该论文提出了一种混合知识数据驱动的方法，以提高无蜂窝大规模多输入多输出系统的无线传输性能。研究探讨了数据辅助人工智能在波束成形设计中的应用，提出了能耗优化模型和新算法PHONE，显著提升了多用户系统的能源效率，并讨论了深度学习在波束成形优化中的潜力。

该研究提出了一种名为NNBF的无监督深度学习框架，用于优化多用户单输入多输出（MU-SIMO）波束成形，提升吞吐量和计算效率。实验结果显示，NNBF在性能上优于传统的零强制波束成形（ZFBF）和最小均方误差（MMSE）方法，且计算负担更轻。

本文探讨了深度学习在毫米波通信中的应用，特别是在MIMO系统的天线选择和波束成形设计方面。研究表明，深度学习方法显著提高了频谱效率，降低了计算成本，并在低信噪比环境中表现出更强的鲁棒性。通过联合训练发射机和接收机，可以实现更高效的信号处理和波束成形，提升无线传输性能。

本文提出了一种基于深度学习技术的统一混合波束成形框架，实现了具有隐式CSI的宽带多用户混合波束成形，减少了导频和反馈开销，提高了系统速率和可靠性。

该研究探讨了一种利用波束成形和编码缓存的无线传输网络架构，实现了在多播机会、干扰抑制和减少峰值回程流量方面的增益。研究结果表明，适当的波束成形有助于增强编码缓存技术的效果，从而显著减少了峰值回程流量。