CN111490799A - 一种信息传输的方法和装置 - Google Patents

一种信息传输的方法和装置 Download PDF

Info

Publication number
CN111490799A
CN111490799A CN201910087307.2A CN201910087307A CN111490799A CN 111490799 A CN111490799 A CN 111490799A CN 201910087307 A CN201910087307 A CN 201910087307A CN 111490799 A CN111490799 A CN 111490799A
Authority
CN
China
Prior art keywords
transmission
parameter
neural network
bit width
information
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
Application number
CN201910087307.2A
Other languages
English (en)
Other versions
CN111490799B (zh
Inventor
韩伯骁
王桂珍
范志明
林英超
鄢凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910087307.2A priority Critical patent/CN111490799B/zh
Publication of CN111490799A publication Critical patent/CN111490799A/zh
Application granted granted Critical
Publication of CN111490799B publication Critical patent/CN111490799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/02—Transmitters
    • H04B1/04—Circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/38—Synchronous or start-stop systems, e.g. for Baudot code
    • H04L25/40—Transmitting circuits; Receiving circuits
    • H04L25/49—Transmitting circuits; Receiving circuits using code conversion at the transmitter; using predistortion; using insertion of idle bits for obtaining a desired frequency spectrum; using three or more amplitude levels ; Baseband coding techniques specific to data transmission systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/02—Transmitters
    • H04B1/04—Circuits
    • H04B2001/0408—Circuits with power amplifiers
    • H04B2001/0425—Circuits with power amplifiers with linearisation using predistortion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Transmitters (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开实施例公开了一种信息传输的方法和装置，方法包括：从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。

