CN111049615B - 处理信号的方法和装置 - Google Patents

Abstract

本申请提供一种处理信号的方法和装置，可以提高接收机区分多用户的多径信号的性能。该方法包括：获取K个发射机各自的多径信号叠加之后的叠加信号，该叠加信号在时域上包括n个符号，K≥2，n≥1，K和n均为整数；对叠加信号进行特征提取和第一次干扰消除处理，输出第一信号，所述特征提取和第一次干扰消除是通过第一神经网络处理的；将第一信号等分为n个第二信号，并对该n个第二信号进行第二次干扰消除处理，输出n个第三信号，所述第二次干扰消除是通过第二神经网络处理的；根据该K个发射机的多径信道的信道估计和该n个第三信号，得到该K个发射机在该n个符号发送的比特序列的估计序列。

Description

处理信号的方法和装置

技术领域

本申请涉及无线通信技术领域，尤其涉及一种处理信号的方法和装置。

背景技术

峰均比(peak to average power ratio,PAPR)在非正交多址接入(non-orthogonal multiple access,NOMA)应用中是影响位于小区边缘的用户设备(userequipment,UE)以及发射功率受限的UE的性能的重要因素。尤其在海量机器类通信(massive machine type of communication,mMTC)场景中的NOMA应用时，为了达到与窄带物联网(narrow band internet of things,NB-IoT)以及增强移动宽带(enhanced mobilebroadband,eMBB)相同的覆盖范围，需要采用离散傅里叶变换扩频的正交频分复用(discrete Fourier transform-spread orthogonal frequency divisionmultiplexing,DFT-s-OFDM)的波形。采用DFT-s-OFDM会为每个用户设备引入不同的多径信道。

目前，最通用的用来处理多径信号的接收机为Rake接收机。Rake接收机使用相关检测器可以对多用户的多径信号进行区分，从而获得每个单用户的信号。但是，Rake接收机在处理在多用户的情况下，尤其是在多用户之间存在较大干扰的情况下性能较差，甚至会出现误码平台。

发明内容

本申请提供一种处理信号的方法和装置，能够提升接收机区分多用户的多径信号的性能。

第一方面，本申请提供一种处理信号的方法，该方法包括：获取K个发射机各自的多径信号叠加之后的叠加信号，所述叠加信号在时域上包括n个符号，K≥2，n≥1，K和n均为整数；对所述叠加信号进行特征提取和第一次干扰消除处理，输出第一信号，所述第一信号为所述叠加信号的样本信号，所述特征提取和所述第一次干扰消除是通过第一神经网络处理的；将所述第一信号等分为n个第二信号，并对所述n个第二信号进行第二次干扰消除处理，输出n个第三信号，所述第二次干扰消除是通过第二神经网络处理的；根据所述K个发射机的多径信道的信道估计和所述n个第三信号，得到所述K个发射机在所述n个符号发送的比特序列的估计序列。

在本申请实施例中，通过在接收机中设置神经网络，利用神经网络的特征提取能力以及对时间序列的比较强的表达能力，对接收到的来自多个发射机的多径信号叠加之后的叠加信号进行处理，相比于传统的Rake接收机，能够尽可能地消除多用户间的干扰和/或符号间干扰，因此能够提升接收机区分多用户的多径信号的性能。

结合第一方面，在第一方面的某些实现方式中，该方法还包括：根据该K个发射机的多径信道的信道估计和所述n个第三信号，得到第四信号；对第四信号进行第三次干扰消除，得到估计序列，该第三次干扰消除是通过第三神经网络处理的。

结合第一方面，在第一方面的某些实现方式中，所述对叠加信号进行特征提取和第一次干扰消除处理之前，该方法还包括：确定第一神经网络和第二神经网络的配置，其中，所述配置包括第一神经网络和第二神经网络进行特征提取和/或干扰消除时所需的各个参数；对所述叠加信号进行特征提取和第一次干扰消除处理，包括：使用确定的第一神经网络的配置对该叠加信号进行特征提取和第一次干扰消除；对所述n个第二信号进行第二次干扰消除处理，包括：使用确定的第二神经网络的配置，对所述n个第二信号进行第二次干扰消除处理。

结合第一方面，在第一方面的某些实现方式中，确定第一神经网络和第二神经网络的配置，包括：向发射机发送第一信道状态信息CSI，所述第一CSI中包括应用场景指示字段，所述应用场景指示字段用于指示当前的应用场景；从所述发射机接收第一指示信息，第一指示信息用于指示发射机根据所述CSI从预置的一个或多个配置中选择的适应于当前的应用场景的配置；根据第一指示信息，确定第一神经网络和第二神经网络的配置。

需要说明的是，适应于某个应用场景的配置也可以表述为适应于该应用场景下的接收机中的神经网络的参数(或参数配置)。

结合第一方面，在第一方面的某些实现方式中，所述确定第一神经网络和第二神经网络的配置，包括：确定是否需要对第一神经网络和第二神经网络的配置进行在线训练；确定对第一神经网络和第二神经网络的配置进行在线训练时，向所述发射机发送预设的训练数据；从所述发射机接收对第一神经网络和第二神经网络进行训练所需的训练参数，并根据所述训练参数对第一神经网络和第二神经网络的参数进行训练；将第一神经网络和第二神经网络经过训练的参数，确定为第一神经网络和第二神经网络的配置。

结合第一方面，在第一方面的某些实现方式中，所述方法还包括：向所述发射机发送第一神经网络和第二神经网络经过训练的参数，以使所述发射机更新发射参数，所述发射参数包括扩频序列、交织序列、加扰序列和映射码本中的一个或多个。

结合第一方面，在第一方面的某些实现方式中，所述确定是否需要对第一神经网络和第二神经网络的配置进行在线训练，包括：从所述发射机接收参考信号，并根据所述参考信号确定当前的应用场景，以及确定所述应用场景下是否需要对第一神经网络和第二神经网络的配置进行在线训练；或者，向发射机发送第二CSI，并从所述发射机接收第二指示信息，第二指示信息用于指示是否需要对第一神经网络和第二神经网络的配置进行在线训练，其中，第二指示信息是所述发射机根据所述第二CSI确定的。

以上第一方面的各种实现方式在第二方面的方法中也是适用的。

结合第一方面，在第一方面的某些实现方式中，第一神经网络为卷积神经网络CNN，第二神经网络为长短时记忆神经网络LSTM。

结合第一方面，在第一方面的某些实现方式中，第三神经网络为LSTM。

第二方面，本申请提供一种处理信号的方法，该方法包括：获取K个发射机各自的多径信号叠加之后的叠加信号，所述叠加信号在时域上包括至少一个符号，K≥2，且K为整数；根据所述K个发射机的多径信道的信道估计，确定所述K个发射机中每个发射机的多径信道的多径权重，所述K个发射机中每个发射机的多径信道的多径权重是通过第四神经网络对所述K个发射机的多径信道的信道估计进行处理得到的；对所述叠加信号进行特征提取和第一次干扰消除处理，输出所述K个发射机各自的样本信号，所述特征提取和所述第一次干扰消除是通过第五神经网络处理的；根据所述K个发射机各自的样本信号和各自的多径信道的多径权重，确定所述K个发射机在所述至少一个符号上发送的比特序列的第一估计序列。

结合第二方面，在第二方面的某些实现方式中，该方法还包括：对所述第一估计序列进行第二次干扰消除处理，得到所述K个发射机在所述一个符号上发送的比特序列的第二估计序列，所述第二次干扰消除是通过第六神经网络处理的。

结合第二方面，在第二方面的某些实现方式中，所述第四神经网络为全连接神经网络MLP，所述第五神经网络为卷积神经网络。

结合第二方面，在第二方面的某些实现方式中，所述第六神经网络为MLP或LSTM。

应理解，上述第一方面和第二方面中对神经网络的编号“第一”、“第二”仅仅是为了区分不同的描述对象，但并不表示不同编号的神经网络一定是不同的。例如，第四神经网络可以是MLP，第六神经网络也可以为MLP。

在第二方面的方法中，各神经网络(例如，第四神经网络、第五神经网络、第六神经网络)的参数可以进行在线训练或离线配置，本申请不作限定。

第三方面，本申请提供一种通信装置，所述通信装置具有实现第一方面或第二方面的任意一个方面及其任意可能的实现方式中接收机的功能。这些功能可以通过硬件实现，或者，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与这些功能相对应的单元。

第四方面，本申请提供一种接收机，包括收发器、处理器和存储器。处理器用于控制收发器收发信号，存储器用于存储计算机程序，处理器用于调用并运行存储器中存储的计算机程序，使得接收机执行第一方面或第二方面的任意一个方面中的方法。

第五方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当计算机指令在计算机上运行时，使得计算机执行上述第一方面或第二方面及其任意可能的实现方式中的方法。

