CN112152741B - 信道模型的训练方法及装置 - Google Patents
信道模型的训练方法及装置 Download PDFInfo
- Publication number
- CN112152741B CN112152741B CN201910580104.7A CN201910580104A CN112152741B CN 112152741 B CN112152741 B CN 112152741B CN 201910580104 A CN201910580104 A CN 201910580104A CN 112152741 B CN112152741 B CN 112152741B
- Authority
- CN
- China
- Prior art keywords
- channel
- communication device
- embedding
- target
- embedded
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种信道模型的训练方法和装置,该方法包括:第一通信设备获取第二通信设备的第二信道模型中的至少部分参数;第一通信设备基于至少部分参数,训练第一通信设备的第一信道模型,得到训练后的第一信道模型,第一信道模型与第二信道模型为基于神经网络的模型。在本申请实施例中,通过将第二通信设备中的第二信道模型中的部分参数或者全部参数发送给第一通信设备,这样,第一通信设备可以基于上述部分参数或者全部参数,训练第一通信设备的第一信道模型。避免了传统的信道模型训练方法中,第一通信设备需要基于初始化的神经网络,从头开始训练第一信道模型。有利于缩短第一通信设备训练第一信道模型所需的时间。
Description
技术领域
本申请涉及通信领域,并且更具体地,涉及信道模型的训练方法及装置。
背景技术
在通信系统中,发射机用于发送信号,接收机用于接收发射机发送的信号,在发射机到接收机之间用于传输该信号的通信链路称为信道。对于接收机而言,信道是对信号的变换,接收机在获知信道的信道状态后,可以准确译出信道上承载的信号。对于发射机而言,发射机如果可以了解信道的信道状态,可以基于信道的信道状态确定通过该信道发射信号时的传输参数,例如,确定传输该信号使用的自适应波束赋形的传输算法。因此,信道是影响通信系统的通信质量的重要因素之一。
目前,通信系统中的通信设备(例如,上述接收机或发射机)可以通过信道模型,对信道的信道状态进行信道估计。然而,通信设备在建立信道模型时通常所需的时间较长,导致通信设备即使有待传输的信号后,也需要等待通信设备建立信道模型。
发明内容
本申请提供一种信道模型的训练方法及装置,有利于减少通信设备建立信道模型的时间。
第一方面,提供了一种信道模型的训练方法,包括:第一通信设备获取第二通信设备的第二信道模型中的至少部分参数;所述第一通信设备基于所述至少部分参数,训练所述第一通信设备的第一信道模型,得到所述训练后的第一信道模型,所述第一信道模型与所述第二信道模型为基于神经网络的模型。
在本申请实施例中,通过将第二通信设备中的第二信道模型中的部分参数或者全部参数发送给第一通信设备,这样,第一通信设备可以基于上述部分参数或者全部参数,训练第一通信设备的第一信道模型。避免了传统的信道模型训练方法中,第一通信设备需要基于初始化的神经网络,从头开始训练第一信道模型。有利于缩短第一通信设备训练第一信道模型所需的时间。
另一方面,通过将第二信道模型中的部分参数或者全部参数发送给第一通信设备,以便第一通信设备训练第一信道模型,可以降低第一通信设备由于采集的信道的信道响应的数据量较少,导致的训练后的第一信道模型产生过拟合的问题。
在一种可能的实现方式中,所述至少部分参数包括神经网络的权重。
在一种可能的实现方式中,所述神经网络为嵌入神经网络,所述至少部分参数包括第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一种,所述第一嵌入矩阵包含N个第一嵌入向量,所述第二嵌入矩阵包含M个第二嵌入向量,所述第三嵌入矩阵包含P个第三嵌入向量,所述第四嵌入矩阵包含Q个第四嵌入向量,其中,所述N个第一嵌入向量用于指示所述第二通信设备的信道的信道响应在频域上的N个信道特征,所述M个第二嵌入向量用于指示所述第二通信设备的信道的信道响应在时间域上的M个信道特征,所述P个第三嵌入向量用于指示所述第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,所述Q个第四嵌入向量用于指示所述第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
由于信道的信道响应在时间域、空间域、频域以及时延域的至少一个域内,变化较为相似。因此,本申请实施例借用这一规律,将上述变化通过第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵表示,并将上述第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一个嵌入矩阵发送到第一通信设备,以供第一通信设备训练第一信道模型,有利于缩短第一通信设备训练第一信道模型所需的时间。
在一种可能的实现方式中,所述第一通信设备基于所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:所述第一通信设备采集所述第一通信设备的目标信道的信道响应;所述第一通信设备基于所述目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型。
可选地,上述目标信道的信道响应可以是第一通信设备采用的真实信道的信道响应。
在本申请实施例中,第一通信设备基于目标信道的信道响应,以及所述至少部分参数,训练第一信道模型,有利于提高训练后的第一信道模型的准确性。
在一种可能的实现方式中,若所述至少部分参数包括所述第一嵌入矩阵,所述第一通信设备基于所述目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:所述第一通信设备获取第一对应关系,所述第一对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系;所述第一通信设备基于所述目标信道的信道响应在频域上的信道特征,以及所述第一对应关系,确定所述目标信道对应的第一嵌入向量;所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的第一嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第二嵌入矩阵,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:所述第一通信设备获取第二对应关系,所述第二对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系;所述第一通信设备基于所述目标信道的信道响应在时间域上的信道特征以及所述第二对应关系,确定所述目标信道对应的第二嵌入向量;所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的第二嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第三嵌入矩阵,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:所述第一通信设备获取第三对应关系,所述第三对应关系用于指示传输所述第一通信设备传输信道使用的天线组合与所述P个第三嵌入向量的对应关系;所述第一通信设备基于传输所述目标信道使用的目标天线组合以及所述第三对应关系,确定所述目标信道对应的第三嵌入向量;所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的所述第三嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第四嵌入矩阵,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:所述第一通信设备获取第四对应关系,所述第四对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;所述第一通信设备基于所述目标信道的信道响应在时延域上的信道特征,以及所述第四对应关系,确定所述目标信道对应的第四嵌入向量;所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的所述第四嵌入向量,训练所述第一信道模型。
在本申请实施例中,第一通信设备可以基于嵌入矩阵以及与该嵌入矩阵配合的对应关系,从嵌入矩阵中为目标信道匹配合适的嵌入向量,有利于提高目标信道的信道响应的信道特征与嵌入向量的匹配程度。
在一种可能的实现方式中,若所述至少部分参数包括所述第一嵌入矩阵、第二嵌入矩阵、所述第三嵌入矩阵,以及所述第四嵌入矩阵,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:所述第一通信设备获取第五对应关系,第六对应关系,第七对应关系以及第八对应关系,所述第五对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系,所述第六对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系,所述第七对应关系用于指示传输信道使用的天线组合与所述P个第三嵌入向量的对应关系,所述第八对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;所述第一通信设备基于所述目标信道的信道响应在频域上的信道特征,以及所述第五对应关系,确定所述目标信道对应的第一嵌入向量;所述第一通信设备基于所述目标信道的信道响应在时间域上的信道特征以及所述第六对应关系,确定所述目标信道对应的第二嵌入向量;所述第一通信设备基于传输所述目标信道使用的目标天线组合以及所述第七对应关系,确定所述目标信道对应的第三嵌入向量;所述第一通信设备基于所述目标信道的信道响应在时延域上的信道特征,以及所述第八对应关系,确定所述目标信道对应的第四嵌入向量;所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的所述第一嵌入向量,所述目标信道对应的所述第二嵌入向量,所述目标信道对应的所述第三嵌入向量,以及所述目标信道对应的所述第四嵌入向量,训练所述第一信道模型。
在本申请实施例中,上述4种的嵌入向量之间可以组合,以匹配目标信道的信道特征,以提高通过嵌入向量描述目标信道的准确性。
在一种可能的实现方式中,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:所述第一通信设备获取第九对应关系,第十对应关系,第十一对应关系以及第十二对应关系中的至少一种,所述第九对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系,所述第十对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系,所述第十一对应关系用于指示所述第一通信设备传输信道使用的天线组合与所述P个第三嵌入向量的对应关系,所述第十二对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;所述第一通信设备基于所述目标信道的信道响应在频域上的信道特征,以及获取到的所述第九对应关系,确定所述目标信道对应的第一嵌入向量;或所述第一通信设备基于所述目标信道的信道响应在时间域上的信道特征以及获取到的所述第十对应关系,确定所述目标信道对应的第二嵌入向量;或所述第一通信设备基于传输所述目标信道使用的目标天线组合以及获取到的所述第十一对应关系,确定所述目标信道对应的第三嵌入向量;或所述第一通信设备基于所述目标信道的信道响应在时延域上的信道特征以及获取到的所述第十二对应关系,确定所述目标信道对应的第四嵌入向量;所述第一通信设备基于所述目标信道的信道响应,以及所述确定的嵌入向量,训练所述第一信道模型,其中,所述确定的嵌入向量包括所述目标信道对应的所述第一嵌入向量,所述目标信道对应的所述第二嵌入向量,所述目标信道对应的所述第三嵌入向量,以及所述目标信道对应的所述第四嵌入向量中的至少一种。
在本申请实施例中,上述不同的嵌入向量之间可以组合,以匹配目标信道的信道特征,以提高不同类型的嵌入向量与目标信道之间匹配的灵活性。
在一种可能的实现方式中,在所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型之前,所述方法还包括:所述第一通信设备获取所述第二通信设备的信道的信道响应的强度的分布;所述第一通信设备基于所述第二通信设备的信道的信道响应的强度的分布,确定所述第一网络设备的信道响应的归一化值;所述第一通信设备根据所述归一化值对所述目标信道的信道响应进行归一化处理。
在本申请实施例中,通过将第二通信设备的信道的信道响应的强度的分布发送至第一通信设备,以便第一通信设备确定归一化值,使得在归一化之后,目标信道的信道响应的强度的分布与第二通信设备的信道的信道响应的强度的分布相似,有利于减少以第二信道模型的至少部分参数对第一信道模型进行训练时的改动。
在一种可能的实现方式中,所述第一通信设备获取第二通信设备的第二信道模型中的至少部分参数之前,所述方法还包括:所述第一通信设备向所述第二通信设备发送迁移请求,所述迁移请求用于请求所述第二信道模型中的至少部分参数,或所述第一通信设备向第三通信设备发送所述迁移请求。
在一种可能的实现方式中,所述神经网络为嵌入神经网络,训练后的所述第一信道模型中的嵌入矩阵与所述第二信道模型中的嵌入矩阵不同,且第十三对应关系与所述第十四对应关系相同,其中,所述第十三对应关系为所述训练后的所述第一信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述第十四对应关系为所述第二信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述嵌入矩阵用于表示信道的信道响应在频域上的信道特征,信道的信道响应在时间域上的信道特征,通过不同的天线组合传输信道时信道响应的信道特征,以及信道的信道响应在时延域上的信道特征。
