在空中杂种大规模多输入多输出（MIMO）和正交频施加多路复用（OFDM）系统中，如何设计具有有限的飞行员和反馈开销的光谱效率宽带多用户混合波束，这是具有挑战性的。为此，通过将关键传输模块建模为端到端（E2E）神经网络，本文提出了一个数据驱动的深度学习（DL）基于时间划分双工（TDD）的基于数据驱动的深度学习（DL）的统一混合边际框架和具有隐式通道状态信息（CSI）的频分隔双链（FDD）系统。对于TDD系统，提出的基于DL的方法共同对上行链路飞行员组合和下行链路混合光束模块作为E2E神经网络。在FDD系统中，我们将下行链路飞行员传输，上行链路CSI反馈和下行链路混合光束形成模块作为E2E神经网络建模。与分别处理不同模块的常规方法不同，提出的解决方案同时以总和速率作为优化对象优化了所有模块。因此，通过感知空对地面大规模MIMO-OFDM通道样本的固有属性，基于DL的E2E神经网络可以建立从通道到波束形式的映射函数，以便可以避免使用显式通道重建，以减少飞行员和反馈开销。此外，实用的低分辨率相变（PSS）引入了量化约束，从而导致训练神经网络时棘手的梯度反向传播。为了减轻阶段量化误差引起的性能损失，我们采用转移学习策略，以基于假定理想的无限分辨率PSS的预训练网络来进一步调整E2E神经网络。数值结果表明，我们的基于DL的方案比最先进的方案具有相当大的优势。

可重新配置的智能表面（RIS）可以显着增强TERA-HERTZ大量多输入多输出（MIMO）通信系统的服务覆盖范围。但是，获得有限的飞行员和反馈信号开销的准确高维通道状态信息（CSI）具有挑战性，从而严重降低了常规空间分裂多次访问的性能。为了提高针对CSI缺陷的鲁棒性，本文提出了针对RIS辅助TERA-HERTZ多用户MIMO系统的基于深度学习的（DL）基于速率的多访问（RSMA）方案。具体而言，我们首先提出了基于DL的混合数据模型驱动的RSMA预编码方案，包括RIS的被动预编码以及模拟主动编码和基本站（BS）的RSMA数字活动预码。为了实现RIS的被动预码，我们提出了一个基于变压器的数据驱动的RIS反射网络（RRN）。至于BS的模拟主动编码，我们提出了一个基于匹配器的模拟预编码方案，因为BS和RIS采用了Los-Mimo天线阵列结构。至于BS的RSMA数字活动预码，我们提出了一个低复杂性近似加权的最小均方误差（AWMMSE）数字编码方案。此外，为了更好地编码性能以及较低的计算复杂性，模型驱动的深层展开的主动编码网络（DFAPN）也是通过将所提出的AWMMSE方案与DL相结合的。然后，为了在BS处获得准确的CSI，以实现提高光谱效率的RSMA预编码方案，我们提出了一个CSI采集网络（CAN），具有低飞行员和反馈信号开销，下行链接飞行员的传输，CSI在此处使用CSI的CSI反馈。 （UES）和BS处的CSI重建被建模为基于变压器的端到端神经网络。

混合模拟和数字波束成形收发器在解决下一代毫米波（MM波）大规模MIMO（多输入多输出）系统中的昂贵硬件和高训练开销的挑战。然而，在混合架构中缺乏完全数字波束成形和MM波的短相干时间对信道估计施加了额外的约束。在解决这些挑战的前提是，主要集中在窄带信道上，其中采用基于优化的或贪婪算法来导出混合波束形成器。在本文中，我们介绍了用于频率选择，宽带MM波系统的信道估计和混合波束形成的深度学习（DL）方法。特别地，我们考虑大规模的MIMO正交频分复用（MIMO-OFDM）系统，并提出包括卷积神经网络（CNN）的三种不同的DL框架，其接受接收信号的原始数据作为输入和产生信道估计和混合波束形成器在输出。我们还介绍了离线和在线预测方案。数值实验表明，与目前的最先进的优化和DL方法相比，我们的方法提供了更高的频谱效率，较小的计算成本和更少的导频信号，以及对接收的导频数据中的偏差较高的差异，损坏的信道矩阵和传播环境。

