CN112152948B - 一种无线通信处理的方法和装置 - Google Patents

Abstract

本申请提供了一种无线通信处理的方法，包括：获取第一指示信息，包括第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组；基于第一域配置信息将第一指示信息输入神经网络模型，第一域配置信息用于指示第一响应测量信息组中的每个信道响应测量信息对应的域信息；获取神经网络输出的第二指示信息和/或第一信道的第一响应估计信息组，第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息，第二指示信息用于表示第一信道在第一域配置信息指示的域信息下的变化情况。本申请实施例提供的技术方案能够对无线通信中特定的信道进行处理，且成本较低。

Description

一种无线通信处理的方法和装置

技术领域

本申请涉及通信领域，具体涉及一种无线通信处理的方法和装置。

背景技术

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

神经网络(neural network，NN)作为人工智能的重要分支，是一种模仿动物神经网络行为特征进行信息处理的网络结构。神经网络的结构由大量的节点(或称神经元)相互联接构成，基于特定运算模型通过对输入信息进行学习和训练达到处理信息的目的。一个神经网络包括输入层、隐藏层及输出层，输入层负责接收输入信号，输出层负责输出神经网络的计算结果，隐藏层负责学习、训练等计算过程，是网络的记忆单元，隐藏层的记忆功能由权重矩阵来表征，通常每个神经元对应一个权重系数。

无线通信系统中，两个通信设备之间的通过无线链路进行数据的传输。无线链路也可以称为无线信道。根据无线信道状态，信号的接收端设备能够对信道中传输的数据记性准确译码。另外，根据无线信道状态，通信设备可以对通信的方式进行调整。例如，通信设备之间可以根据无线信道状态确定相对位置，从而确定波束赋形信息，或者对通信设备的资源配置等进行调整，以提高数据传输的效率。

通过对参考信号进行测量，可以确定信道响应信息。参考信号占用时频资源，并且测量和计算需要时间，因此，通过参考信号只能确定过去的时间对应的信道状态。

发明内容

本申请提供一种无线通信处理的方法和装置，对于特定的信道，能够根据有限的信道响应测量信息，对信道状态进行估计，提高数据传输效率。

第一方面，提供一种无线通信处理的方法，包括：获取第一指示信息，所述第一指示信息包括所述第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组，所述第一响应测量信息组包括至少一个信道响应测量信息；基于第一域配置信息将所述第一指示信息输入神经网络模型，所述第一域配置信息用于指示所述第一响应测量信息组中的每个信道响应测量信息对应的域信息，所述域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种；获取所述神经网络输出的所述第一信道的第一响应估计信息组，所述第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息；和/或获取所述神经网络输出的第二指示信息；所述第二指示信息用于表示所述第一信道在所述第一域配置信息指示的域信息下的变化情况。

根据多个信道响应测量信息，通过神经网络模型，可以确定信道的变化情况，也可以对信道进行估计。因此，神经网络模型可以对无线通信中特定的信道进行处理，且成本较低。

结合第一方面，在一些可能的实现方式中，根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

根据信道的变化情况，也就是信道变化的规律，确定对无线通信进行调整的信息，从而提高无线传输的效率和质量。

结合第一方面，在一些可能的实现方式中，向所述第一通信设备和/或所述第二通信设备发送所述第二指示信息，所述第二指示信息用于指示所述第一通信设备和/或所述第二通信设备根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

根据至少一个信道响应测量信息确定信道的变化情况，也就是信道变化的规律，该变化情况通过第二指示信息表示。第二指示信息可以作为确定对无线通信进行调整的信息的中间计算信息。通过向第一通信设备和/或所述第二通信设备发送第二指示信息，可以减小第一通信设备和/或所述第二通信设备的计算量。

结合第一方面，在一些可能的实现方式中，所述第一指示信息包括所述第二域配置信息。

神经网络模型可以用于信道响应估计。神经网络模型的输入信息包括需要进行估计的域信息，通过明示的方式进行指示，不再需要对输出对应的域信息进行预先设置，可以提高神经网络模型适用范围。

结合第一方面，在一些可能的实现方式中，所述神经网络模型包括至少一个隐藏层，所述神经网络模型最后一个隐藏层的输出包括所述第二指示信息。

神经网络模型包括至少一个隐藏层。对于该神经网络模型，经过的隐藏层数量越多，第二指示信息越能够反映变化的信道的变化情况。因此，采集神经网络模型最后一个隐藏层的输出，以形成第二指示信息，可以更准确地描述信道的变化情况。

结合第一方面，在一些可能的实现方式中，所述第一指示信息包括特殊标记，所述特殊标记用于获取所述第二指示信息，所述第二指示信息为所述神经网络模型的输出中对应于所述特殊标记的字段。

为了描述信道的变化情况，每个隐藏层输出的数据都包括冗余。输入的信息中包括特殊标记用于信道的变化情况的提取。也就是说，在神经网络模型输出的信息中，仅根据特殊标记对应的字段，就能够反映信道的变化情况，减少了信息的冗余。

结合第一方面，在一些可能的实现方式中，所述方法还包括：获取第一训练信息、第二训练信息，所述第一训练信息包括第三通信设备和第四通信设备之间的第二信道的第二响应测量信息组，所述第二响应测量信息组包括至少一个信道响应测量信息；所述第二训练信息包括所述第二信道的第三响应测量信息组；所述第三响应测量信息组包括至少一个信道响应测量信息；基于第三域配置信息，将所述第一训练信息输入第一原始模型，以获取所述第四域配置信息对应的第三训练信息，所述第三训练信息用于指示经过所述第一原始模型确定的所述第二信道的第二响应估计信息组，所述第二响应估计信息组包括至少一个信道响应估计信息，所述第四域配置信息用于指示所述第二响应估计信息组中每个信道响应估计信息对应的域信息；根据所述第三训练信息和所述第二训练信息，调整所述第一原始模型的参数，以使所述第三训练信息和所述第二训练信息的相似度在第一预设范围内，以获得调整后的第一原始模型；根据所述调整后的第一原始模型，确定所述神经网络模型。

通过训练，生成神经网络模型。神经网络模型的训练，可以由使用神经网络模型的设备进行，也可以由其他设备进行。在神经网络模型训练的过程中，基于第一训练信息、第二训练信息对第一原始模型进行参数调整，以获取神经网络模型，提高了神经网络模型对信道的理解能力，从而提高了无线通信处理的准确性。

结合第一方面，在一些可能的实现方式中，所述神经网络模型包括调整后的第一原始模型。

结合第一方面，在一些可能的实现方式中，所述第一通信设备根据所述调整后的第一原始模型，确定所述神经网络模型包括：使用第二原始模型，对所述调整后的第一原始模型隐藏层的输出的第四训练信息进行处理，以获取第五训练信息；获取所述第三域配置信息对应的第六训练信息，所述第六训练信息包括以下至少一种信息：所述第三通信设备和/或所述第四通信设备的波束赋形信息、所述第三通信设备或所述第四通信设备的小区切换信息、所述第三通信设备和/或所述第四通信设备的类型信息、所述第二信道的误码率信息、所述第三通信设备和/或所述第四通信设备的位置信息、所述第三通信设备和/或所述第四通信设备的移动速度信息、所述第二响应测量信息组的准确性信息、所述第二信道的资源调度信息；根据所述第五训练信息和所述第六训练信息，调整所述第二原始模型的参数，以使所述第四训练信息和所述第六训练信息的相似度在第一预设范围内，以获得调整后的第二原始模型；所述神经网络模型包括调整后的第二原始模型。

所述神经网络模型还包括调整后的第一原始模型的所述隐藏层以及所述隐藏层之前的部分。

结合第一方面，在一些可能的实现方式中，所述神经网络模型包括调整后的第一原始模型和调整后的第二原始模型。

第二方面，提供一种无线通信处理装置，该装置包括用于执行第一方面中的方法的模块。

该装置包括：第一获取模块，输入模块，第二获取模块。第一获取模块用于获取第一指示信息，所述第一指示信息包括所述第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组，所述第一响应测量信息组包括至少一个信道响应测量信息。输入模块用于基于第一域配置信息将所述第一指示信息输入神经网络模型，所述第一域配置信息用于指示所述第一响应测量信息组中的每个信道响应测量信息对应的域信息，所述域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种。第二获取模块用于获取所述神经网络输出的所述第一信道的第一响应估计信息组和/或所述神经网络输出的第二指示信息，所述第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息；所述第二指示信息用于表示所述第一信道在所述第一域配置信息指示的域信息下的变化情况。

结合第二方面，在一些可能的实现方式中，该装置还包括确定模块。确定模块用于根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

结合第二方面，在一些可能的实现方式中，该装置还包括：发送模块，发送模块用于向所述第一通信设备和/或所述第二通信设备发送所述第二指示信息，所述第二指示信息用于指示所述第一通信设备和/或所述第二通信设备根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

结合第二方面，在一些可能的实现方式中，所述第一指示信息包括所述第二域配置信息。

结合第二方面，在一些可能的实现方式中，所述神经网络模型包括至少一个隐藏层，所述神经网络模型最后一个隐藏层的输出包括所述第二指示信息。

结合第二方面，在一些可能的实现方式中，所述第一指示信息包括特殊标记，所述特殊标记用于获取所述第二指示信息，所述第二指示信息为所述神经网络模型的输出中对应于所述特殊标记的字段。

结合第二方面，在一些可能的实现方式中，该装置还包括调整模块、确定模块。第一获取模块还用于，获取第一训练信息、第二训练信息，所述第一训练信息包括第三通信设备和第四通信设备之间的第二信道的第二响应测量信息组，所述第二响应测量信息组包括至少一个信道响应测量信息；所述第二训练信息包括所述第二信道的第三响应测量信息组；所述第三响应测量信息组包括至少一个信道响应测量信息。输入模块还用于，基于第三域配置信息，将所述第一训练信息输入第一原始模型，以获取所述第四域配置信息对应的第三训练信息，所述第三训练信息用于指示经过所述第一原始模型确定的所述第二信道的第二响应估计信息组，所述第二响应估计信息组包括至少一个信道响应估计信息，所述第四域配置信息用于指示所述第二响应估计信息组中每个信道响应估计信息对应的域信息。调整模块用于，根据所述第三训练信息和所述第二训练信息，调整所述第一原始模型的参数，以使所述第三训练信息和所述第二训练信息的相似度在第一预设范围内，以获得调整后的第一原始模型。确定模块用于，根据所述调整后的第一原始模型，确定所述神经网络模型。

结合第二方面，在一些可能的实现方式中，神经网络模型包括调整后的第一原始模型。

结合第二方面，在一些可能的实现方式中，输入模块还用于，将所述调整后的第一原始模型隐藏层的输出的第四训练信息输入第二原始模型，以获取第五训练信息。第一获取模块还用于，获取所述第三域配置信息对应的第六训练信息，所述第六训练信息包括以下至少一种信息：所述第三通信设备和/或所述第四通信设备的波束赋形信息、所述第三通信设备或所述第四通信设备的小区切换信息、所述第三通信设备和/或所述第四通信设备的类型信息、所述第二信道的误码率信息、所述第三通信设备和/或所述第四通信设备的位置信息、所述第三通信设备和/或所述第四通信设备的移动速度信息、所述第二响应测量信息组的准确性信息、所述第二信道的资源调度信息。调整模块还用于，根据所述第五训练信息和所述第六训练信息，调整所述第二原始模型的参数，以使所述第四训练信息和所述第六训练信息的相似度在第一预设范围内，以获得调整后的第二原始模型。所述神经网络模型包括调整后的第二原始模型。

第三方面，提供一种无线通信处理装置，该装置包括：存储器，用于存储程序；处理器，用于：获取第一指示信息，所述第一指示信息包括所述第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组，所述第一响应测量信息组包括至少一个信道响应测量信息；基于第一域配置信息将所述第一指示信息输入神经网络模型，所述第一域配置信息用于指示所述第一响应测量信息组中的每个信道响应测量信息对应的域信息，所述域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种；获取所述神经网络输出的所述第一信道的第一响应估计信息组，所述第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息；和/或获取所述神经网络输出的第二指示信息；所述第二指示信息用于表示所述第一信道在所述第一域配置信息指示的域信息下的变化情况。

结合第三方面，在一些可能的实现方式中，处理器还用于：根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

结合第三方面，在一些可能的实现方式中，该装置包括通信接口，所述通信接口用于向所述第一通信设备和/或所述第二通信设备发送所述第二指示信息，所述第二指示信息用于指示所述第一通信设备和/或所述第二通信设备根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

结合第三方面，在一些可能的实现方式中，所述第一指示信息包括所述第二域配置信息。

结合第三方面，在一些可能的实现方式中，所述神经网络模型包括至少一个隐藏层，所述神经网络模型最后一个隐藏层的输出包括所述第二指示信息。

结合第三方面，在一些可能的实现方式中，第一指示信息包括特殊标记，所述特殊标记用于获取所述第二指示信息，所述第二指示信息为所述神经网络模型的输出中对应于所述特殊标记的字段。

结合第三方面，在一些可能的实现方式中，处理器还用于：获取第一训练信息、第二训练信息，所述第一训练信息包括第三通信设备和第四通信设备之间的第二信道的第二响应测量信息组，所述第二响应测量信息组包括至少一个信道响应测量信息；所述第二训练信息包括所述第二信道的第三响应测量信息组；所述第三响应测量信息组包括至少一个信道响应测量信息；基于第三域配置信息，将所述第一训练信息输入第一原始模型，以获取所述第四域配置信息对应的第三训练信息，所述第三训练信息用于指示经过所述第一原始模型确定的所述第二信道的第二响应估计信息组，所述第二响应估计信息组包括至少一个信道响应估计信息，所述第四域配置信息用于指示所述第二响应估计信息组中每个信道响应估计信息对应的域信息；根据所述第三训练信息和所述第二训练信息，调整所述第一原始模型的参数，以使所述第三训练信息和所述第二训练信息的相似度在第一预设范围内，以获得调整后的第一原始模型；根据所述调整后的第一原始模型，确定所述神经网络模型。

