本文介绍了一种基于深度学习的局部基站信道状态信息推断的方法，并采用基于模型的方法推导了远程信道状态信息推断的 Cramér-Rao 下限。研究结果表明当利用多个基站数据时，基于深度学习的方法推断误差呈现更大的幂次函数衰减率，可以获得更高的准确率，该方法在一个包含 CSI 的射线跟踪模拟器中可以达到 90% 的准确性。

Dec, 2018

本研究提出了一种基于深度神经网络的训练算法，能够在多用户系统中，仅基于部分自适应通道状态信息的不完全观测，提供有效鲁棒的波束成形方案。

Mar, 2021

该论文提出了一种基于混合知识数据驱动的方法，用于在无蜂窝大规模多输入多输出系统中进行通道语义获取和多用户波束 forming，以提高室外无线传输性能并缩小与室内传输能力之间的差距。

Jul, 2023

本研究提出了一种基于 RSSI 的无监督深度学习方法来设计大规模 MIMO 系统中的混合波束成形，并通过适当的 CSI 反馈显著提高了频分双工 FDD 通信中的谱效率，并且提出了一种用于初始接入 IA 的同步信号 SS 以及用于模拟前置器的代码本的方法。

Jun, 2020

本文介绍了一种联合优化的网络，用于信道估计和反馈，以学习光谱效率波束形成器。同时，应用了部署友好型子阵混合波束形成架构，并特别设计了实用的轻量级端到端网络。实验证明，与仅具有轻微性能损失的先前现有技术方法相比，所提出的网络在资源敏感的用户设备上更轻了 10 倍以上。

Feb, 2023

本文提出了一种基于深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。

Jan, 2022

使用深度学习技术，本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet，将 CSI 转换为一组最佳表示，具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。

Dec, 2017

我们在全被动可重构智能表面（RIS）辅助下的毫米波单用户单输入多输出（SIMO）通信系统中提出了一种基于变分推断（VI）的信道状态信息（CSI）估计方法，并且通过近似后验分布获得最大后验（MAP）估计，从而证明了所提出方法的有效性。

Aug, 2023

本论文旨在解决在频分双工 (massive MIMO) 系统中，基站获取下行信道状态信息 (CSI) 的难题，提出了一种利用 SCNet（一种稀疏的复数值神经网络）在离线训练后直接预测下行 CSI 的方法，证明了该方法的性能和稳定性。

Aug, 2019

利用离散傅里叶变换位移定理和多径互易的物理原理，本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案，并结合迭代收缩阈值算法网络（ISTA-Net）架构。通过数值实验结果表明，本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。

Mar, 2024