No_one-_-2022-CSDN博客

原创 Clutter-Aware Integrated Sensing and Communication: Models, Methods, and Future Directions (II)

基于第四节中的杂波模型和估计方法，本节重点关注在受杂波污染的 ISAC 测量上运行的接收端杂波抑制。核心要素反映了经典的雷达处理，包括利用多普勒分离的慢时间滤波，利用角度分离的空间波束赋形和置零，以及由干扰协方差估计实现的联合空时自适应滤波。这些操作可以解释为在多普勒、角度和联合域中的线性差分、投影和自适应加权。以下方法假设采用前面介绍的 MIMO-OFDM 波形，但一旦获得合适的空时快拍，它们也适用于其他传感波形。对于宽带处理，还需要频域快拍。ISAC 引入了影响算法设计和性能的额外问题。探测波形通常是数

2026-05-07 21:06:18 356

原创 Clutter-Aware Integrated Sensing and Communication: Models, Methods, and Future Directions (I)

给定式 (1) 中的发射信号，基站（BS）通过分析来自多个对象（包括目标和杂波）的回波来执行传感。我们将场景建模为离散散射体的集合，每个散射体都有自己的雷达截面积（RCS）、传播时延、多普勒频移和方向。在模数转换（ADC）、去除 CP 和快速傅里叶变换（FFT）之后，在子载波 nnn 和 OFDM 符号 ℓ\ellℓ 处的接收信号 yn[ℓ]∈CNr\mathbf{y}_n[\ell] \in \mathbb{C}^{N_r}yn[ℓ]∈CNr 表示为yn[ℓ]=Hn,ℓtxn[ℓ]⏟yt,n[ℓ]+H

2026-05-07 17:56:34 400

原创 Rank-Revealing Bayesian Block-Term Tensor Completion With Graph Information

摘要——块项分解 (BTD)，特别是其秩为 (Lr,Lr,1)(L_r, L_r, 1)(Lr,Lr,1) 的特例，在信号处理中得到了广泛应用。计算 BTD 的传统方法要么不切实际地假设块的数量和块秩是已知的，要么需要对这些参数进行穷举式的调整。虽然已经引入了促进稀疏性的正则化来更有效地估计这些参数，但它仍然需要调整正则化参数。贝叶斯学习通过对块数和块秩采用促进稀疏性的先验来解决这些问题，但到目前为止，它仅限于完全观测的 BTD 张量。为了处理不完整的 BTD 张量，目前仅提出了少数基于优化的方法，并且

2026-05-01 20:11:22 431

原创 Tensor Completion Network for Visual Data

摘要——张量补全旨在基于部分观测值填补不完整张量的缺失元素，这是图像修复的一种流行方法。现有的大多数视觉数据恢复方法可分为传统的基于优化的方法和基于神经网络的方法。在本文中，结合这两种不同方法的优点，我们提出了一种用于视觉数据补全的张量补全神经网络 ( CNet )。CNet 由两部分组成，即编码器和解码器。编码器通过利用 CANDECOMP/PARAFAC 分解来设计，以产生目标张量的低秩嵌入，其机制具有可解释性。为了弥补低秩约束的缺点，引入了由几个卷积层组成的解码器来细化低秩嵌入。

2026-05-01 16:21:57 361

原创 Attention-Guided Low-Rank Tensor Completion

—低秩张量补全 (Low-rank tensor completion，LRTC) 旨在从有限的观测条目中恢复高维结构的缺失数据。尽管最近取得了显著成功，但在 LRTC 算法中，数据张量的原始结构仍未得到有效保留，导致恢复结果的准确性较低。此外，LRTC 算法通常会产生较高的计算成本，从而阻碍了其适用性。