6G无线网络可以预见，以加快物理和网络世界的融合，并以我们部署和利用通信网络的方式实现范式换档。机器学习，尤其是深度学习（DL），将通过提供具有高水平智能的网络的新范式来成为6G的关键技术推动力之一。在本文中，我们介绍了一种新兴的DL体系结构，称为Transformer，并讨论了其对6G网络设计的潜在影响。我们首先讨论变压器和经典DL体系结构之间的差异，并强调变压器的自我发挥机制和强大的代表能力，这使其在应对无线网络设计的各种挑战方面特别有吸引力。具体而言，我们提出了基于变压器的解决方案，用于大规模多输入多输出（MIMO）系统和6G网络中的各种语义通信问题。最后，我们讨论了基于变压器的解决方案中的关键挑战和开放问题，并确定未来在智能6G网络中部署的研究方向。

在带有频划分双链体（FDD）的常规多用户多用户多输入多输出（MU-MIMO）系统中，尽管高度耦合，但已单独设计了通道采集和预编码器优化过程。本文研究了下行链路MU-MIMO系统的端到端设计，其中包括试点序列，有限的反馈和预编码。为了解决这个问题，我们提出了一个新颖的深度学习（DL）框架，该框架共同优化了用户的反馈信息生成和基础站（BS）的预编码器设计。 MU-MIMO系统中的每个过程都被智能设计的多个深神经网络（DNN）单元所取代。在BS上，神经网络生成试验序列，并帮助用户获得准确的频道状态信息。在每个用户中，频道反馈操作是由单个用户DNN以分布方式进行的。然后，另一个BS DNN从用户那里收集反馈信息，并确定MIMO预编码矩阵。提出了联合培训算法以端到端的方式优化所有DNN单元。此外，还提出了一种可以避免针对可扩展设计的不同网络大小进行重新训练的培训策略。数值结果证明了与经典优化技术和其他常规DNN方案相比，提出的DL框架的有效性。

由于其低复杂性和鲁棒性，机器学习（ML）吸引了对物理层设计问题的巨大研究兴趣，例如信道估计。通道估计通过ML需要在数据集上进行模型训练，该数据集通常包括作为输入和信道数据的接收的导频信号作为输出。在以前的作品中，模型培训主要通过集中式学习（CL）进行，其中整个训练数据集从基站（BS）的用户收集。这种方法引入了数据收集的巨大通信开销。在本文中，为了解决这一挑战，我们提出了一种用于频道估计的联邦学习（FL）框架。我们设计在用户的本地数据集上培训的卷积神经网络（CNN），而不将它们发送到BS。我们为常规和RIS（智能反射表面）开发了基于流的信道估计方案，辅助大规模MIMO（多输入多输出）系统，其中单个CNN为两种情况训练了两个不同的数据集。我们评估噪声和量化模型传输的性能，并表明所提出的方法提供大约16倍的开销比CL，同时保持令人满意的性能接近CL。此外，所提出的架构表现出比最先进的ML的估计误差较低。

通过大量多输入和多重输出实现的许多性能增长取决于发射机（基站）下链路通道状态信息（CSI）的准确性，这通常是通过在接收器（用户终端）估算并馈入的。到发射器。 CSI反馈的开销占据了大量的上行链路带宽资源，尤其是当传输天线数量较大时。基于深度学习（DL）的CSI反馈是指基于DL的自动编码器的CSI压缩和重建，并且可以大大减少反馈开销。在本文中，提供了有关该主题的最新研究的全面概述，首先是在CSI反馈中广泛使用的基本DL概念，然后对一些现有的基于DL的反馈作品进行分类和描述。重点是新型的神经网络体系结构和沟通专家知识的利用来提高CSI反馈准确性。还介绍了有关CSI反馈和CSI反馈与其他通信模块的联合设计的作品，并讨论了一些实际问题，包括培训数据集收集，在线培训，复杂性，概括和标准化效果。在本文的最后，确定了与未来无线通信系统中基于DL的CSI反馈相关的一些挑战和潜在的研究方向。

