2026-09-28论文雷达 TEST

有限孔径近场传感产生了与平移不变傅立叶设置根本不同的超分辨率几何结构。在菲涅尔体系中，波前曲率引入了与范围相关的二次孔径相位，因此可区分性由 \( \sum_{n=0}^{N_r-1} a_n e^{i(\omega_1 n+\omega_2 n^2)} \) 形式的不完全二次指数和决定，而不是仅由角度分离决定。我们开发了一种针对有限网格上的范围和连续角度的稀疏测量的确定性恢复理论，并引入了支持均匀二次相位孔径准则来取代经典的最小间隔。在此标准下，总变差最小化精确地恢复了可接受的支持类中的每个稀疏度量，并且在所有非零复振幅上一致。该证明为有限二次和开发了非渐近支持一致边界，并将其与控制插值、局部曲率和脱离支持泄漏的计量 Hermite 双证书相结合。我们进一步构造了具有显式截断误差的有限谐波 Bessel-Vandermonde 升力。在远场极限下，二次相位消失，理论简化为傅里叶型角度超分辨率。

随着超大天线阵列 (ELAA) 成为下一代无线系统的核心，向近场传播机制的过渡使得能够利用球形波前进行径向域波束聚焦。此功能对于需要精确空间隔离的新兴应用至关重要，例如空分多址 (SDMA)、分层定位和高级传感。然而，完全实现这些技术需要特定的设计规则来确定多用户系统的尺寸，而不依赖于计算昂贵的全波模拟。为了解决具有可控径向分辨率的连续焦点区域建模方面的差距，本文扩展了角谱表示（ASR）方法，提出了一个全面的分析框架。通过引入可调光束间重叠参数 $\rho$，我们推导出闭合形式表达式来合成多个焦点区域，从而提供定制其径向分辨率的灵活性。此外，还分析了分辨率能力，以表征关键操作变量之间的相互作用，例如发射器尺寸、波束半径和操作频率。对不同信噪比 (SNR) 范围内每个用户和总速率频谱效率的系统级评估揭示了波束间重叠如何决定用户容量和用户间干扰之间的基本权衡，从而为未来近场通信提供设计指南。

这封信研究了六维 (6D) 任意对任意 (X2X) 信道状态信息 (CSI) 图（一种特定类型的信道知识图 (CKM)）的构建，适用于具有不同发射器 (Tx) 和接收器 (Rx) 位置的单输入多输出 (SIMO) 系统，使用有限的测量。我们提出了一种新颖的双向神经射频辐射场（BiNeRF2）方法。具体来说，SIMO 信道是基于最后一次反弹传播模型来表征的，其中采用显式物理模型来描述最后一次反弹传播，而隐式 BiNeRF2 模型用于捕获朝向最后交互点的先前传播。在 BiNeRF2 模型中，神经网络从空间和双向角度几何信息中学习与传播相关的参数。室内环境中的实验表明，BiNeRF2 在 3D 设置中优于神经射频辐射场 (NeRF2) 和无线辐射场高斯分布 (WRF-GS)，同时提供具有竞争力的 6D 预测精度和低推理延迟。

我们开发了一种用于连续孔径信号传输的曲率域公式，其中发射相位通过商出仿射活塞和倾斜仪自由度后的二阶空间导数来表示。由此产生的规范固定综合算子是有界和紧凑的，具有锋利的Poincare-Wirtinger常数$C_L=L^2/\beta_1^2$，并且其模态革兰氏谱以封闭形式提供，$\rho_m=(L/\beta_m)^4$，其中$\beta_m$是$\cos\beta\cosh\beta=1$的根。在有界支持平方可积传播核下，正切算子是希尔伯特-施密特，因此无限维容量是明确定义的 Fredholm 行列式上界。最优信号法则是一种双预算广义注水，其中一个用于曲率功率的拉格朗日乘子和一个用于相位偏移的拉格朗日乘子。从精确的非线性仅相位孔径定律中，我们推导出具有显式弗雷谢余数界的相干正切通道和用于大偏移的多图表图集。在接收器处，通过二阶差分从噪声相位样本推断出的曲率具有谱范数 $\Theta(\Delta x^{-4})$ 的五对角噪声协方差。确定性诊断套件根据其封闭形式来测量每个机制，每个声明旁边都带有空运行：计算出的频谱将 $(L/\beta_m)^4$ 与相对误差 $3.78\times10^{-15}$ 匹配；正切余数已拟合斜率 1.0000；双预算法通过两个乘数严格激活至 KKT 残差 $3.90\times10^{-15}$ 来求解；导数噪声界限接近 0.999981；在指数 0.2175 处观察到微分限制分支，然后一旦模式计数在香农数处饱和，就会崩溃至 0.0576，而平坦传播零运行保持在 0.2019。因此，曲率是一个适定的、规范不变的坐标，并且在香农数以下，规范而不是介质控制缩放。

具有超大规模天线阵列 (ELAA) 的下一代无线系统在辐射近场 (RNF) 区域运行，在该区域，距离感知聚焦是可行的，但很容易被墙壁和角落等半空间障碍物干扰。当孔径到用户的路径被刀刃切断时，传统的聚焦光束被截断，多用户信道的弱奇异模式崩溃，从而无法实现迫零（ZF）预编码。本文提出了一种混合传输策略，其中仅由三个物理量（发射角、虚拟焦距和有符号曲率）参数化的低维艾里射频波束族用于在可访问的衍射边缘周围携带能量，而数字 ZF 级在明确声明的总辐射功率约束下执行最终的用户间消除。通道可分离性是在白化的有效通道上评估的，因此非正交模拟波束不会扭曲比较。在主要阻塞的双用户场景中，所提出的设计达到了 4.94 bit/s/Hz，而传统聚焦为 1.97，焦散结构为 4.61，无限制数字 ZF 为 5.93，迭代全数字 WMMSE 参考为 6.47，并且白化最小奇异值增加了一倍多。在 36 个阻塞用户几何结构中，白化调节和最低用户率在每种情况下都得到了改善。该方法需要可访问的衍射边缘，并且不能通过完全不透明的平面恢复服务。

堆叠式智能超表面逐层处理传输场，流体天线使每个辐射器的位置成为设计变量。结合起来，它们在层内和层间以亚波长间距封装散热器，其中相互耦合控制着当前模型忽略的物理现象。本文开发了一种流体传输层的耦合一致模型，该模型照亮了对角线之外的被动流体堆栈。任何端口星座的多端口阻抗矩阵被证明是在三维分离处采样的阻抗核，采用一种封闭的球形汉克尔形式，其面内限制是层内耦合，其轴向限制取代了标量瑞利-索末菲传播器。仅驱动发射器：感应层电流，熟悉的级联是一次矩阵求逆的单程极限。在波数域中，光环仍然将辐射与反应分开，现在连接了平面波传播器，每个傅里叶模式都会看到由层加载的传输线，并且效率恒等式表明，堆栈的效率成本是由其总感应电流范数决定的，而不是由其层数决定的。由于负载从未假定为层对角线，因此互连可能会连接不同片上的原子，并且每个站点重复的垂直网络都是光谱局部的。交替优化设计具有封闭形式梯度的预编码器、位置和负载。从数字上看，$\lambda/8$ 网格上的流体端口的性能仅比连续可移动的流体端口低百分之几，而基于传统级联模型的设计可能比开路堆栈的性能更差。

在宽带近场多输入多输出（MIMO）系统中，球面波传播会产生类似线性调频的信道结构，但为了提高信道估计和定位精度，通常会忽略固有的视距（LoS）逐元发射-接收耦合结构，并且由于联合角度范围搜索，非视距（NLoS）参数估计具有较高的计算复杂度。此外，球面波传播下显着的簇级空间色散使得传统的点散射体通道模型不足以准确描述通道特征。为了解决这些限制，我们提出了一种统一的LoS-NLoS近场信道模型和一种低复杂度的基于两级分数阶傅里叶变换（FrFT）的信道估计和定位方案。在第一阶段，我们利用 FrFT 的线性调频聚焦特性来实现 LoS 和 NLoS 分量的低复杂度信道参数估计。在第二阶段，宽带分集和逐元素发射-接收耦合结构有利于视距定位，视距辅助几何约束解决了由单独的发射和接收处理引起的非视距配对模糊性。我们进一步推导了所提出的 LoS-NLoS 近场信道模型下的 Cramér-Rao 下界（CRLB），以揭示基本性能限制。仿真结果表明，所提出的方案接近CRLB，并且在统一的LoS-NLoS近场信道模型下保持鲁棒性和准确性。

集成传感和通信 (ISAC) 支持使用共享波形来联合设计通信和传感功能，但其性能关键取决于传感接收器上可用的传输信号的准确性。在实际系统中，该信号是通过有限块长度解码获得的。本文开发了一个分析框架，用于量化相关解码不确定性对传感性能的影响。我们通过等效噪声公式对解码错误进行建模，捕获它们对传感接收器的二阶影响，并导出相应的费舍尔信息和 Cram\'er-Rao Bound (CRB)。由此产生的表征揭示了基本的传感-通信权衡，该权衡由通信速率和解码可靠性决定。这表明经典的有限块长度可靠性带来了有关 ISAC 系统的全新见解：当解码的通信波形以数据辅助方式重新用作传感参考时，通信可靠性边界也充当传感信息界限。 {我们识别并描述了传感性能的急剧转变 - 称为权衡悬崖 - 由有限块长度可靠性效应引起。}当通信速率接近容量时，这种转变将接近理想的传感性能的状态与过度估计误差的状态分开。此外，我们为这种转变发生的临界速率提供了一个明确的表达式，显示了它对块长度、通道色散和目标错误概率的依赖性。 AWGN 和块衰落信道下的蒙特卡罗模拟验证了理论分析并确认了观察到的趋势。结果为操作 ISAC 系统提供了设计见解，具有适当的可靠性裕度，以避免严重的传感性能下降。

