2026-10-12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。

现代 MIMO 系统正在向更高维度和更灵活的架构发展，例如分布式和全息 MIMO，在提供显着优势的同时，也带来了日益复杂的信道相关结构。这种不断增长的架构多样性使得很难根据具体情况来描述不同 MIMO 系统的基本限制，从而催生了适用于各种架构的统一分析框架。本文通过研究一般相关的瑞利通道来解决这一研究空白，该通道的矢量化形式遵循具有任意协方差矩阵的一般高斯分布。为此，我们首先证明信道矩阵的谱范数在渐进状态下有界，其中发射和接收天线的数量按比例增长。然后，我们推导出遍历互信息的确定性近似，其显式收敛速率由通道相关性的结构控制。该近似的特征是一对矩阵值自洽方程，为此我们建立了解的存在性和唯一性，并提出了迭代数值算法。此外，我们开发了一个基于正线性映射的框架来分析这些方程的稳定性，这可以促进更广泛类别的随机矩阵的谱分析。所提出的表征将结构化 MIMO 信道的许多现有结果统一为特殊情况，同时仍然适用于难以使用现有分析框架进行评估的广泛类别的通用 MIMO 架构。为了证明其实用性，我们将所开发的理论应用于两个代表性系统，即下行链路分布式 MIMO 和上行链路异构 MIMO。数值结果证实了所导出的确定性近似的准确性。

本文建立了方向图可重构天线（PRA）的有限孔径模型，并利用其孔径约束傅立叶表示来开发高效的多用户波束成形框架。首先，我们通过使用傅立叶级数表示复杂的辐射图来开发一个理想模型。通过应用雅可比-安格展开式，我们将天线孔径与有效傅立叶阶数联系起来，并导出各个傅立叶系数的孔径相关功率界限。其次，我们采用实用的多端口网络模型并设计了三种代表性的可重构像素天线来验证预测的有效傅立叶阶数和每阶功率约束。然后，我们在两种模型下制定多用户下行链路传输的加权和速率最大化。使用有界傅里叶系数作为辅助变量，我们开发了一种基于系数界罚分的加权最小均方误差算法，该算法将连续波束形成与离散开关状态优化分开。我们进一步提出了一种利用谢尔曼-莫里森恒等式来加速离散优化的一位邻域搜索。仿真结果验证了理想模型的物理相关性，并展示了密集切换天线的多用户总速率增益和减少的优化运行时间。所提出的模型为支持 PRA 的通信分析和设计提供了物理基础，而该框架则适应不同的波束成形目标和 PRA 实现。

集成传感和通信 (ISAC) 是下一代无线网络的关键技术，需要具有多频段覆盖的高灵敏度、紧凑型接收器前端。里德堡原子接收器 (RAR) 提供了一种很有前途的架构，由于其高灵敏度和连续频率调谐能力，可以满足这些要求。与利用正交资源分配的经典 ISAC 系统不同，在单个原子系综中执行并发多频带任务依赖于共享能量状态转换。由于这种共享结构，基于 RAR 的 ISAC 中的通信和传感权衡引入了超越经典子空间和确定性随机权衡的原子响应权衡。本文研究了一种用于联合通信和雷达传感的多分支 RAR (MB-RAR) 架构。通过求解本地振荡器 (LO) 偏置工作点的五级 Lindblad 主方程，并将通信和感测射频 (RF) 信号线性化为小扰动，我们获得了 MB-RAR 的双边带动态信号响应。该模型揭示了两个内在的约束。首先，增加耦合激光强度会拓宽响应带宽，但会削弱原子响应。其次，加强一个分支的LO可以通过共享里德伯态抑制另一分支的转换增益，即使后者的LO偏差保持固定，这被称为带间增益抑制（IBGI）。基于这些机制，我们制定了可实现的 Cram\'er-Rao 界 (CRB) 速率区域，并开发了针对耦合强度和 LO 功率分配的速率约束联合搜索。数值结果验证了所提出的响应模型，并表明联合优化提供了可实现的 CRB 速率区域的更完整的表征。

可靠的无线系统依赖于基站处用于预编码、调度和链路自适应的准确上行链路信道估计。在中上频段，宽带宽和大型天线阵列增加了信道维度，并使导频效率估计变得特别具有挑战性。虽然上行链路数据在每个用户传输时都可用，但探测资源在小区中的所有用户之间共享，只为每个用户留下几个导频。因此，信道估计很大程度上取决于先验信息。现有方法以不同的方式获得此类先验，每种方式都有局限性。光线追踪需要站点模型，通道知识图依赖于它们所代表的位置或附近的测量，并且学习的通道分布不能明确捕获传播几何形状。因此，我们提出了流量辅助信道估计（TRACE），它可以根据上行链路流量构建先验信息，而无需额外的探测。 TRACE 先从常规多 UE 上行链路流量中学习几何感知信道，并将其与可用导频相结合以进行信道估计。在 15 GHz 的光线追踪街道峡谷中，TRACE 在 8 个导频的情况下实现了 -7.48 dB NMSE，比三个最先进的先验技术和两个几何消融的性能高出 3 dB 以上，同时仅在 2 个导频的情况下保持有效。在部署中，TRACE 在 SNR、载波频率和减少的映射流量方面保持稳健，无需重新训练。

本文描述了当发射器受到通过互信息 (MI) 瓶颈建模的表示约束编码器的影响并且接收器采用流体天线系统 (FAS) 时，集成传感和通信 (ISAC) 的基本限制。具体来说，消息首先被编码为理想的高斯波形，然后由随机编码器映射为有限容量表示，作为所采用的分析抽象中的信道输入，而FAS接收器选择具有最有利信道条件的端口。从信息论的角度来看，我们表明表示瓶颈相当于加性表示噪声，它降低了所选端口的通信和传感信噪比（SNR）。然后，我们推导出所得的 ISAC 容量失真区域，并在一般衰落模型（包括 Jakes 相关信道）下建立严格的可逆和可实现性界限。利用 Jakes 模型的空间自由度 (DoF) 表征，我们证明端口选择增益从根本上受到 FAS 区域的物理长度的约束：有效分集阶数等于 Jakes 相关矩阵的数值秩，并且仅随着 FAS 长度而增加。因此，扩大 FAS 长度允许选定的通信 SNR 接近表示限制上限，从而将可实现的速率推向其基本界限。当选定的感测增益也随着 FAS 孔径的增加而增加时，感测均方误差 (MSE) 同样接近其界限。数值结果证实了分析和缩放定律。

分布式卫星可以直接向商用手机提供宽带连接。在阵列编队（FoA）架构中，协作卫星合成一个大孔径，孔径的大小取决于卫星的数量、排列和间距，星间距离从数十米到数百公里不等。对于代表性的 S 波段对地静止和近地轨道配置，夫琅和费距离可能会超过百米量级间距的最低链路范围。因此，要准确评估整个卫星群和间隔的 FoA 性能，需要在低于编队夫琅和费距离的辐射近场中对用户进行球面波建模。卫星位置、阵列方向和用户位置的平面模型还必须根据考虑轨道和地球曲率的球形几何形状进行评估。本文结合这些模型来量化简化假设如何影响吞吐量和中断概率。数值结果表明，基于每个卫星阵列内的局部平面波近似的多天线预编码与球面波参考紧密匹配。全球平面波近似可能会导致严重损失，包括完全停电。在研究的场景中，地层曲率几乎没有影响，而忽略地球曲率会高估低地球轨道吞吐量。这些发现阐明了几何和传播近似何时仍然可靠，并表明，对于大型分布式天线孔径，空间比人们想象的要近得多。

研究了一种有效的冷原子里德堡阵列 (CoRA) 架构，该架构解决了经典电磁学中的基本热噪声限制和固有多普勒展宽以及基于传统热蒸汽单元的原子接收器中的光子散粒噪声。然而，将基于 CoRA 的量子静电计转化为实际的无线通信接收器会受到宏观读出死区时间和非线性二项式总体计数的瓶颈，而不是传统接收器中的加性高斯基带样本的瓶颈。为了解决这些关键挑战并促进 CoRA 的实用性，本文首先提出了一种基于子阵列调度的时空复用 (STM) 框架，用于在已接纳的数据包内进行无间隙符号询问。此外，还提出了一种基于联合二项式粒子平滑器（JBPS）的信号检测方案，用于突发状态和数据推断。此外，还导出了 CoRA 辅助无线通信的弱信号量子投影噪声 (QPN) 限制和状态平均有限字母率。数值结果表明：1）所提出的基于STM的CoRA方案解决了连续信号采样的宏观时间瓶颈； 2）所提出的JBPS方法有效地减轻了非线性噪声放大，以实现较低的误码率； 3) 性能分析揭示了一个基本的敏感性-可持续性权衡，即增加原子数量可以有效抑制 QPN，但同时会降低可持续的数据包重复率。

可编程超表面（其电磁响应可以通过电子方式调整的元件阵列）可以在波传播或反射时处理信号，这种范例称为波域模拟计算。设计策略通常是间接的：将表面拟合到规定的线性算子，例如离散傅里叶变换，并从输出功率测量中读取结果。使用到达方向 (DoA) 估计作为规范基准，我们研究了这种间接在模拟计算拓扑中的成本，即反射可重构智能表面 (RIS)、超对角 RIS (BD-RIS) 和堆叠智能超表面 (SIM)。我们首先推导出完整物理估计链的 Cram\'er-Rao 边界，其中包括仅测量强度的输出检测器的边界。然后，我们制定一个面向目标的替代方案，其中直接通过部署的读数来训练表面，没有操作员目标。我们观察到，面向目标的训练可以让稀疏连接或较浅的表面达到其更复杂的操作员安装对应物的任务性能——尽管费舍尔信息几乎相同——并且在粗量化（1--3 位）控制下优势仍然存在。从 16 个元件到 64 个元件，深度节省持续存在，而超对角线 RIS 所需的连接性随着孔径的增加而增加。在调谐器和每层损失下，面向目标的设计保持了其优势。

集成传感和通信 (ISAC) 预计将为未来 6G 系统赋予无缝传感功能。为了以最小的通信开销支持高效传感，嵌入通信帧中的稀疏导频已成为一种有前景的解决方案。沿着这一研究方向，现有研究在最大化明确传感区域方面取得了令人瞩目的成果。然而，由于缺乏统一的性能指标和有效的试点设计框架，联合最大化传感区域和传感精度仍然具有挑战性。本文联合优化了正交频分复用（OFDM）-ISAC系统中用于估计延迟多普勒（DD）参数的明确感知区域和感知精度，其中采用感知互信息（SMI）作为统一的性能指标来表征整体感知能力。具体来说，联合优化通过系统地解决传感模糊度和优化传感精度来表述为 SMI 最大化问题。特别是，基于广义Bezout恒等式，我们推导了一个2D（时频）互质条件，据作者所知，这是文献中实现DD参数唯一估计的第一个充分必要条件。在这种明确的条件下，我们进一步提出了 Adam 引导迭代细化（AGIR）算法来优化传感精度。数值结果证明了所提出的框架相对于现有设计的优势，因为二维互质条件在优化传感精度方面提供了自由度。

在物理测试台上评估 5G 定位将每次测量都与一种传播环境和一种天线布局联系起来，因此任何有关替代部署的问题都需要进行新的现场活动。我们在 EURECOM 上展示了 GEO-5G 测试台的光线追踪数字孪生，该测试台驱动未经修改的 OpenAirInterface (OAI) 5G 堆栈，其中每个天线通道由 Sionna-RT 在站点 3D 模型上计算得出。分布式 gNB 天线被建模为独立的无线电设备，而不是紧凑阵列的元件，这保留了到达时间差 (TDoA) 定位所依赖的每个天线的绝对延迟。保留它们后，这对双胞胎将 OAI 基于 SRS 的 UL-TDoA 管道驱动到米级精度，与物理部署报告的精度一致。然后我们用双胞胎来回答物理测试台无法回答的问题。加宽载体会截断水平误差分布的尾部，而不会改善典型位置，并且不会影响垂直误差，因为后者受到阵列几何形状而不是测量的限制。该限制仅根据天线坐标即可预测，并且高度多样化的布局将 RMS 高度误差降低了四倍。

深度神经信道估计器通常使用干净的信道状态信息（CSI）进行训练，这在实际的正交频分复用（OFDM）系统中是不可用的。在基于导频的 OFDM 中，朴素噪声目标训练在结构上存在偏差，因为导频输入和噪声全网格目标共享相同的噪声实现，从而驱动估计器进行身份复制。为了解决注意力辅助 MMSE (A MMSE) 的问题，我们提出了一个岭正则化目标，直接惩罚生成的滤波器。在程式化的固定滤波器模型中，此惩罚会导致标量收缩并以显式惩罚值恢复标量 MMSE 增益。我们通过噪声经验二阶矩矩阵的特征值裁剪来估计通道协方差，从而进一步构造代理训练目标，而不需要干净的 CSI 标签。在 COST 2100 通道上，所提出的 Ridge-A-MMSE 始终优于本文中考虑的 Noise2Noise (N2N) 基线，并且岭正则化和协方差收缩的组合接近于在高信噪比 (SNR) 下使用干净 CSI 标签训练的同一网络。

基于我们的初步研究，本文提出了一种用于移动 MIMO-OFDM 系统的独立波束管理框架，该框架将盲初始波束采集 (BIBA) 与时钟辅助重新采集 (CARA) 集成在一起。 BIBA 是一种盲异步协议，既不需要事先同步，也不需要带外反馈信道，因此基站 (BS) 和用户设备 (UE) 可以独立识别波束对，从而最大化接收信号强度。为了处理后续的链路丢失，新引入的CARA协议利用BIBA之后建立的时钟同步，与BIBA相比，重新捕获时间减少了大约55%。两种协议的运行可靠性都受到随机 UE 移动轨迹下的概率可行性分析的限制。协议在实际硬件限制下在 28 GHz 毫米波测试台上进行验证，包括波束切换和时分双工 (TDD) 延迟，以及测量的软件定义无线电 (SDR) 软件处理延迟。最后，我们为 BIBA 和 CARA 制定了统一的有限状态机 (FSM) 模型，以确保稳健地集成到实际无线系统中

巨型流体天线系统（E-FAS）最近作为一种新的无线架构出现，其中智能超表面充当引导电磁接口，使表面波（SW）传播比传统的空间波传输具有更低的衰减和更多的控制。虽然之前的工作报告了在完美信道状态信息 (CSI) 下的可观功率增益，但实际信道获取对 E-FAS 性能的影响在很大程度上仍未得到探索。在本文中，我们首次对基于导频的信道估计下的 E-FAS 辅助下行链路传输进行了全面分析。我们开发了等效端到端信道的估计框架，并导出了最小均方误差（MMSE）信道估计及其估计误差统计的封闭式表达式。基于这些结果，我们分析了单用户和多用户操作，同时明确考虑了训练开销。对于单用户情况，我们描述了不完美 CSI 下的中断概率上限和可实现速率下限，并揭示了由残余自干扰引起的固定训练高信噪比 (SNR) 有效信号干扰加噪声比 (SINR) 饱和度。对于多用户情况，我们研究了基于不完美信道估计的迫零（ZF）预编码，并说明在固定导频资源下，残余用户间干扰产生干扰受限的高SNR机制。此外，我们还量化了用户数量增加时空间复用增益和导频开销之间的权衡。分析结果通过蒙特卡罗模拟进行验证，并针对最小二乘 (LS) 估计和传统的非 E-FAS 传输进行基准测试。结果表明，尽管存在 CSI 缺陷和训练开销，归一化 E-FAS 路由增益增强仍可提高接收数据信号功率和有效导频质量。

上行链路大规模多输入多输出（MIMO）系统的干扰抑制一直是实践中的重要课题。我们通过提倡使用导频和数据符号的可训练集成干扰抑制接收机设计框架来重新审视这个问题。具体来说，我们开发了半分解和全分解变分期望最大化（VEM）解决方案，该解决方案有效地利用干扰加噪声（IPN）协方差矩阵和数据符号的后验统计来增强性能。然后，引入一种新的基于信息熵的数据过滤策略，以进一步提高信道和IPN协方差矩阵的估计精度。最后，通过展开所提出的 VEM 算法构建两个模型驱动网络，以自适应地学习可训练参数的最优值。仿真验证了所提出的网络的卓越干扰抑制能力，其性能优于具有已知信道和IPN协方差矩阵的理想干扰抑制组合（IRC）接收机，并且还可以接近基于理想期望传播（EP）和变分贝叶斯（VB）的接收机。

