CN113497772A - 经学习方式的基于捆绑束的信道估计的功率延迟简档估计 - Google Patents

经学习方式的基于捆绑束的信道估计的功率延迟简档估计 Download PDF

Info

Publication number
CN113497772A
CN113497772A CN202110333752.XA CN202110333752A CN113497772A CN 113497772 A CN113497772 A CN 113497772A CN 202110333752 A CN202110333752 A CN 202110333752A CN 113497772 A CN113497772 A CN 113497772A
Authority
CN
China
Prior art keywords
channel
autocorrelation
frequency autocorrelation
estimated
generating
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
CN202110333752.XA
Other languages
English (en)
Inventor
权赫准
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN113497772A publication Critical patent/CN113497772A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/025—Channel estimation channel estimation algorithms using least-mean-square [LMS] method
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0212—Channel estimation of impulse response
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
    • H04L25/023—Channel estimation using sounding signals with direct estimation from sounding signals with extension to other symbols
    • H04L25/0232—Channel estimation using sounding signals with direct estimation from sounding signals with extension to other symbols by interpolation between sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H04L25/0244—Channel estimation channel estimation algorithms using matrix methods with inversion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03343—Arrangements at the transmitter end
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2649—Demodulators
    • H04L27/26524—Fast Fourier transform [FFT] or discrete Fourier transform [DFT] demodulators in combination with other circuits for demodulation
    • H04L27/26526—Fast Fourier transform [FFT] or discrete Fourier transform [DFT] demodulators in combination with other circuits for demodulation with inverse FFT [IFFT] or inverse DFT [IDFT] demodulators, e.g. standard single-carrier frequency-division multiple access [SC-FDMA] receiver or DFT spread orthogonal frequency division multiplexing [DFT-SOFDM]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0058—Allocation criteria
    • H04L5/006—Quality of the received signal, e.g. BER, SNR, water filling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/0091—Signaling for the administration of the divided path
    • H04L5/0094—Indication of how sub-channels of the path are allocated

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Discrete Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种用于预编码信道的信道估计的方法，包括：为接收到的数据传输的当前捆绑束产生预编码信道的初始频率自相关；基于预编码信道的初始频率自相关，生成扩展的频率自相关；向神经网络提供扩展的频率自相关；由神经网络基于扩展的频率自相关生成未预编码信道的估计频率自相关；和基于估计的频率自相关，生成未预编码信道的估计的功率分布简档。

