用于无线系统的深度学习框架: 应用于光无线通信
本文综述了基于深度学习的5G通信方案的发展，并提出了高效的深度学习方案，探讨了非正交多址接入（NOMA）、海量多输入多输出（MIMO）和毫米波（mmWave）的通信框架，并展示了它们卓越的表现。本文的创新点在于深度学习技术在无线物理层框架中的优化方法为通信理论开辟了新的方向。
Apr, 2019
本文提出了一种基于神经网络的深度学习框架，用于设计具有通用调光支持的二进制调制可见光通信收发机，并发展了一种新的训练算法解决了调光限制问题。数值结果表明，该方案在各种VLC设置下优于理论上最佳的定重码簿。
Oct, 2019
本文介绍了一种利用 3D 建模和射线跟踪软件生成高保真合成无线电和视觉数据样本的 Vision-Wireless 数据集框架。该框架旨在为新的机器学习算法提供一种生成训练和测试数据集的方式，并帮助评估不同算法的质量。
Nov, 2019
提出了一种名为DeepRx的深度完全卷积神经网络，它以符合5G标准的方式执行从频域信号流到未编码位的整个接收机流水线，可构造具有高精度信道估计的卷积神经网络输入，并输出与5G系统中使用的信道编码兼容的软比特，从而在使用3GPP定义的信道模型的情况下优于传统方法。
May, 2020
提出一种基于源信号与信道联合编码、优化的机器学习方法DeepJSCC-Q，用于无线图像传输, 能够在信道输入固定的情况下实现与传统连续值信道输入方法相似的性能表现，并保持图像质量的优雅退化特性，具有更多实际系统的部署价值。
Nov, 2021
ISAC-NET通过模型驱动的深度学习方法将被动传感与通信信号检测相结合，实现了较好的通信性能和显著提升的感知性能，是一种在无线通信中具有潜力的被动感知和通信工具。
Jul, 2023
本文首次聚焦在辅助智能反射表面的综合感知与通信系统中的信道估计问题，提出了基于深度学习框架的三阶段方法，其中包括直接感知与通信信道、反射通信信道、以及反射感知信道的估计，该方法在全双工综合感知与通信基站的卷积神经网络架构上进行建模，设计了两种类型的输入输出对来训练卷积神经网络，模拟结果验证了该估计方法相对于最小二乘基准方案的优越性，并且分析了其计算复杂性。
Jan, 2024
提出了一个深度学习框架来解决基于反射式智能表面的集成感知与通信系统中的信道估计问题，模拟结果表明这种方法比基准方案在不同信噪比条件和系统参数下具有优势。
Jan, 2024
利用预训练的文本到图像扩散模型，提出了一种名为DiffJSCC的新框架，用于增强信道传输的图像的逼真度，通过利用空间和文本特征以及信道状态信息（如信噪比）对预先训练的稳定扩散模型进行微调，实验证明该方法在感知度量方面显著优于常规方法和以往的深度联合源信道编码方法，尤其在信道条件差和带宽有限的情况下表现出色，即使在1dB信噪比下，DiffJSCC也能以每像素不到0.008个符号的速度对768x512像素的Kodak图像进行高度逼真的重建。
Apr, 2024
本研究针对6G无线通信中缺乏专用视觉数据集的问题，提出了一个大型视觉数据集VOMTC，包含20232对RGB和深度图像，并标注了三种代表性目标类别。实验表明，利用该数据集训练的目标检测器在波束形成技术上优于传统技术，为无线通讯的深度学习应用提供了新的解决方案。
Sep, 2024