本文提出了一种基于深度学习的上行辅助联合信道估计和CSI反馈方法，旨在提高频分双工MIMO无线通信系统中下行信道状态信息的获取准确性。

本研究提出了一种深度去噪神经网络辅助的信道估计方法，旨在降低毫米波系统的训练开销，并通过压缩感知重构信道矩阵。开发了多种新算法和网络结构，以提高到达角估计的准确性和计算效率。实验结果表明，这些方法在信噪比高于0 dB时表现优异。

本文探讨了卷积神经网络在无线电信号调制分类中的应用，比较了不同特征学习方法的有效性，展示了深度学习在低信噪比下的优势。研究提出了多种神经网络架构，强调了深度学习在无线通信信道估计和信号检测中的潜力，指出其在未来无线网络中的重要性和应用前景。

本文提出了一种新颖的方法，用于在上行无授权非正交多址接入（NOMA）系统中进行联合活动检测、信道估计和数据检测。该方法采用了迭代和并行干扰消除策略，并结合了深度学习，解决了AD、CE和DD问题。通过联合损失函数和干扰消除模块，该方法提高了AD、CE和DD的性能。模拟结果证明了该方法的优越性。

该研究提出了一种基于联合稀疏模式学习的信道估计方案，适用于大规模MIMO OTFS调制辅助系统。通过利用信道的潜在联合稀疏性，将信道估计问题转化为稀疏恢复问题，并采用先验模型迭代估计信道矩阵的支撑集。实验结果表明，该方案在性能上优于现有基准方案。