2026-09-21论文雷达 TEST

可移动天线技术的出现实现了灵活的天线放置，使收发器天线能够更有效地利用空间自由度。在本文中，我们研究了单基地近场传感系统，旨在通过联合优化发射和接收天线的位置以及发射功率分配，最大限度地减少整个近场区域的最坏情况平方位置误差界限（SPEB）。为此，我们首先通过计算 Cram\'er-Rao 界（CRB）来推导 SPEB 的封闭式表达式，以估计目标的角度和距离。结果表明，导出的 SPEB 受发射天线位置的功率加权矩和接收天线位置的矩控制，从而促进了基于矩的优化算法的开发。 SPEB矩结构的函数分析证明了中心对称结构可以实现最优的天线分布，并表明最坏情况的目标位于瑞利边界上的阵列侧边。此外，通过利用基于矩的分析和 Richter-Tchakaloff 定理，我们得出了在孔径中心和两个边缘支持三个点的闭合形式天线分布。具体地，仅激活三个发射天线就可以准确地实现最佳发射天线分布，而最佳接收天线分布由三个簇组成。数值结果表明，所提出的封闭式设计明显优于传统的天线放置和功率分配基准方案。

有限孔径之间的近场传播可以支持多个空间信道，而远场传输实际上是单模并遵循弗里斯传输公式。这封信通过发射和接收孔径之间的相互阴影区域在这两种制度之间建立了直接联系。相互阴影决定了空间自由度的渐近数，并且在近轴状态下导致简单的波束形成距离，该距离为从多模到有效单模传播的过渡提供了特征尺度。通道奇异值和规则进一步表明，低于该距离，增加间隔主要会减少支持的空间通道的数量，而它们的平均归一化强度保持近似恒定。在过渡之后，剩余信道强度根据传统的自由空间二次幂定律减小，恢复弗里斯传输公式。圆形孔径的数值结果展示了过渡、孔径尺寸的缩放以及对发射器和接收器孔径的依赖性。互阴影公式还将描述扩展到近轴区域之外。

传统的带宽有限测距解决了\(c_0/(2B)\)规模的延迟，但大的分布式孔径可以通过近场载波相位分集支持更精细的定位。这封信描述了收缩天线系统定位可能性的相干主瓣宽度，并表明它受目标孔径所对的方向余弦的扩展控制。当孔径对向大立体角时，所得表达式恢复了经典的远场角度和菲涅尔范围缩放，并简化为波长尺度单元。在此特征的指导下，开发了分层最大似然搜索，结合了非相干粗定位、相干波瓣选择和局部细化。散射下的数值结果表明亚毫米定位高于阈值信噪比，在测试的整体中没有定位失败。

本文提出了一种可扩展的框架，用于超大天线阵列（ELAA）系统中的高精度近场多径信道参数估计，从而能够从单个噪声观测中联合恢复路径数、路径增益、角度和范围。关键思想是将近场多径信道解释为具有空间变化频率的空间线性调频分量的叠加，并通过分区的 ELAA 架构来利用这种结构。具体来说，我们建立了线性调频耦合子阵列远场（CSF）模型，其中每个近场路径局部表示为每个子阵列内具有恒定空间频率的远场正弦曲线，而这些局部空间频率通过底层空间线性调频引起的线性关系跨子阵列耦合，形成特定于路径的线性调频轨迹。基于该模型，我们提出了 CHirp 耦合角度范围估计（CHARM）算法，该算法执行无网格局部频率估计，然后进行跨子阵列轨迹恢复。为了减轻CSF模型潜在的建模失配，我们进一步提出了增强型CHARM（E-CHARM）算法，该算法通过最大似然来细化近场信道模型下的CHARM估计。所提出算法的计算复杂度与数组大小成线性比例。此外，仿真结果表明，所提出的算法实现了可靠的路径数检测、高精度的角度范围估计和准确的信道重建。

传统的集成传感和通信（ISAC）系统主要通过共享物理资源来集成通信和传感，而没有明确利用与任务相关的语义信息。为了超越这种物理层面的集成，我们提出了语义 ISAC (SemISAC)，这是一个统一语义通信 (SemCom) 和语义感知 (SemS) 的通用框架，以传达源含义并获取环境含义。具体来说，发送器将源语义和感测任务信息与可用的辅助信息相结合，以设计共享波形并分配无线电资源，而接收器侧通信和感测任务解码器分别恢复源含义并推断所需的环境信息。我们还提供了信息论解释来描述物理信息和任务相关信息之间的关系以及 SemISAC 中由此产生的语义权衡。在此框架的基础上，我们提出了一般的SemISAC设计问题，并提出了两种实现方法，即端到端（E2E）SemISAC优化和模块化SemISAC优化。作为具体实现，我们应用模块化 SemISAC 优化，在正交频分复用 (OFDM) 系统中联合设计可学习的时频 (TF) 预编码器，用于代表性的 SemCom 和 SemS 任务。仿真结果表明，所提出的实现减少了给定通信要求下的感知语义失真，并实现了比基线设计更有利的通信感知权衡。

可重构智能表面（RIS）的元件通常被建模为频率选择性时不变反射器或瞬时时变反射系数。然而，在实践中，时间调制超表面表现出频率选择性和周期性时间变化。我们开发了一种物理一致的线性周期性时变 (LPTV) 模型，该模型共同捕获这些影响并表征它们对宽带正交频分复用 (OFDM) 通信的影响。从通用 RIS 元件的规范等效电路中，我们推导出一个单谐振模型，其物理上有意义的参数决定了频率选择性反射系数和有效脉冲响应持续时间，即元件的有限存储器。然后，周期性切换的色散响应通过谐波传递函数来表示，从而形成闭合形式的每子载波 OFDM 输入输出关系。由此产生的耦合通常是非对角的：每个接收到的子载波通过 RIS 谐波收集来自多个发送子载波的贡献，每个子载波均由相应绝对输入频率下的元件响应进行加权。我们进一步推导了广义循环前缀 (CP) 条件，要求保护间隔适应传播通道延迟扩展和 RIS 存储器。在此条件下，码间干扰和离网频谱泄漏被抑制，同时确定性的并网谐波耦合仍然存在。为 5G NR 通道设计的 OpenRIS 单元的全波仿真验证了所提出的谐振模型，并揭示了尽管接近理想的二元相位切换，但仍存在明显的带内色散。对 3GPP 抽头延迟线 (TDL) 通道的仿真证实了广义 CP 条件，并显示了其与高质量因子 RIS 元件的相关性。

3GPP TR 38.901 Rel-19 引入了天线元件级球面波建模，而 NR Type-I 和增强型 Type-II (eType-II) CSI 码本继续使用平面波 DFT 波束。这种不匹配是否会严重降低标准化多径信道中的有限反馈多层预编码的性能仍不清楚。为了隔离其影响，我们在严格配对的远场 (FF) 和近场 (NF) 3GPP 信道上评估这两个码本，这些信道共享用户位置、多径参数、极化和链路预算，仅波前模型不同。仿真涵盖 7 GHz UMi 和 24 GHz InH 线性场景中的 Rank 1-4 传输。我们发现奇异模式增益或等功率 SVD (SVD-EP) 速率没有系统性 FF/NF 变化。相反，球面波相位将多径投影重新排序到平面波候选上，从而改变码字选择。对于归一化瑞利距离为 0.1 的 Rank-4 InH 线性用户，给定 FF 选择的 Type-I 和 eType-II 码字在 NF 通道上的中值直接失配损失分别为 2.28% 和 5.34%；码本重选可识别更匹配的码字，并将这些损失降低至 0.770% 和 3.28%。嵌套候选集比较进一步表明，放宽 I 类层间约束将 SVD-EP 归一化率提高了 20.7 个百分点，而有限范围采样仅增加了 0.579 个百分点。这些结果支持在大孔径 NR CSI 码本中优先考虑多层多波束表示，并提供补充细化的范围状态。

FDD 大规模 MIMO 中的经典 CSI 反馈传输信道的压缩重建，无论下游任务如何，都可以优化原始信号的保真度。我们提出了语义通信的观点：UE 不是重建信道，而是传输学习到的 emph{语义嵌入} 优化的端到端波束选择，以在 gNB 处进行波束选择。将面向重构的反馈 (CsiNet) 与跨两个输入域和三个观察场景的任务感知语义反馈进行比较，我们发现，仅从角度延迟域中的 43 个 NR CSI-RS 导频中嵌入 $d=8$ 实际值的语义嵌入即可实现最高的波束预测精度，优于所有可访问完整 512 个子载波信道的方法。关键的见解是，与波束相关的信息本质上是低维的：语义编码器学会丢弃与重构无关的结构，只保留与波束选择相关的紧凑表示，实现语义通信的核心原则：传输意图，而不是信号。

