本文提出了一种基于深度学习的资源分配机制，使得 LTE-LAA 小基站可以在与 WLAN 网络和其他 LTE-LAA 运营商公平竞争的情况下，实现动态选择频道，载波聚合和分数谱访问。该机制可以解决频谱稀缺的问题，避免 LTE-LAA 网络在低峰期内频谱利用率不足跟上未来的数据需求。实验结果表明，与传统反应式方法和比例公平机制相比，该方案可以使总服务 LTE-LAA 流量负载提高 28% 和 11%。

Feb, 2017

本研究介绍了在语义感知的范式下，如何通过资源分配决策来优化利用公平度的权衡，同时考虑到用户数据相关性。通过引入自我和协助吞吐量的概念，提出了一种新的无线频谱多接入问题的解决方法，利用 α 公平度度量优化。通过单信道和多信道的场景评估，发现在各种 α 值、关联矩阵和信道条件下，SAMA-D3QL 方法都表现优于其他方法，从而为未来联邦动态应用的实现提供了有希望的候选方案。

Jan, 2024

该研究介绍了一种基于深度学习分类的频谱感知方法，通过对接收信号功率进行归一化处理来克服噪声功率不确定性，使用尽可能多的信号类型和噪声数据训练模型，使得训练的网络模型能够适应未经训练的新信号，并使用迁移学习策略来改进实际信号的性能，实验证明该方法的性能超过了传统的频谱感知方法，并且适应不同类型的新信号，对于彩色噪声有更优越的检测性能。

Sep, 2019

本文介绍了利用人工神经网络进行自主分布式的次级网络的控制策略，并通过预测次级网络对主网络的干扰来解决干扰限制和认知无线电之间的信息交流等问题，以实现更精细的下层传输功率控制和更高的传输机会。

Jun, 2018

本文研究了基于联邦学习的可靠安全的认知无线电环境中的频谱感知方法，探讨了联邦学习在频谱感知中的动机、架构和算法，概述了这些算法的安全和隐私威胁以及可能的对抗方法，提供了一些举例，并给出了未来 CR 中基于联邦学习的频谱感知设计建议。

Mar, 2023

提出了一种无监督学习辅助的新的频谱分配策略，其中考虑了自适应子带宽，能够将感兴趣的频谱划分为带宽不均的子带，减少了用户之间分子吸收损耗的差异，进而提高数据传输速率性能。在该策略中，首先提出了一个优化问题以确定最佳子带宽度和发射功率，然后提出了无监督学习方法以获得该问题的接近最优解。结果表明，相对于现有方法，我们提出的无监督学习方法可以获得更高的数据传输速率，尤其是在感兴趣的频谱内分子吸收系数变化非常非线性的情况下。

Aug, 2022

通过利用混合软行为者评论家算法的多智能体强化学习方法，实现了动态频谱访问中联合频谱感知和资源分配的优化，以最大化网络的通信速率，并在实验中验证了该算法在增加频谱资源利用率、限制对主网络干扰方面优于现有技术。

Apr, 2024

本文提出了一种基于深度强化学习的方法，用于共享主要用户和次要用户之间的频谱，并设计了一组空间部署的传感器节点以帮助感知无线环境中的接收信号强度信息，从而使得次要用户可以与主要用户有效地交互以达到传输数据的设定目标状态。

Dec, 2017

通过多用户多天线下行系统，提出一种联合天线选择和预编码设计算法以最大化系统总速率，然而求解复杂度受限，故采用一种基于深度神经网络的学习式算法以提高处理速度、保持性能。

Jan, 2021

本文提出了一种基于最近性探索的频谱感知策略，用于认知无线电网络中的多频带动态频谱访问，并且在频带动态的 Gilbert-Elliot 模型下，该策略指数化维护了频带的状态，并且能够在低复杂度下比其他现有的政策提供更好的性能。

Sep, 2017