全息多输入多输出 (MIMO) 可实现电大连续孔径，克服了具有半波长间隔的传统 MIMO 架构的物理缩放限制。他们的近场操作机制需要信道模型以物理一致的方式联合捕获视距 (LoS) 和非视距 (NLoS) 组件。现有的研究通常单独处理这些组件或依赖于特定环境的多路径模型。在这项工作中，我们对波数分复用 (WDM) 框架进行了全面分析，该框架最初是为纯 LoS 信道提出的，应用于基于统一电磁 (EM) 的 LoS+NLoS 信道模型。我们首先制定基于 EM 的全息线通道模型，然后将 WDM 应用于该模型，从而能够对相应的基于空间采样和基于扩展的公式进行比较。将 WDM 应用于 NLoS 组件可产生其角域表示，从而能够通过功率谱因数和功率谱密度进行直接表征。我们进一步推导了各向同性和非各向同性散射的封闭形式表征，前者恢复了杰克斯的各向同性模型。最后，我们评估了由此产生的自由度和遍历能力，表明结合 NLoS 组件相对于纯 LoS 情况大大提高了性能。

在这项工作中，我们提出了一个统一的定位框架，称为UNILocMP，它将基于模型的几何和通道图表（CC）结合起来，用于时钟异步下的多面板大规模多输入多输出（MIMO）。由于多面板架构，用户被分为多视距（LoS）用户（与至少两个面板保持LoS链路）和单/非LoS用户（仅与一个面板或不与任何面板保持LoS链路）。针对多视距用户，开发了联合位置和时钟偏差估计；而对于单个/非 LoS 用户，无监督 CC 模型采用两阶段数据增强策略进行训练，其中引入了时钟偏差感知差异度量。数值验证表明，与完全监督的指纹识别相比，所提出的 UNILocMP 优于基于模型和基于 CC 的基线，并实现了可接受的性能。此外，对于固定的天线总数，与单面板基站（BS）部署相比，多面板架构显着提高了定位精度和鲁棒性，特别是在存在时钟异步的情况下。

下行链路信道状态信息 (CSI) 反馈对于频分双工 (FDD) 大规模多输入多输出 (MIMO) 系统中的波束成形优化至关重要。然而，反馈开销随着天线和子载波数量的增加而增加，给实际部署带来了重大挑战。尽管最近基于深度学习 (DL) 的方法通过在用户设备 (UE) 压缩 CSI 并在基站 (BS) 重建它来减少这种开销，但大多数方法将 CSI 视为通用图像并依赖于卷积或 Transformer 架构。结果，低秩多径先验未被充分利用，同时在UE和BS处引入了不可忽略的计算。为了解决这个问题，我们提出了一种低秩先验 (LRP) 引导的 CSI 反馈框架，该框架直接在秩一信道组件上执行结构化感知和重建。具体来说，LRP编码器进行可学习的秩一感测，以获得UE处的路径感知测量，而LRP解码器通过BS处的秩一合成来重建CSI，避免了经典求解器所需的迭代恢复。为了补偿有限秩近似残差，我们通过合并所提出的 LRP 主干和门控扩张卷积残差分支，将之前的 DCRNet 扩展为 DCRNetV2。对多个数据集和场景的实验表明，所提出的方法比现有的基于模型和基于深度学习的基线实现了更好的准确性-复杂性权衡。特别是，独立 LRP 比基于模型的基线实现了超过 10$~dB NMSE 的改进，且复杂性低得多，而 DCRNetV2 的精度可与最先进的基于 Transformer 的方法相媲美，而复杂性仅为其五分之一左右。源代码可在 https://github.com/tangshunpu/DCRNetV2 获取。

6G 网络预计将使用携带数据的相同波形来感知周围环境。我们想知道，从用户设备传输产生的太赫兹回波中可以了解多少物体的形状，这些太赫兹回波是从该物体散射到安装在天花板上的接入点时产生的，除了通信链路本身之外没有任何传感硬件。我们在 300 GHz 载波和 50 GHz 带宽上构建了一个基于物理的多基地正向模型，将物理光学 (PO) 和物理衍射理论 (PTD) 散射与图像源多径晶格、分子吸收和定向喇叭天线相结合。该模型使 PO 机制层次结构的属性显式化，而该属性通常是隐式的。六个物理上不同的机制仅共享三个频率指数，因此谱斜率本身不能确定目标呈现哪种机制，因此不能单独确定其几何形状。因此，角度多样性是可识别性的要求，而不是可选的改进。我们将发射器计数不变的 2D-CNN 与基于物理的 RBF-SVM 在训练中从未见过的对象方向上进行比较。准确度从使用 1 个发射器时的大约 70% 上升到使用 20 个发射器时的 96-97%。CNN 在两种情况下都有增益，即不规则放置和有损目标，而在准均匀放置的金属上，SVM 基线完全具有竞争力。在遮挡情况下，性能逐渐下降，当四分之三的表面被隐藏时，性能保持在 78%；当分类器从未见过遮挡目标时，性能保持在 63%。多目标场景受到重叠回波之间的干扰而不是角度覆盖的限制，因此存在检测在大约四个发射器之后饱和。

可重新配置的像素天线阵列通过实现辐射响应的硬件级自适应，为无线传输提供额外的电磁 (EM) 自由度。在实际阵列中，元件间互耦 (MC) 会改变开关状态相关响应，导致 MC 未知设计与实现的耦合阵列通道不匹配。为了解决这个问题，我们提出了一种用于下行链路多用户多输入单输出（MU-MISO）系统的MC感知EM和信号处理协同设计框架。全像素天线阵列被建模为统一的多端口电路网络，该网络共同表征馈电端口和开关控制的像素端口。通过将从计算机仿真技术 (CST) Studio Suite 仿真中提取的阻抗矩阵与全阵列开路远场响应相结合，我们构建了一个与开关状态相关的 EM 域通道，该通道可明确捕获天线内像素耦合和元件间 MC。基于该模型，我们制定了二进制开关状态向量和传输预编码器上的和速率最大化问题。为了解决由此产生的混合整数非凸问题，我们开发了一种交替优化算法，其中通过顺序穷举块优化（SEBO）更新二进制开关状态向量，同时使用分数规划（FP）优化传输预编码器。基于 CST 的仿真表明，所提出的 MC 感知设计优于 MC 不感知、无 MC 和传统补丁阵列基线。这些结果表明，准确的 MC 建模不仅对于减少模型失配至关重要，而且对于利用实际像素天线阵列的耦合嵌入响应也至关重要。

大型天线阵列的近场通信需要考虑球形波前效应的波束成形技术。虽然预定义码本广泛用于多天线无线系统，但随机生成码本在近场区域的性能尚未得到研究。在这项工作中，我们研究了用于近场通信的四种随机生成的码本：随机矢量量化（RVQ）、随机相位（RP）、随机远场（RFF）和随机近场（RNF）码本。我们使用已知的 RVQ 增益分布作为基准。对于 RP，我们推导了大阵列体近似并表征了增益分布的高增益尾部行为。对于 RNF，我们描述了增益分布的高增益尾部行为。对于 RFF，我们得出了当远场波束用于服务近场用户时可实现的最大波束成形增益的解析近似值，以及相应的最大化远场方向。我们还分析了码本大小的最大增益缩放。蒙特卡罗模拟验证了分析结果，并表明随着阵列尺寸的增加，RVQ 和 RP 显着下降，而 RNF 实现了最有利的高增益缩放。对于有限的码本大小，RFF 的性能优于 RVQ 和 RP，但由于远场波束和近场通道之间的相位不匹配，其最大增益饱和到低于 1。这些结果显示了码本结构、阵列大小和码本大小如何影响近场随机波束成形性能。

集成传感和通信（ISAC）基础设施可以为空中机器人提供外部感知层，但动态阻塞使得下一次更新时的信息传感链路集不确定。单个预测的可用性模式可能会错过低信息结果，而保护所有模式会浪费电力，并且当所有链接都被阻止时可能变得不可行。我们提出了一种用于多基站无人机跟踪的断电感知保形鲁棒功率分配框架。历史感知联合预测器将雷达和跟踪历史映射到下一个时隙的可用性概率，并且自适应预测集保留合理的相关模式。仅对保留的非中断模式强制执行跟踪约束，而全阻塞模式则单独视为物理传感中断。在每时隙波束方向固定的情况下，所得到的标量功率分配是半定程序。可靠性界限将可用槽跟踪失败与部署策略错误覆盖和优化不可行联系起来。在五个随机种子的配对闭环模拟中，该方法实现了 0.01% 的可用时隙约束违反率，并且比所有非中断模式的保护节省了 47.0% 的功耗。

近场太赫兹链路耦合球面聚焦、接收器姿态、吸收和实时延迟。我们制定了六自由度空间机会程序，并开发了具有有限字母相位和延迟扫描、积分切换和凸功率分配的保护联合优化。速率最小化引理和求解器定理建立了保护单调上升、固定功率单坐标最优性和理想聚焦上限。在 12 mrad 抖动下，该方法证明中断上限为 0.060，而无约束速率上升达到 0.135。在 240 ps 范围内，自适应延迟比固定 DS-FTTD 提高了 5.4%。

部署大型天线阵列可将无线通信转变为辐射近场 (NF)，其中球形波前可在联合角度-距离域中实现波束聚焦。然而，大型天线阵列的宽带波束成形会受到两个空间维度上的波束分裂的影响。尽管全数字阵列可以消除这种损害，但其高昂的硬件成本和功耗促使人们采用配备有限数量射频 (RF) 链的混合阵列架构。本文研究了减轻波束分裂所需的最少射频链数量。我们推导了全连接（FC）架构中所需射频链数量的封闭式表达式，并提出了一种子连接（SC）架构的算法，同时考虑了均匀线性阵列（ULA）和均匀圆形阵列（UCA）。我们的分析表明，超过 10L 的焦距（其中 L 表示孔径长度），NF RF 链计数会收敛到其远场对应物，并仅成为角度的函数。此外，FC 混合架构通过使用比 SC 架构更少的 RF 链来减轻波束分裂，但代价是移相器网络的复杂性增加。

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。

极大的天线阵列和高频工作使得未来的无线系统越来越有可能在近场区域工作，其中必须对球面波前进行精确建模以进行信道估计。本文提出了一种半无网格变分贝叶斯 (SG-VB) 框架，用于具有均匀线性阵列 (ULA) 和均匀平面阵列 (UPA) 的 XL-MIMO 系统中的近场信道估计。通过重新表达近场通道响应，角度变量和距离相关的菲涅尔变量被分离并视为潜在变量。角度变量是使用冯米塞斯变分分布在连续域中推断的，而距离变量是通过从粗到细的基于似然的搜索来估计的。所提出的框架为路径增益、稀疏控制超参数和噪声精度产生易于处理的变分更新，从而有效地逼近难以处理的后验分布。仿真结果表明，与 MUSIC、极域稀疏恢复、稀疏贝叶斯学习、LS 和 Oracle LS 基准相比，SG-VB 提高了通道重建、角度估计和距离估计精度。

随机通信符号允许集成传感和通信 (ISAC) 系统利用有效负载信号进行传感，但所得的匹配滤波器响应会随传输数据的变化而变化。现有的随机正交频分复用（OFDM）波形传感统计分析主要集中在延迟和多普勒上，而多输入多输出（MIMO）阵列和预编码引入的空间维度受到的关注要少得多。本文针对延迟、多普勒和角度域上的随机 MIMO-OFDM 波形开发了三维模糊度函数 (3D-AF)。对于点目标传感​​，我们将 3D-AF 表示为随机通信符号的二次形式，并使用确定性矩阵来捕获延迟和多普勒频移、发送和接收阵列响应以及不同子载波上的预编码器。基于这种表示，我们推导出预期平方 3D-AF 的封闭式表达式，并明确显示星座四阶矩（或峰度）如何影响模糊旁瓣。相同的表征可在混合延迟多普勒角搜索域上产生预期综合旁瓣电平 (EISL) 和预期旁瓣电平 (ESL) 指标。该框架进一步扩展到慢时多普勒的相干多符号处理，从而产生相应的快慢时（FST）近似。这些结果提供了随机 MIMO-OFDM 通信信号在延迟、多普勒和角度方面引起的传感模糊度的统计特征。

动态遮挡会严重降低车辆集成传感和通信 (ISAC) 的性能，因为必须在视距 (LoS) 链路被遮挡或未对准之前调整窄毫米波光束。本文提出了 WM4ISAC，这是一种基于世界模型构建的主动 ISAC 框架，该框架从下行雷达热图学习交通环境的可重用潜在动态模型，而不是直接将观测值映射到波束指数。所提出的框架使用视觉（V）模块来压缩传感观测，使用动作条件记忆（M）模块来预测潜在环境演化，并使用轻量级事件头来评估候选光束的视距对准、阻塞和散射辅助非视距（NLoS）对准。然后，码本级控制器使用这些事件预测来主动在 LoS 和 NLoS 波束之间切换，而无需知道未来的用户或阻塞状态。动态阻塞下的模拟表明，WM4ISAC 比当前的 LoS 跟踪平均速率提高了 $28.9\%$，将 5\%-tile 速率从 $0.9$ Mbps 提高到 $30.5$ Mbps，并达到完美信息上限的 $88.7\%$。

无源接收器可以从 5G 下行链路的回波中感知附近的物体。当发射器是一颗低地球轨道 (LEO) 卫星时，一个发射器可以覆盖很广的区域，但接收器必须处理数十 kHz 的多普勒和在每个观测间隔内变化的直接路径延迟。在卫星上进行试验之前，应在已知正确答案的情况下对此类接收器进行测试。本文介绍了 gr-ntnisac，这是一个开放的 GNU Radio 测试平台，它将模拟的 LEO 通道应用于标准 5G New Radio 下行链路，通过两个有线 USRP 发送它，并根据每条路径的延迟和多普勒命令对接收器进行评分。相同的接收器代码在模拟、记录的捕获和硬件上运行。作为第一次使用，我们测量了直接路径的抵消，即掩盖微弱回声的强卫星信号。硬件上的深度为 34.8 dB，在没有无线电的匹配模拟中深度为 37.6 dB，因此无线电不是主要限制。受控仿真表明，仿真器的 8 抽头分数延迟滤波器和模拟旋转叶片几乎将直接路径的延迟深度限制为 40 dB 左右；如果没有其中任何一个，深度将达到 71.0 dB。诊断消除器还可以消除每个子载波的响应，并且每个符号的相位在相同的捕获中达到 72.7 dB。在传导捕获中，有效负载辅助接收器在 76.9% 的驻留时间中检测到 -25 dB 移动路径。

假设信道状态信息（CSI）可用，智能反射表面（IRS）的波束形成问题已从优化角度被广泛考虑。然而，现实情况是，现有的原型很少遵循这种基于模型的方法，因为对于迄今为止的网络协议和硬件来说，信道估计在技术上很困难且成本高昂。最近的趋势是在没有信道知识的情况下盲目地执行波束成形。这项工作从强化学习的角度着眼于盲波束成形。我们首先表明，现有的盲波束形成方法可以归结为强化学习环境中贪婪算法的特殊情况。我们分析了由此产生的累积遗憾，并进一步提出了上近似以促进探索概率的优化。此外，我们表明，与现有盲波束形成方法中采用的均匀采样方案相比，梯度采样方案可以提高强化学习的效率。我们通过证明所提出的梯度采样方案是梯度上升的随机近似来进一步验证其收敛性。最后，我们在现实世界的原型系统中实际实现了所提出的方法。我们的现场测试结果表明，与现有的盲波束形成方法相比，所提出的梯度采样将 1000 个样本的平均信噪比 (SNR) 提高了 5 dB 以上。

我们研究了使用固定发射天线和单射频流体天线接收器的单用户下行链路中满足目标中断所需的 SNR、孔径和端口数。对于已知的空间相关瑞利通道和理想端口选择，免采样残差证书可在连续 SNR 间隔内控制降序中断误差。正贝塞尔特征支持大型数组，有限重要性采样将证书转换为同时设计间隔。在 1 bit/s/Hz 和中断 $10^{-5}$ 的情况下，四波长、十端口接收器需要 4.40--4.55 dB。在联合 95\% 概率声明下，将端口数量从 256 个减少到 10 个会导致 0.70--1.25 dB 的成本。在 3.5 波长下，十个端口需要 4.90--5.05 dB。跨 3--8 dB 的整数端口筛选显示孔径和端口要求如何随可用 SNR 变化；有效的信噪比转换将这些决策扩展到其他速率。报告的区间包括检查高斯协方差输入下的模型和采样不确定性。随着端口数量的增长，建设性的缓慢增长排名界限和 16--1024 端口研究支持紧凑评估。

这封信推导了闭式等效 Fisher 信息矩阵 (EFIM)，用于在存在未知传感器相位误差的情况下使用均匀线性阵列进行单源宽带 DOA 估计。基于确定性频域模型，首先集中源系数，然后通过 Schur 补来消除相位误差干扰参数，产生闭合形式 EFIM 和相应的 Cramér-Rao 界。分析表明，未知的相位误差吸收了DOA信息的谱质心分量，而带宽扩展通过增加功率加权频率方差来恢复部分丢失的信息。因此，在相位自校准下，有效的DOA信息是由功率加权频率方差而不是谱二阶矩决定的。数值结果验证了导出的封闭式表达式。

