The eMBB (enhanced Mobile BroadBand), URLLC (Ultra-Reliable, Low latency communication) and mMTC (massive Machine Type communication) are the drivers for 5G communication. To realize these use-cases, enhancing the throughput in available bandwidth is the fundamental requirement in the next-generation networks. If all these use-cases are satisfied without increasing the spectral efficiency, the day is not far when we start looking for even higher frequencies (probably 6G). Applying machine learning at all possible avenues in the physical layer will be a game-changer. In this paper, we propose a novel deep learning (DL) method for hybrid precoding to maximize the spectral efficiency. we consider a special case of the MIMO system with a single-output (MISO) and implement DL technique in hybrid precoding for perfect and imperfect Channel State Information (CSI). Though the blackbox method suits for massive MIMO systems with perfect CSI, we introduce a new deep learning method which directly outputs optimized beamforming even in imperfect CSI conditions. Simulation results show that the proposed DL-based beamformer improves spectrum throughput while being more robust to imperfect CSI over the traditional beamforming approaches. This work paves a way to implement machine learning in physical layer beamforming technique for 5G millimeter wave (mmWave) communications, thereby realizing cognition in wireless networks.

eMBB（增强型移动宽带），URLLC（超可靠，低延迟通信）和mMTC（大规模机器类型通信）是5G通信的驱动力。为了实现这些用例，提高可用带宽的吞吐量是下一代网络的基本要求。如果在不增加频谱效率的情况下满足了所有这些用例，那么当我们开始寻找更高的频率（可能是6G）时，日子就已经不远了。在物理层的所有可能途径上应用机器学习将改变游戏规则。在本文中，我们提出了一种用于混合预编码的新型深度学习（DL）方法，以最大程度地提高频谱效率。我们考虑了具有单输出（MISO）的MIMO系统的特殊情况，并在混合预编码中实现了DL技术，以实现完美和不完美的信道状态信息（CSI）。尽管黑盒方法适合具有完美CSI的大规模MIMO系统，但我们引入了一种新的深度学习方法，即使在不完善的CSI条件下，该方法也可以直接输出优化的波束成形。仿真结果表明，所提出的基于DL的波束形成器在提高频谱吞吐量的同时，与传统的波束形成方法相比，具有更强的不完美的CSI能力。这项工作为在5G毫米波（mmWave）通信的物理层波束形成技术中实现机器学习铺平了道路，从而在无线网络中实现了认知。我们引入了一种新的深度学习方法，即使在不完善的CSI条件下，该方法也可以直接输出优化的波束成形。仿真结果表明，所提出的基于DL的波束形成器在提高频谱吞吐量的同时，与传统的波束形成方法相比，具有更强的不完美的CSI能力。这项工作为在5G毫米波（mmWave）通信的物理层波束形成技术中实现机器学习铺平了道路，从而在无线网络中实现了认知。我们引入了一种新的深度学习方法，即使在不完善的CSI条件下，该方法也可以直接输出优化的波束成形。仿真结果表明，所提出的基于DL的波束形成器在提高频谱吞吐量的同时，与传统的波束形成方法相比，具有更强的不完美的CSI性能。这项工作为在5G毫米波（mmWave）通信的物理层波束形成技术中实现机器学习铺平了道路，从而在无线网络中实现了认知。