在扭曲受限的情况下，使用图形神经网络来学习通道和预编码矩阵之间的映射，以最大程度地提高受非线性畸变影响的总速率，增加能效。

Dec, 2023

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

提出了一种新的信令设计，利用深度神经网络在多用户多输入多输出非正交多址信道上实现安全传输，并通过模拟结果表明该模型的信道极限接近于 98% 的机密容量率。

Oct, 2021

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

本文提出了一种新的高效自编码器 (AutoEncoder, AP) 基于深度学习的大规模多输入多输出 (mMIMO) 下行系统，该系统中基站配备有大量天线，具有高效能功率放大器 (PA) 并为多个用户终端提供服务。具体而言，利用自编码器的概念设计 PA 感知预编码器和接收解码器，并利用深度神经网络 (NN) 设计端到端的大规模多用户 (MU) MIMO 下行链路。与以前的方法不同，AP-mMIMO 具有低计算复杂度，适用于全局能效系统。通过数值仿真表明，AP-mMIMO 方案相较于现有文献具有竞争性的性能，同时具有显着较低的复杂度。

Feb, 2022

本文提出了一种卷积神经网络框架以改进混合预编码的性能，并展示其在存在通道矩阵不完美的情况下具有更少的计算时间和更好的性能。

Nov, 2019

本文提出了一种基于深度学习的功率控制算法，用于解决无蜂窝网络下具有最大最小用户公平性问题的大规模多输入多输出系统中的最大最小速率优化问题，使用无监督学习的方法使深度神经网络学习最佳用户功率分配方案，模型训练快速且灵活，性能显著且具有较低的计算复杂度和快速实现优势，同时提出了一个在线学习阶段，在处理速度较快的情况下实现了接近最优的性能。

Feb, 2021

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

本文提出基于深度学习的多输入多输出通信信道中有限字母信号的线性预编码方法，采用线下训练方式，大大降低在线推理阶段的预编码复杂度，并以数值实验验证了该方法在复杂度和性能上的优势。

Nov, 2021

本研究提出一种基于深度学习的毫米波大规模 MIMO 混合预编码框架，该框架通过 DNN 训练来优化 MIMO 预编码过程，最终实现减少 BER 和提高频谱效率的目的，并且能够在实现混合预编码的同时大幅度降低所需的计算复杂度。

Jan, 2019