本文提出了深度学习辅助的深度空间多路复用多输入多输出传输索引调制数据检测方法 (Deep-SMX-IM)，它通过结合零强制检测器和深度学习技术构建。此方法利用深度学习技术学习频率和空间域的传输特性，同时通过索引调制提供的子块检测，显示出降低计算复杂度的优势，并且在不增加计算复杂度的情况下比零强制检测器有更好的误码性能。

Feb, 2022

通过深度学习来解决频率选择性衰落以及噪声问题，从而实现在 OFDM 系统中的信道估计和信号检测。

Aug, 2017

本文提出了一种基于深度复数卷积网络 (DCCN) 的方案，用于从时域 OFDM 信号中恢复位，该方案利用 OFDM 波形的循环前缀 (CP) 以增加信噪比，并具有将 CP 利用，信道估计和 ISI 抑制相结合的优点。实验结果表明，DCCN 接收机在各种时延扩展和移动性的 Rayleigh 衰落信道中的性能优于传统方法。此外，以复数卷积层的实现为背景，为无线 PHY 设计和分析卷积网络提供了精确和近似实现的指南。

Oct, 2018

本文提出了一种基于深度学习与专家知识相结合的模型驱动的正交频分复用接收器，采用逐块信号处理方法，在通道估计和信号检测子网中构建 DNN，相比于传统的简单解法 (LMMSE)，提供更精确的通道估计和更高的数据恢复精度，模拟结果进一步证明了该方法在信噪比和计算复杂性上优于 FC-DNN。

Oct, 2018

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

通过神经网络进行频域外推，实现 DL 信道状态信息的准确性推测，不需要进行频繁的 PILOT 信号发送，与传统 TDD 信号相比具有可比性，可大幅提升频谱效益。

Jan, 2019

本研究使用卷积神经网络 (CNN) 设计高精度低复杂度信号检测器，通过利用通道矩阵的带状结构来提高性能，该 CNN 检测器在不同系统尺寸上表现出良好的自适应性并克服了深度学习中普遍存在的维数灾难问题。实验结果表明，与传统的深度神经网络和现有的基于模型的检测器相比，该 CNN 检测器在精度和计算时间上均表现出更好的性能，适用于具有大尺寸或宽频带的系统，并且可以轻松地扩展到近带线性系统。

Sep, 2018

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

本研究提出了一种新的深度学习方法，即使用另一个神经网络（超网络）来生成基于神经网络的检测器的权重，以解决多输入多输出系统的最优符号检测问题，并且能够在不需要重新训练的情况下实现接近最先进性能的结果。

Feb, 2020