该论文研究了使用 1 位模数转换器的上行大规模 MIMO 系统，并开发了一种基于深度学习的信道估计框架，其利用先前信道估计观测和深度神经网络模型学习从量化接收信号到信道的映射，并证明了当使用更多天线时，我们提出的深度学习方法能够实现更好的信道估计性能

Oct, 2019

本文提出了一种强化学习的可能性函数学习方法，用于在一个比特模拟数字转换器（ADC）下通过多输入多输出（MIMO）系统实现优化的数据检测。该方法旨在利用从数据检测中获得的输入输出信号样本来补偿可能性函数中的模型偏差，同时使用马尔可夫决策过程（MDP）最大化学习的可能性函数的准确性。模拟结果表明，该方法在可能性函数中存在模型偏差的优化数据检测方法中提供了显著的性能增益。

Mar, 2019

本文针对毫米波 MIMO-OFDM 接收机中使用广义混合模拟数字前端和低分辨率模拟转换器时，由于其引入的强非线性性，导致数据检测极具挑战性的问题，提出了一种使用广义期望一致性信号恢复技术的计算有效数据检测算法，并在混合 ADC 架构中进行了拓展。

Mar, 2018

使用 Bayes 优化进行模拟研究，成功开发出了一种低精度模拟转换器的多输入多输出（MIMO）接收机，该技术可用于实现具有大规模 MIMO 天线系统并减少成本和功耗。

Jul, 2015

本文应用深度学习算法，提出直接输入深度神经网络和选择性输入预测深度神经网络，以估计大规模 MIMO 系统中混合 ADC 的上行通道。实验结果表明，该方法较传统方法在具有混合一位 ADC 的情况下具有更好的表现，在不同 ADC 分辨率模式下也具有较好的效果。

Aug, 2019

本文提出一种基于广泛的角度和时间延迟域的毫米波多输入多输出（MIMO）系统的信道估计算法，该算法利用了信道的关节稀疏性，在采用少位模拟数字转换器（ADCs）的情况下解决量化压缩感知问题。我们设计了一种训练序列，使得这些算法的实现效率很高，同时最小化了发射机峰均功率比。通过详细的仿真研究，我们发现这种方法使得 1-bit ADCs 在低信噪比下可以与无限位 ADCs 相媲美，而 4-bit ADCs 在中等信噪比下可以与无限位 ADCs 相媲美。

Oct, 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

本文提出了一种自适应频道估计技术，考虑到大规模 MIMO 系统的空间和时间相关性，使用一位 ADC，将 Bussgang 分解线性化，采用卡尔曼滤波估计相关性通道，实现了低复杂度的截断多项式扩展通道估计器，数值结果表明，所提出的频道估计器可以显著提高频道估计的准确性。

Oct, 2019

本文研究了低复杂度迭代线性最小均方误差（LMMSE）多用户检测器，旨在用于多输入和多输出系统下非正交多址接入（MIMO-NOMA）中的匹配检测与译码，证明了匹配迭代 LMMSE 检测器在对称和非对称 MIMO-NOMA 系统中可以实现最优容量和所有极端点。

Jan, 2019

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