近年来，随着低地球轨道（LEO）卫星数量的增加和性能的提升， LEO卫星星座承担了更广泛的在轨任务，进而导致卫星数据的传输量呈指数级增长。新兴的激光通信（LC）技术凭借更高带宽的优势显著提升了星间链路（ISL）数据通信的效率。然而，基于LC的星间通信必须先进行发射天线和接收天线的对准，且该对准过程会产生较高的时间开销。不仅如此，卫星上的激光收发天线数量有限将增加通信延迟，而不合理的激光路由通信链路规划策略还将进一步增加通信延迟。为了应对以上挑战，研究激光天线对准开销的卫星路由通信链路规划问题，并将该问题转化为一个混合整数线性规划（MILP）问题，以降低数据传输总通信时间；由于该问题被证明为NP难问题，提出一种中继卫星激光路由规划（RSLR）低开销近似算法；将RSLR算法与基于平均延迟的持久路由（ALPR）和最少跳最早到达路由（MHEA）进行对比。实验结果表明，与ALPR算法和MHEA算法相比，RSLR算法能将卫星数据传输的延迟分别降低10.3%和12.5%，验证了所提算法在降低通信延迟方面的有效性。
自动调制识别（AMR）是无线通信系统的关键技术。针对AMR网络在复杂电磁环境下迁移能力较差以及对噪声和调制信号的特征区分能力不足的问题，提出去噪及双模态注意力Transformer及卷积融合网络（Denoising & Dual-modal Attention CNN-Transformer， D-DmACT）。首先，设计一种迭代生成复杂干扰的生成器和对抗干扰的判别器，增强模型在遭遇复杂电磁环境时的泛化能力；其次，设计基于复数注意力的Transformer模块，以捕获同相正交（IQ）信号的时域特征，并设计基于时频位置信息的坐标注意力模块，以获取时频图像的特征，并对两种特征进行交叉融合；再次，将判别器输出的时序复序列和时频图像送至双模态注意力融合模型；最后，实现轻量化的分类识别。在数据集RadioML2016.10a和RadioML2018.01a上分别开展的高斯白噪声以及复杂电磁环境下的识别实验的结果表明：在脉冲噪声的作用下，相较于CLDNN（Convolutional Long short-term Deep Neural Network）、残差网络（ResNet）和长短期记忆（LSTM）网络，所提网络的平均识别准确率分别提高了53.98%、28.82%和24.64%，而相较于多模态自动调制分类网络（MM-Net）、阈值自编码去噪卷积神经网络（TADCNN）和生成式对抗网络联合多模态注意力机制卷积长短期记忆网络（GAN-MnACL），所提网络的平均识别准确率分别提高了19.74%、13.55%和11.17%。在计算复杂度方面，通过参数量和浮点运算数（FLOPs）等指标验证了所提网络在终端的可部署性。
针对多用户对无人机（UAV）中继系统的吞吐量问题，研究了UAV辅助放大转发中继系统，其中全双工（FD）固定翼UAV采用时分多址（TDMA）调度协议为多个源-目的用户对提供中继服务。以系统吞吐量最大化为目标，建立通信调度、UAV发射功率和轨迹联合优化问题。该联合优化问题的优化变量之间是耦合的，是很难直接求解的非凸优化问题。因此，将初始优化问题分解为3个子优化问题，分别对应通信调度优化、UAV发射功率优化和轨迹优化。在分别求解3个子优化问题的基础上，提出一种基于块坐标下降的迭代算法，通过交替优化3个变量块来解决联合优化问题。仿真结果表明，与2种基准优化方案相比，联合优化方案的吞吐量分别至少提高了6.8%和79.4%。
