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

本文提出了一种基于数据驱动的深度学习方法，用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性，该方法可以从欠定的测量中可靠地重构高维信道，模拟结果表明，该方法优于最先进的压缩感知方法。

Mar, 2020

本文提出并讨论了深度学习在物理层的几个新应用，并将通信系统解释为自编码器，开发了一种基本的新方式来思考通信系统设计，演示了深度学习在通信技术领域的应用和挑战。

Feb, 2017

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

本文提出了一种基于模型驱动的深度学习网络用于多输入多输出（MIMO）检测，通过深度学习技术优化网络的可训练参数以提高检测性能；由于网络可训练变量的数量等于层数，因此可以在很短的时间内轻松训练网络，并且网络可以处理时变信道，通过数值结果表明该方法可以显著提高 Rayleigh 和相关 MIMO 信道下迭代算法的性能。

Sep, 2018

本研究提出一种基于深度学习的毫米波大规模 MIMO 混合预编码框架，该框架通过 DNN 训练来优化 MIMO 预编码过程，最终实现减少 BER 和提高频谱效率的目的，并且能够在实现混合预编码的同时大幅度降低所需的计算复杂度。

Jan, 2019

本文研究了基于深度神经网络的 MIMO 检测，并提出了一种适用于此检测任务的现代神经网络架构。通过数值模拟，结果表明，深层网络可以在显著降低复杂性的同时，提供针对具有不良条件通道和误指定噪声方差的鲁棒性，达到最先进的准确性。

Jun, 2017

本文提出基于深度学习的多输入多输出通信信道中有限字母信号的线性预编码方法，采用线下训练方式，大大降低在线推理阶段的预编码复杂度，并以数值实验验证了该方法在复杂度和性能上的优势。

Nov, 2021

本论文提出了一种新型的神经网络架构 (auto-precoder)，基于少量的训练数据，这种深度学习方法可以同时感知毫米波通道 (channel sensing) 和设计混合预编码矩阵 (hybrid precoding matrices)，从而降低了训练开销，实验结果表明，在 64 个发射天线和 64 个接收天线的系统中仅需 8 或 16 个通道训练数据即可实现近乎最优的速率，这是毫米波和大规模 MIMO 系统信道估计和混合预编码设计问题的一种有前途的解决方案。

May, 2019

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