Description

一种信息传输的方法和装置
技术领域
本公开涉及无线通信网络技术领域，特别涉及一种信息传输的方法和装置。
背景技术
数字预失真(Digital Pre-distortion，DPD)常用来解决射频功率放大器(PowerAmplifier，PA)的非线性失真问题。近年来，智能化神经网络数字预失真方案(AI-DPD)日益发展。该技术基于神经网络逼近非线性关系，可获得通用模型，更适应未来无线网络需求。
AI-DPD技术的核心部分可分为“训练”与“执行”两模块。“训练”模块通过神经网络和执行模块反馈的实测数据优化大数据学习通用模型，需要数据处理能力较强的硬件资源。“执行”模块通过通用模型实现PA预失真，对处理数据的实时性要求较高。鉴于两模块硬件需求的差异，并且基于室内基带处理单元(Building Baseband Unit，BBU)具有数据处理优势，射频拉远单元(Remote Radio Unit，RRU)具有实时性优势，将“训练”模块部署于BBU，将“执行”模块部署于RRU是AI-DPD的可行方案。
在“训练”模块与“执行”模块未进行拉远部署时，可认为“训练”模块与“执行”模块部署于同一设备上，两模块间不存在数据传输。在“训练”模块与“执行”模块拉远部署后，为了保证“训练”和“执行”，BBU与RRU之间需要传输神经网络模型的相关信息，但是在现有技术中，还没有传输方案。
发明内容
本公开实施例至少公开了一种信息传输的方法和装置，用以提出一种新的BBU与RRU间的信息传输方法。
本公开实施例至少公开了一种信息传输的方法，所述方法包括：
从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；
根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
本公开实施例至少公开了一种信息传输的装置，所述装置包括：处理器、存储器和收发机；
所述存储器，用于存储处理器执行的程序；
所述收发机，用于在处理器的控制下收发数据；
所述处理器，用于读取所述存储器中的程序，执行下列过程：
从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
本公开实施例至少公开了一种信息传输的装置，所述装置包括：
收发模块，用于从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；
处理模块，用于根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
本公开实施例至少公开了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述所述方法的步骤。
本公开实施例至少公开了一种计算机可读存储介质，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行上述所述方法的步骤。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种信息传输系统示意图；
图2为本公开实施例提供的一种信息传输过程示意图；
图3为本公开实施例提供的一种电子设备；
图4为本公开实施例提供的一种信息传输装置结构图；
图5为本公开实施例提供的一种信息传输系统示意图；
图6为本公开实施例提供的一种电子设备。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
BBU与RRU之间进行神经网络模型的相关信息的传输时，可以是通过传输帧或传输包进行传输的。
神经网络模型的相关信息包括控制信息和数据信息，控制信息包括控制参数和神经网络模型参数，控制参数包括数据信息中数据的位宽，神经网络模型参数用于指示传输状态及数据信息的属性。
传输状态可以理解为传输的数据信息是什么，数据信息的属性可以理解为数据信息对应的PA是哪个，这只是简单概括的描述，后续会针对具体的实施例进行具体的描述。
RRU与BBU之间存在前传接口(frinthaul)，BBU或RRU可以通过该前传接口获取传输帧或传输包，以实现RRU与BBU间的信息的传输。一个传输帧中可以包括控制信息和数据信息。传输包可以分为数据包和控制包，数据包中包括数据信息，控制包中包括控制信息，在本公开中，为了便于描述，将控制包称为第一传输包，将数据包称为第二传输包。
RRU或BBU可以从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；RRU或BBU根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
传输帧可以是CPRI帧，所述第一传输包可以是RoE包或eCPRI包；所述第二传输包可以是RoE包或eCPRI包。
按照传输方向，本公开的传输方案分为上行和下行两个方向，其中上行方向为RRU向BBU传输信息，下行方向为BUU向RRU传输信息。在数字预失真中，BUU主要用于模型训练，RRU主要用于采用训练好的神经网络模型进行数字预失真。上行方向与下行方向传输的控制参数、神经网络传输参数，以及数据信息等神经网络模型的相关信息会有所不同，以下会分别针对上行方向和下行方向详细介绍传输了哪些信息。
上行方向：
BBU用于对模型进行训练，RRU可以将训练数据发送给BBU，BBU根据训练数据对模型进行训练优化，RRU还可以将误差值发送给BBU，BBU根据误差值，选择性的对模型进行训练优化。
RRU向BBU发送的数据信息包括训练数据和/或误差值，RRU在向BBU传输信息时，传输状态可以分为active状态、集中误差反馈状态、特定反馈状态，其中，active状态或集中误差反馈状态或特定反馈状态可携带在神经网络传输参数的上行传输状态参数中，发送给BBU。
也就是如果BBU从前传接口获取传输帧/第一传输包，所述传输帧/第一传输包中的控制参数包括位宽，该位宽为训练数据的第一位宽和/或误差值的第二位宽。所述神经网络传输参数包括：上行传输状态参数，所述上行传输状态参数用于指示当前的传输状态为active状态或集中误差反馈状态或特定反馈状态。
在active状态下，RRU向BBU发送RRU中安装的各个PA的训练数据和误差值；在集中误差反馈状态下，RRU向BBU发送RRU中安装的各个PA的误差值；在特定反馈状态下，RRU向BBU发送特定PA的训练数据。
以下分别针对不同的传输状态，对传输状态下传输的信息进行说明：
示例性的，如果所述当前的传输状态为active状态，所述神经网络传输参数还包括：反馈训练数据标记参数和反馈误差数据标记参数；
所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，BBU获取的控制参数中的位宽包括训练数据的第一位宽和误差值的第二位宽；
BBU在根据所述控制参数和所述神经网络传输参数，获取数据信息时，可以是BBU根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据；BBU根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
示例性的，如果所述当前的传输状态为特定反馈状态，所述神经网络传输参数还包括：反馈训练数据标记参数；所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，BBU获取的控制参数中的位宽包括训练数据的第一位宽；
BBU在根据所述控制参数和所述神经网络传输参数，获取数据信息时，可以是BBU根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据。
示例性的，如果所述当前的传输状态为集中误差反馈状态，所述神经网络传输参数还包括：反馈误差标记参数，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，BBU获取的控制参数中位宽包括误差值的第二位宽；
BBU在根据所述控制参数和所述神经网络传输参数，获取数据信息时，可以是BBU根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
BBU接收RRU反馈的训练数据后，可以根据训练数据对模型进行训练优化，则BBU可以根据反馈的第一标识的PA的每个训练数据，对第一标识的PA的神经网络模型进行训练优化。
