报告时间：2022年9月24日（星期六）14:00-17:30

直播平台：腾讯会议ID:747580698

主持人：蔡国发副教授

活动议程：

1.报告题目：联合物理层网络编码和信道编码的优化设计

报告人：陈平平教授（福州大学） 

报告人简介：

陈平平，福州大学物理与信息工程学院教授/博导，福建省杰青，国地联合工程研究中心副主任，主要研究信道编译码算法、高可靠通信等数据传输技术及应用。主持包括2项国家自然科学基金面上项目、1项青年项目、福建产学研项目等项目10余项；发表IEEE期刊论文20余篇，高被引ESI论文3篇，获2019年度广东省自然科学二等奖；担任2019年ISWCS通信会议编码分会的联合主席，多个国际期刊的特邀编辑。

报告摘要：

随着5G/6G通信技术的演进，设备接入网络的数量和通信间干扰急剧增加，对无线通信网络的有效性及可靠性提出了更高的要求。作为网络编码的一个分支，物理层网络编码(PNC)可以有效提高网络的吞吐量，将通信干扰转换为有用的信息用于协助信息恢复。同时，累积码、卷积码、低密度奇偶校验码和极化码等信道编码广泛应用于不同的通信系统中，保障无线传输的可靠性。基于此，本报告针对无线信道自身的广播特性和叠加特性，阐述不同信道编码和PNC编码结合时，用户端星座的优化、译码端的算法设计和简化，以及面向多用户接入的码型设计等问题，旨在为PNC技术在下一代通信中的研究应用提供新颖视野。

2.报告题目：基于智能反射面的毫米波系统高效信道估计

报告人：何继光高级研究员（阿联酋科技创新研究院）

报告人简介：

何继光，IEEE高级会员，阿联酋科技创新研究院高级研究员，同时为芬兰奥卢大学兼职教授，主要从事6G无线通信、通信与定位一体化、人工智能在无线通信中的应用等前沿课题研究。近五年共发表IEEE SCI期刊论文二十篇，其中包括通信领域顶级期刊IEEE TWC，IEEE Communications Surveys & Tutorials，IEEE TCOM，IEEE TVT等，拥有一项美国专利 （US10320457）。曾参与多个大型项目，其中两个为欧盟项目，一个为芬兰科学院6G旗舰项目，两个为芬兰科学院面上项目。在其中一个欧盟项目后期担任小组组长，在另一欧盟项目里 （H2020项目，题目为Artificial Intelligence Aided D-band Network for 5G Long Term Evolution）及芬兰6G旗舰项目（项目网站：https://www.oulu.fi/6gflagship/），担任主要研究人员，研究智能反射面对无线通信及定位的积极作用，如扩大通信面积，提升定位精度、网络安全等。担任本领域多个顶级期刊审稿人及顶级会议的TPC成员与分会主席。

报告摘要：

随着无线通信对频谱资源需求的持续增加，未来无线蜂窝通信系统会逐渐采用毫米波甚至太赫兹来实现大速率、低时延、高可靠传输。毫米波自由空间传输衰减远高于Sub-6GHz的微波，因此需要部署大规模的天线阵列来提供波束赋形增益，大大增加了信道估计的难度。然而，毫米波信道矩阵具有稀疏性，体现在信道矩阵的低秩特性。因此，先进的压缩感知技术可以高效且有效地估计信道，相当程度上解决了此难题。毫米波传播易于阻挡。因此，可以引入低成本无源被动的智能反射面来提供一个虚拟的直射路径（即基站-反射面-用户），从而实现抗阻挡来保证通信的不间断。引入智能反射面，特别是被动的智能反射面，会使系统的信道估计难度进一步提升，远远大于传统的毫米波系统，因为智能反射面不能观测、接收及处理信号。因此，信道估计只能在基站端或者用户端进行。为了提供无间断大速率的无线传输且发挥反射面的最大潜力，我们需要保障高效且有效的信道估计。解决此问题是实现智能反射面与毫米波彻底融合的关键，且可以为无线3D定位提供坚实的基础。本讲座将从毫米波通信信道估计，扩展到基于反射面的毫米波通信信道估计，也将涉及压缩感知技术、原子范数最小化、无线3D定位、反射面控制及反馈等一系列重要课题。

3.报告题目：基于深度学习的模型鲁棒性的研究

报告人：宋扬高级研究员（新加坡南洋理工大学）

报告人简介：

宋扬，新加坡南洋理工大学高级研究员，现美国C3.AI软件公司高级数据科学家，主要从事信号处理、人工智能可解释性以及人工智能鲁棒性的研究。近五年发表IEEE SCI顶级期刊论文以及人工智能顶会多篇，其中IEEE TSP, IEEE JSTSP, IEEE TIFS, IEEE TAP等，以及人工智能顶会NeurIPS, AAAI等。曾在多个项目中担任主要负责人和研究人员。担任本领域多个顶级期刊和顶会的审稿人及IET Signal Processing的副主编。

