本文研究了基于深度神经网络的频分双工海量多输入多输出系统中的高效分布式信道估计、量化、反馈和下行多用户预编码技术，使用联合设计的序列与新的神经网络架构，使用户的反馈位直接转化为基站端的预编码矩阵，极大地提高了系统性能，且对于不同用户和反馈比特数，设计了实用的鲁棒性测试和普适的神经网络架构。

Jul, 2020

研究了一种基于深度学习的有限反馈方法，通过神经网络替代了包括导频辅助通道训练过程、通道码本设计和波束形成向量选择在内的端到端有限反馈过程，并训练神经网络以产生二进制反馈信息和高效的波束形成向量，以最大化有效信道增益，与传统的有限反馈方案相比，所提出的深度学习方法在降低计算复杂度的同时，显示了 1 dB 的符号误差率（SER）增益。

Dec, 2019

采用神经网络的联合导频设计与下行信道估计方案，利用卷积神经网络层和非局部注意力模块，在分配导频时选择性减少神经元以降低开销，显著提高了宽带大规模 MIMO 系统的频谱效益。

Jun, 2020

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

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

本文提出了一种基于数据驱动的深度学习方法，用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性，该方法可以从欠定的测量中可靠地重构高维信道，模拟结果表明，该方法优于最先进的压缩感知方法。

Mar, 2020

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

该论文提出了一种基于 HyperRNN 的增强型端到端设计，利用下行和上行信道同时进行极化和时变相关性，优化长期信道特征从上行到下行的传递，从而降低了归一化均方误差（NMSE）性能并减少了导频长度。

Apr, 2021