多输入多输出（Multiple Input Multiple Output，MIMO）技术通过多天线系统显著提升信号传输速率和系统可靠性。为提高频谱效率和抗干扰能力，空间调制技术作为MIMO的扩展被提出并得到广泛应用。广义空间调制（Generalized Spatial Modulation，GSM）进一步结合多种调制方式，提升系统性能。极化码作为高效的纠错码，通过信道极化将物理信道转化为具有不同可靠性的虚拟信道，有效提高MIMO和空间调制系统的性能。提出一种联合多用户的极化码译码方案，旨在优化在上行极化码广义空间调制（Polar Coded-GSM，PC-GSM）系统中的译码过程。该方案结合了极化码的信道极化特性和GSM的优势，通过改进译码算法，提升了多用户系统的可靠性和数据传输速率。仿真结果表明，所提出的联合译码方案能够显著提高系统性能，为极化码与多用户空间调制系统的结合提供新的解决思路。

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。

针对宽带近场超大规模多输入多输出（Extremely-Large Scale Multiple Input Multiple Output，XL-MIMO）系统场景中波束分裂效应引发的信道估计精度下降问题，提出一种双向融合多子载波增强型双线性模式检测（Bi-Directional Integrated Multi-Subcarrier Augmented Bilinear Pattern Detection，BDI-MSABPD）算法。该算法基于极坐标域稀疏表征框架，通过显式极坐标域分辨率增强与隐式多子载波联合优化的双重机制，解决了波束分裂导致的稀疏支撑集失准和参数估计偏差问题。仿真结果表明，所提算法相较传统双线性模式检测（Bilinear Pattern Detection，BPD）算法，归一化均方误差（Normalized Mean Squared Error，NMSE）平均降低了2 dB。

皮肤癌和黑素细胞痣的相似性较高，极易被皮肤科医师误诊。为提高早期皮肤癌患者的筛查准确度，基于伽马变换（Gamma Transform，GT）算法和小波变换（Wavelet Transform，WT）算法，分别构建伽马变换模块（Gamma Transform Block，GMTB）与小波卷积模块（Wavelet Convolution Block，WTCB），并在Detection Transformer（DETR）架构基础上创新性地提出用于捕捉皮肤癌细粒度特征的空频变换网络（Space-Frequency Transform Network，SFTNet）。包含SFT-Net的皮肤癌筛选系统能够增强样本图像的不同通道，减少模型训练过程中的过拟合效应，进而有效提升疾病检测精度。基于HAM10000数据集的仿真实验结果表明，系统正确率达85.5%，在皮肤癌辅助诊断方面具有重要的临床应用价值。

混沌通信技术因抗多径衰落和保密特性，近年逐渐成为研究热点。其中，差分混沌移位键控（Differential Chaos Shift Keying，DCSK）作为一种非相干数字调制方案，适用于复杂多变的低成本通信场景。然而，随着数据传输可靠性需求的不断提高，传统DCSK系统面临传输速率较低和误码率（Bit Error Ratios，BER）较高的问题。鉴于极化码接近信道容量方面的性能优势，结合混沌调制技术和信道极化原理，研究基于极化编译码算法的DCSK通信系统。实验结果表明，所提方案极大地提升了混沌通信系统的可靠性，同时保持了低复杂度特性。

可重构智能表面（Reconfigurable Intelligent Surface，RIS）和速率分拆多址接入（Rate Splitting Multiple Access，RSMA）技术是未来无线系统中具有广阔前景的2项新兴通信技术。与无源RIS（Passive RIS，PRIS）相比，有源RIS（Active RIS，ARIS）具有克服“乘性衰落”的优势。针对随机部署下ARIS辅助RSMA系统的中断性能展开研究，在Nakagami-m小尺度衰落模型下，多个用户随机分布在ARIS周围的半圆形区域内。通过对用户到ARIS的距离排序，以最远用户实现最优相移为切入点，采用矩匹配方法为每个RSMA用户计算关于级联信道功率特性的形状和尺度参数，并推导了用户中断性能的闭式表达式。进一步分析了功率分配系数对中断概率（Outage Probability，OP）的影响，并给出了分集阶数和渐近OP的表达式。仿真结果表明，在功率预算为50 dBm和适量RIS元件的条件下，ARIS辅助下非最优相移用户的OP较PRIS辅助系统降低了58%；最优相移用户的功率消耗减少了53 dBm。

针对艺术图像分类任务中存在的样本稀缺、风格多样与纹理复杂等挑战，提出了一种新的自监督学习框架——频域掩码对比（Frequency-Masked Contrast，F-MaCo），以双分支对比学习为基础，通过二维离散小波变换（Discrete Wavelet Transform，DWT）将图像转换到频域，实现动态频域掩码增强。引入感知损失驱动的权重调整机制，有效捕捉艺术图像的多尺度特征和丰富的纹理信息。实验结果表明，F-MaCo在MAMe、Kaokore、Artbench10和ArtDL四个艺术图像数据集上均取得了最优性能，Top-1准确率分别达到73.72%、77.38%、58.38%和68.31%，验证了其在艺术图像表征学习任务中的有效性与鲁棒性。

现有关键点检测算法在光照变化、人员密集交叉遮挡等情况下，易导致检测精度降低、漏检或关键点检测错位的问题。针对该问题，提出基于YOLOv8n-Pose改进的LBW-YOLOv8n-Pose复杂环境多人人体姿态估计算法。通过在特征提取主干网络的快速空间金字塔池化（Spatial Pyramid Pooling-Fast，SPPF）层引入大核可分离注意力（Large Separable Kernel Attention，LSKA），增强图像特征表达能力和感知能力。在颈部网络引入加权双向特征金字塔网络（Bidirectional Feature Pyramid Network，BiFPN）进行重构，提高多尺度特征融合效果，并采用改进的Wise-IoU损失函数，提升模型收敛速度与复杂场景下的鲁棒性。实验结果表明，改进后模型在MS-COCO2017人体关键点数据集上精确率、召回率、平均精度值分别达到85.7%、76.8%、81.7%，相比原模型均有明显提升，且能更精准、有效地检测复杂情况下多人人体关键点信息。

在当今社会，全球卫星导航系统（Global Navigation Satellite System，GNSS）已成为人们日常出行的重要工具，显著提升了出行效率。但在室内、隧道等弱信号环境中，GNSS因信号强度不足常出现失锁现象，导致定位功能失效，无法提供精准导航服务。为应对这一挑战，提出了一种基于改进扩展卡尔曼滤波（Extended Kalman Filter，EKF）的高精度定位方案。该方案融合了超宽带（Ultra-Wideband，UWB）无线通信技术最小二乘法、KF和EKF技术，并引入多新息EKF（Multi-Innovation EKF，MIEKF）算法，通过综合利用多时刻观测数据和遗忘因子机制，有效减少了定位误差，提升了定位精度。实验结果表明，该方案的均方根误差可降低至0.179 m，验证了其在弱信号环境下的高精度定位能力，为复杂场景下的精准导航提供了可靠的技术支持。

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。