BBU可以对所有的模型进行训练优化，也可以是根据误差值，选定模型进行优化训练，则BBU根据反馈的第二标识的PA的每个误差值，确定误差值不符合要求的待进行神经网络模型训练的目标PA，将目标PA的第二目标识携带在传输帧中发送给RRU，使RRU反馈目标PA的训练数据，BBU对目标PA的模型进行训练优化。
下行方向：
RRU用于采用训练好的神经网络模型进行数字预失真，BBU在对模型进行训练优化后，可以将优化后的参数值发送给RRU，RRU采用优化后的参数值对原有参数值进行更新。
BBU向RRU发送的数据信息包括参数值，BBU在向RRU传输信息时，传输状态可以分为active状态、高速刷新状态，其中，active状态或高速刷新状态可以携带在神经网络传输参数的下行传输状态参数中发送给RRU。
下行传输状态信息中的高速刷新状态可用于开机或众多PA性能极差，需要大规模进行模型信息的刷新的情况，此时，可以将所有的参数值发送给RRU。
下行传输状态信息中的active状态可用于神经网络模型微调时，无需传输所有的层的参数值的情况，在active状态下，精确刷新神经网络模型的某几层，BBU只需将优化后的某几层的参数值发送给RRU，实现了高效传输。
BBU在向RRU发送更新后的参数值时，还需要告诉RRU参数值所属的PA是哪个，参数值所在的层是哪个。
也就是如果RRU从前传接口获取传输帧/第一传输包，所述控制参数包括模型信息的第三位宽，此处的模型信息可以看作是参数值，所述神经网络传输参数包括：下行传输状态参数、模型信息刷新标记参数和模型信息刷新规模参数；
其中，所述下行传输状态参数用于指示当前的传输状态为active状态或高速刷新状态；
所述模型信息刷新标记参数用于指示更新后的参数值所属的PA的第三标识；
所述模型信息刷新规模参数用于指示更新后的参数值在神经网络模型中的层的第四标识；
RRU在根据所述控制参数和所述神经网络传输参数，获取所述传输帧的数据信息时，可以是根据所述第三位宽，获取所述传输帧中反馈的第三标识的PA的神经网络模型中的第四标识的层的每个参数值。
进一步地，RRU根据第三标识的PA的神经网络模型中的第四标识的层的每个参数值，对第三标识的PA的神经网络模型中的第四标识的层的参数值进行更新。
如图1所示，为本公开实施例提供的一种信息传输系统结构图，该信息传输系统包括RRU和BBU，RRU与BBU间的信息传输方案可以是，RRU对PA的运行误差值进行计算，计算每个PA的误差值，将该误差值对应的PA的标识携带在“反馈误差数据标记参数”中，以及将误差值发送给BBU。BBU根据PA的误差值，确定需要重新进行模型训练的目标PA，将该目标PA的标识下发给RRU。RRU搜集目标PA的实测数据，并将目标PA的标识，及每个标识对应的实测数据上传给BBU。
BBU还可以根据PA的训练数据对PA的神经网络模型进行更新，并将更新后的参数值，参数值的所在的层，参数值对应的PA的标识通过下行模型信息(模型信息刷新标记参数和模型信息刷新规模参数)传输给RRU。RRU对对应PA的神经网络模型的对应层的参数值进行更新。
实测数据即训练数据。
以下以具体的实施例来描述RRU与BBU之间的数据交互过程，需要注意的是，此部分提供的各实施例仅是对上述方案的补充，并造成对上述方案的限制。
实施例1：
图2为本公开实施例1提供的一种信息传输过程示意图，该过程包括以下步骤：
S101：RRU采集自身安装的每个PA对应的误差值，其中，所述误差值为信号在PA对应的神经网络模型预失真处理后，在PA输出端的实际输出与理想输出的误差值。
本公开实施例提供的信息传输方法应用于RRU。
当AI-DPD的“训练”与“执行”模块分别远程部署于BBU和RRU时，模块间需要传输进行模型训练和执行所需要的信息，才能完成“训练”与“执行”。此外，接入网中，一个BBU包含一个或多个训练模型，用于训练每个PA对应的神经网络模型，一个BBU连接多个RRU，每个RRU中又安装有多个PA，每个PA对应一个由BBU训练完成的神经网络模型。RRU向BBU上报实测数据，BBU需要根据RRU上报的实测数据进行神经网络模型的训练，并将训练好的神经网络模型下发给RRU。一个RRU中的每个PA对应的神经网络模型可以是相同的，也可以是不同的。BBU在将训练优化的神经网络模型下发给RRU时，可以是BBU将更新后的参数值以及参数值所在的层的标识，以及参数值所属的PA的标识下发给RRU。
RRU在向与其连接的BBU上报实测数据时，可以是将每个PA全部的实测数据均发送给BBU，为了既提高传输的效率，又保证PA数字预失真的效果，RRU可以先将每个PA对应的误差值发送给BBU，由BBU根据每个PA对应的误差值确定RRU发送哪些PA的实测数据，PA对应的误差值为信号在该PA对应的神经网络模型预失真处理后，在PA输出端的实际输出与理想输出的误差值。实际输出与理想输出的误差值可以是实际输出功率与理想输出功率的误差值，也可以是实际输出信号强度与理想输出信号强度的误差值。RRU确定每个PA对应的误差值的过程属于现有技术，在本公开实施例中不进行赘述。
S102：RRU将每个PA对应的误差值发送给与所述RRU连接的BBU，使BBU根据每个PA对应的误差值，确定误差值不符合要求的待进行神经网络模型训练的目标PA。
RRU在确定出自身安装的每个PA对应的误差值后，可以将每个PA对应的误差值发送给与RRU连接的BBU。RRU在向BBU发送每个PA对应的误差值时，可以是RRU向BBU发送PA的标识信息与误差值的对应关系。
BBU接收与BBU连接的RRU发送的该RRU上安装的每个PA的误差值。根据每个PA对应的误差值，确定误差值不符合要求的待进行神经网络模型训练的PA，将误差值不符合要求的待进行神经网络模型训练的PA称为目标PA，BBU并将所述目标PA发送给所述RRU，使所述RRU采集所述目标PA的实测数据，目标PA的数量可能是一个，也可能是多个。BBU在将目标PA发送给RRU时，可以是向RRU发送目标PA的标识信息。
S103：RRU根据所述BBU发送的待进行神经网络模型训练的目标PA，采集所述目标PA的实测数据。
S104：RRU将采集的所述目标PA的实测数据发送给所述BBU，使BBU根据所述实测数据，对所述目标PA对应的神经网络模型进行训练优化。
BBU接收所述RRU发送的目标PA的实测数据，根据所述实测数据，对所述目标PA对应的神经网络模型进行训练优化。
由于在本公开实施例中，RRU将每个PA对应的误差值反馈给BBU后，BBU可以根据误差值确定误差值不符合要求的待进行神经网络模型训练的目标PA，RRU仅需要向BBU发送目标PA对应的实测数据，既在一定程度上提高了数据传输的效率，也能对误差值不符合要求的PA进行神经网络模型训练优化，以保证数字预失真的效果。
实施例2：
在上述实施例的基础上，在本公开实施例中，BBU根据每个PA对应的误差值，确定误差值不符合要求的待进行神经网络模型训练的目标PA，包括：
针对每个PA，确定该PA对应的误差值是否大于针对该PA预先确定的误差阈值；如果是，则将该PA确定为目标PA；或，
将每个PA对应的误差值从大到小进行排序，将排序靠前的预设数量的PA确定为目标PA。
在本公开实施例中，BBU中可以针对与自身连接的每个RRU中的每个PA，保存该PA对应的误差阈值，BBU可以针对每个PA，根据该PA的误差值与误差阈值进行比较，确定是否对该PA对应的神经网络模型进行训练优化。
BBU在接收到每个PA对应的误差值后，可以针对每个PA，确定该PA对应的误差值是否大于针对该PA预先确定的误差阈值，如果是，则说明该PA的神经网络模型实际输出与理想输出有较大偏差，需要进行训练优化，则BBU可以将该PA确定为误差值不符合要求的待进行网络模型训练的目标PA。
BBU可以是接收用户配置的每个RRU中的每个PA对应的误差阈值，也可以BBU计算每个RRU中的每个PA对应的误差阈值。一个BBU连接至少一个RRU，每个RRU中安装有至少一个PA。BBU计算RRU中的每个PA对应的误差阈值的过程可以是，针对与自身连接的任一RRU，可以将该RRU中的每个PA对应的误差值的平均值或中值，作为该RRU中的每个PA对应的误差阈值，也就是针对每个PA，将该PA所在的RRU中安装的每个PA对应的误差值的平均值或中值，确定为该PA对应的误差阈值。还可以是BBU针对每个PA，将与自身连接的每个RRU中的每个PA对应的误差值的平均值或中值，作为该PA对应的误差阈值。
例如，一个BBU连接三个RRU，分别为RRU1、RRU2、RRU3，每个RRU中安装有3个PA，分别为PAA、PAB、PAC。RRU1中的三个PA分别为RRU1：PAA、RRU1：PAB和RRU1：PAC；RRU2中的三个PA分别为RRU2：PAA、RRU2：PAB和RRU2：PAC；RRU3中的三个PA分别为RRU3：PAA、RRU3：PAB和RRU3：PAC。