针对第六代无线通信技术（6G）网络中超大规模多输入多输出（XL-MIMO）系统在混合场信道估计中面临的高复杂度和低精度问题，提出一种自适应梯度匹配追踪（AGMP）算法。首先，利用角域变换矩阵估计远场分量，并利用极域变换矩阵估计近场分量，从而将信道估计问题转化为稀疏重构问题；其次，在估计分量的过程中，采用最小均方（LMS）算法，并结合自适应梯度搜索策略，通过动态调整步长参数优化路径分量估计，并迭代逼近最小均方误差（MMSE）目标，从而优化信道估计过程；最后，通过角域和极域变换矩阵重建整个混合场信道，从而完成混合场信道的精确估计。仿真实验结果表明，在低信噪比（SNR）环境下，与正交匹配追踪（OMP）算法相比，所提算法的可达速率提升了约20.46%。此外，随着用户设备（UE）天线数量的增加，在多天线环境下，所提算法的归一化均方误差（NMSE）相较于OMP算法降低了约1.2 dB。可见，所提算法在低SNR和多天线UE环境下能获得更好的估计性能。
为了在云计算中高效分配有限的网络资源以确保服务质量（QoS），并且同时提高资源利用率和管理效率，提出一种安全可靠性驱动的基于编解码的深度强化学习（ED-DRL）方法用于服务功能链（SFC）部署。该方法将SFC部署看作一个马尔可夫决策过程（MDP），采用图注意力网络（GAT）编码器和门控循环单元（GRU）解码器高效提取网络拓扑特征和节点间的依赖关系，并结合异步优势Actor-Critic（A3C）算法实现SFC部署策略的动态生成。针对安全可靠性的需求，重设计奖励函数，从而引导策略网络选择最优资源。仿真结果表明，ED-DRL能获得70.7%的接受率与0.063 5的平均收益，优于连续决策强化学习（CDRL）等对比方法。
协议转换通常用于解决不同协议之间的数据交互问题，它的本质是寻找不同协议字段之间的映射关系。传统的协议转换方法存在以下缺点：转换大多是在特定协议的基础上设计的，因而这些转换是静态的，灵活性较差，不适用于多协议转换的场景；一旦协议发生改变，就需要再次分析协议的结构和字段语义以重新构建字段之间的映射关系，从而产生指数级的工作量，降低了协议转换的效率。因此，提出基于语义相似度的通用协议转换方法，旨在通过智能的方法发掘字段间的映射关系，进而提高协议转换的效率。首先，通过BERT （Bidirectional Encoder Representations from Transformers）模型分类协议字段，并排除“不应该”存在映射关系的字段；其次，通过计算字段之间的语义相似度，推理字段之间的映射关系，进而构建字段映射表；最后，提出基于语义相似度的通用协议转换框架，并定义相关协议以进行验证。仿真实验结果表明：所提方法的字段分类精准率达到了94.44%；映射关系识别精准率达到了90.70%，相较于基于知识抽取的方法提高了13.93%。以上结果验证了所提方法的有可行性，该方法可以快速识别不同协议字段之间的映射关系，适用于无人协同中多协议转换的场景。
面对未来双功能雷达通信（DFRC）系统对通信与感知性能的更高要求，结合非正交多址（NOMA）和可重构智能表面（RIS）技术，提出一种RIS辅助的融合多簇NOMA的DFRC系统模型。在所提模型中，DFRC基站利用叠加的多簇NOMA信号实现目标感知，并借助RIS反射建立的虚拟视距链路提升多簇NOMA中的用户通信性能。基于所提模型，以最大化系统和速率与感知功率的加权和为目标，构建受多条件约束且包含多变量耦合的非凸目标函数。为求解该目标函数，提出一种联合波束成形与功率分配的优化方案。在所提方案中，首先，将原优化问题分解为3个非凸优化子问题；其次，采用连续凸逼近（SCA）和半正定松弛（SDR）等方法将原非凸优化子问题转换为凸优化子问题；最后，采用交替优化（AO）方法对这些子问题进行迭代求解，从而实现联合波束成形（包括主动波束成形和被动波束成形）和簇内功率分配系数的优化。仿真实验结果表明，所提方案具有良好的通信性能与感知性能，与正交多址（OMA）方案相比，系统和速率的提升约为1 bit/（s·Hz），同时保持较高的目标感知性能，在通信性能和感知性能之间取得较好的折中。
