2026年 03期
基于可见光通信的多无人机协同数据采集及路径规划
林天天;何志凯;唐小伟;石运梅;黄逸;马骁;随着通信技术的发展，传统射频(Radio Frequency, RF)通信在电磁敏感或干扰严重的环境中面临诸多挑战。可见光通信(Visible Light Communication, VLC)具有抗干扰、频谱丰富、速率高等优势，能在电磁敏感环境下保障数据传输可靠性。在无人机(Unmanned Aerial Vehicle, UAV)上搭载VLC基站，可充分利用UAV的高机动特性，有效突破固定VLC基站的覆盖局限，UAV辅助的VLC系统在复杂环境下的数据采集任务中展现出巨大潜力，尤其适用于物联网(Internet of Things, IoT)中海量节点信息的高效采集与传输。研究多UAV协同的VLC通信系统，综合考虑飞行抖动对信道的影响，设计基于改进的K-means聚类算法的任务分配方法，进一步探究基于双延迟确定性策略梯度(Twin Delayed Deep Deterministic Policy Gradient, TD3)算法的UAV三维轨迹规划方法，并通过仿真实验验证其性能，旨在为智能通信系统提供理论支撑与技术参考。仿真结果表明，当聚类因子w=0.3时，改进K-means聚类+TD3路径规划算法能够获得比基线算法更优的系统性能，与扫描调度及其他基线算法相比，该算法能有效减少所有UAV约56%的总飞行距离。
无人机群通感算协同仿真系统综述：现状、技术与展望
罗欣悦;刘同;陈文龙;罗俊松;王梓斌;多滨;在复杂多变环境中，无人机(Unmanned Aerial Vehicle, UAV)群的协同效能高度依赖于通信、感知、计算的深度耦合：通信质量直接影响感知数据的传输效率和决策实时性；感知结果的准确性与覆盖范围又依赖于计算资源的调度与通信链路的可靠性；计算效率则受限于感知输入和通信开销。UAV群仿真平台可以模拟UAV群的行为，提供编队算法、系统设计的评估和验证，降低实验成本和风险。但现有仿真平台大多仅侧重于通信、感知与计算中的某个或某2个要素，在仿真中未充分考虑三者内在的耦合关系，导致其难以准确刻画UAV群在真实环境中的协同行为，造成对集群真实协同效率的评估失真。针对这一问题，系统梳理了与UAV群仿真相关的通信、感知和计算中的关键技术，分析不同通感算耦合程度的UAV群仿真平台，并提出了一种基于通信、感知、计算一体化(通感算一体化)理念的UAV群虚实结合协同仿真系统，为未来高保真、低成本、易扩展的UAV群仿真提供了技术路径与系统设计思路。
离散波束下基站与用户定位方法
叶欣;蔡梦佳;李立言;针对通信系统中基站位置与朝向存在误差导致定位性能下降的问题，提出了一种基站与用户定位的协同优化方法。该方法在离散波束特性条件下，构建静动分离的联合定位模型，引入箱粒子滤波(Box Particle Filter, BPF),结合区间分析理论，并设计重采样机制以增强粒子多样性，有效抑制角度量测的非高斯误差。对不同基站初始误差及用户遮挡条件开展仿真分析，结果表明该方法在定位精度方面优于基于高斯假设的卡尔曼滤波，能够有效修正基站初始信息误差并保持较高稳定性，为离散波束环境下高精度定位系统的设计与实现提供了参考。
基于OTFS-NOMA的低轨卫星通信与导航一体化传输方法研究
张洋铭;赵亚飞;李彦骁;张世杰;低地球轨道(Low Earth Orbit, LEO)卫星下行链路中，由于高速卫星运动导致的严重多普勒频移和快速时变多径衰落，给LEO卫星系统设计带来了巨大挑战。同时，随着LEO巨型通信星座的网络化部署，为基于LEO卫星的导航能力生成提供了可能。针对这一问题，提出了一种基于正交时频空(Orthogonal Time Frequency Space, OTFS)调制与非正交多址接入(Non-Orthogonal Multiple Access, NOMA)的通信与导航一体化传输方法。通过在时延-多普勒(Delay-Doppler, DD)域内采用功率域复用技术将通信符号和导航信号进行叠加，并用整个帧填充伪随机序列(Pseudo-Noise, PN)作为导频信号。采用滑动匹配滤波器估计稀疏信道，针对卫星到地面的链路中固有的高多普勒失真，引入了多普勒粗估计以应对动态漂移问题。仿真结果表明，在典型链路条件下，与传统的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)方法相比，所提出的OTFS-NOMA方法误码率(Bit Error Rate, BER)降低了2个数量级，并实现了2.18 m的伪距测量精度。
基于用户数估计的MIMO无源多址接收优化
周国正;边东明;张更新;针对无源多址接入(Unsourced Multiple Access, UMA)系统在高密度用户场景下用户信号干扰严重、解码成功率低的问题，需提升系统在该场景下的信号分离与解码性能。基于多输入多输出(Multiple-Input Multiple-Output, MIMO)构建多级迭代接收框架，结合用户数估计、多波束解译调度与迭代解码技术实现性能优化；设计基于深度学习的波束用户数估计模型，动态调度低冲突波束优先解码，同时通过跨波束串行迭代消除(Successive Interference Cancellation, SIC)已解码用户的干扰。仿真结果表明，用户密集场景下的波束解码成功率较传统压缩感知-正交匹配追踪(Compressed Sensing-Orthogonal Matching Pursuit, CS-OMP)算法提升约28.09%,较近似消息传递(Approximate Message Passing, AMP)算法、稀疏低秩矩阵算法(Sparse Low-Rank Matrix Algorithm, SPARC)方案分别提升约18.3%、10.4%,且在活跃用户数达600时，仍保持稳定性能。该多级迭代接收框架通过空域资源分配与干扰协同抑制的闭环优化，显著提升海量用户场景下系统的容量与鲁棒性，为6G超密集物联网接入提供创新解决方案。
