面向工业互联网的语义编码传输方法及应用

通过将语义通信技术引入工业网络,构建了一个面向工业互联网的语义编码传输系统。系统中设计了语义编解码器以提取信源中的语义信息,相对于传统通信系统,基于语义信息的通信有更高的信息压缩效率与更高的符号差错容忍能力。同时引入信源信道联合编解码器,以信源信道联合编码的方式将语义信息转化为信道符号传输,进一步提升系统对工业网络通信资源的利用效率。所有编解码器均构建在深度神经网络架构Transformer上,确保了编解码器对语义信息的理解能力及系统的泛化能力。在工业药品生产场景中,对该系统进行测试,结果显示:相较于传统通信方案,该语义编码传输系统在图像重建质量和传输处理速度方面均有显著提升。且系统对下游任务的性能影响极小,保证了工业生产中如缺陷检测等关键任务的准确性。

水下舰艇扩频通信体制研究

水下舰艇通信采用的水声通信方式在长距离传输中信号衰减严重,且因为隐蔽性需求信号功率受限,叠加受到多径干扰和海洋背景噪声干扰,通信误码率较高。为此,提出水下舰艇扩频通信体制研究。设计扩频通信体制,利用扩频通信体制拓宽传输带宽,提升远距离衰减下的通信信噪比;采用类白噪声的伪随机码m序列和OPS序列作为扩频码组建编码序列集,解决白噪声干扰、多径干扰和码分多址的问题。测试结果表明:同等条件下,采用m序列的扩频通信结果更优,可以实现-25 dB下误码率低于1%的可靠通信。经过该方法调制后,剔除了噪声干扰和多径干扰,增强了衰减的高频信号,解决了水下通信远距离衰减、多径干扰、背景噪声干扰等问题。

面向DAG任务的分布式智能计算卸载和服务缓存联合优化

建立了一种有向无环图(DAG,directed acyclic graph)任务卸载和资源优化问题,旨在应用最大可容忍时延等约束实现系统能耗最小化。考虑到网络中计算请求高度动态、完整的系统状态信息难以获取等因素,最后使用多智能体深度确定性策略梯度(MADDPG,multi-agent deep deterministic policy gradient)算法来探寻最优的策略。相比于现有的任务卸载算法,MADDPG算法能够降低14.2%至40.8%的系统平均能耗,并且本地缓存命中率提高3.7%至4.1%。

超大规模太赫兹系统深度学习信道估计算法

为了进一步提升THz超大规模MIMO系统混合场信道估计性能,基于不动点网络(FPN)引入了一种基于跨通道信息交互的Transformer注意力机制模块与快速傅里叶变换卷积网络(FCN),提出了一种基于图像恢复网络的信道估计算法FPN-OTFN,将信道估计问题建模为图像恢复问题。在导频处采用最小二乘算法获得初始信道信息,并将其作为所提FPN-OTFN算法的输入,通过训练学习低精度信道图像和高精度图像间的映射关系,恢复出真实的信道状态信息。仿真实验结果表明,所提算法不仅继承了FPN框架的高效性、自适应性,同时对THz信道拥有较高的估计精度和良好的鲁棒性。

考虑发射时隙的可见光通信差分脉冲位置调制

在可见光通信系统中,若脉冲信号出现问题,会导致信号失真和码间干扰,严重影响光通信系统的通信质量。传统的差分脉冲位置调制方法没有充分考虑发射时隙和信道特性对脉冲位置的影响,从而导致解调时的误差和性能下降。提出考虑发射时隙的可见光通信差分脉冲位置调制方法。基于可见光通信模型,选择链路中漫反射传输类型,获取通信系统的脉冲信号响应关系。基于响应关系确定脉冲延迟影响因素,对标链路中脉冲延迟与发射时隙的频率关系,参考上下边界理论,计算差分脉冲位置调制边界范围。根据调制边界,考虑信道脉冲发射时隙,确定差分脉冲位置调制方程,实现可见光通信差分脉冲位置调制方法设计。实验结果表明:以可见光通信系统中不同传输路径为测试对象,当路径出现脉冲延迟时,所研究方法可以保证较低的带宽-功率指数,稳定地实现通信系统的脉冲调制,以此降低路径中的传输误码率。

