通信辅助感知:当6G基站学会“一心二用“——频谱共享、资源分配与感知QoS联合优化

深度学习在6G集成感知与通信系统中的应用与优化 集成感知与通信(ISAC)系统作为6G网络的核心技术,通过统一硬件平台实现环境感知与无线通信的双重功能,解决了频谱资源紧张和系统间干扰的问题。深度学习技术通过离线训练和在线推理的模式,显著降低了计算复杂度和能耗,提升了系统性能。在自动驾驶、工业机器人等应用场景中,ISAC系统展现出独特价值。本文重点探讨了深度学习在ISAC系统中的关键应用,包括智能波形生成、信道估计革新和接收端联合处理算法,并提供了实际部署中的挑战与解决方案。 阅读详情

目录

第一站:黑盒初探——为什么6G基站需要"精神分裂"?

第二站:频谱共享的四幕剧——从"老死不相往来"到"同吃同住"

第三站:通信信号的"兼职人生"——中观解剖

第四站:资源分配的"水箱模型"——用Toy Example建立直觉

第五站:感知QoS的"三兄弟" vs 通信QoS的"硬指标"

第六站:联合优化的数学心脏——从标量到矩阵

第一步:标量层面的直觉

第二步:矩阵层面的真实规模

第三步:求解算法——分而治之的"多头怪兽"

第七站:从实验室到真实世界——多基站、移动性与AI介入

场景1:多基站协作(Cooperative ISAC)

场景2:可移动天线(Movable Antenna)与RIS

场景3:AI驱动的动态分配

闭环收尾:这在训练与实际使用中意味着什么?

对训练(算法设计)意味着什么?

对实际使用(工程部署)意味着什么?

延伸阅读推荐


阅读地图:我们先站在景区门口看看"感知即服务"(SaaS)这栋大楼的全貌;然后坐电梯到中间层,解剖通信信号是怎么"兼职"做雷达的;最后钻进地下室,看看那个叫"联合优化"的水泵阀门到底在拧什么。别急,我们一步一步来。


第一站:黑盒初探——为什么6G基站需要"精神分裂"?

想象一下,你手里有一部6G手机。你正在给好友发一条4K视频(通信任务),同时你所在的基站正在用同一套无线电波扫描附近有没有无人机闯入禁飞区(感知任务)。问题来了:同一座基站、同一批频谱、同一根天线,它怎么知道此刻该把"力气"往哪边使?

听起来抽象对吧?在5G时代,通信和雷达感知是两个完全独立的部门——通信基站只管吞吐量,雷达系统只管回波质量,彼此像两个互不串门的老邻居。但6G提出了一种叫通感算一体化(ISCC, Integrated Sensing, Communication and Computing)的架构,把感知当成一种像云存储一样的服务对外提供,也就是Sensing as a Service(SaaS)。在这个架构里,基站不再是单纯的"信号快递员",它还得兼任"环境侦察兵"。

如果画成图,整个系统的宏观结构就像一家复合餐厅:后厨(物理层)有功率、带宽、波束这些"食材";调度员(中间层)根据菜单(QoS需求)决定怎么配菜;最终端上桌的是三种感知服务——检测(有没有目标)、估计(目标在哪)、识别(目标是谁)。

Mermaid

现在我们已经了解了SaaS大楼的外观,接下来我们要走进电梯,看看通信和感知这两个"房客"是怎么从"分居"走向"合租"的。


第二站:频谱共享的四幕剧——从"老死不相往来"到"同吃同住"

我们先把时间轴拨回二十年前。那时候频谱资源就像一条马路,通信系统和雷达系统各占一半车道,中间有护栏隔开——这叫资源分离(Resource Separated)阶段。好处是不打架,坏处是路修得宽,利用率却极低。

到了5G后期,大家开始尝试"分时限行":周一三五通信走,二四六雷达走。这在ISAC里被称为资源正交(Resource Orthogonal)阶段,比如在OFDM帧里专门切出10%~20%的时频资源给感知用。听起来公平,但就像你家的Wi-Fi每十分钟要断一次让给微波炉,总有点别扭。

