CN112913275A - 用于链路适配的sinr预测的方法和装置 - Google Patents
用于链路适配的sinr预测的方法和装置 Download PDFInfo
- Publication number
- CN112913275A CN112913275A CN201880099042.1A CN201880099042A CN112913275A CN 112913275 A CN112913275 A CN 112913275A CN 201880099042 A CN201880099042 A CN 201880099042A CN 112913275 A CN112913275 A CN 112913275A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- sinr
- neural networks
- predicted
- historical measurement
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
- H04L1/0019—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy in which mode-switching is based on a statistical approach
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- 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
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
- H04L1/1812—Hybrid protocols; Hybrid automatic repeat request [HARQ]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了用于链路适配的SINR预测的方法和装置。所述方法包括:接收从无线电接入节点收集的历史测量数据的步骤,其中所述测量数据包括SINR和相关测量;基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型的步骤;以及利用所述预测模型和历史测量数据来预测SINR的步骤。利用深度学习网络,提供了深度学习助理(DLA)SINR预测。通过将传统方法中的许多挑战转移到神经训练阶段,将会简化现场的线上计算。此外还将改进SINR预测的准确性,从而改进MCS选择的准确性。
Description
技术领域
各个示例性实施例涉及蜂窝无线电实现方式,特别涉及一种用于链路适配的SINR预测的技术。
背景技术
在运营商的蜂窝网络中,链路适配是希望通过使得发送设定适配于无线电信道条件来改进系统容量、峰值数据速率和覆盖可靠性的一个重要组成部分,并且针对发送定时的适当的SINR(信干噪比)估计/预测是使得链路适配尽可能实现其目的的关键。
对于方案总览,如果无线电信道良好,则高层级调制和编码方案和更少的HARQ(混合自动重复请求)重传将得到高数据吞吐量,对应地,如果无线电信道较差,则低层级调制和编码方案和更多的HARQ重传将降低数据吞吐量。
此外,对于传统LTE(长期演进)链路适配PUSCH(物理上行链路共享信道)/SRS(探测参考信号)和AN(接入网)反馈,初始MCS(调制编码方案)选择是基于SINR到MCS查找表,其中SINR是利用来自PUSCH/SRS/PUCCH(物理上行链路控制信道)的平均历史测量来计算的。随后利用关于所发送的PDU(协议数据单元)的历史ACK/NACK信息来更新MCS选择。
特别在快速衰落和路径损耗迅速发生改变的高速训练情形中,历史SINR测量可能无法反映出最近的信道无线电。在演进到LTE-Advanced Pro和5G的过程中,随着例如更高阶MU-MIMO(多用户MIMO)之类的具有更高频谱效率的技术的部署,干扰可能会进一步快速地变化。成对UE之间的干扰可能在TTI层级发生变化。
因此,在这些情形中对于高吞吐量选择正确的MCS是非常大的挑战。不准确的MCS导致高BLER(误块率),低传输效率和吞吐量,以及很差的用户体验。举例来说,由于许多因素所导致的关于不断变化的干扰的错误预测,更小的MCS导致更低的吞吐量,更高的MCS如果无法被正确接收的话则可能导致重传和带宽浪费。
发明内容
各个示例性实施例涉及一种用于链路适配的SINR预测的方法,包括以下步骤:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR。
其他各个示例性实施例涉及用于链路适配的SINR预测的第一装置,包括:
至少一个处理器;以及
包括计算机程序代码的至少一个存储器,
所述至少一个存储器和计算机程序代码被配置来利用所述至少一个处理器使得所述第一装置实施至少以下操作:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
其他各个示例性实施例涉及用于链路适配的SINR预测的第二装置,包括:
至少一个处理器;以及
包括计算机程序代码的至少一个存储器,
所述至少一个存储器和计算机程序代码被配置来利用所述至少一个处理器使得所述第二装置实施至少以下操作:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络获得一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR;
向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
其他各个示例性实施例涉及一种用于链路适配的SINR预测的无线电接入节点的中央单元,其中所述中央单元包括前面的第一装置。
