第6代移动通信（6G）及未来通信系统面临通信智能深度融合的发展需求，本研究聚焦于解决通信智能深度融合面临的三大核心问题：1）通信带宽增加与资源消耗剧增的本质矛盾；2）信源压缩能力提升以实现信息熵减；3）信息系统适应性增强以优化通信系统增益。立足智慧内生的思想，在全球率先提出了现代语义通信与6G智简网络理论技术体系。该体系突破经典信息论局限，提出了语义信息论，拓展了经典通信理论边界；革新通信范式，提出了“先算后通”现代语义通信新路径；构建了“智慧内生、原生简约”的6G智简网络理论技术体系，为突破未来通信瓶颈提供了核心理论支撑与关键技术路径。基于此体系，团队成功搭建了国际首个面向6G智能通信融合的外场试验网，在大视频传输、无人车通信、工业互联网和星地通信等典型场景中完成了外场试验验证。在标准化领域，主导成立中国通信标准化协会技术委员会630（CCSA TC630）语义通信推进委员会和国际移动通信2030（IMT-2030）6G推进组语义通信任务组两大核心标准组织，推动具有自主知识产权的“中国方案”纳入国际标准体系。相关成果已在全球产业界与学术界开辟了“智简”演进新路径，实现了从基础理论创新、核心技术突破、试验环境验证到国际标准推动的全链条贯通，为我国掌握6G技术发展主导权、抢占未来通信技术战略制高点、构建安全可控的产业生态提供了系统性科技支撑与坚实保障。

随着物联网驱动的自主导航等领域对复杂三维环境理解需求的增长，从点云数据自动重建结构化、可编辑的计算机辅助设计（CAD）模型已成为关键任务。然而，当前研究主要从CAD命令序列、草图与拉伸操作等角度进行重建，普遍面临重建步骤多、平台依赖性强等问题。为此，提出一种高精度几何与拓扑关系的CAD重建方法，即面向物联网三维感知的点云到CAD模型重建方法。首先，将CAD的边界表示解析为几何基元的参数化信息与其拓扑结构，并设计基元变分自编码器（PVAE）与拓扑变分自编码器（TVAE）分别建模其几何特征与拓扑关系；在此基础上，利用PointNet++提取点云数据的多尺度局部特征并融合为全局特征，进而通过拓扑解码器与基元解码器分别预测拓扑树序列和基元参数，实现高精度与更清晰的边界细节的CAD模型重建。为验证方法的有效性，采用倒角距离、边缘倒角距离和结构一致性作为评价指标，在2个数据集上对方法性能进行评估。实验结果表明，所提方法在拓扑结构完整性和几何重建精度方面均优于现有方法，能够实现更高精度的CAD模型重建。

随着电信业务规模的指数级增长，客户投诉判责成为通信运营商合规管理的关键环节。传统方法在处理复杂型投诉和非结构化历史案例时面临语义解耦困难、知识复用效率低等挑战。该研究面向现有业务流程基于大语言模型技术，提出一种链接式检索增强生成框架，通过层次化语义解耦与历史知识动态检索机制，实现投诉判责的精准化和高效化。该框架提出2级投诉点拆分机制：1级采用混合式语义解析剥离复合诉求，2级通过大模型提示技术从1级投诉列表中提取核心投诉点，同时动态处理历史文档适配2级投诉匹配，完成数据库的结构化改造。最后，基于某省级运营商423份实际投诉数据的实验表明，对比几种传统检索增强生成（RAG）模型，该方法在检索准确率方面提升18.87%，在检索召回率方面提升14.13%。该研究为强监管背景下的智能判责提供了高效的可复用的技术路径，具有重要的实践意义。

针对分布式振动信号在复杂结构健康监测中面临的传感器节点异构采样、特征漂移和模型泛化能力不足等问题，本研究通过构建分布式振动信号文本增强（DVSAG）数据集，利用交叉扩散在保留原始信号时空相关性的基础上进行自适应采样，结合频域来统一输入尺寸，以及使用无故障参考信号计算残差来增强输入。设计故障诊断网络与卷积块注意力机制（CBAM）提取分布式振动信号多尺度特征，将特征转换为词嵌入并结合非结构化文本输入到分布式振动信号大模型（DVSLLM），最后通过特征对齐与语义映射框架实现振动信号到自然语言的细粒度交互。实验表明，该方法有效提升了多工况下的故障诊断准确率和模型泛化能力，为复杂结构健康监测多任务决策提供了可靠支持。

