CN110611628A - 信号处理方法、网络设备及计算机可读存储介质 - Google Patents
信号处理方法、网络设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110611628A CN110611628A CN201810620087.0A CN201810620087A CN110611628A CN 110611628 A CN110611628 A CN 110611628A CN 201810620087 A CN201810620087 A CN 201810620087A CN 110611628 A CN110611628 A CN 110611628A
- Authority
- CN
- China
- Prior art keywords
- training sequence
- nonlinear equalization
- model
- time domain
- data signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本公开实施例涉及信号处理方法、网络设备及计算机可读存储介质。在远端射频单元(RRH)处的方法包括:接收来自终端设备的数据信号;去除所述数据信号的循环前缀;基于用于时域非线性均衡的模型,对去除了循环前缀的数据信号进行时域非线性均衡;以及对经均衡的数据信号进行时域至频域转换以用于后续处理。在基带单元(BBU)处的方法包括:获取来自终端设备的训练序列,所述训练序列已被去除循环前缀;以所述训练序列作为输入,并以与所述训练序列对应的原始序列作为输出,训练用于时域非线性均衡的模型,以确定用于所述时域非线性均衡的模型参数;以及将所述模型参数发送到RRH,以用于对来自所述终端设备的数据信号的时域非线性均衡。
Description
技术领域
本公开的实施例涉及无线通信领域,更具体地涉及信号处理方法、网络设备及计算机可读存储介质。
背景技术
在分布式基站架构中,远端射频单元(RRH)和基带单元(BBU)借助于通用公共无线电接口(CPRI)或基于以太网的通用公共无线电接口(eCPRI)进行通信,称之为前传(fronthaul)。随着第五代移动通信技术(5G)时代的到来,下一代前传接口(NGFI)或eCPRI的相关方案成为研究热点。
如所知,RRH接收来自终端设备的信号,对该信号执行射频处理,并将处理后的信号发送至BBU以由BBU对该信号执行基带处理。由于终端设备中的诸如功率放大器之类的组件本身的缺陷,会引起信号的非线性失真。通常在RRH侧对此并不作处理,而仅在BBU侧执行频域均衡。随着5G对传输速率的要求的不断提高,这种非线性失真带来的载波间干扰愈发明显,当前这种方案已无法确保信号的可靠性。
发明内容
总体上,本公开的实施例提供信号处理方法以及网络设备。
在本公开的一个方面,提供一种信号处理方法。该方法包括:在RRH处,接收来自终端设备的数据信号;去除所述数据信号的循环前缀;基于用于时域非线性均衡的模型,对去除了循环前缀的数据信号进行时域非线性均衡;以及对经均衡的数据信号进行时域至频域转换以用于后续处理。
在本公开的另一方面,提供一种信号处理方法。该方法包括:在BBU处,获取来自终端设备的训练序列,所述训练序列已被去除循环前缀;以所述训练序列作为输入,并以与所述训练序列对应的原始序列作为输出,训练用于时域非线性均衡的模型,以确定用于所述时域非线性均衡的模型参数;以及将所述模型参数发送到RRH,以用于对来自所述终端设备的数据信号的时域非线性均衡。
在本公开的又一方面,提供一种网络设备。该网络设备包括:处理器;以及与所述处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:接收来自终端设备的数据信号;去除所述数据信号的循环前缀;基于用于时域非线性均衡的模型,对去除了循环前缀的数据信号进行时域非线性均衡;以及对经均衡的数据信号进行时域至频域转换以用于后续处理。
在本公开的又一方面,提供一种网络设备。该网络设备包括网络设备,包括:处理器;以及与所述处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:获取来自终端设备的训练序列,所述训练序列已被去除循环前缀;以所述训练序列作为输入,并以与所述训练序列对应的原始序列作为输出,训练用于时域非线性均衡的模型,以确定用于所述时域非线性均衡的模型参数;以及将所述模型参数发送到RRH,以用于对来自所述终端设备的数据信号的时域非线性均衡。
在本公开的又一方面,提供一种计算机可读存储介质。该计算机可读存储介质包括机器可执行指令,所述机器可执行指令在由设备执行时使所述设备执行上述的信号处理方法。
根据本公开实施例的方案,可以提供改进的物理层传输机制,使得抗非线性和抗噪声能力增强,从而提高可靠性并且降低误码率。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了本公开实施例可在其中实施的通信场景的示意图;
