利用自编码器神经网络对5G系统的下行信道状态信息(CSI)进行压缩。

训练深度q网络(DQN)增强学习代理，用于5G新型无线电通信系统的波束选择。

使用神经网络在波束选择任务中通过使用接收器的位置而不是通信通道的知识来减少开销。

使用离线训练的神经网络，应用数字预失真来抵消功率放大器中非线性的影响。

训练利用深度学习的语义分割网络进行频谱监测。

建模一个带有自动编码器的端到端通信系统，通过无线信道可靠地传输信息位。

利用卷积神经网络(CNN)进行调制分类。你生成合成的，信道受损的波形。使用生成的波形作为训练数据，训练CNN进行调制分类。然后使用软件定义无线电(SDR)硬件和无线信号测试CNN。

在Xilinx上部署预先训练的卷积神经网络(CNN)进行调制分类^®Zynq^®UltraScale+™MPSoC ZCU102评估试剂盒。

为IEEE训练卷积神经网络^®802.11az™定位和定位。

设计了一种基于模拟数据的射频指纹卷积神经网络。您使用来自已知和未知路由器的模拟无线局域网(WLAN)信标帧来训练CNN，以进行射频指纹识别。然后比较接收信号的媒体访问控制(MAC)地址和CNN检测到的射频指纹，以检测WLAN路由器模拟程序。

用捕获的数据训练射频指纹卷积神经网络。您可以使用软件定义的无线电(SDR)从真正的路由器捕获无线局域网(WLAN)信标帧。您可以编写第二个SDR来传输未知信标帧并捕获它们。你用这些捕捉到的信号训练CNN。然后将软件定义无线电(SDR)编程为路由器模拟程序，该程序使用一个已知路由器的媒体访问控制(MAC)地址传输信标信号，并使用CNN将其识别为模拟程序。

生成信号和通道损伤训练神经网络，称为LLRNet，以估计准确的日志似然比(LLR)。

使用5G工具箱™生成深度学习训练数据用于信道估计。