2026-08-24论文雷达 TEST

本文研究受有限块长度 (FBL) 约束的流体天线系统 (FAS)，其动机是受未来无线网络严格的可靠性延迟和超大连接要求的推动。虽然 FAS 性能在渐近状态下已得到广泛研究，但其在 FBL 下的行为仍然很大程度上未被探索。我们的目标是开发一套统一的分析工具，用于评估 FBL 下的 FAS，该工具仍然适用于不同的空间相关模型。首先，为了为非正交有限长度用户签名设计建立准确的基准，我们通过极值理论（EVT）描述平均和最坏情况相关系数，并得出可实现的相关水平的封闭式预测。其次，以块错误率（BLER）作为基本的 FBL 度量，我们研究了 FAS 辅助链路中的联合检测和解码，并推导了一个普遍适用于各个通道模型的封闭式 BLER 表达式。此外，我们重新审视 FBL 体系中的中断概率 (OP)，并获得 FAS 和传统多固定位置天线 (FPA) 系统的易于处理的 OP 特征。为了减少相关衰落模型中多重积分的计算负担，我们进一步提出了泰勒展开辅助积分均值定理（MVTI），从而能够在边际精度损失的情况下实现高效的性能评估。数值结果验证了分析结果，并表明即使是单天线 FAS 也可以比传统的多 FPA 系统具有更出色的空间分集。此外，在 FBL 和干扰有限的环境下，FAS 可以提高能源、频谱和硬件效率，因此凸显 FAS 作为下一代无线网络的有前途的推动者。

考虑上行链路收缩天线系统（PASS），其中采用分段介电波导来服务多个用户，并且在每个段上激活一个收缩天线（PA）。广泛的波导部署减少了用户到 PA 的路径损耗，但也在跨越大波导孔径的 PA 辅助路径之间产生了差分传播延迟。这些延迟被保留，并导出 Toeplitz 块模型来表征所产生的频率选择性 (FS) 通道。对于无限块长度传输，表征了联合和并行解码下可实现的单用户速率和多用户总速率。对于载波相位对齐的单用户 PA 布局，频率平坦 (FF) 模型会高估确切的 FS 速率。在 FF 信道模型下计算的速率与精确的 FS 信道模型之间的差异被称为 FF 速率高估，并且表征了其对波导孔径引起的延迟扩展的依赖性。对于小延迟扩展，FF 速率高估显示为随延迟扩展近似呈二次方增加，而推导的下限表明，在大孔径状态下，高估随波导孔径或等效地与延迟扩展至少成对数增长。对于有限块长度传输，可实现的速率是在实用的循环前缀单载波频域均衡框架下导出的。开发了一种逐元素算法来优化两种传输机制中的 FS 感知 PA 布局。分析结果表明，广泛部署的波导上的差分延迟可能会导致显着的频率选择性，并且所提出的 FS 感知 PA 放置方法大大提高了基于 FF 近似的放置的可实现速率，特别是对于大带宽和孔径。

集成传感和通信 (ISAC) 系统为复杂城市环境中的高分辨率和可靠传感提供了巨大的潜力。然而，由于强烈且异构的杂波常常会掩盖微弱的目标特征，因此在这些场景中有效检测无人机（UAV）仍然极具挑战性。传统探测器在非高斯杂波环境中通常会遭受严重的性能下降，而标准的基于欧几里得的深度学习方法无法利用雷达信号的内在统计和几何结构。为此，本文提出了一种基于矩阵信息几何的扩散模型（DIFF-MIG），这是一种由矩阵信息几何（MIG）引导的新型条件扩散框架，可以稳健地抑制杂波并恢复目标特征。具体来说，我们将距离多普勒（RD）图的局部空间协方差矩阵建模为对称正定（SPD）流形上的点，并基于对数欧几里德度量（LEM）设计几何感知损失，以保持目标的内在结构一致性。此外，还结合了显着性加权机制，在生成过程中强调高能目标区域，从而有效减轻目标杂波不平衡。仿真结果表明，DIFF MIG 的性能明显优于代表性基线方案，在传统方法失败的具有挑战性的现实场景中实现了超过 0.94 的检测概率，同时还提供了约 10 dB 的等效信杂比 (SCR) 增益。

集成传感和通信 (ISAC) 是低空经济领域无人驾驶飞行器 (UAV) 的关键推动因素。本文提出了一种将唯一字（UW）嵌入到正交线性调频分复用（OCDM）中的ISAC波形（称为UW-OCDM），以及针对高移动无人机场景的相应通信接收和协作感知方案。对于通信，嵌入式 UW 可以实现定时同步以及多普勒估计和补偿，而无需单独的同步序列。稀疏时空信道估计方法利用多个接收天线和连续 UW 观测的公共信道支持来支持可靠的数据解调。对于传感，确定性 UW 充当共享先验，允许分布式基站在本地构建传感字典，而无需实时交换随机有效负载符号。分层多目标检测和跟踪算法集成了直接路径干扰抑制、运动学预测、多候选筛选、离网细化、残差验证和连续干扰消除，以实现鲁棒定位并降低搜索复杂度。仿真结果证明了高动态无人机场景中的可靠通信和定位，同时所提出的框架保留了低复杂度的频域均衡，并减少了传输参考共享开销和多静态定位复杂性。

信道知识图（CKM）是环境感知第六代（6G）无线网络的一项有前景的技术。然而，大多数现有的 CKM 与无线设备和下游任务紧密耦合，这限制了它们在无线网络中的可扩展性和可重用性。为了解决这些限制，本文提出了通用CKM（uCKM）的概念作为基础无线环境先验，旨在为环境感知无线网络实现跨设备和跨任务通道知识传输。我们首先回顾代表性的 CKM 并讨论它们的局限性。然后，介绍了支持uCKM的环境感知无线网络新范式，并从uCKM建设和使用阶段的角度强调了其好处，为此我们提出了“All for uCKM”和“uCKM for All”的愿景，即所有设备和任务获取的数据都应有助于uCKM的建设，反之亦然。随后，我们讨论了 uCKM 的主要挑战并提出了潜在的解决方案。最后，我们提供仿真结果来证明 uCKM 带来的可行性和性能增益，并概述未来的研究方向。

由于足够的阵列增益需要大孔径，近场传播在太赫兹 (THz) 频率下通常是不可避免的，但近场操作使实际系统设计变得复杂，尤其是在用户移动的情况下。本文询问移动太赫兹链路是否可以在仅在辐射远场中运行时保持宽带并实现所需的高速率和覆盖范围。为了回答这个问题，我们开发了一个矛盾证明的可行性框架，该框架共同执行（i）基于弗劳恩霍夫距离的远场要求和（ii）最坏情况链路距离下目标信噪比指定的可靠性要求。我们推导出固定和移动链路的远场可行带宽的封闭形式上限。我们通过代表性的 UE 旋转和移动场景进一步纳入实际的错位。数值结果表明，固定太赫兹链路可以保持仅远场，具有物理上可实现的孔径，同时支持极大的带宽，而保证实际移动太赫兹系统的这种操作变得非常严格。在实际相关的移动太赫兹接入设置中，远场可行带宽成为一个严重的限制因素：实现数十千兆赫的带宽将需要不切实际的高UE发射功率。跨频段比较进一步表明，仅远场操作在很大程度上可以在 6 GHz 以下实现，并且在很大程度上可以在中等带宽的毫米波下实现，而在移动太赫兹系统的设计中应考虑近场效应。

堆叠智能超表面 (SIM) 通过多个可编程层实现近场波前整形。然而，广泛使用的波域模型经常忽略功率缩放、相互耦合和几何灵活性，而多端口网络公式在物理上是一致的，但计算量很大，并且通常假设固定的层间距。本文开发了一种混合近场 SIM 框架，该框架保留在波域中，但锚定到物理上有意义的功率范围并支持几何感知优化。根据瑞利-索末菲传播模型，我们构建了耦合感知跳跃矩阵，并通过基于 Friis 的锚定规则强制进行跳跃功率缩放。元原子响应服从具有传输反射权衡的幅度相位耦合，并且层间距离被视为总厚度和最小间距约束下的连续设计变量。由此产生的透射反射级联仅保留主要的单反射层间反射，并允许以稳定的梯度进行有效的前向评估。提出了一种基于几何感知架构的交替优化（AO）算法来优化超表面系数和间距。仿真结果表明，在实际近场层耦合和硬件损耗的情况下，可实现的总速率在层数和总 SIM 厚度方面都是非单调的。几何感知间距显着改善了有效下行链路信道的调节，并且始终优于均匀间距，为 SIM 辅助的近场通信系统设计提供了现实且可优化的基础。

无线信道通常被视为特定于链路的观测，尽管它们的多径结构受周围射频 (RF) 环境的控制。在本文中，我们提出了 Channel2World，这是一种无线基础模型，可以从多输入多输出 (MIMO) 信道位置观测中学习可重用的环境级表示。该模型使用基于 Transformer 的编码器将同一以基站为中心的环境中收集的信道聚合到嵌入的无线世界中。编码器通过上下文查询预测进行预训练，其中上下文通道调节用户设备 (UE) 位置和不相交查询通道的相对路径增益预测。预训练后，编码器被冻结并用作下游无线模型的与任务无关的环境调节模块，从而无需针对特定站点进行微调即可适应看不见的环境。为了了解跨部署通用的环境级潜在空间，我们使用来自 26,000 个环境的光线追踪数据对 Channel2World 进行预训练，每个环境大约有 5,000 个通道测量。对 UE 定位、波束域信道状态信息 (CSI) 重建和 RF 可观测几何重建的评估表明，学习的嵌入在不可见的环境中提供了有效的调节。对于定位和 CSI 重建任务，基于嵌入的调节优于或保持与特定于位点的微调的竞争力，尽管微调需要特定于任务的标记数据和额外的基于梯度的适应。嵌入还支持主要反射器结构的重建，表明它们作为跨任务的可重用环境先验的实用性。