在一种可能的实现方式中,所述神经网络为嵌入神经网络,训练前的所述第一信道模型中的嵌入矩阵与所述第二信道模型中的嵌入矩阵相同,且第十五对应关系与所述第十六对应关系不同,其中,所述十五对应关系为所述训练后的所述第一信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述第十六对应关系为所述第二信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述嵌入矩阵用于表示信道的信道响应在频域上的信道特征,信道的信道响应在时间域上的信道特征,通过不同的天线组合传输信道时信道响应的信道特征,以及信道的信道响应在时延域上的信道特征。
第二方面,提供一种信道模型的训练方法,包括:第二通信设备从所述第二通信设备的第二信道模型中提取至少部分参数;所述第二通信设备向所述第一通信设备发送所述至少部分参数,以便所述第一通信设备基于所述至少部分参数训练所述第一通信设备的第一信道模型,得到训练后的第一信道模型,所述第二信道模型与所述第一信道模型为基于神经网络的模型。
在本申请实施例中,通过将第二通信设备中的第二信道模型中的部分参数或者全部参数发送给第一通信设备,这样,第一通信设备可以基于上述部分参数或者全部参数,训练第一通信设备的第一信道模型。避免了传统的信道模型训练方法中,第一通信设备需要基于初始化的神经网络,从头开始训练第一信道模型。有利于缩短第一通信设备训练第一信道模型所需的时间。
另一方面,通过将第二信道模型中的部分参数或者全部参数发送给第一通信设备,以便第一通信设备训练第一信道模型,可以降低第一通信设备由于采集的信道的信道响应的数据量较少,导致的训练后的第一信道模型产生过拟合的问题。
在一种可能的实现方式中,所述至少部分参数包括神经网络的权重。
在一种可能的实现方式中,所述神经网络为嵌入神经网络,所述至少部分参数包括第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一种,所述第一嵌入矩阵包含N个第一嵌入向量,所述第二嵌入矩阵包含M个第二嵌入向量,所述第三嵌入矩阵包含P个第三嵌入向量,所述第四嵌入矩阵包含Q个第四嵌入向量,其中,所述N个第一嵌入向量用于指示所述第二通信设备的信道的信道响应在频域上的N个信道特征,所述M个第二嵌入向量用于指示所述第二通信设备的信道的信道响应在时间域上的M个信道特征,所述P个第三嵌入向量用于指示所述第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,所述Q个第四嵌入向量用于指示所述第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
由于信道的信道响应在时间域、空间域、频域以及时延域的至少一个域内,变化较为相似。因此,本申请实施例借用这一规律,将上述变化通过第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵表示,并将上述第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一个嵌入矩阵发送到第一通信设备,以供第一通信设备训练第一信道模型,有利于缩短第一通信设备训练第一信道模型所需的时间。
在一种可能的实现方式中,所述方法还包括:所述第二通信设备向所述第一通信设备发送所述第二通信设备的信道的信道响应的强度的分布。
在一种可能的实现方式中,所述方法还包括:所述第二通信设备接收所述第一通信设备发送的迁移请求,所述迁移请求用于请求所述第二信道模型中的至少部分参数。
在一种可能的实现方式中,所述第二通信设备向所述第一通信设备发送所述至少部分参数,包括:所述第二通信设备向所述第一通信设备发送迁移请求,所述迁移请求携带所述第二信道模型中的至少部分参数。
第三方面,提供一种通信设备,所述通信设备可以是终端设备/网络设备,也可以是终端设备/网络设备内的芯片。所述通信设备可以包括处理单元和获取单元。当所述通信设备是终端设备/网络设备时,所述处理单元可以是处理器,所述获取单元可以是收发器;所述终端设备/网络设备还可以包括存储单元,所述存储单元可以是存储器;所述存储单元用于存储指令,所述处理单元执行所述存储单元所存储的指令,以使所述终端设备/网络设备执行第一方面中的方法。当所述通信设备是终端设备/网络设备内的芯片时,所述处理单元可以是处理器,所述获取单元可以是输入/输出接口、管脚或电路等;所述处理单元执行存储单元所存储的指令,以使所述终端设备/网络设备执行第一方面中的方法,所述存储单元可以是所述芯片内的存储单元(例如,寄存器、缓存等),也可以是所述终端设备/网络设备内的位于所述芯片外部的存储单元(例如,只读存储器、随机存取存储器等)。
第四方面,提供一种通信设备,所述通信设备可以是终端设备/网络设备,也可以是终端设备/网络设备内的芯片。所述通信设备可以包括处理单元和发送单元。当所述通信设备是终端设备/网络设备时,所述处理单元可以是处理器,所述发送单元可以是收发器;所述终端设备/网络设备还可以包括存储单元,所述存储单元可以是存储器;所述存储单元用于存储指令,所述处理单元执行所述存储单元所存储的指令,以使所述终端设备/网络设备执行第二方面中的方法。当所述通信设备是终端设备/网络设备内的芯片时,所述处理单元可以是处理器,所述收发单元可以是输入/输出接口、管脚或电路等;所述处理单元执行存储单元所存储的指令,以使所述终端设备/网络设备执行第二方面中的方法,所述存储单元可以是所述芯片内的存储单元(例如,寄存器、缓存等),也可以是所述终端设备/网络设备内的位于所述芯片外部的存储单元(例如,只读存储器、随机存取存储器等)。
在上述第三方面和第五四方面中,存储器与处理器耦合,可以理解为,存储器位于处理器内部,或者存储器位于处理器外部,从而独立于处理器。
第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述各方面中的方法。
需要说明的是,上述计算机程序代码可以全部或者部分存储在第一存储介质上,其中第一存储介质可以与处理器封装在一起的,也可以与处理器单独封装,本申请实施例对此不作具体限定。
第六方面,提供了一种计算机可读介质,所述计算机可读介质存储有程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述各方面中的方法。
附图说明
图1示出了适用于本申请实施例的适用的通信系统的示意图。
图2示出了本申请实施例的基于神经网络的信道模型的架构的示意图。
图3示出了本申请实施例的实现卷积神经网络的相关功能的计算设备的示意图。
图4是本申请实施例的信道模型的训练方法的示意性流程图。
图5是本申请实施例的第一网络设备的信道响应的归一化值的确定方法流程图。
图6是本申请实施例的迁移请求机制的示意性流程图。
图7是本申请实施例的迁移请求机制的示意性流程图。
图8是本申请实施例的迁移请求机制的示意性流程图。
图9是本申请实施例的迁移请求机制的示意性流程图。
图10是本申请实施例的迁移请求机制的示意性流程图。
图11是本申请实施例的通信设备的示意图。
图12是本申请实施例的一种通信设备的示意图。
图13是本申请另一实施例的通信设备的示意性框图。
图14是本申请实施例的一种芯片系统的示意图。
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:全球移动通讯(GlobalSystem of 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 MobileTelecommunications System,UMTS)、全球互联微波接入(Worldwide Interoperabilityfor Microwave Access,WiMAX)通信系统、卫星通信、未来的第五代(5th Generation,5G)系统或新无线(New Radio,NR)等。
为便于理解本申请实施例,首先结合图1详细说明适用于本申请实施例的通信系统。图1示出了适用于本申请实施例的适用的通信系统的示意图。如图1所示,该通信系统100可以包括至少一个网络设备,例如图1所示的网络设备110;该通信系统100还可以包括至少一个终端设备,例如图1所示的终端设备120。网络设备110与终端设备120可通过无线链路通信。各通信设备,如网络设备110或终端设备120,可以配置多个天线,该多个天线可以包括至少一个用于发送信号的发射天线和至少一个用于接收信号的接收天线。另外,各通信设备还附加地包括发射机链和接收机链,本领域普通技术人员可以理解,它们均可包括与信号发送和接收相关的多个部件(例如处理器、调制器、复用器、解调器、解复用器或天线等)。因此,网络设备110与终端设备120可通过多天线技术通信。
应理解,该无线通信系统中的网络设备可以是任意一种具有无线收发功能的设备。该设备包括但不限于:演进型节点B(evolved Node B,eNB)、无线网络控制器(RadioNetwork Controller,RNC)、节点B(Node B,NB)、基站控制器(Base Station Controller,BSC)、基站收发台(Base Transceiver Station,BTS)、家庭基站(例如,Home evolvedNodeB,或Home Node B,HNB)、基带单元(Base Band Unit,BBU),无线保真(WirelessFidelity,WIFI)系统中的接入点(Access Point,AP)、无线中继节点、无线回传节点、传输点(transmission point,TP)或者发送接收点(transmission and reception point,TRP)等,还可以为5G,如,NR,系统中的gNB,或,传输点(TRP或TP),5G系统中的基站的一个或一组(包括多个天线面板)天线面板,或者,还可以为构成gNB或传输点的网络节点,如基带单元(BBU)或分布式单元(distributed unit,DU)等,或者,还可以为卫星中的无线单元。
在一些部署中,gNB可以包括集中式单元(centralized unit,CU)和DU。gNB还可以包括射频单元(radio unit,RU)。CU实现gNB的部分功能,DU实现gNB的部分功能,比如,CU实现无线资源控制(radio resource control,RRC),分组数据汇聚层协议(packet dataconvergence protocol,PDCP)层的功能,DU实现无线链路控制(radio link control,RLC)层、媒体接入控制(media access control,MAC)层和物理(physical,PHY)层的功能。由于RRC层的信息最终会变成PHY层的信息,或者,由PHY层的信息转变而来,因而,在这种架构下,高层信令,如RRC层信令,也可以认为是由DU发送的,或者,由DU+CU发送的。可以理解的是,网络设备可以为CU节点、或DU节点、或包括CU节点和DU节点的设备。此外,CU可以划分为接入网(radio access network,RAN)中的网络设备,也可以将CU划分为核心网(corenetwork,CN)中的网络设备,本申请对此不做限定。
还应理解,该无线通信系统中的终端设备也可以称为用户设备(user equipment,UE)、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。本申请的实施例中的终端设备可以是手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality,VR)终端设备、增强现实(augmented reality,AR)终端设备、工业控制(industrialcontrol)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remotemedical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportationsafety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等等。本申请的实施例对应用场景不做限定。
为便于理解本申请实施例,先对本申请中涉及到的术语作简单说明。
一、信道模型(channel models),即用数学模型表征信道的信道特性。其中,数学模型可以为神经网络模型。通常,通信设备可以基于信道模型对信道进行信道状态的估计、预测、压缩或评估。上述信道的信道特性可以理解为信道响应关于时间、空间、时延和频域的变化。
在本申请实施例中,第一信道模型与第二信道模型为基于神经网络架构的模型,或者说,第一信道模型与第二信道模型为神经网络模型,在下文的描述中,除了特别说明,通常神经网络模型和信道模型的含义相同。
其中,第一信道模型为第一通信设备需要训练的信道模型。可选地,第一信道模型可以是初始化的神经网络模型,即初始化的神经网络模型中的权重为初始值。可选地,第一信道模型还可以是第一通信系统已经训练,但是未训练完成的神经网络模型。其中,未训练完成的神经网络模型可以是未经过预设数据量的训练数据训练的神经网络模型,或者未训练完成的神经网络模型还可以是神经网络模型的输出结果未满足预设条件的神经网络模型,例如,基于神经网络模型得到的信道的信道状态,与实际信道的信道状态之间的差异未满足预设条件的。
第二信道模型为第二通信设备已经训练完成的神经网络模型。其中,训练完成的神经网络模型可以是经过预设数据量的训练数据训练后的神经网络模型,或者训练完成的神经网络模型还可以是神经网络模型的输出结果满足预设条件的神经网络模型,例如,基于该神经网络模型得到的信道的信道状态,与实际信道的信道状态之间的差异满足预设条件的模型。
需要说明的是,信道模型(包括上述第一信道模型和/或第二信道模型)的使用范围可以基于训练数据的范围确定的。例如,上述训练数据为某一通信设备的多个信道的信道响应,则经过该训练数据训练的信道模型可以为该通信设备泛化的信道模型,可以理解为该信道模型可以表征该通信设备的全部信道的信道特征。又例如,上述训练数据还为环境相似(例如,办公室内)的多个信道的信道响应,则经过该训练数据训练的信道模型可以为该环境泛化的信道模型,可以理解为该信道模型可以表征该环境下的全部信道的信道特征。又例如,上述训练数据还为多个通信设备的多个信道的信道响应,则经过该训练数据训练的信道模型可以为该多个通信设备泛化的信道模型,可以理解为该信道模型可以表征该多个通信设备的全部信道的信道特征。
