本文介绍了一种利用 CSI 的深度学习室内指纹系统 DeepFi，通过线下训练和线上定位两个阶段实现对室内定位的高精度，与现有三种方法相比证实了 DeepFi 有效减少定位误差。

Mar, 2016

本文研究使用深度神经网络来提高室内定位系统的可靠性和准确性，以 WiFi 信号为主要定位模式，并利用 UJIIndoorLoc 数据集进行实验和验证。

Nov, 2016

本文综述了 WLAN 指纹定位方法在实际部署中遇到的挑战以及最新解决方案，并在单个真实环境中比较了不同定位方案的准确性和复杂性。

Oct, 2016

利用一种数据高效的元学习算法，本文提出了一种创新的室内定位方法，解决了指纹定位在数据获取成本高和基于静态数据库估计的不准确性方面的问题。使用历史定位任务改善适应性和学习效率，在动态室内环境中采用 “学习如何学习” 的元学习范式。我们引入了任务加权损失函数来提高这一框架内的知识传递。全面的实验验证了该方法在有限 CSI 数据场景中的稳健性和优越性，平均欧几里得距离提升了 23.13%。

Jan, 2024

该篇论文讨论了在使用大量多入多出系统的无线网络中进行定位的可能解决方案，并提出了一种基于接收信号强度向量的指纹识别技术，用于在高度杂波的复杂路径环境下进行站点定位。

Sep, 2015

本文提出了一种少样本学习系统以解决室内定位中数据收集和标记的负担，并使用图神经网络构建了转移学习框架，对于定位准确度的表现近似于使用卷积神经网络模型。

Jan, 2022

通过使用射线追踪工具和系统级模拟器，研究使用深度学习技术辅助用户设备在 5G 及更高网络中的定位能力，这项技术在无线资源管理方面更为高效和简单，并为未来网络提供了更积极的移动管理机制。

Jan, 2020

使用运动和环境传感器的基于机器学习的室内定位系统，在关注隐私的工厂环境中实现对移动实体的定位，通过多元时间序列分类进行问题建模，并比较分析不同的机器学习模型的准确性、内存使用和推理速度。结果表明，评估的所有模型均能实现超过 80％的准确性；其中，CNN-1D 表现最平衡，其次是 MLP；DT 的内存占用和推理延迟较低，表明在实际场景中有潜力进行部署。

Aug, 2023

利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位，通过测试不同的机器学习模型和无线技术，评估室内环境下的定位精度和稳定性。

Feb, 2024

本文就无线定位方案的发展趋势和制定更可持续的 AI 技术进行了探讨，重点关注了使用深度学习实现指纹定位的能源效率问题，并提出了一种计算深度学习模型复杂度、能耗以及碳足迹，以便制定更节能的无线定位方案的方法。

Oct, 2022