CN113852403A - 一种波束选择方法、终端设备及计算机可读存储介质 - Google Patents

Abstract

本申请提供一种波束选择方法、终端设备及计算机可读存储介质，该方法包括：根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，所述i为大于0的整数；根据所述第一高频波束的索引信息，确定所述第一高频波束；确定所述第一高频波束的信道质量；在所述第一高频波束的信道质量大于所述预设信道质量时，通过所述第一高频波束进行通信。实施本申请实施例，能降低终端设备的能耗开销。

Description

一种波束选择方法、终端设备及计算机可读存储介质

本申请要求于2020年06月28日提交中国专利局、申请号为2020105979663、申请名称为“一种波束选择方法、终端设备及计算机可读存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请涉及通信技术领域，尤其涉及一种波束选择方法、终端设备及计算机可读存储介质。

背景技术

随着第五代移动通信网络(5th generation mobile networks，5G)的快速发展，为了应对6GHz以下微波频段存在严重的频谱资源短缺问题，在5G中会使用毫米波(mmWave)频段来满足未来无线通信网络的需求。然而，毫米波频段存在低覆盖、高衰落、易受阻挡、空间绕射弱的问题。为此，第三代合作计划(3rd generation partnership project，3GPP)标准提出Sub6GHz频段和毫米波频段混合组网的非独立组网架构。

在混合组网的架构下，为了在毫米波频段和基站之间建立高度直连的通信链路，终端设备需要进行波束测量，来选择适合通信的最佳毫米波波束。在现有方案中，终端设备通过毫米波频段的信号测量进行波束选择。由于毫米波频段需要大量波束实现全覆盖，终端设备需要跟踪大量的波束，这导致终端设备的能耗开销大。

发明内容

本申请提供了一种波束选择方法、终端设备及计算机可读存储介质，实施本申请实施例，能降低终端设备的能耗开销。

第一方面，提供一种波束选择方法，包括：

根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，所述i为大于0的整数；

根据所述第一高频波束的索引信息，确定所述第一高频波束；

确定所述第一高频波束的信道质量；

在所述第一高频波束的信道质量大于所述预设信道质量时，通过所述第一高频波束进行通信。

可以看出，上述方案中，实现了基于低频信号的信道质量确定高频波束的索引信息，从而基于高频波束的索引信息确定高频波束，并通过该高频波束进行通信，避免了需要实时跟踪大量的波束来确定适合通信的最佳毫米波波束，从而降低终端设备的能耗开销。

在一种可能的实施方式中，所述根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，包括：

根据低频信号的信道质量与高频波束的索引信息之间的对应关系，确定所述第i次波束选择时所述第一低频信号的信道质量对应的所述第一高频波束的索引信息。

可以看出，上述方案中，通过低频信号的信道质量与高频波束的索引信息之间的对应关系，确定低频信号的信道质量对应的高频波束的索引信息，从而为后续可以基于高频波束的索引信息确定高频波束，并通过该高频波束进行通信做准备。

在一种可能的实施方式中，所述第一高频波束的索引信息是在所述第i次波束选择时的第一时间段内确定的，预设时间段包括所述第i次波束选择时的第一时间段，所述预设时间段的最大时刻为所述第i次波束选择时的第一时间段的最大时刻；

若所述i为1，所述第i次波束选择时的第一时间段的最小时刻T_i满足第一公式；

所述第一公式为：

T_i＝(1－α_i)×T，其中，所述T为所述预设时间段，所述α_i是根据所述i次波束选择时终端设备的剩余电量确定的，且所述α_i为大于0且小于1的正数；

若所述i为大于1的整数，所述第i次波束选择时的第一时间段的最小时刻T_i满足所述第一公式或第二公式或第三公式；

所述第二公式为：

T_i＝(1－α_i+δ)×T，其中，所述δ为预设系数；

所述第三公式为：

T_i＝(1－α_i+δ(θ_i－1－θ₁))×T，其中，所述θ_i－1为第i－1次波束选择时高频波束的信道质量，所述θ₁为所述第一次波束选择时高频波束的信道质量。

可以看出，上述技术方案中，实现了在预设时间段的第一时间段内确定高频波束的索引信息，避免了在第一时间段内实时跟踪大量的波束来确定适合通信的最佳毫米波波束，从而降低终端设备的能耗开销。

在一种可能的实施方式中，

若所述第i次波束选择时所述终端设备的剩余电量低于第一电量阈值，所述δ为正数；

若所述第i次波束选择时所述终端设备的剩余电量高于第二电量阈值，所述δ为负数；

若所述θ_i－1小于所述θ₁，所述δ为正数；

若所述θ_i－1大于所述θ₁，所述δ为负数。

可以看出，上述技术方案中，实现了基于终端设备的剩余电量或第i－1次波束选择时高频波束的信道质量动态调整第一时间段的长度，为后续在第一时间段内确定高频波束的索引信息做准备。

在一种可能的实施方式中，所述方法还包括：

获取所述低频信号的信道质量与高频波束的索引信息之间的对应关系；

所述获取所述低频信号的信道质量与高频波束的索引信息之间的对应关系，包括：

在所述第i次波束选择时的第二时间段内确定待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，所述预设时间段包括所述第i次波束选择时的第二时间段；

根据所述待训练低频信号的信道质量和所述至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，所述第二神经网络模型包括所述低频信号的信道质量与高频波束的索引信息之间的对应关系；

其中，所述第i次波束选择时的第二时间段的最小时刻为所述预设时间段的最小时刻；

若所述i为1，所述第i次波束选择时的第二时间段的最大时刻P_i满足第四公式；

所述第四公式为：

P_i＝α_i×T；

若所述i为大于1的整数，所述第i次波束选择时的第二时间段的最大时刻P_i满足所述第四公式或第五公式或第六公式；

所述第五公式为：

P_i＝(α_i－δ)×T；

所述第六公式为：

P_i＝(α_i+δ(θ_i－1－θ₁))×T。

可以看出，上述技术方案中，实现了基于终端设备的剩余电量或第i－1次波束选择时高频波束的信道质量动态调整第二时间段的长度，从而动态调整了模型训练的时间长度。同时，通过在预设时间段的第二时间段内训练模型，以得到低频信号的信道质量与高频波束的索引信息之间的对应关系，从而后续确定高频波束的索引信息做准备。另外，由于只在第二时间段内跟踪波束，避免了现有方案中需要实时跟踪大量的波束的问题，从而降低终端设备的能耗开销。

在一种可能的实施方式中，所述第i次波束选择时的第二时间段包括至少一个训练时刻，所述至少一个待训练高频波束包括待训练高频波束A，所述待训练高频波束A是在所述至少一个训练时刻中的第一训练时刻获取的，所述根据所述待训练低频信号的信道质量和所述至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，包括：

若所述第一训练时刻为所述至少一个训练时刻中最早的时刻，则根据所述待训练低频信号的信道质量和所述待训练高频波束A的信道质量，调整所述第一神经网络模型的参数，所述待训练高频波束A是多个高频波束中信道质量最大的高频波束，所述多个高频波束是所述终端设备在所述第一时刻接收的，若所述i为1，所述第一神经网络模型为初始神经网络模型，若所述i为大于1的整数，所述第一神经网络模型为所述初始神经网络模型或所述第i－1次波束选择时训练得到的神经网络模型；

若所述第一训练时刻为其他训练时刻中的任意一个时刻，所述其他训练时刻为所述至少一个时刻中除最早时刻之外的时刻，则根据所述待训练低频信号的信道质量和所述待训练高频波束A的信道质量，调整第三神经网络模型的参数，所述第三神经网络模型为所述第一时刻的上一个时刻训练得到的神经网络模型；

将在所述至少一个训练时刻中的最晚时刻训练得到的第三神经网络模型确定为所述第二神经网络模型。

可以看出，上述技术方案中，实现了在第二时间段跟踪波束，避免了现有方案中需要实时跟踪大量的波束的问题，从而降低终端设备的能耗开销。同时，通过调整模型，从而为后续确定高频波束做准备。

第二方面，一种终端设备，所述终端设备包括处理模块和收发模块，其中，

所述处理模块，用于根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，所述i为大于0的整数；根据所述第一高频波束的索引信息，确定所述第一高频波束；确定所述第一高频波束的信道质量；

所述收发模块，用于在所述第一高频波束的信道质量大于所述预设信道质量时，通过所述第一高频波束进行通信。

在一种可能的实施方式，在根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息时，所述处理模块，用于根据低频信号的信道质量与高频波束的索引信息之间的对应关系，确定所述第i次波束选择时所述第一低频信号的信道质量对应的所述第一高频波束的索引信息。

在一种可能的实施方式，所述第一高频波束的索引信息是在所述第i次波束选择时的第一时间段内确定的，预设时间段包括所述第i次波束选择时的第一时间段，所述预设时间段的最大时刻为所述第i次波束选择时的第一时间段的最大时刻；

