桑萬超，高 暉
(1.北京郵電大學 人工智能學院，北京 100876；
2.北京郵電大學 信息與通信工程學院，北京 100876)
近年來，同時具備通信支持和感知探測功能的智能無人機需求呈現出急劇增長的趨勢[1]，對于當前基于通信感知分離設計的傳統無人機系統構成了挑戰，而通信感知一體化技術是應對該挑戰的一種可行途徑。然而無人機平臺移動軌跡更復雜，對感知信息精度要求更高[2]，且移動速度更快帶來更嚴重的多普勒擴展，使得信道呈現快變特性[3]，從而增加了感知開銷，進而增加了無人機網絡內無線資源的開銷；
此外，無人機大多基于電池供電，在續航飛行消耗大部分能量的前提下，無人機對信息、通信處理的效能尤為敏感。因此，需要持續提升無人機感知與通信的效能以支持未來大規模的無人機協同任務驅動組網。
最近以來通信感知融合技術取得了一定進展，可望為構建高效能無人機網絡助力，其中關于通信感知一體的空口波形設計是其核心技術之一。當前通信感知一體波形包括感知原生的一體化波形和通信原生的一體化波形。感知原生的一體化波形包括可承載通信數據的調頻連續波(Frequency Modulated Continuous Wave，FMCW)波形[4]、線性調頻(Linear Frequency Modulation,LFM)系列波形[5]以及基于Chrip信號的波形[6]；
通信原生的一體化波形包括基于正交頻分復用(Orthogonal Frequency Division Multiplexing，OFDM)族的波形[7]和基于正交時頻空間(Orthogonal Time Frequency Space，OTFS)的波形[8]。其中對于通信感知一體化的OFDM波形而言，Knill提出了一種基于壓縮感知的自適應稀疏匹配追蹤感知方法[9]，提高了低移動性場景下目標檢測精度。Hadani提出的OTFS波形，已被證明在雙色散信道中比OFDM有顯著的抗多普勒衰落性能提高[9]。YUAN提出的面向SISO-OTFS系統的通感一體最大似然(Maximum Likelihood Estimation, MLE)估計器[10]與Dehkordi提出的基于MIMO-OTFS的雷達傳感系統[11]均證明了OTFS波形在通信和傳感方面具有很好的適用性。因此可以充分利用現有通信感知融合波形技術成果以提高無人機網絡綜合通感效能。
基于任務驅動的無人機組網由于無人機工作環境的高移動性導致其網絡拓撲呈現更高動態性，而單一波形由于受限于其特定的信號處理方式，往往僅在部分信道狀態下具有較好的能耗性價比，因此需要更為靈活敏捷的通信感知融合波形與協議機制設計，以適配高動態變化的場景。其中諸如OFDM族波形受限于高移動性下多普勒頻偏，會產生嚴重子載波間干擾，使得其感知精度嚴重下降，因此基于單一OFDM族的通信感知一體化系統不適合于高速無人機場景。而等效于對OFDM進行塊處理的單一OTFS波形[12]，其調制解調等運算的算法復雜度較高[13]，難以支持能量受限的無人機平臺長期使用，在低移動性場景下會產生嚴重的能耗資源浪費。此外現有的通信感知一體化協議也存在時間開銷過高的缺陷，這是因為無人機動態性高，無人機通信節點對之間需要雙向的感知與通信工作，傳統基于雷達的主動感知機制為實現網絡內感知信息同步需要有較多的感知信息交互開銷[14]，因此需要新的通信感知融合協議機制以減小相應開銷。綜上，現有的通信感知融合波形及協議機制都需要改進，以更好地支撐具有高動態特性的任務驅動無人機協同組網。