2026-04-30 23:41:23 415

原创 Tensor-Based Target Sensing for Resource-Irregular ISAC Systems

摘要——在通信感知一体化 (ISAC) 系统中，大多数现有的目标感知方法都假设时频资源是规则分配的。然而，在实际的 ISAC 系统中，由于用户调度的随机性，资源通常是不规则分配的。本文通过将 CANDECOMP/PARAFAC 分解 (CPD) 框架与张量补全相结合，来解决此类资源不规则场景下的问题。所提出的结构化张量补全与分解 (STCD) 方法，不仅处理来自不规则分配资源区域的回波信号，还对来自未分配区域的信号进行插值，从而增强了目标感知的性能。此外，张量补全重建了导向矩阵的范德蒙 (Vandermon

2026-04-30 22:07:29 343

原创 Recover Cell Tensor: Diffusion-Equivalent Tensor Completion for Fluorescence Microscopy Imaging

—荧光显微镜（FM）成像是观察活细胞分裂的一项基础技术，而细胞分裂是生命周期中最基本的过程之一。观察 3D 活细胞需要扫描整个细胞体积，同时尽量减少致命的光毒性。这限制了采集时间，并导致稀疏采样的体积具有各向异性分辨率和高噪声。现有的图像恢复方法主要基于逆问题建模，假设存在已知且稳定的退化过程，这使得它们在这种条件下难以发挥作用，特别是在缺乏高质量参考体积的情况下。在本文中，我们从一个新的视角提出了一种新颖的张量补全框架，该框架专为 FM 成像的性质而量身定制，其本质上涉及非线性信号退化和不完整的观测。

2026-04-29 23:02:13 325

原创 Pycharm 使用经验

创建新项目时的选择，主要取决于你这个新项目的规模和目的。如果在正常运行（Run）时没问题，仅仅在调试（Debug）时出现乱码，通常是因为 Debug 模式下的输出流编码不正确。打开 PyCharm 设置：File -> Settings (快捷键 Ctrl + Alt + S)。Default encoding for properties files (属性文件默认编码)简单小脚本 / 共享依赖。注意如果要安装新的包，请关闭梯子，不然会出现请求失败的情况。Project Encoding (项目编码)

2026-04-15 17:13:49 476

原创 Multi-source off-grid DOA estimation with single snapshot using non-uniform linear arrays

在下文中，我们证明如果 ∣πsin⁡θ^k−πsin⁡θk∣<cα−12|\pi \sin\hat{\theta}_k - \pi \sin\theta_k| < c\alpha^{-\frac{1}{2}}∣πsinθ^k−πsinθk∣<cα−21 ，估计的电角度将在足够大的信噪比 (SNR) 下收敛到真实的电角度。我们使用 ωk\omega_kωk 和 ω^k\hat{\omega}_kω^k 分别表示 πsin⁡θk\pi \sin\theta_kπsinθk 和 πsin⁡θ^k\pi

2026-04-06 23:45:14 383

原创 VSCode 中使用 MATLAB 安装流程

这是原本的教程，但我发现这么做，会导致如果用 Code-runner 运行 MATALB 每次都会打开 Command，反而速度很慢。所以我的建议是，直接利用 MATLAB 官方插件的运行指令即可。现在，所有的功能（包括代码补全、聊天对话、甚至更高级的全局代码代理）都已经全部打包整合进了。Matlab: Mlintpath：mlint 可执行文件的路径（mlint 是 MATLAB 的代码检查工具）。Matlab: Matlabpath：matlab 可执行文件的路径。(已知目标代码所在的文件名)

2026-04-05 15:45:38 418

原创 Neural Representation for Wireless Radiation Field Reconstruction (II)

与无法捕捉时间变化的静态 3D 高斯不同，可变形 3D 高斯（deformable 3D Gaussians）分离了静态结构，并将其存储在与时间无关的 “规范（canonical）”高斯中。因此，这些属性被用来表征静态分量：信号强度由原始颜色属性表示，而旋转和缩放定义了高斯的大小和方向，从而影响虚拟 TX 的覆盖区域。它还改善了对高频信号变化的处理。然而， WRF-GS 在精确建模高频信号变化方面面临局限性，因为 WRF-GS 中 3D 高斯的静态特性限制了其捕捉由复杂多径效应引起的信道快速变化的能力。