图2示出了根据本公开实施例的在终端设备、RRH和BBU之间的示例性交互的示意图;
图3示出了根据本公开实施例的在RRH处实施的信号处理方法的示意性流程图;
图4示出了根据本公开另一实施例的在RRH处实施的信号处理方法的示意性流程图;
图5示出了根据本公开实施例的在BBU处实施的信号处理方法的示意性流程图;
图6示出了未经时域非线性均衡和经时域非线性均衡的信号的星座图比较的示意图;
图7示出了未经时域非线性均衡和经时域非线性均衡的信号的误差向量幅度(EVM)/误码率(BER)比较的示意图;以及
图8示出了适合实现本公开的实施例的设备的简化框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中示出了本公开的一些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在此使用的术语“网络设备”或“基站”可以表示节点B(NodeB或者NB)、演进节点B(eNodeB或者eNB)、中继器、或者诸如微微基站、毫微微基站等的低功率节点等等。在本公开的上下文中,为讨论方便之目的,术语“网络设备”和“基站”可以互换使用,并主要以eNB作为基站的示例。
在本文中使用的术语“终端设备”是指能够与基站之间或者彼此之间进行无线通信的任何终端设备或用户设备(UE)。作为示例,终端设备可以包括具有通信功能的传感器、检测器、移动终端(MT)、订户台(SS)、便携式订户台(PSS)、移动台(MS)或者接入终端(AT),以及车载的上述设备等。在本公开的上下文中,为讨论方便之目的,术语“终端设备”和“用户设备”可以互换使用,并且主要以UE作为终端设备的示例。
在本文中使用的术语“RRH”在5G的环境中也可以称为有源天线处理单元(AAU)。在本公开的上下文中,为讨论方便之目的,术语“RRH”和“AAU”可以互换使用,并主要以RRH作为示例进行说明。
在本文中使用的术语“BBU”在5G的环境中也可以称为分布单元(DU)/集中单元(CU)。在本公开的上下文中,为讨论方便之目的,术语“BBU”和“DU/CU”可以互换使用,并主要以BBU作为示例进行说明。
如本文所使用的,术语“模型”可以从训练数据中学习到相应的输入与输出之间的关联,从而在训练完成后可以针对给定的输入,生成对应的输出。应当理解,“模型”也可以被称为“神经网络”、“学习模型”、“学习网络”或“深度学习网络”,等等。
在此使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”。其他术语的相关定义将在下文描述中给出。
图1示出了本公开实施例可在其中实施的通信场景100的示意图。为了方便讨论,下文将以eNB作为基站的示例,而以UE作为终端设备的示例。然而应当理解,这仅仅是为了便于阐释本公开实施例的思想,无意以任何方式限制本公开的应用场景和范围。
如所知,当前通常采用包括RRH(例如RRH 110)和BBU(例如BBU 120)的分布式基站架构(如虚线框所示)。RRH 110可以用于对来自终端设备130的信号执行射频处理,BBU 120可以用于执行该信号的基带处理。RRH 110与BBU 120之间通过光纤连接并且借助于CPRI或eCPRI进行通信,称之为前传。为方便起见,在图中仅示出一个RRH,但实际上一个BBU可以支持多个RRH。在多个RRH的情况下,该多个RRH可以经由集线器汇集后通过光纤连接至对应的BBU。应理解到,每个RRH与BBU之间的通信是类似的。
如前面提及的,由于终端设备中的诸如功率放大器之类的组件本身的缺陷,会引起信号的非线性失真。如图1所示,RRH 110接收到来自终端设备130的包含非线性失真的信号140。在物理层上,RRH 110去除信号140的循环前缀并对其执行时域至频域转换,例如快速傅里叶变换(FFT)。然后在对经转换的信号140执行资源单元解映射和资源块封装等处理后,将其发送至BBU 120。BBU 120对接收到的信号140执行信道估计、分集合并、均衡、离散傅里叶逆变换(IDFT)、解调、去扰码、速率匹配、解码等处理,然后将处理后的信号140传送到介质访问控制(MAC)层以供后续处理。
可见,RRH 110将包含非线性失真的信号140直接进行了时域至频域转换,而并未对信号的非线性失真作任何处理。在这样的情况下,BBU 120即使通过后面针对每个子载波在频域上的诸如均衡(例如迫零均衡)之类的数字信号处理(DSP),也无法减少或消除该时域上的非线性,导致信号失真严重。
在一种已知方案中,通过将信号140的输入幅度保持在终端设备130的诸如功率放大器的组件的输入输出响应中的线性范围内,来减少这种非线性。然而,这种方案的代价是天线的输出功率的降低,从而导致无线覆盖率的降低。
在另一种已知方案中,通过在BBU 120侧使用类似高级DSP的非线性Volterra滤波器,其考虑任意两个子载波之间的拍频,一定程度上可以减少非线性问题,但是在实践中DSP极其复杂。
