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

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

在扭曲受限的情况下，使用图形神经网络来学习通道和预编码矩阵之间的映射，以最大程度地提高受非线性畸变影响的总速率，增加能效。

Dec, 2023

通过使用深度学习在大规模 MIMO 网络下行链路中执行最小最大功率分配和最大乘积功率分配，神经网络可以通过学习用户设备（UE）的位置和最优功率分配策略之间的映射，预测新的 UE 位置的功率分配配置，并比传统的优化方法具有更好的性能 - 复杂度平衡，不需要计算任何统计平均值，能够保证接近最优的性能。

Dec, 2018

本文提出基于深度学习的多输入多输出通信信道中有限字母信号的线性预编码方法，采用线下训练方式，大大降低在线推理阶段的预编码复杂度，并以数值实验验证了该方法在复杂度和性能上的优势。

Nov, 2021

本文提出了一种面向多输入多输出系统的深度学习方法，用于信道侦测和下行混合波束成形，并通过使用神经网络设计模拟感知和混合下行预编码器，以及通过简化的方法学习上行感测矩阵和下行模拟预编码器，将系统性能显着改善。

Nov, 2020

本文主要研究基于多用户负载调制阵列（MU-LMAs）的毫米波（mmWave）多输入多输出（MIMO）系统，提出了用于下行 MU-LMA 的基于全阵列结构（FAS）发射机和基于 DL 增强的算法，以解决传输器结构问题、自适应码本设计问题和信道状态信息不完全的问题。

Nov, 2023