在物联网（IoT）入侵检测领域中，联邦学习已成为实现模型权重集成更新的有效解决方案。这种分布式学习方法允许设备在本地训练模型，并将更新后的参数传输到中央服务器进行聚合。然而，现有基于联邦学习的入侵检测方法仍然存在局限性，在非独立同分布的数据及客户端模型异构的场景下，全局模型的入侵检测性能会受到严重影响。同时，传输模型参数导致的大量通信开销也阻碍了联邦学习方案的实际部署。为了解决上述问题，提出了一种基于半监督联邦学习的高效物联网入侵检测方法。通过利用未标记的公开数据增强模型对数据的理解能力，不断提高客户端分类器的性能，同时加入鉴别器模块提高客户端预测标签的质量，并通过硬标签策略和投票机制的结合有效降低通信开销。实验结果表明，在非独立同分布数据和客户端模型异构场景下，实现了86.97%的准确率，优于典型的联邦学习方法，同时实现了更低的通信开销。

为克服太赫兹通信中的波束色散影响，针对传统基于单层和双层时延器的天线结构方案中大延迟范围时延器数量多、硬件复杂度高、功耗大的问题，提出了一种基于多层时延器的多用户混合模拟/数字预编码方案。该方案在基站处将时延器划分为多层进行排列，并且在多层时延器基础上进行混合预编码设计。具体来说，首先根据每层时延器和天线数目推导出时延器位数及离散时延集合；然后根据中心频率处阵列响应向量设计移相器相移，应用时延器所在子阵列对应天线阵列孔径传播延迟作为时延器延迟，并基于离散时延集合对时延器延迟进行离散化处理，之后基于移相器相移和时延器延迟设计模拟预编码；最后采用低复杂度迫零预编码技术设计数字预编码。仿真和分析结果表明，相较于传统方案，所提方案在牺牲少许和速率情况下，可极大降低大范围时延器数目和硬件复杂度。

智能合约是运行在区块链上的一段计算机程序，具有自动执行、不可篡改、公开等特性。智能合约控制大量高价值数据的流动，攻击者可以利用智能合约存在的漏洞窃取资金或资源。现有的检测方法，如符号执行存在路径爆炸、误报率较高等问题，机器学习方法是黑盒的，有不可解释性。针对上述问题，提出了基于专家模式和可解释的机器学习来进行智能合约代码漏洞的检测，设计漏洞的专家模式，使用可解释性机器学习（SHAP）来解释多种特征的权重，针对4种漏洞（重入漏洞、时间戳漏洞、整数溢出漏洞、权限控制漏洞）的平均检测准确率达到了90.36%，和Oyente、Mythril等经典工具相比取得了更好的检测效果。

高性能的电磁屏蔽材料能够有效防护日益凸显的电磁干扰与损伤，为了克服传统的刚性电磁屏蔽材料在实际应用中存在的灵活性和可控性较差等缺陷，研制了一种灵活可塑、导电性强的银纳米片复合水凝胶屏蔽材料，并通过扫描电子显微镜（SEM）、X射线衍射仪（XRD）和X射线分光计（XPS）确定其三维结构和有效组分构成。进一步采用矢量网络分析仪证实了该水凝胶在8.0～12.4GHz的频段内具备卓越的电磁屏蔽效能（始终稳定在35dB以上）。基于水凝胶含水量可控的特性，设计并提出了脱水诱导银纳米片层空间互联构成宏量导电通路的策略，极大提升了复合水凝胶的电导率，从而获得了高水平的电磁屏蔽效果，在一定程度上为高性能电磁屏蔽材料的可控设计与制备提供了切实有效的解决方案。

