Tejas Networks与NEC Corporation签署协议，合作制造和供应5G大规模MIMO无线电，旨在深化合作并实现供应链多元化。

Linux因其开源、稳定性和良好的硬件支持，成为软件无线电（SDR）开发的首选平台。SDR通过软件实现信号处理，具有灵活性和低成本的优势，广泛应用于通信和监测等领域。本文探讨了SDR的核心概念、工具链及实践方法，旨在帮助读者从零开始构建SDR系统。

X-QSL 是一款快速生成 ADIF 格式 QSO 日志文件的工具。用户只需输入呼号、卫星名称和时间等信息，即可轻松生成文件并上传至 LoTW，需配置 TQSL 路径。

本研究解决了动态或隐私敏感环境中无线电图谱（RM）构建方法依赖于精确环境数据和基站位置的局限性。提出的RadioDiff-Inverse框架利用无条件生成扩散模型学习RM先验，从而在噪音稀疏测量下进行无训练的无线电图谱重构，显著提高了构建准确性及环境重构的鲁棒性。

本研究针对现有无线电频率信号下的人类姿态估计（HPE）领域中存在的单一领域限制问题，提出了一种新颖的生成性模型GenHPE，通过生成反事实无线电信号消除领域特定的混杂因素。研究结果表明，GenHPE在跨主体和跨环境的人类姿态估计中性能优于现有最先进的方法，估计误差减少幅度可达52.2mm和10.6mm。

本研究解决了认知无线电技术在实际应用中任务特定且缺乏可扩展性的问题。提出了一种新颖的框架RadioLLM，通过混合提示和令牌重编程以及频率调谐融合模块，提升了大型语言模型在认知无线电任务中的表现。研究结果表明，RadioLLM在多项基准数据集上显著优于现有基准，展示了其广泛应用的潜力。

本研究提出了一种结合家庭无线电设备与人工智能的方法，客观测量慢性瘙痒及其对睡眠质量的影响，发现抓挠与睡眠质量低下显著相关，为临床护理提供了重要工具。

本研究提出了一种适用于现代无线电干涉仪的在线无线频率干扰（RFI）抑制方案。该方法结合信号能量和极化对齐统计信息，有效检测低占空比RFI，提升数据处理效率。

本研究针对频谱预测这一提高频谱效率的技术，解决了在认知无线电网络中因频谱数据的高度非线性以及复杂使用模式而带来的预测准确性挑战。论文提出了一种新颖的时空频谱预测框架ViTransLSTM，通过结合视觉自注意力和长短期记忆网络，能够有效捕捉频谱使用模式的长短期时空依赖性，验证了该方法在真实频谱数据集上的有效性，开辟了未来研究的新挑战和机遇。

本研究提出了一种基于视觉变换器的神经网络方法，用于预测室内路径损耗无线电图。通过数据增强和预训练权重，该网络在不同建筑和频率下展现出良好的泛化能力，具有重要的应用潜力。

本研究解决了无线通信中对模型适应性和泛化能力的需求，通过引入视觉变换器（ViT）作为谱图学习的无线电基础模型，提出了一种自监督的掩蔽谱图建模（MSM）方法进行预训练。实验结果显示，预训练的ViT模型在谱图分割任务上表现优于从零开始训练的四倍大模型，且在要求更少训练时间的同时，对基于CSI的人类活动感知任务也展现出竞争力表现，证明了该方法在未来6G网络中开发可扩展基础模型的潜力和有效性。

本研究解决了如何在无线电信号上预训练基础深度学习模型的问题，并提出了一种新颖的自监督学习方法——掩蔽光谱图建模。通过在未标记的无线电数据集上进行预训练，该模型在光谱预测和分割任务中表现出竞争力，证明了其在基础无线电模型开发中的有效性。

本研究探讨了认知无线电网络中的频谱感知、共享、资源分配和安全攻击等问题，提出深度学习技术可提升网络适应性和系统效率，为未来B5G/6G服务发展奠定基础。

本研究提出了一种基于无线电增强等变自助法的无监督技术，有效解决了无线电干涉成像重构中的不确定性量化问题，显著提升了观测结果的科学解释能力。

本文提出了一种深度强化学习资源分配技术，适用于协作无线电网络，能够在非平稳环境中有效收敛至平衡策略。仿真结果表明，该技术的学习性能优于传统Q学习，99%的情况下能找到最优策略，学习步骤减少了一半。

本文研究了室内定位技术，涉及无线电、视觉和音频传感器。通过评估无线电机器学习、大规模MIMO、ORB-SLAM3与RGB-D相机，以及SFS2与麦克风阵列，分析了定位精度、可靠性和系统复杂性。研究为多传感器融合的高精度定位系统提供了指导。