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

我们开发了一种名为 OLP-GNN 的图神经网络，通过在 1 到 2 毫秒的时间预算内计算最优线性前编码器以实现最小下行用户数据速率的最大化，该方法在不同 AP 和 UE 数量以及不同的可见光和非可见光射频传播环境下实现了接近最优的频谱效率。

Jun, 2024

应用混合精度神经网络降低功耗的数字预失真（DPD）技术，在无线电系统中实现了高效的信号线性化、降低能耗，并取得了与 32-bit 浮点精度 DPDs 相当的性能指标。

Apr, 2024

本研究提出一种基于深度学习的毫米波大规模 MIMO 混合预编码框架，该框架通过 DNN 训练来优化 MIMO 预编码过程，最终实现减少 BER 和提高频谱效率的目的，并且能够在实现混合预编码的同时大幅度降低所需的计算复杂度。

Jan, 2019

本文提出一种低复杂度的混合预编码方案，称为 Phased-ZF (PZF)，可在尽可能近似于传统基带零强制 (ZF) 预编码性能的同时实现基于射频域的相位控制和低维度基带预编码，并将此方案在理想瑞利衰落信道和稀疏散射毫米波（mmWave）信道中进行了模拟，均取得了良好的性能。

Oct, 2014

提出了一种新的信令设计，利用深度神经网络在多用户多输入多输出非正交多址信道上实现安全传输，并通过模拟结果表明该模型的信道极限接近于 98% 的机密容量率。

Oct, 2021

本论文提出了一种新型的神经网络架构 (auto-precoder)，基于少量的训练数据，这种深度学习方法可以同时感知毫米波通道 (channel sensing) 和设计混合预编码矩阵 (hybrid precoding matrices)，从而降低了训练开销，实验结果表明，在 64 个发射天线和 64 个接收天线的系统中仅需 8 或 16 个通道训练数据即可实现近乎最优的速率，这是毫米波和大规模 MIMO 系统信道估计和混合预编码设计问题的一种有前途的解决方案。

May, 2019

本文提出了 DLCS 通道估计方案和 DLQP 混合前缀设计方法，用于多用户毫米波大规模 MIMO 系统，模拟结果表明 DLCS 通道估计方案在规范化均方误差和频谱效率方面优于现有方案，而 DLQP 混合前缀设计方法在相位分辨率较低的情况下具有更好的频谱效率性能。

Feb, 2020

本文提出了一种基于深度神经网络和数字预畸变来补偿 5G 通信中功率放大器的非线性和记忆效应的框架，该框架能够有效地降低这些效应并取得了较好的优化结果。

Jun, 2021

本文提出了一种卷积神经网络框架以改进混合预编码的性能，并展示其在存在通道矩阵不完美的情况下具有更少的计算时间和更好的性能。

Nov, 2019