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

本论文提出了一种基于深度学习的新方法，可以利用无线信道的时间和频率相关性来联合估计通道和信号检测，该方法中设计了一个 Channel Estimation Network（CENet）来替代传统的基于导频辅助的估计方案中的插值过程，并基于 CENet 的输出，设计了一个 Channel Conditioned Recovery Network（CCRNet）来恢复传输信号，实验结果表明，CENet 和 CCRNet 相比于传统的估计和检测方法具有更优越的性能，并且两个网络都显示出对参数变化的鲁棒性，这使它们具有实际应用的吸引力。

Aug, 2020

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

本文研究了利用机器学习，特别是神经网络方法来进行无线通信信道估计问题，并且针对正交频分复用信号的下行场景，采用一个通用的残差卷积神经网络进行了实现，且利用简单的插值层来替换其他网络中的转置卷积层，减少了计算成本。与其他深度学习方法相比，对于 3GPP 信道模型，我们提出的方法表现出更优的均方误差性能。

Jan, 2022

本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。

Feb, 2018

本文提出了基于深度学习的新颖 OFDM 解调器，该解调器采用单比特量化技术，并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计，并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法，在信噪比 10dB 的情况下表现良好。

Nov, 2018

本研究提出了一种基于机器学习的技术，旨在针对无线环境频率选择性和时变性的复杂度，通过提取通道状态信息实现对正交频分多路复用子带频段的信道预测，实现提高系统性能的目的。

May, 2023

本研究提出了一种基于深度学习算法的信道估计方法，利用图像处理中的图像超分辨率和图像恢复技术来进行信道估计，实验结果表明该方法的性能与最小均方误差相当，且优于线性最小均方误差的近似算法。

Oct, 2018

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

本文研究了非线性硬件失真对单小区 massive MIMO 的上行传输性能的联合影响，并提出了使用深度学习方法估计基站天线的有效通道和失真方差，在高阶非线性下取得更好的性能表现。

Nov, 2019