如果在计算每个PA对应的误差阈值时，针对每个PA，将该PA所在的RRU中安装的每个PA对应的误差值的平均值，确定为该PA对应的误差阈值，则针对RRU1中的三个PA，RRU1：PAA、RRU1：PAB和RRU1：PAC的误差阈值均为RU1：PAA、RRU1：PAB和RRU1：PAC的误差值的平均值。则针对每个RRU，该RRU中的每个PA的误差阈值是相同的，任意两个RRU对应的误差阈值可能相同，可能不同。
如果在计算每个PA对应的误差阈值时，将与BBU连接的每个RRU中的每个PA对应的误差值的平均值，作为每个RRU中的每个PA对应的误差阈值，则与BBU连接的每个RRU中安装的每个PA对应的误差阈值均是相同的，误差阈值为(RRU1：PAA、RRU1：PAB、RRU1：PAC、RRU2：PAA、RRU2：PAB、RRU2：PAC、RRU3：PAA、RRU3：PAB、RRU3：PAC的平均值。
在本公开实施例中，BBU在确定误差值不符合要求的待进行神经网络模型训练的目标PA时，可以是将每个PA对应的误差值从大到小进行排序，BBU中预先保存有目标PA的数量，BBU可以将排序靠前的预设数量的PA确定为误差值不符合要求的待进行神经网络模型训练的目标PA。
BBU中预先保存的目标PA的数量，可以是针对每个RRU保存的，则在对每个PA对应的误差值进行排序时，可以是以一个RRU为整体，对一个RRU中安装的每个PA对应的误差值进行排序，任意两个RRU中安装的PA不进行排序。也可以是BBU对当前接收到的所有RRU中的所有PA的误差值进行排序。
实施例3：
BBU在对目标PA对应的神经网络模型进行训练优化后，可以将更新后的参数值发送给RRU，为了进一步提高信息传输的效率，并保证预失真的效果，在上述各实施例的基础上，在本公开实施例中，BBU在对所述目标PA对应的神经网络模型进行训练优化后，还包括：
BBU根据针对目标PA预先保存的每个误差范围，确定目标PA对应的误差值所在的目标误差范围；
根据预先保存的每个误差范围对应的神经网络模型的层，确定目标误差范围对应的神经网络模型的目标层，并识别位于目标层的更新后的参数值；
将位于目标层的更新后的参数值，以及每个参数值所在的目标层，以及更新后的参数值对应的目标PA的标识发送给所述RRU，使RRU对目标PA对应的神经网络模型中目标层的参数值进行更新。
神经网络模型的训练部分有多个神经网络层，简称层，每层有多个参数，神经网络模型的训练过程可以理解为：根据海量数据训练出最优的参数值，使信号在PA对应的神经网络模型预失真处理后，在PA输出端的实际输出与理想输出的误差值最小。
BBU在对目标PA对应的神经网络模型进行训练优化后，可以将训练更新后的参数值发送给RRU，使RRU对目标PA对应的神经网络模型中的参数值进行更新。
BBU可以根据目标PA对应的误差值确定要将哪几层更新后的参数值发送给RRU。BBU中针对每个PA预先保存有该PA对应的每个误差范围，并针对每个误差范围保存有该误差范围对应的需进行参数值更新的层，可以是保存层的标识，例如第一层，第二层等，也可以是保存层的数量，一般可以默认按照从最后一层至第一层的顺序，该数量的层为需进行参数值更新的层。BBU中针对每个PA预先保存的误差范围可以相同，也可以不同。针对不同PA，即使误差阈值范围相同，对应的需要进行参数值更新的层可以相同，也可以不同。
一般情况下，误差值越大，该误差值对应的目标层的数量越多或者误差范围的上限值越大，对应的目标层的数量越多。假设，神经网络模型训练部分分为7层，从前至后分别为第1层-第7层，预先保存的误差范围为0-30％，30％-70％，70％-正无穷。可以是误差范围0-30％对应的需要进行参数值更新的层为第7层和第6层，误差范围30％-70％，需要更新的层为第7层-第4层。误差范围70-正无穷，需要更新的层为第7层-第1层。
BBU可以针对每个目标PA，确定该目标PA对应的误差值所在的目标误差范围；然后在根据预先保存的每个误差范围对应的神经网络模型的层，确定目标误差范围对应的神经网络模型的目标层，BBU可以识别位于目标层的更新后的参数值；然后将位于目标层的更新后的参数值，以及每个参数值所在的目标层的标识，以及每个参数值对应的PA的标识发送给所述RRU，使RRU对目标PA对应的神经网络模型中目标层的参数值进行更新。BBU可以将参数值所在的目标层的标识和参数值对应的PA的标识发送给RRU。
RRU接收BBU发送的目标PA对应的神经网络模型中更新后的参数值，以及更新后的参数值所在的目标层，然后获取这些数据后对目标PA对应的神经网络模型中目标层的参数值进行更新。
上述的参数值包括但不限于偏置值和权重值。
实施例4：
在上述各实施例的基础上，在本公开实施例中，为了保证RRU可以正确地接收并识别BBU下发的每个参数值，BBU还可以向RRU发送参数值的数量和/或每个参数值的位宽。
RRU接收BBU发送的参数值的数量和/或参数值的位宽；
如果RRU接收到参数值的数量和参数值的位宽，RRU获取接收到的BBU发送的目标PA对应的神经网络模型中更新后的参数值，包括：
RRU接收BBU发送的包含目标PA对应的神经网络模型中更新后的参数值的字符串；
根据参数值的位宽，在包含参数值的字符串中识别每个参数值。
BBU在每次向RRU发送更新后的参数值时，可以通知RRU当前发送的参数值的位宽是多少，这样RRU才能在包含参数值的字符串中依次截取每个位宽的子字符串，每个子字符串表示的值可以认为是一个参数值。
BBU在每次向RRU发送更新后的参数值时，还可以向RRU发送当前发送了多少个参数值，也就是BBU通知RRU当前发送的参数值的数量，以便RRU可以根据参数值的位宽，以及预先约定的参数值在字符串中的开始位，在包含参数值的字符串中的识别对应数量的参数值。RRU在识别出对应数量的参数值后，则可停止解析，提高识别参数值的效率。
实施例5：
在上述各实施例的基础上，在本公开实施例中，为了保证BBU可以正确接收并识别出RRU发送的每个实测数据，RRU还可以向BBU发送实测数据的采样率和/或向BBU发送的实测数据的数量和/或位宽和/或数据类型；并将采样率和/或数量和/或位宽和/或数据类型发送给所述BBU。
BBU接收RRU发送的以下至少一种：
实测数据的数量、实测数据的位宽、实测数据的采样率、实测数据的类型。
如果BBU接收RRU发送的实测数据的位宽和数据类型；
所述BBU获取接收到的所述RRU发送的目标PA的实测数据，包括：
根据数据类型接收所述RRU发送的包含目标PA的实测数据的字符串；
根据实测数据的位宽，在包含实测数据的字符串中识别每个实测数据。
RRU在每次向BBU发送实测数据时，可以通知BBU当前发送的实测数据的位宽是多少，这样BBU才能在包含实测数据的字符串中依次截取每个位宽的子字符串，每个子字符串表示的值可以认为是一个实测数据。
RRU在每次向BBU发送实测数据时，还可以向BBU发送当前发送了多少个实测数据，也就是RRU通知BBU当前发送的实测数据的数量，以便BBU可以根据实测数据的位宽，以及预先约定的实测数据在字符串中的开始位，在包含实测数据的字符串中的识别对应数量的实测数据。BBU在识别出对应数量的实测数据后，则可停止解析，提高识别实测数据的效率。
如果BBU接收RRU发送的采样率，BBU可以根据采样率以及确定出的RRU发送的每个实测数据，确定进行模型训练的每个实测数据，具体过程属于现有技术，在本公开实施例中不进行赘述。
实施例6：
一般情况下，每个RRU与BBU间有一条线缆连接，用于传输数据的规范称为前传接口(FH)规范，传输协议有CPRI、IEEE1914.3(RoE)、eCPRI，均存在厂商自由定义部分(VendorSpecific)。针对三种规范的各自特点，本提案利用规范中自由定义部分传输AI-DPD信息。
AI-DPD信息即上述提到的神经网络模型的相关信息，具体包括控制信息和数据信息。RRU向BBU发送的控制信息可称为上行控制信息；BBU向RRU发送的控制信息可称为下行控制信息，RRU向BBU发送的数据信息可称为上行数据信息；BBU向RRU发送的数据信息可称为下行数据信息。
RRU向BBU发送上行控制信息包括：
RRU将上行控制信息承载在CPRI的基本帧中的厂商自由定义控制信道中发送给BBU；或，
RRU将上行控制信息承载在厂商自由定义的RoE包中发送给BBU，其中，承载上行控制信息的RoE包中包括用于指示该包承载上行控制信息的信息，此方案针对IEEE1914.3协议；或
RRU将上行控制信息承载在厂商自由定义的eCPRI包中发送给BBU，其中承载上行控制信息的eCPRI包中包括用于指示该包承载上行控制信息的信息。
