本文提出了基于图神经网络的 MP 检测器后验分布启发式微调的新框架，同时提出了两种基于神经网络的检测器，其中 GEPNet 检测器最大化检测性能，GPICNet 检测器平衡性能和复杂度，仿真结果显示，GEPNet 检测器在各种配置下的性能接近最大似然性能，GPICNet 检测器比 BPIC 检测器的多路复用增益翻倍。

Jun, 2022

本文使用图神经网络（GNNs）学习图模型和马尔可夫链的随机场（MRF）来解决无线通信中的大规模 MIMO 检测问题，实验表现出比基于置信传播（BP）的 MMSE（minimum mean-squared error）基准检测器更好的性能。

Jul, 2020

本研究提出了一种基于模型驱动深度学习技术的大规模 MIMO 检测器，通过构建一个学习的共轭梯度下降网络（LcgNet），明确学习它们的通用值和增强网络通过增加这些步长的维度，并通过低分辨率非均匀量化器智能量化步幅，有效地减少了复杂性和内存成本。

Jun, 2019

本文介绍了一种基于深度学习和迭代软阈值算法的 MMNet MIMO 检测方案，通过该方案，可以在同等或更低的计算复杂度下，实现对具有空间相关性的实际信道的在线训练，并在性能上远远优于现有的深度学习方法。

Jun, 2019

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

本文介绍了一种基于期望传播算法的联合主动用户检测和信道估计技术，通过该技术，可为 5G 通信系统中的 mMTC 网络提供更好的表现，特别是在压缩感知和非正交多址接入 (NOMA) 环境下。

Oct, 2018

本研究提出了一种新的深度学习方法，即使用另一个神经网络（超网络）来生成基于神经网络的检测器的权重，以解决多输入多输出系统的最优符号检测问题，并且能够在不需要重新训练的情况下实现接近最先进性能的结果。

Feb, 2020

本文采用图神经网络方法，提出了一种适用于高速移动场景下的大规模 MIMO 网络的新型信道跟踪方法，通过少量导频进行初步的信道估计，将所得数据以图的形式表示并通过图上的边权来描述信道空间相关性，引入了主要单元的计算过程并设计了一个基于图神经网络的信道跟踪框架，包括编码器，核心网络和解码器 ，仿真结果证实了我们提出的基于 GNN 的方案比采用前馈神经网络方法的方案表现更好。

Apr, 2020

我们提出了一种基于深度学习的方法，用于高效计算埃尔米特矩阵的逆矩阵，采用截断多项式展开。模型驱动方法通过离线训练过程来优化给定数量的多项式展开项的系数。我们将该方法应用于上行大规模多输入多输出（MIMO）系统中的信号检测，其中线性检测器（如零强制和最小均方误差）所需的矩阵逆运算使用截断多项式展开进行近似。我们的仿真结果表明，所提出的学习多项式展开方法在渐近收敛速度方面优于传统的多项式展开方法，并减少了在线检测阶段的计算复杂度，尽管离线训练阶段的时间稍长。然而，由于可训练参数的数量有限，离线训练过程很快。

Feb, 2024

本研究探讨了在多小区 Massive MIMO 系统中最大化总和频谱效率的数据和导频功率优化问题，提出了一种新的基于最小均方误差加权的优化算法，并结合深度学习训练卷积神经网络来实现数据和导频功率控制的联合优化，数值结果表明，在四小区系统中，神经网络得到的解与静态点相比少 1%，将总和频谱效率损失控制在 2% 以内。

Mar, 2019