最新刊期
2025年第9卷第4期
- 摘要：移动边缘计算（MEC, mobile edge computing）通过将计算和存储能力从集中式数据中心下沉至网络边缘，有效地满足了多种应用场景的需求，已成为6G技术中的关键组成部分。然而，在复杂环境中，用户与MEC服务器之间的视距链路易受障碍物遮挡，导致计算卸载能力受到显著的限制。将智能超表面（RIS, reconfigurable intelligent surface）引入MEC系统中，能够优化无线传输环境，为解决这一问题提供了有效的手段，且已成为未来通信领域的重要研究方向。首先，对MEC的基本概念与应用场景进行了概述，并回顾了RIS的发展历程。接着，详细探讨了RIS辅助MEC计算卸载的优化目标、研究方法以及应用场景。最后，展望了未来RIS与MEC结合的研究趋势，并结合通感算一体化、低空经济等前沿技术进行了深入分析，旨在为相关领域的研究人员提供参考和启示。关键词：智能超表面;移动边缘计算;计算卸载;资源分配187|58|0更新时间：2026-01-04
综述
- 摘要：在车联网中应用联盟链实现道路交通观测信息管理，可以兼顾公有链的去中心化和私有链的高效特性，提升车辆间通信的透明度。然而，现有方案没有充分考虑恶意车辆和恶意路侧单元（RSU, road side unit）节点传播虚假信息的风险，可能导致城市交通瘫痪和事故。此外，海量车辆数据和重复事件报告传输增加了计算和通信开销，影响了系统的可行性与可扩展性。针对上述问题，提出了针对车联网场景中交互信息的控制传输与高效安全共享方案。首先，设计了基于角度差自变换区域码的信息传输控制策略，该策略通过设定车辆区域码距离的阈值限制信息的转发量，并采用Bloom Filter对信息进行过滤，减少冗余信息的传输。其次，建立了基于诚信分的管理机制以应对恶意节点传播虚假信息对系统的破坏。最后，提出了动态管理多主节点Hotstuff（DMML-Hotstuff, dynamically manage multiple leader Hotstuff）共识算法，有效解决了单主节点性能瓶颈问题，并通过动态节点调整提高了系统吞吐量和拜占庭容忍度。仿真结果表明，所提方案相比现有方案减少了23%和39%的车辆信息传输量，并能实时评估诚信分，快速识别并隔离恶意节点。在共识算法方面，与3种主流拜占庭容错算法相比，吞吐量分别提高了19%、52%和188%。关键词：车联网;联盟链;共识算法;诚信分机制92|100|0更新时间：2026-01-04
- 摘要：随着工业物联网（IIoT, industrial Internet of things）的快速发展，网络全要素各实体间的关系更加复杂、动态、多维，现有信息交互技术难以准确描述IIoT全要素的高密度、大规模和复杂的交互关系。针对宏小区场景中网络实体间资源分配的关联关系，构建了基于超图的宏小区速率和最大化问题。在该场景中，采用非正交多址接入（NOMA, non-orthogonal multiple access）技术支持IIoT设备的多址接入，同时引入设备直连（D2D, device-to-device）通信技术以降低设备之间的干扰并提高频谱效率。在构建宏小区飞蜂窝基站及其内部设备之间的超图干扰模型时，将飞蜂窝接入点（FAP, femtocell access point）定义为顶点，干扰关系定义为边和超边，通过分析超图中的超边关系，让产生较少干扰的基站共享同一频谱，并采用基于超图的最大顶点权重团算法，实现频谱资源最优分配及频谱共享匹配。仿真结果表明，相比于基于图的资源方案，该方法可以显著提高频谱效率，并且在高密度、大规模和复杂的环境下具有较好的适应性和可扩展性，为IIoT在超密集无线网络环境下的资源分配问题提供了有效解决方案。关键词：工业物联网;非正交多址接入;D2D群组;超图;最大团问题;资源分配182|79|0更新时间：2026-01-04