还需要说明的是,上述训练数据可以是通信设备接收的多个用于训练信道模型的信道响应,上述训练数据还可以是由通信设备从本端真实的信道中采集的信道响应。
二、信道响应(channel response),可以理解为当输入信号输入信道后,该信道的输出端输出的输出信号。具体地,信道响应可以包括信道时域响应(例如,信道冲击响应)和信道频域响应。
需要说明的是,上述信道可以是有线信道或者无线信道。本申请实施例的信道可以是无线信道。
三、天线组合,天线组合指示传输信道使用的接收(receive,R)天线以及发射(transmit,T)天线。例如,天线组合可以为T1R1。其中,T1R1表示1号发射天线和1号接收天线之间的信道。天线组合也可以指示传输信道使用的端口或层。
四、神经网络,可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1,2,3,…,n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f(·)表示神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层的输入。激活函数例如可以是sigmoid函数,或者线性修正单元(Rectified Linear Unit,ReLU),或者高斯误差线性单元(Gaussian Error Linear Unit,GELU)。神经网络是将多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
下文结合图2以卷积神经网络架构为例,介绍本申请实施例的信道模型的一种可能的架构。应理解,图2仅示出了一种可能的卷积神经网络200架构,本申请实施例的信道模型还可以应用其他的神经网络架构,例如卷积神经网络200的基础上新增其他层,或者,卷积神经网络200的基础上的各层之间的结构可稍有变化,本申请实施例对此不作限定。
图2示出了一种卷积神经网络的架构的示意图。图2所示的卷积神经网络(Convolutional Neural Network,CNN)200可以理解为一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器,卷积过程可以看作是使用一个可训练的滤波器与一个输入的图像或者卷积特征平面(feature map)做卷积。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中,一个神经元可以只与部分邻层神经元连接。一个卷积层中,通常包含若干个特征平面,每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重,这里共享的权重就是卷积核。卷积核可以以随机大小的矩阵的形式初始化,在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外,共享权重带来的直接好处是减少卷积神经网络各层之间的连接,同时又降低了过拟合的风险。
图2所示的卷积神经网络200包括输入层210,线性计算层220,以及神经网络层230。线性计算层220可以包括卷积层和/或池化层,线性计算层220可以包括如示例221-226层,在一种实现中,221层为卷积层,222层为池化层,223层为卷积层,224层为池化层,225为卷积层,226为池化层;在另一种实现方式中,221、222为卷积层,223为池化层,224、225为卷积层,226为池化层。即卷积层的输出可以作为随后的池化层的输入,也可以作为另一个卷积层的输入以继续进行卷积操作。在上述神经网络不包括池化层的情况下,上述221层至226层都可以是卷积层。
以卷积层221为例,卷积层221可以包括很多个卷积算子,卷积算子也称为核,其在通信设备中的作用相当于一个从输入信道响应矩阵中提取特定信息的过滤器,卷积算子本质上可以是一个权重矩阵,这个权重矩阵通常被预先定义,这些权重矩阵中的权重值在实际应用中需要经过大量的训练得到,通过训练得到的权重值形成的各个权重矩阵可以从输入数据中提取特征信息,从而帮助卷积神经网络200进行正确的预测。
当卷积神经网络200有多个卷积层的时候,初始的卷积层(例如221)往往提取较多的一般特征,该一般特征也可以称之为低级别的特征;随着卷积神经网络200深度的加深,越往后的卷积层(例如226)提取到的特征越来越复杂,比如高级别的语义之类的特征,语义越高的特征越适用于待解决的问题。
神经网络层230,在经过卷积层220的处理后,卷积神经网络200还不足以输出所需要的输出信息。因为如前所述,卷积层220只会提取特征。然而为了生成最终的输出信息(所需要的类信息或别的相关信息),卷积神经网络200需要利用神经网络层230来生成一个或者一组所需要的类的数量的输出。因此,在神经网络层230中可以包括多层隐含层(如图3所示的232、232至23m)以及输出层240,该多层隐含层中所包含的参数可以根据具体的任务类型的相关训练数据进行预先训练得到,例如该任务类型可以包括信道状态预测等等。
在神经网络层230中的多层隐含层之后,也就是整个卷积神经网络200的最后层为输出层240,该输出层240具有类似分类交叉熵的损失函数,具体用于计算预测误差,一旦整个卷积神经网络200的前向传播(如图2由220至240的传播为前向传播)完成,反向传播(如图3由240至220的传播为反向传播)就会开始更新前面提到的各层的权重值以及偏差,以减少卷积神经网络200的损失及卷积神经网络200通过输出层输出的结果和理想结果之间的误差,例如,输出层输出的信道状态与实际信道的信道状态之间的误差。
需要说明的是,如图2所示的卷积神经网络200仅作为一种卷积神经网络的示例,在具体的应用中,卷积神经网络还可以以其他网络模型的形式存在,本申请实施例对此不作限定。
可选地,将信道响应作为信道模型的输入数据时,由于信道响应的特殊性,即信道响应的特征可以被划分到多域(例如,时域、频域、空间域、极化域等)表示,并且不同通信设备间的信道响应在多个域中的变化可能是具有相似性的。因此,为了获得将上述信道响应在多域中的变化规律,并将该变化规律作为神经网络中独立的信息,以便后续单独使用,例如,将这些规律应用于信道状态的预测,或者将这些规律发送至其他的通信设备提供其他通信设备使用等。本申请实施例提供的信道模型在图2所示的神经网络架构的基础上,还可以添加嵌入层(embedding layer)211,即复用嵌入神经网络的架构。
可选地,上述时域可以包括时间域和时延域等。下文主要以时间域和时延域为例介绍本申请实施例的方法。当然本申请的方法中,信道响应的特征还可以按时域的其他信息划分,本申请对此不作具体限定。
如此,在嵌入层(embedding layer)211中可以存储有包含多个嵌入向量的嵌入矩阵。其中,嵌入矩阵可以通过嵌入向量表示信道响应在时间域、空域、频域以及时延域中至少一个域的特征。当输入数据(即信道响应)从输入层210,输入至嵌入层211后,可以从嵌入矩阵中选择该信道响应对应的嵌入向量,以将信道响应对应的嵌入向量,或者信道响应对应的嵌入向量以及信道响应组成的输入矩阵作为卷积层220的输入数据。其中,信道响应以及嵌入矩阵中嵌入向量的对应关系请参见下文的介绍。
下文结合图3介绍用于实现上述的卷积神经网络的相关功能的计算设备。需要说明的是,该计算设备可以位于上述通信设备中。图3所示的计算设备可以是神经网络处理器(Neural Network Processing Unit,NPU)320。
NPU 320作为协处理器挂载到主CPU(Host CPU)320上,由主CPU 320分配任务。NPU310的核心部分为运算电路303,通过控制器304控制运算电路303提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路303内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路303是二维脉动阵列。运算电路303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路303是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路303从权重存储器302中取矩阵B相应的数据,并缓存在运算电路303中每一个PE上。运算电路303从输入存储器301中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)308中。
统一存储器306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)305被从外部存储器340搬运到权重存储器302中。输入数据也通过DMAC被从外部存储器340搬运到统一存储器306中。
总线接口单元(Bus Interface Unit,BIU)330,用于基于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer)309的交互。
BIU 330用于取指存储器309从外部存储器获取指令,还用于DMAC 303从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC 303主要用于将外部存储器DDR中的输入数据搬运到统一存储器306或将权重数据搬运到权重存储器302中或将输入数据数据搬运到输入存储器301中。
在需要的情况下,向量计算电路307中的多个运算处理单元,对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/FC层网络计算,如池化(Pooling),批归一化(Batch Normalization),局部响应归一化(Local Response Normalization)等。
在一些实现种,向量计算电路307可以将经处理的输出的向量存储到统一缓存器306。例如,向量计算电路307可以将非线性函数应用到运算电路303的输出。在一些实现中,向量计算电路307生成归一化的值、合并值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路303的激活输入,例如用于在神经网络中的后续层中的使用。
控制器304连接的取指存储器309,用于存储控制器304使用的指令。
统一存储器306,输入存储器301,权重存储器302以及取指存储器309可以均为片上(On-Chip)存储器,外部存储器340可以独立于该NPU硬件架构。
其中,图2所示的卷积神经网络中各层的运算可以由运算电路303或向量计算电路307执行。例如,卷积层对应的操作可以由运算电路303执行,基于激活函数对输出数据进行激活的操作可以由向量计算电路307执行。
由上文的介绍可以看出,当信道模型使用上述神经网络架构时,一方面,由于神经网络架构包含的层数非常多,每层需要训练的神经网络的权重的数量也是非常庞大的,导致训练信道模型的时间较长。另一方面,训练信道模型对训练数据(例如,信道响应)的数据量和质量的要求很高,在训练数据的数据量较少,或者训练数据的质量较差的情况下,通信设备训练的信道模型会存在过拟合的问题,导致信道模型的准确度较差。例如,对于用户量很少的基站而言,该基站通过信道传输的用户数据的数据量也相对较少,该基站没办法采集多样的信道响应,进而没有足够的信道响应可以作为训练数据用于训练信道模型,影响训练后的信道模型的准确度。
为了避免上述问题,本申请实施例提供了一种信道模型的训练方法,即将第二通信设备中的第二信道模型中的部分参数或者全部参数发送给第一通信设备,这样,第一通信设备可以基于上述部分参数或者全部参数,训练第一通信设备的第一信道模型。避免了传统的信道模型训练方法中,第一通信设备需要基于初始化的神经网络,从头开始训练第一信道模型。有利于缩短第一通信设备训练第一信道模型所需的时间。
下文结合图4描述本申请实施例的信道模型的训练方法,图4是本申请实施例的信道模型的训练方法的示意性流程图。图4所示的方法包括步骤410至步骤420。
410,第一通信设备获取第二通信设备的第二信道模型中的至少部分参数。
上述第二信道模型中的至少部分参数包括第二信道模型中的部分参数,或者第二信道模型中的全部参数。
可选地,上述第二信道模型中的部分参数可以是第二信道模型中的部分或全部神经网络的权重。或者,第二通信设备为嵌入神经网络时,上述第二信道模型中的部分参数还可以是嵌入神经网络中的嵌入矩阵。即,上述部分参数包括第一嵌入矩阵,第二嵌入矩阵,第三嵌入矩阵以及第四嵌入矩阵中的至少一种,第一嵌入矩阵包含N个第一嵌入向量,第二嵌入矩阵包含M个第二嵌入向量,第三嵌入矩阵包含P个第三嵌入向量,第四嵌入矩阵包含Q个第四嵌入向量,其中,N个第一嵌入向量用于指示第二通信设备的信道的信道响应在频域上的N个信道特征,M个第二嵌入向量用于指示第二通信设备的信道的信道响应在时间域上的M个信道特征,P个第三嵌入向量用于指示第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,Q个第四嵌入向量用于指示第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
其中,N个第一嵌入向量中可以与第二通信设备的N个信道一一对应。M个第二嵌入向量可以与第二通信设备的M个信道一一对应。P个第三嵌入向量可以与第二通信设备的P个信道一一对应。Q个第四嵌入向量可以与第二通信设备的Q个信道一一对应。
可选地,上述N个第一嵌入向量中的每个第一嵌入向量表示对应的信道的信道频域响应。上述M个第二嵌入向量中的每个第二嵌入向量表示对应的信道的信道时间域响应。上述P个第三嵌入向量中的每个第三嵌入向量表示对应的信道的信道响应在空间域上的特征。上述Q个第四嵌入向量中的每个第四嵌入向量表示对应的信道的信道响应的时延。
可选地,上述第二信道模型中的全部参数包括第二信道模型中神经网络的权重。若第二信道模型是嵌入神经网络时,上述全部参数包括嵌入神经网络的权重以及第二信道模型中的嵌入矩阵。例如,第二信道模型中的嵌入矩阵可以包括上述第一嵌入矩阵,第二嵌入矩阵,第三嵌入矩阵以及第四嵌入矩阵。
