本文提出了一种基于深度学习与专家知识相结合的模型驱动的正交频分复用接收器，采用逐块信号处理方法，在通道估计和信号检测子网中构建 DNN，相比于传统的简单解法 (LMMSE)，提供更精确的通道估计和更高的数据恢复精度，模拟结果进一步证明了该方法在信噪比和计算复杂性上优于 FC-DNN。

Oct, 2018

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

本文提出了基于深度学习的新颖 OFDM 解调器，该解调器采用单比特量化技术，并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计，并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法，在信噪比 10dB 的情况下表现良好。

Nov, 2018

在本研究中，我们使用模拟结果验证了 Orthogonal-Time-Frequency-Space（OTFS）和 Orthogonal-Frequency-Division-Multiplexing（OFDM）之间的性能差异，并提出了基于深度神经网络（DNN）的自适应方案来优化均方误差（MSE）性能。通过观察信道条件、接收信噪比和调制格式，训练 DNN 分类器在发送器和接收器之间切换使用 OTFS 或 OFDM 信号处理链，仿真结果表明使用该方案可以显著提高通信的 MSE 性能。

Sep, 2023

通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。

Mar, 2018

通过深度学习来解决频率选择性衰落以及噪声问题，从而实现在 OFDM 系统中的信道估计和信号检测。

Aug, 2017

该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。

Dec, 2021

将人工智能（AI）和机器学习（ML）整合到空中接口中被视为下一代（NextG）蜂窝网络的关键技术之一。在空中接口中，多输入多输出（MIMO）及其变种，如多用户 MIMO（MU-MIMO）和巨大 / 全维 MIMO，在接连几代的蜂窝网络中成为关键的支持者，面对不断演进的复杂性和设计挑战。将 AI/ML 工具应用于解决 MIMO 中的这些挑战成为实现 AI 启用的 NextG 空中接口的关键步骤。在下一代空中接口中，底层的无线环境将极为动态，由 MIMO 操作（如 MU-MIMO 调度和等级 / 链接自适应）在次毫秒级别上进行操作调整。鉴于庞大的操作调整可能性，我们认为在线实时的基于 AI/ML 的方法具有潜在的前景。为此，我们概述了这类在线实时 AI/ML 基于解决方案设计中的固有挑战，并提供了关于这类解决方案在 MIMO 操作中的开发见解。随后，我们提出了一种基于在线实时 AI/ML 的 MIMO-OFDM 信道估计方法，作为在 NextG 中开发类似技术的潜在路线图。

Mar, 2024

本文综述了使用数据辅助人工智能工具来改善实时混合波束成形设计的策略，并比较了现有方法，包括数值评估和定性指标。探讨了混合波束成形优化面临的核心挑战，并识别了不同形式的深层展开技术。未来的研究机会与将人工智能纳入混合 MIMO 系统有关。

Mar, 2023

本文综述了 OTA-FL 技术的发展和应用，并从系统设置、安全与隐私等方面对 OTA-FL 进行分类和分析，提出了未来 OTA-FL 系统性能、可靠性和可信度的挑战和发展方向。

Jul, 2023