- 摘要：为了提升去蜂窝（CF, cell-free）网络的性能，对可重构智能表面（RIS, reconfigurable intelligent surface）辅助下的CF网络混合预编码设计进行了研究，其中，接入节点与中央处理单元之间的前传链路容量受限。在满足用户服务质量（QoS, quality of service）和前传链路容量约束下，建立了一个联合优化混合预编码矩阵、RIS相移参数和量化噪声协方差矩阵的加权和速率最大化问题。利用交替优化算法，该问题被分解为4个子问题并分别迭代求解。为了解决非凸QoS约束，使用二次转换方法近似该约束。针对非凸恒模约束，提出了交替方向乘子法架构下的流形优化方法。仿真结果表明，所提算法显著地优于基准算法，同时在网络中部署RIS可以有效地提高用户速率。关键词：去蜂窝网络;可重构智能表面;混合预编码;量化压缩134|66|0更新时间：2026-01-04
- 摘要：超宽带（UWB, ultra-wideband）技术能够提供高精度的定位信息，在室内定位中具有显著优势。到达角（AOA, angle of arrival）估计作为UWB定位的关键技术之一，对提高定位精度至关重要。然而，在实际应用中，UWB AOA估计面临着诸多挑战，尤其是在非视距（NLOS, non-line-of-sight）、天线硬件损伤、环境变化情况等复杂情况下，这些因素会造成信号失真和测量偏差，从而降低估计的精度，而传统的建模方法往往难以有效处理这些非线性问题。因此，设计了一种基于特征融合的UWB AOA估计方法。该方法融合了CIR数据和双天线接收信号特征，并引入Transformer编码器对复杂信号进行深度挖掘，以提升AOA估计的精度。实验结果表明，所提方法在NLOS条件下可以实现高精度的AOA估计。关键词：超宽带信号;到达角估计;深度学习;特征融合;非视距87|127|0更新时间：2026-01-04
- 摘要：基于射频信号的室内定位技术是第六代无线通信系统中的重要研究方向之一。随着人工智能的发展，基于深度学习的室内指纹定位方法在定位性能上得到了显著提升。然而，这类方法仍面临以下挑战，包括射频数据采集时间长、标注成本高，导致现有深度学习算法在不同场景下的环境泛化能力差。针对该问题，提出了一种基于孪生图卷积神经网络（Siamese GCN, siamese graph convolutional network）的小样本迁移学习室内指纹定位方法。该技术结合Siamese GCN模型与基于最大均值差异的领域自适应方法，仅需在当前环境中采集少量信道状态信息样本，即可复用其他环境中已训练好的模型权重，从而显著降低新环境下的数据采集与标注成本。为验证所提方法的有效性，在实验室和走廊两个典型的室内场景下采集了真实的环境数据。实验结果表明，所提的迁移学习方法在仅使用30%的标注样本的情况下，仍能实现较好的定位性能。关键词：孪生图卷积神经网络;室内定位;迁移学习;信道状态信息65|58|0更新时间：2026-01-04
- 摘要：近年来，异构群体协作感知成为群体智能领域的重要研究方向，主要探讨不同类型的智能体（如人类、无人机和无人车）如何协同工作以感知和理解环境，在应急救援等活动中被广泛应用。现有针对异构群体协作感知的任务分配算法大多难以平衡任务分配效果和求解效率，且未能实现异构群体的深度协作。针对应急救援活动中环境状态的部分可观条件，提出了一种“硬协作”异构群体协作模式，并建立了部分可观异构群体协作感知任务分配问题模型。为求解该问题，构建了多智能体协作框架，并在此基础上提出了环境状态部分可观条件下的异构群体协作感知任务分配算法。实验结果表明，相较于基线算法，所提方法在任务完成率上更具优势，4个场景中的平均任务完成率为84.40% ± 4.74%，远高于目前最优基线算法的65.98% ± 4.97%。此外，所提方法展现出良好的鲁棒性，即使在感知场景变化时仍能保持较高的任务完成率，显示出在动态环境中的应用潜力。关键词：应急响应;异构群体协作感知;任务分配;多智能体强化学习65|50|0更新时间：2026-01-04