多模态传感能力的发展对于实现沉浸式通信以及在未来第六代（6G）通信中实现丰富、自然的远程交互至关重要。然而，传输高维传感流给无线资源带来了巨大的压力，并留下了一个尚未解决的基本问题：在无线传输过程中应保留有关底层物理过程的哪些信息？为了解决这个问题，我们建立了一个事件原生沉浸式通信框架，其中与服务相关的物理事件定义通信对象，而事件信念表示无线传输之前和之后收发器代理可用的信息。基于这个事件原生框架，我们进一步提出事件置信缺陷（EBD）来评估沉浸式通信中的体验质量（QoE），这与传统的归一化均方误差（NMSE）不同，因为NMSE可以对流失真处于相似范围内的物理不同过程不敏感。对于瑞利衰落上具有模式可分离传递的高斯事件置信度，我们推导了 log-det EBD、其引起的接收信噪比 (SNR) 阈值、确切的中断概率和所需的传输 SNR。物理驱动源的仿真结果表明，流 NMSE 在物理上不同的事件过程中几乎保持不变，而 log-det EBD 可靠地反映了其事件级别的不确定性。相对于面向均方误差 (MSE) 的接口，在评估的中断约束下，事件本机传递可将归一化 log-det EBD 降低高达 63.6%$，并将所需的平均接收 SNR 降低 3.47$~dB，证实了所提出框架的有效性。

研究了一种基于像素天线的快速天线编码技术。天线编码是一种动态控制PIN二极管的ON/OFF状态以调整像素天线辐射方向图的技术。通过在基带符号周期切换天线编码器，该技术可以调制波束空间中的辐射方向图的信息。这使得像素天线能够传输额外的信息，从而提高多输入多输出（MIMO）系统的频谱效率（SE）。具体来说，在这项工作中，我们首先介绍了像素天线和快速天线编码的概念。然后基于波束空间信道表示，我们提供了具有快速天线编码的MIMO系统模型，并推导了SE和误码率(BER)。还演示了通过快速天线编码实现的 SE 增强。还提出了一种优化方法，用于获得可以生成快速天线编码所需的辐射方向图的天线编码器。使用优化的天线编码器，我们评估具有快速天线编码的 MIMO 系统的 SE、能效 (EE) 和 BER。仿真结果表明，对于4×4 MIMO系统，与传统MIMO相比，SE提高了12bit/s/Hz，EE提高了33%，证明了快速天线编码技术的有效性。

无授权随机接入 (GFRA) 对于增强低地球轨道 (LEO) 卫星通信的系统容量和接入效率至关重要。分数线性调频速率线性调频扩频 (FCR-CSS) 信号代表了一种有前途的多用户接入技术，该技术通过不同的分数线性调频速率实现复用。然而，低轨卫星到地面链路中的高速卫星运动会引入各种FCR-CSS信号失真，这严重挑战了为地面通信设计的传统同步方案。本文分析了LEO场景下影响FCR-CSS信号的失真机制，并开发了一个具有严格理论推导的综合时变失真模型。我们证明，传统的地面同步方案在这些失真条件下完全失败，从而阻止成功的接入和数据解调。为了解决这一限制，我们提出了一种专门针对 LEO 卫星环境优化的 FCR-CSS 预同步处理方案。该方案利用新颖的线性调频信标信号前导码结构进行精确的失真参数估计，并为上行链路随机接入实现有效的预补偿机制。我们实现了基于FPGA的原型机并进行了星地现场验证，以检验3用户异步并发传输的性能。与传统静态补偿相比，所提出的方案将补偿后误码率降低了2-3个数量级，并使系统能够实现约1.1的峰值归一化吞吐量，几乎是时隙ALOHA最大容量的三倍。这些结果为实用的基于 FCR-CSS 的 LEO 卫星 GFRA 系统奠定了坚实的基础。

里德堡原子量子均匀线性阵列 (RAQ-ULA) 为太赫兹 (THz) 光束对准中的到达方向 (DOA) 估计提供了一种有前途的传感架构。现有研究通常将量子接收器建模为宏观线性块，并依赖 Cramer-Rao 界（CRB）进行阵列评估或功率分配。然而，作为局部方差界限，CRB 无法捕获低信噪比 (SNR) 区域中由空间模糊性引起的阈值击穿。本文提出了一种基于随机巴兰金界限最小化的 RAQ-ULA 物理感知功率优化框架。我们在低信噪比可积条件下推导了一个封闭式随机多点巴兰金界（BRB）矩阵，并引入反正弦先验校准来表征有界域误差饱和度。通过结合 Lindblad 引导的电磁感应透明度 (EIT) 读出模型，我们将模糊敏感的 BRB 与光子散粒噪声、功率展宽和激光拉比频率耦合起来。进一步导出 CRB 优化的分析基线，以暴露基于本地 SNR 的分配的局限性。为了解决由此产生的非凸问题，我们开发了一种带有基于 Lipschitz 的二次代理的回溯多数化最小化 (MM) 算法。该算法保证单调递减并收敛到可行驻点。仿真表明，所提出的框架比 CRB 更准确地预测阈值击穿，并扩大了太赫兹严重衰减下的可靠工作区域。

我们提出了一种耦合感知三混合预编码架构，用于使用可重新配置的寄生天线进行同步无线信息和功率传输（SWIPT）。通过集成多端口网络理论和信息论，我们开发了第三个预编码层，该层明确地考虑了天线域内的相互耦合和无功能量存储。为了有效地优化该架构，我们提出了一种低复杂度的三混合解决方案，包括用于寄生无功负载优化的坐标下降（CD）、基于奇异值分解（SVD）的模拟预编码器和保护性部分迫零（PPZF）数字预编码器。数值结果表明，发射阵列引入了阻抗失配，从而降低了天线阵列接受的实际功率。此外，所提出的三混合架构通过建设性地利用耦合效应，显着优于混合预编码，以硬件成本的一小部分实现了频谱效率（SE）和总非线性收获能量（NLHE）的显着增益。

在无人机（UAV）辅助的正交频分复用（OFDM）系统中，准确的信道估计（CE）和参数感知对于确保可靠的数据传输和飞行安全至关重要。然而，空对地 (A2G) 通信场景的高度动态特性会带来严重的多普勒频移和快速的信道变化，从而降低传统 CE 和传感方法的准确性。此外，大多数现有方法将 CE 和参数传感作为单独的任务来处理，缺乏有效利用通信波形来实现两者之间相互增强的集成框架。为了应对这些挑战，我们提出了一个相互增强的框架，将 CE 与参数传感相结合，使用速度和范围作为代表性的传感参数。首先，地面基站（gBS）从通过初始CE重建的通信波形中提取感知参数，从而获得有关通信场景的多普勒和延迟特性的先验信息。基于此先验信息，开发了一种传感辅助CE增强方案来提高估计精度。随后，增强型 CE 被用来提高传感精度，建立闭环迭代机制，使 CE 和参数传感相互改进。在不需要额外传感资源的情况下，所提出的框架可以实现 CE 和参数传感的联合优化。仿真结果验证了其优于基线方法的性能，实现了 CE 的归一化均方误差 (NMSE) 较低和参数传感的均方根误差 (RMSE) 降低。此外，所提出的方法对模拟参数的变化表现出很强的鲁棒性。

单基地集成传感和通信 (ISAC) 需要带内全双工操作，其中自干扰消除 (SIC) 必须抑制强传输泄漏，同时保留微弱的传感回波。在模拟域中，由于发射机损伤会产生共轭和非线性 SI 分量，并且波形的统计数据差异很大，因此该任务变得复杂。本文基于宽线性归一化最小均方 (WL-NLMS) 算法，为单基地 ISAC 开发了一种灵活的模拟自干扰消除 (FASIC) 框架。 FASIC 在数字基带中生成抵消信号，在射频域中将其减去，并通过可配置的抵消跨度实现灵活的传感范围控制。其归一化自适应在峰均功率比 (PAPR) 显着不同的波形上保持稳定，因此固定步长自适应可能会变得不稳定。我们进一步将发射波形统计数据与模拟 SIC 性能联系起来，并预测波形相关的抵消下限。仿真验证了分析结果，并展示了大约 30$-34$dB 的稳定模拟 SIC，低 PAPR 波形由于其较小的高阶振幅矩而实现了 3.3$dB 更深的底限。消除范围内的近场静态反射被抑制，同时保留了延迟和多普勒频移回波。这些结果确立了 FASIC 作为波形稳健的模拟 SIC 解决方案的地位，并将波形统计确定为第六代 (6G) 波形选择的关键考虑因素。

在太赫兹 (THz) 频率下运行的宽带超大规模多输入多输出 (XL-MIMO) 系统表现出近场传播和严重的频率相关分束效应，给信道估计和定位带来了重大挑战。在本文中，我们提出了一种混合深度学习框架，用于宽带近场 XL-MIMO 系统中的联合定位和信道估计。构建角度-距离-频率相关张量来捕获通道的联合空间和频率相关特征，并用作轻量级编码器-解码器网络（称为 ADSE-Net）的输入。所提出的网络估计角度距离域中的传播路径支持，而无需先验了解主要路径的数量。随后使用估计的支持来确定传播路径位置，同时采用频率相关的最小二乘估计来重建相应的信道增益，从而形成混合且低复杂度的信道估计框架。所提出的方法在连续离网信道实现和残余载波频率偏移（CFO）下进行评估，并与代表性的极域稀疏恢复和基于深度学习的方法进行比较。仿真结果表明，ADSE-Net 实现了可靠的传播路径支持恢复和准确的信道重建，同时在并网和连续离网信道条件下实现基于网格的定位。此外，与所考虑的迭代稀疏恢复方法相比，所提出的框架提高了信道估计精度，测量的推理延迟更低。

集成传感与通信 (ISAC) 被视为第六代 (6G) 网络的关键推动者，支持数字孪生、智能交通和低空航空服务等新兴应用。本文研究了仿射频分复用 (AFDM) 的 ISAC 性能，这是一种专为高移动性场景量身定制的有前景的多载波波形。首先，分析了实际同步损伤下AFDM的通信性能。开发了包含定时偏移、线性调频速率和频率偏移的连续时间模型来量化符号间干扰 (ISI) 和载波间干扰 (ICI)。离散时间分析进一步揭示了 AFDM 对载波频率偏移 (CFO) 和采样时间偏移 (STO) 的敏感性，而正交频分复用 (OFDM) 对 STO 的相对鲁棒性则相反。正交线性调频信号分割复用 (OCDM) 也被视为 AFDM 的特例。其次，通过模糊函数分析和单基地和多基地场景中的 Cramér–Rao 下界 (CRLB) 评估 AFDM 的传感能力。当正确选择线性调频脉冲速率时，AFDM 可以在特定延迟下实现与 OFDM 相当的旁瓣水平，尽管旁瓣可能会受到调制星座的影响。与非相干方法相比，相干多基地处理显着提高了分辨率和估计精度。仿真结果证实了 AFDM 在时变信道中的优势，并验证了有关同步误差和传感性能的理论结果。这些结果凸显了 AFDM 作为未来 ISAC 系统的双功能波形的潜力。

本文考虑使用神经网络根据噪声历史观测值对时变多天线信道进行信道状态信息（CSI）预测。主要挑战是利用时间相关性，同时区分通道演化和观测噪声。我们提出了 JEPA-kMMVAE，它将联合嵌入预测架构与 k 记忆马尔可夫变分自动编码器相结合，通过时间结构化的潜在表示来预测未来的 CSI。该框架支持相对于最新潜在状态和噪声 CSI 观察的直接预测和残差校正。仿真结果表明，在中等和高输入 CSI 信噪比下，残差配置优于评估的基线，而序列基线在较强噪声下仍然更准确。

本文研究了支持连续传输可重构智能表面（CT-RIS）的多用户下行链路通信，其中无源波束形成的特征是在连续孔径上定义的相位函数。我们对基站 (BS) 到 CT-RIS 链路采用依赖于距离的球面波模型，并为 CT-RIS 到用户链路引入基于场响应向量的有限路径模型。由此产生的加权和速率最大化问题联合优化有限维 BS 预编码器和无限维 CT-RIS 相位函数，从而产生混合有限维和无限维非凸优化问题。为了解决这个问题，我们开发了一种交替优化算法，该算法将封闭式 BS 预编码器更新与使用变分和最小化最大化导出的功能相位更新相结合。数值结果表明，所提出的 CT-RIS 始终优于所考虑的基准，其性能增益归因于空间连续相位控制和更大的有效接收面积。

本文研究了由模式和偏振可重构像素天线阵列实现的集成传感和通信 (ISAC) 系统的联合电磁 (EM) 域和基带 (BB) 域波束形成。开发了基于多端口网络的天线模型，使用从计算机仿真技术 (CST) Studio Suite 仿真中提取的阻抗和开路辐射数据，将每个二进制开关配置映射到其辐射响应。基于该模型，为下行链路通信和统计目标感知构建了偏振感知虚拟信道，从而产生混合整数非凸问题，在用户信号与干扰加噪声比（SINR）和发射功率约束下最大化平均感知信噪比（SNR）。为了处理耦合的二进制变量和连续变量，我们提出了一种交替优化算法，其中使用连续穷举布尔优化（SEBO）更新EM域开关状态矩阵，通过最小化最大化（MM）和二阶锥规划（SOCP）过程优化BB域预编码器，并从瑞利商更新获得传感组合器。仿真结果表明，与固定补丁基准相比，所提出的设计实现了更高的传感信噪比和更强的目标角度鲁棒性。

可移动天线引入的固有非凸最小间隔约束对天线位置和传输策略的联合优化提出了巨大的挑战，使得传统方法在计算上不可行，特别是在大规模无小区大规模多输入多输出（MIMO）中。在这项工作中，我们提出了基于图的学​​习个体内在奖励异构代理近端策略优化（GLIIR-HAPPO）算法，这是一种新颖的异构多代理强化学习（MARL）框架，通过系统地将原始耦合优化分解为协调子问题，从根本上克服了这一僵局。为了确保易处理性，我们将非凸几何约束嵌入到惩罚增强奖励结构中，并开发了一种专门的几何求解器，使定位代理能够有效地导航高维动作空间。具体来说，我们提出了一种架构，该架构具有用于自适应跨角色协调的动态交互图批评家，以及通过紧凑的参与者输出统计数据同步相同角色策略的角色条件联合蒸馏。除了架构设计之外，我们还建立了严格的理论分析，得出单调性能改进界限并为所提出的双层优化建立收敛保证。数值模拟表明，我们的框架比最先进的 MARL 方案产生了显着的总速率改进。此外，我们先进架构的性能非常接近其完全集中式架构，同时大大减少了通信开销。

本文提出了一种将收缩天线 (PA) 集成到无蜂窝大规模多输入多输出 (CF mMIMO) 系统中的新颖方法，以提高接入点 (AP) 和用户设备 (UE) 之间的所需链路强度。在所提出的支持 PA 的 CF mMIMO 架构中，每个 AP 都配备了托管多个可移动 PA 的电介质波导，取代了传统的固定天线阵列并实现了可重新配置的辐射孔径。我们研究通过 AP-UE 关联和收缩波束成形实现下行链路 (DL) 和频谱效率 (SE) 最大化，并受到半连续分段移动性约束的约束，以保证 PA 移动无碰撞。由于离散关联变量和连续 PA 位置之间的耦合，所得到的混合整数非线性程序在计算上很难处理。为了获得可实现的解决方案，我们开发了一个两阶段框架：1）设计了基于梯度的液体神经网络（GLNN）用于AP选择，以有效地探索组合拓扑空间； 2）提出了一种梯度上升收缩波束成形算法来优化半连续分段移动性约束下的PA位置。数值结果表明，所提出的支持 PA 的 CF mMIMO 架构比传统 CF mMIMO 提供了显着的 SE 增益，并且非常接近纯 PASS 部署中连续 PA 放置基准的性能。

将空中计算 (AirComp) 与非正交多址 (NOMA) 集成可实现并发数据聚合和信息传输，但同时将计算精度与通信服务质量 (QoS) 紧密结合在一起。本文研究了收缩天线辅助上行链路，其中灵活的收缩天线 (PA) 放置提供了额外的空间自由度来管理这种耦合。我们通过联合设计 AirComp 收发器、PA 位置和连续干扰消除 (SIC) 阶数，最大限度地减少受 NOMA QoS、发射功率和 PA 部署限制影响的 AirComp 均方误差 (MSE)。利用上行链路 SIC 的递归结构，我们建立了精确的 NOMA 可行性条件并导出了最佳的 SIC 排序规则。这些结构结果消除了 NOMA 功率变量和解码顺序的组合搜索，将原始问题简化为连续优化问题。然后，我们开发了一种具有最佳 AirComp 传输系数和接收缩放更新的迭代算法，以及用于 PA 布局的保留可行性的多数化方案。所提出的算法保留了 NOMA 可行性，同时生成单调非递增计算 MSE 序列。数值结果证明了在 NOMA QoS 要求下联合优化 AirComp 收发器和 PA 位置的计算精度增益。

