信道通用预训练大模型赋能数字孪生信道：原理与实践
张建华;史廉正;于力;黎明月;田磊;王启星;刘光毅;未来第六代移动通信系统(6G)以提供超可靠、智能化的网络连接，实现动态环境下的万物互联。数字孪生信道(Digital Twin Channel, DTC)作为支持6G网络智能化的关键技术，在数字世界中在线构建高保真孪生信道，助力网络主动适应与精准决策。传统的AI小模型通常仅针对特定任务或特定场景，面对6G复杂、高动态的无线信道存在巨大挑战，难以全面满足DTC的需求。大语言模型(Large Language Model, LLM)因在多模态特征融合、高维数据建模等方面具有强大能力，有望克服上述挑战。首次将DTC与LLM框架相结合，构建信道通用预训练大模型ChannelGPT,以应对6G无线信道的巨大挑战。具体来说，ChannelGPT设计为3个核心层，数据处理层构建大规模环境与信道数据集，算法模型层充分挖掘无线环境信息与信道特性之间的匹配映射，功能应用层有望支持多任务的联合优化。仿真结果表明，ChannelGPT在预测精度、多模态融合能力方面相较于小模型方法具有明显优势，为实现DTC提供了有潜力的手段。
智能通信与感知导读
黄崇文;潘存华;刘凡;游昌盛;徐勇军;何继光;<正>内容导读无线AI与通信感知一体化是未来6G最重要的2个应用场景。近些年，围绕智能通信与感知的关键理论与技术问题，学术界展开了深入的讨论与研究，相关使能技术，例如智能超表面(RIS)技术的发展引起了业界的广泛关注。学术界和产业界围绕智能通信与感知以及RIS赋能智能通信感知的理论探讨、关键技术、实现算法及工程试验等领域开展了一系列研究，RIS电磁调控无线环境技术、通信感知一体化、毫米波感知等技术方案能极大提升通信与感知体验，具有巨大的工程实践意义，具备成为5.5G/6G无线通信关键技术的潜力。
智能超表面辅助的通信感知一体化：总结与展望
罗泓昊;李明;随着无线技术的不断发展，通信与感知的深度融合逐渐成为提升网络性能的重要方向。通信感知一体化(Integrated Sensing and Communication, ISAC)作为这一融合的关键技术，旨在协同优化数据传输与环境感知能力，以满足日益多样化的应用需求。与此同时，智能超表面(Reconfigurable Intelligent Surface, RIS)技术凭借其智能调控无线传播环境的能力，在ISAC系统中展现出巨大的潜力。通过调整RIS反射单元的电磁特性，既能提升信号的传输质量，又能增强系统的感知能力。概述了RIS和ISAC的技术背景，深入探讨了RIS在ISAC中的作用及其潜在应用，详细分析了RIS辅助ISAC系统面临的关键技术问题，提出了未来的研究方向。
面向6G的智能物联网通信关键技术综述
张爽;张晨;彭淑敏;郝万明;随着物联网(Internet of Things, IoT)的快速发展，现代工业IoT(Industrial IoT, IIoT)、智慧城市、智慧车联网(Vehicle-to-Everything, V2X)以及智慧健康医疗等新型IoT应用将全面普及，这些应用场景对网络传输速率、传输时延、系统功耗和接入数目有极高的要求。为应对这些挑战，6G网络将引入大带宽、低功耗和大规模天线等先进技术，为未来新型IoT应用提供强有力的支撑。针对这一发展趋势，聚焦于6G新型IoT的典型应用场景及其技术需求，深入探讨了毫米波/太赫兹通信、智能超表面(Reconfigurable Intelligent Surface, RIS)通信、通信感知一体化(Integrated Sensing and Communication, ISAC)以及反向散射通信(Backscatter Communication, BackCom)等关键使能技术，在此基础上对6G智能IoT通信进行了展望。
面向通信感知一体化的仿射频分复用技术综述
