事实上，在实际信号分析中存在另外一种典型的稀疏干扰，即结构化或聚簇稀疏信号，它们的稀疏系数向量中非零项呈现出行稀疏和元素稀疏的不同部分。然而，虽然固有的聚簇结构属性能够被进一步利用，通过层次化结构设计用于恢复更稀疏的信号[46]，但它们显然与一般元素稀疏信号的表示关系存在冲突。除此之外，还可以利用相关信号的稀疏性先验知识，采用多任务压缩感知（multi-task compressed sensing，MT-CS）方法[47]来推断任务相关的后验分布参数，从而为一大类结构化或聚簇稀疏信号提供了一个可行的解决方案；然而，它更多地仅实现在小波系数上的经验贝叶斯过程估计，限制了它在其他变换下的应用精度。更重要的是，从稀疏群组内部的相关性以及重叠的群组部分中得出的多元变量估计过程，只是一些经典的先验分布[48]，对于多样化干扰的代表性有限。因此，需要在MT-CS的基础上，探索一种更有效、更准确的方法来同时恢复和消除各种形式干扰是非常有必要的。

5.3 干扰变换的联合分离

由于对抗环境下无人系统的典型通信系统会遭受到多种形式的干扰，其中包括电子设备中的常见噪声干扰和脉冲干扰；此外，还会遇到许多恶意干扰，包括多音干扰、部分频带干扰和梳状谱干扰等，它们严重制约了通信过程的可靠性和可用性。虽然近期得到迅速发展的变换域抗干扰方法具有估计各种稀疏干扰的能力，但它们只适用于某些类别，包括在时域或频域中具有特殊稀疏特性分布的脉冲干扰和部分频带干扰，却忽略了其他离散和可变的稀疏型干扰，包括线性调频干扰和梳状谱干扰；在一定场景下，如果事先能获得有关信道信息的先验知识，许多迭代的贝叶斯算法都能够以较低的复杂度实现近似的信号估计。然而，即使它们平均平方误差估计的结果较传统方法能够达到更低的水平，理想的信道约束条件限制了这些算法的进一步应用。考虑到无人系统边云联合处理能力的提升，面对诸多感知节点收集到的频谱感知信息，结合干扰检测和变换分离技术特点，使得分布式处理多节点干扰数据的可行性进一步提升，因而寻求一种满足不同稀疏分布干扰的最优分离策略。

由于实际信道的部分先验信息是可以获取的，通过利用自适应阈值选择方案，从而演变出了改进的自适应压缩感知估计方法，并在干扰重构抑制方面取得了一定的成效。但由于不同形式的干扰在时间、频率或小波域上呈现出散乱分布的稀疏特征，因而在使用传统字典学习和稀疏分离方法时，很难实现最优稀疏分离，这将严重影响干扰的分离和抑制性能；具体来说，在不同干扰共存的场景中，若假设存在一种变换分离或字典学习方法，可以同时实现不同干扰的有效分离和消除，在这一点上是难以令人信服的。事实上，新兴且功能强大的形态学分析理论在不同稀疏图像和信号的分离、去噪等方面具有广阔的应用前景，被认为是实现多样化干扰分离的高效可靠方法[49]。在形态学的分析架构上，通常利用近似信息传递（approximate message passing，AMP）来求解目标的分离分析问题[50-51]。考虑到干扰非零系数分布对恢复均方误差有很大的影响，在这个分布未知的情况下，提出了一种使用AMP的MMSE信号恢复方法，同时通过期望最大化来实现信号稀疏分布及其参数的学习，适应于高维范围内广泛信号类的快速重构和恢复[52]；相关研究进一步发现，在实际应用中未知的分布参数需要确定，提出了一种具有内建参数估计的扩展广义AMP算法，利用稀疏联合估计方法，证实了在稀疏信号恢复的收敛性方面具有显著的优势[44]。然而在相关文献的最新研究进展中，采用迭代AMP的干扰分离方法是比较缺乏的，与针对各种形式干扰的重构和分离问题的其他实际解决方法相比，现有的TFOCS方法[53]在简单的线性组合例子中也需要过多的计算复杂度，并应用于不同的干扰分离问题求解过程会更加复杂，并不适合在稀疏变换分离中重构复杂的干扰形式。因此，需要一种新的高效干扰联合变换分离算法以应对复杂电磁环境下的多样化干扰威胁。

5.4 信道干扰的协同管理

由于复杂对抗环境下周围电磁环境比较复杂，频谱资源较为紧张，需要严格限制无人系统网络的频谱使用，以确保网络的独立性，减少频谱冲突；当节点数量较多且可用信道数量较少的情况下，两个无人系统在相互干扰范围的频段并发传输时，将会以传输冲突的形式出现在网络的同信道干扰中；特别是随着信号强度的减弱和外部干扰的引入，为保证一定的通信范围和传输效果，需要更多的能量消耗，即使对于宽带通信系统，也极易导致信息传输失败；加之各无人系统节点的能量容量有限，当前在抗干扰处理的同时需要有效管理多无人系统整体的资源消耗，即无人系统的能量、时间和网络频谱等资源共享问题，近年来在资源有限的无人系统网络中逐渐得到广泛关注。

基于功率控制的干扰管理作为综合协调能量和频谱资源的一种重要方法，能够用于减轻干扰影响的同时降低能量消耗，针对实际应用中的不同场景需求不断优化调整策略。通过对无线网络中碰撞诱因和并发传输可能性的观测，Yao和Bezzina等人分别开发了一种基于干扰感知的功率控制协议，能够极大地提高网络吞吐量[54-55]；针对地面网络可能面临的网内干扰，Sterner等人通过分析同步协同广播机制下的跳频自组网中的同信道干扰对网络吞吐量的影响，发现同信道干扰的存在显著降低了网络的吞吐量[56]；为此，Wang等人提出了一种具有应用前景的低复杂度频谱分配方案，旨在解决认知无线网络中的同信道干扰抑制问题[57]。然而，现有研究工作更多地集中在地面异构网络的资源分配和干扰协同两大方面，特别是5G技术典型应用的密集场景，传统技术的局限性使得整个网络的容量和频谱/能量效率难以进一步提升。未来适用于无人系统的无线通信技术不断发展演进，有利于进一步提升无人系统的传输能力，从而提高无人系统网络的整体容量和其他性能。例如，MIMO技术作为提高移动通信系统传输能力的一种很有前景的方法，通过利用多个传输/接收天线之间的多路通信来减少延迟，能够提高能量效率，减轻信道衰减[58]；事实上，MIMO技术除了能够减少信道衰落的影响，同时会提高空间复用率[59]。还注意到，由于全双工无线节点具有在同一频段中同时传输和接收的能力，因此可有效地将数据传输速率提高一倍[60]，5G技术的发展已经证明了全双工通信系统在高通信速率和高频谱利用率方面的优势，但结合MIMO和全双工技术在无人系统组网应用的研究还比较少。因此，为适应未来无人系统“云脑”赋能发展趋势，探索在节点分布密集且可用信道数有限的特殊对抗场景下，能够有效解决多样化信道干扰协同和功率优化的综合管理方案是非常具有发展前景的。