本文提出一种结合深度迁移学习和元学习的算法，以预测频分双工大规模多输入多输出系统下行信道状态信息 (CSI)。模拟结果表明，该算法在新环境中具有更好的表现，且元学习算法比直接迁移算法具有更高的预测准确性和稳定性。

Dec, 2019

本论文旨在解决在频分双工 (massive MIMO) 系统中，基站获取下行信道状态信息 (CSI) 的难题，提出了一种利用 SCNet（一种稀疏的复数值神经网络）在离线训练后直接预测下行 CSI 的方法，证明了该方法的性能和稳定性。

Aug, 2019

该论文提出了一种基于 HyperRNN 的增强型端到端设计，利用下行和上行信道同时进行极化和时变相关性，优化长期信道特征从上行到下行的传递，从而降低了归一化均方误差（NMSE）性能并减少了导频长度。

Apr, 2021

本研究旨在通过开发全收发机制，包括下行信道训练（或估计），CSI 反馈和信道重建方案，解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数，然后开发了有效的下行训练方案，以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度，并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。

Feb, 2019

本文提出了一种基于深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。

Jan, 2022

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

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

本文介绍了一种基于 Markovian 模型的深度卷积神经网络框架 MarkovNet，用于对前向通道状态信息 (CSI) 进行编码、传输和恢复，以提高 CSI 的重建精度和反馈效率。与基于递归神经网络 (RNN) 的方法相比，MarkovNet 在保证重建准确性的前提下，能显著降低成本和复杂度，尤其在反馈量化方面表现优异。

Sep, 2020

采用神经网络的联合导频设计与下行信道估计方案，利用卷积神经网络层和非局部注意力模块，在分配导频时选择性减少神经元以降低开销，显著提高了宽带大规模 MIMO 系统的频谱效益。

Jun, 2020