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。

语义感知（SemS）获取任务相关信息，而不是重建完整的物理信息。现有的 SemS 公式通常是开环运行的：传感配置和观察时间表在推理之前是固定的，无法响应不断变化的任务级证据。我们提出了 Agentic SemS，这是一种用于人工智能无线接入网络 (AI-RAN) 的闭环框架，可在通信可行的配置文件集中控制传感。配置文件条件的因果 Transformer 从流式观察中更新语义信念，而键值缓存可以跨配置文件更改实现高效的状态更新，而无需重复处理完整的历史记录。语义效用网络在考虑感知成本后估计在每个可行配置文件下获取下一个观察块的任务级收益。由此产生的延续实用程序共同支持下一个配置文件选择和语义提前退出，使传感配置和持续时间适应不断变化的证据。预期的语义增益进一步与条件互信息相关，提供持续在线感知的信息价值解释。在 Widar3.0 上使用 6 个仿真传感配置文件进行的实验表明，与全序列 High 相比，资源高效的 Agentic 设置将归一化累积传感成本降低了 25.33%，同时实现了 85.79% Macro-F1。在相同的效用检查点，语义提前退出比没有提前退出的自适应传感进一步降低了 12.35% 的成本，Macro-F1 降低了 0.97 个百分点。

新兴的低空经济需要无人机 (UAV) 集成传感和通信 (ISAC) 来实现可靠的连接和环境意识。特别是，实体无人机代理通过连接感知、决策和物理行为的闭环提供了一种支持自主操作的有前景的方法。然而，每架无人机只能获取本地观测数据，有效的合作需要交换本地状态和意图。直接共享此类信息可能会产生大量的信令开销，并阻碍动态环境中的及时协调。为了解决这个问题，本文研究了具体无人机代理的协作 ISAC 网络，并制定了联合令牌通信（TokCom）和物理控制问题，以根据通信和传感速率要求最小化总推进能量。然后，我们提出了一种由多智能体具体化策略学习驱动的状态意图 TokCom (SI-TokCom) 框架。具体来说，单独的预训练密码本可以实现本地状态和意图的紧凑交换，而无人机代理则共同学习选择和组成令牌，并根据本地观察和接收到的令牌确定物理动作。仿真结果表明，SI-TokCom 的通信速率和感知速率分别达到集中基线的 98.9% 和 99.1%。与本地基线相比，在推进能量基本不变的情况下，相应速率分别提高了5.0%和43.6%。这些结果凸显了 TokCom 在 ISAC 系统中的无人机代理之间进行高效通信合作的潜力。

传统的无线通信系统采用具有固定辐射方向图的天线。通过增加天线数量来增强系统性能将突破通信设备的成本和尺寸限制。为了克服这个问题，迫切需要新型天线技术来突破基本性能瓶颈和工程限制。像素天线为高度可重构天线提供了通用框架，它可以通过控制放置在相邻像素上的可变集总元件来灵活调整辐射方向图，从而在波束空间域中解锁新的自由度 (DoF)。最近，一种新兴的天线编码技术将无线系统性能与天线配置联系起来。这使得像素天线的使用能够通过利用天线侧的自由度来增强系统性能。在本文中，我们全面概述了像素天线的天线编码。具体而言，基于像素天线模型，首先介绍了天线编码的概念，然后讨论了天线编码的分类。重点介绍了信道增益和复用增益增强的两种情况，以显示无线通信中天线编码的有效性。此外，还研究了天线编码设计的各种优化方法。最后，概述了挑战和机遇，为未来的工作提供指导。

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。

本文介绍了带有机载基站 (UxNB) 的无人飞行器 (UAV) 的密集上中频频率范围 (FR3) 信道知识图 (CKM) 数据集。它包含来自 66 个城市的 3,236 个城市地点的 16,180 个 CKM 样本，频率为 7.125 GHz，UxNB 高度高达 500 米。每个 513x513 样本都存储建筑几何形状、视线 (LOS) 状态、衰减、延迟扩展、角度扩展和可变发射机高度。作为第一个重点用例，我们提出了一种可解释的高度感知衰减模型。其 LOS 分支结合了自由空间损耗、两射线项和基于紧凑数据的高度/范围校准。其非视距 (NLOS) 分支将 COST 231-Hata 基础与本地环境特定的线性校准相结合。所提出的模型在 14 个看不见的城市的 500 多个独特位置（总共 2,590 个样本）上达到了 1.93 dB 的总体均方根误差，LOS 为 1.74 dB，NLOS 为 3.54 dB。结果为 FR3 UxNB 部署提供了衰减数据，并为未来的 FR3 建模工作提供了物理锚点。

本文描述了采用相移键控 (PSK) 的调频正交频分复用 (FM-OFDM) 波形的频谱和模糊函数 (AF) 特性。 AF 的主瓣结构可以通过模糊椭圆 (EOA) 模型很好地近似。 EOA 产生精确的封闭式表达式，描述时延和多普勒中的 AF 主瓣宽度以及它们之间的耦合程度。这些表达式得出了对采用 PSK 的 FM-OFDM 波形的频谱和 AF 形状的三个基本见解：(1) 这些波形对于给定的调制指数 $h$、脉冲长度 $T$ 和子载波数量 $L$ 具有固定的均方根 (RMS) 带宽，(2) 它们的频谱效率大约是具有相同 RMS 带宽的恒定包络 OFDM (CE-OFDM) 波形的两倍，以及 (3) 对于实际波形设计参数将始终具有“图钉状”AF 形状。最后，本文演示了一种波形优化技术，该技术仅使用子载波符号的子集作为感测“导频”符号，而将其余符号用于通信，从而最大限度地减少 FM-OFDM 波形的自相关函数 (ACF) 旁瓣。然后通过两个说明性设计示例演示了该试点优化技术。

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。

6G 的主要变革因素之一将是人工智能 (AI) 的集成，成为无线接入网络 (RAN) 的原生部分。虽然迄今为止大多数物理层人工智能功能都是使用链路级模拟进行单独评估的，但它们在实际多小区、多用户设备部署中的组合行为在很大程度上仍未得到探索。在本文中，我们展示了同时启用多个上行链路人工智能功能时的系统级性能结果，这是通过集成精确的链路级和系统级模拟器来实现的。为了在现实的上行链路调度器产生的动态分配下推断最先进的深度学习辅助的多输入多输出（MIMO）接收器，我们提出了一种镜像数据增强方法，该方法将接收器性能与调度的分配大小解耦。除了这些物理层 (PHY) 接收器功能之外，我们还结合了深度强化学习的几项最新进展来训练上行链路功率控制和链路自适应，其性能优于启发式基线，并进一步提高仅从 AI 接收器获得的增益。系统级结果表明，与非 AI 基准相比，组合的 AI 功能将平均上行链路用户吞吐量提高了约 27%，这证实了单独的 PHY 和媒体访问控制 (MAC) AI 功能在联合部署时可提供互补的增益。

同信道阵列接收需要分离频谱重叠的用户，同时保留解调所需的波形相位和幅度。我们考虑异步过采样接收。期望用户到达方向（DOA）和导频序列是已知的，而其复杂的信道和定时是未知的。为了解决这个问题，我们提出了一种方向条件导频辅助神经接收器。首先，我们将所需用户的 DOA 映射到学习的复杂天线权重并保留加权天线流。然后，条件感知双尺度时间 U-Net 联合处理这些流。其次，我们制定了导频校准波形损失，解决了逐帧复杂缩放模糊性，并使训练与基于导频的推理保持一致。第三，导频相关估计符号定时，导频最小二乘（LS）校准校正残余复增益。这两种操作都不需要真正的定时偏移或所需用户的复杂信道矢量。最后，仿真显示在评估的信噪比 (SNR) 范围内，误码率 (BER) 低于传统基线。消融研究表明方向调节和保留单独的天线流提供了主要增益。

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。

仿射频分复用 (AFDM) 因其固有的针对双选信道的弹性，已成为高移动场景中无线通信的一种非常有前景的调制方案。然而，高速移动环境中的时变多径传播对可靠的信号检测提出了严峻的挑战，特别是在分数多普勒频移的情况下，现有的消息传递检测器由于信道矩阵稀疏性的损失而遭受性能下降。本文提出了一种基于期望最大化向量近似消息传递（EM-VAMP）算法的高性能检测器架构，用于 AFDM 系统中的联合信号检测和噪声方差估计。通过构建具有向量值节点的因子图模型，联合检测问题被分解为先验信息更新和线性观测更新之间的交替迭代过程。此外，期望最大化（EM）准则被纳入VAMP迭代框架中，从而实现联合数据检测和自适应噪声方差估计。为了克服 VAMP 对完美信道状态信息 (CSI) 的依赖，进一步开发了联合多元估计 EM-VAMP (JEM-VAMP) 检测器。该检测器将路径增益基础矩阵建模为延迟多普勒域中的贝叶斯先验，并通过交替的 EM-VAMP 迭代联合估计路径增益、信道估计误差方差、噪声方差和数据符号。基于路径域基展开，推导了完美和不完美CSI下误码率(BER)的闭合形式上限。仿真结果表明，所提出的 EM-VAMP 检测器在分数多普勒条件、高阶调制、LDPC 编码和 MIMO 配置下实现了显着的 BER 增益，而 JEM-VAMP 检测器在不完美的 CSI 下保持了鲁棒的检测性能，证实了其在高移动无线通信场景中的有效性和优越性。

电磁频谱监测越来越需要除了特定任务的识别和检测之外的灵活分析。多模态大语言模型提供了统一的接口，但将视觉语言模型 (VLM) 扩展到原始 I/Q 信号需要标记化，以在保真度与严格的预算之间取得平衡。对于信号，密集编码会导致令牌成本随着观察长度的增加而增加，而固定分辨率压缩可能会丢弃短持续时间或局部信号证据。因此，我们提出了 \textbf{BATok}，一种预算自适应信号标记器，它根据输入长度调整标记容量，同时根据信号内容分配该容量。 BATok 使用轻量级多分辨率分支从信号派生特征构建候选表示，然后将局部能量先验与可学习查询相结合，将这些表示重新采样为紧凑的信号标记。令牌的数量适应输入长度，同时保持严格限制。生成的标记被投影到 VLM 的语言嵌入空间中。我们进一步介绍了 \textbf{EMSpec-Instruct}，这是一个多模态指令数据集，它对齐原始 I/Q 信号、瀑布图像和用于调制识别、结构化检测和语言条件信号接地的语言监督。实验表明，BATok 可以学习有效的信号表示，并在所有任务中实现具有竞争力的性能。

提出了由收缩天线系统（PASS）框架实现的联合通信和计算（JCC）设计，其中计算数据和通信比特流通过利用实际协议下的段级信号处理通过上行链路同时传输。为了表征计算精度和传输效率之间的固有耦合，提出了两个互补的优化问题，即面向计算的均方误差（MSE）最小化问题和面向通信的加权和速率（WSR）最大化问题。由于发射和接收波束成形的联合设计，这些问题具有高度非凸性和耦合性。为了应对这一挑战，这些问题被分解为接收器侧和发送器侧子问题，并通过有效的封闭式更新来解决。具体来说，开发了交替优化最小均方误差（AO-MMSE）和AO加权最小均方误差（AO-WMMSE）算法以获得封闭式解。数学证明，所提出的 JCC-PASS 框架在平均波导内传播增益方面显着优于传统 PASS。仿真结果表明：i）与传统 MIMO 和传统 PASS 相比，所提出的 JCC-PASS 框架的 MSE 降低了 70.65% 和 45.32%；ii）与传统多输入多输出（MIMO）和传统 PASS 相比，WSR 分别提高了 87.70% 和 51.35%；iii）这些结果揭示了分段 PASS 中计算通信设计对于联合优化计算和通信的重要性。性能。

将可重构智能表面（RIS）与接收天线阵列相结合是一种有前途的低复杂度架构，用于多用户上行链路接收，但其对两个以上用户的性能分析仍然是一个悬而未决的问题：迫零（ZF）信号与干扰加噪声比（SINR）不再允许显式的低维闭合形式表达式，并且其分布对于设计目的来说在分析上是棘手的。本文解决了 K 个用户、K 个天线上行链路系统的这一差距，其中在基站进行 ZF 接收之前，将大规模 L 元件 RIS 划分为 K 个用户专用子表面。通过次表面尺寸无限制增长的渐近分析，我们表明 ZF SINR 底层的正交投影仪收敛到与所需用户通道对齐的一阶矩阵。我们使用这种收敛来推导仅取决于确定性信道参数的平均每用户 SINR 的闭式渐近近似。将此表达式视为易于处理的设计目标，我们证明，无论用户之间的路径损耗不对称，相等划分在前导阶上近似是和率最优。我们还开发了一种低复杂度的贪婪成对转移搜索，可以将分区细化到超出此领先顺序最优值。跨一系列系统和 RIS 大小的蒙特卡洛模拟证实，一旦 RIS 相对于用户数量较大，封闭式 SINR 就会密切跟踪精确的模拟速率。贪婪搜索还比相等划分产生一致（如果适度）的总和率增益，从而验证了该理论作为准确的性能预测器和实用的设计工具。

面向任务的点云传输仅保留下游推理任务所需的关键语义信息，而不是重建整个几何点集。然而，现有的深度联合源信道编码（JSCC）框架通常跨潜在特征统一分配无线通信资源，丢弃空间语义变化。这封信介绍了可学习语义注水（LSWF），这是一种数学原理的、可微分的特征分配优化范例。 LSWF 通过超轻量级预测器从潜在空间中提取逐点语义重要性。然后，可学习的注水算子动态地解决封闭形式的率失真分配问题，将传输能量集中在任务关键点几何形状上，同时自然地生成高度稀疏的结构表示。整个框架是完全可微的，允许与深层神经主干和通道状态感知层进行联合端到端反向传播。在 ShapeNet 零件分割基准上进行评估，LSWF 在 AWGN 和瑞利衰落通道下均实现了最先进的精度，同时将有效传输率压缩了 97% 以上。该框架为智能边缘系统中的非均匀资源分配提供了有效的信号处理解决方案。

可靠的定位对于联网车辆至关重要，但由于多路径和潜在的数据操纵，GNSS 和 V2X 报告的位置在非视距 (NLoS) 条件下会退化。无线相对定位 (WP) 通过利用到达角度 (AoA) 等物理层功能提供了一种弹性替代方案，但其有效性依赖于正确识别 LoS/NLoS 传播。本文提出了一种用于 NLoS 车辆场景的两阶段 WP 框架。首先，利用几何和上下文特征，使用基于统计和学习的方法来检测 NLoS 条件。其次，通过逆光线追踪（IRT）进行定位，当几何重建不可行时，采用基于学习的回退。多路径选择降低了计算成本。不同 SINR 下的实验表明，所提出的方法使用基于学习的方法 (RF) 正确分类 NLoS 路径的正确率高于 82%，使用统计方法 (OR) 正确分类的 NLoS 路径的正确率高于 89%，后者在干扰水平上更加稳定。使用我们的定位方法，在所有干扰条件下，超过 88.8% 的误差低于 5 百万美元，在高 SINR 下达到 94%。所提出的系统还支持实时操作，以 50-100 Hz 的速率提供位置估计。

这封信解决了由相同子阵列组成的部分校准阵列 (PCA) 的非相干到达方向 (DOA) 估计中的有限信号可识别性。在非相干处理中，我们从不同结构的子阵列中获得不同的相位偏移。这使得能够识别比单个子阵列更多的信号。然而，当所有子阵列共享相同的阵列几何结构时，可用相位偏移的数量仍然受限于单个子阵列的数量。为了提高信号可识别性，我们提出了一种具有增强信号可识别性的非相干 DOA 估计算法（称为 E-MUSIC）。在该算法中，可以通过堆叠矢量化协方差矩阵并利用子阵之间天线方向图误差的独立性来重建行满秩伪信号矩阵，其中虚拟导向矢量是物理导向矢量与其共轭的Khatri-Rao（KR）乘积。通过对该伪信号矩阵进行奇异值分解，可以获得与虚拟导向向量对应的噪声子空间。从而，提高了信号可识别性。仿真结果证明了E-MUSIC算法的信号可识别性的提高和优越的性能。

