摘要—通信感知一体化 (ISAC) 系统被认为是第六代 (6G) 网络的关键组成部分之一。ISAC 的一个具有挑战性的课题是在相同的时-频-空资源上设计一个能结合通信和感知功能的单一波形，并允许通过部分或完全的硬件共享来调整两者的性能。本文提出了一种双域波形设计方法，该方法在频时 (FT) 域上，将传统的正交频分复用 (OFDM) 信号与一个特意在延迟-多普勒域设计的感知信号进行叠加。通过相对于

Wax 和 Kailath [6] 提出了一种统计方法，该方法基于通常用于模型选择的 AIC [7] 和 MDL [8] 准则来解决信源数量检测问题。由于其确定过程不需要主观判断，当 AIC 或 MDL 准则达到最小时，信源数量便可以被自然地确定。Zhang 等人 [9] 对 AIC 和 MDL 的统计性能进行了研究。随后，Wong 等人 [10] 利用由 AIC 和 MDL 的改进准则形成的新对

—本文提出了一种借助格什戈林圆盘定理设计的、基于特征结构的估计器，用于信源数量检测。通过引入协方差矩阵的酉变换，利用特征结构的格什戈林半径来确定信源数量，同时克服了数据样本、噪声模型和数据独立性信息缺失的问题。与传统的、基于特征值聚类分析并结合统计公式的方法——例如赤池信息准则（AIC）和最小描述长度准则（MDL）——不同，本文提出的名为格什戈林圆盘估计器（GDE）的方法，在仿真和实测实验数据的情

​我们提出了一种新颖的联结文本提议网络(CTPN)，它能够精准定位自然图像中的文本行。CTPN直接在卷积特征图中的一系列细粒度文本提议中检测文本行。我们开发了一个垂直锚点机制(vertical anchor mechanism)，联合预测每个固定宽度提议的位置和文本/非文本评分，大大提高了定位精度。序列的提议通过循环神经网络自然地连接起来，该网络无缝地纳入到卷积网络中，从而形成端到端的可训练模型。

—估计入射到传感器阵列上的信源数量是一个众所周知且被深入研究的问题。解决该问题的一个常用方法是使用信息论准则，例如最小描述长度（Minimum Description Length，MDL）或赤池信息准则（Akaike Information Criterion，AIC）。众所周知，MDL估计器是一种一致性估计器，它对于偏离高斯假设是鲁棒的，但对于偏离点源和/或时间或空间上的加性白噪声假设则不鲁棒

CRNN模型python实现

在这个例子中，我们创建了一个形状为的3维张量。我们可以看到，第二个维度（索引为1）的大小为1。使用函数移除所有大小为1的维度后，张量的形状变为。同时，使用函数仅移除特定维度也可以达到相同效果。我们注意到给出的张量在第二个维度上不为零，不经让人产生疑问，我用会报错吗？不妨动手一试结果是代码正常编译了，并没有产生问题。和原本张量一致，张量不会发生压缩。是PyTorch中一个非常常用的损失函数，用于多分

我主要是参考了来撰写本篇文章，仅作为个人学习笔记参考使用。

实在是无力吐槽了，心力交瘁。作者给了错误的 USCISI-CMFD-Small 数据集。自己捣鼓了半天，发现原来是压缩之后数据集，也就是 LMDB 文件格式出错了。实在是误人子弟，自己已经气急败坏了现在…但是既然论文都花那么长时间看了，总归要学点东西，那就学一下他net.py文件是怎么写的吧。本篇文章还未完稿，和大家交流学习！

SS Block(SSB) 简要概述它的作用是什么？SSB 传输特定信号，用于建立下行同步。SSB 的组成：PSS（主同步信号）、SSS（次同步信号）、PBCHSSB 在频域中的位置：可变（可配置），这意味着“不需要在中心频率”处。SSB 传输周期：ms5, ms10, ms20, ms40, ms80, ms160，但 ms20（20ms 间隔）最为常见。最大连续 SSB 数量：4 或 8 或