报告摘要：

深度学习已经成为一个强大而有效的框架，可以应用于过去使用传统机器学习技术难以解决的广泛的复杂学习问题。在过去的几年里，深度学习取得了根本性的进步，以至于它可以在许多任务上超越人类水平的表现。因此，深度学习在最近的大多数日常应用中被广泛使用。然而，深度学习系统的安全性容易受到精心制作的对抗性样本的影响，这可能是人眼无法察觉的，但可能导致模型对输出进行错误分类。最近，基于其威胁模型的不同类型的对手利用这些漏洞来破坏对手具有高动机的深度学习系统。因此，为深度学习算法提供针对这些对手的鲁棒性非常重要。然而，只有少数强有力的对策可以用于所有类型的攻击场景来设计一个强大的深度学习系统。本讲座我们试图详细讨论具有各种威胁模型的不同类型的对抗性攻击，并详细说明最近针对它们的对策的效率和挑战。

4.报告题目：RNN Based Physical Layer Communications over ISI Channels

报告人：吴辉辉高级研究员（华为香港研究所）

报告人简介：

吴辉辉博士于2018年获得加拿大麦克马斯特大学(McMaster University)电子与计算机工程系博士学位。曾分别在美国哥伦比亚大学(Columbia University)和加拿大麦吉尔大学(McGill University)从事博士后研究，2021年2月至今担任华为香港研究所高级研究员。已在相关领域发表IEEE期刊和会议论文近30篇，合作论文获得IEEEICCT2021最佳论文奖，并担任多个IEEE期刊和国际会议审稿人。主要研究方向为有损信源编码、信道编码、联合信源信道编译码、以及深度学习和区块链系统等。

报告摘要：

Thistalkfirst presents a deep learning autoencoder for end-to-end physical-layer communications, in the presence of inter-symbol interference (ISI) and additive white Gaussian noise (AWGN). Both the proposed transmitter and receiver employ the bi-directional gated recurrent unit (Bi-GRU) layers, and they are trained jointly with binary cross-entropy loss. By doing so, the transmitter learns tailored modulation constellations considering the channel impulse response while the receiver performs equalization and demodulation simultaneously. Next, the Bi-GRU based autoencoders are extended to channel coding scenarios,supporting arbitrary (rational) coding rates. Additional extra dense layers are applied at the end of the transmitter and at the beginning of the receiver, serving as learnable puncture and depuncture modules, respectively. Different code rates can be achieved by adjusting the output dimension of the extra dense layers. Experimental results demonstrate the superiority of the proposed autoencoders over the corresponding traditional schemes.

5.报告题目：波形设计：从新体制雷达到通信感知一体化

报告人：吴林隆副研究员（卢森堡大学）

报告人简介：

吴林隆，2014年于西安交大获信息工程专业本科学位，2018年于香港科技大学获电子及计算机工程方向博士学位。毕业后加入阿里巴巴无线网络研究团队任初创成员，从事基于RFID和NFC的大规模无线感知定位系统研发并完成多个落地项目。目前任卢森堡大学SnT研究所副研究员，参与多个前沿研究项目，包含卢森堡国家研究项目和欧盟H2020项目，主要从事优化算法、信号处理和机器学习及其在波形设计、通感一体化和无线传感器网络的应用。近年来共发表IEEE期刊和顶级国际会议论文共计26篇，且受邀参与两本关于雷达的书籍章节撰写，多次在信号处理领域国际顶级会议如ICASSP，SAM和  EUSIPCO参与组织特别专题且担任分会主席，同时担任TSP，TWC，TCOM，TVT，JSAC等多个国际顶级期刊审稿人。

报告摘要：

近几十年，波形设计来一直是主动式无线感知系统尤其是雷达系统的一个重要研究课题。随着认知雷达和MIMO雷达等新体制雷达的提出和兴起，波形设计在评价指标、求解算法和设计实时性等方面面临着新的机遇和挑战。因此，开发高效的非凸优化算法成为该课题的一个核心研究任务，其中Majorization-Minimization（MM）由于其框架的灵活性被广泛应用且有效地解决了雷达波形设计问题。最近，波形设计在通信感知一体化的研究中也受到了日益增长的关注。不同于其在雷达系统中的设计，通感一体的波形设计需要综合考虑雷达和通信的需求已实现发射波形的感知通信双功能，同时需要考虑功耗成本等问题。更进一步，在基于智能反射面辅助的通感一体系统中，双功能波形与智能反射面的设计耦合，因此问题更加复杂。本讲座以波形设计为核心，从新体制雷达系统下的波形设计开始，然后拓展到通感一体的双功能波形设计以及波形-智能反射面联合设计，其中将涉及到MM优化算法，混合波束赋形，旁瓣抑制，频谱共存，模糊函数等一系列重要课题。