CN113452467A - 终端的操作方法和终端 - Google Patents
终端的操作方法和终端 Download PDFInfo
- Publication number
- CN113452467A CN113452467A CN202110266680.1A CN202110266680A CN113452467A CN 113452467 A CN113452467 A CN 113452467A CN 202110266680 A CN202110266680 A CN 202110266680A CN 113452467 A CN113452467 A CN 113452467A
- Authority
- CN
- China
- Prior art keywords
- cell
- terminal
- cells
- data set
- data
- 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
- H04J—MULTIPLEX COMMUNICATION
- H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
- H04J11/0069—Cell search, i.e. determining cell identity [cell-ID]
- H04J11/0079—Acquisition of downlink reference signals, e.g. detection of cell-ID
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
- H04J11/0069—Cell search, i.e. determining cell identity [cell-ID]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
- H04J11/0069—Cell search, i.e. determining cell identity [cell-ID]
- H04J11/0086—Search parameters, e.g. search strategy, accumulation length, range of search, thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/042—Public Land Mobile systems, e.g. cellular systems
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
提供了一种终端的操作方法和终端。一种被配置为与多个小区中的至少一个小区进行通信的终端的操作方法包括:产生针对所述多个小区的第一小区搜索训练数据,基于第一小区搜索训练数据确定至少一个训练候选小区,基于第一小区搜索训练数据中的与所述至少一个训练候选小区相应的第二小区搜索训练数据和关于终端的网络信息更新分类以获得更新的分类,以及基于更新的分类来确定所述多个小区中的有效小区。
Description
本申请要求于2020年3月24日向韩国知识产权局提交的第10-2020-0035817号韩国专利申请的权益,其公开内容通过引用整体合并于此。
技术领域
示例实施例涉及一种用于改善小区检测性能的终端的操作方法和终端。
背景技术
对于与最佳或期望小区(或基站)的网络通信,终端可对多个小区执行小区搜索操作。终端通过使用从所述多个小区中的每一个小区接收的同步信号来计算接收信号与参考信号之间的相关性,并且基于相关性从所述多个小区中确定有效小区。然而,当将上述有效小区确定的方法应用于终端时,在信号电场弱的噪声环境中,诸如相关性的指标的准确性降低。换句话说,当用于有效小区确定的相关性参考值被设置过高时,将有效小区错误地确定为错误小区的概率降低,但丢失被确定为有效小区的候选小区的概率增加。另一方面,当用于有效小区确定的相关性参考值被设置过低时,将有效小区错误地确定为错误小区的概率降低,但将错误小区确定为有效小区的概率增加。期望有保持改进的有效小区确定性能恒定而不受终端的通信环境影响的有效小区确定的参考设计。
发明内容
示例实施例提供了一种终端以及该终端的操作方法,该终端能够通过基于机器学习针对有效小区设计确定参考来在各种通信环境中保持改进的小区搜索性能恒定。
根据示例实施例,提供了一种被配置为与多个小区中的至少一个小区通信的终端的操作方法,所述操作方法包括:产生针对所述多个小区的第一小区搜索训练数据;基于第一小区搜索训练数据确定至少一个训练候选小区;基于第一小区搜索训练数据中的与所述至少一个训练候选小区相应的第二小区搜索训练数据和关于所述终端的网络信息来更新分类以获得更新的分类;以及基于所述更新的分类来确定所述多个小区中的有效小区。
根据示例实施例,提供了一种被配置为与多个小区中的至少一个小区进行通信的终端的操作方法,所述操作方法包括:产生针对所述多个小区的第一小区搜索训练数据;基于第一小区搜索训练数据确定多个训练候选小区;基于关于所述终端的网络信息,将第一小区搜索训练数据中的与所述多个训练候选小区相应的第二小区搜索训练数据分类为有效小区数据集和错误小区数据集;以及基于所述有效小区数据集与所述错误小区数据集之间的线性分离来更新分类以获得更新的分类。
根据示例实施例,提供了一种被配置为与多个小区中的至少一个小区进行通信的终端,所述终端包括:多个天线,被配置为接收所述多个小区中的每一个小区的高频信号;射频集成电路,被配置为将所述高频信号处理成基带信号;以及处理电路,被配置为:从所述基带信号中检测所述多个小区的多个同步信号,使用所述多个同步信号来产生第一小区搜索训练数据,基于第一小区搜索训练数据从所述多个小区中确定训练有效小区候选组,以及基于第一小区搜索训练数据中的与所述训练有效小区候选组相应的第二小区搜索训练数据和关于所述终端的网络信息来更新分类。
附图说明
从以下结合附图的详细描述中将更清楚地理解示例实施例,其中:
图1是示出根据示例实施例的无线通信系统的示图;
图2示出了示出根据示例实施例的终端的框图;
图3是示出根据示例实施例的小区搜索控制器的框图;
图4是根据示例实施例的终端的小区搜索方法的流程图;
图5是详细示出根据示例实施例的图4中的操作S100的流程图;
图6是详细示出根据示例实施例的图4中的操作S200的流程图;
图7A和图7B是根据示例实施例的详细示出图4中的操作S300的流程图;
图8A是用于解释根据示例实施例的基于SVM的分类器的曲线图,并且图8B是基于参照图8A给出的描述的图4中的操作S300的详细流程图;
图9是根据示例实施例的图4中的操作S300的详细流程图;
图10A是根据示例实施例的图9中的操作S328的详细流程图,并且图10B是用于解释在图10A中公开的示例实施例的曲线图;
图11A和11B是根据示例实施例的分别用于解释考虑到存储器的有限存储容量的终端的有效小区数据集和错误小区数据集的存储方法的流程图;
图12是用于详细解释根据示例实施例的终端的数据存储方法的示图;
图13是用于解释根据示例实施例的终端的小区搜索方法的示图;以及
图14是根据示例实施例的电子装置的框图。
具体实施方式
基站可与终端进行通信,并且向终端分配通信网络资源。基站可包括小区、基站(BS)、节点B(NB)、演进型节点B(eNB)、下一代无线电接入网络(NG RAN)、无线连接单元、BS控制器和/或网络上的节点中的至少一个。在下文中,为了便于描述,BS可被称为小区。
终端(或通信终端)可与小区或另一终端进行通信。终端可被称为节点、用户设备(UE)、下一代UE(NG UE)、移动站(MS)、移动设备(ME)、装置或终端。
