—通感一体化（ISAC）被视为下一代无线网络的关键使能技术。与单基站 ISAC 相比，双基站 ISAC 可以消除自干扰消除这一关键挑战，并且与现有的网络基础设施具有良好的兼容性。然而，发射机与感知接收机之间的同步成为了一个至关重要的问题。在通信同步下提取的用于感知的信道状态信息（CSI）包含不同类型的系统误差，例如采样时间偏移（STO）、载波频率偏移（CFO）和随机相位偏移，这些误差会严重降低感知

—增益相位损伤（Gain-phase impairments，GPIs）会影响 6G 通感一体化 (ISAC) 中的通信和感知功能。我们研究了单输入多输出正交频分复用 ISAC 系统中 GPIs 的影响，并开发了一种基于模型的无监督学习方法（model-based unsupervisedlearning approach），以同时。

摘要——定位被设想为满足第五代 / 第六代（ 5G/6G5\text{G}/6\text{G}5G/6G ）通信系统中通信和情境感知服务需求的关键使能技术。用户定位可以通过利用上行 / 下行导频信号进行时延和角度估计来实现。然而，硬件损伤（ HWIs\text{HWIs}HWIs ）（如相位噪声和互耦）会使得发射机和接收机两端的信号发生畸变，从而影响定位性能。虽然在硬件损伤较轻且定位要求较宽松的较

—本文关注毫米波三维多输入多输出正交频分复用 (mmWave 3D MIMO-OFDM) 系统的下行链路监督信道估计问题（supervised channel estimation problem），其中发射机和接收机均配备均匀矩形阵列 (URAs)。基于稀疏散射特性，毫米波信道被建模为低秩高阶张量。

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

摘要—多维谐波恢复 (MHR) 处于重要的基于信号的应用的核心。利用大量可用的测量分集进行数据融合，必然会增加张量的阶数/维数。在这种情况下，缓解 “维数灾难” (curse of dimensionality) 至关重要。为了有效应对这一海量数据处理问题，提出了一种名为 JIRAFE (Joint dImensionality Reduction And Factors rEtrieval，联合

摘要——近年来，张量网络分解因其在建模高阶张量多维相关性方面的高效性而引起了越来越多的关注。考虑到这一优势，本研究采用张量列分解（Tensor Train Decomposition, TTD）来实现具有均匀平面阵列（UPA）配置的双基地多输入多输出（MIMO）雷达系统中的联合二维发射角（2-D-DOD）和二维到达角（2-D-DOA）估计。首先，定义了一个 5-D 张量，以整合来自发射 UPA (

—本文针对空间有色噪声下双站多输入多输出 (MIMO) 雷达角度估计应用中的范德蒙约束 CANDECOMP/PARAFAC (CP) 张量分解问题进行了研究。利用有色噪声的时间不相关特性，提出了一种基于时间平滑互相关方法的新型去噪方案。随后，在将平滑互相关矩阵重排为四阶张量后，构建了一个范德蒙约束 CP 张量分解模型，该模型充分利用了阵列测量的多维结构以及因子矩阵的范德蒙结构。为了求解该模型，开发

彩色图像处理和图像变换实验讲义

但此时还是有问题，我经过查询得知是MEX文件无法指定，是系统路径没有添加gurobi文件的bin，因此我添加到系统路径中。我猜测可能是求解器没有正确安装，因此我正确安装了Gurobi求解器。注意安装Gurobi求解器需要验证license，具体内容可以查询网络上的安装教程。原问题的目标函数可以通过特征值分解转化为凸函数减去凸函数的形式，凸函数减去凸函数未必是凸函数。首先，我们将所有的代码放到MAT