介绍一种基于三元组采样的新型的基于自我监督机器学习技术的信道绘制方法，旨在降低信道状态信息的数据维数，并从中提取控制信道状态信息分布的基本参数，并通过与采集时间的接近度学习有意义的 CSI 样本相似度度量，同时进行降维。在商业 Massive MIMO 系统的数据上对所提出的方法进行了实验验证，并提出和评估了信道绘图过程的变化，包括部分数据集标记可用的部分监督情况。我们评估了获得的信道图与用户位置信息的相似程度。

May, 2020

本文提出了一种基于信道状态信息无监督学习的多天线网络元素的信道绘图框架，在对无线电链路进行大规模衰落特性特征提取后，通过降维和深度神经网络生成信道图，从而实现对用户设备 (UE) 在服务区内的位置和移动所涉及的逻辑关系的直接推断，为 UE 的本地化、网络规划、用户调度、多点连接、移动手段等认知任务提供了一种新的无需全球导航卫星系统信息的解决方案。

Jul, 2018

本文提出了一种基于距离度量的信道编码方法，并使用非线性降维技术在实际综合信道上进行经验验证，证明该方法优于先前提出的方法，成本更低。

Apr, 2021

本文提出了一种新颖的信道绘图技术，通过利用周围传输接收点（TRPs）的到达时间测量和它们的位置，并在算法的训练阶段利用激光扫描仪数据，在信道绘图中融合传感器数据，以减小与 6G 设想数字之间的差距。仿真结果表明，我们的算法在 90% 的时间内实现了亚米级的定位准确度，优于现有的信道绘图技术和传统的三角测量方法。

May, 2024

通过引入先进的模型化神经网络结构，本文提出了用于信道绘图和波束预测的方法，并在实际合成信道上进行评估，取得了有希望的结果。

Dec, 2023

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

在本文中，对相位失敏距离进行了彻底的理论分析，并探讨了其局限性，为设计能够学习质量图表的系统提供了指导。随后，对不同场景下的合成和真实数据进行了实验验证。

Sep, 2023

本文提出了一种基于卷积自编码器的信道图辅助定位方法，结合多路径信道状态信息，通过无人监督学习构建信道图以捕捉每个无线设备的相对位置，再引入半监督学习，进一步提高了定位精度。与现有的有监督和传统无监督方法相比，所提出的方法在精度上得到了显著提高。

Aug, 2021

通过使用无线网络中用户上传链路信号的信息，提出了一种基于有标注数据库的监督机器学习方法，可以同时预测用户位置和信道质量，具有比之前提出的方法更优的结果，成本更低。

Dec, 2020

本文提出使用自编码器（AE）结合逐个对比约束的方法来构建信道图，以提高信道图的质量，进而实现基于信道状态信息（CSI）的用户定位方法。经过实验证明，这一方法可以在不需要全球导航卫星系统或昂贵测量数据的情况下实现精确用户定位。

Aug, 2019