直接在智能手机、可穿戴设备和无人机等边缘设备上运行人工智能 (AI) 模型可以提供低延迟、普遍的可扩展性和数据隐私，但这些设备很少具备现代神经网络所需的计算能力。为此，边缘加速器应运而生，但每种加速器都在尺寸、重量、功耗和成本 (SWaP-C) 方面受到限制的设备中添加了计算硬件。另一种选择在于这些设备已经具备的功能：每个无线无线电中的混频器都会及时乘以信号，在频域中本地执行卷积。在这里，我们介绍射频卷积神经网络 (RF-CNN)，它将现有的通信硬件重新用于 CNN 推理。多通道卷积被映射到频率音调上，以便无源混频器在单通道中执行。我们通过实验证明，RF-CNN 运行多达 2640 万个参数和九层的深度 CNN，从无线信号和图像的分类到可控图像生成，接近全精度性能。由于权重通过空气到达，并且模拟硬件与通信共享，因此边缘设备仅将能量用于数据准备和读出，每次乘法累加消耗的能量低至 0.72 飞焦耳，比添加数字处理器的成本低两个数量级。这些结果表明，部署的无线基础设施可以为其已连接的数十亿台设备带来高效、最先进的人工智能推理。

在这项工作中，我们使用全数字无线协调相干分布式天线阵列（CDA）接收器进行一维傅里叶域成像的实验演示。这些节点由两个软件定义无线电 (SDR) 组成，它们使用独立的系统时钟运行，执行无线时间、频率和相位协调，无需全球导航卫星系统 (GNSS) 等共享参考。两个空间分离的噪声源传输独立的噪声波形，带宽为 25 MHz，载波频率为 915 MHz。两个源以 $-6.28{\deg}$ 和 $12.95{\deg}$ 的角度定位，并进行成像。在单独和组合源测量中，两个源都清晰地解析到其预期位置的 $3{\deg}$ 范围内，并使用全数字协调分布式天线阵列演示了傅里叶域图像重建原理。

多信号分类 (MUSIC) 等子空间方法通过利用阵列流形与测量的噪声子空间之间的正交性来实现超分辨率到达方向 (DoA) 估计。因此，它们的准确性取决于假设的流形，并且在模型不匹配的情况下会降低，而无法从空间流形中识别的参数则无法恢复。在这项工作中，我们提出了条件神经流形（CNM），它用从源参数到引导向量的观察条件映射来代替固定流形。编码器将快照映射到潜在场景表示，该表示在参数空间上调节零初始化神经场。通过塑造最终的音乐景观，无需转向矢量监督即可学习流形。由于校正作用于流形而不是估计器，因此它可以被其他基于流形的方法使用而无需修改。 CNM 恢复阵列缺陷、有色噪声、相关源和近场传播下的分辨率，并解决标称空间流形固有的角频模糊度。

将传感功能集成到 6G 无线网络中（称为集成传感和通信 (ISAC)）会通过窃听参考信号实现未经授权的用户定位，从而带来严重的隐私风险。现有的物理层防御策略（例如人工噪声或传统的人工多路径）受到严重限制，包括通信性能显着下降、依赖于关于对抗性信道状态信息（CSI）的不切实际的假设以及增加的系统开销。为了应对这些挑战，本文提出了一种新颖的透明人工多路径（TAM）框架。它采用恒定包络预编码和组合矩阵来透明地加密频域中的参考信号。这种设计确保合法基站可以执行信道估计和定位，而不会造成任何性能损失，而对手会收到故意扭曲的信道脉冲响应，从而妨碍准确的用户定位和跟踪。所提出的方法是节能的，不需要对抗性 CSI 的先验知识，并且产生的额外动态信令开销可以忽略不计。此外，我们提出了一种可扩展的多用户扩展，允许共享时频资源而不会产生干扰。理论分析和广泛的模拟都表明，TAM 成功地误导了对手，导致数百米的距离估计误差，同时完全保持了合法用户的通信和定位性能。虽然物理层安全解决方案在各种标准中的实际影响有限，但由于传感而使用物理层技术来保护隐私是必要的。我们证明所提出的解决方案可以无缝集成。纳入当前的 5G 和未来的 6G 标准。

本文提出了大规模多输入多输出正交频分复用（MIMO-OFDM）系统中基于环境感知扩散的信道估计。大规模 MIMO 信道的高维性与有限的导频资源相结合，使得精确估计变得具有挑战性。为了解决这个问题，我们通过训练扩散模型来利用无线信道的空间变异性来学习信道状态信息的位置条件分布，这为信道估计提供了环境感知的先验。基于此先验知识，开发了后验推理算法，将导频观测合并到反向扩散过程中，通过将接收信号似然性与已学习的信道先验相结合来实现贝叶斯信道估计。通过联合利用位置信息和测量数据，所提出的方法在有限的导频资源下提高了估计精度。基于光线追踪通道数据集的仿真结果表明，所提出的方法在各种信噪比和导频配置上始终优于传统的估计器和现有的基于学习的方法。

为近场和远场区域的用户提供服务的超大多输入多输出 (XL-MIMO) 系统体验球形波前传播，与传统远场系统相比，可提供增强的空间分辨率。在这项工作中，我们提出了一种新颖的基于加权速率（WR）排序的连续干扰消除（SIC）方案，该方案利用近场传播固有的空间自由度。我们还开发了一个迭代检测和解码 (IDD) 框架，它将所提出的 WR 排序与低密度奇偶校验 (LDPC) 编码和信道估计集成在一起。然后我们分析信息速率和近场信道特性的影响。数值结果表明，所提出的 WR-SIC 和 IDD 方案优于现有方法。

无线通信和传感的信号处理技术在近场和远场传播机制之间有着根本的区别。因此，准确识别适用的传播区域对于在超大规模 MIMO (UM-MIMO) 系统中实现高效波束成形和信道估计至关重要。本文提出了一种完全无监督的学习框架，在估计通信距离之前仅基于接收信号测量来区分近场和远场传播，而不依赖于信道状态信息。所提出的方法利用 UM 阵列子阵列之间的空间信号功率变化作为物理启发的特征提取阶段，然后采用 OPTICS 聚类算法来推断通信区域。各种系统配置和信噪比（SNR）水平下的仿真结果表明，该方法可以准确识别近场和远场区域，与理论边界一致。

在集成传感和通信（ISAC）中，两种功能共享相同的频谱和硬件资源。大多数 ISAC 设计假设完美的目标角度信息，忽略角度估计误差，这会引入转向矢量失配，降低传感精度，并可能使确定性传感保证失效。本文研究了不完美目标角度估计下的单基地大规模多输入多输出 (MIMO) ISAC 系统。我们推导了在存在角度不确定性的情况下目标方位角和仰角估计的 Cram\'er-Rao 下界 (CRLB) 的封闭式表达式。我们描述了高斯模型、广义均匀模型和冯·米塞斯角度误差模型下 CRLB 的累积分布函数和中断概率。我们的分析表明，在小误差情况下，由于发射转向矢量不匹配，CRLB 随角度误差呈二次方增加。为了确保可靠的传感，我们提出了一个强大的功率分配框架，联合优化导频训练和通信/传感传输功率，以最大化通信总速率，同时满足 CRLB 中断约束。使用基于逐次凸逼近的交替优化算法来解决所得的非凸问题。数值结果验证了所开发的分析，并表明与传统的非鲁棒方案相比，所提出的鲁棒设计可将方位角和仰角 CRLB 中断概率降低高达 60\%$。在严格的 CRLB 阈值下，它的总速率比非鲁棒设计高出 45\%$。

低空综合传感和通信（ISAC）的环境重建主要集中在以几何为中心的地图上，忽略了与材料相关的传播效应。因此，材料标记重建是实现传播感知映射的关键一步，从而实现更加物理接地的信道预测和无人驾驶飞行器（UAV）网络。然而，在室外多建筑场景中，通过无线多路径观测构建此类地图具有挑战性，因为来自不同立面的多路径分量 (MPC) 是混合的，路径到立面的属性不确定，并且无人机测量在时变观测几何条件下按顺序到达。为了应对这些挑战，我们提出了一个统一的在线概率框架，将每个反射立面表示为虚拟锚点（VA），并结合贝叶斯 VA 定位、多路径归因和材料推理。贝叶斯前端估计立面级几何形状，并使用镜面漫反射似然模型计算软 MPC-to-VA 归因概率，从而考虑到主要镜面路径和漫反射表面相互作用的分量。这些归因概率用于构建归因感知 MPC 表示，这些表示以 VA 为中心的方式聚合，并通过材料推理网络映射到立面级材料证据。由此产生的证据通过在线贝叶斯更新递归地融合，以生成稳定的材料后验和材料标记的环境图。在代表性城市街道场景中的光线追踪模拟表明，所提出的方法大大优于无归因基线，在保持的无人机轨迹上实现了 93.75% 的最终立面级材质精度，并保持了准确的基于 VA 的立面定位。

集成传感和通信（ISAC）是第六代（6G）网络的基石，但传统的固定天线系统缺乏空间适应性来应对动态用户和目标。新兴的收缩天线 (PA) 通过沿波导动态重新配置辐射点，引入大规模空间自由度，提供了灵活、低成本的解决方案。本文为支持 PA 的 ISAC 开发了一个统一的架构视角。我们首先讨论 PA 相对于现有灵活解决方案的独特优势，然后提出一种支持 PA 的 ISAC 框架，该框架可容纳上行链路和下行链路通信，同时与无源和有源传感目标兼容。在此框架内，我们确定了代表性的应用场景，讨论了主要的设计挑战，并强调了关键的支持技术。数值案例研究展示了 PA 可重构性如何影响通信传感速率权衡。我们还概述了未解决的问题，以指导未来 6G 网络的进一步 PA-ISAC 研究。