另外,终端可包括智能电话、平板个人计算机(PC)、移动电话、视频电话、电子书阅读器、桌上型PC、膝上型PC、上网本计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、MP3播放器、医疗装置、相机和可穿戴装置中的至少一个。另外,终端可包括电视机、数字视频盘(DVD)播放器、音频装置、冰箱、空调、真空吸尘器、烤箱、微波炉、洗衣机、空气净化器、机顶盒、家庭自动化控制面板、安全控制面板、媒体盒(例如,Samsung HomeSyncTM、Apple TVTM或Google TVTM)、游戏机(例如,XboxTM或PlayStationTM)、电子词典、电子钥匙、摄像机和电子相框中的至少一个。另外,终端可包括各种医疗装置(例如,各种便携式医疗测量装置(血糖仪、心率计、血压计、体温计等))、磁共振血管造影术(MRA)、磁共振成像(MRI)、计算机断层扫描(CT)、相机或超声装置、导航装置、全球导航卫星系统(GNSS)、事件数据记录器(EDR)、飞行数据记录器(FDR)、汽车信息娱乐装置、船舶电子装置(例如,航海导航装置、回转罗盘等)、航空电子装置、安全装置、车辆头单元、工业或家庭机器人、无人机、自动取款机(ATM)(例如,在金融机构中)、销售点(POS)(例如,在商店中)和/或物联网(IoT)装置(例如,灯泡、各种传感器、喷洒器装置、火灾报警器、恒温器、路灯、烤面包机、锻炼器材、热水箱、加热器、锅炉等)中的至少一个。另外,终端可包括各种类型的能够进行通信功能的多媒体系统。
在下文中,参照附图详细描述示例实施例。
图1是根据示例实施例的无线通信系统1的示图。
参照图1,无线通信系统1可包括第一小区10至第七小区70(例如,第一小区10、第二小区20、第三小区30、第四小区40、第五小区50、第六小区60和/或第七小区70)和/或终端100。
终端100可通过向第一小区10至第七小区70发送信号以及从第一小区10至第七小区70接收信号来接入无线通信系统1。终端100能够连接的无线通信系统1可被称为无线电接入技术(RAT),并且作为非限制性示例,可包括使用蜂窝网络的无线通信系统,诸如,第五代(5G)通信系统、长期演进(LTE)通信系统、演进型LTE(A)(LTE-A)通信系统、码分多址(CDMA)通信系统和全球移动通信系统(GSM)通信系统和/或无线局域网(WLAN)通信系统或其他任意无线通信系统。
无线通信系统1的无线通信网络可通过共享可用的网络资源来支持包括终端100的多个无线通信装置的通信。例如,在无线通信网络中,可以以各种多连接方法(诸如,CDMA、频分多址(FDMA)、时分多址(TDMA)、正交频分多址(OFDMA)、单载波频分多址(SC-FDMA)、正交频分复用(OFDM)-FDMA、OFDM-TDMA和OFDM-CDMA)来发送信息。
第一小区10至第七小区70通常可被称为与终端100和/或其他小区进行通信的固定站,并且可通过与终端100和其他小区进行通信来交换数据和控制信息。例如,第一小区10至第七小区70中的每一个可被称为基站、节点B、演进型节点B(eNB)、下一代节点B(gNB)、扇区、站点、基站收发器系统(BTS)、接入点(AP)、中继节点、远程无线电头(RRH)、无线电单元(RU)、小型小区等。在本说明书中,小区可在一般意义上被解释为表示由CDMA中的基站控制器(BSC)、宽带CDMA(WCDMA)中的节点B、LTE中的eNB、扇区等覆盖的一些区域或功能,并且可覆盖所有各种覆盖区域,诸如巨型小区、宏小区、微型小区、微微小区、毫微微小区、中继节点、RRH、RU和/或小型小区通信范围。
第一小区10至第七小区70可经由无线信道连接到终端100,并且提供各种通信服务。第一小区10至第七小区70可经由共享信道服务所有用户业务,并且可通过收集诸如终端100的缓冲器状态、可用发送功率状态和/或信道状态的状态信息来执行调度。无线通信系统1可通过使用正交频分复用(OFDM)作为无线电接入技术来支持波束成形技术。另外,无线通信系统1可支持用于根据终端100的信道状态确定调制方案和/或信道编码率的自适应调制和编码(AMC)方法。
第一小区10至第七小区70可以是围绕终端100和/或与终端100相邻的邻近小区,并且可根据终端100的位置而变化。终端100可执行小区搜索操作以连接到第一小区10至第七小区70中的任何一个并与第一小区10至第七小区70中的任何一个进行通信。小区搜索操作可包括小区识别和小区测量。例如,终端100可在执行小区识别的同时检测和记录第一小区10至第七小区70(例如,第一小区10至第七小区70中的每一个的小区标识符(ID)),并且可测量与在执行小区测量的同时已经被识别的第一小区10至第七小区70中的每一个相应的信号功率等。
在下文中,详细描述终端100的小区搜索操作。终端100可通过使用从第一小区10至第七小区70接收的信号来产生小区搜索数据。例如,终端100可从第一小区10至第七小区70中的每一个接收同步信号,并且基于同步信号的检测结果来产生小区搜索数据。终端100可基于小区搜索数据和分类器从第一小区10至第七小区70确定有效小区候选组。分类器可将第一小区10至第七小区70中可能被确定为有效小区的小区分类为候选小区。例如,分类器可设置与其相应的分类函数,将通过将小区搜索数据应用于分类函数而产生的输出与参考值进行比较,并且基于比较结果确定有效小区候选组。例如,当通过输入与第一小区相应的小区搜索数据而产生的分类函数的输出满足第一参考时,终端100可将第一小区分类为候选小区,并且当输出满足第二参考时,可将第一小区分类为错误小区。小区搜索数据可包括来自第一小区10至第七小区70的接收信号与参考信号之间的相关性、相关性的幅度以及从相关性获得的相位,并且分类器可将通过应用包括上述相关性相关数据的小区搜索数据而产生的输出中的每一个与参考值进行比较,并且可基于比较结果确定有效小区候选组。
然而,如上所述,因为指数(诸如相关性)的准确性在信号电场弱或强的噪声环境中变化,所以可能期望非固定分类器(或者,分类函数和分类参考)的设计,以便即使在各种噪声环境中也准确地确定有效小区。
通过连续更新分类器,即使在变化的噪声环境中,根据示例实施例的终端100也可保持改进的小区搜索性能恒定。作为示例实施例,终端100可产生针对第一小区10至第七小区70的第一小区搜索训练数据。第一小区搜索训练数据可更新分类器,并且终端100可与小区搜索操作分开地周期性地产生第一小区搜索训练数据。此外,终端100可与小区搜索操作并行地(例如,同时或同期地)产生第一小区搜索训练数据以更新分类器,并且此外,终端100可通过使用在小区搜索操作中产生的小区搜索数据来更新分类器。另一方面,在示例实施例中,第一小区10至第七小区70可能包括实际上不存在的小区或错误小区,并且终端100可产生针对实际上不存在的小区或错误小区的第一小区搜索训练数据。
作为示例实施例,终端100可基于第一小区搜索训练数据确定包括至少一个训练候选小区的训练有效小区候选组。训练候选小区可被定义为用于更新分类器的小区。终端100可将包括在第一小区搜索训练数据中的每一个小区的接收信号与参考信号之间的相关性的幅度与相关性参考值进行比较,并且基于比较结果确定训练有效小区候选组。例如,第一小区搜索训练数据可包括来自第一小区10至第七小区70的接收信号与参考信号之间的相关性、相关性的幅度和/或从相关性获得的相位。此外,第一小区搜索训练数据还可包括第一小区10至第七小区70中的每一个的小区标识号(ID)、信号定时和/或接收功率中的至少一个。
终端100可通过选择性地使用第一小区搜索训练数据中的与训练有效小区候选组相应的第二小区搜索训练数据(根据示例实施例,这里也可被称为第二训练小区搜索数据)来更新分类器(例如,更新分类函数和/或分类)。作为示例实施例,终端100可基于第二小区搜索训练数据和关于终端100的网络信息来更新分类器。关于终端100的网络信息可包括关于当前连接到终端100的小区的信息和关于终端100的当前网络连接状态(根据示例实施例,这里也可被称为当前网络状态)的信息中的至少一个。稍后描述通过使用第二小区搜索训练数据和网络信息来更新终端100的分类器的操作的细节。例如,终端100可基于各种机器学习技术对分类器执行更新操作。
对于在执行小区搜索操作之前的初始化,终端可在先前预期的噪声环境中使用当应用有效信号时产生的初始第一小区搜索训练数据和当应用错误信号时产生的初始第一小区搜索训练数据。终端可通过使用初始第一小区搜索训练数据执行初始学习来初始地设置分类器。根据示例实施例,初始第一小区搜索训练数据可被存储在终端的存储器中以用于对分类器进行初始化。
根据示例实施例的终端100可通过连续更新用于从可彼此相邻的第一小区10至第七小区70确定有效小区的分类器,在各种噪声环境中稳定地提供改进的小区搜索性能。此外,终端100还可通过降低对无效小区的连接操作的频率来降低过多的资源消耗。
图2是示出根据示例实施例的终端100的框图。
参照图2,终端100可包括多个天线110、射频集成电路(RFIC)120、信号检测器130、小区搜索控制器140、分类器150、存储器160和/或处理器170。在示例实施例中,多个天线110和RFIC 120可被配置为前端模块,并且信号检测器130、小区搜索控制器140、分类器150、存储器160和处理器170可被配置为后端模块。此外,在图2中,以按角色划分的配置示出了信号检测器130、小区搜索控制器140、分类器150和处理器170,但不限于此,并且可用一个基带处理器来实现信号检测器130、小区搜索控制器140、分类器150和/或处理器170。