RRU向BBU发送数据信息包括：
RRU将数据信息承载在CPRI的基本帧中未被占用的数据字段中发送给BBU；或，
RRU将数据信息承载在厂商自由定义的RoE包中发送给BBU，其中，承载数据信息的RoE包中包括用于指示该包承载数据信息的信息，此方案针对IEEE1914.3协议；或
RRU将数据信息承载在厂商自由定义的eCPRI包中发送给BBU，其中承载数据信息的eCPRI包中包括用于指示该包承载数据信息的信息。
BBU向RRU发送下行控制信息包括：
BBU将下行控制信息承载在CPRI的基本帧中的厂商自由定义信道中发送给RRU；或，
BBU将下行控制信息承载在厂商自由定义的RoE包中发送给RRU，其中，承载下行控制信息的RoE包中包括用于指示该包承载下行控制信息的信息，此方案针对IEEE1914.3协议；或
BBU将下行控制信息承载在厂商自由定义的eCPRI包中发送给RRU，其中承载下行控制信息的eCPRI包中包括用于指示该包承载下行控制信息的信息。
BBU向RRU发送数据信息(参数值)包括：
BBU将参数值承载在CPRI的基本帧中未被占用的数据字段中发送给RRU；或，
BBU将参数值承载在厂商自由定义的RoE包中发送给RRU，其中，承载参数值的Experimental包中包括用于指示该包承载参数值的信息，此方案针对IEEE1914.3协议；或
BBU将参数值承载在厂商自由定义的eCPRI包中发送给RRU，其中承载参数值的eCPRI包中包括用于指示该包承载参数值的信息。
针对上面提到的三种传输方式，以下进行详细说明：
方式1：通过通用公共无线电接口(Common Public Radio Interface，CPRI)的基本帧传输控制信息和数据信息。
CPRI帧分为基本帧单元和超帧单元。基本帧单元的帧频是3.84MHZ，包括16个字，表示word0-word15，其中word0为控制字，后15个字为I/Q数据。根据不同的链路速率，字的长度分别为8bits，16bits，32bits。超帧单元是由256个基本帧单元组成，其中，第一个基本帧单元里的控制字写入K28.5标志作为超帧的同步控制信息，其余的255个基本帧单元里的控制字包含控制和管理字、厂商自定义控制字，并预留一些控制字。
64*4个基帧构成一个超帧。原始CPRI承载信息可分为U/C/S三个面。为了便于描述，AI-DPD传输的数据信息也可称为用户部分U-plane；控制信息也可称为控制部分C-plane。
每个超帧中，256个基帧内的Word 0组成了64*4个控制信道。根据CPRI协议，控制信道中的空闲信道标记为“厂商定义v”。一个超帧中，有16到192个空闲信道“v”。AI-DPD的C-plane信息可承载于这些可自定义的空闲信道内。
每个超帧中，共256*15个Word为数据字段承载CPRI原有IQ数据。每个基帧的15个Word内，IQ数据以AxC Container的形式存放。假定其中，AxCContainer间通过“packed”的方式连接，刨除AxC Container已占用时隙，该基帧中未被利用的剩余时隙可完成AI-DPD的U-plane信息传输。
方式2：通过IEEE 1914.3协议中厂商自由定义的RoE包传输数据信息和控制信息。
RoE定义了以太网节点(Ethernet Node)间通信数据传输的接口协议。在本公开中，RoE协议可作为射频拉远方案中，连接RRU与BBU的前传接口。
RoE基于以太网协议，按承载信息可分为：数据包、控制包与时序控制包。
每个RoE包(RoE packet)包括包头(RoE header)和负载(RoE payload)，包头中的字符位subType用于定义包内传输信息的类型。也就是定义该RoE包的类型，可包括控制包、时域数据包、频域数据包等。subType可以根据为其赋予不同的数值，定义该RoE包内传输信息的类型。RoE协议针对每一种类型的包都规定了其内部数据的格式。当subType的数值在11111100b-11111111b间时，为Experimental段，可以用于传输AI-DPD的相关信息。RoE包中包括用于指示该包承载上下行控制信息或上下行数据信息的信息，该用于指示该包承载上下行控制信息或上下行数据信息的信息可以理解为subType的数值。通过为subType字段赋予不同的数值，指示该RoE包是用于承载下行控制信息，还是承载下行数据信息，还是承载上行控制信息，还是承载上行数据信息。
原RoE协议包头内，一部分subType被定义为Experimental，其内容可自由定义，被用来传输AI-DPD信息。
(1)AI-DPD数据包传输(上下行)：
选取Experimental包涵盖的subType的两个取值，分别定义为上行反馈数据包和下行模型信息数据包，上行反馈数据包用于承载实测数据，下行模型信息数据包用于承载参数值。两类数据包可采用相似的格式，并通过收发双方预先约定和必要的控制信息，确定包内具体的信息排列、位宽等传输格式。
2)AI-DPD控制包传输(上下行)：
选取Experimental包涵盖的subType的两个取值，分别定义上下行AI-DPD控制包。AI-DPD控制包内，包括神经网络传输参数(PA标识、层标识等)、采样率、位宽等格式预先由收发两方约定，并由AI-DPD控制模块负责收发。当接收节点识别到对应subType的AI-DPD控制包，则送至AI-DPD控制模块，取出对应参数并利用其信息提取对应数据信息。AI-DPD控制模块还将负责保证各类AI-DPD包在所需时间窗口内顺利完成收发和处理。此外，AI-DPD控制包也可以通过带外(out-of-band)机制传输。
实施例3：厂商自由定义的eCPRI包传输数据信息和控制信息。
eCPRI层定义于传输层之上，其传输不限定具体承载协议(Ethernet、UDP/IP等既有协议均可)。eCPRI包包括：通用包头(common header)、负载(payload)和必要的填充字节(padding byte)，通用包头中的字符位MessageType用于定义包内传输的内容。eCPRI包中包括用于指示该包承载上下行控制信息或上下行数据信息的信息，该用于指示该包承载上下行控制信息或上下行数据信息的信息可以理解为Message Type的数值。通过为MessageType字段赋予不同的数值，指示该eCPRI包是用于承载下行控制信息，还是承载下行数据信息，还是承载上行控制信息，还是承载上行数据信息。
(1)AI-DPD控制包传输流程(上下行)：
选取Message Type自定义取值范围内的两个值，分别定义为上下行控制包。包头为eCPRI common header，负载内应包含控制信息识别符(identifier)和包间顺序信息。控制包内传输神经网络传输参数(PA标识、层标识等)、采样率、位宽等信息，由收发端预先存储或通过带外机制在初始化过程中约定。AI-DPD控制包传输方式类似eCPRI中的实时控制信息(Message Type 2)，在传输数据包前，先发送控制包，再发送对应数据包。如果AI-DPD接口需要传输运行管理等非时间敏感信息，可通过eCPRI C&M-plane传输。
(2)AI-DPD数据包传输流程(上下行)：
选取Message Type自定义取值范围内的两个值，定义为上下行AI-DPD数据包，分别传输上行反馈数据和下行模型信息，上行反馈数据包用于承载实测数据，下行模型信息数据包用于承载参数值。包头为eCPRI common header，负载内应当包含数据信息识别符(identifier)及包间顺序信息。负载内数据排列、位宽等信息可由控制包预先发送。对上行反馈数据包，存在多个PA数据信息，数据包identifier可保证对应PA反馈数据识别，数据包与控制包identifier具对应关系。
基于同一发明构思，如图3所示，本公开实施例公开了一种电子设备，所述电子设备包括：处理器31，存储器32和收发机33；
在图3中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器31代表的一个或多个处理器31和存储器32代表的存储器32的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。收发机33可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器31负责管理总线架构和通常的处理，存储器32可以存储处理器31在执行操作时所使用的数据。
