2026-10-05论文雷达 TEST

本文研究了从有限的信道测量中构建信道知识图（CKM）。与假设固定基站配置的传统二维/三维 (2D/3D) CKM 方法不同，我们提出了一种新颖的六维 (6D) CKM 框架，称为双向无线高斯分布 (BiWGS)，它能够对 3D 空间中不同发射器 (Tx) 和接收器 (Rx) 位置的无线信道进行建模。 BiWGS使用高斯椭球体来表示无线环境中的虚拟散射体簇和环境障碍物。通过基于信道测量正确学习双向散射模式和复杂的衰减曲线，这些椭球体提供了无线环境电磁传输特性的近似表示，从而对不同收发器配置下的信号传输进行近似建模。仿真结果表明，BiWGS 在构建具有不同 Tx-Rx 位置的 6D 信道功率增益图方面显着优于经典多层感知器 (MLP)，并且在 3D CKM 构建中实现了与最先进的无线辐射场高斯分布 (WR-FGS) 相当的空间频谱预测精度。这验证了所提出的 BiWGS 在不影响保真度的情况下完成 6D CKM 结构维度扩展的能力。

在本文中，我们提出了一种波束空间多输入多输出正交频分复用 (MIMO-OFDM) 框架，可用于设计电磁结构，例如用于 MIMO 无线通信的天线。该方法受到电磁信息理论 (EIT) 的启发，其新颖之处在于它在不使用 Q 因子容量分析的情况下纳入了带宽约束。所提出方法的优点是在公式中直接考虑带宽，而不受结构尺寸或目标带宽的限制。在我们的分析中，我们提出了一种 MIMO-OFDM 波束空间信道模型来分析电磁结构的自由度 (DoF)，并在跨频率和空间的带宽约束下优化 MIMO 容量。为了将理论分析与实际电磁结构联系起来，在束空间域中利用并分析了加载的 N 端口结构。对于天线的具体示例，所得的 DoF 可用于估计给定区域中可能存在的馈电端口的数量，同时还提供与可实现的带宽的权衡。为了证明该技术的实用性，优化和设计了面积为一平方波长的20端口天线，提供高馈电端口密度和10.4%的宽派带宽。该设计的仿真结果表明，它可以接近理想的MIMO-OFDM信道容量和预测的带宽上限，证明了我们提出的方法的有效性。

集成传感与通信（ISAC）已被ITU和3GPP确定为6G关键应用。现实的、标准兼容的通道模型对于 ISAC 系统设计至关重要。为了表征传感目标 (ST) 的影响，3GPP 将 ISAC 信道定义为目标信道和背景信道的组合，分别包含与 ST 相关的多径分量和仅源自环境的多径分量。尽管背景通道不携带直接ST信息，但其精确建模对于评估传感性能至关重要，尤其是在复杂环境中。然而，现有的基于几何的随机信道模型 (GBSM) 是为空间分离的发射器 (Tx) 和接收器 (Rx) 之间的传播而开发的，因此不能直接适用于 Tx 和 Rx 共置的单基地背景信道。在本文中，我们首先在室内场景中以 28 GHz 进行 ISAC 单基地背景信道测量。提取真实的信道参数，揭示明显的单跳传播和离散多径分布。受这些特性的启发，引入了参考点（RP）的概念，即虚拟空间分离的Rx，并提出了一种新颖的基于多RP的建模框架，其中单基地背景通道被描述为单基地Tx和RP之间子通道的叠加。该模型恢复了易于处理的几何表示，同时保持与标准化 GBSM 框架兼容。最后，我们开发了一个 3GPP 扩展实现框架，并提出了一种基于遗传算法的方法来确定 RP 的最佳数量和位置。通过比较测量和仿真的通道参数来验证优化方法和建模框架。结果表明，所提出的模型有效地捕获了单基地背景信道特征，解决了 ISAC 信道建模中的关键差距，并支持 6 G 标准化。

元芯片是通过将周期性排列的元原子与片上电路相结合而形成的，能够在单芯片瓦片级别上进行电磁波操纵，并为太赫兹应用带来巨大前景。在这项工作中，我们提出了一种基于互补金属氧化物半导体（CMOS）的太赫兹可编程元芯片，并展示了其具有阵列可扩展性的太赫兹集成传感和通信（T-ISAC）的概念验证。该元芯片采用行业标准 55 纳米 CMOS 工艺制造，可在反射和透射（透反射）模式下实现 410 和 520 GHz 附近双频率的太赫兹波调制。元芯片阵列通过将不同的调制信号寻址到每个芯片块来支持多通道太赫兹通信。通过利用阵列的可扩展性，元芯片阵列有助于金属物体的运动跟踪，同时能够检测太赫兹指纹材料α-乳糖与葡萄糖的关系。所提出的 CMOS 元芯片代表了一种针对可扩展 T-ISAC 应用的集成片上系统太赫兹硬件解决方案的可行途径。

集成传感和通信 (ISAC) 性能分析通常采用 Cram\'er-Rao 界 (CRB) 作为传感度量。 CRB 下界估计误差方差在目标存在模型下，但不表征接收器经常用来验证噪声和杂波返回的能量检测的可靠性。考虑到单用户、单目标联合功率-带宽分配问题中的CRB范围，我们建立了给定CRB要求下的速率最优分配无法实现给定检测概率的条件。然后，我们在两个层面上开发检测约束率-CRB 表征：1）检测感知（DA）公式，将 CRB 和检测概率视为并行要求；2）使用在跨越能量阈值的帧上定义的 \textit{检测门控 CRB} 进行检测-然后-估计（DTE）公式。我们分析了最佳速率和可行功率带宽分配的变化，并针对 DTE 进一步展示了检测概率和条件估计精度如何共同决定下游跟踪性能。然后，在仅 CRB、DA 和 DTE 特征下制定多用户、多目标资源分配。结果表明，仅 CRB 分配可以掩盖检测可靠性不足的情况，并且考虑检测和接收器架构会实质上改变功率-带宽分配和通信-感测权衡。

太赫兹 (THz) 频率的集成传感和通信 (ISAC) 可实现超高分辨率感知，但面临一个关键限制：高度定向的太赫兹光束无法照亮单光束内的扩展目标。传统解决方案依赖于顺序光束扫描，这降低了传感精度并增加了能耗。此外，在传统的稀疏阵列中，栅瓣通常被视为不良伪影，应予以抑制以避免模糊和干扰。相比之下，本文采用逆向设计理念，有意将稀疏引起的栅瓣设计为用于扩展目标传感的可控辅助照明光束。本文利用栅瓣并提出了一种稀疏连接的混合波束成形架构，该架构有意设计和利用栅瓣以实现扩展目标的单次全孔径照明，同时支持多用户下行链路通信。开关控制的稀疏射频网络保留了阵列孔径，并生成具有覆盖整个目标范围的结构化次瓣的主导主瓣。协方差驱动的交替最小化框架联合优化了数字预编码器、量化移相器和天线射频切换。 140 GHz 下的仿真展示了近乎全数字的 Cramér-Rao 传感精度、低阶 THz 通道中具有竞争力的通信性能、快速收敛以及显着的硬件和能源节省，将结构化稀疏连接建立为扩展目标 THz ISAC 的可扩展且节能的解决方案。

我们研究了一个动态集成传感和通信问题，其中多天线发射器与接收器通信，同时跟踪由稳定高斯-马尔可夫模型控制的移动目标。我们将传感-通信权衡表述为速率-失真问题，其中通信速率通过 Verd'u-Han 信息谱定义，传感失真通过角度和距离的长期最小均方跟踪误差来测量。我们通过后 Cram\'er-Rao 界 (PCRB) 限制这种扭曲的下限，构建了一个易于处理的外部区域。由于发射器无法直接获得目标状态，因此部分观察到了控制问题。因此，我们引入了信念增强的信息状态，并表明，在规定的规律性假设下，固定随机马尔可夫策略足以解决外界中使用的基于协方差的标量化问题。然后，我们在规定的大块条件下，通过证明在大块状态下，感知置信转变变得渐近协方差充分，得出高斯协方差控制外界；因此，具有相同平稳协方差策略的高斯信令渐进地保留了平稳 PCRB，同时最大化了每个传输协方差的通信奖励。数值实验将基于扩展卡尔曼滤波器的可实现边界与基于 PCRB 的高斯协方差控制外部边界进行比较。

基于多端口网络理论 (MNT) 的可编程超表面的精确模型通过依赖于配置的矩阵求逆来解释互耦合 (MC)。后者在基于梯度的优化（GBO）过程中的高计算成本可以通过有限阶诺依曼近似来减轻。我们表明，这种近似的准确性很大程度上取决于（默认）选择的 MNT 参数化。对于 1 位可编程元元件（例如，基于 PIN 二极管的元元件），我们确定了一种封闭形式的 M\"obius 重参数化，它仅取决于元元件的两个负载状态，既不需要训练数据，也不需要数值优化。对于具有强 MC 的制造的 96 元件 19 GHz 动态超表面天线的实验估计代理 MNT 模型，我们的重参数化采用二阶诺伊曼近似相对于完整代理 MNT，它分别实现了 21.68 dB 和 21.70 dB 的前向和控制梯度准确度，将前向和控制梯度评估组合的运行时间减少了三分之一，并将保存的张量内存减少了十倍。请注意，MC 强度指标和 MC 不感知基准应该是参数化不变的，例如，基于最佳直接拟合零阶模型的定义。

在本文中，我们提出了一种新的模块化可旋转阵列（MRA）来减轻近场多用户通信中的分束效应，通过用少量机械控制旋转机构替换大量实时延迟（TTD）电路来降低相关的硬件成本和功耗。我们首先考虑一个典型的单用户系统，并表明通过旋转 MRA 将近场用户与阵列视轴方向对齐，可以消除角域波束分裂，而剩余的距离域波束分裂仍然存在。为了表征分束效应，我们定义了一个新的度量，称为“分束引起的有效带宽”，在该度量内，在中心子载波处设计的模拟波束形成器可以保证所需的波束形成增益。我们进一步分析了不完善的视轴对准的影响，并揭示了角度域和距离域光束分裂之间的明显权衡只是一种伪权衡，因为有效带宽随着残余角度失配单调减少。然后，我们推导了该有效带宽的封闭式表达式，这表明所提出的 MRA 实现了比固定天线阵列大得多的有效带宽。接下来，对于具有多个近场用户的一般情况，我们制定一个优化问题，以在功率预算和旋转约束下最大化频谱效率。为了解决这个非凸问题，我们采用块坐标下降（BCD）框架将其分解为三个子问题，其中混合波束形成器、阵列旋转角度和子阵列旋转向量分别通过分数规划（FP）、一维搜索和投影梯度上升（PGA）进行优化。最后，数值结果证明了所提出的 MRA 在减轻宽带分束效应方面的有效性，显示出与传统 TTD 电路相当的频谱效率。

多输入多输出正交频分复用（MIMO-OFDM）为集成传感与通信（ISAC）提供丰富的空间和时频自由度，而可移动天线（MA）进一步通过阵列几何调整引入可重构的空间自由度。然而，阵列几何结构和信息承载 MIMO-OFDM 波形如何共同塑造三维 (3D) 模糊度响应仍然没有得到充分理解，并且传统的二维 (2D) 距离多普勒度量无法完全表征这种耦合。本文研究了 MA 增强型 MIMO-OFDM ISAC，联合设计了发射 MA 位置和符号级预编码 (SLP) 波形。首先推导了离散周期角度-范围-多普勒模糊度函数，并用波形等级表征了其结构。事实证明，等级一波形产生可在角度维度和距离多普勒平面之间分离的 3D 模糊度响应，而更高等级的波形在候选角度上组合具有不同权重的多个空间分量，允许距离多普勒响应随候选角度变化，并使 MA 位置能够进一步塑造 3D 模糊度响应。基于此分析，定义了 3D 集成旁瓣电平比 (ISLR)，制定了 MA 位置和 SLP 波形的联合优化，并开发了基于惩罚对偶分解的交替优化算法。对于仅雷达的情况，建立了至少一个一级全局最优解的存在，使得能够从原始高维MIMO-OFDM波形设计无损减少到空间波束和MA位置的低维联合设计。

波域处理是一种新兴范例，其中信号处理操作部分从数字域转移到电磁 (EM) 域，以降低下一代无线系统的复杂性、能耗和延迟。堆叠式智能超表面（SIM）是一种很有前途的波操纵技术。尽管大量研究已经解决了针对特定任务的 SIM 的数值设计，但尚未确定指定的 SIM 架构是否可以逼近任意复杂的线性映射，即它是否具有通用逼近能力，还没有理论结果。为了解决这个问题，本文建立了基本定理，提供了必要且充分的封闭式条件，在该条件下，给定的 SIM 架构可以充当复杂线性变换的通用逼近器。

在本文中，我们解决了用户位置不确定性下的鲁棒近场（NF）波束形成，建模为概率分布。我们提出了两个互补的框架。首先，我们开发了封闭式、受物理启发的光束设计，将 NF 光束的高强度聚焦区域与用户的不确定区域对齐。具体来说，我们为线性和弯曲不确定区域设计 NF 波束形成策略。对于线性区域，我们扩展贝塞尔光束以与用户的不确定区域对齐。对于弯曲区域，我们设计焦曲线遵循目标不确定区域的光束。其次，对于没有封闭式物理启发解决方案的一般不确定性分布，我们制定优化框架以最大化平均接收功率、平均频谱效率和最小信噪比。这些问题可以使用基于特征值的方法和黎曼梯度上升来解决。我们对两种方法在不同的不确定性形状、厚度和分布方面进行了全面比较，并得到了使用无源透射超表面在 120 GHz 下进行的广泛模拟和无线测量的支持。我们的结果表明，受物理启发的梁提供了低复杂性、封闭式解决方案，对于某些不确定性区域具有竞争力，而基于优化的设计具有广泛的适用性，并且与更复杂和任意的不确定性曲线的评估基线相比，可以实现卓越的性能。

下一代大型语言模型 (LLM) 正在从云端扩展到无处不在的边缘设备。然而，边缘设备通常要么缺乏内存来存储越来越大的 LLM 权重，要么即使有足够的内存，也会在加载权重上花费难以承受的能量。这就提出了我们的问题：边缘设备是否可以在不存储或加载其权重的情况下运行 LLM，而是通过无线方式接收它们并即时消耗它们？受无线广播的启发，我们提出了 AIR-LLM，这是一种针对边缘设备的 LLM 推理架构，它由以下部分组成：(i) 将 LLM 权重广播到空中的中央无线电（例如 5G 基站），以及 (ii) 接收权重并使用 RF 混频器直接在射频 (RF) 域中完成 LLM 推理的通用矩阵向量乘法 (GEMV) 的边缘用户。为了进一步缩短通话时间，AIR-LLM 利用 MIMO 空间复用，并在边缘提出了一个节能的预编码器-后编码器对来校准其自己的无线信道。由于中央无线电对用户不知情，AIR-LLM 是用户可扩展的，因此一次广播可以为其覆盖范围内的无限用户提供服务。我们在两个真实城市场景的 NVIDIA Sionna 光线追踪通道以及真实 RF 混频器的分析上实施 AIR-LLM。 LLaMA-3.1-8B 上的 WikiText-2 困惑度降低了 4.0%，与 FP16 和仅权重量化基线相比，AIR-LLM 节省了 157.7 倍/40.4 倍的能量；如果有 20 个用户，则其通话时间分别缩短 104.1 倍/26.0 倍。

我们研究通过酉调制矩阵传输的随机通信符号的预期非周期性自相关旁瓣。我们考虑适当的亚高斯星座，即第四绝对矩 $\mu_4<2$ 和零伪方差的星座，包括常用的均匀平方正交幅度调制（QAM）和均匀相移键控（PSK）星座。对于每个规定的滞后，我们确定精确的最小预期旁瓣电平 (ESL) 和通过在由该滞后间隔的每个样本索引链上分别应用归一化离散傅里叶逆变换 (IDFT) 来实现它的单一调制。当且仅当滞后除以块长度 $N$ 时，全正交频分调制 (OFDM) 调制才能达到该最小值。将此标准与滞后一处最小化器的完整特征相结合，我们表明，单一调制在第一个 $r$ 正滞后（称为前缀 $\{1,\ldots,r\}$ 且 $1\le r<N$）上同时最小化 ESL，当且仅当该前缀中的每个滞后除以 $N$ 时。特别是，对于 $N\ge 3$ 来说，所有正滞后的同时最优是不可能的。我们还证明，OFDM 可以全局最小化部分预期集成旁瓣电平 (EISL)，EISL 定义为每个此类前缀的选定正滞后子集上的 ESL 之和。当 $r=N-1$ 时，这也解决了完整的 EISL 猜想。

低地球轨道（LEO）卫星下行链路从根本上受到严重信道相关性的限制：视距（LoS）主导的传播和高轨道高度将用户限制在狭窄的角度区域，导致多用户信道矩阵处于病态。本文通过利用通道的范德蒙德结构，对这一限制进行了严格的描述。具体来说，我们通过球和箱抽象将通道 Gram 矩阵的最小特征值与用户拥挤联系起来，并导出均匀线性阵列和均匀平面阵列的渐近和速率缩放定律。我们的分析揭示了一个尖锐的密度阈值，超过该阈值迫零（ZF）预编码可能会失败。为了克服这种空间复用故障，我们提出了时空自适应波束成形（STAB），它利用用户相关的残余多普勒频移作为附加的辨别维度。通过在联合空间多普勒域中构建时间扩展通道，STAB 在纯空间 ZF 崩溃的情况下恢复了非零和速率，并具有匹配的可实现性界限。我们进一步开发了一种空间多普勒用户选择（SDS）算法，该算法利用空间和多普勒可分离性进行调度。数值结果证实了分析预测，并证明在现实的密集 LEO 下行链路场景中，STAB 和 SDS 的组合比传统方法实现了显着的总速率增益。

多径分量（MPC）成簇到达的现象已经通过信道测量得到验证，并且被基于簇的信道模型广泛采用。虽然传统的统计通道模型基本上基于随机分布的点散射体，但现实世界的室外街道测量表明，由于交互点之间的依赖性，建筑物立面等空间连续结构也会显着影响通道行为。本文提出了一种新的隐喻，它将单点和连​​续散射体的簇解释为地形特征，并表征簇的脊。此外，提出了一种基于地形的联合聚类和散射体识别方法（TI-JCASR），从测量的功率延迟角分布（PDAP）中提取簇脊，用于指导MPC聚类并识别两种类型的散射体。 TI-JCASR 算法通过实现散射体的分米级定位，提供了一种无先验且物理感知的聚类工具，并通过系统地将空间连续散射体与单点散射体的影响纳入统一分析来推进通道建模。

多模态集成传感和通信 (ISAC) 可实现智能无线网络的环境感知和可靠连接。数据驱动的多模态 ISAC 模型在很大程度上依赖于带注释的现实世界数据来学习传感和无线观测之间的关系，从而限制了可扩展的部署。尽管合成数据生成减轻了负担，但使现有模拟管道适应目标部署需要一致的场景、传感、无线和学习配置，而这些耦合组件之间的不匹配会损害模拟到真实的可转移性。为了应对这一挑战，我们提出了一种用于模拟到真实的多模态 ISAC 的代理人工智能（AI）框架，名为 AIMS。给定指定目标任务、部署条件和实际数据预算的自然语言部署请求，AIMS 会派生特定于部署的模拟到真实配置，并协调其执行以生成特定于部署的任务模型。双代理架构协调场景构建和任务学习。场景构建代理根据共享的物理状态生成基于地理的同步传感和无线记录，而场景理解代理则配置与任务相关的模式和专家混合 (MoE) 学习，以实现零样本推理或少样本适应。结构化领域知识指导依赖性感知规划，而验证证据支持反馈驱动的受影响决策的修订。在现实世界的 DeepSense 6G 数据集上进行的实验表明，在所考虑的模拟和融合基线上，车辆检测和波束预测得到了改进。单独的编排基准评估跨不同部署请求的任务解释、依赖性推理和反馈驱动的重新规划，通过结构化领域知识和验证反馈显示改进的计划正确性。