结合第三方面，在一些可能的实现方式中，神经网络模型包括调整后的第一原始模型。

结合第三方面，在一些可能的实现方式中，该处理器还用于：使用第二原始模型，对所述调整后的第一原始模型隐藏层的输出的第四训练信息进行处理，以获取第五训练信息；获取所述第三域配置信息对应的第六训练信息，所述第六训练信息包括以下至少一种信息：所述第三通信设备和/或所述第四通信设备的波束赋形信息、所述第三通信设备或所述第四通信设备的小区切换信息、所述第三通信设备和/或所述第四通信设备的类型信息、所述第二信道的误码率信息、所述第三通信设备和/或所述第四通信设备的位置信息、所述第三通信设备和/或所述第四通信设备的移动速度信息、所述第二响应测量信息组的准确性信息、所述第二信道的资源调度信息；根据所述第五训练信息和所述第六训练信息，调整所述第二原始模型的参数，以使所述第四训练信息和所述第六训练信息的相似度在第一预设范围内，以获得调整后的第二原始模型；所述神经网络模型包括调整后的第二原始模型。

第四方面，提供一种计算机可读介质，该计算机可读介质存储用于设备执行的程序代码，该程序代码包括用于执行第一方面中的方法。

第五方面，提供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，使得计算机执行第一方面中的方法。

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，提供一种芯片，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，执行第一方面中的方法。

结合第六方面，在一些可能的实现方式中，所述芯片还可以包括存储器，所述存储器中存储有指令，所述处理器用于执行所述存储器上存储的指令，当所述指令被执行时，所述处理器用于执行第一方面中的方法。

附图说明

图1是无线通信的一个场景的示意图。

图2是线性时变信道模型。

图3是本申请一个实施例提供的系统架构的结构示意图。

图4是本申请一个实施例提供的根据CNN模型进行无线通信处理的示意图。

图5是本申请一个实施例提供的一种芯片硬件结构示意图.

图6是本申请一个实施例提供的一种神经网络模型的训练方法的流程性示意图。

图7是本申请另一个实施例提供的一种神经网络模型的训练方法的流程性示意图。

图8是本申请一个实施例提供的一种无线通信处理的方法的流程性示意图。

图9是本申请一个实施例提供的一种神经网络模型的向量融合的示意图。

图10是本申请一个实施例提供的神经网络模型的应用的示意图。

图11是本申请一个实施例提供的一种无线通信处理装置的结构性示意图。

图12是本申请另一个实施例提供的一种无线通信处理装置的结构性示意图。

图13是本申请一个实施例提供的一种神经网络模型的训练装置的结构性示意图。

图14是本申请又一个实施例提供的一种无线通信处理装置的结构性示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例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)、卫星通信系统等。

图1是无线通信的一个场景的示意图。

接入网设备向用户设备(user equipment，UE)传输下行数据，其中数据采用信道编码进行编码，信道编码后的数据经过星座调制后传输给终端；UE向接入网设备传输上行数据，上行数据也可以采用信道编码进行编码，编码后的数据经过星座调制后传输给接入网设备。

本申请实施例中的用户设备(user equipment，UE)可以指终端设备、终端、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、无线通信设备、用户代理或用户装置。UE还可以是蜂窝电话、无绳电话、会话启动协议(sessioninitiation protocol，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，还可以是端设备，逻辑实体，智能设备，如手机，智能终端等终端设备，或者服务器，网关，基站，控制器等通信设备，或者物联网设备，如传感器，电表，水表等物联网(internetof things，IoT)设备。

接入网设备可用于将终端接入无线接入网络(radio access network，RAN)。因此，接入网设备有时也可称为接入设备或接入网节点。可以理解的是，采用不同无线接入技术的系统中，具备基站功能的设备的名称可能会有所不同。为方便描述，本申请实施例将为终端提供无线通信接入功能的装置统称为接入网设备。接入网设备例如可以是长期演进(long term evolution，LTE)中的演进型节点B(evolved node B，eNB)，也可以是第五代(fifth generation，5G)移动通信系统中的下一代基站节点(next generation node basestation，gNB)。接入网设备可以是宏基站，也可以是微基站。接入网设备也可以是具有无线接入功能的路侧设备或某个终端。在本申请实施例中，将能够实现本申请实施例中接入网设备侧所涉及的功能的设备统称为接入网设备。

在无线通信系统中，发送端发送信号，接收端接收发送端发送的信号，在发送端到接收端之间的无线链路称为无线信道。对于接收端，无线信道对发送端发送的信号进行变换，只有获取无线信道的状态，才能准确地对发射信号进行解码。另外，发送端如果可以获取无线信道状态，则可以进行与信道状态相关的任务。例如，发送端可以根据无线信道状态，在发送信号时，通过自适应传输算法进行波束赋形等。因此，无线信道状态的确定是影响无线通信系统的一个重要因素。

为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

(1)神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以x_s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、……n，n为大于1的自然数，W_s为x_s的权重，b为神经单元的偏置。f为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卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许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。

(2)深度神经网络

深度神经网络(Deep Neural Network，DNN)，也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：

其中，

是输入向量，

是输出向量，

是偏移向量，W是权重矩阵(也称系数)，α( )是激活函数。每一层仅仅是对输入向量

经过如此简单的操作得到输出向量

由于DNN层数多，则系数W和偏移向量

的数量也就很多了。这些参数在DNN中的定义如下所述：以系数W为例：假设在一个三层的DNN中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为

上标3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第L-1层的第k个神经元到第L层的第j个神经元的系数定义为

需要注意的是，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。

(3)卷积神经网络

卷积神经网络(convolutional neuron network，CNN)是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。

(4)循环神经网络

循环神经网络(RNN,Recurrent Neural Networks)是用来处理序列数据的。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，而对于每一层层内之间的各个节点是无连接的。这种普通的神经网络虽然解决了很多难题，但是却仍然对很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。RNN之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐含层本层之间的节点不再无连接而是有连接的，并且隐含层的输入不仅包括输入层的输出还包括上一时刻隐含层的输出。理论上，RNN能够对任何长度的序列数据进行处理。对于RNN的训练和对传统的CNN或DNN的训练一样。同样使用误差反向传播算法，不过有一点区别：即，如果将RNN进行网络展开，那么其中的参数，如W，是共享的；而如上举例上述的传统神经网络却不是这样。并且在使用梯度下降算法中，每一步的输出不仅依赖当前步的网络，还依赖前面若干步网络的状态。该学习算法称为基于时间的反向传播算法(back propagation through Ttme，BPTT)。

既然已经有了卷积神经网络，为什么还要循环神经网络？原因很简单，在卷积神经网络中，有一个前提假设是：元素之间是相互独立的，输入与输出也是独立的，比如猫和狗。但现实世界中，很多元素都是相互连接的，比如股票随时间的变化，再比如一个人说了：我喜欢旅游，其中最喜欢的地方是云南，以后有机会一定要去。这里填空，人类应该都知道是填“云南”。因为人类会根据上下文的内容进行推断，但如何让机器做到这一步？RNN就应运而生了。RNN旨在让机器像人一样拥有记忆的能力。因此，RNN的输出就需要依赖当前的输入信息和历史的记忆信息。

(5)注意力机制

注意力机制模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制，能够利用有限的注意力资源从大量信息中快速筛选出高价值信息。注意力机制可以快速提取稀疏数据的重要特征，因而被广泛用于自然语言处理任务，特别是机器翻译。而自注意力机制(self-attention mechanism)是注意力机制的改进，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性。注意力机制的本质思想可以改写为如下公式：

其中，Lx＝||Source||代表Source的长度，公式含义即将Source中的构成元素想象成是由一系列的<Key,Value>数据对构成，此时给定目标Target中的某个元素Query，通过计算Query和各个Key的相似性或者相关性，得到每个Key对应Value的权重系数，然后对Value进行加权求和，即得到了最终的Attention数值。所以本质上Attention机制是对Source中元素的Value值进行加权求和，而Query和Key用来计算对应Value的权重系数。从概念上理解，把Attention可以理解为从大量信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上，忽略大多不重要的信息。聚焦的过程体现在权重系数的计算上，权重越大越聚焦于其对应的Value值上，即权重代表了信息的重要性，而Value是其对应的信息。自注意力机制可以理解为内部Attention(intra attention)，Attention机制发生在Target的元素Query和Source中的所有元素之间，自注意力机制指的是在Source内部元素之间或者Target内部元素之间发生的Attention机制，也可以理解为Target＝Source这种特殊情况下的注意力计算机制，其具体计算过程是一样的，只是计算对象发生了变化而已。

(6)变换神经网络

变换(transformer)神经网络，是一种基于自我关注机制的神经网络架构。变换神经网络可以包括编码器(encoder)，还可以包括解码器(decoder)、损失函数等。

编码器由多个相同的层(layer)组成，每个层包括两个子层(sub-layer)。第一个子层为多头关注层(multi-head attention layer)，第二个子层为全连接层(fullconnected layer)。其中，每个子层可以增加残差连接(residual connection)和归一化(normalisation)。

解码器包括多个相同的层，每个层包括三个子层。三个子层分别为自我关注层(self-attention layer)，编码-解码关注层(encoder-decoder attention layer)和全连接层。前两个子层都是基于多头关注层形成的。

变换神经网络可以并行处理，减少训练时间。

(7)损失函数

在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

(8)反向传播算法

卷积神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的超分辨率模型中参数的大小，使得超分辨率模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的超分辨率模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的超分辨率模型的参数，例如权重矩阵。

(9)微调(fine tune)

微调指的是在预训练模型的基础上，使用特定的任务目标(下游任务)和任务数据(下游数据)进行小规模训练，实现对预训练模型参数的微小调整，最终得到适配到特定数据和任务的模型。

(10)信道模型

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。上述信道的信道特性可以理解为信道强度关于时间和频率的变化。

(11)信道响应

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。

图2是线性时变信道模型。

根据该模型，有r(t)＝s(t)*h(t；τ)+n(t)，其中，s(t)是时刻t时该信道的输入信号，r(t)是时刻t时该信道的输出信号，τ代表时延，h(t；τ)表示在时刻t、延时为τ时信道对输入信号的畸变和延时，*为卷积算子。n(t)是调制信道上存在的加性噪声，与输入信号s(t)无关，又被称为“加性干扰”。

为了确定信道状态，需要进行信道估计。

信道估计，就是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。也就是说，信道估计是对从发送天线到接收天线之间的无线信道的响应进行估计，根据接收端多径信道影响产生了幅度和相位变化并叠加了白噪声的接收序列，估计出信道的时域、频域特性。也就是说，信道估计可以用于确定信道对输入信号产生的影响。可以理解，信道估计是信道对输入信号影响的一种数学表示，而“好”的信道估计则是使得某种估计误差最小化的估计算法。

当信道输入一个单位脉冲信号时，信道输出端的响应输出信号可以称为信道的冲激响应。对于线性信道，信道估计可以理解为对信道响应的估计，因此，信道估计也可以称为信道响应估计。信道响应可以是信道频率响应，也可以是信道冲激响应。系统在单位脉冲信号激励下引起的零状态响应可以称为该系统的冲激响应。冲激响应是时域的响应，通过变换，可以将冲激响应转换为频率响应。频率响应是频域的响应，也可以称为频域响应。信道响应与信道的传递函数互为傅里叶变换关系。

信道估计的精度将直接影响整个系统的性能。为了能在接收端准确的恢复发射端的发送信号人们采用各种措施来抵抗多径效应对传输信号的影响，信道估计技术的实现需要知道无线信道的信息，如信道的阶数、多普勒频移和多径时延或者信道的冲激响应等参数。因此，信道参数估计是实现无线通信系统的一项关键技术。能否获得详细的信道信息，从而在接收端正确地解调出发射信号，是衡量一个无线通信系统性能的重要指标。因此，对于信道参数估计算法的研究是一项有重要意义的工作。

多径效应(multipath effect)可能导致产生慢衰落。由于发送端与接收端之间的传播路径非常复杂，如建筑物、街道和其它物体的移动会导致信号的反射、折射以及衍射，在接收端接收到的信号是经过不同的传输路径到达的所有信号的叠加。研究显示，对一次传输造成可识别的影响的多径的数量可达上百条。除了环境造成的多径的本质复杂性，收发机在硬件上的缺陷和不适配也会造成信道估计的错误，因此，从接收端看来，信道变化似乎是随机的。

阴影效应也可能导致产生慢衰落。阴影效应，是指在无线电波的传播路径上，遇到地形不平、高低不等的建筑物、高大的树木等障碍物的阻挡时，在阻挡物的背面，会形成电波信号场强较弱的阴影区。在无线通信系统中，终端设备在运动的情况下，由于大型建筑物和其他物体对电波的传输路径的阻挡而在传播接收区域上形成半盲区，从而形成电磁场阴影。因此，随终端设备位置的不断变化，引起的接收点场强中值的起伏变化。

可以基于参考信号进行确定该参考信道对应的信道冲激响应。根据发送和接收的参考信号，电子设备可以确定信道状态。为了确定不同时间、不同频域、不同空间域的信道状态，需要较多的参考信号的发送，占用较多的资源。另外，仅通过对参考信号的测量，无法对信道状态进行预估，不能对信号的传输方式提供指导。

可以采用信道模型进行信道的预测和估计。信道模型也可以称为信道响应模型。信道模型包括统计信道模型和确定性信道模型等。

统计信道模型是基于统计特性拟合得到的，可以用于链路和系统的仿真。根据环境的不同，可以采用不同的统计信道模型。对参数进行调整，统计信道模型能够输出符合信道规律的信道估计结果。参数例如可以包括信道的信号整体延时情况、多径数量、信道角度范围等。