天线110可经由无线信道发送由RFIC 120处理的信号和/或经由无线信道接收从小区发送的信号。RFIC 120可以以低噪声放大从天线110接收的信号,并且对放大的信号执行下变频变为基带信号。
信号检测器130可检测从与终端100相邻的小区接收的同步信号。例如,同步信号可包括主同步信号(PSS)和辅同步信号(SSS),并且信号检测器130可顺序地检测PSS和SSS,并且产生针对相邻小区的第一小区搜索训练数据。信号检测器130可检测任意相邻小区的PSS,从检测到的PSS获得小区的特定定时信息(例如,5毫秒),并且获得小区的SSS的位置和小区ID组中的小区ID。接下来,信号检测器130可检测SSS,从检测到的SSS获得小区的帧定时,并且获得小区所属的小区组ID和与小区相应的参考信号。信号检测器130可将包括通过计算从小区接收的信号与参考信号之间的相关性而产生的相关性、相关性的幅度和/或从相关性获得的相位的第一小区搜索训练数据输出到小区搜索控制器140。
小区搜索控制器140可通过使用第一小区搜索训练数据来确定包括至少一个训练候选小区的训练有效小区候选组。例如,小区搜索控制器140可基于包括在第一小区搜索训练数据中的每一个小区的接收信号与参考信号之间的相关性的幅度来确定训练有效小区候选组。
小区搜索控制器140可从第一小区搜索训练数据提取与训练有效小区候选组相应的第二小区搜索训练数据。小区搜索控制器140可基于终端100的网络信息将第二小区搜索训练数据分类为有效小区数据集和错误小区数据集。作为示例实施例,终端100的网络信息可包括关于终端100当前连接的小区的信息(例如,当前连接的小区的ID),并且小区搜索控制器140可将与具有与当前连接的小区ID匹配的ID的训练候选小区相应的第二训练小区搜索数据分类为有效小区数据集,并且将与具有与当前连接的小区ID不一致的ID的训练候选小区相应的第二训练小区搜索数据分类为错误小区数据集。在下文中,错误小区可被定义为不适合连接到终端100的弱小区。此外,错误小区可包括不存在的小区,并且可被称为幽灵小区。
在示例实施例,小区搜索控制器140可基于有效小区数据集与错误小区数据集之间的线性分离来更新分类器150。当有效小区数据集和错误小区数据集被应用于与分类器150相应的分类函数(例如,分类)时,输出结果可存在线性分离,并且稍后将对其进行详细描述。
因为基于关于当前连接的小区的信息对有效小区数据集进行分类,所以当将有效小区数据集输入到分类器150(例如,应用于分类和/或输入到分类函数)时,可预期由分类器150输出的输出结果满足第一参考。第一参考可以是用于在搜索小区时将多个小区中的至少一个小区分类为候选小区或有效小区的预设参考或者给定参考。当与有效小区数据集相应的分类器150的输出结果不满足第一参考时,小区搜索控制器140可适当地更新分类器150。另外,因为基于关于当前连接的小区的信息对错误小区数据集进行分类,所以当将错误小区数据集输入到分类器150(例如,应用于分类和/或输入到分类函数)时,可预期由分类器150输出的输出结果满足第二参考。第二参考可以是用于在搜索小区的同时从多个小区中移除错误小区的预设参考或者给定参考。当与错误小区数据集相应的分类器150的输出结果不满足第二参考时,小区搜索控制器140可适当地更新分类器150。根据示例实施例,第一参考和/或第二参考可以是通过实证研究确定的设计参数。
在示例实施例中,小区搜索控制器140对分类器150的更新操作可包括调整与分类器150相应的分类函数的至少一个参数(例如,调整分类和/或分类标准)的操作。作为示例,分类函数可包括斜率和/或偏差中的至少一个,并且可与线性函数相应。作为非限制性示例,分类函数可以是支持向量机(SVM)分类函数。此外,小区搜索控制器140可包括用于以上述方式连续更新分类器150的机器学习引擎。
在示例实施例中,小区搜索控制器140可在将有效小区数据集和错误小区数据集输入到分类器150之前考虑到存储器160的存储容量来选择性地将有效小区数据集和错误小区数据集存储在存储器160中。存储器160可包括第一存储器区域和第二存储器区域,其中,有效小区数据集可被存储在第一存储器区域中,并且错误小区数据集可被存储在第二存储器区域中。另一方面,因为第一存储器区域和第二存储器区域具有有限的存储容量,并且周期性地新产生的有效小区数据集和错误小区数据集两者都可能不被存储,所以小区搜索控制器140可选择属于有效小区数据集和错误小区数据集中的特定有效范围并且与分类器150的分类参考相邻的数据,并且将选择的数据存储在第一存储器区域和第二存储器区域的每一个中。稍后描述其细节。小区搜索控制器140可通过使用更新的分类器150来执行小区搜索操作,并且确定多个小区中的有效小区。
作为示例实施例,当在搜索小区的同时从小区搜索控制器140输入小区搜索数据时,分类器150可基于输入结果确定有效小区候选组。在示例实施例中,当输入与从小区搜索控制器140确定的有效小区候选组相应的小区搜索数据时,分类器150可基于输入结果移除包括在有效小区候选组中的错误小区。在示例实施例中,当从小区搜索控制器140输入小区搜索数据时,分类器150可基于输入结果立即或迅速地确定有效小区。在下文中,主要基于通过使用分类器150确定准确的有效小区候选组的示例实施例给出描述,但不限于此。在示例实施例中,可移除通过使用分类器150确定的包括在有效小区候选组中的错误小区,或者可通过使用小区搜索数据来执行确定有效小区的操作。处理器170可控制用于与由小区搜索控制器140确定的有效小区进行无线通信的各种操作。
图3是示出根据示例实施例的小区搜索控制器140的框图。在图3中,根据小区搜索控制器140的特定角色划分配置,但这是为了便于描述,并且示例实施例不限于此,并且应当清楚地理解,小区搜索控制器140可以以各种方式(诸如,硬件或软件和硬件的组合)来实现。
参照图3,小区搜索控制器140可包括训练数据收集器142、数据预处理器144、学习机146和/或分类器更新器148。训练数据收集器142可通过使用从多个小区接收的信号来收集第一小区搜索训练数据。在示例实施例中,第一小区搜索训练数据可包括多个小区中的每一个小区的接收信号与参考信号之间的相关性、相关性的幅度和/或从相关性获得的相位,并且还可包括小区ID、信号定时和/或接收功率中的至少一个。另一方面,第一小区搜索训练数据中的针对多个小区中的每一个小区的相关性的幅度和/或从相关性获得的相位可与应用于与稍后描述的分类器相应的分类函数的变量相应。稍后描述其细节。
训练数据收集器142可从第一小区搜索训练数据确定训练有效小区候选组,并且通过使用关于当前连接到终端的小区的信息,可将第二小区搜索训练数据分类为有效小区数据集和错误小区数据集。仅当终端与当前连接的小区之间的网络电场的强度等于或大于参考电场强度时,训练数据收集器142可执行对错误小区数据集进行分类的操作。换句话说,当网络电场的强度小于参考电场强度时,有效小区可能被误认为是错误小区,因此错误小区数据集的可靠性可能下降,并且训练数据收集器142可基于上述条件执行错误小区数据集的分类操作。无论网络电场的状态如何,都可执行对有效小区数据集进行分类的操作。根据示例实施例,参考电场可以是通过实证研究确定的设计参数。
在通过使用有效小区数据集和错误小区数据集来更新分类器之前,数据预处理器144可基于终端的当前网络状态对有效小区数据集和错误小区数据集(例如,第二小区搜索训练数据)执行预处理操作。例如,终端的当前网络状态可包括终端的网络连接开始状态(例如,终端的网络连接状态)和/或终端的切换状态中的至少一个。终端的网络连接开始状态可指用于在终端开启时第一次开始与小区连接的网络状态。终端的切换状态可指用于由于终端的移动等原因而将连接从一个小区切换到另一个小区的网络状态。数据预处理器144可通过对有效小区数据集和错误小区数据集执行预处理来将终端的当前网络状态反映给分类器(例如,可基于终端的当前网络状态来更新分类器)。例如,数据预处理器144可通过将特定旋转矩阵应用于有效小区数据集和错误小区数据集来执行预处理操作。稍后描述其细节。另一方面,在示例实施例中,可省略预处理器144的操作。根据示例实施例,如这里所使用的术语数据预处理器和预处理操作可具有不反映预处理操作和/或数据预处理器的操作相对于终端100的其他操作的时序或顺序的含义。
