本文主要研究了 BCJRNet 算法在不同类型的信道条件下的性能表现，发现 BCJRNet 在学习噪声信道数据和存在不完美信道衰减特性的情况下，在稳定传输场景中显著优于传统的 BCJR 算法。然而，在信道快速变化的情况下，这种优势会逐渐减弱。此外，研究还发现传统的 BCJR 算法和 BCJRNet 算法都对内存假设非常敏感，在衰减缓慢的信道中，对内存估计的低估会严重降低它们的性能。最后，我们还结合了信道衰减和内存知识的不完美性，发现传统的 BCJR 算法在被低估内存条件下具有更好的性能，而 BCJRNet 算法则在准确内存知识水平提高时表现出持续改进的性能。

Jan, 2024

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学习的低开销信道估计方法，在超密集网络的协调波束赋形中使用，可以通过人工神经网络在线推导出不同波束赋形的质量，从而替换需要大量的导频辅助信道估计，多个基站联合同时学习并增加候选波束，实现更好的性能。实验结果显示，在具有 20 个波束赋形的设置中，该方案的准确率可达 99.74％。

Apr, 2017

本研究提出一种基于序列自编码收发器的双向深度循环神经网络（BRNN)，该网络使用滑动窗口技术来实现高效数据流估计。我们发现，这种滑动窗口 BRNN 相比之前的基于块的前馈神经网络（FFNN）自编码器在所有检测的距离上都能显著降低误码率，从而增加传输距离。与 FFNN 接收器实现的基于两级脉冲幅度调制的最新 IM/DD 方案相比较，我们的结果表明，在训练更少的参数的情况下，SBRNN 在 42 和 84 Gb /s 下均优于这些系统。我们的新型 SBRNN 设计旨在为具有存储器的非线性信道（例如光学 IM/DD 光纤信道）的端对端深度学习系统进行定制。

Jan, 2019

本文介绍了一种基于深度学习的局部基站信道状态信息推断的方法，并采用基于模型的方法推导了远程信道状态信息推断的 Cramér-Rao 下限。研究结果表明当利用多个基站数据时，基于深度学习的方法推断误差呈现更大的幂次函数衰减率，可以获得更高的准确率，该方法在一个包含 CSI 的射线跟踪模拟器中可以达到 90% 的准确性。

Dec, 2018

本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。

Sep, 2020

本研究提出了一种基于 RSSI 的无监督深度学习方法来设计大规模 MIMO 系统中的混合波束成形，并通过适当的 CSI 反馈显著提高了频分双工 FDD 通信中的谱效率，并且提出了一种用于初始接入 IA 的同步信号 SS 以及用于模拟前置器的代码本的方法。

Jun, 2020

本论文提出了一种基于模型推导和数据驱动深度学习相结合的混合驱动学习体系结构，用于联合估计和学习通道特性，在智能反射平面辅助的多用户多输入单输出系统中进行上行宽带通道估计，采用残余学习的近似消息传递作为模型驱动网络，数据驱动网络中使用降噪和注意力网络来共同学习空间和频率特征。数值结果表明，所提出的混合驱动信道估计方法在智能反射平面辅助系统中显著优于现有的基于深度学习的方案，并在多层数字设计中实现了网络复杂度的降低。

May, 2023

该研究提出了一种可训练的点对点通信系统，其中发射机和接收机均实现为神经网络，通过比特互信息训练并联结实用的比特度量译码接收机，同时联合优化星座图造型和标注，通过完全可微分的神经网络迭代解调和解码结构，在不修改任何条件的情况下处理任意通道，采用软件定义无线电实现并训练了端到端系统，实验结果表明，与传统技术相比，该方法具有显著的性能优势。

Nov, 2019

本文研究了使用数据驱动的深度学习方法分离观测到的两个混合通信信号的潜力。我们提出了一种基于非平稳特征的领域知识驱动神经网络设计，能够通过精确同步信号和干扰信号获得显著的性能提升，其结果突出了通信特定领域知识在数据驱动方法的发展中所起到的关键作用。

Sep, 2022