利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位，通过测试不同的机器学习模型和无线技术，评估室内环境下的定位精度和稳定性。

Feb, 2024

本文回顾了机器学习在物理层无线通信系统中的应用及其带来的一些挑战，并着重介绍了机器学习在无线通信领域中的一些前沿技术及其在未来的研究方向，同时强调了基于物理层设计的分布式机器学习的可行性和需求。

Apr, 2019

该论文介绍了迁移学习在无线网络中的应用，包括定义、分类、技术类型以及用于解决下一代网络（如 5G 及更高版本）中的问题的不同迁移学习方法，其主要目的是为了应对现有机器学习模式的挑战，如缺乏带标签的数据、无线环境的不断变化、训练过程时间长、以及设备容量不足等等，并且展望了迁移学习在未来无线网络中的重要挑战、开放性问题和未来研究方向。

Feb, 2021

全球导航卫星系统（GNSS）基于位置定位在导航、交通运输、物流、地图和应急服务等各种应用中起着关键作用。本文介绍了近年来机器学习（ML）的最新进展及其潜力，以应对传统 GNSS 模型方法在复杂环境中的局限性以及对不确定噪声模型的适应性不足。研究涵盖了监督学习、无监督学习、深度学习和混合方法等广泛的 ML 方法，并提供了与 GNSS 相关的定位应用的洞见，如信号分析、异常检测、多传感器集成、预测和精度增强。文中讨论了目前基于 ML 的 GNSS 定位方法的优势、局限性和挑战，提供了该领域的全面概述。

Mar, 2024

本文综述了在无线传感器网络、物联网、认知无线电网络和 5G 网络中基于多维尺度缩放（MDS）的定位技术和 MDS 的应用。

Jun, 2019

本文全面调查了机器学习在无线通信中的应用，分类为 MAC 层的资源管理，网络层的网络和移动性管理，以及应用层的定位，并根据采用的机器学习技术组织了每个方面的文献。同时，提出了使用 ML 的条件和未解决的问题，以促进未来的研究。

Sep, 2018

本研究对以深度学习为基础的定位和建图方法进行全面调查和分类，讨论了目前模型的局限性，并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图（SLAM）等广泛的话题，探讨了利用车载传感器来感知自我动作和场景理解的问题，并展示了如何将这些模块集成到 SMIS 中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作，并为未来研究者提供指南，应用深度学习来解决定位和绘图问题。

Jun, 2020

本文从 WiFi、RFID、UWB 和蓝牙等技术出发，评估和总结当今室内定位技术的优点和挑战，并强调了该技术在 IoT 中的重要性。

Sep, 2017

本文探讨了非直线视距（NLOS）定位中使用三种不同的输入表征（单无线电路径特征、无线电链路特征和基于图像的表征）以及两种卷积神经网络，并测量了各种特征的可用性对模型性能的影响。该研究的收获在于激发了未来构建更高效神经网络的工作，并提供了对 NLOS 定位有用的应用特征。

Apr, 2023

本文提出了一种基于深度强化学习的无监督无线定位方法，通过建模连续的无线定位过程为马尔可夫决策过程并将其纳入深度强化学习框架中，以克服使用未标记数据进行定位时奖励的获取难题，并使用 RSS 测量将 DRL 与代理位置相结合构建 DRL 输入，为 IoT 数据的空间化提供了新思路。

Apr, 2020