通过将不同算法得到的信道估计结果与统计信道模型的信道估计结果进行比较，可以对不同信道估计算法进行验证。

信道的随机性来自于复杂的多径效应，阴影效应等导致的衰落。现实环境的复杂导致了这种随机，但并不是真的随机。也就是说，信道估计需要结合实际场景具体判断。统计信道模型能够基于信道的统计总体而非特定的信道进行设计和性能分析。真实环境中一次特定的传输的信道状态是环境和设备共同造成的。统计信道模型不能反映特定的信道状态，即不能对于真实的信道进行信道估计。如果可以对真是心道状态进行预测和估计，将极大地提升无线传输、网络优化的效率。

确定性信道模型，对环境进行还原，把建筑物，道路等收发机之间的环境通过地图的形式描述出来，再采用射线追踪的方法还原出信道的多径信息，根据多径中每条路径的到达角、出发角等信息，可以得到估算的信道状态，这个信道状态虽然和实际信道状态有区别，但至少可以在一定程度上还原真实信道。

确定性信道模型的计算和前期准备过于复杂，对每一个用户设备和基站，需要描绘其周围的环境信息，并且还要足够精确，这个工作的成本太高，另外射线追踪也是计算非常复杂的算法。此外，还需要获取用户精确的地理位置信息，不利于保护用户隐私。

本申请实施例提供了一种信道估计的方法。该方法基于神经网络实现。通过该方法可以用于与信道相关的多种任务，例如信道预测、特征提取、信道状态数据的压缩、信道状态的准确性判断、定位、网络优化等。

根据接入网设备与UE之间的信道状态，可以执行多种任务，提高接入网设备与UE之间的无线信号传输性能。下面对几种根据信道状态执行的任务进行说明。

1、小区切换。

接入网设备与UE之间的信道状态，可以反应出接入网设备与UE之间的通信质量。因此，可以根据接入网设备与UE之间的信道状态确定UE是否进行小区切换。

例如，当接入网设备与UE之间的信道冲激响应的绝对值大于或等于预设值，认为接入网设备与UE之间信道状态较好，能够进行数据的传输。当接入网设备与UE之间的信道冲激响应的绝对值小于预设值，认为接入网设备与UE之间信道状态较差，数据的传输收到影响，此时，UE可以进行小区的选择和切换，切换至信道状态较好的小区。

2、资源调度。

接入网设备与UE之间的信道状态，可以反应出接入网设备与UE之间的通信质量。可以根据通信质量调整接入网设备、UE进行数据传输的时频资源，即进行资源的调度。

3、确定信道误码率。

接入网设备与UE之间的信道状态，可以反应出接入网设备与UE之间的信噪比。信噪比较高时，误码率低；而随着信噪比降低，误码率升高。根据信噪比，可以确定通过信道进行数据传输的误码率。

4、UE定位。

当UE位于不同的位置，UE与接入网设备之间的传出的信号经过的路径不同，即多径不同，因此UE与接入网设备之间的信道状态也不同。根据UE与接入网设备之间的信道状态，可以确定UE相对于接入网设备的位置。

一般情况下，对于域信息相同的情况，当UE位于较为接近的地理位置时，UE与接入网设备之间的信道状态也较为接近；当UE位于相差较远的地理位置时，UE与接入网设备之间的信道状态的区别也较大。因此，信道状态能够反应出UE的位置信息。

5、确定UE移动速度。

根据UE的位置和处于该位置的时间，可以确定UE的移动速度。

6、波束赋形。

信号发送设备，通过波束赋形技术，可以形成一个可以瞄准某个特定方向的波束，即发送波束。信号接收设备通过波束赋形技术，可以接收一个特定方向的波束，即接收波束。当发送波束与接收波束在空间上重合，能够使得数据有效传输。

对于不同频率的信号，接入网设备和UE通过调整收发天线，可以调整信号发射和接收的方向。根据接入网设备与UE之间的信道状态，可以确定UE的位置，从而确定接入网设备和UE的波束赋形信息。

7、确定UE类型。

不同类型的UE采用的天线的数量、位置、收发功率可能不同，从而使得根据接入网设备与UE之间的信道状态不同。因此，根据接入网设备与UE之间的信道状态，可以确定UE的类型。

8、信道状态数据的压缩。

通过信道状态反馈，向无线通信的对端设备反馈信道状态。信道状态数据的压缩，即提取信道的低维数据表示，并通过接入网设备与UE之间通过传输该低维数据表示，降低信道状态反馈的开销。

下面从模型训练侧和模型应用侧对本申请提供的方法进行描述：

本申请实施例提供的无线通信处理的方法，可以应用于数据训练、机器学习、深度学习等数据处理方法，对训练数据(如本申请中的第一训练信息和第二训练信息)进行符号化和形式化的智能信息建模、抽取、预处理、训练等，最终得到训练好的第一神经网络；并且，本申请实施例提供的无线通信处理方法可以运用上述训练好的第一神经网络，将输入数据(如本申请中的第一指示信息)输入到所述训练好的第一神经网络中，得到输出数据(如本申请中的第二指示信息)。需要说明的是，本申请实施例提供的第一神经网络的训练方法和无线通信处理的方法是基于同一个构思产生的发明，也可以理解为一个系统中的两个部分，或一个整体流程的两个阶段：如模型训练阶段和模型应用阶段。

下面介绍本申请实施例提供的系统架构。

参见附图3，本申请实施例提供了一种系统架构100。如所述系统架构100所示，数据采集设备160用于采集训练数据，并将训练数据存入数据库130，训练设备120基于数据库130中维护的训练数据训练得到目标模型/规则101。下面将以实施例一更详细地描述训练设备120如何基于训练数据得到目标模型/规则101，该目标模型/规则101能够用于实现本申请实施例提供的无线通信处理的方法，即，将对第一信道进行测量得到的对应于第一域分配信息的第一响应测量信息组通过相关预处理后输入该目标模型/规则101，即可得到用于确定对应于第二分配信息的第二指示信息，第二指示信息用于确定第一信道的第一响应估计信息组。本申请实施例中的目标模型/规则101具体可以为神经网络模型，在本申请提供的实施例中，该神经网络模型是通过训练CNN、循环神经网络或变换神经网络得到的。需要说明的是，在实际的应用中，所述数据库130中维护的训练数据不一定都来自于数据采集设备160的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备120也不一定完全基于数据库130维护的训练数据进行目标模型/规则101的训练，也有可能从云端或其他地方获取训练数据进行模型训练，上述描述不应该作为对本申请实施例的限定。

根据训练设备120训练得到的目标模型/规则101可以应用于不同的系统或设备中，如应用于图3所示的执行设备110，所述执行设备110可以是终端，如手机终端，平板电脑，笔记本电脑，AR/VR，车载终端等，还可以是服务器或者云端等。在附图3中，执行设备110配置有I/O接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入数据。

预处理模块113和预处理模块114用于根据I/O接口112接收到的输入数据(即待处理数据，如本申请实施例中的第一指示信息)进行预处理，在本申请实施例中，也可以没有预处理模块113和预处理模块114(也可以只有其中的一个预处理模块)，而直接采用计算模块111对输入数据进行处理。

在执行设备110对输入数据进行预处理，或者在执行设备110的计算模块111执行计算等相关的处理过程中，执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统150中。

最后，I/O接口112将处理结果，如上述得到的第一信道的第一响应估计信息组返回给客户设备140。客户设备可以是通过第一信道进行无线通信的对端设备。

值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则101，该相应的目标模型/规则101即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。

在附图3中所示情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向I/O接口112发送输入数据，如果要求客户设备140自动发送输入数据需要获得用户的授权，则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端，采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果，作为新的样本数据存入数据库130。

值得注意的是，附图3仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在附图3中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。

需要说明的是，在本申请实施例中，训练设备120和执行设备110可以是同一设备，也可以是不同设备。客户设备140和执行设备110可以是同一设备，也可以是不同设备。训练设备120和客户设备140可以是同一设备，也可以是不同设备。

如图3所示，根据训练设备120训练得到目标模型/规则101，该目标模型/规则101在本申请实施例中可以是神经网络模型。

如前文的基础概念介绍所述，卷积神经网络是一种带有卷积结构的深度神经网络，是一种深度学习(deep learning)架构，深度学习架构是指通过机器学习的算法，在不同的抽象层级上进行多个层次的学习。作为一种深度学习架构，CNN是一种前馈(feed-forward)人工神经网络，该前馈人工神经网络中的各个神经元可以对输入其中的数据作出响应。

如图4所示，卷积神经网络(CNN)200可以包括输入层210，卷积层/池化层220(其中池化层为可选的)，以及神经网络层230。

卷积层/池化层220：

卷积层：

如图4所示卷积层/池化层220可以包括如示例221-226层，举例来说：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。

下面将以卷积层221为例，介绍一层卷积层的内部工作原理。

卷积层221可以包括很多个卷积算子，卷积算子也称为核，其在数据处理中的作用相当于一个从输入信息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用来从输入数据中提取信息，从而使得卷积神经网络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。

池化层：

由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，在如图4中220所示例的221-226各层，可以是一层卷积层后面跟一层池化层，也可以是多层卷积层后面接一层或多层池化层。在数据处理过程中，池化层的唯一目的就是减少数据的空间大小。

神经网络层230：

在经过卷积层/池化层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/池化层220只会提取特征，并减少输入数据带来的参数。然而为了生成最终的输出信息(所需要的类信息或其他相关信息)，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4所示的231、232至23n)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。

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4由210至240方向的传播为前向传播)完成，反向传播(如图4由240至210方向的传播为反向传播)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。

需要说明的是，如图4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。

下面介绍本申请实施例提供的一种芯片硬件结构。

图5为本申请实施例提供的一种芯片硬件结构，该芯片包括神经网络处理器50。该芯片可以被设置在如图3所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则101。如图4所示的卷积神经网络中各层的算法均可在如图5所示的芯片中得以实现。

神经网络处理器NPU 50NPU作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路50，控制器504控制运算电路503提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路503内部包括多个处理单元(process engine,PE)。在一些实现中，运算电路503是二维脉动阵列。运算电路503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503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。运算电路从权重存储器502中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器501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)508中。

向量计算单元507可以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。例如，向量计算单元507可以用于神经网络中非卷积/非FC层的网络计算，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，向量计算单元能507将经处理的输出的向量存储到统一缓存器506。例如，向量计算单元507可以将非线性函数应用到运算电路503的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元507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503的激活输入，例如用于在神经网络中的后续层中的使用。

统一存储器506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505(direct memory accesscontroller，DMAC)将外部存储器中的输入数据搬运到输入存储器501和/或统一存储器506、将外部存储器中的权重数据存入权重存储器502，以及将统一存储器506中的数据存入外部存储器。

总线接口单元(bus interface unit，BIU)510，用于通过总线实现主CPU、DMAC和取指存储器509之间进行交互。

与控制器504连接的取指存储器(instruction fetch buffer)509，用于存储控制器504使用的指令；

控制器504，用于调用指存储器509中缓存的指令，实现控制该运算加速器的工作过程。

一般地，统一存储器506，输入存储器501，权重存储器502以及取指存储器509均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random accessmemory，简称DDR SDRAM)、高带宽存储器(high bandwidth memory，HBM)或其他可读可写的存储器。

其中，图4所示的卷积神经网络中各层的运算可以由运算电路503或向量计算单元507执行。

图6是本申请实施例提供的一种神经网络模型的训练方法600。

在步骤S601，获取第一训练信息、第二训练信息。

可以通过采集数据，获取第一训练信息、第二训练信息。

采集的数据包括测量得到的一组信道响应测量信息和该组中每个信道响应测量信息对应的域信息。信道响应测量信息对应的域信息，也可以理解为参考信号对应的域信息。该组信道响应测量信息包括至少一个信道响应测量信息。

在步骤S601之前，接入网设备可以发送参考信号，终端设备接收并测量该参考信号，从而确定接收的信号与发送的信号之间的关系，以获取该参考信号对应的多个域信息中每个域信息的信道状态。该信道状态即测量得到的信道响应测量信息。信道响应测量信息可以通过复数表示。

应当理解，也可以由终端设备发送参考信号，接入网设备进行参考信号的接收，通过测量，最终获取参考信号对应的域信息的信道响应测量信息。

第一训练信息包括第三通信设备和第四通信设备之间的第二信道的第二响应测量信息组。所述第二训练信息包括第二信道的第三响应测量信息组。

第三通信设备和第四通信设备通过第二信道进行信息传输，可以是指，第三通信设备和第四通信设备通过不同的收发天线的组合进行数据的传输。也可以指，第三通信设备和第四通信设备通过某一种固定的收发天线的情况进行数据的传输。

第三通信设备和第四通信设备是进行无线通信的两个通信设备。第三通信设备和第四通信设备通过第二信道进行数据的传输。第三通信设备和第四通信设备可以均为用户设备。或者，第三通信设备和第四通信设备中的一个可以是接入网设备，另一个是用户设备。

第二响应测量信息组可以包括至少一个信道响应测量信息。第三响应测量信息组可以包括至少一个信道响应测量信息。信道响应测量信息可以是对参考信号进行测量得到的。该参考信号也可以称为导频信号。该导频信号的域信息即为该信道响应测量信息对应的域信息。例如，第三通信设备发送导频信号，第四通信设备接收并测量该导频信号，以确定第二信道的信道响应。或者，第四通信设备发送导频信号，第三通信设备接收并测量该导频信号，以确定第二信道的信道响应。域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种。时间信息也可以称为时间域信息，时间信息是指信道响应测量信息的时间特征，例如：第一时刻的信道响应测量信息、第二时刻的信道响应测量信息等等，该第一时刻和第二时刻的间隔可以是1毫秒也可以是其他时间间隔。时域信息是指信号的频域信息经过傅里叶逆变换后得到的时域信息。

