本文提出了一种面向多输入多输出系统的深度学习方法，用于信道侦测和下行混合波束成形，并通过使用神经网络设计模拟感知和混合下行预编码器，以及通过简化的方法学习上行感测矩阵和下行模拟预编码器，将系统性能显着改善。

Nov, 2020

本研究提出一种基于深度学习的毫米波大规模 MIMO 混合预编码框架，该框架通过 DNN 训练来优化 MIMO 预编码过程，最终实现减少 BER 和提高频谱效率的目的，并且能够在实现混合预编码的同时大幅度降低所需的计算复杂度。

Jan, 2019

本文提出了一种卷积神经网络框架以改进混合预编码的性能，并展示其在存在通道矩阵不完美的情况下具有更少的计算时间和更好的性能。

Nov, 2019

本文提出了 DLCS 通道估计方案和 DLQP 混合前缀设计方法，用于多用户毫米波大规模 MIMO 系统，模拟结果表明 DLCS 通道估计方案在规范化均方误差和频谱效率方面优于现有方案，而 DLQP 混合前缀设计方法在相位分辨率较低的情况下具有更好的频谱效率性能。

Feb, 2020

本文研究采用深度强化学习中的 PrecoderNet 方法，提高毫米波大规模 MIMO 系统中的信道利用率和降低时延，模拟结果表明该方法具有较好的传输效果和鲁棒性。

Jul, 2019

本文提出了一种新的高效自编码器 (AutoEncoder, AP) 基于深度学习的大规模多输入多输出 (mMIMO) 下行系统，该系统中基站配备有大量天线，具有高效能功率放大器 (PA) 并为多个用户终端提供服务。具体而言，利用自编码器的概念设计 PA 感知预编码器和接收解码器，并利用深度神经网络 (NN) 设计端到端的大规模多用户 (MU) MIMO 下行链路。与以前的方法不同，AP-mMIMO 具有低计算复杂度，适用于全局能效系统。通过数值仿真表明，AP-mMIMO 方案相较于现有文献具有竞争性的性能，同时具有显着较低的复杂度。

Feb, 2022

本文利用深度学习方法，通过卷积神经网络对在毫米波多重输入多重输出系统中频率选择性宽带通道的信道估计和混合波束成型进行了研究。该方法相对于当前最先进的优化和深度学习方法，提供更高的频谱效率，较少的计算成本和更少数量的导频信号，并且在接收导频数据，损坏的信道矩阵和传播环境偏差方面具有更高的容忍度。

Dec, 2019

本文提出了一种自适应算法以估计 mmWave（毫米波）信道参数，利用了信道的弱散射特性，并使用新型分层多分辨率码本构建了训练波束向量以实现算法的高效运行。此外，本文还将自适应信道估计算法扩展至多径情况，通过估计的信道，提出了一种新型混合模拟 / 数字预编码算法，其能够突破模拟仅波束成形的硬件限制并接近数字解决方案的性能。仿真结果表明，所提出的低复杂度信道估计算法与全面信道训练算法相比达到了可比较的预编码增益，同时说明了即使存在干扰，所提出的算法也能够接近完全信道知识实现的覆盖概率。

Jan, 2014

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

论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017