本论文旨在解决在频分双工 (massive MIMO) 系统中，基站获取下行信道状态信息 (CSI) 的难题，提出了一种利用 SCNet（一种稀疏的复数值神经网络）在离线训练后直接预测下行 CSI 的方法，证明了该方法的性能和稳定性。

Aug, 2019

本文研究了基于深度神经网络的频分双工海量多输入多输出系统中的高效分布式信道估计、量化、反馈和下行多用户预编码技术，使用联合设计的序列与新的神经网络架构，使用户的反馈位直接转化为基站端的预编码矩阵，极大地提高了系统性能，且对于不同用户和反馈比特数，设计了实用的鲁棒性测试和普适的神经网络架构。

Jul, 2020

本文讨论毫米波 (mmWave) MIMO-OFDM 系统下行信道估计的问题，利用基站 (BS) 和移动站 (MS) 上的大型天线阵列进行方向预编 / 波束成形。本文提出了一种基于 CANDECOMP/PARAFAC (CP) 分解的方法，以估算信道参数 (包括到达 / 离开角度、时延和衰落系数)，并且通过模拟结果与基于压缩感知的方法进行对比，证明了该方法的性能优越性。

Sep, 2016

本文提出了一个基于深度学习的模型驱动的通道估计和反馈方案，适用于宽带毫米波巨型混合多输入多输出系统，利用角度 - 时延域通道的稀疏性来减少开销。

Apr, 2021

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

该论文提出了一种基于 HyperRNN 的增强型端到端设计，利用下行和上行信道同时进行极化和时变相关性，优化长期信道特征从上行到下行的传递，从而降低了归一化均方误差（NMSE）性能并减少了导频长度。

Apr, 2021

本文提出了一种适用于混合毫米波系统的低复杂度信道估计算法，其中 RF 链路数远小于每个收发器上配备的天线数，该算法利用多个频率进行强角度到达估计，并针对该估计结果设计模拟波束成形矩阵，以此估算信道，进而进行多用户下行传输。该算法适用于非稀疏和稀疏毫米波信道环境，并且分析和仿真结果表明，该算法对于系统缺陷具有较强的容错性能。

Mar, 2017

本文提出了一种面向多输入多输出系统的深度学习方法，用于信道侦测和下行混合波束成形，并通过使用神经网络设计模拟感知和混合下行预编码器，以及通过简化的方法学习上行感测矩阵和下行模拟预编码器，将系统性能显着改善。

Nov, 2020

分析了每个接收器具有完美信道知识但发射器仅接收有关信道实例化的量化信息的系统，考虑了零强制传输技术，并推导了有限速度反馈导致的吞吐量降级的简单表达式。

Mar, 2006

本研究提出一种使用神经网络进行符号检测的技术，名为 FedRec，其采用联邦学习的训练方案，可以在不需要了解衰落信道统计信息的情况下，在多样化的信道条件下接近 MAP 检测器的性能，并显著降低了其训练过程中的通信开销。

Nov, 2020