若所述i为1，所述第i次波束选择时的第一时间段的最小时刻T_i满足第一公式；

所述第一公式为：

T_i＝(1－α_i)×T，其中，所述T为所述预设时间段，所述α_i是根据所述i次波束选择时终端设备的剩余电量确定的，且所述α_i为大于0且小于1的正数；

若所述i为大于1的整数，所述第i次波束选择时的第一时间段的最小时刻T_i满足所述第一公式或第二公式或第三公式；

所述第二公式为：

T_i＝(1－α_i+δ)×T，其中，所述δ为预设系数；

所述第三公式为：

T_i＝(1－α_i+δ(θ_i－1－θ₁))×T，其中，所述θ_i－1为第i－1次波束选择时高频波束的信道质量，所述θ₁为所述第一次波束选择时高频波束的信道质量。

在一种可能的实施方式，

若所述第i次波束选择时所述终端设备的剩余电量低于第一电量阈值，所述δ为正数；

若所述第i次波束选择时所述终端设备的剩余电量高于第二电量阈值，所述δ为负数；

若所述θ_i－1小于所述θ₁，所述δ为正数；

若所述θ_i－1大于所述θ₁，所述δ为负数。

在一种可能的实施方式，所述处理模块，还用于获取所述低频信号的信道质量与高频波束的索引信息之间的对应关系；

在获取所述低频信号的信道质量与高频波束的索引信息之间的对应关系时，所述处理模块，用于在所述第i次波束选择时的第二时间段内确定待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，所述预设时间段包括所述第i次波束选择时的第二时间段；根据所述待训练低频信号的信道质量和所述至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，所述第二神经网络模型包括所述低频信号的信道质量与高频波束的索引信息之间的对应关系；

其中，所述第i次波束选择时的第二时间段的最小时刻为所述预设时间段的最小时刻；

若所述i为1，所述第i次波束选择时的第二时间段的最大时刻P_i满足第四公式；

所述第四公式为：

P_i＝α_i×T；

若所述i为大于1的整数，所述第i次波束选择时的第二时间段的最大时刻P_i满足所述第四公式或第五公式或第六公式；

所述第五公式为：

P_i＝(α_i－δ)×T；

所述第六公式为：

P_i＝(α_i+δ(θ_i－1－θ₁))×T。

在一种可能的实施方式，所述第i次波束选择时的第二时间段包括至少一个训练时刻，所述至少一个待训练高频波束包括待训练高频波束A，所述待训练高频波束A是在所述至少一个训练时刻中的第一训练时刻获取的，在根据所述待训练低频信号的信道质量和所述至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型时，所述处理模块，用于

若所述第一训练时刻为所述至少一个训练时刻中最早的时刻，则根据所述待训练低频信号的信道质量和所述待训练高频波束A的信道质量，调整所述第一神经网络模型的参数，所述待训练高频波束A是多个高频波束中信道质量最大的高频波束，所述多个高频波束是所述终端设备在所述第一时刻接收的，若所述i为1，所述第一神经网络模型为初始神经网络模型，若所述i为大于1的整数，所述第一神经网络模型为所述初始神经网络模型或所述第i－1次波束选择时训练得到的神经网络模型；

若所述第一训练时刻为其他训练时刻中的任意一个时刻，所述其他训练时刻为所述至少一个时刻中除最早时刻之外的时刻，则根据所述待训练低频信号的信道质量和所述待训练高频波束A的信道质量，调整第三神经网络模型的参数，所述第三神经网络模型为所述第一时刻的上一个时刻训练得到的神经网络模型；

将在所述至少一个训练时刻中的最晚时刻训练得到的第三神经网络模型确定为所述第二神经网络模型。

第三方面，提供一种终端设备，包括处理器、存储器、输入接口和输出接口，所述输入接口用于接收来自所述终端设备之外的其它通信装置的信息，所述输出接口用于向所述终端设备之外的其它通信装置输出信息，所述处理器调用所述存储器中存储的计算机程序实现如第一方面的任一可能的实现方式中的方法。

在一种可能的设计中，该终端设备可以是实现第一方面中方法的芯片或者包含芯片和天线等装置的用户设备。

第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如第一方面的任一可能的实现方式中的方法。

附图说明

下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

其中：

图1是本申请实施例提供的通信系统的基础架构；

图2是本申请实施例提供的一种波束选择方法的示意图；

图3是本申请实施例提供的一种预设时间段的示意图；

图4是本申请实施例提供的一种第二时间段的示意图；

图5是本申请实施例提供的一种终端设备的结构示意图；

图6是本申请实施例提供的一种简化的终端设备的结构示意图；

图7是本申请实施例提供适用的一种具体可能的波束选择方法的示意图；

图8是本申请实施例提供适用的又一种具体可能的波束选择方法的示意图；

图9是本申请实施例提供适用的又一种具体可能的波束选择方法的示意图；

图10是本申请实施例提供适用的又一种具体可能的波束选择方法的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

首先，本申请实施例的技术方案可以应用于长期演进(long term evolution，LTE)架构、第五代移动通信技术(5th generation mobile networks，5G)、无线局域网(wireless local area networks，WLAN)系统等等。

为了便于理解本申请，在此介绍本申请实施例涉及的相关技术知识。

随着第五代移动通信网络(5th generation mobile networks，5G)的快速发展，为了应对6GHz以下微波频段存在严重的频谱资源短缺问题，在5G中会使用毫米波(mmWave)频段来满足未来无线通信网络的需求。然而，毫米波频段存在低覆盖、高衰落、易受阻挡、空间绕射弱的问题。为此，第三代合作计划(3rd generation partnership project，3GPP)标准提出Sub6GHz频段和毫米波频段混合组网的非独立组网架构。

在混合组网的架构下，为了在毫米波频段和基站之间建立高度直连的通信链路，终端设备需要进行波束测量，来选择适合通信的最佳毫米波波束。在现有方案中，终端设备通过毫米波频段的信号测量进行波束选择。由于毫米波频段需要大量波束实现全覆盖，终端设备需要跟踪大量的波束，这导致终端设备的能耗开销大。

基于此，本申请实施例提出一种通信方法以解决上述问题，下面对本申请实施例进行详细介绍。

参见图1，图1是本申请实施例提供的通信系统的基础架构。如图1所示，该通信系统可以包括终端设备10和接入网设备11。其中，接入网设备11可以与终端设备10进行通信。进一步的，终端设备10包括用于接收Sub6GHz的接收机和用于接收毫米波的接收机，接入网设备11包括用于发送Sub6GHz的发射机和用于发送毫米波的发射机。示例性的，接入网设备11中用于发送Sub6GHz的接收机可以通过Sub6GHz信道与终端设备10中用于接收Sub6GHz的接收机通信；接入网设备11中用于发送毫米波的接收机可以通过毫米波信道与终端设备10中用于接收毫米波的接收机通信。

其中，终端设备10可以是芯片，也可以是包括芯片的用户设备。进一步的，终端设备10是用户侧的一种用于接收信号，或者，发送信号，或者，接收信号和发送信号的实体。终端设备10用于向用户提供语音服务和数据连通性服务中的一种或多种。可以理解的，当终端设备10为芯片时，该芯片可以包括处理器和接口。当终端设备10为包括芯片的用户设备时，终端设备10可以为包含无线收发功能、且可以与接入网设备配合为用户提供通讯服务的设备。具体地，终端设备10可以指用户设备(user equipment，UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、终端、无线通信设备、用户代理或用户装置。终端设备10也可以是无人机、物联网(internet of things，IoT)设备、WLAN中的站点(station，ST)、蜂窝电话(cellular phone)、智能电话(smart phone)、无绳电话、无线数据卡、平板型电脑、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字处理(personal digital assistant，PDA)设备、膝上型电脑(laptop computer)、机器类型通信(machine type communication，MTC)终端、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备(也可以称为穿戴式智能设备)。终端设备10还可以为5G系统中的终端，也可以为下一代通信系统中的终端，本申请实施例对此不作限定。

