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

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

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

为了克服通信信道在用户位置发生变化和学习低频函数的偏见带来的困难，本文提出了一种节俭、基于模型的网络，将目标映射函数的低频部分与高频部分分离出来，形成一个超网络架构，其中神经网络只学习高频组件字典中的低频稀疏系数。仿真结果表明，所提出的神经网络在真实合成数据上优于标准方法。

Aug, 2023

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

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

我们设计了一种新的可微架构 Neural Graph Optimizer，由本地姿态估计模型、新颖的姿态选择模块和新颖的图优化过程组成，通过端到端的训练使网络自动学习与视觉里程计相关的领域特定特征，从而实现了 SLAM 的完整神经网络解决方案，并在模拟的 2D 迷宫和 3D ViZ-Doom 环境中展示了系统的有效性。

Feb, 2018

在本文中，我们提供了一个方案，通过从另一个传输通道预测信道状态信息（CSI）值，并将多频段信息拼接在一起，从频域改进室内指纹定位的准确性。我们在 COST 2100 模拟数据和从办公场景中收集的实时正交频分复用（OFDM）WiFi 数据上测试了我们提出的方案。

Sep, 2023