最近，受到许多领域的成功应用程序的启发，深度学习（DL）的CSI获取技术已获得了学术界和行业的大量研究兴趣。考虑到第五代（5G）新无线电（NR）网络的实际反馈机制，我们提出了针对CSI（AI4CSI）的两个实施方案，基于DL的接收器和端到端设计。根据光谱效率（SE），反馈开销和计算复杂性，在5G NR网络中评估了提出的AI4CSI方案，并与遗产方案进行了比较。为了证明这些方案是否可以在现实生活中使用，在我们的研究中使用了基于建模的基于建模的通道数据和实际测量的通道。当仅将基于DL的CSI采集应用于接收器几乎没有空气接口影响时，它在适度的反馈开销水平下提供了大约25 \％的SE增益。在5G演变过程中，将其部署在当前的5G网络中是可行的。对于基于端到端DL的CSI增强功能，评估还证明了其在SE上的额外性能增长，与基于DL的接收器相比，为6％-26％，与传统CSI方案相比，其33％-58％ 。考虑到其对空气接口设计的巨大影响，它将是第六代（6G）网络的候选技术，其中可以使用人工智能设计的空气界面。

无细胞大规模MIMO（CF-MMIMO）系统代表了提高无线通信系统的光谱效率的有希望的方法。然而，接近最佳波束成形解决方案需要在接入点（AP）和网络控制器（NC）之间的大量信令交换。在这封信中，我们提出了两个无监督的深度神经网络（DNN）架构（DNN）架构，完全和部分分布，可以在全数字和混合预编码之间进行分散的协调波束成形，其在AP和NC之间进行零或有限的通信开销。与传统的近最佳解决方案相比，所提出的DNN达到近最佳的总和速率，同时还通过10-24倍降低了计算复杂性。

可重新配置的智能表面（RIS）已成为近年来改善无线通信的有希望的技术。它通过控制具有较少硬件成本和较低功耗来控制可重新配置的被动元件来引导入射信号来创建有利的传播环境。在本文中，我们考虑了一个RIS辅助多用户多输入单输出下行链路通信系统。我们的目标是通过在接入点和RIS元件的被动波束形成向量中优化主动波束形成来最大化所有用户的加权和速率。与大多数现有的作品不同，我们考虑使用离散相移和不完美的信道状态信息（CSI）更实际的情况。具体而言，对于考虑离散相移和完美CSI的情况，我们首先开发一个深量化的神经网络（DQNN），同时设计主动和被动波束形成，而大多数报道的作品可选地设计。然后，我们基于DQNN提出改进的结构（I-DQNN），以简化参数决策过程，当每个RIS元素的控制位大于1位时。最后，我们将两种基于DQNN的算法扩展到同时考虑离散相移和不完全CSI的情况。我们的仿真结果表明，基于DQNN的两种算法比完美CSI案例中的传统算法更好，并且在不完美的CSI案例中也是更强大的。

混合边界成形是提高大型MIMO系统能源效率的有前途的技术。特别是，亚阵列混合边界可以通过减少相移数来进一步降低功耗。但是，由于子阵列连接的离散性质和移相量的离散性质，设计混合波束形成向量是一项复杂的任务。找到RF链和天线之间的最佳连接需要在大型搜索空间中解决非凸面问题。此外，常规解决方案假定可用的CSI可用，这在实际系统中并非如此。因此，我们提出了一种新型的无监督学习方法，以设计任何子阵列结构的杂交光束，同时支持量化的相位变速器和嘈杂的CSI。该拟议的体系结构的一个主要特征是不需要波束成形的代码簿，并且对神经网络进行了训练以考虑相变量的量化。仿真结果表明，所提出的深度学习解决方案可以比现有方法获得更高的总和率。

本文提出了一种对无线通信中的一类主动感测问题的深度学习方法，其中代理在预定数量的时间帧上与环境顺序地交互以收集信息，以便为最大化一些实用程序函数来执行感测或致动任务。在这样的主动学习设置中，代理需要根据到目前为止所做的观察结果来依次设计自适应感测策略。为了解决如此挑战的问题，其中历史观察的维度随着时间的推移而增加，我们建议使用长期短期记忆（LSTM）网络来利用观察序列中的时间相关性，并将每个观察映射到固定的尺寸状态信息矢量。然后，我们使用深神经网络（DNN）将LSTM状态映射到每个时间帧到下一个测量步骤的设计。最后，我们采用另一个DNN将最终的LSTM状态映射到所需的解决方案。我们调查了无线通信中建议框架的性能框架的性能。特别地，我们考虑用于MMWAVE光束对准的自适应波束形成问题和反射对准的自适应可重构智能表面感测问题。数值结果表明，所提出的深度主动传感策略优于现有的自适应或非一种非应用感测方案。