接入网设备11可以是用于与终端设备10进行通信的芯片，也可以是用于与终端设备10、进行通信的包括芯片的设备。接入网设备11为网络侧的一种用于发送信号，或者，接收信号，或者，发送信号和接收信号的实体。可以理解的，当接入网设备11为芯片时，该芯片可以包括处理器和接口。当接入网设备11为包括芯片的设备时，接入网设备11可以为部署在无线接入网(radio access network，RAN)中为终端设备10提供无线通信功能的装置，例如可以为传输接收点(transmission reception point，TRP)、基站、各种形式的控制节点。例如，网络控制器、无线控制器、云无线接入网络(cloud radio access network，CRAN)场景下的无线控制器等。具体的，接入网设备可以为各种形式的宏基站，微基站(也称为小站)，中继站，接入点(access point，AP)等，也可以为基站的天线面板。控制节点可以连接多个基站，并为多个基站覆盖下的多个终端配置资源。在采用不同的无线接入技术的系统中，具备基站功能的设备的名称可能会有所不同。例如，可以是LTE系统中的演进型基站(evolutional node B，eNB或eNodeB)，还可以是云无线接入网络(cloud radio accessnetwork，CRAN)场景下的无线控制器，还可以是5G中的(new radio nodeB,gNB)，或者该接入网设备11可以为中继站、接入点、车载设备、可穿戴设备以及5G之后的网络中的网络侧设备或未来演进的PLMN网络中的网络设备等，本申请对基站的具体名称不作限定。

下面介绍终端设备进行波束选择的过程。具体的，参见图2，图2是本申请实施例提供的一种波束选择方法的示意图。结合图1，图2中的终端设备为图1中的终端设备10，图2中的接入网设备为图1中的接入网设备11。如图2所示，该方法包括但不限于以下步骤：

201、终端设备根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息。

其中，i为大于0的整数。

其中，第一低频信号可以为信道状态参考信号(channel state informationreference signal，CSI-RS)或同步信号块(synchronization signal block，SSB)。进一步的，第一低频信号的信道质量可以包括以下至少一种：参考信号接收功率(referencesignal received power，RSRP)、参考信号接收质量(reference signal receivedquality，RSRQ)和信号干扰噪声比(signal to interference plus noise ratio，SINR)。

进一步的，在本申请实施例中，低频信号可以是载波频率小于6GHz的信号，高频波束可以是载波频率大于28GHz的导频波束。可以理解的，第一低频信号是载波频率小于6GHz的信号，第一高频波束是载波频率大于28GHz的导频波束。

其中，第一高频波束的索引信息可以包括第一高频波束的索引号。

202、终端设备根据第一高频波束的索引信息，确定第一高频波束。

203、终端设备确定第一高频波束的信道质量。

其中，第一高频波束的信道质量可以包括以下至少一种：RSRP、RSRQ和SINR。

204、终端设备在第一高频波束的信道质量大于预设信道质量时，通过第一高频波束进行通信。

其中，预设信道质量是终端设备预先设置的。进一步的，比如，终端设备可以根据业务需求设置预设信道质量。

需要说明的，在第一高频波束的信道质量小于预设信道质量时，终端设备需要采用现有方案来确定适合通信的最佳毫米波束。比如，全时段的跟踪导频波束，从而确定适合通信的最佳毫米波束。

可以看出，上述方案中，实现了基于低频信号的信道质量确定高频波束的索引信息，从而基于高频波束的索引信息确定高频波束，并通过该高频波束进行通信，避免了需要实时跟踪大量的波束来确定适合通信的最佳毫米波波束，从而降低终端设备的能耗开销。

在一种可能的实施方式中，所述根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，包括：

终端设备根据低频信号的信道质量与高频波束的索引信息之间的对应关系，确定所述第i次波束选择时所述第一低频信号的信道质量对应的所述第一高频波束的索引信息。

可以看出，上述方案中，通过低频信号的信道质量与高频波束的索引信息之间的对应关系，确定低频信号的信道质量对应的高频波束的索引信息，从而为后续可以基于高频波束的索引信息确定高频波束，并通过该高频波束进行通信做准备。

在一种可能的实施方式中，第一高频波束的索引信息是在第i次波束选择时的第一时间段内确定的，预设时间段包括第i次波束选择时的第一时间段，预设时间段的最大时刻为第i次波束选择时的第一时间段的最大时刻；

若i为1，第i次波束选择时的第一时间段的最小时刻T_i满足第一公式；

第一公式为：

T_i＝(1－α_i)×T，其中，T为预设时间段，α_i是根据i次波束选择时终端设备的剩余电量确定的，且α_i为大于0且小于1的正数；

若i为大于1的整数，第i次波束选择时的第一时间段的最小时刻T_i满足第一公式或第二公式或第三公式；

第二公式为：

T_i＝(1－α_i+δ)×T，其中，δ为预设系数；

第三公式为：

T_i＝(1－α_i+δ(θ_i－1－θ₁))×T，其中，θ_i－1为第i－1次波束选择时高频波束的信道质量，θ₁为第一次波束选择时高频波束的信道质量。

其中，预设时间段可以是接入网设备配置给终端设备的，也可以接入网设备广播的。

其中，i次波束选择时终端设备的剩余电量越低，α_i越小；i次波束选择时终端设备的剩余电量越高，α_i越大。

其中，θ_i－1为第i－1次波束选择时第二高频波束的信道质量，第二高频波束是根据第二高频波束的索引信息确定的，第二高频波束的索引信息是根据第i－1次波束选择时第二低频信号的信道质量确定的。进一步的，第二高频波束的信道质量可以包括以下至少一种：RSRP、RSRQ和SINR。第二低频信号可以为CSI-RS或SSB。进一步的，第二低频信号的信道质量可以包括以下至少一种：RSRP、RSRQ和SINR。进一步的，第二低频信号是载波频率小于6GHz的信号，第二高频波束是载波频率大于28GHz的导频波束。第二高频波束的索引信息可以包括第二高频波束的索引号。

需要说明的，第一低频信号可以与第二低频信号相同，也可以与第二低频信号不同。第一高频波束可以与第二高频波束相同，也可以与第二高频波束不同。在本申请中，不做限制。

其中，θ₁为第一次波束选择时第三高频波束的信道质量，第三高频波束是根据第三高频波束的索引信息确定的，第三高频波束的索引信息是根据第一次波束选择时第三低频信号的信道质量确定的。进一步的，第三高频波束的信道质量可以包括以下至少一种：RSRP、RSRQ和SINR。第三低频信号可以为CSI-RS或SSB。进一步的，第三低频信号的信道质量可以包括以下至少一种：RSRP、RSRQ和SINR。进一步的，第三低频信号是载波频率小于6GHz的信号，第三高频波束是载波频率大于28GHz的导频波束。第三高频波束的索引信息可以包括第三高频波束的索引号。

需要说明的，第三低频信号可以与第一低频信号相同，也可以与第一低频信号不同；第三低频信号还可以与第二低频信号相同，也可以与第二低频信号不同。第三高频波束可以与第一高频波束相同，也可以与第一高频波束不同；第三高频波束还可以与第二高频波束相同，也可以与第二高频波束不同。在本申请中，不做限制。

可以看出，上述技术方案中，实现了在预设时间段的第一时间段内确定高频波束的索引信息，避免了在第一时间段内实时跟踪大量的波束来确定适合通信的最佳毫米波波束，从而降低终端设备的能耗开销。

在一种可能的实施方式中，

若第i次波束选择时终端设备的剩余电量低于第一电量阈值，δ为正数；

若第i次波束选择时终端设备的剩余电量高于第二电量阈值，δ为负数；

若θ_i－1小于θ₁，δ为正数；

若θ_i－1大于θ₁，δ为负数。

其中，第一电量阈值可以与第二电量阈值相同，也可以不同。在本申请中，不做限制。

可以看出，上述技术方案中，实现了基于终端设备的剩余电量或第i－1次波束选择时高频波束的信道质量动态调整第一时间段的长度，为后续在第一时间段内确定高频波束的索引信息做准备。

在一种可能的实施方式中，该方法还包括：

终端设备获取低频信号的信道质量与高频波束的索引信息之间的对应关系；

获取低频信号的信道质量与高频波束的索引信息之间的对应关系，包括：

终端设备在第i次波束选择时的第二时间段内确定待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，预设时间段包括第i次波束选择时的第二时间段；

终端设备根据待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，第二神经网络模型包括低频信号的信道质量与高频波束的索引信息之间的对应关系；

其中，第i次波束选择时的第二时间段的最小时刻为预设时间段的最小时刻；

若i为1，第i次波束选择时的第二时间段的最大时刻P_i满足第四公式；

第四公式为：

P_i＝α_i×T；

若i为大于1的整数，第i次波束选择时的第二时间段的最大时刻P_i满足第四公式或第五公式或第六公式；

第五公式为：

P_i＝(α_i－δ)×T；

第六公式为：

P_i＝(α_i+δ(θ_i－1－θ₁))×T。

举例来说，当i为2时，参见图3，图3是本申请实施例提供的一种预设时间段的示意图。可以看出，图3中，预设时间段包括第2次波束选择时的第二时间段和第2次波束选择时的第一时间段。进一步的，在一种可能的实现方式中，预设时间段还可以包括除第2次波束选择时的第二时间段和第2次波束选择时的第一时间段之外的其他时间段，在此不做限制。

另外，第一神经网络模型可以为卷积神经网络模型，也可以为循环卷积神经网络模型，在此不做限制。进一步的，卷积网络模型可以是：LeNet、AlexNet、VGG、NiN、GooLeNet等。