收缩天线系统（PASS）以较低的硬件成本提供大的有效孔径和显着的路径损耗降低，使其对集成传感和通信（ISAC）具有吸引力。然而，在宽带 OFDM 操作下，每个波导上的天线会对同一基带信号施加非线性、位置相关的群延迟，从而导致波导色散，从而严重降低距离估计。为此，本文提出了一个两阶段 ISAC 框架，包括通信感知波束成形和天线放置，以及色散感知目标定位阶段。分数编程波束形成器和逐元素坐标下降布局共同在感测波束方向图增益约束下最大化下行链路总速率，并且由此产生的优化波束形成器和布局决定了定位级使用的有效感测通道。所提出的分散感知定位网络（DiPL-Net）通过基于物理推导的距离字典构建的分散感知得分图从接收到的信号中检测目标。其卷积主干采用双核残差块，每个残差块将与 OFDM 主瓣匹配的短核与与色散尾部匹配的长核配对，从而对色散进行反卷积并在每个真实目标处恢复清晰的目标峰值。仿真结果显示，在保持可实现的通信速率的同时，在各种传感基线上获得了显着的定位增益。

在许多位置和波束上获取密集的信道信息会产生相当大的导频和处理开销。无线电地图和信道知识图 (CKM) 通过重用特定于站点的信道信息来减少这种开销，但当新的测量或环境观测可用时，必须刷新其内容。本文介绍了 \emph{电磁孪生} 作为一种可更新的数字表示，它使用稀疏信道证据来重建通信查询请求的无线状态。双胞胎没有替换无线电地图或 CKM，而是使用 CKM 作为通道存储器，将其与注册的场景信息相结合，并在每次证据更新后重新生成其输出。我们通过从稀疏样本和不完整的平面图完成二维通道增益场来实例化这个想法。学习的 RF 完成主干恢复主要传播结构，轻量级剩余适配器测试冻结的 CLIP 特征是否提供有用的辅助信息。通过 $4\%$ 测量位置和 $55\%$ 缺失语义对象，RF 主干网络达到 $4.44$ dB RMSE，而 CKM 插值的 $8.29$ dB 和不完整物理先验的 $8.38$ dB 则为 $8.29$ dB。残余适应将 RMSE 降低了 $0.135$ dB 的配对平均值（95\% 置信区间：$0.100$--$0.169$ dB），但相同容量的随机特征控制在统计上与 CLIP 条件适配器没有区别。因此，结果支持测量-更新-查询循环和轻量级残差校正，同时避免将校正归因于视觉语义不受支持。

传感、通信和智能的集成正在成为第六代 (6G) 无线系统的关键推动因素，其中智能终端预计将同时支持高效的链路建立和可靠的环境传感。然而，现有的研究主要利用传感信息或通信信息来解决单一任务，例如信道预测或环境重建。由于光学和射频信号对周围环境的共同依赖，我们提出了电磁世界模型（EMWM），这是第一个用于联合环境重建和信道预测的统一框架。 EMWM 学习一种常见的电磁表示，有可能为 6G 任务提供建模基础。具体来说，部分通道状态信息（CSI）和多视图红绿蓝（RGB）图像被编码为CSI和视觉标记，并由具有局部和全局聚合的分层世界模型主干联合处理。基于学习到的表示，基于专家混合 (MoE) 的 CSI 预测头重建完整的 CSI，而深度预测头估计多视图深度图，并进一步转换为三维 (3D) 点云。此外，基于校园数字孪生构建了大规模多模态数据集。实验结果表明，EMWM 在 CSI 预测和环境重建方面均优于传统神经网络和大语言模型 (LLM) 基线，CSI 预测的平方广义余弦相似度 (SGCS) 达到 0.9699，同时展示了跨不同信噪比 (SNR) 条件和 28 GHz 零样本泛化的鲁棒性。

无源随机接入 (URA) 支持大规模零星连接，但仍受到多用户干扰、分布式信道不确定性和局部衰落的限制。本文提出了一种用于无小区大规模 MIMO URA 的流体天线辅助分布式联合解码器。单射频链接入点顺序探测相关端口；然后，中央处理器执行相关感知期望最大化近似消息传递，为每个接入点选择一个公共有效负载端口，并将 MIMO 迭代高斯近似与全分组信道重估计和连续干扰消除相结合。固定端口消融证实了分布式接收、重新估计和迭代消除的互补优势，而流体天线模拟表明，与固定端口接收相比，平均和下尾接收功率有所改善。该框架提供了流体天线和无小区 URA 的可行集成，并促进了导频冲突和切换开销下的端到端评估。

每次无线地图更新时探测每个候选位置的成本很高。这封信开发了电磁孪生 (ET) 波束成形，可将稀疏空间探测转换为总速率决策。 ET 存储位置相关的角功率谱，通过图形正则化估计更新其创新，并查询用户协方差以进行投影光束优化。速率敏感性界限通过查询加权后验方差减少来选择后续探针。使用 1\% 随机探针，ET 波束成形可实现 $2.69$ bit/s/Hz，而静态信道知识图则为 $1.12$；使用 7\% 查询感知探针，它达到 $3.03$ bit/s/Hz，在完美协方差波束成形的 3.4\% 之内。

本文研究了具有可重构全息表面 (RHS) 的集成传感和通信系统中的距离多普勒 (RD) 旁瓣抑制。我们联合设计了数字馈送预编码器和 RHS 幅度，以最大限度地降低受发射功率、目标照明和通信限制影响的集成 RD 旁瓣电平。为此，我们开发了一种交替连续凸近似方法，通过二次子问题更新两个变量块。数值结果表明，额外馈源的回报会递减，而增加孔径仍然更有效，并且允许 RHS 设计降低旁瓣电平。

超材料天线因其简化的硬件以及大大降低的尺寸、功耗和成本而对下一代无线网络具有吸引力。本文研究了具有实际每射频 (RF) 链功率约束的全息多输入多输出 (HMIMO) 辅助多小区系统。利用基站 (BS) 和用户处的多个天线，我们设计了基带数字预编码器和 HMIMO 超材料元件的调谐响应，以最大化加权和用户速率。具体来说，在块坐标下降（BCD）和加权最小均方误差（WMMSE）技术的框架下，我们推导了基带预编码器的低复杂度封闭式解决方案，而不需要二分搜索和矩阵求逆。然后，对于二元调谐约束下的 HMIMO 超材料元件的设计，我们首先通过利用二次问题中的隐藏凸性（HC）提出了一种具有闭式解的低复杂度次优算法，然后进一步提出了一种基于加速球解码（SD）的算法，该算法在迭代中产生全局最优解。对于洛伦兹约束相位模型下的 HMIMO 超材料元件设计，我们提出了一种最大化-最小化 (MM) 算法，在每个迭代步骤都具有封闭式解。此外，在简化的多输入单输出（MISO）场景中，我们推导了具有二进制和洛伦兹调谐约束的HMIMO的下行链路信噪比（SNR）的缩放定律，并在理论上将其与传统的全数字/混合阵列进行了比较。仿真结果证明了我们的算法与基准相比的有效性以及 HMIMO 与传统阵列相比的优势。

为了满足第六代 (6G) 网络中高数据传输和能源供应的双重需求，本文研究了具有多个移动站功率分配功能的近场宽带同步无线信息和功率传输 (SWIPT)。为了减轻分束效应，我们引入了全连接和子连接延迟相位预编码（DPP）架构。在能量收集约束下，我们通过联合优化基于移相器（PS）和实时延迟（TTD）的模拟预编码器、数字预编码器、功率分配和功率分配因子来制定总频谱效率最大化问题。我们揭示了近场宽带 DPP 中可控的光束分裂和光束聚焦现象，可以通过 TTD 和 PS 调谐进行灵活调整。对于全连接的 DPP，我们通过频域角度搜索和时域距离搜索提出了一种有效的波束训练方案。此外，对于子连接的DPP，我们开发了一种结构化预编码近似匹配（SPAM）机制。基于波束训练结果，我们设计了面向信息解码和面向能量收集的数字预编码器，以平衡频谱效率与能量收集的权衡。最后，我们提出了交替优化框架和低复杂度顺序二次规划方法来解决联合功率分配和分裂优化。仿真结果表明，所提出的方案在近场宽带 SWIPT 系统中实现了卓越的频谱和能量效率。

向具有大规模天线阵列和高频部署的 6G 及更高版本无线系统的过渡显着扩展了近场区域，其中信道对用户位置表现出强烈的依赖性​​。虽然这使得基于位置的波束聚焦成为传统信道估计的低开销替代方案，但其性能对定位误差高度敏感。在本文中，我们研究了不完善的用户定位下的鲁棒近场光束聚焦。我们通过一阶泰勒近似导出一个易于处理的不确定性模型，明确描述了定位误差对视线主导通道的影响，该模型捕获了近场传播中距离和角度的耦合效应。在此模型的基础上，我们制定了最大最小信号与干扰加噪声比优化问题，该问题保证了由有限定位误差引起的最坏情况信道实现下的性能。使用半定松弛将所得问题重新表述为可行性问题。数值结果表明，与非鲁棒波束聚焦相比，所提出的鲁棒设计显着提高了最差用户率，特别是在高总发射功率水平和大定位误差范围下。

传统的远场多输入多输出（MIMO）信道在视距（LoS）条件下仅限于单个空间自由度（DoF）。相比之下，辐射近场 (NF) 支持多个空间 DoF，这是通过球形波前和短距离内减少的空间足迹实现的。虽然最近的研究表明 NF 的有效 DoF (EDoF) 增加，但过渡距离的实验验证和清晰识别仍然有限。在这封信中，我们开发了一个直观的框架来表征基于 ULA 的 MIMO 系统的 EDoF，并推导了两个互补的解析表达式：将 EDoF 与物理发射波束宽度和接收孔径联系起来的封闭式公式，以及基于 NF 球面波前的离散傅立叶变换 (DFT) 域角度分解的离散公式，非常适合实验评估。我们进一步引入有效 MIMO 瑞利距离 (EMRD) 和最大空间复用距离 (MSMD)，它们分别标记 EDoF 减少到 1 和达到最大值的距离。使用宽间距相控阵进行的实验测量与理论 EDoF 趋势紧密匹配，并验证了所提出的距离度量。