2026-04-03 16:00:52 411

原创 Neural Representation for Wireless Radiation Field Reconstruction: A 3D Gaussian Splatting Approach

—无线信道建模在设计、分析和优化无线通信系统中发挥着关键作用。然而，开发一种有效的信道建模方法一直是一项长期存在的挑战。由于下一代网络中更密集的网络部署、更大的天线阵列和更宽的带宽，这一问题进一步加剧。为了应对这一挑战，我们提出了 WRF-GS，这是一种基于使用 3D 高斯溅射（3D-GS）进行无线辐射场（wireless radiation field，WRF）重建的新型信道建模框架。

2026-04-03 02:09:40 463

原创 Python 算法题学习笔记一

在终端穿戴场景中，往往涉及到用户和终端设备之间的语音交互，通常由用户唤醒相关的设备并进行语音命令控制设备完成相应的操作，设备在收到语音命令时会对用户的意图进行识别，例如识别“拍照”“摄像”等意图，从而进行对应的操作。在 PyCharm 中（或者说在任何标准的 Python 3 环境下）运行 mp.items()，它返回的并不是一个列表（List），而是一个特殊的内置对象类型：dict_items（字典视图对象）。注意比较多个条件的时候，需要将多个值打包为一个单独的数据结构，常见的是元组 Tuple。

2026-03-30 01:32:14 390

原创 Stable Diffusion 模型代码学习日记

这是最重要的地方，90% 的崩溃原因（比如插件冲突、内存不足、读取某个文件出错）都会记录在这里。（系统已耗尽物理内存（RAM）或虚拟内存（交换空间））java_error 文件中出现了下面的报错提示。（Java 运行环境没有足够的内存来继续运行。

2026-03-27 17:02:01 365

原创 Tensor 常见的运算定理

令缩并后矩阵的自由维度取代原张量被缩并的第。其任意元素通过引入广义克罗内克。对张量同一模连续进行两次模乘，等价于两矩阵先相乘（第四步：单位矩阵模乘等价于无操作，直接省略右侧的。第三步：计算合并后的矩阵乘积，完美消除内部耦合。第一步：化简第一模中的平凡逆矩阵乘积。第二步：运用缩并的吸收性质，将左侧第。原张量中未参与收缩的模，在新张量。，并将未缩并模的索引顺延（右侧。模进行单模张量收缩（其中。第五步：执行核心对角张量缩并。产生的新张量总阶数为。给定两个超对角单位张量。），生成的新张量记为。

2026-03-24 17:13:58 345

原创 iRadioDiff: Physics-Informed Diffusion Model for Indoor Radio Map Construction and Localization

摘要——无线电地图（Radio maps，RMs）作为环境感知的电磁（EM）表示，将场景几何特征（scenario geometry）和材料属性与信号强度的空间分布联系起来，从而实现无需昂贵现场测量的定位。然而，由于 EM 求解器令人望而却步的延迟以及基于学习的方法的局限性，构建高保真室内 RMs 仍然具有挑战性，这些方法通常依赖于稀疏测量或同质材料假设，这与室内环境异质和多径丰富的性质不符。为了克服这些挑战，我们提出了 iRadioDiff，一种用于室内 RM 构建的免采样基于扩散的框架（a sampl

2026-03-21 23:15:29 415

原创 Transformer

目前，Transformer（及其变体）不仅在序列到序列任务中，而且在语言建模和预训练设置中都是事实上的标准模型，我们将在下一讲中讨论这些内容。在每一步中，词元互相查看（这就是我们需要注意力——自注意力的地方），交换信息，并尝试在整个句子的上下文中更好地理解彼此。例如，在某些语言中，主语决定了动词的变化（verb inflection，例如，性别一致），动词决定了其宾语的格，等等。因此，在训练中，我们将整个目标句子输入给解码器——如果没有掩蔽，词元将“看到未来”，而这不是我们想要的。

