论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017

本文研究了具有空间相关通道的 FDD 大规模 MIMO 系统，通过巧妙设计下行信道训练序列和用户 CSIT 反馈码本，利用多用户空间信道相关性，优化了可实现速率。提出的特征空间通道估计方案减小了 FDD 系统和 TDD 系统之间的速率差距，与 JSDM 方案相比，在中等天线数和中至大的信道相干时间内实现了更高的吞吐量，但计算复杂度更高。

Jun, 2014

本研究旨在通过开发全收发机制，包括下行信道训练（或估计），CSI 反馈和信道重建方案，解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数，然后开发了有效的下行训练方案，以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度，并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。

Feb, 2019

本文针对多天线、多用户系统中链路自适应的问题，提出了一种数据驱动的多用户 MIMO OFDM 系统的链路自适应方法，其中引入了机器学习分类器来选择调制和编码方案，并使用新的估计方法来估计由有限反馈引起的未知用户间干扰，通过贪心算法使用可负担的复杂性进行空间模式和用户选择。在 IEEE 802.11ac 标准中的应用研究表明，该方法可以调度用户和根据信道出路和反馈速率自适应地调整传输参数。

Jun, 2013

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

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

本研究提出一种基于序列自编码收发器的双向深度循环神经网络（BRNN)，该网络使用滑动窗口技术来实现高效数据流估计。我们发现，这种滑动窗口 BRNN 相比之前的基于块的前馈神经网络（FFNN）自编码器在所有检测的距离上都能显著降低误码率，从而增加传输距离。与 FFNN 接收器实现的基于两级脉冲幅度调制的最新 IM/DD 方案相比较，我们的结果表明，在训练更少的参数的情况下，SBRNN 在 42 和 84 Gb /s 下均优于这些系统。我们的新型 SBRNN 设计旨在为具有存储器的非线性信道（例如光学 IM/DD 光纤信道）的端对端深度学习系统进行定制。

Jan, 2019

本文目的在于探讨在何种场景下，数据驱动的机器学习可以超越传统的 MIMO 收发器，并展示了多种场景中 ML 的性能表现，其中包括闭环 MIMO，开环 MIMO 和多用户 MIMO，并提供了相应神经网络模型的代码实现。

May, 2020

本文提出了大规模 MIMO 天线通道的确定性等效和评估容量实现输入协方差矩阵的算法。研究基于大维随机矩阵理论，在终端天线数量无限接近于无穷大的假设下做了相关推导。结果易于计算，精确性较高，并且不受多种衰落分布影响。

Sep, 2012

研究了毫米波通信中存在的空间宽带效应问题，提出了适用于毫米波大规模 MIMO-OFDM 系统的通道估计方案，可以从各个角度得到更高精度的频率参数和时域参数，进而通过下行链路进行更简易而准确的通道估计

Mar, 2019