Description

经学习方式的基于捆绑束的信道估计的功率延迟简档估计
相关申请的交叉引用
本申请要求于2020年4月3日提交的美国临时申请第63/004,918号(“通过使用行为者批判方式进行的强化学习来进行基于捆绑束的信道估计的PDP估计”)以及于2020年5月13日提交的美国临时申请第63/024,196号(“通过监督学习进行基于捆绑束的信道估计的PDP估计”)的优先权和权益，其全部内容通过引用合并于此。
技术领域
本公开的各方面涉及通信信道估计。
背景技术
物理下行链路共享信道(PDSCH)是通常用于承载用户数据、专用控制和用户特定的更高层信息以及下行链路系统信息的物理信道。用于PDSCH的资源块(RB)可以以两个或更多RB的捆绑束的形式分配。可以以相同的方式对捆绑束内的资源块进行预编码，并且可以基于无线节点(例如，5G逻辑无线节点，即，gNB)的决定，对映射到不同捆绑束的其他资源块进行独立地预编码。
在第三代合作伙伴计划(3GPP)发布的最新规范下，有两种用于PDSCH的资源分配场景，即，对所有捆绑束进行预编码(使用相同或不同的预编码)或根本不进行预编码。后者等效于所有捆绑束中相同的预编码。用户设备(UE)可以利用该配置来改善信道估计。当对所有捆绑束应用相同的预编码时，频域信号在预编码方面是同质的，因此可以通过进行快速傅里叶逆变换(IFFT)将其转换为时域。这意味着可以基于用户设备的估计功率延迟简档(PDP)来利用时域中的降噪，当使用无限脉冲响应(IIR)滤波器测量信道功率时，递归地提供了一个优势，可以为下一个时间/频率时隙估计PDP。
然而，当每个捆绑束用其自己的选择独立地预编码时，该方法不适用，因为用户设备不知道每个捆绑束处的无线电节点的预编码选择。通过IFFT进行时域转换是不可行的，因为结合了预编码的有效信道在各个捆绑束之间不再同质。然后，用户设备必须基于频域中的信息来估计信道。
在该背景技术部分中公开的以上信息仅用于增强对本公开背景技术的理解，因此，其可能包含不构成现有技术的信息。
发明内容
本公开的示例实施例的各方面针对一种用于通过利用神经网络(例如，深度学习神经网络)来执行信道估计的系统和方法。根据一些实施例，用具有未编码的信道相关性的标签的具有预编码的信道相关性的样本来训练神经网络，并且因此可以将信道相关性转换为同质的。在一些实施例中，信道估计器对神经网络的输出执行后处理，以进一步完善估计，并允许其通过快速傅里叶逆变换(IFFT)在时域中被降噪。即使跨捆绑束配置了随机预编码，这也允许信道估计器在频域中估计信道相关性。
根据本公开的一些实施例，提供了一种用于预编码信道的信道估计的方法，该方法包括：为接收到的数据传输的当前捆绑束产生预编码信道的初始频率自相关；基于预编码信道的初始频率自相关，生成扩展的频率自相关；向神经网络提供扩展的频率自相关；由神经网络基于扩展的频率自相关生成未预编码信道的估计频率自相关；和基于估计的频率自相关，生成未预编码信道的估计的功率分布简档。
在一些实施例中，当前捆绑束包括多个资源块，每个资源块包括多个子载波。
在一些实施例中，未预编码的信道是所述预编码信道的没有预编码的估计。
在一些实施例中，生成扩展频率自相关包括：对初始频率自相关执行边缘扩展，以将估计频率自相关的尺寸扩展为快速傅立叶变换(FFT)尺寸，其中，FFT尺寸是神经网络的输入尺寸。
在一些实施例中，边缘扩展包括经由扩展矩阵对初始频率自相关的值进行线性插值。
在一些实施例中，将扩展的频率自相关提供给神经网络包括：向神经网络提供扩展频率自相关的值的前一半，其中，扩展频率自相关的值的后一半是扩展频率自相关的值的前一半的复共轭。
在一些实施例中，由神经网络生成估计的频率自相关包括：由神经网络基于扩展的频率自相关来生成未预编码的信道的估计的频率自相关的值的前一半；计算未预编码信道的估计频率自相关的值的后一半，作为前一半的值的复共轭。
在一些实施例中，生成所述估计的功率分布简档包括：经由低通滤波器对神经网络输出的估计频率自相关进行滤波，以生成未预编码信道的精细自相关；和对精细自相关执行逆FFT(IFFT)操作以生成估计的功率分布简档。
在一些实施例中，低通滤波器是移动平均滤波器。
在一些实施例中，为所述当前捆绑束生成所述预编码信道的初始频率自相关包括：为接收到的数据传输的先前捆绑束产生时间自相关；基于先前估计的功率分布简档为先前捆绑束产生先前频率自相关；基于时间自相关和先前的频率自相关，产生估计的信道输入响应；和基于估计的信道输入响应，为当前捆绑束生成预编码信道的初始频率自相关。
在一些实施例中，该方法还包括：通过截断估计功率分布简档的尺寸以匹配预编码信道的初始频率自相关的尺寸，来生成截断的估计功率分布简档。
在一些实施例中，该方法还包括：将截断的估计功率分布简档归一化为单位功率以生成归一化的估计功率分布简档。
在一些实施例中，截断的估计功率分布简档具有预编码信道的最大延迟扩展的长度。
根据本公开的一些实施例，提供了一种用于预编码信道的信道估计的系统，该系统包括：处理器；和存储器，存储指令，这些指令在处理器上执行时使处理器执行：为接收到的数据传输的当前捆绑束产生预编码信道的初始频率自相关；基于预编码信道的初始频率自相关，生成扩展的频率自相关；向神经网络提供扩展的频率自相关；由神经网络基于扩展的频率自相关生成未预编码信道的估计频率自相关；和基于估计的频率自相关，生成未预编码信道的估计的功率分布简档。
根据本公开的一些实施例，提供了一种预编码信道的信道估计的方法，该方法包括：为接收到的数据传输的当前捆绑束产生预编码信道的初始频率自相关；向策略网络提供初始频率自相关；所述策略网络基于所述初始频率自相关来生成未预编码信道的估计频率自相关；由价值网络基于估计的频率自相关确定瞬时奖励；基于瞬时奖励和价值网络上正向传播的预测总奖励确定优势；和基于优势，通过反向传播更新策略网络的策略，以降低误块率。
在一些实施例中，更新策略网络的策略包括：根据优势确定政策梯度；和根据策略梯度更新策略网络的系数。
在一些实施例中，策略网络和价值网络是多层感知器。
在一些实施例中，该方法还包括：将高斯噪声添加到所估计的频率自相关，以将策略网络的离散动作空间转换为连续动作空间。
在一些实施例中，该方法还包括：根据预编码信道的初始频率自相关生成扩展的频率自相关，其中，向策略网络提供初始频率自相关包括：向策略网络提供扩展的频率自相关，以及其中，基于扩展后的频率自相关来生成未预编码信道的估计频率自相关。
在一些实施例中，该方法还包括：经由低通滤波器对估计的频率自相关进行滤波，以生成未预编码信道的精细自相关；和对精细自相关执行逆FFT(IFFT)操作以生成估计的功率分布简档。
附图说明
将参考说明书、权利要求书和附图来理解和了解本公开的一些示例实施例的这些和其他特征，其中：
图1是根据本公开的一些实施例的利用信道估计器的通信系统的框图；
图2A示出了根据一些示例的接收器处的捆绑束到时隙的映射；
图2B示出了根据本公开的一些实施例的在通信系统的接收器上通过无线电在频率上的捆绑束分配；
图3A是根据本公开的一些实施例的利用监督学习的信道估计器的框图；
图3B示出了根据本公开的一些实施例的信道估计器的各个组件的效果；
图4A至图4B示出了根据本公开的一些实施例的从神经网络输出的估计的自相关和由滤波器产生的精细自相关的图；
图5A至图5B根据本公开的一些实施例将精灵功率延迟简档(PDP)值与估计值进行比较；
图6A至图6B示出了根据本公开的一些示例实施例的针对秩2扩展的车辆A模型(EVA)信道的信道估计器100的误块率(BLER)与信噪比(SNR)性能增益；