第六方面，本申请提供一种芯片，包括处理器。处理器用于读取并执行存储器中存储的计算机程序，以执行上述第一方面或第二方面及其任意可能的实现方式中的方法。

可选地，该芯片该包括存储器，存储器通过电路或电线与处理器连接。

进一步可选地，该芯片还包括通信接口，处理器与该通信接口连接。通信接口用于接收需要处理的信号和/或信息，处理器从该通信接口获取该信号和/或信息，并对该信号和/或信息进行处理，并通过该通信接口输出处理结果。

第七方面，本申请提供一种计算机程序产品，该计算机程序产品包括计算机程序代码，当计算机程序代码在计算机上运行时，使得计算机执行上述第一方面或第二方面及其任意可能的实现方式中的方法。

在本申请实施例中，通过在接收机中设置神经网络，利用神经网络的特征提取能力以及对时间序列的比较强的表达能力，对接收到的来自多个发射机的多径信号叠加之后的叠加信号进行处理，相比于传统的Rake接收机，能够尽可能地消除多用户间的干扰和/或符号间干扰，因此能够提升接收机区分多用户的多径信号的性能。

附图说明

图1是全连接神经网络的结构示意图。

图2为卷积运算过程的示意图。

图3是LSTM按时间展开的示意图。

图4是LSTM的内部结构的示意图。

图5是本申请提供的处理信号的方法200的示意性图。

图6是第一LSTM的内部结构的示意图。

图7是本申请提供的处理信号的方法300的示意图。

图8是本申请提供的接收机和Rake接收机的处理性能的对比图。

图9是训练神经网络的方法500的示意图。

图10是联合训练接收机和发射机的方法600的示意图。

图11是本申请提供的接收机的硬件结构的示意图。

图12是本申请提供的处理信号的装置1000。

图13是本申请提供的接收机2000的示意性结构框图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行描述。

本申请实施例的技术方案可以应用于各种通信系统，例如：全球移动通信(globalsystem for mobile communications，GSM)系统、码分多址(code division multipleaccess，CDMA)系统、宽带码分多址(wideband code division multiple access，WCDMA)系统、通用分组无线业务(general packet radio service，GPRS)、长期演进(long termevolution，LTE)系统、LTE频分双工(frequency division duplex，FDD)系统、LTE时分双工(time division duplex，TDD)、通用移动通信系统(universal mobiletelecommunication system，UMTS)、全球互联微波接入(worldwide interoperabilityfor microwave access，WiMAX)通信系统、未来的第五代(5th generation，5G)系统或新无线(new radio，NR)等。

本申请实施例中的终端设备可以指用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。终端设备还可以是蜂窝电话、无绳电话、会话启动协议(session initiationprotocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备，未来5G网络中的终端设备或者未来演进的公用陆地移动通信网络(public land mobile network，PLMN)中的终端设备等，本申请实施例对此并不限定。

本申请实施例中的网络设备可以是用于与终端设备通信的设备。该网络设备可以是全球移动通信(global system for mobile communications，GSM)系统或码分多址(code division multiple access，CDMA)中的基站(base transceiver station，BTS)，也可以是宽带码分多址(wideband code division multiple access，WCDMA)系统中的基站(NodeB，NB)，还可以是LTE系统中的演进型基站(evolved NodeB，eNB或eNodeB)，还可以是云无线接入网络(cloud radio access network，CRAN)场景下的无线控制器，或者该网络设备可以为中继站、接入点、车载设备、可穿戴设备以及未来5G网络中的网络设备或者未来演进的PLMN网络中的网络设备等，本申请实施例并不限定。

首先对本申请实施例中涉及的相关技术或概念作简单介绍。

1、全连接神经网络。

全连接神经网络又叫做多层感知机(multi-layer perceptron,MLP)。参见图1，图1是全连接神经网络的结构示意图。如图1所示，一个MLP包括一个输入层、一个输出层和多个隐藏层。每个层包括若干个节点，称为神经元。相邻两层的神经元两两相连，同层的神经元之间不连接。其中，各层所包括的节点的数量称为该层的宽度。一般地，输入层代表特征向量，输入层的每一个神经元代表一个特征值。

以相邻两层的神经元来看，下一层的神经元的输出h为与所有与之相连的上一层的神经元x之间的函数关系可以表示为式(1)。

h＝f(wx+b) (1)

其中，w为权重矩阵，b为偏置向量，f为激活函数。

因此，MLP的输出可以递归表达为式(2)。

y＝f_n(w_nf_n-1(...)+b_n) (2)

2、卷积神经网络。

卷积神经网络(convolutional neural network，CNN)与MLP类似，将两层之间的全连接加权和操作换成了局部连接的卷积操作，并可以适用于更高维度的数据(例如，图像)。卷积操作的过程可以参见图2。图2为卷积运算过程的示意图。如图2所示，图2中的矩阵A为输入矩阵，大小为5×5。矩阵B为卷积核，大小为3×3。矩阵C为输出矩阵。其中，图2中的粗线框表示正在进行的运算。其中，卷积运算可以表示为式(3)。

在式(3)中，M和N为卷积核的维度。卷积核可以有多个，多个卷积核分别对应多个输出。

需要说明的是，CNN一般还包括池化、全连接输出等操作，鉴于本申请中不涉及，这里省略其说明。

3、长短时记忆网络。

长短时记忆网络(long short term memory,LSTM)是循环神经网络(recurrentneural network,RNN)的一种。参见图3，图3是LSTM按时间展开的示意图。其中，c表示长期状态，h表示短期状态，x表示输入。其中，LSTM的内部结构请参见图4所示。

图4是LSTM的内部结构的示意图。如图4所示，LSTM的内部包含4个全连接神经网络，分别用f,i,c,o表示。σ和tanh表示激活函数。

其中，LSTM的计算过程可以表示为如下式(4)。

f_t＝σ(w_f[H_t-1,X_t]+b_f)

i_t＝σ(w_i[H_t-1,X_t]+b_i)

c_t＝tanh(w_c[H_t-1,X_t]+b_c)

c_t＝f_t·c_t-1+i_t·c_t

o_t＝σ(w_o[H_t-1,X_t]+b_o)

h_t＝o_t·tanh(c_t) (4)

需要理解的是，神经网络通常是随机初始化，经过大量数据对齐进行训练得到泛化能力之后再用于解决问题。

下面介绍本申请提供的处理信号的方法。

参见图5所示，图5是本申请提供的处理信号的方法200的示意图。方法200可以由接收机执行。例如，在下行传输中，可以由终端设备的接收机执行。在上行传输中，可以由网络设备(例如，基站)的接收机执行。

201、接收K个发射机的多径信号叠加之后的叠加信号。

其中，该叠加信号在时域上包含n个符号，n≥1且为整数。

可选地，作为一个实施例，叠加信号在时域上包括n个符号仅是作为一个示例。叠加信号在时域上也可以以其它时间单元为单位。例如，叠加信号在时域上包括多个时隙、多个子帧等，本申请中不作限定。

这里，K个接收机中的每个接收机发射的信号都经过多径信道，因此每个发射机发送的信号都是多径信号。K个发射机的多径信号叠加在一起之后的信号即是本申请中所说的叠加信号。其中，K≥2且为整数。

可选地，本申请中的叠加信号可以是该K个发射机对各自发送的信号执行扩频操作得到的扩频信号的叠加。或者，也可以是该K个发射机对各自发送的信号执行加扰操作得到的加扰信号的叠加，还可以是该K个发射机对各自发送的信号执行交织操作得到的交织信号的叠加。

202、将叠加信号输入CNN，以对叠加信号进行特征提取和第一次干扰消除处理，输出第一信号。

应理解，第一信号是叠加信号的样本信号。

在步骤202中，CNN可以为一层或多层，这里不作限定。CNN的卷积核共有K个，维度最大为L，K和L为正整数。

需要说明的是，K为发射机的数量。L为扩频序列的长度。

在步骤202中的第一次干扰消除处理，可以是该K个发射机之间的多用户干扰(multi-user interference,MUI)的消除处理。

步骤202中，将叠加信号输入CNN，一方面是对叠加信号进行特征提取，另一方面可以完成MUI的初步消除。

可选地，步骤202中的CNN可以是训练后的CNN。本领域技术人员都公知，神经网络通常都是训练得到泛化能力之后，才能用于解决问题。因此，本文中出现的用于处理信号的神经网络，例如CNN以及下文出现的LSTM、MLP等可以是训练之后的，可以参见下文的离线预置的方式。关于这些神经网络的训练方法和过程请参见下文的详细说明。可选地，接收机也可以对这些神经网络进行在线训练，本申请中不限定。

203、将第一信号等分为n个第二信号，分别第一LSTM的n个LSTM单元，以进行第二次干扰消除，输出n个第三信号。

应理解，步骤202中的CNN是本申请中第一神经网络的举例，步骤203中的第一LSTM是第二神经网络的举例。

需要说明的是，第一LSTM包含的LSTM单元的数量与叠加信号在时域上包含的符号的数量是相等的。例如，假定步骤201中的叠加信号在时域上包含5个符号，则第一LSTM包含5个LSTM单元。