多模式选择的OFDM索引调制传输方案

针对基于索引调制的正交频分复用(OFDM-IM)技术在索引信息受限于载波激活模式数量和单一信号星座模式的问题,提出一种多模式选择的OFDM索引调制传输方案。该方案通过设计可区分的信号星座,使得模式组内和模式组间相邻星座点之间的欧氏距离相等,从而提升误码率。此外,通过在多模式选择索引调制的索引信息中引入全子载波激活模式,显著提升系统的频谱效率。同时,由于所提方案的子载波激活模式与二进制数字相匹配,系统能够采用低复杂度的对数似然比检测算法,并保持良好的误码率性能。理论分析与仿真结果表明,在加性白高斯噪声信道和瑞利衰落信道下,相较于OFDM-IM、OFDM-SSIM和MMS-OFDM-IM传输方案,所提方案有效提升了频谱效率且保持了良好的误码率。

多叠加导频OTFS系统低峰均比信道估计

针对现有信道估计方案导致正交时频空间(Orthogonal Time Frequency Space,OTFS)调制系统峰均功率比(Peak-to-Average Power Ratio,PAPR)高或频谱效率(Spectral Efficiency,SE)低的问题,提出一种多叠加导频的低PAPR、高SE信道估计方法。发送端利用时域正交性和离散傅里叶域相位的随机性,在时延多普勒域中嵌入与数据相叠加的5导频符号的导频图案实现低PAPR,提高SE。接收端以数据符号与噪声之和的能量均值为基准,实现导频信号检测,同时根据每个导频的不同位置信息恢复出存在相位旋转的数据信号。基于能量准则,利用多个独立的接收信号进行联合信道估计,以降低数据符号的干扰,并采用消息传递算法进行数据恢复。仿真结果表明,该方法比单叠加导频信道估计的PAPR低,同时较嵌入式导频信道估计的SE提高约14.4%。

多目标联合优化的车联网动态资源分配算法

为了解决车联网(IoV)信道高动态不确定性及多用户干扰所导致的通信传输性能下降问题,提出了一种基于多智能体增强型双深度Q网络(EDDQN)的多目标联合优化资源分配算法。首先,考虑车辆运动和信道时变特性,建立多用户干扰下频谱共享和功率控制联合优化的资源分配决策模型,在满足时延和可靠性等约束下,最小化网络时延和能耗加权和(成本);然后,将模型转换为马尔可夫决策过程(MDP),利用双深度Q网络(DDQN),并引入优先经验回放和多步学习,通过集中式训练和分布式执行,优化车间(V2V)链路的频谱共享和功率分配策略。结果表明,所提算法具有良好的收敛性,在不同负载下相较对比算法成本减少8%以上,负载传输成功率提升19%以上,有效提高了通信传输性能。

基于改进差分进化的无人机网络安全速率的优化

由于高视距(Line of Sight,LOS)的空对地通信,无人机(Unmanned Aerial Vehicle,UAV)通信网络容易遭受窃听者的截获。为此,针对智能反射面(Intelligent Reflecting Surface,IRS)辅助UAV通信系统,提出基于改进差分进化算法的安全速率优化(Optimal Secrecy Rate Based on Improved Differential Evolution,OSR-IDE)算法,进而提升系统的安全速率。将IRS与UAV结合,提升信号传输质量。OSR-IDE算法联合优化UAV传输的波束赋形(Passive Beamforming,PBF)、IRS相移、IRS和UAV位置来最大化系统的安全速率。建立最大化系统安全速率优化问题模型,利用改进的差分进化算法求解。仿真结果表明,OSR-IDE算法的安全速率优于基准算法。

大规模STAR-RIS辅助的近场ISAC传输方法

同时透射和反射可重构智能表面(STAR-RIS)能够创建全空间智能无线电环境,有效提高无线通信系统性能,具有广阔的研究潜力。因此,该文提出一种大规模STAR-RIS辅助的近场通感一体化(ISAC)方法,并对感知目标3维参数估计的克拉美罗界(CRB)进行优化。首先,搭建近场系统模型,分别推导基站、STAR-RIS、通信用户、感知目标与传感器之间的导向矢量。其次,通过设计基站发射波束成形矩阵、发射信号协方差矩阵和STAR-RIS透射反射系数,实现感知性能最优化。再次,针对非凸优化问题利用半正定松弛方法进行求解。仿真结果表明了所提出ISAC方案的有效性,以及近场额外距离自由度所带来的定位性能优势。