进一步的，在预设时间段内，待训练低频信号的信道质量可以与第一低频信号的信道质量相同，也可以不同，在此不做限制。其中，待训练低频信号可以为CSI-RS或SSB。待训练低频信号的信道质量可以包括以下至少一种：RSRP、RSRQ和SINR。

进一步的，第i次波束选择时的第二时间段包括至少一个训练时刻，终端设备在第i次波束选择时的第二时间段内确定待训练低频信号的信道质量和至少一个待训练高频波束的信道质量之前，该方法还包括：终端设备可以在至少一个训练时刻中最早的时刻测量低频信号的信道质量。进一步的，终端设备可以根据在至少一个训练时刻中最早的时刻测量低频信号的信道质量，确定待训练低频信号的信道质量和第一低频信号的信道质量。

举例来说，至少一个训练时刻中最早的时刻为训练时刻1，那么终端设备可以在训练时刻测量低频信号的信道质量，得到信道质量1。那么在预设时间段内除训练时刻1之外的其他时刻，终端设备不测量低频信号的信道质量，而是将信道质量1作为待训练低频信号的信道质量，或者第一低频信号的信道质量。

进一步的，待训练低频信号的信道质量可以为至少一个低频信号的信道质量，第i次波束选择时的第二时间段包括至少一个训练时刻，终端设备在第i次波束选择时的第二时间段内确定待训练低频信号的信道质量和至少一个待训练高频波束的信道质量之前，该方法还包括：终端设备可以在至少一个训练时刻中每个时刻测量低频信号的信道质量，得到至少一个低频信号的信道质量。进一步的，根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息之前，终端设备可以在第i次波束选择时的第一时间段内测量第一低频信号的信道质量。可以理解的，此时，待训练低频信号的信道质量与第一低频信号的信道质量不同。

终端设备可以根据在至少一个训练时刻中最早的时刻测量低频信号的信道质量，确定待训练低频信号的信道质量和第一低频信号的信道质量。

进一步的，待训练高频波束是载波频率大于28GHz的导频波束。待训练高频波束的信道质量可以包括以下至少一种：RSRP、RSRQ和SINR。

可以看出，上述技术方案中，实现了基于终端设备的剩余电量或第i－1次波束选择时高频波束的信道质量动态调整第二时间段的长度，从而动态调整了模型训练的时间长度。同时，通过在预设时间段的第二时间段内训练模型，以得到低频信号的信道质量与高频波束的索引信息之间的对应关系，从而后续确定高频波束的索引信息做准备。另外，由于只在第二时间段内跟踪波束，避免了现有方案中需要实时跟踪大量的波束的问题，从而降低终端设备的能耗开销。

在一种可能的实施方式中，第i次波束选择时的第二时间段包括至少一个训练时刻，至少一个待训练高频波束包括待训练高频波束A，待训练高频波束A是在至少一个训练时刻中的第一训练时刻获取的，根据待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，包括：

若第一训练时刻为至少一个训练时刻中最早的时刻，终端设备则根据待训练低频信号的信道质量和待训练高频波束A的信道质量，调整第一神经网络模型的参数，待训练高频波束A是多个高频波束中信道质量最大的高频波束，多个高频波束是终端设备在第一时刻接收的，若i为1，第一神经网络模型为初始神经网络模型，若i为大于1的整数，第一神经网络模型为初始神经网络模型或第i－1次波束选择时训练得到的神经网络模型；

若第一训练时刻为其他训练时刻中的任意一个时刻，其他训练时刻为至少一个时刻中除最早时刻之外的时刻，终端设备则根据待训练低频信号的信道质量和待训练高频波束A的信道质量，调整第三神经网络模型的参数，第三神经网络模型为第一时刻的上一个时刻训练得到的神经网络模型；

将在至少一个训练时刻中的最晚时刻训练得到的第三神经网络模型确定为第二神经网络模型。

其中，终端设备可以在第i次波束选择时的第二时间段内进行训练。如果第i次波束选择时的第二时间段包括一个训练时刻，那么，终端设备可以在第i次波束选择时的第二时间段内训练一次。如果第i次波束选择时的第二时间段包括3个训练时刻，那么，终端设备可以在第i次波束选择时的第二时间段内训练3次。

其中，初始神经网络模型中的参数处于初始化的状态。

其中，若i为大于1的整数，在终端设备处于静止状态时，第一神经网络模型为第i－1次波束选择时训练得到的神经网络模型，在终端设备处于运动状态时，第一神经网络模型为初始神经网络模型。

需要说明的，在本申请中，终端设备处于静止状态和终端设备处于运动状态，终端设备可以通过传感器确定。举例来说，惯性传感器等，在此不做限制。

其中，在终端设备处于运动状态时，第三神经网络模型可以为初始神经网络模型，也可以为第一时刻的上一个时刻训练得到的神经网络模型。需要说明的，若第一时刻的上一个时刻训练得到的神经网络模型，其输出为高频波束B的索引信息。如果高频波束B的信道质量小于预设信道质量，那么，第三神经网络模型为初始神经网络模型。如果高频波束B的信道质量大于预设信道质量，那么，第三神经网络模型为第一时刻的上一个时刻训练得到的神经网络模型。

举例来说，当i为2时，参见图4，图4是本申请实施例提供的一种第二时间段的示意图。可以看出，图4中，第2次波束选择时的第二时间段包括训练时刻1、训练时刻3和训练时刻5。在训练时刻1，终端设备可以测量多个高频波束中每个高频波束的信道质量。进一步的，如果多个高频波束中信道质量最大的高频波束是高频波束1，那么终端设备可以根据待训练低频信号的信道质量和高频波束1的信道质量，调整第一神经网络模型的参数。在训练时刻2，终端设备可以测量多个高频波束中每个高频波束的信道质量。进一步的，如果多个高频波束中信道质量最大的高频波束是高频波束2，那么终端设备可以根据待训练低频信号的信道质量和高频波束2的信道质量，调整第三神经网络模型的参数。在训练时刻3，终端设备可以测量多个高频波束中每个高频波束的信道质量。进一步的，如果多个高频波束中信道质量最大的高频波束是高频波束3，那么终端设备可以根据待训练低频信号的信道质量和高频波束3的信道质量，调整第三神经网络模型的参数。

可以看出，上述技术方案中，实现了在第二时间段跟踪波束，避免了现有方案中需要实时跟踪大量的波束的问题，从而降低终端设备的能耗开销。同时，通过调整模型，从而为后续确定高频波束做准备。

下面介绍终端设备处于静止状态下波束选择的过程，参见图7，图7是本申请实施例提供适用的一种具体可能的波束选择方法的示意图。结合图1，图7中的终端设备为图1中的终端设备10，图7中的接入网设备为图1中的接入网设备11。如图7所示，该方法包括但不限于以下步骤：

步骤一：终端设备根据周期T内高低频信道信息，确定波束选择方法的初始参数。

其中，周期T为上述预设时间段。

其中，高低频信道信息可以包括上述第一低频信号的信道质量、上述待训练低频信号的信道质量、上述至少一个待训练高频波束的信道质量。

其中，波束选择方法的初始参数包括训练集占比α₀、预测性能门限值θ^*、神经网络模型M₀。可以理解的，α₀为图2中i为1时的上述α_i，θ^*为上述预设信道质量，神经网络模型M₀为图2中i为1时的第二神经网络模型。