摘要 平凡-非平凡拓扑切换为多功能电磁系统提供了独特的物理路径，但从未被用于集成传感与通信（ISAC）。现有的 ISAC 架构几乎完全依赖于微不足道的空间波波束形成，限制了近场传感的稳健性并限制了 6 G 场景中的硬件可扩展性。在这里，我们提出了一种由可编程拓扑超表面（PTM）支持的智能 ISAC 平台，该平台可在平凡辐射态和非平凡谷霍尔态之间动态切换，这是通过 FPGA 控制 PTM 单位单元的对称调制来实现的。在其重要状态下，PTM 形成多个受拓扑保护的畴壁通道，稳健地引导表面波，并能够提取用于人体定位的电磁特征。在这些签名上训练的卷积神经网络实现了 99.54% 的定位精度。位置识别后，PTM 转换到其普通辐射相位，生成空间相位梯度光束以进行定向无线通信，而无需额外的硬件。实验结果与理论预测一致，验证了双模 ISAC 功能的拓扑状态切换的实现。它表明拓扑状态可编程性可能是为下一代无线系统构建紧凑、稳健和智能电磁平台的潜在机制。

由于其转向矢量的距离依赖性，需要新技术来估计用户可重构智能表面（RIS）近场信道。需要进行估计以确定多天线基站 (BS) 接收器的 RIS 配置和组合向量。我们提出了一种新颖的、低开销的双时间尺度方案来估计多集群用户到 RIS 通道和级联用户 RIS-BS 通道的增益。它具有较低的控制和信令开销，并且比传统的单时标和远场方案实现更低的均方误差和更高的可实现速率。大尺度参数，即距离和方向余弦，仅在连续相干间隔块中估计一次，而小尺度、复衰落增益则使用上述估计和在同一间隔中发送的导频信号来估计。我们推导出用于估计大规模参数的 Cramér-Rao 下界。对于单集群通道，我们还推导了一种富有洞察力、新颖的可实现速率表达式，该表达式考虑了噪声通道估计、不完美的 RIS 配置和组合向量以及训练开销。我们推导出可最大化速率的最佳 RIS 配置以及导频和数据功率。我们的数值结果提供了关于最佳导频和数据功率之比以及最佳导频数量作为相干间隔持续时间和块大小的函数的新见解。

在这项工作中，我们表明可以利用导频污染来共同提高上行链路总速率并减少导频开销。通过利用导频污染对最小均方误差（MMSE）信道估计的影响，我们证明，在某些情况下，允许用户共享或使用相关导频可以比最大比率（MR）组合下的相互正交导频或完美信道状态信息（CSI）产生更好的总和速率。为了确定这一结果，我们推导了在相关瑞利衰落与 MR 组合下任意导频设计的使用后遗忘 (UATF) 容量界限。我们表明，在存在导频污染的情况下，关键机制是对附近干扰角度区域的信道估计进行定向抑制，从而减少干扰。数值结果证实了这种行为，展示了总速率增益并表明它随着天线数量的增加而增长。

智能信道状态信息（CSI）反馈对于实现未来 6G 系统的高容量和频谱效率目标至关重要，但现有的深度学习解决方案面临模型泛化和场景特定性能之间的权衡。大型神经网络泛化能力良好，但会产生较高的计算和调整成本，而小型模型在特定环境中表现出色，但需要对每个基站（BS）进行重复的、成本高昂的端到端训练。为了应对这些挑战，我们引入了基于模型存储库的部署框架，其中集中式 AI 数据中心维护特定于场景的 CSI 模型的目录。该存储库通过基于 Learnware 的框架得到增强，其中每个模型都与一个规范相关联，包括语义部分（网络架构参数）和统计部分（训练数据分布的 codeboo 指纹嵌入）。 BS 仅提交其本地统计规范来检索最相关的预训练模型，通过避免原始 CSI 传输来增强数据隐私，并大幅减少检索延迟和通信开销。我们进一步开发了一种数据驱动的搜索策略，将码本指纹与模型性能相匹配，实现了超过 90% 的选择准确率。在模拟中，我们的方案在 LOS 和 NLOS 场景中比通用模型分别提高了 18.8% 和 57.7% 的性能，同时减少了多达 1000 个样本和 100 个时期的局部微调。这种基于 Learnware 的方法最大限度地减少了冗余训练，最大限度地提高了模型重用率，并支持 CSI 反馈模型的快速、隐私增强部署。

我们提出了公开文献中报道的第一个多子载波大规模多用户（MU）多输入多输出（MIMO）正交频分复用（OFDM）数据检测器。通过利用通道的波束空间稀疏性和频域 (FD) 相关性，我们实现了高达 3 倍的面积和功率降低。我们的设计支持 U=8 个用户设备和 B=64 个基站天线，计算 QPSK 到 256-QAM 的软输出，并并行处理 16 个子载波。所制造的 22FDX ASIC 核心单元面积为 1.3mm$^2$，功耗为 286mW，在 0.8V 核心电压下提供 7.3Gbps 的吞吐量，实现 39pJ/b 的同类最佳能效。

语义通信 (SemComs) 已成为联合数据和面向任务的传输的一种有前途的范例，结合了比特精确传输和端到端 (E2E) 失真最小化的需求。然而，SemCom 中当前的联合源信道编码（JSCC）与现有通信系统不兼容，并且不能适应源或信道的变化，而单独源信道编码（SSCC）在有限块长度机制中不是最优的。为了解决这些问题，我们提出了一种并行高斯信道上 SemCom 的自适应源信道编码（ASCC）方案，其中基于深度神经网络（DNN）的语义源编码和传统的数字信道编码分别部署和自适应设计。为了实现源编码和信道编码之间的高效适应，我们首先通过逻辑回归将端到端数据和语义失真近似为源编码率和误码率（BER）的函数，其中BER进一步建模为信噪比（SNR）和信道编码率的函数。然后，我们提出了并行信道上联合源信道编码率和功率分配的加权和E2E失真最小化问题，该问题通过逐次凸逼近来解决。最后，仿真结果表明，所提出的 ASCC 方案在单通道和并行通道场景下均优于典型的深度 JSCC 和 SSCC 方案，同时保持与实际数字系统的完全兼容性。

本文提出了用于毫米波设备中自干扰 (SI) 抑制的离散码本合成方法，旨在支持全双工 (FD) 集成传感和通信 (ISAC)。我们提出了信号干扰噪声比 (SINR) 最大化问题，优化接收器 (RX) 和发射器 (TX) 码字，旨在抑制近场 SI 信号，同时保持远场传感方向的波束成形增益。该公式考虑了具有量化相位设置的离散 RX 和 TX 码本的实际约束，以及指定通信方向上的 TX 波束成形增益要求。在交替优化框架下，RX和TX码字被迭代优化，一个固定，另一个优化。当 TX 码字固定时，我们表明 RX 码字优化问题可以表示为整数二次分数规划 (IQFP) 问题。使用丁克尔巴赫算法，我们将问题转化为一系列子问题，其中目标函数的分子和分母是解耦的。这些受到离散约束的子问题然后可以通过球形搜索（SS）方法有效地解决。这种总体方法称为 FP-SS。当 RX 码字固定时，TX 码字优化问题可以类似地表示为 IQFP 问题，而需要考虑用于通信的附加 TX 波束成形约束。该问题通过 Dinkelbach 变换和约束球形搜索 (CSS) 得到解决，我们将这种方法称为 FP-CSS。我们证明 FP-SS 和 FP-CSS 方法都能够找到各自 TX/RX 码本优化问题的最佳解决方案。最后，我们将 FP-SS 和 FP-CSS 方法集成到联合 TX-RX 码本设计方法中，其中 RX 和 TX 码字交替优化。仿真表明，所提出的 FP-SS 和 FP-CSS 实现了与相应的穷举搜索（ES）方法相同的 SI 抑制性能，证实了它们的最优性，但复杂度低得多。此外，当将所提出的 FP-SS 和 FP-CSS 方法集成到交替优化框架中时，可以获得更好的 SI 抑制性能。

为了满足第六代（6G）无线通信网络对高保真和可解释信道建模的迫切需求，数字孪生信道（DTC）已成为实现智能环境感知和动态交互的关键使能技术。然而，现有的DTC实现方法大多依赖于纯数据驱动的方法，面临环境特征与通道参数之间的相关性不明确、环境信息输入冗余、场景泛化能力有限等挑战。为了解决这些问题，本文提出了一种新颖的6G DTC模型-数据双驱动框架，该框架由模型驱动的电磁环境知识（EEK）构建和数据驱动的信道预测组成。对于前者，我们首先通过设计的基于 Transformer 的轻量级网络从三维环境数据中检测有效散射体。然后，根据电磁波传播特性，我们捕获单次反射传播路径中的反射点和衍射点，以及代表性的多次反射传播路径。通过量化它们的通道贡献，构建了一个可解释的 EEK，揭示了内在的环境通道相关性。对于后者，设计了一种新颖的物理增强图注意网络（PE-GAT）用于通道预测。具体来说，它以EEK图为输入，将其物理内涵作为可学习的注意力偏差显式地注入到消息传递机制中，从而指导模型基于物理原理进行推理。仿真结果验证了所提出的方法在增强环境-渠道关系建模和预测精度方面的有效性，为进一步验证和开发自适应和智能DTC建模提供了方法基础。

现有的集成传感和通信（ISAC）系统通常仅限于感测目标的物理状态（例如位置和速度），但仍然无法获取目标身份。有鉴于此，我们将基于反向散射通信（BackCom）的目标识别系统融入到支持调频连续波（FMCW）的多天线传感系统中，形成集成的传感、识别和反向散射通信（ISIBC）系统。在本文中，我们的主要重点是实现目标的三维（3D）定位和径向速度估计，并同时从FMCW回波信号中检测发射的BD符号，从而获取目标身份信息。为了完成上述任务，我们提出了一个基于张量的处理框架。具体来说，均匀平面阵列（UPA）接收的离散拍频信号首先被公式化为显式四阶张量模型。利用四阶张量的因子矩阵遵循Vandermonde结构的性质，我们提出了一种新颖的非迭代张量分解算法。然后，利用数字 sinc 函数的幅度特性，我们提出了一种计算高效的方案来联合估计目标的方位角、仰角和范围以进行 3D 定位，同时估计其径向速度并从估计的因子矩阵中检测 BD 符号。最后，广泛的仿真结果证明了基于张量的联合 3D 定位、径向速度估计和识别框架的有效性和优越性能。