本文考慮基于通信感知一體化的任務驅動無人機網絡場景，該網絡會因為無人機的高移動性而帶來拓撲的動態變化。為了利用感知信息和不同波形的通信特征降低通信感知一體化過程中包括綜合效能和時間開銷在內的綜合開銷，提出了一種新的通信感知自適應波形機制以及高時效性的通信感知融合協議，首先綜合考慮包括不同波形的算法復雜度、載荷能力以及誤碼率性能等特征在內的波形綜合效能，設計了一種感知信息驅動的波形選擇機制，并提出“基于先驗信息輔助的Q-Learning”波形決策方案對其中的波形決策過程進行實現，以達到在不同飛行場景下無人機所采取的通信方案綜合效能優化與在復雜多變的場景下更好的波形決策魯棒性。在由多無人機節點構成的無人機網絡內，為進一步降低以發送探測波形接收回波為特征的主動感知方式中由于無人機節點間交換感知信息而產生的系統開銷，本文進一步提出了一種信號發送端主動感知與信號接收端被動感知相結合的主被動融合感知方案。最后通過一套從起飛到執行任務再到完成任務歸庫的無人機動態場景仿真，驗證了波形選擇機制的綜合效能開銷相對單一波形系統而言是最佳的，所提出“基于先驗信息輔助的Q-Learning”混合決策方案在動態場景下具有很好的魯棒性。
無人機通信感知一體化系統應用場景如圖1所示，其中無人機根據氣動學劃分為固定翼與旋翼無人機兩種，無人機搭配多功能天線陣，且感知與通信共用一套發射接收機裝置。無人機雷達感知復雜障礙物目標與其他無人機，并以無人機網絡內信息共享形式實時更新場景信息，進而實現目標追蹤、碰撞避免以及無人機網絡拓撲規劃等任務，本文將重點關注該場景下，任務驅動的無人機間通感一體化波形中的通信感知融合問題。
圖1 無人機通信感知融合系統示意圖
本文研究的無人機通信感知一體化系統是以通信波形為基礎，使得每架無人機同時具有環境感知和數據傳輸的功能。每個無人機接收天線所收到的是目標回波和其他無人機通信感知一體化信號。而發射天線陣可以輻射sub-6G信號和毫米波信號，實現廣域覆蓋的高精度感知與通信功能。
2.1 波形選擇
通信感知一體化波形選擇機制旨在無人機針對高動態飛行環境自適應調整其通感一體波形，使其實現綜合能耗最優。常見的波形方案可以劃分為多載波和單載波波形。當前學術界討論較為廣泛的波形包括OFDM族波形、廣義頻分復用波形(Generalized Frequency Division Multiplexing, GFDM)[15]、橢圓球面波多載波索引調制波形[16]、OTFS波形以及單載波的SC-FDE波形[17]。不同波形特征如表1所示，本文重點關注了無人機場景下較為敏感的參數，包括是否抗多徑干擾、多普勒頻偏、系統實現復雜度高低以及峰均功率比。
表1 常見通信波形特征
這些波形各具特點，例如GFDM則很好地解決了OFDM帶外輻射過高導致的PAPR過高問題[15]，使得其可以實現更高的通信容量，但代價是降低了誤碼率性能；
橢圓波則具備能量集中性特點[16]，在提高頻增利用率以及能量效率方面具有很大優勢；
而SC-FDE系統因其單載波特征很好地解決了多普勒頻偏問題，但其數據吞吐量則受到了限制[17]。本文針對無人機通信感知一體化場景應用OTFS、OFDM以及SC-FDE三種載波波形構建選擇機制。
2.2 收發機結構與幀結構
本節對于發射機與接收機結構以及適配幀結構進行討論。與現有采用單一波形的通信感知一體設計方案所不同的是，本文考慮了不同波形發射機及其在調制解調過程中的算法復雜度、載荷能力以及誤碼率性能等特征在內的波形綜合開銷。由于不同波形在不同場景下的性能表現存在差異，因而本文采用自適應波形選擇機制以挖掘潛在的信號的綜合效能。感知信息驅動的自適應波形選擇機制發射機與接收機設計如圖2所示，圖中單架無人機同時搭載了具有通信感知一體化功能的發射機與接收機。
圖2 基于自適應波形選擇機制的發射機接收機示意圖
此外對于本文方案應用的OTFS與OFDM波形而言，文獻[18]指出二者存在硬件實現的兼容性，也就是OTFS波形可以以OFDM系統為載體，此外OTFS系統可以視為OFDM與SC-FDE系統的線性耦合[19]，這對于在統一硬件設備下兼容三種波形提供了理論依據。
同時對于三種波形而言，其在低速且散射體較少條件下，三者性能相接近；
