本文介绍了Ku波段宽带机械调谐耿氏振荡器的实用电路结构、设计原则以及运用双金属补偿技术得到的实验结果。振荡器输出功率为50120mW;机调范围一般为10001500MHz,最宽优于2500MHz;频率温度系数一般小于0.07MHz/℃,最低优于0.01MHz/℃;功率温度系数一般小于0.015dB/℃,最低优于0.007dB/℃。

近十几年来,日本、欧洲和美洲等一些国家和地区相继发射了广播卫星,并开展了一系列Ku波段(12GHz)卫星直播(DBS)业务,促进了卫星电视接收技术的飞快发展,尤其是DBS平面天线的发展。本文介绍了DBS平面天线的基本原理、结构和特点。综述了DBS平面天线的技术现状和发展趋势,探讨了我国发展DBS平面天线的必要性和紧迫性。

近年来，人工智能(AI)计算服务的规模和复杂性迅速增长要求算力资源能够被灵活访问和高效使用。作为用户与算力资源间访问和交互的重要通道，网络的能力和性能也亟需进行提升以支持AI计算服务的应用需求，如低时延、高并发等。然而，传统的域名系统(DNS)和基于IP的调度机制在满足这些需求方面面临适应性不足和智能化缺失的问题。因此，计算与网络资源的一体化(即算网融合)成为了解决上述问题的关键途径。鉴于此，该文引入了一种面向AI计算的语义化服务标识(AISID)，用于对服务进行编码，AISID的引入实现了服务请求与资源位置的解耦，从而支持更灵活精确的服务调度。在此基础上，提出一种算网融合的轻量化增量部署方案，通过将智能路由与资源调度相结合以优化服务请求的路由及资源分配。通过对核心设备实施轻量化的增量部署，可在最小改动现有网络的情况下优化网络性能，并增强系统可扩展性。实验结果表明，在500个并发请求的负载条件下，相较于传统的DNS调度和网络架构，AISID机制将请求响应时间降低了61.3%；轻量化部署方案使链路带宽使用率方差和算力使用率方差分别降低32.8%和12.3%。这些结果验证了所提方法在提升AI计算服务性能和资源利用效率方面的有效性，表明该方法为实现算网融合提供了一种有效途径。

AI质检是智能制造的重要环节，其设备在进行产品质量检测时会产生大量计算密集型和时延敏感型任务。由于设备计算能力不足，执行检测任务时延较大，极大影响生产效率。多接入边缘计算(MEC)通过将任务卸载至边缘服务器为设备提供就近算力，提升任务执行效率。然而，系统中存在信道变化和任 务随机到达等动态因素，极大影响卸载效率，给任务调度带来了挑战。该文面向多接入边缘计算赋能的AI质检任务调度系统，研究了联合任务调度与资源分配的长期时延最小化问题。由于该问题状态空间大、动作空间包含连续变量，该文提出运用深度确定性策略梯度(DDPG)进行实时任务调度算法设计。所设计算法可基于系统实时状态信息给出最优决策。仿真结果表明，与基准算法相比，该文所提算法具有更好的性能表现和更小的任务执行时延。

该文提出一种基于基片集成波导(SIW)的加载与辐射缝隙结构相同但尺寸缩小的寄生结构以克服开阻带问题同时改善阻抗匹配性能的Ku波段圆极化漏波天线设计方法。所设计的辐射缝隙能够有效激励圆极化波，而寄生缝隙则可在抑制开阻带效应的同时，展宽整体辐射的圆极化带宽。对加工的原型天线进行测试的结果表明，该天线在12.6～17.4 GHz频段内具有32%的3 dB轴比带宽，同时实现了–49°～14°的圆极化波束扫描，并且在频段内的增益保持稳定。与现有相近工作相比，扫描角度范围达到了最大。

本文介绍了一种具有高电子迁移率晶体管(HEMT)和砷化镓单片微波集成电路(GaAs MMIC)的Ku波段低噪声放大器。在11.7～12.2GHz频率范围内,该放大器的噪声系数小于1.9dB,相关增益大于27dB,输入和输出驻波比小于1.4。放大器第一级采用了HEMT和微波串联电感反馈技术,放大器未级采用了Ku波段GsAs MMIC。设计的关键是采用微波串联电感反馈方法同时获得最佳噪声和最小输入驻波匹配。放大器的输入端和输出端均为BJ-120波导。

通感算一体化技术与人工智能算法相结合已成为一个非常重要的领域，因其频谱利用率高、硬件成本低等优点，已经成为第6代(6G)网络中的关键技术之一。人工智能(AI)赋能的通感算一体化系统通过集成感知、通信、计算和人工智能功能，可在日益复杂和动态的环境中实现快速数据处理、实时资源优化和智能决策，已经广泛应用于智能车载网络，包括无人机和自动汽车，以及雷达应用、定位和跟踪、波束成形等领域。该文在引入人工智能算法来提高通感算一体化系统性能的基础上，简要介绍了人工智能和通感算一体化的特征与优势，重点讨论了AI赋能的通感算一体化系统的智能网络框架、应用前景、性能指标和关键技术，并在最后对AI赋能的通感算一体化面临的挑战进行了研究展望，未来的6G无线通信网络将超越纯粹的数据传输管道，成为一个集成传感、通信、计算和智能的综合平台，以提供无处不在的人工智能服务。

旋转扫描扇形波束散射计(Rotating Fan-beam SCATterometer, RFSCAT)是一种新体制的海洋风场测量雷达散射计。RFSCAT对同一观测面元能够提供更多的方位角和入射角观测组合，改善海面风矢量场的反演精度。为了达到设计的风场反演精度，系统要求定标精度为0.5 dB。该文基于中法海洋卫星(Chinese French Oceanography SATellite, CFOSAT)雷达散射计的系统参数，考虑了在轨测量的主要误差源，分析了地面扩展目标在轨外定标的特点，给出了可行的RFSCAT在轨外定标方法，并利用仿真数据对该方法进行验证。 利用QuikSCAT散射计的L2A数据和图像重构(SIR)数据，针对地球表面归一化雷达后向散射系数(0)稳定的区域，给出了定标地图，为RFSCAT在轨定标提供参考。

该文提出了机载超宽带天线罩口径积分-表面积分-自适应网格(AI-SI-AG)分析方法。给出了用AI-SI-AG的计算和实测结果。理论分析和实验结果表明，该算法能够高效地预测定向和全向天线的带罩方向图，理论计算与实际测试符合较好，在工程应用中有较大的实用价值。

针对在速度拖引干扰和杂波背景下脉冲多普勒(PD)雷达无法精确跟踪目标的问题，该文提出基于双模型(DM)和幅度信息(AI)的目标跟踪算法。分别建立基于位置、幅度量测的跟踪模型和基于位置、速度、幅度量测的跟踪模型。两个模型均使用基于幅度信息的概率数据互联(AI-PDA)尽可能地降低杂波的影响，然后使用常规方法进行滤波估计。若没有速度拖引干扰，则两个模型估计具有位置和速度上的相关性；若存在干扰，由于速度量测是虚假的，则两个模型估计不具有相关性。据此，进行卡方检验(chi-square test)，分析影响检验结果的因素，进而确定最终的估计结果。仿真验证了该算法的有效性。