- 摘要：自组织制造模式结合现有的工业互联技术、无线网络技术、分布式计算技术和人工智能技术并加以应用，将传统制造资源封装为具有高自主性、高适应性和高功能性的制造单元，并通过与其他制造单元的交互，完成制造任务的自组织协商分配。在这个过程中，为了构建制造任务智能分配和自组织资源配置的快速响应机制，实现制造任务与制造资源的高效、动态匹配，将多智能体合同网协议与蒙特卡洛树搜索算法相结合，提出了制造车间控制系统自组织运作机制与制造任务调度优化方法。最后，通过离散车间任务分配案例对所提方法的实际可行性进行了验证。实验结果证明，该方法更易实现“单步协商、全域寻优”这一目标。关键词：多智能体系统;自组织运作;蒙特卡洛树搜索;制造任务分配;智能制造54|27|0更新时间：2026-01-04
- 摘要：Wi-Fi网络性能优化通常是多参数、多目标动态优化问题，在数学建模上面临巨大挑战。深度强化学习（DRL, deep reinforcement learning）不需要复杂的数学建模，近年来被广泛应用于Wi-Fi网络性能优化。同时，生成扩散模型（GDMs, generative diffusion models）在多个领域中对复杂数据分布的建模取得了显著进展。因此，将DRL与GDMs相结合可以增强其对Wi-Fi网络性能优化的能力。Wi-Fi网络的典型介质访问控制（MAC, medium access control）接入机制是分布式协调功能（DCF, distributed coordination function），在竞争终端数量较多时，其性能会显著下降。提出了一种深度扩散确定性策略梯度（D3PG, deep diffusion deterministic policy gradient）算法，将扩散模型与深度确定性策略梯度（DDPG, deep deterministic policy gradient）框架相结合，以优化Wi-Fi网络性能。此外，还提出了一种基于D3PG算法的接入机制，联合调整竞争窗口和聚合帧长度。仿真实验表明，该机制在密集Wi-Fi场景中显著优于现有Wi-Fi标准的MAC接入机制，在竞争用户数量急剧增加时，仍能保持吞吐量性能稳定。关键词：Wi-Fi网络;生成扩散模型;深度强化学习;性能优化;接入控制52|47|0更新时间：2026-01-04
- 摘要：正交时频空（OTFS, orthogonal time frequency space）作为6G关键候选技术之一，能够有效对抗双选择性衰落信道的影响。然而，OTFS系统的信道估计一直是学术界研究的重点和难点。近年来，有研究提出了基于深度学习的OTFS信道估计方案，其运用人工智能技术快速捕捉信道变化，但也存在网络规模大、难以满足移动终端轻量化需求的问题。为此，以提高计算效率、降低设备功耗为目标，提出一种基于轻量并行去噪网络的OTFS信道估计算法。该算法结合图像去噪和数据驱动思想，在保留深度学习算法强大的泛化能力的基础上，通过优化网络结构和降低导频功率，降低了移动端的算力成本，为高速移动场景下终端通信的轻量化提供了新的解决方案。所提算法的参数规模仅为现有基于图像去噪的卷积神经网络（DnCNN, denoising convolutional neural network）的15%，大幅降低了网络参数规模和计算复杂度。仿真结果表明，凭借独特的并行结构设计，所提算法弥补了轻量化设计带来的估计性能损失。在五径快时变信道下，所提算法相较于DnCNN实现了4 dB的性能增益。关键词：OTFS;信道估计;深度学习;去噪网络;轻量化57|45|0更新时间：2026-01-04
- 摘要：低空物联网的通信、导航等核心功能高度依赖第三方库，而此类库中的漏洞可能引发无人机失控、数据泄露等重大安全风险。针对现有漏洞识别方法难以及时捕捉新迁移库漏洞，且难以在资源受限的物联网设备中高效运行等问题，提出了一种基于时间因子优化的迁移库漏洞识别方法。该方法通过深度挖掘开源项目中的迁移信息，构建包括时间支持度、标签支持度在内的6类指标，筛选出新颖的轻量级迁移库。在此基础上，采用精简Transformer模型对所选库进行漏洞检测，降低边缘设备的计算负担，实现对漏洞的轻量化准确识别。实验结果表明，所提方法在漏洞识别任务中的F1值平均达到0.78，相比主流方法提升10%以上，训练时间缩短了约58%，平均预测时间仅4.7 ms，能够有效提升低空场景下库迁移过程的安全性与实时性，为低空物联网设备提供高效的安全防护。关键词：低空物联网;第三方库;漏洞识别;时间因子53|33|0更新时间：2026-01-04