为了有效应对无线传感器网络（WSN）中的Sinkhole攻击，提出了一种融合孤立森林（IF）和梯度优化算法（GBO）的Sinkhole攻击识别与安全路径选择策略（IF-GBO）。首先，通过设定检测阈值以触发IF-GBO入侵检测机制，减少网络开销，提高检测效率。其次，结合Sinkhole攻击的特点以及WSN数据的动态实时性，设计了包含节点跳数、能耗、数据包接收/转发率和时延等多维特征的数据集，并采用滑动窗口采样的方式进行模型训练，不仅提高了算法的运行效率，还增强了识别异常节点的精确度。最后，建立多目标路径选择函数，利用GBO算法帮助节点快速寻找新的传输路径以应对Sinkhole攻击，有效保证了数据的可靠传输，延长了网络寿命，并解决了异常检测结果无法及时传输至真实Sink节点的问题。实验结果表明，相较于支持向量机（SVM）、K最近邻（KNN）、局部异常因子（LOF）等经典的异常检测模型，IF-GBO能够准确识别出恶意节点，且具有更低的误判率和更强的泛化能力。与基于跳数的Sinkhole攻击检测算法（HCODESSA）和最小跳数选择的随机路径检测算法（RMHSD）相比，GBO防御策略能有效缓解Sinkhole攻击对网络的破坏，确保了路由的安全性和可靠性。

反向散射通信因其低成本、低能耗的优势在物联网领域得到了广泛的关注。然而，随着数据业务的逐渐扩展，对反向散射通信的传输性能也提出了新的挑战。多输入多输出（MIMO）技术因其在系统可靠性和传输速率方面的优势被引入到反向散射通信中，其中一种称为块级酉查询-空时编码（BUTQ-STBC）的双端联合编码技术更是充分挖掘了反向散射信道的分集潜力，然而其以牺牲传输速率为代价。为此，提出了一种新的信号传输方案，其基于空间匹配的思想选择最优的通信链路来进行数据传输。仿真结果表明，提出的传输方案优于传统的BUTQ-STBC的联合编码方案，所提方案为MIMO反向散射通信的高效、可靠传输提供了解决思路。

针对现场可编程逻辑门阵列（FPGA）在加速卷积运算时，面临的资源需求过高、难以满足嵌入式领域低功耗要求的问题，提出了一种适用于二值神经网络（BNN）的资源高效型FPGA卷积加速方法。首先系统分析了卷积层在前向推理过程中，不同并行方案的计算特性及其资源消耗规律，并利用BNN特有的低位宽优势提出了高维数据拼接降维存储方案。进而提出了一种针对BNN的通道降维旋转缓存（CDR）结构，旨在适度扩展缓存带宽的条件下，实现BNN中卷积核内并行和特征图间并行2个并行方案的乘积效应。此外，为发挥CDR结构的性能优势，设计了专用的CDR处理单元，并对加法树结构进行优化。处理单元支持不同流水级别的灵活调整，并可通过重复调用机制实现更高等级的并行计算能力，适应多样化的系统需要。实验结果表明，基于CDR结构的BNN加速器在Xilinx的XC7Z020芯片上，可实现显著优于现有同类解决方案的计算密度和存储密度，具备低功耗特性，且推理速度更快，适用于资源、功耗受限的嵌入式平台。

对于全双工（FD）速率分割多址接入（RSMA）系统，提出了一种最大化最小用户速率的方法。首先，以基站预编码矩阵、功率分配和公共速率分配作为优化参数，以用户功率和速率需求作为约束条件，构建该系统中最大化最小用户速率的优化问题；然后，通过引入松弛变量分别简化优化目标函数和约束条件，并利用1阶泰勒展开对约束条件进行线性近似，从而将非凸优化问题转化为凸优化问题；最后，基于迭代和凸优化（CVX）方法求解优化问题。仿真结果显示，随着基站发射功率的增加，最小用户速率也随之增加，并且所提方案的最小用户速率高于相同场景中的已有方案。

