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

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

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

该篇论文讨论了在使用大量多入多出系统的无线网络中进行定位的可能解决方案，并提出了一种基于接收信号强度向量的指纹识别技术，用于在高度杂波的复杂路径环境下进行站点定位。

Sep, 2015

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

本文应用深度学习算法，提出直接输入深度神经网络和选择性输入预测深度神经网络，以估计大规模 MIMO 系统中混合 ADC 的上行通道。实验结果表明，该方法较传统方法在具有混合一位 ADC 的情况下具有更好的表现，在不同 ADC 分辨率模式下也具有较好的效果。

Aug, 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

使用深度学习方法优化毫米波通信中的 MIMO 系统天线选择和混合波束成形器设计问题，能够比传统技术提高一个数量级的频谱效率，并且快于传统方法 10 倍，适用于数字移动设备。

May, 2019

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

本研究旨在通过开发全收发机制，包括下行信道训练（或估计），CSI 反馈和信道重建方案，解决大规模 MIMO 系统中多用户 CSI 的问题。我们的框架利用增强的 Newtonized 正交匹配追踪算法提取频率独立参数，然后开发了有效的下行训练方案，以估计多个用户的下行信道增益。数值结果验证了 eNOMP 算法的精度，并证明了使用重构的下行信道的系统的求和速率性能可以接近使用完美 CSI 的系统。

Feb, 2019