可选的，处理器31可以是CPU(中央处埋器)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或CPLD(Complex Programmable Logic Device，复杂可编程逻辑器件)。
所述存储器32，用于存储处理器31执行的程序；
所述收发机33，用于在处理器31的控制下收发数据；
所述处理器31，用于读取所述存储器中32的程序，执行下列过程：
从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
如果所述装置为BBU，所述控制参数包括位宽，所述神经网络传输参数包括：上行传输状态参数，所述上行传输状态参数用于指示当前的传输状态为active状态或集中误差反馈状态或特定反馈状态。
如果所述当前的传输状态为active状态，所述神经网络传输参数还包括：反馈训练数据标记参数和反馈误差数据标记参数；
所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，所述位宽包括训练数据的第一位宽和误差值的第二位宽；
所诉处理器31，具体用于根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据；以及根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
进一步地，如果所述当前的传输状态为特定反馈状态，所述神经网络传输参数还包括：反馈训练数据标记参数；所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述位宽包括训练数据的第一位宽；
所述处理器31，具体用于根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据。
进一步地，如果所述当前的传输状态为集中误差反馈状态，所述神经网络传输参数还包括：反馈误差标记参数，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，所述位宽包括误差值的第二位宽；
所述处理器31，具体用于根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
进一步地，所述处理器31，还用于根据反馈的第一标识的PA的每个训练数据，对第一标识的PA的神经网络模型进行训练优化。
进一步地，所述处理器31，还用于根据反馈的第二标识的PA的每个误差值，确定误差值不符合要求的待进行神经网络模型训练的目标PA，将目标PA的第二目标识携带在传输帧中发送给RRU。
进一步地，如果所述装置为RRU，所述控制参数包括模型信息的第三位宽，所述神经网络传输参数包括：下行传输状态参数、模型信息刷新标记参数和模型信息刷新规模参数；
其中，所述下行传输状态参数用于指示当前的传输状态为active状态或高速刷新状态；
所述模型信息刷新标记参数用于指示更新后的参数值所属的PA的第三标识；
所述模型信息刷新规模参数用于指示更新后的参数值在神经网络模型中的层的第四标识；
所述处理器31，具体用于根据所述第三位宽，获取所述传输帧中反馈的第三标识的PA的神经网络模型中的第四标识的层的每个参数值。
进一步地，所述处理器31，还用于根据第三标识的PA的神经网络模型中的第四标识的层的每个参数值，对第三标识的PA的神经网络模型中的第四标识的层的参数值进行更新。
基于同一发明构思，如图4所示，本公开实施例公开了一种信息传输的装置，所述装置包括：
收发模块41，用于从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；
处理模块42，用于根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
如果所述装置为BBU，所述控制参数包括位宽，所述神经网络传输参数包括：上行传输状态参数，所述上行传输状态参数用于指示当前的传输状态为active状态或集中误差反馈状态或特定反馈状态。
如果所述当前的传输状态为active状态，所述神经网络传输参数还包括：反馈训练数据标记参数和反馈误差数据标记参数；
所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，所述位宽包括训练数据的第一位宽和误差值的第二位宽；
所诉处理模块42，具体用于根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据；以及根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
进一步地，如果所述当前的传输状态为特定反馈状态，所述神经网络传输参数还包括：反馈训练数据标记参数；所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述位宽包括训练数据的第一位宽；
所述处理模块42，具体用于根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据。
进一步地，如果所述当前的传输状态为集中误差反馈状态，所述神经网络传输参数还包括：反馈误差标记参数，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，所述位宽包括误差值的第二位宽；
所述处理模块42，具体用于根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
进一步地，所述处理模块42，还用于根据反馈的第一标识的PA的每个训练数据，对第一标识的PA的神经网络模型进行训练优化。
进一步地，所述处理模块42，还用于根据反馈的第二标识的PA的每个误差值，确定误差值不符合要求的待进行神经网络模型训练的目标PA，将目标PA的第二目标识携带在传输帧中发送给RRU。
进一步地，如果所述装置为RRU，所述控制参数包括模型信息的第三位宽，所述神经网络传输参数包括：下行传输状态参数、模型信息刷新标记参数和模型信息刷新规模参数；
其中，所述下行传输状态参数用于指示当前的传输状态为active状态或高速刷新状态；所述模型信息刷新标记参数用于指示更新后的参数值所属的PA的第三标识；所述模型信息刷新规模参数用于指示更新后的参数值在神经网络模型中的层的第四标识；
所述处理模块42，具体用于根据所述第三位宽，获取所述传输帧中反馈的第三标识的PA的神经网络模型中的第四标识的层的每个参数值。
进一步地，所述处理模块42，还用于根据第三标识的PA的神经网络模型中的第四标识的层的每个参数值，对第三标识的PA的神经网络模型中的第四标识的层的参数值进行更新。
基于同一发明构思，如图5所示，为本公开实施例提供的一种信息传输系统结构图，该系统包括上述应用于室内基带处理单元BBU51的任一项所述的信息传输装置和应用于射频拉远单元RRU52的上述任一项所述的信息传输装置。
基于同一发明构思，图6所示，本公开实施例公开了一种电子设备，包括：处理器61、通信接口62、存储器63和通信总线64，其中，处理器61，通信接口62，存储器63通过通信总线64完成相互间的通信；
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述信息传输方法中任一项所述方法的步骤。
上述各实施例中的电子设备提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口，用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
基于同一发明构思，本公开实施例公开了一种计算机可读存储介质，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行上述信息传输方法中任一项所述方法的步骤。
上述实施例中的计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD)等。
对于系统/装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者一个操作与另一个实体或者另一个操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全应用实施例、或结合应用和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本公开的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。