稀土掺杂氧化镓（Ga₂O₃）的发光特性近年来备受关注，因其在光电子和半导体器件中的广泛应用潜力。本研究通过固相烧结法制备了5种不同铒（Er³⁺）掺杂浓度的Ga₂O₃块体材料，并对其晶体结构、微观形貌、荧光特性和掺杂浓度的影响进行了系统研究。结果表明，Er³⁺不仅以替位掺杂形式取代了Ga³⁺，还形成了新的铒镓石榴石（Er₃Ga₅O₁₂）相。随着掺杂浓度的增加，Er₃Ga₅O₁₂相的含量也逐渐增加，且伴随发光强度的线性增强。然而，1.00at%替位掺杂样品在红绿光区的发光强度反而低于0.75at%的Er₃Ga₅O₁₂相样品，证明Er₃Ga₅O₁₂相的发光性能优于替位掺杂。

深度卷积神经网络被广泛应用于结构磁共振成像（sMRI）分析，进行阿尔茨海默病的早期诊断。为解决sMRI高效表征学习问题，本研究提出了一种双通路卷积网络，其通过表征解耦提升sMRI特征抽取的计算效率，并利用自适应特征融合来增强表征判别性。该网络包含3个部分：1）高通道容量切片路径，处理稀疏切片，用于编码切片图像语义信息；2）低通道容量上下文路径，处理密集切片，用于捕获切片间上下文信息；3）自适应特征融合模块，融合2条路径的解耦信息，生成更加有效的sMRI表征。本研究基于阿尔茨海默病神经成像倡议（ADNI）数据集，在阿尔茨海默病分类和轻度认知障碍转化预测2个任务上对所提方法进行了评估。结果显示，所提方法在计算效率和诊断性能上均优于基线模型，并且取得了与当前先进方法相当的效果。

提出了一种低复杂度循环冗余校验码-咬头卷积码-米勒码（CRC-HBCC-Miller）级联编码方案，对抗远距离无线传输环境下的干扰，极大提升蜂窝无源物联网系统的通信质量。该方案利用CRC与HBCC相结合的编译码方式，与传统卷积编码相比，实现寄存器数量最低可降低至长期演进技术（LTE）咬尾卷积码（TBCC）寄存器数量的1/3，大幅度降低编码计算量，显著降低标签编码功耗。仿真结果表明，所提出的低复杂度级联编码方案相比Miller8编码，性能提升4.2dB，提升了抗干扰性能，拓展了单站通信距离，同时保留了码字间丰富的时钟信息，能更好地适配超低功耗蜂窝物联网系统的标签编码需求。

第5代移动通信系统（5G）虚拟专网承载电力业务，在提升系统承载量的同时，也带来了新的安全挑战。通过对电力系统进行安全性分析，能够有效辨识安全风险，并指导后续的安全防护策略设计。然而，现有方法一方面缺乏具有针对性的体系构建，另一方面未能给出直观的量化评估。基于电力业务特点提出了基于主客观分析的电力5G虚拟专网安全风险评估方法，搭建评估指标体系，并通过层次分析法、熵值法等方法从主客观2方面对安全风险进行分析评估。最后，通过实例分析证明了所提安全风险评估方法的有效性和适用性。

深入分析中医（TCM）处方中包含的语义信息，对中医临床应用和新方剂的发现具有重要意义。现有中医处方推荐算法仅基于是否共现来定义所有症状-药物对的同一交互关系，且未考虑药性类别，针对该问题提出了一种基于药性驱动配伍机制语义建模的处方推荐算法（HPDCM）。首先，处方分析时区分药性类别，并在构建知识图谱（KG）时将其定义为实体；其次，融合配伍规律对症状-药物之间的交互进行加权建模，然后再通过图卷积网络（GCN）模型聚合节点的高阶异构路径信息；最后，使用注意力机制融合症状交互图、症状药物交互图、药物交互图信息，区分不同维度中医语义信息的影响。与现有处方推荐算法的对比实验结果表明，HPDCM具有更高的准确度，更加贴合中医诊疗的辨证论治思维。

在第6代移动通信（6G）系统中，智能反射面（IRS）通过实时调整无线传输环境提高无线传输效率。在分布式IRS辅助多输入多输出（MIMO）系统中，当用户数量远大于基站（BS）的天线数量时，如何联合优化用户选择和波束赋形以降低BS的发送功率，对绿色通信发挥重要作用。为此，在满足用户服务质量的前提下，联合优化用户选择、BS波束赋形向量和分布式IRS的相移矩阵，以BS发送功率最小化为优化目标建立模型。为简化该模型，将其解耦成2个迭代的子问题，以逼近原问题的最优解。首先，利用人工蜂群（ABC）算法和2阶锥规划（SOCP）求解最优用户选择策略和BS波束赋形向量。然后，采用半正定松弛（SDR）方法优化IRSs的相移矩阵。仿真结果表明，所提算法不仅具有很好的收敛性，而且能有效降低BS的发射功率。