可移动天线（MA）阵列通过机械地改变元件位置来重塑传播通道，这适合设备无法自行适应的物联网接入点。现有的位置优化假设每个候选配置的信道都是已知的。实际上，只有在阵列移动到那里之后，才能评估配置，在受致动器速度限制的几个槽中，在此期间通道发生变化。我们将在没有通道状态信息的情况下为 K < M 个设备服务的 M MA 的定位制定为联合配置空间上的非平稳核化老虎机，由可达性约束和驱动能量成本下的每个时隙的单个标量速率反馈驱动。由于标准内核的信息增益随 M 呈指数增长，并且多用户总和率取决于每个天线项总和的位置，因此我们设计了一个组合内核，可保留最多天线对的交互。在此内核上，我们提出了 CoMoveUCB，它通过坐标上升在整个可行集上选择目标配置，并将其保留在持久性规则下。我们证明了与 M 相关的多项式的次线性动态遗憾。仿真表明，CoMoveUCB 在各种负载下的性能优于固定、测量然后优化和可达性限制的基准，证实了在实际驱动限制下重新定位 MA 阵列的价值。

这封信研究了阵列曲率和互耦合（MC）对全息曲率可重构孔径的联合影响。开发了一个分析框架来表征空间相关性、耦合感知参考方向性和频谱效率。在小曲率状态下，我们建立了一种将元素间距离与耦合扰动和空间模式特征值联系起来的关系。仿真结果揭示了发射侧和接收侧阵列曲率与 MC 之间的不对称频谱效率变化，而在半球各向同性散射下，它们的无 MC 差异为零。基于第三代合作伙伴项目集群延迟线-B 通道角度/功率分布的结果以及有色噪声灵敏度分析进一步表明，曲率和接收侧耦合的影响取决于传播角度分布和接收器噪声协方差。这些发现强调了在评估弯曲全息多输入多输出链路时共同考虑阵列几何形状、互耦合和接收器噪声的重要性。

在现代雷达和综合传感与通信 (ISAC) 系统中，由于空间分辨率更高，传统的点散射体假设变得越来越不准确。在这种背景下，扩展目标跟踪（ETT）近年来引起了人们的兴趣。然而，由于多基地场景中测距和角度估计所需的精细时间同步或每节点天线阵列，大多数现有的 ETT 工作都是针对单基地系统设计的。相比之下，本文提出了一种在分布式天线系统中扩展目标跟踪的新方法，其中仅提供双基地多普勒频率测量。仅多普勒跟踪特别有吸引力，因为它避免了上述两个问题。为了解决这个仅限多普勒的扩展目标跟踪问题，我们开发了一种改进的 Rao-Blackwellized 粒子滤波器（RBPF），用特定于粒子的扩展卡尔曼滤波器更新替换标准卡尔曼更新，然后进行重新线性化步骤，处理刚性扩展目标动力学和观测模型的非线性。数值模拟显示了所提出的算法在仅多普勒设置下精确扩展目标跟踪的有效性。

三混合多输入多输出架构最近已成为下一代无线系统的有前途的推动者，因为它们有可能提供增强的设计灵活性，而不会成比例增加硬件成本或功耗。然而，由此产生的三域耦合使得波束成形优化具有挑战性且计算要求高。本文为采用动态超表面天线（DMA）的多用户下行链路系统开发了一种快速三混合波束成形框架。基于加权和速率最大化与加权和最小均方误差最小化之间的等价性，首先在每个 DMA 输入功率约束下导出迭代算法，所有更新方程均以封闭形式提供，但收敛本质上仍然很慢。为了实现实时操作，该算法使用图神经网络进一步展开为可训练的有限迭代架构，以确保排列等方差并支持不同数量的用户。经过光线追踪通道数据的训练，展开的算法实现了相当或更高的系统总速率，同时将运行时间缩短了一个数量级以上。所提出的方法还表现出强大的可扩展性、鲁棒性和跨不同设置和环境的泛化性。

在涉及多个运营商的集成传感和通信 (ISAC) 系统中，无人机 (UAV) 跟踪可以受益于多个基站的传感，而原始传感记录、信道信息和传输决策仍保留在每个运营商本地。由此产生的问题是从不同的航迹估计中获得可靠的无人机预测，并用它来指导传输，而无需集中其数据或控制变量。为了解决这个问题，我们提出了一个双时间尺度框架，包括慢时间尺度运动不确定性校准和具有预测波束形成的在线轨迹融合。本地雷达创新校准了每个跟踪器分配给未建模无人机运动的不确定性，仅结果参数在操作员之间共享。在在线跟踪期间，协方差交集 (CI) 结合了局部估计，而无需了解其估计误差之间的相关性。然后，融合预测将指导每个运营商在通信服务质量、功率和跟踪约束下的传输设计。我们进一步建立了通信协方差的精确的一级恢复和局部跟踪不确定性的有限区间界限。仿真表明，在运动模型严重失配的情况下，跟踪不确定性的一致性得到了改善。 CI 避免了相关误差下的过度自信，同时使用当前的融合预测相对于单独为通信设计的传输将 RMSE 降低了约 31%，且额外功率不到 2%。消融进一步表明，当前预测和过时预测之间的功效差异主要是由预测协方差而不是预测均值驱动的。

收缩天线系统 (PASS) 将可移动辐射器放置在介质波导上，但子连接馈源限制了交叉波导混频。这封信研究了用于毫米波下行链路的馈电连接全连接 PASS，其中射频 (RF) 信号在收缩天线 (PA) 的引导激励之前在波导馈电处混合。我们推导了一个将 feed-level 迹线代理与可实现的均方误差之和联系起来的封闭形式恒等式，以及一个精炼的三混合匹配追踪 (TH-MP-R) RF 更新，该更新恢复了该恒等式假定的 RF 列正交性，将恒等式的相对误差从 9.4% 降低到 0.21%。 PA 位置遵循将波导衰减耦合到梯度本身的标准，通过预计的自适应力矩上升来推进。在 10 dB 时，在所有方案的通用位置搜索预算下，频谱效率比投影梯度交替优化提高了 16.7%，比子连接、随机 RF 和固定 PA 基线提高了 28.6–65.1%，在运行时间降低 2.7 美元\倍的情况下，与进化三混合搜索相比，提高了 1.1%。

无线MIMO-OFDM通信中高维信道状态信息(CSI)的获取通常需要较高的导频开销，或者依赖于准确且完整的位置或环境信息。在本文中，我们提出了一种几何辅助通道推导（GCD）方法，该方法利用仅具有近似环境几何形状和位置的未校准数字孪生（DT）来辅助通道采集。其背后的关键原理是，即使是不精确的几何信息，可以通过无线电传感技术或现有的地理数据库轻松提前获得，也可以提供有关当前信道的某些结构特征；同时，仅使用少量导频的粗略瞬时信道估计提供了与信道结构一致的专用信息，并进一步补偿了几何误差和其他信道未知数。为此，我们首先从DT中提取几何特征，其中仅包含通道的简单结构信息。然后，我们提出了随机提示增强，这是一种生成适当提示的新方法，将几何多径结构转换为类似 CSI 的表示，同时抑制其他未知信道参数的干扰。然后通过信道推导网络将提示与基于导频的瞬时信道估计融合。为了进一步增强网络的多功能性，我们将试点配置纳入现有的学习架构中，以支持可变的试点模式。综合实验验证了该方法的优越性，信道捕获质量高、导频开销低、鲁棒性强。此外，结构提示还可以作为场景相关的上下文，使我们的方法能够在新场景中很好地泛化。

在频分双工（FDD）大规模多输入多输出（MIMO）系统中，研究了上行链路（UL）到下行链路（DL）信道协方差矩阵（CCM）转换问题，以减轻信道估计所需的DL训练和反馈的沉重负担。基于学习的方法在一定的阵列大小下表现良好，但对于固定的数据集大小，其准确性随着天线数量的增加而下降，以至于简单的基于模型的方法优于它们。本文确定了此行为的关键原因并解决了它。平均到达角 (AoA) 会沿着 CCM 的滞后引起相位斜坡。由于该斜坡的振荡速率随着天线数量的增加而增加，因此固定大小的数据集相对于必须捕获的变化变得越来越稀疏。我们建议分别从 UL CCM 估计该斜坡的斜率，并将其以闭合形式映射到 DL 频段，为学习器留下对平均 AoA 基本上不敏感的残差，这大大减少了天线数量增加带来的性能下降。所提出的方案称为解斜，是预处理和后处理步骤的组合，适用于基于学习的转换方法，而不改变其内部结构，正如在三个结构不同的学习器上所演示的那样。仿真结果表明，解斜降低了所有三个学习器在均匀、拉普拉斯和高斯角功率谱下的协方差估计误差，使基于插值的学习器在大阵列尺寸下保持领先于基于模型的基准，并改进了下行链路信道估计。

空中（OTA）雷达目标仿真是评估集成传感与通信（ISAC）和雷达设备传感能力的重要方法。传统的单馈源紧凑型天线测试范围 (CATR) 通常仅限于单个目标方向，而雷达测试中常用的多馈源角度合成方法仍然需要对被测设备 (DUT) 孔径进行远场照明。为了克服这些限制，本文提出了一种基于多馈源平面波发生器（PWG）的雷达目标OTA仿真框架。关键能力是通过联合角度-距离-多普勒控制同时模拟来自不同方向的空间近距离目标。目标距离通过相应的延迟进行仿真，而多普勒和复回波系数则由信道仿真器控制。同时，多输入幅度和相位矩阵 (APM) 将每个独立的目标信号路径映射到专用 PWG 激励矢量，该矢量在同一测试区域合成相应的入射平面波。这使得多个目标方向能够在比传统远场要求短得多的测试距离上再现为局部平面波。该框架使用真实的 1\times11$ 相控阵 DUT 在 3~GHz 下进行了实验验证。 PWG-DUT 间隔为 1.6~m，远小于 DUT 的 7.2~m Fraunhofer 距离。在此分离处，合成的 $0^{\circ}$ 和 $10^{\circ}$ 入射波各自表现出 1.0~dB 的幅度峰峰值误差。在两种四目标角度延迟情况和一种两目标角度速度情况下，估计的目标参数显示角度偏差在 $1^{\circ}$ 以内，插值延迟误差在 2.4~ns 以内，速度误差在 0.15~m/s 以内。

预测波束成形的最新进展显示出在支持低延迟、高移动性通信方面的巨大潜力，而无需频繁的信道估计 (CE)。然而，传统的远场传感预测波束形成只能从平面波前提取有限的运动信息，例如用户的角度和径向速度，而距离和横向速度通常不可用。作为一种补救措施，本文提出了一种支持近场传感的预测波束形成框架，其中利用球面波前和非均匀多普勒频率来估计用户的全运动状态。根据这些信息，可以预测并主动设计未来的梁。为了获得全运动状态，我们开发了两种并行传感方法：自适应梯度下降交替优化（AGD-AO）方法和基于扩展卡尔曼滤波器（EKF）的方法，每种方法都有自己的优点。 AGD-AO方法包括两个阶段：速度估计和运动状态预测。在第一阶段，使用最大似然估计来估计沿 x 和 y 方向的目标速度。在第二阶段，根据估计的速度更新目标位置。尽管该方法简单且高效，但它依赖于单个相干处理间隔（CPI），并且可能会随着时间的推移而遭受误差累积。相比之下，基于 EKF 的方法通过递归预测和更新步骤跨多个 CPI 跟踪用户状态，从而减少误差累积，但会带来更高的计算复杂度。数值结果表明：1）通过利用自适应梯度调整，所提出的AGD-AO方法对超参数选择不太敏感； 2）所提出的AGD-AO和EKF方法可以实现95％以上的最优性能； 3）与基准方案相比，所提出的AGD-AO和EKF方法比基于反馈的方法分别实现了9.52％和10.34％的性能增益，比具有完美CSI的远场波束成形分别实现了18.94％和19.84％的增益。

与小型 MIMO 系统相比，大规模多输入多输出 (MIMO) 系统可提供高频谱效率，但会带来更高的计算挑战。一个关键瓶颈是用于收发器任务的高维矩阵求逆。图形处理单元 (GPU) 具有大规模并行性和高可编程性，为此类计算密集型任务提供了广阔的前景。然而，有效实现这一潜力需要仔细解决计算效率和数值精度方面的重大挑战，这限制了大规模 MIMO 系统的实际吞吐量和可扩展性。在本文中，我们提出了 ParaNeumann，一种 GPU 加速的分层并行框架，用于大规模 MIMO 收发器中的近实时矩阵求逆。 ParaNeumann的核心思想是将反演过程重新表述为三级并行架构，跨越子载波间、子矩阵间和矩阵内粒度，以充分利用GPU计算资源。在这种层次结构中，我们将块对角线结构集成到诺依曼级数中以加速收敛，并利用低精度算法来降低内存成本并提高吞吐量。评估结果表明，对于 512×512 MIMO 场景，在误码率 (BER) 为 10−5 的情况下，与精确的基于下上 (LU) 分解的矩阵求逆相比，ParaNeumann 的性能损失可忽略不计，仅 0.5 dB。在计算效率方面，我们提出的框架在 RTX 4090 商用 GPU 上实现的吞吐量比基于 CUDA 基本线性代数子程序 (cuBLAS) 的基线高出 6.1 倍。

超对角线可重构智能表面 (BD-RIS) 通过互连其元件的可重构阻抗网络为集成传感和通信 (ISAC) 提供额外的自由度。然而，这种自由何时有益于通过往返路径感知的被动目标尚未通过分析确定。在这封信中，BD-RIS 增益由基站-RIS 通道的等级控制，该等级限制了可分离用户和可解析目标的数量。导出反射率校正角 Cramér–Rao 界 (CRB)，并将其精确地分解为照明和形状项，并且无投影凯莱参数化实现了第一个精确 CRB 约束的设计。仿真结果表明，随着传感变得更加严格，对角 RIS 上的增益会增加，并且组连接的 BD-RIS 保留了大部分增益。

在本文中，我们研究了采用正交频分复用（OFDM）调制的频分双工（FDD）大规模多输入多输出（MIMO）通信的下行链路信道状态信息（CSI）反馈。通过将 CSI 反馈表述为有损压缩问题，我们研究了其由率失真 (R–D) 函数控制的基本极限。为了获得高维 CSI 的易处理替代项，我们利用可以通过变分自动编码器 (VAE) 训练计算的变分上限作为保守基准。在此上限的基础上，我们建立了一组充分的最优性条件，为实际设计提供理论指导。在这些条件的指导下，我们提出了一种基于 VAE 的神经网络，称为率失真函数启发网络 (RDFI-Net)，用于 CSI 反馈。具体来说，RDFI-Net 采用分层自回归概率模型来加强潜在熵建模以实现有效的熵编码，并结合增强的神经模块来逼近导出的最优性条件。此外，我们开发了一种低复杂度的速率自适应方案，无需训练和管理多个模型即可实现可变速率 CSI 反馈。数值结果表明我们提出的方法取得了优异的性能。

我们提出了一种集成传感和通信（ISAC）框架，用于在具有时钟异步节点的双基地场景中联合估计无源移动目标的多普勒频率，其中接收器（RX）是静态的，但发射器（TX）是移动的。在这样的设置中，先前的几何解决方案与 TX 处的惯性测量单元 (IMU) 设备集成，从而提出基于扩展卡尔曼滤波的真正联合数据融合和估计算法。该方法联合估计目标多普勒频率以及 TX 的运动速度和方向，并且对于 TX 和 RX 对之间静态路径不可用的情况具有鲁棒性，这种情况使得以前的解决方案无效。开发的扩展卡尔曼滤波器在 ISAC 的精度和 IMU 的可靠性之间取得了平衡。所提出的解决方案通过数值模拟进行了验证，在实际操作条件下使用智能手机级 IMU 获得了 1.2% 的中位多普勒误差。

跨多个空间方向的无线信道测量对于人工智能驱动的应用至关重要，例如射频数字孪生以及集成通信和传感。然而，跨大场景收集渠道数据是劳动密集型的。无线 NeRF 通过从稀疏测量中学习传播行为并在看不见的位置合成信道空间频谱幅度来解决这一挑战。然而，现有的无线 NeRF 继承了视觉 NeRF 的密集体积采样，这需要大量的计算。本文询问这种密集采样是否有必要预测无线空间频谱的幅度。我们凭经验表明，无线 NeRF 对于此任务来说过度参数化，并引入了 SV-INGP，这是即时神经图形基元 (INGP) 的稀疏体积采样变体。在现实世界和模拟数据集中，SV-INGP 与 NeRF2 基线的结构相似性指数测量 (SSIM) 中位数相匹配，同时将训练时间缩短了 184 倍。这些结果概括了视距和非视距场景、亚 6 波和毫米波频率以及天线阵列锥形配置，为射频数字孪生提出了更简单、更高效的设计路径

具有可重构天线 (RA) 的三混合波束成形为射频 (RF) 模拟组合和基带处理增加了电磁 (EM) 域自由度，但它还耦合了 EM 角度响应、空间转向矩阵和每个接收导频内的路径增益。这封信开发了 TRACE，这是一种用于三混合接收器的单用户上行链路的三线性信道估计框架。在导频维度上循环辐射图会产生接收导频的三阶 PARAFAC 张量，其因子对应于 EM 域角度因子、RF 投影转向因子和导频加权衰落因子。 TRACE 通过交替最小二乘法拟合该张量，然后以闭合形式恢复物理通道参数。基于克鲁斯卡尔的可识别性转化为导频时​​隙数量、射频链和电磁探测状态的设计规则。在压缩配置中，TRACE 达到了预言机支持范围的 SNR 斜率，保持在高于 $10$~dB 的 $1.4$ 范围内，同时优于基于字典的贪婪基线。

当流体天线系统 (FAS) 的概念应用于多输入多输出 (MIMO) 系统时，就产生了 MIMO-FAS，又称流体 MIMO。在丰富的散射下，空间相关矩阵通过连续可调的天线位置由零阶贝塞尔函数$J_{0}(\cdot)$控制，创建一个高度非凸的景观，用于具有波动局部最优的优化——贝塞尔景观。在本文中，我们解决了流体 MIMO 中的联合发射机 (TX) 和接收机 (RX) 天线位置优化问题，通过塑造这种景观来最大化遍历容量。使用克罗内克通道分解，我们开发了一套分析结果，揭示了问题的内在结构：（i）高信噪比（SNR）容量近似，将目标分解为TX和RX相关矩阵的可分离对数行列式项，分别为$\mathbf {R}_{T}$和$\mathbf {R}_{R}$，（ii）封闭式高SNR将 $\det (\mathbf {R}_{T})\det (\mathbf {R}_{R})$ 与相对于独立同分布 (i.i.d.) 理想 MIMO 信道的渐近性能差距联系起来的容量损失表征，以及 (iii) $J_{0}$ 的第一个零处两个流体元件的全局最佳元件间间距，前提是该间距满足孔径和最小间距限制。在这些见解的指导下，我们在交替优化（AO）框架内提出了两种算法。第一个算法是带有粒子群优化 (PSO) 的 AO，它部署粒子群在没有梯度信息的情况下全局探索贝塞尔景观。第二种方法使用逐次凸逼近（SCA）通过 $J_{1}(\cdot)$ 获得闭合形式的梯度，并构造凸代理以实现数量级的更快收敛。使用固定的公共随机样本，AO-PSO 产生单调非递减样本平均目标序列，而 AO-SCA 在受保护回溯下产生单调非递减代理目标序列。仿真结果表明，所提出的方案非常接近独立同分布。容量上限，并且在 30 dB 时比固定位置天线 (FPA) 部署高出 7 bps/Hz 以上。在所述工作站上，AO-SCA 获得了与 AO-PSO 相同的模拟能力，并且测得的运行时间减少了至少三个数量级。