随着天线数量的增加，近场效应在大规模多输入多输出（MIMO）系统中变得不可忽略。因此，准确且低开销的信道采集对于在远场和近场场景中保持系统性能至关重要。基于深度学习（DL）的频域信道外推为实现低开销和准确的信道捕获提供了有效的解决方案。然而，由于距离依赖性和环境依赖性带来的挑战，现有的深度学习外推器无法同时推广到不可见的近场和远场信道，从而阻碍了其实际部署。在本文中，我们提出了一种物理上可解释的框架，该框架统一了频域深度学习外推器在近场和远场场景中的泛化能力。首先，我们提出了异构角度分布和统一延迟分布的关键见解，以实现统一泛化。明确地说，角度分布在近场和远场场景中是异构的，而延迟分布则表现出可以对齐的统一稀疏模式。其次，我们介绍了一种基于物理的解缠结和对齐框架，该框架由三个步骤组成：多簇解耦、角度延迟特征解缠结和延迟域对齐。这使得深度学习模型能够学习分布稳定的延迟域特征，同时直接重用异构角度域特征。第三，我们设计了统一近场和远场深度学习外推器（UNiFi-DLE）并详细阐述了其工作流程，包括数据集准备、模型训练和推理。广泛的模拟和模拟实验验证了所提出的 UNiFi-DLE 可以在未见过的近场和远场场景中稳健地泛化，始终优于最先进的方法。

语义通信 (SemCom) 和集成传感与通信 (ISAC) 是未来 6G 无线网络的前景广阔的技术。现有研究已将语义技术应用于ISAC的通信模块或感知模块。在这项工作中，我们提出了 SemISAC，它在单个双功能波形中执行 SemCom 和语义感知。 SemISAC 使用联合语义编码器来提取通信和传感的特定任务信息。我们在车辆场景中评估 SemISAC，其中车辆共享道路环境的像素级分割，并通过传感对周围物体进行分类并估计其范围。在发送端，深度学习编码器将输入的道路场景图像转换为语义符号，并将其放置在 OFDM 网格的数据单元上，而其余单元则作为信道状态信息估计和感知的导频。导频配置根据信道条件自适应优化，以平衡通信和感测要求。在接收器处，深度学习模型根据接收到的波形重建分段，而发射车辆捕获周围物体的反射波形，并使用特定于任务的深度学习解码器进行目标识别和范围估计。仿真结果表明，SemISAC 的分割精度接近专用 SemCom 模块，同时在目标识别和范围估计方面优于传统基线和语义基线。

本文解决了双基地低地球轨道集成传感与通信（LEO-ISAC）系统中的远程传感问题。传统的基于 OFDM 的传感方案在 LEO-ISAC 中会失败，因为传播延迟过多，导致跨符号错位和信号持续时间不等。我们提出了一种窗口网格处理框架，该框架利用确定性目标几何形状来解决作为纯粹接收器端处理的两个挑战：传输的传感信号与 3GPP 兼容。仿真演示了在 100.8 MHz 带宽下双基地距离超过 640 公里的两个目标的米级测距精度。

低空无人机（UAV）有望在低空经济中发挥重要作用，具有精准农业、空中配送和监控等广泛应用。集成传感与通信（ISAC）是通过高效地提供通信和传感服务来实现无人机大规模部署和日常使用的关键技术。在无人机ISAC系统中，由于无人机通常既充当通信用户设备（UE）又充当感知目标，传统的分配专用时频（TF）资源用于感知的ISAC系统由于通信频谱效率严重下降而效率低下。为了解决这个问题，在本文中，我们提出了一种新颖的基于多用户多输入多输出（MIMO）正交频分复用（OFDM）的无人机ISAC框架，该框架消除了对专用感测TF资源的需求，实现了零感测TF开销。通过正交频分多址（OFDMA），所有TF资源在通信用户之间分配，而用户相关的发射波束成形使它们能够被共同用于感测，从而提高了通信总速率和分辨率、明确范围和精度方面的传感性能。此外，我们引入了低复杂度波束形成算法和两级超分辨率传感算法，确保了高效实现。仿真结果表明，所提出的MIMO-OFDM-ISAC框架不仅提高了通信总速率，而且在传感性能方面优于传统ISAC系统，使其成为未来ISAC系统支持低空无人机的有前景的解决方案。

连续孔径和全息 MIMO 系统促使信号直接在大电磁孔径上运行，而不是在几个天线端口上运行。本文是算子理论曲率域框架的实证伴侣：共同标量孔径信道模型下曲率域信号的可重复基准，针对近场和全息 MIMO 中使用的模态基础对该理论的双预算广义注水定律进行了压力测试。所有方法共享相同的孔径、正交、菲涅耳或格林函数传播、仅相位约束、功率、相位能量和曲率能量预算、接收器噪声、相位量化和训练假设。比较的坐标是曲率正则化本征模式、原始相位系数、傅立叶相位模式、多项式和类 Zernike 波前模式、近场匹配焦点轮廓、随机和优化的 RIS 相位码本以及 SVD 充水上限。这一主张是故意限制的：曲率域信号是一个规范不变的、物理上可实现的坐标系，可以用较少的稳定模式接近相空间 SVD 水填充边界，其中导数噪声、相位量化、采样密度或病态条件限制了传统基础。这并不是新电磁物理学的主张，也不是曲率模式主导每条基线。我们证明了离散相控切线空间的 SVD 上界关系，导出成对误差和扰动界限，并报告容量、保留模式、符号误差、鲁棒性、量化、采样、正则化、调节和成本，蒙特卡罗结果具有 95% 自举置信区间。判决表定位了曲率域信号与工程相关的情况：中到高相位噪声、粗相位量化和非傅里叶对角通道。

本文讨论了近场范围内大规模机器类型通信的联合信道估计和活动检测，其中球形波前引入了距离-角度耦合并极大地扩展了参数空间。远场稀疏恢复方法变得不准确或不适用，而现有的近场方法通常面临近似误差，并且只能应用于单个均匀阵列配置。为了克服这些挑战，引入了基于实际空间几何的精确近场通道模型，以避免任何近场近似并支持任意分布式阵列配置。我们进一步开发了一种高效的贝叶斯学习框架，该框架通过混合公共稀疏先验利用通道稀疏性和零星设备活动。之后，我们提出了一种多层消息传递算法，该算法使用辅助变量将信道估计和活动检测解耦，并通过 Dirac-delta 约束强制一致性。最后，嵌入了协作期望最大化（EM）过程，以实现跨分布式阵列的可扩展参数更新。所提出的方法可以为大规模mMTC系统实现准确且计算高效的联合近场信道估计和活动检测。

第六代网络中超大规模天线阵列与太赫兹技术的协同作用建立了近场宽带传输环境，从而能够产生高度聚焦的波束。为了利用这种多源定位功能，我们提出了一种基于球面波前到达曲率的直接定位方法，用于根据宽带信号估计多个近场用户的位置。此外，为了克服空间宽带效应，我们引入了具有真正的延时器（TTD）的混合模拟/数字阵列架构。我们推导了一个封闭形式的位置误差界来表征基本估计性能，并通过最大化 Fisher 信息矩阵的迹以最小化该界来优化阵列的模拟系数。此外，我们将该方法扩展到次优迭代方法，该方法联合优化光束聚焦和定位，而不需要事先了解阵列设计的源位置。仿真结果表明，所提出的阵列配置设计显着增强了近场宽带定位的性能，而TTD的存在有效地减轻了空间宽带效应引起的定位性能下降。

收缩天线系统（PASS）和语义通信正在成为促进下一代无线网络中高效数据传输的有效技术。我们提出了一种新颖的 PASS 增强型异构语义比特架构，称为 PASS-SC，用于下行链路多输入单输出 (MISO) 图像传输系统，同时服务于语义用户 (SU) 和比特用户 (BU)。我们通过在单波导和多波导实现下联合优化基带波束成形、收缩波束成形和语义压缩比，制定了加权系统和速率最大化问题。对于单波导传输，以封闭形式导出功率分配，通过梯度下降法优化收缩波束形成，并通过穷举搜索获得最优语义特征长度。对于多波导架构，我们研究了语义位波导分离传输（ST）和复用传输（MT）策略。具体来说，我们提出了一种基于约束逐次凸逼近的算法和一种低复杂度的迫零方法来优化基带波束形成器，并采用粒子群优化（PSO）算法来确定MT场景中的优化天线位置。数值结果表明，所提出的 PASS-SC 框架显着优于传统天线系统，凸显了这些方法在改善资源有限环境中的图像传输方面的巨大潜力。

超大规模多输入多输出（UM-MIMO）已成为 6G 无线网络的关键物理层技术。然而，远场和近场传播分量的共存对准确和鲁棒的信道估计提出了重大挑战。尽管现有的角极双字典方法可以有效地表示混合场通道，但它们的级联字典可能会产生相当大的计算和存储开销。角域块稀疏方法提供了更紧凑的替代方案，但通常依赖于预定义的分区或空间不变的先验，这些先验可能不能很好地适应依赖于机制的块结构。为了克服这些限制，我们提出了一种物理感知的统一角域估计框架。通过离散卷积分析和菲涅尔积分近似，我们证明了混合场通道表现出依赖于机制的角块结构和一致的两尺度箱间差异模式。为了捕获这种结构，我们设计了 Huber-Log 微分全变分 (HL-DTV) 超先验，以促进轻微变化的局部连续性，同时保留大规模的结构差异。为了解决 HL-DTV 引入的耦合问题，我们开发了采用 Lambert-W 稀疏贝叶斯学习的奇偶校验交替细化 (PEARL-SBL) 算法，该算法通过奇偶解耦和封闭式更新实现可并行标量细化。仿真结果表明，该方法在信道估计精度和频谱效率方面优于现有的远场、近场和混合场方法，验证了其在 6G UM-MIMO 系统中的有效性。

