本文介绍了一种新型步态识别方法GaitFi，利用WiFi信号和视频实现人体识别，准确率达到94.2%。同时，研究了可重构智能表面（RIS）的应用，提出基于深度学习的无线配置方法，显著提高了信号传输速率和覆盖效果，为未来无线通信提供了新思路。

本文提出了一种结合深度强化学习和可重构智能表面的车辆边缘计算优化方法，旨在提升车联网的通信性能和资源分配效率。通过多智能体深度强化学习算法，优化车辆用户的功率分配和相位调整，实验结果表明该方法在性能上优于传统方案，有效解决了车联网中的连接性和计算任务处理延迟问题。

本研究提出了一种提高移动用户进行同时传输和反射的可重构智能表面（STAR-RIS）能量效率和公平性的方法。通过引入次表面分配变量来确定分配给每个用户的STAR-RIS元素的数量，并利用深度强化学习技术解决优化问题。实验结果表明，该方法能够在能量高效的条件下，为传输和反射空间中的所有用户实现相当高且近乎相等的数据速率。

提出了一种基于可重构智能表面的车联网网络方案，通过优化车辆与基础设施之间的时效和车辆之间的稳定性，使用演员-评论家算法控制车辆的资源分配和相移控制。仿真结果表明该算法在多个方面胜过其他算法。

本研究关注单小区多用户系统的下行通信，使用可重构智能表面与K个用户进行通信。研究了最优线性预编码器实现的最小SINR，给出了理论分析与性能评估。

本文综述了可重构智能表面（RISs）在无线网络中的应用，介绍了RISs的原理和性能评估，调查了现有的RIS增强无线网络的设计。研究成果阐述了应用机器学习解决动态场景中的挑战。同时指出了RISs和其他新兴技术在下一代网络应用中的问题和研究机会。