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

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

该研究提出了一种基于强化学习框架的频域去噪方法，该方法不需要先验信道知识和预标记的数据，并具有成功减轻信道估计噪声的能力。

Jan, 2021

本文研究了基于机器学习的信道估计的均方误差 (MSE) 性能，采用假设检验分析其 MSE 上界，并建立了一个统计模型，推导出训练数据大小和性能之间的清晰分析关系。最后，讨论了仅有有限训练数据的情况下的设计考虑。

Nov, 2019

在本文中，我们提供了一个方案，通过从另一个传输通道预测信道状态信息（CSI）值，并将多频段信息拼接在一起，从频域改进室内指纹定位的准确性。我们在 COST 2100 模拟数据和从办公场景中收集的实时正交频分复用（OFDM）WiFi 数据上测试了我们提出的方案。

Sep, 2023

本研究提出并比较了两种基于机器学习的 OFDM 系统联合检测 - 信道估计结构，分别使用深度神经网络 (DNN) 和极限学习机 (ELM) 架构来提高数据检测性能，并分析了误码率性能与计算复杂度之间的权衡，展示了提出的 DNN-OFDM 和 ELM-OFDM 检测器方法论的优越性。

Apr, 2023

本文针对多天线、多用户系统中链路自适应的问题，提出了一种数据驱动的多用户 MIMO OFDM 系统的链路自适应方法，其中引入了机器学习分类器来选择调制和编码方案，并使用新的估计方法来估计由有限反馈引起的未知用户间干扰，通过贪心算法使用可负担的复杂性进行空间模式和用户选择。在 IEEE 802.11ac 标准中的应用研究表明，该方法可以调度用户和根据信道出路和反馈速率自适应地调整传输参数。

Jun, 2013

本论文旨在解决在频分双工 (massive MIMO) 系统中，基站获取下行信道状态信息 (CSI) 的难题，提出了一种利用 SCNet（一种稀疏的复数值神经网络）在离线训练后直接预测下行 CSI 的方法，证明了该方法的性能和稳定性。

Aug, 2019

本文研究基于真实无线信道模型的大规模 MIMO 系统通道预测技术，提出并比较了基于向量卡尔曼滤波器和基于机器学习的通道预测方法，数值结果表明这两种方法均比传统方法具有更高的精确度和数据速率。

Sep, 2020