摘要：Wi⁃Fi设备部署便捷且覆盖广泛，已成为无线感知的重要载体，其中基于Wi⁃Fi的人体动作识别在智能家居和人机交互等领域具有广泛应用前景。然而，现有方法通常仅将信道状态信息（CSI）视为时间序列，忽略了子载波维度的信息，同时在跨域场景下面临泛化性能不足的问题。为此，文中提出一种基于自适应多维特征增强与域反馈的跨域行为识别框架DFAE⁃Fi。该框架通过时频特征编码器对CSI的时间与信道特性进行联合建模，并引入基于域反馈的特征增强机制，根据 CSI的统计特性和域差异自适应调整注意力权重，构建了域判别器与特征提取器之间的反馈连接，实现特征增强与域适应的协同优化。此外，文中引入特征判别性损失并设计双路径训练策略，以提升特征表示的判别能力。公开数据集上的实验结果表明，所提方法在多种跨域场景下均优于现有方法。

2.周围，张艺，黄华，杨瑜，向波：《基于最大比合并的低复杂度OTFS系统信号检测算法》

摘要：在高速多径环境中，频率色散现象严重损害了正交频分复用（OFDM）系统子载波的正交性，而正交时频空（OTFS）调制因其良好的抗多径和多普勒干扰能力而具有广阔的应用前景。为降低 OTFS系统中的信号检测复杂度，提出了一种基于最大比合并的低复杂度信号检测算法。该算法首先借助零填充技术以及信道矩阵的循环结构特性来降低复杂度；随后通过最大比合并算法对接收的多径信号分量进行提取和相干组合，从而提高组合信号的信噪比；同时运用广义最小残差算法对信道增益矩阵的求逆运算进行简化，进一步降低算法的复杂度。对不同算法在复杂度、误码率和收敛速度方面进行对比分析，表明所提出的算法在保证误码率性能的前提下，实现了更快的收敛速度和更低的计算复杂度。

3.白韡，陈瑾，李国鑫，何朝鑫，张舵，王旭健，宁丽娜：《低功耗蓝牙邻居发现协议时延研究与优化》

摘要：针对低功耗蓝牙邻居发现时延难以分析的问题，利用单信道邻居发现与多信道邻居发现时延、确定性周期广播模式与随机时延广播模式下时延的近似关系进行研究。将时延计算建模为块覆盖问题，得到确定性周期广播模式下多信道协议时延表达式。进一步，推导了能量效率最佳的工作参数。仿真结果验证了时延计算的准确性，并且提出的最佳工作参数在确定性周期广播模式与随机时延广播模式下均具有近似最高的能量效率。

4.李琳，张登银，侯慧军：《分布式IRS辅助大规模MIMO上行链路分组迁移学习检测算法》

摘要：在集中式单智能反射面（Intelligent Reflecting Surface，IRS）辅助的多用户大规模多输入多输出（Multiple Input and Multiple Output，MIMO）系统中，海量用户的存在导致级联信道上行链路产生大规模串扰，严重降低了基站端的检测效果，表现为误比特率（Bits Error Rate，BER）升高和频谱效率下降。此外，IRS相位重复且频繁的设计与控制大幅增加了基站负荷。针对这些问题，构建了分布式IRS辅助的多用户大规模MIMO上行链路通信架构，并提出基于分组迁移学习（Grouped Transfer Learning，GTL）的检测方法。仿真结果验证了所提方法的正确性与有效性。在基站不掌握 IRS 相位和用户到 IRS信道状态信息的条件下，所提出的分布式 IRS辅助系统架构中基于 GTL的检测方法获得的BER和频谱效率能够逼近理论界限，且明显优于集中式单IRS辅助系统。同时，在训练数据较少的情况下，与基于传统卷积神经网络的检测方法相比，所提出的基于 GTL的检测方法具有更快的收敛速度，并能够获得更低的BER和更高的频谱效率。

5.刘子龙，张军，丁良辉，杨峰：《基于时频图特征压缩的低复杂度CNN干扰识别方法》

摘要：在宽带通信干扰识别中，使用短时傅里叶变换等时频分析方法将信号转换为时频图后输入卷积神经网络（CNN）实现干扰识别的算法存在复杂度高的问题。针对这个问题，提出了一种基于时频图特征压缩的低复杂度CNN干扰识别方法。该算法根据干扰时频图中信息的冗余性和无效性，使用时频图的时域均值滤波、频域均值滤波和极值滤波结果联合表征干扰的时频图特征，将滤波后的三组一维特征序列输入 CNN 网络，实现干扰识别。所提方法结合减少输入数据量和降低 CNN规模两种方式，在保证识别性能的同时显著降低干扰识别复杂度。实验结果表明，针对常见的7种压制式干扰，与传统的基于时频图的CNN识别方法相比，所提方法能减少98.78%的网络参数量和降低93.57%网络计算量，且在低干噪比情况下识别性能提升约2 dB；此外，所提方法在识别准确率和网络复杂度两方面均优于深度可分离卷积、网络剪枝和时频图尺寸压缩这几种低复杂度方案。该方法特别适用于无人机、便携式通信设备等资源受限设备中的实时干扰识别任务，为复杂电磁环境下的干扰识别提供了一种高精度、低复杂度的解决方案。

