CN113273108A - 使用神经网络检测帧中传输的控制信息 - Google Patents

使用神经网络检测帧中传输的控制信息 Download PDF

Info

Publication number
CN113273108A
CN113273108A CN201980088250.6A CN201980088250A CN113273108A CN 113273108 A CN113273108 A CN 113273108A CN 201980088250 A CN201980088250 A CN 201980088250A CN 113273108 A CN113273108 A CN 113273108A
Authority
CN
China
Prior art keywords
samples
neural network
control information
layer
information element
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
Application number
CN201980088250.6A
Other languages
English (en)
Inventor
J-L·奥利夫斯
V·斯塔克
M·T·科科南
G·莫雷诺·克雷斯波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN113273108A publication Critical patent/CN113273108A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/004Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045Arrangements at the receiver end
    • H04L1/0047Decoding adapted to other signal detection operation
    • H04L1/005Iterative decoding, including iteration between signal detection and decoding operation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/0001Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0023Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
    • H04L1/0026Transmission of channel quality indication
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/0001Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0036Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/004Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045Arrangements at the receiver end
    • H04L1/0047Decoding adapted to other signal detection operation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/12Arrangements for detecting or preventing errors in the information received by using return channel
    • H04L1/16Arrangements 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
    • H04L1/18Automatic repetition systems, e.g. Van Duuren systems
    • H04L1/1829Arrangements specially adapted for the receiver end
    • H04L1/1864ARQ related signaling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W76/00Connection management
    • H04W76/20Manipulation of established connections
    • H04W76/28Discontinuous transmission [DTX]; Discontinuous reception [DRX]

Landscapes

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

Abstract

提供了一种用于在无线电接收器中采用神经网络的解决方案。根据一方面,方法包括:从接收到的帧中获取与帧中的控制信息元素的位置相关联的样本集合;将样本集合输入至神经网络的输入层的节点,该输入层具有与样本集合中的样本的数目相同的节点数目;在接收到样本集合之前,在已被训练的神经网络中处理样本集合,以解码控制信息元素的一个或多个确定值并且检测不连续传输;在神经网络的输出层中输出指示在样本集合中所包括的控制信息元素的解码值的指示符,或指示不连续传输的指示符。