步骤1.1：终端设备收集低频信道信息和毫米波波束索引号。

其中，在步骤1.1中，低频信道信息包括上述第一低频信号的信道质量、上述待训练低频信号的信道质量。

步骤1.2：终端设备确定训练集占比α₀，获取训练集、测试集和初始神经网络模型M’。

其中，训练集包括上述待训练低频信号的信道质量、上述待训练高频波束A的信道质量。

其中，测试集包括上述第一低频信号的信道质量。

其中，初始神经网络模型M’为上述初始神经网络模型。

步骤1.3：终端设备将训练集输入初始神经网络模型M’，得到神经网络模型M₀。

步骤1.4：终端设备采用测试集评估神经网络模型M₀的性能，以获得神经网络模型M₀的波束预测性能θ₀，并确定预测性能门限θ^*。

其中，θ₀为图2中i为1时的第一高频波束的信道质量。

步骤1.5：终端设备保存α₀，θ^*，M₀，并设定训练预测周期数i＝1。

步骤二：终端设备根据高低频信道信息，进行第i次训练预测周期的模型训练。

步骤2.1：终端设备确定第i次训练的训练集占比α_i＝α_i-1和当前的神经网络模型M_i-1。

其中，α_i-1为图2中i为i-1时的上述α_i。

其中，当前的神经网络模型M_i-1。为图2中i为i-1时的第二神经网络模型。

步骤2.2：在前α_iT测量低频信道信息和毫米波波束索引号，以模型M_i-1为当前本周期的初始模型进行模型训练。

其中，前α_iT，即为第i次波束选择时的第二时间段，此时，P_i满足第四公式。

其中，毫米波波束索引号为待训练高频波束A的波束索引信息。

步骤2.3：获得训练后模型M_i并保存。

其中，训练后模型M_i为第i次波束选择时的第二神经网络模型。

步骤三：终端设备根据低频信道信息，预测毫米波波束索引信息，获取毫米波波束信道信息。

其中，毫米波波束索引信息为第一高频波束的索引信息。

其中，毫米波波束信道信息为第一高频波束的信道质量。

步骤3.1：终端设备在周期T的后(1-α_i)T的每一个测量时刻，测量低频信道信息，利用模型M_i，预测毫米波波束。

其中，在周期T的后(1-α_i)T，即为图2中i为1时第i次波束选择时的第一时间段。

其中，低频信道信息例如可以为上述第一低频信号的信道质量。

步骤3.2：终端设备根据预测结果，扫描对应波束，进行波束测量，获取毫米波波束信道信息。

步骤3.3：终端设备根据预测波束的频谱效率，评估当前模型M_i性能θ_i，若θ_i＜θ^*，则停止预测；若θ_i大于或等于θ^*，则保存模型M_i并令i＝i+1，转到步骤二，以进行下一周期的模型训练。

其中，预测波束的频谱效率为第一高频波束的信道质量。

其中，在停止预测后，终端设备需要采用现有方案来确定适合通信的最佳毫米波束。比如，全时段的跟踪导频波束，从而确定适合通信的最佳毫米波束。

下面介绍终端设备处于移动状态下波束选择的过程，参见图8，图8是本申请实施例提供适用的又一种具体可能的波束选择方法的示意图。结合图1，图8中的终端设备为图1中的终端设备10，图8中的接入网设备为图1中的接入网设备11。如图8所示，该方法包括但不限于以下步骤：

步骤一：终端设备根据周期T内高低频信道信息，确定波束选择方法的初始参数。

其中，周期T为上述预设时间段。

其中，高低频信道信息可以包括上述第一低频信号的信道质量、上述待训练低频信号的信道质量、上述至少一个待训练高频波束的信道质量。

其中，波束选择方法的初始参数包括训练集占比α₀、预测性能门限值θ^*、神经网络模型M₀。可以理解的，α₀为图2中i为1时的上述α_i，θ^*为上述预设信道质量，神经网络模型M₀为图2中i为1时的第二神经网络模型。

步骤1.1：终端设备收集低频信道信息和毫米波波束索引号。

其中，在步骤1.1中，低频信道信息包括上述第一低频信号的信道质量、上述待训练低频信号的信道质量。

步骤1.2：终端设备确定训练集占比α₀，获取训练集、测试集和初始神经网络模型M’。

其中，训练集包括上述待训练低频信号的信道质量、上述待训练高频波束A的信道质量。

其中，测试集包括上述第一低频信号的信道质量。

其中，初始神经网络模型M’为上述初始神经网络模型。

步骤1.3：终端设备将训练集输入初始神经网络模型M’，得到神经网络模型M₀。

步骤1.4：终端设备采用测试集评估神经网络模型M₀的性能，以获得神经网络模型M₀的波束预测性能θ₀，并确定预测性能门限θ^*。

其中，θ₀为图2中i为1时的第一高频波束的信道质量。

步骤1.5：终端设备保存α₀，θ^*，M₀，并设定训练预测周期数i＝1。

步骤二：终端设备根据高低频信道信息，进行第i次训练预测周期的模型训练。

步骤2.1：终端设备确定第i次训练的训练集占比α_i＝α_i-1和初始神经网络模型M’。

其中，α_i-1为图2中i为i-1时的上述α_i。

步骤2.2：在前α_iT测量低频信道信息和毫米波波束索引号，以模型M’为当前本周期的初始模型进行模型训练。

其中，前α_iT，即为第i次波束选择时的第二时间段，此时，P_i满足第四公式。

其中，毫米波波束索引号为待训练高频波束A的波束索引信息。

步骤2.3：获得训练后模型M_i并保存。

其中，训练后模型M_i为第i次波束选择时的第二神经网络模型。

步骤三：终端设备根据低频信道信息，预测毫米波波束索引信息，获取毫米波波束信道信息。

其中，毫米波波束索引信息为第一高频波束的索引信息。

其中，毫米波波束信道信息为第一高频波束的信道质量。

步骤3.1：终端设备在周期T的后(1-α_i)T的每一个测量时刻，测量低频信道信息，利用模型M_i，预测毫米波波束。

其中，在周期T的后(1-α_i)T，即为图2中i为1时第i次波束选择时的第一时间段。

其中，低频信道信息例如可以为上述第一低频信号的信道质量。

步骤3.2：终端设备根据预测结果，扫描对应波束，进行波束测量，获取毫米波波束信道信息。

步骤3.3：终端设备根据预测波束的频谱效率，评估当前模型M_i性能θ_i，若θ_i＜θ^*，则停止预测；若θ_i大于或等于θ^*，则令i＝i+1，转到步骤二，以进行下一周期的模型训练。

其中，预测波束的频谱效率为第一高频波束的信道质量。

其中，在停止预测后，终端设备需要采用现有方案来确定适合通信的最佳毫米波束。比如，全时段的跟踪导频波束，从而确定适合通信的最佳毫米波束。

下面介绍终端设备处于静止状态下根据终端设备的剩余电量进行波束选择的过程，参见图9，图9是本申请实施例提供适用的又一种具体可能的波束选择方法的示意图。结合图1，图9中的终端设备为图1中的终端设备10，图9中的接入网设备为图1中的接入网设备11。如图9所示，该方法包括但不限于以下步骤：

步骤一：终端设备根据周期T内高低频信道信息，确定波束选择方法的初始参数。

其中，周期T为上述预设时间段。

其中，高低频信道信息可以包括上述第一低频信号的信道质量、上述待训练低频信号的信道质量、上述至少一个待训练高频波束的信道质量。

其中，波束选择方法的初始参数包括训练集占比α₀、预测性能门限值θ^*、神经网络模型M₀。可以理解的，α₀为图2中i为1时的上述α_i，θ^*为上述预设信道质量，神经网络模型M₀为图2中i为1时的第二神经网络模型。

步骤1.1：终端设备收集低频信道信息和毫米波波束索引号。

其中，在步骤1.1中，低频信道信息包括上述第一低频信号的信道质量、上述待训练低频信号的信道质量。

步骤1.2：终端设备确定训练集占比α₀，获取训练集、测试集、初始神经网络模型M’和动态训练占比的改变系数δ。

其中，训练集包括上述待训练低频信号的信道质量、上述待训练高频波束A的信道质量。

其中，测试集包括上述第一低频信号的信道质量。

其中，初始神经网络模型M’为上述初始神经网络模型。

其中，δ为上述第五公式中的δ。

步骤1.3：终端设备将训练集输入初始神经网络模型M’，得到神经网络模型M₀。

步骤1.4：终端设备采用测试集评估神经网络模型M₀的性能，以获得神经网络模型M₀的波束预测性能θ₀，并确定预测性能门限θ^*。

其中，θ₀为图2中i为1时的第一高频波束的信道质量。

步骤1.5：终端设备保存α₀，θ^*，M₀和δ，并设定训练预测周期数i＝1。

步骤二：终端设备根据高低频信道信息，进行第i次训练预测周期的模型训练。

步骤2.1：终端设备确定第i次训练的训练集占比α_i＝α_i-1和当前的神经网络模型M_i-1。

其中，α_i-1为图2中i为i-1时的上述α_i。

其中，当前的神经网络模型M_i-1。为图2中i为i-1时的第二神经网络模型

步骤2.2：在前α_iT测量低频信道信息和毫米波波束索引号，以模型M_i-1为当前本周期的初始模型进行模型训练。

其中，前α_iT，即为第i次波束选择时的第二时间段，此时，P_i满足第四公式。

其中，毫米波波束索引号为待训练高频波束A的波束索引信息。

步骤2.3：获得训练后模型M_i并保存。

其中，训练后模型M_i为第i次波束选择时的第二神经网络模型。

步骤三：终端设备根据低频信道信息，预测毫米波波束索引信息，获取毫米波波束信道信息。

其中，毫米波波束索引信息为第一高频波束的索引信息。

其中，毫米波波束信道信息为第一高频波束的信道质量。

步骤3.1：终端设备在周期T的后(1-α_i)T的每一个测量时刻，测量低频信道信息，利用模型M_i，预测毫米波波束。

其中，在周期T的后(1-α_i)T，即为图2中i为1时第i次波束选择时的第一时间段。

其中，低频信道信息例如可以为上述第一低频信号的信道质量。

步骤3.2：终端设备根据预测结果，扫描对应波束，进行波束测量，获取毫米波波束信道信息。

步骤3.3：终端设备根据预测波束的频谱效率，评估当前模型M_i性能θ_i，若θ_i＜θ^*，则停止预测；若θ_i大于或等于θ^*，则获取第i次波束选择时终端设备的剩余电量，在高性能模式请求时，保存模型M_i并令α_i＝α_i+δ，i＝i+1，转到步骤二，以进行下一周期的模型训练，δ为正数；在省电模式请求时，保存模型M_i并令α_i＝α_i+δ，i＝i+1，转到步骤二，以进行下一周期的模型训练，δ为负数；在无额外请求时，保存模型M_i并令i＝i+1，转到步骤二，以进行下一周期的模型训练。

