新一代信息系统下的移动信号感知技术：原理、现状与展望*

朱捷，徐天衡，王超，徐银骏

（1.中国科学院上海高等研究院，上海 201210；2.同济大学，上海 200092）

0 引言

近年来，5G 技术迎来了大规模商用，标志着人类社会进入了数字化、智能化的新阶段，我国发展也进入了各领域数字化转型攻坚期[1]。随着5G 的不断发展，未来的技术竞争焦点逐渐转向了6G。放眼2030 年及未来，社会将进入全新的6G 时代。6G 以构建一张人机物智慧互联智能体高效互通的智慧网络为核心目标[2]，注重全频谱资源高效利用与空天地一体化全域覆盖，旨在实现宏观与微观网络深度连接，满足不同场景及业务应用需求。这一新一代信息技术的出现有望催生并推动关键领域技术的创新和发展，因此被视为引领未来科技进步的先导力量。

在“万物智联、数字孪生”的总体愿景的推动下，6G 技术预计完成超大规模设备连接，包括未来物联网中的数十亿设备，通信功能从单纯的信息互联拓展为人机物的大规模组织[3]。为实现更大的连接密度，支持海量设备之间的实时通信，6G 被要求具备更高的数据速率、更低的时延与更丰富的频谱资源。然而随着无线通信产业的快速增长，连接设备和服务大量增加，场景复杂度不断提升，有限的频谱资源日趋紧张，难以满足急剧增长的数据需求和新兴应用对更高速、更稳定通信的迫切要求。在全球范围内，通信服务提供商和设备制造商纷纷竞相争夺有限的频谱资源，多个国家已就5G 频谱牌照完成了拍卖与授权。激烈的竞争导致了频谱分配不均衡，用户需求和资源分配不匹配，进而影响了通信服务的质量和可靠性，也对新兴技术的发展和推广构成了制约。频谱资源匮乏的状况进一步加剧了通信网络的拥塞，用户在高密度区域可能经常面临信号弱、数据传输缓慢等问题。

认知无线电技术（CR,Cognitive Radio）作为解决频谱资源匮乏的方案之一，区别于传统无线电技术被提出，其技术核心在于设备能够感知和理解当前的频谱环境并获取有效信息，以智能方式进行频谱利用。通过实时监测周围的频谱使用情况。认知无线电设备可以自适应地调整其工作频率、功率和模式，以最大程度地避免冲突，提高频谱利用效率。频谱感知作为CR 的关键技术，是提高频谱利用率的前提条件，其核心问题即信号的感知和特征提取，实时获取当前频谱的利用情况。近年来，随着针对信号感知的大量研究，相关技术已有初步成果，但传统研究大多基于对频谱环境及认知用户（CU,Cognitive User）的静态假设，实际场景下须考虑认知用户、移动设备等的时空动态性，移动过程中可能经历不同的信道条件、多径效应、阴影衰落、Doppler 频移等。因此在不同的应用场景下需要针对特定的移动信号特征和环境条件采用不同的感知技术，这种差异化的场景需求也带来了一系列挑战。

在不同的应用场景下，需要针对特定的移动信号特征和环境条件采用不同的感知技术。移动信号感知技术的应用场景复杂多样，前景广泛，如天地一体化、高频段信号、车联网与自组织自学习等典型场景均对信号在移动时的感知技术提出了较高要求，这也充分展现了信号感知技术的广泛潜力。因此，需要不断进行技术优化与创新，提出解决方案以迎接相关挑战。

新一代信息系统下的信号移动技术的典型应用场景及所面对的挑战有：

1）天地一体化场景下的移动信号感知：该场景通过整合卫星与地面基站的通信，用于扩展地面通信网络的覆盖范围，优化卫星通信系统作为地面网络的补充和延展部分，进而提供全球通信服务，实现全球协同感知。该场景中存在多种不同维度与轨道的卫星，从横跨维度、距离、覆盖种类等方面，卫星通信都远超常规通信的复杂度，为了实现地面系统、空中系统、卫星系统的有序协同工作，需要克服如时延、信号干扰等问题，进行有效的资源调度和管理。