再往后,工程师们想:能不能让同一辆车既载人又拉货?于是进入资源融合(Resource Converged)阶段,通信和感知共用同一套波形,同一帧数据既携带QAM符号又携带雷达啁啾。这相当于把两趟列车合并成一列双层高铁。

但6G的野心不止于此。我们现在要聊的是第四幕——资源协作(Resource Collaborative)阶段。在这个阶段,通信不仅不抢感知的资源,反而主动帮忙:通信信号照到目标上产生的回波,被基站捡起来做环境感知。这就是本文的主角:通信辅助感知(Communication-Assisted Sensing)。

Mermaid

🚧 阶段1资源分离各修各的路🚦 阶段2资源正交分时限行🚅 阶段3资源融合双层高铁🤝 阶段4资源协作通信辅助感知

在继续之前,你可能会问:通信信号明明是发给手机的,怎么突然就能当雷达用了?好问题,这正是我们下一站要拆解的"中观结构"。

第三站:通信信号的"兼职人生"——中观解剖

想象基站是一个巨大的全连接层(Fully Connected Layer)。它的输入不是单一的通信数据流,而是叠加态:一部分神经元连接着通信用户,另一部分连接着感知目标。输出端则有两个损失函数——一个叫"通信误码率",一个叫"感知 CRLB(克拉美罗界)"。

具体怎么运作?我们来看一个典型的上行场景:多个用户同时给基站发数据(这是他们的本职工作),而空间中的无人机目标把这些信号反射了一部分回基站(这是"兼职收入")。基站侧的接收机就像一位精明的会计,它把收到的叠加信号送进两个并行的处理流水线:

  1. 通信流水线:解码用户数据,追求香农容量;

  2. 感知流水线:做波束成形、匹配滤波,从回波里提取目标的角度、距离、速度。

Mermaid

这个机制在文献里有个更酷的名字,叫机会式ISAC(Opportunistic ISAC)——通信信号"顺便"把感知给做了。但"顺便"二字听起来轻松,背后却藏着一个棘手的资源分配问题:如果通信用户离基站很近,信号很强,那反射到目标上的能量可能就不够,感知精度会下降;反之,如果把太多功率拨给感知,用户的下载速率就会哭晕在厕所。

这就像训练一个多任务神经网络时,两个任务的损失函数在抢显存。我们需要一个"学习率调节器",在通信和感知之间找到动态平衡。而这个调节器,就是下一节要讲的联合优化。

第四站:资源分配的"水箱模型"——用Toy Example建立直觉

别急,在扔出满屏的数学符号之前,我们先玩一个极度简化的玩具模型(Toy Example)。假设:

  • 只有一个基站(就像只有一个GPU);

  • 只有一个通信用户(任务A);

  • 只有一个感知目标(任务B);

  • 总功率水箱里有P_{\text{total}} 升水。

基站手里有两个阀门:

  • 阀门C:把水(功率)拨给通信用户,水越多,用户的信噪比越高,速率越大;

  • 阀门S:把水拨给感知波束,水越多,目标回波的信噪比越高,估计精度越好(CRB越低)。

但两个阀门不是独立的——它们从同一个水箱取水。如果我们用一个旋钮 η (0到1之间)来控制总阀,那么通信分到 \eta P_{\text{total}},感知分到 (1-\eta) P_{\text{total}} 。这个 η 在文献里常被称为偏好系数或权重因子。

Mermaid

听起来像深度学习里的多任务损失加权对吧?没错,如果你熟悉 Loss_total = λ₁·Loss_cls + λ₂·Loss_reg,那这里的 η 就对应 λ 的角色。只不过在ISAC里,"损失"不是梯度下降,而是通信速率和感知误差的联合效用函数。

现在我们已经了解了单基站、单用户的直觉,接下来我们要看看,当系统放大到真实规模时,这个"水箱"会变得多复杂。

第五站:感知QoS的"三兄弟" vs 通信QoS的"硬指标"

在继续拧阀门之前,我们得先认识一下QoS(服务质量)家族的两派势力。

通信QoS我们很熟悉:速率(Rate)、时延(Latency)、误码率(BER)、信干噪比(SINR)。这些是"硬指标",就像你点外卖时的送达承诺——晚了就差评。

但感知QoS是个相对陌生的概念。文献把它优雅地分为三兄弟:

  1. 检测类QoS(Detection):用检测概率 Pd​ 和虚警概率 Pfa​ 衡量。就像二分类问题里的精确率和召回率,基站要回答"这空域到底有没有无人机?"

