本研究提出了一种新的算法来针对大规模多输入多输出系统中基站的大量发射天线进行信道估计时的导频波束设计问题，该算法依据信道被假定成是一种平稳的高斯 - 马尔科夫随机过程，并通过利用卡尔曼滤波及其相关的预测误差协方差矩阵的性质以及信道统计信息 (如空间和时间信道相关性) 顺序地设计导频波束模式，从而生成给定系统参数下的序贯最优导频波束序列，且具有较低的复杂度。数值结果表明该算法表现良好。

Sep, 2013

本文提出了一个学习和适应框架，使用长期和短期两种时间尺度学习和优化自适应波束跟踪和训练，利用深度递归变分自编码器和部分可观察马尔可夫决策过程生成一种概率预测的最强波束对，从而在毫米波车载网络中实现低开销，近乎最优的频谱效益。

Jun, 2021

本论文提出使用机器学习策略 Bayesian optimization 来有效解决毫米波通信中非常狭窄的波束对准问题，提高信道的谱效率并减小了通信的开销。

Jul, 2022

本文研究了多用户毫米波巨型多输入多输出系统的波束训练和分配问题，提出了一种基于正交导频的波束训练方案和一种基于质量服务的波束分配方案，同时还针对波束训练开销的问题，提出了两种新的方案。通过模拟实验，证实了所提出的方法可以有效的增强系统性能。

Jan, 2019

本文提出了一个基于深度学习的模型驱动的通道估计和反馈方案，适用于宽带毫米波巨型混合多输入多输出系统，利用角度 - 时延域通道的稀疏性来减少开销。

Apr, 2021

本篇论文提出了一种基于宽波束训练的窄波束校准方法，通过深度学习预测最佳的窄波束方向，具有很高的波束成形增益和更小的波束训练开销。

Jan, 2021

本文通过多臂老虎机框架，提出了一种在线学习算法，用于选择和优化天线成对的方向，以最大化功率角谱在该位置上的峰值，并在较短的时间步数内实现与无遗漏搜索相当的性能。

Sep, 2018

本文利用深度学习方法，通过卷积神经网络对在毫米波多重输入多重输出系统中频率选择性宽带通道的信道估计和混合波束成型进行了研究。该方法相对于当前最先进的优化和深度学习方法，提供更高的频谱效率，较少的计算成本和更少数量的导频信号，并且在接收导频数据，损坏的信道矩阵和传播环境偏差方面具有更高的容忍度。

Dec, 2019

通过研究使用射频信号的射束管理协议，利用人工智能和机器学习的方法，探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。

Dec, 2023

本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。

Feb, 2018