《先进优化与机器学习技术赋能高效无线通信网络》最新225页

无线通信已成为现代社会不可或缺的组成部分，其发展由移动设备激增、物联网应用及数据密集型服务共同驱动。随着全球向第六代（6G）无线网络演进，优化有限带宽与功率资源对满足日益增长的数据需求至关重要。此外，全面利用空间、空中及水下等全维度无线媒介被视为实现6G及后续网络无缝通信承诺的必要条件。本论文聚焦于克服水下与地面两种通信媒介的速率与安全难题。

声学通信是水下无线通信的主导技术。在水声网络中，本研究探索全双工（FD）与非正交多址接入（NOMA）技术以应对水下环境特有挑战，旨在提升水下通信系统的数据速率、可靠性及安全性。通过功率优化研究，实现对抗网络攻击的总速率或保密总速率最大化。所提算法在全双工与非正交多址接入结合有效干扰消除技术时，展现出增强的总速率与安全性能。

地面通信领域，精准的蜂窝信号识别对资源优化与无线网络安全至关重要。为此，本论文提出多种创新方法以增强实时识别全球移动通信系统（GSM）、通用移动通信系统（UMTS）及长期演进（LTE）等空口信号的能力。通过形态学分析与机器学习算法实现精确信号检测与识别，从而提升无线通信系统的安全性与效率。本论文通过双重媒介研究，为未来网络安全与数据速率提升提供独特解决方案。

研究框架

本文采用创新方法论提升有限资源利用效率并强化未来网络安全。第二、三章聚焦于水下通信（UWC）：第二章提出融合全双工与非正交多址接入的系统架构，旨在提升水声通信系统总速率；第三章评估该系统的安全鲁棒性，重点防范潜在窃听威胁。地面通信领域，运用新技术实施自动信号识别（ASI），从实测功率谱密度（PSD）中识别多制式蜂窝信号：第四章提出基于特征的似然估计法，实现功率谱密度噪声基底检测与信号数量类型识别；第五章设计前馈神经网络机器学习（ML）算法判定信号所属蜂窝制式；第六章开发卷积神经网络机器学习算法实现蜂窝信号类型识别；第七章采用极限学习机（ELM）模型提升蜂窝信号类型识别精度。最终，第八章总结研究成果并展望未来研究方向。