  2. 估计类QoS(Estimation):用克拉美罗界(CRB)衡量。这是参数估计的理论下界,好比全连接层回归任务的MSE下界——CRB越小,定位越准。

  3. 识别/跟踪类QoS(Tracking):用后验CRB(Posterior CRB)或互信息(Mutual Information)衡量。对应时序任务,就像RNN跟踪一个运动轨迹时的累积误差。

问题来了:这两大家族住在同一个屋檐下,却经常吵架。通信部门说"我的视频通话需要至少10 Mbps,少1比特就卡顿";感知部门说"我的CRB必须低于0.1米,否则无人机定位偏差太大"。基站这个"物业经理"怎么办?

答案就是联合优化(Joint Optimization):不是先满足通信再 leftovers 给感知,也不是反过来,而是同时把两个家族的诉求写进同一个数学问题里,找一个帕累托最优的折中点。


第六站:联合优化的数学心脏——从标量到矩阵

好,现在我们要揭开那个"水泵阀门"的真面目了。先从标量直觉推广到矩阵实现。

第一步:标量层面的直觉

回到我们的Toy Example。假设基站要最大化一个加权效用函数:

这个优化问题在文献里被形式化为:

\max_{\{P_k, B_k, \mathbf{w}_k\}}} \quad \eta \cdot \sum_{k} R_k + (1-\eta) \cdot \sum_{m} \mathcal{Q}_m^{\text{sense}}

subject to 功率、带宽、QoS阈值等一堆约束。

第二步:矩阵层面的真实规模

但在真实6G网络里,一切变成了矩阵和向量:

  • 功率从标量 P 变成波束成形向量\mathbf{w} \in \mathbb{C}^{N_t \times 1} ;

  • 信道从标量 h 变成MIMO信道矩阵\mathbf{H} \in \mathbb{C}^{N_r \times N_t} ;

  • 感知回波从标量 α 变成雷达散射截面(RCS)和导向矢量 a(θ) 。

这时候的优化问题不再是简单的一元函数求极值,而是一个非凸的、多变量耦合的、有时还是混合整数的大规模问题。就像你要同时优化Transformer里所有层的注意力权重、前馈维度和学习率,还不能让显存爆掉。

第三步:求解算法——分而治之的"多头怪兽"

面对这种"多头怪兽",文献里常用的策略是交替优化(Alternating Optimization, AO),配合几种"小弟"算法:

  • SCA(Successive Convex Approximation):把非凸问题在当前点局部线性化,就像Adam优化器里用一阶矩估计近似真实梯度;

  • PDD(Penalty Dual Decomposition):处理耦合约束,像Lagrangian乘子法把硬约束"软化"进目标函数;

  • Dinkelbach方法:当目标函数是分数形式(比如能效EE)时,把它转化成等价的参数化问题。

Mermaid

现在我们已经了解了联合优化的数学心脏,接下来要看看,当这个心脏被移植到真实6G躯体里时,会遇到哪些"排异反应"。


第七站:从实验室到真实世界——多基站、移动性与AI介入

在实验室的Toy Example里,信道是静态的,用户是乖巧的,目标是不动的。但真实的6G网络呢?用户开着车以120km/h掠过,无人机在楼宇间乱窜,基站之间还要搞"协作感知"(Cooperative Sensing)。

场景1:多基站协作(Cooperative ISAC)

想象三个基站同时盯着一架无人机。每个基站看到的RCS角度不同,回波质量也不同。这时候资源分配不再是一个水箱,而是一个水管网络——基站1可能把功率拨给通信,基站2把带宽拨给感知,它们还要通过回程链路(Backhaul)交换信息。

