无线电波传播现象已经由环境和气候因素，这些因素都对无线电通信系统，它们的可用性，可靠性和有效利用所述拥塞电磁频谱的性能产生影响显著在很大程度上受到影响。这些现象影响到所有的地面服务，包括新的宽带无线通信系统。相反，明确的规划来解决上述挑战的，机器学习已经被应用到解决这些问题。机器学习是一台计算机的培训从上新的观测数据，并推论学习，而不是标准的编程。在频谱管理和陆地无线电传播的区域中，浅的机器学习算法已被应用于智能天线系统，可靠的无线电传播模型，和频谱使用预测技术的设计。作为与传统方法相比大多数结果都表现出卓越的性能。

然而，由移动无线网络中产生的大数据量业务的是使浅算法无关，因为这种算法的性能数据尺寸的增加降低。在另一方面，新一代的神经网络，被称为深度学习，都越来越突出，因为随着数据的大小增加深度学习算法的性能提高。然而，浅机器学习算法仍占上风，因为有一些领域缺乏大尺寸数据。因此，在频谱管理和地面无线电传播深浅两种学习机器学习算法的应用将在拟议特刊予以考虑。

这期特刊的目的是解决机器学习与频谱管理和地面无线传输实际应用的融合。原始研究和评论文章，以及理论和实证两手稿，将予以考虑。

潜在的主题包括但不限于以下内容：

• 迁移学习无线电传播建模
• 在频谱占用测量和分析深学习应用
• 深强化学习进行大规模的无线电传播测量
• 深度学习为5G及以后的信道模型
• 机器学习在城市地区的定向天线的信道的建模方法
• 深度学习为大型频谱占用测量和分析
• 新的频谱波段，动态频谱访问，共存，频谱共享和频谱感知技术
• 实验原型，测试平台和试验
• 在频谱管理和地面传播多任务学习
• 坚定信念网络，深层神经网络，频谱管理周到网络
• 机器学习算法（例如SVM，KNN，ANN，k-均值，等等）中的无线传播
• 深度学习的时空谱
• 深度学习/自然灵感的启发式算法在异构网络的多目标频谱接入问题
• 深复发网络/长短期记忆处理授权和免授权频段的管理
• 深度学习在LTE-U资源分配