研究了利用大规模 MIMO 系统的信道状态信息 (CSI) 的用户定位系统的性能。设计了一种卷积神经网络，并通过一个新颖的数据集进行了评估，该数据集利用三种不同的天线拓扑结构进行了室内 MaMIMO CSI 测量，覆盖了室内 2.5 米乘 2.5 米的区域。研究结果表明，可以通过训练 CNN 模型来估计用户在该区域内的位置，平均误差小于半个波长。此外，我们还表明，通过使用少量的标记样本，可以进一步训练 CNN，来应用于不同的天线拓扑和配置。这种迁移学习方法能够达到精确的结果，为基于 CSI 的定位系统铺平道路。

Nov, 2019

通过采用深度学习技术，本文提出了一种能够解决在高速移动车辆网络中获取发射端信道状态信息的技术，在此基础上进一步解决了一种基于动态网络切片的资源分配问题，实现了全面减少开销和满足阈值的性能优化

Mar, 2020

本文介绍了一种新的通道声纳架构，可测量不同频段、天线几何和传播环境下的多天线和多子载波通道状态信息（CSI），该架构可用于进行不同应用程序的各种深度学习（DL）技术研究，例如在三维空间中的室内用户定位。通过室内室外的广泛测试，可以提供更全面的开放 CSI 数据集，并标记位置以供科学界进一步测试各种算法。

Oct, 2018

本文讨论了在大规模 MIMO 移动通信系统中，利用深度神经网络（DNN）进行基于信道状态信息（CSI）的定位的实际问题，并引入了一种基于特征设计的方法来提高 DNN 的性能，该方法的目标是使特征对于考虑的障碍是不变的。通过在户外校园环境中收集到的地理标记 CSI 数据集上进行实验评估，表明本文所提出的方法具有很高的效率，并可以很好地适用于定位任务。

Mar, 2020

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

该研究提出了一种基于压缩感知框架的直接定位方法，通过联合处理分布式大规模 MIMO 基站获得的观测值来区分 LOS 和非 LOS 信号路径，以实现用户位置的高精度定位。

Jul, 2016

本文提出了一种多速度压缩感知神经网络框架来压缩和量化 CSI，从而提高重建精度、减少存储空间，增强系统可行性，并通过可视化参数研究了基于深度学习的 CSI 反馈方法的压缩和重建机制，提供了随后的研究指导。

Jun, 2019

本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道，通过从一个或多个不同步接入点（AP）获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位，达到厘米级中位距离误差的性能优化。

Sep, 2020

该论文提出了一种基于混合知识数据驱动的方法，用于在无蜂窝大规模多输入多输出系统中进行通道语义获取和多用户波束 forming，以提高室外无线传输性能并缩小与室内传输能力之间的差距。

Jul, 2023

该研究证明了仅基于神经网络和 (Massive) MIMO 通信系统的信道状态信息的室内定位系统 (IPS) 的实用性，提供了良好的精度和无需使用额外的协议 / 信号开销来实现用户定位任务。

May, 2019