文献提出了一个叫CBARA的框架,联合优化基站指派(Base Station Assignment)和资源分配。结果显示:当感知目标飞离网络中心时,它的信道条件恶化,系统会自动把更多带宽"倾斜"给这个目标,哪怕这意味着通信用户要少吃一点资源。

场景2:可移动天线(Movable Antenna)与RIS

更进一步,基站的天线本身也会动。文献研究了可移动天线(MA)辅助的ISAC:天线位置可以在几个预设点之间切换,就像CNN里的可变形卷积(Deformable Convolution),根据目标位置动态调整"感受野"。配合智能超表面(RIS)后,还能在环境中凭空"造"出一条反射路径,绕过遮挡物。

场景3:AI驱动的动态分配

当解析方法跟不上环境的瞬息万变,深度强化学习(DRL)就登场了。文献综述了AI驱动的ISAC资源分配:把基站当成智能体(Agent),把信道状态当成环境(Environment),把资源分配动作当成策略(Policy)。通过MADDPG、PPO等算法,网络可以在毫秒级做出功率、波束和带宽的联合决策。


闭环收尾:这在训练与实际使用中意味着什么?

好,我们已经从宏观的SaaS架构一路钻到了微观的联合优化算法。在结束这趟导游之前,让我们把散落的珠子串成闭环。

对训练(算法设计)意味着什么?

  1. 收敛性 vs 实时性:AO+SCA这类传统方法保证收敛,但计算量大;DRL方法响应快,但训练成本高、泛化性待验证。实际部署往往是"离线训练DRL策略,在线用AO做微调"的混合模式。

  2. 公平性:在多目标场景中,最大化"最小感知SINR"(Max-Min Fairness)比单纯最大化总和更重要,这能防止系统"偏心"只照顾离基站近的目标。

  3. 鲁棒性:真实信道有估计误差、RCS有波动、硬件有非线性失真。联合优化必须留出"安全余量",就像深度学习里的Dropout和Label Smoothing,用来对抗不确定性。

对实际使用(工程部署)意味着什么?

  • 车联网(V2X):基站通过通信辅助感知实时扫描盲区行人,但通信QoS不能掉,因为自动驾驶需要毫秒级时延。

  • 低空经济:无人机物流网络中,多架无人机既是通信节点又是被感知目标,频谱共享从"二选一"变成"多选一",复杂度指数级上升。

  • 6G IoT网络切片:通过端到端切片,把通信和感知服务打包成独立的虚拟网络,每个切片有自己的QoS SLA。

延伸阅读推荐

如果你还想继续深挖,这几条路值得一走:

  1. 最优传输理论(Optimal Transport)在ISAC中的应用:文献用AIBOT算法把混合整数非凸问题转化成了概率分布的"推土机距离"问题,提升了12%的速率和29%的定位精度。

  2. 网络切片+ISAC:文献把ISAC和E2E Network Slicing结合,用DQN做资源调度,适合对6G IoT感兴趣的读者。

  3. 安全与能效:如果你担心"一心二用"会导致信息泄露,文献探讨了物理层安全(PLS)与ISAC的联合设计,让通信信号在照亮目标的同时,对窃听者施加"破坏性干扰"。


写在最后:通信辅助感知本质上是一个关于"妥协的艺术"的故事。6G基站就像一个经验丰富的项目经理,手头的预算(功率、带宽、天线)永远不够,而通信和感知两个部门永远在提需求。联合优化的价值,不在于让任何一方100%满意,而在于让系统整体效用最大化——这正是SaaS和ISCC的终极愿景。

现在,当你再看到基站天线时,不妨想象它正一边和你的手机聊天,一边用余光扫视着天空中的无人机。它很忙,但它乐在其中。我们下篇见。

AGI原生6G网络:电信大脑驱动通感算一体化架构与关键技术 通用人工智能(AGI)正从实验室概念走向工程实践,其核心思维范式——持续学习、因果推理与目标驱动——为复杂系统设计提供了新的‘第一性原理’。在通信领域,这一理念催生了‘电信大脑’架构,旨在构建具备认知能力的分布式网络中枢。该架构通过多模态感知融合引擎与动态数字孪生体,将环境感知提升为与通信平等的基础能力,实现了从被动响应到主动理解的范式转变。其技术价值在于破解海量异构业务与网络僵化控制间的根本矛盾,为6G通感算一体化提供了核心支撑。在智能交通、低空经济、沉浸式XR等场景中,该架构能实现通信资源与感知资源的智 阅读详情

