Wireless Connectivity in the Sub-THz Spectrum: A Path to 6G
毫米波段(即20 GHz以上和高达300 GHz)中的无线通信被预见为下一代无线系统的关键使能技术。预期巨大的可用带宽以实现高数据速率无线通信,并且因此满足未来无线网络的要求。在本文中,我们讨论并说明了新的范例为亚太赫兹物理层,其目的是在最大限度地提高频谱效率,最大限度地减少设备的复杂性,或找到良好的折衷。适当的调制方案和多天线系统提供的解决方案进行评估的基础上,各种潜在的情况。
2022-01-17 eess.SP
Demo: An RFSoC-Based Testbed for Over-the-Air Wireless Transceiver at Millimeter Wave Frequency
Indraprastha Institute of Information Technology, Delhi(德里印度理工学院)
本文提出基于RFSoC的毫米波无线收发机测试平台,通过模拟波束成形实现29.8GHz的空中通信,并分析了射频失真和波束偏移对比特误码率的影响。
2026-03-07 eess.SP
LoRa-based Over-the-Air Computing for Sat-IoT
本文提出在卫星物联网中使用LoRa调制实现基于类型的多址接入,利用碰撞进行空中计算,实验显示其在均方误差和资源节省上优于正交多址方案。
2023-06-28 eess.SP
Compact Varactor-Integrated RIS for Wideband and Continuously Tunable Beamforming
本文提出一种低剖面、宽带的变容二极管集成可重构智能表面,通过中间贴片层设计在6.1 GHz实现10%带宽内310°连续相移,并验证了10×10阵列在600 MHz带宽内的精确波束控制能力。
2025-05-08 eess.SP
Cluster-based Characterization and Modeling for UAV Air-to-Ground Time-Varying Channels
随着无人机(UAV)与无线通信的深度融合,对基于无人机的空-地(AG)传播信道需要更加详细的描述和精确的模型。在本文中,我们的目标是进行基于集群的表征和建模AG通道。据我们所知,这是第一个研究,集中在聚类和跟踪的多径分量(MPC)随时间变化的AG信道。基于测量数据在6.5 GHz与500 MHz的带宽,我们首先估计潜在的MPC利用空间交替广义期望最大化(SAGE)算法。然后,我们聚类提取的MPC考虑其静态和动态特性,采用K-Power-Means(KPM)算法下的多径分量距离(MCD)的措施。为了表征时变聚类,我们采用了一种基于聚类的跟踪(CBT)方法,该方法有效地量化了聚类的生存长度。最后,我们建立了一个基于集群的渠道模型,并验证了所提出的模型的准确性。这项工作不仅促进了对AG传播信道的理解,而且提供了一个通用的基于簇的AG信道模型,具有一定的可扩展性。
2021-08-26 eess.SP
Fluid Antenna Enabled Over-the-Air Federated Learning: Joint Optimization of Positioning, Beamforming, and User Selection
针对空中联邦学习在模拟聚合中易受错误影响的问题,提出利用流体天线技术联合优化定位、波束成形与用户选择,以提升训练收敛速度,实验验证其显著优于传统方法。
2025-02-17 eess.SP
Federated Learning from Heterogeneous Data via Controlled Bayesian Air Aggregation
联邦学习(FL)是一种新兴的机器学习范式,用于在多个边缘设备上训练模型,这些边缘设备保存本地数据集,而无需显式交换数据。最近,已经提出空中(OTA)FL,以通过允许用户在多址接入信道(MAC)上同时发送他们的数据来减少带宽和能量消耗。然而,这种方法会导致信道噪声直接影响优化过程,这可能会降低训练模型的准确性。在本文中,我们联合利用本地权重的先验分布和信道分布,并开发了一个OTA FL算法的基础上贝叶斯方法的信号聚合。我们提出的算法,被称为贝叶斯空气聚合联合学习(BAAF),有效地减轻噪声和信道引起的衰落效应。为了处理用户数据的统计异质性,这是FL的第二个主要挑战,我们扩展了BAAF,允许用户进行适当的本地更新,并开发了受控贝叶斯空中聚合联合学习(COBAAF)算法。除了使用贝叶斯方法来平均通道输出之外,COBAAF还使用校正项的明智设计来控制局部更新中的漂移。我们使用BAAF和COBAAF在嘈杂和异构的环境中学习的全局模型的收敛性进行了分析,显示了它们实现与无错误信道相似的收敛速度的能力。仿真结果表明,改进的收敛性BAAF和COBAAF在机器学习任务中比现有的算法。