与Chase合并的混合自动重传请求（HARQ-CC）提高了慢流体天线多址接入（sFAMA）的可靠性，但其传输限制必须与用户并发度共同优化。本文提出了一种针对下行链路 HARQ-CC 辅助 sFAMA 的并发级别 U 和 HARQ 限制 C 的服务质量 (QoS) 感知联合设计。基于选定端口的信号干扰比 (SIR) 分布，我们推导了多轮解码失败概率，并开发了一种两阶段优化，可最大化可行并发性，然后选择满足中断和平均服务约束的最小 C。我们证明第一个可行的 C 可以最小化给定 U 的服务持续时间，并且可行的 U 值形成初始段，从而实现最佳二分搜索。数值结果与完全杰克斯空间协方差下的蒙特卡罗模拟一致。所提出的自适应 FAS 设计支持 6 个并发用户，而固定 HARQ FAS 为 3 到 5 个，HARQ 自适应固定位置天线 (FPA) 为 2 个，这表明联合并发和 HARQ 自适应扩展了 FAS 的 QoS 可行区域。

这封信研究了低空场景下双功能雷达通信（DFRC）系统的联合通信和传感波束成形，其中地面杂波明显强于空中杂波。我们发现，由于这种杂波特性，潜在的性能瓶颈本质上是与区域相关的。为了解决这个问题，我们开发了一个具有差异化旁瓣抑制功能的杂波感知波束形成框架。进一步从杂波统计中推导出封闭式区域旁瓣系数选择规则。由此产生的问题通过半定松弛 (SDR) 得到解决。数值结果表明，所提出的设计持续提高了低海拔环境中的传感性能。

使用无人机 (UAV) 进行灾后幸存者定位面临着一个基本的物理挑战：倒塌结构中普遍存在非视距 (NLOS) 传播。与标准高斯噪声不同，来自碎片的信号反射会引入严格的非负测距偏差。现有的鲁棒估计器通常采用对称损失函数（例如 Huber 或 Tukey）设计，隐含地依赖于误差对称性的假设。因此，他们可能会在这种情况下经历建模不匹配，从而导致我们正式将其称为统计几何简并性（SGD）的现象——在这种状态下，由于持续的不对称偏差和有限的观测几何的耦合，估计器可能会停滞不前。虽然新兴的数据驱动方法提供了替代方案，但它们常常面临训练数据的稀缺以及非结构化灾区固有的模拟与真实差距的问题。在这项工作中，我们提出了一种基于物理的解决方案，即 AmetryHuberEKF，它通过派生的不对称损失函数明确地合并了 NLOS 偏差的非负物理先验。理论上，标准对称 Huber 滤波器可以通过用其对称拉普拉斯对应物替换单侧指数偏差先验来恢复。此外，我们证明正局部 RTT 曲率需要足够多样化的非饱和双边信息，主动传感试图在规定的残差和几何条件下获得这些信息。我们的方法在 2D 天底视图扫描场景中得到验证，与对称基线相比，我们的方法大大加速了收敛速度，为数据稀缺和几何形状受限的搜索操作提供了弹性构建块。

收缩天线系统 (PASS) 通过调整收缩位置以进行通信通道整形和传感波束控制，为集成传感和通信 (ISAC) 提供了极大的灵活性。尽管如此，PASS 中的直接位置优化是高维且非凸的，这使得它们在实践中快速重新配置变得困难。这项工作提出了一种基于用户聚类的低复杂度 PASS 辅助 ISAC 设计。每个波导上的元件分布在多个段上，而不是直接优化收缩位置，其中每个段服务于一组用户或目标。这种替代配置将位置调整问题简化为低维权重分配任务，可以通过基于梯度的方法有效解决。我们提出了一种低复杂度迭代算法，其中通过等效加权均方误差最小化来更新数字预编码器，并通过权重分配和投影来更新收缩位置。我们的数值实验表明，与基准设计相比，所提出的设计可以以适度的计算成本显着增强 ISAC 系统的通信传感权衡。结果凸显了在实际 ISAC 系统中部署 PASS 辅助收发器的潜在收益。

收缩天线 (PA) 系统通过沿介电波导的可控辐射位置为集成传感和通信 (ISAC) 提供空间可重构性。本文研究了一种双波导 PA 辅助 ISAC 系统，其中通信用户也充当传感目标，通过公共用户/目标几何结构耦合通信和传感链路。空间上分离的发射和接收波导提供对前向和返回感测路径的单独空间控制。我们共同优化发射和接收 PA 位置以及发射功率，以在满足最小传感 SNR 和二维定位 Cramer-Rao 界 (CRB) 要求以及功率、能量和部署限制的情况下最大化总通信速率。为了解决由此产生的非凸问题，我们开发了一种交替优化算法，该算法将有界注水功率更新与近端一阶联合 PA 位置更新相结合。数值结果表明，所提出的设计实现了比所考虑的基准更高的通信速率，并且在严格的本地化要求下具有更明显的增益。

本文提出了一种基于张量的低复杂度信道估计框架，用于使用无源巴特勒矩阵波束成形的下行毫米波大规模 MIMO 系统。通过将接收信号建模为三阶 PARAFAC 张量，我们通过双线性交替最小二乘 (BALS) 优化来利用已知的导频结构来减少计算开销。然后通过 1D 和 2D ESPRIT 处理解耦的空间因素，以通过自动配对提取到达和离开的角度。此外，我们还推导出该架构的 Cramer--Rao 下界 (CRLB)。仿真证实所提出的估计器优于传统的最小二乘法，实现了精确的信道重建并以中等到高信噪比接近 CRLB。

这封信研究了在多个超大规模智能反射表面（Multi-XL-IRS）辅助下的无线通信系统的高效近场波束成形设计。先前的研究大多假设远场信道条件，在此基础上基站（BS）和IRS采用基于角度的波束成形。然而，这种方法可能会导致实际近场场景中的性能下降。为了解决这个问题，我们考虑近场信道建模，并制定一个优化问题，旨在通过联合优化 BS 和 IRS 的波束成形来最大化用户设备 (UE) 的接收功率。鉴于基于波束训练（BT）的通信框架下的棘手问题，我们重新审视并重新表述了该问题。随后，提出了一种基于交替优化（AO）的有效算法来解决重构问题。数值结果表明，在典型设置中，我们基于 AO 的波束成形设计比传统的基于角度的波束成形和波束聚焦分别提供超过 170% 和 20% 的接收功率增益。此外，在远场条件下导出的功率缩放定律在近场场景中不再成立。

新兴边缘应用程序必须感知其环境并在严格的延迟预算内处理数据。全双工 (FD) 集成传感、通信和计算 (ISCC) 同时支持这些功能，但雷达探测会干扰上行链路接收，而用户传输会降低目标估计。这些耦合效应需要联合感知和卸载决策。我们研究了 FD 大规模多输入多输出 (mMIMO) ISCC 网络，其中用户将部分任务卸载到边缘服务器，同时接入点探测目标。对于具有不完美信道估计的迫零上行链路接收，我们在规定的干扰和波束对准假设下推导出易于处理的速率界限和目标角度 Cramer-Rao 下界（CRLB）。然后，我们联合优化卸载分数、用户和雷达发射功率以及边缘计算资源，以最大限度地减少受传感精度、通信速率、能源、截止日期和资源限制影响的平均端到端任务延迟。开发了逐次凸逼近算法来有效解决由此产生的非凸问题。分析表明，较大的阵列可提高传感和上行链路性能，但当用户功率随阵列尺寸缩小时，残余雷达干扰会产生有限的速率上限。仿真结果表明，与固定分配和半双工方案相比，在 -40 dB CRLB 阈值下，与相同的通信用户功率相比，联合分配可将雷达发射功率降低约 86%，并降低延迟。

在本文中，我们提出了一种基于深度学习的预测波束形成算法，用于车辆到基础设施网络中的集成传感和通信，其中利用回波信号来增强通信性能。我们在传感信号与干扰加噪声比（SINR）约束下制定了总频谱效率最大化问题，并构建了基于惩罚的无约束代理目标用于网络训练。基于该公式，使用感测回波和来自先前时隙的历史波束形成器来预测波束形成矩阵。为此，我们开发了一个预测波束形成网络，通过单独的编码器处理传感回波和波束形成输入，以保留其特定于模态的特征。这种单独的设计使每种模态能够学习丰富且互补的表示，与朴素输入融合相比，通过交叉注意机制可以更有效地利用这些表示。由此产生的特征通过交叉注意力融合，而门控循环单元捕获跨时隙的时间依赖性。仿真结果验证了所提出方法的性能。

大规模多输入多输出（MIMO）通过在上行链路中采用大量接收天线来实现高频谱效率（SE）。采用许多接收天线需要大量的模数转换器 (ADC) 和高前传数据速率。低分辨率 ADC 可以降低功耗和成本，而前传量化可以降低所需的前传数据速率，但代价是两个阶段的量化失真。在宽带正交频分复用系统中，ADC量化在时域中执行，而前传量化可以在离散傅立叶变换之后应用，以仅发送活动子载波。在本研究中，我们研究了双量化和不完美信道估计下前传链路上可实现的上行链路 SE。我们从双量化导频观测中推导出线性最小均方误差信道估计器，并使用使用后忘记界限获得可实现的 SE。数值结果表明 ADC 和前传量化分辨率对可实现的 SE 具有相当的影响。当两个分辨率不同时，较低的分辨率成为限制 SE 的主导因素。此外，我们的数值结果表明，六位 ADC 和前传量化可实现理想情况下 90% 以上的 SE。

本文提出了一种用于无细胞大规模多输入多输出（CFmMIMO）系统的三混合预编码器设计，级联数字、模拟和电磁处理层。我们联合优化三层预编码器和接入点 (AP) 传输功率，以在每个 AP 功率和前传限制下最大化全局能源效率 (GEE)。为了解决这个问题，我们开发了一种交替优化算法。第一个子例程使用加权最小均方误差、黎曼流形优化和洛伦兹相位上的梯度上升来最大化预编码器设计的和谱效率（SE）。第二个通过丁克尔巴赫的分数规划和逐次凸逼近优化功率分配。还分析了收敛性和计算复杂性。仿真结果表明，在 20dBm 发射功率下，所提出的设计比全数字和经典混合预编码器的 GEE 分别提高了 87% 和 11%。此外，与同等功率基准相比，联合功率优化可实现 22% SE 和 16% GEE 增益，同时优于 SE 中的共置架构。最后，我们确定了 AP 和 RF 链计数的 GEE 最佳方案，并证明增加动态超表面天线尺寸可以增强低功耗方案中的 GEE，且有功功率开销可以忽略不计。

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。

光学斯格明子是结构光的拓扑形式，提供不受扰动影响的无界编码字母表。然而，它们的实际使用由于缺乏拓扑检测器而受到限制，因为由拓扑不变量 N 区分的状态不一定是正交的。在这里，我们展示了第一个用于光学斯格明子的确定性探测器，使用实时训练的深度衍射神经网络，训练参数的数量减少了 1000 倍。该网络包含两个独立的处理通道，每个通道包含五个衍射层，将输入拓扑映射到空间分离的输出通道，从而能够识别 N 。我们演示了使用由矢量拉盖尔高斯模式构建的 81 种拓扑结构的探测器，即使在妨碍传统斯托克斯偏振测量的噪声水平下也能实现高精度。最后，我们传输并恢复使用 15 级拓扑字母表编码的图像，串扰可忽略不计，展示了实现拓扑支持光通信的实用途径。

全球导航卫星系统 (GNSS) 信号在密集城市环境中的脆弱性和不可用性促使人们使用低地球轨道 (LEO) 机会信号 (SoOP) 进行定位、导航和授时 (PNT)。然而，多径和非理想噪声会显着降低延迟-多普勒估计，从而降低导航精度。本文提出了一种混合广义似然比测试 (GLRT) 和离网稀疏贝叶斯学习 (SBL) 框架，用于多路径和非高斯时间相关噪声下的 LEO-SoOP 导航。首先，开发了基于 GLRT 的框架，证明了在理想高斯噪声下的可靠检测，但在重尾或有色噪声以及未解决的多径下估计性能下降。接下来，引入了离网 SBL 框架，用于高分辨率分离和视距 (LOS) 延迟 - 多普勒参数的估计。随后跟踪估计的 LOS 参数并将其合并到扩展卡尔曼滤波器 (EKF) 中以获得导航解决方案。仿真结果表明，在城市环境中，与基于 GLRT 的估计相比，该方法将延迟 RMSE 降低高达 77%，位置 RMSE 降低 88.5%。这些结果证明了所提出的框架在稳健且准确的 LEO-SoOP 导航方面的潜力。

仿射频分复用 (AFDM) 因其利用多径分集的能力而成为高移动通信的一种有前途的波形。然而，在具有分数延迟和多普勒以及未知数量的传播路径的信道中，信道状态信息（CSI）获取仍然具有挑战性。在本文中，我们研究了 AFDM 系统的信道估计。我们首先分析存在分数延迟引起的频率缠绕时的 AFDM 响应。分析表明，分数延迟可能会取代主要极值并产生信息丰富的次要极值。然后，我们在改进的空间交替广义期望最大化（SAGE）框架内开发了模型阶自适应信道估计器。双导频参考符号用于路径和延迟初始化，而跨多个 AFDM 符号的导频观测为多普勒估计提供时间信息。新路径通过统计控制的残差测试来识别，而不受支持或冗余的路径则通过条件支持修剪来删除。随后通过从粗到细的过程估计每条保留路径的延迟、多普勒频率和复增益，并使用精确的 AFDM 似然进行细化。仿真结果表明，与代表性的 SAGE、稀疏恢复和贝叶斯基准相比，所提出的方法实现了更低的归一化均方误差 (NMSE) 和误码率 (BER)。它还提供可靠的路径检测和模型阶数估计，并在高达 600~km/h 的终端速度下保持稳健的性能。

可移动天线 (MA) 已成为一种有前途的技术，可以解锁无线传感系统的空间自由度。然而，由于阵列几何形状和未知目标方向之间的复杂耦合以及严重的旁瓣干扰，优化多目标传感的 MA 位置仍然具有挑战性。在本文中，我们提出了一种支持MA的多目标无线传感方案，以实现高精度和鲁棒的目标参数估计。为了在保持易处理性的同时表征传感性能，我们引入了两个互补指标，即 Cram\'er-Rao 界 (CRB) 的下界 (LB) 和转向向量相关性 (SVC)。具体来说，通过研究Fisher信息矩阵的偏序关系，我们推导了多目标CRB的封闭形式LB，它解耦了未知的目标方向。同时，采用SVC来表征不同方向上传感信号之间的空间相关性和旁瓣引起的干扰。基于这两个指标，我们制定了一个 MA 位置优化问题，该问题最小化 SVC，同时将 LB 限制在预定义阈值以下。为了使所产生的非凸问题易于处理，我们利用连续 SVC 函数的空间对称性并离散化旁瓣区域，从而将空间极小极大目标转换为有限的约束集。同时，LB 约束等效地重新表述为 MA 位置上的空间方差约束。基于这些变换，我们在交替优化 (AO) 框架内开发了连续凸逼近 (SCA) 算法，以迭代优化水平和垂直 MA 坐标。

实时无线边缘推理容易受到计算落后和数据包擦除的影响，而最大距离可分离（MDS）编码计算可能会导致模型准备延迟。我们提出反向、重复和流（RRS），这是一种无速率架构，结合了成对未编码复制、反向执行和因果随机线性流，无需代数模型预编码。我们考虑匹配的系统 MDS 基准，并开发一个统一的端到端 (E2E) 延迟框架，该框架考虑异构本地计算、MDS 模型预编码、RRS 数据包编码、擦除下的异构无线数据包服务和终端解码。我们的结果表明，RRS 非常适合频繁模型更新或有限模型重用的动态边缘推理。

本文提出了一种针对多个阶段的多个目标的渐进式贝叶斯多输入多输出（MIMO）传感框架。我们考虑一个实际但具有挑战性的场景，其中目标的角度未知并且需要估计随机参数，而目标的反射系数是未知的干扰参数。通过目标角度的初始先验概率密度函数（PDF），我们逐步将每个传感阶段的先验概率密度函数更新为前一阶段获得的后验概率密度函数，在此基础上执行贝叶斯发射波束成形优化，以最小化估计目标角度时的后验 Cram\'{e}r-Rao 界限（PCRB）总和，并在该阶段的新观测值的帮助下执行贝叶斯传感。为了以低复杂度分析表征棘手的高维后验概率密度函数，我们提出了一种基于变分贝叶斯推理的方法，该方法导出封闭形式的代理后验概率密度函数，其复杂度仅与目标数量有关，这与现有的指数复杂度的数值计算方法形成鲜明对比。数值结果验证了我们提出的框架在逐步完善传感性能方面的有效性。

