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

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

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

本文提出了一种采用多个天线设计的系统，在多个蜂窝网络中通过每个基站应用针对每个蜂窝的波束成形来处理多蜂窝干扰，并在信道估计阶段自身实现低速率协调，从而使用用户信道的二阶统计信息降低信道污染效应，得到较传统方法更好的性能，并证明在最大的 MIMO 体制下这种方法有效。

Mar, 2012

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

本文介绍了 “信道绘图” 框架的理论基础，以及该框架在无线通信系统中应用的算法、实验结果和具体应用实例，同时讨论了未来的发展和挑战，以及在下一代无线网络中 “信道绘图” 的作用。

Apr, 2023