下行链路信道状态信息 (CSI) 反馈是频分双工 (FDD) 大规模 MIMO 系统的关键瓶颈，因为用户设备 (UE) 必须通过有限的上行链路 (UL) 预算将其估计信道传送到基站 (BS)。为了提高严格反馈约束下的 CSI 重建精度，我们提出了先验辅助掩蔽矢量量化（PM-VQ），这是一种基于学习的单独源信道编码（SSCC）反馈方案，以平均角度延迟功率图为条件，这是 UE 和 BS 均可用的信道二阶统计的紧凑表示。在 PM-VQ 中，先验辅助编码器将 CSI 映射到潜在标记，空间自适应掩蔽模块 (SAMM) 进行评分并选择反馈预算内信息最丰富的标记。所选标记经过矢量量化并与其位置一起反馈，而自适应去掩蔽模块 (ADM) 在先验条件解码之前完成 BS 处的潜在表示。为了支持可变速率压缩，单个模型在一系列选定的令牌计数上进行训练，从而无需重新训练即可跨多个反馈维度进行操作。我们根据 Sionna 生成的 3GPP TR~38.901 UMa 数据集上的三个代表性基线来评估 PM-VQ，重点关注最具挑战性的扩散区域，其中通道能量分布在多个角度延迟系数上。仿真结果表明，PM-VQ 在该方案中的所有测试 SNR 水平和反馈维度上实现了最低的 NMSE。此外，即使仅根据少数信道实现进行估计，角度延迟功率图先验仍然是有益的。

协作多单基地传感通过在中央单元（CU）融合基站（BS）观测，在集成传感和通信（ISAC）网络中实现亚米级无源定位。然而，现有研究将融合数据视为在 CU 上理想可用，忽略了每个 BS 3GPP 功能分割如何共同约束前传比特率、计算负载以及相干或非相干融合在 CU 是否可行。我们提出了\textit{用于多单基地感知的分割感知联合资源分配}~（SARAMS）算法，该算法通过在前传、计算和功率约束下联合优化每个基站的功率、带宽和观察时间来最小化最坏情况的多目标平方位置误差界限~（SPEB）。分裂相关系数将可行的融合类型嵌入费希尔信息矩阵（FIM）中，将 SPEB 最小化转换为混合整数非线性程序（MINLP），通过半定程序在优势剪枝配置集上进行功率分配和块坐标下降（BCD）来求解。仿真结果表明，SARAMS 在同等功率分配的情况下将 90% 最坏情况 SPEB 降低了 $65.7\%$，同时相对于穷举搜索实现了 $8.7\%$ 最优性差距。

三混合多输入多输出（MIMO）架构已被提出作为一种有前途的解决方案，通过用低成本动态超表面天线（DMA）取代混合波束成形（HBF）系统中的传统天线阵列，在大规模天线阵列中实现节能通信系统。在这项工作中，我们研究了基于tri-HBF架构的集成传感和通信（ISAC）系统的波束成形设计，其目标是共同提高通信和速率和传感和互信息。具体来说，我们制定了一个加权多目标优化问题，该问题在总发射功耗约束和 tri-HBF 架构固有的物理限制的前提下，平衡通信吞吐量和感知互信息。通过利用问题结构，我们开发了一种具有封闭形式更新的高效迭代算法，以解决低复杂度的非凸优化问题。提供数值结果来评估所提出的 tri-HBF 架构在各种设置中的性能。结果表明，与传统的混合 MIMO 和仅 DMA 配置相比，所提出的 tri-HBF 架构可以显着提高能源效率 (EE)，但代价是总速率和感知互信息略有下降。

电磁衍射神经网络 (DNN) 可实现超低功耗、低延迟的人工智能 (AI) 推理，但光学实现受到制造和可扩展性限制，而且超表面微波系统仍然体积庞大。我们提出了一种采用 GaAs 半导体工艺制造的芯片级微波衍射神经网络 (MDNN)，集成了级联耦合器和移相器，以在毫米级封装内实现衍射网络。 MDNN芯片将传统MDNN的尺寸减小了四个数量级以上，实现了2.05 ns的计算延迟，并提供了0.83 TOPS/W的系统级能效。我们通过三个功能原型展示了其多功能性：MNIST 手写数字识别、多用户干扰抑制和无人机实时障碍物感知。这些实验达到了86%以上的准确率，验证了MDNN芯片直接执行数字图像处理和微波域原位电磁信息处理的能力。我们希望这种芯片架构为电磁 DNN 的高度集成设计开辟一条新途径。

低空网络（LAN）的出现需要高速率通信和高精度定位，以克服无人机（UAV）移动性造成的信道动态。为了满足这些要求，本文提出了一种新颖的稀疏感知学习框架，用于联合信道估计和位置感知。所提出的框架将信道状态信息（CSI）获取和感知增强视为通过延迟多普勒估计解决的统一问题。具体来说，我们设计了一种稀疏感知编码器，可以识别和提取主要散射分量，以利用所考虑的航空毫米波信道的固有稀疏结构。为了提高估计精度，我们引入了一种基于混合学习的估计器，它将专门的嵌入模块与预先训练的大型人工智能模型（LAM）集成在一起。与传统的深度学习方法相比，这种架构提高了准确性，同时显着减少了训练开销。通过数值结果，我们证明我们的框架可以准确估计延迟和多普勒参数，在鲁棒性和计算复杂性方面优于传统启发式方法和最先进的基于学习的算法。这项工作为支持未来空中无线系统中的同步高速通信和传感提供了宝贵的见解。

DoA 估计通常不仅需要准确恢复源方向，还需要可靠地表征这些估计中的不确定性。虽然 ESPRIT 等经典子空间方法提供原则性的不确定性分析，但其性能和不确定性量化依赖于限制性假设。最近的深度学习方法缓解了这些限制并实现了鲁棒性。在具有挑战性的条件下进行 DoA 估计，但通常提供点估计并且缺乏原则上的不确定性特征。在这项工作中，我们开发了一个用于联合 DoA 估计和不确定性量化的人工智能辅助框架，它将基于模型的深度学习的鲁棒性与经典子空间方法的分析基础结合起来。在 AI 代理协方差恢复的基础上，我们扩展了现有的 ESPRIT 不确定性分析，以表征 DoA 估计误差的完整协方差结构，并将这种表征集成到面向子空间的深度学习架构中。我们进一步提出了一种专门的学习策略，共同促进准确的 DoA 恢复和忠实的不确定性估计。由此产生的方法保留了经典子空间方法的可解释处理流程，同时能够在传统方法难以实现的情况下实现可靠​​操作。我们的数值研究表明，所提出的框架始终能够实现准确的 DoA 估计以及跨各种具有挑战性的场景（包括相干源、有限快照和阵列校准误差）的可靠不确定性表征。

实用的正交频分复用 (OFDM) 通信帧包含确定性导频和随机数据有效负载，当整个帧重新用于集成传感和通信 (ISAC) 时，可以对这两个组件进行联合模糊函数 (AF) 分析。本文描述了不同多普勒模式的两种离散 AF 公式，即离散周期 AF (DP-AF) 和快慢时 AF (FST-AF)，并推导了其期望平方值的封闭式表达式。对于FST-AF，预期旁瓣电平（ESL）在延迟多普勒平面上是均匀的，并且仅取决于导频计数、星座峰度和时频资源总数，而不取决于导频符号或模式。对于 DP-AF，我们建立了可达到的 ESL 下限和上限，并表明没有导频设计可以同时最小化所有旁瓣。我们进一步证明，在非零多普勒下达到下限需要周期性导频模式，而等间隔的线性调频导频，包括 Zadoff-Chu (ZC) 序列，可以最大化同时达到下限和上限的旁瓣数量。然后检查通信帧中广泛遇到的两种代表性 ZC 导频模式：连续放置产生由平方狄利克雷核描述的延迟多普勒脊，而等间隔放置产生周期性峰陷结构。两种常规模式都表现出明显的高旁瓣，这表明应该重新设计面向通信的导频模式，以在 ISAC 的背景下进行延迟多普勒估计。数值结果验证了分析结果，表明不规则导频放置可以抑制高旁瓣并提高目标估计性能。

在低空经济（LAE）中，高机动性无人机（UAV）和地面基站之间快速准确的波束预测对于无缝覆盖和可靠通信至关重要。然而，现有的基于深度学习的波束预测方法缺乏对动态环境的高级语义理解，导致泛化能力较差。新兴的基于大语言模型（LLM）的方法显示出泛化的希望，但缺乏丰富的环境感知和用于精确光束对准的细粒度空间语义。为了解决这些限制，我们提出了 BeamVLM，这是一种端到端的生成框架，它使用现有的视觉语言模型（VLM）将波束预测作为视觉问答任务。通过将原始视觉块直接投影到语言域并明智地设计指导提示，所提出的 BeamVLM 使 VLM 能够对无人机轨迹和环境背景进行联合推理。最后，真实数据集上的实验结果表明，所提出的 BeamVLM 在预测精度方面优于最先进的方法，并且对于车辆到基础设施 (V2I) 波束预测等其他场景也表现出卓越的泛化能力。