将第一信号等分为n份，得到n个第二信号。n个第二信号分别输入第一LSTM的n个LSTM单元，以对该n个第二信号进行第二次干扰消除。

可选地，第一LSTM可以为单向LSTM，或者也可以为双向LSTM。

其中，单向LSTM是指在计算当前的输出时，仅和前一个时刻的信息相关。而双向LSTM是指在计算当前的输出时，和前一个时刻和后一个时刻的信息都相关。

双向LSTM与单向LSTM相比，在计算当前的输出时，获取的信息更多，因此计算性能要比单向LSTM更优。

作为一个实施例，本申请中的第一LSTM采用双向LSTM。此时，步骤203中的第一LSTM的结构可以参见图6所示。

图6是第一LSTM的内部结构的示意图。在图6中，概括地说，S_x为第一LSTM的输入，是K个发射机在第x个符号的信号级联得到的向量，1≤x≤n，x为整数。换句话说，S₁,S₂,...,S_n为CNN的输出。也即，叠加信号输入CNN进行第一次干扰消除处理之后，输出第一信号。第一信号等分为n份，得到S₁,S₂,...,S_n。图6所示的第一LSTM共包括n个LSTM单元，其中每个LSTM单元对应图6中的一个行。如上文所示，叠加信号在时域上包括n个符号，这里，S₁是第1个符号内所有发射机的多径信号的叠加。S₂是第2个符号内所有发射机的多径信号的叠加。依次类推。S_n是第n个符号内所有发射机的多径信号的叠加。换句话说，在方法200的实施例中，接收机在处理多用户的多径信号的叠加信号时，可以一次处理多个符号。

另外，在图6中，竖向来看，有2列LSTM。其中，第一列包括n个LSTM，这n个LSTM从上往下有一条信息流。第二列也包括n个LSTM，第二列的n个LSTM从下往上有一条信息流。也即，上文所说的双向LSTM。

可选地，第一LSTM也可以仅包括图6中所示的第一列的n个LSTM或第二列的n个LSTM，此时第一LSTM即为单向LSTM。本申请实施例中不限定第一LSTM的具体结构。

204、根据该K个发射机的多径信号的信道估计和该n个第三信号，得到第四信号。

具体地，接收机将K个发射机的多径信号的信道估计矩阵(或者，信道估计向量)与各自对应的第三信号点乘，得到第四信号。

这里第四信号可以作为该K个发射机在该n个符号发射的比特序列的估计序列。

可选地，作为一个实施例，方法200还包括步骤205。

205、将第四信号输入第二LSTM进行第三次干扰消除处理，得到该K个发射机在所述n个符号上发射的比特序列的估计序列。

其中，第二LSTM是本申请中第三神经网络的举例。

在步骤205中，第三次干扰消除处理可以包括该n个符号的符号间干扰(inter-symbol interference,ISI)的消除处理，和/或该K个发射机之间的MUI的消除处理。

可以理解的是，在步骤202和步骤203中，经过训练后的CNN和第一LSTM，完成了对叠加信号的MUI和ISI初步消除。而在步骤205中，再经过第二LSTM，可以进一步对残留的MUI和/或ISI进行消除处理，提升接收机区分多用户的多径信号的叠加信号的能力。

可选地，与第一LSTM类似，第二LSTM可以为单向LSTM或双向LSTM。当第二LSTM为双向LSTM时，其结构可以与图6中所示相同。当第二LSTM为单向LSTM时，其结构可以与上述对第一LSTM为单向LSTM时的结构所作的说明相同，不再赘述。

可选地，作为一个实施例，图6中所示的CNN也可以替换为相关检测器。关于相关检测器的相关说明可以参考现有技术中Rake接收机中设置的相关检测器的说明，这里省略详细说明。

根据上述步骤203和步骤205中描述的第一LSTM和第二LSTM的结构，可以看到LSTM网络中的信息流除了从左向右流动，在第一LSTM和/或第二LSTM单元中，还有从上到下和/或从下向上的信息流，也即用户间和符号间可以存在信息的交互，从而对ISI和MUI可以进行进一步的消除。

每个LSTM单元的内部结构，可以参见上文的图4。这里不再赘述。

可选地，第一LSTM可以是一层或多层。当第一LSTM为多层是，即是stacked LSTM。

可选地，第二LSTM也可以是一层或多层，本申请中不作限定。

此外，LSTM层之后需要级联MLP层进行维度转换。

为了便于理解，下面对方法200中的处理流程进行举例说明。

假设接收机接收4个发射机在5个符号内的叠加信号，也即，K＝4，n＝5，扩频序列的长度L＝32，信道长度N为23。其中，图6中所示的CNN的卷积核的数量为4，卷积核的大小为32。激活函数为线性激活函数。如上文所示，第一LSTM包含的LSTM单元的数量等于n，因此，第一LSTM包含5个LSTM单元，分别为S₁,S₂,...,S₅。

第一LSTM的5个LSTM单元中的每个LSTM单元的输入信号的维度应该为4×32的向量，也即，图6中所示的S₁,S₂,...,S₅是维度均为4×32的向量。第一LSTM的每个LSTM单元的输出应该为4×23的向量，也即图6中所示的o₁,o₂,...,o₅是维度均为4×23的向量。

第二LSTM的每个LSTM单元的输入信号均是维度为4×23的向量。第二LSTM的每个LSTM单元的输出应该是维度为4×5的向量。

需要说明的是，第二LSTM和第一LSTM的结构可以是完全相同的，因此，在图6中仅示出了一个LSTM的内部结构的示意图。而图6所示的LSTM的内部结构对于第一LSTM和第二LSTM都是适用的。

需要特别说明的是，第一LSTM和第二LSTM中输入信号S和输出信号o的维度不同，是因为本申请中将用于进行维度转换的MLP设置在了LSTM的输出单元中。LSTM的输出单元参见图6中所示的o_x对应的框。

可选地，作为一种实现方式，MLP也可以不设置在第一LSTM的输出单元中，而是级联在第一LSTM之后。同样地，第二LSTM也是一样的。

另外，上述的第一LSTM的每个LSTM单元的输入信号的维度为4×32是复数表示，如果用实数表示，则为128×2。第二LSTM的输出信号的维度为4×23也是复数表示，如果用实数表示，则为96×2。

如果将发射机的数量记作K，将方法200中的叠加信号记作r，r包含的符号的数量记作n，多径信道的估计矩阵(也即，上文中所说的信道估计矩阵)记作

CNN使用的函数记作C(·)，第一LSTM使用的函数记作L(·)，接收机输出的各发射机的估计序列记作

方法200的步骤的伪代码可以如下所示：

进一步地，对CNN使用的函数C(·)细化接口，则有

y＝C(x,f,s,o,a) (5)

其中，式(5)中，x为CNN的输入信号，f为卷积核的数量，s为卷积核的大小，o为CNN的输出信号的维度，a为激活函数。

同样地，对MLP使用的函数M(·)进一步细化接口，则有

y＝M(x,d,w,a) (6)

其中，式(6)中，x为MLP的输入信号，d为MLP的层数，w为各层的宽度，a为激活函数。

对LSTM使用的函数L(·)进一步细化接口，则有

y＝L(x,u,v,b,a) (7)

其中，式(7)中，x为LSTM的输入信号，u为LSTM包含的LSTM单元的数量，v为LSTM单元的输出信号的维度，b表示LSTM是否为双向LSTM，a为激活函数。

在方法200中，接收机中包括LSTM，由于LSTM对时间序列的表达能力非常强，因此在多用户的序列检测方面具有较好的性能。尤其在用户数量多和/或信噪比较高的情况下，方法200对多径信号的处理性能优于Rake接收机。

下面再介绍另外一种处理信号的方法300，也可以用于接收机对多用户的经过多径信道的叠加信号的处理。

与方法200相同的是，方法300也是由接收机执行。例如，在下行传输中，可以由终端设备的接收机执行。在上行传输中，可以由网络设备(例如，基站)的接收机执行。

301、接收K个发射机的多径信号叠加之后的叠加信号。

其中，该叠加信号在时域上包含至少1个符号。

在方法300中，叠加信号在时域上包含至少1个符号。换句话说，在方法300中，接收机可以接收K个发射机在多个符号的多径信号的叠加信号。但是，与方法200不同的是，在方法300中，接收机在对叠加信号进行处理时，每次只处理该至少一个符号中的一个符号。换句话说，在方法300中，接收机是以1个符号为单位进行处理的。而在方法200中，接收机是以多个符号为单位处理叠加信号的。