2023-03-30 eess.SP
Over-the-Air Federated Learning with Enhanced Privacy
联邦学习(FL)已经成为一种很有前途的学习范式,其中只有局部模型参数(梯度)是共享的。私人用户数据永远不会离开本地设备,从而保护数据隐私。然而,最近的研究表明,即使用户从不共享本地数据,在没有保护的情况下交换模型参数也会泄露私人信息。此外,在无线系统中,模型参数的频繁传输会造成巨大的带宽消耗和网络拥塞时,模型是大的。为了解决这个问题,我们提出了一个新的FL框架,有效的空中参数聚合和强大的隐私保护的用户数据和模型。我们通过在终端设备上引入成对可消除的随机人工噪声(PCR-AN)来实现这一点。与现有的基于空中计算(AirComp)的FL方案相比,我们的设计提供了更强的隐私保护。我们分析了所提出的无线FL聚合算法的保密能力和收敛速度。
2022-12-22 cs.CR eess.SP
Over-the-Air Ensemble Inference with Model Privacy
Imperial College London(帝国理工学院);University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学)
我们考虑在无线边缘的分布式推理,其中多个客户端具有一组模型,每个模型都在本地数据集上独立训练,并行查询以对新样本做出准确的决策。除了最大限度地提高推理准确性外,我们还希望最大限度地提高局部模型的隐私性。我们利用空气的叠加特性来实现带宽有效的集成推理方法。我们介绍了不同的空中集成方法,并表明这些方案的性能显着优于正交同行,同时使用更少的资源,并提供隐私保证。我们还提供了实验结果,验证了所提出的空中推理方法的好处,其源代码在Github上公开共享。
2022-05-15 cs.CR cs.LG eess.SP
Experimental Comparison of Local and Over-the-Air Phase Calibration for MIMO Arrays
本文通过实验比较了MIMO阵列中局部和空中相位校准方法,研究了硬件失真对通信性能和信道估计精度的影响,发现局部校准在相位稳定性方面更优,而空中校准在不需要额外硬件的情况下对多径效应更敏感。
2026-05-21 eess.SP
Movable Antenna-Aided Federated Learning with Over-the-Air Aggregation: Joint Optimization of Positioning, Beamforming, and User Selection
针对无线联邦学习模拟聚合易出错且用户剔除影响收敛的问题,提出可移动天线技术增强信道自由度,并联合优化波束成形、用户选择与天线定位,以提升训练收敛速度,实验验证其显著优于传统方法。
2025-04-21 eess.SP
Balancing Energy Efficiency and Distributional Robustness in Over-the-Air Federated Learning
Centre of Wireless Communications (CWC), University of Oulu(奥卢大学无线通信中心);King Fahd University of Petroleum and Minerals (KFUPM)(法赫德国王石油矿产大学)
针对无线边缘设备带来的能量、带宽等挑战,本文提出一种结合确定性与概率性客户端选择的方法,在基于空中计算的分布鲁棒联邦学习中平衡能量效率与鲁棒性,实现超3倍能量节省。
2023-12-22 cs.LG eess.SP
LLM-Enhanced Space-Air-Ground-Sea Integrated Networks
针对空天地海一体化网络中信道状态信息过时、跨层速率差异大的问题,提出基于单个LLM骨干的统一自适应层,通过信道预测和语义编码解决两大痛点,并指明后续研究方向。
2025-09-02 eess.SP
Over-the-Air Transmission of Zak-OTFS on mmWave Communications Testbed
Duke University(杜克大学);Rutgers University(罗格斯大学)
针对毫米波通信面临的路径损耗等问题,提出基于Zak变换的OTFS(Zak-OTFS),设计完整空中传输系统并通过COSMOS测试平台验证其可行性与稳健性,为5G之后及6G系统提供高效波形方案。
2025-11-10 eess.SP
Experimental Demonstration of Over the Air Federated Learning for Cellular Networks
