我们调查了将最新的深度神经网络机器学习应用于无线电调制识别任务的最新进展，结果表明，无线电调制识别并不受网络深度的限制，后续工作应该集中在改善学习同步和均衡方面。这些领域的进展可能来自专为这些任务设计的新型架构或通过新的训练方法。

Mar, 2017

本文介绍了利用模块化神经网络实现多天线信号检测，通过降低干扰和信号扩展以及神经网络的设计来达到减小量化误差的目的。本文的方法可以通过模块化来降低学习复杂度，并具有优于其他基于深度学习的 MIMO 检测方法的性能。

Apr, 2020

研究使用深度学习进行无线信号调制识别的有效性，并在现有框架的基础上开发出结合 Residual Networks、Densely Connected Networks 以及 Convolutional Long Short-term Deep Neural Network 的架构，使得高信噪比下的准确率达到了 88.5%。

Dec, 2017

本文研究了深度学习算法在从子采样数据中自动识别无线通信信号调制类型的可行性和有效性，提出了三种神经网络架构进行分类，并探讨了减少训练时间的算法和技术，实现了在高信噪比下的在线分类。

Jan, 2019

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

本文主要介绍了一种自动无线电调制识别技术，结合深度压缩和加速技术提出了一种轻量神经网络模型，在边缘侧设备上可以实现物理层身份认证，自动信号处理，为未来 5G 及军用网络提供技术支持。同时，以自动雷达调制调制分类为例，对代表性加速方法进行了广泛分析并进行了计算指标衡量。

Apr, 2022

本文提出了一种基于深度卷积神经网络的符号检测和解调技术，用于改进广义频分复用与索引调制方案 (GFDM-IM) 的误差表现。通过使用零强制 (ZF) 探测器和神经网络处理，有效防止神经网络卡在鞍点上，并提供了更好的误比特率性能，是未来无线网络的一个有前途的物理层 (PHY) 方案。

Feb, 2022

本文研究了卷积神经网络在复杂时间无线电信号领域中的应用。我们比较了使用 naively learned 特征和使用专家特征进行无线电调制分类的有效性，并展示了显著的性能提升。我们表明在低信噪比下，使用深卷积神经网络进行大规模且密集编码时间序列的盲目时序学习是可行的，是该任务的强有力候选方法。

Feb, 2016

本研究提出一种基于序列自编码收发器的双向深度循环神经网络（BRNN)，该网络使用滑动窗口技术来实现高效数据流估计。我们发现，这种滑动窗口 BRNN 相比之前的基于块的前馈神经网络（FFNN）自编码器在所有检测的距离上都能显著降低误码率，从而增加传输距离。与 FFNN 接收器实现的基于两级脉冲幅度调制的最新 IM/DD 方案相比较，我们的结果表明，在训练更少的参数的情况下，SBRNN 在 42 和 84 Gb /s 下均优于这些系统。我们的新型 SBRNN 设计旨在为具有存储器的非线性信道（例如光学 IM/DD 光纤信道）的端对端深度学习系统进行定制。

Jan, 2019

本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响，提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征，比 LMMSE 方法的噪声估计质量更高。

Aug, 2022