Claims (22)

1.一种信息传输的方法，其特征在于，所述方法包括：
从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；
根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
2.如权利要求1所述的方法，其特征在于，如果BBU从前传接口获取传输帧/第一传输包，所述控制参数包括位宽，所述神经网络传输参数包括：上行传输状态参数，所述上行传输状态参数用于指示当前的传输状态为active状态或集中误差反馈状态或特定反馈状态。
3.如权利要求2所述的方法，其特征在于，如果所述当前的传输状态为active状态，所述神经网络传输参数还包括：反馈训练数据标记参数和反馈误差数据标记参数；
所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，所述位宽包括训练数据的第一位宽和误差值的第二位宽；
根据所述控制参数和所述神经网络传输参数，获取数据信息，包括：
根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据；
根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
4.如权利要求2所述的方法，其特征在于，如果所述当前的传输状态为特定反馈状态，所述神经网络传输参数还包括：反馈训练数据标记参数；所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述位宽包括训练数据的第一位宽；
根据所述控制参数和所述神经网络传输参数，获取数据信息，包括：
根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据。
5.如权利要求2所述的方法，其特征在于，如果所述当前的传输状态为集中误差反馈状态，所述神经网络传输参数还包括：反馈误差标记参数，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，所述位宽包括误差值的第二位宽；
根据所述控制参数和所述神经网络传输参数，获取数据信息，包括：
根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
6.如权利要求3或4所述的方法，其特征在于，所述方法还包括：
根据反馈的第一标识的PA的每个训练数据，对第一标识的PA的神经网络模型进行训练优化。
7.如权利要求3或5所述的方法，其特征在于，所述方法还包括：
根据反馈的第二标识的PA的每个误差值，确定误差值不符合要求的待进行神经网络模型训练的目标PA，将目标PA的第二目标识携带在传输帧中发送给RRU。
8.如权利要求1所述的方法，其特征在于，如果RRU从前传接口获取传输帧/第一传输包，所述控制参数包括模型信息的第三位宽，所述神经网络传输参数包括：下行传输状态参数、模型信息刷新标记参数和模型信息刷新规模参数；
其中，所述下行传输状态参数用于指示当前的传输状态为active状态或高速刷新状态；
所述模型信息刷新标记参数用于指示更新后的参数值所属的PA的第三标识；
所述模型信息刷新规模参数用于指示更新后的参数值在神经网络模型中的层的第四标识；
根据所述控制参数和所述神经网络传输参数，获取所述传输帧的数据信息包括：
根据所述第三位宽，获取所述传输帧中反馈的第三标识的PA的神经网络模型中的第四标识的层的每个参数值。
9.如权利要求8所述的方法，其特征在于，所述方法还包括：
根据第三标识的PA的神经网络模型中的第四标识的层的每个参数值，对第三标识的PA的神经网络模型中的第四标识的层的参数值进行更新。
10.如权利要求1所述的方法，其特征在于，所述传输帧为CPRI帧；
所述第一传输包为RoE包或eCPRI包；
所述第二传输包为RoE包或eCPRI包。
11.一种信息传输的装置，其特征在于，所述装置包括：处理器、存储器和收发机；
所述存储器，用于存储处理器执行的程序；
所述收发机，用于在处理器的控制下收发数据；
所述处理器，用于读取所述存储器中的程序，执行下列过程：
从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
12.如权利要求11所述的装置，其特征在于，如果所述装置为BBU，所述控制参数包括位宽，所述神经网络传输参数包括：上行传输状态参数，所述上行传输状态参数用于指示当前的传输状态为active状态或集中误差反馈状态或特定反馈状态。
13.如权利要求12所述的装置，其特征在于，如果所述当前的传输状态为active状态，所述神经网络传输参数还包括：反馈训练数据标记参数和反馈误差数据标记参数；
所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，所述位宽包括训练数据的第一位宽和误差值的第二位宽；
所诉处理器，具体用于根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据；以及根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
14.如权利要求12所述的装置，其特征在于，如果所述当前的传输状态为特定反馈状态，所述神经网络传输参数还包括：反馈训练数据标记参数；所述反馈训练数据标记参数用于指示反馈训练数据的PA的第一标识，所述位宽包括训练数据的第一位宽；
所述处理器，具体用于根据所述第一位宽，获取反馈的第一标识的PA的每个训练数据。
15.如权利要求12所述的装置，其特征在于，如果所述当前的传输状态为集中误差反馈状态，所述神经网络传输参数还包括：反馈误差标记参数，所述反馈误差标记参数用于指示反馈误差值的PA的第二标识，所述位宽包括误差值的第二位宽；
所述处理器，具体用于根据所述第二位宽，获取反馈的第二标识的PA的每个误差值。
16.如权利要求13或14所述的装置，其特征在于，所述处理器，还用于根据反馈的第一标识的PA的每个训练数据，对第一标识的PA的神经网络模型进行训练优化。
17.如权利要求13或15所述的装置，其特征在于，所述处理器，还用于根据反馈的第二标识的PA的每个误差值，确定误差值不符合要求的待进行神经网络模型训练的目标PA，将目标PA的第二目标识携带在传输帧中发送给RRU。
18.如权利要求11所述的装置，其特征在于，如果所述装置为RRU，所述控制参数包括模型信息的第三位宽，所述神经网络传输参数包括：下行传输状态参数、模型信息刷新标记参数和模型信息刷新规模参数；
其中，所述下行传输状态参数用于指示当前的传输状态为active状态或高速刷新状态；
所述模型信息刷新标记参数用于指示更新后的参数值所属的PA的第三标识；
所述模型信息刷新规模参数用于指示更新后的参数值在神经网络模型中的层的第四标识；
所述处理器，具体用于根据所述第三位宽，获取所述传输帧中反馈的第三标识的PA的神经网络模型中的第四标识的层的每个参数值。
19.如权利要求18所述的装置，其特征在于，所述处理器，还用于根据第三标识的PA的神经网络模型中的第四标识的层的每个参数值，对第三标识的PA的神经网络模型中的第四标识的层的参数值进行更新。
20.一种信息传输的装置，其特征在于，所述装置包括：
收发模块，用于从前传接口获取传输帧/第一传输包，其中，所述传输帧/第一传输包包括控制参数和神经网络传输参数，所述神经网络传输参数用于指示传输状态及数据信息的属性；
处理模块，用于根据所述控制参数和所述神经网络传输参数，获取所述传输帧/第二传输包中的数据信息。
21.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行权利要求1-10任一项所述方法的步骤。
22.一种计算机可读存储介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行权利要求1-10任一项所述方法的步骤。
CN201910087307.2A 2019-01-29 2019-01-29 一种信息传输的方法和装置 Active CN111490799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910087307.2A CN111490799B (zh) 2019-01-29 2019-01-29 一种信息传输的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910087307.2A CN111490799B (zh) 2019-01-29 2019-01-29 一种信息传输的方法和装置

