使用深度学习并开发复数神经网络来进行 MRI 指纹识别，可以更准确地确定组织参数。

Jul, 2017

该论文提出了一种名为神经指纹的简单而有效的方法，通过验证模型行为是否与一组秘密指纹一致的方法检测对抗性例子，具有检测速度快、攻击者极难逆向工程以及不需要假定对手知识等优势。该方法在各种威胁模型下均表现优异，成功检测出了具有最强攻击性的对抗样本，同时还能很好地适应各种超参数和指纹选择。

Mar, 2018

本研究通过对真实的 LoRa 和 WiFi 射频数据集进行深入分析，从输入表示和神经网络的体系结构两个方面，进一步探讨了使用复数深度神经网络进行设备识别的优势。结果表明，相较于实数值神经网络，在各种情景下，复杂值神经网络一般表现更好。

Feb, 2022

通过测试实验，本文指出基于深度学习从 RF 信号中提取特征进行设备指纹识别存在的域可移植性问题，并提出解决方案以提高其抗域可变性能力。

Nov, 2022

本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性，以 WiFi 信号为主要定位模式，并利用 UJIIndoorLoc 数据集进行实验和验证。

Nov, 2016

本文提出 DeepRadioID，一个系统，其无需重新训练深度学习模型即可优化基于深度学习的无线电指纹识别算法的准确性，实验结果显示其在三种情况下分别增加了 35％，50％和 58％的指纹识别准确性，并在 100 个设备数据集上实现了 27％的改进。

Apr, 2019

本文探讨了将 RF 指纹技术与密码学和零信任安全措施相结合以保障无线网络中数据隐私、机密性和完整性的可行性，并综述了 RF 指纹技术的历史、应用、相关的深度学习算法，并探讨了该领域未来的发展方向。

Jan, 2022

本文提供了一个初步的探究，使用卷积神经网络（CNNs）和测量到的海量 MIMO 通道进行基于指纹的定位。我们评估了利用 COST 2100 通道模型生成的信道指纹的现代 CNN 的定位精度，发现适度深的 CNN 可以实现分数波长的定位精度，前提是有足够代表性的数据集进行训练。

Aug, 2017

使用神经网络进行钥匙无线进入安全特性中钥匙卡的定位是一种快速发展的技术。我们研究了基于预计算功能的神经网络的定位分类性能，探究了各种神经网络的鲁棒性，并提出了一种优于基线神经网络的多头自监督神经网络架构。模型的性能在某些对抗性幅度范围内提高了 67%（对于快速梯度符号法），以及对于基本迭代法和投影梯度下降法分别提高了 37%。

Jan, 2024

本研究利用深度半监督学习结合数据增强技术、基于一致性正则化和伪标记的方法，大量利用未标记数据进行 RF 指纹识别，并证明我们提出的半监督 RF 指纹识别方法是明显优于其他竞争方法的，且可以在充足的条件下近乎完全监督与学习性能一致。

Apr, 2023