对此,本发明人提出一种改进的方案,用于在对信号的时域至频域转换之前实施时域非线性均衡,从而充分地减少或消除信号的非线性失真,增强抗噪声能力,提高系统的可靠性并降低误码率。根据本公开实施例的构思,通过在BBU 120侧基于来自终端设备130的训练序列,训练用于时域非线性均衡的模型,并且在RRH 110侧使用该模型对来自终端设备130的数据信号进行时域非线性均衡,然后进行时域至频域转换以供后续处理。下面结合图2对此进行更详细说明。
图2示出了根据本公开实施例的在终端设备130、RRH 110和BBU120之间的示例性交互的示意图200。如图2所示,终端设备130可以向RRH 110发送201训练序列。例如,训练序列可以包含在来自终端设备130的传输帧的前导码中。训练序列可以是对于作为发送端的终端设备130和作为接收端的网络设备(例如RRH 110和BBU 120)已知的一个或多个连续符号。根据本公开的实施例,训练序列可以被用于训练用于时域非线性均衡的模型。根据本公开的实施例,训练序列也可以被用于接收端的时间和频率同步以及信道估计等。应理解到,训练序列可以是本领域已知或未来开发的任意合适信号形式,本申请对此并不作任何限制。
RRH 110在接收到来自终端设备130的训练序列后,去除202训练序列的循环前缀。继而,RRH 110将去除了循环前缀的训练序列发送203到BBU 120。根据本公开的实施例,在模型训练期间,RRH 110将去除了循环前缀的训练序列直接发送203到BBU 120,而不进行例如时域至频域转换、资源单元解映射之类的其它处理,而是将这些处理转移到BBU 120侧执行,以便在BBU 120侧实现模型的训练。相比RRH 110而言,BBU 120拥有巨大的计算资源,因此在BBU 120侧训练模型可以充分利用计算资源,提高系统效率。
于是,BBU 120可以从RRH 110接收到去除了循环前缀的训练序列。BBU 120以训练序列作为输入,并以与训练序列对应的原始序列作为输出,训练204用于时域非线性均衡的模型,从而确定模型参数。根据本公开的实施例,可以通过本领域已知或未来开发的任意合适的深度学习网络来实现模型的训练。例如,卷积神经网络、循环神经网络、深度神经网络等等。应理解,本申请对此并不作任何限制。此外,根据本公开的实施例,该模型可以基于本领域已知或未来开发的任意合适的时域非线性均衡技术,这里不再赘述。
如图2所示,BBU 120可以将确定的模型参数向回发送205给RRH 110,以用于由RRH110对来自终端设备130的数据信号进行时域非线性均衡。根据本公开的实施例,BBU 120还可以对训练序列进行时域至频域转换以及后续处理,以便实现时间和频率同步以及信道估计等。这一点与本发明无关,因此不再赘述。
RRH 110基于接收到的模型参数,可以生成206用于时域非线性均衡的模型。根据本公开的实施例,响应于模型参数的接收,RRH 110可以向终端设备130发送207训练完成的确认信息。在备选实施例中,还可以响应于模型参数的接收,并且响应于时间和频率同步以及信道估计的完成,发送207训练完成的确认信息。终端设备130响应于接收到该确认信息,可以开始数据信号的发送208。至此,模型的训练过程结束。接下来,描述模型的使用过程。
继续参考图2,RRH 110在接收到来自终端设备130的数据信号后,去除209数据信号的循环前缀。基于上述生成206的模型,RRH 110对去除了循环前缀的数据信号进行时域非线性均衡210。继而,RRH 110对经均衡的数据信号进行时域至频域转换211,并将经转换的数据信号发送212至BBU 120。BBU 120对其进行常规的后续处理213,诸如信道估计、分集合并、均衡(频域,例如迫零均衡等)、IDFT、解调、去扰码、速率匹配、解码等处理,这里不再赘述。由此在RRH 110侧实现对信号的时域非线性均衡。应理解到,数据信号可以是本领域已知或未来开发的任意合适信号形式,本申请对此并不作任何限制。
基于上述构思,本公开实施例可以在RRH和BBU处分别提供相应的信号处理方法。下面结合图3至图5对此进行详细说明。图3示出了根据本公开实施例的在RRH处实施的信号处理方法300的示意性流程图。方法300可以在例如图1的RRH 110处实施。方法300涉及结合图2所述的模型使用过程。
如图3所示,在框310,RRH 110可以接收来自终端设备130的数据信号140。在框320,RRH 110可以去除数据信号140的循环前缀。在框330,RRH 110可以基于用于时域非线性均衡的模型,对去除了循环前缀的数据信号140进行时域非线性均衡。该模型的构建稍后将基于图4进行说明。
在框340,RRH 110可以对经均衡的数据信号140进行时域至频域转换以用于后续处理。框310至340的处理类似于前面结合图2的208至213所述的处理,这里不再赘述。
通过图3的信号处理方法,可以在RRH侧实现在对接收到的信号执行时域至频域转换之前执行时域非线性均衡,从而尽可能地减少或消除由终端设备的组件本身导致的信号的非线性失真,为后续BBU侧的频域处理奠定良好基础,实现系统可靠性的提高和误码率的降低。
图4示出了根据本公开另一实施例的在RRH处实施的信号处理方法400的示意性流程图。方法400可以在例如图1的RRH 110处实施。方法400涉及结合图2所述的模型训练过程。