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%。

本文解决了基于深度学习 (DL) 的到达方向 (DOA) 估计的网格量化误差。基于分类的 DOA 方法将连续角度空间离散化为网格，因此使用基于峰值的读出时，精度和分辨率受到网格步长和标签峰值宽度的限制。为了解决这个问题，我们提出了一个 sigmoid 标签，将源的 DOA 编码为角移单调 sigmoid 函数的总和。对使用 sigmoid 标签训练的 CNN-Transformer 网络的输出进行微分会在源 DOA 处产生尖锐的光谱峰值。结合 0.25 度的适度细化网格步长，具有所提出的 sigmoid 标签的 CNN-Transformer 获得了亚度精度和 1 度分辨率，突破了网格量化误差的限制。在统一的 CNN-Transformer 主干下，我们将所提出的 Sigmoid 标签与高斯标签、0-1 硬标签和二元交叉熵 (BCE) 基线进行比较。数值结果表明，与其他标签相比，Sigmoid 标签具有最高的准确度和卓越的分辨率。

收缩天线 (PA) 是一种集成介电粒子的柔性波导，可智能地重建视距通道。 PA系统（PASS）利用其几何确定性模型和米级重构，应用于上行室内定位。在这封信中，首次提出了PASS的上行定位系统模型。基于接收信号强度指示器（RSSI），设计了针对独特的一维单波导结构量身定制的PASS专用加权最小二乘（WLS）算法。为了获得更深入的见解，我们对定位误差和延迟进行了分析。仿真结果表明： i) 波导上更多的 PA 可以提高高信噪比条件下的定位精度和鲁棒性，但随着 PA 数量的增加，性能增益变得微乎其微。 ii) PA 之间和附近的用户位置可产生卓越的定位精度。 iii) 所提出的 WLS 算法提供了定位精度和复杂性之间的权衡。

准确且低延迟的信道估计对于现代 MIMO 系统至关重要，特别是在移动性下，信道表现出结构化稀疏性和强时间相关性。本文提出了一种用于信道估计的时间序列条件扩散框架，该框架在角域中执行去噪。从最小二乘（LS）观测开始，我们训练一个扩散降噪器，其调节信息由长短期记忆（LSTM）网络在短观测序列上编码，使模型能够利用超出每个快照估计的时间动态。为了在较宽的信噪比 (SNR) 范围内稳健地平衡观察保真度和学习的生成先验，我们引入了一种可学习的 SNR 门控后期融合捷径，该捷径通过具有可训练中心和尺度的 sigmoid 门将网络输入注入最终解码阶段。为了减少推理延迟，我们采用确定性去噪扩散隐式模型（DDIM）风格的反向更新，并具有信噪比自适应截断和步骤分配，这显着减少了高信噪比下的反向扩散步骤数，同时在低信噪比下保持了强劲的性能。对随时间演化的标准化信道模型的仿真表明，所提出的方法在现有基于扩散的信道估计基线上实现了一致的性能增益，同时通过 SNR 自适应推理保持低延迟。

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。

移动扩张阵列 (MDA) 可以增加均匀自由度 (uDOF)，同时减轻相互耦合，但其性能容易受到未知增益和相位误差 (GPE) 的影响。为了解决这个问题，我们研究了 GPE 未知的 MDA 的自校准到达方向 (DOA) 估计。首先，将多位置观测进行相位对准，构建具有放大孔径的等效虚拟阵列。接下来，利用 GPE 之间的运动引起的关系来建立明确的校准约束。通过利用导向矢量和噪声子空间之间的正交性，DOA 和 GPE 的联合估计被公式化为约束优化问题。为了解决这个问题，开发了两阶段交替优化（AO）算法。在第一阶段，GPE 以封闭形式估计，DOA 固定。在第二阶段，估计的 GPE 用于校准协方差矩阵，然后使用多信号分类 (MUSIC) 算法对 DOA 进行细化。为了获得可靠的初始估计，通过利用两个具有相同 GPE 的平移虚拟子阵列，进一步开发了类旋转不变性 (RIL) 初始化方法。此外，还推导了 Cramer-Rao 界（CRB）来表征所考虑系统的理论性能极限。仿真结果表明，该方法在不同阵列孔径、快照数量、GPE水平和源数量下收敛可靠，实现了准确的DOA估计。

本文介绍了一种用于可重构智能表面（RIS）辅助多输入多输出（MIMO）通信的增强型信道估计方法。考虑到从基站 (BS) 到用户设备 (UE) 的直接链路和通过 RIS 的间接链路的存在，我们制定了一种基于张量的接收器，用于联合直接和间接信道估计，称为 TenDICE 算法。所提出的接收器依赖于接收导频信号的扩展并行因子分析（PARAFAC）张量模型，其中使用简单的交替最小二乘方案来估计所涉及的（直接和间接链路）信道。将所提出的 TenDICE 方法与最先进的最小二乘法 (LS)、Khatri-Rao 分解 (KRF) 方法、增强型三线性交替最小二乘法 (E-TALS) 以及基于归一化均方误差 (NMSE) 和频谱效率 (SE) 的理论 Cram\'er-Rao 下界 (CRLB) 进行比较。所提出的 TenDICE 在估计直接信道时优于 LS 和 E-TALS 方法，并且与 KRF 方法类似。

本文提出了一种仿射频分复用 (AFDM) 辅助的快于奈奎斯特 (FTN) 波形，称为 AFDM-FTN，以提高高移动通信场景中的频谱效率 (SE)。我们首先推导 AFDM-FTN 输入输出关系，并分析 AFDM-FTN 中 FTN 引起的干扰图案。为了解决信道估计挑战，开发了一种基于基扩展模型（BEM）的低复杂度信道估计器。通过利用 AFDM 通道矩阵和 FTN 系数矩阵的内在特征，提出了一种多层消息传递 (MLMP) 算法，该算法利用时域 (TD) 通道和 FTN 系数矩阵的稀疏性，其中置信消息在 TD 通道、FTN 和变换层上迭代传播。在 BEM 辅助信道估计和 MLMP 的基础上，进一步开发了低复杂度联合信道估计和数据检测方案（BEM-MLMP-JCED），以借助传输数据迭代地细化信道估计。最后，分析了BEM-MLMP-JCED的信道估计下界、均方误差（MSE）性能以及计算复杂度。仿真结果表明，所提出的采用 BEM-MLMP-JCED 的 AFDM-FTN 系统可实现与传统 AFDM 相当的 BER，同时与基准接收器相比，提供增强的 SE 并降低复杂性。

在本文中，我们提出了一种新颖的安全无线传输架构，利用多模涡旋波和可编程超表面（PMS），实现空间场调制（SFM）和数字带通调制（DBM）的共存。与传统的联合调制方案不同，我们的方法为不同的功能建立了两个逻辑上独立的传输通道——SFM 和 DBM。具体来说，利用涡旋波模式的正交性来构造高容量的多模式DBM信道，其中每个模式独立地承载调制符号。当复合波形通过 PMS 时，来自不同涡流模式的能量在空间上聚焦到不同的位置，这些位置由 PMS 的重新配置动态确定。这种空间映射形成了一个独特的查找表，对电磁 (EM) 域中的附加信息进行编码，从而有效地启用第二个并发 SFM 通道。为了增强物理层安全性，DBM 通道传输通过与数据包相关的符号域变换生成的加密符号，而相应的密钥信息则由 SFM 通道通过 PMS 控制的空间映射来传送。这种轻量级的共存双通道加密策略提供了强大的保密性，而不需要复杂的联合解码。为了验证所提出架构的可行性，我们设计并实现了概念验证原型，并在现实无线条件下进行实验演示。实验结果证实了共存DBM-SFM设计在实现可靠和安全传输方面的有效性。所提出的架构为未来的物联网网络提供了可扩展、低复杂性且安全的解决方案，特别是在要求频谱效率和物理层机密性的场景中。

三维（3D）高斯喷射（3D-GS）由于其高渲染效率和保真度而成为一种有前景的大规模场景重建技术。然而，无线边缘大规模3D-GS模型的训练面临着各种技术挑战，包括边缘设备上有限的通信、计算和图形处理单元（GPU）内存资源，本地模型之间的结构不一致问题阻碍了它们的有效聚合，以及与原始视觉内容和相机参数相关的隐私泄露风险。为了应对这些挑战，本文提出了一种新颖的资源高效联邦学习框架，用于在严格的资源约束下有效训练大场景的 3D-GS 模型。首先，我们提出了一种设备上模型轻量化机制，自适应选择和修剪高斯点以平衡渲染质量和训练效率。在这种机制中，我们定量评估每个设备上不同高斯点的重要性以促进剪枝，并使用一种新颖的重要性与延迟比标准来确定在GPU内存和计算/通信延迟约束下剪枝的高斯点的数量。此外，我们开发了一种 3D-GS 模型恢复机制，可以在不访问私有相机参数的情况下恢复本地 3D-GS 模型的结构一致性，从而使其能够有效聚合为全局模型。最后，大量实验表明，与最先进的联合 3D-GS 基线相比，我们的方法显着加速了收敛，保持了较高的渲染质量，并减少了训练延迟。

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能力，并且通常会降低非独立和同分布（非 i.i.d.）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，其中服务器使用在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前 N 个特征通道，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具有更大的增益。分区。

未来的低空运输网络 (LATN) 将通过三维 (3D) 结构的空中走廊支持城市空中交通和物流，将空中交通限制在预定义的路径内，以实现安全性、可扩展性和高效处理高密度运营。与地面用户不同，空中用户同时需要用于视频传输服务（例如监控）的高上行链路容量和用于飞行控制命令的低延迟下行链路传输。因此，对上行链路和下行链路性能的联合分析至关重要，但仍然在很大程度上被忽视。因此，本文研究了LATN的联合上行吞吐量和下行链路延迟性能。我们采用连续天线增益模型来准确捕获 3D 波束方向图，并提出有效距离分布框架来解决基站 (BS) 关联和覆盖分析中的挑战。所提出的有效距离解耦了天线角度、连续增益和距离之间的相关性，减少了对仅距离问题的多维耦合，并实现了易于处理的分析。基于该框架，我们推导了联合上行吞吐量和下行延迟的解析表达式。结果表明：（i）所提出的基于有效距离的框架显着降低了计算复杂性； (ii) 揭示了关于 BS 密度、上倾角和波束宽度对联合上下行链路性能的耦合效应和权衡的重要网络设计见解； (iii)存在一个几乎所有服务基站都位于其中的服务区，这意味着运营商只需要调整该区域内的基站的上倾角和波束宽度。

分割联合学习 (SFL) 支持资源受限的边缘设备和计算丰富的服务器之间的协作训练。通信开销是 SFL 的一个核心问题，可以通过辅助网络来缓解。然而，基本的客户端计算挑战仍然存在，因为反向传播需要大量的内存和计算成本，严重限制了边缘设备可以支持的模型规模。为了实现更高效的客户端计算并减少客户端与服务器之间的通信，我们提出了 HERON-SFL，这是一种新颖的混合优化框架，它集成了本地客户端训练的零阶（ZO）优化，同时保留服务器上的一阶（FO）优化。在辅助网络的帮助下，ZO 更新使客户端能够使用每步扰动的仅前向评估来近似局部梯度，从而消除了内存密集型激活缓存并避免了传统训练过程中的显式梯度计算。利用低有效秩假设，我们从理论上证明了 HERON-SFL 的收敛速度与模型维度无关，解决了 ZO 算法常见的关键可扩展性问题。根据经验，在 ResNet 训练和语言模型 (LM) 微调任务中，HERON-SFL 可以达到基准精度，同时将客户端峰值内存降低高达 64%，每步客户端计算成本降低高达 33%，从而大大扩展了可以在资源有限的设备上训练或调整的模型范围。

我们描述了一种选择载波波形正交基的通用方法，该方法使基与无线信道的延迟/多普勒特性对齐。我们表明，我们的方法可以实现两个实际感兴趣的通道的低复杂度均衡。第一个是卫星通信，第二个是从地面站到无人机（UAV）的通信。多普勒补偿后，这两种情况的特点是第一条视距 (LOS) 路径具有零延迟和零多普勒频移，而第二条路径较弱。我们证明我们的方法对于分数延迟和多普勒频移具有鲁棒性。我们考虑通过应用离散仿射傅立叶变换 (GDAFT) 的推广从 Zak-OTFS 载波波形的脉冲基获得的载波波形的正交基。该波形系列包括 AFDM 和针对 6G 提出的其他调制。这些基的区别在于，载波波形是离散延迟和多普勒频移的 Heisenberg-Weyl 群的某些最大交换子群 S 的共同特征向量。我们描述了如何选择 S 来减轻载波之间干扰的破坏性影响。我们用延迟多普勒抽头表示无线信道，并观察到位于 S 内的信道抽头将每个波形乘以复相位。如果所有通道抽头都位于 S 内，则通道将每个波形乘以复相位，并且单抽头均衡器支持可靠通信。这是线性时不变 (LTI) 信道的情况，其中 S 是离散时移组，载波波形是离散音调 (OFDM)。一般来说，我们选择子群S来最大化信道能量的对角分量。

基于学习的无线研究越来越多地将模拟、外部模型训练和基准测试结合起来。为每个实验重建这些阶段非常耗时，而它们之间引入的差异可能会默默地改变比较条件。我们推出了 NOEMA，这是一个开源工具包，可从共享的、机器可检查的无线场景中准备模型开发和基线评估。在同一场景中，NOEMA 可以准备基准测试执行、捕获一致的训练数据并导出可微分组件以进行模型开发。因此，研究人员可以专注于训练和选择模型，然后将所选组件返回到同一受控实验中进行评估。 NOEMA 检查返回的模型，并通过基准测试和报告验证声明的比较条件（包括可用信息、随机条件和故障核算）是否保持一致。包含的代理控制示例将这些合约应用于语言模型管理器，该管理器从历史链接反馈中选择分配策略和功率预算。工作流程检查的所有 43 项回归测试均产生了预期结果，包括拒绝包含已知不一致的所有 31 个案例。单独的保真度测试表明捕获的数据和返回的模型行为得到保留。在 20 次重复正交相移键控相位跟踪研究中，学习接收器与五导频平滑之间的平均误码率差异为 -0.01526（95% 置信区间：-0.01547 至 -0.01506）。因此，NOEMA 既提供了开发学习无线组件的可重用路径，也提供了保持最终比较可检查和可检查的方法。

本文研究中继网络中的语义文本通信。我们提出了两种令牌级语义转发方案：语义有损转发（SLF）和语义预测转发（SPF）。受到最近在大型语言模型（LLM）方面取得的成功的启发，两者都在每个网络节点上利用转换器架构来编码和解码语义信息。在块马尔可夫编码的推动下，我们在中继器上建立了动态​​语义状态，并在接收到新的源信号时进行更新。在SLF中，该状态对接收到的令牌进行解码；在SPF中，它预测下一个源令牌以进行主动转发。将范围扩展到句子级传输，我们引入了语义句子转发（SSF），它传输代表整个消息语义的单个嵌入。 SSF 集成了 SLF 和 SPF 的原理，结合先前解码的上下文来对接收到的源信号进行自回归解码。我们还利用法学硕士提供的功能来评估语义的传达效果。我们引入了支持 GPT 的语义相似度评分，并将其与常用的 BLEU 和 SBERT 语义指标一起使用来评估性能。大量实验表明，所提出的语义转发方案优于传统基线，SSF 通过有效捕获上下文信息进一步改进了 SLF 和 SPF。

利用思想链 (CoT) 推理的基础模型 (FM) 对于下一代边缘智能至关重要，但会产生大量的计算开销。为了解决集中式云推理的延迟和隐私限制，协作边缘推理通过将推理步骤虚拟化为跨异构设备的不同微服务，提供了一种有前景的解决方案。然而，CoT 的生成不确定性和无线信道的波动性对系统的可靠性和效率提出了重大挑战。在本文中，我们提出了一种用于边缘 CoT 推理的鲁棒微服务编排和无线电资源分配框架。为了减轻推理过程中工作负载的非平稳性，开发了面向令牌的 Lyapunov 优化框架来跟踪动态 CoT 工作负载下的顺序能耗。此外，在 R 污染不确定性模型的推动下，我们制定了一个稳健的决策模型来共同平衡延迟和能耗。为了获得无需显式转换内核的可实现调度程序，我们开发了一种基于 SAC 的鲁棒方法，具有 LSE 保守的批评目标，并在规定的假设下为实现的平滑代理建立有限时间平稳性结果。仿真结果表明，所提出的调度器在主要评估中达到了目标平均 J/token，并且相对于所考虑的基准实现了有利的延迟-能量权衡。