相关推荐

5G/6G超密集IoT网络中的NOMA与强化学习资源分配

在5G向6G演进的过程中,非正交多址接入(NOMA)技术通过功率域或码域复用显著提升了频谱效率,成为解决物联网(IoT)设备爆炸式增长带来的资源分配挑战的关键技术。其核心原理是利用叠加编码和连续干扰消除(SIC),使多个用户共享相同频谱资源。Gold码因其严格的三值互相关特性和低实现复杂度,成为码域NOMA的理想选择。结合强化学习算法如自然策略梯度(NPG)和深度确定性策略梯度(DDPG),可以实现动态资源分配,满足智能城市、工业自动化等场景下差异化QoS需求。实测数据显示,这种方案在超密集网络中可提升吞吐

abc_1114的博客 406

6G ISAC技术:通信与感知的深度协同

集成感知与通信(ISAC)是6G网络的核心技术方向,通过共享硬件和频谱资源实现通信与感知功能的一体化。其技术原理基于OFDM波形、大规模MIMO和AI信号处理三大支柱,在物理层实现波形复用与空时编码优化。ISAC显著提升了频谱效率,降低系统复杂度,在自动驾驶、工业物联网等场景展现巨大价值。特别是通过AI驱动的资源动态分配和联合信号处理,系统能智能平衡通信速率与感知精度。随着3GPP推进标准化,ISAC正从FR1向sub-THz频段扩展,射频数字孪生技术进一步强化了环境建模能力。

weixin_30376083的博客 344

中国6GHz频谱划分:IMT与Wi-Fi 7的700MHz重叠频段技术共存分析

本文深入分析了中国6GHz频谱划分中IMT与Wi-Fi 7在700MHz重叠频段的技术共存挑战与解决方案。探讨了全球频谱分配格局、干扰管理核心技术及5925-6425MHz频段的发展前景,为未来无线通信生态提供协同创新路径。重点关注了Wi-Fi 7与5G/6G网络的频谱协调机制,包括AFC系统、LBT机制等关键技术。

weixin_30755393的博客 397

【6G多模态传输带宽分配终极指南】:揭秘未来通信网络资源调度核心技术

掌握6G多模态传输的带宽分配核心技术,解决未来高密度通信资源调度难题。适用于智能交通、全息通信等场景,融合AI预测与动态切片技术,提升频谱效率与系统灵活性。方法先进,实操性强,值得收藏。

InstrIsle的博客 1125

B5G/6G无线通信技术演进与核心挑战解析

无线通信技术正从5G向B5G/6G演进,其核心在于太赫兹频段开发、智能超表面(RIS)和AI原生空口设计三大技术支柱。太赫兹通信虽能提供超高带宽,但面临大气衰减和穿透性差的挑战;RIS通过动态调控无线信道特性扩展覆盖范围;AI技术则深度优化物理层信号处理。这些技术在智慧交通、工业物联网等场景展现出巨大潜力,如实现微秒级时延和千万级设备连接。随着通信-计算-感知一体化的推进,未来将更注重绿色通信和AI驱动的资源管理。

weixin_34138585的博客 362

超密集IoT网络中NOMA技术与强化学习资源分配

非正交多址接入(NOMA)是5G/6G网络中的关键技术,通过在功率域或码域实现多用户信号叠加,显著提升频谱效率。其核心原理包括功率域NOMA的叠加编码与连续干扰消除(SIC),以及码域NOMA的扩频码区分技术。在超密集IoT场景下,NOMA技术特别适合处理海量设备的突发性数据传输需求,同时降低对时间同步的要求。结合强化学习算法如自然策略梯度(NPG)和深度确定性策略梯度(DDPG),可以实现动态资源分配,优化网络性能。这种技术组合在智能城市、工业自动化和传感器网络等场景中展现出巨大应用潜力,为解决超密集Io

abc_1114的博客 360

从5G到6G跃迁关键:多模态传输中带宽分配的7个颠覆性创新

破解6G网络效率瓶颈,本文深入解析6G多模态传输的带宽分配创新机制。涵盖智能动态切片、AI驱动资源调度等7大技术突破,适用于全息通信、车联网等场景,显著提升传输效率与网络灵活性。前沿方案值得收藏,点击了解实现路径。

