本研究提出了一种名为 Channelformer 的编码器 - 解码器神经网络架构，通过自注意机制实现输入预编码和输出通道估计，在保持性能基本不变的情况下大幅降低计算复杂度，并使用 5G NR 配置的在线训练方法来提高通道估计性能。

Feb, 2023

本文研究了利用机器学习，特别是神经网络方法来进行无线通信信道估计问题，并且针对正交频分复用信号的下行场景，采用一个通用的残差卷积神经网络进行了实现，且利用简单的插值层来替换其他网络中的转置卷积层，减少了计算成本。与其他深度学习方法相比，对于 3GPP 信道模型，我们提出的方法表现出更优的均方误差性能。

Jan, 2022

本文介绍了一种在计算机视觉中使用的名为 WaveNet 的基于小波变换的通道注意力机制，可有效提高特征保留能力和图像分类性能。

Nov, 2022

本研究论文扩展了端到端的框架，以包含麦克风阵列信号处理以进行噪声抑制和语音增强，并能够共同优化束形成和识别架构。实验结果表明，我们的多通道端到端系统在去噪和语音增强任务上表现更好。

Mar, 2017

本文提出了一种基于 Transformer 的块处理方法来解决整个输入序列必须用于计算自注意力的问题，并结合 MoChA 算法实现了在线自动语音识别系统，实验结果表明，相较于传统的块处理方法，该方法在 WSJ 和 AISHELL-1 数据集上表现更加优异。

Oct, 2019

该论文提出了在频域进行特征分解以解决通道表示问题的方法，使用多光谱通道注意力机制来实现通道压缩，并在图像分类、物体检测和实例分割任务上取得了优异的效果。

Dec, 2020

本研究提出了一种新的频率增强通道注意力机制，可以自适应地建模通道之间的频率相互依赖关系，避免傅里叶变换中出现的问题性周期性引起的高频噪声，目的是改善当前主流网络的预测能力，并显示出良好的性能。

Dec, 2022

本文介绍了使用深度神经网络中的递归神经网络和卷积神经网络等措施来实现注意力机制，以解决多元随机变量富含联合分布的结构化输出问题。通过典型任务如机器翻译、图像字幕生成、视频片段描述和语音识别实验，系统展示了很好的性能。

Jul, 2015

我们使用学习到的注意模型和适用于无线电领域的空间变换引入新的适当变换，通过优化分类精度、稀疏表示和正则化来学习一个定位网络，能够在零知识下对无线电信号进行盲同步和标准化，从而在信噪比方面胜过不带注意力机制的相同系统。

May, 2016

本文提出一种基于双注意力通道估计网络 (DACEN) 的低密度导频实现精准通道估计的方法并运用参数 - 实例转移学习方法进行实现，并在公共数据集上验证其效果。结果表明，与现有方法相比，该方法具有更高的估计准确性。

Mar, 2023