信道响应可以用于表示信道状态。信道响应可以是信道冲激响应，也可以是信道频率响应。信道响应测量信息可以是信道响应测量值，例如，信道响应测量信息可以是信道冲激响应或信道频率响应的值。信道响应测量信息也可以是对信道响应进行处理得到的，例如，信道响应可以是复数，信道响应测量信息可以是信道响应的实部、虚部、绝对值、相位，或者信道响应测量信息也可以是根据信道响应与映射值的对应关系从而确定的映射值。

如果信道响应测量信息为测量得到的信道冲激响应信息，则域信息可以包括时间信息、频域信息、空间域信息中的至少一种。例如域信息包括时间信息、频域信息和空间域信息。

如果信道响应测量信息为测量得到的信道频率响应信息，则域信息可以包括时间信息、时域信息、空间域信息中的至少一种。例如域信息包括时间信息、时域信息和空间域信息。

第三响应测量信息组可以包括第四域配置信息中的每个域信息对应的信道响应测量信息。

第二响应测量信息组可以包括第三域配置信息中的每个域信息对应的信道响应测量信息。

第三域配置信息可以包括至少一个域信息。第三域配置信息可以用于指示所述第二响应测量信息组中每个信道响应估计信息对应的域信息。或者说，第二响应测量信息组可以包括第三域配置信息中的每个域信息对应的信道响应测量信息。

第一原始模型可以包括一个接口。可以根据第三域分配信息确定第二响应测量信息组中每个信道响应测量信息输入的顺序。例如，第三域分配信息中的域信息的时间间隔相等。可以按照时间的先后顺序确定第二响应测量信息组中每个信道响应测量信息输入第一原始模型的顺序。再例如，第三域分配信息中的域信息的频率间隔相等。可以按照频率的从大到小的顺序确定第二响应测量信息组中每个信道响应测量信息输入第一原始模型的顺序。

可以根据第二响应测量信息组中每个信道响应测量信息输入的顺序和/或位置确定第三域分配信息。在一些情况下，可以预先设置神经网络模型的输入信息对应的域信息的顺序和/或。因此，根据输入神经网络模型的信道响应测量信息的顺序和/或位置，可以确定其对应的域信息，从而确定第三域分配信息。

第一原始模型也可以包括多个接口。可以根据第三域分配信息确定第二响应测量信息组中每个信道响应测量信息输入的顺序和位置。输入位置即第一原始模型的接口。不同的输入位置对应于不同的第一原始模型的接口。

可选地，第一训练信息可以包括第三域分配信息。第三域分配信息用于指示第二响应测量信息组中的每个信道响应测量信息对应的域信息。

第四域配置信息可以包括至少一个域信息。第四域配置信息可以用于指示所述第三响应测量信息组中每个信道响应估计信息对应的域信息。或者说，第三响应测量信息组可以包括第四域配置信息中的每个域信息对应的信道响应测量信息。

可以根据第三域分配信息，确定第四域分配信息。例如，第三域分配信息中的域信息的时间间隔相等。第四域分配信息可以是在第三域分配信息中的域信息之外，与第三域分配信息中的域信息间隔相等的时间间隔的一个或多个域信息。也就是说，第三域分配信息中的域信息是时间上呈等差数列的域信息，第四域分配信息可以是第三域分配信息中的域信息之后呈等差数列的一个或多个时间对应的域信息。

第一训练信息可以包括或不包括第四域分配信息。第三训练信息可以包括或不包括第四域分配信息。

第三域分配信息与第四域分配信息可以包括相同和/或不同的域信息。

在步骤S602，基于第三域配置信息，将所述第一训练信息输入第一原始模型，以获取第四域配置信息对应的第三训练信息。

基于第三域配置信息，将所述第一训练信息输入第一原始模型。第一训练信息不可以包括第三域分配信息。这种情况下，可以预先设置神经网络模型的输入信息对应的域信息的顺序，根据该顺序，将第一训练信息输入第一原始模型。从而使得第一训练信息中的第i个信道响应测量信息对应于第i个域信息。第i个信道响应测量信息输入的顺序和/或位置，可以用于指示第i个信道响应测量信息对应的域信息。因此，第一训练信息是基于第三域配置信息输入的。

第一训练信息也可以包括第三域分配信息。

第三训练信息用于指示经过第一原始模型确定的所述第二信道的第二响应估计信息组。

第四域配置信息用于指示所述第二响应估计信息组中每个信道响应估计信息对应的域信息。也就是说，第二响应估计信息组与第三响应测量信息组对应于相同的域信息。第二响应估计信息组可以包括所述第四域配置信息指示的每个域信息对应的信道响应估计信息。

在一些实施例中，可以将采集的信道响应测量信息分为第一小组和第二小组。将第一小组信道响应测量信息、第一小组对应的域信息、第二小组对应的域信息输入神经网络，以得到一组输出值。也就是说，第一训练信息可以包括第一小组信道响应测量信息、第一小组对应的域信息、第二小组对应的域信息。第二训练信息包括第二小组信道响应测量信息。第一小组信道响应测量信息包括至少一个信道响应测量信息，第二小组信道响应测量信息包括至少一个信道响应测量信息。

在步骤S603，根据第三训练信息和第二训练信息，调整第一原始模型的参数，以使第三训练信息和第二训练信息的相似度在第一预设范围内，以获得调整后的第一原始模型。

也就是说，第三训练信息和第二训练信息均为对应于第四域分配信息的信道响应。第三训练信息是第一原始模型进行估计的结果，第二训练信息是测量的结果。

将测量结果与估计结果进行比较。通过调整第一原始模型的参数，使得第三训练信息和第二训练信息差距最小化。可以通过梯度下降的方法，通过调整第一原始模型的参数使得第三训练信息和第二训练信息的差距最小。

在步骤S604，根据所述调整后的第一原始模型，确定神经网络模型。

可以将调整后的第一原始模型作为神经网络模型。参见图7，也可以对调整后的第一原始模型进行进一步调整，例如，调整部分层的参数，或者增加一些层或增加独立的模型，从而形成神经网络模型。

所述方法600具体可以由如图1所示的训练设备120执行，所述方法600中的第一训练信息、第二训练信息可以是如图1所示的数据库130中维护的训练数据，可选的，所述方法400的S601和S604可以在训练设备120中执行，也可以在训练设备120之前由其他功能模块预先执行，即先对从所述数据库130中接收或者获取到的训练数据进行预处理，如在步骤S601之前，对信道响应测量信息进行离散化处理，离散化处理后的信道响应测量信息作为第二响应测量信息组和第三响应测量信息组中的信道响应测量信息。也就是说，在离散化处理后，可以获取第二响应测量信息组和第三响应测量信息组。第二响应测量信息组作为所述训练设备120的输入，并由所述训练设备120执行S601至S604。

根据方法600生成的神经网络模型，可以用于信道估计，生成估计的信道响应信息。

对于无线信道响应测量信息，在OFDM系统中，信道响应测量信息可以是信道频率响应，信道响应测量信息具有频域特性，信道的频率选择性就是频域特征的一种。信道的频率选择性是指传输信道对信号不同的频率成分有不同的随机响应，信号中不同频率分量衰落不一致，引起信号波形失真。信道响应测量信息也有时间的特性，信道随时间变化与用户的移动紧密相关。另外，不同收发天线都有自己的数据，代表了空间传播路径的相关性，即空间域特性。因此，无线信道从数据结构上来看，有三个域的基本特征，时间、频率和空间域。值得注意的是，通过傅里叶逆变换，信道的频域响应可以转换为时域的响应，时延更直观的代表了信道经历的多径信息。假如对所有信道响应测量信息做傅里叶逆变换操作，则信道响应测量信息的三个域变为时间、时延和空间域。两种方法的后续操作基本一致，对于需要得到信道频率响应的任务，则在预测出冲击响应之后再做傅里叶变换得到频域响应。

图7是本申请实施例提供的一种神经网络模型的训练方法700。

在步骤S701，使用第二原始模型，对所述调整后的第一原始模型隐藏层输出的第四训练信息进行处理，以获取第五训练信息。

第四训练信息可以是第一原始模型隐藏层的全部或部分输出。该隐藏层可以是第一原始模型最后一个隐藏层，或其他隐藏层。

例如，第一训练信息可以包括特殊字段，该特殊标记用于获取第一原始模型的输出。或者说，该特殊标记用于获取第四训练信息。第四训练信息可以是第一原始模型隐藏层输出的信息中对应于特殊标记的字段的信息。第四训练信息可以是第一原始模型的输出中对应于所述特殊标记的字段。

在步骤S702，获取所述第三域配置信息对应的第六训练信息。

第六训练信息包括以下至少一种信息：所述第三通信设备和/或所述第四通信设备的波束赋形信息、所述第三通信设备或所述第四通信设备的小区切换信息、所述第三通信设备和/或所述第四通信设备的类型信息、所述第二信道的误码率信息、所述第三通信设备和/或所述第四通信设备的位置信息、所述第三通信设备和/或所述第四通信设备的移动速度信息、所述第二响应测量信息组的准确性信息、所述第三通信设备和/或所述第四通信设备的资源调度信息。

在步骤S703，根据所述第五训练信息和所述第六训练信息，调整所述第二原始模型的参数，以使所述第四训练信息和所述第六训练信息的相似度在第一预设范围内，以获得调整后的第二原始模型。

神经网络模型包括调整后的第二原始模型。

第二原始模型可以是全连接层。

第二原始模型可以是第一原始模型的输出层。也就是说，在获得调整后的第一原始模型之后，对调整后的第一原始模型的输出层进行进一步的调整，以获得神经网络模型。

第二原始模型也可以第一原始模型之外的模型。

神经网络模型还包括调整后的第一原始模型中输出第四训练信息的隐藏层以及该隐藏层之前的部分。神经网络模型还包括调整后的第一原始模型中输出第四训练信息的隐藏层以及该隐藏层之前的层。

神经网络模型也可以包括调整后的第一原始模型以及调整后的第二原始模型。

通过步骤S701-S703，对调整后的第一原始模型进行进一步调整，或者说，对调整后的第一原始模型进行微调，可以获得神经网络模型。微调后的神经网络模型可以用于更多的无线通信处理流程。

所述方法700具体可以由如图3所示的训练设备120执行，所述方法700中的第一训练信息、第二训练信息可以是如图3所示的数据库130中维护的训练数据，可选的，所述方法700的步骤S701至S703可以在训练设备120中执行，也可以在训练设备120之前由其他功能模块预先执行，即先对从所述数据库130中接收或者获取到的训练数据进行预处理。

根据方法700生成的神经网络模型，可以用于对无线通信进行配置和调整，输出用于无线通信进行配置、调整的信息。

需要说明的是，方法600和方法700中，第一原始模型的参数和第二原始模型的参数可以同时进行调整。也可以在获取调整后的第一原始模型之后，在对第二原始模型的参数进行调整。本申请实施例对此不作限定。

方法600和方法700可以由CPU执行，可以由也可以由NPU和CPU共同执行，也可以使用其他适合用于神经网络计算的处理器执行，本申请不做限制。

需要说明的是，在本申请中，该训练设备120和执行设备110可以是同一设备。即，上述神经网络模型的训练过程可以由无线通信处理的设备执行。训练设备120和执行设备110也可以是不同设备，即方法600和方法700可以由第三方设备(例如通信设备或服务器设备等)执行。

图8是本申请实施例提供的一种无线通信处理的方法900。

在步骤S901，获取第一指示信息。

第一指示信息包括第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组，所述第一响应测量信息组包括至少一个信道响应测量信息。

信道是信号传输的媒介。第一通信设备和第二通信设备通过第一信道进行信息传输，可以是指，第一通信设备和第二通信设备通过不同的收发天线的组合进行数据的传输。也可以指，第一通信设备和第二通信设备通过某一种固定的收发天线的情况进行数据的传输。

第一通信设备和第二通信设备是进行无线通信的两个通信设备。第一通信设备和第二通信设备通过第一信道进行数据的传输。第一通信设备和第二通信设备可以均为用户设备。第一通信设备和第二通信设备中的一个可以是接入网设备，另一个是用户设备。

获取第一指示信息的方式可以有多种。可以通过接收至少一个信道响应测量信息，根据该至少一个信道响应测量信息形成第一指示信息。或者，可以由第一通信设备和第二通信设备中的一个通过第一信道发送参考信号，另一个对参考信号进行接收和测量，以确定对应不同域信息的至少一个信道响应测量信息，并根据该至少一个信道响应测量信息形成第一指示信息。

信道响应测量信息可以是对参考信号进行测量得到的。该参考信号也可以称为导频信号。该导频信号的域信息即为该信道响应测量信息对应的域信息。例如，在步骤S901之前，第一通信设备发送导频信号，第二通信设备接收并测量该导频信号，以确定第二信道的信道响应。或者，第二通信设备发送导频信号，第一通信设备接收并测量该导频信号，以确定第二信道的信道响应。域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种。

信道响应可以用于表示信道状态。信道响应可以是信道冲激响应，也可以是信道频率响应。信道响应测量信息可以是信道响应测量值，例如，信道响应测量信息可以是信道冲激响应或信道频率响应的值。信道响应测量信息也可以是对信道响应进行处理得到的，例如，信道响应可以是复数，信道响应测量信息可以是信道响应的实部、虚部、绝对值、相位，或者信道响应测量信息也可以是根据信道响应与映射值的对应关系从而确定的映射值。

如果信道响应测量信息为测量得到的信道冲激响应信息，则域信息可以包括时间信息、频域信息、空间域信息中的至少一种。例如域信息包括时间信息、频域信息和空间域信息。或者，域信息包括时间信息和频域信息。或者，域信息包括频域信息和空间域信息等。

