该论文研究了使用 1 位模数转换器的上行大规模 MIMO 系统，并开发了一种基于深度学习的信道估计框架，其利用先前信道估计观测和深度神经网络模型学习从量化接收信号到信道的映射，并证明了当使用更多天线时，我们提出的深度学习方法能够实现更好的信道估计性能

Oct, 2019

本文提出了一种基于数据驱动的深度学习方法，用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性，该方法可以从欠定的测量中可靠地重构高维信道，模拟结果表明，该方法优于最先进的压缩感知方法。

Mar, 2020

本文研究了非线性硬件失真对单小区 massive MIMO 的上行传输性能的联合影响，并提出了使用深度学习方法估计基站天线的有效通道和失真方差，在高阶非线性下取得更好的性能表现。

Nov, 2019

本文利用深度学习方法，通过卷积神经网络对在毫米波多重输入多重输出系统中频率选择性宽带通道的信道估计和混合波束成型进行了研究。该方法相对于当前最先进的优化和深度学习方法，提供更高的频谱效率，较少的计算成本和更少数量的导频信号，并且在接收导频数据，损坏的信道矩阵和传播环境偏差方面具有更高的容忍度。

Dec, 2019

本文提出了一个基于深度学习的模型驱动的通道估计和反馈方案，适用于宽带毫米波巨型混合多输入多输出系统，利用角度 - 时延域通道的稀疏性来减少开销。

Apr, 2021

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

本文提出一种基于广泛的角度和时间延迟域的毫米波多输入多输出（MIMO）系统的信道估计算法，该算法利用了信道的关节稀疏性，在采用少位模拟数字转换器（ADCs）的情况下解决量化压缩感知问题。我们设计了一种训练序列，使得这些算法的实现效率很高，同时最小化了发射机峰均功率比。通过详细的仿真研究，我们发现这种方法使得 1-bit ADCs 在低信噪比下可以与无限位 ADCs 相媲美，而 4-bit ADCs 在中等信噪比下可以与无限位 ADCs 相媲美。

Oct, 2016

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

本文应用深度学习算法，提出直接输入深度神经网络和选择性输入预测深度神经网络，以估计大规模 MIMO 系统中混合 ADC 的上行通道。实验结果表明，该方法较传统方法在具有混合一位 ADC 的情况下具有更好的表现，在不同 ADC 分辨率模式下也具有较好的效果。

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