本论文提出了一种称为 Energy Loss Prediction（ELP）的框架，用于估计共享众包能源服务中的能量损失。 提出了一种名为 Easeformer 的新型基于注意力机制的算法，用于在共享能源环境中预测物联网设备的电池电量，从而估计能量损失。 通过实验验证，该框架优于现有方法。
May, 2023
研究无线能量传输的最大化能量效率，使用基于上限置信区间的算法解决多臂赌博问题，非常有效并具有实际应用价值。
Dec, 2020
本文为未来无线网络与智能电网互操作的电能的利用、重新分配、交易和规划提出了一个当代的综述，重点是能源收获无线通信的约束操作和优化，以及在智能电网存在时，动态定价下的电能规划和电力交易中的冗余（未使用）电能的重新分配。
Dec, 2019
本研究通过自学习、分布式学习的方法，适应环境，使物联网设备之间的通信参数最大程度优化，实现能源效率和通信可靠性的提高，并与中心化方式进行对比，结果显示本方法能显著提升物联网通信的能源效率和可靠性，在低成本和低功耗的物联网应用中具有很好的应用前景。
Jul, 2018
本文采用基于实际数据的方法，研究 WLAN 中的干扰估计问题。并通过分析各种深度学习体系结构在准确性、泛化性和对异常数据的鲁棒性方面的控制比较，结论是图卷积网络（GCN）表现最佳，但如果不得不给出节点索引，则无法学习特定节点的行为。同时，还验证了 GCN 模型的泛化能力。
Nov, 2022
机器学习方法在通信问题中被越来越广泛地采用，尤其是在下一代无线设置中。通过使用贝叶斯参数调整和时空高斯过程代理建模，我们能够降低现有硬件的能耗并改善网络性能，同时减少下一代混合波束赋形系统的开销，从而大大提高网络的能效和针对高移动用户的目标能力。贝叶斯范式本身对于能源使用也是有帮助的，因为训练一个贝叶斯优化模型所需的计算要比训练深度神经网络要少得多。
Sep, 2023
本研究分析并归类了旨在为无线传感器网络设计的基于预测的数据降低机制，并提出了一种基于网络约束、预测方法特性和监测数据的系统性选择方案。最后，我们讨论了未来挑战和开放研究方向。
Jul, 2016
本文提出了一种方法，利用强化学习技术，在能源意识系统中连续进行弱训练，从而提高算法性能并节省能源。这种方法通过利用环境中的其他传感器提供弱标签，然后训练出模型。本方法在模拟本地化环境上进行了评估，并在可用的普遍健康数据集上进行了验证，以利用接收信号强度实现真实的住宅本地化。我们展示了该方法实施成本低、需要更少的工作门槛和能够提供随时间增加的性能改进和能源节约。
Nov, 2018
通过跨地理分散的电动汽车充电站和联邦学习的高效变种，结合最新进展的 Transformer 架构，提出了一种通信高效的时间序列预测模型，具有与其他模型相媲美的性能，但在训练过程中消耗更低的数据速率。
本研究通过测量、预测和评分等三个方面的研究，揭示了边缘设备中深度学习的能量消耗特征，并设计了基于内核级能量数据集的边缘设备上的内核级能量预测器，最后引入了两个评分指标，旨在将复杂的边缘设备功耗和能量消耗数据转化为易于理解的形式，以推动边缘计算中的可持续发展思维。
Oct, 2023