图7是根据本公开的一些实施例的利用策略网络的信道估计器的框图，该策略网络由优势动作者评论者(A2C)方法训练；
图8A、8B和8C说明了根据本公开的一些示例实施例的秩2扩展行人A模型(EPA)信道，EVA信道和扩展典型城市模型(ETA)信道的信道估计器的误块率(BLER)与信噪比(SNR)性能增益；和
图9A、图9B和图9C分别示出了根据本公开的一些示例实施例的秩4EPA信道，EVA信道和ETA信道的信道估计器的误块率(BLER)与信噪比(SNR)性能增益。
具体实施方式
以下结合附图阐述的详细描述旨在作为对根据本公开提供的用于信道估计的系统和方法的一些示例实施例的描述，而并非旨在表示附图中的本公开可以被构造或利用的唯一形式。该描述结合所示出的实施例阐述了本公开的特征。然而，应理解，相同或等同的功能和结构可以通过不同的实施例来实现，这些不同的实施例也意图被包含在本公开的范围内。如本文其他地方所指示的，相似的元件编号旨在指示相似的元件或特征。
通信网络的最新技术标准支持基于捆绑束的配置，其中每个捆绑束可以用其自身从预编码矩阵中的选择进行预编码。为了促进在这样的系统中的通信，用户设备(UE)必须估计频域中的信道(例如，估计信道的功率延迟简档(PDP))。一种信道估算技术，即最小均方差(MMSE)，它利用信道的二阶统计量，该统计量由频率和时间相关性(例如频率和时间自相关)组成。可以基于已知技术来确定时间相关性(例如，时间自相关)。然而，频率相关(例如，频率自相关)涉及对PDP信息的精确估计。推导频率相关时假设均匀的PDP可能会导致性能下降，尤其是在信道延迟相对较长的情况下。
因此，根据一些实施例，信道估计器利用神经网络，该神经网络从先前的时隙/捆绑束接收预编码信道的频率相关性，并输出当前时隙/捆绑束的PDP信息。在一些实施例中，信道估计器还执行滤波、截断和归一化以精细化神经网络的输出，该神经网络的输出被用来估计当前捆绑束/时隙的信道。
图1是根据本公开的一些实施例的利用信道估计器100的通信系统1的框图。
通信系统1可以包括发送器10、通信信道(例如，无线多径信道)20和接收器30。发送器10可以包括：输入数据的源12；信道编码器14，被配置为对输入数据进行编码以实现在接收器30处的纠错；调制器14，被配置为基于编码的输入数据生成发送信号；以及预编码器18，用于在通过通信信道20传输之前对一个或多个捆绑束进行预编码。
接收器30包括：接收器滤波器32，其用于滤出可能已经添加到多径信道20中的发送信号的噪声；检测器34，被配置为从接收到的信号中重构编码数据；以及信道解码器36，其被配置为解码重构的数据以检索由源12生成的输入数据。
发送器10可以是无线电节点，并且接收器30可以是用户设备的一部分，该用户设备可以是移动的。例如，由于发送器10和/或接收器30处于运动中，通信信道20可能不是恒定的并且可能随时间变化。移动无线通信可能会受到周围环境(例如山丘、建筑物和其他障碍物)反射产生的多径干扰的不利影响。对时变信道进行准确估计是在接收器30上提供可靠性和高数据速率的关键。因此，根据一些实施例，接收器30进一步包括信道估计器100，该信道估计器100利用神经网络来估计信道，对于每捆绑束的发送信号，即信道脉冲响应(CIR)，并将其提供给检测器34。
接收器30接收到的信号y可以表示为：
y＝p+n (公式1)
其中p是解调参考信号(DMRS)的参考信号(RS)信道向量，n是背景噪声，其具有零均值和协方差为σ2I(其中I为单位矩阵)。信道输入响应
Figure BDA0002996447790000063
的估计可以表示为：
Figure BDA0002996447790000061
其中Rhp代表h和p之间的相关矩阵。类似地，Rpp表示p的自相关矩阵。自相关Rpp可以仅是p的函数，p是接收器30已知的DMRS信道向量。
在此，假设信道分布遵循广义的静态不相关散射(WSSUS)模型。换句话说，信道的二阶矩是固定的，并且仅取决于时间或频率差的量，而不是每个瞬时值。在WSSUS模型下，可以将信道自相关分解为频域部分和时域部分，如下所示：
Figure BDA0002996447790000062
其中hi，j是第j符号的第i子载波处的复数信道增益，而rf()和rt()分别是频率和时间自相关函数。子载波号i和k以及符号值j和l的适当选择允许Rhp和Rpp基于
Figure BDA0002996447790000064
的计算。
时间自相关函数rt()可以以多种方式来计算。例如，时间自相关函数可依赖于线性插值来获得两个符号之间的相关值，这由下式给出：
Figure BDA0002996447790000071
其中TC(x)是间隔x的相关值，Ts表示符号持续时间。在其他示例中，可以使用Jakes模型产生：
rt(l)＝J0(2πTsfDl) (公式5)
其中J0是第一类零阶贝塞尔函数，fD表示对应于最大多普勒频移的多普勒扩展。
给定信道20的功率延迟简档(PDP)，可以使用信道功率的快速傅立叶变换(FFT)将频率自相关函数表示为
Figure BDA0002996447790000072
其中L是时域中的信道抽头数(也称为最大延迟扩展)，而Δf是子载波间隔。Pi和τi分别是第i个信道抽头的功率和延迟。最大延迟扩展L可以用准同位(QCL)参考信号来测量。在此，将简档中的总功率归一化为单位功率，即
Figure BDA0002996447790000073
根据一些实施例，信道估计器100通过利用神经网络来估计值Pi(例如，尽可能接近理想值)。PDP值可以用于使用公式6来确定频率自相关函数rf()。频率自相关函数rf()以及时间自相关函数rt()例如，分别由公式6或公式4或5确定。接收器30可以通过公式3确定信道相关矩阵Rh，h，由此可以计算信道自相关Rhp和Rpp。接收器30然后可以经由公式2确定估计的信道输入响应
Figure BDA0002996447790000074
在一些实施例中，接收器30单独地估计传输的每个捆绑束的信道响应。
图2A示出了根据一些示例的接收器30处的捆绑束到时隙的映射。图2B示出了根据本公开的一些实施例的在接收器30处的无线电(例如5G新无线电(NR))上的频率上的捆绑束分配。
参考图2A，在一些示例中，每个接收到的捆绑束50包括多个资源块/元素52(例如2或4个RB)，并且对应于接收器处的单独时隙。每个捆绑束50可以具有不同的预编码。每个资源块52可以包括多个子载波(SC)。在一些示例中，每个资源块52包括12个子载波，因此每个捆绑束对应于24个子载波。
参考图2B，在频率上分配(如垂直轴所示)总共N个捆绑束(N是大于1的整数)，其中，基于子载波间隔和信道带宽两者确定资源块的最大数量Nmax(CHBW)。表1列出了第一频率范围(FR1)的资源块的最大数量Nmax。在表1的示例中，在100MHz的信道带宽和30kHz的子载波间隔下，资源块的最大数量Nmax最高(即273)。
表1：
CHBW(MHz) 5 10 15 20 25 40 50 60 80 100
15kHz 25 52 79 106 133 216 270
30kHz 11 24 38 51 65 106 133 162 217 273
60kHz 11 18 24 31 51 65 79 107 135
如图2B所示，资源分配的尺寸(第1至第N捆绑束50)小于整个FFT尺寸(例如2048)，其尺寸可容纳不同的信道带宽和子载波间隔组合。由于接收器30可能不知道在发送器10处的频率资源分配，因此在一些实施例中，接收器30被设计用于大的FFT尺寸，并且当资源分配小于FFT尺寸时，输入被扩展。也就是说，即使接收器30使用频率自相关来进行PDP估计(其可能小于FFT尺寸)，本公开的实施例也考虑了直到整个FFT尺寸的完整RB之外的区域。
