使用嵌套交叉验证方案的机器学习方法，模型了高速列车系统在第五代（5G）移动通信网络中的性能，以优化手 over、资源分配和提高移动性，具有显著结果。

Oct, 2023

本文介绍了一种用于机器学习路径损耗预测的新型增强数据方法，通过将合成数据与真实数据相结合，显著改善了模型在不同环境中的泛化能力，取得了可观的均方误差改进。

Feb, 2024

基于 ML 的 PMNet 通过使用有限的 RT（或信道测量）数据和地图数据进行训练，可以在几毫秒内高精度地预测位置上的路径损耗，并通过使用迁移学习在快速和高效的情况下学习新的网络场景。

Dec, 2023

简化的环境信息在无线信号传播预测中提供了高效而有效的解决方案，通过使用方便且准确的障碍物深度作为预测模型，可用于传播建模、无线部署和频谱规划。

May, 2024

本文基于在美国奥斯汀市和丹麦奥尔堡市获取的 38 GHz，2、10、18 和 28 GHz 频率下的传播测量数据，提出了未来第五代（5G）无线通信系统在城市宏观蜂窝（UMa）场景中使用的关键参数，包括直线视距（LOS）概率、大尺度路径损耗和阴影衰减模型，并对不同 LOS 概率模型进行了比较，深入研究了 Alpha-betagamma 和近距参考距离路径损耗模型在信道建模中的价值，分析和对比了单斜率和双斜率全向路径损耗模型的平均根方误差（RMS）误差。虽然结果显示，双斜率大尺度路径损耗模型在非直线视距（NLOS）条件下可以略微降低 RMS 误差，与其单斜率对应部分相比，但这种改善并不足以证明应采用双斜率路径损耗模型。此外，探讨了阴影衰落幅度与距离之间的关系。基于奥尔堡的数据，结果显示 LOS 上略微增加，而 NLOS 上略微降低，但需要更多的测量来更好地了解厘米和毫米波频段下的 UMa 信道。

Nov, 2015

本文提出了五种深度神经网络输入输出处理方法，增加其应用于 5G UAV 安全数据集的输出准确性和可靠性，并且探讨了不同的评估度量以及其中的权衡，结果表明预处理、后置处理和置信度处理都可以提高 DNN 的可靠性和准确性，而且置信度校准，即通过均衡 MC、MA 和 RS 之间的差异实现增强的可靠性，可以使用潜在方法来取代 DNN 中的 Softmax 层分类。

Nov, 2022

使用基于 Transformer 的神经网络架构，从不同维度的地图和稀疏测量中预测链路级属性，而不需要离散化，这种方法可以高效地学习稀疏训练数据中的主要路径损耗，并在新的地图上具有良好的泛化能力。

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

本研究旨在利用移动网络运营商可获得的真实网络数据，对 5G 网络中的预测延迟进行彻底分析，并利用机器学习中的贝叶斯学习和图学习技术进行概率回归、异常检测和预测预测框架测试，并使用来自车辆移动、城市交通等场景的数据进行验证，结果为预测算法在实际应用中的有效性提供了有价值的见解。

Jul, 2023

一篇关于 5G 网络切片的研究论文，评估了包括逻辑回归模型、线性判别模型、k 最近邻模型、决策树模型、随机森林模型、SVC BernoulliNB 模型和 GaussianNB 模型在检测网络切片准确度和精确度方面的各种机器学习技术，并提供了 5G 网络切片的概述。

Oct, 2023