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

研究了干扰源识别问题，应用深度学习算法识别 Bluetooth，Zigbee 和 WiFi 三种无线技术的 15 个信道，通过优化 CNN 网络的训练，可在保证分类准确率的前提下将训练时间缩短至原先的大约 1/30。

May, 2019

该研究利用深度学习进行检测，通过提出一种双向递归神经网络（SBRNN）的技术，能够在不知道通道模型的情况下进行检测，且在分子通信系统中表现出良好的性能。

Jan, 2018

本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

Sep, 2019

本研究提出了一种使用深度学习减少雷达信号干扰的新方法，该方法在各种干扰条件下表现良好，并且具有低的处理时间和比传统的信号处理方法更好的性能。

Mar, 2019

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

本文介绍了针对非线性数字自干扰（SI）的神经网络 SI 抵消器的硬件架构，并将其与传统的基于多项式的 SI 抵消器的硬件实现进行了比较，结果表明，深度神经网络抵消器的硬件效率高达 312.8 Msamples/s/mm^2，能效高达 0.9 nJ/sample，分别比多项式 SI 抵消器提高了 2.1 倍和 2 倍，说明在通信中应用基于 NN 的方法不仅在性能上有用，而且还能有效地降低实现复杂度。

Jan, 2020

本研究提出了一种在线训练框架，用于快速适应于任何通道变化，以保持模型的最佳性能，该框架将最新的深度展开方法与对抗生成网络相结合，以捕获通道的任何变化并迅速调整网络，在高动态通道上显著优于最近的神经网络模型，并在我们的实验中甚至超过静态通道的性能。

Aug, 2022

使用深度学习和 RF 领域特征提取的双阈值检测方法，通过提取 PSS 相关性和 EPNRE 特征，用于区分正常和受干扰的 5G 信号，进一步优化了训练和检测效果，并通过实际测试结果验证了 DT-DDNN 的性能。

Mar, 2024

本研究演示了通过深度学习和软件无线电实现完全由神经网络构成的通信系统，并使用两阶段学习方法应对训练过程中的不可导问题。

Jul, 2017