2）高频段信号场景下的移动信号感知：该场景主要包括毫米波通信、可见光通信、太赫兹通信等方向，各方向频段可能存在一定重叠，其核心是利用高频段信号实现更高的数据传输速率，支持大容量通信和低时延需求，为大规模连接和高带宽应用提供支持，助力完善更高速率、性能更突出的通信标准。但高频段信号在复杂环境下易受干扰，敏感度高，覆盖范围和穿透能力受到限制，需要应对传播衰减和覆盖距离较短等问题，保障高频段传输信号的质量稳定性。

3）车联网（V2X,Vehicle-to-Everything）场景下的移动信号感知：该场景的目的在于驾驶系统中的智能化互联，高速行驶中的车辆通过不断提升对周围复杂多变的交通环境的信号的感知精准度，并进行准确且迅速的响应，从而推动智慧交通与自动驾驶。在该场景下应用信号感知技术需要解决高速移动和复杂交通环境下的信号时延、感知准确性、大规模设备连接管理有效性、用户安全隐私等问题，提升高移动性车辆环境下的通信系统性能，实现安全高效的车辆通信。

4）自组织自学习场景下的移动信号感知：自组织自学习场景旨在分析环境变化，并对自身参数进行自动调整，以实现智能可靠的通信，确保网络资源的有效利用。通过机器学习算法的辅助，信号感知技术在该场景下学习和分析移动信号的大量历史数据和实时数据，进行网络拥塞、信号干扰等情况的预测，从而优化信号传输和网络性能，根据不同环境和网络条件进行自适应调整，获得高资源利用效率，使通信系统更加智能化，具备更优越的服务性能。但完成海量信号数据的处理和分析需要强大的计算能力和高效的算法，移动通信系统的复杂性也更增加了实施难度。

本文首先介绍了移动信号感知技术的发展历程和基本实现原理，详细调研了近五年的国内外相关文献并进行梳理和总结，归纳得到移动信号感知技术的典型移动性场景。从以上多个场景出发，分析了移动信号感知技术的应用多样性和关键作用，最后开展未来展望，挖掘其广泛的潜力，既为实现智能化、高效能的移动通信系统奠定了基础，更为未来通信网络的发展和优化提供了有力支持。

1 信号感知的基本原理

在传统的静态频谱资源分配策略下，通信体系面临着日益增长的巨大压力，因此合理分配频谱资源成为了缓解压力的关键手段之一。通过改进传统的分配方式，认知无线电技术自适应地、动态地实现了资源合理分配，提高了无线资源的利用率，目前被广泛视作为5G 的关键技术之一，仍然处于不断演进的阶段，未来随着6G 技术的探索和新兴应用的涌现，有望在更多领域助力通信系统的智能化和高效化。

认知无线电技术中最为核心的即频谱感知技术，对不同的频谱感知技术，其感知对象也有所差别。目前常用的感知技术包括：信号能量检测法（ED,Energy Detection）、信 号 特 征 检 测 法（FD,Feature Detection）、匹配滤波检测法（MF,Matched Filtering）、波形检测法（Waveform Detection）等，这些技术均是通过获取其名称所示的值来表示各个信号的属性，将该属性记为E。其中应用最广泛的两大感知技术是能量检测法与信号特征检测法。

感知过程涉及确定延迟处的相关性是否超过给定的阈值，对于感知用户而言，判决其传输状态是一个二元假设检验问题，即主用户（PU,Primary User）传输信号的情况（H1）和主用户不传输信号的情况（H0）。在这两种情况下，收到的信号可以表示为：

式(1) 中，n(t) 代表高斯白噪声，而x(t) 代表PU 发出的信号，h(t)代表信道增益，t为时间。

判决过程中，将阈值记为λED。如果该值大于阈值，则判定PU 存在，如果小于该阈值，则判定PU 不存在，令信号属性为E，则该过程表示为：

在给定的判决门限下，依据相应的判决规则，将得到检测结果D0和D1。频谱感知性能指标主要由检测概率、丢失概率、虚警概率等参数确定：

其中，虚警概率（Pf,Probability of False-alarm）最为重要，它将直接关系到频谱感知系统的稳定性和可靠性。直观地说，虚警概率即表示在频谱感知中错误地认为频谱是空闲的概率，即未检测到活跃信号而将频谱视为可用的概率。较低的虚警概率可减少其他用户和通信系统所受的干扰，大幅促进频谱共享，同时也带来了更高的感知精确度。

