本研究提出一种新的天线阵列校准方法，采用基于贝叶斯机器学习的近场测量的非参数模型对天线系统的波束赋形权重进行连续变换，以修正天线元件之间的硬件失真和相互耦合效应，可用于不同规模的数字和模拟波束赋形天线阵列，并探讨了在动态硬件失真的实时操作方面的进一步发展。

Jan, 2023

本文通过多臂老虎机框架，提出了一种在线学习算法，用于选择和优化天线成对的方向，以最大化功率角谱在该位置上的峰值，并在较短的时间步数内实现与无遗漏搜索相当的性能。

Sep, 2018

提出了一种基于自监督学习和直接在线优化的方法，通过将三项传感器（相机，雷达和激光雷达）的物理特性和语义信息，综合校准实现无目标的校准，以实现安全可靠的自动驾驶技术。

Jun, 2022

通过使用卷积神经网络的强度测量来估计实时局部振荡器中的相位信息，以实现对 CV-QKD 星地通信中由大气湍流引起的相位失真的补偿，为全球量子通信应用提供了一种新的部署范式。

May, 2023

该论文研究了大型天线阵列下的毫米波通信技术。通过自适应序列优化天线束成形向量，以改善信号衰减和干扰问题，提出了一种新的自适应序列对齐算法，其搜索时间与性能无噪声双分搜索相匹配。与之前的解决方案相比，该算法在低信噪比（-10dB 至 5dB）的情况下得到了明显的通信速度提升，完成了独立的毫米波通信的首次演示。

Dec, 2018

利用机器学习技术优化复杂系统的方法，通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果，本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。

Aug, 2019

本文研究了光学卫星通信（OSGC）中的自适应光学系统问题，并提出了使用强化学习（RL）来减小系统的延迟、大小和成本，通过与低成本四分之一光电二极管进行交互来学习控制策略的方案，并开发了一个 AO RL 环境来评估 RL 的性能。实证分析表明，PPO 优于 Soft-Actor-Critic 和 Deep Deterministic Policy Gradient，并且在 250 次训练之后，PPO 收敛到理想 Shack-Hartmann 传感器所能获得的最大奖励的 86％，表明强化学习在无波阵面传感器的 OSGC 中具有潜在的优势。

Mar, 2023

在地面站运营中，我们提出了一种新颖的图像分析方法应用于方向相关信号特征，通过合适的建模和利用修复技术的理论性质，展示了我们的方法在卫星数据接收质量评估中的有用性，以及修复产品相比于原始数据的优势和技术信号信息可视化的丰富潜力。

May, 2024

本研究通过使用双极化天线，开发了一种基于机器学习的方式来检测 GPS 信号接收情况并分类，并与使用双单极化天线的方法进行了比较，最终证明了双极化天线方案对于在城市环境中提高 GPS 定位精度更具实际应用性。

May, 2023

通过数据挖掘方法，结合高精度 GPS 接收器网格系统和高斯过程回归模型，提出了一种三步去噪方法，可有效解决实时 GPS 信号受到大量噪声干扰导致定位精度大幅降低的问题，并成功实现厘米级精度定位。

Jun, 2019