本文提出了一种顺序探测方法，用于允许中央认知无线电网络（CRN）在设计的主用户（PU）保护规范下访问主用户（PU）的频带，并用二进制 ACK / NACK 数据包来学习 PU 干扰约束，我们在 Active Learning (AL) 框架内研究了这个受限设计问题，并提出采用 Expectation Propagation（EP）方法的最优解，并通过数值模拟来演示该解决方案的性能。

Oct, 2017

本文提出一种基于深度强化学习的调制和编码方案选择算法，用于处理传感式次级用户干扰主信道的情况，建立在认知异构网络的架构下，运用开关成本因素可实现主信道速率和系统开销之间的平衡

Nov, 2018

本文研究了在现有主要无线电网络下采用频谱共享的辅助或认知无线电（CR）网络的信息论极限。研究了多个辅助用户在在其各自的传输功率约束和一个应用于主要接收器之一的干扰功率约束下，向辅助基站（BS）发送信号的信道模型。在辅助发射机的不同状态下，以及每个主要接收器应用的长期或短期干扰功率约束下，导出了辅助用户的最优功率分配方案，以实现信道容量的无穷期望总和。对于辅助网络的动态时分多址（D-TDMA）方案的优化条件也得到了研究探讨。研究了在辅助基站下行链路传输的信道模型（C-BC），并论证了对于所有传输功率和干扰功率约束的组合，D-TDMA 都是实现信道容量的无穷期望总和的最优方案。

Jun, 2008

本文提出了一种基于深度强化学习的方法，用于共享主要用户和次要用户之间的频谱，并设计了一组空间部署的传感器节点以帮助感知无线环境中的接收信号强度信息，从而使得次要用户可以与主要用户有效地交互以达到传输数据的设定目标状态。

Dec, 2017

研究了二次用户在交互式无线通信过程中的最大吞吐量和最小化每个主接收器产生的干扰之间的权衡，并通过利用二次发射机处的多天线，从信息理论的角度对该基本权衡进行了表征，以实现对时空和频率域中的机会光谱共享。

Nov, 2007

通过利用混合软行为者评论家算法的多智能体强化学习方法，实现了动态频谱访问中联合频谱感知和资源分配的优化，以最大化网络的通信速率，并在实验中验证了该算法在增加频谱资源利用率、限制对主网络干扰方面优于现有技术。

Apr, 2024

本文提出了一种基于深度强化学习的分布式资源分配技术，用于多代理环境下的认知无线电网络，该网络通过干扰下动态频谱访问与主干网络共存。该技术是分布式的，且不需要与其他代理协调，通过模拟结果可以显示出，该技术能够在有限的学习时间内，找到使性能在 3％之内的策略。

Oct, 2019

该论文提出了一种深度协作感知（DCS），用于在认知无线电网络（CRN）中进行协作频谱感知（CSS），以检测可能同时占用多个波段的主用户（PU），通过使用卷积神经网络（CNN）学习 SUs 的单独感测结果的组合策略，DCS 发现一种环境特定的 CSS，即使单独感测结果被量化或未量化，也可以以自适应的方式考虑个体感测结果的频谱和空间相关性，仿真表明，即使训练样本数量较少，建议使用低复杂度 DCS 可以提高 CSS 的性能。

May, 2017

本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

Sep, 2019

本文重点讨论了深度学习在认知系统中的应用，探讨了用于解决多天线认知通信中的数据复杂性和无线信道动态等挑战的多种基于深度学习的方法，包括联邦学习、迁移学习和在线学习等。我们提出了一些解决这些挑战的深度学习设计方案，包括量化学习模型、数据 / 模型并行化和分布式学习方法。

Oct, 2020