本研究提出了双重注意力变换器（DAT）和残差双重非局部注意力网络（RDNLA）两种新模型，以提高复杂环境下的信号检测和解码效率。实验结果显示，这些模型在不同信噪比条件下显著优于传统方法，具有在下一代通信系统中的应用潜力。

本文提出了一种基于最佳臂多臂老虎机的连续监控框架，替代传统A/B测试，以控制虚假发现率(FDR)。通过分层贝叶斯估计和自适应多重检验方法，解决了多因素相关性和早期停止等问题，提升了信号检测能力。此外，研究探讨了在线控制FDR的广义Alpha-investing过程及其改进，提供了新的假阳性发现比例控制方法。

本文探讨了深度学习在正交频分复用（OFDM）系统中的应用，提出了多种基于深度学习的信道估计和信号检测方法。这些方法结合了专家知识和深度神经网络，显著提高了信道估计精度和数据恢复能力，尤其在复杂环境下表现优越。