Description

使用神经网络检测帧中传输的控制信息
技术领域
本发明涉及无线通信系统中的通信,并且具体涉及检测上行链路或者下行链路帧中传输的控制信息。
背景技术
控制信息可以携带各种涉及无线电链路管理的信息。在现代蜂窝通信系统中,控制信息可以包括,例如,确认对帧的接收的确认消息(ACK/NAK)、报告无线电链路的无线电信道的质量的信道质量信息(CQI)、指示无线电信道的秩的秩指示符(RI)等。控制信息通常地在发送器中被编码并且通过使用例如最大化似然准则、将接收到的被无线电信道中的噪声破坏的控制信息符映射到最接近的码字而在接收器中被解码。
发明内容
根据一方面,提供了独立权利要求的主题。一些实施例在从属权利要求中被限定。
根据一方面,提供了一种装置,包括部件,该部件用于执行:从接收到的帧中获取与帧中的控制信息元素的位置相关联的样本集合;将样本集合输入到神经网络的输入层的节点,输入层具有与样本集合中的样本的数目相同的节点数目;在接收到样本集合之前,在已被训练的神经网络中处理样本集合,以解码控制信息元素的一个或多个确定量并且检测不连续传输;在神经网络的输出层中输出指示在样本集合中所包括的控制信息元素的解码值的指示符或者指示不连续传输的指示符。
在实施例中,输出层包括与神经网络的可能输出相等数目的节点。
在实施例中,部件被配置为仅在输出层的节点中的一个节点中输出非零值,并且在输出层的其他一个或多个节点中输出零值。
在实施例中,样本集合包括调制符号样本,并且其中神经网络被配置位解码来自调制符号样本的控制信息元素的一个或多个确定值。
在实施例中,神经网络包括输入层和输出层之间的仅两层:第一层被耦合到输入层的输出,并且包括与输入层中的节点的数目相等数目的节点;并且第二层被耦合到第一层和输出层之间,并且包括与输出层中的节点的数目相等数目的节点。
在实施例中,神经网络被完全的连接。
在实施例中,控制信息元素具有一比特或者两比特。
在实施例中控制信息元素是对帧的接收进行确认的确认消息或者秩指示符。
在实施例中,神经网络通过到神经网络的训练输入而被训练,训练输入包括如被模拟噪声破坏的控制信息元素的所有可能值,其中模拟噪声模拟一个或多个无线电信道模型,训练输入还包括不连续传输训练输入。
在实施例中,部件包括:至少一个处理器;以及至少一个存储器,其包括计算机程序代码,至少一个存储器和计算机程序代码被配置为与至少一个处理器一起引起装置的执行。
根据另一方面,提供了一种方法,包括:由无线设备从接收到的帧中获取与帧中的控制信息元素的位置相关联的样本集合;由无线设备将样本集合输入至神经网络的输入层的节点,输入层具有与样本集合中的样本的数目相同的节点数目;在接收到样本集合之前,由无线设备在已被训练的神经网络中处理样本集合,以解码控制信息元素的一个或多个确定量并且检测不连续传输;由无线设备在神经网络的输出层中输出指示在样本集合中所包括的控制信息元素的解码值的指示符或者指示不连续传输的指示符。
在实施例中,输出层包括与神经网络的可能输出相等数目的节点。
在实施例中,神经网络仅在输出层的节点中的一个节点中输出非零值,并且在输出层的其他一个或多个节点中输出零值。
在实施例中,样本集合包括调制符号样本,并且其中神经网络解码来自调制符号样本的控制信息元素的一个或多个确定值。
在实施例中,神经网络包括输入层与输出层之间的仅两层:第一层被耦合到输入层的输出并且包括与输入层中的节点的数目相等数目的节点;并且第二层被耦合在第一层与输出层之间,并且包括与输出层中的节点的数目相等数目的节点。
在实施例中,神经网络被完全地连接。
在实施例中,控制信息元素具有一比特或者两比特。
在实施例中,控制信息元素是对帧的接收进行确认的确认消息或秩指示符。
在实施例中,神经网络通过到神经网络的训练输入而被训练,训练输入包括如被模拟噪声破坏的控制信息元素的所有可能值,并且其中模拟噪声模拟一个或多个无线电信道模型,训练输入还包括不连续传输训练输入。
根据另一方面,提供了一种计算机程序产品,被实施在计算机可读介质上并且包括由计算机可读的计算机程序代码,其中计算机程序代码将计算机配置为执行计算机过程,包括:从接收到的帧中获取与帧中的控制信息元素的位置相关联的样本集合;将样本集合输入至神经网络输入层的节点,输入层具有与样本集合中的样本数目相同的节点数目;在接收到样本集合之前,在已被训练的神经网络中处理样本集合,以解码控制信息元素的一个或多个确定值并且检测不连续传输;在神经网络的输出层中输出指示在样本集合中所包括的控制信息元素的解码值的指示符或者指示不连续传输的指示符。
在附图和以下描述中更详细地阐述了实施方式的一个或多个示例。从描述和附图、以及从权利要求中,其他特征将是显而易见的。
附图说明
下面将参考附图来描述一些实施例,其中
图1图示了可以应用本发明的实施例的无线网络的示例;
图2图示了控制信息元素从发送器到接收器的传送;
图3图示了用于联合执行控制信息元素的解码和不连续传输的检测的实施例;
图4图示了用于在发送器中处理控制信息元素的程序;
图5图示了根据本发明的一些实施例的、被配置为联合执行控制信息元素的解码和不连续传输的检测的神经网络;
图6A和图6B图示了根据本发明的实施例的用于训练神经网络的过程;
图7图示了根据本发明的实施例用于测试神经网络的过程;以及
图8图示了根据本发明的实施例的装置。
具体实施方式
以下实施例是示例性。尽管本说明书可以在文本的若干位置引用“一个”、“一”,或者“一些”(多个)实施例,这不必然意味着每次均指代相同的(多个)实施例,或者特定的特征仅适用于单个实施例。不同实施例的单个特征也可以被组合以提供其他实施例。
在下文中,将使用基于高级长期演进(LTE Advanced,LTE-A)或新无线电(NR,5G)的无线电接入架构作为实施例可被应用的接入架构的示例,来描述不同的示例性实施例,但不将实施例限制于这种架构。对于本领域的技术人员明显的是,通过适当地调整参数和程序,实施例也可以被应用于具有合适部件的其他种类的通信网络。针对合适的系统的其他选项的一些示例是通用移动电信系统(UMTS)无线电接入网(UTRAN或E-UTRAN)、长期演进(LTE,与E-UTRA相同)、无线局域网(WLAN或WiFi)、全球微波接入互通(WiMAX)、
Figure BDA0003152576400000051
个人通信服务(PCS)、
Figure BDA0003152576400000052
宽带码分多址(WCDMA)、使用超宽带(UWB)技术的系统、传感器网络、移动ad-hoc网络(MANET),以及因特网协议多媒体子系统(IMS)或者其任何组合。
图1描绘了仅示出一些元件和功能性实体的简化系统架构的示例,元件和功能行实体全部是逻辑单元,其实施方式可能不同于已知的实施方式。图1中所示的连接是逻辑连接;实际物理连接可以是不同的。对于本领域技术人员显而易见的是,系统通常还包括除了图1中所示的那些功能和结构之外的其他功能和结构。
然而,实施例不限于作为示例给出的系统,而是本领域技术人员可以将解决方案应用于被提供有必要属性的其他通信系统。
图1的示例示出了示例性无线电接入网络的部分。
图1示出了用户设备100和102,用户设备100和102被配置为在小区中的一个或多个通信信道上与提供该小区的接入节点(诸如(e/g)节点B)104进行无线连接。从用户设备到(e/g)节点B的物理链路被称为上行链路或者反向链路,并且从(e/g)节点B到用户设备的物理链路被称为下行链路或者前向链路。应当理解的是,节点B或它们的功能可以通过使用任何节点、主机、服务器或者接入点等适合于这种用途的实体来实现(e/g)。
通信系统通常包括多于一个的(e/g)节点B,在这种情况下,(e/g)节点B也可以被配置为通过为此目的设计的有线或者无线链路彼此通信。这些链路不仅可以用于信令目的,还可以用于将数据从一个(e/g)节点B路由至另一(e/g)节点B。(e/g)节点B是被配置为控制其耦合到的通信系统的无线电资源的计算设备。节点B也可以被称为基站、接入点、接入节点、或者任何其他类型的接口设备,包括能够在无线环境中操作的中继站。(e/g)节点B包括或者被耦合到收发器。连接从(e/g)节点B的收发器被提供至天线单元,该天线单元建立到用户设备的双向无线电链路。天线单元可以包括多条天线或者天线元件。(e/g)节点B还被连接到核心网络110(CN或者下一代核心NGC)。取决于系统,CN侧的对应方可以是服务网关(S-GW,路由和转发用户数据分组)、用于提供用户设备(UE)到外部分组数据网络的连接的分组数据网络网关(P-GW)、或者移动管理实体(MME)等。
用户设备(也称为UE,用户装备、用户终端、终端设备等)图示了一种类型的装置,空中接口上的资源被分配和指派给该装置,并且因此本文中利用用户设备描述的任何特征可以利用相应装置来实现,诸如中继节点。这样的中继节点的示例是对基站的层3中继(自回程中继)。