李雨昂;丁昱翔;吕璐;杨龙;陈健;6G移动通信系统中，通信和感知的深度融合尤为重要，对网络架构、组网技术以及空口能力等方面的原生通信感知融合设计提出了更高要求。其中，通信感知一体化(Integrated Sensing and Communication, ISAC)波形设计作为关键技术，有望实现高效率通信和高精度感知双重目标。6G系统预计将采用超高频(Extremely High Frequency, EHF)技术，特别是在毫米波和太赫兹频段，以支持低空经济、车联网(Vehicle to Everything, V2X)、高速铁路以及卫星通信等应用。这些场景通常处于异构和高速移动条件下，产生的双色散信道给无线通信系统带来了巨大挑战。最近提出的仿射频分复用(Affine Frequency Division Multiplexing, AFDM)技术通过在离散仿射傅里叶变换(Discrete Affine Fourier Transform, DAFT)域中对信息符号进行多路复用，使得所有的路径相互分离，每个符号都经历所有的路径系数，从而在双色散信道上实现完全分集。介绍了AFDM的基本理论，讨论了AFDM与其他潜在波形在ISAC系统中的性能差异，对AFDM在ISAC场景中的应用和未来研究方向进行了描述和展望。
基于状态表的分布式无人机编队避障算法
贾鹏;赵晨曦;闫继垒;近年来，无人机集群在复杂艰苦任务执行上得到了广泛应用。针对现有无人机编队算法实时性差、集群协同能力弱、自主决策能力弱等问题，提出了基于公有状态信息表的分布式无人机编队避障算法。通过提出改进的势能函数，有效解决了传统人工势场法可能产生的运动平衡和抖动问题。同时，通过引入公有状态信息表，结合碰撞块搜索算法，有效提高了编队避障过程中的信息交互效率。仿真结果表明，所提出的基于状态表的避障策略可以使无人机集群在编队过程中有效快速躲避单个或多个障碍。
基于多波段雷达的低慢小目标微动特征提取方法
毛鑫骞;于烨;贾维敏;金国栋;李义红;金伟;赵建伟;针对多波段雷达下低慢小目标微动特征提取传统方法特征不明显、量化困难的问题，提出基于距离维的小波变换与希尔伯特变换方法对雷达回波信号的特征进行提取。采用大疆系列无人机雷达回波数据集进行仿真分析，结果表明：希尔伯特算法能有效抑制噪声干扰，其特征提取精度优于小波变换算法并且稳定性和可靠性也强于小波变换算法。此外，这2种特征提取算法对最近几年推行的大疆御2和大疆M350型无人机的特征提取精度最高，验证了其对复杂振动模态的适应性。
面向轻量级无人机的IB-YOLOv8目标检测方法研究
朱飞雨;刘容轲;朱友文;吴启晖;随着人工智能的快速发展，边缘无人机设备对多任务、高实时性的需求激增。然而，若采用现有大模型来提升检测能力，则会使低算力、少负载的无人机增加计算与存储负担。针对上述问题，提出了基于协作推理技术的 IB-YOLOv8 目标检测算法，在保证模型表现的前提下实现对无人机端的模型压缩。该方法首先，将 YOLOv8s 的 backbone 部分部署到边缘端，将网络的其它部分部署到云端。其次，基于信息瓶颈对 YOLOv8s 的 backbone 部分进一步压缩。最后，在此基础上通过 Triplet Attention 和 Label Smooth 技术对因信息瓶颈而损失的模型性能进行补偿。实验证明，改进后模型在边缘端的参数量降低了 75%，较 YOLOv8s 有 0.2% 的平均精度提升，并且信息瓶颈策略在一定程度上能抵御模型逆向攻击，有效地对无人机的计算开销和模型性能做出平衡。
基于DBSCAN聚类的TDMA信号分选
王钲凯;边东明;张更新;在复杂电磁环境下，信号分选对提取有价值信息和保障系统稳定运行至关重要。早期基于传统参数的时分多址(Time Division Multiple Access，TDMA) 信号分选方法在发射机结构多样化时面临挑战，综合考虑多种发射机结构对TDMA信号分选的影响，优选出频率偏移、突发功率、均方根向量幅度值作为信号分选特征，为有效利用三维特征空间的分布特性，采用三维基于密度的聚类算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN)聚类算法进行信号分选，在保证聚类密度的同时降低计算复杂度。仿真结果表明与传统的二维特征相比，在5～15 dB时，能够正确分选的用户信号数量有了1～2个的提升。
基于双树复小波变换和U-Net的视网膜血管分割
