针对大规模天线系统，本文提出了一种端到端学习的代码本设计算法，网络波束空间学习（NBL），通过优化代码本的设计来减轻干扰并最大化可实现的性能，在波束对准方面比传统代码本提高 10dB，并在网络频谱效率上提高 25% 以上。

Mar, 2024

该论文提出了一种基于子阵列和抑制天线处理技术的高效分层码簿设计方法，并给出了闭式表达式。该方法在不同的系统和信道模型下进行性能评估，结果表明该方法优于现有的替代方法。

Nov, 2015

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

文中讨论了通过量化天线波束来弥补毫米波带高路径损耗的问题，并提出了一种基于数据驱动的方法来生成波束码本以增强 mmWave 终端的球面覆盖范围。本文提出的方法比基准和 802.15.3c 码本更好，可以应用于不同的天线类型，天线阵列配置，安置和终端外壳设计。

Aug, 2019

通过研究使用射频信号的射束管理协议，利用人工智能和机器学习的方法，探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。

Dec, 2023

该论文提出了一种基于混合知识数据驱动的方法，用于在无蜂窝大规模多输入多输出系统中进行通道语义获取和多用户波束 forming，以提高室外无线传输性能并缩小与室内传输能力之间的差距。

Jul, 2023

本文提出了一种基于角度信息和在线学习算法的压缩感知编码本学习框架，有效地获得通道测量值并提供快速波束对准的解决方案。

May, 2020

本论文提出使用机器学习策略 Bayesian optimization 来有效解决毫米波通信中非常狭窄的波束对准问题，提高信道的谱效率并减小了通信的开销。

Jul, 2022

使用基于代码本的波束选择和机器学习的位置辅助方法，解耦用户设备（UE）和基站（BS）之间的波束选择，通过可用位置信息降低波束选择开销。模拟结果表明，具有可用位置信息的解耦波束选择与基站的联合波束对选择性能相当，而无位置信息的解耦波束选择在足够的波束对扫描时，接近于基站的波束对选择性能。

Apr, 2024

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