用户设备通常指便携式计算设备,包括使用或不使用用户标识模块(SIM)操作的无线移动通信设备,包括但不限于以下类型的设备:移动台(移动电话)、智能手机、个人数字助理(PDA)、手持机、使用无线调制解调器的设备(警报或测量设备等)、膝上型电脑和/或触屏计算机、平板电脑、游戏控制器、笔记本电脑、以及多媒体设备。应当理解的是,用户设备也可以是近乎独有的仅上行链路设备,其示例是将图像或视频剪辑加载到网络的照相机或者摄像机。用户设备也可以是具有在物联网(IoT)网络中操作的能力的设备,物联网网络是这样的场景,其中的对象被提供有在无需人与人或者人与计算机交互的情况下通过网络传送数据的能力。用户设备也可以利用云。在一些应用中,用户设备可以包括具有无线电部分的小型便携式设备(诸如手表、耳机或者眼镜),并且计算在云中执行。用户设备(或者在一些实施例中,层3中继节点)被配置为执行用户装备功能中的一个或多个功能。用户设备也可以被称为订户单元、移动台、远程终端、接入终端、用户终端或者用户装备(UE),仅提及几个名称或者装置。
无线设备是涵盖接入节点和终端设备两者的通用术语。
本文描述的各种技术还可以应用于网络物理系统(CPS)(协作控制物理实体的计算元件的系统)。CPS可以支持对嵌入到不同位置处的物理对象中的大量互连ICT设备(传感器、制动器、处理器微控制器等)的实现和利用。移动网络物理系统是网络物理系统的子类别,其中所讨论的物理系统具有固有的移动性。移动物理系统的示例包括由人类或者动物运输的移动机器人和电子设备。
附加地,尽管装置已经被描绘为单个实体,但不同单元、处理器和/或存储器单元(未全部在图1中示出)可以被实现。
5G支持使用多输入多输出(MIMO)天线,比LTE多得多的基站和节点(所谓的小小区概念),包括与较小的站合作操作的宏站点,并且根据服务需要、用例和/或可用频谱采用各种各样的无线电技术。5G移动通信支持广泛的用例和相关应用,包括视频流、增强现实、不同的数据共享方式和各种形式的机器类型应用(诸如(大规模)机器类型通信(mMTC),包括车辆安全、不同的传感器和实时控制。5G被期望具有多个无线电接口,即6GHz以下、cm波和mm波,并且还可与现有的传统无线电接入技术(注入,LTE)集成。至少在早期阶段,与LTE的集成可以作为一个系统来实现,其中宏覆盖范围由LTE提供,并且5G无线电接口接入来自通过聚合到LTE的小小区。换言之,5G被计划为支持RAT间可操作性(诸如LTE-5G)和RI间可操作性(无线电接口间可操作性,诸如低于6GHz至cm波、低于6GHz至cm波至mm波)两者。考虑用于5G网络中的概念之一是网络切片,其中多个独立和专用虚拟子网络(网络实例)可以在相同基础设施内被创建以运行对时延、可靠性、吞吐量和移动性具有不同要求的服务。
LTE网络中的当前架构被完全分布在无线电中,并且完全集中于核心网络中。5G中的低时延应用和服务需要将内容带到接近导致本地疏导和多接入边缘计算(MEC)的无线电。5G能够在数据源上发生分析和知识生成。该方法需要借助资源,该资源可能无法连续地连接到网络,诸如膝上型电脑、智能电话、平板电脑和传感器。MEC提供用于应用和服务托管的分布式计算环境。为了加快响应时间,它还具有在很靠近蜂窝订户处存储和处理内容的能力。边缘计算覆盖大范围的技术,诸如无线传感器网络、移动数据获取、移动签名分析、合作分布式对等自组织组网和处理(也被分类为本地云/雾计算和网格/网式计算)、露计算、移动边缘计算、微云(cloudlet)、分布式数据存储和取回、自主自愈网络、远程云服务、增强和虚拟现实、数据缓存、物联网(大规模连接性和/或时延关键)、关键通信(自主车辆、交通安全、实时分析、时间关键控制、医疗保健应用)。
通信系统还能够与其他网络通信,诸如公共交换电话网或者因特网112,或者利用由它们提供的服务。通信网络还可以能够支持对云服务的使用,例如至少部分核心网络操作可以作为云服务执行(这在图1中由“云”114描绘)。通信系统还可以包括中心控制实体等,从而为不同运营商的网络提供设施以例如在频谱共享中进行合作。
边缘云可以通过利用网络功能虚拟化(NVF)和软件定义网络(SDN)被引入无线电接入网(RAN)。使用边缘云可能意味着接入节点操作将至少部分地在被操作耦合到远程无线电头端或者包括无线电部分的基站的服务器、主机或者节点中执行。节点操作也可能将分布在多个服务器、节点或者主机之间。云RAN架构的应用使得RAN实时功能能够在RAN侧执行(在分布式单元,DU 104中),并且非实时功能能够以集中方式(在集中式单元,CU108)执行。
还应当理解的是,核心网络操作和基站操作之间的功能分布可能不同于LTE,或者甚至不存在。可能被使用的一些其他技术进步可能是大数据或者全IP,这可能改变网络被构造和管理的方式。5G(或者新无线电、NR)网络被设计以支持多个层级,其中MEC服务器可以被放置在核心与基站或者节点B(gNB)之间。应当理解的是MEC也可以被应用于4G网络。
5G还可以利用卫星通信来增强或补充5G服务的覆盖范围,例如通过提供回程。可能的用例是为机器对机器(M2M)或者物联网(IoT)设备或者车辆运载的乘客提供服务连续性,或者确保用于关键通信以及未来铁路、海运、和/或航空通信的服务可用性。卫星通信可以利用对地静止地球轨道(GEO)卫星系统,也可以利用近地轨道(LEO)卫星系统,特别是巨型星座(其中部署有数百个(纳米)卫星的系统)。巨型星座中的每个卫星106可以覆盖创建地面小区的若干个支持卫星的网络实体。地面小区可以通过地面中继节点104或者由位于地面或者卫星中的gNB被创建。
对于本领域技术人员显而易见的是,所描绘的系统仅作为无线电接入系统的一部分的示例,并且在实践中,该系统可以包括多个(e/g)节点B,用户设备可以接入多个无线电小区并且该系统还可以包括其他装置,诸如物理层中继节点或其他网络元件等。(e/g)节点B的至少一个(e/g)节点B可以是家庭(e/g)节点B。附加地,在无线电通信系统的地理区域中,可以提供多个不同种类的无线电小区和多个无线电小区。无线电小区可以是宏小区(或者伞状小区),它们是大型小区,通常具有高达数十千米的直径,或者可以是较小的小区,诸如微小区、毫微微小区或者微微小区。图1的(e/g)节点B可以提供任何类型的这些小区。蜂窝无线电系统可以被实现为包括若干种小区的多层网络。通常,在多层网络中,一个接入节点提供一个种类的一个或多个小区,并且因此多个(e/g)节点B被要求提供这样的网络结构。
为了满足提高通信系统的部署和性能的需要,“即插即用”(e/g)节点B的概念已被引入。通常地,能够使用“即插即用”(e/g)节点B的网络包括除家庭(e/g)节点B(H(e/g)节点B)之外的家庭节点B网关或者HNB-GW(未在图1中示出)。通常安装在运营商的网络内的HNB网关(HNB-GW)可以将流量从大量HNB聚合回到核心网络。
关于无线通信系统所周知的,控制或者管理信息通过无线电接口在例如终端设备100与接入节点104之间被传送。控制信息可以包括各种信息,诸如背景技术中所描述的那些控制信息片段。图2示出了用于传送代表控制信息元素的值的码字X的过程的基本框图。码字X被编码在发送器300中,并且被分配到传输资源块中的专用位置。然后,所发送的控制信息元素通过无线电信道302被递送至接收器304,其中无线电信道利用噪声破坏所发送的控制信息元素。噪声特性取决于发送器与接收器之间的距离、发送器和接收器的速度,以及发送器和接收器之间的障碍及其他因素。若干无线电信道模型已经被设计以模拟信道如何修改所发送的信号。
传统上,每个控制信息片段在接收器304中受到单独解码,其中解码是发送器中编码的反向操作。解码器的输出是码字X的估计。例如,当控制信息元素通过使用Reed-Muller块编码被编码时,接收器可以采用Reed-Muller块解码器来解码控制信息元素。针对卷积编码控制信息元素,可以采用Viterbi解码器。进而,可能存在发送器不能在专用位置发送控制信息元素的情况,因此导致专用位置的不连续传输(DTX)。为了避免将噪声或者有效负载数据错误检测为控制信息元素,应当在接收器中正确地检测意外的DTX。传统上,采用单独的DTX检测。
本发明采用神经网络来联合地执行控制信息元素的解码和DTX检测。图3图示了这种通过无线电信道接收控制信息元素的无线设备中执行的过程的实施例。无线设备可以是接入节点,在这种情况下,控制信息是上行链路控制信息。然而,本发明的原理也适用于下行链路控制信息,其中无线设备是终端设备。
参考图2,该过程包括:获取(块300)帧并且从帧中根据控制信息元素的位置提取样本集合;将样本合集输入(块302)神经网络的输入层的节点,输入层具有与样本集合中的样本的数目相同的节点数目;(块304)在接收到样本集合之前,在已被训练的神经网络中处理样本集合,以解码控制信息元素的一个或多个确定值并且检测不连续传输;在神经网络的输出层中输出指示在样本集合(块308)中所包括的控制信息元素的解码值的指示符或者指示不连续传输(块310)的指示符。
在实施例中,块306中的神经网络确定样本集合是否包含控制信息元素或者DTX。如果控制信息元素在样本集合中被发现,则该过程进行到块308。如果样本集合被检测到包含DTX,则该过程继续进行到块310。
图4图示了根据3GPP规范的上行链路控制信息(UCI)元素。物理上行链路共享信道(PUSCH)上的UCI包含信道质量信息(CQI)404、预编码矩阵指示符(PMI)404、秩指示符(RI)406以及确认/否定确认(ACK/NACK)406。ACK/NACK属于混合自动重发请求,这是用于防止传输块的丢失的块重传方法。当UCI在PUSCH上被发送时,在将控制信息多路复用到相同的符号块之前,针对每片控制信息,单独执行针对ACK/NACK、RI以及CQI/PMI的信道编码、加扰和调制。ACK/NACK在上行链路子帧中的解调参考信号(DRS)旁边的预定位置被打孔为有效负载数据400。CQI/PMI被放置在数据400的起始处。打孔的资源元素(RE)的数目取决于ACK/NACK比特的数目和所采用的调制方案。资源块被用于描述一组RE,该组RE在频率域中跨越12个连续子载波并在时域中跨越1个时隙。