学习机146可将有效小区数据集和错误小区数据集输入到分类器,并且基于从分类器输出的输出结果对与分类器相应的分类函数执行机械学习(例如,机器学习)。学习机146可基于分类器的分类函数来学习有效小区数据集和错误小区数据集的线性分离,并且可导出能够将有效小区数据集与错误小区数据集进行区分的最佳或期望的分类函数。根据示例实施例,学习机146可通过在分类器中输入有效小区数据集并将分类器的输出与第一参考进行比较以及在分类器中输入错误小区数据集并将分类器的输出与第二参考进行比较来确定线性分离。在示例实施例中,终端100的处理电路可通过人工智能和/或机器学习来执行一些操作(例如,这里描述为由学习机器146执行的操作)。作为示例,处理电路可实现人工神经网络,其中,所述人工神经网络通过例如监督式、无监督式和/或强化学习模型对训练数据集(例如,有效小区数据集和/或错误小区数据集)进行训练,并且其中,处理电路可对特征向量进行处理以基于训练提供输出。这样的人工神经网络可利用各种人工神经网络组织和处理模型,诸如,卷积神经网络(CNN)、可选地包括长短期记忆(LSTM)单元和/或门控递归单元(GRU)的递归神经网络(RNN)、基于堆叠的深度神经网络(S-DNN)、状态空间动态神经网络(S-SDNN)、去卷积网络、深度信念网络(DBN)和/或受限玻尔兹曼机(RBM)。可选地或另外地,处理电路可包括其他形式的人工智能和/或机器学习,诸如例如,线性和/或逻辑回归、统计聚类、贝叶斯分类、决策树、降维(例如,主成分分析)和专家系统;和/或其组合,包括诸如随机森林的集合。在本公开中使用的术语“处理电路”可指例如包括逻辑电路的硬件;硬件/软件组合,诸如执行软件的处理器;或其组合。例如,处理电路更具体地可包括但不限于,中央处理单元(CPU)、算术逻辑单元(ALU)、数字信号处理器、微计算机、现场可编程门阵列(FPGA)、片上系统(SoC)、可编程逻辑单元、微处理器、专用集成电路(ASIC)等。
分类器更新器148可基于学习机146的学习结果来调整分类器的分类函数的至少一个参数。分类函数可被实现为线性函数,并且分类函数的参数可包括分类函数的斜率和/或偏差。
图4是根据示例实施例的终端的小区搜索方法的流程图。
参照图4,终端100可产生针对多个小区的第一小区搜索训练数据(S100)。例如,终端可检测从多个小区接收的同步信号,并且产生第一小区搜索训练数据,其中,第一小区搜索训练数据包括包含小区ID的唯一信息和针对每一个小区的接收信号与参考信号之间的相关性。终端可通过使用第一小区搜索训练数据来确定包括至少一个训练候选小区的训练有效小区候选组(S200)。例如,终端可将第一小区搜索训练数据中的针对每一个小区的接收信号与参考信号之间的相关性的幅度与相关性参考值进行比较,并且在检查每一个小区的比较结果之后,从多个小区中确定训练候选小区。终端可基于与训练有效小区候选组相应的第二小区搜索训练数据和终端的网络信息来更新分类器(S300)。例如,终端可基于网络信息中关于与其连接的小区的信息将第二小区搜索训练数据分类为有效小区数据集和错误小区数据集。另外,终端可将网络信息中的关于其当前网络连接状态的信息反映到分类器中。因为适当的分类函数根据终端的当前网络连接状态而变化,所以通过根据当前网络连接状态对将被输入到分类器中的有效小区数据集和错误小区数据集执行预处理操作,终端可间接进行调整,使得分类器的分类函数的至少一个参数满足终端的当前网络连接状态。终端可将有效小区数据集和错误小区数据集输入到分类器,并且基于从分类器输出的输出结果来更新分类器。例如,当有效小区数据集被应用于分类器的分类函数并且输出不满足第一参考的结果时,或者当错误小区数据集被应用于分类器的分类函数并且输出不满足第二参考的结果时,终端可通过调整分类函数的至少一个参数来更新分类器。终端可基于更新的分类器执行小区搜索操作(S400)。例如,终端可在小区搜索期间产生针对多个小区的小区搜索数据,并且通过将小区搜索数据应用于更新的分类器,可确定有效小区候选组。终端可将具有有效小区候选组中的每一个候选小区的测量的接收功率中的最大接收功率的候选小区确定为有效小区。例如,接收功率可相应于与小区特定参考信号相关联的参考信号接收功率(RSRP)、与同步信号相关联的同步接收功率(SCH_RP)、参考信号接收质量(RSRQ)、信号与干扰和噪声比(SINR)、接收信号强度指示符(RSSI)等中的至少一个。
在操作S400的示例实施例中,终端可在小区搜索操作期间产生针对所述多个小区的小区搜索数据,并且基于小区搜索数据确定有效小区候选组。终端可通过将与有效小区候选组相应的小区搜索数据应用于更新的分类器来移除包括在有效小区候选组中的错误小区。在操作S400的示例实施例中,当与基于小区搜索数据确定的有效小区候选组相应的小区搜索数据被应用于更新的分类器时,终端可基于分类器的输出结果立即或迅速地确定有效小区。根据示例实施例,在操作S400之后,终端100可与包括在有效小区候选组中的有效小区连接,并执行与有效小区的通信(例如,发送和/或接收数据)。
图5是根据示例实施例的图4中的操作S100的详细流程图。
参考图5,终端可从多个小区接收同步信号,并且针对每一个小区检测同步信号中的PSS(S110)。终端可通过使用针对每一个小区的PSS检测结果来针对每一个小区检测SSS(S120)。终端可通过使用针对每一个小区的PSS检测结果和SSS检测结果来产生第一小区搜索训练数据(S130)。例如,第一小区搜索训练数据可具有适合应用于分类器的数据格式,并且第一小区搜索训练数据可包括多个小区的唯一信息。
图6是根据示例实施例的图4中的操作S200的详细流程图。
参照图6,在图4中的操作S100之后,可确定与多个小区中的第n(其中,n是1或更大的整数)小区相应的接收信号与参考信号之间的相关性的幅度是否大于相关性参考值(S210)。根据示例实施例,在执行图6中描绘的操作之前,‘n’被初始化为具有值‘1’。当操作S210的结果为“是”时,终端可将第n小区分类为训练候选小区(S220)并进行到操作S230。否则,当操作S210的结果为“否”时,可确定“n”是否等于与终端相邻的小区的总数相应的“m”(S230)。当操作S230的结果为“否”时,终端可对“n”向上计数(例如,递增)并执行(例如,重复)操作S210。否则,当操作S230的结果为“是”时,终端可确定包括先前已经分类的至少一个训练候选小区的训练有效小区候选组(S250)。
图7A和图7B是根据示例实施例的图4中的操作S300的详细流程图。
参照图7A,终端可将具有与连接到当前终端的小区的ID匹配的ID的训练候选小区的第二训练小区搜索数据(例如,第二训练搜索数据的第一部分)分类为有效小区数据集(S310)。终端可将具有与连接到当前终端的小区的ID不匹配的ID的训练候选小区的第二训练小区搜索数据(例如,第二训练小区搜索数据的第二部分)分类为错误小区数据集(S320)。终端可基于有效小区数据集和错误小区数据集来更新分类器(S330)。
参考图7B,在图7A中的操作S310之后,终端可确定当前网络电场的强度是否大于参考电场强度(S315)。当操作S315的结果为“是”时,可遵循图7A中的操作S320。否则,当操作S315的结果为“否”时,可省略图7A中的操作S320,并且可立即或顺序地紧接操作S330。换句话说,当操作S315的结果为“否”时,终端可通过仅使用除了(例如,没有)错误小区数据集之外的有效小区数据集来对分类器执行更新操作。
图8A是用于解释根据示例实施例的基于SVM的分类器的曲线图,并且图8B是基于参照图8A给出的描述的图4中的操作S300的详细流程图。在下文中,主要以基于SVM实现的示例实施例为基础来描述分类器,但是这仅是示例实施例,并且示例实施例不限于此。显然,能够将相应于有效小区数据集的有效小区与相应于错误小区数据集的错误小区分开的各种分类技术可被应用于分类器。根据示例实施例,如本文所使用的术语分类器是指被配置为调整(例如,更新)和/或管理分类函数(例如,分类和/或分类标准)和/或使用分类函数计算分类的处理电路。根据示例实施例,这里提及将数据输入到分类器中可指将输入数据用作分类函数中的参数来计算解和/或分类。根据示例实施例,这里提及由分类器输出的数据可指分类函数的解和/或使用分类函数计算的分类。