我们研究了多播 MIMO 下行链路的通用速率和功率约束下的 Cramér–Rao 界 (CRB) 最小化。在协方差匹配非参数扩展目标模型下，迹 CRB 等于 $c\,{\mathrm{tr}}(\mathbf{Sh}^{-1})$，由最小二乘估计器获得，因此它也是无偏估计器可获得的总 MSE。我们开发了一种两块共识交替方向乘法器 (ADMM) 求解器，称为 ADMM-LDP，它分解接收到的协方差，并将精确的频谱对数检测投影与迹逆/幂近端步骤相结合。每次迭代都简化为特征分解和标量求根。数值结果显示与内点参考、竞争运行时间和高达 $N_{t}=64$ 的可处理性非常一致。

分割联邦学习 (SFL) 通过将繁重的计算卸载到服务器，为资源受限的物联网 (IoT) 系统提供计算高效且保护隐私的解决方案。然而，SFL 需要在每批中传输高维中间特征，从而导致严重的通信瓶颈和无线信道噪声的脆弱性。然而，现有方法没有在 SFL 训练期间联合考虑无线信道状态和这些中间特征的语义。因此，这封信提出了一种新颖的通道感知语义 SFL（CA-SSFL）框架。客户端模型采用双掩码架构，其中分布式变分信息瓶颈（VIB）通过优先考虑特征维度来生成语义掩码，而信噪比（SNR）驱动的模块则生成反映传输预算的动态通道掩码。语义掩码和通道掩码的逐元素乘积实现了动态切片机制，可以抑制当前通道条件下不相关或不可靠的特征。在非 IID 设置下对 CIFAR-10 和 CIFAR-100 数据集进行的大量实验表明，所提出的 CA-SSFL 极大地降低了通信成本，同时在严重噪声条件下实现了有利的精度与通信权衡。

精确的信道建模和对具有密集集成元件的主动可重构智能表面（RIS）辅助链路的估计对于充分释放该技术的潜力至关重要。这项工作在 RIS 辅助通信中采用了物理一致的模型，该模型结合了互耦 (MC) 效应，通过散射参数进行建模。我们将 MC 感知信道估计表述为压缩感知 (CS) 问题。 MC效应导致传感矩阵尺寸增加。这种增加的维度大大提高了公式化 CS 问题的复杂性。为了克服这个问题，我们提出了一种低复杂度估计器，它利用散射矩阵的结构和 MC 机制来获得尺寸减小的设计传感矩阵。数值结果表明，我们的方法比不考虑 MC 的估计器性能好几个 dB，其精度与完全考虑 MC 的解决方案相当，但复杂性却显着降低。

新兴的 6G 工业物联网架构需要无线网络控制系统能够在严格受限的无线电资源上稳定各种控制环路。传统的周期性和基于信息时代 (AoI) 的调度以持久信道饱和为代价保证了有限的陈旧性。相反，纯事件触发 (PureET) 策略可最大限度地减少传输，但当本地传感器侧阈值无法反映关键状态演化时，可能会出现灾难性的无声恶化。为了弥补这一差距，我们提出了一种由 6G 语义层管理的通信控制协同设计框架，该框架独立仲裁上行链路和下行链路资源。我们的架构不依赖新鲜度，而是使用状态错误比（SER）来评估数据包的实际控制影响。我们将这种控制置信度与信噪比 (SNR) 方面的通道可靠性统一起来，以协调基于阈值的传感器推送和状态感知控制器拉动机制。为了确保动态异构工厂之间的公平资源分配，所提出的框架根据当地工厂动态明确调整驱动死区。对瑞利衰落信道的仿真表明，这种方法从根本上改变了传输速率和控制质量之间的帕累托边界。所提出的方案以减少的通信开销实现了与周期性调度器相当的跟踪精度，同时减轻了 PureET 的估计误差特性。

本文研究了使用循环前缀正交频分复用（CP-OFDM）作为共享波形的极低地球轨道（VLEO）集成传感和通信合成孔径雷达（ISAC-SAR）中的成像与通信权衡。我们开发了一个统一的分析框架，该框架共同考虑了随机通信有效负载、整个扫描带范围相关的 CP 缺陷以及合成孔径上的慢时变平台多普勒。由此产生的信号模型通过公共子载波耦合系数将相干保留分量与载波间干扰 (ICI) 和符号间干扰 (ISI) 分开。通过接收滤波、范围压缩和方位聚焦来传播这些效应，我们得出匹配滤波器和互易滤波器接收器的图像域统计数据。基于导出的统计数据，制定了有效的噪声等效西格玛零 (ENESZ)，以在公共反向散射等效尺度上表征数据相关旁瓣、ICI/ISI 和噪声增强。分析表明，CP 持续时间充当系统级设计参数，带来可扩展的权衡。增加 CP 可改善相干保留并抑制距离相关的干扰，但同时会降低相干处理增益和通信有效负载吞吐量。因此，足够的CP持续时间通常与成像最佳CP持续时间不一致。对代表性 VLEO 场景的端到端仿真验证了派生的图像域统计数据，并展示了 ENESZ 和通信吞吐量之间作为 CP 持续时间的函数的权衡。

紧密集成的低地球轨道 (LEO) 卫星通信和地面集成传感与通信 (ISAC) 预计将成为 6G 时代的关键新颖方面。然而，卫星和地面蜂窝网络之间的频谱共享可能会造成严重干扰。本文介绍了卫星和地面网络集成共存的合作框架，其中地面网络也部署了多基地ISAC。与假设获取理想信道状态信息（CSI）的先前工作不同，本文为卫星 CSI 的可预测性提供了实用基础，并开发了一种利用这种可预测性的协作设计框架。此外，提出了利用加权最小均方误差算法进行地面波束成形和卫星功率分配的协同设计，并提出了一种针对多基地ISAC设计的目标雷达关联方法。仿真结果表明，所提出的方法显着提高了这些集成网络的性能。此外，还证实随着点波束和雷达接收器数量的增加，整体性能接近无干扰基准，证明了两个网络之间频谱共存的可行性。

定位无线电发射机的机器人需要的不仅仅是点估计：在杂乱的房间中，一次测量通常与多个发射机位置一致，并且由于中上频带天线是定向的，因此可以与多个航向一致。我们提出了 MAGNETAR，它在给定房间布局和接收器姿态的情况下，从单个异步射频 (RF) 多路径快照推断平面发射器位置和航向的联合后验，由到达角和信噪比估计表示。在我们的五个神经评分器中，MAGNETAR 采用以每个候选标题为条件的共享 2D U-Net，在离散位置标题网格上联合标准化分数。训练使用真实到模拟校准的 10 GHz 模拟和一个小的测量子集。基于网格的关节后验在保留模拟中优于参数后验，航向条件记分器可以最好地转移到机器人测量，并且融合关节后验改进了仅融合位置边缘。

根据接收到的信号定位射频 (RF) 发射器通常需要环境模型来预测障碍物如何阻挡和反射信号。然而，在许多机器人应用中，只有部分地图可用，特别是当机器人在使用同步定位和建图 (SLAM) 进行探索时定位源时。我们在这种部分探索的地图上研究单快照发射机定位，并比较两种输出发射机位置后验的方法。第一种方法通过将未探索的空间视为自由空间并在混合地图覆盖范围上进行训练，将数字孪生方法扩展到部分地图，该方法将光线追踪每个候选位置。第二个是 MAPLE-RF，将估计的到达路径角和信噪比编码为与地图已知性、占用率和视线可见性对齐的网格通道，并且 U-Net 一次性对所有候选位置进行评分，而无需在推理时模拟传播。室内环境的光线追踪模拟表明，混合地图覆盖的训练对于这两种方法都是至关重要的。数字孪生方法在大多数单快照指标上更加准确，而 MAPLE-RF 的查询成本接近于不依赖于传播模型的查询成本，并且比具有通用光线追踪的全新全网格查询低两个数量级以上。两者都优于高斯和高斯混合基线，并且在由其自己的估计引导的探索路线上，融合 MAPLE-RF 后验比比较方法在源附近放置了更多概率。代码和数据将被发布。

本文提出了一种多模态学习框架，集成了相机图像、LiDAR点云和射频（RF）导频，以在混合视距（LoS）和非视距（NLoS）环境中实现多用户多输入单输出（MU-MISO）波束成形优化。在视距主导的环境中，可以利用与用户位置相关的感测信息来设计波束成形。然而，由于阻塞，无法保证现实动态环境中所有用户都存在视距路径。为了表征 NLoS 传播，需要周围障碍物的详细三维 (3D) 信息。本文将相机图像和 LiDAR 点与 RF 导频集成，以捕获用户和周围物体的详细 3D 几何、物体类别和材质信息。获得的多模态信息为直接视距路径和反射非视距传播提供了有用的线索，并为波束成形设计提供了丰富的信道相关信息。具体来说，首先使用边界框检测神经网络从相机图像中提取二维空间、对象类和材料信息。然后，图像导出的信息指导 LiDAR 点的选择，以获得用户和周围障碍物的 3D 几何信息，并为所选点分配对象类和材料标签。图像引导激光雷达功能与射频导频一起由设计的神经架构联合处理，以优化波束成形矢量。仿真结果表明，所提出的方法实现了比基准更高的最小速率。

