本论文提出了一种通过量化预训练神经网络的局部中间响应和辅助 softmax 层的置信度得出输入的对抗样本的测试时间对抗样本例探测器，并通过非迭代输入样本剪辑来减弱非相关特征，从而提高了 15 种对抗扰动水平下的平均性能，其中快速梯度符号法（FGSM）提高了 55.33％，而基本迭代法（BIM）和投影梯度法（PGD）分别提高了 6.3％。

Nov, 2022

本文提出使用神经网络和复合值权重学习指纹技术，用于无线安全，结果表明使用加入白高斯噪声的计数器直接策略会有显著的性能提升，同时指纹识别是一个可行的方案。

May, 2019

本文提出并实施了一种新颖的低功耗、适应信道特性的动态频率下行到达差异时间测距算法，通过基于卷积神经网络（CNN）的 NLOS 概率预测器、动态测距频率控制模块和基于 IMU 传感器的测距滤波器，实验证明该算法在 NLOS 条件下的准确度比先前研究的基准方法提高了 50%，在 LOS 条件下的功耗降低了 46%。

Feb, 2024

利用低成本的 Ultra-Wide Band（UWB）传感器和深度学习网络，我们提出了一个人类状态估计框架，能够在室内环境中无需特定设备的情况下估计人的位置和活动，实现精确的定位和活动识别。

Dec, 2023

在本文中，我们提供了一个方案，通过从另一个传输通道预测信道状态信息（CSI）值，并将多频段信息拼接在一起，从频域改进室内指纹定位的准确性。我们在 COST 2100 模拟数据和从办公场景中收集的实时正交频分复用（OFDM）WiFi 数据上测试了我们提出的方案。

Sep, 2023

在搜索与救援（SAR）场景中，困人的检测是普适计算中面临的重大挑战，本研究采用机器学习技术来解决这个问题，通过利用无线通信协调信息并使用超宽带雷达信号在非直线可视（NLOS）场景中识别个体，实验结果表明所提出的方法在静态数据和动态数据上分别获得了 88.37% 和 87.20% 的分类准确性，对 SAR 行动中科学家和工程师做出即时决策具有积极意义。

Feb, 2024

该研究探讨了在非直观传输环境下基于超宽带技术的测距方法，提出了一种基于核主成分分析的新型测距方法，经实际测试证明，该方法表现优异。

Nov, 2015

基于 Ultra-wideband（UWB）技术的室内定位系统由于其提供厘米级定位精度的能力而受到认可。然而，这些系统经常面临密集多径衰落导致的定位误差挑战。为了解决这个问题，在本信中我们提出了一种利用深度嵌入聚类（DEC）的无监督锚节点选择的新方法。我们的方法在聚类之前使用自动编码器（AE），从而更好地将 UWB 特征分为可分离的 UWB 输入信号聚类。我们进一步研究如何基于聚类质量对这些聚类进行排序，从而能够去除不可靠的信号。实验结果显示了我们提出的方法的效率，相比不排除锚点，平均绝对误差（MAE）显著减少了 23.1%。尤其在密集多径区域，我们的算法实现了更显著的改进，将 MAE 减少了 26.6%，将 95th 百分位误差减少了 49.3%。

Apr, 2024

本文提出了一种基于变分贝叶斯的半监督深度学习方法，用于 UWB 定位系统的误差校正，通过融合深度学习技术和统计工具，实现从有标记和未标记的数据样本中高效地累积知识，相较于其他全监督方法，即使在低监督比例下，也取得了更好的性能。

May, 2023

本文提出了一种基于全卷积神经网络的 FMCW 雷达干扰抑制方法，改善了汽车场景下雷达传感器之间的干扰问题，同时开源了一个近似实际汽车场景的大规模数据集。

Jul, 2020