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

本研究针对频率和时间选择性衰落信道，探讨端到端学习在无线通信上的应用，通过神经网络接收机代替传统正交导频，并使用超定位信号，线性复合和优化星座几何图形等技术替换正交导频，实现了与基线方案相同的误比特率和相对 7％的吞吐量提高，表明协同学习的发射机和接收机是超越 5G 通信系统的一个有趣组成部分，可以消除解调参考信号的需求和相关控制开销。

Sep, 2020

在本研究中，我们使用模拟结果验证了 Orthogonal-Time-Frequency-Space（OTFS）和 Orthogonal-Frequency-Division-Multiplexing（OFDM）之间的性能差异，并提出了基于深度神经网络（DNN）的自适应方案来优化均方误差（MSE）性能。通过观察信道条件、接收信噪比和调制格式，训练 DNN 分类器在发送器和接收器之间切换使用 OTFS 或 OFDM 信号处理链，仿真结果表明使用该方案可以显著提高通信的 MSE 性能。

Sep, 2023

本文研究了在现有 OFDM MIMO 系统中，仅基于正交频分复用（OFDM）复杂频道系数的深度神经网络在多输入多输出（MIMO）用户定位方面的可用性，提出了一种两步训练流程来减少所需的训练点数量。

Apr, 2018

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

通过深度学习来解决频率选择性衰落以及噪声问题，从而实现在 OFDM 系统中的信道估计和信号检测。

Aug, 2017

本文提出了一种利用极限学习机（ELM）实现高精度同步的新方案，将两个 ELM 并入传统的 MIMO-OFDM 系统，估计残余符号时序偏移量（RSTO）和残余载波频率偏移量（RCFO），与现有的机器学习技术相比，该方法表现出优越的性能，且具有机器学习的普适性。

Jul, 2020

本文利用深度学习方法，通过卷积神经网络对在毫米波多重输入多重输出系统中频率选择性宽带通道的信道估计和混合波束成型进行了研究。该方法相对于当前最先进的优化和深度学习方法，提供更高的频谱效率，较少的计算成本和更少数量的导频信号，并且在接收导频数据，损坏的信道矩阵和传播环境偏差方面具有更高的容忍度。

Dec, 2019

本文提出了两种基于深度学习网络的 OFDM 信号感知框架，分别为 SAE-SS 和 SAE-TF，与传统的 OFDM 感知方法相比，这两种方法可以更好地处理噪声不确定性、时延和载波频偏，同时提高了感知准确度。

Jul, 2018

本文提出了一种基于深度学习与专家知识相结合的模型驱动的正交频分复用接收器，采用逐块信号处理方法，在通道估计和信号检测子网中构建 DNN，相比于传统的简单解法 (LMMSE)，提供更精确的通道估计和更高的数据恢复精度，模拟结果进一步证明了该方法在信噪比和计算复杂性上优于 FC-DNN。

Oct, 2018