定能量效率（EE）最大化问题。为了解决这个混合整数非凸问题，我们首先针对给定的代理位置和 FAS 端口导出封闭形式的最佳发射功率。然后，我们开发了一种具有自适应 FAS 端口优化和顺序代理位置优化的迭代算法，以及低复杂度的功率更新方法。仿真结果表明，所提出的设计优于所考虑的基准方案，并在严重噪声条件下提供了改进的可行性。

我们提出了一种混合同时传输和反射可重构智能表面（STAR-RIS）架构，具有动态切换的有源和无源元件，以支持联合定位、通信和无线电力传输（WPT）。我们首先采用基于交替最小二乘法 (PARAFAC-ALS) 的张量分解方法进行并行因子分析，该方法将基站 (BS)-可重构智能表面 (RIS) 和 RIS-用户通道解耦，从而实现低开销的通道采集。在此基础上，我们根据通信用户的频谱效率（SE）要求、感知信号干扰加噪声比约束以及能量收集用户的非线性能量收集要求，制定了系统能量效率（EE）最大化问题。优化问题是非凸的，因为发射功率分配、STAR-RIS 系数和主动/被动模式分配在目标和约束中紧密耦合。我们通过交替解决两个子问题来解决这个问题，并通过分数规划、连续凸逼近和用作初始化步骤的多种子贪婪策略来解决它们。数值结果表明，与完全无源/有源架构相比，选择性地激活精心挑选的小型 STAR-RIS 元件子集可实现 1.5 至 3 倍的 EE 改进，同时满足通信、传感和功率传输要求。

语义通信利用了有效负载的含义，而位级处理则将其丢弃。当自然语言负载上的通道解码失败时，错误在恢复的文本中显示为损坏的字符。大型语言模型 (LLM) 从语义上下文中推断出预期的字符，但它也可能产生不正确的更正。当 LLM 错误地修改字符时，直接应用它们会引入新的位错误。在本文中，我们提出了一种用于低密度奇偶校验（LDPC）码的 LLM 辅助解码框架。解码器不信任 LLM 预测，而是根据奇偶校验约束联合评估修改后的字符，并仅承认接受的更正作为经过验证的语义先验。这些先验作为通道对数似然比的软更新注入，保留原始通道证据而不修改解码器。随后的置信传播过程将注入的证据分布在检查节点上，不仅恢复注入的位，还恢复 LLM 无法纠正的残留错误。模拟表明，与传统解码器相比，误码率降低了 73%（2.0 dB），而在相同预算下将其迭代加倍，结果仅为 21%。尽管 LLM 预测不准确，但验证仍将注入精度保持在 0.88 以上，这表明语义知识可以可靠地转化为物理层可靠性增益。

提出了一种支持收缩天线系统（PASS）的多无人机集成感知和通信（ISAC）框架，用于自适应下行链路通信和无人机感知。通过联合优化收缩天线激活、波导级基带预编码和PA级辐射功率，在满足通信用户和感知目标的最低速率要求的前提下，使通信速率和感知信息速率的加权和最大化。基于遗传算法的两层优化框架通过 MLP 策略推断天线激活，并使用 WMMSE 和 SCA 交替优化预编码和辐射功率。数值结果表明，与传统的多天线和固定激活 PASS 基线相比，加权总和率和约束满意度有所提高。

在本文中，我们研究了支持 RSMA 的多小区 ISAC 网络的下行链路性能，其中基站 (BS)、通信用户和传感目标根据独立泊松点过程 (PPP) 进行空间分布。每个 BS 使用 RSMA 同时为多个用户提供服务，同时利用公共流作为双功能通信和感测波形。用户配备的 FAS 可以选择最佳的天线端口，以最大限度地提高接收信号质量。通过结合随机几何、阶次统计和基于拉普拉斯变换的干扰分析，导出了遍历和速率的封闭式解析表达式。此外，通过表征公共预编码器的统计特性，开发了平均雷达 SINR 的易于处理的近似值。利用导出的分析表达式，提出了一种低复杂度的分析资源分配框架，以联合优化 RSMA 功率分配、通信感知波束权衡和调度用户数量，同时满足感知服务质量约束。与传统的迭代优化方法相比，所提出的分析设计显着降低了计算复杂性，同时实现了几乎相同的通信性能。仿真结果验证了所开发的分析表达式的准确性，并证明了 RSMA 总速率和传感性能相对于传统传输方案的显着改进。