另外，叠加信号的解释说明可以参见上文方法200，这里适当省略。

可选地，K个接收机中的每个接收机可以对应一个终端设备。在多用户的情况下，K≥2且为整数。

302、将该K个发射机的多径信道的信道估计输入第一MLP，得到该K个发射机的每个发射机的多径信道的多径权重。

应理解，每个发射机的多径信道都对应各自的多条径。因此，这K个发射机中的每个发射机具有各自的多个多径权重，每个多径权重对应多径信道中的一条径。

303、将叠加信号输入CNN进行特征提取和第一次干扰消除，输出该K个发射机各自的样本信号。

304、根据该K个发射机各自的样本信号与各自的多径信道的多径权重，确定该K个发射机在该一个符号上发送的比特序列的第一估计序列。

这里，第一估计序列作为该K个发射机在该一个符号上发送的比特序列的初步估计结果。后续，可以对第一估计序列作进一步的优化。

应理解，步骤302中的第一MLP是本申请中第四神经网络的举例，步骤303中的CNN是第五神经网络的举例。

方法300中所示的接收机的处理流程可以参见图7所示，图7是方法300中的接收机的处理信号的示意图。在图7中，假设接收机接收到K个发射机的发送的经过多径信道后的叠加信号。叠加信号记作r^M，各个发射机的信道估计分别记作H_K。接收机的处理流程可以如下：

401、将叠加信号r^M输入CNN进行特征提取和第一次干扰消除处理，得到K个发射机中的每个发射机在该一个符号上发送的信号。

其中，CNN可以是一层或多层，CNN的卷积核共有K个，维度最大为L。其中，L个发射机使用的扩频序列的长度。CNN的输出的信号分为K个层，每个层可以看作是该K个发射机中的一个发射机的多径信号。

在步骤401，叠加信号经过训练后的CNN，完成了初步的干扰消除。例如，MUI消除。

402、将K个发射机的多径信道的信道估计H_K输入训练后的第一MLP，得到K个发射机的每个发射机的多径信道的多径权重。

如上文所述，K个发射机具有各自的多径权重，并且，每个发射机具有多个多径权重。其中，每个多径权重对应该发射机的多径信道中的一条径。

403、将该K个发射机在该一个符号上发送的信号与各自对应的多径权重点乘，得到该K个发射机在该一个符号上发送比特序列的初步估计序列。

其中，初步估计序列也即上述步骤304中所述的第一估计序列。

需要说明的是，与方法200中所述的叠加信号在时域上包含n个符号不同的是，在方法300中，叠加信号在时域上包含1个符号。换句话说，在方法300中，接收机也可以接收多个发射机的多径信号在多个符号内的叠加信号。但是接收机在对该叠加信号进行处理时，每次只处理一个符号。接收机在接收了多个符号的叠加信号的情况下，每次具体处理哪个符号的叠加信号，本申请中不作限定。例如，可以按照时间顺序逐符号处理，或者，接收机每次都处理接收的多个符号中的位于中间位置的一个符号的叠加信号。或者，还可以是按照预设的处理规则进行处理。

由此可以理解的是，假定共有4个发射机，每个发射机在一个符号发送1个比特，则在图7中，接收机输出的第一估计序列为4个比特，每个比特对一个发射机。换句话说，接收机输出的z_K包括4个比特，每个比特是该接收机对该4个发射机中的一个发射机在该一个符号内发送的比特的估计。

可选地，进一步地，在图7所示的接收机的处理流程中还可以包括第二MLP或LSTM。也即，上述步骤401-403之后还可以包括步骤404。

404、将第一估计序列输入训练后的第二MLP或长短时记忆神经网络LSTM进行第二次干扰消除处理，得到第二估计序列。

步骤404中，第二MLP或LSTM是本申请中第六神经网络的举例。

该第二估计序列包括K个比特，该K个比特分别为该K个发射机在该一个符号上发送的比特的估计值。

相比于步骤403中的初步估计序列，接收机在步骤404中输出的第二估计序列可以看作是最终的估计结果。

可选地，在步骤404中，接收机中设置的可以是MLP，或者也可以是LSTM。

如果设置的是MLP，为了便于和步骤402中的MLP进行区分，将步骤404中的MLP称作第二MLP。

可以注意的是，虽然在图7中所示的接收机中设置了两个MLP，但是这两个MLP各自的作用是完全不同的。其中，步骤402中的第一MLP是用于生成该K个发射机的每个发射机的多径权重的。而第二MLP是用于对接收机初步输出的第一比特估计序列进一步进行干扰消除处理的。

可选地，第二MLP也可以替换为LSTM。其中，对于LSTM的内部结构可以参见上文方法200中对第一LSTM和第二LSTM的说明，其内部结构都是相同的，这里不作赘述。LSTM也是用于对接收机初步输出的第一比特估计序列进行进一步的干扰消除。

可选地，作为一个实施例，在图7中，第一MLP的激活函数可以是tanh函数。其中，tanh函数可以将一个实数输入映射到[-1,1]的范围内。第二MLP采用的激活函数可以为sigmoid函数。其中，sigmoid函数可以将一个实数输入映射到[0,1]的范围内。sigmoid函数和tanh函数均是激活函数的一种，可以参阅现有技术，这里省略详细说明。

为了便于理解，下面对方法300中的处理流程进行举例说明。

假设接收机接收4个发射机在5个符号内的叠加信号，也即，K＝4，n＝5，扩频序列的长度L＝32，信道长度N为23。CNN的卷积核的数量为4，卷积核的大小为32。激活函数为线性激活函数。在图7中，叠加信号r^M为160，

为4×160，

长度为23。第一MLP的隐藏层的层数为3，各层的宽度为512，激活函数为tanh()。第二MLP的隐藏层的层数为3，各层的宽度为32，激活函数为sigmoid()。

如果将发射机的数量记作K，将方法300中的叠加信号记作r^M，多径信道的估计矩阵(也即，上文中所说的信道估计矩阵)记作

CNN使用的函数记作C(·)，第一MLP使用的函数记作M(·)，接收机输出的第二比特估计序列记作

方法300的步骤的伪代码可以如下所示：

进一步地，对CNN使用的函数C(·)细化接口，则有

y＝C(x,f,s,o,a) (8)

其中，式(8)中，x为CNN的输入信号，f为卷积核的数量，s为卷积核的大小，o为CNN的输出信号的维度，a为激活函数。

同样地，对MLP使用的函数M(·)进一步细化接口，则有

y＝M(x,d,w,a) (9)

其中，式(9)中，x为MLP的输入信号，d为MLP的层数，w为各层的宽度，a为激活函数。

以上，对本申请中提供的处理信号的方法200和300作了详细说明。根据本申请提供的处理信号的方法，在多用户和/或多径信道的情况下，接收机区分各用户的信号的性能可以提升。

参见图8，图8是本申请提供的接收机和Rake接收机的处理性能的对比图。如图8所示，横坐标E_S/N₀表示符号信噪比，单位为分贝(dB)。纵坐标表示误比特率(bit errorratio,BER)。在相同的用户数量的情况下，例如，用户数为2或4时，方法200和方法300中的接收机和传统的Rake接收机的性能相比，误码率更低。在一定的信噪比的范围内，本申请提供的接收机在处理多用户的多径信号的叠加信号时，甚至没有出现误码平台。由此可见，本申请提供的方法200和方法300中的接收机区分多用户的多径信号的性能有所提升。

上文已经提到，神经网络在使用之前首先需要对其包含的一整套参数进行训练。上述方法200和方法300中的接收机中设置的神经网络包括CNN、LSTM、MLP等。为此，本申请还提供一种训练神经网络的方法500。

以上述方法200为例，训练神经网络的参数的过程可以参见图9所示。图9是训练神经网络的参数的示意图。可以理解的是，本申请中将神经网络的推理能力设计在接收机中，因此，训练神经网络的方法也可以说是训练接收机的方法。

501、接收机随机初始化神经网络。

例如，接收机以默认的初始化数据初始化神经网络。又例如，接收机根据应用场景以预设数据初始化神经网络。

可选地，作为一个实施例，由于在不同的应用场景下，信道条件是不同的，甚至差异很大。因此，在本申请实施例中，接收机和发射机可以针对所处的不同的应用场景，分别预设不同的初始化数据。其中，应用场景例如可以是高可靠性和低时延(ultra reliableand low latency communication,URLLC)、增强移动宽带(enhanced mobile broadband,eMBB)等比较宽泛的应用场景。或者，应用场景也可以是办公区、住宅区、高铁、地铁等偏向于生活化的应用场景。或者，还可以是通信领域比较公知的其它应用场景等。

502、发射机根据预设规则发送训练数据。接收机接收多个发射机的叠加信号，并通过方法200或方法300输出对K个发射机发送的比特序列的估计序列。

如上文所述，叠加信号是该K个发射机各自发送的信号经过多径信道之后叠加在一起的信号。可替换地，每个发射机发送的信号也可以表述为每个发射机发送的比特序列，两者表达相同的含义。

如图9中，u_K(m)表示发射机发送的比特序列，图9中以4个发射机为例。发射机发送的比特序列经过扩频序列进行扩频，得到扩频信号，如图9中所示的y_K(M)。每个发射机的扩频信号经过多径信道，例如，图9中所示的加性高斯白噪声(additive white Gaussiannoise，AWGN)之后，得到叠加信号，如图9中所示的r(M)。接收机的输入层接收叠加信号r(M)，并使用卷积核C_S(M)对r(M)进行特征提取。CNN最后输出的信号如图9中所示的y_K(n)。CNN最后输出的信号共包括K个层，其中，层数K与发射机的数量相等，每个层可以看作是一个发射机的多径信号。每个发射机的多径信号如图9中所示的y_K(n)。其中，τ₀，τ₁，…,τ_n分别对应每个发射机各自的多径信道的一条径。

图9中所示的H_K(n)表示K个发射机的多径信道的信道估计矩阵，或者也称为信道估计向量。将信道估计矩阵H_K(n)输入深度神经网络(deep neural network,DNN)，得到每个发射机的多径信道的多径权重向量w，如图9中标记④的线条所示。其中，每个发射机的多径权重向量w中包括n个权重，n个权重与上述的τ₀，τ₁，…,τ_n一一对应。将CNN输出的每个发射机的多径信号与各自的多径权重向量点乘求和，得到的结果则是接收机对上述K个发射机在1个符号上发送的比特序列的初步的估计序列，如图9中所示的z_K。进一步地，将z_K输入CNN 2，对z_K进行进一步地的干扰消除，例如，ISI和MUI的消除，输出最终的估计序列，如图9中所示的s_K。

另外，图9中的W表示扩频因子，或者扩频序列。n(M)表示噪声。M表示扩频后的序列长度。

这里，初步的估计序列即为方法300中的第一估计序列，最终的估计序列即为方法300中的第二估计序列。

另外，图9中所示的CNN 1和CNN 2分别代表两个深度神经网络，可以是相同或不同的神经网络，本申请中不作限定。例如，在图5中所示的方法200中，CNN 1具体为LSTM(对应图5中的第一LSTM)，CNN 2也为LSTM(对应图5中的第二LSTM)。又例如，在图7所示的方法300中，CNN 1具体为MLP(对应图7中的第一MLP)，CNN 2也为MLP(对应图7中的第二MLP)。

503、根据发射机发送的比特序列和接收机接收到的比特序列求损失函数(例如，均方误差，交叉熵等)，并将神经网络的各参数的梯度反向传播至神经网络中，并通过优化器更新神经网络的各参数，以对神经网络进行训练。

应理解，训练神经网络也就是优化神经网络的参数。可选地，步骤503中的优化器可以采用随机梯度下降(stochastic gradient descent，SGD)算法和自适应矩估计(adaptive moment estimation，Adam)算法。或者，优化器还可以采用其它的优化算法，这里不作限定。

应理解，在训练神经网络时，首先需要定一个损失函数。对于每一个训练样本，沿着神经网络传递最终会得到一个结果。将这个结果与理论上的结果求差再平方，计算得到的即是预测值与真实值之间的距离。而训练神经网络的目的就是希望通过不断更新神经网络的参数，使得这个距离或损失函数减小。换句话说，训练神经网络的目的即是最小化损失函数。

进一步地，最小化损失函数有很多的优化算法，这些算法可以是基于梯度的，也可以不是基于梯度的，因为这些算法既可以使用损失函数提供的信息，还可以使用损失函数的梯度提供的信息。而SGD就是基于梯度的一种算法。梯度是指向空间某个方向的向量，实际上它指向的是损失函数的函数值增加最剧烈的方向。由于训练神经网络的目的是最小化损失函数，因此SGD算法则是朝着与梯度相反的方向改变损失函数的自变量。在本申请中，损失函数的自变量即是发射机的多径信道的多径权重。具体地，通过朝着与梯度相反的方向改变多径权重，损失函数就会减小，直到收敛到某个局部极小值。

在梯度算法中，还有一个过程就是计算梯度。图9中所示的反向传播(backpropagation,BP)即是计算梯度的一种算法，可以参考现有技术，本文省略详细说明。

另外，图9中所示的自适应矩估计是一种基于一阶梯度来优化随机目标函数的算法(也即，Adam算法)。在本申请中，Adam算法根据损失函数对神经网络的每个参数的梯度的一阶矩估计和二阶矩估计，动态调整每个参数的学习率。采用Adam算法的优点在于使得每一次迭代学习率都有一个确定的范围，参数的调整比较平稳。

步骤503体现在图9中，u_K(m)表示该K个发射机向接收机发送的比特序列(或称为信号)，该比特序列的理论值接收机是已知的。s_K()表示该K个发射机发送的比特序列经过多径信道进入神经网络之后，继续沿神经网络传递得到的输出信号。如图9中标记①和②的线条的指向所示，根据u_K(m)和s_K()可以确定损失函数。接收机根据损失函数以及上述Adam算法和BP算法，以神经网络的每个参数的梯度，将每一次训练得到的参数反向传播至神经网络中，如图9中的标记③，④和⑤的线条的指向所示，不断对神经网络的参数进行更新，以最小化损失函数。

例如，在方法200中，接收机更新CNN的参数、第一MLP的参数和第二MLP的参数。可选地，如果将第二MLP替换为LSTM，接收机则更新CNN的参数、第一MLP的参数和LSTM的参数。又例如，在方法300中，接收机更新CNN的参数，第一LSTM的参数。进一步地，方法300中的接收机包括第二LSTM时，接收机还更新第二LSTM的参数。

504、迭代步骤502-503直到满足停止条件。

步骤504中，停止条件可以由接收机预设置。例如，停止条件可以是训练轮数大于阈值、训练时间大于阈值、损失函数小于阈值，误码率小于阈值等，本申请中不作限定。

此外，为了提升接收处理多用户的多径信号的性能，本申请还提供一种联合训练接收机和发射机的方法600，可以同时对发射机的参数和接收机的参数进行优化，使得两者达到联合最优。联合训练接收机和发射机的方法600的示意图可以参见如10。参见图10，图10是联合训练接收机和发射机的方法的示意图。

601、接收机随机初始化神经网络。

与上文中的步骤501类似。例如，接收机根据当前所处的应用场景以预设数据初始化神经网络。可以参见对步骤501的说明。

602、发射机根据预设规则发送训练数据。接收机接收多个发射机的多径信号叠加之后的叠加信号，并根据方法200或方法300对叠加信号进行处理，输出对该多个发射机发送的比特序列的估计序列。

603、接收机根据接收到的比特序列和发射机发送的比特序列求损失函数，并将神经网络各参数的梯度反向传播至神经网络中，并通过优化器更新神经网络的参数。

其中，接收机是已知发射机发送的比特序列的。

具体地，步骤603可以参见上文对步骤503的说明，这里不再赘述。

604、接收机将神经网络的参数的梯度反向传播至神经网络的同时，发射机也对自己的参数进行优化。

可以看到，在图9所示的训练神经网络(也即，训练接收机)的方法500中，步骤501-504仅涉及到对接收机中设置的神经网络的参数的更新(也即，优化)。而在联合训练接收机和发射机的方法600中，接收机将神经网络的各参数的梯度反向传播至神经网络中的同时，发射机也需要对自己的参数进行更新或优化。例如，发射机将训练后的各神经网络的参数发送给发射机，以使发射机对发射参数进行更新或优化。

在方法600中，将发射机的参数也称为发射参数，发射参数包括发射机使用的扩频序列、加扰序列、交织序列和码本映射方式中的一个或多个。

需要说明的是，在上述方法200和方法300的各实施例中，都是以发射机的扩频操作作为示例进行说明的。可选地，在本申请的实施例中，还可以将发射机的操作扩展到交织、加扰或者码本映射。也就是说，发射机可以采用不同的操作来实现非正交多址接入，但是，针对发射机的这些不同的操作，接收机的处理方法是一样。也即，将上述方法实施例中发射机对发送的比特序列的扩频操作替换为交织操作、加扰操作或码本映射操作或这些操作的组合，接收机依然采用方法200或方法300对接收到的来自多个发射机的叠加信号进行处理。这是因为CNN具有特征提取的能力。尽管发射机对发送给接收机的信号执行了不同的操作，但是这些不同的操作必然会在发送的信号上留下特征。而接收机中设置的CNN可以从扩频序列、交织序列、加扰序列或者是映射码本中提取对应特征，从而实现对多用户的多径信号的区分以及干扰消除。进一步地，接收机中设置的其它神经网络(例如，MLP或LSTM等)还可以完成残留干扰(例如，残留ISI和/或残留MUI)的消除。

605、迭代步骤602-604直到满足停止条件。

停止条件例如可以是训练轮数大于阈值、训练时间大于阈值、损失函数小于阈值，误码率小于阈值等，本申请中不作限定。

其中，图10的u_K(m)表示各发射机发送的比特序列。m表示发送的比特序列在时域上包含的符号的个数，也即符号的长度。u_{K_est}表示接收机输出的对K个发射机发送的比特序列的估计序列。图10中其余各参数的说明可以参考上文对图9中相应参数的说明，含义都是相同的，这里不再赘述。

以上对本申请中提供的处理信号的方法200和方法300作了详细说明。下面说明本申请提供的接收机。

可选地，作为一个实施例，为了实现上述方法200和方法300，方法200和方法300中的接收机的硬件结构可以专门进行设计如图11所示。参见图11，图11是本申请提供的接收机的硬件结构的示意图。