如果信道响应测量信息为测量得到的信道频率响应信息，则域信息可以包括时间信息、时域信息、空间域信息中的至少一种。例如域信息包括时间信息、时域信息和空间域信息。

在步骤S902，基于第一域配置信息将所述第一响应测量信息组输入神经网络模型。

第一域配置信息用于指示第一响应测量信息组中的每个信道响应测量信息对应的域信息。可以理解，第一域配置信息包括至少一个域信息。第一域配置信息包括第一响应测量信息组中的每个信道响应测量信息对应的域信息。

基于第一域配置信息将所述第一响应测量信息组输入神经网络模型，也就是说，基于第一域配置信息中的域信息与第一响应测量信息组中的信道响应测量信息的对应关系，将第一指示信息输入神经网络模型。

例如，每次向神经网络模型输入一个信道响应测量信息，可以向神经网络模型输入该信道响应测量信息对应的域信息。

或者，按照第一域配置信息中的域信息的顺序，向神经网络模型输入第一响应测量信息组中的至少一个信道响应测量信息。

在步骤S903，获取神经网络输出的第二指示信息和/或第一信道的第一响应估计信息组。

第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息。第二域配置信息用于指示第一响应估计信息组中的每个信道估计信息对应的域信息。

第二域配置信息指示可以用于指示当前、之后或过去的时间，本申请实施例对此不作限定。也就是说，通过神经网络模型，可以对第一信道任意时间的信道响应进行估计。

第一指示信息可以包括所述第二域配置信息。通过向神经网络模型输入第二域配置信息，可以向神经网络模型指示需要进行信道响应估计的域信息。即，神经网络模型的输出对应于述第二域配置信息指示的域信息。

第一指示信息也可以不包括第二域配置信息。第二域配置信息可以是预设置的信息。或者，可以通过第一域配置信息确定第二域配置信息。例如，第一域配置信息的时间信息指示的时间等间隔的时间序列T1，T2，…，TN，第二域配置信息中的时间信息用于指示时间序列之后的一个或数个时间点，如TN+1，TN+2，…，T2N。

第二指示信息用于表示所述第一信道在所述第一域配置信息指示的域信息下的变化情况。神经网络模型隐藏层的输出包括第二指示信息。第二指示信息也可以称为信道表示。第二指示信息可以理解为神经网络模型提取的信道的特征。第二指示信息反映了神经网络模型对第一信道的理解，反映第一信道的规律。

为了使得神经网络模型能够应用于多种信道相关任务，神经网络模型的输出需要包含信道的各种特征。

在神经网络的应用中，特征提取是一种常见的技术。例如，语句是时间序列类型的数据，语句的特征可以是时间上词与词的前后关系；图像的特征可以是像素之间的关系，或者通道之间的关系。

神经网络模型包括至少一个隐藏层，所述神经网络模型最后一个隐藏层或其他隐藏层的输出包括所述第二指示信息。神经网络模型可能包括的隐藏层的数量很多，靠近输出层的隐藏层输出，能够更好的反应第一域配置信息对应的域信道的变化情况。因此，可以将神经网络模型最后一个隐藏层的输出的全部或部分作为第二指示信息。

第一指示信息包括特殊标记，所述特殊标记可以用于获取所述第二指示信息，所述第二指示信息可以是所述神经网络模型的输出中对应于所述特殊标记的字段。

特殊标记可以位于第一指示信息的起始的字段、中间的字段、结束的字段。特殊标记可以是长度固定不变的一串字符。该字符串用于获取所述第二指示信息。经过神经网络的处理，神经网络模型隐藏层的输出中，该特殊标记对应的字段可以反映在第一域配置信息域信息的对应的情况下，第一信道的信道响应的变化情况。将隐藏层输出中，特殊标记对应的字段作为第二指示信息，能够确定第二域配置信息对应的信道响应的变化情况。

在步骤S903之后，可以向所述第一通信设备和/或第二通信设备发送所述第二指示信息。第二指示信息可以用于指示所述第一通信设备和/或第二通信设备根据所述第二指示信息确定第三指示信息。

应当理解，第一通信设备和第二通信设备是一个相对概念，仅用于区分两个通信设备，并没有动作先后的含义或限定。如果步骤S901-S903由第一通信设备执行，第一通信设备可以向第二通信设备发送第二指示信息。第二指示信息还可以用于指示第二通信设备根据第二指示信息确定第三指示信息。

第一通信设备还可以向第二通信设备发送神经网络模型的参数信息，或者图7中调整后的第二原始模型的参数信息。第二通信设备根据神经网络模型的参数信息或调整后的第二原始模型的参数信息，可以形成一个神经网络模型，用于生成第三指示信息。

或者，第二通信设备可以保存有第二指示信息与第三指示信息的对应关系。根据该对应关系，可以确定第三指示信息。该对应关系也可以作为指纹信息。也就是说，可以对该对应关系进行计算，可以确定第三指示信息。

如果S901-S903由第二通信设备执行，第二通信设备可以向第一通信设备发送第二指示信息。第二指示信息还可以用于指示第一通信设备根据第二指示信息确定第三指示信息。

一些情况下，进行无线通信的两个通信设备中，仅有一个通信设备需要根据第三指示信息确定后续的无线通信流程。无线通信处理的过程，在两个设备上分别进行不同的步骤，可以调整每个设备的运算量。例如，第一通信设备确定第二指示信息后，向第二通信设备发送第二指示信息。由于第一设备可以不再进行确定第三指示信息的过程，减小了第一通信设备的运算量。

如果S901-S903由第一通信设备和第二通信设备之外的设备执行，该设备可以向第一通信设备和/或第二通信设备发送第二指示信息。第二指示信息还可以用于指示接收第二指示信息的通信设备，即第一通信设备和/或第二通信设备，根据第二指示信息确定第三指示信息。

一些情况下，第一通信设备和第二通信设备均需要根据第三指示信息进行后续处理，但是第一指示信息和第三指示信息的数据量可能都比较大。可以通过第二指示信息的传输，减小第一通信设备和第二通信设备之间传输数据的信息量。第二指示信息可以是第一指示信息中特殊标记对应的字段，数据长度较小。通过传输第二指示信息，可以减小对系统资源的占用。

在步骤S903之后，也可以根据第二指示信息确定第三指示信息。

第三指示信息可以包括以下至少一种信息：所述第一信道的第一响应估计信息组、所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

需要说明的是，第一域配置信息与第二域配置信息可以包括相同和/或不同的域信息。或者说，第一响应测量信息组中每个信道响应测量信息对应的域信息，与第一响应估计信息组中每个信道响应估计信息对应的域信息，可以包括相同的域信息，也可以包括不同的域信息。

如果第一域分配信息与第二域分配信息包括相同的域信息对应的信道响应测量信息，根据神经网络模型，也可以输出该相同的域信息对应的信道响应估计信息，以获取更为准确的信道响应。

第一响应测量信息组中的信道响应测量信息是通过测量得到的。第一通信设备或第二通信设备在对参考信号进行测量时，可能由于导频污染，即个别参考信号受到干扰，导致测量的信道响应测量信息不准确。神经网络模型对输入信息对应的域信息，进行信道响应的估计，或者对该域信息的无线通信提供误码率信息、波束赋形信息等能够避免由于个别信道响应测量信息错误，导致第一通信设备或第二通信设备对无线通信的错误调整，提高通信设备对无线通信进行设置和调整的效率和有效性。

如果第一域分配信息与第二域分配信息包括不同的域信息对应的信道响应测量信息，根据神经网络模型，可以对第一域分配信息中与第二域分配信息不同域信息表示的域进行信道估计。

方法900可以由CPU执行，可以由也可以由NPU和CPU共同执行，也可以使用其他适合用于神经网络计算的处理器执行。

图9是本申请实施例提供的一种神经网络模型的向量融合的示意图。

本申请实施例中，神经网络模型用于对信道响应测量信息进行处理，也可以称为信道模型或神经网络。神经网络模型的输入可以包括测量得到的信道响应测量信息和域配置信息。

采集测量得到的信道响应测量信息和域配置信息。测量得到的信道响应测量信息可能对应于较长的时间，或较多的频率，或较多种收发的天线的组合。可以选取其中的部分信道响应测量信息作为神经网络模型的输入。

输入神经网络模型的信道响应测量信息可以通过嵌入(embedding)向量表示。

在神经网络模型初始化时，可以设置嵌入向量。可以设置信道响应测量信息的嵌入向量。

神经网络模型的输入是离散化的值。可以向对采集的数据进行离散化处理，以得到信道响应测量信息和域配置信息。

在OFDM系统中信道响应测量信息可以是在频域进行测量和计算得到的，信道响应测量信息可以是信道频域响应(channel frequency response，CFR)。对信道响应测量信息进行离散化处理，即信道响应测量信息的所有可能取值只有X个，X越大信道值可以保留更多的有效数字位数。这样，在神经网络模型中，每个信道响应测量信息可以通过查表的方式对应一个嵌入向量，因此，信道值的嵌入向量也有X种。

信道响应测量信息的嵌入向量可以为C1，C2，…，CX。其中，输入神经网络模型的信道响应测量信息可能的种类数量为X。嵌入向量的维度可以为1*W。X、W均为正整数。本申请实施例对信道响应测量信息进行预测，需要X≥2。

信道响应测量信息也可以称为信道值或信道数据。信道响应测量信息可以是信道频率响应，即复数形式，例如，信道响应测量信息1+2i对应嵌入向量T1，信道响应测量信息1-2i对应信道值T2。同样的，信道响应测量信息还可以是极坐标复数形式，如ae^ib。除此以外，信道响应测量信息还可以是信道频率响应的幅度或相位或实部或虚部，即实数形式。信道响应测量信息还可以是时域的信道冲击响应，可以只保留冲击响应强度，单位为幅度或dB。也可以是强度和时延的组合，如强度100，时延5ns，对应嵌入向量为T1，强度100，时延6ns，对应嵌入向量T2。测量的带的信道频率响应或信道冲击响应可以通过映射表，映射至一串字符，该串字符可以是编号或序号，每串字符对应于一个嵌入向量。也就是说，信道响应测量信息为一串字符，将该串字符输入神经网络模型，神经网络模型将该串字符转换为该串字符对应的嵌入向量。字符串的个数与信道响应测量信息的嵌入向量的个数相同。每串字符对应于一个嵌入向量。

域配置信息可以输入神经网络模型。在神经网络模型中，域配置信息可以通过嵌入(embedding)向量表示。也就是说，神经网络模型可以将域配置信息转换为对应的嵌入向量。域配置信息可以包括时间配置信息、频域配置信息、空间域配置信息、时域配置信息中的一种或多种。可以设置时间的嵌入向量、频域的嵌入向量、空间域的嵌入向量、时域的嵌入向量。由于信道响应测量信息与域信息对应，域配置信息还可以用于指示信道响应测量信息的排列方式。也就是说，根据域配置信息，神经网络模型可以确定输入的信道响应测量信息有哪些，以及如何排列。

时间上，信道响应测量信息对应的时间，可能的取值个数为N。时间可能取值的个数也可以称为时间的特征数量。时间的嵌入向量可以为T1，…，TN。时间配置信息可以包括每个信道响应测量信息对应的时间。在神经网络模型中，可以将信道响应测量信息与对应的时间进行融合。例如，融合可以采用维度数量相加的方式，或采用将每个维度的数值相加的方式。如果采用将每个维度的数值相加的方式进行融合，可以设置时间的嵌入向量与信道响应测量信息的嵌入向量的维度相同，即时间的嵌入向量维度为1*W。

当N＝1时，当前输入的信道响应测量信息对应的时间不可区分，即没有时间上的可区分特征，在神经网络模型训练时不需要对时间特征进行训练和学习。当N＝2时，T2为T1的下一时刻，时间间隔可以任意，如1ms，100ms，10s等，或T1和T2互换，T1为T2的下一时刻。当N>2时，T1到TN可以是等时间间隔的分布，如第1子帧到第N子帧。当N>2时，T1到TN也可以是任意时间间隔的分布，如T1为第1子帧，T2为第2子帧，T3为第11子帧，T4为第12子帧等等。

频域上，信道响应测量信息对应的频率，可能的取值个数为M。频率可能取值的个数也可以称为频率的特征数量。频域的嵌入向量可以为F1，…，FM。频域配置信息可以包括每个信道响应测量信息对应的频率。在神经网络模型中，可以将信道响应测量信息与对应的频率进行融合。例如，融合可以采用维度数量相加的方式，或采用将每个维度的数值相加的方式。如果采用将每个维度的数值相加的方式进行融合，可以设置频率的嵌入向量与信道响应测量信息的嵌入向量的维度相同，即频率的嵌入向量维度为1*W。

当M＝1时，当前输入的信道响应测量信息对应的频率不可区分，即没有频域上的可区分特征，在神经网络模型训练时不需要对频域特征进行训练和学习。当M＝2时，F1和F2代表不同的子载波。当M＝2时，F1和F2可以代表频分双工(frequency division duplex，FDD)中上行和下行的频率。当M>2时，F1到FM为等频率间隔的分布，如第1子载波到第M子载波。当M>2时，F1到FM为任意频率间隔的分布，如F1为第1子载波，F2为第3子载波，F3为第10子载波等等。

空间域上，信道响应测量信息对应的收发天线的种类，可以划分为L种可能的取值，即空间特征的个数可以为L。空间的嵌入向量可以是A1，…，AL。空间的嵌入向量可以和信道值的嵌入向量具有相同维度，即空间的嵌入向量维度可以为1*W。

当L＝1时，当前输入的信道响应测量信息没有空间域上的可区分特征，不需要空间域特征学习。当L＝2时，A1和A2代表不同的发射天线T或接收天线R，如A1为T1R1上的数据，A2是T2R1上的数据或T1R2或T2R2的数据。当L>2时，A1到AL为等天线序号间隔的分布，如T1R1到TLR1，或接收发射两个维度上的等序号间隔，如T1R1到T(L/Y)R1，T1R2到T(L/Y)R2，…，T1RY到T(L/Y)RY。当L>2时，A1到AL为任意天线序号间隔的分布，如A1为T1R1，A2为T2R1，A3为T63R1，A4为T64R1等等。