集成传感和通信 (ISAC) 是未来无线系统的关键推动者，它提供的环境信息可以支持传统数据传输之外的任务。然而，它对通道解码的影响仍然很少被探讨。本文研究了单输入单输出窄带衰落信道上的传感辅助有序可靠性位猜测随机加性噪声解码（ORBGRAND）。环境信息用于构建基于几何的信道系数先验，该先验通过线性最小均方误差 (LMMSE) 估计与先导观测值融合。由此产生的后验通道估计和不确定性用于计算提供给 ORBGRAND 的对数似然比 (LLR)，从而改进驱动其噪声猜测过程的可靠性排序。仿真结果表明，块错误率得到改善，平均查询复杂度降低，在试点限制的情况下收益最大。

当测量受到非视距 (NLOS) 偏差的影响时，到达时间差 (TDOA) 定位的精度通常会明显下降。传统的最小-最大鲁棒公式在实际的非视距环境中往往过于保守。本文提出了一种鲁棒的 TDOA 定位方法，称为移位可行集鲁棒最小二乘法，用于非视距条件下的 TDOA 定位。该方法引入了对参考接收器复合偏差的零中心处理，并移动内部最大化的可行集，从而减少了经典最坏情况残差设计的过度保守性。进一步结合 Huber 损失以提高存在稀疏异常值时的定位精度。通过内部最大化的端点近似和保守的二次上限，所得公式被转换为具有半定和二阶锥体约束的易于处理的凸优化问题。仿真结果表明，该方法在不同的非视距条件下始终能够实现较高的定位精度。

可重构智能表面（RIS）研究将信道估计、控制和通信紧密结合在一起，但现有的实现通常依赖于固定的算法管道，因此很难在相同条件下比较替代的估计、跟踪和通信策略，也很难研究时变信道下的低开销RIS适应。本文通过两项互补的贡献解决了这两个挑战。首先，它介绍了 TRACE（RIS 辅助信道估计、自适应控制和通信实验工具包）​​，这是一种基于模块化套接字的框架，可通过单独的控制平面和数据平面接口解耦发射机、无线电环境、控制器和接收机，从而实现跨可替代模块的可重复评估。其次，它提出了差分通道感知 RIS 更新 (DCAR) 算法，该算法使用正则化差分更新从减少的探测观测中估计通道扰动，以减少再训练开销。 TRACE 通过可互换的最小均方误差和正交匹配追踪信道估计、高斯随机游走和高斯马尔可夫信道演化、BPSK、QPSK 和 16-QAM 调制技术以及多种 RIS 大小进行验证，无需修改底层框架。在 TRACE 中，观察到 DCAR 可以减少导频开销和计算复杂性，同时在时变信道下保持接近基于卡尔曼滤波器的跟踪的波束成形性能。

基于无人机 (UAV) 的干扰源定位在密集的 5G-Advanced 和新兴 6G 网络中变得越来越重要，其中未知干扰源会降低通信可靠性和偏差测量驱动的信道建模。然而，多径、阻塞和非视距（NLOS）传播引起的传播不确定性使得测量与位置关系高度非线性和时变，限制了传统定位方法的可靠性。为了应对这一挑战，我们提出了一种单无人机定位框架，该框架使用沿自适应飞行轨迹收集的空间接收信号强度指示器（RSSI）测量来定位主要干扰源。强大的通道感知定位算法可估计源位置及其相关的不确定性。高斯过程 (GP) 贝叶斯优化方法通过最大化定位不确定性的预期减少来选择航路点。通过将信道感知定位与不确定性感知航路点选择相结合，所提出的闭环接收信号强度差（RSSD）干扰定位框架迭代更新源估计并规划后续航路点。在多径传播下信噪比 (SNR) 为 20 dB 时，与基线方法相比，所提出的框架将给定定位均方根误差 (RMSE) 的飞行距离减少了约 60%，给定飞行距离下的定位 RMSE 减少了约 70%。

