该研究提出了一种基于数据驱动的、利用联邦学习（FL）和生成对抗网络（GAN）的方法，用于在无人机上的毫米波无线网络中进行空地信道估计。通过将 FL-GAN 与其他生成模型进行比较，结果表明，FL-GAN 所生成的合成数据分布与真实数据的相似度最高，有效地展示了该方法在生成数据驱动的信道模型方面的实用性。

May, 2023

本文介绍了一个基于广泛的 28 GHz 和 140 GHz 的信道测量开发的室内三维统计信道模型，用于未来的第六代无线系统，特别是为室内场景设计。

Sep, 2020

在这篇论文中，我们提出了一种将深度学习神经网络与混合密度网络模型相结合的新方法，以得到普通无线通信系统中给定通信距离的接收功率的条件概率密度函数（PDF）。此外，我们还设计和实现了一种深度迁移学习方案，使得信道模型能够动态适应通信环境的变化。通过在 Nakagami 衰落信道模型和 Log-normal 阴影信道模型上进行广泛实验，结果表明新方法比以前基于深度学习的信道模型在统计准确性、速度和鲁棒性方面更好。

May, 2024

本文通过实测数据得到具有代表性的 28GHz 和 73GHz 频段的信道空间统计模型，从而对微小和蜂窝无线网络的毫米波部署进行现实评估，并预测系统模拟可以提供比当前城市部署下的 4G 蜂窝网络容量提高十倍的性能，而不需要增加基站密度。

Dec, 2013

本研究提出使用变分生成对抗网络来解决无线信道建模中的问题，可以精确地捕捉随机的信道响应，并且可以在一系列真实信道分布上优化性能。

May, 2018

该论文通过随机几何模型分析毫米波无线网络，研究覆盖概率和符号速率，考虑了 mmWave 通信的独特特性并给出了上下界。

Jul, 2018

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扩散模型的信道采样方法，用于快速合成有限数据中的信道实现。实验证明，相比于基于 GAN 的方法，该基于扩散模型的方法在训练稳定性和生成多样性方面表现更好，并且可以使用有限数据对真实世界信道进行建模。

Aug, 2023

该研究提出了使用生成式渠道建模从信道输入输出测量中学习统计信道模型来代表现场数据，使用 MIMO - GAN 模型将无线信道隐式建模成时域带限脉冲响应分布，评估结果表明在捕获電力、时差和空间相关性统计方面具有高一致性，尤其是平均时延误差小于 3.57ns，功率损失在 - 18.7db 以内。

Mar, 2022

本文提出了一种双时间尺度模型来表征通道变化，并基于卡尔曼滤波器和突变检测方法对其进行跟踪，对比了自适应算法，结果表明所提出算法在单收发射机中具有更好的跟踪性能，并且使用更少的导频信号和信噪比，同时突变检测方法也具有较高的准确度。

Dec, 2015