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。

在计算资源不断增强的供给推动下，大语言模型（Large Language Models，LLMs）的参数规模持续扩大，其在自然语言处理中的任务表现也更加卓越。但在面临推理问题，尤其是在常识推理或数学问题上，仍然存在一定的局限性。思维链（Chain of Thought，CoT）技术通过引导模型生成推理步骤，显著提升了其在不同领域问题的解决能力。从训练方式的角度梳理了CoT的理论基础系统和技术演进，对如政务服务、企业数字化等应用场景做了进一步讨论。结合（Artificial Intelligence，AI）的发展趋势，从AI智能化程度的角度论述了CoT在LLMs走向更高认知水平中必不可少的作用，并指出其在当前面临的挑战与亟需解决的技术瓶颈。

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。

提出一种基于可同时透射和反射的有源可重构智能表面（Active Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surface，ASTAR-RIS）辅助的无线供能通信网络（Wireless Powered Communication Network，WPCN）。通信网络主要由采集供电站（Power Station，PS）、传感器节点组（Sensor Node Groups，SNGs）、ASTAR-RIS和接入点（Access Point，AP）4个部分组成。通信系统的运行流程主要分为无线能量传输（Wireless Energy Transfer，WET）和无线信息传输（Wireless Information Transfer，WIT）2个阶段，在无线能量传输阶段采用能量分裂（Energy Splitting，ES）工作模式，在无线信息传输阶段采用分时（Time Switching，TS）工作模式。在联合优化ASTAR-RIS的相移参数和通信资源分配以及放大功率约束的情况下，最大化系统的信噪比，即系统的通信性能达到最佳。由于优化问题是非凸的，采用交替优化算法对问题进行求解，根据耦合的变量将问题分为2个部分，在交替优化算法的基础之上，利用半定松弛（Semidefinite Relaxation，SDR）和分式规划（Fractional Programming，FP）分别求解2个部分的变量的最优解。实验结果表明，提出的通信方案可以为系统提供更高的性能增益。

物联网（Internet of Things，IoT）作为6G发展的核心领域之一，在驱动网络架构变革以及支撑核心应用场景中扮演着关键角色，然而，IoT系统存在能量不均衡以及网络生命周期短暂等问题，严重制约了数据收集效率的提升。随着无人机（Unmanned Aerial Vehicle，UAV）技术的兴起，其高度机动性可以有效构建视距（Line of Sight，LOS）通信链路，进而提升通信速率，这在IoT系统的数据收集方面具有很好的应用价值，可以解决IoT网络因生命周期短暂导致的数据收集效率低下的问题。为此，利用UAV对地面IoT设备进行数据收集，构建空地协同的数据采集传输链路，提出了一种基于深度强化学习（Deep Reinforcement Learning，DRL）的智能数据收集方法，设计了一种预测神经网络，通过在基站（Base Station，BS）侧预测网络数据进一步提高数据收集效率，从而实现降低IoT设备能耗、延长网络寿命的目的。仿真结果表明，所提数据收集算法在设备所需能耗、能量均衡性等方面具有较好的性能优势，优于常见的数据收集算法。同时，所提数据收集网络架构在预测数据占比12.5%时可以延长1.2倍的网络寿命。仿真证明了设计的预测神经网络在均方误差（Mean Squared Error，MSE）以及平均绝对误差（Mean Absolute Error，MAE）指标均优于其他对比网络。

与异色背景相比，同色背景下目标的识别特征较少，更易受到遮挡和复杂背景的干扰导致同色背景下对黄瓜果实的识别检测一直是研究领域的重难点之一。针对该问题，提出了一种基于YOLOv11n的目标检测网络YOLOACG。引入自适应动态下采样（Adaptive Dynamic Downsample，ADown）模块，融合可变形卷积和通道注意力机制，实现跨尺度特征自适应采样；构建Ghost_HGNetV2网络结构，其中高分辨率组卷积（High-resolution Group Stem，HGStem）将输入图像的通道数压缩，生成固有的特征映射，实现高效特征提取，Ghost_HGBlock模块采用知识蒸馏技术增强特征表达能力；引入上下文与空间特征校准网络结构（Context and Spatial Feature Calibration Network，CSFCN），该结构包含上下文特征校准（Context Feature Calibration，CFC）和空间特征校准（Spatial Feature Calibration，SFC），通过聚合每个像素相关的上下文信息，利用校准空间特征，确保网络正确理解图像的空间布局，进而更加精确地区分具有相似颜色的黄瓜果实和背景。经实验验证，改进后模型精确率提高4.64个百分点，召回率提高5.07个百分点，F1提高4.89个百分点，mAP值提高4.48个百分点。消融、对比实验表明，YOLO-ACG在同色背景下黄瓜果实识别中明显减少了误检和漏检的问题，且具有更高的检测精度。

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。

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。

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%。

在未来6G物联网（Internet of Things，IoT）系统中，高频毫米波和太赫兹频谱等关键技术的广泛应用，使近场无线传输成为愈发普遍的应用场景。动态超表面天线（Dynamic Metasurface Antenna，DMA）等小尺寸天线阵列在传输效率、物理尺寸和功耗方面具备优势，在该场景中被广泛应用，相关研究的关注度日益提升。为提升近场无线传输中接收端的能量性能，提出一种基于DMA的下行近场无线数能同传（Simultaneous Wireless Information and Power Transfer，SWIPT）系统，在满足所有信息用户最低传输速率需求的条件下，针对该优化问题提出联合优化DMA可调频响矩阵与数字预编码向量的高效解决方案。此外，深入探讨了用户间距离及最小信干噪比（Signal to Interference plus Noise Ratio，SINR）等因素对于系统性能的影响。仿真结果表明，提出的方案相比其他现有技术能有效提升SWIPT联合性能。