这项工作研究混合毫米波 (mmWave) 大规模多输入多输出 (MIMO) 系统中通信受限的联合双边信道状态信息 (CSI) 估计。准确的 CSI 恢复具有挑战性，因为混合波束形成会产生压缩且有噪声的观测结果，而联邦学习 (FL) 中的重复模型交换使得通信效率强烈依赖于估计器的大小。我们没有开发新的联邦优化算法，而是专注于标准联邦平均（FedAvg）下的估计器设计，并研究如何在重复模型交换下有效地使用有限的参数预算。基于这个角度，我们提出了一种预算感知的重新校准细化网络（BARRNet），它将紧凑的残差主干与轻量级的通道重新校准相结合，用于双边 CSI 细化。仿真结果表明，与仅主干控制和较重的卷积神经网络 (CNN) 基线相比，BARRNet 实现了更好的归一化均方误差 (NMSE)——通信权衡。在 5 dB SNR 下，对于 -13 dB DL NMSE 目标，相对于架构匹配的仅骨干控制，它减少了 28.9% 所需的累积通信。这些结果表明，通信高效的联合 CSI 估计不仅取决于模型的紧凑性，还取决于在重复模型交换下如何使用有限的模型容量。

6G网络将不仅仅作为通信基础设施；相反，它们有望演变成智能系统，其中数千个自主人工智能（AI）代理相互连接。这些代理部署在各种平台上，包括低地球轨道 (LEO) 卫星、高空平台 (HAP)、无人机 (UAV)、边缘服务器和地面设备。这些代理不断观察其环境并交换信息。语义通信提供了一种有效的机制来交换有意义的信息而不是原始数据。然而，其有效性取决于通信代理是否具有足够一致的信念来正确解释和解码所传输的消息。这一假设在 6G 网络中变得难以满足，因为异构 AI 模型在不同的计算约束下运行，并不断从本地环境中获取不同的知识。本文提出了一种适用于 6G AI 原生网络的异构感知信念同步框架。它使用部署在多访问边缘计算（MEC）服务器上的潜在翻译模型。这些模型将信念更新从一个代理转换为特定于代理的知识，而不需要联合训练和同质模型架构。仅在必要时通过潜在翻译模型交换紧凑信念更新，该框架可以保护隐私，降低同步成本，并最大限度地减少本地知识漂移。我们通过多层地面/非地面网络的案例研究验证了该框架。结果表明，它保持了较低的同步成本（通过传输的参数数量来衡量），并且在案例研究中的异构代理之间保持了较低的置信对齐误差。

本文提出了一种由混合可重构智能表面（HRIS）辅助的上行链路 MIMO 系统参数估计方案。为了降低硬件复杂性，HRIS 采用少量以稀疏互质几何形状排列的有源元件进行局部传感，而其余元件则被动反射信号。与完全无源架构相比，这种同步传感和反射显着提高了精度。该方法利用 Khatri-Rao 和 Kronecker 分解来有效解耦基站处的级联信道。此外，空间平滑解决了互质数组秩缺陷，从而通过 Root-MUSIC 实现稳健的角度提取。模拟展示了跨场景的高度弹性估计性能。

柔性反射器 (FR) 已成为一种低成本、节能的解决方案，可重塑各种应用中的电磁传播环境。本文研究了视线 (LoS) 路径不可用的情况下的 FR 群辅助目标定位。通过利用 FR 创建的虚拟视距路径，提出了一种简单而准确的估计器，用于严重阻塞条件下的定位。为了表征所提出方案的性能限制，我们推导了 Cramer-Rao 下界 (CRLB) 并用它来优化 FR 的位置和方向。此外，通过考虑随机 FR 部署，我们描述了 CRLB 分布的特征，并揭示了不同的网络配置如何影响定位精度。仿真结果表明，所开发的方案非常接近CRLB性能，而得出的分析结果为FR部署和网络设计提供了有用的指导。

