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

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

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

本文提出一种基于深度神经网络和三维地图预测城市环境中的无线电信号强度分布的算法，该方法不需要发射器位置知识和削弱、遮蔽参数等副通道信息，既可用于无人机或移动机器人部署优化也可应用于动态频谱访问网络、蜂窝覆盖设计和功率控制算法等方面。

Nov, 2020

该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

Jul, 2020

该论文提出了一种基于收到的信号强度（RSS）的基站的卷积、端到端训练的神经网络（NN）LocUNet，可在城市环境中实现用户的定位，并展示了其在现实城市环境中优于现有竞争方法的性能。

Jun, 2021

本研究提出了一种新颖的自我监督深度强化学习方法，其利用通道脉冲响应作为状态，并预测修正以最小化纠正后和估计范围之间的误差，实验结果证明其性能与最先进的监督方法相当，克服了数据依赖性和泛化性不足的限制，在解决实际可扩展的 UWB 范围误差方面具有很大潜力。

Mar, 2024

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

本文提出了一种基于深度强化学习的无监督无线定位方法，通过建模连续的无线定位过程为马尔可夫决策过程并将其纳入深度强化学习框架中，以克服使用未标记数据进行定位时奖励的获取难题，并使用 RSS 测量将 DRL 与代理位置相结合构建 DRL 输入，为 IoT 数据的空间化提供了新思路。

Apr, 2020

深度学习在无线电通信信号分类方面的性能与基线方法比较研究，研究了不同配置和信道失真情况下的分类性能，探讨了载波频率偏移、符号速率和多径衰落等因素对性能的影响，并使用软件无线电进行了室内分类性能的实测，最终讨论了该技术的应用存在的问题和设计考虑。

Dec, 2017