介绍了广泛应用的无线电图，并讨论了无线电图估计的最显著方法，包括从简单的回归到更复杂的算法，包括最先进的技术。

Feb, 2022

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

该论文提出了一种基于频谱调查的移动机器人测量方法，使用两种算法进行地图估计和信息度量，以及一个动态规划方法规划机器人路径，实现在短时间内在最具信息量的位置进行测量，从而快速构建准确的无线电地图。

Jan, 2022

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

通过使用地理数据库，Geo2SigMap 是一个基于机器学习的高效高保真度的射频信号绘制框架，使用自动化框架进行大规模 3D 建筑地图和射线追踪建模，利用环境信息和稀疏测量数据，采用级联 U-Net 模型生成详细的射频信号图，并通过真实世界测量验证，取得了较现有方法更好的预测无线电信号的性能。

Dec, 2023

无线电地图包括地理信号功率谱密度，其含有丰富和有用的关于无线网络中谱活动和传播通道的信息，本文提供了构建和应用无线电地图的技术概述，以实现无线网络中高效且安全的资源管理。

Jul, 2018

针对基于位置相关射频测量和利用关于本地区域的侧面知识（例如城市计划、地形高度、网关位置）的接收信号强度图的重建问题，本文采用神经架构搜索找到最佳神经网络模型的最佳架构，并证明使用附加的侧面信息提高了三个现实城市的接收信号强度图重建的最终准确性，特别是在通常观察到平均接收信号功率变化较大的门附近的子区域。

Jun, 2023

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

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

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