基于轻量级卷积神经网络的5G随机接入信道检测增强方法
孔欢;刘奕彤;李卓航;孙宇楠;杨鸿文;物理随机接入信道(Physical Random Access Channel, PRACH)在5G系统中发挥着重要作用，而PRACH检测是无线信号处理领域的关键问题。在低信噪比环境下，传统的PRACH检测算法容易受到噪声干扰，导致检测率降低。为提升检测性能，提出一种基于深度学习的PRACH检测增强方法。在经典相关性算法的基础上，引入一个由深度可分离卷积构建的轻量级卷积神经网络(Convolutional Neural Network, CNN),以替代传统的固定阈值判决机制。实验验证表明，在维持相同虚警率的条件下，该方法的正确检测率优于传统阈值判决方法。
基于波束分裂效应的XL-MIMO近场宽带信道估计研究
郭晓金;宋国军;针对6G无线通信网络中超大规模多输入多输出(Extremely Large-scale Multiple-Input Multiple-Output, XL-MIMO)近场宽带系统因波束分裂(Beam Split, BP)效应造成的信道估计精度降低，提出了一种基于子载波分组与单纯形法无网格优化的双线性模式检测(Bilinear Pattern Detection, BPD)算法。由于近场宽带系统的BP效应，将宽带系统的子载波进行分组，并且计算每组子载波的角度与距离的双线性模式。联合利用所有子载波组的双线性模式信息，捕获跨子载波频率相关能量的最大响应位置，采用极域同步正交匹配追踪(Polar-domain Simultaneous Orthogonal Matching Pursuit, P-SOMP)算法对信道路径的角度与距离参数进行离散网格下的初步估计。考虑到实际的无线传播中，信道路径的角度与距离参数具有连续取值的特性，离散网格建模不可避免地会引入网格失配误差，利用单纯形法对初步估计得到的路径信息进行无网格精细化优化。仿真表明，所提算法能够减小BP效应的影响，同时相比于BPD算法在近场宽带中的信道估计性能有明显提升。
基于空域和频域特征融合的轻量化SAR图像目标检测
罗德艳;王明刚;徐杨;针对当前合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标检测方法在特征提取方式单一、受相干斑噪声干扰等方面存在的问题，在YOLOv11基础上提出一种融合空域与频域特征并增强边缘信息的轻量化检测模型(Spatial-Frequency Converse2d GroupHead YOLO,SFCG-YOLO)。该模型设计了空域和频域特征融合模块，通过结合空域特征提取模块提取空间信息和频域特征提取模块捕捉频率信息，以增强特征表示能力；引入深度可分离反向卷积算子Converse2D减少上采样特征丢失问题，抑制噪声并恢复目标边缘细节；构建轻量化检测头，采用分组卷积重新设计检测头，减少模型参数量与计算开销。在HRSID数据集上的实验结果表明，所提方法在平均精度均值(mean Average Precision, mAP)mAP50和mAP50-95分别达到92.9%和69.92%,模型复杂度较原始YOLOv11更轻量，实现了检测精度与模型效率的平衡，适用于复杂环境下的SAR目标检测任务。
基于非二次幂极化码的三用户上行非正交多址接入系统
林海翔;谢肇鹏;丘毓萍;石昌伟;陈平平;针对3个用户上行非正交多址接入(Non-Orthogonal Multiple Access, NOMA)系统，通过构建3×3极化核联合编码矩阵，将各用户独立编码后的信息序列组合为单用户码长3倍的非二次幂极化(Non-Power-of-Two Polarization, NPOT)码，提出一种基于NPOT辅助的置信传播(NPOT-Aided Belief Propagation, NPOT-BP)译码算法。与串行干扰消除置信传播(Successive Interference Cancellation-Belief Propagation, SIC-BP)译码器相比，所提方案通过扩展码长增强了系统的信道极化效应，从而实现了对所有用户信息的可靠恢复。仿真结果表明，与SIC-BP方案相比，所提NPOT-BP方案在误码率(Bit Error Rate, BER)性能上获得了超过0.7 dB的增益；同时，该方案仅需单个译码器即可实现多用户信息的可靠联合恢复，从而有效降低了系统计算开销。
雷达信号识别方法研究综述：从传统机器学习到深度学习
彭棋;刘雄章;杨雨舟;刘文杰;雷达信号识别对复杂电磁环境下目标的检测、分类和跟踪至关重要，随着目标类型和信号特征的不断变化，如何提高雷达信号识别的准确性成为当前的研究难题。针对目前识别精度不足的问题，综述了雷达信号识别方法从传统机器学习到深度学习的发展历程。分析了支持向量机(Support Vector Machine, SVM)、随机森林(Random Forest, RF)等传统算法的优缺点，指出传统方法因依赖人工设计特征，难以应对信号动态变化和低信噪比(Signal to Noise Ratio, SNR)环境。重点阐述了卷积神经网络(Convolutional Neural Network, CNN)、循环神经网络(Recurrent Neural Network, RNN)和Transformer等深度学习模型，强调其自动特征提取和非线性建模的优势，显著提升了识别准确率，但同时面临数据稀缺、高计算资源需求等问题，并指出未来的研究应推动多模态特征融合、模型轻量化设计以及增强模型可解释性等方向的技术突破，旨在为后续研究提供方法借鉴和技术参考。