如图4所示,在框410,RRH 110可以获取来自终端设备130的训练序列。根据本公开的实施例,RRH 110可以从终端设备130实时接收训练序列。根据本公开的另一实施例,RRH110可以在接收到来自终端设备130的训练序列后将其存储在内部或外部存储器中,并在需要执行模型训练时从该存储器获取该训练序列。
在框420,RRH 110可以去除训练序列的循环前缀。在框430,RRH 110可以将去除了循环前缀的训练序列发送到BBU 120,以由BBU 120用于训练用于时域非线性均衡的模型,从而确定模型参数。应注意,框420的操作是可选的。在一些实施例,RRH 110可以将接收到的训练序列直接转发给BBU 120,而不对其进行诸如去除循环前缀之类的处理。
在框440,RRH 110可以从BBU 120接收用于时域非线性均衡的模型参数。在框450,RRH 110可以基于模型参数,生成用于时域非线性均衡的模型以便在接收到来自终端设备130的数据信号时对其执行时域非线性均衡。
在框460,RRH 110可以向终端设备130发送训练完成的确认信息,以便终端设备130开始数据信号的传输。框410至460的处理的其它细节可参见前面结合图2的201至203以及205至207所述的处理,这里不再赘述。
应理解到,模型的训练可以是实时进行的,也就是,模型的训练可以与模型的使用并行,其中通过不断调整模型参数来完善模型的使用。在一些实施例中,模型的训练也可以是非实时进行的,也就是,模型的训练与模型的使用是分离的。本申请对此并不作任何限制。
图5示出了根据本公开实施例的在BBU处实施的信号处理方法500的示意性流程图。方法500可以在例如图1的BBU 120处实施。方法500也涉及结合图2所述的模型训练过程。
如图5所示,在框510,BBU 120可以获取来自终端设备130的训练序列。根据本公开的实施例,BBU 120可以从RRH 110接收来自终端设备130的训练序列,该训练序列已由RRH110去除循环前缀。在一些实施例中,BBU 120可以从RRH 110接收来自终端设备130的训练序列,该训练序列未由RRH 110去除循环前缀,并且BBU 120去除该训练序列的循环前缀以供后续处理。根据备选实施例,BBU 120可以在接收到训练序列后将其存储在其内部或外部存储器中,并且在需要时从存储器中获取该训练序列以使用。
在框520,BBU 120可以以训练序列为输入,并以与训练序列对应的原始序列作为输出,训练用于时域非线性均衡的模型,以确定模型参数。在框530,BBU 120可以将模型参数发送回RRH 110,以用于对来自终端设备130的数据信号的时域非线性均衡。框510至框530的处理的其它细节可参见前面结合图2的203至205所述的处理,这里不再赘述。
通过图5的信号处理方法,可以在BBU侧实现对用于时域非线性均衡的模型的训练,以供在RRH侧使用该模型,由此可以提高系统效率。应理解到,在RRH侧使用的模型的训练过程也可以在BBU以外的设备诸如RRH或其它设备上实施,本申请对此不作限制。
下面结合图6和图7描述本发明人对本公开实施例的效果的示例性验证。图6示出了未经时域非线性均衡和经时域非线性均衡的信号的星座图比较的示意图600。
如图6所示,左侧视图示出了终端设备130的功率放大器的具有非线性特性的响应曲线610。中间视图示出了在未经时域非线性均衡、而仅经迫零均衡(ZF-L-Equ)得到的信号的16QAM星座图620。右侧视图示出了在经时域非线性均衡(ANN-NL-Equ)且经迫零均衡得到的信号的16QAM星座图630。
从图中可见,在未经过时域非线性均衡时,由于信号的非线性导致的载波间干扰,造成星座图620严重模糊且弥散。而在经过时域非线性均衡后,非线性被减少,载波间干扰降低,星座图630也变得清晰,EVM从16%降低到6%。
图7示出了未经时域非线性均衡和经时域非线性均衡的信号的误差向量幅度(EVM)/误码率(BER)比较的示意图700。本发明人关于信噪比(SNR)进行了一系列16QAM测试和EVM/BER比较,图7示出了其结果。
如图7所示,曲线710表示在未经时域非线性均衡而经迫零均衡(ZF w/o NN)的情况下EVM与SNR的变化关系,曲线720表示在经时域非线性均衡且经迫零均衡(ZF w/NN)的情况下EVM与SNR的变化关系,曲线730表示在未经时域非线性均衡而经迫零均衡(ZF w/o NN)的情况下BER与SNR的变化关系,曲线740表示在经时域非线性均衡且经迫零均衡(ZF w/NN)的情况下BER与SNR的变化关系。
图7的结果表明,根据本公开实施例的方法有效地降低了EVM和BER,在存在非线性的情况下能够令16QAM信号满足无差错传输的EVM/BER阈值。例如,根据本公开实施例的方法,在1×10-2的BER水平的情况下可以带来10dB SNR增益。例如,EVM可以从16%降低到6%。这意味着先前的QPSK(基于前向纠错(FEC)的无差错传输EVM阈值为17.5%)调制格式可以提高到64QAM(基于FEC的无差错传输EVM阈值为8%),即,信道容量可以扩大3倍。