如图11所示，接收机至少需要具有神经网络推理能力和保存对神经网络的训练结果的能力。换句话说，接收机中至少应该包括存储单元601和神经网络单元602。其中，存储单元601用于存储对神经网络的参数进行训练的训练结果。神经网络单元602具有神经网络的推理功能。具体地，存储单元601可以为存储器。神经网络单元602可以为处理器。

可选地，图11中所示的存储单元601可以与接收机中通用的存储单元603分开设计。换句话说，存储单元601可以是为了多用户的多径信号的叠加信号而专门涉及的存储单元。进一步地，在存储单元601与神经网络单元602之间设计标准化接口，以提升接收机600的处理性能。

可选地，作为另一种实现方式，图11中所示的存储单元601的功能也可以集成在接收机600中通用的存储单元603中，也即，接收机600中只包括存储单元603。

同样地，神经网络单元602可以与接收机600中通用的处理器单独分开设计，或者也可以将神经网络单元602的功能集成在接收机600中通用的处理器中，本申请中不作限定。

下面，以在接收机600中专门设计存储单元601和神经网络单元602为例，对存储单元601和神经网络单元602的功能进行详细说明。

在本申请实施例中，接收机600执行上述方法200或方法300，接收机可以有离线预置神经网络的参数的多种配置和在线训练神经网络的参数两种模式。

1、离线预置。

在离线预置这种方式中，默认为神经网络的相关参数已经训练达到了较优的性能，可以直接使用。或者，也可以进一步进行训练以争取更优的性能。根据接收机所在的应用场景的不同，可以将神经网络的参数分为多种配置，每一种配置适用于一种或几种特定的应用场景。

可替换地，适应于某个应用场景的配置，也即该应用场景下接收机中的神经网络的各个参数。

可选地，作为一个实施例，接收机和发射机确定具体使用哪种配置的过程也可以如下面的流程701-704。

701、接收机向发射机发送第一信道状态信息CSI，发射机接收该第一CSI。

702、发射机根据第一CSI判断接收机当前所处的应用场景，并从预置的一个或多个配置中选择适应于当前的应用场景的配置。

这里应理解，在离线配置的模式中，不仅接收机的存储单元中预置有上述神经网络的一个或多个配置，发射机也预置有该一个或多个配置。

703、发射机向接收机发送第一指示信息，接收机从发射机接收该第一指示信息。

其中，第一指示信息用于指示发射机根据CSI从预置的所述一个或多个配置中选择的适应于所述当前的应用场景的配置。

这里，假定发射机为网络设备(例如，基站)，接收机为终端设备，第一指示信息可以携带在网络设备发送给终端设备的下行控制信息(downlink control information,DCI)中。具体地，可以在DCI中增加指示字段，该指示字段用于指示发射机根据第一CSI确定的适应于当前的应用场景的配置。可选地，也可以增加新的DCI格式(DCI format)，网络设备通过该新的DCI格式向接收机指示网络设备确定的配置，本申请中不作限定。

704、接收机根据该第一指示信息，确定适应于当前的应用场景的配置。

具体地，适应于当前的应用场景的配置，是指接收机中的神经网络的配置。

可选地，作为另一个实施例，接收机和发射机确定具体使用哪种配置的过程可以如下面的流程801-802。

801、接收机从存储单元中预置的一个或多个配置中，选择适应于当前的应用场景的配置。

其中，该一个或多个配置中的每个配置包括接收机中设置的用于处理多个发射机的叠加信号的神经网络的参数。这里，该神经网络包括CNN、MLP和LSTM中的一种或多种。

例如，在方法200的实施例中，接收机中设置的神经网络包括CNN、第一LSTM。进一步地，接收机中还可以包括第二LSTM。在方法300的实施例中，接收机中设置的神经网络包括CNN、第一MLP。进一步地，还可以包括第二MLP或LSTM。

假定接收机用于执行方法200，则接收机的存储单元中预置有CNN的参数、第一LSTM的参数。进一步地，在接收机中还包括第二LSTM时，接收机的存储单元中还包括第二LSTM的参数。假定接收机用于执行方法300，则接收机的存储单元中预置有CNN的参数、第一MLP的参数。进一步地，在接收机中还包括第二MLP或LSTM时，接收机的存储单元中还包括第二MLP的参数或LSTM的参数。

具体地，接收机在选择适应于当前的应用场景的配置之前，从发射机接收参考信号，并根据参考信号确定当前的应用场景。进一步地，再选择适应于该应用场景的配置。

802、接收机向发射机发送指示信息，该指示信息用于向发射机指示接收机选择的配置。

例如，接收机向发射机发送信道状态信息(channel state information,CSI)，CSI中设置指示字段，该指示字段用于携带该指示信息。

可见，在流程701-704中，由接收机先向发射机上报CSI，发射机根据CSI确定信道状态，从而确定出接收机当前所处于的应用场景，再从预置的多个配置中选择适应于该当前应用场景的配置。最后，发射机指示接收机切换为发射机选择的配置。而在流程801-802中，由接收机确定具体使用的神经网络的配置，并指示发射机切换到接收机选择的配置。

2、在线更新。

在在线更新的这种方式中，接收机或发射机首先确定是否需要对神经网络的参数进行在线训练。在确定需要进行在线训练时，发射机和接收机进行联合训练。

可选地，在线更新的流程可以如步骤901-902。

901、接收机从发射机接收下行参考信号，并根据该下行参考信号确定当前的应用场景。接收机再进一步确定在该应用场景下是否需要对神经网络的参数进行训练。

与上述实施例相同，这里所说的神经网络包括CNN、MLP和LSTM中的一种或多种。可以参见离线预置的方式中的说明，不再赘述。

902、在确定需要对神经网络的参数进行训练时，接收机向发射机发送指示信息，该指示信息用于指示是否对神经网络的参数进行训练。

具体地，例如，接收机向发射机发送CSI，CSI中包括用于指示是否对神经网络的参数进行训练的指示字段。换句话说，该指示字段携带该指示信息。

可选地，在另一种实现方式中，确定是否需要对接收机中设置的神经网络的参数进行更新可以由发射机确定之后指示接收机，如下面的流程903-905。

903、接收机向发射机发送第二CSI。

904、发射机根据第二CSI确定是否需要对神经网络的参数进行在线训练。

905、发射机向接收机发送第二指示信息，第二指示信息用于指示是否对神经网络进行在线训练。

可选地，第二指示信息也可以携带在DCI中，例如在DCI中设置专门的指示字段。或者，也可以增加新的DCI格式(DCI format)。发射机通过该新的DCI格式向接收机指示是否进行在线训练。

根据上述步骤901-902，或者根据步骤903-905，接收机和发射机确定对神经网络的参数进行训练时，在线更新的流程还包括如下步骤906-908。

906、接收机向发射机发送预设的训练数据。

例如，接收机向发射机发送物理上行共享信道(physical uplink sharedchannel,PUSCH)，PUSCH中携带该预设的训练数据。

例如，该预设的训练数据例如可以是扩频序列、加扰序列、交织序列或码本等。

907、发射机使用该训练数据对接收机中设置的神经网络的参数进行训练。

908、接收机根据训练结果，更新神经网络的参数。同时，发射机对自己使用的参数也进行更新。例如，发射机更新扩频序列、解扰序列、交织序列或码本等。

以上对接收机和发射机的离线预置神经网络的参数，或者在线更新神经网络的参数的过程进行了说明。采用离线预置或者在线更新的方式，可以实现对接收机和发射机的联合优化，完成对神经网络的训练。训练之后的神经网络，例如，在方法200的实施例中，训练后的CNN、第一LSTM、第二LSTM，或者，在方法300的实施例中，训练后的CNN、第一MLP、第二MLP或LSTM等，可用于接收机对多用户的多径信号的叠加信号进行区分和干扰消除。具体的过程如上文的方法200和方法300中所述。

以上结合图1-图12对本申请中提供的接收机处理多用户的多径信号的叠加信号的方法200和方法300，以及训练接收机的方法500，以及联合训练接收机和发射机的方法600进行了详细说明。下面说明本申请提供的处理信号的装置和接收机。

参见图12，图12是本申请提供的处理信号的装置1000。如图12所示，装置1000包括收发单元1100和处理单元1200。

收发单元1100，用于获取K个发射机各自的多径信号叠加之后的叠加信号，所述叠加信号在时域上包括n个符号，K≥2，n≥1，K和n均为整数；

处理单元1200，用于对所述叠加信号进行特征提取和第一次干扰消除处理，输出第一信号，所述第一信号为所述叠加信号的样本信号，所述特征提取和所述第一次干扰消除是通过第一神经网络处理的；

所述处理单元1200，还用于将所述第一信号等分为n个第二信号，并对所述n个第二信号进行第二次干扰消除处理，输出n个第三信号，所述第二次干扰消除是通过第二神经网络处理的；