SimCompile的博客 1032

深度强化学习驱动的混合RIS辅助ISAC系统波束成形设计

本文提出了一种基于深度强化学习的混合RIS辅助ISAC系统波束成形优化方法。针对传统无源RIS的"双重衰落"问题,采用同时包含无源反射和有源放大单元的混合RIS结构。通过建立通信速率与感知信噪比联合优化的数学模型,将高维非凸优化问题转化为马尔可夫决策过程,并采用软演员-评论家(SAC)算法进行求解。所提框架能够自适应优化基站预编码和RIS相移矩阵,在动态环境中实现通信与感知性能的平衡。仿真结果表明,该方法相比传统优化算法具有更好的收敛性和系统性能。

AI的内部世界的博客 74

6G时代的AI协议革命:如何构建原生智能通信架构?

探索6G网络的AI原生协议开发新范式,解决未来通信智能协同难题。融合边缘智能与语义通信,实现自适应资源调度与端到端自治优化,适用于元宇宙、自动驾驶等低时延高可靠场景。核心技术驱动网络原生智能化,点击了解架构设计关键路径,值得收藏。

GatherLume的博客 515

【信息科学与工程学】【通信工程】第一百二十四篇 中国企业网络通信和网络安全需求04 电力通信行业需求

字段详细描述编号​M-0023领域-场景/业务需求名称​【架构】电力通信网软件定义广域网(SD-WAN)​推理过程、需求建模与数学规律​电力企业广域网连接众多分支机构,传统基于 MPLS 的专线成本高、不灵活。SD-WAN 通过混合链路(MPLS、互联网、5G)和智能选路,提升灵活性和降低成本。1.智能路径选择:SD-WAN 控制器实时监测各链路质量(时延、丢包、抖动、带宽利用率)。为每个应用流选择最优路径。这可以建模为多臂老虎机或在线学习。

weixin_49199313的博客 370

java三角套利_三角对冲套利-EA原理全解析

它是两个直盘货币和一个交叉盘货币之间的相互对冲,交易员往往受到外界因素的影响无法严格执行造成亏损。该系统经过大量数据统计分析和严格的科学论证计算,并通过多年实盘交易验证可以达到稳定盈利。希望交易员严格按照交易规则执行。此策略利用交叉外汇对的市场价格与其合成价格的价差来实现套利,还以EUR/USD和GBP为例:1,我们关注三个外汇对:EUR/USD,GBP/USD,以及GBP/EUR2,计算GBP/...

weixin_29531897的博客 2420

6G多模态传输带宽分配实战:3种高效模型对比与应用场景分析

掌握6G多模态传输的带宽分配难题,本文对比3种高效模型,涵盖工业物联网、沉浸式通信等应用场景。分析各模型在动态调度、资源利用率与延迟控制上的优势,提供可落地的优化方案,助力下一代网络设计,值得收藏。

DeepLens的博客 713

【NLG】(六)文本生成评价指标—— ROUGE原理及代码示例

前奏: 【NLG】(一)文本生成评价指标——BLEU原理及代码示例 【NLG】(二)文本生成评价指标—— METEOR原理及代码示例 【NLG】(三)文本生成评价指标—— ENTROPY原理及代码示例 【NLG】(四)文本生成评价指标—— diversity原理及代码示例 【NLG】(五)文本生成评价指标—— kl_divergence原理及代码示例 1.ROUGE原理 2.优缺点 3.如何算ROUGE ...

凝眸伏笔的博客 1万+

告别传统调度模式,AI原生架构如何让6G网络效率提升90%?