本文首次在符合5G波形的蜂窝网络环境中实验验证了空中联邦学习(OTA-FL),提出统一框架解决信道估计、权重映射与同步问题,在ORBIT平台上实现等效模型性能,并相比经典联邦学习将频谱利用率提升43倍、能量效率提升7倍。
2025-03-09 eess.SP
Integrated Sensing, Communication, and Over-The-Air Control of UAV Swarm Dynamics
针对无人机蜂群协调控制频谱资源需求大、现有空口控制器优化变量不足且未整合感知的问题,提出ISAC-OTA框架,通过上行两种后处理方法和下行非凸问题求解,实现控制与感知集成,在保证感知精度的同时达到基准控制性能,且无需每架无人机带宽分配。
2025-02-11 cs.SY eess.SP eess.SY
MmWave MU-MIMO for Aerial Networks
毫米波为空对空(A2 A)通信提供高带宽。在本文中,我们评估的速率性能的多用户MIMO(MU-MIMO)配置,几架飞机与一个中央枢纽通信。我们考虑一个混合子阵列架构,单路径通道,和现实的大气衰减效应。我们提出了一个数学框架分析的毫米波(毫米波)MU-MIMO网络。通过蒙特卡罗模拟,我们证明了毫米波是一种很有前途的技术,在下一代空中网络中提供千兆连接。
2019-03-29 cs.IT eess.SP math.IT
Dual-Layer Over-the-Air Federated Learning in LEO Satellite Networks: Architecture, Key Technologies and Applications
Xi’an Jiaotong University(西安交通大学);School of Cyber Science and Engineering, Xi’an Jiaotong University(西安交通大学网络空间安全学院);Xidian University(西安电子科技大学);Beijing University of Posts and Telecommunications(北京邮电大学);Shanghai Jiao Tong University(上海交通大学)
该研究针对LEO卫星网络,提出融合OTA计算与自适应BH的双层FL架构,可解耦聚合延迟、优化资源效率,在卫星FL系统中提升模型收敛速度与数据利用率,为非地面智能演进提供方向。
2026-09-09 eess.SP
Accelerating Distributed Optimization via Over-the-Air Computing
分布式优化在新兴应用中无处不在,例如鲁棒传感器网络控制、智能电网管理、机器学习、资源切片和定位。然而,本地和中心节点之间的大量数据交换可能会导致严重的通信瓶颈。为了克服这一挑战,空中计算(AirComp)是一种很有前途的媒体接入技术,它利用无线多址信道(MAC)的叠加特性,并提供显着的带宽节省。在这项工作中,我们提出了一个AirComp框架一般分布式凸优化问题。具体而言,分布式原始对偶(DPD)次梯度方法用于优化过程。在一般的假设下,我们证明了DPDAirComp可以渐近实现零期望约束违反。因此,DPD-AirComp确保了原始问题的可行性,尽管存在信道衰落和加性噪声。此外,通过对用户信号进行适当的功率控制,也可以减轻预期的非零最优性间隙。该框架的两个实际应用,即智能电网管理和无线资源分配。最后,数值结果再次证实了DPDAirComp的优异性能,同时也表明,DPD-AirComp收敛速度比数字正交多址方案,特别是时分多址(TDMA)快一个数量级。
2022-12-28 cs.IT eess.SP math.IT
Federated Learning via Over-the-Air Computation
ShanghaiTech University(上海科技大学);University of Chinese Academy of Sciences(中国科学院大学);University of California at Davis(加州大学戴维斯分校)
无人机、智能汽车等智能设备的新兴高风险应用对低延迟和隐私的严格要求,使得云计算在这些场景中不适用。相反,边缘机器学习变得越来越有吸引力,因为它可以直接在网络边缘执行训练和推理,而无需将数据发送到集中式数据中心。这刺激了称为联邦学习的新兴领域,用于以分布式方式在计算、存储、能量和带宽受限的移动设备上训练机器学习模型。为了保护数据隐私并解决跨不同设备的不平衡和非IID数据点的问题,已经提出了通过计算每个选定设备处的本地更新模型的加权平均值来进行全局模型聚合的联合平均算法。然而,有限的通信带宽成为聚合本地计算的更新的主要瓶颈。因此,我们提出了一种新的基于空中计算的方法,通过探索无线多址接入信道的叠加特性,用于快速全局模型聚合。这是通过联合设备选择和波束成形设计来实现的,该设计被建模为稀疏和低秩优化问题以支持高效的算法设计。为了实现这一目标,我们提供了一个不同的凸函数(DC)表示的稀疏和低秩的功能,以提高稀疏性和准确地检测固定秩的约束在设备选择的过程中。DC算法进一步发展,以解决所产生的DC程序的全局收敛性保证。所提出的方法的算法优势和令人钦佩的性能通过大量的数值结果证明。