信道状态信息（CSI）预测已成为缓解无线通信系统中信道老化的一种有前途的方法。最近，生成模型已被用来开发 CSI 预测框架，该框架能够对未来信道实现的不确定性进行建模。然而，这些模型的高计算复杂性和推理延迟仍然是其实际部署的主要障碍。为了应对这些挑战，本文重点研究了一类单步生成模型，即 MeanFlow 模型，其中推理仅需要单个神经功能评估（NFE），从而显着降低了计算成本和延迟。为了减轻直接从噪声生成 CSI 的难度，我们引入了通道通知先验，它根据未来通道的信息估计而不是纯高斯噪声来初始化生成过程。结合这种通道通知先验可以大大提高点预测精度和不确定性校准。此外，我们将所提出的基于 MeanFlow 的 CSI 预测框架与最近的基于扩散的方法进行了比较。结果表明，MeanFlow 实现了可比较的点预测精度，同时仅使用单个 NFE 即可生成校准更好的 CSI 预测。

收缩天线系统（PAS）作为一种突破性的范例，通过灵活调整收缩天线（PA）的位置并建立强大的视距（LoS）链路来增强无线通信，从而减少自由空间路径损耗。本文介绍了无线供电PAS的概念，并研究了无线供电PAS的可靠性，以探索PA在提高无线供电通信（WPC）系统性能方面的优势。此外，我们分别推导了实际有损波导情况和理想无损波导情况下的中断概率和遍历率的封闭式表达式，并分析了波导和用户的最佳部署，为指导其部署提供了有价值的见解。结果表明，吸收系数和用户区域尺寸的增加分别会导致更高的波导内和自由空间传播损耗，进而增加断电概率并降低无线供电 PAS 的遍历率。然而，无线供电PAS的性能受到吸收系数和波导长度的严重影响，例如在高吸收系数和长波导的情况下，无线供电PAS的断电概率甚至比传统WPC系统还要差。而无线供电PAS在高吸收系数和长波导条件下的遍历速率优于传统WPC系统。有趣的是，无线供电的 PAS 具有最佳时间分配因子以及电站 (PS) 和接入点 (AP) 之间的最佳距离，以最小化中断概率或最大化遍历率。此外，PS和AP以最佳距离分开的系统性能优于PS和AP集成到混合接入点的系统性能。

本文研究了用于带宽受限的 6 GHz 以下 D-MIMO ISAC 的仅相位相干多普勒传感。我们考虑具有一个发射机和多个同步单天线接收机的多基地系统，并开发非相干和相干最大似然估计器及其位置误差界限。分析表明，非相干传感仅依赖于多普勒，无法定位静态目标，而相位相干处理则利用载波相位来提供额外的位置信息。仿真证实了界限，并表明相干处理显着提高了所考虑的窄带设置中的定位精度。

本文提出了一种支持可移动波导（MW）的收缩天线系统（PASS），其中每个波导通过柔性电缆连接，并且可以通过驱动器线性移动。通过同时移动 MW 和其上的收缩天线 (PA)，支持 MW 的 PASS 可以有效跟踪用户位置并形成灵活的阵列几何形状，以实现高效的波束成形。我们首先检查单个用户的特殊情况，并得出最佳 MW 位置的封闭式解决方案以及用户速率的上限。此外，我们开发了一种两步优化算法，以最大限度地提高用户的可实现率，其中第一步使用导出的封闭式解决方案确定最佳MW位置，第二步通过基于用户位置的一维（1D）局部搜索交替优化PA位置。然后，对于一般的多用户场景，我们推导所有用户之间的最小速率的上限。为了最大化它们的最小速率，我们提出了一种低复杂度的两尺度优化算法，其中大规模全局搜索粗略地确定MW和PA位置，然后通过小规模局部搜索来微调它们。此外，还研究了基于统计信道信息的两时间尺度优化方案，以减少MW的机械运动开销。仿真结果表明，所提出的方案的性能接近推导的范围。与采用密集或稀疏固定位置波导（FPW）以及固定位置天线（FPA）方案的传统PASS相比，它还可以灵活地适应不同的用户分布。

基于常规资源 OFDM 的集成传感与通信 (ISAC) 系统中的高精度参数估计受到多径相干性的严重阻碍，从而导致秩不足并抵消传统方法的影响。为了克服这个问题，我们提出了一种基于张量的稳健目标估计算法（TRACE）。首先，双域空间频率平滑和共轭反转机制打破相干回波的相位绑定以恢复有效信号等级。这使得定制的特征值方差度量能够在低信噪比和功率失配的情况下稳健地检测目标计数。为了避免详尽的网格搜索，非迭代预估计阶段利用平移不变性和多项式求根来进行高保真张量初始化。然后通过加速交替最小二乘法 (ALS) 方法对这些因素进行细化，该方法利用 Khatri-Rao 特性进行降维，并通过与 1 阶 Hankel 流形投影集成的内部梯度下降循环不断实施物理 Vandermonde 约束。使用总体最小二乘法 (TLS) 和稳健多项式求根的组合来提取最终参数。大量的仿真验证了TRACE可以有效地解耦相干目标，实现超分辨率精度和计算效率之间的最佳平衡。

通信驱动的多视图传感依赖于常规通信传输来进行传感采集，而分布式设备上产生的传感数据必须在有限的通信资源下上传到边缘服务器。这在传感采集和边缘推理之间形成了独特的耦合：通信间隔决定了源信息，而上行链路条件决定了可以将多少信息传送到服务器以进行传感推理。为了解释这种耦合，我们提出了一种源熵引导的自适应传输框架。具体来说，我们使用多输出高斯过程将数据包触发的信道状态信息（CSI）的熵描述为通信间隔的函数。将得到的分析范围与由传输速率和延迟要求确定的可用比特预算进行比较，以在原始数据和面向任务的传输之间进行选择。对于面向任务的传输，我们根据信息瓶颈制定了通信约束推理问题，并将其分解为自适应分布式编码和多视图推理（ADE-MI），从而避免了设备和边缘服务器之间的交替优化。在 Widar3.0 多视图 CSI 手势识别数据集上的实验表明，分析界限紧密遵循归一化流数值估计，而 ADE-MI 在相同比特预算下优于面向任务的基准，并且所提出的框架进一步提高了时变通道下的识别精度。

集成传感和通信 (ISAC) 系统通常使用人体多普勒来检测和定位无人机 (UAV)。悬停或缓慢移动的目标会产生接近零的多普勒体回波，与静态杂波重叠。旋转叶片产生快速随时间变化的周期性微多普勒特征。协议驱动的传感分配引入了周期性采样间隙，破坏了这种固有的周期性结构并叠加了额外的帧引起的周期性。此外，精确的多叶片微运动模型耦合了离散和连续参数，给标准广义似然比检验（GLRT）带来了很高的计算负担。我们提出了一种稀疏掩模谐波联合-GLRT，用于周期性稀疏传感下的检测和范围定位。两个依赖于奇偶校验的代理分支消除了叶片计数维度，并且它们的谐波表示将谐波间隔与候选生成的有效长度分开。掩模感知 Toeplitz 公式结合了确定性观察模式，而多范围单元阈值提供恒定的误报率 (CFAR) 控制。在刀片信噪比为-12 dB时，检测概率为PD = 0.969，而详尽的未知K GLRT的检测概率为0.974，并且每个单元的在线运行时间从70.416 ms减少到4.859 ms。对于移动目标，体多普勒分支提供距离和速度估计以进行延迟和平移多普勒补偿，之后旋翼统计数据提供无人机类别决策。对于悬停目标，转子扫描联合检测、分类和定位目标。低于 6 GHz 的实验在杂乱和多目标场景中演示了这些功能，包括区分无人机与鸟类和其他移动目标。测量背景和受控噪声试验还验证了误报控制和竞争性检测性能。

高分辨率无线传感与高速通信一起已成为未来 6G 网络不可或缺的组成部分。太赫兹 (THz) 频段通过其极大的带宽实现这两种功能，提供亚厘米级的传感精度和数千兆位数据速率。然而，太赫兹传播会遭受严重的通道损伤，例如分子吸收（MoA）和由此产生的时间展宽效应（TBE）。对于感测，TBE 会导致接收到的回波在时间上扩展，从而导致距离分辨率下降，并且需要在连续感测脉冲之间设置较长的保护间隔以避免重叠。这些防护虽然对于远感接收器 ($\text{Rx}_{\text{sens}}$) 是必需的，但会导致延迟和时间使用效率低下。为了克服这一限制，本文提出了一种 TBE 感知复用框架，该框架利用 TBE 的距离相关特性来实现传感和通信 (S&C) 脉冲的无干扰共存。为远处 $\text{Rx}_{\text{sens}}$ 处最坏情况 TBE 预先分配的保护间隔会机会性地重用，为附近经历最小展宽的用户嵌入低功率单载波通信脉冲。有限的 TBE 将 S&C 脉冲限制在短距离的指定时隙内，而远处 $\text{Rx}_{\text{sens}}$ 处的展宽和衰减的通信脉冲可以忽略不计，从而无需连续干扰消除 (SIC)。仿真结果表明，与功率域非正交多址（PD-NOMA）和固定保护替代方案相比，该方案实现了优异的误码率、传感精度和延迟性能，在大流量下延迟降低高达 66.5%。

