H-ResGAN在智能反射面辅助通信系统中的信道估计

智能反射面（intelligent reflecting surface, IRS）辅助通信系统的信道维度较高,现有的信道估计方法须使用大量导频才能得到准确的信道矩阵.针对这一问题,提出了一种基于混合损失的残差生成对抗网络（hybrid loss based residual generative adversarial network, H-ResGAN）模型. H-ResGAN使用多个残差块来加深网络,可以充分提取信道特征,减缓梯度消失问题.同时,采用条件最小二乘损失和L1损失相结合的混合损失作为目标函数来提高训练的稳定性.仿真实验证明：H-ResGAN对环境噪声更具鲁棒性,估计误差显著低于传统方法;与传统的估计算法相比,H-ResGAN仅须发送少量导频就能获得准确的估计结果.     

基于分解法与轨迹搜索的无人机群轨迹多目标优化模型

基于深度学习（DL）的传统多目标求解器存在模型利用率低以及容易陷入局部最优的问题。针对这些问题，提出了基于分解法与轨迹搜索的无人机群轨迹多目标优化模型（DTMO-UT）。所提模型包含编码与解码部分。首先，编码部分由设备编码器（Dencoder）和权重编码器（Wencoder）组成，用于提取物联网（IoT）设备的状态信息与权重向量的特征，其中权重向量代表分解多目标优化问题（MOP）的标量优化子问题，因此解决所有子问题即可解决该MOP。权重编码器可以实现对所有子问题的编码，从而提高了模型的利用率。然后，使用包含轨迹解码器（Tdecoder）的解码部分对编码特征进行解码，以生成帕累托最优解。最后，为了减少贪婪策略陷入局部最优的现象，为轨迹解码器设计轨迹搜索技术，即通过生成多个候选轨迹选标量值最优的轨迹作为帕累托最优解，从而增强了轨迹解码器在轨迹规划时的探索能力，并获得质量更好的帕累托集。仿真实验结果表明，所提模型相较于主流的基于DL的MOP求解器，在模型参数量降低98.93%的情况下，MOP解的分布性提高了0.076%，延展性提高了0.014%，平均综合性提高了1.23%，表现出较强的实用性...     

面向6G的深度图像语义通信模型

目前的语义通信模型在处理图像数据方面仍有可改善的部分，包括有效的图像语义编解码、高效的语义模型训练和精准的图像语义评估。为此，提出了一种深度图像语义通信（DeepISC）模型。首先采用基于vision transformer的自编码器（ViTA）网络实现高质量的图像语义编解码；接着采用自编码器实现信道编解码，保证语义在信道上的传输；然后利用判别器网络（DSN）和ViTA的双网络架构协同训练，提高重建图像的语义精度；最后针对不同的下游视觉任务提出不同的图像语义评估指标。仿真结果表明，相较于其他方案，DeepISC可以更有效地还原传输图像的语义特征，使重建图像在各个下游任务中都展现出与原图像相同或相近的语义结果。