2019-02-17 cs.IT cs.LG eess.SP
Over-the-Air Federated Edge Learning with Error-Feedback One-Bit Quantization and Power Control
空中联合边缘学习(Air-FEEL)是使用分布在边缘设备处的训练数据的分布式机器学习的通信高效框架。该框架使所有边缘设备能够在整个可用带宽上同时传输模型更新,从而实现空中聚合。最近提出了一种1比特数字空中聚合(OBDA)方案,其特征在于边缘设备处的1比特梯度量化和边缘服务器处的基于多数表决的解码。然而,低分辨率的一位梯度量化减慢了模型的收敛速度,导致性能下降。另一方面,Air-FEEL中由衰落信道引起的聚合误差仍有待解决。为了解决这些问题,我们提出了错误反馈的一位宽带数字聚合(EFOBDA)和优化的功率控制策略。为此,我们首先提供了一个理论分析,以评估误差反馈对FL与EFOBDA的收敛性的影响。分析结果表明,通过设置一个适当的反馈强度,EFOBDA是可比的空气FEEL没有量化,从而提高了OBDA的性能。然后,我们进一步介绍了一种功率控制策略,通过最大化的收敛速度下的瞬时功率约束。实验结果表明,与无误差反馈的1比特量化方案和优化的功率控制策略相比,该方案在图像分类任务中具有更快的收敛速度和更高的测试精度.
2023-03-20 cs.IT eess.SP math.IT
RF Fingerprinting of DSP Implementations using Machine Learning: An Over-the-Air Case Study
本研究通过卷积神经网络对原始IQ、功率谱等信号特征分类,实现了五种DSP实现的射频指纹识别,最佳模型准确率达90%,验证了DSP特征可用于特定发射机识别。
2026-10-14 cs.LG eess.SP
RF-VoID: Towards Bandwidth-Efficient Exterior Tile Void Detection via Narrowband Radio-Frequency Representation Learning
MARS Lab, Nanyang Technological University, Singapore(新加坡南洋理工大学MARS实验室);Ibaraki University, Mito, Ibaraki, Japan(日本茨城县水户市茨城大学);The University of Tokyo, Bunkyo, Tokyo, Japan(日本东京都文京区东京大学)
针对外墙瓷砖空鼓检测,提出RF-VoID方法,直接在窄带复数响应上决策,以0.5 GHz带宽实现98.61%准确率,带宽减少72倍,无需距离剖面重建。
2026-09-14 cs.AI eess.SP
Hierarchical Over-the-Air FedGradNorm
University of Maryland, College Park(马里兰大学帕克分校)
多任务学习(MTL)是一种学习范式,可以使用单个共享网络同时学习多个相关任务,其中每个任务都有一个独特的个性化头部网络进行微调。MTL可以集成到联邦学习(FL)设置中,如果任务分布在客户端上,并且客户端具有单个共享网络,则可以实现个性化的联邦学习(PFL)。为了应对统计异质性,在联邦设置跨客户端,可以显着降低学习性能,我们使用分布式动态加权方法。为了在功率和带宽受限的情况下有效地在噪声信道上执行远程参数服务器(PS)和客户端之间的通信,我们利用空中(OTA)聚合和分层联邦学习(HFL)。因此,我们提出了分层的空中(HOTA)PFL与动态加权策略,我们称之为HOTA-FedGradNorm。我们的算法在动态权重选择过程中考虑了信道条件。我们在无线通信系统数据集(RadComDynamic)上进行实验。实验结果表明,HOTA-FedGradNorm算法的训练速度明显快于静态等权策略。此外,HOTA-FedGradNorm通过在动态权重选择过程中补偿信道条件来提供针对负面信道影响的鲁棒性。
2022-12-14 cs.IT cs.LG eess.SP
Convergence Analysis of Over-the-Air FL with Compression and Power Control via Clipping
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);King’s College London(伦敦国王学院)