检测概率（Pd,Probability of Detection）表示在存在信号的情况下，感知系统正确地识别并报告信号存在的概率。通常Pd的值越高，表示感知系统在存在信号时更容易正确地检测到，但虚警概率可能受影响随之增加。因此选择Pd的值时需要进行权衡，不同应用场景对Pd的要求不同，在资源受限的情况下需要权衡Pd和系统资源消耗之间的关系，当应用场景对于系统准确性有较高的安全性要求时，倾向于选择较高的Pd。

Pf和Pd都是频谱感知中检验性能的重要参数。Pd代表次用户能够分配资源的概率，Pf代表影响主用户传输的概率，Pf和Pd间相互制约，无法同时优化，需要考虑实际场景需求进行均衡。由于频谱感知的目标在于不影响主用户的条件下适当地给次用户分配资源，故要在保持Pf较小的同时尽可能地提高Pd，在保证主用户群通信服务质量的前提下增大给次用户分配资源的机会，更适当地利用剩余频谱资源。

用户的信号接收过程的帧结构如图1 所示：

图1 用户的信号接收过程的帧结构

其中每一帧的长度为Tf。考虑CR 用户不间断传输数据包的情况，每帧开始时，CR 用户在Ts周期内对频谱的可用性进行感知。当频谱传感结果表明信道空闲时，CR 用户向接收机发送导频，并在Tp周期内获得信道状态信息（CSI,Channel State Information），CSI 通过专用的无错误反馈通道得到无时延反馈。待数据传输完毕后，接收方确认每一次传输的结果，即数据传输成功（ACK）或不成功（NAK）。

通过信号感知技术，CR 用户能够根据当前信道是否可用进行合适的调度决策，选择与主用户共享频谱或使用其余空闲的频谱资源，避免在被占用的信道上进行传输，以防产生用户间不必要的干扰。接收方的反馈信号也能使CR用户得知每一次传输的结果，根据反馈信息进行相应的传输策略，进一步提高通信的可靠性，动态地提高频谱利用率。

2 天地一体化场景下的移动信号感知

天地一体化通信指在不同层面、距离和维度上实现通信的融合和整合，使通信服务能够更加全面与智能地覆盖各地区，实现全球通信，包括地面通信、空中通信和卫星通信的协同工作。目前，构建天地一体化的综合通信网络已成为未来6G 通信网络的重要特征之一。

卫星通信和空中通信作为地面通信的延伸和补充，能够为高数据需求的热点地区和基础设施匮乏的偏僻地区提供通信服务。面向6G 的综合通信网络包括高轨卫星（HEO,Highly Elliptical Orbit）、中轨卫星（MEO,Medium Earth Orbit）、低轨卫星（LEO,Low Earth Orbit）以及空中通信系统和地面通信系统，它们共同构成一个大时空尺度的多层异构网络，实现天地一体化通信网络。目前，关于星地融合网络的模型和架构的研究正在迅速推进中，为天地一体化下通信系统的设计和优化提供了前沿指导。

目前，来自国内外的多个研究团队都聚焦天空地一体化网络中的移动信号感知技术，围绕优化网络资源分配、提高通信效率以及应对不同通信业务场景需求等目标，提出特定条件限定下联合通信的模型与相关的优化方法，在理论上为规划部署巨型星座提供可行性，通过多颗卫星的协同工作弥补单颗卫星的局限性，提供海洋、山区在内的更广泛的覆盖范围。近年来，相关团队就巨型卫星互联网星座的多维域资源利用问题，正在进行深入研究。

天地一体化场景涉及到大量终端和设备，而非正交多址（NOMA,Non-Orthogonal Multiple Access）技术能够支持海量大规模连接，提高整体通信系统的吞吐量。该技术指多个用户在相同的时间和频率资源上使用相互非正交的信号进行通信，有助于更有效地优化通信系统的频谱利用率与整体性能，满足大规模连接和高密度用户设备的通信需求。

