本文研究了基于机器学习的信道估计的均方误差 (MSE) 性能，采用假设检验分析其 MSE 上界，并建立了一个统计模型，推导出训练数据大小和性能之间的清晰分析关系。最后，讨论了仅有有限训练数据的情况下的设计考虑。

Nov, 2019

研究了从受高斯噪声污染的观测中估计任意随机变量的最小均方误差，揭示出随着信噪比的增加，MMSE 是输入随机变量分布的凸函数，并且在给定任意输入分布下都是无穷可微的；同时证明了高斯输入具有保持机密性容量和广播通道容量的能力，并在某些条件下证明熵功率不等式。

Apr, 2010

本文提出了一种新的方法，它能够将输入输出互信息与最小均方误差之间的关系联系起来，这种关系是基于信噪比的，无论输入的统计量如何，它都适用于非因果均方误差估计。

Dec, 2004

本文提出了一种基于迭代通道估计算法的毫米波 MIMO 系统的最小二乘估计（LSE）和稀疏信息传递（SMP）算法，用于检测具有仅少量非零条目的稀疏通道矩阵的位置和值，通过使用高斯近似进行信息密度的密度演化以简化算法的分析，并说明所提出的算法是一种最小方差无偏估计器。

Nov, 2016

从非线性和含噪声观测中估计一个低秩矩阵的任务中，我们证明了一个强普适性结果，表明贝叶斯最优性能可由一个等效的高斯模型表示，其先验参数完全由非线性函数的展开所确定。特别地，我们展示了为了准确重建信号，需要一个随着 $ N^{rac 12 (1-1/k_F)}$ 增长的信噪比，其中 $k_F$ 是函数的第一个非零 Fisher 信息系数。我们提供了最小可实现均方误差（MMSE）的渐近特征及一个类似于问题的线性版本的条件下能达到 MMSE 的近似传递算法。我们还提供了方法如主成分分析与贝叶斯去噪等的渐近误差，并将其与贝叶斯最优 MMSE 进行了比较。

Mar, 2024

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

本研究提出了一种新方法，用于分析已知模型下统计推断的基本限制，并得出了对互信息、最小均方误差、相变点及近似消息传递算法状态演化的稳定点等的显式公式，其中关键的假设是矩阵来自正交不变分布，本方法适用于具有多元高斯信道的模型。

Oct, 2017

本文探讨了在逼近线性高斯信道容量的编码方案中为何出现 MMSE 估计，并考虑了涉及连续解码的方案，如决策反馈均衡或连续取消。

Sep, 2004

本文研究基于真实无线信道模型的大规模 MIMO 系统通道预测技术，提出并比较了基于向量卡尔曼滤波器和基于机器学习的通道预测方法，数值结果表明这两种方法均比传统方法具有更高的精确度和数据速率。

Sep, 2020

本文旨在使用基于深度学习的方法解决毫米波通信中的信道估计问题，将信道估计视为源压缩问题，并比较了该方法与现有压缩感知方法的性能差异和最少测量次数下的可靠信道识别问题。

Apr, 2019