Extremely large-scale massive MIMO (XL-MIMO) has been reviewed as a promising technology for future wireless communications. The deployment of XL-MIMO, especially at high-frequency bands, leads to users being located in the near-field region instead of the conventional far-field. This letter proposes efficient model-based deep learning algorithms for estimating the near-field wireless channel of XL-MIMO communications. In particular, we first formulate the XL-MIMO near-field channel estimation task as a compressed sensing problem using the spatial gridding-based sparsifying dictionary, and then solve the resulting problem by applying the Learning Iterative Shrinkage and Thresholding Algorithm (LISTA). Due to the near-field characteristic, the spatial gridding-based sparsifying dictionary may result in low channel estimation accuracy and a heavy computational burden. To address this issue, we further propose a new sparsifying dictionary learning-LISTA (SDL-LISTA) algorithm that formulates the sparsifying dictionary as a neural network layer and embeds it into LISTA neural network. The numerical results show that our proposed algorithms outperform non-learning benchmark schemes, and SDL-LISTA achieves better performance than LISTA with ten times atoms reduction.

受到深度神经网络（DNN）的显着学习和预测性能的启发，我们应用了一种特殊类型的DNN框架，称为模型驱动的深度展开神经网络，可重新配置智能表面（RIS） - 提出的毫米波（MMWAVE）单个-Input多输出（SIMO）系统。我们专注于上行链路级联信道估计，其中考虑了已知和固定基站组合和RIS相位控制矩阵用于收集观察。为了提高估计性能并降低训练开销，可以在深度展开方法中利用MMWave通道的固有通道稀疏性。验证所提出的深度展开网络架构可以优于最小二乘（LS）方法，其具有相对较小的训练开销和在线计算复杂性。

Terahertz超质量多输入多输出（THZ UM-MIMO）被设想为6G无线系统的关键推动器之一。由于其阵列孔和小波长的关节作用，Thz Um-Mimo的近场区域大大扩大。因此，此类系统的高维通道由远处和近场的随机混合物组成，这使通道估计非常具有挑战性。以前基于单场假设的作品无法捕获混合动力远处和近场特征，因此遭受了巨大的性能丧失。这激发了我们考虑混合场渠道估计。我们从固定点理论中汲取灵感，以开发具有自适应复杂性和线性收敛保证的有效基于深度学习的渠道估计器。基于经典的正交近似消息传递，我们将每次迭代转换为一个合同映射，包括封闭形式的线性估计器和基于神经网络的非线性估计器。主要的算法创新涉及应用固定点迭代以计算通道估计，同时对具有任意深度的神经网络进行建模并适应混合场通道条件。仿真结果验证了我们的理论分析，并在估计准确性和收敛速率上显示出对最先进方法的显着性能。

正交频分复用（OFDM）已广泛应用于当前通信系统。人工智能（AI）addm接收器目前被带到最前沿替换和改进传统的OFDM接收器。在这项研究中，我们首先比较两个AI辅助OFDM接收器，即数据驱动的完全连接的深神经网络和模型驱动的COMNet，通过广泛的仿真和实时视频传输，使用5G快速原型制作系统进行跨越式-Air（OTA）测试。我们在离线训练和真实环境之间的频道模型之间的差异差异导致的模拟和OTA测试之间找到了性能差距。我们开发一种新颖的在线培训系统，称为SwitchNet接收器，以解决此问题。该接收器具有灵活且可扩展的架构，可以通过在线训练几个参数来适应真实频道。从OTA测试中，AI辅助OFDM接收器，尤其是SwitchNet接收器，对真实环境具有鲁棒，并且对未来的通信系统有前途。我们讨论了本文初步研究的潜在挑战和未来的研究。