基于正交频分复用 (OFDM) 的集成传感和通信 (ISAC) 系统需要统一的波形，同时支持可靠的数据传输、低峰均功率比 (PAPR) 和准确的信道传感。现有方法在单独的时间或频率资源上复用通信和感测，或者依赖专用导频进行信道估计，从​​而限制了系统灵活性并增加了开销。本文提出了一种 OFDM 幅相频率块调制（APFBM）方案，无需资源划分即可实现通信和传感的波形级集成。信息符号在斯托克斯球上表示，并通过明确的规则映射到能量归一化的琼斯矢量，该规则为每个块建立确定性相位参考。该映射揭示了信号结构中固有的共相自由度。在发射机处，群相位优化 (GPO) 算法利用这种结构自由度来降低 PAPR，而无需辅助信息 (SI)。在接收器处，相同的确定性相位结构支持基于维特比的最大似然（ML）序列检测算法，该算法联合恢复优化相位并估计逐块信道幅度和相位。不需要专用的感测导频，因为感测可观测值是直接从通信波形中提取的。导出了封闭式错误率和传感精度表达式。软件定义无线电链路上的数值模拟和无线测量证实了有效的 PAPR 降低、准确的信道感测、可靠的相位恢复和稳定的信道状态信息重建。相对于同阶传统 QAM，所提出的双子载波映射以原始频谱效率换取统一波形设计，同时实现无 SI 的 PAPR 降低和无导频传感。

微波线性模拟计算机 (MiLAC) 最近已成为未来巨型多输入多输出 (MIMO) 系统的一种有前景的解决方案，可在大幅降低硬件和计算成本的情况下实现波束成形。然而，MiLAC 辅助系统的信道估计仍然是一个悬而未决的问题。传统的最小二乘 (LS) 和最小均方误差 (MMSE) 估计依赖于密集的数字计算，这削弱了 MiLAC 提供的计算优势。在这封信中，我们为 MiLAC 辅助的 MIMO 系统提出了高效的 LS 和 MMSE 信道估计方案。通过设计由无损和互易 MiLAC 实现的训练预编码器和组合器，所提出的方案在模拟域中执行 LS 和 MMSE 估计，仅留下简单的数字缩放。它们实现了与数字对应物相同的估计性能，同时显着降低了计算复杂性。数值结果验证了所提出方案的有效性。

由于强烈的杂波回波，集成传感和通信 (ISAC) 系统经常遭受严重的性能下降，并且在实际阵列尺寸和孔径限制下，仅空间波束形成可能不够充分。本文通过利用复合可重构天线（CRA）阵列来解决 ISAC 中的杂波抑制问题，该阵列同时实现辐射方向图和极化状态的动态调整，从而大大扩展了电磁（EM）域中可用的自由度。为了获得物理上可实现的电磁域响应，我们在 CST Microwave Studio 中对像素天线进行建模，并使用模拟响应为不同的可重构模式构建电磁模式字典。我们开发了一个统一的复合通道模型，集成了虚拟角域响应、空间传播和偏振旋转/去偏振。利用有关目标和杂波协方差的统计信息，我们制定了联合电磁域和基带域优化方案，旨在最大化雷达信号与杂波加噪声比（SCNR）。该公式还强制执行多用户下行链路信号干扰加噪声比约束、总发射功率预算和有限字典 EM 模式选择。由此产生的非凸混合整数问题通过交替算法来解决，该算法将分数规划和主要最小化与基于二阶锥规划的更新和模式选择的惩罚松弛相结合。使用 CST 生成的 EM 模式字典在基于 QuaDRiGa 的通道环境中进行广泛的模拟。结果验证了所提出的 CRA 阵列设计的有效性，与仅依赖基带域优化的传统波束成形方法相比，SCNR 提高了高达 9 dB，并证实了在杂波丰富的 ISAC 场景中充分利用 EM 域可重构性的实质性优势。

循环前缀正交频分复用 (CP-OFDM) 被广泛采用作为集成传感与通信 (ISAC) 的参考波形。然而，其高峰值平均功率比 (PAPR) 需要功率放大器回退，从而减少可用的传感链路预算。调频 OFDM (FM-OFDM) 可提供 0 dB PAPR 的恒定包络信号，并在高移动性场景中展现出可靠的通信性能，但其传感特性在很大程度上仍未得到探索。本文根据 FM-OFDM 的带宽、模糊度函数、旁瓣行为和多普勒估计能力，将 FM-OFDM 描述为一种传感波形。分析表明，其数据相关旁瓣基底是不相干的，并且通过跨帧集成而减小，而相应的CP-OFDM基底保持不变。因此，在相同的占用带宽和发射功率下，帧级集成反转了单符号性能排序，并为 FM-OFDM 提供了大约 20 dB 的额外动态范围，用于弱目标检测。此外，与线性调制波形相比，FMOFDM模糊度函数的零延迟切割被证明是确定性的并且独立于传输数据的实现，同时导出了远离零延迟切割的旁瓣本底的闭合形式表达式。由于数据符号和时域样本之间的非线性映射阻碍了传统CP-OFDM距离多普勒处理链的直接应用，因此开发了加权相位增量多普勒估计器。所提出的估计器能够以最小的计算复杂度对传感层及其交叉点进行封闭式预测。

本文介绍了 Luneburg 透镜辅助可重构阵列 (LUNA)，这是一种天线架构，在支持 Luneburg 透镜的硬件平台中统一了多输入多输出 (MIMO) 和网络控制中继器 (NCR) 功能。由渐变折射率介电材料制成的 Luneburg 透镜可将低增益馈电的辐射无源地转换为高度定向的光束，而无需主动相移，而密集的无源馈电组和可重新配置的馈电选择网络则以最小的硬件复杂性和功耗来电子地切换光束方向。我们首先回顾了 Luneburg 镜头在雷达和无线通信中的基本原理和应用历史，这激发了它们在 6G 和先进网络中的作用。然后，我们重点介绍 Luneburg 透镜和可重构馈源阵列如何构建 LUNA-MIMO 和 LUNA-NCR，其中透镜和馈源组可以跨功能和频段重复使用。案例研究表明，LUNA 通过少量射频链实现了令人满意的频谱和能量效率，并且还提高了传感任务的定位性能。最后，提出了一些开放性问题和研究方向，以启发LUNA的后续研究。

本文开发了一种基于物理的深度学习框架，用于两射线传播下窄带相位相干分布式多输入多输出 (D-MIMO) 网络中的单快照 3D 仅相位定位。与之前的相位相干 D-MIMO 定位方法主要假设仅使用视距 (LoS) 信道不同，我们考虑了 LoS 路径和​​地面镜面反射。由于窄带单快照观测无法延迟解析这些分量，因此它们的相干叠加会引起载波相位测量中的结构化扰动。为了解决这个问题，我们开发了一种基于高斯过程（GP）的模型，该模型可以从在少量训练位置收集的载波相位测量中学习由地面反射引起的准周期性相位失真，并用它来生成高质量的合成样本。在这些样本的基础上，我们提出了纯相位定位变压器（POPT），这是一种纯编码器变压器，可以捕获天线间点（AP）相位关系，而无需解决基于模型估计器的高度非凸最大似然（ML）问题。我们还针对所考虑的多径纯相位 D-MIMO 定位问题推导了基本位置误差界限 (PEB) 并开发了最大似然估计 (MLE)。数值结果表明，仅用 50 个 GP 训练位置，所提出的方法就达到了接近 PEB 的精度。分析 MLE 对相对介电常数失配高度敏感，而所提出的方法通过直接从测量数据学习相位扰动来减轻这种依赖性。与 MLE 相比，所提出的方法还分别将浮点运算 (FLOP) 复杂度和推理时间降低了约 1.7 和 3.6 个数量级。

本文讨论了具有低分辨率模数转换器 (ADC) 的大规模 MIMO 系统中的信道估计。首先，我们利用现有的神经网络架构来估计 MIMO 通道的分数（即先验分布的对数梯度）。然后我们将信道估计问题放入变分贝叶斯推理（VBI）框架中。使用通道得分，我们将 VBI 框架中传统使用的棘手的 Kullback-Leibler (KL) 散度目标函数转换为一种新的基于得分的目标函数。在基于分数的目标函数中，我们选择具有可调参数的高斯分布作为待估计通道的变分分布。最后，我们通过最小化基于分数的目标函数来估计变分高斯分布的参数。这是通过高斯分布黎曼流形上的梯度下降有效实现的。所获得的变分分布的平均值用作信道估计。与现有的同行相比，所提出的方法在信道估计精度和处理延迟方面表现出显着的性能优势。

具有多个射频 (RF) 链的多用户传输可实现灵活的空间复用，但会增加硬件复杂性和功耗。可编程超表面 (MTS) 提供了另一种通过单射频链接入点 (AP) 引入空间自由度的方法。本文提出了 \emph{Semantic Prism}，一种支持 MTS 的框架，用于同时向多个用户传输独立的语义消息。 Semantic Prism 将多用户语义表示联合映射到公共 AP 符号序列和相应的离散 MTS 配置序列，使每个用户能够从接收到的信号序列中恢复其预期消息。这种映射是通过基于学习的调制器实现的，该调制器将多用户语义表示和信道状态信息 (CSI) 作为输入，同时考虑 MTS 的离散相位控制约束。为了促进实际部署，我们进一步开发了一种现场通道微调方法，增强了对 CSI 不确定性的鲁棒性。我们在 400 个元件的 MTS 原型上成功实现了 Semantic Prism，该原型具有 2 位相位控制，工作频率为 3.5 GHz。现场测试表明，Semantic Prism 在所考虑的基线上显着改善了多用户语义重建，并使单射频链 AP 能够同时为最多七个用户提供服务。

