本文探讨了如何通过频谱图分析音乐文件的真实性，特别是无损和高解析度音频。使用ffmpeg生成频谱图，比较真实与伪造音频的特征，揭示许多高解析度音频实际上只是普通CD音质的升频版本。

本研究探讨了乐器音色形容词与声学特征之间的矛盾，构建了数据集并通过音频调整获得专家标注，揭示了形容词评分与频谱特征的相关性。

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。

本研究针对无人机网络中的频谱感知问题，提出了一种保护用户隐私的联邦学习方法，并开发了FedSNR聚合技术以提高模型准确性。实验结果表明，该方法优于传统方案。

本研究探讨了设备对设备（D2D）通信中的频谱接入问题，提出将环境背散射通信技术与量子强化学习算法结合，显著提高了D2D设备在共享频谱繁忙时的吞吐量，并改善了收敛速度和学习复杂度。

本研究提出了一种基于深度Q网络的模型，用于解决车载网络中的频谱分配问题，优化频谱使用，提高通信质量。

本研究解决了传统强化学习方法在无线网络优化中依赖手动设计奖励函数的问题，提出了一种基于GAIL的政策学习方法，能够自动学习奖励函数，并结合异步联合学习以实现多卫星系统的协同优化。研究结果表明，该方法在收敛速度和奖励值方面较传统方法提高了14.6%，为6G NTN优化建立了新的基准。

Wi-Fi是一种广泛使用的网络连接技术，由IEEE支持的一组标准。不同国家对Wi-Fi设备有特定的信道和频率。TPC用于检测其他发射器并降低传输功率。

本研究结合预训练的视觉Transformer和时域卷积网络，提高了EEG回归的精度，降低了均方根误差。研究结果表明，在EEGEyeNet任务中，均方根误差从55.4降至51.8，同时提高了模型速度。这一突破为多样化的EEG数据集提供了新的研究方向。

本文研究了状态空间模型（SSM）的普适性，并提出了改进训练算法的方法。通过建立普适性度量模型和引入正则化方法，提高了SSM对序列数据的稳健性和性能。

本研究针对开放无线接入网络（O-RAN）中频谱共享的不足，提出了一种名为AdapShare的解决方案，通过强化学习进行意图驱动的频谱管理，以最小化无线接入网络中的资源盈余或不足。研究表明，AdapShare在LTE与NR网络间的频谱共享场景中表现优异，尤其在资源稀缺或超出总需求的情况下，显著优于基于长期网络需求统计的准静态资源分配方案，具有良好的实际应用潜力。