我们提出了一种高效的离线指向校准方法，不需要任何停机时间。我们的方法最小化了校准工作量，并利用了地面站运营中通常用于监控和控制目的的技术信号信息。通过使用标准天线接口和来自运营卫星联系的数据，我们提出了一种稳健的训练数据集生成策略。另外，我们通过线性回归来学习适当的坐标变换的参数。在我们的实验中，我们展示了该方法在真实环境中的实用性。

May, 2024

本研究提出了一种新的算法来针对大规模多输入多输出系统中基站的大量发射天线进行信道估计时的导频波束设计问题，该算法依据信道被假定成是一种平稳的高斯 - 马尔科夫随机过程，并通过利用卡尔曼滤波及其相关的预测误差协方差矩阵的性质以及信道统计信息 (如空间和时间信道相关性) 顺序地设计导频波束模式，从而生成给定系统参数下的序贯最优导频波束序列，且具有较低的复杂度。数值结果表明该算法表现良好。

Sep, 2013

本文通过多臂老虎机框架，提出了一种在线学习算法，用于选择和优化天线成对的方向，以最大化功率角谱在该位置上的峰值，并在较短的时间步数内实现与无遗漏搜索相当的性能。

Sep, 2018

该研究论文回顾了一种非参数贝叶斯机器学习方法 - 高斯过程在无线通信中的应用，并介绍了它在可扩展性、可解释性和不确定性建模方面的优势。通过多种可解释的内核设计，描述了高斯过程模型以及其在无线通信系统中的应用，特别是在大规模分布式网络中的应用。

Mar, 2021

本文提出一种基于数字预畸变技术对毫米波天线阵列进行线性化的新框架，并提出了一种区域分割方法和低复杂度的参数学习算法，以及一个剪枝算法来弥补波束控制对性能的影响，实现了优秀的线性化效果，适用于 5G NR 标准，并在性能上优于现有技术。

Mar, 2020

通过结合机器学习技术和基于物理推理的方法，本文引入一系列可能的高斯过程模型，以提高基于有限数据的预测模型建立能力。这些方法可以显著减少对数据收集的依赖，并增强模型的可解释性。

Sep, 2023

我们提出了一种简单的方法，使用几个基本组件来模拟 PCB 天线的设计。通过分别决定其几何尺寸和位置，即使无需经验也可以方便地生成天线原型。我们引入了基于卷积神经网络（CNN）的新型基于图像的分类器，进一步确定这些固定尺寸组件的位置。我们选取了两个可穿戴产品的例子来检查整个工作流程，它们的最终设计是真实的，并且性能指标不逊于经验工程师设计的天线。

Dec, 2023

使用高斯过程回归的概率校准，本研究旨在克服低成本热线风速计由于气温变化而导致的精度损失。通过对真实数据集的验证，我们的方法在推断实际风速值方面表现良好，并在领域内的实际使用前通过考虑气温进行风速计的校准，估计的风速范围包括对每个速度测量的确定性评估。

Jan, 2024

本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。

Jan, 1997

该研究探讨了在非直观传输环境下基于超宽带技术的测距方法，提出了一种基于核主成分分析的新型测距方法，经实际测试证明，该方法表现优异。

Nov, 2015