摘要：本文介绍了一套低轨卫星TDOA定位仿真系统，融合相控阵天线建模、到达时间差定位算法和蒙特卡洛分析等技术。系统通过交互式GUI支持参数自定义，模拟从信号发射到位置解算的全流程，输出定位误差、几何精度因子等关键指标。核心理论包括相控阵天线方向图建模、TDOA定位原理、链路预算分析和GDOP评估。系统提供单次仿真和批量统计分析功能，可视化展示定位结果和误差分布，适用于星座设计、链路校核等场景，为低

摘要： 南洋理工大学MARS Lab联合团队在ICLR 2026发表RF-MatID数据集，突破传统视觉材料识别的光照、遮挡限制，通过射频感知技术实现细粒度材料识别。该数据集包含71k组4-43.5GHz超宽带频域/时域样本，覆盖16类工业材料，创新性地引入几何扰动变量模拟真实场景。研究建立了标准化评测基准，验证了频域信号的表征优势和深度学习方法的性能优势（精度提升超80%），为物理AI和射频感知

本文系统阐述了雷达信号处理的全链路核心理论体系，从基础电磁波传播到分布式协同探测。主要内容包括：雷达方程与探测距离计算、LFM脉冲压缩技术解决分辨率与能量矛盾、多普勒处理与动目标检测、CFAR自适应检测、阵列信号处理与超分辨测向、MTI/STAP杂波抑制、MIMO虚拟孔径扩展、波形设计优化以及分布式多站融合与时间同步等关键技术模块。文章从物理直觉出发，结合数学推导，揭示了雷达信号处理中各环节的基本

经典 MUSIC 依靠子空间正交实现 DOA 超分辨，但低 SNR、有限快拍、相干多径场景下协方差畸变造成估计失效；DeepMUSIC 以数据驱动规避特征分解与网格谱搜索，DA-MUSIC 将 MUSIC 物理先验嵌入可微分网络，实现角度 - 时延 - 多普勒三参数联合估计，是 OFDM-MIMO 通感一体化信道参数估计主流新思路。

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

本文提出了一套完整的Link16风格参数化干扰效能评估框架，包含三个核心层次：(1)构建从信息比特到射频发射的完整收发链路模型，注入三类参数化干扰（宽带重叠、梳状部分频带、扫频部分频带）；(2)建立包含解调、解跳、解扩、解码4个模块的11项指标体系，量化各环节性能退化；(3)采用AHP主观赋权与D-CRITIC客观赋权的博弈论组合方式，结合灰色关联分析生成连续评分标签。该框架提供了完整的干扰效能评

本文详细介绍了3D MIMO波束成形技术的实现方法，重点对比了Bartlett和MUSIC两种算法的原理与工程实现。针对4×4平面矩形阵列，从阵列几何模型、导向矢量计算、协方差矩阵估计等基础理论出发，给出了完整的Python代码实现。Bartlett算法通过空域匹配滤波实现基本波束成形，而MUSIC算法利用信号子空间与噪声子空间的正交性，能够实现超高分辨率角度估计。文章还提供了参数配置、导向矢量计

文章摘要： 本文对比了传统CNN与多模态大模型（Qwen2-VL）在射频星座图智能诊断中的表现。通过全自研的仿真数据集（覆盖16种调制信号、四类信道损伤及多梯度信噪比），实验从识别精度、低信噪比鲁棒性、未知损伤泛化能力、推理速度和硬件成本五方面评估。结果显示：在已知场景下，VLM凭借语义理解能力小幅领先；但面对未知参数（如轻度/重度损伤），CNN的连续回归架构泛化能力显著优于VLM，且推理速度更快

摘要： 传统波束成形方法（如MVDR、MUSIC）在理想条件下能有效估计信号方向（DoA），但在相干源干扰、少快拍或非理想阵列等复杂场景中性能骤降。一种融合深度学习与波束成形原理的新框架通过神经网络逼近"最优空间滤波器"，兼具模型可解释性与环境适应性。该框架利用注意力机制聚焦信号区域，通过概率化空间谱和不对称损失函数解决谱峰反向传播难题，显著提升了相干源分离、低信噪比（SNR）

本文探讨了基于深度学习的射频指纹识别(RFF)技术在物联网设备认证中的应用。研究团队评估了多种深度学习架构，包括改进的CNN模型、ResNet和EfficientNet等，在ORACLE射频指纹数据集上实现了优于基准模型的分类准确率。研究发现，虽然深度学习能有效学习射频指纹特征，但模型在未训练过的射频传播信道上泛化能力有限。文章指出，未来可通过改进信道模型增强或尝试Transformer架构来提升