请帮我降重这段话 在对齐信道模型的基础上构建了不对齐场景涡旋电磁波信道模型，具体研究了收发阵列倾斜和离轴两种相对位置关系下的涡旋电磁波幅相分布、模态功率谱和信道容量等:并搭建了两径 OAM 信道测量平台，进行了反射场景下的毫米波涡旋电磁波信道实验，基于测量得到的信道数据，分析了毫米波涡旋电磁波系统的信道容量性能。

该句话在对齐信道模型基础上构建了不对齐场景的涡旋电磁波信道模型，研究了不同位置关系下的涡旋电磁波幅相分布、模态功率谱和信道容量，并建立了两径OAM信道测量平台，进行了毫米波涡旋电磁波信道实验，最终分析了该系统的信道容量性能。

相关问题

早期传统的实体对齐模型的研究现状

传统的实体对齐模型主要分为基于规则的方法和基于统计学习的方法两类。

基于规则的实体对齐方法主要是利用一些预定义的规则或者知识库来对实体进行匹配。例如，可以根据实体的名字、类型、出生日期等属性进行匹配。这种方法的优点是简单易懂，但是需要大量的人工规则和知识库，并且无法处理语义不同但实体表示相同的情况。

基于统计学习的实体对齐方法则是利用机器学习算法从数据中自动学习实体对齐模型。这种方法的优点是可以自动学习语义表示，并且可以处理语义不同但实体表示相同的情况。常见的基于统计学习的实体对齐方法包括基于特征工程的方法、基于神经网络的方法等。

总的来说，早期的实体对齐模型存在着一些限制，例如需要大量的人工规则和知识库，无法处理语义不同但实体表示相同的情况等。随着机器学习技术的不断发展，实体对齐模型变得更加智能化和自动化。

基于图神经网络的实体对齐模型的研究现状

随着知识图谱的发展，实体对齐（Entity Alignment）成为了知识图谱领域中的一个重要任务。实体对齐旨在将不同知识图谱中的相应实体进行匹配，从而实现知识图谱的整合和共享。近年来，图神经网络（Graph Neural Network，GNN）在实体对齐任务中得到了广泛应用。

目前，基于GNN的实体对齐模型可以分为以下几类：

1. 基于图匹配的模型：这类模型将两个知识图谱视为两个图，通过计算图之间的相似度来进行实体对齐。常用的图匹配算法包括子图同构匹配、谱聚类等。

2. 基于图嵌入的模型：这类模型将知识图谱中的实体和关系映射到低维向量空间中，从而实现实体对齐。常用的图嵌入算法包括DeepWalk、Node2Vec、LINE等。

3. 基于图注意力机制的模型：这类模型通过引入图注意力机制，对知识图谱中的实体进行加权，从而提高实体对齐的准确性。常用的图注意力机制包括GAT、Gated-GCN等。

4. 基于图卷积网络的模型：这类模型将知识图谱中的实体和关系视为图结构，通过多层图卷积操作，从局部信息和全局信息两个方面对实体进行表示学习，从而实现实体对齐。常用的图卷积网络模型包括GCN、GraphSAGE、GAT等。

总之，基于GNN的实体对齐模型在知识图谱领域中具有广泛的应用前景。随着研究的深入，相信这些模型可以在实体对齐任务中发挥更加重要的作用。