虽然流体天线（FA）为无线通信系统提供了新的自由度，但相应的信道估计问题比传统的固定位置天线系统更加困难。这是因为 FA 在每个时隙只能对全阵列空间观测的一小部分进行采样，而不是同时捕获完整的阵列观测。在时变渠道中，难度进一步加大。本文研究了具有单个射频链的多端口 FA 辅助系统的时变信道估计。设计了一种结构化重复端口激活策略，将顺序单端口导频观测值转换为虚拟二维空间多普勒线谱模型，并在此基础上导出无模糊激活条件。为了实现高精度无网格恢复，通过用两个低维单级托普利茨矩阵替换高维两级托普利茨结构，开发了解耦原子范数最小化（DANM）估计器。为了减少计算负担，基于问题结构的迭代更新进一步开发了一种基于交替方向乘法器 (ADMM) 的实现方法（称为 DANM-ADMM）。此外，提出了一种解耦正交匹配追踪（DOMP）算法作为一种低复杂度的基于字典的替代方案，可以实现高分辨率一维搜索，而无需构建令人望而却步的完整二维字典。还开发了一种等效于物理参数的恢复过程来重建所有端口和时隙上的全局时变 FA 通道。仿真结果表明，DANM 和 DANM-ADMM 实现的性能接近 Cramér–Rao 界，而 DOMP 算法实现了有利的复杂性与精度权衡。

无线数字孪生 (WDT) 是开发和评估 AI 原生无线接入网络的有前途的推动者，但构建高保真 WDT 通常需要大量的手动工作来集成异构信息并推断未知的传播相关参数。本文提出了 Agentic WDT (AWDT)，这是一种端到端的代理框架，用于使用现成的环境信息和可从商业智能手机轻松获得的测量数据来进行自主 WDT 构建和校准。 AWDT由三个代理组成：EnvAgent构建传播环境，OpAgent推断BS和扇区配置，MatAgent校准无线电材料属性。代理利用 LTE/NR 参考信号接收功率 (RSRP) 测量和射线跟踪预测之间的差异迭代地细化 WDT。现实世界的实验表明，AWDT 将 RSRP 预测 MAE 从 11.46 dB 降低到 5.25 dB，证明射线追踪保真度有了显着提高。使用独立测量系统进行的评估进一步证明了具有轻量级设备特定偏差适应的跨设备可转移性，突出了代理 AI 在先验知识有限的情况下用于可扩展 WDT 构建和校准的潜力。

本文解决了在没有任何信道状态信息（CSI）或干扰源合作的情况下抑制智能反射面（IRS）辅助无线链路中的非合作干扰的问题。我们提出了一个完全盲框架，仅依赖于接收信号功率测量。一个关键的见解是，使聚合干扰信道归零仅需要 IRS 反射路径与直接干扰链路之间的复数比率，而不是绝对 CSI。我们开发了一种新颖的估计算法，仅使用在随机 IRS 配置下收集的功率样本即可获得这些信道比率的无偏估计。理论上，我们证明当离散相位级别的数量 $K\geq 3$ 时无偏估计是可行的，并为相位偏移和幅度比估计建立了 Cramer-Rao 下界（CRLB），从而提供设计指导。基于估计的比率，我们提出了两种低复杂度的 IRS 相位优化算法：一种一次性贪婪方法和一种减轻弱反射元素的误差传播的迭代变体。仿真表明，所提出的方案可以将强干扰抑制在无干扰上限的几 dB 范围内，为有争议的频谱环境中的鲁棒无线通信提供实用的、无 CSI 的解决方案。

大规模天线阵列对于未来的无线网络至关重要，但会带来巨大的硬件和数字处理负担。微波线性模拟计算机 (MiLAC) 为应对这些挑战提供了一种有前景的架构。在 MiLAC 中，波束成形完全通过包含可调谐导纳元件的可重构多端口微波网络在模拟域中实现。然而，现有研究假设这些元素是连续可调的，而实际实现只能支持有限多个可配置状态。本文研究了在具有指定连接模式的无损和互惠约束下的有限分辨率 MiLAC 辅助多用户波束成形。每个可调电纳均选自对称统一有限分辨率码本。我们制定了一个在线问题，联合优化指定码本的离散电纳和功率分配，以及一个离线问题，根据信道统计设计码本。通过利用奇均匀码本结构，我们将每个多级电纳表示为两级变量的加权和，并为在线波束形成和离线码本设计问题开发精确的连续惩罚模型。我们证明，对于足够大的惩罚参数，这些惩罚模型在全局上等同于它们原来的离散对应模型。基于这些公式，我们开发了高效的基于 ADMM 的算法来解决这两个问题。数值结果表明，通过大幅降低连接性和有限分辨率，可以达到非量化全连接 MiLAC 的性能。特别是，3 位干连接 MiLAC 的总速率性能达到非量化全连接 MiLAC 的 95% 以上，而仅需要 22% 的可调谐组件。

这封信利用射频（RF）指纹作为一种新的信息承载索引域，超越了其在设备识别或认证中的传统用途，并提出了两种仅索引方案：射频指纹调制（RFFM），通过单独的射频链指纹传送索引位；以及广义RFFM（GRFFM），通过复合射频指纹传送索引位，同时支持索引状态集的扩展。借助公共天线和固定基带波形，所有索引状态都被建模为共享公共逐帧信道效应，从而无需显式信道估计即可实现基于深度学习的射频指纹索引恢复。实现了硬件原型，空中实验证明了两种方案都能实现可靠的索引恢复，在高信噪比条件下平均误码率达到 10−4 水平。循环平稳性分析进一步表明，RFFM 和 GRFFM 表现出较弱的非零循环特征，表明循环平稳可观测性降低。

可重构智能表面 (RIS) 实现的无线传播环境的动态控制使其成为第六代 (6G) 无线网络的一项有前途的技术。除了传统的固定位置部署之外，将 RIS 与无人机 (UAV) 集成可提供额外的空间灵活性，促进有利的视距 (LoS) 条件并扩大潜在应用范围。尽管无人机安装的 RIS 系统引起了人们的广泛研究兴趣，但现有研究主要依赖于数值模拟，并且常常忽视实际约束和现实世界干扰的影响。为了解决这一差距，作者最近提出了第一个无人机安装的 RIS 原型，并通过现实世界的实验验证了其可行性。通过使用无人机的扩展卡尔曼滤波器 (EKF) 进行实时 RIS 重新配置，所提出的系统有效地减轻了干扰影响并保留了支持 RIS 的链路的性能增益。为了进一步推进无人机安装的 RIS 研究并促进更广泛地获得现实世界的实验见解，这项工作提供了从多个飞行实验中收集的综合数据集。该数据集包括 EKF 状态估计、地面实况测量、相应的 RIS 配置和 S21 通道数据。

移动分布式多输入多输出 (MD-MIMO) 的出现是为了解决 NextG 传统分布式 MIMO 的局限性，提供了一种在不受共置天线阵列物理限制的情况下实现大规模 MIMO 增益的途径。通过允许分布式天线阵列以无线方式连接到基站，同时保持移动性，MD-MIMO 增强了部署灵活性并降低了基础设施成本。这项工作重点关注MD-MIMO上行链路的非相干联合传输（NCJT），以减轻UE侧严格的同步要求。所引入的方案采用正交空时分组编码（OSTBC）进行传输，并采用最大似然估计进行检测后信号组合，以实现低延迟和可靠性，这对于实现虚拟和增强现实等下一代网络的关键应用至关重要。除了理论分析之外，我们还通过使用 ns-3 中的大规模移动网络仿真进行的广泛仿真，以及通过在单集群 NCJT 的软件定义无线电 (SDR) 测试台上开发的在线实时原型和针对多集群 NCJT 的离线测试台开发的在线实时原型，验证了所引入的基于 MD-MIMO OSTBC 的 NCJT 策略和系统设计。仿真和测试台结果都证明了我们的设计在为 NextG 中的未来 MD-MIMO 提供更高的吞吐量和可靠性方面的功效。

车对万物 (V2X) 协作感知通过共享中间特征来改进 3D 检测，但密集的远程特征可能会重复自我代理可以在本地推断的上下文。大多数有效通信的设计都会根据经验优化掩码或代码，从而留下一个更基本的问题：考虑到接收者自己的观察，哪些远程证据是必不可少的？我们引入了关于自我调节的远程感知的封闭保真度视角。在有限演绎抽象和显式条件下，其率失真函数在一个不冗余的核心上分解，精确的零失真率变为$P_A H(\pi_A)$。该分析提出了一个具体的设计原则：传输紧凑证据并通过有界接收端推理恢复可推导的上下文。在这一原则的指导下，SemRD-V2X 是一种操作神经代理，它结合了精确预算 BEV 支持选择、逐点通道压缩和标准融合之前的屏蔽共享权重重建。模拟 V2XSet 和现实世界的 DAIR-V2X 实验验证了最终的设计。在与 Tesla V100 上本地复制的 V2X-ViT-v1 基线进行的受控五次运行 V2XSet 比较中，SemRD-V2X 将分析功能负载减少了 26.6 美元\次$，同时将 AP@0.5/AP@0.7 提高了 4.13/8.57 点，平均计算延迟增加了 3.81\%。这些结果将闭合保真度定位为一种分析镜头和一种可操作的设计原则，以实现高效沟通的合作感知。

可移动天线 (MA) 已成为无线通信领域的一项颠覆性技术，通过在预定义区域内连续重新定位天线来增强空间自由度，从而创造有利的信道传播条件。在本文中，我们研究了支持 MA 的多输入多输出 (MIMO) 系统的位置优化问题，其中配备多个 MA 的基站 (BS) 为多个固定位置天线 (FPA) 用户提供服务。为了克服在整个可移动区域获取全通道状态信息（CSI）的困难，我们提出了一种用于 MA 位置优化的无导数方法，称为投影嵌入零阶自适应动量方法（PE-ZO-AdaMM）。其基本思想是将位置优化视为闭箱优化问题，并使用 ZO 梯度逼近技术计算未知目标函数的梯度。具体来说，所提出的方法不需要获取整个可移动区域上的完整CSI。相反，它根据先前的测量自适应地更新天线位置，以便最终收敛到最佳或稳定的解决方案。仿真结果表明，所提出的基于 ZO 的方法明显优于基于完整 CSI 获取的方法以及现有的无导数方法，特别是对于多路径分量 (MPC) 数量较大的挑战性场景。

这项工作研究了线性细化天线阵列的空间宽带（SWB）阵列因子（AF）。 SWB AF 被公式化为匹配滤波器，并表示为空间窄带 (SNB) AF 和 SWB 内核的空间变异卷积。 SWB AF 近似最初是针对均匀阵列导出的，经过重新审视并扩展到稀疏阵列。结果表明，该近似值在各种参数下都保持准确。将 SWB AF 表示为卷积可以直观地解释带宽孔径乘积如何修改 SNB AF。具体来说，SWB 内核充当 SNB AF 的平均窗口，抑制 SNB AF 的旁瓣电平 (SL)。在稀疏阵列中，远离主瓣的旁瓣可以被视为随机的、类噪声的，使得平均和抑制特别有效。接下来，首先引入 SNB 稀疏阵列中预期 SL 和峰旁瓣电平 (PSL) 的解析公式，随后将其扩展到 SWB 区域。最后，提供了具有均匀谱的均匀稀疏阵列的预期 SL 和 PSL 水平的简单封闭式表达式。预期的 SWB SL 和 PSL 被公式化为带宽孔径乘积的函数，并且显示出随着距主瓣的距离而稳定减小。

波束训练对于毫米波超大规模 MIMO (XL-MIMO) 系统至关重要，因为它决定了高增益窄波束的对准和整体通信性能。在近场区域，不可避免的多径传播使得波束搜索过程极易受到多个局部最优的影响。传统的分层波束训练方法依赖于从粗到精的搜索策略，但容易出现错误传播，这限制了它们解决多路径引起的问题的能力。为了解决这些挑战，我们提出了一种带有自适应随机扰动（RASAP）算法的往返交替搜索。 RASAP 将关节角度和距离估计问题重新表述为交替邻域搜索。采用前向-后向搜索策略来实现耦合参数的相互细化，从而减轻误差传播。为了进一步增强鲁棒性，采用自适应随机扰动机制，根据当前光束质量动态调整逆退火采样强度。这种机制使得算法能够以正概率逃脱局部最优。理论分析表明局部线性收敛和正概率逃离局部最优。典型近场多径场景下的仿真结果表明，与现有方法相比，RASAP的性能接近理论上限，并显着提高了波束训练成功率。

无人机 (UAV) 旋翼回波可揭示旋翼速度和叶片长度，但加速度引起的身体多普勒行走可以掩盖这些特征。这封信开发了基于正交时频空间（OTFS）的集成传感和通信（ISAC）回波的身体运动补偿估计。提取延迟解析的慢时间序列并进行二次补偿。转子速度和叶片长度是根据叶片通过频率和微多普勒边界来估计的。在 20 dB 时，最大转子速度归一化均方根误差 (NRMSE) 和叶片长度 NRMSE 分别为 1.19% 和 0.74%，而 OTFS 和一抽头正交频分复用 (OFDM) 接收器的误码率分别为 5.189 × 10−3 和 2.448 × 10−2。

随着 6G 技术的进步，国际机构和监管机构正在加紧努力，将无缝连接扩展到高移动场景，例如移动自组网络 (MANET)，包括车载自组网络 (VANET) 和飞行自组网络 (FANET)。为了使这些环境获得长期采用，它们必须支持多输入多输出（MIMO）操作；然而，快速波动的信道条件给 MIMO 预编码所需的传统时频信道状态信息 (CSI) 反馈带来了沉重负担。这促使人们转向延迟多普勒表示，例如正交时频空间（OTFS）调制所采用的表示，它在移动性下提供了更高的稳定性。我们推导了 OTFS I/O 关系的时间变化的表达式，并使用它来开发基于物理的复杂指数基展开模型预测框架。所提出的框架提高了过时 CSI 在整数和分数延迟多普勒信道中的效用，并促进高移动性 MIMO 通信。

准确的室内定位对于工业物联网 (IIoT) 应用至关重要，可以实现自动导引车 (AGV) 和其他移动终端的高精度协调。同时，多输入多输出（MIMO）正交频分复用（OFDM）系统被广泛采用，提供细粒度的信道信息。这使得基于通道响应矩阵 (CRM) 的指纹定位 (FP) 成为一种有前景的解决方案，尤其是在深度学习的辅助下。然而，现有的方法大多是针对固定的 OFDM 传输设置，即固定数量的子载波和固定的子载波间隔而开发的。在实践中，这些设置可能会动态变化，从而导致不同的 CRM 维度和延迟域分辨率，需要特定配置的模型开发和培训。为了解决这个问题，我们提出了一种具有两个组件的学习辅助 FP 的配置泛化方法。首先，开发了一种基于重采样的延迟域分辨率和维度统一方法来处理不同的CRM维度和延迟分辨率，其中空频域CRM（SFCRM）被转换为具有统一延迟域分辨率和维度的角度延迟域CRM（ADCRM）。其次，提出了一种稀疏感知数据增强方案，通过从最大带宽 SFCRM 合成较低带宽 ADCRM 来减少多种配置的数据收集要求，从而实现混合配置训练。仿真结果表明，该方法实现了跨配置泛化，同时还提高了定位精度。

本文开发了一种协作集成传感和通信（ISAC）框架，其中多天线基站（BS）同时定位目标并为多个通信用户提供服务，其中一个子集配备了可重构智能表面（RIS）。导出了用于目标定位的 Fisher 信息矩阵 (FIM)，明确表征了其对 BS 波束形成系数、RIS 相位分布和双基地传感几何结构的依赖性。在规定的缩放假设下，相干 RIS 相位对齐产生的费希尔信息增益与 RIS 元件的数量呈二次方缩放，而独立随机相位则提供期望的线性增益。我们制定了一个以传感为中心的联合有源和无源波束形成问题，该问题可最大限度地减少受每个用户信号干扰加噪声比（SINR）和发射功率限制影响的位置误差界限（PEB）。由此产生的非凸问题通过迭代连续凸逼近 (SCA) 过程来解决，该过程可解决一系列凸子问题。我们进一步开发了一种目标定位估计器，它融合了一个直接到达时间 (ToA) 测量、一个到达角度 (AoA) 测量和多个 RIS 辅助的间接 ToA 测量。在较小的测量误差和渐近有效的第一阶段 ToA/AoA 估计下，估计协方差接近一阶 Cram\'er-Rao 界 (CRB)。数值结果验证了分析缩放定律，并证明了配备 RIS 的合作用户所实现的定位增益。

室内双基地 WiFi 传感通常必须跨房间运行，其中中间的墙壁会阻挡发射器 (Tx) 和接收器 (Rx) 之间的直接视线 (LOS) 路径。从信道状态信息 (CSI) 导出的延迟、到达角 (AoA) 和多普勒估计中恢复人体轨迹非常困难，因为 Tx 位置通常未知，并且 NLOS 传播与直接路径几何形状不一致。本文提出了 CoTrack，一种不需要 Tx 位置的自校准无源 WiFi 跟踪方案。 CoTrack 提取一种主要的人类引起的响应，并通过虚拟 Tx 来表示其发射器侧传播，并与人类轨迹联合估计。由于类似的测量可以通过不同的虚拟 Tx 轨迹对来解释，因此 CoTrack 使用多起点非线性最小二乘法，并且仅当最适合的候选集中在公共虚拟 Tx 位置周围时才接受初始化。然后，它应用在线交替优化来进行连续跟踪。我们分析了联合估计问题的局部可辨识性并推导了相应的 Cram\'er-Rao 界。在六次 LOS 和跨房间 NLOS 实验中，CoTrack 实现了 1.14m（第 80 个百分位：1.42m）的中位轨迹误差和 0.47m（第 80 个百分位：0.54m）的中位虚拟 Tx 差异。

第六代 (6G) 网络中从基站 (BS) 到无人机 (UAV) 的下行链路通信需要精确的波束对准，以克服严重的移动通信路径损耗。然而，传统的详尽波束扫描依赖于离散码本，并消耗宝贵的空中接口资源来进行在线测量，导致其在高度动态的空中环境中效率低下。在本文中，我们提出了 BeamCKMDiff，这是一种基于物理的生成扩散框架，旨在构建高保真连续波束感知通道知识图（BeamCKM）。与现有的经验方法不同，BeamCKMDiff 采用具有双路径调节机制的扩散变压器 (DiT) 架构。它将分析视距 (LoS) 波束先验与环境拓扑集成在一起，同时通过自适应层归一化 (adaLN) 机制嵌入连续波束形成向量。基于这种可微分生成映射，我们提出了一种基于 CKM 的端到端连续波束成形和主动双基站切换算法。通过通过反向扩散过程分析传播梯度，所提出的框架能够在计算域中实现基于连续凸逼近（SCA）的波束形成优化，有效地绕过物理导频扫描。仿真结果表明，BeamCKMDiff 的归一化均方误差 (NMSE) 为 --23.96 dB，建立了高度可靠的空间先验。与离散波束扫描和视距假设基线相比，所提出的基于 CKM 的波束成形适应非视距 (NLoS) 条件，提供精确的波束对准和更高的频谱效率。此外，集成的双基站切换机制消除了阻塞引起的链路中断，确保了高机动性空中平台的稳健连接。

为了解决超大规模 MIMO 中 1 位符号级预编码 (SLP) 的复杂性与性能权衡问题，我们将基于均方误差的设计重新表述为伊辛问题，这是一种来自统计物理的二元优化，可捕获变量的相互作用。这产生了一个两阶段求解器，即平均场退火贪婪搜索（MFA-GS）。第一阶段使用MFA求解连续松弛并获得近二元解；第二阶段采用伊辛引导的贪婪搜索（I-GS）来改进它。 MFA-GS 可在不同用户负载和传输相关级别上实现稳健的 BER 性能，且在线复杂度最多为二次方。在测试的 1024-QAM 场景中，它的性能比代表性的低复杂度基线高出约 6 dB。