如图4所描绘的,四个不同的信道编码方法被应用于PUSCH上的UCI。如果CQI/PMI404的长度小于11比特,则仅Reed-Muller信道编码412(32输入,211输出)被执行。如果CQI/PMI的长度大于11比特,则卷积编码器410(速率=1/3)被使用,然后速率匹配操作被执行。当CQI/PMI信道编码被执行时,解码器的输出与来自有效负载数据400(诸如应用数据)的比特的向量被复用416。
由于CQI/PMI基于同时报告的(相同子帧)或者先前报告的秩(不同子帧)被计算,可以在PUSCH上的相同子帧或者不同子帧中提供RI和CQI/PMI。
每个肯定ACK被编码为二进制1并且每个NACK被编码为0。HARQ反馈编码取决于ACK/NACK束中的信息比特的数目,即同时发送的确认的数目。通过块414中的重复编码实现针对一比特ACK/NACK和RI的编码。对于二比特ACK/NACK和RI,单工编码414与编码数据的可选循环重复一起被使用。那些编码技术被用于最大化调制方案中的数据符号的欧几里得距离,诸如正交相移键控(QPSK)、16正交幅度调制(QAM)和64QAM,分别代表二、四和六个编码比特。较长的ACK/NACK(超过2比特)可能会受到Reed-Muller块编码412。
例如,在信道交织块418中,经编码的RI和ACK/NACK信道编码比特被插入预先定义的列位置,并且通过由行填充阵列并按列读取阵列来执行块交织。然后,经交织的比特通过使用特定于UE的伪随机序列被加扰,使用由更高层配置的QPSK、16QAM、64QAM或者256QAM被调制,以形成复数值符号。下一步是使用数字傅利叶变换的变换预编码功能,随后是到资源元素(子载波)的映射,并且针对每个天线端口生成复数值时域传输信号。3GPP规范定义了单载波频分多址(SC-FDMA)是一种接入方案。在下行链路中,正交频分多址(OFDMA)被采用。
在针对PUSCH信道的接收器304中,通过使用DFT来执行逆SC-FDMA操作,因此将所接收的信号带到频域。随后,资源元素解映射被执行。参考信号被提取并被传送到信道和噪声估计器。因此,通过使用估计的信道,信号样本被均衡,并且在使用超过单根天线的情况下,可以执行天线的组合。然后,信号由逆DFT被转换为时域信号,随后进行资源块解映射。作为资源块解映射的结果,可以获取代表UCI元素的复数值符号集合。
除了PUSCH之外,UCI可以被发送到物理上行链路控制信道(PUCCH)上,并且也可以针对PUCCH执行上文描述的类似操作。关于下行链路,下行链路控制信息(DCI)可以被发送到物理下行链路控制信道(PDCCH)上。关于DCI或者其他形式的控制信息,可以采用其他编码方案和传输功能。
如上文结合图3所描述的,本发明涉及通过采用机器学习方法来对控制信息元素进行解码和DTX检测,来在不具备信道和噪声条件的知识的情况下以低计算复杂度实现所要求的性能。相较于常规解码器和基于数学模型与信息理论的DTX检测方案,机器学习架构(诸如,神经网络)不要求专业知识,因为它直接从训练数据学习设计。在训练神经网络解码器之后,解码过程变得简单且具有低时延。可配置的多层神经网络架构可以从不同类型的输入训练数据学习,以可靠的方式输出控制信息元素的值或者DTX输出。可以根据需要被解码的控制信息元素的类型来配置神经网络拓扑和权重,并且下面结合训练神经网络描述了更多配置。神经网络还能够通过仅经过神经网络的每一层一次来发现控制信息元素和DTX的估计,因此能够实现低时延实施方式,也被称为一次性解码。
然后,让我们参考图5来描述联合神经网络解码器和DTX检测器的结构和操作。让我们将代表从所接收的帧中提取的控制信息元素的所接收的样本集合500表示如下:
yk=Hq+n (1)
其中yk代表来自所接收的帧中的控制信息元素位置的样本集合500,H代表描述无线电信道的信道矩阵,q包括控制信息元素(如果在帧中出现)的经编码的发送的符号,并且n代表噪声。样本集合可以包含复数值样本。标准机器学习和神经网络工具采用实数值样本,并且因此复数值样本集合可以被转换为实数值样本集合(块502)。等式(1)中的样本集合yk可以被视为复数值样本集合的实部和虚部的堆叠,并且因此如果该集合中的复数值样本的数目是P,则yk 中的实数值样本的数目是2P。
然后,实数值样本集合可以被输入到如上文描述的神经网络的输入层。输入层可以具有2P个节点,每个节点用于一个数据样本。
在实施例中,神经网络的输出层包括与神经网络的可能输出相等数目的节点。图5在右侧图示了神经网络的一些可能输出。例如,由于神经网络被配置为检测DTX,一个可能输出是DTX输出508。当神经网络被配置为检测一比特控制信息元素(诸如一比特ACK/NACK504或者一比特RI 506)时,通过一比特控制信息元素的可能值实现两个可能输出:针对比特值‘0’的一个输出和针对比特值‘1’的一个输出。当神经网络被配置为检测二比特控制信息元素(诸如二比特ACK/NACK 504或者二比特RI 506)时,通过二比特控制信息元素的可能值实现四个可能输出:针对每个比特值‘00’、‘01’、‘10’、‘11’的一个输出。简而言之,当神经网络被配置为联合检测一比特控制信息元素和DTX时,可能输出的数目和输出层中的节点的数目是三。当神经网络被配置为联合检测二比特控制信息元素和DTX时,可能输出的数目和输出层中的节点的数目是五。总体上,输出层中的节点的数目是2T+1,其中T是神经网络被配置为解码的控制信息元素中的比特的数目。
输出层可以被配置为仅在输出层的节点中的一个节点中输出非零值,并且在输出层的其他一个或多个节点中输出零值。因此,输出层可以被配置为输出“独热向量”。下面的表1和表2图示了用于针对一比特控制信息元素(表1)和针对二比特控制信息元素(表2)的输出层的一种可能的独热编码方法。
发送 独热编码标记
0 001
1 010
DTX 100
表1
发送 独热编码标记
00 00001
01 00010
10 00100
11 01000
DTX 10000
表2
理解神经网络的输出的一种方式是,作为对输入层中的输入样本集合的响应,在输出层中只有一个“灯”被点亮,并且被点亮的灯通过使用表1或表2中的独热编码标记来指示DTX的检测或者输入样本集合中的控制信息元素的值。由于独热标记与表1或表2中的发送值之间的映射,控制信息元素的值或者DTX可以被确定。
在实施例中,输出层被配置为通过使用激励函数(例如,softmax函数)输出独热向量。神经网络可以固有地输出代表针对每个可能输出的概率的值,即输出层可以在不使用激励函数的情况下在每个输出节点中输出非零值,该值代表对应输出的概率。激励函数可以在输出值中选择概率最大的一个值,并且将所选择的输出设置为非零值并将其他输出设置为零来实现独热输出向量。Softmax函数的一个示例为如下函数:
Figure BDA0003152576400000151
其中Zj代表在激励函数之前的输出向量的值,并且j是输出层中的节点的数目,例如三或者五,这取决于正被解码的控制信息元素的长度。激励函数的另一示例是max(0,zj),其中最高概率值被选择。
然后,让我们根据一些实施例来描述神经网络的内部结构和操作。在实施例中,神经网络包括输入层和输出层之间的仅两层:第一层被耦合到输入层的输出并且包括与输入层中的节点的数目相等数目的节点;并且第二层被耦合到第一层和输出层之间,并且包括与输出层中的节点的数目相等数目的节点。本发明已经发现两个层提供了高性能和低复杂度的良好结合,特别是针对短控制信息元素(一比特或者两比特)。更大数目的层数可能不会提供附加的性能提升,而可能增加复杂度。
在实施例中,如图5所示的神经网络被完全地连接。被完全地连接意味着层中的每个节点都被连接到在前的层和后继的层中的每个节点。例如,输入层中的每个节点被耦合到层1中的每个节点,层1中的每个节点被耦合到层2中的每个节点,并且层2中的每个节点被耦合到输出层中的每个节点。
在神经网络中,一个层的输出是到下一层的输入。例如,输入层的输出充当到层1的输入,层1的输出充当到层2的输入,并且层2的输出充当到输出层的输入。层中的每个节点可以被视为使用非线性激励函数σ(.)的神经元,这赋予神经元以学习能力。因此,层可以由以下等式来描述:
a1=yk (2)
等式(2)表示输入样本集合yk被输入到的输入层。层l可以被定义为:
al+1=σl(Wlal+bl) (3)
Wl和bl分别是权重参数和偏置参数,并且aI是到层I的输入。针对图1中的层1,I=1,并且针对层2,I=2。输出层可以被建模为:
Figure BDA0003152576400000161
其中L代表l的最大值,并且函数σL可以是上文描述的用于实现独热输出向量的激励函数。
层1和层2可以被视为隐藏层,因为它们的激励函数σl通过训练被实现。针对隐藏层的每个节点的权重参数Wl和偏置参数bl在训练期间被发现。然后让我们描述用于执行训练的一些实施例,这是针对高性能配置神经网络的一个关键因素。