低空无线网络（LAWN）是为了支持蓬勃发展的低空经济而出现的，它是一种具有统一连接和传感功能的移动基础设施。作为该网络的主要推动者，无人机（UAV）需要超越自定位能力，能够感知周围障碍物并实时跟踪动态目标。虽然同步定位、建图和移动物体跟踪 (SLAMMOT) 非常适合这些任务，但传统系统通常依赖覆盖范围有限的窄波束，常常导致跟踪失败。本文提出了一种基于无人机的 SLAMMOT 系统，该系统由有效孔径可重构的机载可重构全息表面 (RHS) 实现。鉴于无人机严格的能量限制，跟踪波束和测绘波束之间存在固有的资源权衡。为了解决这个问题，我们制定了一个联合优化问题，旨在增强跟踪和映射性能。随后，采用分数规划（FP）方法和逐次凸逼近（SCA）算法来优化功率分配、RHS有效孔径和RHS波束形成器。我们推导了功率分配的最优解决方案，表征了跟踪和映射性能的帕累托边界，并分析了算法的复杂性。仿真结果表明，与基准方案相比，所提出的SLAMMOT系统可以提高跟踪精度，并在建图和跟踪性能之间实现有利的权衡。

集成传感与通信 (ISAC) 已被确定为第六代 (6G) 网络的主要使用场景之一。虽然保护信息隐私的技术（例如密码学）已被广泛研究，但如何保护传感隐私仍然是文献中的一个悬而未决的问题。本文针对上述问题做出了早期尝试。具体来说，我们考虑一个由多天线发射器（称为 Alice）、单天线合法接收器（称为 Bob）和单天线非法接收器（称为 Eve）组成的定位系统。为了允许 Bob 估计 Alice 的出发角（AOD），但防止 Eve 基于 Alice 的信号执行此任务，本文为 Alice 提出了一种新颖的基于天线选择和排列的传输策略。在此方案下，Alice 仔细选择天线子集并排列它们的索引，以建立用于传输的特定导频天线映射。与信息隐私的密码学类似，这样的映射将作为保护本地隐私的密钥。在Bob和Eve没有噪声的特殊情况下，我们设法找出所有天线选择和排列解决方案，这样利用这个密钥（关于精确导频天线映射的知识），Bob可以唯一地估计Alice的AOD，而没有这个密钥，Eve可以估计Alice的多个AOD，从而导致其接收到的信号。在噪声情况下，提供的数值结果表明我们的方案也可以迷惑 Eve，从而做出不准确的 AOD 估计。

快速光线追踪 (RT) 促进了数字孪生 (DT) 成为环境感知通信的新兴技术。由于无线传播受站点几何形状和环境电磁 (EM) 属性的控制，因此 DT 为信道估计提供了特定于站点的先验。在这项工作中，我们研究了 DT 在基于导频的信道估计中的鲁棒性，其中通过 RT 提取的多径特征确定了信道协方差的低秩 (LR) 特征结构。然而，数字表示的不准确性扰乱了这种特征结构。我们分析定位和电磁校准误差，并推导出一阶扰动模型，该模型将影响角度和延迟的几何扰动与影响路径增益的电磁校准扰动分开。归一化均方误差 (NMSE) 分析揭示了根本的不对称性。 LR 估计本质上对 EM 校准扰动具有鲁棒性，而定位误差通过改变通道特征结构来主导性能下降。数值结果证实，定位误差是城市场景中的主要限制因素，在郊区和农村场景中表现一致，而电磁校准误差的影响有限。尽管如此，在低信噪比 (SNR) 城市环境中，支持 DT 的估计器比基线方法提供了高达 10 dB NMSE 的改进，并且在中等 (< 1 m) 定位误差的情况下，与高 SNR 下的基线估计器保持可比性。

光子集成电路推动了光学互连、无线通信、无缝传感领域的进步。连接电子和光学领域的电​​光调制器是这些系统的基石。为了满足下一代信息系统的超宽带需求，同时实现与其他功能组件的异构集成，我们在此提出了一种通过微转移印刷制造的高性能薄膜氮化硅钽酸锂异构马赫-曾德尔调制器。该器件的插入损耗为 1.0 dB，电光带宽超过 110 GHz，正交偏置下 72 小时内的功率漂移约为 0.3 dB。它可实现超过 375 Gbps 的光学数据传输、148 Gbps D 频段无线通信以及距离分辨率为 1.2 厘米、测量误差低于 2 毫米的 W 频段雷达。

我们提出了一种用于无线边缘云推理的任务感知语义分割学习（SL）框架，其中传输的潜在表示的可靠性动态地适应它们与下游任务的相关性。基于自动编码器 (AE) 的物理 (PHY) 层可实现通信接口的端到端学习，而不平等错误保护 (UEP) 是通过训练期间互信息 (MI) 驱动的潜在组件优先级实现的。估计的 MI 相对于每个潜在组件的梯度充当任务相关性的基于敏感性的代理，提供完全学习驱动的优先级，适应数据分布和下游任务。我们进一步表明，这种优先级转化为可测量的物理层效应：与等错误保护（EEP）基线相比，MI 引导的 UEP 为最关键任务的潜在组件分配了更高的传输功率。对现实世界物联网传感数据的实验表明，在 SNR 范围内，与相同和固定 UEP 基线相比，具有一致的增益。额外的分析证实了跨数据集和任务类型的排名稳定性、估计器的稳健性和泛化性，表明所提出的框架具有广泛的适用性。

分布式语义通信 (DSC) 网络中的协作训练通常依赖于去中心化联合学习 (DFL)。然而，将拓扑无关的聚合推入异构、多任务环境会产生一个基本瓶颈：它会导致负转移和过度共识偏差（OCB）。本文介绍了一种个性化的 DSC 框架，可以消除这种跨任务干扰。在节点级别，策略驱动的多路径路由机制将特定于任务的特征与共享表示分开，以保持本地保真度。在整个网络中，我们部署了“聚合时通信”协议。它使用任务亲和力校准列随机共识矩阵。这限制了系统吸收补充知识，同时主动阻止不匹配的参数更新。为了限制收敛性，我们导出了统一的李雅普诺夫漂移分析。我们揭示了严格的 U 形权衡：更深层次的拓扑混合减少了方差，但放大了结构 OCB。解决这种张力会产生最佳聚合深度的封闭式表达式。我们在 NYU-v2 上评估了所提出的框架，结果揭示了聚合不足和拓扑混合过度之间的明显权衡。在分析得出的最佳聚合深度上，我们的方法比无聚合基线实现了 4.77% 的全局相对改进，并且优于去中心化 FedAvg、FedAMP 和启发式最大聚合。我们进一步评估任务学和不完美无线链路的框架，以检查网络规模变化和无线链路可靠性的影响。

大型天线阵列允许无线系统服务更多用户并实现更高的数据速率，但它们也使信道反馈变得昂贵：接收设备必须向基站重复报告大型复值信道矩阵。大多数神经压缩器将此矩阵视为图像，并将其替换为只有匹配的神经解码器才能解释的固定长度代码。因此，该消息不适应信道复杂性，并且改变天线数量通常需要重新训练。我们询问设备是否可以只报告每个通道下的少数主要传播路径。我们引入了格拉米安切比雪夫神经算子（GCNO），这是一种基于物理的可变速率压缩器，可以识别一组依赖于样本的路径方向。 GCNO 使用接收-传输通道结构来定位路径，使用一阶泰勒校正来细化落在网格点之间的方向，并使用最小二乘法来恢复其复杂强度。它是在没有路径标签的情况下进行训练的，并且基站根据传输的路径元组分析地重建信道，而不是通过学习的解码器。在三个光线追踪环境中，GCNO 在相同的有效载荷下实现了比神经反馈基线更好的重建精度，或者在相同精度下实现了更低的有效载荷，并且无需重新训练即可转移到看不见的天线计数。

可靠的多无人机通信控制取决于在测量可用之前预测哪些空中链路将服务于交通。无线电世界模型（无线电 WM）使此类规划易于处理，但它们的误差并不均匀：全局精确的模型仍可能在高需求走廊或关联边界上失败，在这些区域，速率误差会逆转控制决策。这种不匹配带来了学习挑战。链接查询必须减少与决策相关的渠道不确定性，同时必须过滤反事实试验，以便有偏见的推出不会破坏策略。现有的采购和基于模型的控制单独处理这些预算，重视不确定性、覆盖范围或乐观回报，而不是降低风险。我们提出了 RMWorld，一个任务感知的无线电 WM 框架，它将信息价值信道校准与可信度多样性多试验选择结合起来。有偏差的传播公式通过贝叶斯残差进行校正，并且每个链接通过其在局部线性化任务积分后验率方差中的精确单标签减少来评估。反事实分支由任务门控的日志决定因素目标选择，然后是冲突投影和固定批次验证。我们推导出方差减少恒等式，证明后验任务风险等价性和子模贪婪保证，并建立范围一阶无干扰结果。在 100 个配对 3GPP 试验中，RMWorld 达到了 0.949~bit/s/Hz 任务加权 RMSE，并且在 30 个重载 DeepMIMO 试验中，与 Ensemble UCB 相比，它使积压中位数减少了 0.967，离线部署量增加了 37.5%。

弹性已成为未来在动态和不确定环境中运行的无线系统的基本能力。尽管弹性越来越引起学术界、工业界和标准化界的关注，但其概念范围、支持机制和实现技术仍然支离破碎。本文从可信度的角度提出了无线系统弹性的系统框架。我们首先将弹性的概念形式化，并将其与相关的不确定性感知术语区分开来，包括可靠性、鲁棒性、适应性、生存性和可恢复性。然后，我们建立一个分层框架，将弹性组织为能力维度和支持机制，并通过不同的技术方面量化弹性。我们进一步以物理链路和无人机网络作为代表性无线场景来演示如何通过架构、操作和算法的联合设计来系统地实现弹性。最后，我们研究弹性工程中的基本权衡：提高弹性通常会带来资源效率、名义性能、信息获取、实施复杂性和延迟方面的成本。