为了提升频谱利用率，避免频谱资源冲突资源和浪费，Xu 等人[4]针对未来的星地网络（STN,Satellite-Terrestrial Network）场景提出了一种基于NOMA 的频谱感知方案，分别从上行链路和下行链路两个角度设计了收发器，并推导出该通信场景中特征检测的阈值以进行后续判决。仿真结果证明，这一结合NOMA 和频谱感知的方案在保持检测概率稳定下，能显著地提高吞吐量，具有良好的兼容性和稳定性。

从发展趋势和核心技术入手，Chen 等人指出了地面移动通信和卫星通信系统集成的两个阶段趋势：5G 兼容和6G 集成，并给出了6G 中STN 的整体架构图[5]，如图2 所示。针对地面移动通信和卫星通信系统联合的问题，文中集成现有的信号感知模式，对系统参数修正进行，并根据STN中典型的移动信号场景选择合适的模式进行优化。

图2 6G综合系统的整体架构

Fang 等人[6]针对地面通信在恶劣环境下覆盖性能较差与卫星通信高延迟、数据速率相对较低的问题，讨论了当前建立高效的星地混合网络（HSTN,Hybrid Satellite Terrestrial Network）所面临的挑战，在此基础上提出了星地融合网络的三种基本模型：模型X、V和L，将地面网络作为主要系统，考虑与卫星共享频谱的情况，并对不同模型下的信号感知和资源管理，提供了定制化手段。

Akhmetkaziyev 等人[7]提出了一种新型的结合CR 技术的STN 技术，并对实际系统条件中的认知STN 进行研究，推导了一次和二次网络中用户的广义覆盖概率公式并验证了其正确性，由此提高了非完美硬件条件和不完全信道先验信息下的星地服务的覆盖能力，大幅提升了频谱利用率。

针对认知型混合星地网络（CHSTN,Cognitive Hybrid Satellite Terrestrial Networks）的非完美的CSI，Yan 等人[8]推导了认知网络的中断概率和遍历容量的解析表达式，为联合评估不同链路的不完全信道估计对所考虑网络性能的影响提供了一种有效的方法，通过调整所给定传输参数，能够有效地提高频谱利用效率。

交织频谱共享同样是提高频谱利用率的策略之一，即在频谱中交织与混合不同系统或用户的信号，同时服务于多个用户或系统。Wang 等人[9]针对卫星通信和地面通信之间的交织频谱共享，采用分布式算法以优化系统的吞吐量。将认知卫星通信网络的信道接入和功率优化问题表述为联合信道接入和功率优化博弈，根据地面认知用户遭受信束间干扰的固有特征，分别给出了认知用户之间的无干扰和系统效用最大化的充分条件，从理论上推导出了系统效用的下界。仿真实验表明通信系统的吞吐量实现了较大程度上的优化，频谱利用率得到了突出提升。

3 高频段信号场景下的移动信号感知

高频段信号通常指毫米波（mmWave）[10]、可见光[11]与太赫兹（THz）频段[12]的信号，相较常规信号，该频段具有更高的频谱容量和带宽，因此可提供更高的数据传输速率和更低的时延，支持海量大规模通信。但在高频段，信号传播的距离相对较短，相对低频信号穿透能力较差，更容易受到障碍物影响，导致信号传播损耗增加，进而影响通信系统的性能。在现有的5G 网络中，高频段信号通常会与低频段信号结合投入实际使用，以兼顾覆盖范围和通信网络性能。

三种高频段信号的简要对比如表1 所示：

可见光作为各种物联网应用的高速通信和传感通道，利用了对光源的高频调制，得到了广泛的应用与日益深入的研究。但光通信中更高的通信吞吐量将对感知分辨率形成制约，导致降低。可见光通信技术目前与大规模商业应用之间仍存在一定的差距。主要应用的高频段信号集中在毫米波和太赫兹频段。目前，毫米波技术正在大规模MIMO 天线的部署中得到广泛应用，未来预计为用户提供高数据传输速率的低成本小型蜂窝网络，因此成为了新一轮通信技术浪潮的焦点之一，其提供无线通信服务的示意图如图3 所示。而太赫兹技术能够在室外提供中远距离高速视距空口传输，其成像分辨率达到了光学分辨率级别，被科研人员认为具有室外超高速通信和全息通信的丰富潜力，吸引了众多研究团队的注意并得到了不断深入的研究。