我们解决了环境反向散射通信中的联合连续定位和数据检测问题，其中弱观测可能使相互竞争的几何假设变得合理，而分阶段的点估计接口可以丢弃有关这种模糊性的信息。我们开发了\emph{几何感知框架网络（GeoFrameNet）}，它将通道频率响应投影到物理导出的延迟到达角晶格上，并在正交频分复用符号上聚合符号稳健的证据，以形成物理上可行的候选者的共享几何后验。定位使用完整的后验和特定于候选者的细化；检测使用对所选候选者进行重新归一化的后验权重来结合候选者条件差分逻辑。位监督指导几何评分。对于固定设备，\emph{跨帧几何共识网络（CFGC-Net）}融合冻结的 GeoFrameNet 候选逻辑和跨帧特征以进行定位，同时保留逐帧检测输出。在独立测试集上，GeoFrameNet 在所有八个评估的信噪比 (SNR) 点上实现了比全符号多测量向量稀疏贝叶斯学习 (MMV-SBL) 基线更低的定位均方根误差 (RMSE)，同时误码率和 RMSE 从 $-30$ 降低到 $-22.5$~dB。在 $-30$~dB SNR 下，各自的 RMSE 为 3.1573 和 18.8859~m。在评估的两帧、四帧和八帧融合策略中，CFGC-Net 实现了最低的总 RMSE。

本文提出了一种集成的两阶段框架，用于在近场同步无线信息和电力传输（SWIPT）系统中部署无人机车载可重构智能表面（UAV-RIS），但受到未知用户和 UAV-RIS 位置的实际约束。为了克服盲接入、近场球面波效应和高维优化的共同挑战，我们首先设计了波束扫描和无人机无线功率传输（WPT）阶段，该阶段采用具有正交Hadamard序列的近场多波束扫描方案进行粗略三维定位和设备识别，然后对UAV-RIS进行鲁棒的宽波束WPT。其次，我们提出了一个耦合优化阶段，联合解决定位、信道估计和 SWIPT 问题。该核心阶段创新地将UAV-RIS布局优化与级联信道估计同步，通过三个依赖定理形式化，然后通过高效的交替优化算法进行主动波束形成、RIS相移和功率分配的联合设计。大量仿真表明，所提出的框架将定位误差降低了 72%-78%，在中低信噪比下将信道估计 NMSE 降低了 91.9%，并且与非 RIS 系统相比，频谱效率提高了 8.8%，同时在 3-5 次迭代内收敛。这项工作从完全位置不确定性出发，为实用的 UAV-RIS 增强型近场 SWIPT 部署建立了系统的方法。

本文研究车载单基地集成传感与通信 (ISAC) 系统中数字生成自干扰消除 (SIC) 的预测系数跟踪。在此类系统中，消除器必须抑制强烈的发射机泄漏和附近的意外反射，同时保留延迟的感测回波。在移动平台上，发动机、转子或附近结构的机械振动可能会引起自干扰 (SI) 通道的准周期性变化。然后，最优消除系数可能在一个自适应周期内变化，导致传统自适应滤波器的应用系数滞后于移动SI信道并增加残余SI。为了解决这个问题，我们提出了一种库普曼预测 SIC（KP-SIC）模块，该模块通过预测系数轨迹增强了传统的自适应滤波器。 KP-SIC 使用最近有效的 SI 通道系数快照来识别结构振动引起的动力学，并预测下一个适应周期的样本变化系数序列。预测系数使消除器更接近预期的时变最佳值，而自适应滤波器则纠正残留预测误差和非结构化变化。为了进行评估，该模块在灵活的模拟 SIC (FASIC) 框架下与宽线性归一化最小均方 (WL-NLMS) 滤波器集成。仿真表明，一旦观察窗口跨越至少约 $1.5$ 振动周期，KP-SIC 就比传统 FASIC-WL-NLMS 提高 SI 抑制 $6.3$--$10.2$~dB。与非因果性能界限相比，KP-SIC 实现了 $60$--$74\%$ 的可用预测增益。

来自低地球轨道 LEO 卫星的直接到设备的 D2D 连接正在转向 Ku 频段，其中手持终端必须从分布在机箱周围的几个小型相控阵面板获得定向增益。然后，波束管理变成了一个涉及数百个候选者的联合卫星面板波束选择问题，普通的手部动作可以在一个决策间隔内改变最佳候选者。本文提出了一种用于多频段 LEO D2D 下行链路的低开销预测波束管理方案，其中低频锚链路承载控制信令和回退流量，Ku 频段链路承载宽带数据。手机惯性测量单元IMU以已知延迟报告姿态和角速率；该方案将延迟姿态推断为当前方向，根据卫星星历和面板几何形状对所有卫星面板候选波束进行分析评分，并仅训练在固定试点预算下利用卫星面板分集规则构建的小型候选集。仅当其预测的训练后速率超出锚定速率一定程度时，Ku 频段链路才会被激活。使用四面板手机和两颗可见卫星进行的轨迹驱动蒙特卡罗模拟表明，在六名飞行员的训练开销为 0.3% 的情况下，所提出的方案相对于同等预算的延迟姿态基线，平均吞吐量提高了 21.2%，每秒 90 度的宽带中断减少了 57.6%，并且在零开销预言的 3.8% 范围内运行。

车辆集成传感和通信（ISAC）是一项很有前景的自动驾驶技术，因为它可以实现无线连接和连续环境传感。全双工 (FD) 操作支持连续感测，但会引入强自干扰 (SI)。全景传感还需要光束扫描，每个光束开关都会改变波束形成的有效SI通道的幅度和相位。因此，在前一波束下获得的 SI 估计或消除系数变得不匹配，而传统的自干扰消除 (SIC) 算法需要新的观测值来跟踪当前信道。由此产生的瞬态残留 SI 会掩盖微弱的目标回波并降低传感性能。为了解决这个问题，本文提出了一种低复杂度的存储器辅助频域自干扰抑制框架，用于车载 FD-ISAC 系统中的全景传感。首先，开发了一种记忆辅助频域自适应消除（MA-FDAC）机制，其中联合利用几何辅助初始化和记忆辅助自适应来改进跨波束转换的SI通道跟踪。其次，采用基于零填充（ZP）的感测块结构，能够在不删除前缀的情况下进行分块频域处理，从而保留接收到的回声的时域连续性以供后续感测。最后，封闭式分析表征了稳态消除性能和实现复杂性，而仿真则评估瞬态通道跟踪。在采用的参数下，MA-FDAC 减轻了波束开关的退化，同时比截断递归最小二乘法 (TRLS) 需要更低的主复数乘法成本。

可见区域（VR）由超大多输入多输出（XL-MIMO）信道的空间非平稳性产生，已成为增强多用户可分离性和降低信号检测或处理复杂性的关键资源。因此，准确的 VR 识别对于实际的 VR 感知调度至关重要。然而，现有方法通常将 VR 识别建模为均匀线性阵列 (ULA) 上的一维二进制支持恢复问题，这不能充分捕获基于二维 (2D) 均匀平面阵列 (UPA) 的实际部署的特征。因此，本文提出了一种非线性扩散（NLD）框架，用于基于 UPA 的 XL-MIMO 系统中的 2D VR 识别。所提出的方法重建了跨阵列孔径的连续 VR 场，其中边缘保留 NLD 过程在保留 VR 边界的同时抑制噪声。自适应阈值方案进一步实现了主导 VR 和弱 VR 的自动检测。仿真结果突出了所提出的 VR 识别方法相对于基于马尔可夫先验的方法的性能。

这封信考虑了同步发射和反射可重构智能表面（STAR-RIS）辅助下行链路近场多输入多输出（MIMO）系统，其中码本设计对于波束搜索以有限的波束训练开销实现高频谱效率至关重要。我们制定了一个有效的可实现速率最大化问题，该问题共同考虑了可实现速率和码本大小。为了解决这个具有挑战性的码本设计问题，我们提出了一种具有在线可微分门控适应框架的离线贪婪初始化。所提出的方法将迭代码字激活和停用转换为可微分、可学习的门控架构，从而实现自适应码本大小控制和基于速率反馈的高效在线码本细化。仿真结果表明，所提出的方法优于基于分层搜索和基于强化学习的波束训练方案，实现了稳定的收敛，并产生与用户空间分布一致的紧凑码本。

在这项工作中，提出了一种新颖的叠加导频方案，称为叠加交叉导频，用于多天线正交时频空间（OTFS）接收机中的分数参数估计。假设接收器处的均匀线性阵列 (ULA) 尺寸较大，则通过匹配滤波器 (MF) 在角度域中分离多径分量。然后表明，所提出的叠加导频方案能够通过分别在多普勒轴和延迟轴上平均接收的延迟多普勒矩阵来计算积分延迟和多普勒轮廓。该过程有助于通过数据平均来减少数据对导频的干扰，从而消除对迭代消除方案的需要。在此基础上，导出了一种利用 MF 的分数参数估计算法。仿真结果表明，所提出的方法优于现有的 OTFS 叠加导频方案，实现了较低的误码率 (BER)，同时展示了峰均功率比 (PAPR) 和通信性能之间的权衡。

蓬勃发展的低空经济和智能交通对海量设备的同步身份识别和空间方位感知提出了双重要求。尽管无授权访问是支持物联网的关键通信技术，但现有研究主要集中在通过活动检测来识别设备身份。为了弥补这一差距，本文提出了一种参数未知的莱斯信道上的联合设备活动和到达角（AoA）检测框架。具体来说，我们将联合检测任务表述为最大似然估计（MLE）问题。为了规避其高度非凸性和分析难处理性，我们策略性地制定了一个与原始问题非常接近的易于处理的替代问题。利用莱斯通道的固有结构特性，我们开发了一种高效的块坐标下降（BCD）算法，其中每个子问题都显示出全局最优的封闭式解决方案，从而确保高检测精度和低复杂度。数值结果表明，我们的方法不仅在访问成功率方面显着优于现有基准，而且还提供高精度 AoA 估计，为位置感知的无授权访问提供关键见解。

在波前整形中，光、声和其他波通过复杂的散射介质聚焦到一个或多个目标位置，并且所产生的强度增强通过增强因子来量化。虽然可重复的增强在实验中至关重要，但增强因子的波动在很大程度上仍未被探索。在这里，我们结合实验、数值模拟和精确的随机矩阵理论来确定多目标聚焦的完整分布。只要长程介观相关性可以忽略不计（例如，在弱散射介质中或仅控制有限数量的输入通道时），精确的有限大小随机矩阵预测就可以准确地描述平均增强因子及其超出渐近 Marčenko-Pastur 状态的波动。相比之下，强散射介质表现出巨大的增强因子波动，随着受控输入通道数量的增加，这种波动逐渐超过这些无参数预测。这些发现确立了增强因子不仅作为聚焦性能的衡量标准，而且作为一种敏感的统计可观测值，为长程介观相关性提供了一种简单且可通过实验实现的探测。

基于物理的神经形态计算有望在性能和能源效率方面取得重大进展，但训练仍然主要在计算机中进行，需要昂贵的物理建模，并且会遭受制造引起的错误。在这里，我们介绍片上原位物理梯度下降（INSPIRE），这是一种光子集成电路的通用训练方法。 INSPIRE 使用片上合成时间反转全息术来测量双向光子模式的完整复杂场，从而能够直接在物理系统中进行梯度计算和参数更新。该框架与拓扑无关，并且与各种光电路兼容。实验产生相对误差为 0.26% 的训练矩阵，并且我们通过散射介质对大于本机可调元素数量的矩阵进行了原位训练。 INSPIRE还使元光子电路能够进行原位元学习，实现单次光子学习，251倍模型压缩和136倍特定任务训练加速。这项工作为自适应和高效的智能光子系统提供了一条实用途径。

随着 6G 及更高版本的网络变得越来越复杂和互连，联邦学习 (FL) 已成为安全有效地利用人工智能去中心化边缘数据的不可或缺的范例。凭借通信信号的叠加特性，空中FL（OtA-FL）实现了恒定的通信开销，而与边缘设备（ED）的数量无关。然而，通过无线方式训练神经网络仍然会产生大量的通信成本，因为传输符号的数量等于可训练参数的数量。为了缓解这个问题，最直接的方法是通过 1) 梯度压缩和 2) 梯度稀疏来减少传输符号的数量。 Unfortunately, these methods are incompatible with OtA-FL because they break the superposition property.在这项工作中，我们引入了联合零阶估计（Fed-ZOE），这是一种受零阶优化（ZOO）中常用的随机梯度估计器（RGE）启发的有效框架。在 Fed-ZOE 中，ED 与标准 FL 一样执行局部权重更新，但它们不是传输完整的梯度向量，而是以局部模型更新向量和随机向量之间的几个标量值内积的形式发送压缩的局部模型更新向量。这些标量值使参数服务器能够使用 RGE 技巧重建梯度，大大减少开销，同时还保留叠加属性。与传统的 ZOO 利用 RGE 进行逐步梯度下降不同，Fed-ZOE 在传输之前压缩本地模型更新向量，从而实现更高的精度和计算效率。使用 ResNet-18 对 CIFAR-10、Tiny-ImageNet、SVHN、CIFAR-100 和 Brain-CT 等数据集进行的数值评估表明，Fed-ZOE 实现了与规范 OtA-FL 相当的性能，同时大幅降低了通信成本。值得注意的是，所提出的方法将通信和计算开销减少至传统方法的 9%，为高效 OtA-FL 提供了显着优势。

作为6G的新特性，集成传感与通信（ISAC）引起了学术界和工业界的广泛关注。在第三代合作伙伴计划（3GPP）中，已经商定了几种潜在的传感信号用于研究目的，其中包括线性频率调制（LFM）、非线性频率调制（NLFM）和脉冲信号。它们具有不同的优点，很难做出普遍的最佳选择，例如LFM主瓣较窄，NLFM减少了旁瓣，脉冲信号避免了自干扰。这封信提出了一种频域频率调制（FDFM）信号设计来支持所有这些，这对于NLFM和脉冲来说非常具有挑战性。现有的 NLFM 方法需要大量计算，这对于实时 ISAC 系统来说是不可接受的。而且，脉冲是在时域中定义的，但正交频分复用(OFDM)资源自然是在频域中。 FDFM 本质上是基于 OFDM 构建的，并在频域中操纵频率​​调制功能。 FDFM 可以通过简单地调整一个封闭式公式中的参数来支持 LFM、NLFM 和脉冲。仿真结果表明FDFM在信号特征和自相关性方面均具有优势。

未来的 6G 系统与物理人工智能面临着共同的核心挑战：在严格的延迟、计算和能源限制下，在快速变化的物理环境中将网络边缘基础设施的传感、推理和操作结合起来。应对这一挑战需要多时间尺度的智能，将在几毫秒内跟踪无线现象的快速感知与在几秒内指导感知并调整网络策略和资源的较慢推理相结合。在本文中，我们提出了基于双环架构的代理射频智能愿景，该架构将快速、本地自主的无线传感（例如，检测频谱动态、干扰和信号源）与较慢的代理推理和编排解耦。我们提供了一个设备上原型，其中完整堆栈在连接到 B200 Mini USRP 的单个 NVIDIA Jetson Thor 上运行。快速循环使用信号处理工具和无线物理层基础模型 (WPFM) 处理 IQ 样本，而本地大型语言模型 (LLM) 异步解释 RF 事件、调用工具并引导传感。我们的实验证实了时间尺度上的分离，因为 WPFM 以毫秒延迟运行，而 LLM 交互需要几秒到几分钟。快速循环在代理推理期间保持运行，为这种解耦架构的可行性提供了初步证据。最后，我们概述了记忆驱动的自我改进、世界模型、网络控制和多代理操作的扩展。

在车联网（IoV）中，将高维多模态传感数据传输到边缘服务器以执行时间敏感的任务面临着严重的频谱瓶颈。为了解决这个问题，我们提出了一个基础模型驱动的空中令牌融合（AirTF）框架，用于面向任务的多模式令牌通信。与依赖局部感受野有限的卷积神经网络 (CNN) 的现有分割方案不同，AirTF 利用视觉变换器 (ViT) 编码器从分布式异构传感器中提取全局上下文语义标记。通过在共享无线信道上同时传输这些空间对齐的令牌，我们的框架利用多路访问信道的叠加特性，直接通过空中方式固有地融合互补的多模态语义（例如，RGB 和红外）。与正交传输相比，这种机制显着提高了频谱效率。此外，预训练基础模型的集成提供了关键的视觉先验，有效解决了 ViT 在有限的、特定于场景的语义分割数据集上的数据匮乏性质。实验表明，AirTF 在 AWGN 和衰落通道中始终优于正交传输和基于 CNN 的融合基线。三用户设置下的附加评估、残余同步误差和不完善的信道状态信息估计进一步证实了其鲁棒性。

由于 WiFi 基础设施的广泛部署，WiFi 指纹识别为室内定位提供了一种实用的解决方案，但 CSI 测量对多径效应高度敏感，即使在固定位置也会大幅波动。为了解决这个问题，我们提出了 CSFLoc，一种基于连续结构领域先验的知识条件定位框架。 CSFLoc 提取双尺度延迟-多普勒结构证据来学习空间结构化传播先验并构建频率视图和时间视图混合原型。这些先验调整 CSI 表示，而查询加权的同视图 Sinkhorn 传输则注入相关的原型上下文以进行本地化。两个室内环境中的实验证明了 CSFLoc 的有效性。

这封信研究了由视觉语言模型（VLM）驱动的任务统一多级射频（RF）传感框架。现有的射频传感方法依赖于特定任务的设计，并且仅提供部分环境信息，限制了它们处理新兴 6G 应用的能力。为了解决这个问题，我们提出了一种射频传感的生成公式，其中毫米波（mmWave）/太赫兹（THz）通道增益被映射到描述多级环境语义的标题。该框架通过 RF 环境语义桥接的补充设计解决了这个问题，其中 VLM 经过微调以利用其多模态表示和提示条件语义生成功能。因此，通过文本提示指定不同的感知任务，使框架能够以统一的方式处理不同的任务。为了进行微调，我们引入了即时路由低秩适应（LoRA）专家来实现级别感知适应。仿真结果表明，与基线相比，我们的框架在更广泛的语义范围内实现了卓越的性能，并且能够实现超出预定义任务的任务统一感知。在看不见的传感要求下，它的平均 F1 分数比最具竞争力的版本提高了 0.22。

这封信研究了采用 OFDM 信令的宽带相控阵中的有限分辨率实时延迟 (TTD) 量化。对于均匀线性阵列中的确定性最近邻延迟量化，我们推导了每个子载波组合因子的精确表达式，并表明它分解为可去除的公共相位项和不可约的相干组合损失，其二阶由残余延迟误差的空间方差控制。这产生了整个 OFDM 频段的平均和最坏情况退化的紧凑封闭式表达式，为确定 TTD 分辨率提供了直接的设计规则，从而有助于避免不必要的硬件过度设计。数值结果（包括独立时域仿真和多径信道）验证了分析，并表明均衡消除了公共相位，但没有消除 SNR 损失。

当独立估计每个相状态通道时，可重构智能表面（RIS）辅助级联通道估计会产生很高的训练负担。在准静态区间内，我们将每个这样的通道表示为跨状态共享的传播相关系数的已知有限孔径模态激励。电磁理论引导的探针被投影到可行的仅相位码本中，列归一化稀疏恢复估计用于观察状态重建和未见状态合成的共享系数。在固定部署模拟中，该方法在测试的 SNR 和训练开销范围内实现了具有竞争力的保持状态归一化均方误差 (NMSE)；相位量化、模态阶次和几何扫描可量化灵敏度。