陶寅涵;朱家明;吴军;生物医学图像分割已成为医学诊断中的关键任务之一。然而，由于组织和器官的复杂形态及其结构的多样性，医学图像分割技术的实际应用面临显著的技术挑战。在传统卷积神经网络（Convolutional Neural Networks， CNN）中，最大池化操作常常导致信息的不可逆丢失，尽管引入小波变换在一定程度上改善了这一问题，但小波变换本身也存在局限性。为了解决这一问题，提出了一种基于双树复小波变换（Dual-Tree Complex Wavelet Transform，DTCWT）和U-Net的视网膜血管分割模型——DTCWU-Net。该模型通过引入DTCWT替代传统池化层，双树复小波逆变换（Inverse Dual-Tree Complex Wavelet Transform，IDTCWT）替代传统上采样层，显著增强了特征提取能力，尤其在保留图像细节方面表现出色。DTCWU-Net还引入了高低频特征融合注意力（Low and High Feature Fusion Attention，LHFFA）和多尺度门控注意力（Multi-Scale Gate Attention，MSGA）模块，进一步提升分割性能。实验结果表明，DTCWU-Net在DRIVE数据集上取得了准确率为0.968 6，AUC为0.986 7，在CHASE＿DB1数据集上取得了准确率为0.975 0，AUC为0.990 3，在STARE数据集上取得了准确率为0.975 7，AUC为0.990 1。在F1、SE、ACC和AUC等关键指标上，超越了其他主流方法的表现。通过多模块协同优化，DTCWU-Net显著提高并展现了视网膜血管分割精度与细节恢复能力。
最大类间方差法在图像处理中的应用
齐丽娜;张博;王战凯;图像分割在图像处理中占有重要的地位,分割结果的好坏直接影响图像的后续处理。文章首先介绍了最大类间方差法及其改进算法———基于灰度拉伸的最大类间方差法算法原理和实现,并针对高速公路中的图像特点。在背景差分法的基础上利用上述两种方法对图像进行了分割处理,对两种方法处理的结果进行了比较。
无线传感器网络拓扑结构研究
杨宁;田辉;张平;李立宏;随着处理技术、存储技术以及无线传输技术的不断发展,由体积小、重量轻、价格低的无线传感器节点所组成的传感器网络已经充分具备了感知客观事物及自然现象,随时随地为用户提供精确信息的能力。通过对于星状网、网状网和混合网等几种常用传感器网络拓扑结构的比较,以及针对这些拓扑结构所形成的网络寿命的仿真,说明了对于常用的基站距离远、节点密度大的传感器网络,分层式的拓扑结构能够大大的节省网络能量,延长网络寿命,改善网络性能。
基于S型函数的变步长LMS自适应滤波算法
覃景繁,韦岗本文通过建立步长因子μ与误差信号之间的非线性函数关系,得出一种新的变步长自适应滤波算法(SVSLMS)。理论分析和计算机仿真结果表明该算法的性能优于传统的LMS算法和NLMS算法。
MIMO无线传输技术综述
李忻;黄绣江;聂在平;MIMO无线传输技术是通信领域的一项重要技术突破,它能在不增加带宽与功率的情况下成倍地提高无线通信系统的容量和频谱效率,堪称新一代无线通信系统中的关键技术之一,近年来引起了人们的广泛关注与研究兴趣。回顾无线移动通信的发展历程,概述天线分集技术与智能天线技术,剖析MIMO无线传输技术的原理与国内外研究现状:传统单天线系统向多天线系统演进、智能天线向多天线系统演进、MIMO无线传输技术的原理、MIMO系统中的分集与复用、MIMO无线信道建模、MIMO系统中的多天线设计等,为深入认识与进一步研究MIMO无线传输技术奠定基础。
ZigBee技术在工业控制领域的应用
陈景运;周祥平;ZigBeeTM是一种低速率、低成本、低功耗的短程无线网络协议。在众多无线网络技术中,ZigBee技术以其数据传输安全可靠、组网简易灵活、设备成本低、电池寿命长等独特的优势,在工业控制领域中展现了深厚的发展潜力和广阔的市场前景。在Modbus现场总线控制系统中引入ZigBee无线网络,可以在确保数据传输可靠性和实时性的前提下,大大提高控制系统的可扩展性,降低设备维护的成本,从而使整个控制系统得到优化。
人工智能大模型综述及展望
罗锦钊;孙玉龙;钱增志;周鲁;王金桥;大模型是人工智能领域的热门研究方向。以ChatGPT为代表的大模型技术应用掀起了国内外的大模型研究热潮，大模型参数规模和训练数据量级迅速增长，模型性能显著提升。概述了大模型的发展历程以及代表性的算法模型，介绍了大模型的基础架构及其核心原理，分析了大模型的特点，讨论了大模型的局限性以及未来发展方向。
基于YOLOv8s改进的小目标检测算法