其他各个示例性实施例涉及一种用于链路适配的SINR预测的无线电接入节点的分布式单元,其中所述中央单元包括前面的第二装置。
其他各个示例性实施例涉及一种用于链路适配的SINR预测的系统,其中所述系统包括前面的第一装置和前面的第二装置。
其他各个示例性实施例涉及一种非瞬时性计算机可读介质,包括用于使得一个装置实施至少以下操作的计算机指令;
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
其他各个示例性实施例涉及一种非瞬时性计算机可读介质,包括用于使得一个装置实施至少以下操作的计算机指令;
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络获得一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR;
向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
因此,本发明的主题内容的各个示例性实施例的实现方式提出了用于链路适配的SINR预测的方法和装置。利用深度学习网络,提供了深度学习助理(DLA)SINR预测。通过将传统方法中的许多挑战转移到神经训练阶段,将会简化现场的线上计算。此外还将改进SINR预测的准确性,从而改进MCS选择的准确性。
附图说明
通过参照附图阅读关于非限制性实施例的详细阐述,本发明的主题内容的其他特征、目的和优点将变得更加明确。
图1是示出用于链路适配的SINR预测的第一装置的一个示例性实施例的方块图。
图2是示出用于链路适配的SINR预测的第二装置的一个示例性实施例的方块图。
图3是示出用于链路适配的SINR预测的部署的一个示例性实施例的方块图。
图4示出了使用DNN的SINR预测植入的一个示例性实施例。
图5是示出用于链路适配的SINR预测的方法的一个示例性实施例的流程图。
具体实施方式
在本文中使用“示例性”一词意味着“作为实例、事例或说明。”
在本文中被描述为“示例性”的任何实施例不一定应当被解释成与其他实施例相比是优选的或有利的。在此具体实施方式部分中描述的所有实施例都是示例性实施例,提供这些示例性实施例是为了使得本领域技术人员能够制作或使用本公开内容,而不是为了限制本公开内容的范围。
参照图1,其中示出了用于链路适配的SINR预测建模的第一装置10的一个示例性实施例,包括用于实施以下操作的装置:
装置110,用于接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
装置120,用于基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
具体来说,所述相关测量包括但不限于RSSI(接收信号强度指标)、PHR(功率净空报告)、CQI(信道质量指标)。举例来说,无线电接入节点向第一装置10发送之前从多个TTI收集的SINR、RSSI、PHR、CQI。
预测模型可以预测下一个序列上的SINR和相关测量。举例来说,基于来自TTI(n)和之前的历史SINR和相关测量来训练预测模型,并且预测模型可以对于TTI(n+1)预测SINR和相关测量。
在另一个实施例中,神经网络包括任何一个或多个DNN(深度神经网络)。具体来说,DNN包括但不限于CNN(卷积神经网络)、RNN(递归神经网络)、LSTM(长短期记忆)或其他神经网络。
在另一个实施例中,第一装置10还包括:用于将历史测量数据转换成针对一个或多个神经网络的输入数据的装置。例如根据神经网络的格式要求,第一装置10将历史测量数据的格式转换成针对神经网络的自适应输入数据。
随后,所述用于训练一个或多个预测模型的装置基于所述一个或多个神经网络利用所述输入数据来训练一个或多个预测模型。
在另一个实施例中,第一装置10还包括:用于获得通过预测模型预测的一项或多项预测测量数据以及对应于所述预测测量数据的真实测量SINR的装置;以及用于基于所述预测测量数据和真实测量SINR来更新预测模型的装置。
具体来说,所述用于更新预测模型的装置首先将预测SINR与真实测量SINR进行比较,并且决定是否要更新预测模型;如果预测SINR与真实测量SINR不同,或者预测SINR与真实测量SINR之间的差异超出预定阈值,则所述装置将通过被用作输入数据的历史测量数据以及被用作模型答案的真实测量SINR来更新预测模型。在本文中,所述历史测量数据包括但不限于SINR、RSSI、PHR、CQI等等。
因此,第一装置10可以实现具有线上学习的自我校正反馈,其中基于预测的SINR数据和后来真实测量的SINR数据来更新所学习到的模型。
本领域技术人员可以理解的是,通过将传统方法中的许多挑战转移到线下训练阶段,将会简化现场的线上计算。此外,无时延敏感性的线上训练和学习也是用于后来在结果上更好地进行细调的另外的选项。
参照图2,其中示出了用于链路适配的SINR预测的第二装置20的一个示例性实施例,包括用于实施以下操作的装置;
装置210,用于接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
装置220,用于基于一个或多个神经网络获得一个或多个预测模型;
装置230,用于利用所述预测模型和历史测量数据来预测SINR;
装置240,用于向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
具体来说,装置220可以从装置10获得一个或多个预测模型,或者其他装置可以提供预测模型。装置230取得历史测量数据作为输入信息。预测模型可以计算出结果以作为预测SINR。
在本文中,前面的装置包括:
至少一个处理器;以及
包括计算机程序代码的至少一个存储器,所述至少一个存储器和计算机程序代码被配置来利用所述至少一个处理器使得所述装置实施操作。
参照图3,图3是示出用于链路适配的SINR预测的部署的一个示例性实施例的方块图。