而在高移動且多散射體場景下，OTFS對抗嚴重多普勒擴展的能力明顯優于OFDM系統[20]，但是OTFS波形由于相比OFDM而言增加了辛傅里葉變換對，信號處理復雜度明顯上升，進而導致較高的終端處理時延。與此同時，OTFS在信道編碼短碼低開銷場景下性能優于OFDM，當信道編碼開銷較大時則兩者性能差異并不明顯[21]，而SC-FDE系統基于其單載波特性，抵抗頻偏和相位噪聲的能力相對于OFDM而言較強，但同時降低了數據傳輸速率[22]。
表2[21,23]整理了基于OFDM的OTFS系統復雜度、OFDM系統復雜度以及SC-FDE系統復雜度。
表2 OTFS、OFDM以及SC-FDE系統的運算復雜度
此外，OTFS相比較于OFDM在感知精度性能有優勢，Raviteja指出基于 OTFS的雷達波形在速度檢測方面比基于OFDM的雷達波形精確度更高[23]，并且在高移動場景下OTFS相對于OFDM有著更高的檢測分辨度，這對于提升在高移動場景中通信感知融合系統下的感知輔助通信性能有利，而SC-FDE 和OFDM 在處理流程上有很多相似的地方，但由于 SC-FDE 是在時域上進行信號判決的，對定時偏差更加敏感，這對于基于時間域匹配濾波器的雷達而言不利，因而其感知精度相對OFDM而言更差一些[22]。
為了綜合量化反映選擇不同波形對應的“收益”與“代價”，這里引入了綜合效能參量。由于本文關注的整體性能與開銷往往是一段時間內所有可用波形的綜合效能概率統計平均值，因此從時刻0到時刻T-1單獨一側收發機的綜合效能參量表達式如下：
對編號為i的波形而言，其對應綜合效能與一定場景下的波形傳輸誤碼率eri成反比，與能耗參量Pi成反比，與感知精度Si(衡量標準采用歸一化范圍輪廓參數的倒數Normalized Range Profile，NRP)成正比，此外也參考了4G-LTE中的容量需求波形自適應策略，根據不同場景下的容量需求劃分單載波與多載波波形應用場景，以減少不必要的帶寬資源占用。這里能耗參量Pi為算法所需“功率”，對于同一硬件系統而言，該參量正比于該波形調制或解調時所需復數運算單元數量CMi，通過表2所整理的調制解調端運算復數因子冪指數Pe帶入以2為底的指數運算式可得：
CMi=2Pe。
本文進一步定義了以下吞吐量-容量需求比，該比值滿足與通信載荷需求相關的階梯函數：
式中，波形與載荷需求適配表示了兩種典型場景：高通信載荷需求下無人機使用了多載波波形，而低載荷需求(例如僅傳遞通信控制信令與少量通信數據信令)時無人機使用了單載波波形。F函數的階梯取值n表示所選波形與通信載荷需求適配的“激勵”值，該值應大于1，且該值應可以實現明顯區分“適配與不適配”的場景，本文在后續仿真中為明顯區分所采用的三種波形綜合能效中的載荷能力，將該值設定為了10。
pi(t)表示時刻t內選擇編號為i的波形的概率，由于所采集感知信息將識別當前無人機飛行場景，并會實時做出波形調整，該概率與無人機獲取感知信息后交由波形決策過程中識別的實際飛行場景有關，具體而言，波形決策算法根據無人機通過一體化波形獲取的感知信息計算選擇不同波形的概率，例如在高移動且障礙物較多的大吞吐量需求場景下，OTFS波形被選擇為實際使用波形的概率要大于另外兩種波形。
而對于由一對收發機構成的通感機組而言，本文定義其對應的綜合效能為該組內收發機的綜合能效平均值，這里保證收發機所采用波形一致：
基于感知驅動的融合波形傳輸系統，本文提出了適配協議模型，對感知幀控制幀時隙做了以下設計。
數據幀包括數據幀(Data Frame)和功能幀(Control Frame)兩種幀，并在必要位置植入導頻。其中上行控制幀中包括數據傳輸控制、信息感知與波形控制三種子幀。上行、下行數據幀結構如圖3所示。
圖3 上行、下行數據幀結構示意圖
當該數據幀為上行模式時，數據幀將攜帶Wave Control幀，該幀塊攜帶發送端無人機根據感知信息驅動做出的波形決策信息，起到對接收端無人機進行波形控制的作用。當該數據幀為下行模式時，數據幀將攜帶Wave Response數據幀，該幀塊表征接收無人機是否響應波形調整。
2.3 感知信息驅動的波形決策算法設計
感知信息驅動自適應波形選擇機制的決策過程存在基于環境而行動，以期實現最大化預期收益的特征。該過程具有明顯的函數映射形式的特征，然而目前對于該機制的映射數學表達形式并不很容易求得，這是受限于環境多變以及內部過于復雜的數值關系。因此本文考慮了兩種較為便捷的映射表示形式。理想情況下如果無人機對于所有飛行環境都能存儲與精準識別，以實現在不同場景下所使用波形的綜合效能最優化，則此時可以認為是一種“理想判決”。但是由于實際場景過于復雜多變以至于實際構成的場景識別存儲過于龐大，以至于無人機幾乎不可能以靜態的方式識別所有場景，因此“理想判決”并不能完全實現。
第一種思路是使用基于查詢本地存儲的先驗信息的“查表”，不過“查表”需要事先進行仿真或實際采集參數，并且與實際飛行場景綁定，以實現有限場景的識別，然而對于更為復雜的多變場景而言性能不佳，缺乏魯棒性。
而當前可以在動態場景下實現跟隨環境變化實時魯棒地做出最優決策的一種方法便是強化學習，波形選擇機制最終期望實現某段時間內的“綜合能效”，可以認為是強化學習過程中的“獎勵”信息。
2.3.1 基于先驗信息的決策方案
本文通過仿真給出了基于先驗信息的決策方案的一個典型案例，如表3所示。
表3 一種先驗信息存儲參照庫的案例示意
具體仿真環境為：使用軟件為Matlab 2020a版本，仿真平臺為e3 1231v3 處理器、內存16 GB、顯卡RX5600xt的臺式機。其中OTFS、OFDM波形系統中通信幀塊模式表征了其二維數據塊矩陣尺寸參照文獻[22]對應參數預設，典型值為32×32、64×64、128×128、256×256，載波中心頻率設置為2.4 GHz，信道采用包括sub-6G信道和具有稀疏特性的毫米波信道，并通過對信道參數和無人機飛行參數在不同場景設定下進行仿真。
2.3.2 基于先驗信息與強化學習的決策方案
基于強化學習決策過程可詳細描述為：強化學習模型在獲取從感知信息中提取的障礙物數量、收發機相對移動狀態、通信感知一體化系統感知狀態和通信請求等狀態后，對所應用的空口波形進行決策，以期望實現綜合效能最優這一長期回報。這里對于采用Q-Learning方案下的決策問題進行分析討論。
17-Learning中的智能體、狀態、動作空間和獎勵函數如下所述：
① 智能體：無人機單體i；
④ 即時獎勵函數代表第t個時隙的狀態中執行動作的獎勵，本方案中所用獎勵函數即為綜合效能函數。算法設置初始狀態，并根據輸入的狀態矩陣判別信息，決策下一回合的傳輸動作，同時根據當前估計價值和目標價值依據梯度下降法更新權值參數。
⑤ 此外，為了實現快速決策，提高強化學習算法的效率，這里同時添加了存儲先驗信息的表格，如果感知信息判斷識別到當前環境是表格中已經記錄到的，則直接調取表格信息，否則將針對該環境進行實時訓練，此時將會產生訓練時延，并存在一定的綜合效能滯后現象。而后將Q-Learning算法所學習到的“新場景”補充進表格中，最終實現一種“基于先驗信息輔助的Q-Learning”的混合決策方案。
2.4 基于波形選擇機制的感知方案
基于波形選擇機制方案，可以根據感知信息獲取的主體不同以及所應用的感知波形，將感知方式劃分為基于傳統雷達模式的通用波形主動感知以及本文提出的基于OTFS波形的主被動融合感知兩種感知方式。這里的通用波形是指包含但不限于本文所使用的OFDM、OTFS以及SC-FDE波形。
在無人機網絡場景下，為了實現無人機網絡內感知信息共享的需求，傳統雷達通信一體化場景下的傳輸數據幀中會存在一部分數據幀用于傳輸感知信息。本文所述基于OTFS通信波形的主被動感知融合方案相對于雷達方式的主動感知的優勢在于在通信的同時可以實現發射端接收端同時完成感知任務，進而減少了用于共享感知信息的開銷，兩種方案的時分協議對比如圖5所示。
圖5 兩種感知方式數據幀結構
