本文提出了一种新颖的学习算法，通过监督接收器的训练和基于强化学习的发射器训练之间的迭代来解决没有可微通道模型的端到端通信系统学习问题，并在加性白噪声和瑞利衰落信道上证明了该方法的有效性。

Apr, 2018

本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法，该算法可以训练具有未知信道模型或具有不可微分组件的通信系统，并在软件定义无线电上实现，并在同轴电缆和无线信道上实现了最先进的性能。

Dec, 2018

通过使用可重新配置的智能表面和空中衍射深度神经网络的新方法，该文论述了基于 RIS 的空中语义通信，介绍了其系统模型、数据和控制流以及性能分析，并与传统硬件方法进行了比较。

Dec, 2023

本论文采用深度学习实现了一种光纤通信系统，可通过单端到端的过程优化收发器，构建出一个灵活的，鲁棒性较好的收发器，成功地将其应用于强度调制 / 直接检测（IM/DD）系统，实现了可靠的传输，并将传输速度提高至 42GBfs。

Apr, 2018

深度学习在无线电通信信号分类方面的性能与基线方法比较研究，研究了不同配置和信道失真情况下的分类性能，探讨了载波频率偏移、符号速率和多径衰落等因素对性能的影响，并使用软件无线电进行了室内分类性能的实测，最终讨论了该技术的应用存在的问题和设计考虑。

Dec, 2017

该研究提出了一种可训练的点对点通信系统，其中发射机和接收机均实现为神经网络，通过比特互信息训练并联结实用的比特度量译码接收机，同时联合优化星座图造型和标注，通过完全可微分的神经网络迭代解调和解码结构，在不修改任何条件的情况下处理任意通道，采用软件定义无线电实现并训练了端到端系统，实验结果表明，与传统技术相比，该方法具有显著的性能优势。

Nov, 2019

提出了一种基于深度学习的语义通信系统 DeepSC，使用 Transformer 来重构语句的含义，最大化系统容量并最小化语义错误，同时采用迁移学习以适应不同的通信环境，并提供了一个新的度量标准，命名为句子相似性。深度语义通信系统在低信噪比的情况下表现更好，比传统的非语义信息传播的系统更稳健。

Jun, 2020

本研究提出一种基于序列自编码收发器的双向深度循环神经网络（BRNN)，该网络使用滑动窗口技术来实现高效数据流估计。我们发现，这种滑动窗口 BRNN 相比之前的基于块的前馈神经网络（FFNN）自编码器在所有检测的距离上都能显著降低误码率，从而增加传输距离。与 FFNN 接收器实现的基于两级脉冲幅度调制的最新 IM/DD 方案相比较，我们的结果表明，在训练更少的参数的情况下，SBRNN 在 42 和 84 Gb /s 下均优于这些系统。我们的新型 SBRNN 设计旨在为具有存储器的非线性信道（例如光学 IM/DD 光纤信道）的端对端深度学习系统进行定制。

Jan, 2019

本研究针对频率和时间选择性衰落信道，探讨端到端学习在无线通信上的应用，通过神经网络接收机代替传统正交导频，并使用超定位信号，线性复合和优化星座几何图形等技术替换正交导频，实现了与基线方案相同的误比特率和相对 7％的吞吐量提高，表明协同学习的发射机和接收机是超越 5G 通信系统的一个有趣组成部分，可以消除解调参考信号的需求和相关控制开销。

Sep, 2020

该文章回顾了最近在物理层通信中使用模型驱动深度学习方法的应用，包括传输方案、接收机设计和信道信息恢复，并在展示全面调查后，提出了若干进一步研究的开放问题。

Sep, 2018