第一装置被部署在中央单元(CU)上以利用从无线电接入节点(RAN)收集的批量测量数据来训练模型,第二装置被部署在DU上以靠近RAN(UP)并且确保模型输出的快速递送。这种部署可以支持深度学习助理(DLA)SINR预测或智能链路适配。
RAN将批量采样的测量数据发送到CU上的第一装置。第一装置训练模型,DU上的第二装置预测SINR。
第二装置将预测结果发送到RAN,RAN将当前测量数据发送到第二装置。
第二装置将当前测量数据发送到第一装置以作为模型反馈,第一装置利用所述模型反馈来更新模型。随后将更新模型发送到第二装置。
参照图4,图4示出了使用DNN的SINR预测植入的一个示例性实施例。
该实施例利用RNN/LSTM作为深度学习模型。它包括两个部分:
一个部分是具有预测的特征提取器,其从未经处理的数据自动学习特征。
另一个部分是具有线上学习的自我校正反馈,其基于预测的SINR数据和后来真实测量的SINR数据来更新所学习到的模型。
参数n和k可以由产品要求决定。举例来说,在一个实施例中,n可以被定义为5或10。
参照图5,图5是示出用于链路适配的SINR预测的方法的一个示例性实施例的流程图。
在步骤510,接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
在步骤520,基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型;
在步骤530,利用所述预测模型和历史测量数据来预测SINR。
具体来说,所述相关测量包括但不限于RSSI(接收信号强度指标)、PHR(功率净空报告)、CQI(信道质量指标)。举例来说,无线电接入节点发送之前从多个TTI收集的SINR、RSSI、PHR、CQI。
预测模型可以预测下一个序列上的SINR和相关测量。举例来说,基于来自TTI(n)和之前的历史SINR和相关测量来训练预测模型,并且预测模型可以对于TTI(n+1)预测SINR和相关测量。
在另一个实施例中,神经网络包括任何一个或多个DNN(深度神经网络)。具体来说,DNN包括但不限于CNN(卷积神经网络)、RNN(递归神经网络)、LSTM(长短期记忆)或其他神经网络。
在另一个实施例中,所述方法还包括以下步骤:
将历史测量数据转换成针对一个或多个神经网络的输入数据。例如根据神经网络的格式要求,所述方法历史测量数据的格式转换成针对神经网络的自适应输入数据。
随后,在步骤520,所述方法基于所述一个或多个神经网络利用所述输入数据来训练一个或多个预测模型。
在另一个实施例中,所述方法还包括以下步骤:
获得通过预测模型预测的一项或多项预测测量数据以及对应于所述预测测量数据的真实测量SINR;以及基于所述预测测量数据和真实测量SINR来更新预测模型。
具体来说,所述方法首先将预测SINR与真实测量SINR进行比较,并且决定是否要更新预测模型;如果预测SINR与真实测量SINR不同,或者预测SINR与真实测量SINR之间的差异超出预定阈值,则将通过被用作输入数据的历史测量数据以及被用作模型答案的真实测量SINR来更新预测模型。在本文中,所述历史测量数据包括但不限于SINR、RSSI、PHR、CQI等等。
因此,所述方法可以实现具有线上学习的自我校正反馈,其中基于预测的SINR数据和后来真实测量的SINR数据来更新所学习到的模型。
本领域技术人员可以理解的是,通过将传统方法中的许多挑战转移到线下训练阶段,将会简化现场的线上计算。此外,无时延敏感性的线上训练和学习也是用于后来在结果上更好地进行细调的另外的选项。
在步骤530,所述方法取得历史测量数据作为输入信息。预测模型可以计算结果以作为预测SINR。
此外,一种非瞬时性计算机可读介质包括用于使得一个装置实施至少以下操作的计算机指令:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
并且,一种非瞬时性计算机可读介质包括用于使得一个装置实施至少以下操作的计算机指令:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络获得一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR;
向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
对于本领域技术人员显而易见的是,本公开内容不限于前面的示例性实施例的细节,在不背离本公开内容的精神或实质特性的情况下,可以通过其他具体形式来实施本公开内容。因此,所述实施例应当被认为是示例性而非限制性的,并且本公开内容的范围由所附权利要求而不是前面的描述限定,因此本公开内容的权利要求意图涵盖落在本公开内容的含义和等效范围内的所有改变。权利要求中的任何附图标记不应被认为是限制所涉及的权利要求。此外显而易见的是,“包括”一词不排除其他单元或步骤,并且单数不排除复数。在系统权利要求中引述的多个单元或设备也可以由一个单元或设备通过软件或硬件来实施。比如“第一”、“第二”等用词被用来表明名称而不表明任何具体顺序。
在权利要求中规定了各个实施例的各个方面。在以下编号条款中规定了各个实施例的这些和其他方面:
1、一种用于链路适配的SINR预测的方法,包括以下步骤:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR。
2、第1条的方法,其中,所述方法还包括:
获得通过预测模型预测的一项或多项预测测量数据以及对应于所述预测测量数据的真实测量SINR的步骤;
基于所述预测测量数据和真实测量SINR来更新预测模型的步骤。
3、第1或2条的方法,其中,所述方法还包括:
将所述历史测量数据转换成针对一个或多个神经网络的输入数据的步骤;
其中所述基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型的步骤包括:
基于所述一个或多个神经网络利用所述输入数据训练一个或多个预测模型。