在无人机 (UAV) 网络中，联合通信和传感 (JCAS) 正在成为支持集群运行的无人机第六代 (6G) 服务的扩展和连续通信和传感能力的关键推动因素。在此框架内，空中走廊为支持协调和可靠的运营提供了结构化的环境。本文提出了一个综合框架来研究无人机用户设备（UE）组成的空中走廊中无人机基站（BS）的 JCAS 覆盖概率（CP）。走廊被建模为有限圆柱体，其中固定数量的 UAV-UE 根据三维 (3D) 二项式点过程 (BPP) 在空间上分布。假设 UAV-BS 配备真实的 3D 第三代合作伙伴项目 (3GPP) 天线模式，并利用雷达传感功能来跟踪已知的 UAV-UE。随后，假设被跟踪的UAV-UE与UAV-BS执行上行链路通信。因此，在存在杂波和上行通信干扰的情况下，对UAV-BS处的JCAS CP进行了分析，并导出了精确形式的解析表达式。据我们所知，这是第一项开发随机几何框架的工作，用于严格分析空中走廊中的 JCAS 性能，并将 UAV-UE 位置建模为 3D BPP。在多项见解中，结果表明，增加 UAV-BS 天线波束的方向性可显着提高 JCAS 性能，特别是对于较短的 UAV 走廊。

低地球轨道（LEO）卫星不仅构成第六代（6G）非地面网络（NTN）的关键基础设施，而且成为传统全球导航卫星系统（GNSS）的有效补充和备份。它们的空地连通性、快速变化的几何形状和抗干扰优势为综合通信和导航（ICAN）创造了机会。然而，克服通信和导航的孤立评估仍然是实现高效联合性能优化和资源利用的紧迫挑战。本文提出了一种支持 ICAN 的多卫星协作 LEO 系统的联合优化方案。具体来说，为协作ICAN制定了新的性能度量框架，并分析了卫星和用户空间分布引起的异步干扰。开发了基于多 LEO 卫星定位的可观测性分析，以及强调其对卫星选择的影响的几何解释。为了适应不同的ICAN应用需求，随后引入了灵活的卫星选择策略。此外，联合ICAN性能和用户接收的SINR之间建立了单调关系。为了进一步增强联合目标，提出了自适应 SINR 调整波束形成设计。由此产生的非凸公式通过半定松弛 (SDR) 得到解决，从而能够正确处理用户间干扰、明智的通信访问和智能链路设计。仿真结果表明，所提出的方法在通信性能和定位精度方面至少提高了 2.96% 和 20.9%，从而共同适应通信和导航并实现有效的 ICAN 性能权衡。

5G 及以后的发射器和干扰数量不断增加，加上阵列资源有限，对高精度无源定位提出了重大挑战。本文解决了存在干扰的情况下循环平稳信号的离网直接位置确定问题。我们提出了一种稀疏贝叶斯学习框架，它将循环互相关处理与稀疏数组增强相结合。该方法通过矢量化循环相关矩阵并对与重复差值滞后相关的条目进行平均来构造增强的伪快照，有效地扩展了虚拟阵列孔径。自适应网格细化策略通过多分辨率候选生成和基于牛顿的优化来动态调整网格分辨率，同时通过从阵列流形的二阶泰勒展开导出的闭合形式更新来优化离网偏移。然后，两级细化过程通过重构和减去非对角线干扰项来校正循环互相关失配，从而产生用于高精度估计的纯化信号模型。跨超定和欠定场景的广泛模拟表明，所提出的算法实现了卓越的定位精度和鲁棒性，有效减轻了网格偏差和干扰，同时优于最先进的同行。

超可靠低延迟通信 (URLLC) 旨在满足确定性和概率方面严格的延迟约束，这使其对于 6G 通信系统中的时间敏感网络和确定性网络至关重要。这项工作研究了下行链路场景中确定性服务质量（QoS）约束下有限块长度（FBL）通信中跨层设计的性能分析和优化。我们开发了一个统一的框架，共同表征蜂窝和无蜂窝多输入多输出（MIMO）网络的排队延迟、传输延迟、排队延迟违规概率（QDVP）、块错误率（BLER）、中断概率（OP）和重传。通过将有效带宽理论与随机几何相结合，我们得出了端到端数据包失败概率的明确上限，建立了相应的可靠性预算，并获得了 FBL 中断概率的易于处理的界限。然后，我们制定了最大可持续到达率（MSAR）最大化问题，该问题在硬期限和可靠性约束下联合优化可靠性预算、编码率和最大传输尝试次数。仿真结果验证了所提出的分析，并表明优化的可靠性分配优于均等分配，因为 QDVP、BLER 和 OP 通过不同的机制影响 MSAR。结果进一步揭示了天线分集和基站密度的性能饱和度，为确定性 URLLC 网络中的天线配置、基站密度和可靠性预算分配提供了实用指南。

随着集成传感与通信（ISAC）技术的发展，传感辅助时间同步（TS）在提高TS性能方面的潜力日益凸显。然而，传感和通信链路中传输路径的差异对传感辅助传输提出了重大挑战。为了应对这一挑战，提出了一种用于频分正交频分复用-线性调频连续波（OFDM-LFMCW）系统的感知辅助TS方法。该方法首先从接收到的LFMCW中提取先前的时延信息。在此基础上，根据接收到的通信信号设计检测阈值，以识别传感链路和通信链路可解析的公共路径。随后，开发了一种基于公共路径时延信息的路径迭代算法来识别通信链路中的附加路径，从而提高TS的正确性。仿真结果表明，即使在传感和通信链路之间存在显着差异的情况下，所提出的传感辅助 TS 方法与基线方法相比也显着降低了 TS 错误概率，同时证明了其对参数变化的鲁棒性。

频谱制图对于低空网络中的频谱感知资源管理至关重要，其中无人驾驶飞行器 (UAV) 收集频谱测量结果以重建功率谱密度 (PSD) 地图。然而，有限的能量和传感带宽使得测量在空间上稀疏并且在频率上不完整。为了有效地收集这些测量结果，无人机根据最新的地图及其不确定性主动计划下一步行动，这需要快速在线重建。因此，我们提出了一个主动的在线频谱制图框架。我们首先开发在线深度展开张量分解（ODU-TD）以实现快速地图更新。然后，一组重建器估计不确定性以选择信息丰富的传感目标，并且基于学习的策略确定能量预算下的无人机运动和传感带宽。实验表明，在稀疏空间和光谱观测下，ODU-​​TD 比在线张量分解实现了约 27 倍的加速，并且在比较重建器中实现了最低的归一化均方误差 (NMSE)，并且与代表性基线相比，所提出的框架将 NMSE 降低了至少 55%。

电磁场 (EMF) 映射对于无线传播建模至关重要，也是各种应用的基础，包括频谱感知、网络规划以及集成传感和通信 (ISAC)。然而，现有数据集通常仅限于空间分离的 2D 场景，没有真实的基站 (BS) 信息。为了解决这一差距，我们提出了 UrbanEMF，这是一个城市规模的 EMF 测绘数据集，由现实世界的城市几何结构和使用光线追踪的物理 BS 部署构建而成。与传统的基于单一场景的数据集不同，UrbanEMF 保留了连续的城市规模城市覆盖范围和真实的发射机位置信息。它通过合并多个接收器高度进一步扩展了传统的 2D 地图。此外，还提供聚合的接收信号强度（RSS）图和路径损耗图来表征无线电环境的互补方面。这项工作为在大规模城市无线环境中开发和评估基于学习的方法提供了现实且灵活的基准。这项工作的代码位于：https://github.com/lemonstudy/UrbanEMF

这封信研究了任意对任意 (X2X) 信道增益图 (CGM) 的构建，它可以预测感兴趣区域中任意发射器 (TX) 和接收器 (RX) 位置的大规模信道功率增益。与需要对不同 TX 进行密集测量的固定 TX CGM 方法不同，我们提出了一种基于双向虚拟散射体的 X2X CGM 构建框架，该框架将主要环境物体建模为共享功率传输虚拟散射体。具体来说，先验的粗对象几何形状用于确定每个多径分量的可见性和传播损耗，而稀疏信道增益测量用于通过凸二次程序估计双向散射体响应。仿真结果表明，所提出的框架可以准确地重建不同 TX 位置的 X2X CGM，大大降低了固定 TX 基线的测量要求，并进一步受益于几何引导的空间采样策略。

考虑到动态多用户环境中复杂的跨层数据流量和队列状态，需要优化集成传感和通信（ISAC）系统中的资源分配，以平衡通信和传感模块的要求。本文研究了跨层 ISAC 的波束分配，以实现低延迟通信并最小化传感参数估计误差。为了处理实际数据缓冲区动态和变化的无线信道之间的复杂耦合，我们提出了一种深度强化学习（DRL）辅助方法。 DRL 辅助波束分配不是依赖于显式的信道状态信息，而是通过利用感知观测来减少反馈开销。仿真结果验证了DRL框架在分配资源时有效地考虑了缓冲区状态并适应无线环境。所提出的多波束方案提高了整体吞吐量，而延迟仅适度增加。最后，DRL 辅助光束管理实现了接近精灵辅助基准的通信和传感性能，并具有完美的出发角 (AoD) 知识。这些贡献推动了 ISAC 系统最先进的智能资源管理。

集成传感和通信 (ISAC) 是 6G 网络的基础，要求架构能够同时提高传感精度和通信可靠性。本文提出了可重构分布式天线和反射表面（RDARS）辅助 ISAC 框架，其中 RDARS 克服了传统无源可重构智能表面（RIS）和分布式天线系统（DAS）的局限性。通过使每个元件能够在 \textit{reflection} 或 \textit{connection} 模式下动态运行，RDARS 协同利用反射增益、分布增益和附加模式选择增益。我们研究了基站发射波束成形和 RDARS 动态模式选择的联合优化，以最小化传感性能指标，即用于目标定位的 Cram\'er-Rao Bound (CRB)，同时保证多个通信用户所需的最低信号干扰加噪声比 (SINR)。为了解决由此产生的非凸和混合整数问题，我们开发了一种基于交替优化（AO）框架的高效迭代算法，有效地利用了Majorization-Minimization（MM）和惩罚方法。全面的仿真验证了所提出的设计，证明动态 RDARS 配置在位置误差界限 (PEB) 和通信 SINR 之间实现了卓越的权衡，显着优于基准无源 RIS 和 DAS 系统。

这封信研究了相移键控 (PSK) 调制下大规模多输入多输出 (MIMO) 双功能雷达通信 (DFRC) 系统的 1 比特块级预编码 (BLP) 设计。通过共同最大化通信安全裕度和匹配雷达参考波形来制定离散非凸问题。为了解决这个问题，提出了交替优化框架。雷达参考波形通过基于奇异值分解 (SVD) 的 Procrustes 投影以闭合形式更新。对于固定的雷达参考波形，发射信号矩阵子问题分解为独立的符号级预编码（SLP）子问题，为此开发了基于惩罚的位翻转坐标下降（bfCD）算法。仿真表明，所提出的算法实现了有竞争力的误码率 (BER) 性能和灵活的通信雷达权衡。

本文研究了具有 1 位数模转换器 (DAC) 的 MIMO-OFDM 双功能雷达通信 (DFRC) 系统的高效波形设计，这一点在文献中尚未得到充分探索。我们通过最大化目标角度费希尔信息矩阵 (FIM) 的轨迹来制定 DFRC 波形设计问题，并受到通过相长干扰 (CI) 和时域 1 位发射字母表约束实现的符号错误概率约束。由此产生的问题是一个大规模非线性整数规划问题。我们开发了一种具有交替时域和频域更新的不精确交替方向乘法器 (ADMM) 算法。所提出的方案能够在频域中实现子载波优化，并在时域中实现封闭式原始和对偶更新。特别是，在时域和频域子问题中故意保留 CI 约束，以提高中间迭代的可行性并改善 ADMM 的收敛行为。仿真结果证明了 DFRC 的良好性能。

本文重点研究信道状态信息 (CSI) 不确定性下支持正交时频空间 (OTFS) 的大规模多输入多输出 (MIMO) 系统的鲁棒波束成形。在高移动卫星通信中，不确定的CSI严重降低了波束成形的精度，并对满足用户的服务质量（QoS）要求提出了重大挑战。为了应对这一挑战，我们首先制定一个机会约束优化问题，旨在最小化总发射功率，同时保证预定义的中断概率。基于 3D 延迟多普勒角 (DDA) 通道表示，我们提出了一种使用支持​​向量聚类 (SVC) 的数据驱动方法，将不确定的 CSI 建模为不对称的不确定性集。然后，我们推导出一个稳健的对应项，将棘手的机会约束重新表述为确定性半定程序。最后，我们设计了一种图形处理单元（GPU）加速的可并行乘法器交替方向法（ADMM）算法来解决大规模天线阵列的计算复杂性。仿真结果表明，与传统的波束成形方案相比，所提出的基于 SVC 的设计降低了发射功率，并且 GPU 加速的 ADMM 实现了加速。这些结果证实，所提出的框架在动态大规模 MIMO 网络中实现了更高的鲁棒性、能源效率和高效计算。

收缩天线系统 (PASS) 为集成传感和通信 (ISAC) 提供灵活的辐射点，但现有设计很大程度上假定连续天线放置，这对于预安装的硬件来说可能不切实际。我们研究了一种离散激活多波导 PASS-ISAC 系统，该系统从预定义位置选择稀疏发射和接收收缩天线 (TPA/RPA)。我们通过在发射功率、激活和传感信噪比 (SNR) 约束下联合优化波束成形和 TPA/RPA 激活来制定通信速率最大化问题。为了解决这个非凸问题，我们开发了一种基于交替优化、逐次凸逼近和重新加权$\ell_1$最小化的低复杂度联合离散收缩天线激活和波束成形优化（JDPABO）算法。仿真表明，JDPABO 在低传感 SNR 要求下接近连续放置性能，并且优于具有稀疏 PA 激活的固定激活方案。

本文研究了收缩天线系统 (PASS) 中的频谱和能量效率 (SE-EE) 权衡。特别是，考虑了两种实用的操作协议，即波导复用（WM）和波导切换（WS）。 WM 支持通过多个 RF 链同时进行多用户传输，而 WS 采用时分传输和动态收缩天线 (PA) 重新配置，将天线资源集中在单个用户上。制定多目标优化问题（MOOP）来联合优化基带和收缩波束成形，以最大化可实现的 SE 和 EE，然后通过 $\epsilon$ 约束方法将其转换为单目标问题。对于 WM，问题在交替优化框架内分解，其中使用逐次凸逼近优化基带波束形成，并通过粒子群优化更新收缩波束形成。对于WS，由于时分传输和无干扰的特性，首先调整每个时隙中的收缩波束成形以最大化所服务的用户信道增益，然后进行基带功率分配。仿真结果表明：1) PASS 通过降低大规模路径损耗而优于传统天线； 2) WS通过仅激活单个RF链来实现更高的EE，而WM通过同时服务多个用户来提供更高的SE上限； 3）WM受益于用户数量的增加，而WS在低信噪比情况下更有优势。

这封信研究了 MIMO-OFDM 集成传感和通信 (ISAC) 系统的双功能波形设计。首先，在多用户通信服务质量（QoS）和发射功率的约束下，提出了最小化雷达测距Cramér-Rao界限（CRB）的优化问题。为了充分利用时空自由度（DoF），设计了一种新颖的符号级预编码（SLP）方案，将多用户干扰重塑为相长干扰（CI）。为了解决由此产生的NP难非凸分数优化问题，提出了一种基于二次变换和交替优化（QT-AO）的低复杂度算法。仿真结果表明，在重通信负载下，所提出的 SLP-ISAC 方案的雷达测距 CRB 比传统的基于半定松弛 (SDR) 的块级预编码 (BLP) 低 4 dB，并且收敛速度显着加快，计算复杂度降低。

收缩天线系统（PASS）作为一种新型柔性天线，由于其动态构建视距路径的能力而引起了越来越多的兴趣。这些特性使其在复杂的移动通信环境中非常有前景，特别是在通信性能经常下降的高速铁路（HSR）或高速公路隧道场景中。在高移动性场景中，准确的信道状态信息（CSI）获取至关重要，但会受到信道老化和快速时间变化的严重阻碍。在有限的观察窗口和几何信息下，PASS 通道固有的病态特性进一步使通道采集变得复杂。为了提高 CSI 准确性，同时避免频繁估计带来的高昂导频开销，我们开发了一种基于 Transformer 的信道预测网络，专为高移动场景中的 PASS 量身定制。此外，我们开发了一种增强的网络架构，该架构在训练阶段利用隐式用户位置信息来实现更高的预测精度，同时保持低复杂度的推理阶段，无需实时位置数据即可运行。数值结果表明，所提出的框架仅使用接收到的导频信号即可实现稳健的 CSI 预测。将定位作为辅助任务进一步缓解信道老化并提高预测性能，从而支持 PASS 在高移动场景中的实际部署。

联邦学习 (FL) 是一种分布式学习范例，通过消除训练期间交换原始数据的需要来保护隐私。在其通过模拟空中计算 (AirComp) 实现的底层无线传输的原型边缘实例化（称为空中 FL (AirFL)）中，固有的信道噪声扮演着独特的亦敌亦敌的角色，因为它会因噪声全局聚合而降低训练质量，同时为隐私保护机制提供自然的随机性来源，通过差分隐私 (DP) 进行正式量化。然而，有效利用这种信道损伤仍然具有挑战性，因为现有技术在简单信道模型或受限类型的损失函数的假设下，大多考虑对隐私损失具有单轮或非收敛界限的（局部）DP增强。在本文中，我们根据用户级 DP 要求，研究了具有多天线基站 (BS) 的多址衰落信道上的 AirFL。尽管最近的一项研究声称在类似的环境中必须注入人工噪声 (AN) 才能总体上确保 DP，但我们证明，相反，即使不使用任何 AN，DP 也可以作为一种额外福利获得。具体来说，我们推导了 DP 上的一个新界限，该界限在模型参数的一般有界域假设下收敛，以及具有一般平滑和非凸损失函数的收敛界限。接下来，我们优化接收波束成形和功率分配，以表征最佳收敛-隐私权衡，这也揭示了在不影响训练的情况下可实现 DP 的明确条件。最后，我们的理论发现得到了广泛的数值结果的验证。

如今，空中计算（AirComp）利用无线多址信道的波形叠加特性，直接计算来自同时传输信号的分布式数据的函数。在本文中，我们提出了直方图状态编码多址计算（HiCoMAC），这是一种用于数字 AirComp 的全新卷积编码方法，可直接从编码和调制用户信号的叠加中恢复算术和序列。 HiCoMAC 利用和函数的排列不变性，通过占据各个编码器状态的用户数量来表示多用户卷积编码器状态。与联合全状态解码相比，这一中心思想使得 log-max 最大后验 (MAP) 直方图状态维特比解码能够显着降低状态复杂度。我们进一步引入计算自由距离来区分产生不同算术和序列的直方图路径，并为其最短路径评估开发加权乘积图。然后使用该距离来优化固定标记正交幅度调制（QAM）星座的矩形比，以提高计算精度。仿真结果表明，面向计算的调制设计增加了计算自由距离并降低了归一化均方误差 (NMSE)，而 HiCoMAC 在相同传输和能量预算下优于所考虑的多符号数字 AirComp 基线。

智能反射表面（IRS）因其无源波束形成增益而引起了广泛的研究兴趣。然而，实用的 IRS 辅助系统严重依赖于准确的信道状态信息 (CSI)，这不可避免地会出现估计错误。受这一挑战的推动，我们首先研究信道估计误差对 IRS 辅助的多输入单输出 (MISO) 下行链路系统的影响。具体来说，基于用于传输设计的估计CSI，我们得出严格的可实现速率下限，并将进入该下限的剩余方差准确地分解为直接分量和级联分量。我们进一步推导 IRS 元素数量的阈值，以识别哪个残差分量主导有效信道向量的平均均方误差（MSE）。在相同的归一化误差方差下，模拟显示，随着用户接近 IRS 或 IRS 元件数量的增加，从接入点 (AP) 附近的直接残余优势转变为级联残余优势。在绝对误差方差不相等的情况下，直接残差分量可能会在所考虑的设置中占据主导地位。