信道的频域特性可以转换为时域的特性。信道的时域特性能够反映信道传输的信号延时。因此，也可以设置时域的嵌入向量。时域的嵌入向量也可以称为延时的嵌入向量。时域上，信道响应测量信息对应的延时可能的取值包括K种，即时延特征数为K。时域的嵌入向量可以为D1，…，DK。时域的嵌入向量时可以与信道响应测量信息的嵌入向量具有相同维度，时域的嵌入向量维度可以为1*W。此时信道响应测量信息可以是以时域的信道冲击响应作为表示形式。通过离散化，不同的时域的嵌入向量标识不同的延时值或延时范围，如D1对应1ns，D2对应2ns，以此类推。信道响应测量信息可以包括或不包括其对应的延时。每个信道响应测量信息的嵌入向量对应信道冲击响应的时延，如信道响应测量信息1对应于(强度100，时延5ns)，则时域特征对应于5ns对应的嵌入向量。如果信道响应测量信息不包含时延，只有强度，则时延信息需要通过域特征指示输入神经网络模型。

特殊标记也可以输入神经网络模型。神经网络模型还可以为特殊标记设置对应的嵌入向量。特殊标记可包括分类(classify)标记CLS。CLS用于对输入的信道响应测量信息进行分类。

第一指示信息是神经网络模型的输入。

第一指示信息包括特殊标记CLS。在神经网络模型的多层隐藏层之间的传递过程中，CLS对应的字段融合了第一指示信息的全部信息，并且与第一域分配信息对应。可以提取神经网络模型隐藏层输出中CLS对应的字段，作为第二指示信息。通过这种方式，得到的第二指示信息的维度固定，易于处理，且数据量小。

特殊标记还可以包括分隔(separation)标记SEP。SEP用于将包括相同的域信息的信道响应测量信息与其他的信道响应测量信息进行分隔。

可选地，神经网络模型还可以为位置信息设置对应的嵌入向量。位置的嵌入向量用于指示信道响应测量信息输入的位置。

神经网络模型可以包括至少一个输入位置。如果信道输入不是以序列的形式输入网络，而是并行的输入网络，每个位置可以有该位置的嵌入向量。神经网络模型可以为每个位置输入的信道响应测量信息分配对应的嵌入向量，并将嵌入向量与输入的信道响应测量信息进行融合，进行后续处理。神经网络模型训练的过程，可以学习输入的信息在位置上的关系。

神经网络模型将域配置信息和信道响应测量信息转换为对应的嵌入向量，就完成了嵌入的过程。时间嵌入，将时间信息转换为对应的时间特征向量。频域嵌入，将频域信息转换为对应的频域嵌入向量。天线嵌入，将空间域信息转换为对应的空间域特征向量。嵌入，将信息转换为对应的特征向量。信道值嵌入，将信道响应测量信息转换为对应的信道嵌入向量；位置嵌入，将信道响应测量信息的输入位置转换为对应的位置嵌入向量。

每个信道响应测量信息对应的多个嵌入向量包括信道嵌入向量，还可以包括位置嵌入向量、时间特征向量、频域嵌入向量、空间域特征向量中的至少一个。

在确定每个信道响应测量信息对应的嵌入向量后，可以将这些嵌入向量进行融合。将第一响应测量信息组中的第i个信道响应测量信息对应的嵌入向量进行融合，将第一响应测量信息组中的第j个信道响应测量信息对应的嵌入向量进行融合。对于不同的信道响应测量信息对应的嵌入向量的融合，可以同时进行，也可以按一定顺序进行。本申请实施例不作限定。

对于第一响应测量信息组，每个信道响应测量信息对应的嵌入向量的类型可以相同，进行融合的方式也可以相同。第一响应测量信息组中的第i个信道响应测量信息与第j个信道响应测量信息对应的嵌入向量的类型相同，i和j为正整数。例如，第一响应测量信息组中的每个信道响应测量信息对应的嵌入向量包括且仅包括信道嵌入向量和空间域特征向量，通过拼接的方式将一个信道响应测量信息对应的信道嵌入向量和空间域特征向量进行融合。

如图所示，CFRa-CFRh为一组输入神经网络模型的信道频率响应信息。CFRa-CFRh分别对应于不同的域信息。对于信道频率响应信息，域信息可以包括频域信息、时间信息、空间域信息中的至少一种。CFRa-CFRh对应的频率信息的取值有两种，即CFRa-CFRh对应的频率特征有两种。因此，神经网络模型需要输入信道频率响应信息对应的频域信息。两个频率特征对应的频域信息分别为“1”和“2”，对应的频率的嵌入向量分别为“E_F1”和“E_F2”，E_F0表示特殊标记的频域嵌入向量。

应当理解，图中E_CFRa-E_CFRh分别表示信道频率响应CFRa-CFRh的嵌入向量；E_[CLS]表示特殊标记CLS对应的特征向量，E_[SEP]表示特殊标记SEP对应的特征向量；E_P0-E_P12分别表示13个神经网络模型输入位置的嵌入向量；E_T0和E_T1分别表示2个时间信息的嵌入向量，E_T0还可以表示特殊标记的频域嵌入向量；E_A1和E_A0分别表示2个空间域信息的嵌入向量，E_A0还可以表示特殊标记的空间域嵌入向量。

域配置信息可以用于指示输入神经网络模型的一组信道响应测量信息的顺序。域配置信息可以包括时间配置信息、频域配置信息、空间域配置信息、时域配置信息中的至少一个。

图中的频率嵌入，输入的信道响应测量信息在频率域上有两个特征，即信道响应测量信息最多属于两个频率值，神经网络模型的输入可以包括信道响应测量信息的频域配置信息。在这个例子中，频域配置信息为向量[0,1,2,0,1,2,0,1,2,0,1,2]。其中0对应特殊标记，特殊标记没有频率特征，所以单独给所有特殊标记一个频率特征，或者直接用1或2作为特殊标记的频率特征。1和2频率特征可以代表两个频率，或者两个子载波等和频率相关的特征，图中CFRa可以属于1号子载波，CFRb可以属于2号子载波，E_F1和E_F2分别代表这两个频率特征的嵌入向量。特征频率0也可以有对应的嵌入向量E_F0。嵌入向量可以是一个1*W维度的向量，W为正整数。从时间上看，CFRa和CFRb属于同一时间特征，即是在同一时间测得的。

这个例子中，时间特征也有两个，可能代表两个时间，或两个时间偏移量等和时间相关的特征。空间域特征在信道响应测量信息上体现就是天线的不同，本例中也是两个天线特征，可能代表两个发射天线或两个接收天线或者他们的任意两种组合等和天线相关的特征。

在神经网络模型中，通过域信息确定相应的嵌入向量。采用嵌入(embedding)的方法表示域特征和信道响应测量信息，即把每个域特征用一个嵌入向量表示，每个信道响应测量信息也用嵌入向量表示。

神经网络模型将信道响应测量信息和域配置信息融合。信道响应测量信息可以与部分或全部域配置信息融合。例如，可以将信道响应测量信息可以与时间配置信息融合，或者，可以将信道响应测量信息可以与时间配置信息、时域配置信息融合。

融合的方式可以有多种。

组合(combine)是一种融合的方式。采用combine的方式进行融合，可以将待融合的特征直接相加，或者加权相加。加权相加，即乘以一定系数即权重值之后相加。也就是说，采用combine的方式，可以将通道维度(channel wise)进行线性组合。

以第一步融合为例进行说明。可以将第三物体的特征以及第四物体的特征相加，例如，可以将第三物体的特征以及第四物体的特征直接相加，也可以将第三物体的特征以及第四物体的特征按照一定权重相加。T1和T2分别表示第三物体的特征和第四物体的特征，可以用T3表示中间训练特征，T3＝a×T1+b×T2，其中，a和b分别为计算T3时T1和T2乘的系数，即权重值，a≠0，且b≠0。

级联(concatenate)和通道融合(channel fusion)是另一种融合的方式。采用concatenate & channel fusion的方式，可以将待融合的特征的维数直接拼接，或者乘以一定系数即权重值之后进行拼接。

融合结果在神经网络模型中进行下一步计算。

应当理解，特殊标记在第一指示信息中可以对应于一个字段。神经网络模型的某个隐藏层将特殊标记对应的嵌入向量进行融合，在该隐藏层的输出中，特殊标记仍对应于一个字段。经过后续的隐藏层处理，每个隐藏层的输出均包括特殊标记对应的字段。

神经网络模型通过combine的方式对特殊标记对应的嵌入向量进行融合，该层隐藏层输出中，特殊标记对应的字段的长度可以是特殊标记对应的嵌入向量的字段长度。其他隐藏层输出中特殊标记对应的字段的长度可以与特殊标记对应的嵌入向量的字段长度相同或不同。

图10是本申请实施例提供的神经网络模型的应用的示意图。

受环境复杂多变的影响，真实信道的建模难以通过人工设计公式、算法的方式实现。根据真实的信道信息，通过训练过程调整参数，建立能够对与真实的信道相关的任务进行处理的神经网络模型。该神经网络模型根据对真实信道进行测量得到的信道响应信息进行训练，能够反应真实信道的规律。

对神经网络模型的训练过程影响了该神经网络模型的适用范围。信道状态通过信道响应进行描述，信道响应例如可以是信道冲激响应、信道频率响应等。信道响应也可以称为信道响应测量信息。信道冲激响应与信道频率响应可以通过傅里叶变换进行转换。训练时输入对应于一个接入网设备的信道响应测量信息组，可以得到适用于这个接入网设备的神经网络模型；训练时输入对应于一簇接入网设备的信道响应测量信息组，可以得到适用于这簇接入网设备的神经网络模型；训练时输入多个相似环境(如办公室)的信道响应测量信息组，可以得到适用于这个环境的神经网络模型。

神经网络模型不仅可以在接入网设备侧建立并训练，手机、汽车等UE，或者其他设备也可以根据信道状态建立并训练神经网络模型。应当理解，设备到设备(device todevice，D2D)的应用场景中，对于两个UE之间的无线通信信道，也可以采用本申请实施例提供的训练方法和无线通信处理的方法。

接入网设备可以对参考信号进行接收和测量，以获取上行信道状态。接入网设备也可以接收UE反馈的下行信道状态。因此，接入网设备可以建立上行神经网络模型和/或下行神经网络模型。因此，通信设备可以利用来自该通信设备或其它通信设备的信道状态，训练神经网络模型。

利用信道状态进行神经网络的训练，即执行图6中神经网络训练方法600的过程，可以称为神经网络模型的训练或预训练(pre-training)。获得的神经网络可以作为神经网络模型。也就是说，将测量得到的信道响应测量信息输入神经网络模型，神经网络模型的输出为信道响应估计信息。也就是说，通过该神经网络，可以实现信道估计。当神经网络模型的输出对应于的域信息指示未来的某个或某些时刻时，信道估计也可以称为信道预测。

应用该神经网络模型时，神经网络模型的输入与输出可以对应于不同的域信道。也就是说，神经网络模型能够对未进行测量的域进行信道估计。应用该神经网络模型时，神经网络模型的输入与输出也可以对应于相同的域信道。

参照图6所述的方法600，将调整后的第一原始模型作为神经网络模型，即学习信道状态之间的规律，或者称为信道状态之间的相关性。神经网络模型训练完成，即预训练神经网络模型能够对信道状态进行估计。

方法600的训练过程，第一原始模型对信道状态进行学习，并且训练过程不需要与任务相关的数据，即不需要标记数据。

进一步地，对神经网络模型进行调整，调整后的神经网络模型可以应用于多种信道相关任务中。

对神经网络模型进行调整也可以称为微调(fine-tuning)，过程参见图7的神经网络模型训练方法700。微调过程可能需要对神经网络模型的参数进行调整，或增加一些层，如增加全连接层。微调过程可以利用一些与特定任务相关的数据进行训练。在微调后，即可得到可以完成与信道相关的特定任务的神经网络模型。

可以根据第三通信设备和/或第四通信设备的位置信息对神经网络模型进行调整，以实现进行无线通信的设备的定位。

信道表示可以用于表示信道在不同域信息下的变化情况。也就是说，通过神经网络模型获得的信道表示可以反映信道环境的变化。

对于一个通信设备位置固定，另一个通信设备可以移动的情况，例如一个通信设备为接入网设备，另一个通信设备为UE，可以对UE进行定位。

UE位于位置1时生成了第一次输入的多个信道响应测量信息。UE位于位置2时生成了第二次输入的多个信道响应测量信息。设备位置发生变化，神经网络模型输出的信道表示能够表示UE位于不同位置时信道的变化。根据位置与信道表示的对应关系，可以形成信道指纹组或信道制图。其中，信道指纹组中的每个信道指纹包括UE的位置与信道表示的对应关系。信道制图中，通过地图的方式表示UE的位置，信道制图中的一个位置对应于一个信道表示。也就是说，信道指纹组、信道制图能够反映信道状态和地理位置的对应关系。

对于进行无线通信的两个通信设备均可以移动的情况，通过绝对位置信息和信道表示对第二原始模型进行训练，可以获得神经网络模型。通过该神经网络模型和信道表示，可以确定这两个通信设备的绝对位置。

根据第二原始模型进行训练时，可以使用绝对地理位置数据，也可以使用相对位置信息。信道表示的区别可以体现出相对位置关系的变化。两个信道响应测量信息组对应的地理位置上接近时，信道表示也接近。两个信道响应测量信息组对应的地理位置相差较远时，信道表示区别也较大。利用信道表示的这个特点，可以通过本申请实施例提供的神经网络模型实现与定位相关的信道任务。

也就是说，第六训练信息可以包括第三通信设备和/或第四通信设备的位置信息。

进行微调后的神经网络模型，可以输出进行通信的两个通信设备中的至少一个通信设备的位置信息。

应当理解，通信设备在测量一组信道响应信息时，位置可能发生变化。位置的变化可以通过信道表示体现。因此，信道表示可以反映通信设备位置的变化，从而通过一组信道响应信息反映通信设备位置的变化。

将信道表示与时间信息结合，就可以确定通信设备的移动速度。

根据通信设备的位置，可以确定两个通信设备的波束赋形信息，以使得发送波束与接收波束在空间上重合，提高数据传输效率。

信道表示可以反映信道的变化情况。因此，通过信道表示可以确定信道的误码率信息。

对于接入网设备与UE之间的无线通信。根据信道表示，可以确定UE是否进行小区切换，以提高数据传输的效率。

根据不同频率上的信道状态，可以对通信设备的资源配置进行调整。信道表示可以反映信道随频率的变化情况。因此，通过信道表示可以确定通信设备的资源调度信息。资源可以是指时频资源。

不同通信设备的天线位置、功率可能不同。信道表示可以反映信道随空间域信息的变化情况。因此，通过信道表示可以确定通信设备的类型。

所述第一响应测量信息组的准确性信息、

通过信道表示，还可以进行信道压缩。

信道响应测量信息输入神经网络后，得到特殊标记对应的字段，即信道表示。信道表示为实数。信道表示的长度H。神经网络模型的输入的长度为N*M*L，其中N、M、L分别为时间特征个数、频域特征个数、空间域特征个数，信道输入为复数。因此，如果传输信道表示以反馈信道状态，代替信道响应测量信息的传输，则传输数据的压缩率为H/2NML。传输数据的压缩率也可以称为信道压缩率。其中，由于信道响应测量信息为复数，分母中的系数为2。假设H＝512，N＝10，M＝200，L＝64，则压缩率为千分之二。

为了进一步压缩，可以对传输的数据进行选择，对多个信道表示进行压缩。将多个信道表示压缩在一起，则该多个信道表示对应的全部信道响应测量信息可称为一批数据。

可以选择具有尽可能多的域相同的域信息的信道响应测量信息形成一批数据，或称为一个批次(batch)的数据。也就是说，一批数据中的信道响应测量信息对应的域信息仅有一个域的域信息不同。例如，一批数据中的信道响应测量信息具有形同的频域信息、空间域信息、时域信息，仅时间信息不同。利用每一批次的域信息相同的特点，把同一批次的信道表示可以压缩到一起。通过这种方式，信道表示反映出的变化更能够反映随某一个与信息的变化情况，没能够更好的反映信道的变化规律。例如同一批次的信道响应测量信息来自于一段很短的时间的多份数据，提取这段时间的信道表示也具有实际意义。

例如，将多个信道响应测量信息分为10组，即10份数据，这10分数据均对应于相同的频域特征和空间域特征。10份数据在时间上扩展，如第一份数据为前10ms，第二份数据为下10ms，以此类推。每份数据提取压缩表示，第一份数据压缩表示为H1，第二份数据压缩表示为H2，以此类推。融合10份数据的压缩表示，如取平均或加权平均。设一个批次包含B份数据，则压缩率为H/2NMLB，当B＝10时，压缩率降为万分之二。利用信道表示的信道压缩有助于提高信道反馈的效率。通过融合，将10份数据进行压缩，这10份数据可以称为一批数据。

神经网络模型可以采用一个批次的数据作为数据输入的最小单位。一个批次的数据一次性输入神经网络模型。

一个响应测量信息组的数据结构参见图9。第一指示信息可以包括多个响应测量信息组。多个响应测量信息组可以包括第一响应测量信息组。每个响应测量信息组可以作为一份数据。一个批次中响应测量信息组的数量为任意正整数。一般情况下，因为同一批次在神经网络中的计算相同，所以同一批次的多份数据最好具有相同的多域特征。相对的，不同批次的数据可以具有不同的多域特征。如批次1包含10份数据，每一份都是和200个载波、天线T1R1的特征融合。批次2也包含10份数据，但每一份都是和载波1的T1R1到T64R1的特征融合。

在FDD系统中，发射端需要得到接收端反馈的信道状态信息，才能准确的在发射端做预编码操作，由于反馈的信道状态信息的数量和天线数量成正比，大规模MIMO系统中，这个反馈量太大，因此信道压缩显得更重要。通过信道表示进行信道压缩，可以减小对资源的占用，减小系统开销。在接收端设备生成信道表示，发射端设备收到信道表示后，可以用于后续的计算。

可选地，通过神经网络模型还可以确定测量得到的信道响应测量信息的准确性。

通过参考信号，接入网设备或UE测量得到信道响应测量信息。该参考信号可以是导频信号。

可以通过信道表示确定测量得到的信道响应测量信息的准确性。通过信道表示，神经网络模型可以进行分类预测。分类预测是指预测离散化的结果。

把信道表示输入调整后的第二原始模型，调整后的第二原始模型输出分类结果。可选地，调整后的第二原始模型还可以输出分类结果的概率。可选地，调整后的第二原始模型还可以每个类别的概率。

调整后的第一原始模型可以进行回归预测。调整后的第一原始模型可以根据输入的第一预配置信息对应的响应测量信息组1，输出第二预配置信息对应的响应估计信息组1。若已知第二预配置信息对应的响应测量信息组2，可以根据响应估计信息组1和响应测量信息组2的差值，确定响应测量信息组2的准确性信息。

调整后的第二原始模型也可以进行分类预测。也就是说，神经网络模型可以具有分辨导频污染的能力。当输入T2是T1的下一时刻，但神经网络输出结果为否，即T2大概率不是T1的下一时刻，说明T2时刻的导频可能受到污染。对受污染的T2时刻采取应对措施，如调整调度，重新估计信道等。同理，在频率域和空间域也可以采用同样的方法判断导频污染。

调整后的第二原始模型可以进行时间分类预测、频域分类预测、空域分类预测、时域分类预测中的一种或多种。

时间回归预测，通过输入的响应测量信息组估计某一时间上的信道响应信息。可以确定估计获得的该时间上的信道响应信息与该时间的信道响应测量信息的差值。若差值大于或等于预设值，可以认为响应测量信息组不准确，存在导频污染。相反，若差值小于预设值，可以认为响应测量信息组准确，不存在导频污染。

时间分类预测，以一定概率改变输入信道的时间特征，神经网络模型预测时间特征的类型，如输入信道有50％的概率T2是T1的下一时刻，50％的概率T2是随机某时刻，让神经网络判断T2是否为T1下一时刻。

频域回归预测，通过输入的响应测量信息组估计某一频率的信道响应信息。

频域分类预测，以一定概率改变输入信道的频率域特征，神经网络模型预测频率域特征的类型，如50％的概率F2是F1的下一载波，50％的概率F2是F1的下第十个载波，让神经网络判断F2是否为F1下一载波。

空间域回归预测，通过输入的响应测量信息组估计某一天线的信道信道响应信息。

空间域分类预测，以一定概率改变输入信道的空间域特征，神经网络模型预测空间域特征的类型，如50％的概率A2是A1的下一发射天线，50％的概率A2是同一发射天线的下一接收天线，让神经网络判断A2是否为A1下一发射天线。

基于第一域配置信息将所述第一响应测量信息组输入神经网络模型，神经网络模型输出第一指示信息的准确性信息。

也就是说，将信息表示输入调整后的第二原始模型，调整后的第二原始模型输出第一指示信息的准确性信息。第一指示信息的准确性信息可以用于表示第一指示信息的准确性。第一指示信息的准确性可以是指第一响应测量信息组中的信道响应测量信息的准确性，也可以是第一响应测量信息组中的信道响应测量信息与第一域配置信息指示的域信息之间的准确性。

上文结合图1至图10的描述了本申请实施例的方法实施例，下面结合图9至图11，描述本申请实施例的装置实施例。应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。

图11是本申请实施例提出的一种无线通信处理装置1100。装置1100包括第一获取模块1110，输入模块1120，获取模块1130。

第一获取模块1110用于获取第一指示信息，所述第一指示信息包括所述第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组，所述第一响应测量信息组包括至少一个信道响应测量信息。

输入模块1120用于基于第一域配置信息将所述第一指示信息输入神经网络模型，所述第一域配置信息用于指示所述第一响应测量信息组中的每个信道响应测量信息对应的域信息，所述域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种。

获取模块1130用于获取所述神经网络输出的所述第一信道的第一响应估计信息组和/或所述神经网络输出的第二指示信息，所述第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息；所述第二指示信息用于表示所述第一信道在所述第一域配置信息指示的域信息下的变化情况。

可选地，装置1100还包括确定模块。确定模块用于根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

可选地，装置1100还包括：发送模块，用于向所述第一通信设备和/或所述第二通信设备发送所述第二指示信息，所述第二指示信息用于指示所述第一通信设备和/或所述第二通信设备根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

可选地，所述第一指示信息包括所述第二域配置信息。

可选地，所述神经网络模型包括至少一个隐藏层，所述神经网络模型最后一个隐藏层的输出包括所述第二指示信息。

可选地，所述第一指示信息包括特殊标记，所述特殊标记用于获取所述第二指示信息，所述第二指示信息为所述神经网络模型的输出中对应于所述特殊标记的字段。

可选地，装置1100还包括调整模块、确定模块。

第一获取模块1110还用于，获取第一训练信息、第二训练信息，所述第一训练信息包括第三通信设备和第四通信设备之间的第二信道的第二响应测量信息组，所述第二响应测量信息组包括至少一个信道响应测量信息；所述第二训练信息包括所述第二信道的第三响应测量信息组；所述第三响应测量信息组包括至少一个信道响应测量信息。

输入模块1120还用于，基于第三域配置信息，将所述第一训练信息输入第一原始模型，以获取所述第四域配置信息对应的第三训练信息，所述第三训练信息用于指示经过所述第一原始模型确定的所述第二信道的第二响应估计信息组，所述第二响应估计信息组包括至少一个信道响应估计信息，所述第四域配置信息用于指示所述第二响应估计信息组中每个信道响应估计信息对应的域信息。

调整模块用于，根据所述第三训练信息和所述第二训练信息，调整所述第一原始模型的参数，以使所述第三训练信息和所述第二训练信息的相似度在第一预设范围内，以获得调整后的第一原始模型。

确定模块用于，根据所述调整后的第一原始模型，确定所述神经网络模型。

可选地，输入模块1120还用于，将所述调整后的第一原始模型隐藏层的输出的第四训练信息输入第二原始模型，以获取第五训练信息。

第一获取模块1110还用于，获取所述第三域配置信息对应的第六训练信息，所述第六训练信息包括以下至少一种信息：所述第三通信设备和/或所述第四通信设备的波束赋形信息、所述第三通信设备或所述第四通信设备的小区切换信息、所述第三通信设备和/或所述第四通信设备的类型信息、所述第二信道的误码率信息、所述第三通信设备和/或所述第四通信设备的位置信息、所述第三通信设备和/或所述第四通信设备的移动速度信息、所述第二响应测量信息组的准确性信息、所述第二信道的资源调度信息。

所述调整模块还用于，根据所述第五训练信息和所述第六训练信息，调整所述第二原始模型的参数，以使所述第四训练信息和所述第六训练信息的相似度在第一预设范围内，以获得调整后的第二原始模型。

所述神经网络模型包括调整后的第二原始模型。

图12是本申请实施例提供的一种无线通信处理装置。装置1200包括存储器1210和处理器1220。

存储器1210，用于存储程序。

处理器1220，当程序指令在处理器1220中执行时，所述处理器1220用于：

获取第一指示信息，所述第一指示信息包括所述第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组，所述第一响应测量信息组包括至少一个信道响应测量信息；

基于第一域配置信息将所述第一指示信息输入神经网络模型，所述第一域配置信息用于指示所述第一响应测量信息组中的每个信道响应测量信息对应的域信息，所述域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种；

获取所述神经网络输出的所述第一信道的第一响应估计信息组，所述第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息；和/或

获取所述神经网络输出的第二指示信息；所述第二指示信息用于表示所述第一信道在所述第一域配置信息指示的域信息下的变化情况。

可选地，处理器1220用于根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

可选地，处理器1220用于向所述第一通信设备和/或所述第二通信设备发送所述第二指示信息，所述第二指示信息用于指示所述第一通信设备和/或所述第二通信设备根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

可选地，所述第一指示信息包括所述第二域配置信息。

可选地，所述神经网络模型包括至少一个隐藏层，所述神经网络模型最后一个隐藏层的输出包括所述第二指示信息。

可选地，所述第一指示信息包括特殊标记，所述特殊标记用于获取所述第二指示信息，所述第二指示信息为所述神经网络模型的输出中对应于所述特殊标记的字段。

可选地，处理器1220还用于获取第一训练信息、第二训练信息，所述第一训练信息包括第三通信设备和第四通信设备之间的第二信道的第二响应测量信息组，所述第二响应测量信息组包括至少一个信道响应测量信息；所述第二训练信息包括所述第二信道的第三响应测量信息组；所述第三响应测量信息组包括至少一个信道响应测量信息。

处理器1220还用于基于第三域配置信息，将所述第一训练信息输入第一原始模型，以获取所述第四域配置信息对应的第三训练信息，所述第三训练信息用于指示经过所述第一原始模型确定的所述第二信道的第二响应估计信息组，所述第二响应估计信息组包括至少一个信道响应估计信息，所述第四域配置信息用于指示所述第二响应估计信息组中每个信道响应估计信息对应的域信息。

处理器1220还用于根据所述第三训练信息和所述第二训练信息，调整所述第一原始模型的参数，以使所述第三训练信息和所述第二训练信息的相似度在第一预设范围内，以获得调整后的第一原始模型

