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

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。

随着第五代（5G）在许多国家的部署，人们开始思考下一代无线通信将会是什么。当前的通信技术已经通过先进的编码（解码）和调制技术接近了香农物理容量极限。另一方面，人工智能（AI）在从传统通信技术向未来发展的过程中扮演着越来越重要的角色。语义通信是一种新兴的通信范式，它基于其创新的“语义-意义传递”（semantic-meaning passing）概念工作。语义通信的核心是在发送端提取发送信息的“意义

—最近，大型语言模型（LLMs）已成功应用于许多领域，展示了卓越的理解和推理能力。尽管这些LLMs具有巨大的潜力，但通常需要专门的预训练和微调以适应特定领域应用，如无线网络。这些适应过程可能会对计算资源和数据集要求极高，而大多数网络设备的计算能力有限，且高质量的网络数据集较为稀缺。为此，本研究从提示工程（prompt engineering）的角度探索了LLM驱动的无线网络，即设计提示以引导LLM

摘要——本文提出了一个用于无蜂窝大规模多输入多输出（CF-mMIMO）集成传感与通信（ISAC）系统的综合框架，其中接入点（AP）被划分为通信接入点（CAP）和传感接入点（SAP），以同时支持下行（DL）通信和多基地传感。一个专用的传感发射器（ST）和多个SAP协同感知指定区域内的目标，而CAP则为多个通信用户（CU）提供服务。为了实现实用的三维（3D）目标定位，我们开发了一种新颖的波束扫描协议，

集成感知与通信（Integrated Sensing and Communication, ISAC）自被确定为第六代（6G）移动通信的关键应用场景以来，引起了广泛关注。而协作式 ISAC 凭借大规模蜂窝基础设施的优势，以及无需全双工收发器的特性，受到移动运营商的青睐。本文首先从链路层面出发，介绍了协作式 ISAC 系统的信道建模与关键技术，包括同步、波束管理以及先进感知算法。从网络视角出发，文章

—最近，大型语言模型（LLMs）已成功应用于许多领域，展示了卓越的理解和推理能力。尽管这些LLMs具有巨大的潜力，但通常需要专门的预训练和微调以适应特定领域应用，如无线网络。这些适应过程可能会对计算资源和数据集要求极高，而大多数网络设备的计算能力有限，且高质量的网络数据集较为稀缺。为此，本研究从提示工程（prompt engineering）的角度探索了LLM驱动的无线网络，即设计提示以引导LLM

然而，所提出的框架是针对具有特定配置的系统开发的，因此，它们不适用于具有任意平面阵列几何结构的双基地 MIMO 雷达系统。注意的是，我们的算法与广泛应用于双基地 MIMO 雷达 [21], [22], [23], [24] 和 MIMO 信道估计 [59], [60], [61] 中的 CPD 方法有着本质的区别。在图 5(a) 中，可以看出，包括所提方法和 TRD 在内的张量网络分解技术，相比于

—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

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