通信感知一体化（Integrated Sensing and Communication, ISAC）是第六代（6G）移动通信系统的核心使能技术之一，它允许在同一硬件平台和频谱资源上同时实现无线通信与环境感知。本文以正交频分复用（OFDM）波形为基础，设计并实现了一个完整的ISAC系统仿真框架。通信部分采用哈达玛（Hadamard）码实现多用户码分多址（CDMA），每用户使用QPSK调制；

通感一体化（Integrated Sensing and Communication, ISAC）是6G移动通信网络的关键使能技术，旨在通过共享频谱与硬件平台，同时实现高速数据通信和高精度雷达感知。

MIMO的信道容量以及实现大致理论就是利用拉格朗日乘子法，求解信道容量的最大化问题，得到的解形如往水池中注水的形式，最后根据公式敲代码即可。

今天在帮师兄处理数据的时候，因为碰到要将matlab作的图转到orange里面，因为存在matlab函数调用的问题，数据量太大，从图中一个一个复制粘贴数据太麻烦了。为此在网上找了一段代码，经测试过可以使用，为此十分感谢！下面记录一下相关流程，备日后使用。参考：matlab提取fig图形数据首先，把fig图片保存下来并命名为a1.fig。然后在同文件夹下新建一个函数为：clearopen('a1.f

今天在写一篇专利时，出现如下内容：按照百度上的解决办法：仍然不能解决问题，原因在于待处理的公式是个分号的形式，单纯的居中不能使公式左边同文字对齐，后来处理办法如下图：注意：首先还是要进行段落“居中”的操作，然后，这里需要选中文字，根据需要调整下降的磅值。我这里：公式末尾有标点符号，也进行了同样的操作。最后得到的结果如下：...

两条命令：安装visdom：pip install visdom在cmd中：输入： python -m visdom.server，开启web服务。我在运行第一步没有问题，主要是在第二步开启web服务时，总是报错大概是it take a little while to download scripts之类的，等了一会后报错无法找到路径。解决方法：通过继续输入pip install...

在无线通信系统中，信道估计的准确性直接影响接收机的均衡、解调和译码性能。经典的最小二乘（LS）信道估计算法虽然实现简单，但在低信噪比环境下会受到严重的噪声放大影响，性能较差。最小均方误差（MMSE）估计器通过利用信道和噪声的二阶统计信息，可以获得比LS更优的性能，但其计算复杂度过高，且需要准确的统计先验，实际应用受限。本文提出了一种基于深度神经网络的信道估计增强方法，核心思想是学习并纠正LS估计的

本文对深度学习（DL）在非正交多址接入（NOMA）无线系统中多用户检测的应用进行了初步研究。传统方法需要显式地进行信道估计和串行干扰消除（SIC），而在SIC中由于错误传播效应，检测精度将在很大程度上依赖于对先前用户的正确检测。本文设计了一种基于深度学习的NOMA接收机，通过数据驱动的方式，直接学习从接收信号到发送符号组合的端到端映射关系。初步结果表明，深度学习方法能够优于传统的基于导频的信道估计

在 5G 新空口中，OFDM 是核心波形，而信道估计的质量直接影响系统吞吐量。传统的 LS 和 MMSE 估计器在低信噪比或复杂多径下性能受限。近年来，深度学习凭借其强大的特征提取能力，为信道估计提供了新的思路。本文从零搭建一个 OFDM 仿真平台，实现 LS、MMSE 以及基于 CNN 和 LSTM 的估计器，并对比它们在 Rayleigh 衰落信道下的 MSE 和 BER 性能。

本文基于IEEE 802.11a标准，构建了一个端到端的OFDM仿真平台，设计并实现了一种轻量化的1D-CNN均衡器。通过大量蒙特卡洛仿真，在AWGN、Rician和NLOS多径信道下系统评估了CNN与传统MMSE均衡器的性能差异。