集成传感和通信 (ISAC) 显着提高了频谱效率，但引入了有关嵌入式通信信号拦截的安全风险。本文提出了一种支持可移动天线 (MA) 的安全 ISAC 系统，该系统利用 MA 的空间自由度来减轻这些风险。然后，提出一个问题，通过联合优化天线定位、发射波束成形和人工噪声来最大化系统保密率。然而，主要的挑战来自优化问题的非凸性和优化变量的强耦合。一般来说，该问题的传统优化方法存在复杂的数学推导，而现有的深度学习方法严重依赖训练数据分布。为了解决这些问题，我们引入了一种基于梯度的元学习（GML）算法，该算法无需预训练即可运行，并表现出良好的性能。具体来说，该算法为每个优化变量建立一个神经网络，以目标函数相对于变量的梯度作为输入，网络的输出决定变量的更新步长。通过处理约束和构造惩罚项，全局损失函数用于指导优化过程。大量的数值模拟证实，所提出的算法在通信安全和传感能力方面均取得了令人满意的性能。

我们研究了在本地振荡器 (LO) 缺陷引起的相位噪声 (PN) 影响下正交频分复用 (OFDM) 集成传感和通信 (ISAC) 系统中的传感隐私。具体来说，我们考虑一个 ISAC 场景，包括合法的单基地 ISAC 收发器 (Alice)、执行未经授权的双基地感测的窃听者 (Eve) 和通信用户 (UE)，每个都配备了非理想的 LO。为了表征存在 PN 的情况下的传感性能，我们对 Alice 和 Eve 的单基地和双基地范围估计进行了错误指定的 Cramér-Rao 界限 (MCRB) 分析，由于分别使用共享和独立的 LO，其差分 PN 过程是自相关（延迟相关）和互相关（延迟无关）。仿真结果揭示了 Alice 的合法单基地感测、Eve 的未经授权的双基地感测以及 PN 下与 UE 的通信之间的三向权衡，由 Alice 的 LO 质量控制。通过 Alice 和 Eve 之间的 LO 不对称性，Alice 的 LO 质量恶化可以显着扩大对她有利的感知隐私差距，尤其是对于附近的目标，而在噪声限制的情况下，数据速率仅适度降低。

本研究研究了 LOS 主导的混合 LOS/NLOS 异步场景中的 TOA 定位。它将定位公式化为在 0 < p < 1 的 Lp 正则化下稀疏 NLOS 偏差和时钟偏移的联合估计，通过半定规划松弛和迭代重新加权来解决。仿真表明，异步定位、导航和授时网络在混合视距/非视距条件下的定位精度得到了提高。

在蓬勃发展的低空经济愿景的推动下，旨在为不同实体提供按需服务，本文研究了一种支持集成传感和通信（ISAC）的低空无线网络（LAWN）。受益于灵活的移动性和经济高效的合作部署，多种支持 ISAC 的无人驾驶飞行器 (UAV) 正在成为 LAWN 中按需部署的 ISAC 范例。然而，由于LAWN中复杂的无人机间干扰和资源耦合，很难正确协调不同的受限资源，包括空间部署、能源和无线信道，以同时满足感知和通信要求。为了应对这些挑战，本文通过联合优化子载波分配、发射功率分配和三维（3D）无人机部署，提出了 LAWN 中的感知通信优化（SCO）问题，以最大限度地提高网络效用，同时满足多个用户的服务质量（QoS）要求和目标感知互信息（MI）要求。为了实现有效的解决方案，我们提出了一种分层优化方法，将 SCO 问题垂直解耦为两个子问题：顶层采用基于吉布斯采样的多无人机 3D 部署算法进行高效探索和部署优化，底层通过基于双的联合功率和子载波分配算法执行资源分配。仿真结果表明，所提出的方法在通信和传感之间实现了有利的权衡，并显着增强了 LAWN 的整体性能和适应性。