图3 5G毫米波提供无线通信服务示意图

根据提供超高的传输数据速率，毫米波和太赫兹通信能提供大容量的数据传输服务。根据这一优势，Chang等人[13]设想这两种技术有望在蜂窝连接的无人机（UAV,Unmanned Aerial Vehicle）网络中实现回程数据传输，建立空中与地面联合的移动通信网络，并提出了一种新的针对UAV 网络中的mmWave 和THz 通信的传感、通信和控制的综合调度方法，提供了新的评估参数状态噪比及其定义以凸显该方法优越的应用性能。

从提升频谱利用率出发，Hamdaoui 等人[14]利用毫米频段设计了动态灵活的频谱访问策略，由于在毫米波段传输的信号会发生严重的衰减且受硬件限制，团队针对该问题，结合动态频谱共享范式在考虑毫米波频带访问时所面临的挑战，提出了两种新的解决方法以弥补信号损失，提高频谱的利用率。

结合高频正交频分复用（OFDM,Orthogonal Frequency Division Multiplexing）系统的传输模型，Wang[15]等人将毫米波通信系统的信道估计问题进行公式化，由此改进了毫米波OFDM 系统的信道估计方案，获得了更高的估计精度和频谱利用率。通过仿真结果，该方案的有效性得到了切实的验证。

聚焦太赫兹频段，Chen 等人[16]讨论了太赫兹通信系统中现有的关键技术，如太赫兹硬件组件、信道模型、波束跟踪和波束形成等，在THz 频段超宽带通信的一些有前景的应用场景中，包括超越5G 的无线移动网络、无线数据中心场景和空间等，探索了现有太赫兹通信系统的不同种类，以及相应的实验平台。

Han 等人[17]关注新的太赫兹频谱特性之一分子吸收效应，发现该效应将放大特定频段信号的路径损耗和噪声。针对正面和负面影响，团队研究发现分子效应在降低了接收的信号功率与信道容量的同时，能够提升无线的安全性和隐蔽性，由此讨论移动通信系统的性能受影响程度，并在此基础上对相应波段的信号感知效果提升提出了修正策略。

4 车联网场景下的移动信号感知

车联网指车辆借助无线通信网络实现与其他车辆（V2V）、基础设施（V2I）、行人（V2P）、云端服务器（V2N）等实时的双向信息交流。通信技术的发展为V2X 提供了更高的数据传输速率和更低的通信延迟。结合信号感知技术，车辆将更全面、准确地感知周围环境，以更优越的性能适应未来复杂多变的交通场景。

车联网因其移动速度较快、承载设备海量、通信规模庞大的特点，对数据的传输速率和质量，以及用户信息的私密性保证，都提出了较高的要求。目前，研究团队主要围绕提升车联网通信服务的质量和保证车联网通信服务的安全隐私等主要诉求，处理通信中数据拥挤冲突、频谱资源紧张的问题，并对更可靠的通信协议和安全机制进行设计与更新。

V2X 通常使用随机接入机制，即选择通信资源时采用随机方式。如果车辆未进行协调而进行通信频率或时间的选择，就会出现冲突。该问题在车辆密集区域，如交叉口、停车场等地方更容易发生，对其通信性能造成了威胁。针对此类密集交通情况下V2X 随机选择过程中的频繁数据冲突的问题，Li 等人提出了一种基于深度Q-learning 网络的新的C-V2X 动态频谱访问（DSA,DynamicSpectrum Access）算法，促进分布式DSA 的信道状态预测，其实现过程如图4 所示[18]。仿真结果表明，与其他频谱访问方法相比，该策略可在虚警概率较低的前提下较大地提高信号传输速率，降低碰撞概率。

图4 C-V2X中深度强化学习实现过程示意图

针对冲突问题，Huang 等人[19]提出了一种新型的协作频谱感知方法来提高频谱感知精度，包括感知信道选择过程和协作用户选择过程。该方法通过挖掘历史频谱感知结果的相关性，预测信道选择概率，并基于历史感知结果建立合作用户的信任方案，完成感知信道和合作用户的选择。与其他合作和非合作方法相比，该算法将更好地提高成功感知率，降低碰撞率。