根据一些实施例，为了确定传输的每个捆绑束的PDP(是时域特性)，将与前一个时隙中的DMRS结合的物理下行链路共享信道(PDSCH；参见下面的公式20)的频率相关性提供给神经网络。频率自相关的输出经过后处理，以估计当前时隙的PDP。因此，与假定信道具有均匀PDP的现有技术相比，信道估计器改善了误块率(BLER)。
图3A是根据本公开的一些实施例的利用监督学习的信道估计器100的框图。图3B示出了根据本公开的一些实施例的信道估计器100的各个组件的效果。
根据一些实施例，信道估计器100包括边缘扩展器110、神经网络120、后处理器125和窄带信道估计器(NBCE)160。在一些实施例中，后处理器125包括滤波器130、快速傅里叶逆变换(IFFT)转换器140以及截断和归一化块150。
参照图3A-3B，在一些实施例中，神经网络120在其输入处接收预编码信道的频率自相关，并在输出处产生估计的频率自相关，但没有预编码。换句话说，神经网络120针对特定捆绑束有效地从信道PDP剥离预编码。在由滤波器130、IFFT转换器140以及截断和归一化模块150执行的后处理之后，一个捆绑束/时隙的估计频率自相关被用作神经网络120的输入，用于随后的捆绑束/时隙。随着神经网络120顺序地处理接收到的信号中的捆绑束，这样估计的信道PDP可以变得更加精确和精确(例如，更接近于实际的PDP)。这可能是由于以下事实：实际上，PDP从一个时隙到下一个时隙变化不大。这样，信道估计器100可以使用来自先前时隙/捆绑束的信息来增强对当前时隙/捆绑束的计算。
神经网络120的输入尺寸被固定为与快速傅立叶变换(FFT)尺寸相同。此处，FFT尺寸可以表示频谱分析窗口中的引脚数。这允许单个网络覆盖为PDSCH和DMRS分配的所有资源块配置，例如，最多273个资源块(如表1例子所示)。将神经网络输入的尺寸调整为与FFT尺寸相同，就无需设计多个网络，每个网络对应一个资源块尺寸。这可能是特别期望的，因为信道估计器100(例如，信道估计器100)可能不知道发送器10处的频率资源分配，因此其尺寸适于容纳发送器10处的不同频率资源分配。
因此，根据一些实施例，为了保持输入特征的相同尺寸，边缘扩展器110通过使用边缘扩展将测量到的自相关扩展到FFT尺寸。在一些实施例中，边缘扩展器110利用如下的扩展矩阵对信号进行插值(例如，经由线性插值)。
Figure BDA0002996447790000091
其中
Figure BDA0002996447790000092
Figure BDA0002996447790000093
Figure BDA0002996447790000094
Figure BDA0002996447790000095
其中Nf是FFT的尺寸，Nd是测量/计算的自相关(也称为初始频率自相关)的尺寸
Figure BDA0002996447790000096
扩展频率自相关然后可以表示为
Figure BDA0002996447790000097
其中
Figure BDA0002996447790000101
在下面的公式22中定义。
然而，本发明的实施例不限于以上插值，并且可以采用任何适当的扩展/插值技术来基于所测量的自相关来获得扩展频率自相关。
根据一些实施例，信道估计器100利用自相关的对称特性来从神经网络120去除重复的信息。因此，在一些实施例中，信道估计器100将扩展的频率自相关值
Figure BDA0002996447790000102
的一半提供给神经网络120(如图3B所示)，仅通过神经网络计算信道自相关的相应值。估计频率自相关的另一半可以使用以下公式计算：
Figure BDA0002996447790000103
即，可以将估计的信道自相关的一半计算为另一半的复共轭。因此，神经网络120的输出可以根据神经网络120的输入处的一半尺寸的FFT恢复到FFT的全部尺寸。执行推断频率自相关值显着减少了神经网络120上的计算负荷并改善了推理性能。
根据一些实施例，滤波器130、IFFT转换器140以及截断和归一化块150将后处理应用于神经网络120的输出以进一步稳定。在一些实施例中，滤波器130将低通滤波器应用于神经网络输出
Figure BDA0002996447790000104
其是未预编码的信道的估计的自相关，以生成精细的频率自相关
Figure BDA0002996447790000105
低通滤波器可以是频率上的移动平均值，表示为
Figure BDA0002996447790000106
其中2n+1是移动平均值的阶数。
图4A至图4B示出根据本公开的一些实施例的从神经网络120输出的估计的自相关
Figure BDA0002996447790000107
和由滤波器130产生的精细自相关
Figure BDA0002996447790000108
的图，其中n＝2。在图4B中，该图相对于图4A被放大。图4A更好地示出了精细自相关
Figure BDA0002996447790000109
的平滑度。在图4A-4B中，曲线200表示估计的自相关
Figure BDA00029964477900001010
而曲线202表示精细自相关
Figure BDA00029964477900001011
根据一些实施例，IFFT转换器140通过执行IFFT操作将精细化的频率自相关转换为估计的PDP(即，公式6中的估计的Pi值)。截断和归一化块150在时域中进一步精细化估计的PDP。在一些实施例中，截断和归一化块150将估计的PDP截断/删截为最大延迟扩展L的长度，并且将估计的PDP归一化为单位功率以满足公式7的条件。PDP估计然后通过下面公式给出：
Figure BDA00029964477900001012
其中，
Figure BDA00029964477900001013
是从神经网络120的输出导出的每个抽头k处的功率值。这样，截断和归一化块150稳定了PDP估计
Figure BDA0002996447790000111
根据本公开的一些实施例，图5A-5B将精灵(即，理想的)PDP值与估计的
Figure BDA0002996447790000112
进行比较。在图5A-5B中，曲线300表示理想的PDP值，曲线302表示估计的PDP
Figure BDA0002996447790000113
值。图5A和图5B分别示出了具有106个资源块和2个资源块的场景。因此，随着接收信号中资源块的数量增加，估计的PDP值
Figure BDA0002996447790000114
成为理想PDP值的更好的近似值。
在一些实施例中，NBCE 160通过根据公式6对精细的PDP估计执行FFT运算来生成频率自相关函数rf()。
根据一些实施例，NBCE 160还使用针对当前捆绑束/时隙生成的频率自相关函数rf()来计算针对随后/下一捆绑束/时隙生成的神经网络输入。在一些实施例中，NBCE 160使用计算出的频率自相关函数以及时间自相关函数rt()(例如，由公式4或5确定)来通过公式3确定信道自相关Rh，h，公式3用于计算信道自相关Rhp和Rpp。然后，NBCE 160使用公式2计算估计的信道输入响应
Figure BDA0002996447790000115
根据一些实施例，NBCE 160然后继续通过使用以下来计算后续时隙/捆绑束的频率自相关。
Figure BDA0002996447790000116
Figure BDA0002996447790000117
