近日，计算机与信息学院多智能体协同控制与安全团队在通信与人工智能领域国际权威期刊《IEEE Transactions on Cognitive Communications and Networking》（IEEE TCCN）上发表题为“A Spatio-Temporal Liquid Learning Network for Robust Electromagnetic Signal Identification in 6G RIS-Aided UAV Cognitive Communications With Composite Channel Impairments”的高水平学术论文。安徽工程大学为第一署名单位。
针对6G智能通信中复杂电磁环境下的信号识别难题，团队提出了一种新型的时空液体学习网络架构（STL-ESINet）。STL-ESINet创新性地将空间卷积运算与时间液体学习机制相融合，通过常微分方程（ODEs）建模，能够自适应捕捉信号在多普勒频移、多径干扰、阴影衰落以及三维路径损耗等复合信道损伤下的非平稳时变特征。在涵盖多种调制方式的评估中取得了显著的性能提升，为6G智能重构智能表面（RIS）辅助的无人机（UAV）认知通信物理层安全提供了一种高效的计算工具。
图1基于RIS辅助的无人机电磁信号识别（ESI）系统的总体框架流程图
图2 射频电磁信号采集图
图3 STL-ESINet架构图
论文原文链接：https://doi.org/10.1109/TCCN.2026.3656280