本文以 IEEE 802.11ah 标准为对象，针对基于传统方法和机器学习方法的数据包检测和载波频率偏移估计方法进行了性能和复杂度分析。

Apr, 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

本文提出了一种分布式算法，用于分散系统中频率偏移的估计，该算法通过本地计算和与直接相邻的节点进行有限的信息交换来估计每个节点的频率偏移，无需任何集中式信息处理或全球网络拓扑知识，通过模拟结果，表明这种算法具有快速的收敛速度和低延迟，是一种具有可扩展性的方法，可以达到最佳估计。

Jul, 2016

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

本文提出了一种利用极限学习机（ELM）实现高精度同步的新方案，将两个 ELM 并入传统的 MIMO-OFDM 系统，估计残余符号时序偏移量（RSTO）和残余载波频率偏移量（RCFO），与现有的机器学习技术相比，该方法表现出优越的性能，且具有机器学习的普适性。

Jul, 2020

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

基于深度学习的信道估计方案 (SisRafNet) 在正交频分复用（OFDM）系统中利用循环模型研究频率间信道的顺序行为，克服了传统的基于循环的方法存在的延迟和内存限制，提供了比现有深度学习信道估计技术更优异的性能，并在多个信噪比下验证了 3GPP 兼容信道场景的性能。

Jan, 2024

本文探讨了深度 CNN 在厘米波 massive MIMO 系统的信道估计中的应用，提出了精简空间频率 CNN、空间频率时间 CNN 和减少空间导频开销 CNN，通过数值结果验证了 CNN 可以在降低复杂度的同时提高估计准确性的结论。

Apr, 2019

本文提出了两种基于深度学习网络的 OFDM 信号感知框架，分别为 SAE-SS 和 SAE-TF，与传统的 OFDM 感知方法相比，这两种方法可以更好地处理噪声不确定性、时延和载波频偏，同时提高了感知准确度。

Jul, 2018

该研究论文探讨了深度学习在低功耗物联网通信中利用接收信号强度指示器（RSSI）进行准确信道估计的潜力，通过基于全连接神经网络（FCNN）的两个模型（A 和 B），它们分别实现了 99.02% 和 90.03% 的均方误差（MSE）减少。与其他深度学习技术相比，我们的估计模型表现出显著的效率优势。

May, 2024