通过使用卷积神经网络，我们在无监督学习的过程中提出了一种基于特征工程的模型，该模型能够自动地学习适用于无线传输聚类的特征表示方法。相对于基准的主成分分析（PCA），我们的模型自动学习由比基准少 99.3% 的组成部分组成的输入数据的降维表示，从而能够提取具有细粒度的无线传输突发形状的聚类，而基准模型只能基于背景噪声进行数据的一般可分性。

Aug, 2023

提出一种结合了 Guided Backpropagation 和 Shallow Trees 方法，在无需大量标注数据的情况下解释卷积神经网络深度聚类自监督学习架构，并以无线频谱活动聚类为例进行了说明。

May, 2023

研究利用自监督学习扩展传统监督模型，以应对移动感知环境中许多传感器持续产生的大量数据和标注数据不足的挑战，通过一个未标注的时间序列数据集来抽取特征并预测带有标签的数据，研究结果表明在四种公共数据集上对于不同类型的传感器和应用，选择不同大小及来源的未标注数据会对最终的分类预测性能产生影响。

May, 2023

本研究设计了一种新的自监督学习框架，可以从未标记数据的光谱 - 空间信息中学习表示，并通过两个典型的下游任务评估证明，所提出的 SSL 获得了模型性能的显著提高。

Jun, 2023

提出了一种无监督学习辅助的新的频谱分配策略，其中考虑了自适应子带宽，能够将感兴趣的频谱划分为带宽不均的子带，减少了用户之间分子吸收损耗的差异，进而提高数据传输速率性能。在该策略中，首先提出了一个优化问题以确定最佳子带宽度和发射功率，然后提出了无监督学习方法以获得该问题的接近最优解。结果表明，相对于现有方法，我们提出的无监督学习方法可以获得更高的数据传输速率，尤其是在感兴趣的频谱内分子吸收系数变化非常非线性的情况下。

Aug, 2022

通过聚类为自监督学习的前提任务，提出了一种用于土地覆盖映射的方法，通过所得聚类结构进行主动采样，提高映射准确性。

Aug, 2021

本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

Jul, 2019

本研究提出了基于自监督学习的射频信号表示学习方法，并将其应用于自动调制识别任务中，该方法能够提高任务的样本效率并显著节省时间和成本，并且相比于当前的深度学习方法，其模型的准确性更高，并且在只有有限的训练数据的情况下仍能保持较高的准确性。

Jul, 2022

利用机器学习技术，分析了频谱占用情况，比较了有监督和无监督算法的分类精度和计算时间，并利用分类结果评估了未来时间段的次级用户中断概率，在此基础上提出了一种结合萤火虫算法的支持向量机模型，其表现优于其他算法。

Mar, 2015

通过自监督学习机制，利用未标记的大规模遥感图像数据进行预训练，提高了远程传感器图像场景分类任务的性能，与传统的以 Imagenet 为代表的方法相比表现更佳。同时，研究了多个影响自监督学习的因素，这些研究成果对遥感领域中 SSL 技术的发展具有积极意义，有望提高大规模遥感图像处理的效率。

Oct, 2020