在物联网（IoT）这个不断扩大的领域中，无线信道估计是一个重要的挑战，尤其是对于低功耗物联网（LP-IoT）通信来说，效率和准确性非常重要。本研究使用人工神经网络（ANN）建立了两个不同的 LP-IoT 无线信道估计模型：基于特征的 ANN 模型和基于序列的 ANN 模型。这两个模型都旨在通过降低 LP-IoT 无线信道的估计误差来提高 LP-IoT 通信。基于特征的模型旨在利用环境特征捕捉测得的接收信号强度指示器（RSSI）数据的复杂模式。基于序列的方法利用预先确定的分类技术来估计特定选择的环境特征的 RSSI 序列。研究结果表明，我们提出的方法在信道估计方面具有显著的精度，基于特征的模型的均方误差（MSE）改进了 88.29％，基于序列的模型改进了 97.46％，相较于现有研究。此外，与传统和其他基于深度学习（DL）的技术的比较分析还突显了我们开发的模型的卓越性能和在实际物联网应用中的潜力。

Apr, 2024

本研究提出了一种基于深度学习算法的信道估计方法，利用图像处理中的图像超分辨率和图像恢复技术来进行信道估计，实验结果表明该方法的性能与最小均方误差相当，且优于线性最小均方误差的近似算法。

Oct, 2018

本研究提出了一种基于深度学习和神经网络的物理层信道估计器，可以在没有先验知识的情况下动态追踪信道状态，并且与传统算法和其他深度学习架构相比，具有更好的均方误差性能和鲁棒性。

Aug, 2019

本文提出了一个深度学习框架，用于大型智能表面辅助大规模 MIMO 系统中的通道估计，其核心是双卷积神经网络结构，用于估计直接和级联信道，结果表明该方法性能优越。

Jan, 2020

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

本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。

Feb, 2018

本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。

Jun, 2022

本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响，提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征，比 LMMSE 方法的噪声估计质量更高。

Aug, 2022

提出了一个深度学习框架来解决基于反射式智能表面的集成感知与通信系统中的信道估计问题，模拟结果表明这种方法比基准方案在不同信噪比条件和系统参数下具有优势。

Jan, 2024

利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位，通过测试不同的机器学习模型和无线技术，评估室内环境下的定位精度和稳定性。

Feb, 2024