本文研究了基于深度神经网络的 MIMO 检测，并提出了一种适用于此检测任务的现代神经网络架构。通过数值模拟，结果表明，深层网络可以在显著降低复杂性的同时，提供针对具有不良条件通道和误指定噪声方差的鲁棒性，达到最先进的准确性。

Jun, 2017

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

本文提出了一种基于模型驱动的深度学习网络用于多输入多输出（MIMO）检测，通过深度学习技术优化网络的可训练参数以提高检测性能；由于网络可训练变量的数量等于层数，因此可以在很短的时间内轻松训练网络，并且网络可以处理时变信道，通过数值结果表明该方法可以显著提高 Rayleigh 和相关 MIMO 信道下迭代算法的性能。

Sep, 2018

本文介绍了两种不同的深度神经网络结构：一个标准的全连接的多层网络和一种特别设计用于该任务的检测网络 (DetNet)。我们将投影梯度下降算法的迭代展开成网络，获得了 DetNet 的结构。我们比较了这两种方法的准确性和运行时间，并成功地在保持低计算要求的情况下实现了最先进的性能。此外，我们成功地使用单个网络检测了整个频道分布，并考虑了软输出检测。我们证明这些网络可以被轻松地修改为产生软决策。

May, 2018

本文使用图神经网络（GNNs）学习图模型和马尔可夫链的随机场（MRF）来解决无线通信中的大规模 MIMO 检测问题，实验表现出比基于置信传播（BP）的 MMSE（minimum mean-squared error）基准检测器更好的性能。

Jul, 2020

本文介绍了利用模块化神经网络实现多天线信号检测，通过降低干扰和信号扩展以及神经网络的设计来达到减小量化误差的目的。本文的方法可以通过模块化来降低学习复杂度，并具有优于其他基于深度学习的 MIMO 检测方法的性能。

Apr, 2020

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

本文提出一种新颖的神经网络，用于多输入多输出符号检测，它通过迭代单元的堆叠来学习迭代译码算法，每个单元由三个子模块组成，分别是似然模块、编码器模块和预测器模块，其中编码器模块处理置换等变性的用户之间交互，预测器模块则改进符号估计的表现，这一架构的模块化和置换等变性的特性可以处理不同数量用户的变化，并且可以胜任高精度的任务。

Jun, 2020

本文采用深度学习底底的禁忌搜索检测，提出了快速收敛稀疏连接检测网络（FS-Net），并基于其实现适应性提前终止算法和修改搜索过程，以实现较好性能，并达到约 90％的复杂度降低。

Sep, 2019

该研究介绍了一种新的神经网络架构，使用卷积神经网络压缩和反馈信道状态信息，加入长短期记忆模块以实现多路径输入多路径输出（MIMO）通信的量化 CSI 反馈性能提高，实验结果表明该 NN 架构在 CSI 压缩和恢复准确性方面表现更好。

Nov, 2018