其中，预测波束的频谱效率为第一高频波束的信道质量。

其中，在停止预测后，终端设备需要采用现有方案来确定适合通信的最佳毫米波束。比如，全时段的跟踪导频波束，从而确定适合通信的最佳毫米波束。

其中，高性能模式请求，即第i次波束选择时终端设备的剩余电量低于第一电量阈值；省电模式请求，即第i次波束选择时终端设备的剩余电量高于第二电量阈值；无额外请求，即第i次波束选择时终端设备的剩余电量等于第二电量阈值。

下面介绍预测性能改变时进行波束选择的过程，参见图10，图10是本申请实施例提供适用的又一种具体可能的波束选择方法的示意图。结合图1，图10中的终端设备为图1中的终端设备10，图10中的接入网设备为图1中的接入网设备11。如图10所示，该方法包括但不限于以下步骤：

步骤一：终端设备根据周期T内高低频信道信息，确定波束选择方法的初始参数。

其中，周期T为上述预设时间段。

其中，高低频信道信息可以包括上述第一低频信号的信道质量、上述待训练低频信号的信道质量、上述至少一个待训练高频波束的信道质量。

其中，波束选择方法的初始参数包括训练集占比α₀、预测性能门限值θ^*、神经网络模型M₀。可以理解的，α₀为图2中i为1时的上述α_i，θ^*为上述预设信道质量，神经网络模型M₀为图2中i为1时的第二神经网络模型。

步骤1.1：终端设备收集低频信道信息和毫米波波束索引号。

其中，在步骤1.1中，低频信道信息包括上述第一低频信号的信道质量、上述待训练低频信号的信道质量。

步骤1.2：终端设备确定训练集占比α₀，获取训练集、测试集、初始神经网络模型M’和动态训练占比的改变系数δ。

其中，训练集包括上述待训练低频信号的信道质量、上述待训练高频波束A的信道质量。

其中，测试集包括上述第一低频信号的信道质量。

其中，初始神经网络模型M’为上述初始神经网络模型。

其中，δ为上述第五公式中的δ。

步骤1.3：终端设备将训练集输入初始神经网络模型M’，得到神经网络模型M₀。

步骤1.4：终端设备采用测试集评估神经网络模型M₀的性能，以获得神经网络模型M₀的波束预测性能θ₀，并确定预测性能门限θ^*。

其中，θ₀为图2中i为1时的第一高频波束的信道质量。

步骤1.5：终端设备保存α₀，θ^*，M₀和δ，并设定训练预测周期数i＝1。

步骤二：终端设备根据高低频信道信息，进行第i次训练预测周期的模型训练。

步骤2.1：终端设备确定第i次训练的训练集占比α_i＝α_i-1和当前的神经网络模型M_i-1。

其中，α_i-1为图2中i为i-1时的上述α_i。

其中，当前的神经网络模型M_i-1。为图2中i为i-1时的第二神经网络模型。

步骤2.2：在前α_iT测量低频信道信息和毫米波波束索引号，以模型M_i-1为当前本周期的初始模型进行模型训练。

其中，前α_iT，即为第i次波束选择时的第二时间段，此时，P_i满足第四公式。

其中，毫米波波束索引号为待训练高频波束A的波束索引信息。

步骤2.3：获得训练后模型M_i并保存。

其中，训练后模型M_i为第i次波束选择时的第二神经网络模型。

步骤三：终端设备根据低频信道信息，预测毫米波波束索引信息，获取毫米波波束信道信息。

其中，毫米波波束索引信息为第一高频波束的索引信息。

其中，毫米波波束信道信息为第一高频波束的信道质量。

步骤3.1：终端设备在周期T的后(1-α_i)T的每一个测量时刻，测量低频信道信息，利用模型M_i，预测毫米波波束。

其中，在周期T的后(1-α_i)T，即为图2中i为1时第i次波束选择时的第一时间段。

其中，低频信道信息例如可以为上述第一低频信号的信道质量。

步骤3.2：终端设备根据预测结果，扫描对应波束，进行波束测量，获取毫米波波束信道信息。

步骤3.3：终端设备根据预测波束的频谱效率，评估当前模型M_i性能θ_i，若θ_i＜θ^*，则停止预测；若θ_i大于或等于θ^*，则令α_i＝α_i+δ(θ_i-θ₀)，保存模型M_i，并令i＝i+1，转到步骤二，以进行下一周期的模型训练。

其中，预测波束的频谱效率为第一高频波束的信道质量。

其中，在停止预测后，终端设备需要采用现有方案来确定适合通信的最佳毫米波束。比如，全时段的跟踪导频波束，从而确定适合通信的最佳毫米波束。

其中，θ_i为第i次波束选择时高频波束的信道质量。若θ_i小于θ₁，δ为正数；若θ_i大于θ₁，δ为负数。

参见图5，图5是本申请实施例提供的一种终端设备的结构示意图。该终端设备500可应用于上述图2至图4所示的方法中，如图5所示，该终端设备500包括：处理模块501和收发模块502，其中，

处理模块501，用于根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，i为大于0的整数；根据第一高频波束的索引信息，确定第一高频波束；确定第一高频波束的信道质量；

收发模块502，用于在第一高频波束的信道质量大于预设信道质量时，通过第一高频波束进行通信。

其中，关于第一低频信号，可以参考图2中的步骤201，在此不加赘述。关于第一低频信号的信道质量，可以参考图2中的步骤201，在此不加赘述。关于第一高频波束，可以参考图2中的步骤201，在此不加赘述。关于第一高频波束的索引信息，可以参考图2中的步骤201，在此不加赘述。关于第一高频波束的信道质量，可以参考图2中的步骤203，在此不加赘述。关于预设信道质量，可以参考图2中的步骤204，在此不加赘述。

可以看出，上述方案中，实现了基于低频信号的信道质量确定高频波束的索引信息，从而基于高频波束的索引信息确定高频波束，并通过该高频波束进行通信，避免了需要实时跟踪大量的波束来确定适合通信的最佳毫米波波束，从而降低终端设备的能耗开销。

在一种可能的实施方式，在根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息时，处理模块501，用于根据低频信号的信道质量与高频波束的索引信息之间的对应关系，确定第i次波束选择时第一低频信号的信道质量对应的第一高频波束的索引信息。

可以看出，上述方案中，通过低频信号的信道质量与高频波束的索引信息之间的对应关系，确定低频信号的信道质量对应的高频波束的索引信息，从而为后续可以基于高频波束的索引信息确定高频波束，并通过该高频波束进行通信做准备。

在一种可能的实施方式，第一高频波束的索引信息是在第i次波束选择时的第一时间段内确定的，预设时间段包括第i次波束选择时的第一时间段，预设时间段的最大时刻为第i次波束选择时的第一时间段的最大时刻；

若i为1，第i次波束选择时的第一时间段的最小时刻T_i满足第一公式；

第一公式为：

T_i＝(1－α_i)×T，其中，T为预设时间段，α_i是根据i次波束选择时终端设备的剩余电量确定的，且α_i为大于0且小于1的正数；

若i为大于1的整数，第i次波束选择时的第一时间段的最小时刻T_i满足第一公式或第二公式或第三公式；

第二公式为：

T_i＝(1－α_i+δ)×T，其中，δ为预设系数；

第三公式为：

T_i＝(1－α_i+δ(θ_i－1－θ₁))×T，其中，θ_i－1为第i－1次波束选择时高频波束的信道质量，θ₁为第一次波束选择时高频波束的信道质量。

其中，关于预设时间段，可以参考图2中的步骤204，在此不加赘述。关于θ_i－1，可以参考图2中的步骤204，在此不加赘述。关于θ₁，可以参考图2中的步骤204，在此不加赘述。

可以看出，上述技术方案中，实现了在预设时间段的第一时间段内确定高频波束的索引信息，避免了在第一时间段内实时跟踪大量的波束来确定适合通信的最佳毫米波波束，从而降低终端设备的能耗开销。