区块链基于非结构化的点对点（P2P）覆盖网络传播交易和区块。在这种网络结构上，传播具有延迟性且传播的长尾问题显著，而这些会导致节点存储信息的不一致，即区块链的分叉现象。分叉不仅浪费了整个区块链网络的算力资源，还带来了一系列的安全问题。为了减少区块链网络的传播延迟，提出一种基于多阶段传播的邻居选择方案（NSMP），通过邻居节点的选择优化网络拓扑结构。首先，根据传播能力和邻近度两个因素，将节点Outbound邻居分为强传播和弱传播两部分，并针对网络传播的不同阶段应用不同的邻居选择方案，从而减少传播跳跃和缩短传播时间；并且，进一步解决现有方案和默认方案都存在的传播长尾问题；最后，根据节点局部特征的拟合函数量化节点的传播能力，通过Ping协议量化节点的邻近度信息，并使用网络模拟器SimBlock对设计的方案进行模拟实验。实验结果表明，NSMP比默认方案的分叉率降低了52.17%，验证了NSMP的可行性和有效性。此外，根据实验模拟数据，确定了邻居节点邻近度远近分配的最佳参数设置。
面对第五代（5G）移动物联网（IoT）快速发展所引起的频谱资源短缺、盲区覆盖及供能不足等挑战，融合智能反射表面（IRS）、无线携能通信（SWIPT）及非正交多址接入（NOMA）技术，提出一种多IRS辅助NOMA-SWIPT协作传输模型；并以此模型为基础，以最大化系统和速率为目标，构建一非凸优化问题，进而提出一种基于两阶段的联合波束成形（包括基站主动波束成形和IRS被动波束成形）和功率分配优化算法对此问题进行求解。在求解过程中，为了对待优化变量进行解耦，首先利用流行的优化方法对协作传输阶段的被动波束成形进行求解，其次利用块坐标下降（BCD）算法通过交替迭代将非凸问题拆解为4个子问题，进而利用二次变化、连续凸逼近（SCA）等方法求解这些子问题。仿真结果表明，与无SWIPT的方案和正交频分复用（OMA）等方案相比，所提协作传输模型及其优化算法的系统和速率分别提升约0.5 bit·s-1·Hz-1和1.5 bit·s-1·Hz-1，而且具有更稳健的收敛特性。
超大规模多输入多输出（XL-MIMO）系统能显著提高信道容量。然而，传统的均匀线性阵列（ULA）在大入射角/出射角下，近场区域会急剧缩小，导致信号覆盖受限。使用均匀圆形阵列（UCA）可以有效扩大近场区域，但这也使得基于ULA的低开销波束训练方案不再适用。为了减少UCA近场波束训练的开销，提出一种新的快速波束训练方案：在第一阶段将UCA近似为ULA，使用ULA联合的方式构建远场分层码本进行角度域的用户搜索；在第二阶段，基于第一阶段搜索得到的角度，使用UCA进行角度与距离的穷举搜索。仿真结果表明，在天线数为512的UCA系统中，该方案仅需28个训练开销，并且在不同信噪比（SNR）条件下具有较好的鲁棒性，平均速率性能达到速率基准的99.16%。
针对无线供电通信网络（WPCN）覆盖范围小、易受障碍物阻挡的问题，研究在通信阻塞条件下智能反射面（IRS）辅助WPCN中继系统的资源分配。具体来说，在下行链路中，利用IRS辅助用户从混合接入点（HAP）处收集能量；在上行链路中，利用IRS辅助用户发送信息给HAP。考虑到系统中包含能量传输和信息传输，采用时分多址（TDMA）对能量采集、数据通信以及数据中继传输进行划分。根据所构建的系统模型和传输策略，以用户服务质量和用户发送信息消耗的能量为约束，提出一个能量效率优化问题，并通过联合优化发送功率、IRS相移矩阵和时间调度，实现系统总能量效率的最大化。由于所提出的问题的非凸性，先采用Dinkelbach方法将目标函数的分数形式转换成非分数形式，然后采用变量代换和半正定规划（SDP）将非凸问题转换成凸问题，最后用CVX得到该优化问题的次优解。仿真结果表明，所提方案不仅扩大了系统的覆盖范围，还有效提升了系统的能效，而与平均分配时间的方案和采用混合中继节点的优化时间方案相比，所提方案使系统能效分别平均提升了11.0%和26.9%。