- 摘要：医疗保险欺诈在全球范围内日益严重，对经济和医疗保健体系构成重大威胁。与被广泛研究关注的开药环节相比，“回流药”收药环节是医保欺诈监督全链条中最隐蔽、难度最大的关键环节。针对该环节，采用了物联网（IoT, Internet of things）中移动群智感知的思想，将嫌疑人的手机视为传感器，从中收集包括微信聊天记录在内的多模态数据，然后对其进行分析挖掘，从而构建出嫌疑人的社交物联网（SIoT, social Internet of things）。然而，在数据处理与分析阶段对微信聊天记录进行数据处理时，现有的关系提取方法面临多模态异构性和嫌疑人交流习惯差异性带来的提取精度困难的问题。针对上述问题，提出了一种基于大语言模型（LLMs, large language models）的嫌疑关系提取方法，首次应用LLMs对“回流药”倒卖流程中嫌疑人的社交软件聊天记录进行嫌疑关系提取，并且面向聊天记录设计了提示词模板和优化模型交互。该方法已应用于北京市石景山区人民检察院的医保欺诈监督业务，在实际数据上的充分实验表明，该方法显著地提升了复杂多模态数据的处理能力以及嫌疑关系提取的准确性与效率，有助于深入挖掘医疗保险欺诈上下游环节中的关键人物节点。关键词：大语言模型;医保欺诈监督;微信聊天记录;关系提取44|65|0更新时间：2026-01-04
- 摘要：去蜂窝大规模多输入多输出（CF-MMIMO, cell-free massive multiple-input multiple-output）系统融合了分布式天线系统与大规模MIMO的优势，通过多接入点（AP, access point）协作，极大改善了网络覆盖范围，提高了频谱效率，被认为是未来6G网络的潜在关键架构。然而，现有CF-MMIMO系统检测算法无法实现复杂度与检测性能的良好平衡。为了解决这一问题，提出了一种基于深度展开网络的低复杂度检测算法——理查德森半迭代网络（RSI-Net, Richardson semi-iterative network），用于实现上行CF-MMIMO系统的低复杂度信号检测。该算法引入理查德森半迭代（SI, semi-iterative）理论，并采用深度展开网络（DUN, deep unfolding network）以隐藏层参数训练的方式，取代原有的参数估计方案，以自适应信道统计特性的变化来实现最优的参数估计。同时，引入缩减因子改善迭代矩阵的特征值分布，从而加速收敛。仿真结果表明，在信道硬化特性减弱的CF-MMIMO系统中，无论是用户数量还是AP数量的变化，RSI-Net算法均能够保持较低的计算开销和出色的检测性能。关键词：去蜂窝;大规模多输入多输出;信号检测;半迭代;深度展开59|31|0更新时间：2026-01-04
- 摘要：随着移动网络、云服务等技术的快速发展，物联网环境下的服务数量逐渐增多，类型逐渐多样，服务间的相关性更加复杂。这种相关性会影响服务的服务质量（QoS, quality of service）性能，因此在服务组合过程中，考虑服务间的相关性是非常必要的。针对此问题，使用意图和上下文对服务进行建模，通过构建超图对服务关系网络进行描述，利用超边来表示聚类的服务集和服务间的相关性。在此基础上，采用了第三代非支配排序遗传算法（non-dominated sorting genetic algorithm Ⅲ, NSGA-Ⅲ），考虑超边表示的服务间相关性对QoS性能的影响，完成服务组合。实验证明，超图模型可以很好地描述服务及服务间的相关性，并提高多目标优化算法求解得到的服务组合方案的QoS性能。关键词：超图;服务建模;相关性;服务质量;服务组合28|33|0更新时间：2026-01-04