任务有效的建议还不是合理的实际行动。在网络物理人工智能中，提案可能会被理解，但有效、及时、提案约束的证据或完成行动所需的权威仍然不可用。我们将这种不匹配称为验证差距，并为提案形成和物理执行之间的系统接口引入了后语义通信框架。该框架从应用程序声明的证据要求开始，将合格的观察结果表示为证据记录，通过一条路径验证支持记录和冲突记录，并将证据充分性与授权最终确定和下游运行时门分开。它进一步区分了证据传输和证据协调，证据传输可以扩大终结器可到达的记录集，证据协调可以抑制终结端点已保存的记录周围的传输。有限状态框架检查验证评估器是否一致地实现了声明的区别。在所声明的模型下，受控通信研究暴露了一种依赖于终结者的不对称性：发送者最终确定的反馈使用证据传输来扩展整个可行绘制区域的证据可达性，而接收者最终确定的反馈使用协调来抑制冗余有效负载，直到丢失、延迟、新鲜度和截止日期成本将选择转移到单向。最后，事件级报告模式定义了未来测量的物理人工智能研究的共同点。

在可移动天线 (MA) 系统中，天线运动会引起多普勒频移，这通常被视为需要缓解的损伤。在本文中，我们提出\emph{可移动天线的速度指数调制}（VIM-MA），它将这种多普勒效应重新定义为附加的信息承载自由度。发射机从预先设计的离散码本中选择天线移动速度，以便产生的多普勒频移传送超出传统调制符号所携带的额外索引位。码本设计被公式化为速度间隔 $δ$ 和码本大小 $N_v$ 上的频谱效率最大化，受到速度估计精度的平均信息 Cramér-Rao 型界限 (AIF-CRB)、物理轨道长度约束和空间信道解相关约束。变量的对数变化使问题凸出并产生封闭式解。我们进一步确定峰值码本速度等于 $D_{\max}/T_s$，并且去相关限制间距始终低于瑞利多普勒分辨率，因此 VIM-MA 本质上是一种超分辨率方案。推导了协方差匹配检测器，其既不需要每路径角度知识也不需要信道状态信息。仿真结果表明，去相关限制码本在 $10λ$ 孔径上携带 5 个索引位，只有通过 Oracle 角度知识才能实现，而信道状态无关检测器仅限于 3 位，但比收取实际导频预算的位置域索引早大约 $10$~dB 达到有效负载。

基础模型，即在广泛的未标记数据上进行预训练并适应许多下游任务的大型神经网络，已经重塑了自然语言处理和计算机视觉，目前正在针对无线物理层进行探索。无线物理层基础模型 (WPFM) 旨在学习信号的可转移表示，例如信道状态信息 (CSI)、同相和正交 (IQ) 样本以及频谱图，以便单个预训练骨干网可以支持从信道估计和预测到定位和感测的任务，同时使用有限的特定于任务的数据。本文对 WPFM 从学习设计到实际部署进行了专门回顾。我们首先建立理论背景，涵盖用于无线信号的神经架构、掩模建模的自监督预训练范式、对比学习和生成预训练，以及使预训练模型适应下游任务的微调策略。然后，我们引入一种分类法，该分类法沿着五个维度组织现有模型：架构系列、输入模式和标记化、预训练目标、模型规模和部署目标以及泛化能力。在此基础上，我们审查了电信、本地化和传感领域的应用程序，并针对每个领域，通过将模型大小映射到代表性无线硬件的内存、计算和延迟预算来分析部署可行性。最后，我们讨论模型压缩和高效部署，总结跨领域的挑战，并概述开放的研究方向。我们的目标是提供一个参考，将预训练、架构和微调与无线系统的实际约束联系起来。

本文研究了具有混合模拟和数字波束形成能力的无人机 (UAV) 的近场集成传感和通信 (ISAC)。特别是，无人机同时为多个通信用户提供服务并检测目标的存在，并且假设所有节点都具有移动性。该系统的设计目标是同时最小化目标估计的 Cramér-Rao 下限和总功耗，同时满足用户服务质量约束和无人机的能量限制。为了解决由此产生的非凸联合优化问题，提出了一种基于多智能体双延迟深度确定性策略梯度（TD3）的深度强化学习方案来联合优化无人机轨迹和波束成形。所提出的仿真结果表明，与基线方案相比，所提出的框架实现了卓越的能源效率并提高了估计精度。

多重散射通过扰乱样本特定信息来限制厚生物样本中的光学成像。基于物理的逆散射方法旨在通过使用非凸优化求解器来通过计算来解读这些信息。然而，它们固有的非凸性通常会导致高度依赖样本的性能和不准确的重建，特别是在强散射样本中。在这里，我们介绍了一种基于多层光束传播（MSBP）的新型逆散射框架，该框架可以在各种散射生物样本中稳健地实现高质量的散射校正和无标记体积成像。我们使用散射校准体模和生物样本对多个 MSBP 求解器实现的成像性能进行了严格的基准测试。我们发现逆解算器中的仅振幅成本函数与散射测量中的角度和散焦多样性相结合，可以实现具有高质量和亚细胞级散射校正的体积、无标记成像。总之，这些结果为逆散射的可靠应用奠定了基础，以在越来越厚的多细胞样本中实现生物可解释的三维成像，从而为深层组织计算成像引入新的范例。

摘要：虽然眼睛在注视期间可能看起来是静止的，但它实际上处于不断运动的状态——将视觉输入转化为丰富的神经元活动时空流。这些运动挑战了视敏度源自空间采样的经典观点，表明超敏锐度可以从精确的时间编码中产生。在这里，我们展示了人工系统可以利用类似视网膜的基于事件（EB）传感的原理，这是一种神经形态方法，其中传感器响应亮度变化而发出异步尖峰。使用 EB 相机在微小的像素化图像上进行受控“固定”运动，我们生成了数据集，其中识别依赖于子像素信息。我们发现，在这些时空事件流上训练的人工神经网络很大程度上依赖于精确的时间信息，并且优于传统的基于帧的模型。学习到的表示还支持游标式子像素辨别，展示了人工仿生系统中的超敏锐行为。这些结果表明，基于事件的主动传感可以使用精确的定时来恢复从静态单帧中无法恢复的空间细节。总之，这些发现为视觉感知提供了新的视角，为推进神经形态工程和节能人工智能视觉系统开辟了道路，并为测试有关生物视觉的假设提供了框架。

本文研究了用于多用户隐蔽通信的认知无线电下行链路，其中辅助发射机必须为多个合法用户提供服务，同时保持难以被被动看守者检测到，并且仅在 CR 传感识别的频谱空洞内运行。我们提出了一种结合了可移动天线（MA）和可移动信号（MS）的双域重新配置框架。 MA 提供发射阵列的波长级空间重新配置，而 MS 在允许的窄孔内执行分块载波状态选择，以便通过多径分量的延迟差异重新定相。在具有噪声功率不确定性的辐射检测下，我们采用标准二次典狱长功率约束作为隐蔽性要求的易于处理的充分替代。我们制定了一个受发射功率、MA 轨道几何形状和 CR 可行的 MS 探测约束影响的隐蔽加权和速率最大化问题。为了解释为什么联合 MA-MS 重配置是有用的，我们建立了三个分析结果：1）MS 在频率平坦链路中无效； 2）严格的隐蔽性导致了由warden通道主导的软零瓶颈； 3）在频率选择链路中，MS将守护者-用户对齐重塑为载波中的三角多项式，这产生了有限CR孔内未对齐载波的存在条件以及与延迟扩展相关的探测分辨率指南。这些结果激发了与隐蔽波束形成、MA 位置和 MS 探测模块相匹配的求解器结构。基于此分析，我们开发了一种 BSUM/MM 算法，该算法在封闭式 WMMSE 辅助更新、功率和隐蔽性二次约束下波束形成的无 CVX 嵌套双重搜索、具有轨道可行投影的影子价格加权 MA 更新以及 CR 孔上的嵌套 MS 探测之间交替。代表性几何多径隐蔽通道中的数值结果表明，所提出的接头设计始终优于固定、仅 MA 和仅 MS 基线，特别是当隐蔽性严格、轨道长度有限或在探测孔内可见可利用的差分延迟时。结果还验证了预测的探测预算收益递减以及在大延迟扩展下使用固定载波集时出现的有限探测效应。

在可重构智能表面（RIS）辅助通信系统中，利用用户设备（UE）位置信息作为先验知识的信道估计方法可以显着提高估计精度。然而，在移动场景中，UE位置的快速变化导致这些先验信息很快过时，导致性能下降。为了保持估计精度，通常需要频繁传输定位导频，这又增加了系统开销。为了解决这个问题，这封信提出了一种新颖的信道估计方法，该方法利用位置预测来重建统计信道状态信息（S-CSI）作为先验信息。具体来说，所提出的方法首先获取UE的位置和速度及其协方差矩阵。然后使用运动模型预测UE的未来位置和相应的位置协方差矩阵，从而计算S-CSI作为信道估计的先验信息，而无需频繁传输定位导频。仿真结果表明，在移动场景中，与基线方法相比，所提出的方法提高了信道估计精度，同时减少了定位开销。

准确、及时的无线电环境重建很重要，但在特别动态的发射机配置下也具有挑战性。压缩感知（CS）、克里金法或 U-Net 等传统方法通常需要环境测量和重建开销，以便随着发射机位置或辐射方向图的变化来更新无线电环境。在本文中，我们提出了一种新颖的支持信道知识图（CKM）的动态无线电环境重建方法，用于有效的无线电地图更新。具体来说，最近提出的 CKM 可以存储与发射机侧辐射特性解耦的可重用路径级传播知识。由于发射机位置和辐射方向图已知，我们可以利用 CKM 生成轻量级前向无线电地图，而不需要新的目标地图测量。仿真结果表明，该方法在重建精度方面优于CS、Kriging和U-Net，并且在动态发射机配置下表现出很强的鲁棒性，这表明该方法在动态无线网络中灵活高效地重建无线电环境的潜力。