本文针对空中联邦学习提出AirFL-Clip及其扩展协议AirFL-Clip-Comp,推导出适用于一般非凸目标的收敛界,并证明界中的时变量可通过稀疏恢复算法高效离线估计。
2023-05-18 cs.IT cs.LG eess.SP
ROAR-Fed: RIS-Assisted Over-the-Air Adaptive Resource Allocation for Federated Learning
本文提出ROAR-Fed算法,通过联合优化客户端计算步数、发射功率与RIS相移,在异构数据和不完美CSI条件下实现联邦边缘学习的收敛,并验证了RIS辅助学习的优势。
2023-09-18 cs.IT eess.SP math.IT
Interference-Robust Non-Coherent Over-the-Air Computation for Decentralized Optimization
Arizona State University(亚利桑那州立大学)
本文提出抗干扰NCOTA方案,通过协调随机旋转和伪随机导频信号,使外部干扰转化为圆对称分布,从而保持共识估计无偏并提升去中心化优化性能。
2026-02-12 cs.LG cs.MA eess.SP
WGAN-based Autoencoder Training Over-the-air
通信系统端到端训练的实际实现从根本上受到其信道梯度可达性的限制。为了克服这一主要负担,最近在文献中提出了生成对抗网络(GANs)的想法,该网络学习模仿实际的信道行为。与手工制作的经典信道建模不同,传统信道建模永远无法完全捕捉真实世界,原则上,GANs承诺能够学习任何物理损伤,这是由数据驱动的学习算法实现的。在这项工作中,我们在实际的空中(OTA)测量中验证了基于GAN的自动编码器训练的概念。为了提高训练稳定性,我们首先将这个概念扩展到条件Wasserstein GANs,并将其嵌入到最先进的自动编码器架构中,包括按位估计和外部信道代码。此外,在同一框架中,我们比较了现有的三种不同的训练方法:基于模型的预训练与接收器微调,强化学习(RL)和基于GAN的信道建模。为此,我们展示了基于GAN的端到端训练的优势和局限性。特别是,对于非线性效应,事实证明,学习整个探索空间变得非常复杂。最后,我们表明,训练策略的好处,从一个更简单的(训练)数据采集相比,基于RL的训练,这需要连续的发射机权重更新。由于发射机和训练算法之间的有限带宽和延迟,这成为一个重要的实际瓶颈,甚至可能在物理上不同的位置操作。
2020-03-05 cs.IT eess.SP math.IT
Over-the-Air Computation Systems: Optimization, Analysis and Scaling Laws
针对物联网大数据应用中无线数据收集与边缘计算的挑战,研究单天线空中计算系统的收发策略优化,推导出闭式计算最优策略,验证其在大量传感器下的计算有效性与能量效率。
2020-05-07 cs.IT eess.SP math.IT
Fundamentals of Wobbling and Hardware Impairments-Aware Air-to-Ground Channel Model
本文首次构建同时纳入无人机抖动与硬件损伤影响的空对地统一信道模型,推导信道自相关函数并分析四项关键信道指标,发现微小抖动也会导致高频段相干时间严重下降,为相关信道估计研究提供基础。
2023-08-29 cs.IT eess.SP math.IT
Over-the-Air Transmission of Zak-OTFS with Spread Pilots on Sub-THz Communications Testbed
本文在亚泰赫兹测试平台上实现 Zak-OTFS 空中传输,设计通信感知共存的扩频导频,在 140/240 GHz 下验证数据传输,并实现 ISAC 及 PAPR 改善超 5 dB。
2025-04-22 cs.IT eess.SP math.IT
Adaptive Personalized Over-the-Air Federated Learning with Reflecting Intelligent Surfaces
针对异构non-i.i.d.边缘网络,本文提出RIS辅助的OTA-FL跨层资源分配与自适应本地步数算法,并扩展至个性化学习,实验证明其优于现有基线。
2024-12-04 cs.IT eess.SP math.IT
Dual band wireless transmission over 75-150GHz millimeter wave carriers using frequency-locked laser pairs
该研究采用三个相互锁频激光器和光辅助方法,在75–150 GHz的W、D双频段无线传输75 GHz带宽OFDM信号,实现最小频带间隔和173.5 Gb/s检测容量。
2023-10-27 cs.SY eess.SP eess.SY