我们证明，在与穷举最大似然检测相同的一阶 SNR 阈值下，平方高斯二进制 MIMO 模型中的精确块恢复可以在多项式时间内实现。具体来说，对于 $y=\sqrt{\rho/N}Hx^\star+w, \; x^\star\in\{\pm1\}^N,$ 和独立标准高斯 $H\in\mathbb R^{N\times N}$ 和 $w$，舍入线性 MMSE，然后是最陡单位下降，使用 $O(N^3)$ 单位成本精确实数算术运算，在每个传输的字和每个 $\rho\ge2\log N$ 上均匀地恢复 $x^\star$，失败概率趋于零。该模型是高斯随机线性估计的特例，其中 AMP 状态演化和副本/MMSE 公式严格表征固定参数归一化性能。这些结果预测相同的 $2\log N$ 尺度，但它们本身并不能在此处考虑的依赖于维度的机制中产生全坐标保证。据我们所知，之前的工作没有在该设置的 ML 边界上提供多项式时间精确的块恢复；对于框松弛，最接近的先验平方系统定理具有一阶阈值 $4\log N$。该证明将舍入的 LMMSE 估计置于与事实的亚线性汉明距离处，然后在本地搜索可以访问的每个错误集上统一建立，某些错误位提供了量化的成本降低，而客观障碍限制了搜索路径。相反，如果 $0<\rho\le2\log N-\log\log N-s_N$ 与 $s_N\to\infty$ 和 $s_N=o(\log N)$，则一位邻居击败传输的单词的概率趋向于 1，因此即使 ML 检测也会失败。因此，统计和多项式时间精确恢复阈值与所述算术模型中的一阶一致。

卫星通信是第六代 (6G) 移动网络的重要组成部分，为全球服务提供无处不在的连接。然而，卫星上行链路仍然是地面设备的关键瓶颈：其有限的发射功率和天线孔径导致低数据速率和高数据包错误。为了克服这一瓶颈，本文提出了一种称为生成转发（GF）通信的新型中继范式，其中卫星利用在轨生成人工智能（AI）在转发之前稳健地重建损坏的数据。具体来说，我们提出了 SpaceDiffusion，一种用于卫星辅助图像传输的轨道上扩散框架。该框架的核心是使用以下方法开发的通道失真感知扩散理论。通过将压缩和丢失的图像标记的恢复公式化为反问题，该理论将通道失真校正项直接纳入传统的去噪扩散隐式模型（DDIM）更新中。因此，该设计使单个预训练扩散模型能够动态适应不同的数据包丢失模式和压缩失真，而无需重新训练。此外，我们分析地描述了渐进式令牌重建误差，并得出了一个扩散步骤激活阈值，该阈值可以预测 SpaceDiffusion 何时有望优于传统的解码转发（DF）中继。基于这些理论见解，我们进一步制定了能源意识提前退出政策，以在轨道上有效部署 SpaceDiffusion。实验结果表明，与采用重传协议的 DF 方案相比，SpaceDiffusion 实现了更低的端到端延迟，并在目标感知质量下节省了约 15 dB 的上行链路发射功率。

偏微分方程反问题中的不确定性量化在许多应用中至关重要。科学机器学习和人工智能可以在保留物理结构的同时实现模型组件的数据驱动学习，并提供新兴成像技术和临床见解所需的可扩展性和适应性。我们为偏微分方程中的贝叶斯推理开发了双层局部算子学习框架（B-BiLO）。在上层，我们通过哈密顿蒙特卡罗从后验中采样参数，而在下层，我们通过低秩适应（LoRA）微调神经网络以在本地近似解算子。 B-BiLO 无需合成数据或伴随方程即可实现高效的基于梯度的采样，并通过确定性地优化权重来避免在高维权重空间中采样（如贝叶斯神经网络中那样）。我们分析近似较低级别优化的误差，并确定它们对后验精度的影响。跨 PDE 模型（包括肿瘤生长）的数值实验表明，B-BiLO 实现了准确有效的不确定性量化。

在能源、环境和工业系统中，对安全关键的内部状态进行实时监控仍然是一个悬而未决的问题，在这些系统中直接仪表是不可行的。基于控制方程、离散状态向量或固定传感器位置的现有方法无法在实时约束下在任意内部坐标处提供与网格无关的场级重建。在这里，我们引入基于神经算子的虚拟传感作为从稀疏、异构测量和操作条件中恢复不可访问的内部场的通用框架，并使用 MIMONet 进行实例化，MIMONet 是一种多输入、多输出神经算子，可融合异构输入并通过共享潜在表示对耦合物理场进行解码。在从受限循环流到压水堆子通道和紧凑型电力系统热交换器的三项日益复杂的工程级评估中，MIMONet 实现了 ≤5% 的相对重建误差，同时在 NVIDIA H200 上通过亚毫秒推理生成全场预测，比传统的高保真 CFD 模拟快至少五个数量级，并在热交换器案例中展示了校准的不确定性和噪声恢复能力。我们在涵盖电化学能源、大气科学和物理海洋学的三个独立的现实世界数据集上验证了该框架：氢燃料电池中的电流密度测绘、仪表气象塔上的风速分析以及全球海洋再分析中的北大西洋海洋状态。MIMONet 比传统虚拟传感基线提高了 72-84%：10% 传感器覆盖范围内的燃料电池内场恢复提高了 84%，较低层塔传感器的轮毂高度风速恢复提高了 83%。最值得注意的是，它通过学习到的与观测到的温度和盐度的耦合来恢复海面高度（一个具有零直接传感器的场），误差比最佳经典预测器低 4.1 倍，这是超出经典插值范围的跨模态场恢复。这些结果将基于操作员的虚拟传感确立为在无法直接测量最重要状态的系统中实现实时现场可观测性的实用途径。

零日干扰探测器的有效评估需要强大的对抗模型。然而，现有的攻击模型通常假设目标接收者先验知识，限制了它们作为评估基准的效用。在检测方面，现有检测器无法捕获干扰行为的全局时间频谱结构，并且无法区分出现的零日策略。本文通过双管齐下的框架解决了这些限制。首先，引入了一种在线检测框架，该框架将用于时谱表示学习的图注意网络（GAT）与狄利克雷过程（DP）均值聚类相结合。该框架在统一的学习目标中对已知的和发现的零日策略进行联合分类。其次，提出了一种推理驱动的强化学习（RL）干扰器作为对抗性基准。干扰器将目标接收器视为黑匣子，通过假设检验推断探测器状态，并优化攻击影响和隐形之间的权衡。仿真结果表明，所提出的 RL 干扰器的性能优于基准，攻击效率提高了 33%，隐身性提高了 67%。针对所提出的 RL 干扰机的检测框架显示，其检测精度比基准高 20%。

多模态语义通信通过传输紧凑的任务相关表示来减少上行链路开销。然而，现有的令牌压缩方法要么使用固定结构聚合令牌，要么在固定模态预算下选择令牌，而没有联合调整模态相关性和令牌效用以适应任务查询。我们提出分层任务感知令牌压缩（H-TATC），它跨模态分配共享的非文本令牌预算，然后在每种模态中选择与查询相关的令牌。在 MUSIC-AVQA 上，H-TATC 在 B=64 和 SNR =12 dB 时比 TokCom-MLM 提高了 2.4 个百分点，在 B=128 时达到 72.1%，仅比全令牌参考低 0.7 个百分点，额外的端到端延迟可以忽略不计。

收缩天线可以沿着延伸的波导创建和重新配置辐射点，从而使无线传输和接收的物理位置在基础设施部署后可控。此功能引入了超出传统波束成形和资源分配的空间自由度，其影响范围从单个链路延伸到网络范围的操作。本教程从面向网络的角度探讨收缩天线系统。我们首先回顾他们的系统架构、渠道特征和基本设计机会。然后，我们研究辐射位置可重构性如何通过加强所需链路和抑制交叉链路来支持环境划分多址接入，并讨论其在多小区传输、流量卸载和小区间协作中的作用。从瞬时用户转向整个服务区域，我们在无细胞启发的多波导架构下引入了流量感知和几何感知设计。提供了代表性系统模型、优化问题、分析插图和数值结果来解释主要设计权衡和网络级见解。我们进一步讨论了广义的物理实现和代表性的部署模式，包括独立、传统基站集成和分布式部署，以及它们的主要实现考虑因素。最后，我们确定了未来的研究方向，包括移动管理、可编程和虚拟化无线电接入、环境知识获取、人工智能原生控制、低空网络、空地一体化以及集成传感和通信。总的来说，本教程将辐射位置呈现为可配置的网络资源，并提供了一个框架来理解收缩天线如何重塑未来的无线网络。