在实施例中,到神经网络的输入是解调的软符号值或者对数似然比。在另一实施例中,神经网络也被训练以执行解调,在这种情况下,输入是经调制的符号值的集合。
在实施例中,通过到神经网络的训练输入来训练神经网络,训练输入包括:由神经网络解码的控制信息元素的所有可能值,该控制信息元素被模拟一个或多个无线电信道模型的模拟噪声破坏;以及不携带控制信息元素的DTX训练输入。DTX训练输入可以包括纯噪声样本或者有效负载数据样本。训练可以包括训练阶段和测试阶段。训练可以离线执行,即训练可以在控制信息元素的任何实际传输之前被执行。现在让我们参考图6A来描述训练阶段。
参考图6A,待被解码的控制信息比特在块600中被生成。例如,块600的输出可以是一比特或者二比特控制信息元素。然后,根据将在控制信息元素的实际传输中使用的系统规范,在块602中编码和调制控制信息元素。块602的输出可以是控制信息元素的一个或多个经调制的符号的样本。在神经网络不执行解调的实施例中,调制可以从块602中省略,或者可以在块606和块608之间提供单独的解调步骤。在块604中,(多个)经调制的符号的样本被所选择的无线电信道模型的样本修改。下面的表3列出了模拟真实无线电信道并且可以用于训练神经网络的多个可能的信道模型。在块604中,噪声样本被应用于样本以对样本实现所选择的信噪比(SNR)。
现在,在具有控制信息元素的真值的知识的情况下,可以在块608中训练神经网络作为来自块600的输入,以选择针对隐藏层的节点的权重参数和偏置参数,以使控制信息元素从块606的输出样本被提取。该过程可以采用性能度量来确定在块608执行期间神经网络的性能。性能度量的示例是损失函数,损失函数是神经网络的输出与神经网络的期望的输出(块600的输出)之间的差异的测量。损失函数可以是神经网络的性能度量的计算,例如神经网络的输出与期望的输出之间的均方差或者二进制交叉熵。提供最佳性能度量的权重参数和偏置参数的集合可以被选择,并且在块608中参数可以被存储。
损失函数的示例为:
Figure BDA0003152576400000171
其中xk是神经网络的期望的输出(所发送的值),并且
Figure BDA0003152576400000172
是神经网络的输出。K是所考虑的输出的总数目。
在实施例中,性能阈值可以被设置为针对神经网络的最小性能要求。换言之,仅选择最佳性能度量可能不充分,而是最佳性能度量还应当提供满足由性能阈值定义的阈值水平的性能。3GPP规范定义由最小SNR代表性能要求以达到1%的漏检概率。因此,针对神经网络的设计规则是针对将DTX错误地检测为控制信息元素值(例如,作为ACK)以及针对将控制信息元素的一个值错误地检测为控制信息元素的另一个值(例如,ACK→NACK)提供相等的漏检概率:
P(DTX→ACK)=P(ACK→NACK) (6)
通过假设用于将ACK错误地检测为NACK的概率P(ACK→NACK)是小到可忽略的,可以做出以下近似:
P(ACK→DTX)~P(ACK→NACK)
P(DTX→ACK)~P(DTX→NACK) (7)
然后,假警率(FAR)可以被计算作为漏检概率的函数:
FAR=P(DTX→ACK)+P(DTX→NACK)=2*P(ACK→DTX)
=2*P(ACK→NACK)=2*P(DTX→ACK)=2*MDP (8)
其中MDP表示等式(6)中的漏检概率。
现在,假警率针对神经网络的性能设置了更严格的要求,并且因此损失函数可以被修改为包括加权矩阵形式的权重参数。然后,等式(5)可以被修改为以下形式:
Figure BDA0003152576400000181
加权矩阵可以具有2α+1的大小,其中α是以比特为单位的控制信息元素的长度,并且具有以下结构:
Figure BDA0003152576400000182
其后,下一噪声水平可以在块610中被选择,并且可以通过以该下一噪声水平返回执行块606和块608来执行另一训练迭代。当针对无线电信道模型的所有噪声水平均已被训练至神经网络并且对应的最佳参数被发现和存储时,该过程可以从块610进行到块612,以用于选择待训练到神经网络的下一无线电信道模型。通过这种方式,可以训练神经网络以在具有各种噪声水平的各种无线电信道中检测从块600输出的控制信息元素。当所有无线电信道和噪声水平均被训练至神经网络时,该过程可以结束。
3GPP规范定义了可以在训练中使用的一些规范。下面的表3图示了可以对神经网络用以训练的一些信道模型和噪声水平。
Figure BDA0003152576400000183
Figure BDA0003152576400000191
表3
可以针对控制信息元素的多个可能值执行图6A的过程。附加地,可以针对多个DTX样本执行该过程。图6B图示了块600和块602的实施例。当训练神经网络以用于检测DTX时,除了控制信息元素的值之外,DTX样本可以在块600中被生成。在图6B中,(上行链路)控制信息(UCI)元素比特在块650中被生成,并且DTX样本在块652中被生成。DTX样本可以包括噪声样本或者随机生成的比特。因此,块650和块652代表块600的实施例。相应地,块650和块652可以包括构建包括DTX样本集合的序列和控制信息元素样本集合的训练数据集合。控制信息元素可以在块602中被编码和调制。在DTX样本包括随机生成的比特的情况下,它们可以被编码和调制。在噪声样本的情况下,块602可以被省略。
可以针对多个DTX样本集合和多个控制信息元素值的集合执行训练,并且可以以交错序列来提供DTX样本集合和控制信息值样本集合,例如,一个DTX样本集合后跟随5个ACK/NACK值,接着跟随10个DTX样本集合等。序列可以在块654中被选择。在实施例中,训练数据集合的至少50%是DTX样本集合。例如,如果控制信息元素是一比特指示符并且图6的训练针对控制信息元素的每个值被重复N次,则DTX训练事件的数目至少是2N。在实施例中,训练数据样本集合(DTX,不同的控制信息值)的总数目高于10000以提供充足的训练统计。
当通过使用图6的过程的训练完成时,存储了多个参数集合(块608),每个参数集合被优化以在给定的信道模型和噪声水平的存在下检测特定的控制信息元素。
然后,让我们参考图7的实施例来描述测试阶段。具有与图6中相同的参考编号的块代表相同或者实质性相似的功能。在图7的实施例中,在信道模型样本和噪声已被添加到从块602输出的控制信息元素符号或DTX样本之后,样本代表接收到的被噪声和无线电信道破坏的控制信息(或者DTX)样本。这些样本是到神经网络和到参考接收器的输入,参考接收器可以是包括常规解码器的常规接收器(块702)。关于神经网络,在块608中被存储的第一神经网络参数集合被加载到块704中的神经网络。这些参数可以被使用直到图7的过程结束。然后,接收到的样本由块702中的参考接收器处理,并且通过使用参考接收器的解码输出和在块600中生成的控制信息元素来在块708中计算参考接收器的比特错误率(BER)。参考接收器还可以被配置用于DTX检测,并且成功/失败的DTX检测可以被纳入参考接收器的性能评估中。成功/失败的DTX检测可以以与成功/失败的比特解码相同的方式被纳入BER计算中。
接收到的样本还通过使用所加载的参数由神经网络处理,并且在块709中通过使用神经网络的输出和在块600中生成的控制信息元素来计算神经网络的输出的BER。如上文所描述的,神经网络还可以被配置用于DTX检测,并且成功/失败的DTX检测可以被纳入到BER性能的评估中,如先前段落中针对参考接收器所描述的。
然后,在块708和块709中计算的BER值可以被存储,并且在块606中下一噪声水平被应用于控制信息元素样本。通过这种方式,如上文结合图6所描述的,该过程可以以相同方式针对不同噪声水平和信道模型被重复。相应地,可以利用各种噪声水平和信道模型来测试神经网络参数,并且针对每个信道模型和噪声水平计算BER。可以使用表3的测试场景。当全部噪声水平和信道模型均已被测试时,在块710中比较利用参考接收器获取的BER和利用在块704中加载的参数配置的神经网络获取的BER之间的比较。该比较可以包括如下定义的归一化验证错误(NVE)的计算:
Figure BDA0003152576400000201
其中R代表被训练的信道模型的数目,S代表被训练的噪声值的数目,BERNN代表作为在每次迭代中块709的输出获取的神经网络的BER,并且BERRR代表在每次迭代中作为块708的输出获取的参考接收器的BER。当进行BER比较时,比较的结果(例如,NVE值)可以被存储以用于之后对神经网络配置的选择。
通过执行图7的过程,可以在各种信道模型和各种噪声水平下针对参考接收器测试一个神经网络参数集合。可以针对每个神经网络参数集合(即,作为图6的过程的执行结果获取的不同神经网络配置)执行图7的过程。由于该过程针对参考接收器是不变的,块702和块708无需被重复。当所有神经网络参数集合均已针对参考接收器被测试时,可以选择提供最低NVE值的神经网络参数集合用于实际解码中。
在实施例中,当选择神经网络参数集合时,可以使用确定的选择逻辑。例如,如果信道模型包括加性高斯白噪声(AWGN)信道,则通过使用AWGN信道模型获取的NVE可能被提供有比与其他信道模型相关联的NVE低的权重。
通过使用神经网络,以上描述的组合解码和DTX检测的针对小控制信息元素(例如,一比特或者二比特码字)提供高性能。当控制信息元素的尺寸更大时,可能需要更多的隐藏层并且神经网络的复杂度可能会增加。然而,神经网络在解码更长的码字时可以提供可接受的性能。
