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

我们在全被动可重构智能表面（RIS）辅助下的毫米波单用户单输入多输出（SIMO）通信系统中提出了一种基于变分推断（VI）的信道状态信息（CSI）估计方法，并且通过近似后验分布获得最大后验（MAP）估计，从而证明了所提出方法的有效性。

Aug, 2023

本文介绍了一种利用 CSI 的深度学习室内指纹系统 DeepFi，通过线下训练和线上定位两个阶段实现对室内定位的高精度，与现有三种方法相比证实了 DeepFi 有效减少定位误差。

Mar, 2016

本文提出了一个包括数据收集，模式聚类，降噪，校准和轻量级一维卷积神经网络模型的端到端解决方案，并使用信号指纹技术解决复杂室内环境下通道状态信息的检测问题，实验表明该方法性能达到最佳神经网络和信道状态信息室内定位作品的 68.5％，参数极少。

May, 2022

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

本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

Feb, 2023

本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道，通过从一个或多个不同步接入点（AP）获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位，达到厘米级中位距离误差的性能优化。

Sep, 2020

基于指纹的定位方法在复杂的非直视室内环境中提高了定位精度。然而，现有的通道绘图方法在定位准确性方面落后于指纹定位，并且仍然需要参考样本进行定位和定期数据记录和标记以保持模型的最新。因此，我们提出了一个新的框架，不需要参考位置，只需要速度信息和拓扑地图信息来将通道绘图转换为实际坐标。我们在两个不同的真实数据集上对我们的方法进行了评估，使用了 5G 和分布式单输入 / 多输出系统（SIMO）无线电系统。实验证明，即使有噪声的速度估计和粗糙的地图信息，我们也能够达到类似的位置精度。

Nov, 2023

本研究提出了一种基于机器学习的技术，旨在针对无线环境频率选择性和时变性的复杂度，通过提取通道状态信息实现对正交频分多路复用子带频段的信道预测，实现提高系统性能的目的。

May, 2023

通过有限速率的深度学习通道状态信息反馈方法，本文提出了在大规模多输入多输出系统中，基于矢量量化变分自动编码器框架实现有限位表示的潜在矢量，同时利用形状增益的矢量量化减少计算复杂性。该方法通过适当的变换函数，将潜在矢量的幅度用非均匀标量码书量化，同时使用可训练的 Grassmann 码书量化潜在矢量的方向。同时，引入码字选取规则和损失函数设计，开发了一种多速率码书设计策略。仿真结果表明，所提出的方法在给定的反馈开销下，减少了与 VQ-VAE 相关的计算复杂性，同时改善了通道状态信息重建性能。

Mar, 2024