所述处理单元1200，还用于根据所述K个发射机的多径信道的信道估计和所述n个第三信号，得到所述K个发射机在所述n个符号发送的比特序列的估计序列；

所述收发单元1100，还用于输出所述估计序列。

应理解，在该实施例中，装置1000对应方法200中的接收机。

可选地，处理单元1200还可以用于：根据所述K个发射机的多径信道的信道估计和所述n个第三信号，得到第四信号；对第四信号进行第三次干扰消除，得到所述估计序列，所述第三次干扰消除是通过第三神经网络处理的。

可选地，处理单元1200还用于确定第一神经网络和第二神经网络的配置，其中，该配置包括第一神经网络和第二神经网络进行特征提取和/或干扰消除时所需的各个参数；

以及，处理单元1200具体用于使用确定的第一神经网络的配置对叠加信号进行特征提取和第一次干扰消除；处理单元1200具体还用于使用确定的第二神经网络的配置，对所述n个第二信号进行第二次干扰消除处理。

可选地，收发单元1100还用于：

向发射机发送第一信道状态信息CSI，第一CSI中包括应用场景指示字段，该应用场景指示字段用于指示当前的应用场景；

从所述发射机接收第一指示信息，所述第一指示信息用于指示所述发射机根据所述CSI从预置的一个或多个配置中选择的适应于所述当前的应用场景的配置；以及，所述处理单元1200还用于第一指示信息，确定第一神经网络和第二神经网络的配置。

可选地，处理单元1200还用于确定是否需要对所述第一神经网络和所述第二神经网络的配置进行在线训练；

所述收发单元1100，还用于在处理单元1200确定对所述第一神经网络和所述第二神经网络的配置进行在线训练时，向发射机发送预设的训练数据；

所述收发单元1100，还用于从发射机接收对第一神经网络和所述第二神经网络进行训练所需的训练参数；

所述处理单元1200，还用于并根据所述训练参数对,第一神经网络和第二神经网络的参数进行训练，并将第一神经网络和第二神经网络经过训练的参数，确定为第一神经网络和第二神经网络的配置。

可选地，收发单元1200还用于向发射机发送第一神经网络和第二神经网络经过训练的参数，以使发射机更新发射参数，发射参数包括扩频序列、交织序列、加扰序列和映射码本中的一个或多个。

可选地，收发单元1100还用于从发射机接收参考信号；处理单元1200还用于根据该参考信号确定当前的应用场景，以及确定该当前的应用场景下是否需要对第一神经网络和第二神经网络的配置进行在线训练；或者，

收发单元1100还用于向发射机发送第二CSI；收发单元1100还用于从发射机接收第二指示信息，第二指示信息用于指示是否需要对第一神经网络和第二神经网络的配置进行在线训练，其中，第二指示信息是发射机根据第二CSI确定的。

可选地，第一神经网络为卷积神经网络CNN，第二神经网络为长短时记忆神经网络LSTM，第三神经网络为LSTM。

可选地，作为另一个实施例，装置1000还可以对应方法3000中的接收机。此种情况下，接收机的收发单元1100和处理单元1200所具备的功能如下所述。

收发单元1100，用于获取K个发射机各自的多径信号叠加之后的叠加信号，所述叠加信号在时域上包括至少一个符号，K≥2，且K为整数；

处理单元1200，用于根据所述K个发射机的多径信道的信道估计，确定所述K个发射机中每个发射机的多径信道的多径权重，所述K个发射机中每个发射机的多径信道的多径权重是通过第四神经网络对所述K个发射机的多径信道的信道估计进行处理得到的；

所述处理单元1200，还用于对所述叠加信号进行特征提取和第一次干扰消除处理，输出所述K个发射机各自的样本信号，所述特征提取和所述第一次干扰消除是通过第五神经网络处理的；

所述处理单元1200，还用于根据所述K个发射机各自的样本信号和各自的多径信道的多径权重，确定所述K个发射机在所述至少一个符号上发送的比特序列的第一估计序列；

所述收发单元1100，还用于输出所述第一估计序列。

可选地，处理单元1200还可以用于对所述第一估计序列进行第二次干扰消除处理，得到所述K个发射机在所述一个符号上发送的比特序列的第二估计序列，所述第二次干扰消除是通过第六神经网络处理的。

可选地，第四神经网络为全连接神经网络MLP，第五神经网络为卷积神经网络，第六神经网络为MLP或LSTM。

可选地，图12中所示的收发单元1100可以是通信接口，处理单元1200可以是处理器。

参见图13，图13是本申请提供的接收机2000的示意性结构框图。如图13所示，接收机2000包括：一个或多个处理器2001，一个或多个存储器2002，一个或多个通信接口2003。处理器2001用于控制通信接口2003收发信号，存储器2002用于存储计算机程序，处理器2001用于从存储器2002中调用并运行该计算机程序，以执行本申请提出的处理信号的方法200或方法300，或者训练神经网络的方法500，或者联合训练接收机和发射机的方法600中由接收机执行的相应流程和/或操作。此处不再赘述。

此外，本申请还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行本申请提供的处理信号的方法200，处理信号的方法300，训练神经网络的方法500，或者联合训练接收机和发射机的方法600的各实施例中由接收机执行的相应操作和/或流程。

本申请还提供一种计算机程序产品，该计算机程序产品包括计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行本申请提供的处理信号的方法200，处理信号的方法300，训练神经网络的方法500，或者联合训练接收机和发射机的方法600的各实施例中由接收机执行的相应操作和/或流程。

本申请还提供一种芯片，包括处理器。该处理器用于读取并运行存储器中存储的计算机程序，以执行本申请提供的处理信号的方法200，处理信号的方法300，训练神经网络的方法500，或者联合训练接收机和发射机的方法600的各实施例中由接收机执行的相应操作和/或流程。

可选地，该芯片还包括存储器，该存储器与该处理器通过电路或电线连接。处理器用于读取并执行该存储器中的计算机程序。

进一步可选地，该芯片还包括通信接口，处理器与该通信接口连接。通信接口用于接收需要处理的信号和/或信息，处理器从该通信接口获取该信号和/或信息，并对该信号和/或信息进行处理。具体地，该通信接口可以包括输入接口和输出接口。输入接口用于接收待处理的叠加信号，输出接口用于输出处理结果，例如，输入对发射机发送的比特序列的估计序列。

本申请还提供一种终端设备，包括本申请实施例中提供的接收机。

本申请还提供一种网络设备，包括本申请实施例中提供的接收机。

以上各实施例中，处理器可以为中央处理器(central processing unit，CPU)、微处理器、特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本申请技术方案程序执行的集成电路等。例如，处理器可以是数字信号处理器设备、微处理器设备、模数转换器、数模转换器等。处理器可以根据这些设备各自的功能而在这些设备之间分配终端设备或网络设备的控制和信号处理的功能。此外，处理器可以具有操作一个或多个软件程序的功能，软件程序可以存储在存储器中。处理器的所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

存储器可以是只读存储器(read-only memory，ROM)、可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器(random access memory，RAM)或可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备，或者还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质等。

可选的，上述实施例中涉及的存储器与存储器可以是物理上相互独立的单元，或者，存储器也可以和处理器集成在一起。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (28)

1.一种处理信号的方法，其特征在于，包括：

获取K个发射机各自的多径信号叠加之后的叠加信号，所述叠加信号在时域上包括n个符号，K≥2，n≥1，K和n均为整数；

对所述叠加信号进行特征提取和第一次干扰消除处理，输出第一信号，所述第一信号为所述叠加信号的样本信号，所述特征提取和所述第一次干扰消除是通过第一神经网络处理的；

将所述第一信号等分为n个第二信号，并对所述n个第二信号进行第二次干扰消除处理，输出n个第三信号，所述第二次干扰消除是通过第二神经网络处理的；

根据所述K个发射机的多径信道的信道估计和所述n个第三信号，得到所述K个发射机在所述n个符号发送的比特序列的估计序列。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述K个发射机的多径信道的信道估计和所述n个第三信号，得到第四信号；

对所述第四信号进行第三次干扰消除，得到所述估计序列，所述第三次干扰消除是通过第三神经网络处理的。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述叠加信号进行特征提取和第一次干扰消除处理之前，所述方法还包括：

确定所述第一神经网络和所述第二神经网络的配置，其中，所述配置包括所述第一神经网络和所述第二神经网络进行特征提取和/或干扰消除时所需的各个参数；

对所述叠加信号进行特征提取和第一次干扰消除处理，包括：

使用确定的所述第一神经网络的配置对所述叠加信号进行特征提取和第一次干扰消除；

对所述n个第二信号进行第二次干扰消除处理，包括：

使用确定的所述第二神经网络的配置，对所述n个第二信号进行第二次干扰消除处理。

4.根据权利要求3所述的方法，其特征在于，所述确定所述第一神经网络和所述第二神经网络的配置，包括：

向发射机发送第一信道状态信息CSI，所述第一CSI中包括应用场景指示字段，所述应用场景指示字段用于指示当前的应用场景；

从所述发射机接收第一指示信息，所述第一指示信息用于指示所述发射机根据所述CSI从预置的一个或多个配置中选择的适应于所述当前的应用场景的配置；

根据所述第一指示信息，确定所述第一神经网络和所述第二神经网络的配置。

5.根据权利要求3所述的方法，其特征在于，所述确定所述第一神经网络和所述第二神经网络的配置，包括：

确定是否需要对所述第一神经网络和所述第二神经网络的配置进行在线训练；

确定对所述第一神经网络和所述第二神经网络的配置进行在线训练时，向所述发射机发送预设的训练数据；

从所述发射机接收对所述第一神经网络和所述第二神经网络进行训练所需的训练参数，并根据所述训练参数对所述第一神经网络和所述第二神经网络的参数进行训练；

将所述第一神经网络和所述第二神经网络经过训练的参数，确定为所述第一神经网络和所述第二神经网络的配置。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

