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

使用基于学习的方法对 5G Massive MIMO 系统下的移动用户在小区内的位置进行推测，并采用极端学习机作为学习算法并对性能和健壮性进行验证，以及探讨在 5G 网络中实际应用的相关问题。

Jun, 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

本研究提出了使用多层感知机神经网络（NN）在大型室内环境中定位移动毫米波客户端的方法。通过选择多个经过自监督训练的小型 NN，并根据最佳 NN 进行切换，我们解决了定位准确性不足的问题。我们提出了两种切换方案：基于卡尔曼滤波和基于训练数据的统计分布。通过模拟分析，我们证明了我们的方法优于几何定位方案和使用单个 NN 的方法。

Nov, 2023

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

本文提出了一种基于学习的低开销信道估计方法，在超密集网络的协调波束赋形中使用，可以通过人工神经网络在线推导出不同波束赋形的质量，从而替换需要大量的导频辅助信道估计，多个基站联合同时学习并增加候选波束，实现更好的性能。实验结果显示，在具有 20 个波束赋形的设置中，该方案的准确率可达 99.74％。

Apr, 2017

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

本研究提出了一种基于注意力机制的 CSI（Channel State Information）用于深度神经网络的鲁棒特征学习，在铁路环境中的表现优于使用基础 DNN。

Mar, 2022

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

在保留数据集邻近信息的范围内，我们将自监督对比方法扩展到完全监督的设置，以有效利用标签信息。属于同一类别的样本集群在低维嵌入空间中聚集在一起，同时将不同类别的样本集群推开。

Sep, 2023