本文介绍了一种新颖的概率框架，使得单个深度神经网络解调器能够同时解调多个 QAM 和 APSK 星座。通过利用星座族的层次关系，我们的框架需要更少的神经网络输出来编码相同的功能，而不增加误码率。仿真实验结果表明，我们的方法在加性白高斯噪声信道中逼近了多个星座的最优解调误差界，从而解决了使得深度神经网络足够灵活以实际用作接收器的多个重要问题。

本研究提出了一种基于序列自编码收发器的双向深度循环神经网络（BRNN），使用滑动窗口技术实现高效数据流估计。与之前的基于块的前馈神经网络（FFNN）自编码器相比，BRNN能显著降低误码率，增加传输距离。该研究为具有存储器的非线性信道的深度学习系统提供了新的设计。

本文介绍了一种用于低密度奇偶校验码的量化解码算法，通过使用信息论准则设计的查找表替换标准的最小和算法的变量节点更新规则，即使只使用3位消息分辨率的算法，也能比使用浮点数的最小和译码器取得更好的误码率。同时，研究了不同的译码器设计参数对译码性能的影响，并提出了一些复杂度约简技术。