具身智能正在将人工智能从被动的数字感知转变为主动的物理交互。然而，支持基础模型的实体代理面临着开放世界认知和资源受限部署之间的根本紧张关系。设备上的模型受到计算、内存和能源预算的限制，而以云为中心的解决方案会在动态无线链路上引入延迟和可靠性风险。边缘通用智能提供了有前景的认知支柱，但现有框架仍然缺乏物理基础、行动意识和主动获取有用物理经验的机制。为了解决这些限制，本文介绍了边缘原生体现智能 (ENEI)，这是一种动作感知无线边缘框架，它将体现代理、6G 通信和网络结构以及边缘认知服务集成到 6G 介导的双向边缘体现循环中。沿着边缘到体现的轴，置信感知辅助和边缘驱动的生成适应增强了分布外（OOD）条件下的局部自治。沿着从实施到边缘的轴，体验价值引导的主动实施联合学习使物理动作能够为连续的边缘模型演化生成信息丰富的体验。 6G 结构通过面向目标的传输和可编程无线电资源分配支持双向。关于 OOD 无人机导航和移动驱动联邦学习的两个案例研究说明了所提出机制的可行性和通信效率。ENEI 提供了一个统一的视角，其中边缘认知加强了具体行动，而具体机构积极丰富了边缘认知，为可扩展、自适应和自我进化的具体无线系统奠定了基础。

使用可重构智能表面 (RIS) 的无人机 (UAV) 为 6G 网络提供卓越的空间灵活性。然而，由于快速变化的信道条件和硬件性能的限制，它们的实际应用面临着重大挑战。大多数生成信道估计模型错误地假设完美的零功率相移和静态条件，这会导致在处理强多普勒效应和现实世界的 1/2 位 RLC 电路限制时出现严重故障。为了解决这个问题，这封信提出了一个考虑到硬件因素的动态 Transformer-Diffusion (TransDiff) 框架。通过将生成式视觉变换器（ViT）与时间卡尔曼跟踪顺利结合，所提出的方法成功捕获了空间和时间通道行为的快速变化。此外，还集成了生成编码机制，以使用精确的 RLC 阻抗失配对扩散反向过程进行物理惩罚。数值评估证实，在 120 km/h 的高移动性下，所提出的框架实现了前所未有的归一化均方误差 (NMSE) -21.87 dB，有效减少了 29.3% 的导频开销，并将能量效率最大化至 19.15 位/J，大大优于最先进的基于 CNN 的降噪器。

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 (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 美元到 3 美元的 EE 改进，同时满足通信、传感和功率传输要求。

本文研究了混合系统上的集成传感和通信 (ISAC)，该系统将传统蜂窝基站与分布式无蜂窝 (CF) 接入点 (AP) 无缝结合。我们提出了一种分层 ISAC 架构，其中中央基站 (CBS) 为其附近的用户提供服务，同时作为用于空中目标检测的单基地雷达运行，而分布式 AP（许多在以用户为中心的集群下闲置）充当免费的双基地接收器。 CBS 联合处理通信处理和多静态传感融合，与传统的无小区 ISAC 相比，减少了前传开销。为了实现这一目标，指定了具有精确 ISAC 角色分配的五阶段时分双工工作流程。频谱效率和多静态传感信噪比的封闭式表达式分析地表征了通信-传感帕累托前沿。数值结果证实，与传统的无细胞 ISAC 相比，所提出的分层设计同时实现了更高的总吞吐量和卓越的传感精度。

堆叠式智能超表面 (SIM) 为集成传感和通信 (ISAC) 提供了一种高效的架构，并且具有很少的射频 (RF) 链。然而，对角 SIM 仅提供逐元素相位控制，因此平衡多用户通信和传感性能可能需要额外的层。在这封信中，我们提出了一种用于ISAC的超对角SIM（BD-SIM）架构，通过可重构阻抗网络实现可控的层内耦合，从而增强波域处理的灵活性。我们开发了适用于全连接、组连接和对角 SIM 架构的统一交替优化框架。在此框架内，我们推导了封闭式功率分配规则，并提出了一种用于多层相移设计的有效变量分离算法。仿真结果表明，所提出的 BD-SIM 实现了更好的通信传感权衡，并且需要更少的层来获得与传统 SIM 相当的性能。

可移动天线 (MA) 通过灵活定位利用额外的自由度 (DoF) 来增强传感能力。 MA 阵列的设计通常面临方向不确定性的挑战，其中目标的精确角度未知。为了解决这个问题，我们提出了一个面向区域的设计框架，重点关注目标感兴趣区域（RoI）。具体来说，我们引入了两个关键指标：RoI 内的平均 Cramèr-Rao 界限 (CRB) 以确保准确性，以及 RoI 外的平均能量泄漏以减轻干扰。基于这些指标，我们共同优化天线位置和波形，以最小化它们的加权和。为了解决问题的非凸性，开发了一种基于交替优化 (AO) 的算法，其中导出了封闭式解决方案以迭代更新天线位置和波形。为了促进实时部署，我们利用该算法生成的高质量数据集来开发 Geoformer，这是一种几何感知 Transformer，可直接将传感需求映射到最佳天线位置，同时支持预定义最大天线尺寸内的可变长度阵列配置。仿真表明，所提出的算法显着优于固定天线阵列 (FPA)，并且与迭代求解器相比，Geoformer 将推理延迟减少了几个数量级。

基于深度学习的信道状态信息（CSI）反馈在大规模多输入多输出（MIMO）系统中取得了经验上的成功。然而，现有的方法很大程度上依赖于密集的人工神经网络（ANN），其计算开销限制了它们的实际应用。在本文中，我们利用仿生节能尖峰神经网络 (SNN) 进行大规模 MIMO CSI 反馈，称为 SpikingCSINet，其中反馈和主网络计算都是通过尖峰实现的。为了克服高维重建中二进制尖峰的信息瓶颈，我们开发了一种渐进残差（PR）架构，对通道矩阵的连续残差进行编码，从而增强信息紧凑性。 COST 2100 基准测试表明，SpikingCSINet 比轻量级卷积基线获得了更有利的性能效率权衡。此外，它的性能与基于 Transformer 的 TransNet 相比具有竞争力，同时将基于操作的能源估算减少了 93% 以上。

流体天线系统（FAS）通过自适应端口激活提供灵活的空间分集，但现有的FAS端口选择方法主要假设静态传播环境或完整的瞬时信道状态信息（CSI），使其不太适合动态无人机对地（U2G）通信。本文研究了动态传播条件和部分飞行员观察下无人机接收器的自适应 FAS 端口激活。首先提出了基于图神经网络（GNN）的效用预测器，通过利用 FAS 端口之间的空间相关性来推断候选端口的效用。根据预测的效用，然后制定预算贪婪端口选择策略，以共同考虑效用、空间多样性和交换开销。仿真结果表明，所提出的框架始终在频谱效率和端口切换之间实现有利的权衡。这些结果表明联合利用空间相关性和切换感知端口选择对于所考虑的动态 UAV-FAS 通信的有效性。

无源六维可移动天线（6DMA）可以通过在无人机（UAV）上安装智能反射面（IRS）并调整其三维（3D）部署和3D方向来实现。然而，无人机无源6DMA的性能对风和平台振动引起的机械抖动高度敏感，这会严重限制通信性能。为了解决这个问题，这封信研究了支持无人机的无源 6DMA 的稳健部署和方向优化，旨在在存在有限抖动的情况下最大限度地提高接收器的最坏情况接收信噪比 (SNR)。然而，由于其高维度和最坏情况的表述，该问题极难解决。为了应对这一挑战，首先开发了粒子群优化 (PSO) 算法，其中采用顺序二次规划 (SQP) 算法来导出任何给定 6DMA 部署和方向的所有可能抖动中的最坏情况 SNR。为了获得更多见解，我们进一步考虑仅包含音调抖动的简化情况，并开发一组一阶代理函数来近似接收到的 SNR。通过这种方式，在温和的条件下获得了封闭形式的最优定向解，该解明确地表征了抖动对通信性能的影响。数值结果表明，所提出的方法始终优于忽略抖动的非鲁棒设计。

人工智能 (AI) 和机器学习 (ML) 越来越多地应用于无线和蜂窝网络。凭借被设想为人工智能原生的第六代 (6G) 系统，强化学习 (RL) 为复杂的网络管理和运营提供了一种自然的方法。本文重点研究多小区大规模多输入多输出（MIMO）系统中的用户准入控制，其中旨在最大化本地和速率的幼稚自私策略可能会引发公地悲剧，降低每个用户的性能并产生严重的小区间干扰（ICI）。为了应对这些挑战，我们引入了用于大规模 MIMO 系统的结构化 RL 框架。特别是，该策略的结构引入了物理归纳偏差项，例如干扰敏感衰减因子，它可以通过开放式无线接入网络（O-RAN）架构实现干扰感知学习。通过稳定性分析，我们表明这种物理归纳偏置项可以保证网络范围内的稳定性。实验结果表明，所提出的方法平衡了总频谱效率与每用户性能，并在流量激增期间保持鲁棒性，而自私策略会导致每用户性能下降。

集成传感和通信 (ISAC) 通过利用标准无线通信信号来跟踪和检测被动物体（包括人体）。虽然 Wi-Fi 的 IEEE 802.11bf 已经标准化，但 3GPP 目前正在为下一代蜂窝网络定义 ISAC。这一转变将 ISAC 技术从本地化、不协调的 Wi-Fi 部署扩展到由移动网络运营商管理的普遍、集中式网络部署。然而，这种全国性的覆盖范围带来了严峻的用户隐私挑战，必须遵守严格的数据保护立法框架，尤其是欧盟的《通用数据保护条例》。本文对蜂窝 ISAC 的适用规范进行了全面分析，强调了其实施中的开放技术挑战，并探讨了架构和信号处理级别上的潜在缓解策略，为各种利益相关者类别建立了分层数据访问级别，并详细说明了如何将这些协议合法地集成到蜂窝网络架构中。

