本研究提出了一种基于注意力机制的 CSI（Channel State Information）用于深度神经网络的鲁棒特征学习，在铁路环境中的表现优于使用基础 DNN。

Mar, 2022

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

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

本文提出了一种基于深度学习的实时 CSI 反馈架构 CsiNet-LSTM，通过直接从大规模 MIMO 信道的时变训练样本中学习空间结构和时间相关性，大大提高了恢复质量并改善了压缩比与复杂度之间的权衡。模拟结果表明，CsiNet-LSTM 优于现有的压缩感知和 DL 方法，并且在压缩比减小的情况下具有明显的鲁棒性。

Jul, 2018

该研究介绍了一种新的神经网络架构，使用卷积神经网络压缩和反馈信道状态信息，加入长短期记忆模块以实现多路径输入多路径输出（MIMO）通信的量化 CSI 反馈性能提高，实验结果表明该 NN 架构在 CSI 压缩和恢复准确性方面表现更好。

Nov, 2018

利用深度卷积神经网络和生成对抗神经网络来利用上行 CSI 推断下行 CSI，实现无需反馈的数据驱动方案，以发现信道状态信息用于有效分配无线资源，在 FDD 通信中准确推断数据。

Dec, 2018

本文讨论了在大规模 MIMO 移动通信系统中，利用深度神经网络（DNN）进行基于信道状态信息（CSI）的定位的实际问题，并引入了一种基于特征设计的方法来提高 DNN 的性能，该方法的目标是使特征对于考虑的障碍是不变的。通过在户外校园环境中收集到的地理标记 CSI 数据集上进行实验评估，表明本文所提出的方法具有很高的效率，并可以很好地适用于定位任务。

Mar, 2020

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

本文提出了一种基于深度学习技术的方法，采用了深度循环神经网络（RNN）来学习时空相关性，并采用分离的深度可分离卷积来压缩信道状态信息（CSI）。实验结果表明，该方法在恢复质量和准确性方面优于现有的基于深度学习的方法，并且在低压缩比（CR）下也能达到显著的鲁棒性。

Aug, 2019

提出了一种基于信息论的 CSI 压缩方法 SD-CsiNet，在 self-information 领域内建立了一个新的 DL 网络，可以在时间和空间方面提取 CSI self-information 矩阵的特征并将这两个特征整合起来进行压缩。在实验中展示了 SD-CsiNet 的有效性和性能比其他方法有显著提升（分别达到了 1/8 和 1/16 的压缩比下 7.17 dB 和 3.68 dB 的性能增益）。

Apr, 2023