在一种可能的实施方式，

若第i次波束选择时终端设备的剩余电量低于第一电量阈值，δ为正数；

若第i次波束选择时终端设备的剩余电量高于第二电量阈值，δ为负数；

若θ_i－1小于θ₁，δ为正数；

若θ_i－1大于θ₁，δ为负数。

其中，第一电量阈值可以与第二电量阈值相同，也可以不同。在本申请中，不做限制。

可以看出，上述技术方案中，实现了基于终端设备的剩余电量或第i－1次波束选择时高频波束的信道质量动态调整第一时间段的长度，为后续在第一时间段内确定高频波束的索引信息做准备。

在一种可能的实施方式，处理模块501，还用于获取低频信号的信道质量与高频波束的索引信息之间的对应关系；

在获取低频信号的信道质量与高频波束的索引信息之间的对应关系时，处理模块501，用于在第i次波束选择时的第二时间段内确定待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，预设时间段包括第i次波束选择时的第二时间段；根据待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，第二神经网络模型包括低频信号的信道质量与高频波束的索引信息之间的对应关系；

其中，第i次波束选择时的第二时间段的最小时刻为预设时间段的最小时刻；

若i为1，第i次波束选择时的第二时间段的最大时刻P_i满足第四公式；

第四公式为：

P_i＝α_i×T；

若i为大于1的整数，第i次波束选择时的第二时间段的最大时刻P_i满足第四公式或第五公式或第六公式；

第五公式为：

P_i＝(α_i－δ)×T；

第六公式为：

P_i＝(α_i+δ(θ_i－1－θ₁))×T。

其中，关于第一神经网络模型，可以参考图2中的步骤204，在此不加赘述。关于第三神经网络模型，可以参考图2中的步骤204，在此不加赘述。关于待训练低频信号，可以参考图2中的步骤204，在此不加赘述。关于待训练低频信号的信道质量，可以参考图2中的步骤204，在此不加赘述。关于待训练高频波束，可以参考图2中的步骤204，在此不加赘述。关于待训练高频波束的信道质量，可以参考图2中的步骤204，在此不加赘述。

可以看出，上述技术方案中，实现了基于终端设备的剩余电量或第i－1次波束选择时高频波束的信道质量动态调整第二时间段的长度，从而动态调整了模型训练的时间长度。同时，通过在预设时间段的第二时间段内训练模型，以得到低频信号的信道质量与高频波束的索引信息之间的对应关系，从而后续确定高频波束的索引信息做准备。另外，由于只在第二时间段内跟踪波束，避免了现有方案中需要实时跟踪大量的波束的问题，从而降低终端设备的能耗开销。

在一种可能的实施方式，第i次波束选择时的第二时间段包括至少一个训练时刻，至少一个待训练高频波束包括待训练高频波束A，待训练高频波束A是在至少一个训练时刻中的第一训练时刻获取的，在根据待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型时，处理模块501，用于

若第一训练时刻为至少一个训练时刻中最早的时刻，则根据待训练低频信号的信道质量和待训练高频波束A的信道质量，调整第一神经网络模型的参数，待训练高频波束A是多个高频波束中信道质量最大的高频波束，多个高频波束是终端设备在第一时刻接收的，若i为1，第一神经网络模型为初始神经网络模型，若i为大于1的整数，第一神经网络模型为初始神经网络模型或第i－1次波束选择时训练得到的神经网络模型；

若第一训练时刻为其他训练时刻中的任意一个时刻，其他训练时刻为至少一个时刻中除最早时刻之外的时刻，则根据待训练低频信号的信道质量和待训练高频波束A的信道质量，调整第三神经网络模型的参数，第三神经网络模型为第一时刻的上一个时刻训练得到的神经网络模型；

将在至少一个训练时刻中的最晚时刻训练得到的第三神经网络模型确定为第二神经网络模型。

其中，关于初始神经网络模型，可以参考图2中的步骤204，在此不加赘述。

可以看出，上述技术方案中，实现了在第二时间段跟踪波束，避免了现有方案中需要实时跟踪大量的波束的问题，从而降低终端设备的能耗开销。同时，通过调整模型，从而为后续确定高频波束做准备。

在一种可能的实施方式中，当终端设备为芯片时，收发模块502可以是接口、管脚或电路等。接口可用于输入待处理的数据至处理器，并可以向外输出处理器的处理结果。具体实现中，接口可以是通用输入输出(general purpose input output，GPIO)接口，可以和多个外围设备(如显示器(LCD)、摄像头(camara)、射频(radio frequency，RF)模块、天线等等)连接。接口通过总线与处理器相连。比如，接口可以用于将M个数据包通过重复传输的方式发送给接入网设备。

处理模块501可以是处理器，该处理器可以执行存储模块存储的计算机执行指令，以使该芯片执行图2至图4实施例涉及的方法。

进一步的，处理器可以包括控制器、运算器和寄存器。示例性的，控制器主要负责指令译码，并为指令对应的操作发出控制信号。运算器主要负责执行定点或浮点算数运算操作、移位操作以及逻辑操作等，也可以执行地址运算和转换。寄存器主要负责保存指令执行过程中临时存放的寄存器操作数和中间操作结果等。具体实现中，处理器的硬件架构可以是专用集成电路(application specific integrated circuits，ASIC)架构、无互锁管道阶段架构的微处理器(microprocessor without interlocked piped stagesarchitecture，MIPS)架构、进阶精简指令集机器(advanced RISC machines，ARM)架构或者网络处理器(network processor，NP)架构等等。处理器可以是单核的，也可以是多核的。

该存储模块可以为该芯片内的存储模块，如寄存器、缓存等。存储模块也可以是位于芯片外部的存储模块，如只读存储器(Read Only Memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)等。

需要说明的，处理器、接口各自对应的功能既可以通过硬件设计实现，也可以通过软件设计来实现，还可以通过软硬件结合的方式来实现，这里不作限制。

图6是本申请实施例提供的一种简化的终端设备的结构示意图。便于理解和图示方便，图6中，终端设备以手机作为例子。如图6所示，终端设备包括至少一个处理器，还可以包括射频电路、天线以及输入输出装置。其中，处理器可用于对通信协议以及通信数据进行处理，还可以用于对终端设备进行控制，执行软件程序，处理软件程序的数据等。该终端设备还可以包括存储器，存储器主要用于存储软件程序和数据，这些涉及的程序可以在该通信装置出厂时即装载再存储器中，也可以在后期需要的时候再装载入存储器。射频电路主要用于基带信号与射频信号的转换以及对射频信号的处理。天线主要用于收发电磁波形式的射频信号。输入输出装置，例如触摸屏、显示屏，键盘等主要用于接收用户输入的数据以及对用户输出数据。需要说明的是，有些种类的终端设备可以不具有输入输出装置。

当需要发送数据时，处理器对待发送的数据进行基带处理后，输出基带信号至射频电路，射频电路将基带信号进行射频处理后将射频信号通过天线以电磁波的形式向外发送。当有数据发送到终端设备时，射频电路通过天线接收到射频信号，将射频信号转换为基带信号，并将基带信号输出至处理器，处理器将基带信号转换为数据并对该数据进行处理。为便于说明，图6中仅示出了一个存储器和处理器。在实际的终端设备产品中，可以存在一个或多个处理器和一个或多个存储器。存储器也可以称为存储介质或者存储设备等。存储器可以是独立于处理器设置，也可以是与处理器集成在一起，本申请实施例对此不做限制。

在本申请实施例中，可以将具有收发功能的天线和射频电路视为终端设备的接收单元和发送单元(也可以统称为收发单元)，将具有处理功能的处理器视为终端设备的处理单元。如图6所示，终端设备包括接收模块31、处理模块32和发送模块33。接收模块31也可以称为接收器、接收机、接收电路等，发送模块33也可以称为发送器、发射器、发射机、发射电路等。处理模块32也可以称为处理器、处理单板、处理装置等。

例如，处理模块32用于执行图2所示实施例中的步骤201中终端设备的功能。

以上的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (14)

1.一种波束选择方法，其特征在于，包括：

根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，所述i为大于0的整数；

根据所述第一高频波束的索引信息，确定所述第一高频波束；

确定所述第一高频波束的信道质量；

在所述第一高频波束的信道质量大于所述预设信道质量时，通过所述第一高频波束进行通信。

2.根据权利要求1所述的方法，其特征在于，所述根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，包括：

根据低频信号的信道质量与高频波束的索引信息之间的对应关系，确定所述第i次波束选择时所述第一低频信号的信道质量对应的所述第一高频波束的索引信息。

3.根据权利要求1或2所述的方法，其特征在于，所述第一高频波束的索引信息是在所述第i次波束选择时的第一时间段内确定的，预设时间段包括所述第i次波束选择时的第一时间段，所述预设时间段的最大时刻为所述第i次波束选择时的第一时间段的最大时刻；