可移动天线（MA）被提议作为未来无线网络的新兴技术。通过利用额外的空间自由度，MA可以主动重塑无线传播环境，从而增强网络性能。然而，充分释放MA网络的潜力需要MA天线定位和波束成形的联合优化。对于这个非凸且高度耦合的问题，现有的解决方案表现出很大的局限性。因此，本文提出了一种基于梯度的元学习（GML）优化框架。具体来说，我们首先详细阐述了MA的硬件架构和信道特性，在此基础上分析了优化MA无线网络的主要挑战。随后，我们介绍了GML框架的基本逻辑，并将其与现有方法进行了比较。此外，我们讨论了将所提出的优化框架应用于 MA 网络的约束处理策略。研究了一个具体案例，以展示基于数值模拟的所提出框架的性能。最后，本文概述了 GML 框架和 MA 无线网络的未来研究方向。

本文从分散的、以移动终端 (MT) 为中心的角度解决了 MIMO 系统中的波束对准问题。我们提出了一种轻量级机器学习方法，该方法利用位置信息来执行波束选择，而不依赖于详尽的搜索或强大的基站协调。具体来说，我们使用耦合高斯混合模型（GMM）对 MT 位置和通道观测值的联合分布进行建模，从而能够构建直接将空间位置与码本条目关联起来的波束索引图（BIM）。为了考虑实际的硬件限制，我们引入了一种细化过程，使学习到的统计模型适应固定的码本。由此产生的方法计算效率高，适合部署在资源受限的设备上。 DeepMIMO 和 QuaDRiGa 数据集上的仿真结果表明，所提出的方法优于基于聚类的指纹识别方法，并与穷举搜索相比实现了有竞争力的性能，同时显着降低了复杂性和开销。

当前的无线系统通过对角化或稀疏化信道矩阵来对抗符号间干扰（ISI），但它们仍然容易受到选择性衰落的影响。为了解决这个问题，我们提出了一种基于通用性类别的通用随机预编码（RP）传输框架。 RP 利用随机变换以统计方式利用所有子通道并构建属于通用类的等效通道，从而增强分集增益，同时保持与现有波形的向后兼容性。低复杂度实现包括随机排列快速变换 (FT-RP) 和交织块稀疏快速变换 (IBSFT-RP)。跨域 OAMP/MAMP (CD-OAMP/MAMP) 检测器是为 RP 系统设计的，根据状态演化 (SE)，它是副本最大\textit{后验} (MAP) 最优。 MIMO 系统的仿真结果表明，采用 CD-OAMP/MAMP 的 RP 可以以低得多的复杂性实现接近 RM 的性能，并具有灵活的压缩比以提高频谱效率的额外优势。

在可预见的未来，联网自动驾驶汽车（CAV）将继续与人类驾驶汽车（HDV）共存。利用车联网 (V2X) 技术及其强大的计算和通信能力，CAV 可以与其他 CAV 协作并协助 HDV 进行决策。在本文中，我们考虑了一种由 CAV 和 HDV 混合组成的集成传感与通信 (ISAC) 车辆系统。所有车辆都组织成集群，CAV 充当集群头，HDV 充当集群成员。 CAV 可以执行集群内 ISAC 来感知集群内的 HDV 并与其进行通信。为了解决 CAV 之间潜在的通道堵塞问题，我们建议部署配备可重构智能表面（RIS）的无人机（UAV）在道路上空飞行，以促进集群间通信。具体来说，为了增强该车载网络中簇内 ISAC 和簇间通信的长期性能，我们联合动态优化了 CAV 的簇内和簇间波束成形、RIS 相移以及无人机在多个时隙上的移动。为了解决这个具有挑战性的非凸耦合问题，我们提出了一种将深度展开（DU）模型与深度强化学习（DRL）相结合的混合框架。具体来说，对于给定的无人机位置和 RIS 相移，我们通过开发基于投影梯度算法 (PGA) 算法的 DU 模型来优化 CAV 波束形成。然后，采用基于 DRL 的框架进一步优化无人机运动和 RIS 相移，其中预训练的 DU 模型作为波束成形优化模块集成到其中。仿真结果表明，所提出的方案优于基线方法。

