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。

本文介绍了一种新型增强数据方法，结合合成与真实数据，提升机器学习在路径损耗预测中的泛化能力。通过接收信号强度数据构建无线电地图，提出高效的5G信道模型，实验显示准确性提高10%-18%。此外，利用深度学习方法RadioUNet，能够快速估算城市环境中的传播路径损失，展现出明显优势。