420,第一通信设备基于上述至少部分参数,训练第一通信设备的第一信道模型,得到训练后的第一信道模型,第一信道模型与第二信道模型为基于神经网络的模型。
可选地,作为一个实施例,上述步骤420包括:第一通信设备采集所述第一通信设备的信道的信道响应;第一通信设备基于第一通信设备的目标信道的信道响应,以及至少部分参数,训练所述第一通信设备的第一信道模型。
上述目标信道可以是第一通信设备的使用的多个信道中的一条或多条。上述训练后的第一信道模型可以用于描述该目标信道。
上述信道响应可以是第一通信设备采集的本端信道的真实信道响应,作为第一信道模型的训练数据。有利于提高训练后的第一信道模型的准确度。
下文重点介绍第一通信设备确定嵌入向量的方法。若上述至少部分参数包括第二信道模型的第一嵌入矩阵、第二嵌入矩阵、第三嵌入矩阵以及第四嵌入矩阵中的至少一种时,第一通信设备确定嵌入向量的方法可以分为基于对应关系确定,以及无需对应关系直接确定两种情况,其中,对应关系用于指示信道响应与上述嵌入矩阵中的嵌入向量之间的对应关系,即上述4种嵌入矩阵分别对应4种对应关系。下文分情况分别介绍。
情况一,基于对应关系确定嵌入向量。其中第一嵌入矩阵配合第一对应关系,第二嵌入矩阵配合第二对应关系,第三嵌入矩阵配合第三对应关系,第四嵌入矩阵配合第四对应关系。下文分4种对应关系与嵌入矩阵的配合方式,介绍确定嵌入向量的方法。
配合方式1,第一对应关系与第一嵌入矩阵配合,以确定目标信道对应的第一嵌入向量。第一对应关系用于指示第一通信设备的信道的信道响应在频域上的信道特征与N个第一嵌入向量的对应关系。上述信道响应在频域上的信道特征可以包括产生该信道响应的信道所在的频点,或子载波。
相应地,第一通信设备基于目标信道的信道响应在频域上的信道特征,以及所述第一对应关系,确定所述目标信道对应的第一嵌入向量;第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的第一嵌入向量,训练所述第一信道模型。
例如,表1示出了本申请实施例的第一对应关系的一种可能的实现方式。表1中列出了4个频点作为频域上的信道特征:F0,F1,F2,F3。表1中的第一嵌入向量的索引用于标识第一嵌入矩阵中的第一嵌入向量。
假设目标信道的频点为F1,则第一通信设备可以基于目标信道的频点F1,以及表1所示的第一对应关系,可以确定目标信道对应的第一嵌入向量的索引为2,这样,第一通信设备可以从第一嵌入矩阵中选择索引为2的第一嵌入向量作为目标信道对应的第一嵌入向量。
表1
第一嵌入向量的索引 | 1 | 2 | 3 | 4 |
频点 | F<sub>0</sub> | F<sub>1</sub> | F<sub>2</sub> | F<sub>3</sub> |
可选地,上述第一嵌入向量的索引可以为第一嵌入向量在第一嵌入矩阵中的行数,或者为第一嵌入矩阵中的各个第一嵌入向量单独建立索引,本申请实施例对此不作限定。
配合方式2,第二对应关系与第二嵌入矩阵配合,以确定目标信道对应的第二嵌入向量。第二对应关系用于指示第一通信设备的信道的信道响应在时间域上的信道特征与M个第二嵌入向量的对应关系。
上述信道响应在时间域上的信道特征可以指示该信道响应的采集时间,可选地,上述采集时间可以通过绝对时间表示。然而,通过绝对时间表示信道响应的时间域特征,并不是很形象,例如,某一时刻通过该信道传输的数据的数据量很小,而这种情况不太可能会在其他信道中发生。因此,为了更好的统计信道响应在时间域上的变化,可以采用相对时间记录信道响应的变化,即,信道响应在时间域上的信道特征可以指信道响应的采集时间与其他信道响应的采集时间的之间的相对时间关系表示。
相应地,第一通信设备基于目标信道的信道响应在频域上的信道特征,以及第二对应关系,确定目标信道对应的第二嵌入向量;第一通信设备基于目标信道的信道响应,以及目标信道对应的第二嵌入向量,训练第一信道模型。
例如,表2示出了本申请实施例的第二对应关系的一种可能的实现方式。表2中列出了4个相对时间作为时间域上的信道特征:T0,T0+Δt,T0+2Δt,以及T0+3Δt,其中,T0表示某一信道响应的采集时间,Δt表示采集信道响应的时间间隔为,则T0+Δt,T0+2Δt,以及T0+3Δt分别表示其他的信道响应的采集时间相对于T0的时间。表2中的第二嵌入向量的索引用于标识第二嵌入矩阵中的第二嵌入向量。
假设输入多个信道响应用信道响应向量表示,信道响应w1的采集时间为T0,目标信道的信道响应为w3,预设的信道响应采样间隔为Δt,则目标信道的信道响应w3对应的采集时间为T0+2Δt。第一通信设备基于目标信道的信道响应w3的采集时间为T0+2Δt,以及表2所示的第二对应关系,可以确定目标信道对应的第二嵌入向量的索引为3,这样,第一通信设备可以从第二嵌入矩阵中选择索引为2的第二嵌入向量作为目标信道对应的第二嵌入向量。
表2
第二嵌入向量的索引 | 1 | 2 | 3 | 4 |
时间 | T<sub>0</sub> | T<sub>0</sub>+Δt | T<sub>0</sub>+2Δt | T<sub>0</sub>+3Δt |
可选地,上述第二嵌入向量的索引可以为第二嵌入向量在第二嵌入矩阵中的行数,或者为第二嵌入矩阵中的各个第二嵌入向量单独建立索引,本申请实施例对此不作限定。
配合方式3,第三对应关系与第三嵌入矩阵配合,以确定目标信道对应的第三嵌入向量。第三对应关系用于指示第一通信设备传输信道使用的天线组合与P个第三嵌入向量的对应关系。
相应地,第一通信设备基于传输目标信道使用的目标天线组合以及第三对应关系,确定目标信道对应的第三嵌入向量;第一通信设备基于目标信道的信道响应,以及目标信道对应的所述第三嵌入向量,训练第一信道模型。
例如,表3示出了本申请实施例的第三对应关系的一种可能的实现方式。表3中列出了4种天线组合:T1R1、T1R2、T1R3以及T1R4。表3中的第三嵌入向量的索引用于标识第三嵌入矩阵中的第三嵌入向量。
假设传输目标信道使用的天线组合,即目标天线组合为T1R1,则第一通信设备可以基于目标天线组合T1R1,以及表3所示的第三对应关系,确定目标信道对应的第三嵌入向量的索引为1,这样,第一通信设备可以从第三嵌入矩阵中选择索引为1的第三嵌入向量作为目标信道对应的第三嵌入向量。
表3
第三嵌入向量的索引 | 1 | 2 | 3 | 4 |
天线组合 | T1R1 | T2R1 | T3R1 | T4R1 |
可选地,上述第三嵌入向量的索引可以为第三嵌入向量在第三嵌入矩阵中的行数,或者为第三嵌入矩阵中的各个第三嵌入向量单独建立索引,本申请实施例对此不作限定。
配合方式4,第四对应关系与第四嵌入矩阵配合,以确定目标信道对应的第四嵌入向量。第四对应关系用于指示第一通信设备的信道的信道响应在时延域上的信道特征与Q个第四嵌入向量的对应关系。可选地,上述信道响应在时延域上的信道特征可以包括信道在时延域上的时延,又称“信道时延”。
需要说明的是,信道的信道响应在时延域上的特征可以是一个时延值,也可以是多个时延的组合。通常,一个信道指两个天线之间的路径,但是从发射天线到接收天线可能有上百条路径,每个路径长度不同,所以信号通过多条路径传输到达的时延可能不同,因此,信道的时延域特征也可以是包含多个时延的组合。
相应地,第一通信设备基于目标信道的信道响应在时延域上的信道特征以及第四对应关系,确定目标信道对应的第四嵌入向量;第一通信设备基于目标信道的信道响应,以及目标信道对应的所述第四嵌入向量,训练第一信道模型。
例如,表4示出了本申请实施例的第四对应关系的一种可能的实现方式。表4中列出了4种信道时延:τ1、τ2、τ3以及τ4。表4中的第四嵌入向量的索引用于标识第四嵌入矩阵中的第四嵌入向量。
假设目标信道的信道时延为τ2,则第一通信设备可以基于目标信道的信道时延为τ2,以及表4所示的第四对应关系,确定目标信道对应的第四嵌入向量的索引为2,这样,第一通信设备可以从第四嵌入矩阵中选择索引为2的第四嵌入向量作为目标信道对应的第四嵌入向量。
表4
第四嵌入向量的索引 | 1 | 2 | 3 | 4 |
信道时延 | τ<sub>1</sub> | τ<sub>2</sub> | τ<sub>3</sub> | τ<sub>4</sub> |
可选地,上述第四嵌入向量的索引可以为第四嵌入向量在第四嵌入矩阵中的行数,或者为第四嵌入矩阵中的各个第四嵌入向量单独建立索引,本申请实施例对此不作限定。
可选地,上述4种配合方式中的任意两种配合方式还可以结合使用,例如配合方式1和配合方式2结合使用。上述4种配合方式中的任意三种配合方式还可以结合使用,例如配合方式1、配合方式2和配合方式3结合使用。上述4种配合方式还可以全部结合使用。其中,结合上述多种配合方式确定嵌入向量的方法,与上文介绍的使用单独的配合方式确定嵌入向量的方法相似,为了简洁,下文仅以举例的方式介绍几种可能的配合方式。
例如,配合方式3与配合方式4可以结合使用,其中第三对应关系以及第四对应关系可以分别参见表3和表4所示。假设传输目标信道使用的天线组合,即目标天线组合为T2R1,且目标信道的信道时延为τ2。则第一通信设备可以基于目标天线组合T2R1,以及表3所示的第三对应关系,确定目标信道对应的第三嵌入向量的索引为2,第一通信设备可以基于目标信道的信道时延为τ2,以及表4所示的第四对应关系,确定目标信道对应的第四嵌入向量的索引为2,这样,第一通信设备可以从第三嵌入矩阵中选择索引为1的第三嵌入向量作为目标信道对应的第三嵌入向量,并从第四嵌入矩阵中选择索引为2的第四嵌入向量作为目标信道对应的第四嵌入向量。
又例如,配合方式1、配合方式2与配合方式3可以结合使用,其中第一对应关系、第三对应关系以及第二对应关系可以分别参见表1、表3和表2所示。假设目标信道的频点为F1,传输目标信道使用的天线组合,即目标天线组合为T2R1,目标信道的信道响应为上述信道响应向量中的分量w3,预设的信道响应采样间隔为Δt,则目标信道的信道响应w3对应的采集时间为T0+2Δt。目标信道的信道时延为τ2。第一通信设备可以基于目标信道的频点F1,以及表1所示的第一对应关系,可以确定目标信道对应的第一嵌入向量的索引为2;第一通信设备可以基于目标天线组合T2R1,以及表3所示的第三对应关系,确定目标信道对应的第三嵌入向量的索引为2;第一通信设备可以基于目标信道的信道时延为τ2,以及表4所示的第四对应关系,确定目标信道对应的第四嵌入向量的索引为2。这样,第一通信设备可以从第一嵌入矩阵中选择索引为2的第一嵌入向量作为目标信道对应的第一嵌入向量;从第三嵌入矩阵中选择索引为1的第三嵌入向量作为目标信道对应的第三嵌入向量,从第四嵌入矩阵中选择索引为2的第四嵌入向量作为目标信道对应的第四嵌入向量。
又例如,配合方式1、配合方式2、配合方式3与配合方式4可以结合使用,其中第一对应关系、第二对应关系、第三对应关系以及第四对应关系可以分别参见表1、表2、表3和表4所示。假设输入多个信道响应用信道响应向量表示,信道响应w1的采集时间为T0,目标信道的信道响应为w3,预设的信道响应采样间隔为Δt,则目标信道的信道响应w3对应的采集时间为T0+2Δt,目标信道的频点为F1,传输目标信道使用的天线组合,即目标天线组合为T2R1,且目标信道的信道时延为τ2。
第一通信设备可以基于目标信道的频点F1,以及表1所示的第一对应关系,可以确定目标信道对应的第一嵌入向量的索引为2;基于目标信道的信道响应w3的采集时间为T0+2Δt,以及表2所示的第二对应关系,可以确定目标信道对应的第二嵌入向量的索引为3;基于目标天线组合T2R1,以及表3所示的第三对应关系,确定目标信道对应的第三嵌入向量的索引为2;基于目标信道的信道时延为τ2,以及表4所示的第四对应关系,确定目标信道对应的第四嵌入向量的索引为2。
这样,第一通信设备可以从第二嵌入矩阵中选择索引为2的第二嵌入向量作为目标信道对应的第二嵌入向量,从第一嵌入矩阵中选择索引为2的第一嵌入向量作为目标信道对应的第一嵌入向量;从第三嵌入矩阵中选择索引为1的第三嵌入向量作为目标信道对应的第三嵌入向量,从第四嵌入矩阵中选择索引为2的第四嵌入向量作为目标信道对应的第四嵌入向量。
需要说明的是,在上述多个配合方式结合使用以确定嵌入向量的过程中,嵌入向量的标识,即第一嵌入向量的标识、第二嵌入向量的标识、第三嵌入向量的标识以及第四嵌入向量的标识是互不相同的。例如,可以采用嵌入矩阵的标识与嵌入向量所在行数的形式表示。又例如,可以将上述第一嵌入矩阵、第二嵌入矩阵、第三嵌入矩阵以及第四嵌入矩阵视为一个大的嵌入矩阵,将该嵌入矩阵中每个嵌入向量所在的行数,作为上述嵌入向量的标识。
可选地,上述第一对应关系、第二对应关系、第三对应关系以及第四对应关系可以是由第二通信设备发送给第一通信设备的,也可以是基于通信协议预先配置的,还可以是由管理设备向第一通信设备和/或第二通信设备发送的,本申请对此不作限定。
情况二,无需对应关系直接确定嵌入向量。即当第二通信设备获取的部分参数中仅包括一个嵌入向量时,可以无需通过对应关系确定嵌入向量。
第一通信设备在基于上述多个对应关系以及多个嵌入矩阵训练第一信道模型的过程中,由于上述多个对应关系,以及多个嵌入矩阵是基于第二通信设备的信道的信道响应训练的,在应用到训练第一信道模型的过程中可能需要调整。具体可以分为三种调整方式,调整方式1,复用上述嵌入矩阵的情况下,调整与该嵌入矩阵配合的对应关系。调整方式2,复用上述对应关系的情况下,调整与该对应关系配合的嵌入矩阵。调整方式3,第一通信设备同时调整上述对应关系以及对应关系对应的嵌入矩阵。其中,调整方式3与嵌入神经网络的训练过程类似,为了简洁,不再赘述。下文重点介绍上述调整方式1和调整方式2。
调整方式1,复用上述嵌入矩阵的情况下,调整与该嵌入矩阵配合的对应关系。
也就是说,训练前的第一信道模型中的嵌入矩阵,与第一通信设备获取的第二信道模型的嵌入矩阵相同,其中嵌入矩阵可以是上述第一嵌入矩阵、第二嵌入矩阵、第三嵌入矩阵以及第四嵌入矩阵中的至少一种。相应地,第一通信设备可以重新建立与上述嵌入矩阵配合的对应关系,以适应第一通信设备的真实信道的信道特征,即训练后的第一信道模型中的对应关系,与第一通信设备获取的第二信道模型的对应关系不同。
需要说明的是,上述对应关系中可能包含不符合第一通信设备的信道的信道响应的特征。例如,假设第一通信设备获取的第二通信设备的第三对应关系如表3所示,但是第一通信设备没有天线组合T1R4,此时,第一通信设备当然可以直接从表3中删除天线组合T1R4对应的对应项。但是,这个对应项通常不会影响信道模型的后续训练以及准确度,因此,也可以在表3中保留该天线组合T1R4的对应项。
