2026年 01期
单通道盲源分离的多尺度模态融合复数卷积神经网络算法
颜子彦;刘宇腾;周建二;王丹洋;针对通感一体化（Integrated Sensing and Communication,ISAC）系统因共享波形与硬件资源所致的单通道同频混叠分离困难及泛化性差等问题，提出一种单通道盲源分离的多尺度模态融合复数卷积神经网络算法。该算法采用编码器-分离器-解码器网络架构，通过多尺度模态分解与自适应汇聚构建多粒度且稳健的信号表征，基于复数时间卷积网络进行掩模估计，以完成源信号的端到端重构。仿真结果表明，在覆盖多制式调制和干扰叠加的ISAC场景下，所提算法的皮尔逊相关系数可达0.97，较经验模态分解-主成分分析-独立成分分析方法和TasNet算法分别提高了约44.7%和6.1%。所提算法在未参与训练的时延与载波频偏条件下，相关系数在不同参数配置间的最大波动均不超过0.004，表明其在时序失配与频偏扰动下仍能保持稳定的分离性能。
无人机辅助通感一体化安全边缘计算网络能耗最小化方案
刘伯阳;贺嘉成;孙连锐;王晨;李自扬;针对通感一体化（Integrated Sensing and Communication,ISAC）网络中物联网（Internet of Things,IoT）节点算力不足、通信与感知性能易受建筑物遮挡影响以及通信安全等问题，提出一种无人机（Unmanned Aerial Vehicle,UAV）辅助ISAC安全边缘计算网络能耗最小化方案。通过优化UAV通信与感知发射波束成形、UAV通信与感知接收滤波器矢量、上行用户发射功率、UAV计算频率及UAV悬停点，以实现UAV与用户总能耗最小化。针对强耦合非凸优化问题，采用基于块坐标下降（Block Coordinate Descent,BCD）算法的两阶段迭代求解方法将原问题分解为7个子问题，并利用连续凸近似（Successive Convex Approximation,SCA）算法、变量替换、半正定松弛（Semi-positive Definite Relaxation,SDR）算法以及粒子群算法求解子问题。仿真结果表明，所提方案在不同参数下可有效降低系统能耗，降幅最高可达46.2%，能够更有效地优化资源分配并实现系统网络能耗最小化。
面向电网巡检通感一体的无人机-机巢协同优化方案
刘高鹤;刘国亮;孟祥月;刘青;李元;谭亚斌;常明;罗先南;蒯本链;针对无人机与地面移动机巢在电网大规模巡检与中继通信服务中的高效协作问题，提出一种面向电网巡检通感一体的无人机-机巢协同优化方案。构建多无人机巡检过程中的感知、中继通信与自动充电场景，在两阶段优化机制下，结合无人机作业约束条件，基于参数优化的K-means聚类方法实现对关键感知-通信节点的自适应分簇，在保证覆盖效率的同时最小化机巢数量。以系统吞吐量为优化目标，采用群智能优化算法联合优化簇内巡检次序、无人机轨迹与移动机巢位置，以提升巡检感知信息获取和无线通信质量。仿真结果表明，相较于传统随机巡检方案和仅优化轨迹的非聚类方案，所提方案能够在减少移动机巢数量的同时，使总吞吐量性能提升了约56.2%，可以实现无人机和移动机巢辅助的电网巡检通感一体化。
基于归一化时频分布流形的雷达目标检测方法
胡炜;曹星炜;吴昊;程永强;李宵行;史浩楠;针对海杂波非平稳特性导致的海面弱小目标检测性能下降问题，提出基于归一化时频分布流形（Normalized Time-Frequency Distribution Manifold,NTFDM）的雷达目标检测方法。该方法基于信息几何（Information Geometry,IG）数学原理，构建以时频相关性（Time-Frequency Correlation,TFC）为核心的流形差异度量准则，引入黎曼度量（Riemann Metric,RM）、Kullback-Leibler散度（KL散度）、对称Kullback-Leibler散度（sKL散度）3种几何度量准则，通过归一化处理得到归一化时频矩阵以抑制海杂波干扰，并设计时频相关性矩阵的恒虚警率（Constant False Alarm Rate,CFAR）检测器。采用IPIX雷达对海探测数据进行实验验证，实验结果表明，与基于协方差矩阵流形的检测方法相比，该方法能有效降低非平稳海杂波影响，黎曼度量下检测性能平均提升约20dB,KL散度、sKL散度下平均提升10～15dB。
基于相位卷积的多级频偏估计算法
葛海波;姚洋;针对传统的频偏估计算法调制格式单一且估计精度受训练数据量限制的问题，提出一种基于相位卷积的多级频偏估计（Phase Convolution-based Multi-Level Frequency Offset Estimation,PCM-FOE）算法。通过对待测信号进行4次方运算消除调制信息，使用固定的真实卷积窗对信号加权以调整信号特性。采用快速傅里叶变换将信号从时域转化为频域，并搜索频谱峰值位置得到频偏估计值。同时，采用多步插值的方法对频偏估计进行分级求解，以提高估计精度并降低计算复杂度。仿真结果表明，所提算法相比于传统的频偏估计算法，其复杂度降低了64%，信噪比门限降低了2～4dB，频偏估计性能稳定，所得归一化均方误差值接近于克拉美罗界，能够提高估计精度和抗噪能力。
