本文提出了一种基于深度学习的实时 CSI 反馈架构 CsiNet-LSTM，通过直接从大规模 MIMO 信道的时变训练样本中学习空间结构和时间相关性，大大提高了恢复质量并改善了压缩比与复杂度之间的权衡。模拟结果表明，CsiNet-LSTM 优于现有的压缩感知和 DL 方法，并且在压缩比减小的情况下具有明显的鲁棒性。

Jul, 2018

本研究提出了一种基于 RSSI 的无监督深度学习方法来设计大规模 MIMO 系统中的混合波束成形，并通过适当的 CSI 反馈显著提高了频分双工 FDD 通信中的谱效率，并且提出了一种用于初始接入 IA 的同步信号 SS 以及用于模拟前置器的代码本的方法。

Jun, 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

使用深度学习技术，本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet，将 CSI 转换为一组最佳表示，具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。

Dec, 2017

利用离散傅里叶变换位移定理和多径互易的物理原理，本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案，并结合迭代收缩阈值算法网络（ISTA-Net）架构。通过数值实验结果表明，本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。

Mar, 2024

本文介绍了一种基于 Markovian 模型的深度卷积神经网络框架 MarkovNet，用于对前向通道状态信息 (CSI) 进行编码、传输和恢复，以提高 CSI 的重建精度和反馈效率。与基于递归神经网络 (RNN) 的方法相比，MarkovNet 在保证重建准确性的前提下，能显著降低成本和复杂度，尤其在反馈量化方面表现优异。

Sep, 2020

本文针对毫米波多输入多输出系统中的波束赋型技术进行研究，采用广义空间调制技术进一步提高频谱效率。通过深度学习，设计了 GSM 毫米波 MIMO 系统中的混合波束赋型器，并给出了基于多分辨率网络的 GsmEFBNet 方法，该方法比传统方法具有更高的实现速率和更少的反馈位数。

Feb, 2023

本文提出了一种基于自编码器架构的基于 AI 的 CSI 反馈方法，通过将 CSI 编码成低维度潜空间并在 BS 处解码回来来有效地减少反馈开销，同时最小化恢复期间的损失，仿真结果表明，该 AI-based 建议的架构优于采用 5G New Radio（NR）系统中采用的 DFT 基础上的最先进的高分辨率线性组合码书。

Feb, 2022

在本文中，我们提出了一种低开销的基于 IEFSF 的少样本 CSI 反馈框架来应对大规模 MIMO 系统中的 CSI 反馈开销问题，通过在用户设备和基站之间进行合并和外推处理，形成低维特征向量的 CSI 矩阵，并利用领域知识和生成模型实现了少样本 CSI 反馈，实验结果表明，相比于现有方法，所提出的框架在几百个样本的情况下能够将 CSI 反馈开销降低 16 倍且保持较高的准确性。

Dec, 2023

本文提出了一种基于深度学习的信道状态反馈 (CSI) 网络，通过低复杂度轻量级的 CSI 反馈网络实现了有效 CSI 反馈，该网络在重构性能方面表现更好，并且维持了较少的参数和参数复杂度，具有可行性和潜力。

May, 2020