2026-03-21 22:43:34 415

原创 Sequence to Sequence (seq2seq) and Attention

但在当前的设定下，解码器必须从同一个固定的表示中提取出相关的信息——这绝非易事。在双向 RNN 中，在这种设定下，编码器不必将整个源句子压缩成一个单一的向量——它为所有的源词元提供表示（例如，所有的 RNN 状态，而不是仅仅最后一个）。这可能非常困难——可能的源句子的数量（以及它们的含义）是无限的。与神经语言模型类似，神经序列到序列模型的训练目的是在给定先前上下文（源词元和先前的目标词元）的情况下预测下一个词元的概率分布。在不同的步骤中，解码器可能需要关注不同的源词元，也就是在当前步骤中更相关的那些。

2026-03-21 13:52:24 419

原创 VAE 理解——从贝叶斯角度

VAE 天生具备这样一个全局统一的收敛指标，这也是它相比于早期 GAN 模型（直到 WGAN 出现前）的一大优势。的先验分布，尽管我们不一定能准确写出它的形式，但它是确定的、存在的，因此这一项只是一个常数，所以可以写出。，“骰子的重心”变了，但由于每次抛骰子都是独立的随机事件，你无法写出一个确定性的代数表达式来描述。KL散度是我们的终极目标，因为我们希望两个分布越接近越好，所以KL散度越小越好。括号内的不就是 VAE 的损失函数，只不过我们换了个符号而已。：在我的理解中，这是对所有的数据样本进行采样。

2026-03-17 17:16:21 354

原创 mCore: Achieving Sub-millisecond Scheduling for 5G MU-MIMO Systems

摘要——MU-MIMO 技术使基站 (BS) 能够通过同一频段同时向多个用户传输信号。它是 5G NR 增加数据速率的关键技术。在 5G 规范中，MU-MIMO 调度器需要为每个 TTI 确定每个用户的 RB 分配和 MCS 指派。在 MU-MIMO 下，多个用户可能会被共同调度在同一个 RB 上，且每个用户可能同时拥有多个数据流。此外，调度器在决策过程中必须满足严苛的实时性要求 (∼1\sim 1∼1 ms) 才能发挥作用。本文提出了 mCore，一种新型的 5G 调度器（5G scheduler），它可

2026-03-14 22:12:27 510

原创 JUMP: Joint Communication and Sensing With Unsynchronized Transceivers Made Practical

定时偏移：在无线通信中， TX 和 RX 时钟不同步，因此随着时间的推移表现出不稳定的相对时钟漂移 [5], [11]。在缺乏绝对时序参考的情况下， RX 执行数据包检测（packet detection）和粗略同步。例如，在 IEEE 802.11ad/ay 中，数据包检测是通过自相关方法完成的，该方法返回对数据包起始位置的粗略估计 [37]。此操作不会在符号级别产生同步，因此残余 TO 会被包含在信道估计中，并通过均衡消除。请注意，这些操作是对每个数据包单独执行的，并且 TO 会在后续数据包中发生变

2026-02-19 15:53:15 808

原创 Cooperative Coherent Multistatic Imaging and Phase Synchronization in Networked Sensing

在接下来的第三节中，我们将详细介绍如何获取必要的标称参数（the nominal parameters），从而实现所有测量数据的相干融合，并最终达到图 3 所示的高清成像质量。在非相干处理中，单幅图像仅仅是在幅度上进行叠加，不仅丢弃了载波相位信息，也不需要本文提出的相位同步过程，其波数覆盖范围的计算遵循常规方法 [43]。利用所有发射-接收（Tx-Rx）对在空间域生成的图像是通过反向投影（back-projection，BP）获得的，即在接收信号的空域和时域进行匹配滤波 [7]

