通过神经网络进行频域外推，实现 DL 信道状态信息的准确性推测，不需要进行频繁的 PILOT 信号发送，与传统 TDD 信号相比具有可比性，可大幅提升频谱效益。

Jan, 2019

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

本文研究了基于深度神经网络的频分双工海量多输入多输出系统中的高效分布式信道估计、量化、反馈和下行多用户预编码技术，使用联合设计的序列与新的神经网络架构，使用户的反馈位直接转化为基站端的预编码矩阵，极大地提高了系统性能，且对于不同用户和反馈比特数，设计了实用的鲁棒性测试和普适的神经网络架构。

Jul, 2020

本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。

Jun, 2022

本研究提出了一种基于深度学习和神经网络的物理层信道估计器，可以在没有先验知识的情况下动态追踪信道状态，并且与传统算法和其他深度学习架构相比，具有更好的均方误差性能和鲁棒性。

Aug, 2019

本文提出了一个基于深度学习的模型驱动的通道估计和反馈方案，适用于宽带毫米波巨型混合多输入多输出系统，利用角度 - 时延域通道的稀疏性来减少开销。

Apr, 2021

本文研究双向选择信道估计在无线系统中的应用，由于动态环境下的多径传播和多普勒干扰，传统的估计方案在高移动情况下表现出性能降低的问题，引入双向循环神经网络对其进行优化，本文所提出的基于门控循环单元的双向循环神经网络估计法相对于卷积神经网络估计法在不同移动情况下能更准确地估计双向选择信道，并大幅减少计算复杂度。

Apr, 2023

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

本文研究了非线性硬件失真对单小区 massive MIMO 的上行传输性能的联合影响，并提出了使用深度学习方法估计基站天线的有效通道和失真方差，在高阶非线性下取得更好的性能表现。

Nov, 2019

本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。

Feb, 2018