若所述i为1，所述第i次波束选择时的第一时间段的最小时刻T_i满足第一公式；

所述第一公式为：

T_i＝(1－α_i)×T，其中，所述T为所述预设时间段，所述α_i是根据所述i次波束选择时终端设备的剩余电量确定的，且所述α_i为大于0且小于1的正数；

若所述i为大于1的整数，所述第i次波束选择时的第一时间段的最小时刻T_i满足所述第一公式或第二公式或第三公式；

所述第二公式为：

T_i＝(1－α_i+δ)×T，其中，所述δ为预设系数；

所述第三公式为：

T_i＝(1－α_i+δ(θ_i－1－θ₁))×T，其中，所述θ_i－1为第i－1次波束选择时高频波束的信道质量，所述θ₁为所述第一次波束选择时高频波束的信道质量。

4.根据权利要求3所述的方法，其特征在于，

若所述第i次波束选择时所述终端设备的剩余电量低于第一电量阈值，所述δ为正数；

若所述第i次波束选择时所述终端设备的剩余电量高于第二电量阈值，所述δ为负数；

若所述θ_i－1小于所述θ₁，所述δ为正数；

若所述θ_i－1大于所述θ₁，所述δ为负数。

5.根据权利要求2-3任意一项所述的方法，其特征在于，所述方法还包括：

获取所述低频信号的信道质量与高频波束的索引信息之间的对应关系；

所述获取所述低频信号的信道质量与高频波束的索引信息之间的对应关系，包括：

在所述第i次波束选择时的第二时间段内确定待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，所述预设时间段包括所述第i次波束选择时的第二时间段；

根据所述待训练低频信号的信道质量和所述至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，所述第二神经网络模型包括所述低频信号的信道质量与高频波束的索引信息之间的对应关系；

其中，所述第i次波束选择时的第二时间段的最小时刻为所述预设时间段的最小时刻；

若所述i为1，所述第i次波束选择时的第二时间段的最大时刻P_i满足第四公式；

所述第四公式为：

P_i＝α_i×T；

若所述i为大于1的整数，所述第i次波束选择时的第二时间段的最大时刻P_i满足所述第四公式或第五公式或第六公式；

所述第五公式为：

P_i＝(α_i－δ)×T；

所述第六公式为：

P_i＝(α_i+δ(θ_i－1－θ₁))×T。

6.根据权利要求5所述的方法，其特征在于，所述第i次波束选择时的第二时间段包括至少一个训练时刻，所述至少一个待训练高频波束包括待训练高频波束A，所述待训练高频波束A是在所述至少一个训练时刻中的第一训练时刻获取的，所述根据所述待训练低频信号的信道质量和所述至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，包括：

若所述第一训练时刻为所述至少一个训练时刻中最早的时刻，则根据所述待训练低频信号的信道质量和所述待训练高频波束A的信道质量，调整所述第一神经网络模型的参数，所述待训练高频波束A是多个高频波束中信道质量最大的高频波束，所述多个高频波束是所述终端设备在所述第一时刻接收的，若所述i为1，所述第一神经网络模型为初始神经网络模型，若所述i为大于1的整数，所述第一神经网络模型为所述初始神经网络模型或所述第i－1次波束选择时训练得到的神经网络模型；

若所述第一训练时刻为其他训练时刻中的任意一个时刻，所述其他训练时刻为所述至少一个时刻中除最早时刻之外的时刻，则根据所述待训练低频信号的信道质量和所述待训练高频波束A的信道质量，调整第三神经网络模型的参数，所述第三神经网络模型为所述第一时刻的上一个时刻训练得到的神经网络模型；

将在所述至少一个训练时刻中的最晚时刻训练得到的第三神经网络模型确定为所述第二神经网络模型。

7.一种终端设备，其特征在于，所述终端设备包括处理模块和收发模块，其中，

所述处理模块，用于根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息，所述i为大于0的整数；根据所述第一高频波束的索引信息，确定所述第一高频波束；确定所述第一高频波束的信道质量；

所述收发模块，用于在所述第一高频波束的信道质量大于所述预设信道质量时，通过所述第一高频波束进行通信。

8.根据权利要求7所述的终端设备，其特征在于，在根据第i次波束选择时第一低频信号的信道质量，确定第一高频波束的索引信息时，所述处理模块，用于根据低频信号的信道质量与高频波束的索引信息之间的对应关系，确定所述第i次波束选择时所述第一低频信号的信道质量对应的所述第一高频波束的索引信息。

9.根据权利要求7或8所述的终端设备，其特征在于，所述第一高频波束的索引信息是在所述第i次波束选择时的第一时间段内确定的，预设时间段包括所述第i次波束选择时的第一时间段，所述预设时间段的最大时刻为所述第i次波束选择时的第一时间段的最大时刻；

若所述i为1，所述第i次波束选择时的第一时间段的最小时刻T_i满足第一公式；

所述第一公式为：

T_i＝(1－α_i)×T，其中，所述T为所述预设时间段，所述α_i是根据所述i次波束选择时终端设备的剩余电量确定的，且所述α_i为大于0且小于1的正数；

若所述i为大于1的整数，所述第i次波束选择时的第一时间段的最小时刻T_i满足所述第一公式或第二公式或第三公式；

所述第二公式为：

T_i＝(1－α_i+δ)×T，其中，所述δ为预设系数；

所述第三公式为：

T_i＝(1－α_i+δ(θ_i－1－θ₁))×T，其中，所述θ_i－1为第i－1次波束选择时高频波束的信道质量，所述θ₁为所述第一次波束选择时高频波束的信道质量。

10.根据权利要求9所述的终端设备，其特征在于，

若所述第i次波束选择时所述终端设备的剩余电量低于第一电量阈值，所述δ为正数；

若所述第i次波束选择时所述终端设备的剩余电量高于第二电量阈值，所述δ为负数；

若所述θ_i－1小于所述θ₁，所述δ为正数；

若所述θ_i－1大于所述θ₁，所述δ为负数。

11.根据权利要求8-10任意一项所述的终端设备，其特征在于，

所述处理模块，还用于获取所述低频信号的信道质量与高频波束的索引信息之间的对应关系；

在获取所述低频信号的信道质量与高频波束的索引信息之间的对应关系时，所述处理模块，用于在所述第i次波束选择时的第二时间段内确定待训练低频信号的信道质量和至少一个待训练高频波束的信道质量，所述预设时间段包括所述第i次波束选择时的第二时间段；根据所述待训练低频信号的信道质量和所述至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型，所述第二神经网络模型包括所述低频信号的信道质量与高频波束的索引信息之间的对应关系；

其中，所述第i次波束选择时的第二时间段的最小时刻为所述预设时间段的最小时刻；

若所述i为1，所述第i次波束选择时的第二时间段的最大时刻P_i满足第四公式；

所述第四公式为：

P_i＝α_i×T；

若所述i为大于1的整数，所述第i次波束选择时的第二时间段的最大时刻P_i满足所述第四公式或第五公式或第六公式；

所述第五公式为：

P_i＝(α_i－δ)×T；

所述第六公式为：

P_i＝(α_i+δ(θ_i－1－θ₁))×T。

12.根据权利要求11所述的终端设备，其特征在于，所述第i次波束选择时的第二时间段包括至少一个训练时刻，所述至少一个待训练高频波束包括待训练高频波束A，所述待训练高频波束A是在所述至少一个训练时刻中的第一训练时刻获取的，在根据所述待训练低频信号的信道质量和所述至少一个待训练高频波束的信道质量，调整第一神经网络模型的参数，得到第二神经网络模型时，所述处理模块，用于

若所述第一训练时刻为所述至少一个训练时刻中最早的时刻，则根据所述待训练低频信号的信道质量和所述待训练高频波束A的信道质量，调整所述第一神经网络模型的参数，所述待训练高频波束A是多个高频波束中信道质量最大的高频波束，所述多个高频波束是所述终端设备在所述第一时刻接收的，若所述i为1，所述第一神经网络模型为初始神经网络模型，若所述i为大于1的整数，所述第一神经网络模型为所述初始神经网络模型或所述第i－1次波束选择时训练得到的神经网络模型；

若所述第一训练时刻为其他训练时刻中的任意一个时刻，所述其他训练时刻为所述至少一个时刻中除最早时刻之外的时刻，则根据所述待训练低频信号的信道质量和所述待训练高频波束A的信道质量，调整第三神经网络模型的参数，所述第三神经网络模型为所述第一时刻的上一个时刻训练得到的神经网络模型；

将在所述至少一个训练时刻中的最晚时刻训练得到的第三神经网络模型确定为所述第二神经网络模型。

13.一种终端设备，其特征在于，包括处理器和存储器，所述处理器调用所述存储器中存储的计算机程序实现如权利要求1-6任一项所述的方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1-6任一项所述的方法。

Images