本文提出了一种基于云边缘设备协作架构的新型集成传感、通信和计算（ISCC）框架，其中通过重用上行链路卸载信号来实现被动传感，直接在边缘提取传感信息，而不会产生额外的传输开销。然而，这种信号重用在通信效率和传感覆盖范围之间引入了固有的权衡。为了应对这一挑战，我们在实际硬件限制下采用了混合波束成形架构。此外，传感任务的集成在移动边缘计算（MEC）服务器上造成了严重的资源争用，其中延迟敏感的设备任务和计算密集型传感推理任务争夺有限的处理能力。为了减轻这种计算负担，我们引入了一种分割推理机制，该机制可以在边缘和云端之间战略性地划分智能传感任务。在此框架的基础上，我们制定了一个联合优化问题，以最大限度地减少受严格传感性能约束的所有设备任务的平均计算延迟。为了解决公式化问题的高度非凸性，我们开发了一种有效的交替优化算法。特别是，我们设计了一个两层框架来共同确定最佳的 DNN 分割点和计算资源分配，并采用基于加权最小均方误差 (WMMSE) 的方法和流形优化来进行混合波束成形设计。数值结果表明，与基准方案相比，所提出的框架在传感精度和计算延迟之间实现了出色的权衡。

本文提出了一种自主传感框架，用于使用非服务无人机 (UAV) 识别和定位第五代 (5G) 蜂窝网络中的多个用户设备 (UE)。在这种情况下，自主性是指无人机完全在机载上执行同步、UE识别、定位和任务执行的能力，无需外部干预或实时网络控制。为此，开发了完整的机载处理链，可直接从符合 3GPP 标准的上行链路探测参考信号 (SRS) 实现同步、多 UE 识别和定位。与依赖服务节点或基础设施支持的传统无人机辅助方法不同，所提出的平台作为被动传感无人机运行，只需要与网络进行最少的初始协调，并且不需要任务时控制平面交互。该方法利用 SRS 传输的结构化和周期性特性以及定制的协议配置来确保在实际多 UE 干扰条件下的稳健运行。该系统设计为使用窄带 SRS (1.4 MHz) 运行，降低 UE 功耗和硬件复杂性，同时通过循环移位和频率资源的组合使用实现高复用能力。尽管配置复杂度较低，但即使多个 UE 共享相同的资源，也能实现可靠的同步和多 UE 识别。无人机沿其轨迹自主收集测量数据，并通过基于轨迹的处理策略执行定位。该方法通过广泛的模拟和全面的实验活动进行了验证，在城市场景中实现了低于 8 m 的定位误差，在乡村条件下实现了低于 3 m 的定位误差，比最先进的基于到达角度 (AoA) 和到达时间差 (TDoA) 的方法高出约 5-6 m。这些结果证明了独立于基础设施的传感无人机作为低空无线网络（LAWN）的关键推动者的可行性，支持紧急情况和连接有限的环境中可扩展和可快速部署的态势感知。

毫米波大规模 MIMO 被视为未来 6G 系统的关键推动因素。为了降低硬件复杂性和功耗，采用移相器网络连接天线并减少射频链数量的混合结构引起了广泛的研究兴趣。在这项工作中，我们提出了一种新颖的移相器网络设计，旨在考虑通道相关性来提高系统的能源效率（EE）。我们将设计表述为整数分数规划问题。通过固定射频链的数量并放宽约束，我们首先找到最优解的内在结构，然后将问题简化为凸形式，然后在假设不存在信道相关性的情况下导出闭式解。然后使用穷举搜索获得 RF 链的最佳数量。通过模拟将所提出的方案与最先进的方案进行比较，并在数值结果中观察到 EE 增益约为 20%。

