本研究针对室内定位中亚10米精度的实现难题，提出了一种结合自适应滤波与扩展日志距离、多墙路径损耗和阴影模型的轻量但稳健的方法。结果显示，采用环境参数增强的模型通过自适应卡尔曼滤波实现了5.81米的平均绝对误差，显著优于基线模型，从而为动态变化环境中的高精度LoRaWAN室内定位提供了解释性与高效的解决方案。

在比较7kW交流慢充与70kW直流快充的损耗时，快充总损耗约为2.54kWh，慢充约为5.55kWh。快充因其高转换效率（95%）、充电时间短和线损低而更为高效。

本研究提出了一种基于视觉变换器的神经网络方法，用于预测室内路径损耗无线电图。通过数据增强和预训练权重，该网络在不同建筑和频率下展现出良好的泛化能力，具有重要的应用潜力。

该论文提出了一种利用接收信号强度数据和环境几何结构的机器学习方法，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。