射频传感的一个基本挑战是，通过链路观察到的多普勒特征将目标的运动与传感几何形状纠缠在一起，导致对不受约束的现实世界设置的适用性有限。在本文中，我们为物理可解释的射频传感奠定了新的基础，将反射器速度与几何形状分开，共同恢复每个主要多普勒脊的速度、几何因子、相对幅度和宽度。更具体地说，我们首先开发 WiFi 频谱图的紧凑参数表示，并通过对大型且多样化的人类活动数据集进行系统计算机视觉分析来建立其低维结构，从而为学习提供易于处理的基础。基于这种表示，我们然后设计了一个基于物理的自动编码器，其结构化瓶颈和可微的射频前向模型强制对反射器速度和几何形状进行物理上有意义的估计。我们进一步引入了合成到真实的训练框架，消除了对真实 WiFi 训练数据的需要。我们使用独立生成的综合测试集和 31 个真实 WiFi 实验，在已知和时变几何条件下广泛验证了所提出的框架。结果表明，在速度和几何提取方面具有卓越的性能，可以在所有设置中稳健地恢复基础几何结构、速度、多普勒脊振幅和脊宽度，同时大大优于最强的基线。

随着下一代无线系统向高频段迁移，超大规模多输入多输出（XL-MIMO）对于应对严重的路径损耗是必不可少的。然而，沿着极大阵列孔径（ELAA）接收的路径能量可能表现出空间非平稳性，使得传统的离散傅里叶变换（DFT）码本由于其全阵列角度表示而不足以用于信道估计（CE）。为了解决这种不匹配问题，我们提出了一种新颖的联合角度子阵列（JAS）码本，其中每个码字对应于角度方向和特定子阵列。因此，空间非平稳CE被转化为JAS域中的结构化稀疏支持检测。然而，对于传统的基于模型的方法来说，可靠的支撑恢复仍然具有挑战性。因此，我们开发了一个信号处理和深度学习协同设计框架，其中数据驱动的 JAS 并行支持检测随后是基于最小二乘 (LS) 的通道重建。每个 JAS 网格的匹配滤波器响应被嵌入到高维特征向量中。然后，我们提出了一个 Gram-attention 模块，它将 Gram 矩阵作为物理先验来指导特征纯化，使网络能够抑制与泄漏相关的组件，同时保留每个网格的支持相关信息。纯化后的特征被传递到解耦头以推断 JAS 域中的分层稀疏支持。最后，对由检测到的支持构建的低维字典执行 LS 以检索路径增益。仿真结果表明，所提出的框架在所有基线中实现了最高的支持检测 F1 分数和最低的 CE 归一化均方误差 (NMSE)，而消融研究验证了将 Gram 域物理先验与数据驱动的表示学习相结合的好处。

近场超大规模 MIMO (U-MIMO) 系统提供增强的空间分辨率，但给信道估计带来了挑战，特别是在采用混合架构时。在此框架内，需要基于字典的信道估计方案来从一组减少的测量中实现准确的重建。然而，现有的近场词典通常提供完整的三维覆盖，当用户设备主要位于地面时，这是不必要的。在本文中，我们提出了一种针对这种常见场景的新型近场网格设计。具体来说，网格点位于相对于 U-MIMO 系统位于任意高度的参考平面上，并配备有均匀的平面阵列。此外，使用信道精度度量来提高码本性能，并指出传统远场角度采样在近场中的局限性。结果表明，只要用户设备距离参考平面不远，所提出的网格在信道估计精度和频谱效率方面都优于最先进的设计。

当在大型联合字典上执行稀疏恢复时，超大规模多输入多输出（XL-MIMO）系统中的混合场信道估计会产生很高的计算复杂度。这封信提出了一种基于联合混合场字典的混合场活动集交替方向乘法器（HF-AS-ADMM）。该方法不是重复优化所有字典原子，而是从早期 ADMM 迭代中生成的优化信息中识别紧凑的活动集，并仅在生成的活动字典上执行剩余的迭代。这样，有效减少了计算负担，同时保留了联合混合场恢复的优势。仿真结果表明，与基准方案相比，该方法以更低的运行时间实现了更好的信道估计性能。

毫米波 (mmWave) 到亚太赫兹 (sub-THz) 链路可以实现高数据速率，但由于高方向性、有限的多径以及对视距 (LoS) 传播的依赖，极易受到动态阻塞的影响。虽然结构化和自愈梁是有前途的解决方案，但目前尚不清楚梁类型在动态阻塞下的表现如何。在本文中，我们对使用两种传输策略的结构化近场光束进行了实证分析。在一种极端情况下，我们研究没有障碍适应的梁弹性。在另一个极端，我们根据经验优化波束参数，以研究理想化适应下多种波束类型的限制。我们采用基于角谱法 (ASM) 的数值分析和使用亚太赫兹时域光谱 (TDS) 平台的实验验证来表征完全阻塞事件下的光束性能。对于所考虑的场景，尽管缺乏自愈能力，但当在阻塞事件期间未调整波束参数时（即，仅先验地优化所有波束时），聚焦波束可提供最强的恢复能力。相反，当最佳地适应障碍物位置时，弯曲梁可提供最佳性能。最后，虽然贝塞尔光束受益于自愈，但仅此属性不足以超越优化的弯曲光束和聚焦光束。这些发现为阻塞感知波束选择和适应协议提供了指导。

集成传感与通信（ISAC）通过频谱和硬件共享显着提高了资源效率，已成为下一代无线网络的关键使能技术。同时，超大规模天线阵列（ELAA）和高载波频率的部署不可避免地将信号传播环境转变为复杂的远场和近场混合环境。然而，实际的混合场 ISAC 系统面临着严格的硬件限制和不可避免的信道状态信息 (CSI) 错误。为了应对这些挑战，这封信研究了不完美 CSI 下混合场 ISAC 的鲁棒混合波束成形设计。我们根据严格的传感要求制定了最大-最小通信速率优化问题，联合设计了接收滤波器、模拟和数字波束形成器。为了解决由此产生的高度非凸问题，我们提出了一种高效的基于双循环惩罚的算法。仿真结果表明，所提出的方案对 CSI 错误具有鲁棒性，并且实现了接近全数字波束成形的性能。此外，它满足传感要求，通信速率下降可以忽略不计，并且显着优于传统的远场设计。

在本文中，我们研究了为近场区域的多个用户提供服务的宽带太赫兹（THz）通信系统的波束成形。引入采用固定真实时间延迟（FTTD）和移相器（PS）的混合波束成形架构来减少空间宽带效应。全连接（FC）和子连接（SC）架构均被考虑。为了最大化频谱效率，我们引入了基于惩罚的加权最小均方误差（PWMMSE）方法，其中通过加权最小均方误差（WMMSE）和惩罚方法重新表述频谱效率最大化问题，然后以块坐标下降（BCD）方式求解。为了降低计算复杂度并避免 PWMMSE 中对全通道状态信息（CSI）的要求，进一步提出了一种低复杂度启发式波束形成方法，其中首先基于视距（LoS）通道设计模拟波束形成器，随后使用低维等效通道优化数字波束形成器。数值结果表明：1）所提出的方法可以有效减轻空间宽带效应； 2）与基于真时延（TTD）的架构相比，所提出的架构实现了更高的能效； 3) SC架构实现了更高的能效，并在有限的FTTD预算下针对天线阵列缩放和带宽扩展表现出卓越的鲁棒性。

下行信道状态信息（CSI）反馈对于频分双工大规模MIMO至关重要，但反馈开销随着天线和子载波数量的增加而迅速增长。为了减少这种开销，大多数深度学习方法通​​过将 CSI 视为通用图像来压缩 CSI，从而使其低秩多路径结构未被利用。相比之下，模型驱动的替代方案明确地将这种结构嵌入迭代恢复中，但代价是高计算复杂性和延迟。为了克服这些限制，我们提出了一种低秩先验引导（LRP）框架，该框架在用户设备处执行可学习的秩一感测，以将CSI压缩为低维码字，并通过在基站处的直接秩一合成来重建CSI。压缩和重构联合优化，充分利用CSI的低秩结构。我们进一步开发了 DCRNetV2，它保留 LRP 作为其主干，并使用门控扩张卷积残差路径来补偿有限秩误差。实验结果表明，LRP 的性能优于基于迭代模型的方法，且复杂度较低，而 DCRNetV2 比现有的基于学习的方法实现了更好的精度-复杂度权衡。

本文提出了一种可移动天线（MA）阵列辅助无人飞行器集成传感与通信（UAV-ISAC）的创新框架，旨在表征通信吞吐量和发射波束方向图精度之间可实现的权衡区域，这是 UAV-ISAC 系统中有效传感的关键推动因素。该框架联合优化发射波束形成、无人机轨迹和 MA 位置，通过最大化平均可实现吞吐量同时最小化雷达探测误差来表征权衡。为了解决非凸优化问题，通过利用逐次凸逼近（SCA）和粒子群优化（PSO）技术，开发了一种基于块坐标下降（BCD）的高效算法。数值结果表明，所提出的方案在数据速率和雷达传感精度方面显着优于传统的固定天线解决方案，同时有效地揭示了通信和雷达传感性能之间可实现的权衡区域。

近场 (N-F) 视距 (LoS) MIMO 信道通过描述相对收发器几何形状的少量几何参数实现紧凑表示，从而无需估计完整信道矩阵即可实现低开销信道采集。本文考虑了在具有多个下行链路接收天线但只有单个活动上行链路（UL）发射链的实际非对称用户设备（UE）天线功能下的下行链路（DL）信道捕获。在此设置中，跨大 BS 孔径的 UL 观测能够准确估计 UL 活动 UE 天线的相对位置，但不足以确定整个 UE 阵列的方向。我们提出了一种基于两级几何的 N-F LoS MIMO 信道捕获框架，该框架在 BS 和 UE 之间分配信道定义几何参数的估计。首先，单个UL导频序列使BS能够估计两个BS侧参考角，这两个参考角参数化UL活动UE天线的相对位置。 BS将这些估计传送给UE并发送两个DL导频序列，UE根据这两个导频序列估计剩余的阵列方向参数。我们推导出第一阶段参数的 Cramer-Rao 下界 (CRLB) 和 UE 方向的一阶误差协方差近似，明确捕获第一阶段估计不确定性的传播。数值结果表征了由此产生的误差传播，并展示了使用一个 UL 和两个 DL 导频序列对几何参数的准确估计以及 LoS MIMO 信道的重建。

全双工 (FD) 通信理论上可以使频谱效率提高一倍。尽管具有这种潜力，但其实际性能主要受到严重的自干扰 (SI) 和同信道干扰的限制。此外，传统的固定天线阵列空间灵活性有限，导致SI抑制的空间隔离不足。为了解决这个问题，这封信提出了一种由收缩天线系统 (PASS) 辅助的 FD 架构。通过动态调整发射和接收天线位置，系统可实现大规模信道重新配置，从而与基站 (BS) 波束成形协同作用，抑制 SI 并增强所需的信号接收。为了展示 PASS 在 FD 通信中的潜力，我们提出了一个加权和速率最大化问题，该问题联合优化天线位置、BS 波束成形和功率分配。为了解决这个非凸问题，我们使用加权最小均方误差（WMMSE）框架重新表述它，并开发一种有效的交替优化（AO）算法来迭代更新优化变量。仿真结果表明，所提出的 PASS 辅助 FD 架构显着优于传统的固定天线阵列，实现了可观的总速率增益，同时有效减轻 SI 以实现 FD 操作。

在这封信中，我们研究了受最大发射功率和天线定位影响的多波导收缩天线系统的资源效率（RE）最大化问题。为了有效地解决公式化的 RE 问题，我们提出了一种基于黎曼共轭梯度的交替优化（RCG-AO）算法。具体来说，引入辅助变量将原始球面度数约束转化为多个不同半径的球面约束。对于每个固定的辅助变量，波束成形的求解被转换为低维球面上的搜索，使用黎曼共轭梯度法可以有效地求解。通过最近用户投影初始化天线位置，梯度投影算法有效地在高维线性空间中搜索天线位置。最后通过交替黄金分割搜索有效解决了原问题。实验结果表明，所提出的 RCG-AO 算法比基于欧几里得梯度投影和罚函数方法的交替优化方法收敛得更快。此外，最近的用户投影方法被证明可以有效地确定收缩天线的合适初始位置。

在本文中，可旋转天线（RA）通过利用天线旋转提供的新方向域空间自由度（DoF）来增强近场集成通信和传感（ISAC）。具体来说，提出了一种使用子连接混合波束成形的支持 RA 的近场 ISAC 框架，其中每个发射 RA 可以在实际旋转约束下独立调整其视轴方向。开发了一种包含方向相关天线增益的球面波信道模型，用于描述存在杂波的情况下的多用户通信和目标感测。基于该模型，通过联合优化接收波束形成器、数字波束形成器、模拟波束形成器和RA视轴方向，最大化通信速率和感知速率的加权和。为了解决由此产生的非凸问题，通过结合分数规划、黎曼优化和基于球冠 Frank-Wolfe 的视轴更新，提出了一种交替优化算法。此外，还导出了封闭式根 Cramér-Rao 界 (RCRB) 表达式来分析 RA 旋转对近场传感精度的影响。数值仿真结果验证了所提算法的收敛性和有效性。结果表明： i) RA 旋转通过视轴调整改善了有效信道条件，增强了系统性能，甚至在某些情况下超越了全数字固定位置天线（FPA）基准； ii) RA 旋转增强了离舷侧目标照明并改进了近场目标估计； iii) 优化的 RA 视轴增强了距离域聚焦并抑制近场中的同角杂波。

超大多输入多输出 (XL-MIMO) 系统{为近场和远场区域的用户提供服务}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。

连续孔径阵列 (CAPA) 为集成传感和通信 (ISAC) 提供丰富的电磁自由度，但优化连续电流分布会导致具有挑战性的无限维问题。本文研究了支持 CAPA 的下行链路 ISAC 系统，该系统具有符号级预编码和接收极化组合。发射电流经过优化，可最大化加权目标照明功率，同时对通信用户实施相长干扰限制。为了解决由此产生的无限维非凸问题，我们确定最佳电流分布位于通信和传感电磁响应跨越的有限维子空间中。该结果根据有限维系数产生了精确的、保持结构的重构。然后开发惩罚投影梯度算法来联合优化当前系数和偏振组合器。仿真结果表明，与传统的傅里叶基 CAPA 和空间离散阵列基线相比，所提出的框架具有更高的传感效用和更高的通信可靠性。

随着更高频段和超大规模多输入多输出阵列的使用，无人机（UAV）通信链路可以在近场区域运行，其中球面波传播和平台运动导致复杂的信道变化。本文研究了无人机辅助近场时变通道的建模和跟踪。首先，建立球面波信道模型来表征无人机运动和姿态变化对阵列路径几何形状的影响。然后，开发了基于子阵的多普勒模型，其中视线多普勒频移在子阵之间变化，而非视线分量表现出路径相关的多普勒频移。基于该模型，开发了基于子阵列的降维卡尔曼滤波（KF）框架，用于低复杂度的信道跟踪。构建了降维字典域状态空间模型，并采用结合 KF 和 Rauch-Tung-Striebel 平滑的期望最大化框架来估计导频观测中的信道演化参数，然后使用学习模型进行递归 KF 跟踪。在此降维 KF 框架的基础上，进一步开发了 KalmanNet 增强跟踪方法，以提高跟踪精度和针对过程噪声协方差失配的鲁棒性。通过保留学习的状态转换模型和已知的试点观察模型，KalmanNet 增强型跟踪器采用循环神经网络来估计创新和状态更新特征的卡尔曼增益，从而降低其对不准确的过程噪声统计的敏感性。仿真结果证明了所提出的降维跟踪框架的有效性，并表明 KalmanNet 进一步增强了跟踪精度和针对过程噪声失配的鲁棒性。

为了满足对高数据速率和大容量日益增长的需求，下一代无线通信系统需要配备大量天线的收发器。具有超表面天线的大规模多输入多输出（MIMO）已成为一种有前途的解决方案。在本文中，我们研究了新兴的可重构智能超表面天线（RIMSA）阵列系统的信道估计问题。具体来说，我们开发了一种基于压缩感知（CS）原理的两阶段细化（TSR）信道估计方法。在第一阶段，我们利用 RIMSA 的天线结构通过在所有 RIMSA 上设置相同的相位响应向量来接收导频。这样，降低了CS框架下测量矩阵的相干性，提高了信道估计性能。然而，这种特殊设计引入了信道到达方向 (DoA) 估计模糊性，并产生模糊的候选 DoA 集。在第二阶段，我们优化超材料元件的相位响应以解决模糊性并准确估计DoA和信道系数。总体而言，第一阶段估计精度的提高是以模糊性为代价的，而这种模糊性在第二阶段被消除。我们通过给出数值结果并将其与现有方法进行比较来说明 TSR 方法的性能优势。

将传感融入通信对于现代生活的全联接、智能化发展至关重要。现有的光纤传感和通信系统只是共存，限制了可扩展性。整体共同设计的传感和通信框架共享双功能导频、单个发射机和点对多点网络资源。它实现了精度为 1.56 MHz 的多点频率同步，声学传感响应高达 12 kHz，通过片上光梳生成可扩展至 28 kHz。

人工智能（AI）的快速发展需要高性能的硬件加速器。使用微环谐振器 (MRR) 的光子计算引起了人们的极大兴趣，但传统架构主要使用 MRR 作为标量权重，速度受到约 10 GHz 谐振线宽的限制。在这里，我们通过利用其脉冲响应将 MRR 重新定义为可编程时间卷积核，从而实现超出谐振线宽的计算。以 128 Gbaud 符号率运行的单个 MRR 可实现每秒 5.12 万亿次操作 (TOPS) 的计算吞吐量，比标量加权提高了 160 倍。通过将时域卷积与波分、空分复用相结合，我们实现了吞吐量为120.8 TOPS的多通道MRR卷积引擎，并将硬件复杂度从O( N 2 )降低到O( N )，实现了48.05 TOPS/mm 2 的计算密度。该框架通过光学调制格式识别、网络异常检测和图像分类进行了实验验证，为光子人工智能加速器建立了可扩展的计算原语。

长距离空分复用光纤传输会遭受模式色散和繁重的接收端 MIMO 处理。放置在中间节点的可编程光子单一处理器使用可微分模型直接优化传输通道。低损耗、全 C 波段、偏振无关处理器通过实验实现了 1,300 公里的三模传输，同时降低了模态色散和后处理复杂性。

本文提出了一种新型的以用户为中心（UC）的无小区大规模 MIMO（CF-mMIMO）架构，该架构由六维可移动天线（6DMA）和灵活的智能超表面（FIM）提供支持，并与两层速率分割多址（RSMA）框架集成。与传统的固定位置部署不同，该架构通过动态优化支持 FIM 的 6DMA (6DMA-FIM) 接入点 (AP) 的三维位置、方向和表面形态，联合利用大规模统计信道特性和瞬时 CSI，同时通过两层 RSMA 分层减轻集群间和集群内干扰。这种统一的空间电磁信号域设计显着增强了密集UC网络中的传播条件、阵列增益和干扰抑制。由此产生的对天线运动、超表面配置、波束成形、功率分配和 RSMA 预编码的联合优化产生了高度耦合和非凸的高维问题。为了有效应对这一挑战，我们开发了具有扩散增强采样的元分布式 Langevin Soft Actor-Critic (Meta-LSAC-DA) 框架。所提出的学习架构利用元学习来跨异构通道实现提取可转移的几何和电磁先验，结合分布式强化学习来进行不确定性感知值估计，并采用基于朗之万和扩散增强的采样来确保在受限连续动作空间中的稳定探索。数值结果表明，所提出的 6DMA-FIM 辅助两层 RSMA 架构在频谱效率 (SE)、可扩展性和鲁棒性方面明显优于传统固定天线、刚性 6DMA、单层 RSMA 和基于 SDMA 的 CF-mMIMO 系统。此外，Meta-LSAC-DA 在不同的用户分布中实现了更快的收敛和卓越的泛化，凸显了其对智能和自适应 6G 无线网络的有效性。

低空经济作为新兴生产力，受到各界广泛关注。集成传感与通信（ISAC）是第六代无线网络（6G）的关键技术之一。因此，低空ISAC无线信道建模是构建低空无线网络（LAWN）的基础。本文提出了一种基于无人机对地集群的 ISAC 信道模型。首先，根据散射体对ISAC信道的贡献，将物理环境中的散射体分为：感知簇、通信簇、I型共享簇和II型共享簇。基于这种新颖的分类法，推导了空对地（A2G）通信信道和传感信道的信道脉冲响应（CIR），充分考虑了无人机的移动特性（例如飞行轨迹、速度和方向）、散射体的移动以及地面用户设备（UE）的移动性。其次，分析和比较了通信和传感信道的统计特性，包括空时频相关函数（S-T-F CF）、多普勒功率谱密度（PSD）和延迟PSD，以及数值结果和有趣的结论。最后，为了验证所提出的信道模型的实用性，采用射线追踪技术来模拟校园环境中的低空ISAC信道。所提出的通道模型与光线追踪结果之间的一致性验证了其实用性。该工作为低空ISAC网络的理论探索和系统设计奠定了基础。

随着空中移动应用的日益突出，其成功取决于地面和非地面网络连接的无缝集成。然而，由于视距 (LoS) 条件下基站 (BS) 对无人机 (UAV) 的多小区干扰、天线旁瓣退化导致的覆盖盲区、局部多径衰落效应以及空中用户的高速动态，提供地面电信网络的可靠连接仍然具有挑战性。为了对这种复杂性（通常因稀疏的现实世界数据而加剧）进行建模，这项工作提出了一个双阶段无线电环境图（REM）框架。我们的方法在物理上解耦了信道建模，其中空间变换器首先锚定确定性的大规模路径损耗几何形状，而门控循环单元（GRU）随后推断随机的局部快衰落偏差。通过将 3D 空间插值重新表述为 1D 径向序列预测任务，该框架本质上与传播物理学保持一致。我们使用经验 5G 数据集，根据最先进的基线（包括 3D Kriging、UNet、Mamba 和 Inception）评估所提出的框架。结果表明，在不同海拔高度、用户动态和参考信号接收功率 (RSRP) 数据集上，站点内泛化能力有所提高，实现了信号强度预测，误差接近 3 dB，REM 空间相似性指数超过 0.75。最后，我们研究了 REM 和信道等级条件对无人机信道质量的影响，强调了可靠的信道建模对于稳健空中连接的必要性。

在低空空域部署无人机（UAV）需要准确、及时的无线电地图，以实现可靠的通信和安全导航。然而，由于详尽测量的开销和无人机有限的飞行续航时间，构建此类无线电地图具有挑战性。为了应对这一挑战，我们提出了一种基于流匹配的主动学习框架，用于通过稀疏测量有效构建低空无线电地图。我们首先分析具有流匹配先验的即插即用（PnP）推理方案。通过常微分方程 (ODE) 表征后期细化行为，我们从理论上展示了推理步骤如何与连续 ODE 流平滑对齐以细化地图细节。认识到早期生成阶段很大程度上是噪声主导的，这一见解激发了我们提出截断流匹配即插即用（TFM-PnP）方法。 TFM-PnP 利用基于空间插值的初始化从中间流动时间开始重建，从而绕过低效的早期阶段。我们进一步利用流匹配的生成多样性来导出不确定性图来指导无人机轨迹设计。具体来说，我们提出了一种加权采样方法来选择目标位置，然后采用实用程序感知路径搜索（UAPS）算法来设计相应的无人机轨迹。基于 Sionna 光线追踪数据集的仿真结果表明，所提出的框架优于所考虑的基线，实现了归一化均方误差 (NMSE) 降低 50% 以上。

集成传感和通信（ISAC）被认为是下一代通信系统的一项有前途的技术，可以实现同时高速数据传输和精确的目标传感。在ISAC的各项任务中，散射传感对于充分发挥ISAC的潜力以及支持自动驾驶和低空经济等应用发挥着至关重要的作用。然而，大多数现有方法依赖于波形和硬件修改或传统信号处理方案，导致与当前通信系统的兼容性差且传感精度有限。为了应对这些挑战，我们提出了 CSIYOLO，这是一种仅使用来自单个基站-用户设备对的估计信道状态信息（CSI）来执行散射定位的框架。该框架包含两个主要组件：基于锚的散射参数检测和基于 CSI 的散射定位。首先，通过将散射参数提取表述为图像检测问题，我们提出了一种基于锚的散射参数检测方法，其灵感来自 You Only Look Once 架构，并具有自适应鬼目标去除策略。之后，导出基于 CSI 的定位算法，用提取的参数确定散射位置。此外，为了提高定位精度和实施效率，我们设计了一种可扩展的网络结构，具有面向任务的优化，能够实现多尺度锚点检测并更好地适应CSI特征。进一步设计了噪声注入训练策略以增强针对信道估计误差的鲁棒性。由于所提出的框架仅在估计的 CSI 上运行，而不修改波形或信号处理管道，因此它可以作为插件无缝集成到现有通信系统中。实验表明，我们提出的方法在不同数量的散射和估计误差下，在散射定位精度方面可以显着优于现有方法，并且复杂度相对较低。

毫米波 (mmWave) 像素天线系统中的信道估计面临稀疏多径传播和可重构辐射方向图的挑战。本文提出了一种天线编码增强信道估计框架。首先通过超分辨率算法根据飞行员测量结果估计到达角 (AoAs)。然后，利用两个偏振分量固有的共享支持特征，通过相关搜索来估计出发角 (AoD)，然后对路径增益进行最小二乘 (LS) 恢复。为了提高估计精度，我们通过最小化等效传感字典的相互相干性来优化天线编码矩阵，这相当于设计正交模式编码器。数值结果表明，所提出的方法在迎角和信道估计方面均实现了优异的精度，显着优于 LS 和传统的基于网格的压缩感知（CS）基准。

集成传感和通信 (ISAC) 涵盖射频 (RF)、可见光、光纤、电力线和声学系统，但跨这些领域的技术转移仍未得到充分探索。本文探讨了以 RF-ISAC 为中心的双向知识和技术转移。它展示了 VLC 如何促进功率域传感、光纤如何实现差分参考和分布式处理、以及 PLC 如何促进拓扑感知监控和自适应探测。相反，RF-ISAC 有助于联合信号设计、干扰抑制和弱返回恢复。本文重点介绍了可转移原则、改进 ISAC 所需的调整以及物理介质中可能丢失的信息。

路边单元 (RSU) 网络中的毫米波 (mmWave) 波束管理需要对大型码本进行详尽的波束扫描，从而产生较高的开销。这封信提出了一种数据驱动的无线电地图缓存框架，其中 RSU 从稀疏信道测量中训练解耦的发射 (TX) 和接收 (RX) 波束地图，并将其一次性上传到用户设备 (UE)。 UE 使用其 GPS 位置和阻塞状态在本地查询两个地图，以检索前 K 个候选发射和接收波束，并从短的空中导频扫描中选择最终对。这消除了传统波束管理中重复出现的每波束测量和报告循环：没有实时信道状态信息（CSI）反馈，没有每波束接收功率报告，并且每个对准只有两个轻量级波束索引消息。评估表明，缓存少量波束候选可以共同解决这两种缺陷，在严重的定位误差下恢复接近最佳的波束成形增益，同时在除 GPS 之外没有定位基础设施的标准硬件上保持对训练稀疏性低至数百个测量的鲁棒性。

在本文中，为了增强低空无线网络（LAWN）中面向数据新鲜度的集成传感与通信（ISAC）性能，我们首先建立了支持ISAC的LAWN模型，推导了面向通信的数据新鲜度和面向传感的信号与干扰加噪声比（SINR）的数学表达式。在此基础上，我们建立了感知SINR和通信数据的平均信息年龄（AoI）的联合优化问题。随后，提出了一种基于注意力机制的多目标进化算法来解决公式化的优化问题。最后，仿真结果表明，与基线相比，所提出的算法在传感性能和通信数据新鲜度之间提供了更好的平衡。

准确的信道状态信息 (CSI) 对于先进的多天线无线网络至关重要。而配备高保真和特定站点光线追踪 (RT) 的无线数字孪生可以克服 CSI 采集的开销。然而，从无线数字孪生中为每个正交频分复用 (OFDM) 符号计算确定性的、经过校准的基于 RT 的 CSI 违反了 5G NR 数字学中严格的微秒延迟预算。为了克服这一计算瓶颈，本文研究了校准 3D 数字孪生框架内的三种方法，即（i）通道孪生的泛化，（ii）使用神经接收器的性能增强，以及（iii）用于可扩展性的数据驱动插值框架。我们为时间锚点的稀疏子集计算高精度 CSI，并采用基于注意力的 Transformer 来预测剩余符号。与多项式样条或顺序长短期记忆 (LSTM) 网络不同，Transformer 利用全局感受野来捕获非线性多路径动态，同时实现可并行的实时推理。为了实现空间可扩展性，我们引入了通道孪生泛化。通过与 Transformer 一起微调 3D RT 模型，该框架利用一个位置的 CSI 数据集来推断不可见环境的信道行为。迁移学习仅使用一小部分本地收集的数据，进一步使模型适应新环境。仿真结果表明，所提出的架构大大优于基线插值器，实现了鲁棒的空间可转移性，并通过统一神经接收器降低了误码率。这些结果为下一代蜂窝网络中高质量、低开销的 CSI 采集建立了可扩展、与环境无关的分布式通道双胞胎基础。