地下矿井中自动驾驶车辆（AV）的准确定位是安全作业的关键先决条件。虽然超宽带 (UWB) 技术得到广泛采用，但其测距可靠性极易受到非视距 (NLOS) 传播、多径偏差和狭窄隧道中锚定几何形状的影响。为了应对这些挑战，我们提出了一个可见性感知的 UWB 视觉融合框架。与传统的视觉里程计不同，机载立体视觉的独特用途不是用于直接姿态估计，而是用于推断各个 UWB 链路的可靠性。具体来说，UWB 测量定义了深度可行区域，可指导低照度下的感兴趣区域 (ROI) 增强和锚定观察。然后将所得的检测置信度和深度一致性转换为链接可见性先验。这些先验被嵌入到强大的 UWB 后端（具有混合高斯半拉普拉斯残差模型和软加权 Levenberg-Marquardt 求解器）中，以自适应抑制不可靠的 NLOS 测量。在150 m地下矿井巷道现场实验表明，该方法的均方根误差（RMSE）为0.24 m，平均绝对误差（MAE）为0.18 m。与最近的跨模态 UWB-VO 融合基线相比，总体 RMSE 显着降低了 53.8%，其中两个 NLOS 严重退化的部分降低达到 56.8% 和 57.0%。这些结果表明，视觉衍生的链路可见性先验为视觉退化的地下环境中稳健的 UWB 定位提供了一种高效的机制。

本文讨论了可重构智能表面（RIS）辅助的集成传感和通信（ISAC）网络中的干扰管理，旨在增强多目标传感性能。为了克服动态干扰环境中传统多址接入方案的局限性，我们提出了一种 RIS 辅助的 ISAC 框架，该框架采用速率分割多址接入 (RSMA) 进行自适应干扰协调。速率分配、发射波束成形和 RIS 相移的联合设计被公式化为和信噪比 (SNR) 最大化问题，该问题通过集成逐次凸逼近 (SCA) 和凸差 (DC) 编程的算法来解决。作为基准，我们还使用半定松弛 (SDR)、SCA 和惩罚技术严格分析非正交多址 (NOMA) 方案。数值结果证明了支持 RSMA 的设计具有卓越的传感性能。有趣的是，虽然 RSMA 在传感性能方面优于 NOMA，但 NOMA 表现出更快的计算时间，为未来的研究提供了关于性能和复杂性之间权衡的有用见解。

低地球轨道 (LEO) 卫星网络正在成为全球边缘智能的关键基础设施。在此背景下，将无线 (OTA) 计算与自适应波束跳变 (BH) 集成提供了一个创新框架，将物理层模拟聚合与动态资源编排无缝融合。这有效地克服了空间平台严格的带宽和功率限制，同时将联邦学习 (FL) 扩展到普遍的物联网 (IoT) 部署。在本文中，我们首先概述了双层OTA模型的基本原理，并介绍了针对时变拓扑设计的自适应BH机制。然后，我们总结了这种以学习为中心的架构的独特优势，包括将聚合延迟与设备密度解耦、优化时空资源效率以及平衡数据新鲜度与通道质量。探讨了几个应用场景，以突出该框架在不同垂直行业的潜力。此外，还研究了一个具体案例来证明所提出的调度策略的实际效果。结果表明，基于卫星的 FL 系统在模型收敛速度和数据利用率方面取得了显着的性能提升。最后，我们讨论了实施挑战并概述了未来的研究方向，旨在为无处不在的非地面智能的演变提供见解。