一种串馈微带功率分配器的自动设计
杨则南;王海花;韩松;王逸琳;赵天乐;魏兵;针对串馈功率分配器传统设计中场景适配效率低、手动建模耗时长的问题，提出基于图形用户界面（Graphic User Interface,GUI）与Python-HFSS的串馈式微带功率分配器自动设计方法。通过GUI输入中心频率、功率比等核心参数，结合逐级功率叠加-阻抗迭代匹配逻辑计算微带线参数，进而调用HFSS脚本完成自动建模与仿真。以1.45GHz六级功率分配器为实例验证，结果显示参数计算耗时约0.01s,3D建模耗时约9.80s，全流程效率显著优于传统方法；且输出端口功率精度与相位一致性均满足工程要求，可有效解决传统设计痛点，适用于天线阵列等场景，具备工程应用价值。
一种高精度片上电阻型CMOS温度传感器设计
黄东;赵胜伟;张家梁;针对多相滤波器（Poly-Phase Filter,PPF）加锁频环（Frequency-Locked Loop,FLL）架构的温度传感器需要多点校准以实现低于±1℃温度误差的问题，设计一种高精度片上电阻型CMOS温度传感器，以减小比较器失调电压对精度的影响。该传感器的感温前端由两个温敏电阻和两个基准电容构成的RC多相滤波器组成，通过锁频环读出与温度相关的频率。通过引入失调校准放大器和双边沿检测频率相位检测器，实现了带预放大电路的双过零检测方案。这两项技术的结合显著降低了失调电压对系统精度的影响。基于TSMC 65nm CMOS工艺，设计并仿真实现了一款温度传感器。该传感器在0.9V电源电压下的功耗为88.6μW，在0.85V至1.3V电源电压范围内表现出0.33℃/V的电源灵敏度。在250μs和1ms的转换时间里，传感器的温度分辨率分别达到0.013℃和0.002 3℃。经过单点修调后，在-40℃至125℃的宽温度范围内，传感器的前仿真测量精度为±0.9℃，后仿真测量精度为±1.03℃。仿真结果表明，采用带预放大电路的双过零检测方案能够显著提高PPF+FLL架构温度传感器的精度。
面向工业物联网的改进拜占庭容错共识算法
翟社平;曹世龙;杨锐;康超越;针对实用拜占庭容错算法应用于工业物联网场景中存在通信开销大、时延高、吞吐量低且节点无法根据场景需求动态调整等问题，提出一种面向工业物联网的改进拜占庭容错共识算法。该算法通过建立节点综合评估模型，从性能、时空稳定度和可信度3个维度对节点进行综合评估，筛选满足场景需求的节点，并进行节点聚类分组，优化聚类中心节点选取方式和节点间距离计算方式，形成双层网络架构。最后，优化系统共识流程，主组使用实用拜占庭容错（Practical Byzantine Fault Tolerance,PBFT）算法，保证主组共识的高可靠性与抗攻击性，从组采用Fast-HotStuff共识算法，加快从组共识，并引入恶意节点检测与视图切换跨层治理机制，提高系统的稳健性和共识效率。实验结果表明，在参与共识节点数为100的情况下，相较于PBFT算法，改进算法通信开销优化了97.1%，平均吞吐量提高了82.9%，平均时延降低了84.8%，适用于不同的工业物联网场景。
认知无线传感器网络下抗拜占庭攻击的SW-WSPRT算法
吴俊;赵睿;苏明坤;许晓荣;包建荣;针对认知无线传感器网络（Cognitive Wireless Sensor Networks,CWSNs）中协作频谱感知（Cooperative Spectrum Sensing,CSS）易受恶意传感器拜占庭攻击的问题，提出一种基于滑动窗口的加权序贯概率比检验（Sliding Window-based Weighted Sequential Probability Ratio Test,SW-WSPRT）算法。通过分析滑动窗口内传感器的历史感知行为，根据滑动窗口内传感器的感知精度进一步建立信誉值和权重值分配机制，识别排除恶意传感器以降低其对融合中心的影响，并让信誉值最高的传感器感知报告参与似然比检验，最终由融合中心据此作出关于主用户（Primary User,PU）状态的全局决策。仿真实验结果表明，在拜占庭攻击下，SW-WSPRT识别恶意传感器的性能优于其他算法，且显著提升了协作频谱感知性能，在信噪比较优或较差的网络下，平均仅需约3或7个最高信誉值的感知报告即可作出可靠的全局决策。
基于自适应空间扫描和混合聚类分组的大规模优化算法
刘海燕;高丝雨;杨瀚哲;拓守恒;针对大规模全局优化问题维度高、局部极值多以及计算负担大等特点，提出一种基于自适应空间扫描和混合聚类分组的大规模优化算法。通过设计自适应空间扫描算法对大规模问题的每一维进行优化，以初步找到较好的解，逐步缩小搜索空间，同时存储有关决策变量的重要信息。利用混合聚类分组方法对大规模完全不可分问题进行合理分组：借鉴机器学习中的聚类分组思想，基于密度和贡献度进行分组，提高相互关联变量被分到同一组的可能性；利用随机分组进一步增加分组的多样性，使求解过程更具灵活性。实验结果表明，所提算法在处理高维、多局部极值的大规模全局优化问题时，表现出更优的综合性能，能够快速且精准逼近全局最优解，充分验证了该算法的有效性。