基于改进K-means算法的室内可见光通信O-OFDM系统信道均衡技术

在室内可见光通信中符号间干扰和噪声会严重影响系统性能,K均值(K-means)均衡方法可以抑制光无线信道的影响,但其复杂度较高,且在聚类边界处易出现误判。提出了改进聚类中心点的K-means(Improved Center K-means,IC-Kmeans)算法,通过随机生成足够长的训练序列,然后将训练序列每一簇的均值作为K-means聚类中心,避免了传统K-means反复迭代寻找聚类中心。进一步,提出了基于神经网络的IC-Kmeans(Neural Network Based IC-Kmeans,NNIC-Kmeans)算法,使用反向传播神经网络将接收端二维数据映射至三维空间,以增加不同簇之间混合数据的距离,提高了分类准确性。蒙特卡罗误码率仿真表明,IC-Kmeans均衡和传统K-means算法的误码率性能相当,但可以显著降低复杂度,特别是在信噪比较小时。同时,在室内多径信道模型下,与IC-Kmeans和传统Kmeans均衡相比,NNIC-Kmeans均衡的光正交频分复用系统误码率性能最好。

水声OTFS通信系统的研究现状、挑战与趋势

水声通信作为海洋信息传输的核心技术,广泛应用于海洋探测、海事监管及海底工程等领域。然而,水声信道因双重色散特性而极具挑战性,对系统设计构成重大障碍。尽管正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)技术已在水声通信中得到广泛应用,但其性能仍受限于信道状态估计的准确性。正交时频空(Orthogonal Time Frequency Space, OTFS)调制技术通过将数据转换到时延-多普勒域内传输,能够有效地应对水声信道中的多径效应和多普勒频移,提高通信系统的性能和可靠性。综述了OTFS在水声通信中的关键处理技术,涵盖信道估计、信道均衡及多址接入技术三个核心方面,并从天线拓展、机器学习融合及同步创新等方面探讨了未来发展趋势,同时详细分析了复杂信道环境下的信号检测、计算复杂度与实时性平衡、参数估计准确性及水下环境对数据可靠性的影响面临的技术挑战。

Logistic混沌映射与差分进化改进人工蜂群优化水下定位

水下节点定位时通常采用距离估算法,在节点之间利用点到点的距离来估计或基于角度估计来完成节点定位。然而,这种算法存在较大的定位误差。为了提升定位的精确度,引入了人工蜂群(ABC)优化算法,该算法通过将节点定位结果优化问题转化为对节点目标函数的优化问题,有效地提高了水下节点的定位精度。尽管如此,ABC算法在迭代过程中仍存在收敛速度慢、易陷入局部最优的问题。针对这些问题,提出了一种通过Logistic混沌映射与差分进化改进的人工蜂群优化水下定位算法(improved artificial bee colony optimization underwater localization algorithm by Logistic chaos mapping and differential evolution,LDIABC)。首先,在算法种群初始化阶段,引入了Logistic混沌映射,利用该映射函数产生的混沌序列代替随机数生成器,从而使种群在初始化分布时蜜源位置更均匀,并从理论上证明了Logistic混沌序列的互异性,从而避免由于种群分布过于密集导致算法在迭代过程中陷入局部最优;其次,提出了适应度方差这一标准来验证在算法迭代过程中未陷入局部最优,进一步证明其有效性;然后,在引领蜂搜索阶段,基于差分进化的变异策略,提出了权重因子改进引领蜂邻域搜索方式,提高了引领蜂的全局搜索效率,加快了算法的收敛速度。仿真实验表明,LDIABC算法能够有效避免传统ABC算法收敛速度慢和易陷入局部最优的问题。相较于Tent-IABC算法、ELOABC算法、CODEGWO算法以及SAPSO算法,LDIABC算法在收敛速度和节点定位成功率上均有显著提升,并且优化定位精度分别提升了6.36%、13.33%、14.16%和16.88%。这些结果证明LDIABC算法能够有效提升水下节点定位精度,具有良好的优化效果。

基于双深度Q网络的车联网安全位置路由

作为智能交通系统中的支撑技术,车联网(Internet of Vehicle,IoV)已受到广泛关注。由于IoV网络拓扑结构的动态变化以及灰洞攻击,构建稳定的安全位置路由是一项挑战工作。为此,提出基于双深度Q网络的安全位置路由(Double DQN-based Secure Location Routing,DSLR)。DSLR通过防御灰洞攻击提升消息传递率(Message Delivery Ratio,MDR),并降低消息的传输时延。构建以丢包率和链路连通时间为约束条件的优化问题,利用双深度Q网络算法求解。为了提升DSLR的收敛性,基于连通时间、丢包率和传输时延构建奖励函数,引导智能体选择满足要求的转发节点。采用动态的探索因子机制,平衡探索与利用间的关系,进而加速算法的收敛。仿真结果表明,相比于同类算法,提出的DSLR提升了MDR,减少了传输时延。

