本研究利用强化学习优化无线通信策略，解决频谱稀缺和动态分配问题。提出多臂赌博机算法和深度强化学习方法，改善超密集网络和多小区网络的性能，降低信令开销和能耗，提升总速率。仿真结果表明新方法在复杂环境中表现优越。

该研究提出了一种名为NNBF的无监督深度学习框架，用于优化多用户单输入多输出（MU-SIMO）波束成形，提升吞吐量和计算效率。实验结果显示，NNBF在性能上优于传统的零强制波束成形（ZFBF）和最小均方误差（MMSE）方法，且计算负担更轻。

近年来，神经网络的图像渲染方法得到广泛研究。其中，NeRF模型能合成逼真视图，但训练和推理时间长。相比之下，GS是一种快速渲染点的技术，但缺乏明确定义。为解决问题，引入了GaMeS模型，通过网格和高斯分布混合形式固定高斯喷洒。该方法可在动画过程中自动调整位置、比例和旋转，实现高质量实时渲染。同时，证明在学习过程中可调整初始网格。