小型多输入多输出 (MIMO) 雷达阵列的准确波达方向 (DOA) 估计受到其孔径的限制，而添加天线会增加硬件成本。基于快照的阵列仿真会在应用多重信号分类 (MUSIC) 之前重建大型阵列观测结果，但重建误差可能会扭曲用于 DOA 估计的频谱峰值。相反，我们直接从小阵列测量中生成理想化的大阵列音乐频谱。协阵列压缩结合了冗余虚拟通道，产生的协方差和音乐频谱条件形成了扩散模型。对多个生成的光谱中的峰值进行一致得出 DOA 估计值。对波动目标的模拟表明，该方法优于场景匹配快照重建网络和其他匹配的确定性频谱预测器。小数组和大数组 MUSIC 及其 Cram\'er-Rao 界限提供了参考比较。该方法在推理时仅使用小阵列改进了角度估计。

随着第六代无线系统的兴起，集成传感与通信（ISAC）越来越多地采用MU-MIMO-OFDM进行四维联合参数估计。然而，现有方法面临两个关键挑战：超分辨率的计算复杂性随着网格细化而迅速增长，而网格方法的精度有限且容易出现虚假估计。本文提出了具有离网细化的快速傅里叶正交匹配追踪（FFOMP-OGR）算法来解决这两个问题。首先，FFOMP-OGR 利用 4D MU-MIMO-OFDM 信号中的 Vandermonde 结构在 OMP 内执行基于 FFT 的字典匹配，从而降低复杂性，而不受网格分辨率的限制。其次，它通过非线性最小二乘细化增强了 OMP，联合优化原子位置和振幅，实现无网格、任意精度估计，同时保持增强的正交性。仿真结果表明，FFOMP-OGR算法在保证估计精度的同时，显着降低了计算复杂度，为ISAC系统的实际实现提供了有效的解决方案。

无小区大规模多输入多输出（CF-mMIMO）是 6G 网络的一项关键技术，通过利用时分双工（TDD）操作下的信道互易性来实现高效的下行链路波束成形。然而，收发器链中不匹配的射频 (RF) 增益导致复合通道不可逆。在大规模分布式部署中，校准面临两个基本挑战：串行方案固有的天线间误差的累积以及全局优化的计算复杂性过高。为了克服这种权衡，我们提出了一种新颖的分层组校准（HGC）框架。通过采用可扩展的两跳架构，HGC 在物理上中断累积错误链，同时避免全局方法的复杂性。我们推导了一个封闭式均方误差（MSE）表达式，它明确地捕捉了几何距离和硬件缺陷的联合影响。在此分析的指导下，我们开发了一种拓扑感知的分层分组算法（HGA）来迭代优化参考选择和分区。数值结果证实，与传统基准测试相比，HGC 实现了卓越的性能和稳健性。

传统的迭代接收机通常从使用稀疏导频观测的信道估计开始，然后基于信道估计进行数据检测，然后使用决策反馈更新信道估计，等等。在基于人工智能（AI）的接收机设计中，利用这种逐渐丰富的数据观测来增强生成信道估计也至关重要。然而，数据决策的统计特性和可靠性总是随着信道估计过程而演变，这给整体学习框架和算法的设计带来了巨大的挑战。在本文中，我们提出了\textit{Diff-Rx}，一种增量调节的基于扩散的接收器，具有共同设计的数据检测和信道估计，用于多输入多输出正交频分复用（MIMO-OFDM）系统。具体来说，我们开发了一种条件自适应后训练方法，使生成信道估计器能够适应通过软数据决策逐渐丰富的调节输入，并且还隐式地对齐导频和数据引起的信道特征空间，以减轻潜在的估计误差。无阈值软决策提供平滑的条件更新，无需针对特定条件进行可靠性调整。我们进一步开发了一种条件扩散变压器，它能够在噪声观测和各种导频模式下执行鲁棒的信道估计，同时将传统的多步扩散生成减少到一步。对统计和特定站点光线追踪通道的仿真表明，Diff-Rx 在不同噪声水平、导频密度和调制方案下表现出一致的增益，并且在低至 1/32 的导频密度下工作良好，同时在通道估计和数据检测性能方面实现了显着改进。

本文提出了一种基于目标的智能反射面（IRS）辅助的实时无人机（UAV）跟踪集成传感和通信框架，解决低空经济中的链路阻塞和雷达截面弱等挑战。通过将IRS集成到无人机上，该系统创建了一个移动协作目标，该目标为自我跟踪提供可控的视线回波，同时充当增强地面通信的移动中继。我们为机动无人机建立了全面的三维状态演化模型。基于该模型，立即实现扩展卡尔曼滤波器，以实现对移动无人机的实时跟踪。为了表征这种递归估计过程的基本理论限制，我们推导了分析后 Cramer Rao 界限和椭圆权衡性能界限的封闭形式表达式，以量化传感精度和通信吞吐量之间的关系。为了确保毫秒级的响应能力，我们开发了一种低复杂度的联合波束成形设计。通过利用跟踪和通信需求之间的解析映射，所提出的方案产生波束成形矢量的封闭形式解，有效地绕过了传统方法耗时的数值迭代。数值模拟表明，所提出的框架在复杂的机动轨迹上显着优于传统的固定部署基准，实现了厘米级的精度，同时大幅降低了发射功率和处理延迟。

信道估计是 BD-RIS 辅助 MIMO 系统的中心瓶颈。更丰富的元件间耦合可实现巨大的性能提升，但也使训练和硬件控制比对角 RIS 架构更加困难。现有的估计器要么仅针对级联通道，要么需要逐块重新配置 BD-RIS 互连，这两种方法成本高昂且难以在实践中实现。为了克服这一限制，我们提出了一种基于两时间尺度协议的群连接 BD-RIS 的导频辅助张量框架，其中散射结构由具有固定因子矩阵的低秩 PARAFAC 模型表示。这种设计使互连拓扑在模块之间保持恒定，并且仅更新相移，从而在不牺牲估计质量的情况下实现实际操作。在此结构的基础上，我们开发了一种基于 PARAFAC 的交替最小二乘 (PALS) 接收器，用于恢复各个通道。数值结果证实，PALS 提供的复合通道 NMSE 明显低于传统 LS，与最先进的张量接收器的精度相匹配，并大幅降低 BD-RIS 设计复杂性。

本文提出了角轨迹自适应张量跟踪（ATTRACT），这是一种结构感知交替最小二乘算法，用于可重构智能表面（RIS）辅助传感中的低延迟目标跟踪。接收到的回波表示为动态三阶 PARAFAC 张量，该张量分离角度、延迟和多普勒信息。与批量张量估计器不同，ATTRACT 一次处理一个数据切片并推进前面的因子估计，从而避免了在更新目标状态之前收集整个传感窗口的需要。其显着特点是通过已知的发射机-RIS 通道、导频信号和 RIS 配置将延迟和多普勒结构集成到每次迭代更新中。数值结果表明，对于足够大的 RIS，ATTRACT 在高信噪比下实现了与离线张量基线相当的精度，同时减少了计算开销并提供了逐槽估计。

本文解决了分数多普勒效应突出的高移动场景中正交时频空间 (OTFS) 信道估计的关键挑战。这种现象将通道的固有稀疏性降级为复杂的结构稀疏性，这一挑战凸显了传统方法的有限精度与纯数据驱动模型缺乏可解释性之间的困境。为了解决这一困境，我们提出了一种基于快速迭代收缩阈值算法（FISTA）的物理感知深度展开方法，该方法提出了两阶段创新。首先，我们的基线模型 FUNet（带有 U-Net 的 FISTA）嵌入了一个强大的基于 U-Net 的降噪器，旨在显式学习结构稀疏性的模式。其次，我们的最终模型 FUNet-PA（FUNet-Physics Aware）通过集成新颖的物理感知自适应融合模块（PAAFM）进一步增强了这种降噪器，以解决与通道多尺度各向异性物理的不匹配问题。模拟结果验证了我们提出的框架在估计的准确性和鲁棒性方面提供了显着的收益。具体来说，在信噪比 (SNR) 为 30 dB 的情况下，我们的基线 FUNet 比竞争性深度学习方法将归一化均方误差 (NMSE) 提高了约 8 dB，而 FUNet-PA 中 PAAFM 的集成进一步提高了约 2 dB。

可移动天线 (MA) 系统通过在有限区域内重新定位天线来重新配置无线信道。在每个候选位置的信道已知的前提下，研究了该能力背后的位置优化。然而，获取这些知识的成本很高：只有在天线移动到某个位置后才能测量该位置，这会以执行器的速度占用许多槽，同时信道也会漂移。我们将 MA 定位制定为具有可达性约束的非平稳核化老虎机，其中探索、跟踪和传输过程中损失的奖励通过单个物理动作耦合起来。我们提出了 MoveUCB，它通过全局目标搜索、跨时隙保存目标的持久性规则以及传输感知移动成本项来解决可达性约束。我们证明，仅通过常数输入物理参数，MoveUCB 在非平稳老虎机的标准变分预算条件下即可实现亚线性动态遗憾。针对动态编程预言机和无移动感知基线的模拟表明，MoveUCB 的遗憾程度最低，其行程约为最近移动基线的一半。

