本文提出一种结合深度迁移学习和元学习的算法，以预测频分双工大规模多输入多输出系统下行信道状态信息 (CSI)。模拟结果表明，该算法在新环境中具有更好的表现，且元学习算法比直接迁移算法具有更高的预测准确性和稳定性。

Dec, 2019

本研究提出一种基于深度学习框架的混合波束成形和通道估计方法，使用三个卷积神经网络设计混合波束和估计通道信息，不需要即时反馈 CSI，并具有比传统技术更高的频谱效率和更低的计算复杂度。

Jun, 2020

本文中，我们研究了使用单相不相干方案进行大规模机器型通信（mMTC）中的关节设备活动和数据检测，其中数据位嵌入到导联序列中，基站同时检测活动设备及其嵌入的数据位而无需显式通道估计；针对非相干传输方案引入的相关稀疏性模式，传统的幅度估计传输（AMP）算法无法达到令人满意的性能，因此，我们提出了一种深度学习修改的 AMP 网络（DL-mAMPnet）。DL-mAMPnet 通过有效利用导联活动相关性来增强检测性能。DL-mAMPnet 通过将 AMP 算法展开为前馈神经网络来构建，将 AMP 算法的原理数学模型与强大的学习能力相结合，从而使两种技术的优势得到了发挥。DL-mAMPnet 引入了可训练参数来近似相关稀疏性模式和大规模衰落系数。此外，设计了一种细化模块，通过利用相关稀疏性模式引起的空间特性进一步提高性能。仿真结果表明，所提出的 DL-mAMPnet 在符号误差率性能方面可以显著优于传统算法。

Jan, 2023

利用深度卷积神经网络和生成对抗神经网络来利用上行 CSI 推断下行 CSI，实现无需反馈的数据驱动方案，以发现信道状态信息用于有效分配无线资源，在 FDD 通信中准确推断数据。

Dec, 2018

本文提出了一种基于深度学习的方案，以改进基于压缩感知技术的叠加信道状态信息反馈，包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度，并具有对参数变化的鲁棒性。

Mar, 2022

本文以 IEEE 802.11ah 标准为对象，针对基于传统方法和机器学习方法的数据包检测和载波频率偏移估计方法进行了性能和复杂度分析。

Apr, 2020

该研究利用深度学习进行检测，通过提出一种双向递归神经网络（SBRNN）的技术，能够在不知道通道模型的情况下进行检测，且在分子通信系统中表现出良好的性能。

Jan, 2018

通过利用深度学习技术，该研究论文提出了一种新颖的模型结构，其中包括两个部分，第一部分旨在识别与环境无关的特征，而第二部分将这些特征与特定的环境结合起来以实现定位目标。该文研究发现，采用多环境元学习方法可以显著提高在新目标环境中用户设备定位的准确性及其不确定性估计的可靠性，且优于传统的迁移学习方法。

May, 2024

本文介绍了一个用于读取无芯片 RFID 传感器标签的鲁棒性方法，首次应用机器学习和深度学习回归建模技术，通过大规模机器人测量从定制的 3 位无芯片 RFID 传感器标签中获取的雷达截面积（RCS）数据集。通过自动化数据采集方法和一维卷积神经网络，实现了对 9600 个电磁 RCS 签名进行训练和验证，报告了鲁棒性检测标识和传感数据的端到端设计和实现方法，并首次报道了标签表面形状、倾斜角度和读取范围变化对模型的影响。结果显示，所有模型都能很好地推广到给定数据，但一维卷积神经网络模型在检测标识和传感数值方面表现优于传统的机器学习模型，最佳一维卷积神经网络模型结构在标签 ID 和电容式传感方面的均方根误差较低，分别为 0.061（0.87%）和 0.0241（3.44%）错误。

Aug, 2023

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