巨大的流体天线系统 (E-FAS) 可实现引导表面波 (SW) 传播，并产生具有随机协方差尺度的条件复杂高斯信道。本文研究了在存在被动典狱长的情况下这种通道结构对秘密通信的影响。在等功率有效模式表示下，随机信道尺度遵循伽马分布，从而导致有效信道功率的贝塞尔-K分布。我们证明了典狱长的最佳似然比测试简化为能量检测器，并推导出相应的误报和漏检概率。然后使用这些结果来表征在规定的检测误差约束下可实现的隐蔽吞吐量。数值结果表明，对于有限的观测间隔，有限模式 E-FAS 通道相对于具有相同平均通道功率的完全强化的瑞利极限提高了隐蔽性。他们进一步揭示了通道强化的不对称作用：更强的强化可以改善合法链接，而在管理员处保留通道规模波动可以增强有限观察的隐蔽性。

本文提出了一种用于高维混合变量多输入多输出 (MIMO) 基站 (BS) 设计的物理引导贝叶斯优化。所考虑的问题联合选择用于基站部署的候选站点子集，并优化基站的方位角、下倾角和发射功率谱密度，同时使用计算成本昂贵的特定站点射线追踪来评估每种配置。为了有效地优化系统配置，该方法根据预先计算的传播信息构建了一个低成本的基于物理的代理。代理估计的通信覆盖范围被用作高斯过程（GP）先验均值，并且具有三维物理特征的残差GP学习代理和完整评估之间的差异。在两个城市场景中基于光线追踪的评估表明，在相同的评估预算下，所提出的方法比传统和高维优化基线的覆盖率高出约 15 个百分点。

由于与车身的相互作用，车载天线的辐射方向图在安装后可能会发生显着改变。然而，现有的研究主要集中在模拟或隔离天线表征上，而大规模的实验研究仍然有限。本文提出了基于全车球形近场测量的车载天线辐射方向图的综合实验分析。在统一的测量框架下建立了涵盖十个商用车平台、多个天线安装位置以及各种无线功能（包括4G、5G、V2X和GNSS）的大规模数据集。根据测量结果，进行代表性案例研究和统计表征，以研究车辆安装对天线辐射行为的影响。结果揭示了安装位置和无线功能之间的巨大差异，凸显了车辆集成对实际天线性能的强烈影响。此外，还提出了一种新颖的统计模型，使用一小组物理上可解释的参数来生成真实的车载天线方向图。获得的数据集、表征结果和建模方法为车辆通信应用中的实际天线评估和无线系统仿真奠定了基础。

本文首先深入研究了灵活天线辅助下行链路多用户、多输入、单输出 (MU-MISO) 系统中的信息时代 (AoI) 性能。我们重点关注基站（BS）集成包括可旋转、可弯曲或可折叠模型的灵活天线阵列（FAA）的场景。来自多个用户的短数据包在 FAA 内集中编码以增强可靠性。推导了平均 AoI 的封闭式表达式，封装了有限块长度效应、灵活的天线重新配置和功率分配之间的相互作用。引入优化问题，通过在可靠性和功率约束下联合优化功率分配、块长度和天线角度来最小化 AoI。非凸问题通过交替优化 (AO) 方法来解决，该方法涉及凸功率分配、使用 Q 函数近似的块长度优化，以及通过无需梯度计算的改进粒子群优化 (MPSO) 进行天线角度选择。仿真结果表明，与传统的固定天线阵列相比，AoI 大幅降低了 20%。

本文提出了一种新颖的盲波束形成策略，用于在智能反射表面（IRS）的辅助下进行信号增强，仅使用接收信号功率的样本。与现有的基于条件采样均值 (CSM) 的方法（仅依赖于比较 CSM 值）不同，所提出的算法通过构造最小二乘问题来充分利用采样数据中的信息。这使得能够估计IRS反射信道和直接信道之间的相位差，最终产生最佳IRS相位配置。仿真结果证明，通过充分利用收集的数据，所提出的方案优于基于 CSM 的方法，特别是当 IRS 相位量化级别的数量大于 2 时，同时产生相同级别的计算复杂度。

应用智能反射表面（IRS）抑制无线通信系统中的干扰最近引起了广泛的研究关注。大多数现有方法依赖完整或部分信道状态信息（CSI）来配置 IRS。然而，在 IRS 辅助系统中获取准确的 CSI 涉及相当大的导频开销并引入不可忽略的延迟。在强干扰条件下，这个问题会进一步恶化，干扰源通常不合作，使得 CSI 采集更具挑战性。因此，现有的 CSI 相关干扰抑制方法变得难以在实践中部署。为了解决这些限制，我们提出了一种新颖的盲干扰抑制策略，该策略将比例反相（PPI）算法与条件样本均值（CSM）方法相结合。所提出的方法仅使用接收到的信号功率来确定IRS配置，而不需要任何先前的CSI。我们通过推导所提出方案的理论性能来进行综合性能评估，随后通过数值模拟进行验证。此外，各种参数设置的仿真结果表明，所提出的盲干扰抑制方案将干扰功率降低到噪声水平，从而实现了信号与干扰加噪声比（SINR）的显着改善，并且优于现有的基准方案。

集成卫星地面网络 (ISTN) 有望为无人机 (UAV) 提供无处不在的连接。然而，ISTN 中的无人机轨迹优化仍然具有挑战性，因为准确的轨迹设计依赖于可靠的信道状态信息 (CSI)，而实时 CSI 获取和交换会产生大量的信令开销。此外，无人机轨迹优化的离散公式限制了细粒度控制，从而限制了性能的进一步提升。为了解决这些问题，我们提出了一种通道知识图（CKM）辅助的强化学习（RL）框架，用于 ISTN 中的连续动作空间无人机轨迹优化。为了减轻与 CSI 采集和交换相关的开销，我们使用克里金插值从稀疏测量构建 CKM，并将其与卫星星历集成，从而实现 CSI 存储和重用，而不会产生在线 CSI 采集的额外开销。为了更好地发挥连续动作空间的性能优势，我们开发了一种最大熵软演员批评家（SAC）算法，该算法具有面向 ISTN 的奖励函数，该算法直接将连续动作建模为随机策略，从而增强探索并避免次优收敛。仿真结果表明，相对于基于瞬时CSI的方法，所提出的方法仅产生轻微的性能损失。通过利用连续动作空间的潜力并优化奖励设计，它优于离散动作空间方法，并且不会引入 CSI 获取的信令开销。

本文提出了一种无人机（UAV）走廊辅助网络来研究配备真实三维（3D）3GPP 天线方向图的地面（BS）的联合感知与通信（JCAS）覆盖概率（CP）。通过采用 3D 二项式点过程 (BPP) 对 UAV-UE 的空间位置进行建模，将固定数量的 UAV-UE 部署在建模为有限圆柱体的空中走廊中。 BS 利用雷达传感功能在 3D 波束失准误差下跟踪已知的 UAV-UE，该误差遵循多元正态分布。随后，在杂波和上行链路通信干扰下，导出了 JCAS CP 的精确形式解析表达式，并用于分析地面基站的性能。结果强调了无人机高高度下的走廊长度饱和以及干扰抑制和失准灵敏度之间的波束宽度权衡。

基于大型语言模型 (LLM) 重编程的波束预测通过采用预训练语言模型进行车辆到基础设施 (V2I) 波束预测，展示了强大的数据效率，但由此产生的模型复杂性使得此类方法对于延迟敏感的部署来说不切实际。我们提出了 LLMBP-Lite，一种紧凑的 LLM 重新编程框架，用于光束预测。它通过沿三个互补维度进行修剪来利用结构冗余：变压器深度、源原型词汇大小和提示长度。此外，可以选择采用知识蒸馏来在压缩后保持预训练的表示能力。对真实数据集的实验表明，LLMBP-Lite 比未压缩的基于 LLM 的基线实现了 65 倍的推理加速，同时保持了预测准确性，并在有限的训练数据下始终优于循环基线。这些结果表明，在车辆网络中可以大大减轻数据效率和部署效率之间的权衡。

大规模多输入多输出系统中的高维信道状态信息（CSI）具有显着的开销，这使得其压缩对于实时反馈至关重要。现有的深度学习CSI压缩方法已经取得了显着的进步，但它们没有充分利用空间、频率和时间信息，并且计算复杂度较高。我们提出了一种基于相关记忆的空间频率时间注意（CM-SFTA）网络，它可以学习空间和频率CSI相关性，并通过存储可学习的时间特征来保留其时间演化。这方面有助于为非时间和时间 CSI 场景设计统一的网络。我们表明，所提出的 CM-SFTA 网络不仅优于几种现有模型，而且参数数量和复杂性也显着降低。

波束索引图（BIM）是一种信道知识图，为波束选择提供特定位置的波束信息。这封信研究了稀疏 BIM 插值，其中传播非平稳性可能会使附近位置由于阻塞、反射或路径切换而选择不兼容的光束。我们没有使用从多个场景或环境辅助信息训练的复杂的端到端预测器，而是通过从当前稀疏地图中的决策损失中学习任务驱动的边缘亲和力来增强简单的 K 最近邻反距离加权（KNN-IDW）。这些亲和力校正基于距离的权重以抑制波束不兼容的邻居。仿真显示，与传统插值基线相比，平均波束增益损失和第 95% 波束增益损失减少。

该通信研究了用于多用户多输入单输出（MU-MISO）下行链路系统的混合可重构天线框架，该系统集成了基站（BS）处的收缩天线（PA）和用户设备（UE）处的流体天线（FA）。 BS采用具有多个波导的PA系统，而每个UE配备有包括多个端口的一维FA。我们提出了一个和速率最大化问题，联合优化 BS 侧波束成形、PA 配置和 UE 侧 FA 端口选择。为了使问题易于处理，基站采用迫零（ZF）预编码，将原始混合整数非线性设计简化为离散重构问题。提出了两种算法：基于交叉熵（CE）的方法，可实现更高的总和速率性能；以及基于分散交替优化（AO）的方法，可降低计算复杂度。仿真结果表明，所提出的基于 CE 的算法优于基于遗传算法的元启发式基准约 17.54%，并且在发射功率为 30 dBm、每个波导 100 个候选 PA 位置和每个 UE 10 个 FA 端口的情况下，与仅 PA 基线相比，实现了约 5.67% 的总速率增益，证实了 BS 侧 P​​A 重新配置和 UE 侧 FA 端口选择的互补贡献。基于 AO 的算法获得了稍低但具有竞争力的总和率，同时仅需要基于 CE 的算法所需的完整客观评估的约 72.77\%$ 美元。

本文研究了用于非视距（NLOS）雷达通信共存（RCC）的雷达波形、通信码字和可重构智能表面（RIS）相位矢量的联合设计。多普勒感知模型描述了发射器-RIS-目标-RIS-接收器双反射回波，而通信和干扰链路最多包含一个 RIS 交互。受能量、波形相似性和相位约束，开发了两种优化框架，即以雷达为中心的加权优化框架和雷达-通信加权联合优化框架。然后，通过使用最小化-最大化（MM）方案，结合基于MM的三重交替方向惩罚方法（MMTADPM）和基于MM的逐元素块坐标下降（MMEBCD）设计，我们提出了两种有效的交替优化算法。特别是，MMTADPM 通过 ADPM 分裂更新完整的相位向量，而 MMEBCD 将 MM 二次次小化与逐元素更新相结合。数值结果证明了所提出的框架和相应算法与各种基准相比的有效性和鲁棒性。

D 波段光子辅助毫米波 (mm-wave) 传输由于其广泛的可用频谱以及与光纤通信系统的兼容性，是未来高容量无线链路的一种有前途的解决方案。然而，D 频段毫米波链路的有限功率预算通常需要在发射机处进行功率放大，其中功率放大器 (PA) 在接近饱和工作时可能会引入严重的非线性失真。这种失真会导致星座压缩并显着降低高阶正交幅度调制 (QAM) 信号的误码率 (BER) 性能。在这封信中，提出了一种残差学习时延神经网络 (RL-TDNN) 数字预失真 (DPD) 方案，以补偿 PA 引起的非线性失真和 D 频段 PA 引入的记忆效应。在 130 GHz 室内 20 米 D 波段光子辅助毫米波传输实验中，使用和不使用 PA 的比较测量首先证实 PA 是非线性失真的主要来源，然后对所提出的用于非线性补偿的 RL-TDNN DPD 进行实验验证。对于 6-GBaud 16-QAM 信号，当进入单行进载流子光电二极管 (UTC-PD) 的光功率为 -3.5 dBm 时，所提出的 RL-TDNN DPD 将 BER 从没有 DPD 的 3.25×10−2 降低到 1.37 × 10−2。实验结果验证了所提出的RL-TDNN DPD可以有效减轻PA引起的非线性失真并提高D波段光子辅助毫米波系统的传输性能。

我们解决了三维无人机（UAV）编队的设计问题，当每架无人机的位置在飞行过程中偏离其标称值时，该编队可向远程目标区域进行分布式波束成形。我们将设计视为一个随机优化问题，其目标是位置扰动分布下的预期方向性和旁瓣电平，并受到间距和波束宽度的约束。由于目标是黑盒且不可分离，并且寻求单个可部署编队，因此我们使用蒙特卡罗适应度平均通过协方差矩阵适应进化策略（CMA-ES）来解决它。在一系列不确定性水平和数组大小上，比较证实了这一选择：在比较的多目标、群体、差分进化和噪声自适应优化器中，CMA-ES 实现了最高的标量化目标。固定求解器后，我们表明鲁棒设计在扰动下将其预期波束宽度保持在约束范围内，而在不考虑不确定性的情况下优化的编队则违反了这一约束。

天地空地一体化网络（SAGIN）预计将支持未来第六代（6G）无线网络中无处不在的三维（3D）通信和传感服务。然而，跨空间、空中和地面部分的异构移动性和服务要求对固定视轴或固定扇区天线在支持广域覆盖、在时变通信链路上保持方向对准以及灵活调整感知任务的观察方向方面提出了挑战。为了解决这些限制，非固定柔性天线架构，例如流体天线系统（FAS）、可移动天线（MA）和收缩天线，近年来引起了人们的极大兴趣。其中，可旋转天线（RA）技术已成为一种有前途的解决方案，它可以在保持天线位置固定的同时实现机械或电子视轴调整。本文研究了 RA 技术在 SAGIN 中实现通信和传感方面的作用。具体来说，我们首先解释RA视轴控制如何补充平台移动性并支持广域覆盖、动态定向传输、跨段协作操作和协作感知。然后，我们讨论主要的设计挑战、潜在方法和未来的研究方向，包括信道获取和预测跟踪、联合定向控制和接入/切换协调、跨部门协调和资源管理，以及部署权衡和实际实施。最后，提出了 RA 阵列原型和两个代表性仿真研究，以说明启用 RA 的 SAGIN 的可行性和潜在性能增益。

在这封信中，我们研究了在存在未知天线位置误差（APE）的情况下使用可移动天线（MA）系统进行无线传感的到达方向（DOA）估计问题。为了实现鲁棒的无线传感，我们通过导向矢量和噪声子空间之间的正交性将 APE 的 DOA 估计问题转化为优化问题。然后我们提出了一种基于交替优化（AO）的自校准估计，该估计由两个阶段组成并迭代估计 APE 和 DOA。具体来说，在第一阶段，通过修复APE，问题简化为经典的DOA估计问题，并使用多信号分类算法来解决。在第二阶段，我们修复 DOA 来估计 APE。通过将拉格朗日乘子技术应用于该子问题，我们获得了 APE 估计的封闭式表达式。仿真结果表明，与现有方法相比，所提出的 MA 系统自校准算法具有优越的 DOA 估计性能。

联邦学习 (FL) 通过将原始数据保留在设备上并仅交换模型更新来促进代理之间的知识交互（空间和时间上），从而提高多代理系统的本地化性能。然而，现有的基于 FL 的定位模型通常缺乏捕获特定于代理的特征的能力，并且需要大量的计算和通信资源，限制了其有效性和广泛采用。为了应对这些挑战，我们提出了一种用于空间和时间多智能体交互式定位（MAIL）的轻量级个性化联合学习（LPFL）方法。具体来说，每个代理维护本地本地化模型，而中央服务器管理全局本地化模型。在每一轮中，代理都会使用本地训练数据调整广播全局模型，计算验证梯度，并将其上传以进行服务器聚合。这种验证引导的更新使 LPFL 能够增强个性化和跨代理泛化，从而提高协作定位的准确性。此外，还实现了自适应模型剪枝和梯度量化来压缩模型，旨在提高多智能体系统的计算和通信效率。理论分析验证了 LPFL 的训练性能和效率，使其成为 MAIL 可行且可靠的框架。最后，我们进行了全面的真实实验来证明 LPFL 的有效性和优越性。

可移动天线（MA）和可重构智能表面（RIS）技术为改善无线传输提供了额外的可控自由度。然而，在 RIS 增强型 MA 系统中，通道状态信息 (CSI) 不确定性、收发器硬件损伤 (HWI) 和有限分辨率 RIS 相移与 RIS 反射设计和 MA 位置优化紧密耦合，使得资源分配 (RA) 特别具有挑战性。在本文中，我们研究了下行RIS增强MA系统的鲁棒RA问题，其中基站波束成形矩阵、连续/离散RIS相移以及发射/接收MA位置被联合设计以最大化系统总速率。为了应对统计CSI的不确定性，首先使用球体有界方法将原始的中断约束问题转化为具有有界信道不确定性的确定性最大最小问题。然后，开发了一个两层半解析优化框架来解决由此产生的最大最小问题。具体来说，内层针对最坏情况的信道不确定性导出半封闭形式的解决方案，而外层通过具有半封闭形式和低复杂度解决方案的块坐标下降框架交替更新资源变量。仿真结果表明，在相同功率预算下，该算法比固定位置天线和单边MA方案的平均和率分别提高了45.7%和7.6%，在离散RIS相移优化方面优于传统舍入方法，并且在不完美CSI和HWI下比非鲁棒算法增强了鲁棒性。

室内多模态指纹识别受到有限的特征表达以及行人干扰等环境动态引起的分布变化的限制。这封信提出了一种具有三种耦合设计的域自适应 WiFi-BLE 融合框架。首先，WiFi 和 BLE 接收信号强度测量被编码为方差引导的三通道指纹，这保留了特定于模态的空间结构，同时无需额外的可训练参数即可实现实例级自适应融合。其次，具有剩余有效通道注意（ECA）的紧凑卷积提取器以可忽略的计算成本重新校准通道响应。第三，多目标域适应模块结合了对抗性对齐、一阶和二阶统计正则化以及指数移动平均一致性学习，然后在部署时进行渐进式目标域细化。在行人干扰下，整个系统的平均误差为 4.12 m，中位数为 3.93 m，第 95 个百分位误差为 7.74 m。消融表明，删除域适应模块会使平均误差增加 31.6%，仅删除 ECA 就会使平均误差再增加 8.0%。

无线分割学习（SL）通过将上层卸载到服务器来减少设备上的计算，但在每次迭代时传输高维中间特征仍然是主要的通信瓶颈。现有方法使用与任务无关的标准（例如大小、统计或聚类）在客户端选择特征，这增加了客户端处理，并且通常会降低非独立且同分布（非独立同分布）客户端数据下的准确性。我们提出了重要性感知的类平衡稀疏化（ICS），这是一种轻量级方法，其中服务器使用反向传播期间从真实类 logit 获得的基于 Grad-CAM 的分数对特征通道进行排名。每个类的分数被聚合成一个类平衡的、与标签无关的重要性向量，该向量可以减轻标签倾斜下的头类偏差，并且每个客户端在下一轮中重用该向量以保留 top-$N$ 特征通道，不会产生额外的客户端前向或后向传递。我们进一步推导了一个非渐近收敛界限，它隔离了稀疏化引起的误差，并描述了稀疏率和小批量大小如何在固定通信预算下共同影响收敛，并且我们根据代表性基线分析了 ICS 的通信和计算开销。除了基于 CNN 的顺序 SL 之外，我们还将 ICS 扩展到并行分割学习和基于 Transformer 的模型。实验表明，ICS 始终优于基线，在严重的非独立同分布条件下收益更大。分区。