在实施例中,例如,当控制信息元素较长时,神经网络可以被用于DTX检测中,并且可以由常规解码器执行控制信息元素的实际解码。在这种情况下,神经网络可以仅针对DTX检测被训练。神经网络的输入将是来自控制信息元素的位置的样本,并且神经网络将仅检测DTX的存在/缺席。然后,输出层可以仅具有两个可能输出:针对DTX的一个输出和针对非DTX的另一输出。在实施例中,神经网络的输出层可以包含指示DTX或者非DTX的一个节点。在另一实施例中,神经网络的输出层可以包含两个节点:一个指示DTX,另一指示非DTX。独热标记可以如下(TX表示控制信息元素的传输):
发送 独热编码标记
TX 01
DTX 10
表4
图8图示了包括通信控制器50的装置,诸如至少一个处理器或者处理器电路系统,以及包括计算机程序代码(软件)64的至少一个存储器60,其中至少一个存储器和计算机程序代码(软件)被配置为与至少一个处理器一起使该装置执行图3的过程或者上文描述的其实施例中的任何一个。该装置可以根据本发明的实施例用于终端设备或者接入节点(例如,gNB)或者控制接入节点的操作的控制器。图8的装置可以是电子设备。
参考图8,存储器60可以使用任何合适的数据存储技术来实现,诸如基于半导体的存储器设备、闪存、磁存储器设备和系统、光存储器设备和系统、固定存储器和可移动存储器。存储器可以包括用于存储配置参数的配置数据库66,例如作为上述训练阶段和测试阶段结果所选择的神经网络参数。参数可以预先存储在配置数据库66中,例如在装置首次使用之前。存储器60可以还存储用于等待传输的数据和/或待解码的数据的数据缓冲器68。
参考图8,该装置还可以包括通信接口62,该通信接口包括根据一个或多个无线电通信协议的用于实现通信连接性的硬件和/或软件。通信接口62可以向无线网络(例如,蜂窝通信系统的无线电接入网络)中的装置提供无线电通信能力。在实施例中,通信接口62包括一个或多个天线阵列,天线阵列向该装置提供形成定向发射无线电波束和接收无线电波束的能力。通信接口可以包括众所周知的模拟无线电组件,诸如放大器、滤波器、变频器和电路、在模拟域和数字域之间转换信号的转换电路,以及一个或多个天线。关于接收信号的解码的数字信号处理可以在通信控制器50中执行。
通信控制器50可以包括被配置为从接收的帧提取控制信息元素(例如从一个或多个帧的副载波中)的控制信息元素(IE)提取器56。帧可以是确定的时间-频率资源中的发送的信号。提取自接收帧的控制信息元素可以包括来自ACK/NACK或者RI位置的样本集合,例如,尽管其他信息元素是同等可能的。在从接收的帧提取样本集合时,样本集合可以输入神经网络解码器和DTX检测器54,例如图5中所图示的一个样本集合。实体54可以被配置为在样本集合上执行联合DTX检测和解码,并且如上文所描述,输出解码和DTX检测的结果的指示。当该结果是DTX检测时,涉及样本集合的进一步处理可能会结束。当该结果是控制信息元素的确定值时,该值可以被输入到传输控制器52,该传输控制器被配置为响应于确定值以执行确定的功能。例如,当值指示NACK时,传输控制器52可以被配置为触发对消息的重传,例如传输资源块。当值指示ACK时,传输控制器可以结束与由ACK确认的消息传输有关的HARQ过程。当值指示确定的信道秩时,传输控制器可以根据信道秩配置传输参数。通过类似的方式,传输控制器可以根据经解码的控制信息元素的值来响应解码的结果。
图8的装置的至少一些功能可以在两个物理分离的设备之间共享,以形成一个可操作的实体。因此,该装置可以被视为描绘包括用于执行关于接入点所描述的至少一些过程的一个或多个物理分离设备的可操作实体。例如,利用这种共享架构的接入节点可以包括远程控制单元(RCU)或者中央单元(CU),诸如主机计算机或服务器计算机,其可操作地耦合(例如通过无线或者有线网络)到远程无线电头端(RRH)或者分布式单元(DU),诸如位于接入节点(例如,gNB 104、104A、104B)中的传输接收点(TRP)。RCU可以生成虚拟网络,RCU通过该虚拟网络与RRH通信。总体上,虚拟网络可以涉及将硬件与软件网络资源和网络功能结合为单个基于软件的管理实体(虚拟网络)的过程。网络虚拟化可以涉及平台虚拟化,其经常与资源虚拟化相结合。网络虚拟化可以被分类为将很多网络或者网络的部分结合为服务器计算机或者主机计算机(即RCU)的外部虚拟组网。外部网络虚拟化的目标是优化网络共享。另一个分类是向单个系统上的软件容器提供类网络功能的内部虚拟组网。内部虚拟网络可以在RRH与RCU之间提供灵活的分布式操作。在实践中,任何数字信号处理任务既可以在RRH中也可以在RCU中执行,并且可以根据实现方式来选择在RRH和RCU之间的责任转移的边界。作为共享架构情况的示例,一旦SgNB-CU从MgNB接收到组合指示包和调度窗口(如图5,502所示),它将需要将指示传达给gNB-DU中MAC层。这可以以若干方式执行。例如,通过向分组指派增加的分组优先级或者经调整的时延目标,覆盖在DU与CU之间的F1接口上的QoS信息被建立(作为UE上下文设置/DRB的修改的F1过程的部分)。备选地,调度窗口可以通过F1直接被提供给MAC。
以上描述的至少一些处理可以由RCU执行或者在RRH与RCU之间共享。
如本申请中所使用的,术语‘电路’指以下全部内容:(a)纯硬件电路实现,诸如仅在模拟和/或数字电路中的实现,以及(b)电路和软件(和/或固件)的组合,诸如(如适用):(i)(多个)处理器的组合或者(ii)(多个)处理器/软件的部分,包括(多个)数字信号处理器、软件和(多个)存储器,它们共同工作以使装置执行各种功能,以及(c)电路,诸如(多个)微处理器或者(多个)微处理器的部分,它们需要用于操作的软件或者固件,即使软件或者固件不存在。该“电路系统”的定义适用于本申请的所有使用。作为进一步的示例,如本申请所使用的,术语“电路系统”还将覆盖仅处理器(或者多个处理器)或者处理器的部分以及它的(或者它们的)附带软件和/或固件。术语“电路系统”还将覆盖,例如并且如果适用于特定元件,用于移动电话的基带集成电路或应用处理器集成电路或者服务器、蜂窝网络设备、或另一网络设备中的类似集成电路。
在实施例中,结合图2至图7描述的至少一些过程可以由包括相应部件的装置执行,该部件用于执行所描述的至少一些过程。用于执行过程的一些示例部件可以包括以下至少一项:检测器、处理器(包括双核或者多核处理器)、数字信号处理器、控制器、接收器、发送器、编码器、解码器、存储器、RAM、ROM、软件、固件、显示器、用户接口、显示器电路、用户接口电路、用户接口软件、显示器软件、电路、天线、天线电路系统,以及电路系统。在一个实施例中,至少一个处理器、存储器,以及计算机程序代码形成处理部件或者包括一个或多个计算机程序代码的部分,用于根据任何一个图2至图7或其操作的实施例执行一个或多个操作。
根据另一实施例,执行实施例的装置包括电路系统,该电路系统包括至少一个处理器和包括计算机程序代码的至少一个存储器。当被激活时,电路系统使装置执行根据图2至图7的实施例中的任一实施例或者其操作的至少一些功能。
本文所描述的技术和方法可以由各种部件实现。例如,这些技术可以在硬件(一个或多个设备)、固件(一个或多个设备)、软件(一个或多个模块),或者其组合中实现。针对硬件的实现,实施例的(多个)装置可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器,被设计以执行本文描述的功能的其他电子单元或其组合中实现。针对固件或者软件,实现可以通过至少一个执行本文所描述功能的芯片集的模块(例如,过程、功能等)执行。软件代码可以存储在存储器单元中并且由处理器执行。存储器单元可以在处理器内或者处理器外部执行。在后一种情况下,如本领域所知,其可以通过各种部件通信地连接到处理器。附加地,本文所描述的系统的组件可以被重新安排和/或由附件组件补充,以便于实现所描述的与其有关的各种方面等,并且将如本领域的技术人员所理解的,它们不限于给定图像中所述的精确配置。
如所描述的实施例也可以以计算机过程的形式执行,该过程由计算机程序或者其部分所定义。通过执行至少一部分包括相应指令的计算机程序,可以执行与图2至图7有关的所描述方法的实施例。计算机可以是源代码的形式、对象代码的信息的形式,或者以一些中间类型的形式,并且其可以被存储在某些类型的载体中,该载体可以是任何能够携带程序的实体或者设备。例如,计算机程序可以存储在计算机或者处理器可读的计算机程序分布式介质上。例如,计算机程序介质可以但不限于是例如记录介质、计算机存储器、只读存储器、电载波信号、电信信号和软件分发包。例如,计算机程序介质可以是非瞬态介质。用于执行如所示和所描述的实施例的软件编码同样在本领域普通技术人员的范围内。在实施例中,计算机可读介质包括所述计算机程序。
即使上文已参考根据附图的示例描述了本发明,但是很明显本发明不限于此,而是可以在所附权利要求的范围内以若干方式修改。因此,所有文字和表达应当被宽泛的解释,并且它们旨在说明而非限制实施例。对于本领域技术人员来说将明显的是,随着技术进步,本发明的概念可以以各种方式被实现。进而,对本领域技术人员来说清楚的是可以但不要求所描述实施例以各种方式与其他实施例相结合。

Claims (20)

1.一种装置,包括部件,所述部件用于执行:
从接收到的帧中获取与所述帧中的控制信息元素的位置相关联的样本集合;
将所述样本集合输入至神经网络的输入层的节点,所述输入层具有与所述样本集合中的样本的数目相同的节点数目;
在接收到所述样本集合之前,在已被训练的所述神经网络中处理所述样本集合,以解码所述控制信息元素的一个或多个确定值并且检测不连续传输;
在所述神经网络的输出层中输出指示在所述样本集合中所包括的所述控制信息元素的解码值的指示符或者指示所述不连续传输的指示符。
2.根据权利要求1所述的装置,其中所述输出层包括与所述神经网络的可能输出相等数目的节点。
3.根据权利要求2所述的装置,其中所述部件被配置为仅在所述输出层的所述节点中的一个节点中输出非零值,并且在所述输出层的其他一个或多个节点中输出零值。
4.根据权利要求3所述的装置,其中所述样本集合包括调制符号样本,并且其中所述神经网络被配置为解码来自所述调制符号样本的所述控制信息元素的一个或多个确定值。
5.根据任一项前述权利要求所述的装置,其中所述神经网络包括所述输入层和所述输出层之间的仅两层:第一层被耦合到所述输入层的输出,并且包括与所述输入层中的节点的所述数目相等数目的节点;并且第二层被耦合到所述第一层和所述输出层之间,并且包括与所述输出层中的节点的数目相等数目的节点。
6.根据任一项前述权利要求所述的装置,其中所述神经网络被完全地连接。
7.根据任一项前述权利要求所述的装置,其中所述控制信息元素具有一比特或者两比特。
8.根据任一项前述权利要求所述的装置,其中所述控制信息元素是对帧的接收进行确认的确认消息或者秩指示符。
9.根据任一项前述权利要求所述的装置,其中所述神经网络通过到所述神经网络的训练输入而被训练,所述训练输入包括如被模拟噪声破坏的所述控制信息元素的所有可能值,其中所述模拟噪声模拟一个或多个无线电信道模型,所述训练输入还包括不连续传输训练输入。
10.根据任一项前述权利要求所述的装置,其中所述部件包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码,所述至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起引起所述装置的所述执行。
11.一种方法,包括:
由无线设备从接收到的帧中获取与所述帧中的控制信息元素的位置相关联的样本集合;
由所述无线设备将所述样本集合输入至神经网络的输入层的节点,所述输入层具有与所述样本集合中的样本的数目相同的节点数目;
在接收到所述样本集合之前,由所述无线设备在已被训练的所述神经网络中处理所述样本集合,以解码所述控制信息元素的一个或多个确定值并且检测不连续传输;
由所述无线设备在所述神经网络的输出层中输出指示在所述样本集合中所包括的所述控制信息元素的解码值的指示符或者指示所述不连续传输的指示符。
12.根据权利要求11所述的方法,其中所述输出层包括与所述神经网络的可能输出相等数目的节点。
13.根据权利要求12所述的方法,其中所述神经网络仅在所述输出层的所述节点中的一个节点中输出非零值,并且在所述输出层的其他一个或多个节点中输出零值。
14.根据权利要求13所述的方法,其中所述样本集合包括调制符号样本,并且其中所述神经网络解码来自所述调制符号样本的所述控制信息元素的所述一个或多个确定值。
15.根据任一项前述权利要求11至14所述的方法,其中所述神经网络包括所述输入层与所述输出层之间的仅两层:第一层被耦合到所述输入层的输出并且包括与所述输入层中的节点的所述数目相等数目的节点;并且第二层被耦合在所述第一层与所述输出层之间并且包括与所述输出层中的节点的所述数目相等数目的节点。
16.根据任一项前述权利要求11至15所述的方法,其中所述神经网络被完全地连接。
17.根据任一项前述权利要求11至16所述的方法,其中所述控制信息元素具有一比特或两比特。
18.根据任一项前述权利要求11至17所述的方法,其中所述控制信息元素是对帧的接收进行确认的确认消息或者秩指示符。
19.根据任一项前述权利要求11至18所述的方法,其中所述神经网络通过到所述神经网络的训练输入而被训练,所述训练输入包括如被模拟噪声破坏的所述控制信息元素的所有可能值,并且其中所述模拟噪声模拟一个或多个无线电信道模型,所述训练输入还包括不连续传输训练输入。
20.一种计算机程序产品,被实施在计算机可读介质上并且包括由计算机可读的计算机程序代码,其中所述计算机程序代码将所述计算机配置为执行计算机过程,包括:
从接收到的帧中获取与所述帧中的控制信息元素的位置相关联的样本集合;
将所述样本集合输入至神经网络的输入层的节点,所述输入层具有与所述样本集合中的样本数目相同的节点数目;
在接收到所述样本集合之前,在已被训练的所述神经网络中处理所述样本集合,以解码所述控制信息元素的一个或多个确定值并且检测不连续传输;
在所述神经网络的所述输出层中输出指示在所述样本集合中所包括的所述控制信息元素的解码值的指示符或者指示所述不连续传输的指示符。
CN201980088250.6A 2019-01-07 2019-01-07 使用神经网络检测帧中传输的控制信息 Pending CN113273108A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2019/050263 WO2020143902A1 (en) 2019-01-07 2019-01-07 Detecting control information communicated in frame using a neural network

