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

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μgημg​η

基于目标场景的几何形状，我们构建数字孪生，如 IV-B 节所介绍。具体而言，我们评估在由高保真数字孪生生成的特定站点 CSI 数据上训练的 DL 模型的性能，其中与目标场景的唯一区别在于植被物体的存在。这是因为 WINNER II 数据集是一个通用数据集，它需要更大的潜在空间（a larger latent space，更多的特征维度）才能捕捉到那些它本身数据里并不具备的、特定于该站点的特征。在我