本论文提出了一种新型的神经网络架构 (auto-precoder)，基于少量的训练数据，这种深度学习方法可以同时感知毫米波通道 (channel sensing) 和设计混合预编码矩阵 (hybrid precoding matrices)，从而降低了训练开销，实验结果表明，在 64 个发射天线和 64 个接收天线的系统中仅需 8 或 16 个通道训练数据即可实现近乎最优的速率，这是毫米波和大规模 MIMO 系统信道估计和混合预编码设计问题的一种有前途的解决方案。

May, 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

本文研究了基于深度神经网络的频分双工海量多输入多输出系统中的高效分布式信道估计、量化、反馈和下行多用户预编码技术，使用联合设计的序列与新的神经网络架构，使用户的反馈位直接转化为基站端的预编码矩阵，极大地提高了系统性能，且对于不同用户和反馈比特数，设计了实用的鲁棒性测试和普适的神经网络架构。

Jul, 2020

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

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

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

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

本研究提出了一种基于 RSSI 的无监督深度学习方法来设计大规模 MIMO 系统中的混合波束成形，并通过适当的 CSI 反馈显著提高了频分双工 FDD 通信中的谱效率，并且提出了一种用于初始接入 IA 的同步信号 SS 以及用于模拟前置器的代码本的方法。

Jun, 2020