本篇文章探讨了基于深度学习的无线通信的两种主流方法：基于深度学习的架构设计和基于深度学习的算法设计。旨在鼓励更多的智能无线通信研究和贡献。

Jul, 2020

本文讨论了智能无线通信、认知无线电、机器学习技术的发展，以及它们在提高动态无线环境下的频谱和能量效率方面的作用和现实应用，并且指出了认知无线电和机器学习在现有和未来无线通信系统中面临的进一步研究挑战。

Oct, 2017

介绍了基于深度学习的物理层处理的新兴研究，包括基于深度学习重新设计传统通信系统的模块（用于调制识别，信道译码和检测）并将通信系统替换为基于自动编码器的全新架构。

Oct, 2017

该文章回顾了最近在物理层通信中使用模型驱动深度学习方法的应用，包括传输方案、接收机设计和信道信息恢复，并在展示全面调查后，提出了若干进一步研究的开放问题。

Sep, 2018

本文综述了基于深度学习的 5G 通信方案的发展，并提出了高效的深度学习方案，探讨了非正交多址接入（NOMA）、海量多输入多输出（MIMO）和毫米波（mmWave）的通信框架，并展示了它们卓越的表现。本文的创新点在于深度学习技术在无线物理层框架中的优化方法为通信理论开辟了新的方向。

Apr, 2019

研究了一种基于深度学习的有限反馈方法，通过神经网络替代了包括导频辅助通道训练过程、通道码本设计和波束形成向量选择在内的端到端有限反馈过程，并训练神经网络以产生二进制反馈信息和高效的波束形成向量，以最大化有效信道增益，与传统的有限反馈方案相比，所提出的深度学习方法在降低计算复杂度的同时，显示了 1 dB 的符号误差率（SER）增益。

Dec, 2019

论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017

本文提出了一个深度学习框架，用于大型智能表面辅助大规模 MIMO 系统中的通道估计，其核心是双卷积神经网络结构，用于估计直接和级联信道，结果表明该方法性能优越。

Jan, 2020

本文阐述了在 5G 和 B5G 网络的资源调度问题上应用深度学习模型的相关体系结构和数据训练程序，并提供了现有基于深度学习模型在无线网络资源分配问题方面的最新研究进展。同时，介绍了一种基于监督学习的深度学习模型，在多小区网络中解决子带和功率分配问题。使用遗传算法生成的数据，首先根据数据训练模型，然后测试所提出的模型的准确性，仿真结果表明，训练的深度学习模型可以在 86.3％的时间内提供期望的最优解。

Aug, 2018

本文利用深度学习方法，通过卷积神经网络对在毫米波多重输入多重输出系统中频率选择性宽带通道的信道估计和混合波束成型进行了研究。该方法相对于当前最先进的优化和深度学习方法，提供更高的频谱效率，较少的计算成本和更少数量的导频信号，并且在接收导频数据，损坏的信道矩阵和传播环境偏差方面具有更高的容忍度。

Dec, 2019