针对现有深度学习方法在修复壁画时，存在结构语义利用不充分和细节特征修复结果欠佳的问题，提出一种结构引导扩散生成式古壁画修复算法。首先，构建由门控卷积与快速傅里叶残差块组成的壁画结构重建模块，利用重建后边缘结构引导破损壁画修复，以克服结构语义修复利用不足的问题。其次，提出基于随机微分方程的生成式扩散模块，对待修复的壁画图像进行正向扩散处理。再次，设计掩码增强的逆向迭代重建模块，增强壁画破损区域与完好区域的语义一致性，提升壁画细节修复能力。最后，在敦煌壁画数据集上进行数字化修复实验。实验结果表明，所提算法能够有效完成壁画修复，并且主客观评价均优于比较算法。

脑肿瘤分割是医学图像分析领域的关键任务，且脑肿瘤及其亚区域具有复杂和不规则的边界结构。针对现有脑肿瘤分割算法在建模长距离依赖和资源开销方面的不足，提出了一种轻量级的脑肿瘤图像分割算法。具体而言，设计了一种融合卷积神经网络（CNN）与Transformer的混合轻量级编码器。在浅层特征提取阶段引入深度可分离卷积，以降低计算复杂度；在深层特征提取阶段，提出局部-全局双分支特征提取模块（SFB），结合Transformer与ShuffleNet v2的优势，实现局部与全局上下文信息的融合。此外，在Transformer模块中引入轻量级全局注意力模块和局部感知模块，分别用于建模长距离依赖关系和增强局部特征感知能力。最后，在BraTS 2019数据集上进行了充分的实验。实验结果表明，该模型在仅使用0.98M参数量和54.60G每秒浮点运算次数的条件下，分别在整体肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）区域达到了93.1%、92.2%和91.2%的戴斯相似性系数。在保持极低计算成本的同时，模型在各关键区域的分割精度整体优于现有主流方法，实现了在效率与性能之间的最佳权衡。

针对红绿蓝3通道颜色模型（RGB）单模态包含语义信息单一、易受噪声干扰且分割性能不佳的问题，提出了一种基于非对称特征交互方法的红绿蓝3通道颜色模型-深度信息（RGB-D）语义分割算法。首先，使用双流网络分别提取RGB模态和深度模态特征，并通过非对称特征校正模块，以利用一种模态校正另一种模态的特征，达到抑制模态内噪声的效果。然后，通过非对称融合模块进一步增强模态间的信息交互。此外，在解码器中引入了多尺度特征融合，并在训练过程中采用对抗性训练作为辅助，从而有效利用上下文信息并整体提升准确性。实验结果表明，所提算法有效抑制了模态内的噪声，增强了模态间有效语义信息的交互，在纽约大学深度数据集第2版（NYUDepthv2）和斯坦福大学RGB-D数据集（SUN-RGBD）上的平均交并比（mIoU）分别达到57.4%和52.1%。

针对多进制低密度奇偶校验码（LDPC）译码计算量大且译码复杂度高的问题，基于北斗三号（BD-3）B1C卫星信号特点提出了一种多进制LDPC译码改进算法。该算法一方面采用缩维补边方式，通过缩减校验方程更新过程中两两节点计算维数，来实现译码计算量的减小；另一方面利用节点同时更新方式，在更新校验节点的同时，更新变量节点，从而实现译码复杂度的降低。仿真结果表明，在BD-3 B1C卫星信号接收电平动态范围内，改进算法在不影响译码性能的前提下，缩减了译码计算量，降低了译码复杂度，当以维数为32计算时，1次迭代运算中计算量缩减为原来的25%，同时更新节点算法节省了2万多次数据的存储和读取操作，且随着信噪比（SNR）的提高，可采用更小维数，以进一步降低译码计算量和复杂度。