为了减轻阴影衰落和障碍物阻塞的影响，可重新配置的智能表面（RIS）已经成为一种有前途的技术，通过控制具有较少硬件成本和更低的功耗来改善无线通信的信号传输质量。然而，由于大量的RIS被动元件，准确，低延迟和低导频和低导架频道状态信息（CSI）采集仍然是RIS辅助系统的相当大挑战。在本文中，我们提出了一个三阶段的关节通道分解和预测框架来要求CSI。所提出的框架利用了基站（BS）-RIS通道是准静态的两次时间段属性，并且RIS用户设备（UE）通道快速时变。具体而言，在第一阶段，我们使用全双工技术来估计BS的特定天线和RIS之间的信道，解决信道分解中的关键缩放模糊问题。然后，我们设计了一种新型的深度神经网络，即稀疏连接的长短期存储器（SCLSTM），并分别在第二和第三阶段提出基于SCLSTM的算法。该算法可以从级联信道同时分解BS-RIS信道和RIS-UE信道，并捕获RIS-UE信道的时间关系以进行预测。仿真结果表明，我们所提出的框架具有比传统信道估计算法更低的导频开销，并且所提出的基于SCLSTM的算法也可以鲁棒地和有效地实现更准确的CSI采集。

本文解决了Terahertz（THZ）通道估计中的两个主要挑战：光束切割现象，即由于频率独立的模拟束缚器和计算复杂性，由于使用超质量数量，因此由于频率非依赖性的模拟光束器和计算复杂性。已知数据驱动的技术可以减轻此问题的复杂性，但通常需要将数据集从用户传输到中央服务器，从而带来了巨大的通信开销。在这项工作中，我们采用联合学习（FL），其中用户仅传输模型参数，而不是整个数据集，以供THZ频道估计来提高通信效率。为了准确估算横梁切开，我们提出了Beamspace支持对准技术，而无需其他硬件。与以前的作品相比，我们的方法提供了更高的频道估计准确性，以及大约$ 68 $ $ 68 $倍的通信开销。

In this paper, we investigate the joint device activity and data detection in massive machine-type communications (mMTC) with a one-phase non-coherent scheme, where data bits are embedded in the pilot sequences and the base station simultaneously detects active devices and their embedded data bits without explicit channel estimation. Due to the correlated sparsity pattern introduced by the non-coherent transmission scheme, the traditional approximate message passing (AMP) algorithm cannot achieve satisfactory performance. Therefore, we propose a deep learning (DL) modified AMP network (DL-mAMPnet) that enhances the detection performance by effectively exploiting the pilot activity correlation. The DL-mAMPnet is constructed by unfolding the AMP algorithm into a feedforward neural network, which combines the principled mathematical model of the AMP algorithm with the powerful learning capability, thereby benefiting from the advantages of both techniques. Trainable parameters are introduced in the DL-mAMPnet to approximate the correlated sparsity pattern and the large-scale fading coefficient. Moreover, a refinement module is designed to further advance the performance by utilizing the spatial feature caused by the correlated sparsity pattern. Simulation results demonstrate that the proposed DL-mAMPnet can significantly outperform traditional algorithms in terms of the symbol error rate performance.

Deep learning-based physical-layer secret key generation (PKG) has been used to overcome the imperfect uplink/downlink channel reciprocity in frequency division duplexing (FDD) orthogonal frequency division multiplexing (OFDM) systems. However, existing efforts have focused on key generation for users in a specific environment where the training samples and test samples obey the same distribution, which is unrealistic for real world applications. This paper formulates the PKG problem in multiple environments as a learning-based problem by learning the knowledge such as data and models from known environments to generate keys quickly and efficiently in multiple new environments. Specifically, we propose deep transfer learning (DTL) and meta-learning-based channel feature mapping algorithms for key generation. The two algorithms use different training methods to pre-train the model in the known environments, and then quickly adapt and deploy the model to new environments. Simulation results show that compared with the methods without adaptation, the DTL and meta-learning algorithms both can improve the performance of generated keys. In addition, the complexity analysis shows that the meta-learning algorithm can achieve better performance than the DTL algorithm with less time, lower CPU and GPU resources.