在亚半波长元件间距下，如果忽略互耦，互耦会使 RIS 通道估计降低几个分贝，但无源表面无法感知其自身的响应，并且现有的耦合感知估计器需要先验的散射矩阵。这封信提出了一种稀疏信道估计器，当耦合完全未知时，该估计器仍然保持准确：平移不变性、互易性和单镜面将均匀平面阵列的散射矩阵限制为块托普利茨形式，在耦合半径 r 上具有 (r+1)2-1 系数，从而将联合问题减少到可以从远低于阵列大小的导频预算中恢复的一些未知数。在具有 12 个导频的 64 元件 RIS 上，估计器在获得精确散射矩阵的精灵的 1.5 dB 范围内运行，而耦合盲估计器在高 SNR 下的误差底限高出 12 dB 以上。根据所报告的制造原型的耦合系数（其中包括超出假设模型的相互作用），估计器比耦合盲基线保留了 4.6 dB 的优势。

分布式集成传感和通信（DISAC）网络需要多目标跟踪方法，随着网络和目标群体的增长，其每节点计算和基站间通信仍然受到限制。现有的多传感器融合方法提供了坚实的理论基础，但可扩展性很少被视为主要设计目标。我们开发了一种分组测量置信传播多目标跟踪（MTT）方法，并将其与所提出的事件触发目标切换协议相结合。当预测跟踪目标在另一个基站变得可观测时，所有者会传输预测的跟踪消息，同时保留其本地副本。在有限的本地工作负载和邻居度下，我们表明所提出的切换方法的所有变体都具有与网络大小无关的每节点负载。仿真表明，相对于非协调处理，切换减少了边界跟踪损耗，并以较低的通信开销接近协调处理的精度。

由于级联通道的高维性质，可重构智能表面 (RIS) 辅助毫米波 (mmWave) 系统中的通道估计具有挑战性。现有的半盲方案通过利用未知的数据符号来减轻导频开销。然而，这些方案往往无法充分利用渠道先验。为了解决这些限制，我们提出了一种基于扩散模型 (DM) 的半盲后验采样 (DMSBPS) 算法，用于 RIS 辅助毫米波信道估计。所提出的算法利用预训练的 DM 作为学习的生成先验，并将未知数据符号近似为高斯随机变量。然后导出新的数据似然得分，并将其与导频似然得分和通道组合，然后联合引导后验采样。仿真结果表明，在有限的导频资源下，DMSBPS 的性能优于最先进的基于导频的半盲方法。

波束管理 (BM) 在维持下一代无线系统的可靠链路方面发挥着重要作用，特别是在使用大规模 MIMO (mMIMO) 的毫米波和太赫兹频率下。传统的 5G 波束选择方法通常会遇到采集延迟和信令开销的问题。在许多情况下，减少延迟也会降低吞吐量，因为波束搜索的粒度变得更小。为了解决这些问题，我们提出了 SwitchConvNet，这是一种基于深度学习 (DL) 的空间波束预测框架，专为移动感知城市宏小区 (UMa) 场景而设计。与传统的非深度学习方法相比，所提出的方法将波束采集时间减少了 80% 以上，同时还提高了吞吐量。它在 77% 的情况下实现了正确的 top-1 光束预测，并在近 97% 的情况下将最佳光束置于 top-3 预测内。此外，结合样条和高斯滤波的自适应切换滤波器（ASF）进一步提高了预测精度，提高了top-1性能，并将RSRP估计误差降低了约0.08 dB。重要的是，该框架在量化 RSRP 报告等实际限制下仍然有效，并且还减少了反馈和培训开销。这些结果表明 SwitchConvNet 是未来无线网络的可扩展且实用的选择。

集成传感和通信 (ISAC) 系统为波束跟踪提供了一个有前景的框架，可增强移动毫米波 (mmWave) 网络中的信道感知并提高通信可靠性。受此启发，我们提出了一种低复杂度、模型驱动的信道状态信息 (CSI) 框架，在支持 ISAC 的系统中具有集成的信道预测功能。为了减少 CSI 获取和上行链路反馈的开销，所提出的框架利用预测的目标感知参数从视距 (LoS) 和检测到的非视距 (NLoS) 组件构建部分 CSI。利用该部分 CSI，我们制定了波束成形优化问题，该问题可在每用户通信约束下最小化最差目标的 Cram\'er-Rao 界限 (CRB)。这个问题是非凸的并且高度非线性；因此，我们使用逐次凸逼近（SCA）和基于 Schur 补的分解技术开发了一种有效的次优解决方案，并与其他方法相比评估了其复杂性。此外，由于获得信道路径的绝对相位可能需要额外的导频资源，因此我们制定了不假设这一知识的鲁棒波束成形设计，并提出了基于样本平均的解决方案。数值结果表明，与基于通信的定位和跟踪以及分离的传感和通信等传统方案相比，基于ISAC的鲁棒信道预测和定位框架显着提高了预测精度和链路可靠性。这些结果凸显了 ISAC 在可靠、自适应、高频、易阻塞无线网络方面的潜力。此外，在严重阻塞场景下评估了所提出框架的性能，这进一步证明了网络可靠性的增强。

在城市环境中定位目标通常面临上行信号到基站 (BS) 的直接视距 (LOS) 传播受阻的挑战。我们将提出一种创新方法，使用收发器建立间接 LOS 连接来定位多个物体，而无需与 BS 同步。实际上，由于侧信道带宽或环境因素的限制，只有少量收发器的位置可用于定位。利用由未知同步偏移和在 BS 处观察到的收发器到达角 (AOA) 稀释的传播时间延迟，我们开发了一种解决方案来定位物体和未知位置收发器。定位问题被分解为两个子问题，一个是通过半定松弛来估计物体位置和未知位置收发器到基站的距离，另一个是通过线性加权最小二乘来细化收发器位置的AOA。综合分析验证了所提出的定位方法，证明了所开发的解决方案在小高斯噪声下的最佳性能，以及比现有联合估计方法更低的复杂性。

自动驾驶和机器人导航等安全关键应用中的多模态推理需要异构传感器观察才能在任务规定的时间窗口内到达边缘服务器。参考正在推断的事件或状态，该窗口在观察对当前决策仍然有用的最晚时间结束。由于传感器的准备时间、数据量、无线信道条件和任务相关性因传感器而异，因此最大化网络吞吐量并不一定能最小化窗口关闭时的融合预测误差。我们将多模态上行链路调度视为顺序无线证据采集，并且对于线性最小均方误差（LMMSE）融合模型，从残余误差量的减少中导出条件证据增益度量。该度量通过二阶统计定义，适用于高斯模型之外，并且当目标误差和预测误差共同为高斯时，与条件互信息一致。然后，我们开发了 MIRA，一种贪婪任务驱动的最大信息率分配策略，它将条件证据增益与每个传感器的通道状态信息和剩余数据量相结合，同时在获取证据时更新传感器相关性。综合分类、人类活动识别和车辆轨迹回归的实验表明，MIRA 的性能优于仅相关性调度和仅通道调度。相对于前者，MIRA 将分类准确率提高了高达 70%，并将回归均方误差 (MSE) 降低了高达 5.5%。相对于后者，它需要减少 58% 的采集时间才能达到 80% 的目标精度，同时实现高达 95% 的精度提升和 9% 的回归 MSE 降低。这些增益是在不最大化接收数据量的情况下实现的。

在即将推出的集成传感和通信（ISAC）系统中，安全性取决于窃听者（Eve）能否恢复数据符号或从合法接收器的共同观察中推断出传感信息。然而，现有的信息和估计措施并不能量化有限观测记录下的这种双重风险。这封信介绍了操作泄漏的新颖度量，它表示 Eve 在贝叶斯意义上重建通信符号或估计规定失真内的传感参数的最佳概率。通过表明先前的对抗成功概率将辅助信息的影响与观察的影响分开，我们提出了一种条件拉普拉斯近似，用于有效评估所提出的指标并联合量化传感和通信功能的窃听风险。数值结果表明，对抗性观察带来的风险随着 Eve 的信噪比 (SNR) 的增加而增加，传统指标不能唯一确定有限记录对抗性成功概率，并且所提出的条件高斯近似紧密遵循数值贝叶斯评估。

为了解决第六代（6G）无线技术的主要挑战，例如大规模机器类通信设备（MTCD）场景中的硬件部署成本高和接入机制不可靠等，提出了一种具有低分辨率模数转换器（ADC）的Agentic人工智能（AI）驱动的可重构智能表面（RIS）赋能的无小区大规模多输入多输出（CF-mMIMO）系统。基于导出的上行信号干扰加噪声比（SINR），进一步获得信息平均峰值寿命（PAoI）的近似封闭式表达式，以评估采用无授权（GF）接入方案的MTCD的可靠性。由于所产生的优化问题的高度复杂性，本文利用基于双延迟深度确定性策略梯度（TD3）的深度强化学习（DRL）算法来最小化平均 PAoI。最后，数值结果证明了所提出的硬件部署和接入评估方案的可行性以及TD3算法的有效性。

本文研究了城市 V2X 环境中多路边单元 (RSU) 集成传感和通信 (ISAC) 系统的协调波束成形。为了解决严重的 RSU 内和 RSU 间干扰以及多目标传感挑战，我们提出了一种分层优化框架。具体来说，我们首先通过二阶锥规划（SOCP）采用最大-最小SINR方法来确保通信的公平性和可靠性。在此基础上，通过使用 Schur 补集和半定松弛 (SDR) 将非凸问题转化为凸半定规划 (SDP)，将感知 Cramér-Rao 下界 (CRLB) 最小化。与仅平衡传感和通信之间的性能权衡的现有方法不同，所提出的解决方案有效地提高了ISAC系统的整体性能。大量仿真表明，所提出的方案显着提高了传感精度和通信总速率，同时满足实时 V2X 应用的毫秒级延迟要求。