网络首发
一种基于跳频通信系统的天线无信标跟踪方法
季茂胜;潘申富;张丽娜;针对跳频卫星通信系统中信标被干扰或无信标的情况下天线跟踪对星难的问题，提出一种基于跳频信号特征检测和处理的天线跟踪方法。论文采用小带宽采样、整带宽扫频、底噪估计、干扰检测及规避等措施，设计了跳频信号快速检测和功率估计方法，并进行matlab仿真分析和硬件平台验证测试，证明论文提出的方法实现简单、算法稳定可靠，跳频信号检测概率高、功率估计准确可以为天线跟踪提供精确的参考。
基于可分离CNN的MIMO-OTFS系统信号检测方法
周围;郭昊;李安特;谢燚;应佳鑫;在高速移动的通信场景中，正交时频空（Orthogonal Time Frequency Space,OTFS）调制具有良好的抗多径和抗多普勒干扰能力，具有广阔的应用前景。多输入多输出（Multiple-Input Multiple-Output,MIMO）技术可以在发射端和接收端同时使用多个天线，实现信号的并行传输和处理，显著提高通信系统的性能。结合OTFS和MIMO技术是未来无线通信的关键技术路线。针对MIMO-OTFS系统传统信号检测方法性能受限的问题和现有深度学习检测方法难以应用在计算资源受限场景的问题，提出一种基于可分离卷积神经网络（Convolutional Neural Network,CNN）的信号检测方法，使用深度可分离卷积代替传统卷积来降低复杂度，使用密集连接缓解梯度消失和提高特征复用能力。通过理论分析和仿真实验，研究了不同方法的复杂度和误码率。仿真结果表明，所提出的方法误码率性能优于传统信号检测方法。且与现有深度学习检测方法相比，参数量和复杂度大幅下降而误码率性能下降不明显，适用于物联网等计算资源受限的通信场景。
复杂电磁环境下基于混合专家网络的抗干扰检测方法
何洪雨;包阳;叶子强;方舒;肖悦;针对传统检测方法在复杂干扰条件下鲁棒性不足的问题，提出一种基于混合专家（Mixture-of-Experts, MoE）网络的抗干扰检测方法，用于复杂电磁环境下正交频分复用（Orthogonal Frequency Division Multiplexing, OFDM）信号的可靠检测。依托复杂干扰条件下的OFDM信号模型，采用融合导频信息的多通道接收特征作为模型输入；设计干扰识别驱动的级联接收结构，通过干扰识别网络判别干扰类型，并根据识别结果自适应选择MoE网络中的对应专家模型，实现针对性干扰抑制；结合DeepRx检测网络实现比特级检测。仿真结果表明，在多类典型干扰场景下，所提方法相比直接检测、混合干扰训练模型以及线性最小均方误差（Linear Minimum Mean Square Error,LMMSE）检测器，能够获得更低的误码率（Bit Error Rate, BER），并表现出更稳定的检测性能，从而有效提升复杂电磁环境下OFDM系统的抗干扰检测能力。
一种小型化陷波超宽带MIMO天线设计
曹泽阳;耿金鹏;针对传统超宽带多输入多输出（Multiple-Input Multiple-Output,MIMO）天线尺寸大以及存在窄带信号带来的干扰等问题，提出了一款具有陷波特性的小型化超宽带MIMO天线。基于场分布对称性原理实现天线单元小型化设计，通过地板加载T型枝节方法提高天线单元间的隔离度，采用辐射贴片开槽与加载开口谐振环实现双陷波特性。经加工天线样机并测试，所研制天线工作频带覆盖3.1～11.5 GHz，陷波频段为5.15～5.85 GHz与6.7～7.5GHz，单元间隔离度达到15 dB，包络相关系数≤0.12，方向图仿真与测试结果吻合良好。为小型化超宽带通信系统提供了可行性的天线方案。
基于宽带连续谱激励的射频前端非线性测量
刘嘉俊;黄龙;彭新智;鲁祖坤;射频前端非线性效应是信号失真的关键来源，严重影响卫星导航系统的可靠性与稳定性。传统表征方法通常采用离散频率的双音或三音激励，其有限的激励点无法充分代表宽带工作条件，难以准确量化连续谱信号的非线性失真。为突破这一局限，提出基于宽带连续谱激励的非线性测量法（Nonlinear Measurement Method Based on Wideband Continuous-Spectrum Excitation, NM-WCSE）。该方法以宽带连续谱信号替代传统离散多音激励，实现非线性核函数系数的序列提取。通过构建总非线性失真（Total Nonlinear Distortion, TND）指标，可对高阶非线性效应进行全面评估。实验测量表明，在5MHz宽带系统中，该方法相较传统方案可提升5.09dB的测量精度，为宽带系统中的非线性效应评估提供了更精确的解决方案。
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，所提出方法在频谱效率（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，提出的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。
基于自适应温度系数调整的多域联合智能抗干扰方法
