本文提出了一种新的结构化大规模接入算法框架，包括一种初始接入算法、一种部分大尺度衰落解码策略、两种导频分配方案和一种分式功率控制策略，模拟结果表明，该框架在局部部分最小均方误差 (LP-MMSE) 和最大比例 (MR) 合并时提供了高的谱效率。

Jun, 2020

本文提出了一种基于深度学习技术的速率分裂多址接入方案以及在 RIS-assisted 的太赫兹多用户 MIMO 系统中的 CSI 获取方法。

Sep, 2022

本文提出了一种新的高效自编码器 (AutoEncoder, AP) 基于深度学习的大规模多输入多输出 (mMIMO) 下行系统，该系统中基站配备有大量天线，具有高效能功率放大器 (PA) 并为多个用户终端提供服务。具体而言，利用自编码器的概念设计 PA 感知预编码器和接收解码器，并利用深度神经网络 (NN) 设计端到端的大规模多用户 (MU) MIMO 下行链路。与以前的方法不同，AP-mMIMO 具有低计算复杂度，适用于全局能效系统。通过数值仿真表明，AP-mMIMO 方案相较于现有文献具有竞争性的性能，同时具有显着较低的复杂度。

Feb, 2022

本文提出了一种新颖的深度学习架构，结合了 MU-MIMO FDD 系统中频道采集和预编码过程，使用 DNN 单元进行端到端的训练，并展示了与传统技术和其他 DNN 方案相比的有效性。

Sep, 2022

通过提出一种名为 NNBF 的无监督深度学习框架，该研究旨在设计上行接收多用户单输入多输出（MU-SIMO）波束成形，以增强吞吐量并提供计算效率高于传统方法的解决方案。实验结果表明，NNBF 相对于零强制波束成形（ZFBF）和最小均方误差（MMSE）均衡器这两种基准方法在性能上表现出更好的表现，并且能够根据单天线用户设备（UEs）的数量进行扩展而无需进行矩阵伪逆运算，而基准方法则具有显著的计算负担。

Sep, 2023

该研究提出了一种名为大规模衰落预编码（LSFP）的新概念，通过外部多小区预编码，线性组合不同细胞用户之间的信息以消除干扰，来提高无线 massive MIMO 系统的频谱效率。

Nov, 2014

使用基于无监督深度学习的近场波束赋形方法，提出了一种解决极大规模阵列 (ELAA) 通信系统中波束训练开销问题的方法，该方法通过优化波束形成器来最大化多用户网络中的可达速率，并显著降低近场区域的波束训练成本。

Jun, 2024

本文提出了一种低复杂度的混合块对角化 (Hy-BD) 方案来接近传统 BD 处理方法的容量性能，通过相位 RF 预编码和组合来获得大阵列增益，然后在等效基带信道上进行数字 BD 处理，最后的仿真结果表明，我们的 Hy-BD 方案，具有更低的实现和计算复杂度，实现了接近传统高维 BD 处理的容量性能。

Apr, 2015

本研究旨在通过开发全收发机制，包括下行信道训练（或估计），CSI 反馈和信道重建方案，解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数，然后开发了有效的下行训练方案，以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度，并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。

Feb, 2019

基于深度学习的无监督式深度学习的联合功率分配和波束形成设计方案可以提高频谱效率，并且相较于传统方法具有较高的计算效率。

Jun, 2024