Figure BDA0002996447790000118
其中，s是时隙内的符号索引，r是接收器30的天线索引，l是分配给PDSCH和DMRS端口的层索引，并且n是资源元素(RE)索引。由于
Figure BDA0002996447790000119
被归一化(公式21)，所以最大值被设置在向量的中间。在一些示例中，
Figure BDA00029964477900001110
的长度可以取决于在每个时隙分配给信道估计器100的资源块(RB)的数量而变化。
根据一些实施例，信道估计器100(例如，NBCE 160)在计算正由神经网络120在数据传输中分析的第一时隙的信道自相关rf()时使用统一的PDP。
在一些实施例中，而不是仅依赖于先前时隙的信道自相关rf()，信道估计器100在多个过去的时隙上计算自相关，并在将平均的自相关注入神经网络120之前对它们进行平均。
根据一些实施例，神经网络120利用一种模型，该模型将跨捆绑束的预编码信道的多个频率自相关与没有预编码的多个频率自相关相关。通过利用模型和监督的机器学习算法，例如各种已知的回归或反向传播算法之一，神经网络120估计自相关
Figure BDA0002996447790000121
它是给定捆绑束的未预编码信道的估计频率自相关。这里，未预编码的信道是指不存在(例如，去除或不具有)预编码的预编码的信道的估计。
根据一些实施例，神经网络120(例如，深度神经网络)可以是专用AI或通用AI，并且被使用训练数据(例如，预编码和非编码频率自相关)和算法(例如，反向传播算法)来训练。
神经网络120可以包括用于线性回归模型的每个参数的一组权重，或者神经网络120可以包括用于训练的神经网络的神经元之间的连接的一组权重。在一些实施例中，跨捆绑束的预编码信道的频率自相关函数被提供给神经网络120作为对神经网络120的输入层的值，并且该值(或一组中间值)被向前传播通过神经网络120以产生输出，其中输出是无需预编码的信道的估计自相关
Figure BDA0002996447790000122
在训练的示例中，具有2个资源块的捆绑束的3种不同类型的预编码例如是绕过(即，单位矩阵(identity))、随机和基于PMI(预编码矩阵指示符)的预编码。在指定用于生成样本的配置下，每个信道的精灵PDP也可用于计算捆绑束中的Rpp和Rhp。因此，可以通过仿真收集一对样本(即预编码信道的频率自相关)以及标签(即从精灵PDP反向计算的未预编码信道的频率自相关)。
可以分配每个子载波的最大数量的资源块(RB)而不是每个RB子载波的所有数量的RB来生成数据样本。如上所述，使用边缘扩展，将神经网络120的输入保持为FFT的尺寸。例如，当在20MHz的信道带宽上使用15kHz的子载波间隔时，无线电中的最大RB可配置数量为106。类似地，在30kHz的子载波间隔下，可以在带宽为100MHz的一个信道上分配273个RB，如表1所示。
图6A至图6B示出根据本公开的一些示例实施例的针对秩2扩展的车辆A模型(EVA)信道的信道估计器100的误块率(BLER)与信噪比(SNR)性能增益。图6A-6B将具有监督学习的NBCE与对应于理想CE、均匀PDP和理想PDP的3个参考图进行比较。在此，图例“mlp-PDP”表示具有PDP估计的NBCE。如图所示，信道估计器100的BLER在单个捆绑束(例如，图6A)或资源的完全分配(例如，图6B)下非常接近于理想PDP的BLER。
如上所述，信道估计器100通过经由神经网络使用先前时隙中的PDSCH与DMRS结合的频率自相关来估计公式6中的功率延迟简档(PDP)，即Pi值，并最终增强在当前时隙的信道估计的误差。
如上所述，根据一些实施例的信道估计器100旨在估计PDP尽可能接近理想值。然而，本发明的实施例不限于此。
假设信道分布遵循广义的静态不相关散射(WSSUS)模型，并且由于NBCE的不完善(例如由于估计误差和背景噪声)，理想的PDP值可能无法保证错误率(BLER)的优化(例如，最小化)。结果，根据一些实施例，以使信道估计的均方误差(MSE)最小化的方式执行信道估计，这可能导致BLER的减少(例如，最小化)。
根据一些示例，将NBCE PDP估算公式化为一步式马尔可夫决策过程(MDP)。即，第i时隙的动作不影响第i+1时隙的状态。动作是接收器对每个时隙的PDP估计，并且状态仅与信道相关联。因此，将单步MDP建模为在通过奖励进行单个时间步长之后终止轨迹。
MDP框架包括状态、动作和奖励。根据一些实施例，状态表示信道的频率自相关，每个信道可以每捆绑束被预编码。由于发送器10所使用的预编码矩阵对接收器30是透明的，因此，根据公式20-22，通过使用估计的信道与前一时隙的预编码相结合，可以计算每个时隙的频率自相关。
图7是根据本公开的一些实施例的利用由优势动作者评论者(A2C)方法训练的策略网络的信道估计器200的框图。
根据一些实施例，信道估计器200的边缘扩展器110、后处理器125和窄带信道估计器(NBCE)160与图3A-3B的信道估计器100的相应组件相同。这样，策略网络122接收与神经网络120相同的输入
Figure BDA0002996447790000131
并在输出处生成频率自相关函数
Figure BDA0002996447790000132
这与神经网络120的输出相似。但是，在一些实施例中，训练策略网络122以产生未预编码信道的频率自相关
Figure BDA0002996447790000133
该未预编码信道可以生成可能不是理想的但是减小(例如，最小化)接收器30的BLER的PDP。
在一些实施例中，信道估计器200包括：高斯噪声发生器170，用于将高斯噪声添加到策略网络122的输出；以及价值网络180，用于评估策略网络122的输出，并且校正策略网络122的系数或神经权重以减小(例如，最小化)接收器30的整体BLER。在一些示例中，高斯噪声可以具有零的平均值和预设方差(例如，小的固定方差)，并且可以转换策略网络的离散动作空间为连续的动作空间。策略网络122同时利用
Figure BDA0002996447790000141
的实部和虚部来产生具有从高斯噪声发生器170感应出的高斯噪声的动作，该动作是估计的未预编码信道的频率自相关
Figure BDA0002996447790000142
在一些实施例中，价值网络180接收状态(即，由NBCE 160输出的估计频率自相关
Figure BDA0002996447790000143
)并产生相应的奖励
Figure BDA0002996447790000144
在一些实施例中，奖励是相对于以dB为单位的理想信道值的信道估计的负均方差。预测的奖励
Figure BDA0002996447790000145
可以是在价值网络180处的正向传播的奖励。
这里，策略网络122被称为动作者，价值网络180被称为评论者，其评估动作者所采取的动作的好坏。
在一些示例中，对一对状态和奖励进行采样以在具有多个随机种子(例如20个随机种子)的价值网络中进行训练。具有最低损失函数的网络被选择为价值网络180。价值网络180可以是多层感知器。根据一些示例，价值网络180具有具有128个节点的单个隐藏层。可以在价值网络180的激活层处使用S函数，并且可以在没有特定函数的情况下绕过价值网络180的输出层。损失函数可以被设计为减小(例如最小化)均方差(MSE)。
在一些实施例中，在价值网络180计算奖励之后，信道估计器200计算优势，其可以表示为：
Figure BDA0002996447790000146
其中r(si，ai)是在状态si处动作ai引起的瞬时奖励，