综上所述,根据本公开实施例的信号处理方法,通过在RRH侧实现在对接收到的信号执行时域至频域转换之前执行时域非线性均衡,从而尽可能地减少或消除由终端设备的组件本身导致的信号的非线性失真,为后续BBU侧的频域处理奠定良好基础,提高了系统的传输效率和可靠性,并且降低了误码率。
与方法相对应地,本公开实施例还提供相应的信号处理装置和网络设备。图8示出了适合实现本公开的实施例的设备800的简化方框图。设备800可以用来实现根据本公开实施例的RRH 110和BBU 120。
如图所示,设备800可以包括一个或多个处理器810、耦合到处理器810的一个或多个存储器820、以及耦合到处理器810的一个或多个发射器和/或接收器(TX/RX)840。
处理器810可以是适用于本地技术环境的任何合适的类型,并且可以包括但不限于通用计算机、专用计算机、微控制器、数字信号控制器(DSP)以及基于多核处理器架构的处理器中的一种或多种。设备800可以具有多个处理器,诸如在时间上从动于与主处理器同步的时钟的专用集成电路芯片。
存储器820可以是适用于本地技术环境的任何合适的类型,并且可以使用任何合适的数据存储技术来实现,作为非限制示例,诸如非瞬态计算机可读存储介质、基于半导体的存储器件、磁存储器件和系统、光存储器件和系统、固定存储器和可移除存储器。
存储器820存储程序830的至少一部分。TX/RX 840用于双向通信。TX/RX 840具有至少一个天线以促进通信,但实践中该设备可以具有若干个天线。通信接口可以表示与其它网元通信所需的任何接口。
程序830可以包括程序指令,该程序指令在由相关联的处理器810执行时使得设备800能够根据本公开实施例进行操作,如参照图2至图5所述的那样。也就是,本公开的实施例可以通过可由设备800的处理器810执行的计算机软件实现,或者通过硬件实现,或者通过软件和硬件的结合实现。
一般而言,本公开的各种示例实施例可以在硬件或专用电路、软件、逻辑,或其任何组合中实施。某些方面可以在硬件中实施,而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本公开的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时,将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备,或其某些组合中实施。可用来实现本公开实施例的硬件器件的示例包括但不限于:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD),等等。
作为示例,本公开的实施例可以在机器可执行指令的上下文中被描述,机器可执行指令诸如包括在目标的真实或者虚拟处理器上的器件中执行的程序模块中。一般而言,程序模块包括例程、程序、库、对象、类、组件、数据结构等,其执行特定的任务或者实现特定的抽象数据结构。在各实施例中,程序模块的功能可以在所描述的程序模块之间合并或者分割。用于程序模块的机器可执行指令可以在本地或者分布式设备内执行。在分布式设备中,程序模块可以位于本地和远程存储介质二者中。
用于实现本公开的方法的计算机程序代码可以用一种或多种编程语言编写。这些计算机程序代码可以提供给通用计算机、专用计算机或其他可编程的数据处理装置的处理器,使得程序代码在被计算机或其他可编程的数据处理装置执行的时候,引起在流程图和/或框图中规定的功能/操作被实施。程序代码可以完全在计算机上、部分在计算机上、作为独立的软件包、部分在计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。
在本公开的上下文中,机器可读介质可以是包含或存储用于或有关于指令执行系统、装置或设备的程序的任何有形介质。机器可读介质可以是机器可读信号介质或机器可读存储介质。机器可读介质可以包括但不限于电子的、磁的、光学的、电磁的、红外的或半导体系统、装置或设备,或其任意合适的组合。机器可读存储介质的更详细示例包括带有一根或多根导线的电气连接、便携式计算机磁盘、硬盘、随机存储存取器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光存储设备、磁存储设备,或其任意合适的组合。
另外,尽管操作以特定顺序被描绘,但这并不应该理解为要求此类操作以示出的特定顺序或以相继顺序完成,或者执行所有图示的操作以获取期望结果。在某些情况下,多任务或并行处理会是有益的。同样地,尽管上述讨论包含了某些特定的实施细节,但这并不应解释为限制任何发明或权利要求的范围,而应解释为对可以针对特定发明的特定实施例的描述。本说明书中在分开的实施例的上下文中描述的某些特征也可以整合实施在单个实施例中。反之,在单个实施例的上下文中描述的各种特征也可以分离地在多个实施例或在任意合适的子组合中实施。
尽管已经以特定于结构特征和/或方法动作的语言描述了主题,但是应当理解,所附权利要求中限定的主题并不限于上文描述的特定特征或动作。相反,上文描述的特定特征和动作是作为实现权利要求的示例形式而被公开的。
