CN113905446A - 一种下行调制编码方式估计方法、装置及网络设备 - Google Patents
一种下行调制编码方式估计方法、装置及网络设备 Download PDFInfo
- Publication number
- CN113905446A CN113905446A CN202010573866.7A CN202010573866A CN113905446A CN 113905446 A CN113905446 A CN 113905446A CN 202010573866 A CN202010573866 A CN 202010573866A CN 113905446 A CN113905446 A CN 113905446A
- Authority
- CN
- China
- Prior art keywords
- information
- terminal
- mcs
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 108091028733 RNTP Proteins 0.000 claims description 10
- 238000004904 shortening Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 22
- 238000005259 measurement Methods 0.000 abstract description 12
- 230000011664 signaling Effects 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 41
- 210000004027 cell Anatomy 0.000 description 40
- 239000013598 vector Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 210000002364 input neuron Anatomy 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 102100029651 Arginine/serine-rich protein 1 Human genes 0.000 description 2
- 101000728589 Homo sapiens Arginine/serine-rich protein 1 Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101000741965 Homo sapiens Inactive tyrosine-protein kinase PRAG1 Proteins 0.000 description 1
- 102100038659 Inactive tyrosine-protein kinase PRAG1 Human genes 0.000 description 1
- 101150071746 Pbsn gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
- H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0078—Avoidance of errors by organising the transmitted data in a format specifically designed to deal with errors, e.g. location
- H04L1/0091—Avoidance of errors by organising the transmitted data in a format specifically designed to deal with errors, e.g. location arrangements specific to receivers, e.g. format detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种下行调制编码方式估计方法、装置及网络设备,其中,下行调制编码方式估计方法包括:获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。本方案能够实现无需CSI‑RS下发、测量以及CQI/RI反馈过程,可大幅节省信道资源和信令开销,简化MCS估计流程,减小决策时延,提高下行MCS决策时效性和准确性,并降低运维成本和终端测量成本,很好的解决了现有技术中下行调制编码方式估计方案系统开销大、准确性差的问题。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种下行调制编码方式估计方法、装置及网络设备。
背景技术
目前,传统的下行链路自适应过程是网络侧根据UE(终端)反馈的CQI(信道质量指示)和RI(秩)信息,动态选择相应的调制编码方式(MCS),从而实现的下行调度过程。其中下行链路的MCS估计如图1所示,需要经过:CSI-RS(信道状态信息参考信号,下行参考信号)下发,UE测量,CQI/RI(表示CQI和RI)反馈以及MCS映射4个步骤。
具体的:其中,CQI的上报方式分为非周期性上报和周期性上报,非周期CQI上报要靠基站调度,占用数据信道PUSCH(上行共享信道)资源;周期性CQI上报一般是ms(毫秒)级的周期,大量占用上行控制信道PUCCH资源。无论是周期性还是非周期性上报,都包含宽带反馈和窄带反馈,尤其是窄带反馈,需要对每个子带测量反馈CQI,一方面会消耗非常多的物理信道资源和信令开销,另一方面,无线信道具有时变特性,终端测量和CQI/RI反馈过程存在较大时延(从基站接收CQI到调度时应用CQI也存在时延),对MCS的估计带来一定的误差,对系统吞吐量等性能造成负面影响。