集成到发射器中的传输式可重构智能表面 (T-RIS) 提供了三混合多输入多输出 (MIMO) 的可行实现，其中空间处理分布在数字、模拟射频 (RF) 和电磁 (EM) 域中。然而，与传统的 RIS 辅助链路不同，发射机原生 T-RIS 直接参与辐射形成，使得 T-RIS 前端建模和面向加权和速率 (WSR) 的联合预编码在实际硬件限制下具有挑战性。本文开发了一种用于发射机原生 T-RIS 三混合多用户 (MU) 下行链路传输的统一建模和预编码框架。具体来说，从连续场描述开始，接收场的特征是馈源阵列、可编程T-RIS孔径和用户侧传播之间的相互作用，从而形成用于MU预编码的级联基带输入输出模型。此外，在菲涅耳、弗劳恩霍夫和混合场体系中实例化了相同的表示，以便可以在一个前端模型中处理近场聚焦和远场角度转向。此外，在功率和量化约束下，通过数字预编码器、模拟网络和 T-RIS 系数制定了 WSR 最大化问题。然后通过将外部加权最小均方误差 (WMMSE) 更新与 WMMSE 引起的孔径场整形和硬件投影相结合来开发两级求解器。仿真验证了建模的准确性和收敛性，并表明所提出的全三混合设计相对于基线提高了 WSR，同时抑制了混合场跨区域泄漏。

量子近似优化算法 (QAOA) 的目标是多输入多输出 (MIMO) 系统中的 NP 难最大似然 (ML) 检测。现有的 $M$ 进制正交幅度调制 (M-QAM) 检测器根据预期 Ising 能量设计角度：每个实例在线、热启动或斜坡，而一次训练设计仍然仅使用 B/QPSK 或块局部，从而使 M-QAM 没有尺寸可扩展的基准。他们的无限尺寸自旋玻璃理论假设独立无序，与 B/QPSK 保留的协方差匹配，但与 M-QAM 的相关耦合和场不匹配。我们开发了一个相关的无限尺寸多物种自旋玻璃框架，其协方差匹配评估器使该能量成为具有尺寸可扩展基准的离线目标。此外，ML 速率（ML 字符串采样的指数速率）首次用于 MIMO 检测中的 QAOA 角度设计。能量评估器以 $O(p\,4^p)$ 成本实现 $q$-free，而 ML 速率则从固定的 $q_{\rm ref}$-qubit 参考传输角度。测试达到 4096-QAM、128 个天线、$p=30$ 和每个符号 SNR 0-45 dB。在仿真中，ML 速率按照幂律 $r_0\,p^{-α}$ 下降，采样设计的指数较大，在 $5\times5$ 16-QAM (0-20 dB) 和 $3\times3$ 64-QAM (8-28 dB) 下跟踪精确的 ML，而其误码率 (BER) 优势随着 SNR 扩大到两个数量级。该方法指向更深层次的无噪声容错量子（FTQ）电路上的近乎最佳解码。

本文根据蓝牙核心规范 v6.2，提出了一个基于 Python 的蓝牙信道探测物理层仿真框架。该模拟器在 2.4 GHz ISM 频段的 72 个活动音调中实现基于模式 3 的测距，并支持多种传播条件，包括自由空间、静态多径和 IEEE 802.15.4a 随机多径信道。此外，它还可以对相关硬件和干扰效应进行建模，例如相位噪声、相位斜坡、载波频率偏移、IQ 不平衡、ADC 量化以及来自同位 Wi-Fi 系统的窄带干扰，其参数源自商业 SoC 数据表和现场测量。该框架能够对物理层效应进行受控且可重复的分析，这些效应在无线实验中很难隔离，并且在现有的更高级别的仿真工具中无法充分体现。这项工作专门关注物理层信号生成、信道建模和损伤注入，为未来蓝牙信道探测测距和定位算法的研究奠定了基础。

集成传感和通信 (ISAC) 是 6G 无线网络的关键支持技术，但当传感目标可能充当潜在的窃听者时，其广播性质会引发物理层安全问题。尽管智能反射面 (IRS) 可以增强无线传播并提高保密性，但现有的 IRS 辅助 ISAC 安全设计大多局限于固定部署和无源相位控制，在视距主导的低空场景中提供有限的空间适应性。为了解决这一限制，我们研究了一种安装在无人机（UAV）上的六维可移动IRS辅助安全ISAC系统，其中IRS位置、方向和反射系数与BS波束形成器联合优化，以在通信服务质量（QoS）、功率、单位模量和可见性约束下最大化保密率。由于耦合的有源/无源波束形成变量以及位置和方向相关（姿势相关）的信道响应，所产生的问题是高度非凸的。为了有效地解决这个问题，我们开发了一个三块交替优化（AO）框架，其中主动波束形成器、IRS位姿和被动反射矢量分别通过线性化ADMM、热启动粒子群优化和黎曼梯度下降进行更新。仿真结果表明，所提出的设计明显优于固定位置和仅定向基线，凸显了联合平移、旋转和相位控制对于安全 ISAC 的重要性。

本文研究了近场和远场混合信道环境中的无线供电上行链路非正交多址 (NOMA) 通信系统。该帧被划分为前一个下行链路传输阶段和后一个上行链路传输阶段。在下行链路阶段，基站（BS）向近场用户进行无线能量传输，同时向远场用户进行无线信息传输。在上行链路阶段，近场用户利用部分收获的能量进行 NOMA 传输到 BS。考虑到实际的非线性能量收集模型，在受到近场用户能量约束和远场用户吞吐量约束的情况下，通过联合优化下行能量波束形成器、下行信息波束形成器、空间滤波器和时间分配比例，制定了优化问题，以最大化近场用户的上行总吞吐量。为了解决这个非凸优化问题，提出了一种基于分数规划、逐次凸逼近和majorization-minimization方法的交替优化算法。数值结果表明：1）近场用户的上行总吞吐量相对于下行传输时长表现出单峰特性； 2)上行NOMA方案在吞吐量性能方面显着优于传统的正交多址方案； 3）下行阶段能量和信息波束形成器的联合优化，有效提高了上行总吞吐量。

本文提出了一种基于具有语义特征重建（FedSFR）的 FL 算法的差分私有联邦学习（FL）框架，用于训练图像传输的语义通信模块。通过允许上行链路容量不利的客户端传输从本地训练的联合源信道编码 (JSCC) 编码器中提取的低维语义特征向量，FedSFR 提高了异构无线条件下的通信效率和训练稳定性。为了保护客户隐私，我们采用了单次拉普拉斯机制，并从理论上证明，在相同的通信预算下，基于特征的传输比基于梯度的传输实现了严格更强的差分隐私（DP）保证。此外，还引入了模型选择机制来减轻隐私保护扰动引起的性能下降。多个数据集上的实验结果表明，所提出的 DP 辅助 FedSFR 在异构无线系统中的训练稳定性和图像重建质量方面优于支持 DP 的 FedAvg。

在本文中，我们研究了天地空地协同网络中城市空中交通（UAM）的下行链路调度。多个地面站 (GS) 采用窄三维波束并在多个子带上共享频谱，而卫星则提供正交带服务选项。快速随时间变化的几何形状和方向性干扰需要对基站关联、GS 子带分配和发射功率进行联合决策。我们制定了一个有限范围混合离散连续问题，仅使用 UAM 位置和速度，最大化总和速率，同时惩罚切换和 GS 过载。为了解决组合调度问题，我们提出了 GeoSetPPO，这是一种几何感知的集合注意力近端策略优化（PPO）方法，它输出每个 UAM 离散关联和具有排列不变表示的子带决策。以每个调度为条件，GS 功率由每个时隙逐次凸逼近 (SCA) 模块在每个 GS 功率预算和最小信号干扰加噪声比 (SINR) 约束下计算。为了降低训练成本并提高稳定性，我们采用两阶段训练策略，将奖励评估从统一功率过渡到基于SCA的功率分配。仿真表明，在所考虑的训练设置下，具有稳定的收敛性、比基于多层感知器 (MLP) 和基于 Transformer 的 PPO 更高的回报，以及相对于基于算法和基于距离的调度器的有利奖励和调度可行性性能。在较大的评估网络中，相对于之前基于算法的方法，GeoSetPPO 还将调度延迟从 40.84 ms 减少到 2.90 ms。

对快速、可靠的无线连接的需求不断增长，加上可用频谱有限，引发了人们对利用传统无线系统工作频段附近频段的浓厚兴趣。许多遗留系统是在频谱使用稀疏时设计的。利用这些新频段进行商业数据通信可能会导致传统无线用户出现以前无法预见的干扰问题。在许多部署中，传统无线用户的操作仅限于特定的地理区域。我们的目标是利用这些地理受限区域的知识来减轻对传统无线接收器造成的干扰。在无小区大规模多输入多输出（CF-mMIMO）系统中，传统无线用户处的干扰可能是由多个接入点（AP）的联合传输引起的。为了限制这一点，我们在 CF-mMIMO 下行链路传输中施加干扰功率约束，称为区域约束。我们考虑每个 AP 的发射功率约束以及区域约束，并提供集中式最小均方误差 (MMSE) 预编码器设计方法以及低复杂度解决方案。为了避免前传网络负载，我们还提供了一种具有发射功率和区域限制的分布式 MMSE 预编码器设计方法。所提出的预编码方法保护传统无线系统免受干扰，同时允许使用新频带。

由于适用于高移动场景，正交时频空间（OTFS）被认为是实现集成传感与通信（ISAC）的潜在波形。在这封信中，我们提出了一种基于正交匹配追踪（OMP）框架的低复杂度分数延迟和多普勒估计算法。通过构建降维观测模型和剪枝噪声网格来降低算法复杂度。同时，通过对目标进行路径间干扰(IPI)判决，仅修正被干扰维度的参数，从而解决路径间干扰。仿真结果表明，所提出的方案显着降低了计算复杂度。同时，在不存在IPI的情况下，估计精度与基准算法相当，而在存在IPI的情况下，估计精度显着优于基准算法。

