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

本研究使用了展开的神经网络，利用稀疏恢复算法实现了 SISO-OFDM 信道估计，即使在系统参数不完全知道的情况下，也可以学习系统的瑕疵以提高估计性能。

Oct, 2022

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

本研究提出了一种基于机器学习的技术，旨在针对无线环境频率选择性和时变性的复杂度，通过提取通道状态信息实现对正交频分多路复用子带频段的信道预测，实现提高系统性能的目的。

May, 2023

该研究提出了一种基于强化学习框架的频域去噪方法，该方法不需要先验信道知识和预标记的数据，并具有成功减轻信道估计噪声的能力。

Jan, 2021

本文提出了基于深度学习的新颖 OFDM 解调器，该解调器采用单比特量化技术，并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计，并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法，在信噪比 10dB 的情况下表现良好。

Nov, 2018

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

通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。

Mar, 2018