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

我们开发了机器学习方法，用于在存在突发脉冲噪声的信道中，通过状态转移矩阵的学习，实现数据驱动的栅格软符号检测，从而实现在无线数字广播系统和车载通信中的编码传输。

May, 2024

本文提出了一种基于深度神经网络的符号检测器 ViterbiNet，并通过元学习的方法进行在线训练，其性能接近基于信道状态信息的 Viterbi 算法，可以跟踪动态信道，且对信道状态信息不确定性具有鲁棒性，并且可以在计算受限的复杂信道模型中可靠地实现。

May, 2019

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

该研究介绍了一种新的神经网络架构，使用卷积神经网络压缩和反馈信道状态信息，加入长短期记忆模块以实现多路径输入多路径输出（MIMO）通信的量化 CSI 反馈性能提高，实验结果表明该 NN 架构在 CSI 压缩和恢复准确性方面表现更好。

Nov, 2018

本文介绍了一种新的通信系统设计和分析方法 —— 使用深度学习的检测算法在无法建立数学信道模型的分子通信系统中实现良好的检测性能，实验结果显示深度学习算法显著优于之前使用在无信道知识的情况下的简单检测器。

May, 2017

本研究论文提出了一种新型的通用深度神经网络 (Uni-DNN)，可以在不需重新训练模型的情况下，在各种无线环境中实现高检测性能。该模型由无线信道分类器和信号检测器组成，可广泛适用于多种无线信道分布，通过使用卷积神经网络进一步提高信号检测性能，并在实际低导频密度场景中，较常规的基于深度学习的方法以及最小二乘和最小均方误差信道估计器具有更低的误码率性能。

Apr, 2024

本研究使用卷积神经网络 (CNN) 设计高精度低复杂度信号检测器，通过利用通道矩阵的带状结构来提高性能，该 CNN 检测器在不同系统尺寸上表现出良好的自适应性并克服了深度学习中普遍存在的维数灾难问题。实验结果表明，与传统的深度神经网络和现有的基于模型的检测器相比，该 CNN 检测器在精度和计算时间上均表现出更好的性能，适用于具有大尺寸或宽频带的系统，并且可以轻松地扩展到近带线性系统。

Sep, 2018

本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。

Sep, 2020

本文主要研究了 BCJRNet 算法在不同类型的信道条件下的性能表现，发现 BCJRNet 在学习噪声信道数据和存在不完美信道衰减特性的情况下，在稳定传输场景中显著优于传统的 BCJR 算法。然而，在信道快速变化的情况下，这种优势会逐渐减弱。此外，研究还发现传统的 BCJR 算法和 BCJRNet 算法都对内存假设非常敏感，在衰减缓慢的信道中，对内存估计的低估会严重降低它们的性能。最后，我们还结合了信道衰减和内存知识的不完美性，发现传统的 BCJR 算法在被低估内存条件下具有更好的性能，而 BCJRNet 算法则在准确内存知识水平提高时表现出持续改进的性能。

Jan, 2024