本文提出了一种基于卷积自编码器的信道图辅助定位方法，结合多路径信道状态信息，通过无人监督学习构建信道图以捕捉每个无线设备的相对位置，再引入半监督学习，进一步提高了定位精度。与现有的有监督和传统无监督方法相比，所提出的方法在精度上得到了显著提高。

Aug, 2021

本文提出了一种基于信道状态信息无监督学习的多天线网络元素的信道绘图框架，在对无线电链路进行大规模衰落特性特征提取后，通过降维和深度神经网络生成信道图，从而实现对用户设备 (UE) 在服务区内的位置和移动所涉及的逻辑关系的直接推断，为 UE 的本地化、网络规划、用户调度、多点连接、移动手段等认知任务提供了一种新的无需全球导航卫星系统信息的解决方案。

Jul, 2018

本文提出了一种基于孪生网络的统一体系结构，可用于监督用户设备定位和无监督信道制图。同时，该框架实现了半监督定位，模拟结果表明该模型在定位和信道制图方面表现良好。

Sep, 2019

该论文提出了一种基于有限数量的现场信道数据的信道建模辅助数据增强方法，通过从现场信道数据中提取主要的随机参数并将其传输给基站，然后使用更新后的信道模型生成数据集，从而综合考虑了数据集采集、模型泛化和模型监控等因素，仿真结果表明，该策略可以显著提高性能。

Jul, 2024

提出了一种通用自编码器框架来支持不同的输入大小和多个压缩比，与其他方法相比，在压缩比和失真之间提供了可比较的性能，同时显着降低了硬件复杂性。

Mar, 2024

介绍一种基于三元组采样的新型的基于自我监督机器学习技术的信道绘制方法，旨在降低信道状态信息的数据维数，并从中提取控制信道状态信息分布的基本参数，并通过与采集时间的接近度学习有意义的 CSI 样本相似度度量，同时进行降维。在商业 Massive MIMO 系统的数据上对所提出的方法进行了实验验证，并提出和评估了信道绘图过程的变化，包括部分数据集标记可用的部分监督情况。我们评估了获得的信道图与用户位置信息的相似程度。

May, 2020

在本文中，对相位失敏距离进行了彻底的理论分析，并探讨了其局限性，为设计能够学习质量图表的系统提供了指导。随后，对不同场景下的合成和真实数据进行了实验验证。

Sep, 2023

本研究提出了一种基于通道编制和指纹定位的距离度量方法，通过使用孪生神经网络来有效地优化全局通道图以提高室内定位准确度，使定位精度为 5G 和 UWB 设置分别为 1.4m 和 0.69m。

Oct, 2022

本文提出了 CCM-AAE，一种概率生成模型，用于以 CCM 作为嵌入空间，通过与定义在 CCM 上的概率分布匹配来训练编码器，使其隐式地学习在 CCM 上表示数据。实验结果表明，在多个任务中都优于基于欧几里得和非欧几里得几何的其他自编码器。

Dec, 2018

基于自我监督学习的无标注数据预训练，提升了基于 CSI 的用户定位的监督学习性能，该方法利用两个自编码器模型从无标注数据中提取相关特征，然后通过微调基于 MLP 的位置估计模型准确推断用户位置。我们在 CTW-2020 数据集上进行实验验证了该方法的有效性，尤其对于大规模的定位任务也取得了有希望的结果。

Apr, 2024