使用深度学习进行大规模天线阵列的波束成形设计
本文研究了使用毫米波频率进行无线蜂窝通信系统的大规模天线阵列，提出了一种混合波束成形架构，该架构包含低维数字波束成形器和使用模拟相移器实现的射频波束成形器，证明了该架构可以实现任何完全数字波束成形器的性能，并提出了一种启发式混合波束成形设计方法。
Jan, 2016
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
使用基于无监督深度学习的近场波束赋形方法，提出了一种解决极大规模阵列 (ELAA) 通信系统中波束训练开销问题的方法，该方法通过优化波束形成器来最大化多用户网络中的可达速率，并显著降低近场区域的波束训练成本。
Jun, 2024
通过提出一种名为 NNBF 的无监督深度学习框架，该研究旨在设计上行接收多用户单输入多输出（MU-SIMO）波束成形，以增强吞吐量并提供计算效率高于传统方法的解决方案。实验结果表明，NNBF 相对于零强制波束成形（ZFBF）和最小均方误差（MMSE）均衡器这两种基准方法在性能上表现出更好的表现，并且能够根据单天线用户设备（UEs）的数量进行扩展而无需进行矩阵伪逆运算，而基准方法则具有显著的计算负担。
Sep, 2023
使用深度学习方法优化毫米波通信中的 MIMO 系统天线选择和混合波束成形器设计问题，能够比传统技术提高一个数量级的频谱效率，并且快于传统方法 10 倍，适用于数字移动设备。
May, 2019
本文提出了一种基于深度学习框架和专家知识的下行波束成形优化方法，构建了三个波束成形神经网络用于三种典型优化问题，并在模拟结果中表明该方法具有较快的实现速度和显著降低的计算复杂度。
Jan, 2019
本文针对毫米波多输入多输出系统中的波束赋型技术进行研究，采用广义空间调制技术进一步提高频谱效率。通过深度学习，设计了 GSM 毫米波 MIMO 系统中的混合波束赋型器，并给出了基于多分辨率网络的 GsmEFBNet 方法，该方法比传统方法具有更高的实现速率和更少的反馈位数。
Feb, 2023
本研究提出一种基于深度学习框架的混合波束成形和通道估计方法，使用三个卷积神经网络设计混合波束和估计通道信息，不需要即时反馈 CSI，并具有比传统技术更高的频谱效率和更低的计算复杂度。
Jun, 2020
基于 ELPM 的近场 SBF 通过引入相位分布图像的相似度标准和迁移学习技术，提出了一种更快的 CSI 独立解决方案，通过模拟表明该方案可以提高训练速度约 5 倍，并通过 DFP 策略混合过程增加了收敛速度高达 8 倍。
May, 2024