语义通信（SC）因其节能、高性能和智能任务执行能力而成为下一代无线网络中一项有前途的技术。最近的研究利用大语言模型（LLM）强大的语义理解和表示能力来增强 SC 的性能。然而，大多数现有工作忽视了边缘设备在执行智能任务时遇到的多样化且复杂的物理环境，这会严重阻碍其在现实场景中的任务执行效率。为了应对这一挑战，我们提出了一种基于LLM的世界知识增强的面向任务的SC，它可以在不损害通用性的情况下提高接收端LLM的下游物理世界推理能力。具体来说，开发了一种知识提取方法来从世界模型中获取不同的具体经验。此外，还设计了多任务正则化微调框架，以提高训练速度并实现LLM的高效持续学习。仿真结果验证了所提出的方案增强了 SC 系统在任务执行中的空间推理能力，并且在各个通道上优于其他基线方法。

多模态荧光和相位成像提供有关生物样品的补充信息。然而，现有的同步荧光相位技术主要以透射模式运行，并且仅限于薄样本，限制了它们在厚组织和体内应用中的使用。尽管多光子显微镜能够实现深层组织荧光成像，但将其与三维折射率 (RI) 成像相结合仍然具有挑战性，因为很少有方法可以在反射模式下以亚细胞分辨率重建大体积、无标记组织的 RI。在这里，我们介绍了荧光照明衍射断层扫描 (FDT)，它可以根据在双光子激发下以反射模式获取的衍射荧光图像重建无标记和荧光标记物体的 3D RI。 FDT 使用强度传输方程和基于显式神经场的自监督神经网络。与最先进的隐式神经场相比，这种方法提高了计算速度、重建精度和可解释性。我们在两种实验方案中演示了 FDT：重建放置在荧光基质上的厚度达 300 μm 的无标记组织的 3D RI，以及使用细胞本身发射的荧光重建荧光标记的 3D 培养细胞的 3D RI，而无需传输侧访问。 FDT 为复杂生物系统中可实现的反射模式多模态荧光相位成像奠定了基础。

随着移动通信跨过5G到6G的门槛，3GPP已进入决定性阶段。继 2026 年 6 月举行的技术规范组 (TSG) 全体会议以及在新加坡举行的相关 6G 研讨会之后，Release-20 研究阶段现已在所有三个 TSG 中顺利进行：无线接入网络 (RAN)、服务和系统方面 (SA) 以及核心网络和终端 (CT)。与此同时，第 21 版第一个 6G 规范规范的时间表也已确定。本文不是提供另一种技术愿景，也不是按时间顺序描述委员会的进展，而是询问第一批商定的 6G 材料告诉我们什么。我们审查服务需求、系统架构、新兴无线电接口、本地人工智能、ISAC、非地面网络 (NTN) 和核心网络协议，追踪每个项目如何从研究项目转向规范。纵观这三个 TSG，该材料还支持七个跨领域的教训：人工智能已从一项功能转变为跨越每个阶段的原始功能，非地面访问已从覆盖层跨越到底层，连接性现在是计算和传感之外的三个目标之一；业界更倾向于可部署性而不是重新设计，频谱访问和站点重用，而不是波形创新，似乎是更严格的约束；标准化针对的是人工智能工作流程而不是人工智能模型，跨供应商的可测试性反复成为技术生存的决定性标准。由于材料跨越了不同的成熟阶段，因此引用的每个项目都标有其在单个快照日期的状态（批准、草案、单独提议或供应商演示），并且课程以作者的综合而非 3GPP 立场的形式提供。我们以 2030 年左右的试验和商业发布之路为结束，并通过这些开放性问题来帮助确定优先顺序。

我们对用于在高移动环境中运行的集成传感和通信 (ISAC) 系统的两种有前景的滤波器组多载波波形进行了比较分析。特别是，我们考虑二维 FFT 预编码滤波器组 (2D-FFT FB) 调制和最近提出的仿射滤波器组调制 (AFBM) 波形，它们利用跨时频、延迟多普勒和仿射域的不同信号表示来提高针对多普勒效应的鲁棒性，每种都会产生不同的特征。一方面，2D-FFT FB 改善了高多普勒条件下的频谱定位，而 AFBM 将基于线性调频的调制与滤波器组处理相结合，以实现低峰均功率比 (PAPR) 和减少带外发射 (OOBE)。这些方案在 OOBE、PAPR 和误码率 (BER) 以及确定性和随机感知符号下的模糊度函数 (AF) 的延迟和多普勒切割方面进行了比较。还包括正交时频空间 (OTFS) 和仿射频分复用 (AFDM) 的结果，以提供额外的比较基础。结果显示了两种基于滤波器组 (FB) 的方案之间的性能权衡，为车辆通信和未来第六代 (6G) 网络等高移动性 ISAC 场景的候选波形提供了见解。

射频 (RF) 发射为跟踪非合作无人机 (UAV) 提供有用的接收信号强度指示器 (RSSI) 和到达角 (AoA) 线索。然而，固定或手动设计的多无人机编队可能会遇到定位几何形状退化、无人机间冲突、通信退化以及杂乱环境中目标遮挡的问题。这封信提出了一种用于射频发射目标跟踪的协作费希尔信息引导编队重构方法。该方法使用源自混合 RSSI-AoA 测量的费舍尔信息矩阵 (FIM) 评估候选编队目标，同时联合考虑视距 (LoS) 可见性、通信质量、避障、无人机间安全性和轨迹连续性。为了加强合作，引入了队友反馈辅助评估机制，无人机交换跟踪反馈，只有当反馈改善联合感知和规划效用时才触发重新规划。然后将选定的编队目标输入到后退地平线规划器中，以生成动态可行且无碰撞的轨迹。仿真结果表明，与固定队形基线相比，该方法的平均射频定位误差降低了53.7%，跟踪成功率达到98.1%。

高频 (HF) 单站定位根据测量的到达方向 (DOA) 和电离层传播模型估计发射器位置。当无法从传统的测向 (DF) 测量中识别传播模式组成时，相同的 DF 观测可能会在不同的传播模式下产生多个物理有效的地面着陆点，从而使位置反演变得模糊。本文提出了一种多模时频信息融合定位方法（MTFIF-L）。MTFIF-L不是先验假设传播模式，而是保留在不同传播模式下生成的有效着陆点，并使用跨时间窗口的重复观测以及多个工作频率（如果可用）来逐步约束最终的候选位置。对四个测量的 HF 链路进行的实验检验了多模候选保留、跨窗口处理和跨频率处理各自的作用。所有四个链接都会产生独特的位置决策。链路 A--C 的相对误差分别为 $1.40\%$、$0.78\%$ 和 $3.41\%$。链路 D 是唯一的单频情况，也从重复的时间观察中产生独特的决策，尽管其定位后误差要大得多。传播路径分析进一步揭示了与测量链路相关的光线追踪路径之间的反射层、跳数、磁离子模式和仰角方面与链路相关的差异。总体而言，结果表明，重复的时间观测可以支持单个频率内的定位，而多频信息提供了针对不可靠的特定频率结果的额外鲁棒性，从而能够在未知和可能共存的传播模式下实现高频单站定位，同时保留可解释的传播信息以供定位后分析。

为了解决多用户多目标 RIS 辅助集成传感和通信 (ISAC) 系统中不完善的信道状态信息 (CSI) 和可重构智能表面 (RIS) 硬件损伤问题，本信提出了一种鲁棒的波束成形设计，可在雷达波束方向图增益约束和每用户服务质量 (QoS) 约束下最大化最坏情况的总速率。具体来说，所考虑的 RIS 硬件损伤被建模为残余相位误差，通过基于 sinc 函数的确定性等效近似来合并，而 CSI 误差则通过最坏情况鲁棒优化来处理。由此产生的非凸问题被重新表述为易于处理的形式，并通过广义 S 过程和交替优化 (AO) 算法来求解。数值结果表明，所提出的设计对于 CSI 不确定性和残余 RIS 相位误差具有鲁棒性，同时保持有利的通信传感权衡。

这封信提出了一种用于空间非平稳超大多输入多输出（XL-MIMO）信道的可见区域（VR）感知安全增量冗余混合自动重复请求（IR-HARQ）框架。噪声感知波束探测过程首先将 Bob 可见的发射子阵列与接收侧 VR 相关联。在每次否定确认之后，Alice 都会调整有源子阵列，同时在固定的总功率约束下通过互补空间支持分配信息和人工噪声功率。在共谋窃听者和最佳能量检测管理员存在的情况下制定了停止时间 IR-HARQ 模型。导出了典狱长误报和漏检概率以及最佳阈值的精确表达式。模拟展示了由此产生的保密性与隐蔽性的权衡以及 VR 感知重传的好处。

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。

无线资源管理 (RRM) 是 6G 无线网络中的一项基本挑战，特别是在动态用户需求、小区间干扰和异构 QoS 限制的情况下。由于缺乏系统范围的状态信息、动态条件和信号延迟，集中式优化解决方案在实践中通常不可行，这使得基于分布式学习的方法颇具吸引力。然而，传统的多智能体强化学习（MARL）在这种高度动态的环境中难以满足可扩展性和约束满足。我们引入了一个可扩展的两阶段混合学习框架来解决 RRM 挑战，其中正交频分复用 (OFDM) 领域知识被明确纳入 MARL 管道中。在我们提出的两阶段学习框架中，第一阶段根据信道统计分配最小资源以满足用户的QoS要求，避免硬QoS约束下训练策略的低效率。随后，在第二阶段采用多代理系统来优化分配剩余资源，以实现系统吞吐量最大化。通过利用结构干扰信息，我们提出了一种可扩展的 MARL 算法，它将原始学习问题分解为可以独立处理的更小的子问题，从而避免动作空间的指数增长而不影响性能。在具有 50MHz 带宽和不同参数的实际场景中进行的广泛模拟表明，我们的方法显着优于现有的优化和学习基线，以最少的资源使用提供高达 40% 的吞吐量改进和 100% 的约束满足。

射频指纹识别 (RFFI) 通过利用接收到的 RF 信号中嵌入的发射器特定硬件损伤来实现设备识别和身份验证。现有的 RFFI 方法通常是针对特定的操作机制而设计的，例如闭集识别、开集识别 (OSR) 或新设备的发现，并且通常将这些任务视为单独的算法组件。在本文中，我们提出了一个整体 RFFI 框架，该框架在单个可扩展架构中联合支持闭集识别、OSR 和新类发现 (NCD)。所提出的方法将 RFFI 表述为学习的潜在特征空间中的矢量量化，其中注册的设备由标记的码字表示。这种表示通过码字分配实现闭集识别，通过码本几何引起的不确定性测量实现 OSR，以及通过使用被拒绝样本的潜在表示和开集不确定性将它们组织成新的设备标识来实现 NCD。我们进一步开发了一个多阶段训练过程，结合了监督表示学习、潜在空间细化、码本初始化和矢量量化感知优化。 LoRa 和 WiFi RFFI 数据集上的实验结果表明，所提出的框架实现了注册设备的准确识别、看不见的发射器的可靠检测以及新设备类别的有效发现和注册，突出了耦合不同 RFFI 任务的好处。

最近推出的正交时延多普勒分复用 (ODDM) 调制在高移动通信方面显示出诱人的潜力。然而，对于具有高维有效信道矩阵的 ODDM 来说，符号检测具有挑战性。此外，物理信道路径的离网时延和多普勒效应引起的扩展效应，削弱了有效信道的稀疏性，进一步增加了符号检测的难度。利用Krylov子空间扩展，本文提出了一种新颖的线性最小均方误差（LMMSE）群有序连续干扰消除（GOSIC）方案，适用于延迟时间（DT）域和延迟多普勒（DD）域的ODDM系统。具体来说，我们提出了一种按组排序的干扰消除方案，其中根据误差矢量幅度（EVM）测量的估计的可靠性来检测和消除传输的符号。同时，我们使用低复杂度的Krylov子空间方法进一步逼近GOSIC不同阶段的LMMSE估计器，以从时域或DD域接收符号中检测DD域发送符号。我们表明，DT 域和 DD 域实现具有不同的计算特性，由于时域信道矩阵更稀疏，DT 域实现通常表现出较低的复杂性。此外，所提出的检测器可以通过参数调整来调整其性能和复杂性。仿真结果表明，所提出的 GOSIC 检测器在完美和不完美的信道状态信息（CSI）条件下都在检测性能和计算复杂度之间提供了良好的权衡。

来自低地球轨道 (LEO) 卫星的时变聚合干扰对地面网络 (TN) 保护提出了挑战，而保守的控制会降低 LEO 服务质量 (QoS)。这封信提出了一个分层框架，将基于几何的干扰估计、QoS 约束的功率控制、自适应能量检测、大语言模型 (LLM) 辅助的候选排序、保持或切换决策和目标频段选择与确定性验证相结合。仅当频谱空洞和功率可行性条件均成立时，才会保留当前频段，并定期重新评估。在 0.5 秒采样的 300 秒范围内，所提出的方法可保持总 INR 不超过 $-12.2$~dB 阈值，并实现时间平均 LEO 链路速率 $320.97$~Mbps 和 $100\%$ QoS 满意度。在共同保护 TN 和保持 LEO QoS 方面，它的性能明显优于纯电源和卫星静音。

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。

这项工作提出了基于格拉斯曼信令的非相干多输入多输出 (MIMO) 系统的原型实现，其中发射器和接收器都不需要信道状态信息 (CSI)，在 6G 设想的频率范围 3 (FR3) 上中频带内的 15 GHz 载波频率下运行。据我们所知，这是文献中报道的 6 GHz 以下频段之外的第一个格拉斯曼信令原型实现。我们确定了在该频段应用格拉斯曼信令（一种统一空时调制 (USTM) 形式）的动机，适用于频谱效率要求较低但可靠性和功率效率要求严格的无线和移动应用。考虑到这一想法，我们提出了一种与正交频分复用 (OFDM) 集成的系统设计，可解决与 FR3 较高载波频率相关的挑战，同时在各种场景（包括城市和乡村环境以及车辆通信）中提供可靠的操作。然后，我们展示了所提议设计的原型实现，该设计基于集成了射频 (RF) 混频器、滤波器和功率放大器的软件定义无线电 (SDR) 设备，以确保在目标频段内充分运行。基于非视距 (NLoS) 和视距 (LoS) 场景下以及不同数据速率下的符号错误率 (SER) 测量的无线 (OTA) 实验显示与软件模拟具有良好的一致性，从而验证了原型的实现。

本文提出了可变块相关模型（VBCM）下流体天线系统（FAS）辅助短包通信的综合物理层安全（PLS）框架。我们考虑下行链路窃听场景，其中基站在窃听者用户 (EU) 存在的情况下向合法接收器用户 (RU) 传输机密短数据包，其中 RU 和 EU 都配备了流体天线。与依赖恒定块相关模型或无限块长度假设的现有 FAS 安全分析不同，我们采用 VBCM 来准确捕获实际 FAS 部署中固有的非均匀空间相关结构。通过采用解码错误概率和高斯-切比雪夫求积的分段线性近似，我们推导出平均可实现保密吞吐量（AAST）的半解析和渐近表达式。我们进一步证明渐进AAST在RU端口数量上是单调非递减的，这将发射功率、块长度和端口数量的三维联合优化简化为二维网格搜索（GS）和梯度下降（GD）方法。与代表性的恒定块相关 FAS 基准相比，所提出的 VBCM 框架在合法链路 SNR 为 20 dB 时将 AAST 提高了 19.8%–43.5%，窃听者 SNR 从 4 dB 提高到 15 dB。数值结果进一步表明，块长度选择是联合优化中最关键的设计参数。

在边缘云推测解码（SD）中，边缘侧小语言模型（SLM）生成草稿令牌，然后由云侧大语言模型（LLM）并行验证以加速推理。然而，现有的边缘云SD方案通常依赖于单链起草，其中拒绝早期草案令牌会阻止后续令牌在同一轮验证中被接受，从而导致令牌吞吐量降低。为了解决这个限制，我们提出了 RelayTree，一种用于边缘云 LLM 推理的基于中继辅助树的 SD 框架。 RelayTree不是发送单个令牌序列进行验证，而是构建量化的多分支草案树，使云端LLM能够在每一轮中验证多个候选序列，同时保留原始LLM分布。为了减少草案树的上行传输开销，我们进一步引入了深度分割中继机制，将草案树划分为边缘生成的前缀子树和云生成的后缀子树，从而显着提高通信效率。仿真结果表明，与现有的边缘云 SD 方法相比，RelayTree 提高了令牌吞吐量，同时在上行链路传输开销和云端计算之间实现了有利的权衡。