针对智能反射面（RIS）辅助通信系统中信道估计精度低的问题，提出一种基于信道去噪网络（CDN）的信道估计方案，将信道估计问题建模为信道噪声消除的问题。首先使用传统算法对接收到的导频信号进行初步预估计，随后将该预估计信号输入信道估计网络以学习噪声特征并进行去噪处理，从而恢复出精确的信道系数。为了提高网络的去噪能力，设计了加权注意力块（WAB）和膨胀卷积块（DCB）以增强网络对噪声主体特征的提取，同时设计多尺度特征融合模块以防止浅层特征的丢失。仿真结果表明，与经典的DnCNN （Denoising Convolutional Neural Network）和CDRN （Convolutional neural network-based Deep Residual Network）方案相比，所提方案的归一化均方误差（NMSE）在不同信噪比（SNR）下平均降低了2.89 dB和2.01 dB。
针对下一代Wi-Fi7设备中多链路传输时通信与感知一体化的功率和信道联合资源分配的问题，根据多链路设备（MLD）特殊的上下两层媒体接入控制层（MAC）结构，提出一种基于QMIX的联合功率控制与信道分配的多链路多智能体强化学习算法（JPCQMIX）。该算法将MLD的每个下层MAC即每条链路作为一个智能体，并在上层MAC中设置混合网络用来处理所有下层MAC的局部值函数，以达到中心式训练的效果。训练完成后，每个下层MAC进入分布式执行模式，并独立地与它的局部环境进行交互，以进行功率控制和信道分配决策。仿真结果表明，相较于多智能体深度Q网络（MADQN）算法和传统启发式粒子群优化（PSO）算法，所提算法在通信吞吐量性能上分别提高了20.51%和29.10%；同时，所提算法在面对不同感知精度阈值和不同链路最低信干噪比（SINR）时，鲁棒性更好。可见，JPCQMIX能有效提升系统在满足感知精度条件下的通信吞吐量。
针对低轨（LEO）卫星在多波束场景下的资源分配问题，由于在实际卫星通信环境中，波束间信号的干扰和噪声等因素复杂多变，常规的子载波动态分配算法无法动态调整参数以适应通信环境的变化。通过结合传统的通信调度算法与强化学习技术，以最小化用户丢包率为目标，动态调整用户调度情况并动态分配整个卫星通信系统的资源以适应环境的变化。通过时隙划分离散化LEO卫星的动态特性模型，并根据LEO卫星资源分配场景的建模提出一种基于深度强化学习（DRL）的资源分配策略。通过调整卫星调度的排队情况，增加大时延用户的调度机会，即调节单颗LEO卫星各个波束中的资源块以对应用户的资格性，从而在保证一定公平性的同时，降低用户丢包率。仿真实验结果表明，在满足总功率约束的条件下，所提出的基于深度强化学习的资源分配算法（DRL-RA）中的用户传输公平性和系统吞吐量比较稳定，且DRL-RA中时延较大的用户因优先级提升而获得了更多的调度机会，而DRL-RA的数据丢包率相较于比例公平算法和最大负载/干扰（Max C/I）算法分别降低了13.9%和15.6%。可见，所提算法有效解决了数据传输过程中丢包的问题。