雷帮军;余翱;余快;针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题，提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络，优化检测层架构，增强浅层信息和深层信息的融合，提高了小目标的感知和捕获能力；在特征提取网络中使用部分卷积(Partial Convolution, PConv)和高效多尺度注意力(Efficient Multi-scale Attention, EMA)机制构建全新的F＿C_2f＿EMA,在降低网络参数量和计算量的同时，通过通道重塑和维度分组最大化保留小目标的特征信息；为了更好地匹配小目标的尺度，优化调整SPPCSPC池化核的尺寸，同时引入无参注意力机制(Simple-parameter-free Attention Module, SimAM),加强复杂背景下小目标特征提取；在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息；引入了全局注意力机制(Global Attention Mechanism, GAM)通过全局上下文的关联建模，充分获取小目标的上下文信息；使用GSConv和Effective Squeeze-Excitation(EffectiveSE)设计全新的G＿E＿C_2f,进一步降低参数量，降低模型的误检率和漏检率；使用WIoU损失函数解决目标不均衡和尺度差异的问题，加快模型收敛的同时提高了回归的精度。实验结果表明，该算法在VisDrone2019数据集上的精确度(Precision)、召回率(Recall)和平均精度(mean Average Precision, mAP)为58.5%、46.0%和48.7%,相较于原始YOLOv8s网络分别提高了8%、8.5%和9.8%,显著提高了模型对小目标的检测能力。在WiderPerson和SSDD数据集上进行模型泛化性实验验证，效果优于其他经典算法。
无人机集群综述:技术、挑战与未来
张旭东;李少波;李传江;张安思;杨磊;随着无人系统、网络通信技术和群体智能理论的发展，使无人机集群协作从概念走向现实、从理论转向实践。回顾了无人机集群的兴起与发展，概述了无人机集群难点与特点；从无人机集群层次结构技术框架出发，分别从智能感知层、通信网络层、自主决策层、路径规划层、协同控制层和实际应用层6个方面介绍了无人机集群关键技术的研究进展；讨论了无人机集群在未来发展中面临的诸多挑战，并对未来研究方向进行了展望，旨在为无人机集群技术的进一步应用落地提供理论参考。
MIMO无线传输技术综述
李忻;黄绣江;聂在平;MIMO无线传输技术是通信领域的一项重要技术突破,它能在不增加带宽与功率的情况下成倍地提高无线通信系统的容量和频谱效率,堪称新一代无线通信系统中的关键技术之一,近年来引起了人们的广泛关注与研究兴趣。回顾无线移动通信的发展历程,概述天线分集技术与智能天线技术,剖析MIMO无线传输技术的原理与国内外研究现状:传统单天线系统向多天线系统演进、智能天线向多天线系统演进、MIMO无线传输技术的原理、MIMO系统中的分集与复用、MIMO无线信道建模、MIMO系统中的多天线设计等,为深入认识与进一步研究MIMO无线传输技术奠定基础。
基于改进YOLOv8的无人机航拍图像目标检测算法
程换新;乔庆元;骆晓玲;于沙家;针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题，提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息，以提高模型的特征提取能力；改进C2f模块，减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部，增强了模型多尺度特征融合能力，改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数，引入一种动态非单调聚焦机制，提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明，提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升，证明了改进算法的有效性和先进性。
网站访问量
今日访问量:263
友情链接