Publications (1)

Publication Number Publication Date
CN113273108A true CN113273108A (zh) 2021-08-17

Family

ID=65012006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980088250.6A Pending CN113273108A (zh) 2019-01-07 2019-01-07 使用神经网络检测帧中传输的控制信息

Country Status (4)

Country Link
US (1) US11811527B2 (zh)
EP (1) EP3909158B1 (zh)
CN (1) CN113273108A (zh)
WO (1) WO2020143902A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3790303A1 (en) * 2019-09-06 2021-03-10 Imec VZW Predicting a radio spectrum usage
WO2022026397A1 (en) * 2020-07-31 2022-02-03 Google Llc Neural network-based transmission feedback in a cellular network
EP4238262A1 (en) * 2020-10-29 2023-09-06 InterDigital Patent Holdings, Inc. Dictionary-based ai components in wireless systems
FI20215659A1 (en) * 2021-06-04 2022-04-04 Nokia Solutions & Networks Oy Improving link customization

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090113268A1 (en) * 2007-10-30 2009-04-30 Nokia Siemens Networks Oy Joint channel code for data non-associated control signalling type
US20100039953A1 (en) * 2008-08-18 2010-02-18 Qualcomm Incorporated A-periodic pucch transmission on pusch
US20160086600A1 (en) * 2014-09-23 2016-03-24 Josef Bauer Frame Skipping With Extrapolation and Outputs On Demand Neural Network For Automatic Speech Recognition
CN107479368A (zh) * 2017-06-30 2017-12-15 北京百度网讯科技有限公司 一种基于人工智能的训练无人机控制模型的方法及系统
CN108540267A (zh) * 2018-04-13 2018-09-14 北京邮电大学 一种基于深度学习的多用户数据信息检测方法及装置
CN108985165A (zh) * 2018-06-12 2018-12-11 东南大学 一种基于卷积及循环神经网络的视频拷贝检测系统及方法
CN109039534A (zh) * 2018-06-20 2018-12-18 东南大学 一种基于深度神经网络的稀疏码分多址信号检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2398976B (en) * 2003-02-28 2006-03-08 Samsung Electronics Co Ltd Neural network decoder
US9292789B2 (en) * 2012-03-02 2016-03-22 California Institute Of Technology Continuous-weight neural networks
WO2015083199A1 (en) * 2013-12-04 2015-06-11 J Tech Solutions, Inc. Computer device and method executed by the computer device
CN106022521B (zh) * 2016-05-19 2020-05-19 四川大学 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090113268A1 (en) * 2007-10-30 2009-04-30 Nokia Siemens Networks Oy Joint channel code for data non-associated control signalling type
US20100039953A1 (en) * 2008-08-18 2010-02-18 Qualcomm Incorporated A-periodic pucch transmission on pusch
US20160086600A1 (en) * 2014-09-23 2016-03-24 Josef Bauer Frame Skipping With Extrapolation and Outputs On Demand Neural Network For Automatic Speech Recognition
CN106663425A (zh) * 2014-09-23 2017-05-10 英特尔公司 用于自动语音识别的使用外推的跳帧和按需输出的神经网络
CN107479368A (zh) * 2017-06-30 2017-12-15 北京百度网讯科技有限公司 一种基于人工智能的训练无人机控制模型的方法及系统
CN108540267A (zh) * 2018-04-13 2018-09-14 北京邮电大学 一种基于深度学习的多用户数据信息检测方法及装置
CN108985165A (zh) * 2018-06-12 2018-12-11 东南大学 一种基于卷积及循环神经网络的视频拷贝检测系统及方法
CN109039534A (zh) * 2018-06-20 2018-12-18 东南大学 一种基于深度神经网络的稀疏码分多址信号检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
O.A. MOROZOV, P.E. OVCHINNIKOV: "Neural Network Detection and Decoding of PSK Signals", ISCCSP 2008, MALTA, 12 March 2008 (2008-03-12) *
李小文;罗佳;: "LTE系统DCI格式检测及PDSCH传输方案的实现", 电视技术, no. 17, 2 September 2013 (2013-09-02) *

Also Published As

Publication number Publication date
WO2020143902A1 (en) 2020-07-16
EP3909158B1 (en) 2023-07-05
US11811527B2 (en) 2023-11-07
US20220094464A1 (en) 2022-03-24
EP3909158A1 (en) 2021-11-17

Similar Documents

Publication Publication Date Title
CN109983719B (zh) 通过匹配解映射器和解码器在不同信道条件下的exit图表来实现迭代处理并靠近受约束容量来执行的方法
EP3852326A1 (en) Transmitter
US11811527B2 (en) Detecting control information communicated in frame using a neural network
US20190342014A1 (en) Over the air testing of a radio communications device
US20230140205A1 (en) System and method for decoding encoded messages in a wireless communication system
CN114342293A (zh) 用于harq控制的装置、方法和软件
WO2020208290A1 (en) Information coding
CN114631277A (zh) 用于提供反馈的装置和方法
US11888672B2 (en) Predicting decodability of received data
EP4374294A1 (en) Hybrid wireless processing chains that include deep neural networks and static algorithm modules
US20230299837A1 (en) Point to Multipoint Transmission Using a Multi-Antenna System
CN115442847A (zh) 提高链路自适应
CN111510187B (zh) 用于接收信号的检测的装置和方法
CN112217543B (zh) 用于符号检测的方法和装置
WO2013051867A2 (en) Apparatus and method for channel quality feedback with a k-best detector in a wireless network
CN115150238B (zh) 用于基于正交频分复用的通信的机器学习
US11617183B2 (en) Demapping received data
CN109495205A (zh) 一种被用于无线通信的用户、基站中的方法和设备
CN109495206A (zh) 一种被用于无线通信的用户、基站中的方法和设备
CN111630795A (zh) 耦合链的编码和解码
WO2024011552A1 (en) Probabilistic shaping and channel coding for wireless signals
WO2024059994A1 (en) Multi-stage bit-level constellation shaping
US20240155329A1 (en) Radio parameter detection
Thomas et al. Detection using Block QR decomposition for MIMO HetNets

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