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

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

本文探讨了在 5G NR 网络下，利用机器学习技术通过基于上行信道估计的 5G NR 指纹来精准定位用户，并表明即使应用于非常稀疏的 SRS 数据，小型全连接适度深度神经网络也可以在商用 5G 环境中实现准确的户外用户定位。

Apr, 2023

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

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

本文介绍了一种新的通道声纳架构，可测量不同频段、天线几何和传播环境下的多天线和多子载波通道状态信息（CSI），该架构可用于进行不同应用程序的各种深度学习（DL）技术研究，例如在三维空间中的室内用户定位。通过室内室外的广泛测试，可以提供更全面的开放 CSI 数据集，并标记位置以供科学界进一步测试各种算法。

Oct, 2018

本文提出了一个包括数据收集，模式聚类，降噪，校准和轻量级一维卷积神经网络模型的端到端解决方案，并使用信号指纹技术解决复杂室内环境下通道状态信息的检测问题，实验表明该方法性能达到最佳神经网络和信道状态信息室内定位作品的 68.5％，参数极少。

May, 2022

本文提出了基于深度学习技术的 CSI 采集的两种实现方案，并在 5G NR 网络中进行了评估，结果表明这些方案在信道状态信息获取方面具有较大的性能提升，可用于 5G 网络和未来的 6G 网络。

Jun, 2022

本文采用深度神经网络从 60 GHz 毫米波单板天线信号中提取空间波束信噪比特征用于手势识别，结果显示在单一环境下，深度学习分类器的波束信噪比识别的准确率达到了 96.7％，充分证明了该信号可以用于高速通信和增强现实应用中。

Jun, 2023