根据示例实施例的分类器可基于SVM。SVM可以是提供能够将训练数据集分类成任何两个组的分类器的机器学习引擎。假设存在能够在两个组之间线性分离的分类器,通过提供解决方案(例如,用于优化问题),可增加两个组之间(例如,有效小区数据集和错误小区数据集之间)的间隔(margin)。与基于SVM的分类器(或SVM分类器)相应的分类函数可由公式1定义。根据示例实施例,分类器可确定和/或调整分类函数的参数(例如,分类函数的斜率和/或偏差),从而提供有效小区数据集和错误小区数据集之间的最大和/或确定的线性分离(例如,间隔)(例如,可基于线性分离来更新分类器)。
[公式1]
f(xi)=wT·xi+b
在公式1中,wT可以是作为分类函数的斜率的与间隔相关的对称矩阵参数,并且xi可作为输入到分类函数的参数与第一小区搜索训练数据、有效小区数据集和/或错误小区数据集中的任何一个相应。b可以是分类函数的偏差。xi可由公式2定义。
[公式2]
xi=(θi,ρi)T
ρi可表示与第i小区(其中,i是1或更大的整数)相应的接收信号与参考信号之间的相关性的幅度,并且θi可以是由与第i小区相应的相关性的实部和虚部确定的相位。可按小区对xi进行分类并将其输入到分类函数。终端可将有效小区数据集和错误小区数据集输入到分类函数,并且可通过将从分类函数输出的输出结果与特定参考进行比较来调整分类函数的斜率和/或偏差中的至少一个。
如在图8A中所示出的,与有效小区数据集相应的有效小区和与错误小区数据集相应的错误小区可彼此存在线性分离,并且可调整与基于SVM的分类器相应的斜率和偏差中的至少一个,使得有效小区和错误小区可被分类为最佳或期望的间隔。
在示例实施例中,终端可将有效小区数据集输入到分类函数中,并确定公式3的条件是否被满足。
[公式3]
f(xk)>TH
当有效小区数据集中的与第k训练候选小区(其中,k是1或更大的整数)相应的第k数据xk被输入到分类函数,并且输出结果大于特定参考值TH时,终端可确定分类函数正确。另一方面,当输出结果等于或小于TH时,终端可确定分类函数不正确,并且可调整分类函数的斜率和偏差中的至少一个。例如,终端可将分类函数的斜率和/或偏差调整为比之前低。
在示例实施例中,终端可将错误小区数据集输入到分类函数中,并确定公式4的条件是否被满足。
[公式4]
f(xj)<TH
当有效小区数据集中的与第j训练候选小区(其中,j是1或更大的整数)相应的第j数据xj被输入到分类函数,并且输出结果小于特定参考值TH时,终端可确定分类函数正确。另一方面,当输出结果等于或大于TH时,终端可确定分类函数不正确,并且调整分类函数的斜率和/或偏差中的至少一个。例如,终端可将分类函数的斜率和/或偏差调整为比之前高。
进一步参照图8B,终端可将有效小区数据集中的与第k训练候选小区相应的第k数据输入到分类器中(S321a)。根据示例实施例,在执行图8B中描绘的操作之前,将“k”和“j”初始化为具有值“1”。终端可确定分类器响应于第k数据的输出是否符合(例如,满足)第一参考(S322a)。当操作S322a的结果为“否”时,终端可调整分类函数中的至少一个参数(S323a)并且进行到操作S324a。否则,当操作S322a的结果为“是”时,终端可确定作为与有效小区数据集相应的训练候选小区的总数的“p1”是否与“k”相同(S324a)。当操作S324a的结果为“否”时,终端可对“k”向上计数(例如,递增)(S325a),然后可紧接进行(例如,重复)操作S321a。否则,当操作S324a的结果为“是”时,终端可将错误小区数据集中的与第j训练候选小区相应的第j数据输入到分类器中(S321b)。终端可确定分类器响应于第j数据的输出是否符合(例如,满足)第二参考(S322b)。当操作S322b的结果为“否”时,终端可调整分类函数中的至少一个参数(S323b)并且进行到操作S324b。否则,当操作S322b的结果为“是”时,终端可确定作为与错误小区数据集相应的训练候选小区的总数的“p2”是否与“j”相同(S324b)。当操作S324b的结果为“否”时,终端可对“j”向上计数(例如,递增)(S325b),然后可紧接进行(例如,重复)操作S321b。否则,当操作S324b的结果为“是”时,终端可完成分类器的更新操作(S326)。
图9是根据示例实施例的图4中的操作S300的详细流程图。
参照图9,终端可获得当前网络连接状态(S327)。例如,终端可识别当前网络连接状态是网络连接开始状态还是切换状态。终端可将当前网络连接状态反映给分类器(S328)。例如,终端可通过根据当前网络连接状态对有效小区数据集和错误小区数据集执行预处理操作来将终端的当前网络连接状态反映给分类器。
图10A是根据示例实施例的图9中的操作S328的详细流程图,并且图10B是用于解释在图10A中公开的示例实施例的曲线图。
参考图10A,在图9中的操作S327之后,终端可确定当前网络连接状态是否是网络连接开始状态(S328a)。当操作S328a的结果为“是”时,终端可对有效小区数据集和错误小区数据集执行预处理操作,以间接地将分类函数的斜率调高(S328b)。否则,当操作S328a的结果为“否”时,终端可确定当前网络连接状态是否是切换状态(S328c)。当操作S328c的结果为“是”时,终端可对有效小区数据集和错误小区数据集执行预处理操作,以间接地将分类函数的斜率调低(S328d)。否则,当操作S328c的结果为“否”时,终端可省略预处理操作(S328e)。下面可进行图8B中的操作S321a。
进一步参照图10B,终端可根据当前网络连接状态间接调整与SVM分类器相应的分类函数的斜率。例如,当终端处于在第一情况(情况1)下的网络连接开始状态时,终端可对有效小区数据集和错误小区数据集执行第一预处理操作,使得可间接增加与SVM分类器相应的分类函数的斜率。另外,当终端处于在第二情况(情况2)下的切换状态时,终端可对有效小区数据集和错误小区数据集执行第二预处理操作,使得可间接地减小与SVM分类器相应的分类函数的斜率。
尽管已经描述了终端通过基于当前网络连接状态预处理有效小区数据集和错误小区数据集来间接调整分类器的分类函数的至少一个参数的示例实施例,但是这仅仅是示例实施例,并且示例实施例不限于此。在示例实施例中,终端可基于当前网络连接状态直接调整分类函数的至少一个参数。
图11A和11B分别是根据示例实施例的考虑存储器的有限存储容量的终端的有效小区数据集和错误小区数据集的存储方法的流程图。
参照图11A,终端可设置有效小区数据集的有效范围(S500a)。例如,如上面参照图8A所描述的,当有效小区数据集包括接收信号与参考信号之间的相关性的幅度以及从相关性的实部和虚部确定的相位时,可基于相位设置有效范围。终端可将有效范围划分为z个区域(例如,区)(其中,z是1或更大的整数)(S510a)。终端可从有效小区数据集提取与每一个区域相应的数据(S520a)。根据示例实施例,终端可从满足参考值的有效小区数据集提取包括检测每一个区域中的数据的数据。终端可以以第一方法将提取的数据选择性地存储在针对每一个区域划分的第一存储器区域中(S530a)。
参照图11B,终端可设置错误小区数据集的有效范围(S500b)。终端可将有效范围划分为z个区域(S510b)。然而,当使用图11A中的操作S500a和S510a的结果时,可省略操作S500b和S510b。终端可从错误小区数据集提取与每一个区域相应的数据(S520b)。根据示例实施例,终端可从满足参考值的错误小区数据集提取包括检测每一个区域中的数据的数据。终端可以以第二方法将提取的数据选择性地存储在针对每一个区域划分的第二存储器区域中(S530b)。
可在图7A中的操作S320之后执行操作S500a至S530a和操作S500b至S530b,并且终端可通过使用分别存储在第一存储器区域和第二存储器区域中的有效小区数据集和错误小区数据集来执行图7A中的操作S330。
进一步参照图12,当终端将有效小区数据集VCDS存储在第一存储器区域MA1中时,第一存储区域MA1可被划分为z个区域或者第一区域R1至第z区域Rz,并且有效小区数据集VCDS可被存储为数据小区数据(也就是说,C_11a至C_1ta、C_21a至C_2ta、...、C_z1a至C_zta),其中,数据小区数据中的每一个与每一个区(例如,区域)相应。例如,第一区(例如,区域)R1至第Z区(例如,区域)Rz中的每一个可具有仅存储“t”个数据(例如,“t”个比特、字节等的数据)(其中,t是2或更大的整数)的有限空间,通过应用特定优先级来首先存储具有高优先级的数据,并且删除具有相对低优先级的数据而不保存它。例如,当有效小区数据集VCDS中的数据被输入到分类函数时,终端可估计作为输出的输出结果与图8A中的公式3中的参考值TH之间的接近程度,并且确定数据的存储优先级。例如,终端可按照第一区至第z区(也就是说,第一区R1至第z区Rz)中的每一个区中的数据中包括的小的相关性大小的顺序设置存储优先级,并且将有效小区数据集VCDS存储在第一存储器区域MA1中。
