6 月 10 日，中国移动研究院网络感知融合研究成果《Multi-Task Hybrid Graph Learning for Aircraft Recognition Based on Heterogeneous Radar Network》，被 SCI 一区 TOP 期刊《Knowledge-Based Systems》录用（影响因子：7.6）。该成果聚焦网络感知融合能力拓展，创新性提出多任务混合图学习模型（MT-HGL），有效解决传统单任务模型无法挖掘任务关联、多任务框架难以适配异构探测网络时空频复杂特征与动态拓扑等行业难题，显著提升感知性能。

面向空域管控、海事监测等重要应用场景，高精度智能感知已成为保障体系安全、实现高效管控的核心基础能力。新型异构感知网络构建 " 时空频一体化 " 信息采集架构，有效覆盖全域感知需求，但异构数据融合、复杂环境抗扰、多业务协同优化等行业共性难题，阻碍感知性能进一步突破。

MT-HGL 算法架构示意图

本论文锚定高精度感知共性难题与技术卡点，立足 " 通感 +AI" 深度融合思路，打造端到端的 MT-HGL 多任务协同优化能力体系，依托 " 主任务引领、多辅助任务赋能 " 架构全方位挖掘任务间内在关联与数据互补价值：

一是在数据增强与特征鲁棒性层面，引入掩码自编码器实现信号智能增强，设计重参数化图对比学习机制，驱动模型在各类受损、含噪数据中挖掘本质特征，提升抗干扰能力。

二是在网络拓扑与特征融合层面，融合动态超图学习与多门混合专家架构，精准刻画高阶群组关联；构建任务专属超边完成拓扑解耦，抑制多任务训练过程中的负迁移现象。

三是在训练优化与工程效能层面，设计自适应多任务权重损失函数，动态均衡各任务梯度贡献，在保障模型精度的同时有效压缩算力开销，兼顾算法性能与工程效能。

实验结果表明，模型综合性能超越业内主流单任务、多任务基线算法。目标识别准确率相较传统单任务模型最高提升 23.3%，信号重建、三维定位误差均实现大幅优化 , 模型训练效率较主流算法提升 10% 以上，具备高精度、高鲁棒、高效率三位一体的技术优势。

本研究成果为异构多源融合感知提供全新技术方案，极大拓展通感一体应用边界。面向未来，中国移动研究院将聚焦模型轻量化、架构通用化两大方向持续迭代优化，不断探索该技术框架针对多类异构感知模态的泛化能力，引领网络感知融合技术创新，为低空经济发展注入核心动能。