由上可知,现有的下行调制编码方式估计方案存在如下问题:
(1)CQI/RI的反馈占用大量物理信道资源,增加系统开销;
(2)测量过程和反馈链路的传输时延影响MCS估计准确性和调度时效性。
发明内容
本发明的目的在于提供一种下行调制编码方式估计方法、装置及网络设备,以解决现有技术中下行调制编码方式估计方案系统开销大、准确性和时效性差的问题。
为了解决上述技术问题,本发明实施例提供一种下行调制编码方式估计方法,包括:
获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
可选的,获取所述终端的位置信息,包括:
根据本地已有的至少三个同频小区的至少一组信号强度信息,确定所述终端的位置信息;
其中,所述信号强度信息包括:同步信号块SSB信号的参考信号接收功率RSRP强度信息。
可选的,所述终端参数信息还包括:所述终端的移动信息以及邻区干扰信息中的至少一个。
可选的,所述移动信息包括移动速度信息和移动频偏信息中的至少一个。
可选的,获取所述终端的移动信息,包括:
根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;和/或,
根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;并根据所述移动频偏信息、载频中心频点信息和光速信息,确定所述终端的移动速度信息。
可选的,所述邻区干扰信息包括:邻区物理资源块PRB使用情况信息和接收信号强度指示RSSI信息中的至少一个。
可选的,获取所述邻区干扰信息,包括:
根据本地已有的相对窄带发射功率RNTP信息,确定邻区物理资源块PRB使用情况信息。
可选的,在将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型之前,还包括:
采用预设操作获取至少两组样本数据,所述样本数据包括与所述终端参数信息相关的第一参数信息的测试数据和相关数据;
根据各组所述相关数据,确定至少两组所述终端参数信息的样本信息;
根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息;
根据各组所述样本信息和对应的MCS信息以及目标误块率,得到训练数据;
采用所述训练数据,训练得到所述MCS决策模型;
其中,所述预设操作包括:缩短所述样本数据的反馈周期和采用窄带方式获取数据中的至少一种;
所述第一参数信息包括信道质量指示CQI信息和秩RI信息中的至少一个。
可选的,所述采用预设操作获取至少两组样本数据,包括:
确定在预设维度下,获取的样本数据的数据密度是否大于预设阈值;
在否的情况下,在所述预设维度下,采用预设操作获取至少两组样本数据;
其中,所述预设维度包括所述终端的位置信息维度、移动信息维度和邻区干扰信息维度中的至少一个。
本发明实施例还提供了一种下行调制编码方式估计装置,包括:
第一获取模块,用于获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
第一处理模块,用于将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
可选的,所述第一获取模块,包括:
第一确定子模块,用于根据本地已有的至少三个同频小区的至少一组信号强度信息,确定所述终端的位置信息;
其中,所述信号强度信息包括:同步信号块SSB信号的参考信号接收功率RSRP强度信息。
可选的,所述终端参数信息还包括:所述终端的移动信息以及邻区干扰信息中的至少一个。
可选的,所述移动信息包括移动速度信息和移动频偏信息中的至少一个。
可选的,所述第一获取模块,包括:
第二确定子模块,用于根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;和/或,
根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;并根据所述移动频偏信息、载频中心频点信息和光速信息,确定所述终端的移动速度信息。
可选的,所述邻区干扰信息包括:邻区物理资源块PRB使用情况信息和接收信号强度指示RSSI信息中的至少一个。
可选的,所述第一获取模块,包括:
第三确定子模块,用于根据本地已有的相对窄带发射功率RNTP信息,确定邻区物理资源块PRB使用情况信息。
可选的,还包括:
第二获取模块,用于在将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型之前,采用预设操作获取至少两组样本数据,所述样本数据包括与所述终端参数信息相关的第一参数信息的测试数据和相关数据;
第一确定模块,用于根据各组所述相关数据,确定至少两组所述终端参数信息的样本信息;
第二确定模块,用于根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息;
第二处理模块,用于根据各组所述样本信息和对应的MCS信息以及目标误块率,得到训练数据;
第三处理模块,用于采用所述训练数据,训练得到所述MCS决策模型;
其中,所述预设操作包括:缩短所述样本数据的反馈周期和采用窄带方式获取数据中的至少一种;
所述第一参数信息包括信道质量指示CQI信息和秩RI信息中的至少一个。
可选的,所述第二获取模块,包括:
第四确定子模块,用于确定在预设维度下,获取的样本数据的数据密度是否大于预设阈值;
第一获取子模块,用于在否的情况下,在所述预设维度下,采用预设操作获取至少两组样本数据;
其中,所述预设维度包括所述终端的位置信息维度、移动信息维度和邻区干扰信息维度中的至少一个。
本发明实施例还提供了一种网络设备,包括:处理器;
所述处理器,用于获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
可选的,所述处理器具体用于:
根据本地已有的至少三个同频小区的至少一组信号强度信息,确定所述终端的位置信息;
其中,所述信号强度信息包括:同步信号块SSB信号的参考信号接收功率RSRP强度信息。