终端可参考第一存储器区域MA1的第一索引Index_11至第i索引Index_1t来访问存储在第一存储器区域MA1中的有效小区数据集VCDS,并且在机器学习中使用所访问的有效小区数据集VCDS来更新分类器。
当终端将错误小区数据集FCDS存储在第二存储器区域MA2中时,第二存储器区域MA2可被划分为z个区(这里也可被称为区域)(也就是说,第一区R1至第z区Rz),并且每一个错误小区数据集FCDS可被存储为数据小区数据(也就是说,C_11b至C_1tb、C_21b至C_2tb、...、C_z1b至C_ztb),其中,数据小区数据中的每一个与每一个区相应。例如,第一区R1至第z区Rz中的每一个可具有仅存储“t”个数据(例如,“t”个比特、字节等的数据)(其中,t是2或更大的整数)的有限空间,通过应用特定优先级来首先存储具有高优先级的数据,并且删除具有相对低优先级的数据而不保存它。例如,当错误小区数据集FCDS中的数据被输入到分类函数时,终端可估计作为输出的输出结果与图8A中的公式4中的参考值TH之间的接近程度,并且确定数据的存储优先级。例如,终端可按照z个区(也就是说,第一区R1至第z区Rz)中的每一个的数据中包括的大的相关性大小的顺序设置存储优先级,并且将有效小区数据集FCDS存储在第二存储器区域MA2中。
终端可参考第二存储器区域MA2的第一索引Index_21至第t索引Index_2t来访问存储在第二存储器区域MA2中的错误小区数据集FCDS,并且在机器学习中使用所访问的错误小区数据集FCDS来更新分类器。
图13是根据示例实施例的终端的小区搜索方法的图。
参照图13,终端可产生用于小区搜索的小区搜索数据(S600)。例如,终端可从多个小区接收同步信号,并且产生与多个小区中的每一个小区相应的小区搜索数据。终端可通过应用参照图1至图12描述的示例实施例,基于更新的分类器来确定有效小区候选组(S610)。作为示例,终端可将小区搜索数据应用于更新的分类器,并且通过将满足与图8A相关联的公式3的条件的那些小区分类为候选小区,并且将满足与图8A相关联的公式4的条件的那些小区分类为错误小区,可确定有效小区候选组。终端可基于与来自有效小区候选组的每一个候选小区相应的接收功率来确定一个有效小区(S620)。
在示例实施例中,终端可与分类器更新操作并行地执行包括操作S600至S620的小区搜索操作,并且可使用在操作S600中产生的小区搜索数据作为第一小区搜索训练数据来更新分类器。
图14是根据示例实施例的电子装置1000的框图。
参照图14,电子装置1000可包括存储器1010、处理器单元1020、输入/输出控制器1040、显示单元1050、输入装置1060和/或通信处理单元1090。存储器1010可以以复数形式存在。组件如下。
存储器1010可包括用于存储用于控制电子装置1000的操作的程序的程序存储单元1011和用于存储在程序执行期间产生的数据的数据存储单元1012。数据存储单元1012可存储用于应用程序1013和有效小区区分程序1014的操作的数据。程序存储单元1011可包括应用程序1013和有效小区区分程序1014。这里,包括在程序存储单元1011中的程序可以是指令集,并且可被表示为指令集。
应用程序1013可包括在电子装置1000中可操作的应用程序。换句话说,应用程序1013可包括由处理器1022执行的应用指令。有效小区区分程序1014可根据本公开的示例实施例控制分类器更新操作。换句话说,电子装置1000可通过使用有效小区区分程序1014来产生小区搜索训练数据,并且通过使用有效小区区分程序1014,对即使在各种噪声环境中也能够区分最佳或期望的有效小区的分类器执行机器学习。
外围装置接口1023可控制基站的输入/输出外围装置到处理器1022和存储器接口1021的连接。处理器1022可通过使用至少一个软件程序来控制基站提供适用的服务。在这种情况下,处理器1022可执行存储在存储器1010中的至少一个程序以提供与适用程序相应的服务。
输入/输出控制器1040可提供输入/输出装置(诸如,显示单元1050和输入装置1060)与外围装置接口1023之间的接口。显示单元1050可显示状态信息、输入字符、运动画面、静止画面等。例如,显示单元1050可以显示关于由处理器1022执行的应用程序的信息。
输入装置1060可经由输入/输出控制器1040将通过电子装置1000的选择而产生的输入数据提供给处理器单元1020。在这种情况下,输入装置1060可包括具有至少一个硬件按钮的键盘和用于感测触摸信息的触摸板。例如,输入装置1060可经由输入/输出控制器1040将已经由触摸板感测到的触摸信息(诸如,触摸、触摸移动和触摸释放)提供给处理器1022。电子装置1000可包括执行用于语音通信和数据通信的通信功能的通信处理单元1090。
用于与多个小区进行通信的常规装置和方法基于固定的相关性参考值来确定有效小区。然而,这种固定的相关性参考值在各种噪声环境(例如,弱信号电场的增强噪声环境)中是不可靠和不准确的。由于这些传统装置和方法缺乏可靠性和准确性,因此尝试与无效小区连接的次数增加,从而导致过度的资源消耗(例如,功率、处理器、存储器、延迟等)。
然而,示例实施例提供了使用可更新分类器确定有效小区的与多个小区通信的改进的终端和方法。可更新分类器以在各种噪声环境(包括弱信号电场的增强噪声环境)中提供改进的性能。因此,所述改进的终端和方法克服了现有装置和方法的不足,提高了可靠性及准确性,因此与传统装置及方法相比,减少了过度的资源消耗(例如,功率、处理器、存储器、延迟等)。
根据示例实施例,本文描述的由无线通信系统1、第一小区10至第七小区70、终端100、RFIC 120、信号检测器130、小区搜索控制器140、分类器150、处理器170、训练数据收集器142、数据预处理器144、学习机146、分类器更新器148、电子装置1000、处理器单元1020、输入/输出控制器1040、通信处理单元1090、处理器1022、外围装置接口1023和/或存储器接口1021执行的操作可由处理电路执行。
根据示例实施例,可使用与用于实现终端100、RFIC 120、信号检测器130、小区搜索控制器140、处理器170、训练数据收集器142、数据预处理器144、分类器更新器148、电子装置1000、处理器单元1020、输入/输出控制器1040、通信处理单元1090、处理器1022、外围装置接口1023和/或存储器接口1021的处理电路分开的处理电路来实现分类器150和/或学习机146中的一个或两个。例如,分类器150可使用分类器处理电路来实现,和/或学习机145可使用学习机处理电路来实现。根据示例实施例,终端100、RFIC 120、信号检测器130、小区搜索控制器140、分类器150、处理器170、训练数据收集器142、数据预处理器144、学习机146、分类器更新器148、电子装置1000、处理器单元1020、输入/输出控制器1040、通信处理单元1090、处理器1022、外围装置接口1023和存储器接口1021中的全部可由同一处理电路(例如,终端100内部的处理电路)来实现。
上述方法的各种操作以由能够执行操作的任何合适的装置(诸如上面讨论的处理电路)来执行。例如,如上所述,上述方法的操作可由各种硬件和/或以某种形式的硬件实现的软件(例如,处理器、ASIC等)来执行。
软件可包括用于实现逻辑功能的可执行指令的有序列表,并且可体现在任何“处理器可读介质”中以供指令执行系统、设备或装置(诸如单核或多核处理器或包含处理器的系统)使用或与所述指令执行系统、设备或装置结合使用。
结合本文公开的示例实施例描述的方法或算法和功能的框或操作可直接体现在硬件中、由处理器执行的软件模块中、或两者的组合中。如果以软件实现,则功能可作为一个或多个指令或代码被存储在有形的非暂时性计算机可读介质上或通过有形的非暂时性计算机可读介质来传输。软件模块可驻留在随机存取存储器(RAM)、闪存、只读存储器(ROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、寄存器、硬盘、可移动盘、CDROM、或本领域中已知的任何其他形式的存储介质中。
可参考可结合下面更详细讨论的单元和/或装置实现的操作的动作和符号表示(例如,以流程图、流图、数据流图、结构图、框图等的形式)来描述示例实施例。尽管以特定方式进行了讨论,但是在特定框中指定的功能或操作可与在流程图、流图等中指定的流程不同地执行。例如,示出为在两个连续框中串行执行的功能或操作实际上可并发地、同时地、同期地被执行,或者在一些情况下以相反的顺序被执行。