Claims (15)
1.一种信号处理方法,包括:
在远端射频单元(RRH)处,接收来自终端设备的数据信号;
去除所述数据信号的循环前缀;
基于用于时域非线性均衡的模型,对去除了循环前缀的数据信号进行时域非线性均衡;以及
对经均衡的数据信号进行时域至频域转换以用于后续处理。
2.根据权利要求1所述的方法,还包括:
获取来自所述终端设备的训练序列;
去除所述训练序列的循环前缀;以及
将去除了循环前缀的训练序列发送到基带单元(BBU),以用于确定用于所述时域非线性均衡的模型参数。
3.根据权利要求1所述的方法,还包括:
从基带单元(BBU)接收用于所述时域非线性均衡的模型参数;以及
基于所述模型参数,生成所述用于时域非线性均衡的模型。
4.根据权利要求3所述的方法,还包括:
响应于所述模型参数的接收,向所述终端设备发送训练完成的确认信息。
5.根据权利要求1所述的方法,其中所述模型基于机器学习而构建。
6.一种信号处理方法,包括:
在基带单元(BBU)处,获取来自终端设备的训练序列,所述训练序列已被去除循环前缀;
以所述训练序列作为输入,并以与所述训练序列对应的原始序列作为输出,训练用于时域非线性均衡的模型,以确定用于所述时域非线性均衡的模型参数;以及
将所述模型参数发送到远端射频单元(RRH),以用于对来自所述终端设备的数据信号的时域非线性均衡。
7.根据权利要求6所述的方法,还包括:
对所述训练序列进行时域至频域转换以用于后续处理。
8.一种网络设备,包括:
处理器;以及
与所述处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
接收来自终端设备的数据信号;
去除所述数据信号的循环前缀;
基于用于时域非线性均衡的模型,对去除了循环前缀的数据信号进行时域非线性均衡;以及
对经均衡的数据信号进行时域至频域转换以用于后续处理。
9.根据权利要求8所述的设备,其中所述存储器还具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
获取来自所述终端设备的训练序列;
去除所述训练序列的循环前缀;以及
将去除了循环前缀的训练序列发送到基带单元(BBU),以用于确定用于所述时域非线性均衡的模型参数。
10.根据权利要求8所述的设备,所述存储器还具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
从基带单元(BBU)接收用于所述时域非线性均衡的模型参数;以及
基于所述模型参数,生成所述用于时域非线性均衡的模型。
11.根据权利要求10所述的设备,所述存储器还具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
响应于所述模型参数的接收,向所述终端设备发送训练完成的确认信息。
12.根据权利要求8所述的设备,其中所述模型基于机器学习而构建。
13.一种网络设备,包括:
处理器;以及
与所述处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
获取来自终端设备的训练序列,所述训练序列已被去除循环前缀;
以所述训练序列作为输入,并以与所述训练序列对应的原始序列作为输出,训练用于时域非线性均衡的模型,以确定用于所述时域非线性均衡的模型参数;以及
将所述模型参数发送到远端射频单元(RRH),以用于对来自所述终端设备的数据信号的时域非线性均衡。
14.根据权利要求13所述的设备,所述存储器还具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
对所述训练序列进行时域至频域转换以用于后续处理。
15.一种计算机可读存储介质,包括机器可执行指令,所述机器可执行指令在由设备执行时使所述设备执行根据权利要求1-7中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620087.0A CN110611628B (zh) | 2018-06-15 | 2018-06-15 | 信号处理方法、网络设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620087.0A CN110611628B (zh) | 2018-06-15 | 2018-06-15 | 信号处理方法、网络设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110611628A true CN110611628A (zh) | 2019-12-24 |
CN110611628B CN110611628B (zh) | 2023-03-24 |
Family