信号限幅有效缓解了正交线性调频分复用 (OCDM) 等多载波系统中的高峰均功率比 (PAPR) 问题。然而，限幅引起的非线性失真严重降低了信道估计和符号检测的性能。为了应对这一挑战，我们提出了一种混合迭代接收器，它将限幅期望传播 (CEP) 和方差修改广义近似消息传递 (VMGAMP) 结合起来，用于限幅 OCDM 系统。具体来说，通过对接收信号的后验概率进行因式分解，构建统一的因子图，其中限幅因子充当根据限幅状态调度消息流的门块。随后，开发了基于CEP的信道估计器，其中在门机制下设计了基于信号重构的限幅方法。为了降低矩匹配的计算复杂度，采用截断自适应均匀网格求积。此外，基于 VMGAMP 的检测器专为符号检测而设计，同时还设计了针对严重削波场景的精致 VMGAMP (rVMGAMP) 变体。采用方差修正来细化与限幅失真相关的方差估计。此外，还导出了 Cram´er-Rao 下界 (CRLB)，为基于 CEP 的估计器提供理论基准。数值结果表明，所提出的基于 CEP-VMGAMP 的迭代接收器显着优于削波 OCDM 系统的基线方案。

这封信研究了由地理上分离的传输接收点（TRP）形成的下行链路分布式多输入多输出（DMIMO）系统中的非均匀激活辅助分布式广义空间调制（DGSM）方案。与传统的统一激活DGSM不同，该方案将自适应激活概率分配给不同的TRP子集，从而联合利用数据域传输能力和协作子集选择携带的索引域信息。我们推导了非均匀激活下的互信息上限，并制定了受长期平均功率约束的联合激活概率和功率分配问题。为了解决这个问题，我们开发了一种半封闭式联合概率和功率优化（SC-JPPO）算法，其中最优激活概率遵循有效效用的 Softmax 函数。仿真结果表明，与现有基准相比，该方案在相同激活规模和功率预算下提高了频谱效率。

基于深度神经网络（DeepJSCC）的联合源通道编码系统最近在无线图像传输中取得了显着的性能。现有方法主要是最大限度地减少传输图像与其在接收器处重建之间的像素级失真，通常忽略感知质量。在低带宽压缩比 (BCR) 和低信噪比 (SNR) 等极端条件下传输图像时，这可能会导致严重的感知下降。在这项工作中，我们提出了 SING，这是一种新颖的两阶段 JSCC 框架，它将从损坏的重建中恢复高质量源图像作为一个逆问题。根据 DeepJSCC 编码器/解码器和通道的先验知识，SING 要么通过线性代理 (SING-Zero) 近似随机退化，要么使用可逆神经网络 (INN) (SING-INN) 学习非线性代理。这两种方法都可以将预训练的无条件扩散模型无缝集成为生成先验，从而提高感知质量。实验结果表明，SING 优于 DeepJSCC 和其他方法，即使在极具挑战性的条件下（包括训练数据和测试数据之间存在严重分布不匹配的场景）也能提供卓越的感知质量。

由于不可靠的信道导致的索引扰动，码本辅助的语义通信通常会遭受重建质量和服务质量（QoS）的显着下降。为了解决这个问题，我们提出重新排序残差随机量化来重新组织语义空间，以实现鲁棒的数字视频语义通信（RRSQ-DVSC）。具体来说，我们开发了一种语义感知聚类算法，该算法可以分离语义上不相似的码字，同时将语义上相似的码字紧密地分组。该策略将索引扰动映射到有限的语义失真，从而增强针对信道损伤的鲁棒性。此外，我们设计了一个语义引导重建（SGR）模块，该模块结合了跨窗口融合注意力，以提高长视频序列中的帧间语义一致性。 HEVC B 类数据集上的实验结果表明，在 1 dB 的 SNR 下，所提出的 RRSQ-DVSC 与没有语义感知聚类的对应方案相比，PSNR 提高了 4.91%，MS-SSIM 提高了 5.52%，LPIPS 提高了 14.25%，验证了其鲁棒语义视频通信的有效性1。

使用无人机 (UAV) 促进联邦学习 (FL) 引起了越来越多的关注，因为无人机可以通过使位于网络边缘的设备可靠参与来缓解地面 FL 系统的关键限制。此功能对于采用无线 (OTA) 聚合的 FL 系统尤其重要，其中无线信道较弱的设备可能会严重扭曲聚合的更新。然而，无人机的有限覆盖范围引入了陈旧问题，因为设备可能无法同步参与，导致学习性能下降。为了应对这些挑战，我们提出了一种陈旧感知无人机辅助 OTA 异步 FL 框架，该框架联合优化收发器设计、设备调度和无人机轨迹。我们首先建立了一个收敛分析，明确描述了陈旧性对学习绩效的影响。在此分析的基础上，我们制定了一个联合优化问题，最大限度地减少由于陈旧和 OTA 通信错误而导致的性能损失。我们提出了一种交替优化算法来解决这个问题，并分析了其收敛性和计算复杂度。为了应对实际无人机操作中随时间变化的无线衰落，我们进一步提出了一种在线收发器调整机制，可在FL执行期间动态细化收发器参数。基于基准学习数据集的广泛模拟结果表明，所提出的框架比现有方案实现了更快的收敛和更高的精度。

储层计算提供了处理时间信息的有效框架，但大多数硬件储层表现出由固有材料弛豫时间决定的固定或窄可调动态。这项研究的单片集成忆阻器薄膜晶体管库内核能够在很宽的时间尺度上实现电可编程时间动态。通过将Ru/HfO 2 /TiN忆阻器与In 2 O 3 沟道薄膜晶体管(TFT)垂直单片集成，忆阻电导动态由TFT调制。时间响应可以通过实验主动调整三个数量级，并通过电路配置扩展到八个数量级以上，证明了时间不受约束的硬件具有时空数据处理的普遍适用性。该系统作为与后端集成兼容的有源储层阵列实现，表现出可靠的时空响应。该系统通过视觉传感器中的动态运动识别和超声信号分类展示了时空计算能力，通过简单的线性读出层实现了高精度。

本文研究了近场太赫兹（THz）集成传感与通信（ISAC）安全传输系统，其中设计了两级框架。在感知阶段，为了获取被动窃听者（Eve）的信道状态信息（CSI），提出了一种基于近场波束斜视的多层快速感知方案，并推导了估计参数的Cramér-Rao界（CRB）。此外，我们建立了 Eve 的 CSI 和 CRB 之间的关系。在通信阶段，基于获得的不完善的Eve’s CSI，我们通过联合设计感知时间、相移和时间延迟，制定了最大化保密容量的鲁棒优化问题。由于直接解决公式化问题的困难，我们提出了一种基于全数字近似（FDA）的替代优化（AO）算法。具体来说，首先提出了基于逐次凸逼近的鲁棒FDA方案来获得全数字预编码，并应用一维搜索方法来寻找最佳感知时间。之后，开发了 AO 算法来迭代求解时间延迟和相移，直至收敛。最后，仿真结果表明了该方案的有效性。

我们提出了一种基于到达时间差（TDOA）的移动传感器网络（MSN）目标跟踪方法。使用 MSN 进行目标跟踪需要重新组织传感器对并重新定位传感器位置，以获得更高质量的 TDOA。现有研究仅考虑其中之一，同时修复另一个，这可能会限制跟踪精度。我们通过同时解决传感器配对和重新定位来解决这一限制。我们将问题表述为Fisher信息矩阵行列式的最大化，并将问题分解为两个子问题交替求解。传感器配对通过混合整数二阶锥规划算法求解，传感器重定位通过极大化-最小化求解。实验结果表明，该方法在实际计算时间内比现有设计获得更低的跟踪误差。

这封信研究了基于收缩天线 (PA) 的集成传感和无线电力传输系统 (ISWPT-PAS) 中雷达传感精度和无线电力传输 (WPT) 之间的基本权衡。导出了用于目标感测的封闭形式 Cram´er-Rao 界 (CRB)，并制定了 PA 位置优化问题以最小化感测 CRB，同时满足能量收集接收器 (EHR) 的要求。由此产生的问题是高度耦合和非凸的，因为 PA 位置共同影响传感和功率传输性能。为了解决这个问题，通过使用 PA 位置作为优化变量，并将 CRB 目标和 EHR 约束纳入适应度评估中，开发了基于 PSO 的解决方案。仿真结果表明，在不同的发射功率预算和 EH 阈值下，所提出的位置优化 ISWPT-PAS 比传统固定天线 ISWPT 基线提高了传感精度。

本文提出了一种基于学习的波束自适应框架，用于具有空间泄漏抑制的主动/被动感知单脉冲集成传感和通信（ISAC）。单个 gNB 使用共享阵列和正交频分复用双功能雷达通信信令来共同支持下行链路传输和单脉冲感测。雷达探测和上行链路空间证据融合在一起，以区分协作主动方向和被动方向，同时受保护的角度区域限制了意外照明。 Soft Actor-Critic 深度强化学习使用通信、传感、泄漏和先前动作反馈来调整传输波束。数值结果显示，随着被动目标的数量从 1 个增加到 12 个，可以实现精确的主动/被动空间分类和强大的泄漏控制。所提出的 SAC 控制器在整个扫描范围内将总无源泄漏保持在规定预算以下，并且从两个无源目标开始，在所考虑的基线中实现最高的泄漏合规总和率。

可移动天线（MA）在增强无线通信性能方面表现出了巨大的潜力。在本文中，我们研究了一种支持 MA 的空间调制 (SM) 多输入多输出 (MIMO) 通信系统，该系统通过利用灵活的 MA 放置来提高通信性能，同时降低 RF 链的成本。为此，我们提出了一种联合收发器设计框架，旨在基于最大最小距离（MMD）标准最小化误码率（BER）。为了解决这个棘手的问题，我们开发了一种基于交替优化（AO）和逐次凸逼近（SCA）技术的高效迭代算法。仿真结果表明，该算法实现了快速收敛性能，并且显着优于现有的基准方案。

在这项工作中，我们提出了一种用于分布式集成传感和通信（ISAC）系统的感兴趣区域（ROI）感知模式选择和任务分配（RAMSTA）框架。在实际的 ISAC 使用案例中，传感性能要求可能取决于位置。交通路口的车辆目标、接近受限空域或人口稀少区域的无人机可能需要不同级别的检测或定位精度。这保证了位置敏感资源分配的设计能够满足不同的传感性能要求。因此，我们设计了一个基于 sigmoid 的 ROI 邻近参数来调整加权和速率和位置后 Cram\'er-Rao 下界最小化问题中的通信感知权衡。通过应用惩罚凸凹过程来求解所得混合整数非线性程序。我们表明，ROI 灵敏度阈值允许通信感知权衡相对于目标的预测位置和预定义的 ROI 进行自适应变化。

本文研究了支持可旋转天线 (RA) 的低空经济 (LAE) 网络，其中部署了多个基站 (BS) 来为地面和空中用户提供服务。与传统的固定方向天线不同，RA 可以调整其瞄准线，为不同方位角和仰角的用户提供服务，从而提供三维 (3D) 覆盖。为了提高 LAE 网络的性能，我们提出了一个网络总速率最大化问题，该问题联合优化用户关联、传输波束成形和 RA 方向。然而，在此类 LAE 网络中，空中用户通常可以通过视距 (LoS) 链路对多个基站可见，这使得用户关联和干扰管理特别具有挑战性。此外，用户关联和RA方向紧密耦合：用户关联影响RA指向方向，而RA方向反过来重塑用户关联的信道条件。为了解决这个问题，我们提出了一种交替优化 (AO) 算法，该算法集成了用于发射波束成形的加权最小均方误差 (WMMSE)、用于用户关联的投影梯度上升更新以及用于 RA 方向的 Frank-Wolfe 更新。此外，我们开发了一种离散候选扫描方案，用有限搜索代替连续方向优化，以降低计算复杂性。我们还提出了一种基于天线块的方案来减少方向变量的数量。仿真结果表明，所提出的联合设计比固定天线方向和最近的基站关联基准实现了更高的总速率。此外，候选扫描和基于块的方案在高发射功率下分别实现了约89.9%和94.3%的性能，同时降低了方向更新的复杂性。

宽带低地球轨道（LEO）星座的快速部署为下一代导航提供了新的机遇。与传统的全球导航卫星系统（GNSS）相比，宽带低轨系统提供更强的接收信号、更宽的带宽、快速变化的卫星几何形状和更大的星座规模，为定位、导航和授时（PNT）提供新的能力。与此同时，它们面向通信的波形、高动态性和资源受限的架构带来了与 GNSS 根本不同的新挑战。本文全面概述了用于下一代导航的宽带 LEO 星座，涵盖其基本特征、代表性用例、关键支持技术和开放挑战。我们首先将宽带LEO系统与传统GNSS进行比较，总结出基于LEO的PNT的主要技术路线。然后，我们讨论了 GNSS 挑战、多路径主导以及集成通信和导航 (ICAN) 场景中的新兴用例。进一步回顾了包括波形设计、高动态信号处理和星座资源调度在内的关键使能技术。作为代表性案例研究，星链主同步序列的面向导航的优化表明，子载波功率分配可以在保持测距精度的同时提高多径抵抗能力。最后，讨论了基于宽带LEO的导航的几个挑战和未来方向，旨在为未来的研究提供参考。

动态无线环境引起的域转移是跨域射频指纹识别（RFFI）的基本瓶颈之一。传统的对抗性解缠方法利用了射频指纹（FP）和无线环境之间的正交性，但忽略了它们之间的非正交物理耦合性质，这导致对齐过程中物理连续性的丧失，并容易触发负转移。本文提出了一种受物理启发的协同进化流匹配（Co-FM）架构，它将跨域 RFFI 重新定义为由潜在空间中的无线环境引导的连续流形变换。具体来说，我们使用不完全解缠的剩余物理相关性作为进化驱动力，并将域标识符（DI）特征定义为外生能量引导算子，以引导 FP 特征在无监督目标域中的进化轨迹。 Co-FM是一种轻量级的即插即用工具，可以直接集成到现有的预训练解缠模型中，无需重新训练。在自建的DRFF-R2数据集上的实验表明，Co-FM在MobileNetV2骨干下实现了最大8.05%的整体精度提升。同时，在ResNet主干下，对抗性对齐遇到负迁移，Co-FM消除了这种退化，并将弱类别识别率从0%提升到14.84%，同时保持小于0.01毫秒的超低延迟增量。

未来无线架构中向可持续频谱利用的范式转变需要频谱感知方法，以最小的计算开销来平衡复杂频谱场景的细粒度表征。为此，我们提出了 OFA-UNet，这是一种经济高效的模型，用于在时频频谱图中分割各种信号（例如 5G、LTE 和雷达）。 OFA-UNet 引入了两个核心组件来共同优化准确性和架构效率：(i) 一对一组卷积 (OFA-GConv) 模块，可抑制结构滤波器冗余以压缩模型大小；(ii) 分层辅助融合 (HAF) 模块，利用局部卷积和无参数的基于 SimAM 的双上下文聚合 (DCA) 块来改进梯度和多尺度聚合。 OFA-UNet 仅使用 0.8M 个参数和 1.52 ms 的推理时间即可实现 97.2% mAcc 和 94.0% mIoU。值得注意的是，它超出了基线 4.1% mIoU，同时将参数减少了 $18.0\times $，将 GFLOPs 减少了 50.9%，从而促进了无缝边缘部署。

高分辨率遥感图像（RSI）传输受到卫星地面带宽和信道损伤的限制，但现有方法难以同时实现极端压缩和鲁棒传输。为了解决这个问题，我们提出了一种双分支矢量量化辅助卫星数字语义通信（DVQ-SDSC）框架，用于仿射频分复用（AFDM）上的RSI传输，其带宽节省来自两个相互关联的方面。首先，在源编码层面，开发了双分支框架，以在端到端架构中统一深度联合语义编码、VQ辅助索引传输、信道估计和自适应；与对称编码器设计不同，编解码器被重新设计为非对称双分支架构，分别处理高频残差和低频结构语义，并通过门控融合和通道自适应重建共同恢复语义内容。其次，在索引编码级别，我们开发了主成分分析（PCA）辅助码本重新排序，以将索引拓扑与潜在相关性对齐，并设计组差分脉冲编码调制（G-DPCM）来编码预测残差而不是绝对索引，降低索引比特率，同时局部隔离削波和通道错误。两阶段训练策略进一步将通道损伤与语义编解码器解耦。通过 3GPP NTN-TDL-D 进行的 FAIR1M 实验表明，采用 G-DPCM 索引编码的 DVQ-SDSC 在每像素 0.0625 位 (BPP) 的基本速率下优于传统的 JPEG-LDPC 方案，并且 G-DPCM 直接应用于经过训练的编解码器而无需重新训练，无需额外成本即可产生额外的索引压缩。

移动网络在高度动态和随机的环境中面临着日益增长的吞吐量需求，这对有效的参数优化提出了重大挑战。依赖精确动力学模型的传统方法难以适应不确定性，而现有的强化学习方法往往无法在约束下平衡安全性和性能。在这项工作中，我们引入了一种新颖的风险感知约束多智能体强化学习框架，专门应用于移动网络中的远程电气倾斜问题。我们的方法利用基于风险指标的风险意识批评家，实现最坏情况和基于期望的约束满足之间的动态权衡。通过允许对风险承受能力进行细粒度控制，该框架满足了使政策适应不同运营条件的实际需求。实验结果表明，所提出的方法实现了鲁棒的网络优化，通过动作过滤确保安全，同时保持高性能。这项工作为动态多智能体环境中的约束强化学习提供了可扩展的基础，具有移动网络之外的潜在应用，例如自主系统和能源网格。此外，我们还提出了一项消融研究，说明动作过滤如何增强不确定场景中的安全性。

射频干扰威胁着卫星导航、无线通信、雷达和工业传感。因此，可靠的操作需要频谱态势感知来检测干扰并确定活动源的数量、时频占用率和特征。在现实环境中，多个源可能会重叠。因此，特定源的分割和表征尤其具有挑战性。在本文中，我们提出了 PI-SCAN（排列不变分割、表征和分配网络），这是一种基于联合集的学习框架，用于重叠干扰信号的特定源分割和表征。从复杂 IQ 样本导出的对数功率谱图被映射到六个无序预测槽。对于每个时隙，该模型都会估计对象性、干扰类型、中心频率、带宽、接收信号强度、二进制偏移载波 (BOC) 调制和特定于源的分段掩码。排列不变的匈牙利分配将预测槽与无序的真实源对齐，而加权多任务目标联合优化各个预测任务。该框架使用射线追踪工业环境进行评估，该环境包含从 6 个干扰类别的 94 种波形配置中提取的 1 到 6 个同时活跃干扰源的混合物。完整的七任务配置实现了 74.8% 的检测 F1 分数、97.3% 和 98.4% 的类型和 BOC 准确度，以及中心频率、带宽和信号强度的平均绝对误差为 1.29MHz、2.54MHz 和 3.19dB。仅使用对象性、类型和掩模预测将 F1 分数提高到 91.1%，突出了检测和综合表征之间的权衡。

准确的城市规模蜂窝流量预测对于5G/6G时代的智能网络管理至关重要。当部署在数据稀缺的城市时，由于域间分布转移，现有方法的性能会显着下降。为了应对这一挑战，本文提出了时空最优传输迁移学习框架（STOTT），该框架创新地将多尺度时空建模与自适应最优传输相结合。首先，我们设计了一个基于自适应图注意时空网络（ADGASTN）的多尺度时空特征提取器。该架构结合了扩张时间卷积和门控图注意机制来分层捕获城市交通依赖性。其次，我们提出了基于时空活动强度的自适应边际约束，构建了子图级最优传输模型，克服了传统最优传输（OT）的均匀分布限制。最后，我们开发了一种双重对齐机制，联合利用对抗性域适应和增强型 OT，在深层时空特征和域不变表示上实现双重特征对齐。对现实世界数据集的大量实验证明，在数据稀缺的情况下，斯多特比最先进的方法具有优越的性能。