4、第1到3条中的任一条的方法,其中,所述神经网络包括任何一个或多个DNN(深度神经网络)。
5、第一装置中的用于链路适配的SINR预测建模的方法,包括以下步骤:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
6、第5条的方法,其中,所述方法还包括:
获得通过预测模型预测的一项或多项预测测量数据以及对应于所述预测测量数据的真实测量SINR的步骤;
基于所述预测测量数据和真实测量SINR来更新预测模型的步骤。
7、第5或6条的方法,其中,所述方法还包括:
将所述历史测量数据转换成针对一个或多个神经网络的输入数据的步骤;
其中所述基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型的步骤包括:
基于所述一个或多个神经网络利用所述输入数据训练一个或多个预测模型。
8、第5到7条中的任一条的方法,其中,所述神经网络包括任何一个或多个DNN(深度神经网络)。
9、第二装置中的用于链路适配的SINR预测的方法,包括以下步骤:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络获得一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR;
向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
10、用于链路适配的SINR预测建模的第一装置,包括用于实施以下操作的装置:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
11、权利要求10的装置,其中,所述装置还被配置来实施以下操作:
获得通过预测模型预测的一项或多项预测测量数据以及对应于所述预测测量数据的真实测量SINR;
基于所述预测测量数据和真实测量SINR来更新预测模型。
12、权利要求10或11的装置,其中,所述装置还被配置来实施以下操作:
将所述历史测量数据转换成针对一个或多个神经网络的输入数据;
其中所述用于基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型的装置实施以下操作:
基于所述一个或多个神经网络利用所述输入数据训练一个或多个预测模型。
13、权利要求10到12中的任一条的装置,其中,所述神经网络包括任何一个或多个DNN(深度神经网络)。
14、权利要求10到13中的任一条的装置,其中,所述装置包括:
至少一个处理器;以及
包括计算机程序代码的至少一个存储器,所述至少一个存储器和计算机程序代码被配置来利用所述至少一个处理器使得所述装置实施操作。
15、用于链路适配的SINR预测的第二装置,包括用于实施以下操作的装置:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络获得一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR;
向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
16、权利要求15的装置,其中,所述装置包括:
至少一个处理器;以及
包括计算机程序代码的至少一个存储器,所述至少一个存储器和计算机程序代码被配置来利用所述至少一个处理器使得所述装置实施操作。
17、一种用于链路适配的SINR预测建模的无线电接入节点的中央单元,其中,所述中央单元包括第10到14条中的任一条的第一装置。
18、一种用于链路适配的SINR预测的无线电接入节点的分布式单元,其中,所述中央单元包括第15或16条中的任一条的第二装置。
19、一种用于链路适配的SINR预测的系统,其中,所述系统包括第10到14条中的任一条的第一装置以及第15或16条中的任一条的第二装置。
20、一种非瞬时性计算机可读介质,包括用于使得一个装置实施至少以下操作的计算机指令;
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
21、一种非瞬时性计算机可读介质,包括用于使得一个装置实施至少以下操作的计算机指令;
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络获得一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR;
向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
Claims (14)
1.一种用于链路适配的SINR预测的方法,包括以下步骤:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获得通过预测模型预测的一项或多项预测测量数据以及对应于所述预测测量数据的真实测量SINR的步骤;
基于所述预测测量数据和真实测量SINR来更新预测模型的步骤。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:
将所述历史测量数据转换成针对一个或多个神经网络的输入数据的步骤;
其中所述基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型的步骤包括:
基于所述一个或多个神经网络利用所述输入数据训练一个或多个预测模型。
4.根据权利要求1到3中的任一条所述的方法,其中,所述神经网络包括任何一个或多个DNN(深度神经网络)。
5.用于链路适配的SINR预测建模的第一装置,包括:
至少一个处理器;以及
包括计算机程序代码的至少一个存储器,
所述至少一个存储器和计算机程序代码被配置来利用所述至少一个处理器使得所述第一装置实施至少以下操作:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
6.根据权利要求5所述的装置,其中,所述操作还包括:
获得通过预测模型预测的一项或多项预测测量数据以及对应于所述预测测量数据的真实测量SINR;
基于所述预测测量数据和真实测量SINR来更新预测模型。
7.根据权利要求5或6所述的装置,其中,所述操作还包括:
将所述历史测量数据转换成针对一个或多个神经网络的输入数据;
其中所述用于基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型的装置实施以下操作:
基于所述一个或多个神经网络利用所述输入数据训练一个或多个预测模型。
8.根据权利要求5到7中的任一条所述的装置,其中,所述神经网络包括任何一个或多个DNN(深度神经网络)。
9.用于链路适配的SINR预测的第二装置,包括:
至少一个处理器;以及
包括计算机程序代码的至少一个存储器,
所述至少一个存储器和计算机程序代码被配置来利用所述至少一个处理器使得所述第二装置实施至少以下操作:
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络获得一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR;
向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
10.一种用于链路适配的SINR预测建模的无线电接入节点的中央单元,其中,所述中央单元包括根据权利要求5到8中的任一条所述的第一装置。
11.一种用于链路适配的SINR预测的无线电接入节点的分布式单元,其中,所述中央单元包括根据权利要求9所述的第二装置。
12.一种用于链路适配的SINR预测的系统,其中,所述系统包括根据权利要求5到8中的任一项所述的第一装置以及根据权利要求9所述的第二装置。
13.一种非瞬时性计算机可读介质,包括用于使得一个装置实施至少以下操作的计算机指令;
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络利用所述历史测量数据训练一个或多个预测模型。
14.一种非瞬时性计算机可读介质,包括用于使得一个装置实施至少以下操作的计算机指令;
接收从无线电接入节点收集的历史测量数据,其中所述测量数据包括SINR和相关测量;
基于一个或多个神经网络获得一个或多个预测模型;
利用所述预测模型和历史测量数据来预测SINR;
向蜂窝网络中的一个或多个链路适配模块发送预测SINR。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/112608 WO2020087260A1 (en) | 2018-10-30 | 2018-10-30 | Method and apparatus for sinr prediction for link adaption |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112913275A true CN112913275A (zh) | 2021-06-04 |
Family
ID=70463313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880099042.1A Pending CN112913275A (zh) | 2018-10-30 | 2018-10-30 | 用于链路适配的sinr预测的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112913275A (zh) |
WO (1) | WO2020087260A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11412521B1 (en) * | 2021-03-02 | 2022-08-09 | Qualcomm Incorporated | Machine learning aided location-based downlink interference assistance information |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104811991A (zh) * | 2015-04-17 | 2015-07-29 | 合肥工业大学 | 基于动态时间规整算法的无线链路质量预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8688049B2 (en) * | 2006-10-05 | 2014-04-01 | Telefonaktiebolaget L M Ericsson (Publ) | Method for predicting channel quality indicator (CQI) values |
KR101238919B1 (ko) * | 2010-01-13 | 2013-03-06 | 한국전자통신연구원 | 공간 다중화 다중안테나 시스템에서의 신호 대 간섭 및 잡음비 예측 장치 및 방법 |
CN102457321B (zh) * | 2010-10-26 | 2014-06-04 | 上海贝尔股份有限公司 | 无线通信系统中的下行链路sinr预测方法、设备和基站 |
CN106068017B (zh) * | 2016-04-13 | 2019-06-25 | 合肥工业大学 | 基于小波神经元网络的无线链路质量预测方法 |
-
2018
- 2018-10-30 CN CN201880099042.1A patent/CN112913275A/zh active Pending
- 2018-10-30 WO PCT/CN2018/112608 patent/WO2020087260A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104811991A (zh) * | 2015-04-17 | 2015-07-29 | 合肥工业大学 | 基于动态时间规整算法的无线链路质量预测方法 |
