电磁频谱空间射频机器学习及其应用综述

针对电磁频谱空间中频谱资源日益稀缺的问题,新兴的射频机器学习旨在结合电磁频谱领域知识,设计专门的机器学习模型,具有快速、小样本甚至零样本、可解释性和高性能的优势。按照五层网络结构,从物理层、数据链路层、网络层、传输层和应用层出发,本文对已有的射频机器学习在无线通信中具体应用的最新成果进行归类分析。同时,在现有成果基础上,通过对数据驱动和知识驱动的相互作用关系,总结了4种射频机器学习框架（串行/并行/耦合/反馈双驱动框架）。最后,为了促进射频机器学习的研究和实际应用,本文讨论了关键挑战和开放性问题。     

智能反射面增强的多无人机辅助语义通信资源优化

无人机(Unmanned Aerial Vehicle, UAV)为无线通信系统提供了具有高成本效益的解决方案。进一步地,提出了一种新颖的智能反射面(Intelligent Reflecting Surface, IRS)增强多UAV语义通信系统。该系统包括配备IRS的UAV、移动边缘计算(Mobile Edge Computing, MEC)服务器和具有数据收集与局部语义特征提取功能的UAV。通过IRS优化信号反射显著改善了UAV与MEC服务器的通信质量。所构建的问题涉及多UAV轨迹、IRS反射系数和语义符号数量联合优化,以最大限度地减少传输延迟。为解决该非凸优化问题,本文引入了深度强化学习(Deep Reinforce Learning, DRL)算法,包括对偶双深度Q网络(Dueling Double Deep Q Network, D3QN)用于解决离散动作空间问题,如UAV轨迹优化和语义符号数量优化;深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)用于解决连续动作空间问题,如IRS反射系数优化,以实现高效决策。仿真结果表明...     

锂离子电池贮存特性研究

考察不同开路电压的锂离子电池在65℃高温条件贮存不同周期后的性能变化情况。结果表明,充电至截止电压4.0 V组电池65℃贮存64 d后,性能稳定,常温容量保持率达88.37%。据此推算锂电池常温开路贮存,平均年自放电率1.43%。     

认知学习：电磁频谱空间机器学习新范式

随着无线设备及其应用呈现指数级增长,以及各种无线技术的出现,电磁频谱环境呈现环境多域、态势多维、应用多样、行为多变、信号密集的复杂特性.通过对海量数据进行即时有效的分析和处理,实现有效的频谱资源管控,对于频谱高效利用和电磁致胜显得尤为重要.以机器学习为代表的智能技术方法为电磁频谱数据分析提供了新的发展机遇,目前其已经应用于无线网络、频谱管理、资源管理等场景.然而,将机器学习应用于电磁频谱空间存在许多挑战.因为电磁频谱空间环境任务动态变化、高质量标记样本稀缺、频谱决策对高实时性的需求、知识利用和迁移困难等难点,现有机器学习算法难以很好地适用于电磁频谱空间的智能认知和决策.以干扰识别的研究为例,传统的技术包括信号特征提取和模式识别两个阶段.随着计算机算力的进步,深度学习技术凭借强大的特征表征能力逐渐占据主导地位.然而电磁频谱空间环境和数据往往存在未知、动态变化等不确定性因素,深度学习难以快速学习和适应未观测到的任务,其泛化性较差,且依赖大量高质量标记样本和人工调整超参数进行离线训练.因此,尽管深度学习在大多数研究场景中展现出了传统机器学习难以望其项背的结果,传统的机器学习图像识别模型仍然在...