本文提出了一种结合张量表示与深度神经网络（DNN）的混合模型框架，用于阵列信号处理任务。通过构建三阶或四阶张量模型保留阵列数据的多维结构（空间、时间、频率、极化等），并设计了三种典型融合架构：1）张量预处理+DNN（T-DNN）；2）内嵌张量层的神经网络（TNN）；3）张量递归神经网络（TRNN）。该框架通过张量分解降低参数量，同时利用DNN学习非线性映射，在损失函数中引入张量低秩约束和物理先验正

在使用SDK新建工程，创建main.c文件，出现undefined reference to 'main'的报错。或增加已经编写好的文件或文件夹到新建工程的路径下时，出现undefined reference to 'main'的报错。本文针对这两种情况提出了解决方案。

MUSIC和ESPRIT算法是阵列信号DOA估计的两种经典高分辨率方法。MUSIC算法基于信号与噪声子空间正交性，通过谱峰搜索实现高精度角度估计；ESPRIT则利用阵列旋转不变特性，通过特征值分解直接计算角度，计算效率更高。文章首先建立了均匀线阵接收模型，详细推导了两种算法的数学原理和实现步骤，并提供了MATLAB仿真代码。结果表明，两种算法都能有效估计信号来向角，MUSIC具有更高的分辨率，而E

通信感知一体化是指在统一的无线基础设施中，通过共享频谱、波形、硬件和协议，实现无线通信与环境感知功能的协同工作。频谱与硬件复用：降低系统部署成本，提升频谱利用率。协同增益：通信链路和感知链路之间的数据与信息交互，可提升两者性能，例如利用感知信息进行链路预测与资源优化。系统一体化：统一的网络规划和协议设计，有利于大规模部署和管理。在6G愿景下，通信感知一体化被视为核心技术之一，与原生智能、空天地一体

本文推导了二维均匀平面阵列的和差波束测角算法。首先建立了信号模型，描述了阵列结构和波达方向参数。其次，详细推导了和波束、方位差波束和俯仰差波束的权向量构造方法，分析了各波束方向图特性。最后在小角度偏差条件下，通过泰勒展开近似得到单脉冲比与角度偏差的线性关系，并给出了方位差波束斜率的解析表达式。该算法可实现二维角度的高精度估计，适用于雷达、声呐等阵列信号处理系统。

综上所述，隐蔽通信已经从经典的 AWGN 信道下的理论极限探索（“平方根法则”），演变成了一个高度复杂、跨域融合的前沿研究领域。从海陆空一体化的多维空间移动性设计，到RIS对无线信道的微观调控；从ISAC将感知信号用作掩护，到AI在发射与探测端的智能博弈，隐蔽通信技术正变得越来越智能和多样化。复杂环境下的动态建模与优化：如何在复杂的海陆空一体化场景下，实时准确地获取环境和监视者信息，并进行跨层联合

随着5G向6G演进，通信感知一体化（ISAC）成为实现万物互联的关键技术。用户端设备作为感知与通信的重要节点，面临算力、能耗和异构性挑战。本文提出云端通信人工智能体训练与终端轻量化推理的协同架构，通过模型压缩、知识蒸馏等技术降低终端负载，结合云-边-端协同实现高效感知与通信。重点探讨了多任务学习、联邦学习和自适应卸载等关键技术，并分析了端到端优化、隐私安全等挑战。该架构为大规模万物互联提供了可行的

确定性最大似然（DML）测角方法摘要 DML是阵列信号处理中一种高精度的波达方向（DOA）估计方法。与子空间方法不同，DML基于信号源为确定性参数的假设，通过最大化似然函数来联合估计DOA与信号波形。本文系统阐述了DML的数学模型、估计准则和优化策略：首先建立均匀线阵的信号接收模型；然后推导基于投影矩阵的DML代价函数；接着讨论交替投影的优化算法及其初始值获取方法；最后简要介绍MDL源数估计准则。

随着5G向6G演进，通信感知一体化（ISAC）成为实现万物互联的关键技术。用户端设备作为感知与通信的重要节点，面临算力、能耗和异构性挑战。本文提出云端通信人工智能体训练与终端轻量化推理的协同架构，通过模型压缩、知识蒸馏等技术降低终端负载，结合云-边-端协同实现高效感知与通信。重点探讨了多任务学习、联邦学习和自适应卸载等关键技术，并分析了端到端优化、隐私安全等挑战。该架构为大规模万物互联提供了可行的

把物理结构“写进网里”，让数据把非线性“补齐到位”，AI 才能把通感融合带到工程可用的下一层台阶。