ID=68888199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810620087.0A Active CN110611628B (zh) | 2018-06-15 | 2018-06-15 | 信号处理方法、网络设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110611628B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112737688A (zh) * | 2020-12-28 | 2021-04-30 | 杭州电子科技大学 | 一种基于信道特征迁移的dsp均衡方法及系统 |
CN113141216A (zh) * | 2020-01-20 | 2021-07-20 | 上海诺基亚贝尔股份有限公司 | 信号处理方法、设备、装置和计算机可读存储介质 |
CN113660695A (zh) * | 2020-05-12 | 2021-11-16 | 大唐移动通信设备有限公司 | 小区数据的处理方法及装置 |
CN114339862A (zh) * | 2020-09-29 | 2022-04-12 | 诺基亚通信公司 | 无线电接入网络中的干扰检测 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997048218A1 (en) * | 1996-06-11 | 1997-12-18 | Motorola Limited | Msle decoder with neural network |
US20080075179A1 (en) * | 2006-09-21 | 2008-03-27 | Broadcom Corporation, A California Corporation | Power collection based adaptive length equalizer |
CN102316055A (zh) * | 2011-09-06 | 2012-01-11 | 中兴通讯股份有限公司 | 一种基带单元、bbu、rru及基站 |
CN103297368A (zh) * | 2012-02-28 | 2013-09-11 | 电信科学技术研究院 | 接收信号的处理方法和装置 |
CN103428149A (zh) * | 2012-05-25 | 2013-12-04 | 中兴通讯股份有限公司 | 一种lte基站系统的上行接收机及其数据处理方法 |
CN103546402A (zh) * | 2012-07-11 | 2014-01-29 | 华为技术有限公司 | 一种发送信号的方法、装置和系统 |
CN107517503A (zh) * | 2016-06-17 | 2017-12-26 | 中兴通讯股份有限公司 | 一种处理装置、bbu、rru及天线校正方法 |
-
2018
- 2018-06-15 CN CN201810620087.0A patent/CN110611628B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997048218A1 (en) * | 1996-06-11 | 1997-12-18 | Motorola Limited | Msle decoder with neural network |
US20080075179A1 (en) * | 2006-09-21 | 2008-03-27 | Broadcom Corporation, A California Corporation | Power collection based adaptive length equalizer |
CN102316055A (zh) * | 2011-09-06 | 2012-01-11 | 中兴通讯股份有限公司 | 一种基带单元、bbu、rru及基站 |
CN103297368A (zh) * | 2012-02-28 | 2013-09-11 | 电信科学技术研究院 | 接收信号的处理方法和装置 |
CN103428149A (zh) * | 2012-05-25 | 2013-12-04 | 中兴通讯股份有限公司 | 一种lte基站系统的上行接收机及其数据处理方法 |
CN103546402A (zh) * | 2012-07-11 | 2014-01-29 | 华为技术有限公司 | 一种发送信号的方法、装置和系统 |
CN107517503A (zh) * | 2016-06-17 | 2017-12-26 | 中兴通讯股份有限公司 | 一种处理装置、bbu、rru及天线校正方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113141216A (zh) * | 2020-01-20 | 2021-07-20 | 上海诺基亚贝尔股份有限公司 | 信号处理方法、设备、装置和计算机可读存储介质 |
CN113660695A (zh) * | 2020-05-12 | 2021-11-16 | 大唐移动通信设备有限公司 | 小区数据的处理方法及装置 |
CN113660695B (zh) * | 2020-05-12 | 2023-09-19 | 大唐移动通信设备有限公司 | 小区数据的处理方法及装置 |