2026-02-15 13:06:00 874

原创 Sensing in Bistatic ISAC Systems With Clock Asynchronism

信号建模我们现在将这些偏移量合并到多输入多输出（MIMO）正交频分复用（OFDM）积分感知与通信（ISAC）信号模型中。我们注意到， MIMO-OFDM 已被广泛应用于现代蜂窝网络，如 4G 和 5G 。可以预见它将在 6G 中继续盛行。考虑一个双节点 MIMO-OFDM 通信系统，其中发送和接收节点各配备一个均匀线性阵列。发送（ Tx ）和接收（ Rx ）阵列分别具有 MMM （ NNN ）个天线，且天线间距为半波长。它们的导向矢量可以表示为 a(x,α)=[1,ejπsin⁡(α),…,ej(x−1)π

2026-02-13 16:42:09 988

原创 Localization-Oriented Digital Twinning in 6G: A New Indoor-Positioning Paradigm and Proof-of-Concept

鉴于数字孪生（DT）在各个领域取得的巨大成功，它被认为是第六代（6G）蜂窝系统的一种有前景的方案，在网络和通信建模方面显示出领先优势。然而，由于缺乏环境建模以及与物理场景的信号交互，现有的 6G DT 解决方案难以支持 6G 的另一个核心特性——高精度定位。这一缺陷给 6G DT 赋能的定位带来了一系列挑战，包括定位数据获取、精度提升和持续优化。

2026-02-07 19:11:57 1040

原创 Mismatch Analysis and Cooperative Calibration of Array Beam Patterns for ISAC Systems

通感一体化（ISAC）是赋能未来无线系统中广泛应用的一项关键技术。然而，感知性能往往因几何误差（如位置和方向）及硬件损伤（如互耦和放大器非线性）引起的模型失配而下降。本文聚焦于天线阵列的角度估计性能，并致力于解决 ISAC 系统中阵列波束方向图校准这一关键挑战。

2026-02-06 23:04:16 678

原创 Self-Supervised Channel Estimation in Hardware Impaired ISAC via Hybrid-Domain Model Fusion

准确的感知信道估计对于高性能综合感知与通信（ISAC）至关重要，因为它为目标检测和定位提供了关键信息。尽管已有广泛研究，但大多数现有方法依赖于理想硬件条件这一非现实假设。然而，由于使用低成本电路组件，硬件损伤往往是不可避免的。这凸显了开发在非理想条件下仍能保持可靠的鲁棒估计技术的必要性。为此，我们提出了一种专门为硬件损伤 ISAC 系统设计的自监督模型融合网络（a self-supervised model-fusion network，SMF-Net）。为了抑制硬件非理想性引起的失真，我们设计了一个两阶段

2026-02-06 14:25:35 981

原创 DIGITAL TWIN ONLINE CHANNEL MODELING Challenges, Principles, and Applications

与传统的离线信道建模不同，数字孪生 (DT) 在线信道建模能够实时感知并准确表征动态无线信道，从而极大地辅助 6G 网络优化。本文提出了一种新颖且具有前景的框架，以及数字孪生在线信道模型 (DT online channel models，DTOCM) 的逐步设计流程。通过实现对动态信道变化的持续可视化和准确预测，DTOCM 能够在仿真网络和真实网络之间同步性能。我们首先（We first explore）探讨 DTOCM 的演进和概念进展，重点介绍其愿景和相关挑战。

2026-02-04 16:55:29 888

原创 Efficient Leverage Score Sampling for Tensor Train Decomposition

张量列（Tensor Train, TT）分解作为一种高效压缩高维张量数据的流行工具，被广泛应用于机器学习和量子物理领域。在本文中，我们提出了一种高效算法，通过依赖精确杠杆得分采样（exact leverage scores sampling）的交替最小二乘（Alternating Least Squares, ALS）算法来加速计算 TT 分解。

2026-02-04 12:08:04 985

原创 A Denoising Diffusion Probabilistic Model-Based Digital Twinning of ISAC MIMO Channel

深度学习（DL）技术已被广泛应用于解决无线通信领域的挑战，克服了传统方法的局限性。然而，训练深度学习算法通常需要大量数据，这在日益复杂的通信环境中难以获取。因此，减少深度学习训练所需的数据量是一个亟待解决的问题。在本文中，我们开发了一个基于去噪扩散概率模型（DDPM）的集成感知与通信（ISAC）多输入多输出（MIMO）信道的数字孪生（DT）框架，以解决深度学习场景中常见的数据匮乏问题。通过对少量数据进行采样，我们的框架能够捕获并模拟数据分布，构建一个虚拟数据仓库，即使在用户设备（UE）和目标位置发生变化时，

