本文提出了一种基于监督学习的新型通信框架，旨在通过学习在 ADC 使用的量化函数的无线信道和数据检测之间的非线性输入输出系统并在此基础上进行数据检测，以实现低分辨率 ADC 下的 MIMO 系统的性能优化。通过发送所有可能的数据信号作为导频信号来经验性地学习非线性系统的条件概率质量函数 (PMFs)，然后根据所得到的经验性条件 PMFs 执行后续数据检测过程，以实现系统学习过程中传统的信道估计过程的替换，以降低培训开销和检测复杂度。同时，我们还开发了一种监督学习辅助的连续干扰消除方法。在一位 ADC 的情况下，文中推导了在接收机具有完美信道知识的情况下所提出框架的向量错误率的解析表达式，并通过模拟实验验证了所提出框架相对于基于信道估计的传统检测技术的检测误差降低。

Oct, 2016

本文针对毫米波 MIMO-OFDM 接收机中使用广义混合模拟数字前端和低分辨率模拟转换器时，由于其引入的强非线性性，导致数据检测极具挑战性的问题，提出了一种使用广义期望一致性信号恢复技术的计算有效数据检测算法，并在混合 ADC 架构中进行了拓展。

Mar, 2018

该研究提出了一种针对大规模多输入多输出（MIMO）系统中使用一位 ADC（即一个实部和一个虚部）连接每个天线元素的上行多用户 massive MIMO 系统的近似最大似然（nML）检测器，通过最小化符号错误率（SER）和能效指标来实现低功耗。

Jul, 2015

该论文研究了使用 1 位模数转换器的上行大规模 MIMO 系统，并开发了一种基于深度学习的信道估计框架，其利用先前信道估计观测和深度神经网络模型学习从量化接收信号到信道的映射，并证明了当使用更多天线时，我们提出的深度学习方法能够实现更好的信道估计性能

Oct, 2019

使用 Bayes 优化进行模拟研究，成功开发出了一种低精度模拟转换器的多输入多输出（MIMO）接收机，该技术可用于实现具有大规模 MIMO 天线系统并减少成本和功耗。

Jul, 2015

本文应用深度学习算法，提出直接输入深度神经网络和选择性输入预测深度神经网络，以估计大规模 MIMO 系统中混合 ADC 的上行通道。实验结果表明，该方法较传统方法在具有混合一位 ADC 的情况下具有更好的表现，在不同 ADC 分辨率模式下也具有较好的效果。

Aug, 2019

本文提出了一种自适应频道估计技术，考虑到大规模 MIMO 系统的空间和时间相关性，使用一位 ADC，将 Bussgang 分解线性化，采用卡尔曼滤波估计相关性通道，实现了低复杂度的截断多项式扩展通道估计器，数值结果表明，所提出的频道估计器可以显著提高频道估计的准确性。

Oct, 2019

本文提出一种基于广泛的角度和时间延迟域的毫米波多输入多输出（MIMO）系统的信道估计算法，该算法利用了信道的关节稀疏性，在采用少位模拟数字转换器（ADCs）的情况下解决量化压缩感知问题。我们设计了一种训练序列，使得这些算法的实现效率很高，同时最小化了发射机峰均功率比。通过详细的仿真研究，我们发现这种方法使得 1-bit ADCs 在低信噪比下可以与无限位 ADCs 相媲美，而 4-bit ADCs 在中等信噪比下可以与无限位 ADCs 相媲美。

Oct, 2016

该研究提出了一种基于强化学习框架的频域去噪方法，该方法不需要先验信道知识和预标记的数据，并具有成功减轻信道估计噪声的能力。

Jan, 2021

本文介绍了一种基于深度学习和迭代软阈值算法的 MMNet MIMO 检测方案，通过该方案，可以在同等或更低的计算复杂度下，实现对具有空间相关性的实际信道的在线训练，并在性能上远远优于现有的深度学习方法。

Jun, 2019