CN114339862A (zh) * | 2020-09-29 | 2022-04-12 | 诺基亚通信公司 | 无线电接入网络中的干扰检测 |
CN114339862B (zh) * | 2020-09-29 | 2024-05-03 | 诺基亚通信公司 | 无线电接入网络中的干扰检测 |
CN112737688A (zh) * | 2020-12-28 | 2021-04-30 | 杭州电子科技大学 | 一种基于信道特征迁移的dsp均衡方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110611628B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110611628B (zh) | 信号处理方法、网络设备及计算机可读存储介质 | |
RU2667071C1 (ru) | Каскадная модуляция волновой формы со встроенным сигналом управления для высокопроизводительного периферийного транзита мобильной связи | |
WO2017076353A1 (en) | Apparatus and methods for low papr transmission in mimo systems | |
WO2021086986A1 (en) | Apparatus and methods for phase noise mitigation in wireless systems | |
US11516053B2 (en) | Method and device for channel equalization, and computer-readable medium | |
CN104662956B (zh) | 基带处理系统、基带信号处理方法和基站 | |
CN107517503B (zh) | 一种处理装置、bbu、rru及天线校正方法 | |
Duan et al. | Performance analysis of several functional splits in C-RAN | |
CN111245750A (zh) | 频偏估计方法、装置及存储介质 | |
EP3479503A1 (en) | Over the air testing of a radio communications device | |
CN113273108A (zh) | 使用神经网络检测帧中传输的控制信息 | |
WO2017114053A1 (zh) | 一种信号处理方法及装置 | |
CN106256097A (zh) | 用于干扰消除的方法和装置 | |
CN105262559A (zh) | 一种数据发送方法、数据接收方法和相关装置 | |
CN108880691B (zh) | 用于解调信号的方法、设备及计算机可读介质 | |
US10264479B2 (en) | Test apparatus for a telecommunication network and method for testing a telecommunication network | |
KR20200078983A (ko) | 전이중 통신 방식에서 자기간섭신호 추정을 위한 방법 및 장치 | |
CN115150238B (zh) | 用于基于正交频分复用的通信的机器学习 | |
US11968062B1 (en) | Joint gain and phase mismatch canceller and equalizer for downlink aided by precoder signaling | |
US11765011B2 (en) | Method and apparatus for transmitting and receiving data | |
WO2023272653A1 (en) | Channel estimation compensation with constellation | |
WO2023220965A1 (en) | Enhancements on fronthaul network | |
WO2022213326A1 (zh) | 一种数据接收方法及装置 | |
WO2024007189A1 (en) | Scalable and quick waveform learning in multi-user communication system | |
WO2022217553A1 (en) | Machine learning for channel estimation against diverse doppler effects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |