该研究提出了一种基于深度学习技术的 SIC 检测器，命名为 SICNet，它通过使用深度神经网络，通过软信息推断干扰符号，而不是像经典 SIC 那样使用硬决策解码器，因此，SICNet 在不需要先验知识的情况下可靠地检测了非正交系统下向下链路中的叠加符号。SICNet 还学会了生成准确的软输出，从而在柔性输入纠错解码方面比基于模型的 SIC 更加优秀。同时，该论文还提出一种适用于在线数据的 SICNet 在线训练方法，在更加实际的 CSI 不确定性情况下，SICNet 比其模型驱动的同行具有更少的 CSI 不确定性。

Jul, 2022

使用机器学习方法提出了一种数据驱动的多用户 MIMO 接收机，称为 DeepSIC，它不需要具体的通道模型或信道状态信息并且能够有效地检测多个符号，尤其是能够在非线性通道中很好地工作。

Feb, 2020

在本文中，我们提出了一种名为 SICNN 的基于神经网络（NN）的等化方法，它通过模型的深度展开，在消除了模型方法的主要缺点的同时，还实现了对传统通信系统中的等化性能的显著提升。

Aug, 2023

本研究提出使用条件生成对抗网络模拟信道影响来优化端到端通信系统，解决了信道状态信息难以获取的问题，并在多种信道中得到有效验证。

Mar, 2019

本文提出了使用深度神经网络的端到端通信系统，并使用条件生成对抗网络表示了通道效应，从而构建了一种不需要先前信息的通道不可知的端到端系统。

Jul, 2018

该论文提出了一种新颖的抗干扰技术 —— 语义干扰消除（SemantIC），用于提高第六代无线网络的信息质量。SemantIC 只需要接收器将信道译码器与语义自编码器级联，从网络信息理论的角度来看，语义自编码器的神经网络通过训练存储副信息，并在迭代解码中提供副信息，作为 Wyner-Ziv 定理的一种实现。仿真结果验证了 SemantIC 的性能改进，而不需要额外的信道资源成本。

Oct, 2023

该研究提出了使用生成式渠道建模从信道输入输出测量中学习统计信道模型来代表现场数据，使用 MIMO - GAN 模型将无线信道隐式建模成时域带限脉冲响应分布，评估结果表明在捕获電力、时差和空间相关性统计方面具有高一致性，尤其是平均时延误差小于 3.57ns，功率损失在 - 18.7db 以内。

Mar, 2022

提出了一个深度学习框架来解决基于反射式智能表面的集成感知与通信系统中的信道估计问题，模拟结果表明这种方法比基准方案在不同信噪比条件和系统参数下具有优势。

Jan, 2024

利用离散傅里叶变换位移定理和多径互易的物理原理，本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案，并结合迭代收缩阈值算法网络（ISTA-Net）架构。通过数值实验结果表明，本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。

Mar, 2024

语义通信在增强数据传输效率方面具有很大潜力。本文针对干扰情景与基准方案进行了比较研究，提出了一种抗干扰的语义通信方案。该方案基于神经网络（NNs）开发了收发机，它可以单独在接收端或发送端和接收端都集成信道状态信息（CSI）。我们还建立了一个综合损失函数来训练 IRSC 收发机，并采用动态机制来更新损失函数中各个部分的权重，以提高系统对用户的公平性。实验结果表明，所提出的 IRSC 方案能有效地学习抑制干扰，在低信噪比（SNR）环境中优于基准方案。

Apr, 2024