上述训练前第一信道模型中的嵌入矩阵,与第一通信设备获取的第二信道模型的嵌入矩阵相同,可以理解为训练前的第一信道模型中的嵌入矩阵,与第一通信设备获取的第二信道模型的嵌入矩阵相似。由于噪声等影响因素的存在影响信道的信道响应,使得上述两个信道模型中的嵌入矩阵中的每个元素可能存在差异,但存在差异的嵌入矩阵表示的信道响应的信道特征的变化是相同的。
上述训练前的第一模型中的嵌入矩阵可以是在对第二信道模型的嵌入矩阵进行预处理过程结束后,且训练第一信道模型开始前的嵌入矩阵。
可选地,第一信道模型中的对应关系,与第一通信设备获取的第二信道模型的对应关系不同,可以包括训练后的第一信道模型中的对应关系中的各个对应项,与第二信道模型的对应关系中各个对应项完全不同,或者训练后的第一信道模型中的对应关系中的各个对应项,与第二信道模型的对应关系中各个对应项部分不同。例如,训练后的第一信道模型中的对应关系,是在第二信道模型的对应关系的基础上新增对应项得到的,这样两个信道模型的对应关系中的部分对应项是相同的。
例如,第一通信设备获取的第二通信设备的第三对应关系如表3所示,但是第一通信设备还可以支持天线组合T5R1,此时,第一通信设备可以直接在表3中新增天线组合T5R1对应的对应项。并在第三嵌入矩阵中新增天线组合T5R1对应的嵌入向量。具体地第一通信设备使用的第三对应关系可以参见表5。
表5
需要说明的是,表5仅示出了以1号接收天线为例的几种可能的天线组合方式,当然表5还可以包括通信设备中以其他接收天线组成的天线组合,例如T5R3等。表3的情况也类似,本申请实施例对此不作限定。
又例如,第二通信设备覆盖的用户多为车辆行驶速度的用户,如城市主干道。第一通信设备为行人较多的区域,如商业区。当把第二通信设备的第二对应关系以及第二嵌入矩阵迁移到第一通信设备时,第一通信设备可以修改第二对应关系。在上述场景下,第一通信设备的信道的信道响应变化的速度通常较慢,因此可以拉长采集信道响应的时间间隔Δt。假设表3中第二通信设备使用的Δt=1ms,则第一通信设备可以将表3中的Δt修改为10ms,作为第一通信设备的第三对应关系。
又例如,从第二通信设备迁移第一对应关系到第一通信设备,假设第一通信设备和第二通信设备的带宽都是20M,但两个通信设备的载波频率发生了变化,从第二通信设备所在的700MHz变为第一通信设备所在的800MHz。此时,可以将表1所示的第一对应关系中第二通信设备的频点改为第一通信设备的频点,也可以在第二通信设备的频点基础上增加第一通信设备的频点。
又例如,从第二通信设备迁移第三对应关系到第一通信设备,假设用户离两个基站都很近,由于近场效应,第二通信设备的1到4号天线形成发向用户的主要波束,第一通信设备的61到64号天线形成发向用户的主要波束,此时考虑到第二通信设备和第一通信设备的波束赋型效果,将第三对应关系中第二通信设备的1到4号的对应关系,修改为第二通信设备的61到64号天线的对应关系。
调整方式2,复用上述对应关系的情况下,调整与该对应关系配合的嵌入矩阵。
也就是说,训练后的第一信道模型中的对应关系,与第一通信设备获取的第二信道模型的对应关系相同,其中对应关系可以是上述第一对应关系、第二对应关系、第三对应关系以及第四对应关系中的至少一种。相应地,第一通信设备可以重新建立与上述对应关系配合的嵌入矩阵,以适应第一通信设备的真实信道的信道特征,即训练前的第一信道模型中的嵌入矩阵,与第一通信设备获取的第二信道模型的嵌入矩阵不同。
可选地,训练后的第一信道模型中的嵌入矩阵,与第一通信设备获取的第二信道模型的嵌入矩阵不同,可以包括训练后的第一信道模型中的嵌入矩阵中的各个嵌入向量,与第二信道模型的嵌入矩阵中各个嵌入向量完全不同,或者训练后的第一信道模型中的嵌入矩阵中的各个嵌入向量,与第二信道模型的嵌入矩阵中各个嵌入向量部分不同。例如,训练后的第一信道模型中的嵌入矩阵,是在第二信道模型的嵌入矩阵的基础上新增嵌入向量得到的,这样两个信道模型的嵌入矩阵中的部分嵌入向量是相同的。
例如,假设第一通信设备获取的第二通信设备的嵌入矩阵配合的第三对应关系如表3所示,但是第一通信设备没有天线组合T4R1,则天线组合T4R1对应的嵌入向量就为上述不符合第一通信设备的信道的信道响应的嵌入向量,此时,第一通信设备可以删除天线组合T4R1对应的嵌入向量。但是,由于天线组合T4R1为第一通信设备不支持的天线组合,通常,第一通信设备的信道的信道响应也不会对应到天线组合T4R1对应的嵌入向量,因此,第一通信设备也可以不删除T4R1对应的嵌入向量。
可选地,作为一个实施例,在步骤420之前,所述方法还包括:所述第一通信设备获取所述第二通信设备的信道的信道响应的强度的分布;所述第一通信设备基于所述第二通信设备的信道的信道响应强度分布,确定所述第一网络设备的信道响应的归一化值;所述第一通信设备根据所述归一化值对所述目标信道的信道响应进行归一化处理。
上述信道响应的强度可以是指频率域的信道频率响应的幅度,也可以是指时延域的信道冲击响应的强度。
可选地,上述第二通信设备的信道的信道响应的强度分布,可以通过第二通信设备的信道的信道响应的幅度最大值,第二通信设备的信道的信道响应的幅度最小值,第二通信设备的信道的信道响应的幅度均值,第二通信设备的信道的信道响应的幅度的方差,第二通信设备的信道的信道响应的中位数中的至少一种信息指示的。
可选地,第一通信设备可以基于第二通信设备的信道的信道响应的强度分布,以及强度自适应搜索算法,确定第一网络设备的信道响应的归一化值。
图5是本申请实施例的第一网络设备的信道响应的归一化值的确定方法流程图。图5所示的方法包括步骤510至步骤530。
510,第一通信设备根据第二通信设备的信道强度分布S2,以及第一通信设备根据采集的本端的信道的信道响应,确定初始强度归一化值S1。使得本端的信道的信道响应的强度分布范围与第二通信设备的信道强度分布S2接近。
需要说明的是,上述确定S1的目的是让第一通信设备本端采集的信道响应在经过S1归一化后,能够尽可能接近第二通信设备本端采集的信道响应的强度的分布。如,第一通信设备中归一化后的信道响应的最大值等于第二通信设备的信道响应的最大值。或归一化后的信道响应的均值等于第二通信设备的信道响应的均值。或归一化后的信道响应的方差等于第二通信设备的信道响应的方差。
值得注意的是,如果第一通信设备没有获得S2,可以随机初始化S1或根据预设值初始化S1。
520,第一通信设备基于初始强度归一化值S1,确定采集到的本端的信道响应进行归一化处理。
530,将上述处理后的信道响应输入第一信道模型,并计算第一信道模型的概率或困惑度。
以初始强度归一化值S1为基础,按照预设步长调整S1,得到S1`,并以S1`重新执行上述步骤520和步骤530。迭代预设的迭代次数后,第一通信设备选择使得第一信道模型输出的概率越大或者困惑度越小的归一化值,作为第一通信模型的最优的强度归一化值。
需要说明是的,第一信道模型的概率越大或者困惑度越小说明CS作为输入越符合CA的模型,也说明S1的取值越合理。
需要说明的是,上述预设的迭代次数,可以作为用于约束迭代过程的约束条件的一种可能的实现方式,当然,还可以其他方式设置约束条件。例如,通过配置收敛条件替代上述预设的迭代次数,作为约束条件。
可选地,信道响应输入第一信道模型并计算第一信道模型的概率可以是多批次的综合概率,即将多份信道响应,一次或多次输入第一信道模型后,得到每份信道响应对应的第一信道模型输出的概率,再对这些概率进行处理,例如,取和或取平均等,处理得到一个综合概率。
图4所示的方法可以与迁移请求机制结合使用,其中,迁移请求用于请求第二信道模型中的至少部分参数,或者更形象地说,迁移请求用于请求第二通信设备迁移第二信道模型中的至少部分参数。可选地,迁移请求可以携带迁移请求的发送端的环境信息、配置信息等,以便迁移请求的接收端确定是否反馈迁移请求响应。通常,环境信息、配置信息相似,信道的信道状态也比较相似,使得第二信道模型中的至少部分参数在用于训练第一信道模型时,改动相应较小。
下文图6至图10介绍本申请实施例的4种迁移请求机制。
图6是本申请实施例的迁移请求机制的示意性流程图。图6所示的方法包括步骤610至步骤620。
610,第一通信设备向第二通信设备发送迁移请求。
620,第二通信设备向第一通信设备发送迁移请求响应,迁移请求响应可以携带第二通信模型中的至少部分参数。
图7是本申请实施例的迁移请求机制的示意性流程图。图7所示的方法包括步骤710至步骤720。
710,第一通信设备向管理单元发送迁移请求。其中,管理单元可以是第一通信设备以及第二通信设备的上级管理单元。当管理单元管理的通信设备中有训练完成的信道模型后,通信设备可以主动将训练完成的信道模型中的至少部分参数发送给管理单元保存。
720,管理单元向第一通信设备发送迁移请求响应,迁移请求响应可以携带第二通信模型中的至少部分参数。
图8是本申请实施例的迁移请求机制的示意性流程图。图8所示的方法包括步骤810至步骤830。
810,第一通信设备向管理单元发送迁移请求。其中,管理单元可以是第一通信设备以及第二通信设备的上级管理单元。
820,管理单元将该迁移请求转发给第二通信设备。
可选地,管理单元可以基于迁移请求中携带的环境信息、配置信息等,从管理的多个通信设备中为第一通信设备选择第二通信设备。
830,第二通信设备向第一通信设备发送迁移请求响应,迁移请求响应可以携带第二通信模型中的至少部分参数。
图9是本申请实施例的迁移请求机制的示意性流程图。图9所示的方法包括步骤910至步骤920。
910,第二通信设备向管理单元发送迁移请求。其中,管理单元可以是第一通信设备以及第二通信设备的上级管理单元。
可选地,当第二通信设备的第二信道模型训练完成后,第二通信设备可以主动向管理单元发送迁移请求。
可选地,迁移请求中可以携带第二信道模型的至少部分参数。
920,管理单元将该迁移请求转发给第一通信设备。
可选地,管理单元可以基于迁移请求中携带的环境信息、配置信息等,从管理的多个通信设备中为第一通信设备选择第二通信设备。
图10是本申请实施例的迁移请求机制的示意性流程图。图10所示的方法包括步骤1010。可选地还可以包括步骤1020。
1010,第二通信设备向第一通信设备发送迁移请求。
可选地,当第二通信设备的第二信道模型训练完成后,第二通信设备可以主动向第一通信设备发送迁移请求。
可选地,迁移请求中可以携带第二信道模型的至少部分参数。
1020,第一通信设备向第一通信设备发送迁移请求响应,指示成功接收第二通信模型中的至少部分参数。
上文结合图1至图10详细地描述了本申请实施例的方法,下文结合图11至图14详细地描述本申请实施例的装置。需要说明的是,图11至图14所示的装置可以实现上述方法中各个步骤,为了简洁,在此不再赘述。
图11是本申请实施例的通信设备的示意图,图11所示的通信设备1100包括:获取单元1100,处理单元1120。可选地,上述通信设备1100可以是上文中的第一通信设备,获取单元1100例如可以执行步骤410,处理单元1120例如可以执行步骤420。
获取单元1100,用于获取第二通信设备的第二信道模型中的至少部分参数;
处理单元1120,用于基于所述至少部分参数,训练第一通信设备的第一信道模型,得到所述训练后的第一信道模型,所述第一信道模型与所述第二信道模型为基于神经网络的模型。
可选地,在一种可能的实现方式中,所述至少部分参数包括神经网络的权重。
可选地,在一种可能的实现方式中,所述神经网络为嵌入神经网络,所述至少部分参数包括第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一种,所述第一嵌入矩阵包含N个第一嵌入向量,所述第二嵌入矩阵包含M个第二嵌入向量,所述第三嵌入矩阵包含P个第三嵌入向量,所述第四嵌入矩阵包含Q个第四嵌入向量,其中,所述N个第一嵌入向量用于指示所述第二通信设备的信道的信道响应在频域上的N个信道特征,所述M个第二嵌入向量用于指示所述第二通信设备的信道的信道响应在时间域上的M个信道特征,所述P个第三嵌入向量用于指示所述第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,所述Q个第四嵌入向量用于指示所述第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
可选地,在一种可能的实现方式中,所述处理单元还用于:采集所述第一通信设备的目标信道的信道响应;基于所述目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型。
可选地,在一种可能的实现方式中,若所述至少部分参数包括所述第一嵌入矩阵,所述处理单元还用于:
获取第一对应关系,所述第一对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系;基于所述目标信道的信道响应在频域上的信道特征,以及所述第一对应关系,确定所述目标信道对应的第一嵌入向量;基于所述目标信道的信道响应,以及所述目标信道对应的第一嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第二嵌入矩阵,所述处理单元还用于:获取第二对应关系,所述第二对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系;基于所述目标信道的信道响应在时间域上的信道特征以及所述第二对应关系,确定所述目标信道对应的第二嵌入向量;基于所述目标信道的信道响应,以及所述目标信道对应的第二嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第三嵌入矩阵,所述处理单元还用于:设备获取第三对应关系,所述第三对应关系用于指示传输所述第一通信设备传输信道使用的天线组合与所述P个第三嵌入向量的对应关系;基于传输所述目标信道使用的目标天线组合以及所述第三对应关系,确定所述目标信道对应的第三嵌入向量;基于所述目标信道的信道响应,以及所述目标信道对应的所述第三嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第四嵌入矩阵,所述处理单元还用于:获取第四对应关系,所述第四对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;基于所述目标信道的信道响应在时延域上的信道特征,以及所述第四对应关系,确定所述目标信道对应的第四嵌入向量;所述目标信道的信道响应,以及所述目标信道对应的所述第四嵌入向量,训练所述第一信道模型。
可选地,在一种可能的实现方式中,若所述至少部分参数包括所述第一嵌入矩阵、第二嵌入矩阵、所述第三嵌入矩阵,以及所述第四嵌入矩阵,所述处理单元还用于:获取第五对应关系,第六对应关系,第七对应关系以及第八对应关系,所述第五对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系,所述第六对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系,所述第七对应关系用于指示传输信道使用的天线组合与所述P个第三嵌入向量的对应关系,所述第八对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;基于所述目标信道的信道响应在频域上的信道特征,以及所述第五对应关系,确定所述目标信道对应的第一嵌入向量;基于所述目标信道的信道响应在时间域上的信道特征以及所述第六对应关系,确定所述目标信道对应的第二嵌入向量;基于传输所述目标信道使用的目标天线组合以及所述第七对应关系,确定所述目标信道对应的第三嵌入向量;基于所述目标信道的信道响应在时延域上的信道特征,以及所述第八对应关系,确定所述目标信道对应的第四嵌入向量;基于所述目标信道的信道响应,以及所述目标信道对应的所述第一嵌入向量,所述目标信道对应的所述第二嵌入向量,所述目标信道对应的所述第三嵌入向量,以及所述目标信道对应的所述第四嵌入向量,训练所述第一信道模型。
可选地,在一种可能的实现方式中,所述处理单元还用于:获取第九对应关系,第十对应关系,第十一对应关系以及第十二对应关系中的至少一种,所述第九对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系,所述第十对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系,所述第十一对应关系用于指示所述第一通信设备传输信道使用的天线组合与所述P个第三嵌入向量的对应关系,所述第十二对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;基于所述目标信道的信道响应在频域上的信道特征,以及获取到的所述第九对应关系,确定所述目标信道对应的第一嵌入向量;或基于所述目标信道的信道响应在时间域上的信道特征以及获取到的所述第十对应关系,确定所述目标信道对应的第二嵌入向量;或基于传输所述目标信道使用的目标天线组合以及获取到的所述第十一对应关系,确定所述目标信道对应的第三嵌入向量;或基于所述目标信道的信道响应在时延域上的信道特征以及获取到的所述第十二对应关系,确定所述目标信道对应的第四嵌入向量;基于所述目标信道的信道响应,以及所述确定的嵌入向量,训练所述第一信道模型,其中,所述确定的嵌入向量包括所述目标信道对应的所述第一嵌入向量,所述目标信道对应的所述第二嵌入向量,所述目标信道对应的所述第三嵌入向量,以及所述目标信道对应的所述第四嵌入向量中的至少一种。
可选地,在一种可能的实现方式中,所述获取单元,还用于获取所述第二通信设备的信道的信道响应的强度的分布;所述处理单元,还用于基于所述第二通信设备的信道的信道响应的强度的分布,确定所述第一网络设备的信道响应的归一化值;所述处理单元,还用于根据所述归一化值对所述目标信道的信道响应进行归一化处理。
可选地,在一种可能的实现方式中,所述通信设备还包括:发送单元,用于向所述第二通信设备发送迁移请求,所述迁移请求用于请求所述第二信道模型中的至少部分参数,或所述发送单元,用于向第三通信设备发送所述迁移请求。
可选地,上述第三通信设备可以是上文中涉及的管理单元,也可以是通信系统中存储有第二信道模型中的至少部分参数的设备,本申请实施例对此不作限定。
可选地,在一种可能的实现方式中,所述神经网络为嵌入神经网络,训练后的所述第一信道模型中的嵌入矩阵与所述第二信道模型中的嵌入矩阵不同,且第十三对应关系与所述第十四对应关系相同,其中,所述第十三对应关系为所述训练后的所述第一信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述第十四对应关系为所述第二信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述嵌入矩阵用于表示信道的信道响应在频域上的信道特征,信道的信道响应在时间域上的信道特征,通过不同的天线组合传输信道时信道响应的信道特征,以及信道的信道响应在时延域上的信道特征。
可选地,在一种可能的实现方式中,所述神经网络为嵌入神经网络,训练前的所述第一信道模型中的嵌入矩阵与所述第二信道模型中的嵌入矩阵相同,且第十五对应关系与所述第十六对应关系不同,其中,所述十五对应关系为所述训练后的所述第一信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述第十六对应关系为所述第二信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述嵌入矩阵用于表示信道的信道响应在频域上的信道特征,信道的信道响应在时间域上的信道特征,通过不同的天线组合传输信道时信道响应的信道特征,以及信道的信道响应在时延域上的信道特征。
需要说明的是,上文中涉及的第一对应关系至第十五对应关系仅仅是为了便于区分多个实施例。基于上文介绍的每个对应关系的具体含义,含义相同的对应关系实际上可以是一个对应关系。例如,第一对应关系可以与第五对应关系是一个对应关系。
图12是本申请实施例的一种通信设备的示意图。图12所示的通信设备1200包括处理单元1210,发送单元1220。可选地,上述通信设备1200可以是上文中的第二通信设备。
处理单元1210,用于从第二通信设备的第二信道模型中提取至少部分参数;
发送单元1220,用于向第一通信设备发送所述至少部分参数,以便所述第一通信设备基于所述至少部分参数训练所述第一通信设备的第一信道模型,得到训练后的第一信道模型,所述第二信道模型与所述第一信道模型为基于神经网络的模型。
可选地,在一种可能的实现方式中,所述至少部分参数包括神经网络的权重。
可选地,在一种可能的实现方式中,所述神经网络为嵌入神经网络,所述至少部分参数包括第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一种,所述第一嵌入矩阵包含N个第一嵌入向量,所述第二嵌入矩阵包含M个第二嵌入向量,所述第三嵌入矩阵包含P个第三嵌入向量,所述第四嵌入矩阵包含Q个第四嵌入向量,其中,所述N个第一嵌入向量用于指示所述第二通信设备的信道的信道响应在频域上的N个信道特征,所述M个第二嵌入向量用于指示所述第二通信设备的信道的信道响应在时间域上的M个信道特征,所述P个第三嵌入向量用于指示所述第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,所述Q个第四嵌入向量用于指示所述第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
可选地,在一种可能的实现方式中,所述发送单元,还用于:向所述第一通信设备发送所述第二通信设备的信道的信道响应的强度的分布。
可选地,在一种可能的实现方式中,所述通信设备还包括:接收单元,用于接收所述第一通信设备发送的迁移请求,所述迁移请求用于请求所述第二信道模型中的至少部分参数。
可选地,在一种可能的实现方式中,所述发送单元,还用于向所述第一通信设备发送迁移请求,所述迁移请求携带所述第二信道模型中的至少部分参数。
在可选的实施例中,所述获取单元1110可以为通信接口1330,所述处理单元1120可以为处理器1320,所述通信设备还可以包括存储器1310,具体如图13所示。
在可选的实施例中,所述处理单元1210可以为处理器1320,所述发送模块1320可以为通信接口1330,所述通信设备还可以包括存储器1310,具体如图13所示。
图13是本申请另一实施例的通信设备的示意性框图。图13所示的通信设备1300可以包括:存储器1310、处理器1320、以及通信接口1330。其中,存储器1310、处理器1320,通信接口1330通过内部连接通路相连,该存储器1310用于存储指令,该处理器1320用于执行该存储器1320存储的指令,以控制输入/输出接口1330接收/发送第二信道模型的至少部分参数。可选地,存储器1310既可以和处理器1320通过接口耦合,也可以和处理器1320集成在一起。
需要说明的是,上述通信接口1330使用例如但不限于收发器一类的收发装置,来实现通信设备1300与其他设备或通信网络之间的通信。上述通信接口1330还可以包括输入/输出接口(input/output interface)。
在实现过程中,上述方法的各步骤可以通过处理器1320中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1310,处理器1320读取存储器1310中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应理解,本申请实施例中,该处理器可以为中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中,该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。处理器的一部分还可以包括非易失性随机存取存储器。例如,处理器还可以存储设备类型的信息。
图14是本申请实施例的一种芯片系统的示意图。图14所示的芯片系统1400包括:逻辑电路1410以及输入/输出接口(input/output interface)1420,所述逻辑电路用于与输入接口耦合,通过所述输入/输出接口传输数据(例如第二信道模型的至少部分)参数,以执行图4至图10所述的方法。
可选地,上述逻辑电路1410可以包括图3所示的神经网络处理器320。
应理解,在本申请实施例中,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
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,所揭露的系统、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 (33)
1.一种信道模型的训练方法,其特征在于,包括:
第一通信设备获取第二通信设备的第二信道模型中的至少部分参数;
所述第一通信设备基于所述至少部分参数,训练所述第一通信设备的第一信道模型,得到所述训练后的第一信道模型,所述第一信道模型与所述第二信道模型为基于神经网络的模型,
其中,所述神经网络为嵌入神经网络,所述至少部分参数包括第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一种,所述第一嵌入矩阵包含N个第一嵌入向量,所述第二嵌入矩阵包含M个第二嵌入向量,所述第三嵌入矩阵包含P个第三嵌入向量,所述第四嵌入矩阵包含Q个第四嵌入向量,
其中,所述N个第一嵌入向量用于指示所述第二通信设备的信道的信道响应在频域上的N个信道特征,所述M个第二嵌入向量用于指示所述第二通信设备的信道的信道响应在时间域上的M个信道特征,所述P个第三嵌入向量用于指示所述第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,所述Q个第四嵌入向量用于指示所述第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
2.如权利要求1所述的方法,其特征在于,所述至少部分参数包括神经网络的权重。
3.如权利要求1或2所述的方法,其特征在于,所述第一通信设备基于所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:
所述第一通信设备采集所述第一通信设备的目标信道的信道响应;
所述第一通信设备基于所述目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型。
4.如权利要求3所述的方法,其特征在于,
若所述至少部分参数包括所述第一嵌入矩阵,所述第一通信设备基于所述目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:
所述第一通信设备获取第一对应关系,所述第一对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系;
所述第一通信设备基于所述目标信道的信道响应在频域上的信道特征,以及所述第一对应关系,确定所述目标信道对应的第一嵌入向量;
所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的第一嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第二嵌入矩阵,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:
所述第一通信设备获取第二对应关系,所述第二对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系;
所述第一通信设备基于所述目标信道的信道响应在时间域上的信道特征以及所述第二对应关系,确定所述目标信道对应的第二嵌入向量;
所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的第二嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第三嵌入矩阵,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:
所述第一通信设备获取第三对应关系,所述第三对应关系用于指示传输所述第一通信设备传输信道使用的天线组合与所述P个第三嵌入向量的对应关系;
所述第一通信设备基于传输所述目标信道使用的目标天线组合以及所述第三对应关系,确定所述目标信道对应的第三嵌入向量;
所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的所述第三嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第四嵌入矩阵,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:
所述第一通信设备获取第四对应关系,所述第四对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;
所述第一通信设备基于所述目标信道的信道响应在时延域上的信道特征,以及所述第四对应关系,确定所述目标信道对应的第四嵌入向量;
所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的所述第四嵌入向量,训练所述第一信道模型。
5.如权利要求3所述的方法,其特征在于,若所述至少部分参数包括所述第一嵌入矩阵、第二嵌入矩阵、所述第三嵌入矩阵,以及所述第四嵌入矩阵,
所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:
所述第一通信设备获取第五对应关系,第六对应关系,第七对应关系以及第八对应关系,所述第五对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系,所述第六对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系,所述第七对应关系用于指示传输信道使用的天线组合与所述P个第三嵌入向量的对应关系,所述第八对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;
所述第一通信设备基于所述目标信道的信道响应在频域上的信道特征,以及所述第五对应关系,确定所述目标信道对应的第一嵌入向量;
所述第一通信设备基于所述目标信道的信道响应在时间域上的信道特征以及所述第六对应关系,确定所述目标信道对应的第二嵌入向量;
所述第一通信设备基于传输所述目标信道使用的目标天线组合以及所述第七对应关系,确定所述目标信道对应的第三嵌入向量;
所述第一通信设备基于所述目标信道的信道响应在时延域上的信道特征,以及所述第八对应关系,确定所述目标信道对应的第四嵌入向量;
所述第一通信设备基于所述目标信道的信道响应,以及所述目标信道对应的所述第一嵌入向量,所述目标信道对应的所述第二嵌入向量,所述目标信道对应的所述第三嵌入向量,以及所述目标信道对应的所述第四嵌入向量,训练所述第一信道模型。
6.如权利要求3所述的方法,其特征在于,所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型,包括:
所述第一通信设备获取第九对应关系,第十对应关系,第十一对应关系以及第十二对应关系中的至少一种,所述第九对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系,所述第十对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系,所述第十一对应关系用于指示所述第一通信设备传输信道使用的天线组合与所述P个第三嵌入向量的对应关系,所述第十二对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;
所述第一通信设备基于所述目标信道的信道响应在频域上的信道特征,以及获取到的所述第九对应关系,确定所述目标信道对应的第一嵌入向量;或
所述第一通信设备基于所述目标信道的信道响应在时间域上的信道特征以及获取到的所述第十对应关系,确定所述目标信道对应的第二嵌入向量;或
所述第一通信设备基于传输所述目标信道使用的目标天线组合以及获取到的所述第十一对应关系,确定所述目标信道对应的第三嵌入向量;或
所述第一通信设备基于所述目标信道的信道响应在时延域上的信道特征以及获取到的所述第十二对应关系,确定所述目标信道对应的第四嵌入向量;
所述第一通信设备基于所述目标信道的信道响应,以及所述确定的嵌入向量,训练所述第一信道模型,其中,所述确定的嵌入向量包括所述目标信道对应的所述第一嵌入向量,所述目标信道对应的所述第二嵌入向量,所述目标信道对应的所述第三嵌入向量,以及所述目标信道对应的所述第四嵌入向量中的至少一种。
7.如权利要求4-6中任一项所述的方法,其特征在于,在所述第一通信设备基于所述第一通信设备的目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型之前,所述方法还包括:
所述第一通信设备获取所述第二通信设备的信道的信道响应的强度的分布;
所述第一通信设备基于所述第二通信设备的信道的信道响应的强度的分布,确定所述第一网络设备的信道响应的归一化值;
所述第一通信设备根据所述归一化值对所述目标信道的信道响应进行归一化处理。
8.如权要求1或2所述的方法,其特征在于,所述第一通信设备获取第二通信设备的第二信道模型中的至少部分参数之前,所述方法还包括:
所述第一通信设备向所述第二通信设备发送迁移请求,所述迁移请求用于请求所述第二信道模型中的至少部分参数,或
所述第一通信设备向第三通信设备发送所述迁移请求。
9.如权利要求1或2所述的方法,其特征在于,所述神经网络为嵌入神经网络,训练后的所述第一信道模型中的嵌入矩阵与所述第二信道模型中的嵌入矩阵不同,且第十三对应关系与所述第十四对应关系相同,
其中,所述第十三对应关系为所述训练后的所述第一信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述第十四对应关系为所述第二信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述嵌入矩阵用于表示信道的信道响应在频域上的信道特征,信道的信道响应在时间域上的信道特征,通过不同的天线组合传输信道时信道响应的信道特征,以及信道的信道响应在时延域上的信道特征。
10.如权利要求1或2所述的方法,其特征在于,所述神经网络为嵌入神经网络,训练前的所述第一信道模型中的嵌入矩阵与所述第二信道模型中的嵌入矩阵相同,且第十五对应关系与所述第十六对应关系不同,
其中,所述十五对应关系为所述训练后的所述第一信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述第十六对应关系为所述第二信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述嵌入矩阵用于表示信道的信道响应在频域上的信道特征,信道的信道响应在时间域上的信道特征,通过不同的天线组合传输信道时信道响应的信道特征,以及信道的信道响应在时延域上的信道特征。
11.一种信道模型的训练方法,其特征在于,包括:
第二通信设备从所述第二通信设备的第二信道模型中提取至少部分参数;
所述第二通信设备向所述第一通信设备发送所述至少部分参数,以便所述第一通信设备基于所述至少部分参数训练所述第一通信设备的第一信道模型,得到训练后的第一信道模型,所述第二信道模型与所述第一信道模型为基于神经网络的模型,
其中,所述神经网络为嵌入神经网络,所述至少部分参数包括第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一种,所述第一嵌入矩阵包含N个第一嵌入向量,所述第二嵌入矩阵包含M个第二嵌入向量,所述第三嵌入矩阵包含P个第三嵌入向量,所述第四嵌入矩阵包含Q个第四嵌入向量,
其中,所述N个第一嵌入向量用于指示所述第二通信设备的信道的信道响应在频域上的N个信道特征,所述M个第二嵌入向量用于指示所述第二通信设备的信道的信道响应在时间域上的M个信道特征,所述P个第三嵌入向量用于指示所述第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,所述Q个第四嵌入向量用于指示所述第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
12.如权利要求11所述的方法,其特征在于,所述至少部分参数包括神经网络的权重。
13.如权利要求11或12所述的方法,其特征在于,所述方法还包括:
所述第二通信设备向所述第一通信设备发送所述第二通信设备的信道的信道响应的强度的分布。
14.如权利要求11或12所述的方法,其特征在于,所述方法还包括:
所述第二通信设备接收所述第一通信设备发送的迁移请求,所述迁移请求用于请求所述第二信道模型中的至少部分参数。
15.如权利要求11或12所述的方法,其特征在于,所述第二通信设备向所述第一通信设备发送所述至少部分参数,包括:
所述第二通信设备向所述第一通信设备发送迁移请求,所述迁移请求携带所述第二信道模型中的至少部分参数。
16.一种通信设备,其特征在于,包括:
获取单元,用于获取第二通信设备的第二信道模型中的至少部分参数;
处理单元,用于基于所述至少部分参数,训练第一通信设备的第一信道模型,得到所述训练后的第一信道模型,所述第一信道模型与所述第二信道模型为基于神经网络的模型,
其中,所述神经网络为嵌入神经网络,所述至少部分参数包括第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一种,所述第一嵌入矩阵包含N个第一嵌入向量,所述第二嵌入矩阵包含M个第二嵌入向量,所述第三嵌入矩阵包含P个第三嵌入向量,所述第四嵌入矩阵包含Q个第四嵌入向量,
其中,所述N个第一嵌入向量用于指示所述第二通信设备的信道的信道响应在频域上的N个信道特征,所述M个第二嵌入向量用于指示所述第二通信设备的信道的信道响应在时间域上的M个信道特征,所述P个第三嵌入向量用于指示所述第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,所述Q个第四嵌入向量用于指示所述第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
17.如权利要求16所述的通信设备,其特征在于,所述至少部分参数包括神经网络的权重。
18.如权利要求16或17所述的通信设备,其特征在于,所述处理单元还用于:
采集所述第一通信设备的目标信道的信道响应;
基于所述目标信道的信道响应,以及所述至少部分参数,训练所述第一通信设备的第一信道模型。
19.如权利要求18所述的通信设备,其特征在于,
若所述至少部分参数包括所述第一嵌入矩阵,所述处理单元还用于:
获取第一对应关系,所述第一对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系;
基于所述目标信道的信道响应在频域上的信道特征,以及所述第一对应关系,确定所述目标信道对应的第一嵌入向量;
基于所述目标信道的信道响应,以及所述目标信道对应的第一嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第二嵌入矩阵,所述处理单元还用于:
获取第二对应关系,所述第二对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系;
基于所述目标信道的信道响应在时间域上的信道特征以及所述第二对应关系,确定所述目标信道对应的第二嵌入向量;
基于所述目标信道的信道响应,以及所述目标信道对应的第二嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第三嵌入矩阵,所述处理单元还用于:
设备获取第三对应关系,所述第三对应关系用于指示传输所述第一通信设备传输信道使用的天线组合与所述P个第三嵌入向量的对应关系;
基于传输所述目标信道使用的目标天线组合以及所述第三对应关系,确定所述目标信道对应的第三嵌入向量;
基于所述目标信道的信道响应,以及所述目标信道对应的所述第三嵌入向量,训练所述第一信道模型;
或,
若所述至少部分参数包括所述第四嵌入矩阵,所述处理单元还用于:
获取第四对应关系,所述第四对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;
基于所述目标信道的信道响应在时延域上的信道特征,以及所述第四对应关系,确定所述目标信道对应的第四嵌入向量;
所述目标信道的信道响应,以及所述目标信道对应的所述第四嵌入向量,训练所述第一信道模型。
20.如权利要求18所述的通信设备,其特征在于,若所述至少部分参数包括所述第一嵌入矩阵、第二嵌入矩阵、所述第三嵌入矩阵,以及所述第四嵌入矩阵,所述处理单元还用于:
获取第五对应关系,第六对应关系,第七对应关系以及第八对应关系,所述第五对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系,所述第六对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系,所述第七对应关系用于指示传输信道使用的天线组合与所述P个第三嵌入向量的对应关系,所述第八对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;
基于所述目标信道的信道响应在频域上的信道特征,以及所述第五对应关系,确定所述目标信道对应的第一嵌入向量;
基于所述目标信道的信道响应在时间域上的信道特征以及所述第六对应关系,确定所述目标信道对应的第二嵌入向量;
基于传输所述目标信道使用的目标天线组合以及所述第七对应关系,确定所述目标信道对应的第三嵌入向量;
基于所述目标信道的信道响应在时延域上的信道特征,以及所述第八对应关系,确定所述目标信道对应的第四嵌入向量;
基于所述目标信道的信道响应,以及所述目标信道对应的所述第一嵌入向量,所述目标信道对应的所述第二嵌入向量,所述目标信道对应的所述第三嵌入向量,以及所述目标信道对应的所述第四嵌入向量,训练所述第一信道模型。
21.如权利要求18所述的通信设备,其特征在于,所述处理单元还用于:
获取第九对应关系,第十对应关系,第十一对应关系以及第十二对应关系中的至少一种,所述第九对应关系用于指示所述第一通信设备的信道的信道响应在频域上的信道特征与所述N个第一嵌入向量的对应关系,所述第十对应关系用于指示所述第一通信设备的信道的信道响应在时间域上的信道特征与所述M个第二嵌入向量的对应关系,所述第十一对应关系用于指示所述第一通信设备传输信道使用的天线组合与所述P个第三嵌入向量的对应关系,所述第十二对应关系用于指示所述第一通信设备的信道的信道响应在时延域上的信道特征与所述Q个第四嵌入向量的对应关系;
