我们提出了基于深度学习压缩（DLC）模型 HQARF 的方法，该模型利用了学习的向量量化（VQ）来压缩由 6 个调制类组成的复杂值射频信号样本，以提高人工智能模型对射频信号调制类别推断的性能，并减少带宽和存储的使用以及实时应用的延迟。
Mar, 2024
本文研究了基于深度学习的 C-RAN 系统优化问题，提出了通过构建 DNN 模型来解决复杂的协作波束成型和前程量化问题，并验证了该方法的有效性。
Jul, 2021
本文介绍了一种名为 CECIL 的云端协同学习算法，利用深度神经网络优化 Fog 无线接入网络（FRAN）中的云端和边缘计算，以及前传接口。通过将云和边缘计算纳入联合优化框架，以及使用中央计算和分布式决策，并使用上下行前传协调来实现端到端的训练和去中心化的实时推断。
Mar, 2021
该论文提出了一种使用强化学习和深度符号回归来处理 5G 时代中超低时延和高吞吐场景下拥塞控制问题的方法。通过训练一个专门针对类似前传网络的拥塞控制策略，并采集基准策略的状态 - 动作经验，使用深度符号回归方法处理实时推理的挑战，从而实现基准策略的性能和泛化能力。该方法能够近似基准性能（链路利用率、延迟和公平性）并可以直接在任何编程语言中实现，并对闭合形式表达式的内部工作进行了分析。
提出基于压缩辅助的联邦学习问题，通过将其分解为子问题并基于协作博弈来有效分配无线资源，从而优化了 IoT 设备和服务器之间的通信，通过积极控制参与学习的设备数量，既可避免训练发散又能保持通信效率。
Jun, 2022
本文提出了一种基于联邦深度强化学习的算法，用于解决在 F-RAN 中动态计算卸载和资源分配问题，通过联邦学习，可以在保护用户隐私的同时，降低训练过程的计算复杂度，结果表明，该算法相对于其他现有策略，可以更快地实现更低的任务执行延迟和设备端能耗。
本文综合地研究了近年来前传受限云无线接入网络的最新进展，包括系统架构和关键技术，其中涉及缓解前传受限对用户的 SE /EE 和服务质量的影响的关键技术，包括压缩和量化、大规模协同处理和聚类以及资源分配优化。此外，本文还指出软件定义网络、网络功能虚拟化和部分集中化等方面存在的开放问题。
Mar, 2015
提出基于深度强化学习 (DRL) 的联合模式选择和资源管理方法，使用智能决策优化 C-RAN 和 D2D 模式下的无线和计算资源，旨在通过边缘缓存状态的动态优化长期减少系统能耗。在模拟中，将学习率和边缘缓存服务能力等参数的影响演示出来，并将该方案与其他不同的方案进行对比展示其有效性，并将迁移学习与 DRL 整合以加速学习过程。
Sep, 2018
研究了基于混合波束成形的云无线电接入网络中远程无线电头的模拟和数字部分的优化，考虑了理想和不完美的信道状态信息，使用加权下行总速率和网络能源效率最大化的目标进行联合优化，同时满足前传链路宽带限制、每个无线电头功率限制和射频波束成形矩阵常模约束，提出了块协调 下降算法。并探讨了不完美信道状态信息对性能的影响，应用采样平均近似扩展算法。 数值结果证实了所提出方案的有效性，表明所提出的算法对估计误差具有鲁棒性。
Feb, 2019
本文研究了云和边缘处理的联合设计，主要集中在设计优化 FRAN（Fog Radio Access Network）中的缓存管理和前传设计等核心问题，以最大化传输速率。
Jan, 2016