稀疏贝叶斯学习（SBL）是一种用于正交时频空间（OTFS）系统的有效信道估计方法。然而，SBL识别非零元素的能力受到传感模型结构的限制，并且其计算效率受到计算密集型协方差矩阵求逆的限制。在这封信中，我们提出了一种用于 OTFS 信道估计的奇异值分解辅助快速反演 SBL (SVD-FI-SBL) 算法。首先，使用SVD辅助的预处理框架来重建传感模型，从而提高SBL识别非零元素的准确性。接下来，我们使用FI方案将协方差计算中的矩阵求逆转换为对角矩阵的两次求逆。尽管SVD预处理引入了额外的开销，但所提出的方案在信道估计精度和计算复杂度之间实现了更好的权衡。仿真结果表明，与现有基准方案相比，所提出的SVD-FI-SBL算法可以实现更准确的信道估计。

协作体现人工智能 (CEAI) 使多个物理代理能够在动态环境中协同感知、推理和行动。有效的沟通对于 CEAI 至关重要，但 CEAI 代理不仅必须交换大量多模式观察结果，还必须长期交换与任务相关的见解、意图和交互式信息。本文研究了作为 CEAI 原生智能接口的令牌通信 (TokCom)，其中令牌共同充当通信的紧凑语义载体和生成基础模型 (GFM) 的基本推理单元。我们首先讨论 TokCom 如何支持实体代理之间的洞察共享、意图对齐和交互控制。然后，我们提出了一个由任务自适应通信协议驱动的 TokCom 辅助 CEAI 框架。该协议由紧凑的密码本、语法规则和上下文示例组成，指导基于 GFM 的收发器将消息提取为紧凑的令牌，并在无线传输后重建它们。关于协作对象传输的案例研究表明，所提出的 TokCom 框架大大减少了源有效负载比特消耗，同时保持任务效率并在噪声通道下显示出鲁棒性。最后，我们概述了未来的研究方向。

6G 车载网络的快速发展增加了对及时、准确的环境感知的需求，推动了集成传感、通信和计算 (ISCC) 解决方案的发展。无人机（UAV）作为低空无线网络（LAWN）的关键使能者，提供灵活的部署、高空制高点和按需空中连接，增强车载网络的感知覆盖范围并支持辅助计算，从而形成低空车载网络（LAVN）。本文研究了 LAVN 中的空地协作 ISCC，其中多个配备雷达的无人机从目标车辆收集传感数据，并可以在本地处理任务、将任务迁移到对等无人机以及将任务卸载到协作计算车辆。我们制定了一个优化问题，以最大化传感效用，同时最小化总系统延迟和能耗，这些都是从传感、通信和计算阶段聚合的。该问题被视为分层马尔可夫决策过程（MDP），上层用于连续资源分配，下层用于离散任务调度。为了解决分层 MDP，我们开发了一种定制的分层深度强化学习算法，该算法将用于连续控制的软执行者评论家 (SAC) 与用于离散决策的双深度 Q 网络 (D3QN) 结合起来，并增强了稳定性机制。双向道路场景的数据驱动模拟表明，与基线方法相比，所提出的算法在收敛速度、训练稳定性和整体系统性能方面取得了显着改进。

随着电信和雷达系统的工作频率越来越交叉，异构波形的密集重叠，特别是第五代新型无线电（5G NR）、长期演进（LTE）和空中监视雷达（ASR），严重影响了传统的频谱感知（SS）。为了在不牺牲计算效率的情况下实现高精度信号解缠，我们提出了注意力协同三流加法网络（ASTA-Net）。这种新颖的频谱图分割框架采用解耦三流拓扑，包括由加性自注意力（ASA）驱动的线性复杂度变压器编码器、用于建模信号分布的模式合成（PS）分支以及利用相位感知嵌入进行精确边缘定位的空间细化（SR）路径。自适应跨流融合模块动态地整合这些不同的特征表示。实证评估证实了 ASTA-Net 在嘈杂、拥挤的环境中具有卓越的弹性，实现了 72.59% mAcc 和 58.10% mIoU。所提出的网络具有 11.0M 参数和 5.06 毫秒延迟，为实时频谱分析的重型最先进视觉模型提供了强大且高效的替代方案。开源代码和数据集可在 (https://github.com/Phuoc-LongHuynh/ASTA-Net) 上获取，以实现可重复性。

本文将均匀平面阵列纳入基于IEEE 1900.5.2频谱消耗模型（SCM）的协作动态频谱接入（DSA）机制。与假设固定辐射方向图的基于 SCM 的 DSA 的先前工作不同，所提出的 DSA 机制将辐射方向图视为设计变量，并联合设计预编码器和频谱分配。该系统模型是无蜂窝下行链路、多用户、多输入单输出网络，该架构适合在线零售商履行中心等大型网络的密集室内部署。主要目标是减少频谱使用，同时满足每个接收机的目标信号与干扰加噪声比。为此，本文提出了一种利用上下行互易性的泄漏感知迭代​​注水预编码器、进一步鼓励频谱共享的功率控制方法以及基于SCM兼容性测试向基站分配频谱的顺序准入算法。室内仓库环境中的模拟表明，所提出的 DSA 机制更好地利用空间维度进行频谱共享。

稀疏码多址 (SCMA) 是一种很有前途的非正交复用技术，用于增强下一代通信网络的连接性和频谱效率。本文提出了基于新型深度神经网络 (DNN) 辅助框架的近乎最优的上行链路 SCMA 码本设计。 DNN 以无监督的方式进行训练，损失函数源自生成的码本的结构特征，从而消除了对标记训练数据的需要。基于误差概率分析，导出了上行链路莱斯衰落的莱斯因子相关设计标准，并用于制定损失函数。由此产生的标准自然地将 AWGN 和瑞利衰落作为限制情况，为码本设计提供了统一的框架。此外，推导了平均互信息 (AMI) 的上限和下限，为基于 PEP 的标准提供了信息论解释，并在高 SNR 状态下建立了其与基于 AMI 下限的标准的渐近一致性。分析进一步揭示了随着信道从瑞利衰落过渡到 AWGN，主要设计因素如何演变。数值结果表明，所提出的接近最优的码本在各种莱斯因素上比代表性基准方案取得了显着的性能提升，并且在错误本底区域中表现出出色的错误率性能，这使得它们对于超可靠的应用特别有吸引力。

无线物联网 (IoT) 网络可以利用基站 (BS) 本地观察到的信道状态信息 (CSI) 来执行区域分类，即推断发射器 (TX) 的来源区域，从而实现基于信道的身份验证。然而，集中这些测量会产生大量的通信开销，并且需要共享位置相关的无线电指纹。为了解决这些困难，我们提出了一种边缘原生联邦学习（FL）框架，其中BS通过参数服务器（PS）协作训练共享分类器，而不暴露原始数据，从而支持欺骗检测等物理层安全任务。为了克服不同 BS 位置和传播条件引起的统计异质性，我们引入了 FedSwitch，这是一种个性化 FL 算法，可在损失停滞时自动将边缘节点从协作训练过渡到局部微调。我们为所提出的协作训练阶段提供理论收敛保证，并得出将分类错误与统计差异联系起来的分析界限。对合成通道测量的广泛评估表明，与标准 FL 基线相比，FedSwitch 显着提高了区域分类准确性。

毫米波 (mmWave) 网络会遭受阻塞引起的信道变化和频繁切换的影响，从而降低 5G 及更高版本的移动管理性能。我们提出了一种无细胞毫米波架构，具有无人机安装的智能反射表面 (UAV-IRS) 和优先体验重放软演员评论家 (PER-SAC) 框架，可联合优化接入点波束成形、IRS 相移和无人机定位。该模型捕获移动感知的到达/出发角度动态、多普勒引起的信道老化（Jakes 模型，速度高达 30 m/s）、离散 IRS 相位量化（1-4 位）、硬件损伤和不完美的 CSI。仿真结果（五次运行，95％置信区间）表明，所提出的方案在码本大小为 4 时实现了 92％ 的 SINR 预测精度，在码本大小为 64 时实现了 78％ 的 SINR 预测精度，并且在中等阻塞下，与具有 16 个 IRS 元素的 RIS-PER 基线相比，频谱效率提高了 22％。在相同的阻塞情况下，相对于基于 SNR 的基线，它可将切换减少 35%，相对于 3GPP A3 事件基线，可减少 28%。通过 2 位量化，可以保留超过 88% 的连续相位性能，并且在信道估计误差方差为 0.1 时，频谱效率损失保持在 18% 以下。因素主导分析将 IRS 相位优化确定为最有影响力的组成部分，其次是无人机定位和通道老化校正。

这封信研究了用于遥感信息处理的星地协同推理系统，其中地面站（GS）为多个运行异构深度神经网络（DNN）推理任务的低地球轨道（LEO）卫星提供服务。通过在卫星和 GS 之间划分 DNN，每个卫星在本地执行前端层，将生成的中间特征传输到 GS，从而将剩余层卸载到 GS 以完成推理。我们联合优化 DNN 划分、卫星和 GS 计算资源、星地带宽分配和卫星发射功率，以最大限度地减少每颗卫星能量限制下的平均任务完成延迟。为了解决离散分区决策和连续通信计算变量之间的耦合，我们提出了一种两层优化算法。内层执行封闭式更新和高效的嵌套二分搜索来更新连续资源变量，而外层则采用随机重启坐标下降来细化分区决策。仿真结果表明，与传统的二进制卸载相比，该算法有效降低了任务完成延迟。

光学卫星间链路 ISL 正在成为现代 LEO 星座的骨干，提供高容量和低延迟，但引入了严格的几何和物理层限制 因此，此类网络中的路由必须考虑时变拓扑抖动引起的中断以及平面内和平面间光学链路方面的异构可靠性，而传统的最短路径或现有的基于学习的方案无法完全捕获这些方面。 本文为光学 LEO 网络开发了一种联合几何和 QoS 感知路由框架。不同 ISL 类别的最大可行链路范围 这些关系消除了优化变量中的波束发散，并将光学可行性直接嵌入到路由层中，从而导致延迟可靠性容量受限的路由公式，该公式被证明是 NP 困难的 为了实现可扩展的决策，我们将快照路由转换为马尔可夫决策过程，并引入角度约束掩模深 Q 网络 AC MDQN，它集成了光学可行性掩模基于潜力的延迟整形和围绕源目的地大圆路径的几何感知走廊滤波器 该设计显着降低了有效动作空间复杂性，同时保留了近最佳路由选择 在类似星链的星座上进行的模拟表明，AC MDQN 实现了受约束最短路径解决方案 1% 到 2% 以内的端到端延迟。在不同的指向抖动下仍然保持稳健，并通过奖励设计支持可控跳延迟权衡。结果证实，所提出的框架为大规模优化提供了高效且物理一致的路由解决方案。呼叫 LEO 网络

移动嵌入式 AI 网络 (MEAN) 使实体代理能够在无线环境中感知、推理、通信和行动。在此类网络中，代理移动性可以改善信道条件，而语义压缩可以减少传输有效负载。然而，运动会消耗能量，更强的压缩会产生额外的计算成本。本文研究了上行 MEAN 系统的联合运动、语义压缩和发射功率设计。我们通过在可控功率约束下联合优化发射功率、移动距离和语义压缩比来制定最大-最小能量效率（EE）问题。由于耦合信号与干扰加噪声比 (SINR)、依赖于移动性的信道增益和分数 EE 目标，该问题是非凸的。为了解决这个问题，我们提出了一种交替优化（AO）-Dinkelbach算法，其中分数目标由Dinkelbach变换处理，发射功率通过逐次凸逼近（SCA）更新，移动距离通过坐标网格搜索更新。仿真结果表明，所提出的方案优于无移动性和无压缩基线，证明了在 MEAN 中联合利用移动性控制、语义压缩和功率分配的好处。

从无源软件定义无线电 (SDR) 频谱数据中提取的低地球轨道 (LEO) 卫星多普勒测量需要与预测的卫星轨迹进行时间对齐，以实现可靠的卫星关联。在我们之前的框架中，在分段生成和时钟偏移估计期间都使用多普勒斜率信息，而时钟偏移是在单个粗略接收器位置估计的。本研究提出了一种基于连续性多普勒分段和多位置时钟偏移估计的卫星匹配框架，以减少这些依赖性。首先仅使用时间和频率连续性生成多普勒段，从而将段生成与用于时钟偏移估计的斜率标准分开。然后，通过基于斜率兼容性和组合多普勒成本的两阶段过程，使用五个粗略接收器位置（包括一个城市级标称位置和四个周围位置）来估计时钟偏移。随后使用基于相同多普勒斜率和消除偏差的 RMSE 度量的匹配分数将对齐的片段与候选卫星相关联，并通过接收机定位来评估所产生的关联。使用六个小时的被动 Starlink/OneWeb 监测数据进行的实验表明，与单位置时钟偏移估计下基于斜率的分割相比，仅基于连续性的分割并不能改善接收器定位。然而，将所提出的多位置时钟偏移估计应用于相同的基于连续性的多普勒段，将定位误差从 32.99 km 减少到 1.84 km，实现了评估方法中的最低误差。评估数据集的结果表明，当将多位置时钟偏移估计应用于基于连续性的多普勒段时，卫星关联的空间一致性得到改善。

部署无人机（UAV）从空间分布的设备中进行可靠且节能的数据收集，为支持各种物联网（IoT）应用带来了巨大的希望。然而，无人机的续航能力和通信范围有限，需要智能轨迹规划。虽然强化学习（RL）已被广泛探索用于无人机轨迹优化，但其交互性质在现实环境中带来了高昂的成本和风险。离线强化学习可以缓解这些问题，但仍然容易受到训练不稳定的影响，并且严重依赖专家质量的数据集。为了应对这些挑战，我们制定了联合无人机轨迹规划和资源分配问题，以最大限度地提高数据收集的能源效率。资源分配子问题首先转化为等价的二分匹配问题，并在多项式时间内最优求解。然后，我们提出了一种大型语言模型（LLM）授权的批评者正则化决策转换器（DT）框架，称为LLM-CRDT，以学习有效的无人机控制策略。在LLM-CRDT中，我们结合批评家网络来规范DT模型训练，从而将DT的序列建模功能与基于批评家的价值指导相结合，从而能够从次优数据集中学习有效的策略。此外，为了减轻 Transformer 模型对数据的需求，我们采用预训练的 LLM 作为 DT 模型的 Transformer 主干，并采用参数高效的微调策略，即 LoRA，能够快速适应具有小规模数据集和低计算开销的无人机控制任务。广泛的模拟表明，LLM-CRDT 的性能优于基准在线和离线 RL 方法，其能源效率比当前最先进的 DT 方法高出 36.7%。

连续相位调制（CPM）因其恒定包络特性、连续相位和高频谱效率而对遥测通信具有吸引力。然而，由于其非线性和存储器相关的性质，多径衰落信道上的 CPM 均衡仍然具有挑战性，并且现有均衡器仍然难以在性能、鲁棒性和复杂性之间实现良好的平衡。为了解决这个问题，这封信通过深度展开和引入少量可训练参数，提出了一种用于 CPM 的模型驱动、基于学习的单一近似消息传递 (LUAMP) 均衡器。此外，由于传统的均方误差目标无法明确表征CPM的相位结构，因此采用了相位感知损失，并进一步引入了恒定包络约束项来提高性能。仿真结果表明，该方法在不同的多径衰落信道上比传统的线性和迭代均衡器实现了更好的BER性能，同时也带来了更低的复杂度。在较长的脉冲长度下，所提出的方法比 UAMP 实现了约 4 dB 的 SNR 增益。

本文重点研究不确定信道状态信息（CSI）下空地空地一体化网络（SAGIN）的联合鲁棒波束成形和资源分配。在SAGIN中，不确定的CSI破坏了波束成形和资源分配的精确调整，对满足异构用户严格的服务质量（QoS）要求提出了重大挑战。为了应对这一挑战，我们首先制定机会约束优化问题，以最小化总发射功率，同时满足预定义中断概率下的 QoS 要求。通过利用半定松弛 (SDR)，目标函数被转换为波束形成矩阵迹线的线性函数。然后，我们提出了一种深度神经网络（DNN）驱动的通道不确定性学习，将不确定的 CSI 动态学习和建模为不对称的不确定性集。在构建的CSI不确定性集下，开发了一种基于预训练网络参数的鲁棒对应方法。它将不确定性集描述为凸集的有限并集，从而为原始机会约束提供了易于处理的近似。最后，我们设计了一种自适应迭代算法来联合优化资源分配和波束成形向量。仿真结果表明，我们提出的 DNN 驱动方法优于传统的鲁棒和非鲁棒方法，在 SAGIN 中实现了卓越的能源效率和鲁棒可靠性。

深度可分离卷积（DSConv）层已被广泛采用来取代基于深度学习（DL）的联合源通道编码（JSCC）方案中的卷积（Conv）层，以降低计算复杂度。然而，用于无线图像传输的基于深度学习的 JSCC 系统中不同层位置和比率的 Conv-to-DSConv 替换的系统研究仍然很大程度上尚未探索。在这封信中，我们提出了一种基于轻量级卷积神经网络（CNN）的 JSCC 框架，具有可配置且复杂性感知的 Conv-to-DSConv 替换策略，能够在不同层位置和比例下进行灵活替换。通过改变替换率，我们获得了具有不同计算复杂度的模型，并分析了它们对重建性能的影响。此外，我们研究了不同层位置的 Conv-to-DSConv 替换如何影响固定替换率下的重建质量。我们的结果表明，编码器和解码器中间层的 Conv-to-DSConv 替换实现了有利的复杂性与性能权衡，为基于 CNN 的轻量级 JSCC 系统提供了实用的设计指南。大量实验表明，所提出的框架大幅降低了计算复杂性，而性能仅略有下降，从而为资源受限的边缘设备实现了灵活的复杂性与性能权衡。

本文介绍了无线系统设计中双频可重构智能表面（DBRIS）的集成，并研究了不同应用场景中随之而来的性能提升。与单频段 RIS 相比，这种类型的超表面由于其材料使用量减少、设计紧凑以及跨多个频段的多功能操作而提供了引人注目的技术。考虑两个代表性用例来评估通过所述集成可实现的性能增益，即 DBRIS 辅助的无线通信和 DBRIS 辅助的同步无线信息和电力传输 (SWIPT)。对于第一个设计，DBRIS 被部署为中继，我们重点关注通信系统的能源效率 (EE) 最大化。提出了一种交替流形方法来联合优化源发射功率和DBRIS相移。对于第二种设计，我们使用一种新颖的功率分配方法研究了 DBRIS 辅助的 SWIPT 系统。定义了 EE 指标，并开发了交替优化算法来最大化它。数值结果验证了所提出的设计架构以及所提出的优化框架的优点。我们特别强调了在两种应用场景中，与传统单频表面的操作相比，DBRIS 带来的能源效率提升。

未来的低空无线网络（LAWN）预计将同时支持传感、通信和充电，从而导致紧密耦合的多目标优化问题，异构功能之间具有很强的相互依赖性。然而，现有的多目标框架通常依赖于复杂的特定问题公式和交替优化程序，这在大规模、高度动态的部署中面临着高计算复杂性和有限的可扩展性。在本文中，我们提出了一个统一的拓扑感知（TA）框架，将陆地和非陆地设备抽象为节点，并将它们的交互建模为边，形成 LAWN 的二部图表示。通过利用这种图表示，我们开发了一种基于统一资源调整规则的低复杂度拓扑重新配置算法。仿真结果表明，所提出的基于 TA 的方法在多功能协调效率方面始终优于最先进的方法，同时在涉及大量地面和机载用户设备的场景中保持鲁棒性和可扩展性。