同样聚焦V2X 中的冲突，针对分布式（SPS,Sensingbased Semipersistent Scheduling）算法的公共感知特性导致C-V2X 分布式通信在非周期性业务受到选择冲突的问题，He等人[20]提出了一种基于短期感知的资源选择（STS-RS,Short-Term Sensing-based Resource Selection）方案来减少由于资源竞争引起的分组冲突，以改善通信可靠性。团队研究了C-V2X模式4 中定义的STS-RS 方案和SPS 方案的性能分析模型并进行仿真，与SPS 方案相比，STS-RS 方案显著减少了分组冲突，提高了C-V2X 直接通信的性能。

Sabeeh 等人[21]就系统拥挤问题，报告了LTE 下C-V2X 的模式4 的自主资源选择研究结果，提出了一种扩展估计和预留资源分配（E-ERRA,Extended-Estimation and Reservation Resource Allocation）算法，将其在解决系统拥挤问题时的性能与由3GPP 提出的用于资源分配调度的基于感知的半持久调度算法进行对比。冲突率的降低和分组接收率的增加表明E-ERRA 在可靠广播和资源分配方面的性能明显优于半持久调度算法。

V2X 数据传输规模庞大，车载数据传输需求不断增加，造成了频谱资源的紧张。Wang 等人[22]基于该现状，针对无授权频谱上V2X 用户和车辆自组织网络（VANET,Ehicular Ad Hoc Network）用户的共存问题设计了一种基于能量感知的频谱共享方案，模型如图5 所示。该方案允许蜂窝V2X 用户能够公平地访问未授权信道，以减少V2X 和VANET 用户之间的数据传输冲突，并提出了一种动态车辆资源匹配算法，实现最大程度上活跃V2X 用户数量的增加，以仿真结果证明了其方案突出的性能。

图5 蜂窝V2X和VANET共存系统的模型

V2X 不仅对大规模的数据传输要求较高，较低的时延也同样是技术关键，高可靠性、低延迟的队列通信是队列安全的保证。Gao 等人[23]根据这一前提，为降低排队时延提出一种能量检测调度方案，利用局部优化算法解决资源优化问题，并提出了能量检测调度（EDS,Energy Detection Scheduling）算法。结果显示相比传统的资源分配方案，EDS 方案能够减少50% 以上的排队延迟。

5 自组织自学习场景下的移动信号感知

面对日益复杂多变的通信环境，自组织自学习能够用于无线资源的智能管理，通过分析环境变化，自动调整自身参数，以实现智能可靠的通信，确保网络资源的有效利用。为了提升自组织自学习场景下移动信号感知的质量，机器学习算法得到了广泛的使用。机器学习是一种让计算机系统通过学习数据和模式而提高性能的方法，其主要范式有监督学习、无监督学习、迁移学习和深度学习等。通过收集大量复杂的环境信息和用户状态进行建模和推理学习，机器学习算法能够助力自组织自学习场景下的通信，提供更可靠的通信服务。目前，为了提升通信系统的自组织自学习性能，机器学习成为了科研人员关注的焦点。针对不同的场景需求和复杂的条件限制，不同的机器学习算法得到了广泛应用与深入挖掘，相比传统的处理方法，具有更低的实现成本与更加优越的服务性能。

针对通信信道中的衰落和阴影的影响，Kaul 等人[24]采用k-means 聚类算法实现了改进的频谱感知，将大量数据集划分为小的集合，通过聚类引入了机器学习（ML,Machine Learning），并利用能量检测来提高系统的性能，结果显示，在聚类下成功检测到了较高的信噪比，确保了带宽、功率和其他资源的有效利用。

在传感器以高速移动时，无线信道是快速时变的，信噪比将不再是一个恒定的值。为提高低信噪比情况下频谱资源的利用率和信号感知的成功率，Tan 等人[25]提出了一种基于随机森林的多条件频谱感知组合算法，用户的移动信号感知模型如图6 所示，借助该算法的较强多分类能力，重点分析了参数的选择、信道衰落、Doppler效应和阴影效应引起的低信噪比，提高了低信噪比时系统对移动信号的检测性能。

