本文提出一种整合了机器学习和协调波束成形技术的解决方案，以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战，并支持高度移动的毫米波应用，同时实现可靠的覆盖、低延迟和可忽略的训练开销。

Apr, 2018

本文通过多臂老虎机框架，提出了一种在线学习算法，用于选择和优化天线成对的方向，以最大化功率角谱在该位置上的峰值，并在较短的时间步数内实现与无遗漏搜索相当的性能。

Sep, 2018

本文介绍了第一次使用基于机器学习的雷达辅助波束预测在实际车联网通信场景中的应用，该应用可利用雷达传感器数据提供的关于收发位置和周边环境的信息来降低或消除毫米波和亚太赫兹的 MIMO 通信系统中波束训练的开销，实现低延迟高流动性应用。本文提出了利用雷达信号处理的领域知识来提取相关特征并将其馈入学习模型的深度学习雷达辅助波束预测方法，并使用了包含毫米波波束训练和雷达测量的大规模真实数据集 Deepsense 6G 来评估所提出的算法，结果显示所提出的算法能够在完全消除雷达 / 通信校准开销的同时达到约 90% 的前 5 个波束预测准确率，节省了 93% 的波束训练开销，这为解决毫米波 / 亚太赫兹通信系统中波束管理开销挑战开辟了一个有希望的方向。

Nov, 2021

本文提出了基于深度学习和超分辨技术的低开销光束和功率分配方法，以应对多用户毫米波网络中用户和车辆的移动、不必要的光束重新选择和定位等难题，并通过理论和数值分析结果证明了该方法的有效性。

May, 2023

提出了一种基于多模态机器学习的方法，利用无线通信环境中收集到的位置和视觉数据快速预测光束方向，实现了超过 75％ 的准确度和近乎 100％ 的前 3 名光束预测准确度。

Nov, 2021

本文提出了 DeepBeam 框架，该框架使用波形级深度学习和卷积神经网络，自动推断波束的角度到达和发送端实际使用的波束，可实现更高的精度和更低的延迟，其数据集和代码已公开发布。

Dec, 2020

本文提供一种将机器学习工具和情境感知相结合的方法，在车辆环境中学习射总体信息（功率、最佳射总索引等），实验结果表明情境感知可以极大提高预测准确性和模型吞吐量，同时几乎不影响性能和性能损失。

May, 2018

利用深度学习模型从 sub-6GHz 信道预测 mmWave 波束和阻塞状态，DeepMIMO 数据集验证模型可以超过 90% 的成功预测 mmWave 阻塞，这种方法避免了波束训练的开销并且在没有完美信道知识的情况下逼近最优数据速率。

Oct, 2019

本文研究利用视觉技术来解决毫米波通信系统所面临的无线通信难题，应用计算机视觉和深度学习技术通过直接从相机 RGB 图像和 sub-6GHz 信道中预测毫米波束和阻塞，实现了超过 90％的束选择精度和零额外时间负担的创新解决方案。

Nov, 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