Figure BDA0002996447790000147
是在价值网络180的输出端预测的正向传播总奖励，而i是时隙索引。优势表明，如果策略网络122在状态si采取了动作ai，则预期奖励(相对于平均状态)的提高。换句话说，如果优势为正，则沿该方向移动梯度，如果优势为负，则沿相反的方向移动梯度。信道估计器200然后计算目标梯度。
Figure BDA0002996447790000148
其中
Figure BDA0002996447790000149
是目标J(θ)的梯度，θ表示策略网络122的系数，t表示从0到T的时间索引，T表示时间步长的数量，而πθ(at|st)表示策略网络122在给定状态st时用于确定操作at的概率函数。可以通过监督学习来训练策略网络122的概率函数πθ(at|st)。在一些示例中，对一步MDP建模以在单个时间步即T＝1之后终止轨迹。
根据一些实施例，信道估计器200然后通过使用策略梯度
Figure BDA00029964477900001410
以
Figure BDA0002996447790000151
替换策略系数(或网络系数)θ，经由反向传播来更新策略(例如，更新策略网络170的系数)，其中α是小系数，例如可以是0.05。
根据一些实施例，在策略网络122的训练阶段期间，信道估计器重复执行以下步骤：由给定状态的策略网络122确定动作，由价值网络180确定对该动作和状态的奖励，评估通过一步加强学习的优势，计算目标梯度和通过反向传播更新策略系数。该循环可以继续直到改善收敛或直到满足预定阈值为止。
根据一些实施例，价值网络180可以是专用AI或通用AI，并且使用训练数据和算法(例如，反向传播算法)进行训练。
价值网络180可以包括用于线性回归模型的每个参数的一组权重，或者价值网络180可以包括用于训练的神经网络的神经元之间的连接的一组权重。在一些实施例中，跨捆绑束的未预编码信道的频率自相关函数被提供给价值网络180，作为对价值网络180的输入层的值，并且这些值(或一组中间值)通过价值网络180被向前传播以生成一个输出，其中输出是由策略网络122采取的动作引起的瞬时奖励。
根据一些实施例，虽然价值网络180存在于信道估计器200中以用于训练策略网络122的目的，但是当使用信道估计器200时，在推断阶段期间可以从信道估计器200中省略价值网络180，以对输入信号进行信道估计。
在一些示例中，接收器30可以配备有2个或4个接收天线，并且发送器10以与接收天线相同的秩发送信号。这里，秩是指信道输入响应
Figure BDA0002996447790000152
的矩阵秩(即，矩阵中的列数)。可以在20MHz的信道带宽上将资源块的数量设置为106。
在一些示例中，可以用来自所有扩展的行人A模型(EPA)，扩展的车辆A模型(EVA)和扩展的典型城市模型(ETA)渠道的样本执行训练，每个价值和策略网络都覆盖所有渠道。初始策略网络122可以通过监督学习进行初始训练，在监督学习中，对所有预编码选项进行采样，例如身份、随机和基于PMI的预编码。该神经网络可以为其训练启用批量归一化，以便使用零均值和单位方差归一化对隐藏层的输入。
图8A、8B和8C分别示出了根据本公开的一些示例实施例的针对秩2EPA信道，EVA信道和ETA信道的信道估计器200的误块率(BLER)与信噪比(SNR)性能增益。图9A、9B和9C分别示出了根据本公开的一些示例实施例的针对秩4EPA信道，EVA信道和ETA信道的信道估计器200的误块率(BLER)与信噪比(SNR)性能增益。
EPA、EVA和ETU是多径衰落信道模型延迟简档，分别代表低、中和高延迟扩展环境。假定EPA信道具有相对较短的延迟扩展(例如，最多只有410ns)，与统一或理想PDP假设相比，可能没有多少空间可以改善PDP估算。但是，随着EVA和ETU信道中最大延迟扩展增加，PDP估计会在延迟扩展范围内变化很大，并且性能会受到很大影响。因此，它也可以进一步改善而不是恶化。
如图8A/9A所示，EPA信道中的BLER v.SNR性能在迭代(即，策略网络122的动作者评价者训练的迭代)中没有太大变化。但是，如图8B/9B和8C/9C所示，策略网络122的A2C训练通过最大化奖励(即，最小化在多个交互上的信道估计的MSE)确实有效地改善了性能。在8B-8C和9B-9C的例子中，可以观察到策略网络的A2C训练甚至可以胜过理想PDP的性能。此外，如图所示，单个网络也可以适用于多个不同的信道环境。
表2提供了针对NBCE的统一PDP假设使用A2C进行信道估计的性能增益。使用A2C的信道估计可能胜过使用监督学习的信道估计，并且可能也胜过了使用理想PDP的方案。换句话说，在WSSUS的假设下，理想的PDP对于NBCE可能不是最佳的。
表2：
EPA ETU EVA
秩2 0.5dB >2.0dB 0.6dB
秩4 0.3dB >1.7dB 0.5dB
如上所述，根据一些实施例，信道估计器200使用A2C来改善NBCE性能。虽然监督学习在估计接近理想的PDP方面很有效，但在WSSUS模型下，即使理想的PDP也无法保证NBCE中的低误块率。因此，信道估计器200通过与价值网络的结果进行比较来评价其策略，从而使用A2C来训练策略网络。这样，使用A2C的信道估计器减少(例如最小化)信道估计的MSE，这可以导致就BLER而言的性能增强。
由发送器100和接收器200的组成组件执行(例如，由信道估计器100和200执行)的操作可以由“处理电路”执行，该“处理电路”可以包括硬件、固件和软件的任何组合，用于处理数据或数字信号。处理电路硬件可以包括例如专用集成电路(ASIC)、通用或专用中央处理单元(CPU)、数字信号处理器(DSP)、图形处理单元(GPU)以及诸如现场可编程门阵列(FPGA)的可编程逻辑设备。在处理电路中，如本文所使用的，每个功能或者由配置为执行该功能的硬件(即，硬连线)执行，或者由配置为执行存储在非临时存储介质中的指令的更通用的硬件(例如CPU)执行。处理电路可以被制造在单个印刷线路板(PWB)上或分布在多个互连的PWB上。处理电路可以包含其他处理电路。例如，处理电路可以包括在PWB上互连的两个处理电路，FPGA和CPU。
如本文所使用的，单数形式“一”和“一个”旨在也包括复数形式，除非上下文另外明确指出。还将理解的是，当在本说明书中使用时，术语“包括”和/或“包含”规定了所述特征、整数、步骤、操作、元件和/或组件的存在，但不排除存在或一个或多个其他特征、整数、步骤、操作、元件和/或组件和/或其组合的添加。如本文所使用的，术语“和/或”包括一个或多个相关联的所列项目的任何和所有组合。当诸如“至少一个”之类的表达在元素列表之前时，修饰整个元素列表并且不修饰列表中的各个元素。此外，当描述发明构思的实施例时，“可以”的使用是指“本公开的一个或多个实施例”。同样，术语“示例性”旨在指示例或说明。如本文所使用的，术语“使用”、“使用中”和“已使用”可分别被认为与术语“利用”、“利用中”和“已利用”同义。
为了本公开的目的，“X、Y和Z中的至少一个”和“选自由X、Y和Z组成的组中的至少一个”可以被解释为仅X；仅Y；仅Z；或X、Y和Z中两个或多个的任意组合，例如XYZ、XYY、YZ和ZZ。
此外，在描述发明构思的实施例时使用“可以”是指“发明构思的一个或多个实施例”。同样，术语“示例性”旨在指示例或说明。
虽然已经参考本发明的实施例示出和描述了本发明，但是对于本领域的普通技术人员显而易见的是，在不脱离如后续权利要求书及其等效物所定义的本发明的精神和范围的情况下，可以在形式和细节上进行各种适当的改变。

