随着物联网技术的发展，隐形眼镜不仅仅局限于视力矫正，已成为智能可穿戴设备的新兴领域，并且随着“元宇宙”概念的提出，增强现实（AR，augmented reality）技术再次成为科技主流发展方向。全面综述了智能隐形眼镜在泪液生理信号监测、眼压监测、眼动追踪和增强现实4个方面关键技术的最新研究进展以及智能隐形眼镜的能量供应方案，并对智能隐形眼镜在智慧医疗和增强现实等方面的未来发展方向进行了展望。未来，智能隐形眼镜将实现甚至超越智能手机的功能，其显示可以通过眼球的运动控制来浏览各种信息，如消息、天气、生物标记物水平等。因此，智能隐形眼镜将在智慧医疗健康和元宇宙领域发挥重要的作用。

提出了一种基于声子晶体的新型体声波谐振器结构，利用声子晶体在其带隙范围内对弹性波具有高反射率、低透射率的特点，将声子晶体作为体声波谐振器底部的声反射层。首先计算出了4种不同结构声子晶体的带隙特性，并使用有限元软件COMSOL Multiphysics对基于声子晶体的体声波谐振器结构进行建模仿真，得出了主要结论。当体声波谐振器工作频率在声子晶体带隙范围内时，直接以声子晶体作为体声波谐振器的衬底，仿真得到的阻抗曲线较为平滑，且Q值为858.09，有效机电耦合系数为6.32%。

基于卷积神经网络（CNN, convolutional neural network）的视觉深度学习算法的兴起推动了人工智能视觉芯片设计研究的快速发展，而芯片的设计验证工作是人工智能视觉芯片研发的瓶颈。介绍了一种基于硬件仿真系统的人工智能视觉芯片软硬件验证方法，以边缘计算人工智能视觉芯片设计为例，在硬件仿真系统ZeBu上完成了芯片运行的典型深度学习网络MobileNet的仿真验证工作。结果表明，在硬件芯片架构上实现的网络模型在保证精确度的同时，在200 MHz频率时钟下单帧检测时间只需要18.51 ms，与软件平台仿真相比，仿真速度提高了7倍。

2020年我国已步入5G商用元年，与此同时6G在全球范围的研究正式拉开帷幕。相比5G网络，6G网络将具备更大信息容量、更高传输速率、更低传输时延、更大设备连接数量、更高频谱效率和更高能量效率，并能支持更高移动速度的应用，因此6G网络将涉及诸多新的关键技术，同时也面临许多挑战。就6G的研究背景、发展、典型应用、性能指标、网络架构、关键技术、未来挑战等方面进行了系统性综述，有望对未来6G网络相关研究提供一定的参考。

基于深度学习和Wi-Fi感知的人体行为识别系统已逐步成为主流的研究方向，在近年来得到了长足的发展。然而，现有的系统严重依赖于大量带标记样本以达到良好的识别精度。这导致了大量的人力成本用于标记数据，同时现有系统也难以应用于实际场景。针对该问题，提出一种将主动学习应用于Wi-Fi感知的人体行为识别系统——ALSensing。该系统是第一个将主动学习和Wi-Fi人体行为识别相结合的系统，能够利用有限数量的已标记训练样本构建一个性能良好的行为识别器。利用商用的Wi-Fi设备实现了ALSensing系统，并且使用6个不同场景的实际数据集评估了它的性能。实验结果显示，ALSensing 利用 3.7%的已标记训练样本能够达到 52.83%的识别精度，利用 15%的已标记训练样本能够达到 58.97%的识别精度，而利用现有基于深度学习的人体行为识别系统测量的参考基准在100%的已标记训练样本的情况下达到62.19%的识别精度。可见，ALSensing能够实现与现有基于深度学习的人体行为识别系统接近的识别精度，但是所需要的已标记训练样本的数量大幅度减少。

工业物联网的空前繁荣为传统的工业生产制造模式开辟了一条新的道路。智能车间调度是整个生产过程实现全面控制和柔性生产的关键技术之一，要求以最大完工时间最小化分派多道工序和多台机器的生产调度。首先，将车间调度问题定义为马尔可夫决策过程，建立了一个基于指针网络的车间调度模型。其次，将作业调度过程看作是从一个序列到另一个序列的映射，提出了一种基于深度强化学习的车间调度算法。通过分析模型在不同参数设置下的收敛性，确定了最优参数。在不同规模的公共数据集和实际生产数据集上的实验结果表明，所提出的深度强化学习算法能够取得更好的性能。

深度学习可通过提取无线通信数据的内在特征提升信号检测效果。针对MIMO系统信号检测存在的性能与复杂度的折中问题，提出一种基于深度学习的端到端MIMO系统信号检测方案。基于残差深度神经网络的编码器和解码器分别替代无线通信系统的发送端和接收端，将它们看作一个整体通过端到端的方式进行训练。编码器首先对输入数据进行特征提取，进而建立通信模型并传入迫零检测器进行初步检测，最终通过解码器重构得出检测信号。仿真结果表明，所提检测方案优于同类型算法，并且在牺牲一定时间复杂度的情况下，检测性能明显优于MMSE检测算法。

