本文提出了一种新颖的深度学习架构，结合了 MU-MIMO FDD 系统中频道采集和预编码过程，使用 DNN 单元进行端到端的训练，并展示了与传统技术和其他 DNN 方案相比的有效性。

Sep, 2022

论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017

本研究旨在通过开发全收发机制，包括下行信道训练（或估计），CSI 反馈和信道重建方案，解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数，然后开发了有效的下行训练方案，以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度，并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。

Feb, 2019

研究大规模多用户多输入多输出（MU-MIMO）无线系统中基于正交频分复用（OFDM）的下行传输方案，通过解决凸优化问题来实现 MU 预编码、OFDM 调制和峰均比（PAR）降低，从而降低 RF 部件成本。

Feb, 2012

综述了下行 MU-MIMO 通信系统中实现用户选择、先进传输技术、多目标优化等的各种方法。

Nov, 2016

本文提出了一种基于监督学习的新型通信框架，旨在通过学习在 ADC 使用的量化函数的无线信道和数据检测之间的非线性输入输出系统并在此基础上进行数据检测，以实现低分辨率 ADC 下的 MIMO 系统的性能优化。通过发送所有可能的数据信号作为导频信号来经验性地学习非线性系统的条件概率质量函数 (PMFs)，然后根据所得到的经验性条件 PMFs 执行后续数据检测过程，以实现系统学习过程中传统的信道估计过程的替换，以降低培训开销和检测复杂度。同时，我们还开发了一种监督学习辅助的连续干扰消除方法。在一位 ADC 的情况下，文中推导了在接收机具有完美信道知识的情况下所提出框架的向量错误率的解析表达式，并通过模拟实验验证了所提出框架相对于基于信道估计的传统检测技术的检测误差降低。

Oct, 2016

本文目的在于探讨在何种场景下，数据驱动的机器学习可以超越传统的 MIMO 收发器，并展示了多种场景中 ML 的性能表现，其中包括闭环 MIMO，开环 MIMO 和多用户 MIMO，并提供了相应神经网络模型的代码实现。

May, 2020

本文研究了在现有 OFDM MIMO 系统中，仅基于正交频分复用（OFDM）复杂频道系数的深度神经网络在多输入多输出（MIMO）用户定位方面的可用性，提出了一种两步训练流程来减少所需的训练点数量。

Apr, 2018

本研究提出了一种基于机器学习的技术，旨在针对无线环境频率选择性和时变性的复杂度，通过提取通道状态信息实现对正交频分多路复用子带频段的信道预测，实现提高系统性能的目的。

May, 2023

本文提出了一种利用极限学习机（ELM）实现高精度同步的新方案，将两个 ELM 并入传统的 MIMO-OFDM 系统，估计残余符号时序偏移量（RSTO）和残余载波频率偏移量（RCFO），与现有的机器学习技术相比，该方法表现出优越的性能，且具有机器学习的普适性。

Jul, 2020