本文提出使用自编码器（AE）结合逐个对比约束的方法来构建信道图，以提高信道图的质量，进而实现基于信道状态信息（CSI）的用户定位方法。经过实验证明，这一方法可以在不需要全球导航卫星系统或昂贵测量数据的情况下实现精确用户定位。

Aug, 2019

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

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

本文提出了一种半监督的分布式随机邻居嵌入算法（St-SNE），可在未来毫米波无线网络中解决移动定位问题，并实现了一个在 200*200 平方米区域内只需标记 5％的 CSI 样本，平均定位误差为 6.8 米的结果。

Nov, 2021

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

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

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

本文提出了一种新颖的信道绘图技术，通过利用周围传输接收点（TRPs）的到达时间测量和它们的位置，并在算法的训练阶段利用激光扫描仪数据，在信道绘图中融合传感器数据，以减小与 6G 设想数字之间的差距。仿真结果表明，我们的算法在 90% 的时间内实现了亚米级的定位准确度，优于现有的信道绘图技术和传统的三角测量方法。

May, 2024

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

该研究提出了一种基于编码器 - 解码器结构的神经网络模型，通过无需位置信息的信道状态信息，联合学习用户位置和环境地图参数化，并能在单锚点 SISO 配置下实现亚米级定位精度和 4 厘米中位误差的环境地图重建。

Mar, 2022