通过利用接收信号强度数据并利用环境的几何结构联合构建无线电地图和虚拟环境，该论文提出了一种机器学习方法，用于快速构建 5G 及以后无线通信系统的信道模型。实验证明，该模型在重建 3D 虚拟环境方面表现出色，并在无线电地图构建方面优于现有方法，准确性提高了 10%-18%。同时，该模型在转移到新环境时可以减少 20% 的数据和 50% 的训练时期。

Mar, 2024

本文提出一种基于深度神经网络和三维地图预测城市环境中的无线电信号强度分布的算法，该方法不需要发射器位置知识和削弱、遮蔽参数等副通道信息，既可用于无人机或移动机器人部署优化也可应用于动态频谱访问网络、蜂窝覆盖设计和功率控制算法等方面。

Nov, 2020

使用无需位置标签的接收信号强度（RSS）测量数据，本文开发了一个基于区域的无线电地图构建方法，并提出了集成分割和聚类算法来解决 RSS 数据的聚类和区域匹配问题，结果表明该方案能够将区域定位误差降低约 50%，甚至优于一些需要标记数据进行训练的监督定位方案，如最近邻（KNN）、支持向量机（SVM）和深度神经网络（DNN）

Aug, 2023

近年来，许多研究探讨了深度学习算法在城市通信网络中确定发射器和接收器对之间的大规模信号衰落（也称为 “路损”）的应用。本文通过发布包含真实城市地图和开放数据源的航拍图像的模拟路损无线电地图公共数据集，进行了关于模型架构、输入特征设计以及从航拍图像估计路损地图的初步实验，并提供了相关代码。

Jan, 2024

该论文提出了一种基于收到的信号强度（RSS）的基站的卷积、端到端训练的神经网络（NN）LocUNet，可在城市环境中实现用户的定位，并展示了其在现实城市环境中优于现有竞争方法的性能。

Jun, 2021

通过使用无人机收集大量数据，并对现有的射频地图估计器进行评估，本研究揭示出具有深度神经网络 (DNNs) 的复杂估计器表现最佳，但需要大量训练数据才能相对传统方案提供实质性优势，同时还提出了一种混合两种类型估计器的新算法，展示了进一步探索该研究方向的潜力。

Oct, 2023

本文提出了一种高效准确的深度学习方法，名为 RadioUNet，用于估算从一个点 $x$（发射器位置）到平面域上任意点 $y$ 的传播路损。该方法能够学习如何在城市环境下准确地估算路损函数，并且能够在实时应用中快速计算结果。实验结果表明，相对于先前提出的方法，我们的方法具有明显的优势。

Nov, 2019

本研究提出了一种利用深度神经网络从数据集中学习先前测量的传播现象空间结构来估计电台占用地图的方法，有效利用了完整的卷积自编码器结构，以显著减少用于估计预定准确性映射所需的测量数量。

May, 2020

利用生成对抗网络的方法以及语义地图对室内环境进行建模，实现射频地图的自动合成及网络覆盖估计。

Aug, 2023

通过分析射频（RF）数据，本文提出了一种利用环境无线信号对室外环境进行重建的新方法，通过选定的深度学习技术在合成射频数据集 WAIR-D 上进行研究，评估了两种基于深度学习的方法，在性能评估中使用了交集 - 并集（IoU），豪斯多夫距离和切菲尔德距离等指标，结果显示基于射频的重建方法具有良好的性能，为轻量级和可扩展的重建解决方案铺平了道路。

Feb, 2024