2.4.1 基于通用波形的主動感知
基于通用波形的主動感知的感知信息獲取是信號發送方，其核心思想為利用被感知對象所形成的回波來估計感知相關參數，如圖4(a)所示，具體流程描述如下：
(a) 主動感知 (b)主被動協同感知
這里假定存在兩架參與通信感知過程的無人機U1與U2，其中U1為需要獲得感知信息的無人機，U2為被感知無人機。U1首先發送感知數據幀，該數據幀采用與通信數據幀不同的數據內容分布結構，使得其在回波接收之后可以用于區分一般數據回波，方便檢測提取。
感知數據波到達U2以及O1、O2等散射體形成反射回波，此時U1接收反射回波并計算頻偏、時延以及角度等信息。
2.4.2 基于OTFS波形的主被動感知融合
主被動融合感知中的被動感知主體是接收無人機，在接收到發射無人機信號之后，根據接收信號信道特征分析處理所得發送無人機的空間位置信息。
如圖4(b)所示，無人機U1采用探測OTFS波形將感知數據幀發送至U2，此時U2處理所接收感知數據幀形成U2側測量感知信息，感知信息在U2以及信道內散射體處形成的回波則由U1接收并計算得到U1側感知信息，由于散射體的反射系數不同導致兩個感知信息會略有差異。下面給出主動被動融合感知減少感知信息開銷原理。
對于信號發射端無人機U1傳輸一段定義在延遲-多普勒域內的感知幀數據x∈CM×N,M，N分別表示數據塊延遲域和多普勒域的尺寸。x經過延遲多普勒域多徑信道hDD后到達接收無人機U2，對應接收信號y，同時信號經反射后回到發射端無人機U1接收到反射回波r。
y=XhDD+v,
3.1 自適應波形選擇機制方案可行性驗證
本節對比仿真分析了單一波形系統與“自適應波形選擇機制”方案的綜合效用參數在動態場景下的瞬時與時均效果，以驗證所提出的波形選擇機制可以實現感知適應性調整，同時保證系統的綜合效能最優。這里設置仿真場景劃分為五個階段，其中無人機采用2.4 GHz載波頻率。
階段A無人機起飛，該階段移動速度較低，數值小于15 m/s，障礙物較少，散射體數目小于3個，通信內容以控制信令為主；
階段B高速經過一段控制站中繼通信區，該區域通信需求較小，且障礙物較少，散射體數目小于5個，但是相對移動速度很高，在30～45 m/s范圍內；
階段C高速經過一段圖像采集與多無人機通信區，此區間內滿足較高的移動速度且障礙物較多，具體移動速度在30～45 m/s范圍內，散射體數目大于15個，同時有較高的通信質量與容量需求，因此數據幀塊模式矩陣尺寸大于等于64×64；
階段D在完成該任務后進入通信UE密集區，該區域內無人機降低速度甚至懸停以提供臨時基站服務，移動速度在0～15 m/s范圍內，散射體數目大于15個，數據幀塊模式矩陣尺寸大于等于64×64，該區域提供較大規模的通信服務；
階段E最后完成所有任務，無人機返回機場，無人機移動速度小于15 m/s，散射體數目小于5個。該段場景各單一波形系統與“自適應波形選擇機制”方案的“性能-能耗-容量”綜合效能仿真評估結果如圖6所示，根據圖6可知波形選擇方案(理想判決)相比于其他單一波形方案而言，可以近似最優解的方式保證每個時間段內的綜合效能最佳。
圖6 不同階段單一與“自適應波形選擇機制”綜合效能仿真對比
3.2 基于先驗信息輔助的Q-Learning波形決策算法可行性驗證
仿真對比了理想決策方案、基于先驗信息的決策方案以及基于先驗信息輔助與Q-Learning的混合決策方案的魯棒性。根據圖7可知本文所推薦的基于先驗信息輔助的Q-Learning波形決策方案可以實現更接近于理想決策的效果，對比單一的查表法雖然犧牲了復雜度，相對于理想狀態由于有在線學習過程，因此也存在一定的判決遲延，但是該方法提高了整體的魯棒性，尤其體現在通信信道狀態發生諸如仿真A中階段B、C、D等具有劇烈變化的場景時，依然可以保持較高的綜合能效比。
圖7 基于Q-Learning的決策算法可行性驗證與不同決策方案性能對比