Claims (20)

1.一种用于预编码信道的信道估计的方法，该方法包括：
为接收到的数据传输的当前捆绑束产生预编码信道的初始频率自相关；
基于预编码信道的初始频率自相关，生成扩展的频率自相关；
向神经网络提供扩展的频率自相关；
由神经网络基于扩展的频率自相关生成未预编码信道的估计频率自相关；和
基于估计的频率自相关，生成未预编码信道的估计的功率分布简档。
2.根据权利要求1所述的方法，其中，所述当前捆绑束包括多个资源块，所述资源块中的每个资源块包括多个子载波。
3.根据权利要求1所述的方法，其中，所述未预编码信道是所述预编码信道的没有预编码的估计。
4.根据权利要求1所述的方法，其中，生成扩展的频率自相关包括：
对初始频率自相关执行边缘扩展以将估计频率自相关的尺寸扩展为快速傅立叶变换(FFT)尺寸，
其中，FFT尺寸是神经网络的输入尺寸。
5.根据权利要求4所述的方法，其中，所述边缘扩展包括经由扩展矩阵对所述初始频率自相关的值进行线性插值。
6.根据权利要求1所述的方法，其中，将扩展的频率自相关提供给神经网络包括：
向神经网络提供扩展频率自相关的值的前一半，
其中，扩展频率自相关的值的后一半是扩展频率自相关的值的前一半的复共轭。
7.根据权利要求1所述的方法，其中，由所述神经网络生成所述估计的频率自相关包括：
由神经网络基于扩展的频率自相关来生成未预编码的信道的估计的频率自相关的至少一些值。
8.根据权利要求1所述的方法，其中，生成所述估计的功率分布简档包括：
经由低通滤波器对神经网络输出的估计频率自相关进行滤波，以生成未预编码信道的精细自相关；和
对精细自相关执行逆FFT(IFFT)操作以生成估计的功率分布简档。
9.根据权利要求8所述的方法，其中，所述低通滤波器是移动平均滤波器。
10.根据权利要求1所述的方法，其中，为所述当前捆绑束生成所述预编码信道的初始频率自相关包括：
为接收到的数据传输的先前捆绑束产生时间自相关；
基于先前估计的功率分布简档为先前捆绑束产生先前频率自相关；
基于时间自相关和先前的频率自相关，产生估计的信道输入响应；和
基于估计的信道输入响应，为当前捆绑束生成预编码信道的初始频率自相关。
11.根据权利要求1所述的方法，还包括：
通过截断估计功率分布简档的尺寸以匹配预编码信道的初始频率自相关的尺寸来生成截断的估计功率分布简档。
12.根据权利要求11所述的方法，还包括：
将截断的估计功率分布简档归一化为单位功率以生成归一化的估计功率分布简档。
13.根据权利要求11所述的方法，其中，所述截断的估计功率分布简档具有所述预编码信道的最大延迟扩展的长度。
14.一种用于预编码信道的信道估计的系统，该系统包括：
处理器；和
存储器，存储指令，这些指令在处理器上执行时使处理器执行：
为接收到的数据传输的当前捆绑束产生预编码信道的初始频率自相关；
基于预编码信道的初始频率自相关，生成扩展的频率自相关；
向神经网络提供扩展的频率自相关；
由神经网络基于扩展的频率自相关生成未预编码信道的估计频率自相关；和
基于估计的频率自相关，生成未预编码信道的估计的功率分布简档。
15.一种用于预编码信道的信道估计的方法，该方法包括：
为接收到的数据传输的当前捆绑束产生预编码信道的初始频率自相关；
向策略网络提供初始频率自相关；
所述策略网络基于所述初始频率自相关来生成未预编码信道的估计频率自相关；
由价值网络基于估计的频率自相关确定瞬时奖励；
基于瞬时奖励和价值网络上正向传播的预测总奖励确定优势；和
基于优势，通过反向传播更新策略网络的策略，以降低误块率。
16.根据权利要求15所述的方法，其中，所述更新策略网络的策略包括：
根据优势确定政策梯度；和
根据策略梯度更新策略网络的系数。
17.根据权利要求15所述的方法，其中，所述策略网络和所述价值网络是多层感知器。
18.根据权利要求15所述的方法，还包括：
将高斯噪声添加到估计的频率自相关中，以将策略网络的离散动作空间转换为连续动作空间。
19.根据权利要求15所述的方法，还包括：
根据预编码信道的初始频率自相关生成扩展的频率自相关，
其中，向策略网络提供初始频率自相关包括：
向策略网络提供扩展的频率自相关，以及
其中，基于扩展后的频率自相关来生成未预编码信道的估计频率自相关。
20.根据权利要求15所述的方法，还包括：
经由低通滤波器对估计的频率自相关进行滤波，以生成未预编码信道的精细自相关；和
对精细自相关执行逆FFT(IFFT)操作以生成估计的功率分布简档。
CN202110333752.XA 2020-04-03 2021-03-29 经学习方式的基于捆绑束的信道估计的功率延迟简档估计 Pending CN113497772A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US202063004918P 2020-04-03 2020-04-03
US63/004,918 2020-04-03
US202063024196P 2020-05-13 2020-05-13
US63/024,196 2020-05-13
US17/011,741 2020-09-03
US17/011,741 US11277284B2 (en) 2020-04-03 2020-09-03 PDP estimation for bundle-based channel estimation via learning approach