在无线携能（SWIPT）支持下的全双工多认知中继网络中，为使能效谱效最大，选择能量收集最大的中继进行解码转发，以此形成一个能效谱效权衡最优化问题，采用变量变换和凹凸过程优化方法将该问题转换为凸优化问题。当权衡因子为0时，该优化问题等价于使谱效（SE）最大的优化问题；当权衡因子为1时，该优化问题等价于使系统消耗的能量最小问题。为求解该优化问题，提出一种可以直接得到使能效（EE）最大的权衡因子的改进算法，通过联合源节点发射功率和功率分割因子进行优化。所提算法分为两步：首先固定功率分割因子，得到使EE最优的源节点发射功率和权衡因子；其次，固定最优的源节点发射功率，利用能效谱效与功率分割因子之间的关系，求得最优的功率分割因子。仿真实验结果表明，相较于剩余其他中继组成的网络，能量收集最大的中继网络在EE和SE上都更优。在能效谱效方面，与只优化发射功率的方法相比，所提算法的EE提高了63%以上，SE提高了30%以上；所提算法EE和SE与穷举法相差不大，同时算法收敛较快。
针对距离矢量跳（DV-Hop）定位模型定位精度低、优化策略场景依赖性强的问题，提出一种基于函数分析和模拟定参的改进DV-Hop模型——函数修正距离矢量跳（FuncDV-Hop）定位模型。首先，分析DV-Hop模型的平均跳距、距离估计和最小二乘法中的误差原因，引入待定系数优化、阶跃函数分段实验、带等效点的权重函数策略和极大似然估计修正；其次，考虑多应用场景，用控制变量法，分别将总节点数、信标节点比例、通信半径、信标节点数和待测节点数作为变量，设计对照实验；最后，进行仿真定参和整合优化测试两阶段实验，最终的改进策略较原DV-Hop模型的定位精度提高了23.70%~75.76%，平均优化率57.23%。实验结果表明，FuncDV-Hop模型的优化率最高达到了50.73%，与基于遗传算法和神经动力学改进的DV-Hop模型相比，FuncDV-Hop模型的优化率提升了0.55%~18.77%。所提模型不引入其他参量，不增加无线传感器网络（WSN）的协议开销，且有效提高定位精度。
广义空移键控（GSSK）作为空间调制（SM）的一种简化形式，被广泛应用于大规模多输入多输出（MIMO）系统，以更好地解决传统MIMO技术中的信道间干扰（ICI）、天线间同步（IAS）和多射频（RF）链路等问题。针对GSSK系统最大似然（ML）检测算法计算复杂度高的问题，结合压缩感知（CS）中的子空间追踪（SP）算法和ML检测算法，并结合阈值的设置，提出一种基于CS理论的低复杂度GSSK信号检测算法。首先，用改进的SP算法获得部分发送天线组合（TAC）；其次，删除部分天线组合，缩小搜索天线组合的集合；最后，利用ML算法和预设的门限估计发送天线组合。仿真实验结果表明，所提算法的计算复杂度明显低于ML检测算法，同时误比特率（BER）性能逼近ML检测算法，验证了所提算法的有效性。
无人机（UAV）协助下非正交多址接入（NOMA）使能的数据采集系统，考虑了地空概率信道模型和服务质量约束，并联合优化UAV三维布局设计和传感器功率分配最大化所有传感器的总能效。针对原混合整数非凸规划问题，提出了一种基于凸优化理论、深度学习理论和哈里斯鹰优化（HHO）算法的能效优化机制。在任意给定的UAV三维布局下，首先将功率分配子问题等价转化为凸优化问题；其次基于最优的功率分配方案，采用深度神经网络（DNN）构建从传感器位置到UAV三维布局的映射，并利用HHO算法离线训练最佳映射对应的模型参数。训练后的机制仅需执行少量代数运算并求解单个凸优化问题。仿真实验结果表明，在传感器数为12的情况下，相较于基于粒子群算法的遍历搜索机制，所提机制在仅损失约4.73%的总能效的情况下将运算时间降低了5个数量级。
