本文研究二进制和正交相移键控超过 Nyquist 速率的序列估计问题，提出了两种基于连续干扰消除概念的低复杂度序列估计技术。首先找到了操作区域边界，其保证了在干扰和噪声状况下每个符号的理想估计。进一步提出了一种连续的 Go-Back-K 序列估计器 (SSSgbKSE)，使系统能够在保持复杂度低的同时提升估计精度。仿真结果表明，所提出的方法可以显著地提高数据速率和谱效率。

Dec, 2016

通过使用分数傅里叶变换（FrFT）进行时间频率信号处理，采用基于 Transformer 的神经网络（NN）突破了网络性能限制，精确估计了广泛范围内的线性和非线性失真，代表了光学性能监测领域的重要进展。

Aug, 2023

本文提出了一种基于深度学习的方案，以改进基于压缩感知技术的叠加信道状态信息反馈，包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度，并具有对参数变化的鲁棒性。

Mar, 2022

提出了一种新颖的 Fine-Tuned attribute Weighted Naive Bayes (FT-WNB) 分类器以用于室内定位系统中的 UltraWide Bandwidth 信号的 Line-of-Sight (LoS) 和 Non-Line-of-Sight (NLoS) 的识别，其性能比现有的最先进的机器学习方法在该场景下显著更好。

Apr, 2023

我们开发了机器学习方法，用于在存在突发脉冲噪声的信道中，通过状态转移矩阵的学习，实现数据驱动的栅格软符号检测，从而实现在无线数字广播系统和车载通信中的编码传输。

May, 2024

我们提出了一种少样本学习方法来适应新的干扰类别，通过使用各种正面和负面干扰类别进行模型表示的四重选择。此外，我们的四重选择方法根据随机性和认识性不确定性选择配对，以区分相似类别。在一个有八种干扰类别的高速公路数据集上，我们的少样本学习方法使用四重选择损失，在干扰源分类准确性方面表现优于其他少样本学习技术，达到 97.66%。

Feb, 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

本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道，通过从一个或多个不同步接入点（AP）获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位，达到厘米级中位距离误差的性能优化。

Sep, 2020

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

本文提出了两种新颖的低复杂度神经网络结构，用于对自干扰信号进行建模，以实现合适的自干扰消除并表现出较低的计算复杂度。模拟结果表明，这两种神经网络结构分别提供了 49.87% 和 34.19% 的复杂度降低，同时达到了多项式基准消除器相同的消除性能。

Sep, 2020