向所述发射机发送所述第一神经网络和所述第二神经网络经过训练的参数，以使所述发射机更新发射参数，所述发射参数包括扩频序列、交织序列、加扰序列和映射码本中的一个或多个。

7.根据权利要求5或6所述的方法，其特征在于，所述确定是否需要对所述第一神经网络和所述第二神经网络的配置进行在线训练，包括：

从所述发射机接收参考信号，并根据所述参考信号确定当前的应用场景，以及确定所述应用场景下是否需要对所述第一神经网络和所述第二神经网络的配置进行在线训练；

或者，

向发射机发送第二CSI，并从所述发射机接收第二指示信息，所述第二指示信息用于指示是否需要对所述第一神经网络和所述第二神经网络的配置进行在线训练，其中，所述第二指示信息是所述发射机根据所述第二CSI确定的。

8.根据权利要求1所述的方法，其特征在于，所述第一神经网络为卷积神经网络CNN，所述第二神经网络为长短时记忆神经网络LSTM。

9.根据权利要求2所述的方法，其特征在于，所述第三神经网络为长短时记忆神经网络LSTM。

10.一种处理信号的方法，其特征在于，包括：

获取K个发射机各自的多径信号叠加之后的叠加信号，所述叠加信号在时域上包括至少一个符号，K≥2，且K为整数；

根据所述K个发射机的多径信道的信道估计，确定所述K个发射机中每个发射机的多径信道的多径权重，所述K个发射机中每个发射机的多径信道的多径权重是通过第四神经网络对所述K个发射机的多径信道的信道估计进行处理得到的；

对所述叠加信号进行特征提取和第一次干扰消除处理，输出所述K个发射机各自的样本信号，所述特征提取和所述第一次干扰消除是通过第五神经网络处理的；

根据所述K个发射机各自的样本信号和各自的多径信道的多径权重，确定所述K个发射机在所述至少一个符号上发送的比特序列的第一估计序列。

11.根据权利要求10所述的方法，其特征在于，所述方法还包括：

对所述第一估计序列进行第二次干扰消除处理，得到所述K个发射机在所述一个符号上发送的比特序列的第二估计序列，所述第二次干扰消除是通过第六神经网络处理的。

12.根据权利要求11所述的方法，其特征在于，所述第四神经网络为全连接神经网络MLP，所述第五神经网络为卷积神经网络。

13.根据权利要求12所述的方法，其特征在于，所述第六神经网络为MLP或长短时记忆神经网络LSTM。

14.一种处理信号的装置，其特征在于，包括：

收发单元，用于获取K个发射机各自的多径信号叠加之后的叠加信号，所述叠加信号在时域上包括n个符号，K≥2，n≥1，K和n均为整数；

处理单元，用于对所述叠加信号进行特征提取和第一次干扰消除处理，输出第一信号，所述第一信号为所述叠加信号的样本信号，所述特征提取和所述第一次干扰消除是通过第一神经网络处理的；

所述处理单元，还用于将所述第一信号等分为n个第二信号，并对所述n个第二信号进行第二次干扰消除处理，输出n个第三信号，所述第二次干扰消除是通过第二神经网络处理的；

所述处理单元，还用于根据所述K个发射机的多径信道的信道估计和所述n个第三信号，得到所述K个发射机在所述n个符号发送的比特序列的估计序列；

所述收发单元，还用于输出所述估计序列。

15.根据权利要求14所述的装置，其特征在于，所述处理单元还用于：

根据所述K个发射机的多径信道的信道估计和所述n个第三信号，得到第四信号；

对所述第四信号进行第三次干扰消除，得到所述估计序列，所述第三次干扰消除是通过第三神经网络处理的；

所述收发单元，还用于输出所述估计序列。

16.根据权利要求14或15所述的装置，其特征在于，所述处理单元还用于确定所述第一神经网络和所述第二神经网络的配置，其中，所述配置包括所述第一神经网络和所述第二神经网络进行特征提取和/或干扰消除时所需的各个参数；

以及，所述处理单元具体用于使用确定的所述第一神经网络的配置对所述叠加信号进行特征提取和第一次干扰消除；

所述处理单元具体还用于使用确定的所述第二神经网络的配置，对所述n个第二信号进行第二次干扰消除处理。

17.根据权利要求16所述的装置，其特征在于，所述收发单元还用于：

向发射机发送第一信道状态信息CSI，所述第一CSI中包括应用场景指示字段，所述应用场景指示字段用于指示当前的应用场景；

从所述发射机接收第一指示信息，所述第一指示信息用于指示所述发射机根据所述CSI从预置的一个或多个配置中选择的适应于所述当前的应用场景的配置；

所述处理单元，还用于所述第一指示信息，确定所述第一神经网络和所述第二神经网络的配置。

18.根据权利要求16所述的装置，其特征在于，所述处理单元还用于确定是否需要对所述第一神经网络和所述第二神经网络的配置进行在线训练；

所述收发单元，还用于在所述处理单元确定对所述第一神经网络和所述第二神经网络的配置进行在线训练时，向所述发射机发送预设的训练数据；

所述收发单元，还用于从所述发射机接收对所述第一神经网络和所述第二神经网络进行训练所需的训练参数；

所述处理单元还用于并根据所述训练参数对所述第一神经网络和所述第二神经网络的参数进行训练，并将所述第一神经网络和所述第二神经网络经过训练的参数，确定为所述第一神经网络和所述第二神经网络的配置。

19.根据权利要求18所述的装置，其特征在于，所述收发单元还用于向所述发射机发送所述第一神经网络和所述第二神经网络经过训练的参数，以使所述发射机更新发射参数，所述发射参数包括扩频序列、交织序列、加扰序列和映射码本中的一个或多个。

20.根据权利要求18或19所述的装置，其特征在于，所述收发单元还用于从所述发射机接收参考信号；所述处理单元还用于根据所述参考信号确定当前的应用场景，以及确定所述应用场景下是否需要对所述第一神经网络和所述第二神经网络的配置进行在线训练；或者，

所述收发单元还用于向发射机发送第二CSI，以及用于从所述发射机接收第二指示信息，所述第二指示信息用于指示是否需要对所述第一神经网络和所述第二神经网络的配置进行在线训练，其中，所述第二指示信息是所述发射机根据所述第二CSI确定的。

21.根据权利要求14所述的装置，其特征在于，所述第一神经网络为卷积神经网络CNN，所述第二神经网络为长短时记忆神经网络LSTM。

22.根据权利要求15所述的装置，其特征在于，所述第三神经网络为长短时记忆神经网络LSTM。

23.一种处理信号的装置，其特征在于，包括：

收发单元，用于获取K个发射机各自的多径信号叠加之后的叠加信号，所述叠加信号在时域上包括至少一个符号，K≥2，且K为整数；

处理单元，用于根据所述K个发射机的多径信道的信道估计，确定所述K个发射机中每个发射机的多径信道的多径权重，所述K个发射机中每个发射机的多径信道的多径权重是通过第四神经网络对所述K个发射机的多径信道的信道估计进行处理得到的；

所述处理单元，还用于对所述叠加信号进行特征提取和第一次干扰消除处理，输出所述K个发射机各自的样本信号，所述特征提取和所述第一次干扰消除是通过第五神经网络处理的；

所述处理单元，还用于根据所述K个发射机各自的样本信号和各自的多径信道的多径权重，确定所述K个发射机在所述至少一个符号上发送的比特序列的第一估计序列；

所述收发单元，还用于输出所述第一估计序列。

24.根据权利要求23所述的装置，其特征在于，所述处理单元还用于：

对所述第一估计序列进行第二次干扰消除处理，得到所述K个发射机在所述一个符号上发送的比特序列的第二估计序列，所述第二次干扰消除是通过第六神经网络处理的；

所述收发单元，还用于输出所述第二估计序列。

25.根据权利要求24所述的装置，其特征在于，所述第四神经网络为全连接神经网络MLP，所述第五神经网络为卷积神经网络。

26.根据权利要求25所述的装置，其特征在于，所述第六神经网络为MLP或长短时记忆神经网络LSTM。

27.一种计算机存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如权利要求1-13中任一项所述的方法。

28.一种芯片，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于读取并执行所述存储器中存储器的所述计算机程序，以执行如权利要求1-13中任一项所述的方法。

Images