为了解决应急通信场景下使用无人机作为空中基站进行辅助通信时涉及的无人机基站部署策略中的用户簇划分问题，在兼顾无人机基站性能和用户体验的条件下，提出一种基于特征加权的模糊聚类（Improved FCM）算法。首先，根据每个无人机基站的信号覆盖范围和最大服务用户数量的性能约束，针对随机分布条件下的用户簇在划分过程中算法计算量大不易收敛的问题，提出一种基于距离加权的特征加权节点数据投影算法；其次，针对同一用户处于多个簇有效范围内时用户划分的有效性和无人机基站资源的最大化利用问题，提出一种基于用户位置和无人机基站负载均衡的价值加权算法。实验结果表明，所提方法充分满足无人机基站的服务性能约束，且与几何分形法（GFA）、谱聚类（Sp-C）等算法相比，特征加权模糊聚类算法获得的平均负载率和覆盖比是最优的，分别达到了0.774和0.026 3，因此，该算法可为应急通信场景下的用户簇划分问题提供一种可行的解决方案。
针对终端直通（D2D）通信增强的蜂窝网络中存在的同频干扰，通过联合调控信道分配和功率控制最大化D2D链路和速率，并同时满足功率约束和蜂窝链路的服务质量（QoS）需求。为有效求解上述资源分配所对应的混合整数非凸规划问题，将原问题转化为马尔可夫决策过程，并提出一种基于深度确定性策略梯度（DDPG）算法的机制。通过离线训练，直接构建了从信道状态信息到最佳资源分配策略的映射关系，而且无需求解任何优化问题，因此可通过在线方式部署。仿真结果表明，相较于遍历搜索机制，所提机制在仅损失9.726%性能的情况下将运算时间降低了4个数量级（99.51%）。
针对空中计算网络中无线传感器的功率资源限制及其与现有无线通信网络的频谱竞争，研究一个包含信息通信和空中计算功能的认知无线网络，其中，主网络实现无线信息通信功能，次网络实现空中计算功能，且次网络中的传感器利用主网络基站发送的信号收集无线能量。考虑空中计算的均方误差（MSE）约束和网络中各节点的功率约束，基于随机信道不确定性构建目标函数为无线通信用户的和速率最大化的鲁棒资源分配优化问题，提出一个交替优化（AO）-改进的约束随机连续凸逼近（ICSSCA）算法，即AO-ICSSCA算法，将原鲁棒优化问题转换为确定性优化的子问题，并以交替的方式优化主网络基站的下行波束成形向量、次网络中传感器的功率因子和融合中心的融合波束成形向量。仿真实验结果表明，相较于改进前的约束随机连续凸逼近（CSSCA）算法，AO-ICSSCA算法能以更短的计算用时实现更好的优化性能。
正交时间序列复用（OTSM）可以以更低的复杂度实现类似正交时频空间（OTFS）调制的传输性能，为未来需要低复杂度收发器的高速移动性通信系统提供一种有前景的解决方法。针对现有的基于时域的高斯-赛德尔（GS）迭代均衡效率不高的问题，提出二级信号检测算法。首先在时域进行低复杂度线性最小均方误差（LMMSE）检测，其次采用连续超松弛（SOR）迭代算法进一步消除残余符号干扰。为进一步提高收敛效率和检测性能，对SOR算法进行线性优化得到改进SOR（ISOR）算法。仿真实验结果表明，与SOR算法相比，ISOR算法在增加较低复杂度前提下可以提升检测性能并加快算法收敛。与GS迭代算法相比，ISOR算法采用16QAM调制且误码率为 10 - 4 时有1.61 dB的增益。
低轨（LEO）卫星多波束通信场景下，传统固定资源分配算法无法满足不同用户对信道容量的差异需求。以适应用户需求分配为主要目标，建立联合信道分配、带宽分配和功率分配的最小供需差优化模型，并引入图样分割多址接入技术（PDMA）提升信道资源的利用率。针对该模型的非凸特性，通过Q-learning算法学习资源分配最优策略为每个用户分配适合的信道容量，并引入奖励阈值进一步改进算法，加快算法的收敛，且使算法达到收敛时供需差异更小。仿真结果表明，改进后的算法收敛速度约是改进前的3.33倍：改进算法能满足更大的用户需求，比改进前Q-learning算法提升14%，是传统固定算法的2.14倍。
