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

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

论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017

本文提出了一种基于学习的低开销信道估计方法，在超密集网络的协调波束赋形中使用，可以通过人工神经网络在线推导出不同波束赋形的质量，从而替换需要大量的导频辅助信道估计，多个基站联合同时学习并增加候选波束，实现更好的性能。实验结果显示，在具有 20 个波束赋形的设置中，该方案的准确率可达 99.74％。

Apr, 2017

本研究提出一种基于深度学习框架的混合波束成形和通道估计方法，使用三个卷积神经网络设计混合波束和估计通道信息，不需要即时反馈 CSI，并具有比传统技术更高的频谱效率和更低的计算复杂度。

Jun, 2020

使用深度学习方法优化毫米波通信中的 MIMO 系统天线选择和混合波束成形器设计问题，能够比传统技术提高一个数量级的频谱效率，并且快于传统方法 10 倍，适用于数字移动设备。

May, 2019

本文研究采用深度强化学习中的 PrecoderNet 方法，提高毫米波大规模 MIMO 系统中的信道利用率和降低时延，模拟结果表明该方法具有较好的传输效果和鲁棒性。

Jul, 2019

本文提出一种整合了机器学习和协调波束成形技术的解决方案，以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战，并支持高度移动的毫米波应用，同时实现可靠的覆盖、低延迟和可忽略的训练开销。

Apr, 2018