本文提出了一种新型的双重连接协议，能够使移动用户设备同时与 4G 和 5G 连接并保持物理层连接，以应对毫米波频段中断问题并在信号质量不稳定时实现快速路径切换，作者通过详细的仿真实验发现，相比传统的手 over 机制，所提出的方法在多项指标下有显著的优势。

Nov, 2016

本文探讨了在 5G NR 网络下，利用机器学习技术通过基于上行信道估计的 5G NR 指纹来精准定位用户，并表明即使应用于非常稀疏的 SRS 数据，小型全连接适度深度神经网络也可以在商用 5G 环境中实现准确的户外用户定位。

Apr, 2023

下一代蜂窝网络将采用机器学习进行优化，利用更高频段和更密集部署来满足各种服务需求，然而这种进化也带来了挑战，尤其是在移动性管理方面，我们提出了一种基于深度学习的算法来预测未来的服务单元，以减少切换失败和中断时间，通过转移学习优化网络目标，结果表明我们的算法可以高精度地预测未来的服务单元并大幅减少重新训练时间。

Apr, 2024

通过使用机器学习网络，本文针对多信道随机接入网络中的突发流量，提出了一种轻量级灵活的框架，并通过在线预测算法实时更新网络状态，实现了对突发流量的准确预测，提高了长期预测精度达到 52%。

May, 2024

利用卷积神经网络的人工智能技术和 5G 新无线电设备所产生的波束形态侧信息，对无线电定位技术进行改进，实现了在城市环境下对移动设备的位置估计。

Apr, 2022

这篇论文介绍了一个在 5G 和 B5G 网络中使用的机器学习模型，用于估计吞吐量并结合当前网络状态推导其他网络 KPI 以提高服务保证。通过数值评估，验证了该 KPI 预测模型相对于其他方法在同样或几乎相同计算时间下的性能优势。

Apr, 2024

使用机器学习工具，针对毫米波 MIMO 系统中基站和移动用户之间的可靠性和延迟挑战，提出了一种有效的解决方案，使基站能够学习如何预测下一个时间框架中某个链接将经历阻塞，并且根据其过去的观察结果主动将用户移交给具有高概率的 LOS 链接的另一个基站，从而保证了移动毫米波系统的高可靠性和低延迟。

Jul, 2018

本文研究的是在 5G 网络下毫米波 (mmW) 和微波 (μW) 之间的资源管理策略，通过提出毫米波上行解耦来缓解上行瓶颈，并利用随机几何和韩国首尔的三维建筑数据，验证了毫米波 (或 μW) 谱效率是基站与用户密度比的对数函数。

Jul, 2015

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

本文研究如何设计用于触觉互联的大规模机器类型设备的上行传输，在此场景下需要实现超短延迟和超高可靠性。为了表征传输可靠性限制，采用了基于有限块长信道编码所实现速率的两态传输模型。优化子信道数量、子信道带宽和设备门限，以最小化系统的总带宽。数值结果表明，经过优化的策略所需的带宽可接受，即使是对于普遍的蜂窝系统。 此外，我们表明，通过增加基站的天线数，可以省去频率多样性，从而减少所需带宽。

Oct, 2016