Non-Patent Citations (1)
Title |
---|
NAHID ARDALANI,ET: "SINR Prediction in Mobile CDMA Systems by Linear and Nonlinear Artificial Neural-Network-Based Predictors", IJCSI INTERNATIONAL JOURNAL OF COMPUTER SCIENCE ISSUES, pages 4 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020087260A1 (en) | 2020-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11973708B2 (en) | Method and apparatus for reporting channel state information | |
CN107408964B (zh) | 用于控制无线电传输的方法、设备和介质 | |
US12021572B2 (en) | Systems and methods for wireless signal configuration by a neural network | |
RU2386214C2 (ru) | Устойчивое прогнозирование ранга для системы mimo | |
US8213527B2 (en) | Channel variation detection of wireless channel for adaptive transmission schemes | |
US20140293899A1 (en) | Method and apparatus for selecting modulation and coding selection (mcs) level in wireless mobile communication system | |
CN101808369B (zh) | 一种基于cqi预测的自适应调制编码方法 | |
WO2020190182A1 (en) | Link adaptation optimization with contextual bandits | |
Ni et al. | A channel feedback model with robust SINR prediction for LTE systems | |
US20200287639A1 (en) | Learning-based wireless transmission parameter adaptation based on client activity detection | |
US20190052396A1 (en) | Method and apparatus for determining a value for a transmission parameter | |
WO2017096954A1 (zh) | Cqi估计、sinr确定方法及相关设备 | |
CN105519030A (zh) | 通信系统中进行快速链路自适应的装置与计算机程序产品 | |
WO2020190181A1 (en) | Link adaptation optimized with machine learning | |
EP2398269B1 (en) | Signal to interference plus noise ratio (sinr) estimation method and device | |
US20140029454A1 (en) | Apparatus and method for transmitting/receiving channel quality indicator in communication system | |
Bartoli et al. | CQI prediction through recurrent neural network for UAV control information exchange under URLLC regime | |
US11457453B2 (en) | Outer-loop adjustment for link adaptation | |
WO2023092249A1 (en) | Systems and methods for model management | |
US20230309133A1 (en) | Method and system for user equipment pairing in full duplex networks based on machine learning | |
CN112913275A (zh) | 用于链路适配的sinr预测的方法和装置 | |
CN109842466A (zh) | 一种数据重传方法及网络设备 | |
US20230155705A1 (en) | Methods, Apparatus and Machine-Readable Media Relating to Channel Quality Prediction in a Wireless Network | |
CN114422380A (zh) | 神经网络信息传输方法、装置、通信设备和存储介质 | |
TWI599193B (zh) | 判定交互資訊的方法與裝置 |
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 |