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

利用深度学习模型从 sub-6GHz 信道预测 mmWave 波束和阻塞状态，DeepMIMO 数据集验证模型可以超过 90% 的成功预测 mmWave 阻塞，这种方法避免了波束训练的开销并且在没有完美信道知识的情况下逼近最优数据速率。

Oct, 2019

使用机器学习工具，针对毫米波 MIMO 系统中基站和移动用户之间的可靠性和延迟挑战，提出了一种有效的解决方案，使基站能够学习如何预测下一个时间框架中某个链接将经历阻塞，并且根据其过去的观察结果主动将用户移交给具有高概率的 LOS 链接的另一个基站，从而保证了移动毫米波系统的高可靠性和低延迟。

Jul, 2018

本文研究了具有用户中心的小型基站部署的 K 层异构下行毫米波（mmWave）蜂窝网络。使用随机几何工具，提供了信干比（SINR）覆盖概率的一般表达式，并探讨了 UE 聚类大小、主波束宽度和主波束直接收益增益等因素对该网络的覆盖概率的影响。

Jul, 2017

本文通过随机几何的概念，提出了一个通用框架来评估毫米波移动通信网络中的覆盖率和速率表现，并考虑了天线几何和基站密度对该网络的影响。结果显示，尽管存在阻挡，密集型毫米波网络可以实现可比的覆盖范围和更高的数据速率。

Feb, 2014

提出了一种无监督学习辅助的新的频谱分配策略，其中考虑了自适应子带宽，能够将感兴趣的频谱划分为带宽不均的子带，减少了用户之间分子吸收损耗的差异，进而提高数据传输速率性能。在该策略中，首先提出了一个优化问题以确定最佳子带宽度和发射功率，然后提出了无监督学习方法以获得该问题的接近最优解。结果表明，相对于现有方法，我们提出的无监督学习方法可以获得更高的数据传输速率，尤其是在感兴趣的频谱内分子吸收系数变化非常非线性的情况下。

Aug, 2022

分析利用毫米波技术的二步式定位方法在城市环境下利用到达时间、到达角度和离开角度从多个节点获得的信号，以及利用具有无线电环境映射（REM）的网络定位附近散射体的性能，并提出梯度辅助粒子滤波（GAPF）估计器来解决 UE 位置估计中的问题，该估计器的性能与 Cramer-Rao bound（CRB）相匹配。

May, 2018

本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。

Aug, 2020

本文提出了一种双时间尺度模型来表征通道变化，并基于卡尔曼滤波器和突变检测方法对其进行跟踪，对比了自适应算法，结果表明所提出算法在单收发射机中具有更好的跟踪性能，并且使用更少的导频信号和信噪比，同时突变检测方法也具有较高的准确度。

Dec, 2015

本文提出了一种基于无监督学习的方案，用于同时设计多用户 Mu-MIMO 系统的模拟前置器和合成器，并结合低分辨率 PS。通过将模拟前置器和合成器的设计问题转换为相位分类问题，并提出一种泛化神经网络体系结构 (PCNet)，能够产生各种 PS 分辨率的解，仿真结果表明，该方案相对于对于最常用的低分辨率 PS 配置的最先进的混合波束成形设计具有更优越的总速率和复杂度性能。

Feb, 2022