AI原生架构重塑6G网络资源调度效率,解决传统模式响应慢、利用率低难题。通过智能预测与动态编排,实现毫秒级资源分配,适用于工业互联网、车联网等高并发场景,提升网络效率达90%。掌握6G网络AI原生的资源调度新范式,值得收藏。

CodePulse的博客 1088

免费教你快速学会分析运算放大器电路(保证学会)

本文旨在学习如何快速简单地对运算放大器进行分析

一名热爱技术的工程师的博客。分享技术干货,记录美好生活。永远相信美好的事情即将发生。 1万+

【ARM CoreLink 系列 7 -- TZC-400控制器简介】

为了确保内存能够正确识别总线的信号控制位,新增一个TrustZone地址空间控制器(TrustZone Address Space Controller,TZASC)组件来实现对内存地址的安全扩展,将内存区域划分为安全内存区域和非安全内存区域,安全世界可以访问安全内存和非安全内存,而普通世界只能访问非安全内存,如下图所示:图 1-1内存区域的划分是在系统启动时通过配置 TZASC 组件(TZC-400/TZC-380)来实现的。TZC-400由和使能情况;安全访问权限;Base地址;

CodingCos的博客 1634

6G环境感知网络PEMNet架构与关键技术解析

环境感知是移动通信网络向6G演进的核心技术,通过实时捕捉无线传播特性和业务需求变化,实现网络自主优化决策。其技术原理基于多源数据融合与时空建模,采用压缩感知降低测量开销,结合机器学习实现高精度预测。在工程实践中,该技术能显著提升频谱效率、降低信令开销,已应用于多小区干扰协调、智能波束成形等场景。PEMNet创新提出的感知嵌入地图(PEM)框架,通过标准化数据驱动和分层时空建模,解决了传统方案数据采集成本高、知识维度单一等痛点。测试数据显示,该架构可使频谱效率提升39%,同时减少66%的信道估计开销,为6G网

weixin_30786657的博客 514

华为OD机试真题2025双机位A卷 Java&Go 实现【采购订单】

在一个采购系统中,采购申请(PR)需要经过审批后才能生成采购订单(PO)。每个PR包含商品的单价(假设相同商品的单价一定是一样的)及数量信息。系统要求对商品进行分类处理:单价高于100元的商品需要单独处理,单价低于或等于100元的相同商品可以合并到同一采购订单PO中。针对单价低于100的小额订单,如果量大可以打折购买。

MISAYAONE的博客 1262

用于RIS辅助大规模物联网系统在线资源分配的帕累托感知分层强化学习

摘要: 本文提出了一种基于分层强化学习(RL)的PAAERL框架,用于优化RIS辅助物联网网络中的实时资源分配。针对高维物理层变量和非凸帕累托最优速率集带来的计算挑战,PAAERL通过两级压缩策略显著降低复杂度:1)模型驱动的定向映射将RIS配置变量转换为低维权重向量,确保帕累托最优性;2)数据驱动的自编码器进一步压缩权重空间,加速在线决策。实验表明,PAAERL在RIS辅助MEC网络中显著减少训练时间、提升收敛速度并降低网络成本,优于传统RL和加权和速率优化方法。该框架为下一代智能物联网的高效资源管理提供

hao_wujing的专栏 560

03、ZigBee 开发教程之进阶篇—CC2530无线传输质量检测

文章目录1、Packet Error Rate Tester(包错误率测试)理论分析1.1、工作流程1.2、流程图1.3、丢包、PER、RSSI计算方法2、实验详解2.1、实验目的2.2、实验设备2.3、实验现象2.4、源码分析2.5、实验步骤及现象 1、Packet Error Rate Tester(包错误率测试)理论分析 1.1、工作流程 Packet Error Rate Tester(包错误率测试) 1、启动 板载外设、射频IO、系统时钟、中断等初始化(halBoardInit();); Bas