图6 用户的移动信号感知模型

针对传统方法受到不确定噪声、用户先验信息等因素影响在低信噪比的情况下检测性能较差的问题，Zhao等人[26]提出了一种基于支持向量机的多特征协同频谱传感方法，其中新特征是通过多个认知用户的能量值加权融合构建的，用以检测频带的状态。仿真结果显示在低信噪比条件下，该方法的检测精度有了较大的提高。

现有的机器学习频谱感知方法普遍存在训练时间较长的问题，并不满足实际应用场景下快速频谱感知的要求。而深度学习作为机器学习的分支，较好地解决了这一问题。在这种背景下，Xu 等人[27]将强化学习概念与频谱感知技术相结合，提出了一种自适应部署频谱感知配置的方法，并设计了三种具有各自优化目标的专用模式，以优化5G 通信中多种场景下的系统性能。

利用深度学习在相关特征提取和高模式识别方面的优势，Huynh-The 等人[28]开发了一种深度卷积网络以实现对第五代新无线电和长期演进（LTE,Long-Term Evolution）信号的自动识别，证明了深度网络在基于频谱图的信号识别中的效率，并表现了算法在不同射频影响下的良好鲁棒性。

目前，传感技术呈现出从单一到交叉、多维的趋势，感知环境不仅局限于地面，而且逐渐扩展，覆盖的空间越来越多，信号数据也变得复杂与海量。针对这种趋势，利用神经网络算法，Zhang 等人[29]提出了一种基于多通道卷积长短记忆复合神经网络（MC-BLSTM,Multi-Channel Convolution Long Short Memory Composite Neural Network）结构的频谱传感系统，以实现空间和时间维度上大量的监测数据的处理和分析。系统的整体体系结构包括三层；频谱传感层、数据处理层和情况分析层，实现了底层数据处理和高维频谱传感分析，大大提高了信号感知手段的智能水平。

针对以上不同文献中采用的机器学习算法进行简要对比，结果如表2 所示：

表2 不同机器学习算法的简要对比

6 未来展望

除了前述介绍的四种主流高移动性场景，新一代信息系统未来还将涉及智能反射面、跨海域宽带通信、智能共生无线通信等新的前沿应用场景，新场景的发展带来了前所未有的复杂性和多变性，由此移动信号感知将面临新的挑战和机遇。

6.1 智能反射面场景

智能反射面（RIS,Reconfigurable Intelligent Surface）技术[30]旨在优化信号的传播路径，提高信号的覆盖和穿透能力，用于优化室内和室外环境中的信号质量，提高通信系统性能，RIS 技术的典型应用场景包括覆盖盲区消除、物理层辅助安全通信、边缘覆盖增强、大规模D2D 通信、物联网中无线功率和信息的传输等，有望解决5G 毫米波的覆盖难题，并在太赫兹频段中实现应用。图7 是一种基于RIS 的物联网中无线功率和信息的传输示意图：

图7 基于RIS的物联网中无线功率和信息的传输示意图

RIS 要求结合信号感知技术克服建筑物和地形等造成的信号衰减和损耗，完善大规模的智能反射面系统的设计和管理。目前，RIS 已被证实能够明显提升用户吞吐量，改善室外小区边缘覆盖与室内覆盖。由于RIS 的广泛应用前景，IEEE ComSoC 在2020 年8 月份成立了独立的RIS-ETI 工作组，IEEE JSAC 等权威期刊也已将RIS 列为6G 潜在技术开展相关研究。

通过结合信号感知技术，RIS 将更智能地进行通信资源分配和能效优化。RIS 技术对信号会造成改变，由此造成新的用户间干扰。未来，RIS 技术预计将被灵活部署在无线通信传播环境中，同时侧重对虚警浮动、特征干扰问题的解决策略，达到重塑无线信道的目的。

近年来，许多科研团队致力于不断完善RIS 器件的设计和建模理论，探索其信道测量和反馈机制，提升可重配置能力、智能化程度和表面设计制造工艺[31]，以实现RIS 在未来6G 场景中的深入应用，如：将RIS 作为基站发射机，完成多流波束赋形高效数据传输等，并不断挖掘RIS 在多天线的维度拓展、数据传输能力的提升、通信系统的性能改善、大规模天线系统的低成本低功耗轻量化发展等方面的巨大潜力。

