本研究通过利用时空视觉传感信息，展示了主动接收功率预测在可靠毫米波网络中的可行性。通过使用摄像头图像和机器学习，该机制可以预测从下一时刻到几百毫秒后的接收功率时间序列。通过卷积 LSTM 的使用，该机制可以在不到 3ms 的推理时间内，以 3.5 dB 的均方根误差预测接收功率的时间序列高达 500ms。

Mar, 2018

本文介绍了一种多模态变压器深度学习框架，用于辅助感知的波束预测。通过使用卷积神经网络从一系列图像、点云和雷达原始数据中提取特征，并使用变压器编码器学习不同模态和时间实例之间的隐藏关系，生成下一级特征提取的编码向量。通过在不同模态的组合上进行监督学习来训练模型，实验结果表明，使用图像和 GPS 数据训练的解决方案在预测波束的距离准确率方面表现最佳，为 78.44％，并具有有效的推广性。

Sep, 2023

提出了一种基于多模态机器学习的方法，利用无线通信环境中收集到的位置和视觉数据快速预测光束方向，实现了超过 75％ 的准确度和近乎 100％ 的前 3 名光束预测准确度。

Nov, 2021

本文提出了一种基于深度神经网络的多任务学习 (MTL) 框架，同时学习调制和信号识别任务，考虑到电磁频谱中的多样性无线信号，该框架能有效地提高分类准确性和学习效率，适用于资源受限的嵌入式电台平台，并提供了广泛的异构无线信号数据集。

Feb, 2022

本文提出了基于深度学习和超分辨技术的低开销光束和功率分配方法，以应对多用户毫米波网络中用户和车辆的移动、不必要的光束重新选择和定位等难题，并通过理论和数值分析结果证明了该方法的有效性。

May, 2023

基于深度学习的无监督式深度学习的联合功率分配和波束形成设计方案可以提高频谱效率，并且相较于传统方法具有较高的计算效率。

Jun, 2024

本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

Dec, 2023

基于分布式学习和分层冻结的分割学习（SLF）方法在不同源数据和信道差异下，在分类准确率、重建误差以及从不对齐中理解预期语义的恢复时间方面，证实了在多个神经传输器之间实现语义对齐的有效性。

Oct, 2023

研究了在多输入多输出（MIMO）通信系统中，基于机器学习的无驾驶空间复用的可行性。结果表明，通过联合训练发射机和接收机，发射机可以学习到适用于空间流的星座图形，从而实现完全盲分离和检测。在调制阶数和信噪比方面，与传统的基于导频信号系统相比，学习到的无导频信号方案可以提高 15-20% 的频谱效率。

Dec, 2023

本文提供一种将机器学习工具和情境感知相结合的方法，在车辆环境中学习射总体信息（功率、最佳射总索引等），实验结果表明情境感知可以极大提高预测准确性和模型吞吐量，同时几乎不影响性能和性能损失。

May, 2018