该论文介绍了可重构智能表面（RIS）的应用，重点在于解决无覆盖区域的问题，并提出了一种基于深度强化学习的解决方案，名为 D-RISA，通过该方案能够实现最优的 RIS 部署。在法国雷恩火车站的室内场景中验证了该框架，与现有方法相比，该框架展示了更好的覆盖，即最小信噪比提高 10 dB，计算时间更短（高达 25％），并提高了对更密集网络部署的可扩展性。

Oct, 2023

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

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

在单个和多个干扰者的无线电频率干扰的情况下，研究了名为 DeepSC 的文本 SemCom 系统的性能极限，并通过引入一个明确的概率框架来展示，当单个和多个干扰者的 RFI 功率变得非常大时，DeepSC 会产生语义上不相关的句子。这些性能极限提供了有关 IR2 SemCom 设计的设计思路，并揭示了 DeepSC 和 SemCom 对 RFI 的漏洞，同时还启发了其他文本 SemCom 技术的性能分析。

Feb, 2023

本文提出了使用深度学习方法在室内通信环境中进行无线配置可重构智能面（RIS）的方法，通过深度神经网络实现从用户位置的坐标到 RIS 单元格的配置之间的映射，成功地提高了信号传输速率和用户位置的接收信号强度。

May, 2019

该论文提出了一种基于端到端深度神经网络结构的图像传输方法，利用现场可编程门阵列（FPGA）在实时无线信道上实现了原型测试，结果表明该系统在使用流行的 CIFAR-10 数据集时，比传统 256 正交幅度调制系统在低信噪比情况下表现更好。本文是第一篇使用视觉变换器实现和研究实时语义通信的工作。

May, 2022

本文提出了一种新的神经网络语义通信系统，包括语义编码网络和数据适应网络，通过传输学习中的域适应技术实现了针对动态数据环境下的任务不可知的图像传输，实验结果表明该方法在保持高性能的同时也能适应可观测数据集。

Apr, 2022

本研究提出了一种基于深度神经网络和迁移学习的语义通信系统，名为 MR_DeepSC，此系统解决了多用户情况下应用语义通信的问题，并在低信噪比条件下实现了最佳性能。

Sep, 2022

本文研究了一种低复杂度的反射智能表面的相位配置算法，利用监督学习的方法构建多层感知神经网络来快速计算反射表面的相位，并通过模拟实验验证了该算法对网络性能提升的有效性。

Oct, 2020

通过扩散模型和深度强化学习（DRL）构建的 DiffuSeC 系统，解决了语义攻击中的安全问题，并且在不稳定的信道环境下展现出更高的鲁棒性和能够根据信噪比（SNR）迅速调整模型状态的能力。

Oct, 2023