本文研究了可重构智能表面 (RIS) 速率分割多路访问集成传感和通信 (RSMA-ISAC) 系统的以传感为中心的设计。具体来说，我们提出了一种新的波束增益近似方法来增强传感波束增益，同时满足通信服务质量（QoS）约束。由于波束成形向量和 RIS 相移的联合优化是高度耦合的且非凸的，因此现有方法通常依赖于涉及大量计算复杂性的通用优化求解器。为了解决这个问题，我们提出了一种有效的基于约束分离的交替优化算法（CS-AO）。我们提出的算法有效地解耦了优化变量，并为所有子问题产生封闭式解决方案，从而显着减少了计算负担。仿真结果表明，所提出的算法实现了与逐次凸逼近 (SCA) 和半定松弛 (SDR) 基准相当的传感光束增益性能，同时实现了超过 120 倍和 50 倍的运行时间减少。此外，与传统的空分多址（SDMA）方案相比，所提出的设计表现出巨大的传感波束增益。

本文提出了一种新型双功能雷达通信（DFRC）框架，用于在集成传感与通信（ISAC）系统中使用全双工（FD）无人机（UAV）进行多目标检测。所提出的架构利用在 FD 模式下运行的分布式多天线无人机的移动性和灵活性，在同一频段的上行链路和下行链路中同时支持多个单天线用户，同时传输用于感知任务的雷达信号。为了有效平衡传感和通信的双重目标，无人机根据系统要求在 ISAC 和仅通信模式之间动态切换。为了解决严峻的干扰挑战，包括上行用户干扰、无人机传输、FD操作引起的残余自干扰和环境杂波，我们提出了新颖的目标无人机配对和无人机模式选择方案，以及有效的干扰管理策略。具体来说，制定了和速率最大化问题来联合优化下行链路通信和感测波束成形向量、上行链路功率分配、无人机位置和目标无人机配对。这导致混合整数非凸优化问题。为了解决这个问题，我们放松了二元配对变量并采用基于内凸近似方法的迭代算法。广泛的数值模拟证实了所提出解决方案的有效性，显示了 FD 操作下通信性能的显着改进，同时在 ISAC 框架内保持可靠的传感。比较评估进一步验证了所提出的方法在根据基准方案优化目标无人机配对和无人机放置方面的稳健性。

自动调制识别 (AMR) 在为军事和民用应用实现稳健、自适应和安全的通信方面发挥着至关重要的作用。深度学习使有效的 AMR 方法成为可能，克服了传统方法计算效率低下的问题。然而，这些基于深度学习的方法通常在低信噪比条件下性能显着下降，其中噪声掩盖了调制判别波形特征。在本文中，我们提出了有界残差特征线性调制（BR-FiLM），这是一种 AMR 通道质量调节块，可以插入具有中间特征表示的 AMR 分类器中。我们通过将所提出的 BR-FiLM 块插入多通道卷积长短期深度神经网络（MCLDNN）主干来构建 BR-FiLMNet。 BR-FiLMNet 通过门控残差校正来调节卷积、循环和密集特征，同时保留原始 I/Q 驱动的特征路径。 RadioML 2016.10a 上的实验结果表明，与 MCLDNN 相比，BR-FiLMNet 将平均精度从 61.79% 提高到 67.74%，将低 SNR 精度（SNR <= 0 dB）从 37.12% 提高到 46.44%。我们根据最近的 Transformer 式基线进一步评估 BR-FiLMNet。结果表明，BR-FiLMNet 提供了显着且可靠的性能提升，并通过配对统计测试进行了验证。

射频 (RF) 指纹识别技术可对无线设备进行身份验证，使其免受硬件引起的 I/Q 损伤的影响，通常使用准确但不透明的深度学习特征提取器，从而限制了它们在安全关键设置中的使用。我们提出了极地单调柯尔莫哥洛夫-阿诺德网络（Polar MKAN），这是一种基于极地输入的块分区单调编码器，其中每个潜在维度仅取决于幅度或相位，通过构造产生通道分离和单调响应。在合成增益和载波频率偏移 (CFO) 基准上，Polar MKAN 的 DCI 解缠度达到 57.2%，而未分区的基线最多为 12.9%。我们进一步评估了真实数据的检测精度权衡以及对盲目 CFO 补偿的敏感性。

确保图像传输中的感知质量和语义保真度仍然是通信系统的一个关键挑战，因为传统方法经常受到带宽限制、噪声敏感性和上下文信息保存不足的影响。为了解决这些问题，本研究提出了一种量子频域框架，该框架联合执行图像压缩和传输，同时使用新型通道感知去噪框架实现语义感知恢复。该过程首先使用可变大小的量子位编码将图像位流（可以选择进行通道编码）转换为量子态。然后应用量子傅立叶变换 (QFT) 将这些量子态映射到频域，其中通过仅传输频率分量的最小子集来实现压缩。在接收端，执行相应的解码过程。最后，使用基于通道感知扩散的去噪框架对重建图像进行细化，该框架通过恢复精细细节并保留由于噪声和压缩而丢失的语义信息来增强感知质量。使用客观质量分析评估的实验结果表明，更高的量子位编码可以提高压缩效率并降低通道容量要求，但更容易受到噪声的影响。为了解决这种权衡问题，所提出的基于通道感知扩散的去噪框架有效地增强了语义保真度，即使在严重退化的通道条件下，也能提高噪声恢复能力和卓越的重建质量。

集成传感与通信（ISAC）通过共享硬件平台和频谱资源，极大地缓解了频谱拥塞问题。然而，由于无线信道的广播特性，潜在的窃听目标可能会检测到发送给通信用户的机密信息。在本文中，我们重点关注数据安全的 ISAC 传输，其中传感目标被视为潜在的数据窃听者。我们采用主动 RIS 来促进数据安全。具体来说，我们使用主动 RIS 来操纵无线传播环境并放大信号以克服低灵敏度 ISAC 接收器接收到的微弱回波信号。通过联合设计传感和通信预编码矩阵以及有源RIS反射系数矩阵，我们在满足通信用户信号干扰加噪声比（SINR）和安全传输要求的前提下，在克拉梅尔-饶界（CRB）方面优化了传感性能。我们证明，精心设计的传感预编码矩阵还可以充当人工噪声（AN），通过增加设计自由度（DoF）来淹没窃听通道。提出了一种基于交替优化、半定松弛（SDR）和多数最小化（MM）的有效算法来解决复杂的非凸问题。仿真结果表明，在 ISAC 系统中采用主动 RIS 在传感性能方面优于传统被动 RIS，并且所提出的方案可以实现更好的传感与数据安全权衡。

B5G/6G 车载网络中的毫米波波束选择必须快速，但详尽的搜索成本高昂。这项工作使用神经架构搜索来比较统一 GPS-LiDAR 表示和 Raymobtime S008/S009 协议下的传感辅助模型系列。在采用的 GPS-LiDAR 表示和搜索空间下，紧凑的一维 CNN 提供了最强的观察到的独立精度与成本权衡。最好的模型在 S009 上达到了 61.16% 的 top-1 和 92.08% 的 top-10 准确率。多目标蒸馏学生保留了统计上可比的 top-1 准确率，同时将成本降低至 4070 万次失败。

为了提高低空无线网络（LAWN）在恶意干扰下的通信质量，本文研究了分布式可重构智能表面（RIS）和语义通信（SemCom）辅助的抗干扰系统。具体来说，分布式RIS可以重建与干扰信道正交的传输信道，从而建设性地提高接收信号功率并破坏性地消除干扰。同时，SemCom通过对传输信号的高效编码和压缩，有效增强信息鲁棒性和信道容量。在此基础上，本文通过联合设计收发器的波束形成向量和RIS的相移，提出了在不完善的干扰机信道状态信息（CSI）下最大化语义能量效率（Sem-EE）的优化问题。为了解决干扰机CSI不确定性和准凸分数形式目标的公式化问题，本文首先利用离散化方法将不完善的CSI转换为鲁棒CSI，然后提出语义多数化最小化（SMM）来寻找代理函数来替代棘手的目标函数。随后，我们设计了最小均方误差（MMSE）算法和循环坐标下降（CCD）算法，分别获得收发器波束形成和RIS相移的半封闭解。数值仿真结果表明，与现有基准相比，所提出的分布式 RIS 辅助语义波束形成方案具有优越性。

第六代（6G）时代，无线网络需要支持大量超低时延、高可靠性的应用。然而，传统的位级通信范例无法捕获多模态数据的内在含义，导致下游任务的通信和计算效率低下。为了解决这一限制，我们在低空无线网络（LAWN）中提出了一种语义驱动的任务卸载框架，其中多个无人机（UAV）向地面终端（GT）提供按需边缘计算服务。具体来说，我们采用矢量量化变分自动编码器（VQ-VAE）来实现跨模态数据的联合编码和调制（JCM）。然后，我们制定一个优化问题，同时确定无人机部署、任务卸载决策、发射功率分配和计算资源调度，目标是最大化 GT 的体验质量 (QoE)。为了解决这个问题，我们采用Karush-Kuhn-Tucker（KKT）条件来解决无人机部署子问题，并利用多智能体近端策略优化（MAPPO）方法来解决任务卸载和资源分配子问题。仿真结果表明，该方法显着提高了 QoE，比代表性基准提高了 5.87% 以上，同时任务延迟降低了 4.89% 以上，能源效率提高了 3.76% 以上。

在这封信中，我们研究了无线衰落信道上的中继辅助语义通信系统。采用两个解码转发（DF）中继将提取的语义信息从源传输到目的地。我们还采用了最大比合并（MRC）来对抗衰落的影响并增加系统的多样性。所提出的端到端协作通信架构基于深度联合源信道编码（D-JSCC）。从语义中断概率（SOP）、遍历语义率（ESR）、语义有效吞吐量和语义质量指数（SQI）方面分析系统的性能。使用蒙特卡罗模拟验证了结果。