论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017

本文目的在于探讨在何种场景下，数据驱动的机器学习可以超越传统的 MIMO 收发器，并展示了多种场景中 ML 的性能表现，其中包括闭环 MIMO，开环 MIMO 和多用户 MIMO，并提供了相应神经网络模型的代码实现。

May, 2020

采用神经网络的联合导频设计与下行信道估计方案，利用卷积神经网络层和非局部注意力模块，在分配导频时选择性减少神经元以降低开销，显著提高了宽带大规模 MIMO 系统的频谱效益。

Jun, 2020

本文提出了深度学习辅助的深度空间多路复用多输入多输出传输索引调制数据检测方法 (Deep-SMX-IM)，它通过结合零强制检测器和深度学习技术构建。此方法利用深度学习技术学习频率和空间域的传输特性，同时通过索引调制提供的子块检测，显示出降低计算复杂度的优势，并且在不增加计算复杂度的情况下比零强制检测器有更好的误码性能。

Feb, 2022

本文提出了一种基于数据驱动的深度学习方法，用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性，该方法可以从欠定的测量中可靠地重构高维信道，模拟结果表明，该方法优于最先进的压缩感知方法。

Mar, 2020

本文研究了在现有 OFDM MIMO 系统中，仅基于正交频分复用（OFDM）复杂频道系数的深度神经网络在多输入多输出（MIMO）用户定位方面的可用性，提出了一种两步训练流程来减少所需的训练点数量。

Apr, 2018

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深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。

Jan, 2022

本文提出了一种针对频分双工大规模 MIMO 系统的自适应信道估计与反馈方案，其中利用了空间公共稀疏性和压缩感知技术来实现非正交下行导频设计、适应性信道采集和跟踪，取得了比传统方案更好的性能表现。

Apr, 2016

本文针对多天线、多用户系统中链路自适应的问题，提出了一种数据驱动的多用户 MIMO OFDM 系统的链路自适应方法，其中引入了机器学习分类器来选择调制和编码方案，并使用新的估计方法来估计由有限反馈引起的未知用户间干扰，通过贪心算法使用可负担的复杂性进行空间模式和用户选择。在 IEEE 802.11ac 标准中的应用研究表明，该方法可以调度用户和根据信道出路和反馈速率自适应地调整传输参数。

Jun, 2013