Publications (1)

Publication Number Publication Date
CN113497772A true CN113497772A (zh) 2021-10-12

Family

ID=77921010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110333752.XA Pending CN113497772A (zh) 2020-04-03 2021-03-29 经学习方式的基于捆绑束的信道估计的功率延迟简档估计

Country Status (4)

Country Link
US (1) US11277284B2 (zh)
KR (1) KR20210124897A (zh)
CN (1) CN113497772A (zh)
TW (1) TW202139626A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI741619B (zh) * 2020-05-26 2021-10-01 國立中山大學 多輸入輸出系統之參數估測方法
US11909560B2 (en) * 2021-04-22 2024-02-20 Qualcomm Incorporated Switching between channel estimation modes at a user equipment
WO2023121659A1 (en) * 2021-12-22 2023-06-29 Intel Corporation Communication device and method for performing communication signal processing

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007141325A1 (en) 2006-06-09 2007-12-13 Bracco Spa Method of processing multichannel and multivariate signals and method of classifying sources of multichannel and multivariate signals operating according to such processing method
RU2011123469A (ru) 2008-11-13 2012-12-20 Нортел Нетворкс Лимитед Способ и система оценки приемного канала восходящей линии связи
BR112014009537A2 (pt) 2011-10-19 2017-04-18 Optis Cellular Tech Llc método e aparelho para previsão de canal
US20140022988A1 (en) 2012-07-20 2014-01-23 Alexei Davydov User equipment and method for antenna port quasi co-location signaling in coordinated multi-point operations
US9537678B2 (en) 2014-02-13 2017-01-03 Samsung Electronics Co., Ltd Method and apparatus for robust two-stage OFDM channel estimation
KR102267723B1 (ko) 2015-01-21 2021-06-22 삼성전자주식회사 이동 통신 시스템에서 유효 잡음을 기반으로 채널 복호 동작을 수행하는 장치 및 방법
US20160337105A1 (en) * 2015-05-14 2016-11-17 Interdigital Technology Corporation Channel and noise estimation for downlink lte
JP6632915B2 (ja) * 2016-03-11 2020-01-22 株式会社Ｎｔｔドコモ 推定装置
KR102282868B1 (ko) 2017-04-25 2021-07-28 삼성전자주식회사 무선 통신 시스템에서 채널 추정을 위한 방법 및 장치

Also Published As

Publication number Publication date
US11277284B2 (en) 2022-03-15
KR20210124897A (ko) 2021-10-15
US20210314198A1 (en) 2021-10-07
TW202139626A (zh) 2021-10-16

Similar Documents

Publication Publication Date Title
CN113497772A (zh) 经学习方式的基于捆绑束的信道估计的功率延迟简档估计
KR101154745B1 (ko) Ｍｉｍｏ 등화를 위한 고속 제곱근 알고리듬
CN102833192B (zh) 用于估计在lte系统里的信道时间相关性和mimo模式选择的装置和方法
US8548101B2 (en) Demodulation method and demodulator for orthogonal frequency multiplexing—multiple input multiple output system
KR100712069B1 (ko) 다중안테나 시스템의 전송채널 추정 방법
CN110677361B (zh) 正交时频空系统的信号均衡方法、均衡器及存储介质
US8223862B2 (en) OFDM inter-carrier interference cancellation method
JP5303215B2 (ja) 干渉プラス雑音のレベルを推定するための方法および装置、ならびにコンピュータプログラム
US8335248B2 (en) Fast square root algorithm for MIMO equalization
CN105337906A (zh) 信道估计方法及装置
Marinberg et al. A study on MIMO channel estimation by 2D and 3D convolutional neural networks
Gupta Improving channel estimation in OFDM system using time domain channel estimation for time correlated Rayleigh fading channel model
CN102271102A (zh) 一种基于滑动窗的信道估计方法和设备
Rana Performance comparison of LMS and RLS channel estimation algorithms for 4G MIMO OFDM systems
Whitworth et al. Optimized training and basis expansion model parameters for doubly-selective channel estimation
CN109560850B (zh) Mrc软检测方法、装置、设备及计算机可读存储介质
US8848778B2 (en) Covariance estimation method for space-frequency domain equalization and apparatus and system associated therewith
Khan et al. Noise reduction algorithm for LS channel estimation in OFDM system
CN102891816B (zh) 一种基于mimo-ofdm相关信道的去耦合预测方法
Careem et al. Spatio-temporal recommender for V2X channels
Gichohi et al. Low complexity MMSE channel prediction for block fading channels in LTE downlink
Careem et al. Channel Analytics for V2X Communication
Prasad et al. Joint data detection and dominant singular mode estimation in time varying reciprocal MIMO systems
Zhu Time-varying channel equalization in underwater acoustic OFDM communication system
Shao et al. Deep Learning based Channel Prediction for OFDM Systems under Double-Selective Fading Channels

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