针对多接入边缘计算（MEC）服务器高可靠、低时延和大数据量的数据传输要求，基于无冲突接入、优先级架构和弹性服务技术，提出一种适用于车辆边缘计算场景下的媒体访问控制（MAC）调度策略。所提策略由车联网（IoV）路侧单元（RSU）集中协调信道接入权，优先确保车载网络中车载通信单元（OBU）与MEC服务器之间的链路传输质量，以及时传输车辆到网络（V2N）业务数据；同时，对本地OBU之间的业务采取弹性服务方式，增强密集车辆接入时应急消息传输的可靠性。首先，构建调度策略的排队分析模型；其次，根据各时刻系统状态变量的无后效性特点建立嵌入式马尔可夫链，并通过概率母函数的分析方法对系统进行理论分析，得到MEC服务器通信单元和OBU的平均排队队长、平均等待时延和RSU查询周期等关键指标的精确解析表达式。计算机仿真实验结果表明，统计分析结果与理论计算结果一致，所提调度策略在高负载情况下能够提高IoV的稳定性和灵活性。
针对传统无线视频传感器网络（WVSN）目标栅栏因捕获图像宽度过小而导致的入侵检测失效问题，提出一个能确保捕获不小于β监测质量（β-QoM）的无线视频传感器网络β-QoM目标栅栏覆盖构建（WβTBC）算法。首先，建立视频传感器β-QoM区的几何模型，并证明了所有相邻视频传感器β-QoM区相交的目标栅栏捕获的入侵者图像宽度必大于等于β；然后，在对WVSN最优β-QoM目标栅栏覆盖建立线性规划模型的基础上，证明了它是一个NP-hard问题；最后，为了获得该问题的次优解，设计了一个启发式算法WβTBC。根据传感器间的逆时针β邻居关系建立WVSN的有向图，并采用Dijkstra算法在WVSN中搜索β-QoM目标栅栏。实验结果表明，WβTBC算法能有效构建β-QoM目标栅栏，且分别比螺旋外围外覆盖（SPOC）、螺旋外围内覆盖（SPIC）及目标栅栏构建（TBC）算法节省了23.3%、10.8%和14.8%的传感器节点。此外，在满足入侵检测要求的前提下，β值越小，WβTBC算法构建β-QoM目标栅栏的成功率越高，形成栅栏的节点越少，WVSN进行β-QoM入侵检测的工作周期越长。
无线通信网络流量预测对运营商建设网络、管理基站无线资源和提升用户体验具有重要意义。然而，现有的集中式算法模型面临着复杂性和时效性问题，难以满足城市全域尺度的通信流量预测需求。因此，提出一个分布式的云边协同下的无线通信流量预测框架，以较低的复杂度和通信开销实现基于单栅格基站的流量预测。在分布式架构的基础上，提出了基于联邦学习的无线通信流量预测模型。各个栅格流量预测模型同步训练，通过中心云服务器利用JS（Jensen-Shannon）散度挑选出流量分布相似的栅格流量模型，并采用联邦平均（FedAvg）算法融合具有相似流量分布的栅格流量模型的参数，从而在提高模型泛化性的同时达到保持对本地流量精准刻画的目的。此外，由于城市范围内不同地区流量具有高度差异化的特征，在FedAvg的基础上，提出了基于合作博弈的联邦训练方法，将栅格作为合作博弈的参与者，结合超可加性准则筛选栅格，并引入合作博弈的核和夏普利值分配收益以确保联盟的稳定性，提高模型预测的准确性。实验结果表明，以短消息业务（SMS）流量为例，与栅格独立式训练相比，所提模型的预测误差下降在郊区最为明显，下降范围在26.1%~28.7%，在市区下降范围在0.7%~3.4%，在市中心下降范围在0.8%~4.7%；与栅格集中式训练相比，3个区域的模型预测误差下降范围在49.8%~79.1%。