近场到远场转换是大孔径天线测试的核心，但仍然存在两个耦合挑战：毫米波频段昂贵的相位采集以及偏移安装下违反居中假设。现有方法分别解决这些问题，需要密集的全场数据或偏移向量。我们通过利用一个关键的观察结果来共同解决这两个问题：不同偏移下的振幅场是同一近场的坐标变换视图。面临的挑战是在没有相位或偏移矢量的情况下从偏移幅度恢复中心对齐场。我们提出了 AntennaFlow，一个三阶段框架：一个对比学习的编码器，将偏移视图映射到偏移不变嵌入，一个将偏移幅度映射到中心对齐的确定性流匹配传输，以及简化外推技术，其格林函数泰勒展开仅对中心场有效。实验表明，AntennaFlow 能够从稀疏的仅幅度测量中进行快速、无相位、无偏移矢量 NF--FF 重建，始终优于现有基线，同时保持物理一致性。

尽管基于忆阻器的内存计算 (IMC) 已针对受大脑启发的神经形态工作负载进行了广泛研究，但对于经典数字信号处理 (DSP) 来说，跨不同系统参数的能量、延迟和信噪比 (SNR) 权衡的系统评估仍然很少。为了解决这一差距，本文引入了一种全面的硬件感知设计框架，以离散傅里叶变换（DFT）作为案例研究，将算法工作负载系统地映射到 IMC 架构上。针对 5G 正交频分复用 (OFDM) 系统 DFT 加速器的严格性能要求，我们提出了一种新颖的映射方案，与传统映射技术相比，每次计算的能耗降低了 53%。此外，我们还对具有相同数量的可编程状态但不同电导范围的电阻式随机存取存储器 (RRAM) 和铁电隧道结 (FTJ) 技术进行了比较研究，证明了基于器件的架构协同设计的重要性。通过弥合新兴 IMC 架构和严格的 DSP 限制之间的差距，这项工作为未来无线通信系统提供了一条通往节能边缘加速器的途径。

线性约束最小方差 (LCMV) 波束形成是一种基本技术，用于控制阵列对多个所需信号的响应，同时抑制干扰和噪声。然而，在实际系统中，响应约束中涉及的转向矢量经常受到到达方向误差、校准缺陷和其他阵列不确定性的影响。这种不匹配可能会导致违反约束和显着的性能下降。本文研究了转向矢量失配情况下的多信号 LCMV 波束形成，并开发了概率约束以保证每个所需信号达到规定的可靠性水平。考虑了几种不确定性信息设置。当精确的失配分布已知并且属于复杂椭圆对称分布 (CES) 类时，使用精确的 CES 分位数导出分布通知的凸安全重构。当失配分布未知，并且只有部分统计信息或经验数据可用时，在基于矩的模糊性、基于支持的不确定性和 Wasserstein 数据驱动的模糊性下开发鲁棒的概率重新公式，并且所得的确定性公式可以表示为凸二阶锥程序。数值实验表明，所提出的设计提高了样本外可靠性并降低了波束增益对转向矢量失配的敏感性，同时保持了有竞争力的输出信号与干扰加噪声（SINR）比和稳健的波束方向图。

云无线接入网络 (C-RAN) 通过在集中单元 (CU) 联合处理分布式远程单元 (RU) 的观测来减轻小区间干扰，但有限的前传容量迫使每个 RU 压缩其接收信号。在变换-压缩-前向下，RU 变换其信号并量化结果系数，并通过比特分配在它们之间分配有限的比特预算。经典的反向注水假设高斯源，但实际的有限字母符号携带的互信息在 $\log_2 M$ 处饱和，导致此类输入的比特分配未解决。我们通过将位分配公式化为最大化在 CU 进行线性 MMSE (LMMSE) 检测后实现的有限字母广义互信息 (GMI) 来解决这个问题。通过 I-MMSE 关系，这会产生一个定点更新，其收敛解分解为容器高度、共享水位和有限字母汞位；我们称之为{逆汞/注水} (RMWF)。数值结果表明，RMWF 在前传预算紧张的情况下维持了端到端速率，并在天线扩展下保持稳健，随着现代 C-RAN 中天线数量超过前传容量，这一点变得越来越重要。

这封信研究了以用户为中心的无小区大规模多输入多输出 (CF-mMIMO) 和分组下行链路传输中的前传同步延迟。下行链路前传传输被建模为分叉加入排队系统，其中每个接入点（AP）前传链路是M/G/1先来先服务（FCFS）队列。为了减少散乱分支，我们提出了两种宽松的同步机制：AP计数阈值同步和基于截止时间的同步。我们制定了 AP 计数阈值同步下的延迟分布，开发了 AP 可用性分析，并为两种机制提供了保守的依赖性不可知范围。数值结果表明，宽松的同步减少了前传尾部延迟，并说明了同步延迟和接入侧协作传输增益之间的权衡。

为了满足未来车辆网络中智能应用的需求，协作集成传感与通信（ISAC）因其在提供通信服务的同时执行环境传感的能力而引起了广泛的研究关注。然而，频谱资源的开放性使其容易受到恶意干扰攻击造成的物理层安全漏洞的影响，这促使我们研究网络辅助全双工（NAFD）无小区大规模多输入多输出（mMIMO）系统中协作ISAC的抗干扰资源分配方案。首先，我们提出了所提出方案的框架，具体来说，相干间隔被分为两个连续阶段：初始阶段侧重于干扰抑制和信道估计，随后的阶段致力于数据传输和目标感知。我们的目标是在第一阶段减轻干扰器对信道估计精度的影响，并在第二阶段通过收发器设计和有效的功率分配算法来增强通信和传感性能。为此，在下一节中，我们开发了针对导频欺骗攻击（PSA）场景的干扰检测和抑制方法，在此基础上我们推导了合法用户和接入点（AP）之间的估计信道的表达式。随后，我们设计了通信和传感的预编码方案，获得了通信数据速率和传感信号与干扰加噪声比（SINR）的表达式，并制定了联合优化问题，通过在最小通信和传感性能约束下优化功率分配系数和接收滤波器向量来最大化系统和数据速率。然后，我们将分析扩展到更一般的导频干扰攻击（PJA）场景。由于该问题是具有耦合优化变量的非凸问题，因此我们基于块坐标下降（BCD）框架将其分解为两个子问题进行求解。最后，仿真结果证明了所提出的干扰抑制和资源分配算法的有效性。

均匀的球形阵列提供全空间覆盖。然而，由于定向元件模式，全阵列传输激活了许多对给定用户贡献很小的元件，导致系统开销增加和功率分配效率低下。为了解决这个问题，这封信提出了一种用于多用户均匀球形阵列的自适应元件激活策略，该策略可以减少物理活动元件的数量，同时满足单个用户速率要求。所提出的策略根据每个元素视轴与用户方向之间的角度构造用户特定的候选序列。在每次迭代中，它都会在不满意的用户中选择能够在总速率赤字方面提供最大改进的用户元素连接。仿真结果表明，不到一半的网元足以让单个用户达到80%的全阵速率，而在多用户场景下，不到70%的网元足以实现所有用户的全阵速率。此外，在所有测试的配置中，所提出的策略始终需要比基准方法更低的活性元素比率。

由于具有交错子载波的正交频分复用 (OFDM) 波形在集成传感与通信 (ISAC) 系统中实现了令人满意的传感性能，因此本文研究了多用户和多目标场景中以传感为中心的多输入多输出 (MIMO)-OFDM ISAC 系统。与在固定数量的雷达子载波下分配子载波的现有工作不同，所提出的联合子载波分配和波束成形设计充分利用了优化数量的雷达子载波的潜在好处，同时保持通信质量和限制功率集中，从而进一步提高传感性能。制定了一个优化问题，以根据通信总速率、雷达波束相似增益、每个天线子载波功率和总发射功率约束来最大化传感速率（SR）。为了解决由此产生的非凸问题，开发了一种交替迭代算法，其中优先优化雷达子载波的数量。数值模拟表明，与传统方案相比，所提出的方案实现了更高的 SR 和改进的距离旁瓣抑制。

支持无人机 (UAV) 的集成传感和通信 (ISAC) 系统在搜索和救援应用中前景广阔。无人机平台可以同时跟踪移动目标，同时支持高速数据传输。然而，此类系统由于其耦合目标而面临重大挑战，涉及两个相互依赖的过程：用于平衡传感和通信性能的波束成形，以及从全局角度进行轨迹规划以确保高效稳定的搜索操作。这两个任务都会导致计算复杂度很高的非凸优化问题。为了应对这些挑战，我们提出了一种具有周期性模型预测控制（MPC）重新规划和时隙级预编码的分阶段闭环架构。在每个重新规划阶段，轨迹模块集成了用于航路点选择的定向问题（OP）和用于有限范围细化的顺序凸规划（SCP），而预编码模块重建位置相关通道并在活动槽处应用迭代加权正则化迫零和零空间投影。数值结果表明，所提出的方法有效地实现了轨迹规划，同时平衡了无人机辅助 ISAC 系统中的传感和通信目标。它降低了计算复杂性，实现了高跟踪精度，并保持了与基线方案相当的通信服务质量。

