在物联网飞速发展的今天，数十亿设备通过无线信号进行通信。如何确保通信双方身份的真实性？传统的密码学认证存在密钥泄露的风险，而射频指纹识别（RFFI） 提供了一种物理层的安全方案——利用发射机硬件电路中不可避免的微小差异，为每个设备生成独一无二的"射频指纹"。就像每个人都有独特的笔迹，每台无线设备也因为DAC、功放、振荡器等模拟器件的细微差异，在发射的信号中留下了不可伪造的"硬件签名"。

本文提出一种分布式分层深度强化学习(DHDRL)框架，用于优化语义感知无线网络的资源分配。该框架采用多时间尺度双层控制策略，将优化问题分解为网络层波束成形与功率分配(大时间尺度)和链路层语义资源分配(小时间尺度)两个子问题。通过设计分布式部署的高层和低层神经网络，分别抑制小区间干扰和优化语义压缩率，实现语义速率与精度的联合优化。实验表明，该框架相比单层方法性能提升19.07%，在高维场景中保持有效

本文基于复基带LFM脉冲雷达体制，系统分析了六类典型雷达干扰的数学模型、仿真实现及其距离-多普勒效果。研究涵盖压制干扰（噪声调幅/调频）和欺骗干扰（梳状谱、移频转发、间歇采样转发、余弦调相）两种类型，通过统一参数配置下的仿真对比各类干扰特性。文章详细推导了LFM信号模型、点目标回波建模及二维信号处理流程，并给出完整仿真参数。结果表明：噪声调幅干扰通过宽带噪声淹没目标，噪声调频干扰利用恒包络特性实现

本文提出残差扩散联合信源信道编码框架(RD-JSCC)，用于MIMO信道状态信息(CSI)的高效压缩。该框架结合轻量级自编码器与残差扩散模块，支持两阶段解码：先通过自编码器快速获取CSI初始估计，再通过扩散模型迭代优化重构质量。创新性地采用嵌套表示学习实现单模型多压缩率适配，并引入SNR自适应模块提升鲁棒性。实验表明，在复杂信道条件下，该方法性能显著优于现有方案，且支持低时延两步扩散推理，对量化误

本文提出几何感知对比学习框架DyCo-CL，解决小样本自动调制识别(AMR)中自监督学习的三大痛点：各向同性增强失效、注意力谱不稳定和语义漂移。DyCo-CL包含动态一致性对比学习策略（虚拟对抗增强+语义一致性损失）、信号自适应Swin骨干网络和层级混合知识融合模块，从算法、结构和先验融合三个维度协同优化。理论证明该方法能约束编码器Lipschitz常数，实现流形空间稳定探索。在RML数据集上，1

本文提出了一种卡尔曼滤波辅助的分布式OTFS-ISAC节点部署方案，通过几何优化设计提升高速移动场景下的通感一体化性能。研究将正交时频空(OTFS)调制拓展至分布式系统，建立了基于三角定位的节点部署框架，推导了几何结构与定位误差的约束关系。创新性地融合卡尔曼滤波算法，设计了主动感知、无源感知和通感协同三类跟踪方法，并证明了接收节点沿正交坐标轴布设可实现近最优部署。理论分析表明，多天线正交部署可将定

本文研究了多用户MIMO联合通信与感知(JCAS)系统的预编码设计问题。通过建立系统模型，推导了感知检测概率和通信信干噪比(SINR)的性能指标。研究发现：当感知与通信信道无干扰时，采用恒模信号感知可获得最优检测效果；存在干扰时，复用通信信号进行感知能提升通信性能，但感知性能受信号峰度限制。仿真结果表明，单一信号感知方案优于混合信号方案，验证了信号峰度是JCAS系统性能权衡的关键参数。该研究为MI

CMA-Former通过将Transformer的多头注意力机制创造性地引入DOA估计领域，并提出级联多尺度注意力的创新设计，在保持高效计算的同时，显著提升了DOA估计的精度和鲁棒性。在低信噪比、小角度间隔、少快拍以及非理想阵列等多种挑战性场景下，CMA-Former均展现出了全面超越传统方法和现有深度学习方法的性能。

在现代电子战的复杂电磁环境中，雷达作为战场“千里眼”，其生存与作战效能面临着日益严峻的干扰威胁。尤其是数字射频存储（DRFM）技术加持下的新型欺骗式干扰，凭借逼真的假目标模拟、低能耗特性，成为雷达系统的主要挑战。而准确识别雷达干扰信号类型，是实施有效抗干扰策略的核心前提，直接决定着雷达在电子对抗中的主动权。传统的雷达干扰识别方法，无论是基于似然估计的模型匹配法，还是依赖专家经验的人工特征提取法，都

本文提出了一种基于单次生成式分布匹配的无人机射频识别新方法，针对低数据场景下的识别难题。研究首次系统化应用单次生成式方法对变换后的射频信号进行增强，通过理论推导验证了该方法在分布保真度方面的优势。实验表明，在10%-50%的低数据场景中，该方法在无人机类型和飞行模式分类任务上的性能显著优于条件生成对抗网络和变分自编码器等深度生成模型。该研究为受限射频环境中的无人机识别提供了高效解决方案，同时也为低