- 摘要：当前国内电力市场改革推进，市场主体须掌握电价变化趋势，以灵活调整生产计划与电力采购策略，因此对电价的准确预测需求日益增长。针对电价实际预测中存在的问题，如数据缺失、标错等数据异常导致的模型训练不平滑，首先，设计了K-近邻算法（KNN, K-nearest neighbors）-随机森林（RF, random forest）算法捕捉全局特征，精准识别并替换异常数据点；其次，通过变分模态分解（VMD, variational mode decomposition）将电价数据分解为多个子模态；最后，运用卷积神经网络（CNN, convolutional neural network）-双向长短期记忆（BiLSTM, bi-directional long short-term memory）网络组合模型进行预测，并得到最终的日前电价预测结果。经仿真验证，该组合电价预测算法相较于基础模型，在平均绝对误差（MAE, mean absolute error）、均方误差（MSE, mean square error）、均方根误差（RMSE, root mean square error）和平均绝对百分比误差（MAPE, mean absolute percentage error）的指标分别相对提升了15.8%、13.6%、1.54%和32.4%，且单个轮次推断时间在秒级内。该算法有效地兼顾了预测效率与精度。关键词：日前电价预测;异常检测;卷积神经网络-双向长短期记忆网络;K-近邻算法;随机森林40|24|0更新时间：2026-01-04
- 摘要：扶梯乘客的不当行为极易引发公共安全事故和财产损失，基于监控视频准确识别出扶梯乘客危险行为，对于保障公共安全具有重要意义。但现有的行为识别方法鲜有关注扶梯场景下的乘客危险行为，并且缺乏对人与扶梯时空交互的建模分析。因此，提取人体骨架和人-物交互的时空信息，设计了基于距离度量的双流人-物交互图卷积网络来识别扶梯乘客危险行为。首先，分别提取人体骨架和扶梯关键点特征，通过扶梯关键点为人体骨架特征补充场景信息。其次，利用人-扶梯间的距离度量危险行为中人-物关系的动态变化，加强模型对危险行为中时空交互信息的建模。最后，为了填补现有公开数据集中扶梯危险行为视频的空白，构建了一个扶梯乘客危险行为视频数据集ESC-Danger，该数据集包含倚靠、攀爬、下蹲、伸手、探头、滞留、逆行和奔跑8类扶梯乘客危险行为。在ESC-Danger数据集上所提模型的识别准确率为95.06％，相比于其他先进算法，具有较高的识别准确率和良好的泛化性能。关键词：危险行为识别;人-物交互;双流图卷积网络;骨架序列;扶梯60|73|0更新时间：2026-01-04
- 摘要：联邦学习作为一种灵活且可扩展的分布式机器学习方法，在工业物联网（IIoT, industrial Internet of things）中得到了广泛应用，在保护数据隐私的同时，实现低时延、低通信开销和高精度的模型训练。然而，由于工业物联网中边缘设备的计算能力和通信能力的异构性，传统同步联邦学习面临“落后者效应”，即服务器需要等待所有客户端完成本地模型参数上传，显著降低训练效率，难以满足工业物联网对低时延服务的需求。为了解决这一问题并降低设备异构性带来的训练时延，提出了一种基于半同步机制的异构工业联邦学习框架，并在此基础上设计了一种基于训练时延效益评分的客户端选择方案，以提升训练效率。此外，为了提高网络频谱资源的利用率，基于全局训练时延均衡的数学关系，提出了一种自适应设备数量的带宽分配机制，优化被选客户端的模型上传策略。大量仿真结果表明，与基于加权平均的联邦学习（FedAvg, federated averaging）和结合客户端选择的联邦学习（FedCS, federated learning with client selection）等基准方案相比，所提方法在模型准确度、系统时延及频谱利用率等方面均具有显著优势。关键词：工业物联网;联邦学习;落后者效应;客户端调度;资源分配86|67|0更新时间：2026-01-04
理论与技术
- 技术支持由北京北大方正电子有限公司提供 京ICP备09064830号-19
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
- 总访问量：209076 今日访问量：62
0