基于时域平均 LSTM 的 IEEE 802.11p 标准信道估计方案
本研究提出了一种基于深度学习和神经网络的物理层信道估计器，可以在没有先验知识的情况下动态追踪信道状态，并且与传统算法和其他深度学习架构相比，具有更好的均方误差性能和鲁棒性。
Aug, 2019
本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。
Jun, 2022
本研究提出了一种基于深度学习算法的信道估计方法，利用图像处理中的图像超分辨率和图像恢复技术来进行信道估计，实验结果表明该方法的性能与最小均方误差相当，且优于线性最小均方误差的近似算法。
Oct, 2018
该研究论文探讨了深度学习在低功耗物联网通信中利用接收信号强度指示器（RSSI）进行准确信道估计的潜力，通过基于全连接神经网络（FCNN）的两个模型（A 和 B），它们分别实现了 99.02% 和 90.03% 的均方误差（MSE）减少。与其他深度学习技术相比，我们的估计模型表现出显著的效率优势。
May, 2024
该研究使用深度神经网络发展一种决策定向通道估计算法，用于高动态车载环境下的多输入多输出空时分块编码系统，并且得到了比现有算法更佳的性能。
Jan, 2019
本文以 IEEE 802.11ah 标准为对象，针对基于传统方法和机器学习方法的数据包检测和载波频率偏移估计方法进行了性能和复杂度分析。
Apr, 2020
本文研究了利用机器学习，特别是神经网络方法来进行无线通信信道估计问题，并且针对正交频分复用信号的下行场景，采用一个通用的残差卷积神经网络进行了实现，且利用简单的插值层来替换其他网络中的转置卷积层，减少了计算成本。与其他深度学习方法相比，对于 3GPP 信道模型，我们提出的方法表现出更优的均方误差性能。
Jan, 2022
本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响，提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征，比 LMMSE 方法的噪声估计质量更高。
Aug, 2022
在分布式大规模多输入多输出 (MIMO) 架构中，我们考虑了试点辅助的上行信道估计问题，其中接入点通过光纤前传链路将接收到的模拟射频信号的两级量化版本连接到中央处理单元。我们在该架构中采用了由 Nguyen 等人 (2023) 最近提出的基于深度学习的信道估计算法，并探索该算法对接入点中的自动增益控制器 (AGCs) 和比较器引入的附加信号失真 (1 比特量化之外的失真) 的鲁棒性。这些组件用于从接收信号生成两级模拟波形。通过模拟结果，我们表明所提出的信道估计方法明显优于 Bussgang 线性最小均方误差信道估计器，并且对于由 AGCs 和比较器引入的附加损坏具有鲁棒性。
Jun, 2024
通过利用大数据集和大型计算高效的人工神经网络模型进行近似回归的方法，提出了一种替代方案来构建估计器，并考察了相应精度和计算复杂度，结果表明该方法对于在各种无线操作条件下对于短时间估计和非线性硬件或传播效应估计等问题有着明显提升。
Jul, 2017