本论文提出了两种基于群组的深度神经网络主动用户检测方案，用于减轻大规模机器类型通信中的传输时延和信令开销问题。通过使用稀疏代码多址接入系统中的接收信号，实现了对多维码本结构和信道特性的非线性映射学习。该方案在接收机无状态信息的条件下，能够在离线训练时段检测到活动设备，有效提高了检测概率。仿真结果表明，该方案比传统的主动用户检测方案在感兴趣的信噪比范围内能够大幅提高概率检测。

Jun, 2021

研究了无授权传输范例在物联网网络上的应用，并通过深度学习方法的卷积神经网络实现设备的活动检测，以优化传输性能。

Dec, 2022

本文提出了一种新颖的方法，用于在上行无授权非正交多址接入（NOMA）系统中进行联合活动检测（AD）、信道估计（CE）和数据检测（DD）。我们的方法采用了一种受并行干扰消除（PIC）启发的迭代和并行干扰消除策略，并结合了深度学习，共同解决 AD、CE 和 DD 问题。基于此方法，我们开发了三个 PIC 框架，每个框架分别设计用于相干或非相干方案。第一个框架使用接收到的相干信号进行联合 AD 和 CE。在这个框架的基础上，第二个框架利用接收到的导频和数据信号进行 CE，进一步提高了相干方案中 AD、CE 和 DD 的性能。第三个框架设计用于容纳涉及少量数据位的非相干方案，同时执行 AD 和 DD。通过联合损失函数和干扰消除模块，我们的方法支持端到端训练，提高了相干和非相干方案下 AD、CE 和 DD 的性能。模拟结果证明了我们的方法在传统技术上的优越性，展示了在保持较低计算复杂性的同时，AD、CE 和 DD 的增强性能。

Mar, 2024

该论文提出一种基于能量收集的可重构智能表面帮助非正交多用户下行通信系统提高谱效率的新方法，使用深度学习算法解决由于用户通信状态的动态变化和可利用能源的动态变化影响的非凸问题，获得了比其他基准算法更好的通信成功率表现。

Apr, 2023

本论文介绍了使用深度强化学习和控制理论方法 (DRL) 实现毫米波非正交多址接入 (NOMA) 系统的联合功率分配和混合波束成形，通过考虑用户之间的相互干扰并同时满足高速率需求，模拟结果表明该方法比时分复用多址 (TDMA) 和非线视距 (NLOS)-NOMA 方法在用户总速率方面效果更好，且该方法独立于信道响应。

May, 2022

该研究使用深度强化学习方法，对毫米波条件下的非正交多址接入进行了功率分配和波束成形的优化，以达到用户总速率最大化，并在模拟结果中表现出较其他方法更佳的效果。

May, 2022

本文研究使用缓存和非正交多址接入技术进行系统优化及功率分配问题，并提出了两种方法，一种基于分治策略，另一种使用深度强化学习算法，通过仿真实验验证了这两种方法的有效性和性能。

Sep, 2019

提出了一种新颖的可重构智能表面辅助的非正交多址 (NOMA) 下行传输框架。该框架采用了长期随机优化问题和改进的移动对象迁移自动化算法 (MOMA) 来优化用户分组和可重构智能表面相位移动矩阵，结合深度确定性策略梯度 (DDPG) 算法来控制多重反射元素，实现了动态资源分配策略。通过多个数值结果的分析表明，该方法相对于传统正交多址 (OMA) 框架提高了移动用户 (MUs) 的总数据率，可以学会动态资源分配策略，同时通过提高可重构智能表面相位移动的粒度和增加反射元素的数量来提高数据收益。

Jan, 2021

本文利用监督式机器学习模型来解决非正交前导序列设计条件下的用户活动检测问题，并介绍了一个针对 GF-RA 协议下的无线电波多输入多输出（CF-mMIMO）网络的数据驱动算法和新颖的聚类策略，模拟实验结果显示算法在真实场景中具有 99% 的准确率。

Jun, 2024

提出了一种采用非正交多址技术 (NOMA) 的可重构智能表面 (RIS) 的部署和无源波束成形设计的新框架，利用机器学习方法分别进行用户流量需求的预测和位置获取及相位控制。所提出的 D3QN 算法优于基准算法，同时 NOMA 增强的 RIS 系统能够实现比正交多址 (OMA) 启用的 RIS 系统更高的能量效率。

Jan, 2020