嵌入式羊圈 1540

某头部金融APP防护机制逆向实录:从反调试到TEE加密的全链路攻防拆解

金融APP安全防护体系深度破解分析 本文详细拆解了某头部金融APP的三重防御机制破解过程。首先通过Frida绕过反调试技术,包括ptrace自我绑定、TracerPid检测和debuggerd监控;随后针对12种Root检测方法(如su文件检查、Magisk检测等)进行环境伪装,通过Hook系统调用伪造安全环境;最后逆向分析TEE加密模块,解密关键接口参数。整个破解过程涉及静态分析、动态调试和代码注入技术,揭示了金融级APP安全防护的实现原理与突破方法(注:所有操作均获授权,仅用于安全研究)。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1401

强化学习用于灾后搜救任务中高能效无人机-感知通信一体化

<think>好的,用户要求根据提供的长篇文章生成一份不超过150字的文章摘要。 长篇文章主要研究的是无人机集成感知与通信系统,提出了一种结合推进感知奖励塑造的课程引导软演员-评论家框架。核心是联合优化三维轨迹、通信-感知功率分配和每用户功率分配,以提高能效。 需要提炼文章最核心的信息:问题、方法、创新点和关键成果。问题在于无人机能量有限,耦合了感知、通信和推进能耗。方法就是CG-SAC框架。创新点包括封闭形式的经济巡航速度推导、课程学习、组合奖励塑造。成果是在2000个场景下达到0.72Mbi

hao_wujing的专栏 381

29. 如何通过 ABAP 代码给 SAP OData 元数据增添注解

我们先看下效果,在 MPC_EXT 类的 DEFINE 方法里编写 ABAP 代码之后,用 Postman 使用 url 访问 OData metadata,在返回的数据里,能看到我们用 ABAP 代码添加的自定义注解。你好,请问可以不可以在odata里面通过什么设置,从而自动给metadata.xml中加上注解,实现value help的功能,还是说每次需要在metadata.xml中修改?的词汇引用,然后为命名空间 com.sap.vocabularies.UI.v1 声明了一个别名。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1661

为什么说6G多模态传输协议是未来10年最重要的技术布局?

解决未来海量异构数据传输难题,6G通信的多模态数据传输协议设计支持智慧医疗、自动驾驶与元宇宙等场景,融合AI驱动的动态资源分配与语义通信技术,提升传输效率与可靠性,实现全域协同互联,值得收藏。

FastCompile的博客 416

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

LLM作为网络操作员:生成式AI在6G无线接入网络中的愿景

本文提出了一种新型的LLM-RAN操作员框架,将大型语言模型嵌入下一代无线接入网络(6G及以上)控制环路,实现从高层意图到最优网络行动的策略转换。通过形式化定义LLM-RAN操作员为数学映射函数,并建立策略表达能力命题及收敛定理,该研究首次为AI原生RAN控制提供了严谨的分析工具。论文设计了与O-RAN标准兼容的架构,将非实时RIC中的LLM策略生成与近实时RIC的执行分离,同时指出实时性能、安全性和物理层适配等关键挑战。这项工作是连接AI理论与无线系统工程的重要桥梁,为开发自主、意图驱动的智能网络奠定了基

hao_wujing的专栏 804

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

数字孪生与多智能体强化学习在6G无人机网络资源管理中的应用

无线资源管理是通信网络的核心技术之一,旨在高效、公平地分配有限的频谱、功率等资源,以提升网络整体性能。其原理通常基于优化理论,通过建模与求解,在满足服务质量约束下最大化网络效用。随着人工智能技术的发展,深度强化学习为这一经典问题带来了新思路,它能使网络实体通过与环境的持续交互,自主学习并优化决策策略。这种数据驱动的方法尤其适用于6G等动态复杂的未来网络场景,例如无人机通信。在无人机网络中,节点的移动性和环境的快速变化使得传统集中式优化难以适用。多智能体深度强化学习允许多个无人机作为分布式智能体协同决策,而数

weixin_34006468的博客 430

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

上一篇: 【阵列优化】PR-ABF-Sim 系统架构设计方案
下一篇: GRT 深度解剖:单芯片雷达基础模型的全栈技术图谱
VectorShift
博客等级 码龄1年 1843粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值