本文探讨了在 mmWave 通信初始对齐阶段中，自适应、序列学习信道状态信息的问题，主要聚焦于单用户单主导路径情况下获取最佳波束成形矢量的算法。提出了两种优化自适应选择波束成形矢量的算法，并得出了通过这些算法在数值上分析错配概率和期望谱效率的改进。

Dec, 2019

本文使用深度学习方法解决毫米波环境下单路径通道中的自适应和序列波束形成设计问题，通过设计一个新颖的深度神经网络，根据基站已有的信息并逐步设计适应性感知矢量，以学习主路径角度到达（AOA）。结果表明，与现有的自适应和非自适应波束形成方案相比，该神经网络具有显著更好的 AOA 获取性能。

Dec, 2020

本文提出了一种基于角度信息和在线学习算法的压缩感知编码本学习框架，有效地获得通道测量值并提供快速波束对准的解决方案。

May, 2020

本文介绍了一种用于解决波束对准问题的非负最小二乘技术，利用了毫米波信道在到来和离去角度方向上的稀疏性，在通过预定义的伪随机波束形成码本和伪随机扩展码进行的下行通信期间定期探测通道。结果表明，该方案在高速运动下的表现性能仍然优异，且通信需无需在时间域进行均衡处理。

Jun, 2018

本文提出一种基于分层结构的波束对准算法 (HBA) 来降低毫米波通信系统中波束对准所需时间，该算法将波束对准问题转化为了随机多臂老虎机问题，并利用波束间的相关性来加速波束对准过程，同时通过加入信道波动先验知识来进一步加快波束对准过程。理论分析表明，该算法渐近优越。大量模拟实验表明，该算法能够在多径信道中高概率地确定最优波束，并将波束对准时间从几百毫秒降至几毫秒，比 IEEE 802.11ad 中现有的波束对准方法更为高效。

Sep, 2019

本文通过多臂老虎机框架，提出了一种在线学习算法，用于选择和优化天线成对的方向，以最大化功率角谱在该位置上的峰值，并在较短的时间步数内实现与无遗漏搜索相当的性能。

Sep, 2018

本文介绍了基于循环神经网络 (RNN) 的自适应方法，用于跟踪和预测给定用户终端的离角 (AoD)，提出了改进的帧结构来减少波束对准开销，从而达到更高的通信速率。

Aug, 2021

本文提出一种整合了机器学习和协调波束成形技术的解决方案，以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战，并支持高度移动的毫米波应用，同时实现可靠的覆盖、低延迟和可忽略的训练开销。

Apr, 2018

本论文提出使用机器学习策略 Bayesian optimization 来有效解决毫米波通信中非常狭窄的波束对准问题，提高信道的谱效率并减小了通信的开销。

Jul, 2022

本文提出了一种双时间尺度模型来表征通道变化，并基于卡尔曼滤波器和突变检测方法对其进行跟踪，对比了自适应算法，结果表明所提出算法在单收发射机中具有更好的跟踪性能，并且使用更少的导频信号和信噪比，同时突变检测方法也具有较高的准确度。

Dec, 2015