通过使用神经网络和波束选择策略，我们提出了一种用于极大规模的多输入多输出（X-MIMO）系统的初始接入和优化码本设计的机器学习精炼码本设计过程，该算法名为极限波束管理（X-BM）。与传统的码本方法相比，我们的结果表明初始接入和整体有效的频谱效率明显提高了 8dB。

Nov, 2023

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

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

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

本文探讨了在 mmWave 通信初始对齐阶段中，自适应、序列学习信道状态信息的问题，主要聚焦于单用户单主导路径情况下获取最佳波束成形矢量的算法。提出了两种优化自适应选择波束成形矢量的算法，并得出了通过这些算法在数值上分析错配概率和期望谱效率的改进。

Dec, 2019

本文提出了一种基于学习的低开销信道估计方法，在超密集网络的协调波束赋形中使用，可以通过人工神经网络在线推导出不同波束赋形的质量，从而替换需要大量的导频辅助信道估计，多个基站联合同时学习并增加候选波束，实现更好的性能。实验结果显示，在具有 20 个波束赋形的设置中，该方案的准确率可达 99.74％。

Apr, 2017

本研究提出了一种基于深度神经网络的训练算法，能够在多用户系统中，仅基于部分自适应通道状态信息的不完全观测，提供有效鲁棒的波束成形方案。

Mar, 2021

本文介绍了一种联合优化的网络，用于信道估计和反馈，以学习光谱效率波束形成器。同时，应用了部署友好型子阵混合波束形成架构，并特别设计了实用的轻量级端到端网络。实验证明，与仅具有轻微性能损失的先前现有技术方法相比，所提出的网络在资源敏感的用户设备上更轻了 10 倍以上。

Feb, 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