处理器1220还用于根据所述调整后的第一原始模型，确定所述神经网络模型。

可选地，处理器1220还用于将调整后的第一原始模型隐藏层的输出的第四训练信息输入第二原始模型，以获取第五训练信息。

处理器1220还用于获取所述第三域配置信息对应的第六训练信息，所述第六训练信息包括以下至少一种信息：所述第三通信设备和/或所述第四通信设备的波束赋形信息、所述第三通信设备或所述第四通信设备的小区切换信息、所述第三通信设备和/或所述第四通信设备的类型信息、所述第二信道的误码率信息、所述第三通信设备和/或所述第四通信设备的位置信息、所述第三通信设备和/或所述第四通信设备的移动速度信息、所述第二响应测量信息组的准确性信息、所述第二信道的资源调度信息。

处理器1220还用于根据所述第五训练信息和所述第六训练信息，调整所述第二原始模型的参数，以使所述第四训练信息和所述第六训练信息的相似度在第一预设范围内，以获得调整后的第二原始模型。

所述神经网络模型包括调整后的第二原始模型。

图13是本申请实施例提供的一种神经网络模型的训练装置的硬件结构示意图。图13所示的训练装置1300(该装置1300具体可以是一种通信设备或服务器设备)包括存储器1301、处理器1302、通信接口1303以及总线1304。其中，存储器1301、处理器1302、通信接口1303通过总线1304实现彼此之间的通信连接。

存储器1301可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)。存储器1301可以存储程序，当存储器1301中存储的程序被处理器1302执行时，处理器1302和通信接口1303用于执行本申请实施例的神经网络模型的训练方法的各个步骤。

处理器1302可以采用通用的中央处理器(central processing unit，CPU)，微处理器，应用专用集成电路(application specific integrated circuit，ASIC)或者一个或多个集成电路，用于执行相关程序，以实现本申请实施例的神经网络模型的训练装置中的单元所需执行的功能，或者执行本申请方法实施例的神经网络模型的训练方法。

处理器1302还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请的神经网络模型的训练方法的各个步骤可以通过处理器1302中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1302还可以是通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(fieldprogrammable 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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码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1301，处理器1302读取存储器1301中的信息，结合其硬件完成本申请实施例的神经网络模型的训练装置中包括的单元所需执行的功能，或者执行本申请方法实施例的神经网络模型的训练方法。

通信接口1303使用例如但不限于收发器一类的收发装置，来实现装置1300与其他设备或通信网络之间的通信。例如，可以通过通信接口1303获取训练数据。

总线1304可包括在装置1300各个部件(例如，存储器1301、处理器1302、通信接口1303)之间传送信息的通路。

图14是本申请实施例提供的无线通信处理装置的硬件结构示意图。图14所示的装置1400(该装置1400具体可以是一种通信设备或服务器设备)包括存储器1401、处理器1402、通信接口1403以及总线1404。其中，存储器1401、处理器1402、通信接口1403通过总线1404实现彼此之间的通信连接。

存储器1401可以存储程序，当存储器1401中存储的程序被处理器1402执行时，处理器1402和通信接口1403用于执行本申请实施例的无线通信处理方法的各个步骤。

处理器1402用于执行相关程序，以实现本申请实施例无线通信处理装置中的模块所需执行的功能，或者执行本申请方法实施例的无线通信处理的方法。

通信接口1403使用例如但不限于收发器一类的收发装置，来实现装置1400与其他设备或通信网络之间的通信。例如，可以通过通信接口1403获取神经网络模型或待处理数据。

总线1404可包括在装置1400各个部件(例如，存储器1401、处理器1402、通信接口1403)之间传送信息的通路。

应注意，尽管图13和图14所示的装置1300和1400仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，装置1300和1400还包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，装置1300和1400还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，装置1300和1400也可仅仅包括实现本申请实施例所必须的器件，而不必包括图13或图14中所示的全部器件。

本申请实施例还提供一种计算机程序存储介质，其特征在于，所述计算机程序存储介质具有程序指令，当所述程序指令被直接或者间接执行时，使得前文中的方法中在第一接入网设备上的功能得以实现。

本申请实施例还提供一种芯片系统，其特征在于，所述芯片系统包括至少一个处理器，当程序指令在所述至少一个处理器中执行时，使得前文中的方法中在第一接入网设备上的功能得以实现。

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。

本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，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的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。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 (19)

1.一种无线通信处理的方法，其特征在于，包括：

获取第一指示信息，所述第一指示信息包括第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组，所述第一响应测量信息组包括至少一个信道响应测量信息，所述信道响应测量信息用于指示信道状态；

基于第一域配置信息将所述第一指示信息输入神经网络模型，所述第一域配置信息用于指示所述第一响应测量信息组中的每个信道响应测量信息对应的域信息，所述域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种；

获取所述神经网络输出的所述第一信道的第一响应估计信息组，所述第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息；和/或

获取所述神经网络输出的第二指示信息；所述第二指示信息用于表示所述第一信道在所述第一域配置信息指示的域信息下的变化情况；

其中，所述神经网络模型是利用训练数据集合训练得到的，所述训练数据集合包括第一训练信息和第二训练信息，所述第一训练信息包括第三通信设备和第四通信设备之间的第二信道的第二响应测量信息组，所述第二响应测量信息组包括至少一个信道响应测量信息；所述第二训练信息包括所述第二信道的第三响应测量信息组，所述第三响应测量信息组包括至少一个信道响应测量信息。

2.根据权利要求1所述的方法，其特征在于，在所述方法包括所述获取所述神经网络输出的第二指示信息的情况下，所述方法还包括：

根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

3.根据权利要求1所述的方法，其特征在于，在所述方法包括所述获取所述神经网络输出的第二指示信息的情况下，所述方法还包括：

向所述第一通信设备和/或所述第二通信设备发送所述第二指示信息，所述第二指示信息用于指示所述第一通信设备和/或所述第二通信设备根据所述第二指示信息确定第三指示信息，

所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述第一指示信息包括所述第二域配置信息。

5.根据权利要求1-3中任一项所述的方法，其特征在于，在所述方法包括所述获取所述神经网络输出的第二指示信息的情况下，所述神经网络模型包括至少一个隐藏层，所述神经网络模型最后一个隐藏层的输出包括所述第二指示信息。

6.根据权利要求1-3中任一项所述的方法，其特征在于，在所述方法包括所述获取所述神经网络输出的第二指示信息的情况下，所述第一指示信息还包括特殊标记，所述特殊标记用于获取所述第二指示信息，所述第二指示信息为所述神经网络模型的输出中对应于所述特殊标记的字段。

7.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：

获取所述第一训练信息和所述第二训练信息；

基于第三域配置信息，将所述第一训练信息输入第一原始模型，以获取第四域配置信息对应的第三训练信息，所述第三训练信息用于指示经过所述第一原始模型确定的所述第二信道的第二响应估计信息组，所述第二响应估计信息组包括至少一个信道响应估计信息，所述第四域配置信息用于指示所述第二响应估计信息组中每个信道响应估计信息对应的域信息；

根据所述第三训练信息和所述第二训练信息，调整所述第一原始模型的参数，以使所述第三训练信息和所述第二训练信息的相似度在第一预设范围内，以获得调整后的第一原始模型；

根据所述调整后的第一原始模型，确定所述神经网络模型。

8.根据权利要求7所述的方法，其特征在于，所述第一通信设备根据所述调整后的第一原始模型，确定所述神经网络模型包括：

使用第二原始模型，对所述调整后的第一原始模型隐藏层的输出的第四训练信息进行处理，以获取第五训练信息；

获取所述第三域配置信息对应的第六训练信息，所述第六训练信息包括以下至少一种信息：所述第三通信设备和/或所述第四通信设备的波束赋形信息、所述第三通信设备或所述第四通信设备的小区切换信息、所述第三通信设备和/或所述第四通信设备的类型信息、所述第二信道的误码率信息、所述第三通信设备和/或所述第四通信设备的位置信息、所述第三通信设备和/或所述第四通信设备的移动速度信息、所述第二响应测量信息组的准确性信息、所述第二信道的资源调度信息；

根据所述第五训练信息和所述第六训练信息，调整所述第二原始模型的参数，以使所述第四训练信息和所述第六训练信息的相似度在第一预设范围内，以获得调整后的第二原始模型；

所述神经网络模型包括调整后的第二原始模型。

9.一种无线通信处理装置，其特征在于，包括：

第一获取模块，用于获取第一指示信息，所述第一指示信息包括第一通信设备和第二通信设备之间的第一信道的第一响应测量信息组，所述第一响应测量信息组包括至少一个信道响应测量信息，所述信道响应测量信息用于指示信道状态；

输入模块，用于基于第一域配置信息将所述第一指示信息输入神经网络模型，所述第一域配置信息用于指示所述第一响应测量信息组中的每个信道响应测量信息对应的域信息，所述域信息包括时间信息、频域信息、空间域信息、时域信息中的至少一种；

第二获取模块还用于获取所述神经网络输出的所述第一信道的第一响应估计信息组和/或所述神经网络输出的第二指示信息，所述第一响应估计信息组包括第二域配置信息指示的域信息对应的至少一个信道估计信息；所述第二指示信息用于表示所述第一信道在所述第一域配置信息指示的域信息下的变化情况；

其中，所述神经网络模型是利用训练数据集合训练得到的，所述训练数据集合包括第一训练信息和第二训练信息，所述第一训练信息包括第三通信设备和第四通信设备之间的第二信道的第二响应测量信息组，所述第二响应测量信息组包括至少一个信道响应测量信息；所述第二训练信息包括所述第二信道的第三响应测量信息组；所述第三响应测量信息组包括至少一个信道响应测量信息。

10.根据权利要求9所述的装置，其特征在于，所述第二获取模块用于获取所述神经网络输出的第二指示信息的情况下，所述装置还包括：

确定模块，用于根据所述第二指示信息确定第三指示信息，所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

11.根据权利要求9所述的装置，其特征在于，所述第二获取模块用于获取所述神经网络输出的第二指示信息的情况下，所述装置还包括：

发送模块，用于向所述第一通信设备和/或所述第二通信设备发送所述第二指示信息，所述第二指示信息用于指示所述第一通信设备和/或所述第二通信设备根据所述第二指示信息确定第三指示信息，

所述第三指示信息包括以下至少一种信息：所述第一通信设备和/或所述第二通信设备的波束赋形信息、所述第一通信设备或所述第二通信设备的小区切换信息、所述第一通信设备和/或所述第二通信设备的类型信息、所述第一信道的误码率信息、所述第一通信设备和/或所述第二通信设备的位置信息、所述第一通信设备和/或所述第二通信设备的移动速度信息、所述第一响应测量信息组的准确性信息、所述第一通信设备和/或所述第二通信设备的资源调度信息。

12.根据权利要求9-11中任一项所述的装置，其特征在于，所述第一指示信息包括所述第二域配置信息。

13.根据权利要求9-11中任一项所述的装置，其特征在于，所述第二获取模块用于获取所述神经网络输出的第二指示信息的情况下，所述神经网络模型包括至少一个隐藏层，所述神经网络模型最后一个隐藏层的输出包括所述第二指示信息。

14.根据权利要求9-11中任一项所述的装置，其特征在于，所述第二获取模块用于获取所述神经网络输出的第二指示信息的情况下，所述第一指示信息包括特殊标记，所述特殊标记用于获取所述第二指示信息，所述第二指示信息为所述神经网络模型的输出中对应于所述特殊标记的字段。

15.根据权利要求9-11中任一项所述的装置，其特征在于，所述装置还包括调整模块、确定模块；

所述第一获取模块还用于，获取所述第一训练信息、所述第二训练信息；

所述输入模块还用于，基于第三域配置信息，将所述第一训练信息输入第一原始模型，以获取第四域配置信息对应的第三训练信息，所述第三训练信息用于指示经过所述第一原始模型确定的所述第二信道的第二响应估计信息组，所述第二响应估计信息组包括至少一个信道响应估计信息，所述第四域配置信息用于指示所述第二响应估计信息组中每个信道响应估计信息对应的域信息；

所述调整模块用于，根据所述第三训练信息和所述第二训练信息，调整所述第一原始模型的参数，以使所述第三训练信息和所述第二训练信息的相似度在第一预设范围内，以获得调整后的第一原始模型；

所述确定模块用于，根据所述调整后的第一原始模型，确定所述神经网络模型。

16.根据权利要求15所述的装置，其特征在于，

所述输入模块用于，将所述调整后的第一原始模型隐藏层的输出的第四训练信息输入第二原始模型，以获取第五训练信息；

所述第一获取模块还用于，获取所述第三域配置信息对应的第六训练信息，所述第六训练信息包括以下至少一种信息：所述第三通信设备和/或所述第四通信设备的波束赋形信息、所述第三通信设备或所述第四通信设备的小区切换信息、所述第三通信设备和/或所述第四通信设备的类型信息、所述第二信道的误码率信息、所述第三通信设备和/或所述第四通信设备的位置信息、所述第三通信设备和/或所述第四通信设备的移动速度信息、所述第二响应测量信息组的准确性信息、所述第二信道的资源调度信息；

所述调整模块还用于，根据所述第五训练信息和所述第六训练信息，调整所述第二原始模型的参数，以使所述第四训练信息和所述第六训练信息的相似度在第一预设范围内，以获得调整后的第二原始模型；

所述神经网络模型包括调整后的第二原始模型。

17.一种无线通信处理装置，其特征在于，包括：

存储器，用于存储程序；

处理器，当程序指令在所述至少一个处理器中执行时，所述处理器用于实现权利要求1-8中任一项所述的方法。

18.一种计算机存储介质，其特征在于，用于存储计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1-8中任一项所述的方法。

19.一种芯片系统，其特征在于，所述芯片系统包括至少一个处理器，当程序指令在所述至少一个处理器中执行时，使得所述芯片系统执行如权利要求1-8中任一项所述的方法。

Images