本文提出了一个深度学习框架，用于大型智能表面辅助大规模 MIMO 系统中的通道估计，其核心是双卷积神经网络结构，用于估计直接和级联信道，结果表明该方法性能优越。

Jan, 2020

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

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

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

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

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

本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。

Feb, 2018

研究了一种基于深度学习的有限反馈方法，通过神经网络替代了包括导频辅助通道训练过程、通道码本设计和波束形成向量选择在内的端到端有限反馈过程，并训练神经网络以产生二进制反馈信息和高效的波束形成向量，以最大化有效信道增益，与传统的有限反馈方案相比，所提出的深度学习方法在降低计算复杂度的同时，显示了 1 dB 的符号误差率（SER）增益。

Dec, 2019