虽然已经参考示例实施例的示例具体示出和描述了示例实施例,但是应当理解,在不脱离所附权利要求的精神和范围的情况下,可在其中进行形式和细节上的各种改变。
Claims (20)
1.一种被配置为与多个小区中的至少一个小区进行通信的终端的操作方法,所述方法包括:
产生针对所述多个小区的第一小区搜索训练数据;
基于第一小区搜索训练数据确定至少一个训练候选小区;
基于第一小区搜索训练数据中的与所述至少一个训练候选小区相应的第二小区搜索训练数据和关于所述终端的网络信息来更新分类以获得更新的分类;以及
基于所述更新的分类来确定所述多个小区中的有效小区。
2.根据权利要求1所述的方法,其中,第一小区搜索训练数据包括:
所述多个小区中的每一个小区的接收信号与参考信号之间的相关性,
所述相关性的幅度,以及
从所述相关性获得的相位。
3.根据权利要求1所述的方法,其中,确定所述至少一个训练候选小区的步骤包括:
确定所述多个小区中的每一个小区的接收信号与参考信号之间的相关性的幅度是否满足参考值以获得确定结果,其中,所述多个小区中的每一个小区的接收信号与所述参考信号之间的相关性被包括在第一小区搜索训练数据中;以及
基于所述确定结果从所述多个小区中确定所述至少一个训练候选小区。
4.根据权利要求1所述的方法,其中
关于所述终端的所述网络信息包括关于所述多个小区中的当前连接到所述终端的小区的信息;以及
更新所述分类的步骤包括:
基于关于当前连接到所述终端的小区的信息,将第二小区搜索训练数据分类为有效小区数据集和错误小区数据集,
将所述有效小区数据集和所述错误小区数据集应用于所述分类以获得应用结果,以及
基于所述应用结果来更新所述分类。
5.根据权利要求4所述的方法,其中
所述至少一个训练候选小区包括多个训练候选小区;以及
将第二小区搜索训练数据分类为有效小区数据集和错误小区数据集的步骤包括:
将第二小区搜索训练数据的第一部分分类到所述有效小区数据集中,其中,第二小区搜索训练数据的第一部分与所述多个训练候选小区中的具有与当前连接到所述终端的所述小区的ID匹配的ID的第一训练候选小区相应,或者
将第二小区搜索训练数据的第二部分分类到所述错误小区数据集中,其中,第二小区搜索训练数据的第二部分与所述多个训练候选小区中的具有与当前连接到所述终端的所述小区的ID不匹配的ID的第二训练候选小区相应。
6.根据权利要求4所述的方法,其中,将所述有效小区数据集和所述错误小区数据集应用于所述分类的步骤包括:
通过将所述有效小区数据集输入到与所述分类相应的分类函数来产生第一输出;以及
通过将所述错误小区数据集输入到所述分类函数来产生第二输出。
7.根据权利要求6所述的方法,其中,基于所述应用结果来更新所述分类的步骤包括:
基于第一输出是否满足第一参考来调整所述分类函数的至少一个参数;以及
基于第二输出是否满足第二参考来调整所述分类函数的所述至少一个参数。
8.根据权利要求7所述的方法,其中,所述分类函数的所述至少一个参数包括所述分类函数的斜率和所述分类函数的偏差中的至少一个。
9.根据权利要求4所述的方法,其中,将第二小区搜索训练数据分类为有效小区数据集和错误小区数据集的步骤包括:基于所述终端与当前连接到所述终端的所述小区之间的网络电场的强度等于或大于参考电场强度而将第二小区搜索训练数据分类为所述错误小区数据集。
10.根据权利要求4所述的方法,还包括:
基于与所述分类的分类参考的接近度,将所述有效小区数据集中的数据存储在所述终端的第一存储器区域中;以及
基于与所述分类参考的接近度,将所述错误小区数据集中的数据存储在所述终端的第二存储器区域中。
11.根据权利要求1所述的方法,其中
关于所述终端的所述网络信息包括所述终端的当前网络连接状态;以及
更新所述分类的步骤包括基于所述终端的当前网络连接状态来更新所述分类。
12.根据权利要求1所述的方法,其中,确定所述多个小区中的有效小区的步骤包括:
产生针对所述多个小区的小区搜索数据;
基于所述小区搜索数据和所述更新的分类,从所述多个小区中确定有效小区候选组;以及
从所述有效小区候选组中确定所述有效小区。
13.根据权利要求12所述的方法,其中,所述小区搜索数据被用作更新的第一小区搜索训练数据以更新所述分类。
14.根据权利要求12所述的方法,其中,产生第一小区搜索训练数据的步骤是与产生所述小区搜索数据的步骤被分开地周期性地执行的。
15.根据权利要求1所述的方法,还包括:
基于存储在所述终端的存储器中的初始小区搜索训练数据来对所述分类进行初始化。
16.一种被配置为与多个小区中的至少一个小区进行通信的终端的操作方法,所述方法包括:
产生针对所述多个小区的第一小区搜索训练数据;
基于第一小区搜索训练数据确定多个训练候选小区;
基于关于所述终端的网络信息,将第一小区搜索训练数据中的与所述多个训练候选小区相应的第二小区搜索训练数据分类为有效小区数据集和错误小区数据集;以及
基于所述有效小区数据集与所述错误小区数据集之间的线性分离来更新分类以获得更新的分类。
17.根据权利要求16所述的方法,其中
关于所述终端的所述网络信息包括关于所述多个小区中的当前连接到所述终端的小区的信息;以及
将第二小区搜索训练数据分类为有效小区数据集和错误小区数据集的步骤包括:
将第二小区搜索训练数据的第一部分分类到所述有效小区数据集中,其中,第二小区搜索训练数据的第一部分与所述多个训练候选小区中的具有与当前连接到所述终端的所述小区的ID匹配的ID的第一训练候选小区相应,以及
将第二小区搜索训练数据的第二部分分类到所述错误小区数据集中,其中,第二小区搜索训练数据的第二部分与所述多个训练候选小区中的具有与当前连接到所述终端的所述小区的ID不匹配的ID的第二训练候选小区相应。
18.根据权利要求16所述的方法,其中,更新所述分类的步骤包括:
通过将所述有效小区数据集输入到与所述分类相应的分类函数来产生第一输出;
通过将所述错误小区数据集输入到所述分类函数来产生第二输出;以及
通过将第一输出和第二输出中的每一个与相应的参考输出进行比较来确定所述线性分离。
19.根据权利要求18所述的方法,其中,更新所述分类的步骤还包括:
基于所述线性分离来调整所述分类函数的斜率或所述分类函数的偏差中的至少一个。
20.一种被配置为与多个小区中的至少一个小区进行通信的终端,其中,所述终端包括:
多个天线,被配置为接收所述多个小区中的每一个小区的高频信号;
射频集成电路,被配置为将所述高频信号处理成基带信号;以及
处理电路,被配置为:
从所述基带信号中检测所述多个小区的多个同步信号,
使用所述多个同步信号来产生第一小区搜索训练数据,
基于第一小区搜索训练数据从所述多个小区中确定训练有效小区候选组,以及
基于第一小区搜索训练数据中的与所述训练有效小区候选组相应的第二小区搜索训练数据和关于所述终端的网络信息来更新分类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200035817A KR20210119202A (ko) | 2020-03-24 | 2020-03-24 | 단말의 동작 방법 및 이를 위한 단말 |
KR10-2020-0035817 | 2020-03-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113452467A true CN113452467A (zh) | 2021-09-28 |
Family
ID=77659331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110266680.1A Pending CN113452467A (zh) | 2020-03-24 | 2021-03-11 | 终端的操作方法和终端 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210306935A1 (zh) |
KR (1) | KR20210119202A (zh) |
CN (1) | CN113452467A (zh) |
DE (1) | DE102020129317B4 (zh) |
TW (1) | TW202145047A (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8897772B2 (en) * | 2009-06-26 | 2014-11-25 | Electronics And Telecommunications Research Institute | Terminal and method for controlling cell searching thereof |