6.李曼，张欣怡，姚佳飞，张珺，杨可萌，郭宇锋：《薄层SOI结构电容-电压表征技术》

摘要：随着晶体管尺寸的不断缩小，有源层厚度需进一步减薄，这为通过电容-电压法提取物理参数带来了新的挑战。为此，提出了一种通过虚拟金属氧化物半导体（Metal⁃Oxide⁃Semiconductor， MOS）结构串联实现薄层硅绝缘体（Thin Silicon⁃on⁃Insulator，TSOI）结构的无损电容-电压表征方法。首先，引入虚拟 MOS结构串联方法，将TSOI结构的电容-电压建模转化为两个背靠背的虚拟MOS结构的电容-电压建模。接着，基于硅膜厚度与耗尽区宽度、德拜长度及反型层厚度之间的关系，构建了理想和实际薄层TSOI结构的低频和高频电容-电压模型。通过使用半导体器件仿真软件Synopsys TCAD进行数值模拟，验证了所提模型的正确性与有效性。

7.杨健，张世召，夏友旭，王藤遇，钱奕安：《基于个性化本地动量的自适应差分隐私联邦学习》

摘要：联邦学习（Federated Learning，FL）是一种分布式机器学习技术，允许多个设备或组织通过共享训练参数而非原始数据进行模型训练。然而，攻击者仍可能对这些训练参数实施推理攻击（如差分攻击）来推断个体信息。因此，差分隐私（Differential Privacy，DP）技术被广泛应用于联邦学习中以防御此类攻击。文中基于客户级（Client⁃Level）差分隐私噪声优化的联邦学习场景，设计了一种基于个性化本地动量的自适应差分隐私联邦学习算法。具体而言，通过在客户端本地设置个性化动量对本地模型进行动态校准，以克服客户端漂移问题；其次，设计通过裁剪阈值自适应衰落实现的自适应 DP 方法，可动态优化各客户端的噪声添加规模。在 Cifar10、Cifar100 和 SVHN 数据集上的实验结果表明，相同隐私保护级别下，该算法性能优于已有工作。

8.张琳，王文，罗启瑞：《基于动态分组和贡献感知的联邦客户端选择算法》

摘要：数据异构性（Non⁃IID）严重影响了联邦学习全局模型的精度和收敛速度。为此，提出了一种基于动态分组和贡献感知的联邦客户端选择算法（FedGCCS）。该算法通过标签分布驱动的动态分组机制，将具有相似数据分布的客户端划分至同一组别；同时设计了一种多维度贡献感知框架，结合模型相似度、测试准确率和训练损失等异构性敏感指标动态量化客户端贡献，并基于汤普森采样实现自适应的客户端选择策略，平衡高贡献客户端的持续利用与潜力客户端的探索机会。实验结果表明，FedGCCS在MNIST和Fashion‑MNIST数据集上均表现出色，在高度异构场景下准确率较 FedAvg、FedProx和 FedCor分别提升 19.7%、17.3% 和 7.1%，且收敛速度更快，验证了其在解决 Non⁃ IID问题和提升模型性能方面的有效性。

9. 王琴，马雪晴，杨惠茗，朱洪波：《基于差分进化搜索的边边协同计算任务卸载算法》

摘要：边缘算力网络（Edge Computing Power Network， EdgeCPN）作为一种新的计算范式，能够根据不同的任务需求灵活调度CPN中的碎片化计算资源，以实现面向大规模终端场景的高效计算任务卸载。文中设计了基于边边协同的移动设备计算任务卸载模型，将EdgeCPN中的任务卸载分为边缘计算资源池的构建和端边资源分配两个阶段，进而提出了基于最优成本计算资源池的差分进化搜索方案，实现任务卸载总延迟的最小化。首先根据用户预算选择出最优成本的计算资源池子集，然后基于资源池的可用计算资源，以最小化总延迟为目标，使用差分进化算法共同优化移动设备任务卸载决策，为每个终端的计算任务找到相应的服务器。仿真结果表明该方案显著提高了 EdgeCPN中计算资源调度性能的效率和稳定性。

10.孙洪波，王国成，张林，王晔，郭永安：《基于深度强化学习的联邦学习客户端自适应选择策略》

摘要：联邦学习作为解决数据隔离问题的新兴范式，能够在不需要客户端上传原始数据的情况下训练全局模型，有效保护用户隐私。由于客户端数量众多但通信资源有限，只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战，简单的客户端选择策略无法考虑环境的动态特性，会拖慢模型的收敛速度，降低模型性能。考虑到客户端状态的时变，提出了全新的客户端可用性评估指标，建立了多重约束下的联邦学习客户端选择模型，建模为损失最小化问题；将优化问题转化为马尔可夫决策过程，提出了一种基于深度强化学习的联邦学习客户端自适应选择（Adaptive Selection for Clients in Federated Learning based on Deep Reinforcement Learning，ASC⁃DRL）算法，综合考虑通信延迟、资源消耗及客户端可用性，通过代理服务器与环境之间的持续交互最大化奖励函数，得到最优客户端选择方案。实验结果表明，提出的ASC⁃DRL算法相比于传统联邦学习算法，在模型精度和训练损失方面有着最高89.2%和99.8%的效果提升，能够有效适应动态环境变化，提升联邦学习整体性能和稳定性。