Publications (2)

Publication Number Publication Date
CN111490799A true CN111490799A (zh) 2020-08-04
CN111490799B CN111490799B (zh) 2021-08-06

Family

ID=71811518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910087307.2A Active CN111490799B (zh) 2019-01-29 2019-01-29 一种信息传输的方法和装置

Country Status (1)

Country Link
CN (1) CN111490799B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11234163B1 (en) 2020-09-18 2022-01-25 Nokia Solutions And Networks Oy Dynamic eCPRI header compression
CN114157353A (zh) * 2020-09-08 2022-03-08 中国移动通信有限公司研究院 可见光通信的预失真补偿方法、装置及系统
CN114793305A (zh) * 2021-01-25 2022-07-26 上海诺基亚贝尔股份有限公司 用于光通信的方法、设备、装置和介质
WO2024001233A1 (zh) * 2022-07-01 2024-01-04 中兴通讯股份有限公司 数字预失真方案或硬件结构的实现方法、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101072220A (zh) * 2006-05-08 2007-11-14 中兴通讯股份有限公司 用于自适应功率放大器的径向基神经网络预失真方法
CN105991157A (zh) * 2015-03-05 2016-10-05 华为技术有限公司 消除通信系统中的无源互调干扰信号的方法和网络侧设备
US20180314985A1 (en) * 2017-04-24 2018-11-01 Virginia Tech Intellectual Properties, Inc. Learning and deploying compression of radio signals
CN109361447A (zh) * 2018-09-10 2019-02-19 清华大学 基于机器学习的遥测数据弹性传输方法及装置
CN110533169A (zh) * 2019-08-30 2019-12-03 海南电网有限责任公司 一种基于复值神经网络模型的数字预失真方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101072220A (zh) * 2006-05-08 2007-11-14 中兴通讯股份有限公司 用于自适应功率放大器的径向基神经网络预失真方法
CN105991157A (zh) * 2015-03-05 2016-10-05 华为技术有限公司 消除通信系统中的无源互调干扰信号的方法和网络侧设备
US20180314985A1 (en) * 2017-04-24 2018-11-01 Virginia Tech Intellectual Properties, Inc. Learning and deploying compression of radio signals
CN109361447A (zh) * 2018-09-10 2019-02-19 清华大学 基于机器学习的遥测数据弹性传输方法及装置
CN110533169A (zh) * 2019-08-30 2019-12-03 海南电网有限责任公司 一种基于复值神经网络模型的数字预失真方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114157353A (zh) * 2020-09-08 2022-03-08 中国移动通信有限公司研究院 可见光通信的预失真补偿方法、装置及系统
CN114157353B (zh) * 2020-09-08 2023-05-05 中国移动通信有限公司研究院 可见光通信的预失真补偿方法、装置及系统
US11234163B1 (en) 2020-09-18 2022-01-25 Nokia Solutions And Networks Oy Dynamic eCPRI header compression
DE102021118541A1 (de) 2020-09-18 2022-03-24 Nokia Solutions And Networks Oy DYNAMISCHE eCPRI-HEADER-KOMPRIMIERUNG
DE102021118541B4 (de) 2020-09-18 2022-12-29 Nokia Solutions And Networks Oy DYNAMISCHE eCPRI-HEADER-KOMPRIMIERUNG
CN114793305A (zh) * 2021-01-25 2022-07-26 上海诺基亚贝尔股份有限公司 用于光通信的方法、设备、装置和介质
WO2024001233A1 (zh) * 2022-07-01 2024-01-04 中兴通讯股份有限公司 数字预失真方案或硬件结构的实现方法、设备和介质

Also Published As

Publication number Publication date
CN111490799B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN111490799B (zh) 一种信息传输的方法和装置
US11451452B2 (en) Model update method and apparatus, and system
CN109802794B (zh) 测量csi-rs的方法和指示方法，网络设备、终端
CN103369593B (zh) 一种压缩和解压缩以太网报文的方法及网元设备
US9883471B2 (en) Method and device for rate matching
EP3703316B1 (en) Frame aggregation in a wireless network
CN112865998B (zh) 意图处理方法和相关装置
CN103974328B (zh) 协同通信的方法和云端服务器
JP6863485B2 (ja) データ指示方法、装置及び通信システム
MX2021002817A (es) Metodo para centralizar la coordinacion de interferencias.
CN104754521B (zh) 一种报文转发方法、无线接入点、无线控制器和系统
CN103581138A (zh) 一种数据传输方法和设备
US11329926B2 (en) Measuring transmission delay
CN116405431A (zh) 一种数据处理方法、网络节点和计算机可读存储介质
CN111869278B (zh) 测量传输时延
CN107734598A (zh) 一种系统信息变更指示方法、ue、网络侧设备和系统
CN102740339B (zh) 基站通信方法及基站、核心网通信方法及核心网装置
CN107547392A (zh) 物联网中的数据处理方法
CN100550887C (zh) 一种实现基带处理单元和射频处理单元间数据传输的方法
JP6616184B2 (ja) データ伝送方法及び装置
CN103916386A (zh) 数据发送和数据接收方法
CN111586750B (zh) 一种数据发送、接收的方法、装置、电子设备及介质
CN106911545B (zh) 一种通过以太网传输st_bus数据的方法及装置
CN108260135B (zh) 一种系统信息传输方法、用户终端和传输节点
CN113395730A (zh) 一种物联网终端网络参数上报方法、装置和存储介质

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