- 汽车雷达干扰抑制的神经网络端到端训练
本文提出了一种用于频率调制连续波雷达相互干扰抑制的神经网络（NNs）训练方法，通过直接在目标检测地图上训练 NNs，以显著提高目标检测性能，并引入可分离卷积核来减少雷达应用中卷积 NN 架构的参数和计算复杂性。
- 无线编码缓存系统中的波束成形
通过集成波束成形和编码缓存策略，我们研究了一种无线传输网络架构，其中服务器使用多个天线向缓存节点广播内容，以为用户提供服务。该架构利用波束成形和编码缓存的优势，实现了在多播机会、干扰抑制和减少峰值回程流量方面的增益。我们还比较分析了这种联合 - 频谱呼吸：保护空中联邦学习免受干扰
该研究提出了一种名为 Spectrum Breathing 的方法用于保护在移动网络中分布式学习模型的有效性并降低干扰，该方法整合了随机梯度剪枝和扩频技术来达到最佳控制参数并实现收敛分析，在实验中表现出良好的性能。
- KDD用于雷达干扰抑制的量化神经网络
本文研究基于 CNN 的雷达信号去噪和抗干扰的量化技术，比较了不同网络结构和大小的量化潜力，并分析了由于雷达频率带干扰而导致的环境感知问题。
- CVPR基于残差过完备自编码块展开鲁棒 PCA 的汽车雷达干扰抑制
本研究提出了一种基于深度学习和展开式鲁棒主成分分析技术的自适应雷达干扰抑制方法，通过在递归式展开式鲁棒主成分分析技术中引入残余过完备自编码器块，实现了在干扰存在的情况下同时准确估计雷达目标的幅度和相位的效果。
- 用于汽车雷达干扰抑制的全卷积神经网络
本文提出了一种基于全卷积神经网络的 FMCW 雷达干扰抑制方法，改善了汽车场景下雷达传感器之间的干扰问题，同时开源了一个近似实际汽车场景的大规模数据集。
- 可重构智能表面辅助设备间通信
本文研究了在利用可重构智能表面（RIS）协助下，单基站上行通信网络场景的问题，其中移动用户和设备对之间的直接通信和反射一跳传播被利用。利用交替最大化的方法，我们将问题分解为两个子问题，即功率分配和相位移位，从而实现了干扰的缓解。
- MM基于多智能体深度强化学习的无线网络资源管理
本文提出了使用多智能体深度强化学习机制的分布式资源管理和干扰抑制方案。该框架通过使智能体作出决策，从而解决了干扰和资源分配的问题。模拟结果表明，这种方法具有比分散式基线更高的性能，在与集中式信息论基线相媲美的同时，模型的鲁棒性得到了验证。
- 使用卷积神经网络进行汽车雷达复杂信号去噪与干扰抑制
本研究旨在解决越来越多的雷达传感器在街道上部署时，存在的共存干扰问题。为此，研究提出了使用卷积神经网络（CNN）对数据进行去噪的方法，实验结果证明了该方法的优越性。因此，CNN 可以作为传统信号处理方法之外的一种干扰抑制方法，用于自动驾驶领 - 高通量卫星系统的信号处理：面临新的干扰限制场景挑战
本文介绍了卫星通信中非常高吞吐量卫星系统的信号处理技术的最新研究现状和挑战，重点关注高效干扰抑制的新方法，涉及地面、卫星和用户端的主要信号处理主题，以及支撑未来通信网络的关键组件，如认知卫星系统和缓存的卫星 - 地面回传链路。所有评估的技术 - 使用卷积神经网络识别无线干扰
本文提出了基于深度卷积神经网络的无线干扰识别方法，该方法在信噪比至少为 - 5 dB 时具有大于 95％的分类准确性，适用于 IEEE 802.11 b /g，IEEE 802.15.4 和 IEEE 802.15.1 网络的重叠频率通道。
- MM5G HETNETS 中的联合负载平衡和干扰抑制
本文研究了异质网络中负载均衡和干扰抑制问题，提出了一种基于随机优化的框架，动态调度宏基站用户、提供小基站的回传以及按照干扰和回传链路把宏基站用户卸载到小基站上。数值结果表明，所提出的用户关联算法优于其他基线，开放式全双工小单元的性能优于封闭