一个基于二维嵌入具体知识来设计的二维嵌入系统网络 (2D-RC) 方法，可用于在线子帧基础上的符号检测。通过在时延 - 多普勒（DD）域中具有 2D 结构来平衡信道，并且只需要一个神经网络进行检测。实验结果表明，2D-RC 方法在不同 OTFS 系统变体和调制序列中的效果显著。

Nov, 2023

该文介绍了一种新的二维调制技术，称为正交时频空调制。该技术在时延 - 多普勒域中设计，能够利用时间和频率的全部通道多样性，并将 OFDM 等调制信号经历的衰落、时变无线信道转换为具有基本恒定复杂信道增益的时间独立信道，从而消除了发射机适应性的需求，并大大简化了系统运行。模拟结果表明，在高多普勒、短数据包和 / 或大阵列系统中，OTFS 相对于 OFDM 可以至少提供几个分贝的误码率性能改进。

Aug, 2018

在本研究中，我们使用模拟结果验证了 Orthogonal-Time-Frequency-Space（OTFS）和 Orthogonal-Frequency-Division-Multiplexing（OFDM）之间的性能差异，并提出了基于深度神经网络（DNN）的自适应方案来优化均方误差（MSE）性能。通过观察信道条件、接收信噪比和调制格式，训练 DNN 分类器在发送器和接收器之间切换使用 OTFS 或 OFDM 信号处理链，仿真结果表明使用该方案可以显著提高通信的 MSE 性能。

Sep, 2023

本文提出了一种利用集成 (radar) 感知和通信技术 (ISAC) 辅助正交时间频率空间 (OTFS) 传输的方法，以便于在汽车通信系统中支持可靠的信息传输，并证明了其能够有效的降低训练开销和传输误差。

May, 2021

无人机在人类生活中越来越普遍，但同时也引发了安全方面的担忧，例如未经授权的访问和控制以及与有人飞机的碰撞和干扰。本文利用机器学习和射频检测技术，可以准确识别和区分不同的无人机类型和飞行模式，从而对扩大覆盖范围具有重大意义。通过研究发现，基于短时傅立叶变换（STFT）提取的二维特征可以包含时间域和频率域信息。结合使用 ResNet 结构的卷积神经网络（CNN）进行多类别分类，实验结果显示，提议的 ResNet-STFT 在扩展数据集上实现了更高的准确性和更快的收敛速度，并且在原始数据集上表现出较好的平衡性能。

Aug, 2023

本文提出了关于 OTA 计算的理论分析，探讨了在当前数字通信收发器中遇到的实际问题，如时间采样误差和符号间干扰（ISI），同时研究了减小 OTA 传输中的均方误差的方法。此外，我们还提出了一种基于深度神经网络的波形设计方法，以提升在时间采样误差和 ISI 条件下的 OTA 传输性能。通过仿真结果验证了理论分析并证明了设计脉冲相对于 RC 和 BTRC 波形的性能提升。为了便于测试结果而无需重新创建 DNN 结构，我们还提供了一些基于 DNN 的波形的曲线拟合参数。

May, 2024

本文介绍了一种基于结构的神经网络架构，名为 RC-Struct，用于 MIMO-OFDM 符号检测。RC-Struct 通过储备计算 (RC) 利用 MIMO-OFDM 信号的时域结构。一个二进制分类器利用系统中重复的星座结构进行多类检测。RC 的引入使 RC-Struct 可以在每个 OFDM 子帧中仅使用非常有限的导频符号纯在线学习。二进制分类器实现了宝贵的在线培训符号的高效利用，并允许轻松扩展到高阶调制，而不会大幅增加复杂度。实验表明，引入的 RC-Struct 在误比特率（BER）方面优于传统的基于模型的符号检测方法和现有的基于学习的策略。当采用等级和链路自适应时，RC-Struct 的优点比现有方法更为显着。引入的 RC-Struct 为 5G / 5G-Advanced 及其他领域的通信领域知识和学习 - based 接收处理的组合提供了启示。

Oct, 2021

基于深度学习的信道估计方案 (SisRafNet) 在正交频分复用（OFDM）系统中利用循环模型研究频率间信道的顺序行为，克服了传统的基于循环的方法存在的延迟和内存限制，提供了比现有深度学习信道估计技术更优异的性能，并在多个信噪比下验证了 3GPP 兼容信道场景的性能。

Jan, 2024

本文提出了一种迭代去噪方法，使用 2.5D 数据训练 3D 卷积操作以纠正点沿视角方向的位置，并使用自训练方法在标记数据稀缺的情况下在未标记的真实数据上进行训练，实验表明，该方法能够在多个数据集上胜过 SOTA 方法。

Nov, 2021

通过深度学习来解决频率选择性衰落以及噪声问题，从而实现在 OFDM 系统中的信道估计和信号检测。

Aug, 2017