万思波;谢世珺;鲁信金;熊锦添;王恒;冯姣;卫星通信依托开放无线链路实现广域覆盖与高速传输，易遭受恶意干扰，传统抗干扰手段难以应对动态复杂的电磁环境。为解决动态干扰环境下的多域联合抗干扰决策问题，提出了一种基于自适应温度系数调整的软演员-评论家(Adaptive Temperature Coefficient Adjustment-Soft Actor-Critic, ATCA-SAC)多域联合抗干扰算法，将抗干扰决策建模为马尔可夫决策过程，构建频率、带宽、功率与调制编码方式多域抗干扰策略，利用最大熵强化学习框架提升策略的探索性与鲁棒性。算法采用基于干扰成功率的自适应温度系数调整机制，依据实时抗干扰性能动态平衡探索与利用，有效加速收敛。仿真结果表明，与深度Q网络(Deep Q-learning Network, DQN)、基于剪裁的近端策略优化(Proximal Policy Optimization-Clip, PPO-Clip)、基于目标熵的软演员-评论家(Target Entropy Soft Actor-Critic, TE-SAC)算法相比，所提ATCA-SAC算法在各类典型干扰场景下均具备更优的抗干扰性能，在动态干扰场景下累计奖励较PPO-Clip提升约12%，较TE-SAC提升约9%，能够有效适配动态变化的复杂干扰环境。
高空平台辅助车联网中基于V2X协同的任务卸载与资源分配
方潇怡;那振宇;任涵涵;通过充分利用边缘设备提升车联网计算能力，车辆边缘计算（Vehicle Edge Computing, VEC）在自动驾驶和智能交通等领域已经得到广泛应用。在计算密集与延迟敏感型应用快速增长的背景下，传统车-路-云协同VEC架构仍面临路侧节点覆盖范围受限与计算资源不足的问题，难以满足大规模任务的低延迟低能耗处理需求。为此，提出一个高空平台（High-Altitude Platform, HAP）辅助的车对万物（Vehicle-to-Everything, V2X）-VEC协同卸载架构。具体地，该架构由任务型车辆、服务型车辆、路边单元（Roadside Unit, RSU）以及HAP共同构成，其中任务型车辆可通过车对车（Vehicle-to-Vehicle,V2V）链路将任务卸载至邻近服务型车辆，或通过车对基础设施（Vehicle-to-Infrastructure, V2I）链路卸载至RSU执行计算。当RSU资源不足或V2V协同不可用时，引入HAP作为空基计算节点，为车联网提供广域覆盖与充足计算资源。在任务截止时间与车辆电池可用能量的约束下，通过优化任务卸载决策与计算资源分配，最小化由系统延迟与任务型车辆能耗加权构成的系统成本。针对该问题，采用多智能体深度确定性策略梯度（Multi-agent Deep Deterministic Policy Gradient, MADDPG）算法学习卸载策略和资源分配策略。仿真结果表明，在不同车辆密度场景下，与基线方案相比，所提方法能够使系统能耗平均降低约3.3%；此外，在不同HAP部署场景下，与无HAP方案相比，系统延迟最多可降低约32.6%，验证了所提架构与优化策略的有效性。
面向差异化QoS保障的NOMA-VLC系统功率分配算法
杨明;刘宇涵;孙洪亮;王超;针对室内可见光通信（Visible Light Communication, VLC）系统中非正交多址接入（Non-Orthogonal Multiple Access,NOMA）的功率分配问题，提出一种差异化服务质量（Quality of Service, QoS）保障的功率分配（Differentiated QoS Guarantee Power Allocation, DQGPA）算法。建立NOMA-VLC系统模型，并推导用户的数据传输速率表达式。采用泊松过程对数据到达过程进行建模，并计算其有效带宽。综合考虑功率分配、差异化QoS保障与用户公平性，构建了以系统和速率最大化为目标的优化问题。引入精英引导策略和自适应学习因子对鲸鱼优化算法（Whale Optimization Algorithm, WOA）进行改进，并基于改进的WOA(Improved Whale Optimization Algorithm, IWOA)设计功率分配算法。利用Matlab仿真验证IWOA改进策略的有效性，进一步证明了所提算法在系统和速率、用户公平性及差异化QoS保障的综合优越性，并分析系统带宽、视场角（Field of View, FOV）和用户数量等参数变化对系统性能的影响。
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。针对上述矛盾，本文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的有机融合。此外，本文设计了自适应回滚机制以保障极端工况下的鲁棒性底线，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。本研究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智能物理层的工程落地提供了可行范式。