3.3 基于主被動融合感知方案的感知開銷性能驗證
仿真分析驗證了主被動感知可以降低每架無人機用于感知功能的平均開銷。場景為一個基于由5架無人機構成的平面無人機網絡，每架無人機均勻分布于一個五邊形網絡頂點，如圖8所示。每個無人機采用波束掃描的方式來實現對其他無人機的感知操作，在定位其他無人機后采取定向波束的方式向目標無人機發送感知信息共享。當已定位某架無人機時，無人機下次進行感知時將不再對該角度方向進行掃描，假設每一輪掃描時間足夠短，無人機網絡并未發生拓撲變化，并假定感知數據幀此時采用的數據幀塊模式為32×32，則其對應物理幀長度為1 kbit，并假設每次共享交換產生的開銷為2 kbit，其中包含無人機間的相對距離、速度、角度等感知信息，最終目標狀態為所有無人機對于網絡具有完整的拓撲信息。
圖8 無人機網絡示意圖
對于主動感知而言，每次雷達掃描一個角度，無人機立刻對該方向的目標無人機傳輸一次當前無人機已獲悉的拓撲感知信息，也就是執行一次感知信息共享。所設計仿真方案可描述為：從無人機a開始，a進行四次角度掃描以定位其余4架無人機，并按照b→c→d→e的順序掃描，這樣無人機b會首先獲悉a的拓撲位置，c會獲悉a和b的拓撲位置，d會獲知a，b，c的拓撲位置。e會在a掃描完成后獲知全部無人機的位置，e便不再需要掃描操作，此時a產生的開銷為4×(1+2)=12 kbit。類似的b從c角度開始掃描，到e截至，總開銷為9 kbit。
主被動融合感知無需感知信息共享，且同樣按照主動感知的掃描順序進行掃描，從a無人機開始，遍歷完b至e后，產生總開銷為4 kbit，此時b至e均同時獲悉了a無人機的拓撲信息。b掃描則從c開始至e，此時c至e同時獲悉了b的拓撲位置，產生開銷為3 kbit。以此類推至d結束，e同樣不需要進行掃描即可獲取網絡所有信息。
對于兩種感知方式均假設兩架無人機間感知間隔相同的單位時間t。主動感知與主被動融合感知的網絡內累計開銷仿真對比如圖9所示，根據結果可知主被動融合感知相對于基于感知信息交換的主動感知而言，可以降低67%的感知信息開銷。
圖9 不同感知方案的開銷對比
本文針對無人機通信感知一體化場景下的綜合能耗與時間開銷的優化進行討論，提出了一種波形選擇機制以及一種主被動融合感知機制。通過聯合考慮不同波形的算法復雜度、波形載荷能力、抗信道干擾能力等因素，引入了綜合能耗性價比參量，進而得出動態場景下的最佳波形決策機制，可以提升50%左右的綜合能效比。為了能適應高動態飛行環境下高魯棒性波形決策需求，本文進一步利用Q-Learning算法結合本地先驗信息存儲對波形決策算法進行設計與實現，得到近似“理想波形決策”的波形決策方案次優解。而后從感知信息開銷優化角度入手，利用波形決策機制下的OTFS波形的定義域特性實現了主動感知與被動感知的融合，減少了無人機網絡內感知信息的同步開銷，本文所提方案對于未來無人機網絡物理層優化提供了一個有效思路。
猜你喜歡波形效能決策遷移探究 發揮效能中學生數理化·中考版(2022年8期)2022-06-14為可持續決策提供依據紡織科學研究(2021年9期)2021-10-14同時多層擴散成像對胰腺病變的診斷效能中國醫學影像學雜志(2021年6期)2021-08-13對《壓力容器波形膨脹節》2018版新標準的理解及分析中國特種設備安全(2021年9期)2021-03-02充分激發“以工代賑”的最大效能今日農業(2020年22期)2020-12-14決策為什么失誤了中學生數理化·七年級數學人教版(2019年6期)2019-06-25基于LFM波形的靈巧干擾效能分析測控技術(2018年2期)2018-12-09基于ARM的任意波形電源設計通信電源技術(2016年3期)2016-03-26雙絲雙正弦電流脈沖波形控制焊接(2016年5期)2016-02-27唐代前后期交通運輸效能對比分析當代經濟(2015年4期)2015-04-16