6.2 跨海域宽带通信场景

跨海域宽带通信具体指在海域之间所进行的宽带通信传输，旨在拓展通信覆盖范围，推动信息互联互通。海洋环境复杂，被探索的领域较多，同时，通信服务受海流、地震、海啸等自然因素影响，且大气环境多变将极大地影响海洋通信系统的通信距离和质量，对信号造成干扰和衰减，有一定概率导致频谱的时变性，这给通信系统的建设与信号的高效感知与传输带来了艰巨的挑战，威胁着通信的稳定性和可靠性。此外，由于该场景多依赖跨海域通信的长距离传输，涉及大规模的设备连接，对带宽和传输速度的需求相对较高。

针对跨海域宽带通信，Zhang 等人[32]发现大气波导导致信道模型的差异较大，干扰着信号感知结果的准确性，但现有研究忽视了这一因素。团队由此提出用蒸发波导模型替换表面波导模型，构建出更符合实际情况的海洋信道模型。图8 是近海宽带无线通信网络的结构图。此外，海洋通信系统的基站部署稀疏，接收信号的概率和地面系统相比信噪比偏低，这些阻碍系统性能发展的棘手问题也亟待解决。

图8 近海宽带无线通信网络结构图

目前，受到大气波导、多变的海面状况等因素的影响，跨海域宽带通信的信道时延扩展较大，时变性较强，信道建模的准确性、可靠性还有待提升。未来，移动信号感知技术将结合人工智能技术提出联合信号检测与信道估计算法，并研究使用少量导频实现更精准的信道估计方法。此外在收发一体化目标下，对发射机、接收机联合进行设计与训练，并且进一步提出更准确的考虑大气波导影响的贴合实际的海洋信道模型，增强其在复杂海洋环境下的可解释性和鲁棒性。

6.3 智能共生无线通信场景

随着无线通信技术的广泛应用，电磁频谱空间正面临着日益加剧的拥挤和复杂多变的局面。在这种背景下，如何有效利用有限的无线电频谱和能量资源，以支持多样化的无线服务，已经成为了一项极具挑战性的任务。智能共生无线通信（SC,Symbiotic Communications）是基于这样的背景下所提出的一种新兴的物联网绿色技术，其中物联网设备将利用反射通信技术，从环境射频信号中获取能量，并使用后向散射技术进行通信[33]，从而促进不同无线通信系统之间展开智能资源共享与服务交换，构建智能共生蜂窝与物联网的一体化网络，其工作示意图如图9 所示：

图9 一个多用户多后向散射装置的共生通信系统部分结构图

智能共生无线通信大大提高了日渐匮乏的通信资源的利用率，从而形成互惠互利的共生通信范式，实现了高可靠性的无源物联网。这为无线通信系统的资源管理与利用提供了全新的视角，也为构建更加高效和可持续的通信生态系统提供了新的可能性。但智能共生无线通信场景下多个通信系统和设备可能需要共享相同的频谱，未来在智能共生无线通信场景下，信号感知需要应对频谱拥挤带来的潜在挑战，如大规模混叠信号的精准识别与区分等。

针对混叠信号带来的问题，移动信号感知技术将结合智能共生无线通信场景提供可靠的解决方法。由于各功率信号的用户信号功率和人造循环时延量等存在一定差异，混叠信号中各功率的信号对不同的时延量所求的特征值有区别。因此，特征检测时在接收端选择不同的时延量进行特征值的求解，能够区分不同用户。未来随着研究不断深入，频谱拥挤、信号混叠等种种挑战都将得到高效率、低功耗的处理方案。

7 结束语

本文从6G 的发展现状与关键需求出发，介绍了移动信号感知技术的基本原理，并在如天地一体化、高频段信号、车联网和自组织自适应等典型移动场景下，广泛深入调研了国内外近五年内的文献，进行梳理和总结，由此对移动信号感知技术的广泛应用和重要作用进行了综述，体现了该技术的丰富潜力，最后结合未来6G 技术的发展趋势和需求，从智能反射面、跨海域宽带通信、智能共生无线通信等方面展望了移动信号感知技术的未来发展。