本研究提出了一种基于递归神经网络（RNN）的方法，以提升多输入多输出（MIMO）接收处理中的性能，结合领域知识改善MIMO-OFDM符号检测性能，为未来系统设计提供基础。

本文介绍了一种基于深度学习的OFDM解调器，利用单比特量化和生成式深度神经网络进行通道估计，显著降低误比特率。同时，研究了深度学习在无线通信信号调制分类中的应用，提出了多种神经网络架构，并优化了在线分类和训练时间。此外，基于卷积神经网络的自动调制分类方案在低信噪比下表现出优越性能。

通过提出一种新的不规则 Sinc (irSinc) 塑形技术来提高工业物联网 (IIoT) 的性能，减少延迟和增强抖动容忍度，进而实现更高的数据传输速率和节省时间资源。

本文介绍了一种基于正交频分复用（OFDM）的数字化无线计算（AirComp）系统，适用于多个边缘设备同时传输模型数据。研究了在无线多输入多输出（MIMO）系统中部署联邦学习（FL）的性能优化，提出了结合数字调制和AirComp的算法，以提高通信效率并降低能耗。同时，探讨了隐私保护和模型聚合误差的问题，并提出了动态功率控制方案以增强模型性能。

本文提出了一种利用非正交多址接入技术的分层联邦学习系统，旨在最小化时间和能源成本。通过模糊逻辑的客户端编排策略和边缘服务器调度和资源分配问题的解决，实现了分层联邦学习性能提升和总成本降低。