2026-02-02 22:06:14 962

原创 RF Genesis: Zero-Shot Generalization of mmWave Sensing through Simulation-Based Data Synthesis and G

—本文提出了 RF Genesis (RFGen)，这是一种利用跨模态扩散模型（cross-modal diffusion models）生成射频感知数据（synthesizing RF sensing data）的创新且具有成本效益的方法，旨在提升毫米波（mmWave）感知系统的泛化能力。传统的毫米波感知机器学习模型常常受限于训练数据集规模较小的问题。当面对未见过的用户、环境、传感器配置或测试类别时，其性能会大幅下降。

2026-01-31 13:02:59 857

原创 SeRadar: Embracing Secondary Reflections for Human Sensing with mmWave Radar

—由于其高分辨率，毫米波（mmWave）已成为非接触式传感领域一种极具前景的解决方案。尽管前景广阔，但它面临着若干关键问题，包括来自周围环境的遮挡、依赖于方向的不稳定传感性能，以及当多个目标近距离并存时的显著干扰。这些根本性问题阻碍了毫米波传感技术在现实世界中的广泛应用。在本文中，我们提出了 SeRadar，这是首个利用所有有用的二次反射（secondary reflections）来显著增强可靠性的系统框架，使毫米波传感距离实际应用更近了一步。

2026-01-31 03:05:24 777

原创 Zero-Shot Accurate mmWave Antenna Array Calibration in the Wild

毫米波天线阵列校准是制造过程中必不可少但又繁琐且昂贵的过程，用于捕获相控阵中的非理想特性，从而获得用于精确且稳定的波束导向的码本。不幸的是，制造商提供的用于在给定方向集合上控制波束的预定义码本，并不支持各种毫米波通信、传感和安全应用所需的任意波束形状。为了创建任意波束方向图，首先需要找到所使用的特定相控阵的未知校准向量（the unknown calibration vector）。在本文中，我们介绍了EiCal。

2026-01-30 17:44:34 695

原创 Pilot-Based SFO Estimation for Bistatic Integrated Sensing and Communication

—在面向未来的第六代 (6G) 移动通信网络的通感一体化 (ISAC) 背景下，实现双站雷达感知需要严格的同步精度，这对于空中 (OTA) 同步来说尤其具有挑战性。现有算法能够充分处理时间和频率偏差，但提供的采样频率偏差 (sampling frequency offset，SFO) 估计精度不足，导致获得的雷达图像出现信噪比损失以及距离和多普勒频移的徙动（migration of range and Doppler shift），从而造成图像质量下降。

2026-01-18 13:42:19 662

原创 Adaptive OFDM Radar for Target Detection in Multipath Scenarios

—我们开发了用于在存在多径反射的情况下（例如在城市环境中）检测移动目标的方法。我们利用多径传播来增加雷达系统的空间分集，并在不同路径上提供不同的多普勒频移。我们采用宽带正交频分复用（OFDM）信号以增加系统的频率分集，因为目标的不同散射中心在不同频率下会产生不同的谐振。为了克服传统 OFDM 的峰均功率比（PAPR）问题，我们还使用了恒包络 OFDM（constant-envelope OFDM，CE-OFDM）信令方案。

2026-01-16 13:19:55 657

原创 Tx and Rx IQ Imbalance Compensation for JCAS in 5G NR

除了传统通信之外，联合通信与感知 (JCAS) 作为下一代无线系统的关键赋能技术正变得日益重要。准确传输和接收数据的能力是高速通信和精确感知的基础，其中一个基本要求是精确的同相 (I) 和正交 (Q) 调制。对于感知而言，IQ 调制中的非理想特性会导致距离-多普勒图 (RDM) 中出现两个关键问题，表现为本底噪声升高和虚假目标的存在，从而降低了 RDM 中信息的准确性和可靠性。本文提出了一种低复杂度的估计与补偿方法，以减轻 IQ 不平衡的影响。