为了延长无线传感器网络生命周期，提出了一种基于布谷鸟优化 K 均值（K-means）的无线传感器网络分簇路由算法。分簇阶段，使用布谷鸟算法选出初始聚类中心，使K-means算法的分簇结果更均匀，以均衡节点能耗；簇首选举综合考虑节点的剩余能量、与聚类中心的距离因素，并依据节点剩余能量动态调整权重，使选举的簇首更合理；数据通信阶段，为了进一步均衡簇首负载，综合考虑中继节点剩余能量及其负载、簇首路由能耗因素，结合布谷鸟算法为簇首规划路由。仿真结果表明，提出的算法在能耗均衡性方面比LEACH-K、LEACH-improve和DTK-means算法更优，以首节点死亡作为网络生命周期，网络寿命分别提高了173%、21%、6%，所提算法有效延长了网络生命周期。

为了探索高频段室内无线体域网通信的可行性，对10 GHz室内无线体域网的传播特性进行测量与研究。基于大量的测量数据，给出了10 GHz频段室内无线体域网的路径损耗、阴影效应与均方根时延扩展的统计特性，并针对接收端身体角度变化的情况，提出了一种具有身体角度影响的路径损耗模型，该模型利用身体角度因子修正身体角度变化引入的路径损耗。同时，分析了接收端天线在人体不同高度时对路径损耗的影响。研究结果表明,路径损耗指数与身体角度呈二次函数关系，由身体角度引起的路径损耗（PBA, path loss in body angle）与身体角度之间的关系可以用带有系数的三角函数表示，且此系数与收发端之间的距离呈单调递减的指数函数关系。此外，当身体处于不同角度时，接收端天线位于人体不同高度时对路径损耗的影响比没有身体旋转角度时小。上述研究结果可以为未来10 GHz频段在室内无线体域网的使用提供理论基础与实践依据。

随着5G的发展以及应用程序功能的丰富，应用程序对终端设备的计算能力提出了更高的要求，为了提高终端设备对应用程序的计算能力，降低任务的处理时间，针对移动边缘计算环境，提出了一种边云协同的任务卸载方式，并设计了基于强化学习的精英分层进化算法（RL-EHEA, elite hierarchical evolutionary algorithm combined with reinforcement learning）进行卸载决策，使多个具有依赖关系与截止时间的任务对计算资源竞争。结果表明，与遗传算法（GA, genetic algorithm）和精英遗传算法（EGA, elite genetic algorithm）相比，RL-EHEA能缩短任务的处理时间，得到更优的资源分配策略。

面向应急管理平台中感知网络缺少地面基站时的关键区域信息传输需求，考虑应急物联网节点空间定位存在的不确定性，提出基于无人机（UAV, unmanned aerial vehicle）的物联网空基中继鲁棒优化方法。首先，建立此类物联网的系统模型；其次，根据建立的非凸非线性模型与地面物联网终端设备定位精度存在较大关联，且定位信息的细微扰动可导致模型求解无效的实际情况，对系统模型进行了松弛并引入物联网设备定位数据的不确定性描述，进而得到低空域无人机中继通信功率优化问题的鲁棒对等模型；再次，给出了模型求解算法；最后，通过仿真实验，从无人机部署效果和通信功率控制等方面验证了本文所提方法的有效性和鲁棒性，同时，分析了影响本文所述方法效能的因素。

为更好地实施水环境管理政策，水质评价是基础环节，即根据某一水域多个水质参数，如何将其合理地划分到特定水质类别。针对该问题，提出了一种改进的朴素贝叶斯分类方法，该方法赋予不同属性以不同的权值，削弱了朴素贝叶斯条件独立性的假设，使分类结果更接近实际类别。首先，参考国家地表水水质自动监测站（以下简称国控水站）发布的数据，选取其中500条水质数据作为样本，基于溶解氧、高锰酸盐指数、氨氮和总磷4个指标建立评价体系；然后，利用改进朴素贝叶斯分类方法对样本进行学习与评价，并采用五折交叉验证法验证其分类性能。结果表明，改进朴素贝叶斯分类方法的准确率、精确率、召回率和F1值分别达到96.0%、95.9%、93.8%和94.8%，水质数据分类的性能指标相较于其他朴素贝叶斯分类方法更高，可对实际工程中遇到水质数据分类的问题提供一定的参考。

物联网和无线传感器网络（简称“传感网”）技术已逐步应用在变电站监测中，作为变电站自动化重要手段之一。国际标准ISO/IEC 30144：2020给出了支撑变电站的无线传感网系统架构和通信架构以及系统要求。为了推进标准化的物联网智能变电站系统，针对该国际标准背景及主要内容进行阐述，并以此为参考，给出了在智能变电站中的传感器节点类型、网络通信接口及支撑变电站的传感网监测平台的示例，为该国际标准指导变电站应用实施提供实例化方法，有利于实现标准化、精细化和无人化的变电站监管。