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

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

本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。

Jun, 2022

该研究使用深度神经网络发展一种决策定向通道估计算法，用于高动态车载环境下的多输入多输出空时分块编码系统，并且得到了比现有算法更佳的性能。

Jan, 2019

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

本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响，提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征，比 LMMSE 方法的噪声估计质量更高。

Aug, 2022

使用深度学习模型 DeepWiPHY 替换 IEEE 802.11ax OFDM 接收器的通道估计、相位误差纠正、采样率偏移纠正和均衡模块，并在合成和真实数据集的四种信道、信噪比和调制方式的综合评估中证实其性能优于传统 WLAN 接收器。

Oct, 2020

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