2026-01-15 22:33:26 722

原创 Sensing-Aided Distortion Estimation for OFDM Radar With Nonlinear Transmitter

—本文提出了一种利用检测到的目标参数来估计正交频分复用 (OFDM) 雷达信号非线性失真的方法。由于 OFDM 雷达需要高发射功率以获得长探测距离，因此发射机 (TX) 最好工作在非线性区域以实现高功率效率。这会导致具有高峰均功率比 (PAPR) 的 OFDM 雷达信号产生强烈失真。传统上，这种失真可以通过在接收机 (RX) 处利用均衡技术或在发射机 (TX) 处利用数字预失真 (DPD) 技术来补偿。然而，这两种方法都需要通过额外的反馈路径获取发射信号的信息，这增加了雷达系统的硬件复杂度。

2026-01-11 15:51:33 724

原创 Hybrid Beamspace DOA Estimation for RF-Chain-Limited mmWave Passive Arrays

本文提出了一种用于毫米波（mmWave）无源阵列波达方向（DOA）估计的混合卷积波束空间（Hybrid CBS）方法。在混合处理中，通过使用模拟合并器（analog combiner）来减少射频（RF）链路的数量，从而降低硬件成本。随后，利用数字合并器和数字处理器来进行 DOA 估计。在混合 CBS 中，模拟合并器等效于一个滤波器后接一个抽取器（或称下采样器）。这种抽取操作降低了维度和复杂度，因此对于通常用于毫米波的大规模阵列特别具有吸引力。

2026-01-11 14:34:12 735

原创 OFDM-Based Waveforms for Joint Sensing and Communications Robust to Frequency Selective IQ Imbalance

摘要——正交频分复用（OFDM）是未来通感一体化系统中一种极具前景的候选波形。众所周知，OFDM波形易受同相和正交（IQ）不平衡的影响，这会导致距离-多普勒图（RDM）中的底噪（noise floor）升高。目前一种用于增强OFDM波形对IQ不平衡鲁棒性的先进方法虽然避免了底噪的增加，但会在RDM中产生额外的虚假目标（ghost objects）（Bourdoux等人，2018）。这些额外虚假目标带来的后果是最大不模糊距离（maximum unambiguous range）的减小。在本研究中，我们提出了一

2026-01-10 16:53:30 812

原创 Modeling and Analysis of OFDM-Based 5G/6G Localization Under Hardware Impairments

总而言之（To summarize），我们在 (1) 中定义了一个不考虑 HWI 的 MM (Mismatched Model，此处指用于算法开发的理想模型)，它将用于算法开发。引入 HWI 后，(23) 中定义的损伤模型将被用作 TM (True Model，真实模型)。在接下来的部分中，我们将评估使用 MM 处理由 TM 生成的数据对定位性能的影响。为了便于性能分析，我们要分别用μgημgη和μˉgημˉgη表示 (1) 和 (23) 的无噪声观测。

2026-01-09 11:57:46 631

原创 Model-Based End-to-End Learning for Multi-Target Integrated Sensing and Communication Under Hardware

—我们研究了在存在硬件损伤的通感一体化（ISAC）背景下的基于模型的端到端学习。通常通过关注通信性能的阵列校准来解决硬件损伤问题（by means of array calibration with a focus on communication performance）。然而，可能存在影响传感性能的残余损伤。本文提出了一个数据驱动的框架来减轻这种损伤。我们考虑了单站正交频分复用（OFDM）传感和多输入单输出（MISO）通信场景，并结合了 ISAC 收发机天线阵列处的硬件缺陷。

2026-01-08 16:15:08 978

山东大学微处理器原理PPT(2022年).zip

大一下《电路理论基础》第四版课程习题答案；作者：孙立山；配套使用人群山东大学电子系大一下

HFSS反射式带通滤波器

空空如也