语义和太赫兹 (THz) 频段通信是未来无线网络的算法和频谱推动者。这项工作研究了太赫兹信道上基于深度学习的语义通信（DeepSC）。我们表明，当应用接收器端补偿时，仅在加性高斯白噪声下训练的 DeepSC 模型可以很好地推广到测试的太赫兹块通道和快衰落通道。为了实现完全数据驱动的接收，我们提出了一种不需要通道状态信息（CSI）的轻量级神经检测器。在 0.3 美元太赫兹的频率下，DeepSC 的信噪比 (SNR) 超过 0\!-\!12$ dB，优于吞吐量匹配的传统编码通信系统基线，双语评估学生一元语法 (BLEU-1) 得分高出 50 美元以上百分点。所提出的无导频检测器在完美和不完美 CSI 的情况下都优于最小均方误差 (MMSE) 均衡，并且对高达 50 MHz 的频率偏移保持鲁棒性，突出了语义通信对太赫兹信道损伤的恢复能力。

在这封信中，我们提出了一种用于预编码码本的稀疏化方法，该方法可以降低峰均功率比（PAPR），同时保留可实现的速率。通过利用预编码器矩阵位于格拉斯曼流形上的事实，我们提出了一个码本设计问题，该问题可以在不修改现有反馈机制的情况下实现稀疏化。我们开发了两种稀疏化方法，即通过酉变换的精确稀疏化和通过稀疏主成分分析的近似稀疏化，并将它们集成到统一的设计算法中。所提出的稀疏码本的性能损失可以忽略不计，同时在上行链路场景中将 PAPR 降低超过 1 dB。

对于带宽有限的衰落信道上资源受限的无线边缘设备，使用传统单独编码的无线图像传输会遭受悬崖效应崩溃。基于卷积神经网络的流行深度联合源通道编码（JSCC）可以缓解这个问题，但通常无法保留补丁级结构，从而阻止自适应每个令牌功率分配并限制超分辨率（SR）的令牌域补偿。为了应对这些挑战，我们提出了带有 SR 的代币通信框架（TokenComSR）。具体来说，我们设想了一个任务敏感的功率分配（TSPA）模块和一个信噪比（SNR）条件的令牌细化模块（TRM）。 TSPA 将任务敏感性的训练估计提炼为推理令牌功率权重，而 TRM 估计 SNR 条件残差，以在解码之前纠正令牌域中通道引起的失真。所提出的 TokenComSR 以 TSPA 和 TRM 为基础，将基于 Swin Transformer 的令牌收发器与接收器侧 SR 模块配对，用于资源受限的无线图像传输。仿真结果证实了所提出的 TSPA 和 TRM 的有效性，证明了在重建保真度和感知质量方面相对于单独编码和 JSCC-SR 基线的改进。

基于学习的语义通信很容易受到语义编码之前或通过无线信道引入的对抗性扰动的影响。本文提出了 TwinViT-DeepJSCC，一种在固定通道使用预算下运行的预防性纠正语义图像收发器。两个基于 Vision Transformer (ViT) 的深度联合源通道编码 (DeepJSCC) 分支学习受敏感度感知掩蔽保护的互补潜在表示。在接收器处，置信感知融合、盲损坏严重性估计和信噪比 (SNR) 严重性条件去噪扩散隐式模型 (DDIM) 净化可减轻残留损坏，而无需攻击元数据。加拿大高级研究所 100 级 (CIFAR-100) 数据集上的实验考虑了快速梯度符号法 (FGSM)、投影梯度下降 (PGD)、自然进化策略 (NES) 和 Carlini-Wagner (CW) 源域攻击，以及加性高斯白噪声 (AWGN) 和块平坦瑞利衰落上的随机干扰和信道感知对抗波形。在匹配的信道使用和攻击预算下，TwinViT-DeepJSCC 在 20 步 PGD 下实现了约 9.5 dB 的最大峰值信噪比 (PSNR) 增益，在块平坦瑞利衰落的信道感知波形攻击下实现了 10.8 dB 的最大峰值信噪比 (PSNR) 增益。在 PGD 下，它还可以将 Top-1 的准确率比无防守的基线提高约 38 个百分点，比最强的竞争防守提高 13 个百分点。消融结果证实了所提出的发射器侧和接收器侧机制的互补贡献。

水下无线光通信 (UWOC) 为自主水下航行器 (AUV) 提供必要的高数据速率，但可靠的连接会受到发射器-接收器未对准的严重影响。这项工作通过深度强化学习 (DRL) 框架解决了受未知洋流影响的移动 AUV 的光束指向问题。我们开发了一个综合的 3D UWOC 通道模型，结合了深度相关的衰减、湍流和离散射线方法，以准确量化几何和失准损失。由此产生的代理联合优化波束转向和发散角，学习优先考虑连续链路维护的策略。使用真实的海洋学数据进行评估，该框架的性能通过过度中断指标进行评估，该指标隔离了仅由于指向错误而发生的中断。相对于节点之间的完美对齐，所提出的方法在无洋流跟踪条件下将该指标限制为 8.5%，而在受到电流引起的漂移时将该指标限制为 16.2%。这项工作中获得的结果证实，支持 DRL 的波束控制能够在动态水下环境中进行自适应跟踪并减轻链路中断。

本文建立了一种自可持续双功能智能反射表面（S-DF-IRS）辅助的集成传感、通信和电力传输（ISCPT）系统，该系统协同结合了目标传感、用户通信和无线能量收集。与现有研究不同，我们对三种基本操作模式进行了系统的比较研究：功率分割（PS）、时间分割（TS）和元素分割（ES）。我们的目标是在受到实际限制的情况下，最大化感知互信息和通信速率的加权和。为此，我们开发了统一的优化框架和基于交替优化的高效迭代算法，集成逐次凸逼近和半定松弛来联合优化主动和被动波束形成以及特定于模式的参数。广泛的仿真表明，所提出的硬件架构比非传感 S-IRS 基线实现了显着的性能提升，PS 方案提高了 34.4%，TS 方案提高了 32.7%，ES 方案提高了 31.2%。在三种模式中，ES 始终提供最佳性能，其次是 PS，然后是 TS。此外，优化后的 PS 策略比固定比例 PS 的性能提升高达 11.2%，凸显了动态资源分配的重要性。研究还表明，ES 的性能优于 MRT 和 MRC 策略，并且更多数量的反射元件进一步增强了系统性能。这些发现为下一代 IRS 辅助 ISCPT 系统的设计提供了实用指南。

本文提出了一种适用于低空无线网络 (LAWN) 的非正交多址 (NOMA) 集成传感和通信 (ISAC) 框架，其中空中接入点同时为地面用户提供服务并感知空中目标。为了提高通信效率和感知可靠性，提出了一种基于匹配的用户目标配对（MUTP）方案，其中强和弱信道NOMA用户首先被配对成NOMA组，然后根据感知感知配对标准分配给感知目标。此外，还开发了自适应功率分配（APA）策略来平衡通信服务质量要求和目标检测性能。将所提出的 MUTP-APA 方案与固定功率分配和 APA 下的固定贪婪配对、穷举搜索配对和传统 ISAC 基准方案进行比较。仿真结果表明，与传统 ISAC 和 NOMA-ISAC LAWN 中的固定配对基线相比，我们提出的方案实现了更高的总和率、改进的最差目标检测概率以及更低的通信和传感中断概率。此外，所提出的方法非常接近穷举搜索基准，同时避免了高计算复杂性。

时间调制智能反射表面 (TM-IRS) 通过在设计的时刻和持续时间打开和关闭其元件来实现定向调制，从而使不失真的信号到达目标用户，同时在其他地方显得混乱。我们提出了一种基于流匹配（FM）的生成框架，该框架设计这些参数以同时实现强加扰和可靠接收。对于正交频分复用（OFDM）信号，我们引入了一种基于物理的奖励，可以最大化合法用户响应的零空间中辐射的时间调制谐波能量，并受到最小每子载波信号与干扰加噪声比（SINR）的影响，而无需了解对手的方向。与先前按顺序分配离散参数的生成流网络 (GFlowNet) 方法不同，FM 模型联合生成完整的连续配置，将生成深度与元素数量解耦并加速训练。它还学习可以重新采样以改变加扰模式的配置分布。数值结果表明，与 GFlowNet 基线相比，所提出的方法将 $3{\times}3$ 到 $12{\times}12$ 表面的训练损失接近饱和的时间平均减少了 $99.4\%$，获得了更高的最终奖励，扩展到 $80{\times}80$，并将低符号错误区域更紧密地限制在​​合法用户周围。

无线信道的广播性质使得语义通信容易被窃听。现有的防御机制通常会导致合法用户的性能严重下降。为了解决这个限制，本文提出了一种利用语义蜜点机制的安全语义通信框架。通过在训练期间将蜜点嵌入到模型中，所提出的框架故意扰乱窃听者的重建过程。此外，从信息论的角度，建立了严格的安全理论框架。 AWGN 和瑞利衰落信道上的实验结果表明，所提出的方法有效地防止了隐私泄露，并且合法用户的传输效用仅略有下降。

本文研究集成传感和通信 (ISAC) 的波形级安全性。我们不依赖空间波束形成或功率分配，而是使用相位键和应用于傅里叶曲线星座的切线人工噪声 (AN) 随机化传感波形本身。协调的合法节点知道密钥并恢复传感参考，而 Eve 仅观察到随机波形，无法构建正确的相干匹配参考。我们考虑安装在无人机 (UAV) 上的 Eve，具有占主导地位的视距 (LOS) 链路，充分利用有利的几何形状，包括旁路场景，其中 Eve 监听直接侧和回声侧以规避我们的设计。我们进一步考虑一个更强的 Eve，尝试从长期观察中进行相位关键重建；即便如此，残余密钥不匹配会在结构上降低相关性和 AN 消除，而准确的密钥恢复会导致较高的计算复杂度。数值结果表明，所提出的设计降低了 Eve 使用非相干检测检测到传感参考的概率，并且在旁路情况下，大大抑制了她的正确延迟锁定概率，而合法接收器通过回波累积可靠地锁定到参考。

在带宽有限的无线网络上进行高保真人工智能生成内容 (AIGC) 图像传输仍然具有挑战性。为了解决这个问题，本文提出了一种基于扩散自动编码器的语义传输方案，该方案明确地利用互补语义表示和随机变化进行无线图像重建。语义表示为基于去噪扩散隐式模型（DDIM）的重建提供了条件指导，而随机变化则保留了细粒度的细节。在加性高斯白噪声 (AWGN) 和瑞利通道下对 CelebA-HQ 和 COCO 数据集进行的实验表明，所提出的方法始终优于基线方案。在 AWGN 信道下 5 dB 信噪比 (SNR) 下的 CelebA-HQ 数据集上，所提出的方法比基线方案实现至少 4.7 dB 峰值信噪比 (PSNR) 和 6.8 dB 多尺度结构相似性 (MS-SSIM) 增益。

在开放场景中，未标记的样本可能属于已知类别和未知类别。因此，实用的特定发射体识别（SEI）方法应该能够从此类未标记的数据中发现新的类别。为此，我们提出了一个半监督原型对比学习框架，称为 SemiPC，它在统一的潜在空间中对已知类和新类进行联合建模，以平衡它们之间的性能。实验结果表明，SemiPC 在 WiSig 数据集上实现了 97.91% 的总体准确率和 96.99% 的新颖类准确率，优于现有方法。

这封信研究了在有限块长度（FBL）机制下运行的多用户无线网络中的信息年龄（AoI）最小化，这对于短状态更新数据包的低延迟传输至关重要。虽然速率分割多址 (RSMA) 为多用户 FBL 系统中的干扰管理提供了强大且灵活的框架，但为了保证信息新鲜度而对其参数（例如预编码向量、功率分配和速率分割比）进行联合优化会导致分析上难以处理的复杂性。为了应对这一挑战，我们提出了一个演员-评论家深度强化学习（DRL）框架来学习多用户多输入单输出（MU-MISO）广播频道中的动态资源分配策略。仿真结果表明，所提出的 RSMA-RL 框架的 AoI 始终低于最先进的基准，在低信噪比 (SNR) 和短块长度下观察到显着增益，同时通过执行时的单个神经网络前向传递，在高 SNR 下匹配基准性能，并显着降低在线复杂性。

语义通信作为第六代无线网络与人工智能的交叉点，受到了广泛关注。尽管现有的基于 Transformer 的架构可以实现较高的图像重建质量，但其大量的计算开销仍然是一个严峻的挑战。为了解决这个问题，提出了一种面向通信的 JSCC 模型，该模型利用 Outlook 注意力来捕获局部细节，并利用 Transformer 自注意力来建模全局语义依赖关系。同时，引入语义感知自适应调制和速率自适应特征选择，分别根据信噪比（SNR）和信道带宽比（CBR）调整传输表示，并将选定的信道掩码作为压缩辅助信息传输，以解决信道位置模糊性。实验结果表明，所提出的模型实现了 26dB 以上的峰值 SNR，并且在低 SNR 下优于基于 Transformer 的基线。此外，与 Transformer 基线相比，它的参数数量和推理时间分别减少了 37% 和 33%。这些结果表明，将局部注意力分配给早期阶段，将全局注意力分配给后期阶段可以降低复杂性，同时保持重建质量。

受新兴任务关键型应用和日益拥挤的频谱的推动，我们开发了一种用于动态频谱访问的去中心化多智能体强化学习（MARL）模型。该模型使次要用户能够学习跨共享频段的有效传输策略，同时最大限度地减少与高优先级主要用户以及它们之间的冲突。我们按照马尔可夫势博弈方法设计代理级学习器，将独立的本地更新与系统级改进联系起来。我们使用适合资源受限边缘设备的轻量级线性演员批评学习器来实例化此设计，而不是计算密集型集中式或深度多智能体架构。在具有不同现有活动的频谱环境中，学习的策略会调整其传输策略和等待行为以保持吞吐量，同时相对于随机和预测感知的启发式基线大大减少传输冲突。结果确定了去中心化 MARL 的价值，并显示总体碰撞次数减少了 96.8%。

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。

在第六代（6G）网络中，支持超可靠低时延通信（URLLC）服务对可靠性、时延和高效的资源利用提出了严格的要求。由于其在覆盖范围和带宽可用性之间的有利权衡，中上频带（FR3）频谱已成为一个有前途的候选频谱。然而，由于干扰和传播损伤，在密集部署中实现高可靠性仍然具有挑战性。为了应对这些挑战，本文研究了在 FR3 频段运行的可重构智能表面 (RIS) 辅助网络。我们制定了联合发射功率分配和用户设备 (UE)-RIS 关联问题，以在有限块长度约束下最大化网络可靠性。由于干扰耦合和二元关联变量，所产生的问题是非凸的和组合的。为了有效地解决这个问题，我们提出了一种多阶段资源分配框架，该框架将基于逐次凸近似（SCA）的功率优化方案与基于匹配理论的UE-RIS关联算法相结合。仿真结果表明，所提出的方案优于贪婪和随机基线，并实现了接近穷举搜索方案的接近最优性能。

准确的流量矩阵估计对于软件定义星地一体化网络的网络管理至关重要。然而，直接测量起始-目的地（OD）流量的成本很高，并且动态路由使得路由矩阵不可靠。本文提出了一种鲁棒的时空混合 (RSTH) 框架，用于根据路由不确定性下的链路负载测量来估计 OD 流量。 RSTH 将混合时间编码器与四个互补的 OD 流视图和视图门融合机制相结合。对现实世界流量数据的实验表明，RSTH 在确定性和动态路由场景下始终优于基线方法。与次优基线相比，RSTH在确定性路由下将归一化平均绝对误差和归一化均方根误差分别降低了1.54%和6.46%。在动态路由下，相应的减少量为2.63%和9.15%。

可移动天线 (MA) 通过在有限传输区域内实现天线位置重新配置，为安全无线传输提供了新的空间自由度。通过适当调整 MA 位置，发射机可以增强合法通道，同时抑制窃听链路。然而，安全MA定位是一个具有挑战性的组合问题，当天线、用户、窃听者或候选网格点的数量增加时，在线搜索的复杂性可能会变得令人望而却步。本文提出了一种学习辅助的 MA 定位框架，用于在存在多个被动窃听者的情况下实现低复杂度安全多用户下行链路传输。通过共同考虑总保密率、最小用户保密率和保密不足惩罚来制定边缘感知保密效用。为了减轻在线定位负担，开发了一种师生局部抛光定位（TS-LP）方法。教师是基于搜索的优化器的离线集合，而不是神经网络，它生成实用程序感知的软标签，这些标签被提炼成轻量级在线学生网络，预测紧凑的候选区域。然后应用可行性预测、边缘感知保密筛选和局部抛光来获得有效且高质量的 MA 布局。仿真结果表明，TS-LP保留了高预算搜索参考的88%的总保密率，在线客观评估减少了五倍以上，同时比传统的中低复杂度基准方案提供了更高的保密率和更低的中断概率。此外，在 $\tau =0.2$ 或使用 2 位窃听者通道状态信息量化时，TS-LP 损失的总保密率不到 2%。