支持深度联合源信道编码 (DeepJSCC) 语义通信 (SemCom) 擅长以低信道带宽比提供高感知质量，这使其成为下一代无线网络的支柱。然而，现有的工作难以适应通信信道质量、预期服务质量（QoS）目标和可用本地能量方面的用户异构性。因此，在本文中，我们通过预期 QoS、信道条件和本地能量的差异来明确反映用户设备的异构性，然后用数学公式表达该问题。接下来，我们提出了一种能量感知压缩计算协同适应（CoCo）框架，其中基站可以通过传输更长的信号或将任务卸载到本地设备来满足预期的用户QoS。用户必须投入精力对信号进行去噪，以恢复更高保真度的潜在特征，然后再将其馈送到语义解码器。为了解决公式化的问题，我们首先将其分解为两个子问题：参数优化和资源分配问题。具体来说，我们提出了一种鲁棒的编解码器，可以在多种压缩率和信道噪声下有效工作，无需重新训练，而贪婪的子载波分配则降低了通信时间。最后，我们在加性高斯白噪声的标准图像数据集上给出了仿真结果，以证明 CoCo 的有效性，相对于仅速率自适应 DeepJSCC 或仅去噪，它减少了总延迟，从而确保满足每个用户的需求。

高阶多输入多输出 (MIMO) 检测需要在大离散符号空间上进行有效搜索，同时为信道解码生成可靠的软信息。本文开发了一种学习过渡 (L2T) 框架，将 MIMO 检测制定为完整矢量过渡的随机序列。在每次转换时，通道耦合的 Transformer 都会更新实例嵌入和采样策略，而块式自回归分解则以中等顺序复杂性捕获流间依赖性。对于硬输出检测，转换网络被递归地应用并通过残差到 BER 课程进行训练，该课程首先从精确的残差度量中学习 MIMO 搜索几何结构，然后将策略与传输比特精度对齐。对于软输出接收，训练有素的硬策略在参数级别克隆到不受限软输入软输出迭代检测和解码（IDD）接收器的每一层。这种绑定到解绑的传输保留了学习到的零先验搜索动态，同时在解码器反馈下实现层和轮特定的专业化。在每个 IDD 轮中，解码器根据贝叶斯规则先验倾斜候选生成，并且似然加权终端假设为 LDPC 解码生成后验和外在对数似然比。多阶段训练策略通过逐步将接收器暴露于合成和环内解码器生成的先验，进一步稳定了硬到软的传输。

本文研究了车对万物 (V2X) 环境中基于多用户正交频分复用 (OFDM) 的集成传感和通信 (ISAC) 系统的联合子载波和功率分配。目标是在每个用户对最小有效雷达 SNR、通信速率和距离分辨率的限制下，最大化有效雷达信噪比 (SNR) 上限和总通信速率的加权和。该问题被表述为混合整数非线性规划 (MINLP) 模型。为了解决其非凸性问题，我们开发了一种基于块坐标下降的联合资源分配（BCD-JRA）算法，该算法在非线性功率分配和混合整数子载波分配之间交替，并在我们的研究中用作基准。为了支持实时 V2X 操作，我们进一步提出了一种低复杂度的两阶段启发式算法，称为阶段性约束满足和贪婪分配（PSGA）。 PSGA 首先分配满足服务质量 (QoS) 约束所需的最少资源，然后根据边际效用增益贪婪地分配剩余资源，同时考虑有效的雷达 SNR 上限。仿真结果表明，PSGA 的实用性接近 BCD-JRA 基准，具有毫秒级延迟，并且满足报告实验中的所有 QoS 约束。

速率分割多址 (RSMA) 是大规模 MIMO 系统中一项很有前途的技术，而混合预编码则提供了平衡传输性能和能耗的有效手段。然而，现有的研究主要集中在全连接架构上，而具有节能部分连接架构的大规模 MIMO-RSMA 系统的混合预编码设计在文献中仍未得到探索。为了填补这一研究空白，我们提出了一种基于自适应交叉熵（ACE）的混合预编码方案。模拟预编码器是使用离散相位上的概率搜索、迭代采样和更新选择概率来设计的。然后，采用加权最小均方误差（WMMSE）算法来联合优化数字预编码器和公共速率分配。仿真结果表明，所提出的方案保持了有竞争力的 MMF 性能，同时实现了卓越的能效。