基于消息传递的OTFS信号检测算法综述

由于正交时频空(Orthogonal Time Frequency Space, OTFS)调制解决了多普勒频移的影响,能够适应快时变信道下的传输要求,已成为第六代(The Sixth Generation, 6G)移动通信系统中关键候选技术。同时,信号检测对OTFS在信道传输中的性能发挥着重要作用。目前消息传递(Message Passing, MP)算法作为主流的信号检测算法,在OTFS系统中被广泛使用。然而,在实际环境下MP信号检测算法仍面临着诸多技术挑战。首先介绍了OTFS系统的基本原理和信号处理流程,其次对MP算法的信号检测原理进行阐述,然后将MP的优化算法分为4类,分别为近似消息传递(Approximate Message Passing, AMP)算法、高斯近似消息传递(Gaussian Approximate Message Passing, GAMP)算法、正交近似消息传递(Orthogonal Approximate Message Passing, OAMP)算法以及单元近似消息传递(Unitary Approximate Message Passing, UAMP)算法,对各类算法分别概述其原理并进行了分析、归纳和总结,接着对MP及其优化算法面临的技术挑战进行了探讨,最后对其未来的发展趋势进行了展望。

智能反射面辅助的环境反向散射通信系统信道估计算法研究

环境反向散射通信(AmBC)是一种新型的低功耗通信技术,它能利用周围环境中的射频(RF)信号源实现无源信息传输,但由于其存在双重衰落、障碍物阻挡等问题,导致反射链路信号强度弱。为此,该文将智能反射面(IRS)引入到AmBC系统中用以增强反射链路增益。然而,IRS与标签均为无源器件使得信道估计极具挑战性。为此,该文提出了一种IRS辅助的AmBC系统信道估计方案。首先,将信道分解为多个子信道,其中,反射链路的每个子信道对应一个IRS反射单元。然后,将最小二乘(LS)法作为估计准则,以最小化均方误差(MSE)为目标,探索了IRS反射模式与信道估计的联合设计。仿真结果表明,该信道估计方案具有良好的估计性能。

深度学习赋能波束管理:现状、挑战与机遇

随着载波频率的不断提高和大规模天线阵列的广泛部署,基于模拟移相器的波束赋形成为下一代无线通信的标志性技术之一。此时,波束管理被用于获取和维护基站和用户端具有最大接收功率的最优波束对,以保障可靠的无线通信服务。传统波束管理方法往往依赖于海量搜索。同时,传统数学模型无法全面的、准确刻画非线性的波束的内在关联和高维无线环境特征,因而难以取得令人满意的波束增益性能。近年来,得益于深度学习强大的自适应拟合能力,深度学习赋能波束管理得到了国内外广泛关注。本文总结了深度学习赋能波束管理的研究进展,并展望了未来的研究方向。首先,阐述了深度学习应用于波束管理的典型场景和潜在优势;随后,从空/时/频域切入,讨论当前深度学习赋能波束管理的主要研究路线和代表性工作;最后,面向更大规模的无线网络、更多元的波束管理功能和更鲁棒的深度学习模型,阐述未来的研究挑战与机遇。

基于空中计算CoMAC架构的不同计算场景叠加符号判决算法

本文研究不同场景下基于空中计算的多址信道计算(CoMAC)架构的覆盖符号决策算法。首先,从理论上分析了XOR、ADD、MOD三种场景中加性高斯白噪声(AWGN)多址接入信道下叠加符号的概率密度分布,提出了一种基于先验概率的最优门限判决策略。其次,推导了系统最优门限及对应误码率的理论表达式。最后,通过仿真验证了不同信噪比、传感器节点个数及先验概率对于该门限判决方案的鲁棒性和可靠性的影响。与通信计算相分离的传统方案相比,空中计算判决方案具有更好的检测性能,为多址接入信道下的信号识别提供了新的参考方案。

低空移动通信网络组网方案研究

立足典型低空场景的业务需求,分析了5G低空覆盖所需的信号覆盖水平,并基于典型5G中频设备天线性能,参考3GPP推荐的低空传播模型,立体分层地计算分析了典型3扇区基站用于低空覆盖时的信号覆盖水平。评估了各类设备的低空覆盖能力以及适用的部署场景和最佳部署仰角,为5G低空通信网络部署提供了可借鉴的方案。

6G新高频无线接入技术的创新与试验

阐述了太赫兹技术成为6G无线接入关键技术所面临的挑战,详细介绍了解决传统太赫兹技术低谱效、高阻塞、非视距(NLOS)等瓶颈问题的技术方案,包括高谱效大带宽实时通信系统、近场自愈合抗阻塞、超表面非视距覆盖等技术试验的初步结果,以推进太赫兹技术向6G新高频无线接入技术的发展进程。