本文针对无线设备射频指纹识别（RF fingerprinting, RFF）在实际部署中面临的跨环境开放集识别问题，提出了一种改进的OpenMax框架 C$^2$T-OpenMax。射频指纹识别利用发射机硬件固有的细微缺陷实现设备身份认证，但现实环境多变，且实际系统中常出现训练阶段未见过的新设备（开放集），因此需要模型既能泛化到新环境，又能正确拒绝未知类。数据增强是提升环境泛化能力的常用手段，但作者观察到，数据增强可能使已知类别的表征变得分散且置信度偏低，从而扭曲了OpenMax方法中基于类统计（如均值激活向量和Weibull分布拟合）的建模质量。为此，论文提出两个核心模块：一是中心约束学习（center constrained learning），通过约束特征向类中心聚拢，提升类内紧凑性，使类级表征更适合基于距离的统计建模；二是置信度引导的尾部建模（confidence-guided tail modeling），在估计均值激活向量和拟合Weibull分布时，仅保留被正确分类且具有高置信度的logits，以减少模糊边界样本带来的偏差。两个模块协同工作，既能保留数据增强的泛化收益，又能优化表征几何结构和OpenMax的构造质量。实验基于公开的WiFi CSI数据集，结果表明C$^2$T-OpenMax在8个位置组中的7个组上取得最高开放集准确率，并在所有测试的开放度水平上，AUROC和OSCR指标均优于所有基线。在最大开放度设置下，相比增强OpenMax基线，准确率提升12.31%，AUROC提升0.0887，OSCR提升0.0856。本文的核心贡献在于揭示了增强与OpenMax建模之间的冲突，并提出一种无需额外标注即可缓解该问题的通用框架，适用于开放集无线设备认证场景。适合无线安全、设备指纹识别、开放集识别方向的研究人员阅读。