研究了存在残余收发信机硬件损伤（Transceiver Hardware Impairments，THI）情况下的智能反射面（Intelligent Reflecting Surface，IRS）辅助的物理层密钥生成（Physical-layer Key Generation，PKG）系统，推导了密钥生成速率（Key Generation Rate，KGR）的闭合表达式，并在基站发射功率约束和IRS相位偏移单位模约束下，构建了KGR最大化问题。为求解该问题，提出了一种鲁棒优化算法，该算法结合了交替优化（Alternating Optimization，AO）、逐次凸逼近（Successive Convex Approximation，SCA）、半定松弛（Semi-Definite Relaxation，SDR）和惩罚方法，迭代优化发射波束成形和IRS相移。仿真结果表明，所提鲁棒算法能够有效对抗硬件损伤、提升KGR。

在研究正交时频空（Orthogonal Time Frequency and Space，OTFS）调制原理基础上设计了一种基于零后缀（Zero Suffix，ZP）保护的OTFS波形方案。提出了同步、信道估计方法和基于时延-时域最大比合并（Maximum Ratio Combining，MRC）的检测算法并对该算法进行了化简；给出了信道插值和MRC检测器硬件实现方案并对提出的OTFS系统波形进行了现场可编程逻辑门阵列（Field Programmable Gate Array，FPGA）硬件实现，验证了所设计OTFS系统关键算法的可行性。测试结果表明，所设计OTFS系统具有良好的抗双选择性衰落性能。

智能电网中存在大量大功率电气设备及通信传感设备严重阻碍定位系统的信号传输，针对多基站多通信用户干扰的情况下可重构智能超表面（Reconfigurable Intelligent Surface，RIS）辅助的非正交多址接入（Non-Orthogonal Multiple Access，NOMA）通信系统难以准确定位弱信号的问题，考虑智能电网场景下的多小型基站多用户对定位用户的影响，提出以定位用户的水平误差为评估基准，在保证通信用户的服务质量（Quality of Service，QoS）的前提下，联合基站功率、多基站多用户干扰以及功率分配系数，采用拉格朗日对偶方法以及次梯度法处理多用户多小型基站带来的非凸问题。结果表明，资源分配相同的情况下，所考虑的RIS-NOMA智能电网通感系统相比NOMA通感系统可使系统平均定位误差明显降低。

近年来，基于Transformer的视觉模型，如Swin Transformer，在视觉任务中展现出良好的前景，然而这些方法通常侧重于减少原始数据与重建数据之间的信号失真，而忽略感知质量。针对传统均方误差（Mean Square Error，MSE）损失难以反映图像感知与语义质量的不足，设计了MSE与学习感知图像块相似度（Learned Perceptual Image Patch Similarity，LPIPS）的加权组合损失函数，从而构建基于Swin Transformer的语义通信框架，称为融合感知损失的联合信源信道编码（Swin Transformer with LPIPS-based Joint Source-Channel Coding，STL-JSCC）方法，显著提升了图像重建质量与语义还原能力。在性能评估方面，设计了图像语义偏差值（Images Semantic Deviation，ISD）与语义相似度（Images Semantic Similarity，ISS）2项指标，构建联合感知-语义评估体系，突破传统评价方法局限。实验结果表明，提出的STL-JSCC在各项指标上均优于其他模型，验证了所提方法在提升图像重建质量和语义提取能力上所具有的显著潜力和优势。

针对当前指挥控制网络关键节点识别方法依赖专家经验知识等问题，基于通信侦察视角，提出基于卷积神经网络的指挥控制节点识别方法。依靠卷积神经网络在特征提取上的强大能力，构建关键节点识别智能范式。利用特征工程，将各节点之间的通联关系信息转化为多维信息矩阵，受有限长单位冲击响应（Finite Impulse Response，FIR）滤波器结构的启发，提出FIRSE（Finite Impulse Response Squeeze and Excitation）神经网络。提出动态峰值检测法改进训练策略，获取最优神经网络参数。实验结果表明，相比基于典型机器学习和深度学习的识别方法，提出的方法具有更高的识别准确性。

在工业网络中，越来越多的智能化应用对网络端到端传输的确定性保障能力提出了新的要求。当前确定性技术的研究大多关注自身网络层级的确定性保障，忽略了需要多种确定性技术协同配合的端到端确定性。基于核电行业应用场景，提出了一种灵活以太网（Flexible Ethernet，FlexE）和时间敏感网络（Time-Sensitive Networking，TSN）融合的广域端到端确定性网络架构，从控制面功能与数据面协同调度2个方面对该架构进行了详细阐述。在真实的广域网络环境中，基于双电机协同与工业机器视觉应用场景，对架构进行了性能测试与验证。结果表明，该架构能够满足应用对广域端到端确定性网络的需求，具有良好的应用价值。

重点人员轨迹预测对于预防潜在犯罪行为、优化应急响应及情报分析具有重要作用，公安部门应用该项技术能够维护社会稳定、提高城市管理效率、促进经济发展。现有技术面临动态环境适应、忽视社交影响范围、周围移动对象影响量化等挑战，基于此提出一种新型融合时空查询的基于目的地意图学习的重点人员长期轨迹区域预测模型。针对移动对象轨迹时空特征难以捕获的问题，提出一种基于时空多注意力（Spatio-Temporal Multiple Attention，STMA）机制的重点人员轨迹预测模型，通过时间注意力模块和空间注意力模块分别捕捉时间依赖关系和空间交互关系，提高模型对行为特征变化的敏感性；针对社交影响力难以量化的问题，构建社会力函数模拟行人社交影响力，通过虚拟轮廓构建方法和社会力函数，准确模拟动态行为并提高影响力捕捉效率。实验基于真实世界交通数据集进行，结果表明：与当前先进的轨迹预测算法相比，STMA在长短期预测方面均展现出更高的准确率和可靠性，在长期预测方面，其平均准确率为54.3%，比代表性算法Sophie、行人轨迹图表示的时空卷积网络（Social Spatio Temporal Graph Convolutional Neural Network，S-STGCNN）和条件生成神经系统（Conditional Generative Neural System，CGNS）分别高29.3%、13.4%和36.8%。

当载体（如无人机、船只和车辆等）在极端环境下运动时，可能会出现可见卫星消失的情况，这会导致全球卫星导航系统（Global Navigation Satellite System，GNSS）信号出现短暂或长时间的丢失（失锁）。在这种情况下，融合导航将被迫切换到纯惯性导航系统（Inertial Navigation System，INS），纯惯性导航运行时间的增加会导致误差不断累积，导航精度快速下降。为解决GNSS信号丢失后INS精度快速下降的问题，提出基于变换器（Transformer）网络辅助的GNSS与INS融合导航技术。当GNSS信号锁定时，Transformer网络利用当前的INS信息和GNSS增量信息（2个相邻时刻GNSS位置信息的变化量）来训练出二者的映射关系；当GNSS信号失锁时，Transformer网络利用之前训练出的映射关系，由当前的INS信息预测GNSS增量信息，并将INS信息和预测的GNSS信息进行融合导航。仿真结果表明，基于Transformer网络辅助的GNSS与INS融合导航技术，在GNSS信号短暂或一定时间内失锁的条件下，仍然可以提供稳定可靠的导航信号。此外，Transformer网络辅助的融合导航方法为其他网络辅助的融合提供了参考。