基于指纹定位的通道重建，利用空间交替广义期望极大化算法提取时变参数，并利用变分自动编码器在另一个通道上重建通道状态信息。在深度多输入多输出通道模型产生的数据上测试了该方案，并在本文中展示了我们系统的可行性的数学分析。

May, 2024

本文提出了一个包括数据收集，模式聚类，降噪，校准和轻量级一维卷积神经网络模型的端到端解决方案，并使用信号指纹技术解决复杂室内环境下通道状态信息的检测问题，实验表明该方法性能达到最佳神经网络和信道状态信息室内定位作品的 68.5％，参数极少。

May, 2022

本文介绍了一种利用 CSI 的深度学习室内指纹系统 DeepFi，通过线下训练和线上定位两个阶段实现对室内定位的高精度，与现有三种方法相比证实了 DeepFi 有效减少定位误差。

Mar, 2016

本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道，通过从一个或多个不同步接入点（AP）获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位，达到厘米级中位距离误差的性能优化。

Sep, 2020

本研究提出了一种基于通道编制和指纹定位的距离度量方法，通过使用孪生神经网络来有效地优化全局通道图以提高室内定位准确度，使定位精度为 5G 和 UWB 设置分别为 1.4m 和 0.69m。

Oct, 2022

本研究提出了一种基于机器学习的技术，旨在针对无线环境频率选择性和时变性的复杂度，通过提取通道状态信息实现对正交频分多路复用子带频段的信道预测，实现提高系统性能的目的。

May, 2023

基于指纹的定位方法在复杂的非直视室内环境中提高了定位精度。然而，现有的通道绘图方法在定位准确性方面落后于指纹定位，并且仍然需要参考样本进行定位和定期数据记录和标记以保持模型的最新。因此，我们提出了一个新的框架，不需要参考位置，只需要速度信息和拓扑地图信息来将通道绘图转换为实际坐标。我们在两个不同的真实数据集上对我们的方法进行了评估，使用了 5G 和分布式单输入 / 多输出系统（SIMO）无线电系统。实验证明，即使有噪声的速度估计和粗糙的地图信息，我们也能够达到类似的位置精度。

Nov, 2023

利用一种数据高效的元学习算法，本文提出了一种创新的室内定位方法，解决了指纹定位在数据获取成本高和基于静态数据库估计的不准确性方面的问题。使用历史定位任务改善适应性和学习效率，在动态室内环境中采用 “学习如何学习” 的元学习范式。我们引入了任务加权损失函数来提高这一框架内的知识传递。全面的实验验证了该方法在有限 CSI 数据场景中的稳健性和优越性，平均欧几里得距离提升了 23.13%。

Jan, 2024

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

本研究提出了一种基于多头注意力神经网络的室内定位框架，能够有效应对智能手机设备异构性导致的 RSSI 信号特性差异问题，并在多样化的室内环境中，相比于现有技术，提升了高达 35% 的定位准确性。

May, 2022