RIS為可重構智慧表面(Reconfigurable Intelligent Surface, RIS) 也能稱為智慧反射表面 (intelligent reflecting surface, IRS) 經由智能控制佈署在 RIS 上的大量可重構無緣反射元件，能達到反射波束成型的效果，創造基地台(base station, BS)至用戶端(user, UE)的虛擬直線鏈路(line-of-sight, LoS)，以有效避開傳收兩端之間的通訊阻礙物 。RIS 可在沒有自干擾(self-interference)及天線雜訊放大等缺點下進行全雙工 通訊傳輸，並且具有較低的硬體複雜度，能夠使其在降低硬體成本與能量消耗的 同時，亦能提升系統的可達到總和傳輸率(achievable sum-rate, ASR)及能量效率 (energy efficiency, EE)。因此，RIS  已被視為開發下一代行動通訊所採用的方案之一。 

　　無線行動通訊進入5G時代後，對頻寬的需求大幅增加，因而頻寬發展至毫米波頻段，也進一步推動多輸入多輸出(MIMO)天線排列變成massive MIMO架構，預編碼(precoding)技術透過設計混合式類比、數位預編碼器和解碼器，能夠在毫米波MIMO 之通訊系統，提供有效的定向傳輸，結合毫米波與massive MIMO在5G領域是一個重要研究主題。

　　隨著互聯網及各類行動裝置影音平台的普及，用戶對高速的無線網路需求隨之增加， 如何在有限的頻譜資源 下提升頻譜效益 (spectral efficiency)，是無線通訊系統的關鍵問題。基於上述需求，追求高傳輸速率、高頻譜效率、高容量與較少硬體成本及節省功率消耗的技術與架構不斷推陳出新。而 在傳統的通訊系統設計方法中系統通常會被視為由許多處理模塊所組成，每個處理模塊負責進行系統的設計和優 化。每個模塊所使用的數學模型會影響通訊系統的效能和表現，因此傳統的設計方法會使通訊系統相當依賴在模塊中所使用的數學模型。然而在實際應用中若使用複雜的系統，由於數學模型與實際應用場景仍存在差距，可能會出現難以分析和理解的情形，而深度學習 (deep learning, DL)具有強大的特徵提取與學習能力，有希望為上述所述挑戰提供解決方案 。

　　UWB(Ultra-Wide Bandwidth 超寬頻)技術是近年來在國際上新興的室內短距離、高速率傳輸通訊系統，它擁有低功率消耗、低成本結構、抵抗多路徑衰落及干擾等優點。為了消除ISI和MAI使用通道等化器，探討使用子碼階層(chip-level)的等化器，並將適應性濾波器技術應用於子頻帶上以此再降低棋運算複雜度並且提高其系統效能。