边缘计算（EC）与无线携能通信（SWIPT）技术能够提升传统网络性能，但同时也增加了系统决策制定的难度和复杂度。而基于最优化方法所设计的系统决策往往具有较高的计算复杂度，无法满足系统的实时性需求。为此，针对EC与SWIPT辅助的无线传感网络（WSN），联合考虑网络中波束成形、计算卸载与功率控制问题，建立了系统能效最优化数学模型；其次，针对该模型的非凸与参数耦合特征，通过设计系统的信息交换过程，提出基于深度强化学习的联合优化方法，该方法无须建立环境模型，采用奖励函数代替Critic网络对动作进行评估，能降低决策制定难度并提升实时性；最后，基于该方法设计了改进的深度确定性策略梯度（IDDPG）算法，并与多种最优化算法和机器学习算法进行仿真对比，验证了联合优化方法在降低计算复杂度、提升决策实时性方面的优势。
分层联邦学习中隐私安全与资源消耗等问题的存在降低了参与者的积极性。为鼓励足够多的参与者积极参与学习任务，并针对多移动设备与多边缘服务器之间的决策问题，提出基于多领导者Stackelberg博弈的激励机制。首先，通过量化移动设备的成本效用与边缘服务器的支付报酬，构建效用函数并定义最优化问题；其次，将移动设备之间的交互建模为演化博弈，将边缘服务器之间的交互建模为非合作博弈。为求解最优边缘服务器选择和定价策略，提出多轮迭代边缘服务器选择算法（MIES）和梯度迭代定价算法（GIPA），前者用于求解移动设备之间的演化博弈均衡解，后者用于求解边缘服务器之间的定价竞争问题。实验结果表明，所提算法GIPA与最优定价预测策略（OPPS）、历史最优定价策略（HOPS）和随机定价策略（RPS）相比，可使边缘服务器的平均效用分别提高4.06%、10.08%和31.39%。
为优化解码转发（DF）全双工中继网络的能量效率（EE）与频谱效率（SE），提出一种DF全双工中继网络的EE和SE的均衡方法。在全双工中继网络中，首先，以提高网络的SE为目标来优化网络的EE，并结合求导和牛顿?拉弗森方法得到中继的最优功率，进而给出目标函数的帕累托最优集；然后，通过加权标量法引入均衡因子，构建一个EE和SE的折中优化函数，通过归一化将EE最优化和SE最优化这一多目标优化问题转化为单目标的能量?频谱效率的优化问题，并分析不同均衡因子下的EE、SE和折中优化的性能。仿真实验结果表明，相较于全双工?最优功率方法、半双工?最佳中继最优功率分配方法，所提方法的SE和EE在相同数据传输速率下更高；通过调整不同均衡因子，可以实现EE和SE的最优均衡与优化。
针对中继协作通信在发射机和接收机之间的直接路径信号较弱，且信噪比（SNR）低的场景，提出一种智能反射面（RIS）辅助解码转发（DF）中继的协作索引调制（IM）系统（RIS-DF-IM）。在该系统中，RIS作为智能接入点（AP）充当源节点和中继节点发射机的一部分，根据发射信息对反射信道进行相位补偿，最大化接收天线的SNR，并对中继和目的节点接收机的多天线进行索引调制，提高系统的频谱效率；同时，利用矩母函数（MGF）法求解所提出的双跳系统误码率（BER）的理论联合界。此外，还提出了一种预贪婪的最大似然简化（SPML）检测器，通过预贪婪减少遍历天线索引数量，以及简化最大似然译码准则式，降低计算复杂度。蒙特卡洛仿真结果表明，在RIS元件数取128且采用空间调制时，RIS-DF-IM与RIS在远端不接入发射机的协作空间调制系统相比，BER降低了约10；与传统的预编码空间调制系统相比，BER大幅降低，约20；SPML检测器相较于最大似然（ML）检测器，BER增加了约1.4，但是计算复杂度减少了一半，实现了BER与复杂度之间的有效平衡。