DE102013015167B4 (de) * | 2013-09-11 | 2017-04-27 | Intel IP Corporation | Verfahren zum Filtern von Kandidatenzellen |
US9763177B1 (en) | 2016-02-08 | 2017-09-12 | Mbit Wireless, Inc. | False cell filtering during cell search |
US9609585B1 (en) * | 2016-03-30 | 2017-03-28 | Intel IP Corporation | Devices and method for cell search and detection |
KR102136755B1 (ko) | 2019-02-18 | 2020-08-13 | (주)민예 | 단열패널유닛 및 이에 초슬림석재판과 결합된 외장용 복합패널을 이용한 벽체의 하부 결합구조 |
-
2020
- 2020-03-24 KR KR1020200035817A patent/KR20210119202A/ko active Search and Examination
- 2020-10-01 US US17/060,694 patent/US20210306935A1/en active Pending
- 2020-11-06 DE DE102020129317.8A patent/DE102020129317B4/de active Active
-
2021
- 2021-03-11 CN CN202110266680.1A patent/CN113452467A/zh active Pending
- 2021-03-19 TW TW110109870A patent/TW202145047A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
KR20210119202A (ko) | 2021-10-05 |
DE102020129317B4 (de) | 2023-01-26 |
DE102020129317A1 (de) | 2021-09-30 |
US20210306935A1 (en) | 2021-09-30 |
TW202145047A (zh) | 2021-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11513583B2 (en) | Methods and systems for managing machine learning involving mobile devices | |
US9503855B2 (en) | Terminal apparatus, position estimating method, position estimating system, and computer-readable storage medium | |
Lin et al. | A group-discrimination-based access point selection for WLAN fingerprinting localization | |
US10674474B2 (en) | System and method to discover device context and location using cellular signal information | |
Haseeb et al. | Wisture: RNN-based learning of wireless signals for gesture recognition in unmodified smartphones | |
US10674312B2 (en) | Locating and tracking a wireless beacon from a wireless device | |
Zhang et al. | Multilayer probability extreme learning machine for device-free localization | |
CN106464526A (zh) | 检测异常的系统与方法 | |
US11528067B2 (en) | Wireless communication device capable of fast beam selection and method of operation thereof | |
Saffar et al. | Semi-supervised deep learning-based methods for indoor outdoor detection | |
Ahmed et al. | Deep residual learning-based cognitive model for detection and classification of transmitted signal patterns in 5G smart city networks | |
US20240155553A1 (en) | Obtaining machine learning (ml) models for secondary method of orientation detection in user equipment (ue) | |
Tong et al. | A fine-grained channel state information-based deep learning system for dynamic gesture recognition | |
US9883347B2 (en) | Specific velocity estimation of wireless network devices | |
CN113452467A (zh) | 终端的操作方法和终端 | |
Pasha et al. | Enhanced fingerprinting based indoor positioning using machine learning | |
KR102174127B1 (ko) | 라디오 통신 시스템의 장치 및 방법 | |
KR101773330B1 (ko) | 분산형 무선 센서 네트워크 및 분산형 무선 센서 네트워크에서의 정보 검출 방법 | |
Abbas et al. | Enabling accurate indoor localization using a machine learning algorithm | |
Honary et al. | Practical classification methods for indoor positioning | |
Sukhanov et al. | Human Position Classification Based On Channel State Information In Wi-Fi Networks | |
Yelalwar et al. | Eigenvalue fusion-based machine learning approach for cooperative spectrum sensing in cognitive radio | |
Sun et al. | FreeSee: A Parameter-Independent Pattern-Based Device-Free Human Behaviour Sensing System with Wireless Signals of IoT Devices | |
US20230345405A1 (en) | Method and system for searching and locating radio devices | |
TW202040950A (zh) | 無線通訊裝置及其操作方法及由無線通訊裝置執行的小區搜尋方法 |
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 |