深度学习模型处理复数矩阵存在梯度传播和数值稳定性挑战。将复值协方差矩阵分解为实部和虚部是标准预处理策略。给定估计协方差矩阵 R^xx​∈CN×N ，构造实值输入张量 X∈R2×N×N ：其中 ℜ{⋅} 和 ℑ{⋅} 分别表示实部和虚部运算。该表示保留了复数矩阵的所有信息，同时兼容标准实值神经网络层。

本文档按照学术论文规范，严格遵循。

本文档按照学术论文规范，严格遵循。

其中投影矩阵维度满足 $W_Q, W_K \in \mathbb{R}^{d_{\text{model}} \times d_k}$，$W_V \in \mathbb{R}^{d_{\text{model}} \times d_v}$，多头拼接后的线性投影 $W_O \in \mathbb{R}^{hd_v \times d_{\text{model}}}$。在雷达调制识别任务中，冻结的 Tran

目录E.1 多静态雷达信号模型E.1.1 双/多基地几何与信号特性E.1.1.1 椭圆定位与多普勒椭球几何E.1.1.2 多基地RCS闪烁与NLOS（非视距）路径利用E.1.1.3 直达波与目标回波的时间同步E.1.2 分布式信号级融合E.1.2.1 相参积累的相位同步误差补偿E.1.2.2 非相参积累的GLRT推导与CFAR检测E.1.2.3 分布式压缩感知与稀疏恢复（多视角联合重构）E.2 传

抓取任务建模为 MDP $(\mathcal{S}, \mathcal{A}, \mathcal{P}, \mathcal{R}, \gamma)$，其中智能体通过策略 $\pi(a \mid s)$ 最大化累积奖励。Python"""Content: 5.2.1 马尔可夫决策过程 (MDP) 定义Usage: 直接运行 python mdp_grasp_definition.py功能: 实现抓取

深度展开网络(Deep Unfolding)将迭代优化算法（如ISTA、ADMM）映射为网络层，每层对应一次迭代，参数（步长、阈值）通过数据驱动学习优化，兼具模型可解释性与数据增强能力。针对雷达HRRP的一维特性，CNN架构采用一维卷积核（时域卷积）提取距离维度的局部特征。针对实时性要求，轻量化架构（MobileNet、ShuffleNet）采用深度可分离卷积(Depthwise Separabl

本章系统阐述了阵列校准与误差补偿的理论与算法，建立了幅相误差与互耦效应的数学模型，提出了基于结构化矩阵求逆的快速补偿方法。相比自校准，辅助源方法将非线性联合估计转化为线性或可分离问题，具有更高的估计精度与稳定性，适用于雷达系统定期维护校准或实时在线校准。自校准的难点在于参数可辨识性：当误差模型过于复杂（如同时存在幅相误差、互耦与位置误差），某些DOA可能无法唯一确定。单辅助源算法仅需一个已知方向的

Woodward模糊函数定义发射信号与接收信号（含时延和多普勒频移）的互相关模值平方：该函数表征了雷达在距离-速度二维空间中区分两个目标的能力。峰值位于原点 (0,0) ，其形状决定了距离和多普勒分辨率、旁瓣电平以及耦合特性。

基于CMU 10-715 2025年秋季语言模型专题课程结构，本章系统阐述预训练语言模型的基础理论、参数高效微调方法及推理优化技术。以下内容严格遵循学术综述写作规范，所有原理阐述均基于国际顶级会议与期刊发表的经典研究成果。