本文提出了一种基于深度学习框架和专家知识的下行波束成形优化方法，构建了三个波束成形神经网络用于三种典型优化问题，并在模拟结果中表明该方法具有较快的实现速度和显著降低的计算复杂度。

Jan, 2019

本文研究深度学习在下行多用户多天线系统中优化波束成形向量的方法，结合总功率预算作为副信息，使用深度神经网络优化较传统方法更为高效。

Jul, 2020

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

本文提出了一种基于学习的低开销信道估计方法，在超密集网络的协调波束赋形中使用，可以通过人工神经网络在线推导出不同波束赋形的质量，从而替换需要大量的导频辅助信道估计，多个基站联合同时学习并增加候选波束，实现更好的性能。实验结果显示，在具有 20 个波束赋形的设置中，该方案的准确率可达 99.74％。

Apr, 2017

本研究使用深度学习研究了多用户多输入单输出系统中的快速下行波束成形算法，其中基站的每个发射天线都有自己的功率约束。研究关注信干噪比（SINR）平衡问题，首先设计了快速次梯度算法，然后提出了一种基于卷积网络和原问题的对偶性的深度神经网络结构来学习最优波束成形。最后，开发了一种算法泛化的方法，以适应不断变化的用户和天线数量，实现了更好的性能与复杂度的平衡。

Feb, 2020

使用深度学习技术，本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet，将 CSI 转换为一组最佳表示，具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。

Dec, 2017

本研究提出一种基于深度学习框架的混合波束成形和通道估计方法，使用三个卷积神经网络设计混合波束和估计通道信息，不需要即时反馈 CSI，并具有比传统技术更高的频谱效率和更低的计算复杂度。

Jun, 2020

本文介绍了一种基于深度强化学习（DRL）的新方法，通过联合优化 MIMO 系统中的发送波束和可重构智能表面（RIS）的相位移位，最大化相位依赖性反射幅度模型下的总下行速率。

Oct, 2022

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

本文针对毫米波多输入多输出系统中的波束赋型技术进行研究，采用广义空间调制技术进一步提高频谱效率。通过深度学习，设计了 GSM 毫米波 MIMO 系统中的混合波束赋型器，并给出了基于多分辨率网络的 GsmEFBNet 方法，该方法比传统方法具有更高的实现速率和更少的反馈位数。

Feb, 2023