第六代（6G）无线技术预计将集成传感与通信（ISAC）技术以优化频谱和硬件资源。这封信提出了一个框架，该框架依赖于来自无线电探测和测距（RADAR）或光探测和测距（LiDAR）的ISAC传感数据，通过使用时间卷积网络（TCN）模型来增强室内环境中的最佳波束选择，该模型减少了对最佳波束的穷举搜索，使LiDAR和RADAR的top-1精度达到94.04%和93.33%。相比之下，在最佳观测窗长度下，RADAR 的计算复杂度比 LiDAR 降低了 89.6%，这表明 RADAR 在延迟和轻量性方面更适合波束预测。

本文提出了一种集合成员方法 (SMA)，用于定位协作无人机 (UAV) 机队观测到的射频 (RF) 源。考虑到具有间歇性和周期性发射模式、未知但有界周期的频率可分离 RF 发射器，SMA 评估源位置的集合估计和源的集合。仿真结果表明，SMA 在定位精度和收敛速度方面优于贝叶斯基线方法。

在这项工作中，我们提出了一种新颖的非正交多址（NOMA）辅助的无人机（UAV）集成感知和通信（ISAC）方案，在不完善的信道状态信息（CSI）下，使无人机能够为用户提供通信服务，同时通过反向散射信号满足感知要求。由于无人机通信资源有限，在UAVs-ISAC方案中引入NOMA来减轻多用户的内部干扰。此外，与当前支持MIMO的UAV-ISAC方案不同，该方案解决了由于有限的UAV资源和设备而产生的不完善的CSI，从而更好地符合实际应用。为了解决在条件 CSI 不确定性下产生的具有混合约束的非凸随机优化问题，我们设计了一种新颖的基于随机逐次凸逼近 (SCA) 的算法，称为基于锚辅助惩罚的混合约束随机逐次凸逼近 (APHSSCA)。 APHSSCA 通过使用锚辅助随机更新和排名一提升惩罚，在随机可行性约束下优化有限样本的波束成形。通过依靠通道误差样本而不是封闭式期望评估，当预期目标和约束函数缺乏易于处理的分析形式时，APHSSSCA 仍然适用。仿真结果表明，APHSSSCA的优化性能优于当前基线，并且以更少的样本收敛得更快。我们进一步验证了随机可行性、可靠的码域标签状态检测以及同时标签反射下的准确到达角度感测。在APHSSSCA的支持下，所提出的方案实现了不完善CSI下通信和感知指标之间的有效权衡。

低分辨率模数转换器 (ADC) 可降低无单元 (CF) 大规模多输入多输出 (mMIMO) 系统中的功耗，但代价是量化噪声 (QN) 和干扰增加。我们通过为每个接入点的公共和私有消息开发基于迭代加权最小均方误差 (WMMSE) 的功率分配策略，应用速率分割多址 (RSMA) 来减轻 QN 引起的性能下降。所提出的方法使发射功率分配适应干扰条件，从而提高QN和不完善信道状态信息下的总频谱效率（SE）。此外，我们还优化了常见的预编码器权重。结果表明，所提出的算法增强了总和 SE 并优于基准方案，为减轻 QN 造成的干扰提供了稳健的机制。

5G 网络中高效的物理资源块 (PRB) 分配需要准确的需求预测。传统方法最大限度地减少对称误差指标（MAE、RMSE），忽略了运营成本不对称性，其中配置不足（服务降级）的成本远高于配置过度（容量浪费）。我们提出了一个面向目标的概率预测框架，使模型训练与运营商的决策目标保持一致。具体来说，我们使用 Pinball 损失函数训练 DeepAR 和时间融合变压器 (TFT) 模型，并从操作员的成本矩阵中得出最佳分配分位数。对真实波束级 5G 流量数据集的评估表明，与 MSE 训练的基线相比，所提出的方法降低了运营成本，同时保持了校准的不确定性估计。该框架支持动态 PRB 分配，明确平衡服务可靠性与资源效率。

当问题首先转换为二次无约束二进制优化（QUBO）格式时，量子计算机可以非常有效地解决大规模组合问题。第五代 (5G) 基站的调度是一个实际的组合问题，无法使用经典计算实时最佳解决。我们将 5G 基站的下行链路 (DL) 多输入多输出 (MIMO) 调度公式化为 QUBO，并分析 QUBO 公式在关键系统参数方面的可扩展性。单用户 MIMO (SU-MIMO) QUBO 公式看起来很有前途，因为 QUBO 变量的数量呈线性增长，而问题搜索空间随着用户数量的增加呈指数增长。根据仿真结果，SU-MIMO 的次优贪婪算法在高用户数和低带宽的情况下表现良好。根据系统参数选择量子求解器或次优低复杂度经典算法的混合方法在实践中似乎是明智的。这项工作为未来蜂窝系统中量子和量子启发的调度实现铺平了道路。

本文提出了用于可重构智能表面（RIS）辅助多输入多输出（MIMO）系统的结构化信道参数估计器，该系统在视距传播下采用均匀矩形阵列。通过利用级联通道的克罗内克和多线性结构，我们引入了连续克罗内克分解 (SKF) 以及两种三阶张量参数估计 (TOPE) 方法：TOPE-ALS 和 TOPE-HOSVD。这些估计器从导频滤波信号矩阵中恢复空间特征，然后解耦相应的水平和垂直空间频率。这种结构化公式实现了基准估计精度，同时降低了计算复杂性，为 RIS 辅助系统提供了有效的解决方案。

通过提高频谱效率和确保严格的服务质量保证，资源分配在未来的无线通信网络中发挥着至关重要的作用。未来的第六代无线网络预计将支持高度异构的服务需求，并适应多样化和动态的用户需求。然而，在时变流量条件下，实时满足严格的服务质量（QoS）约束，加上多维无线资源之间的强耦合，使得高效、及时的资源分配变得尤其具有挑战性。为了解决这些问题，提出了一种用户需求预测增强级联深度强化学习（UDP-CDRL）框架，以实现动态用户需求下的智能和自适应资源分配。具体来说，用户需求预测（UDP）网络旨在学习和预测用户流量需求的时间演变。通过将预测的需求信息纳入决策过程，利用基于优势行动者-批评者（A2C）的学习算法，通过级联多智能体合作共同优化资源块分配、传输功率和穿孔/叠加比率。仿真结果表明，在异构 QoS 约束下，所提出的方案始终比基准方案获得更高的总传输速率和累积奖励。不同URLLC延迟设置下的结果进一步表明，所提出的方案在URLLC调度后保持了较高的剩余eMBB总传输速率，表明其能够支持延迟敏感的URLLC传输，同时更好地保留eMBB吞吐量。

基于WiFi的人体活动识别在单用户场景下实现了较高的准确率。识别多个并发用户执行的活动仍然具有挑战性，因为他们的身体反射传播路径叠加在信道状态信息 (CSI) 测量中。现有的多用户方法要么在分类之前分解信号，从而遭受错误传播，要么联合预测活动，而无法将每个预测与正确的用户可靠地关联起来。此外，已被证明对单用户感知有效的注意力机制计算单个用户不可知的注意力图，混合来自不同用户的模式，并且不提供将特征与特定用户槽关联的机制。本文提出了一种用户条件空间注意力（UCSA）模块，该模块通过特征线性调制（FiLM）在可学习的用户 ID 嵌入上调节多尺度空间注意力，生成每用户空间注意力图。 UCSA 在空间特征增强和用户区分之间建立了深度耦合：注意力模块本身变得具有用户意识，为每个用户槽生成不同的注意力图，而不是依赖于后期融合嵌入添加。结合用于多尺度空间增强的可共享多语义空间注意（SMSA）模块，所提出的框架在统一架构中解决了特征质量和用户差异化问题。在三个室内环境和最多 5 个并发用户的 WiMANS 基准上进行的实验表明，所提出的方法在所有设置中都优于 9 个基线，即使在有 5 个用户的情况下，在三个环境中也能实现超过 93% 的平均准确度。消融研究证实，SMSA 和 UCSA 都对识别准确性做出了重大贡献，而 UCSA 提供了共享特征和每用户预测之间的关键链接。

可重构智能表面 (RIS) 有望通过在阻塞环境中实现扩展覆盖范围和可靠运行来彻底改变无线组播。然而，这些好处可能会因实际部署因素产生的安全漏洞而受到损害。这项工作解决了三个这样的关键因素，(i) RIS 相移的离散性质，(ii) 串通窃听者的存在，以及 (iii) 静态照明光束的低效率，如果在系统设计中没有适当考虑，每个因素都会威胁安全。为了缓解这些问题，我们制定了一个联合资源分配问题，通过共同优化 RIS 配置和基站 (BS) 波束管理，最大限度地减少所有窃听者的窃听信噪比 (SNR)。这产生了一个复杂的非凸混合整数非线性程序（MINLP），我们将其等效地重新公式化为可求解全局最优性的易于处理的混合整数二次约束程​​序（MIQCP）。数值结果证实，所提出的方案显着增强了安全性，与现有基线相比，窃听 SNR 降低了高达 58%。