面向可落地的智能物理层框架与关键技术
杨鲲;向路平;罗程;面向第六代移动通信(Sixth-Generation Mobile Communication, 6G)复杂非线性通信场景，传统物理层面临模型失配瓶颈，而纯数据驱动人工智能(Artificial Intelligence, AI)模型则存在泛化能力脆弱与可解释性缺失等落地痛点。针对上述问题，提出一种基于机理与数据双重驱动的智能物理层框架。该框架将经典通信数学算子，如星座映射与离散傅里叶变换(Discrete Fourier Transform, DFT),重构为算子级神经网络，实现了物理拓扑先验与深度学习(Deep Learning, DL)的有机融合。此外，设计了自适应回滚(rollback)机制以保障极端工况下的鲁棒性，并深入探讨了模块化迁移部署与全链路可微等关键使能技术。论证了该架构在保留系统可解释性的同时，能实现性能的跨越式提升，为未来6G“物理层智能”(AI-native PHY)的工程落地提供了可行范式。
专题:智能无线传输和组网技术与应用
刘丽哲;潘志文;李勇;<正>内容导读随着5G-A、6G等前沿技术蓬勃发展，智能无线传输与组网已成为当下信息通信领域的关键驱动力，传统无线通信依赖固定的无线资源调度和网络配置方式，难以适应未来资源受限下物理层高效传输、超高密集的无线网络、高度异构的大规模节点自主组网的需求，特别是未来新技术的引入，例如6G提出的超大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统、天空地异构网络融合等方面，相较于现有通信系统，复杂度将会有显著增加。
多模态大模型赋能的图像语义传输方法
刘辰尧;樊思琦;余华龙;许文俊;张平;随着具身智能、智能无人系统、虚拟现实等新型应用的快速发展，通信需求正从感知数据的直接传输演进为基于认知的语义智能交互。语义通信通过挖掘信息内涵，在提升传输效率和鲁棒性方面展现出显著优势，大模型技术的快速演进为多模态数据协同理解提供了解决思路。现有多模态大模型(Large Multimodal Model, LMM)已经用于语义信息的精准表达与高效压缩，但针对有噪信道下可靠传输问题的相关研究较为匮乏。针对图像与文本模态传输需求差异，构建了一种LMM赋能的图像语义双层传输框架，实现了图像与文本语义信息的跨模态对齐与高效传输。实例分析表明，该框架在有噪传输条件下，能够显著提升图像重建质量并保持良好的语义一致性。
基于时序图的智能配电通信网智能体实时任务卸载算法
商林江;张才铭;陆禹;朱晓荣;未来电力通信网络将面临海量具身智能体(Embodied Artificial Intelligence Agent, EAI Agent)交互引发的网络拥塞、高资源消耗与任务响应延迟等严峻挑战。在此背景下，多接入边缘计算(Multi-access Edge Computing, MEC)作为关键使能技术，其场景下的实时任务卸载需求变得尤为迫切，但传统方法难以应对智能配电通信网中动态拓扑变化与多智能体协同带来的复杂耦合问题。为此，提出一种基于时序图与图强化学习(Temporal Graph Reinforcement Learning, T-GRL)的实时任务卸载优化框架。该框架以用户终端为中心，核心思路是将多个EAI Agent的网络动态变化情况抽象为图数据，通过构建动态时序图精准刻画配电终端与边缘EAI Agent之间的动态接入关系，进而使T-GRL能够有效识别任务的时序特性、理解时序依赖与演化规律，为实时任务卸载决策提供核心支撑。针对复杂耦合的依赖应用任务，提出了一种基于图神经网络(Graph Neural Network, GNN)的任务卸载机制，通过GNN聚合时序图数据，学习时序图特征向量，推理得到任务卸载决策。T-GRL将GNN与演员-评论家(Actor-Critic)网络相结合，将GNN推理框架构建为Actor网络，并基于经验回放数据训练GNN,通过探索与快速学习更新网络参数以逼近最优解。仿真结果表明，T-GRL在能效成本和任务完成时间方面优于传统方法，在不同情境下，T-GRL的能效成本相比DROO、近端策略优化(Proximal Policy Optimization, PPO)等方法降低约15%～20%。该研究为电力通信网络中多智能体协同任务卸载提供了一种高效、可扩展的解决方案，同时，结合智能配电通信网中巡检终端移动性强、链路状态波动明显、业务任务具有时延敏感与依赖执行等特点，构建了与配电业务相匹配的系统模型和仿真场景，提高了所提方法在电力通信场景中的针对性与工程解释性。
基于AI主动预测的MIMO系统功率分配
李兰兰;提出了一种面向人工智能(Artificial Intelligence, AI)模型的全新框架，用于在多输入多输出(Multiple-Input Multiple-Output, MIMO)系统中实现基于深度学习的功率分配方法。采用多层感知机(Multi-Layer Perceptron, MLP)作为核心神经网络结构，并通过自适应MixUp策略进行训练，使模型在处理复杂信道环境时能够更好地逼近最优解。与传统的监督学习方法直接依赖原始样本数据不同，该框架引入了增强样本数据生成机制，并结合MixUp技术对样本进行融合和扩展，从而有效提升数据的多样性和模型的泛化能力。实验结果表明，所提方法在频谱效率(Spectral Efficiency, SE)方面表现优于传统的最优算法，在性能上与最大和速率方法高度接近。相比以往仅注重单一优化目标的功率分配方案，所提方法能够在保证系统整体速率和频谱利用率的同时，实现功率资源的合理分配。提出的基于深度学习的功率分配方案为绿色通信网络的构建提供了可行路径，有助于节能减排，并促进未来无线通信系统的可持续发展。
网站访问量
今日访问量: 775
友情链接