基于所述目标信道的信道响应在频域上的信道特征,以及获取到的所述第九对应关系,确定所述目标信道对应的第一嵌入向量;或
基于所述目标信道的信道响应在时间域上的信道特征以及获取到的所述第十对应关系,确定所述目标信道对应的第二嵌入向量;或
基于传输所述目标信道使用的目标天线组合以及获取到的所述第十一对应关系,确定所述目标信道对应的第三嵌入向量;或
基于所述目标信道的信道响应在时延域上的信道特征以及获取到的所述第十二对应关系,确定所述目标信道对应的第四嵌入向量;
基于所述目标信道的信道响应,以及所述确定的嵌入向量,训练所述第一信道模型,其中,所述确定的嵌入向量包括所述目标信道对应的所述第一嵌入向量,所述目标信道对应的所述第二嵌入向量,所述目标信道对应的所述第三嵌入向量,以及所述目标信道对应的所述第四嵌入向量中的至少一种。
22.如权利要求19-21中任一项所述的通信设备,其特征在于,
所述获取单元,还用于获取所述第二通信设备的信道的信道响应的强度的分布;
所述处理单元,还用于基于所述第二通信设备的信道的信道响应的强度的分布,确定所述第一网络设备的信道响应的归一化值;
所述处理单元,还用于根据所述归一化值对所述目标信道的信道响应进行归一化处理。
23.如权利要求16或17所述的通信设备,其特征在于,所述通信设备还包括:
发送单元,用于向所述第二通信设备发送迁移请求,所述迁移请求用于请求所述第二信道模型中的至少部分参数,或
所述发送单元,用于向第三通信设备发送所述迁移请求。
24.如权利要求16或17所述的通信设备,其特征在于,所述神经网络为嵌入神经网络,训练后的所述第一信道模型中的嵌入矩阵与所述第二信道模型中的嵌入矩阵不同,且第十三对应关系与所述第十四对应关系相同,
其中,所述第十三对应关系为所述训练后的所述第一信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述第十四对应关系为所述第二信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述嵌入矩阵用于表示信道的信道响应在频域上的信道特征,信道的信道响应在时间域上的信道特征,通过不同的天线组合传输信道时信道响应的信道特征,以及信道的信道响应在时延域上的信道特征。
25.如权利要求16或17所述的通信设备,其特征在于,所述神经网络为嵌入神经网络,训练前的所述第一信道模型中的嵌入矩阵与所述第二信道模型中的嵌入矩阵相同,且第十五对应关系与所述第十六对应关系不同,
其中,所述十五对应关系为所述训练后的所述第一信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述第十六对应关系为所述第二信道模型中的信道响应与嵌入矩阵中嵌入向量之间的对应关系,所述嵌入矩阵用于表示信道的信道响应在频域上的信道特征,信道的信道响应在时间域上的信道特征,通过不同的天线组合传输信道时信道响应的信道特征,以及信道的信道响应在时延域上的信道特征。
26.一种通信设备,其特征在于,包括:
处理单元,用于从第二通信设备的第二信道模型中提取至少部分参数;
发送单元,用于向第一通信设备发送所述至少部分参数,以便所述第一通信设备基于所述至少部分参数训练所述第一通信设备的第一信道模型,得到训练后的第一信道模型,所述第二信道模型与所述第一信道模型为基于神经网络的模型,
其中,所述神经网络为嵌入神经网络,所述至少部分参数包括第一嵌入矩阵,第二嵌入矩阵,所述第三嵌入矩阵以及所述第四嵌入矩阵中的至少一种,所述第一嵌入矩阵包含N个第一嵌入向量,所述第二嵌入矩阵包含M个第二嵌入向量,所述第三嵌入矩阵包含P个第三嵌入向量,所述第四嵌入矩阵包含Q个第四嵌入向量,
其中,所述N个第一嵌入向量用于指示所述第二通信设备的信道的信道响应在频域上的N个信道特征,所述M个第二嵌入向量用于指示所述第二通信设备的信道的信道响应在时间域上的M个信道特征,所述P个第三嵌入向量用于指示所述第二通信设备通过不同的天线组合传输的信道的信道响应的P个信道特征,所述Q个第四嵌入向量用于指示所述第二通信设备的信道的信道响应在时延域上对应的Q种信道特征,其中M、N、P和Q为正整数。
27.如权利要求26所述的通信设备,其特征在于,所述至少部分参数包括神经网络的权重。
28.如权利要求26或27所述的通信设备,其特征在于,
所述发送单元,还用于:向所述第一通信设备发送所述第二通信设备的信道的信道响应的强度的分布。
29.如权利要求26或27所述的通信设备,其特征在于,所述通信设备还包括:
接收单元,用于接收所述第一通信设备发送的迁移请求,所述迁移请求用于请求所述第二信道模型中的至少部分参数。
30.如权利要求26或27所述的通信设备,其特征在于,
所述发送单元,还用于向所述第一通信设备发送迁移请求,所述迁移请求携带所述第二信道模型中的至少部分参数。
31.一种通信设备,其特征在于,包括:处理器,所述处理器用于与存储器耦合,读取并执行所述存储器中的指令,以执行如权利要求1-15中任一项所述的方法。
32.一种芯片系统,其特征在于,包括:逻辑电路,所述逻辑电路用于与输入/输出接口耦合,通过所述输入/输出接口传输数据,以执行如权利要求1-15中任一项所述的方法。
33.一种计算机可读介质,其特征在于,所述计算机可读介质存储有程序代码,当所述程序代码在计算机上运行时,使得计算机执行如权利要求1-15中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910580104.7A CN112152741B (zh) | 2019-06-28 | 2019-06-28 | 信道模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910580104.7A CN112152741B (zh) | 2019-06-28 | 2019-06-28 | 信道模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112152741A CN112152741A (zh) | 2020-12-29 |
CN112152741B true CN112152741B (zh) | 2021-11-19 |
Family
ID=73892079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910580104.7A Active CN112152741B (zh) | 2019-06-28 | 2019-06-28 | 信道模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112152741B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113595945B (zh) * | 2021-08-04 | 2023-06-30 | 重庆邮电大学 | 一种适用于5g系统pdsch的信道估计方法 |
CN116488751A (zh) * | 2022-01-14 | 2023-07-25 | 维沃移动通信有限公司 | 传输方法、装置和设备 |
WO2024098259A1 (zh) * | 2022-11-08 | 2024-05-16 | Oppo广东移动通信有限公司 | 生成样本集的方法和设备 |
WO2024103271A1 (zh) * | 2022-11-16 | 2024-05-23 | 华为技术有限公司 | 一种通信方法以及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869624A (zh) * | 2016-03-29 | 2016-08-17 | 腾讯科技(深圳)有限公司 | 数字语音识别中语音解码网络的构建方法及装置 |
CN108122032A (zh) * | 2016-11-29 | 2018-06-05 | 华为技术有限公司 | 一种神经网络模型训练方法、装置、芯片和系统 |
CN104851026B (zh) * | 2015-05-21 | 2018-07-17 | 上海宾谷网络科技有限公司 | 基于大数据实时定位用户的竞价原生广告奖励系统及方法 |
CN109117483A (zh) * | 2018-07-27 | 2019-01-01 | 清华大学 | 神经网络机器翻译模型的训练方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10122479B2 (en) * | 2017-01-23 | 2018-11-06 | DGS Global Systems, Inc. | Systems, methods, and devices for automatic signal detection with temporal feature extraction within a spectrum |
CN107968689B (zh) * | 2017-12-06 | 2020-07-31 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
-
2019
- 2019-06-28 CN CN201910580104.7A patent/CN112152741B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851026B (zh) * | 2015-05-21 | 2018-07-17 | 上海宾谷网络科技有限公司 | 基于大数据实时定位用户的竞价原生广告奖励系统及方法 |
CN105869624A (zh) * | 2016-03-29 | 2016-08-17 | 腾讯科技(深圳)有限公司 | 数字语音识别中语音解码网络的构建方法及装置 |
CN108122032A (zh) * | 2016-11-29 | 2018-06-05 | 华为技术有限公司 | 一种神经网络模型训练方法、装置、芯片和系统 |
CN109117483A (zh) * | 2018-07-27 | 2019-01-01 | 清华大学 | 神经网络机器翻译模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112152741A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112152741B (zh) | 信道模型的训练方法及装置 | |
Teganya et al. | Deep completion autoencoders for radio map estimation | |
CN106464415A (zh) | 多输入多输出训练方法及无线装置 | |
EP2477341A1 (en) | Power setting and pre-coding for wireless data transmission from multiple locations to a single device | |
Chin et al. | Intelligent indoor positioning based on artificial neural networks | |
CN114125861A (zh) | 一种无线联邦学习方法及装置 | |
KR20220013906A (ko) | 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치 | |
CN113169777A (zh) | 波束对准 | |
US20200145082A1 (en) | Signal processing method and apparatus | |
US11742901B2 (en) | Deep learning based beamforming method and apparatus | |
KR101500922B1 (ko) | 적응필터를 이용한 분산 추정방법 및 장치 | |
CN109831823A (zh) | 用于通信的方法、终端设备和网络设备 | |
KR20230090881A (ko) | 무선 통신 시스템에서의 신호 복원 방법 및 장치 | |
CN114764610A (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
US10560287B2 (en) | Relative uplink channel estimation | |
WO2024103352A1 (zh) | 一种通信方法、装置及系统 | |
US20230379949A1 (en) | Apparatus and method for signal transmission in wireless communication system | |
WO2023070675A1 (zh) | 数据处理的方法及装置 | |
US20240013031A1 (en) | Method and apparatus for artificial neural network based feedback | |
CN115134012B (zh) | 一种入射方向角确定方法及计算装置 | |
US20230354395A1 (en) | Method and apparatus for channel information transfer in communication system | |
WO2023125985A1 (zh) | 模型的数据处理方法及装置 | |
CN115396989A (zh) | 通信处理方法和装置 | |
WO2022036682A1 (en) | Methods, apparatuses, and computer readable media for controlling transmit power | |
CN116566447A (zh) | 一种通信方法及装置 |
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 |