11.谭雅莉，朱琦：《基于Stackelberg博弈的无人机辅助联邦学习优化算法》

摘要：无人机辅助联邦学习受限于地面用户计算能力与参与积极性。为此，文中提出博弈优化算法，构建多无人机-多用户协同的区块链联邦学习系统，引入区块链激励机制。采用 DBSCAN （Density⁃Based Spatial Clustering of Applications with Noise）算法对用户分簇，无人机激励用户上传数据并本地训练，再由选举出的无人机聚合全局模型。构建Stackelberg博弈数据交易模型，无人机（领导者）制定奖励策略，用户（追随者）确定数据上传方案，分别设计双方效用函数（含奖励、能耗等因素）。通过模拟退火算法优化追随者发射功率，将领导者优化问题拆分为三个子问题，分别用粒子群、理论推导和黄金分割法求解最优无人机位置、CPU频率及奖励分配比，最终求得博弈均衡解。仿真验证，该算法可有效提升数据采集效率与联邦学习性能。

12.杨真真，何袁梁，徐奕：《基于压缩空间注意力和序列聚合重分配的交通流量预测》

摘要：针对现有交通流量预测方法难以同时兼顾全局路网趋势与局部路段细节，且对交通数据长期依赖关系建模不足的问题，提出了一种基于压缩空间注意力和序列聚合重分配（Compressed Spatial Attention and Sequence Aggregation Redistribution， CSA⁃SAR）的交通流量预测方法。首先，设计了压缩空间注意力机制，通过轴向压缩技术减少冗余信息干扰，并通过卷积模块增强交通数据关键空间特征的细节表达。其次，设计了序列聚合重分配模块，利用随机池化生成全局状态的核心表示，并通过动态拼接与局部时间特征结合，改善长期依赖关系建模中全局与局部信息的融合效果。然后，设计了多尺度时间信息提取模块，通过多尺度卷积捕捉交通数据不同时间尺度特征，与序列聚合模块协同优化时间维度建模。最后，在三个数据集上的仿真实验表明，提出的CSA⁃SAR均优于现有交通流量预测方法。

13.庄瑞，程伟强，王瑞雪，秦凤伟，周丹媛，李婕妤，李嘉睿，庞成光，孙耀华，刘杨：《一种基于报文容器的智算中心网络负载均衡方案》

摘要：针对智算中心网络中细粒度负载均衡引发的数据包乱序问题，提出一种新型负载均衡方案 Pacont，通过乱序优化机制，解决传统负载均衡方案在吞吐量、时延与乱序抑制间的权衡困境。方案将连续发送的数据包构建为逻辑虚拟且等长的报文容器（PKTC），作为路由决策、转发和重排序的基本单元，从而通过细粒度的多路径选择优化链路利用率，并采用三级乱序抑制机制实现对数据包乱序的深度优化。实验结果表明，所提方案相较不同粒度的负载均衡方案具有更好的均衡性能，有效缩短了大语言模型（LLM）等AI训练任务在以太网中的完成时间。

14.乔丽娇，李佳蓉，单婷婷，鞠恒荣，丁卫平：《基于代价熵信息粒化的半监督特征选择方法》

摘要：随着数据维度和规模的增长，传统特征选择方法面临计算效率低、分类性能差等问题。半监督特征选择虽能结合少量标记和大量未标记数据筛选低冗余、高相关性的特征，但现有方法难以兼顾局部与全局特征分析。为此，文中提出一种基于代价熵信息粒化的半监督特征选择方法。该方法通过构建加权粒舱，将样本划分为核心粒舱和边界粒舱，并结合协方差主方向对各决策类进行半球粒化，为未标记样本分配伪标签。随后，引入代价熵评估特征重要性，并据此选择最优特征子集。实验结果表明，所提出的方法在多个数据集上优于现有方法，显著提升分类准确率，并降低计算复杂度。

往期推荐

RECOMMEND

《南京邮电大学学报（自然科学版）》2026年第1期目录

《南京邮电大学学报（自然科学版）》2025年第6期目录

《南京邮电大学学报（自然科学版）》2025年第5期目录

《南京邮电大学学报（自然科学版）》2025年第4期目录

《南京邮电大学学报（自然科学版）》2025年第3期目录

《南京邮电大学学报（自然科学版）》2025年第2期目录

《南京邮电大学学报（自然科学版）》2025年第1期目录

《南京邮电大学学报（自然科学版）》2024年第6期目录

《南京邮电大学学报（自然科学版）》2024年第5期目录

《南京邮电大学学报（自然科学版）》2024年第4期目录