可选的,所述终端参数信息还包括:所述终端的移动信息以及邻区干扰信息中的至少一个。
可选的,所述移动信息包括移动速度信息和移动频偏信息中的至少一个。
可选的,所述处理器具体用于:
根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;和/或,
根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;并根据所述移动频偏信息、载频中心频点信息和光速信息,确定所述终端的移动速度信息。
可选的,所述邻区干扰信息包括:邻区物理资源块PRB使用情况信息和接收信号强度指示RSSI信息中的至少一个。
可选的,所述处理器具体用于:
根据本地已有的相对窄带发射功率RNTP信息,确定邻区物理资源块PRB使用情况信息。
可选的,所述处理器还用于:
在将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型之前,采用预设操作获取至少两组样本数据,所述样本数据包括与所述终端参数信息相关的第一参数信息的测试数据和相关数据;
根据各组所述相关数据,确定至少两组所述终端参数信息的样本信息;
根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息;
根据各组所述样本信息和对应的MCS信息以及目标误块率,得到训练数据;
采用所述训练数据,训练得到所述MCS决策模型;
其中,所述预设操作包括:缩短所述样本数据的反馈周期和采用窄带方式获取数据中的至少一种;
所述第一参数信息包括信道质量指示CQI信息和秩RI信息中的至少一个。
可选的,所述处理器具体用于:
确定在预设维度下,获取的样本数据的数据密度是否大于预设阈值;
在否的情况下,在所述预设维度下,采用预设操作获取至少两组样本数据;
其中,所述预设维度包括所述终端的位置信息维度、移动信息维度和邻区干扰信息维度中的至少一个。
本发明实施例还提供了一种网络设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;所述处理器执行所述程序时实现上述的下行调制编码方式估计方法。
本发明实施例还提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的下行调制编码方式估计方法中的步骤。
本发明的上述技术方案的有益效果如下:
上述方案中,通过获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS;能够实现无需CSI-RS下发、测量以及CQI/RI反馈过程,可大幅节省信道资源和信令开销,简化MCS估计流程,减小决策时延,提高下行MCS决策时效性和准确性,并降低运维成本和终端测量成本,很好的解决了现有技术中下行调制编码方式估计方案系统开销大、准确性差的问题。
附图说明
图1为现有下行MCS决策流程示意图;
图2为本发明实施例的下行调制编码方式估计方法流程示意图;
图3为本发明实施例的下行调制编码方式估计方法具体应用流程示意图;
图4为本发明实施例的MCS决策模型示意图;
图5为本发明实施例的一组同频小区RSRP定位UE示意图;
图6为本发明实施例的神经网络模型结构示意图;
图7为本发明实施例的每一个神经元的取值示意图;
图8为本发明实施例的多层神经网络用权值矩阵关联输入和输出示意图;
图9为本发明实施例的下行MCS估计的神经网络算法模型示意图;
图10为本发明实施例的下行调制编码方式估计装置结构示意图;
图11为本发明实施例的网络设备结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的技术中下行调制编码方式估计方案系统开销大、准确性和时效性差的问题,提供一种下行调制编码方式估计方法,如图2所示,包括:
步骤21:获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
步骤22:将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
本发明实施例提供的所述下行调制编码方式估计方法通过获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS;能够实现无需CSI-RS下发、测量以及CQI/RI反馈过程,可大幅节省信道资源和信令开销,简化MCS估计流程,减小决策时延,提高下行MCS决策时效性和准确性,并降低运维成本和终端测量成本,很好的解决了现有技术中下行调制编码方式估计方案系统开销大、准确性差的问题。
其中,获取所述终端的位置信息,包括:根据本地已有的至少三个同频小区的至少一组信号强度信息,确定所述终端的位置信息;其中,所述信号强度信息包括:同步信号块SSB信号的参考信号接收功率RSRP强度信息。
这样可以简化流程,提高处理速度,提升MCS估计时效。
进一步的,所述终端参数信息还包括:所述终端的移动信息以及邻区干扰信息中的至少一个。
这样可以进一步提升MCS估计的准确性。
具体的,所述移动信息包括移动速度信息和移动频偏信息中的至少一个。
其中,移动速度信息具体可为法向移动速度信息,移动频偏信息具体可为多普勒频偏信息。
具体的,获取所述终端的移动信息,包括:根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;和/或,根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;并根据所述移动频偏信息、载频中心频点信息和光速信息,确定所述终端的移动速度信息。
这样可以简化流程,提高处理速度,提升MCS估计时效。
其中,所述邻区干扰信息包括:邻区物理资源块PRB使用情况信息和接收信号强度指示RSSI信息中的至少一个。
RSSI信息具体可以是在本地已存储的。
具体的,获取所述邻区干扰信息,包括:根据本地已有的相对窄带发射功率RNTP信息,确定邻区物理资源块PRB使用情况信息。
这样可以简化流程,提高处理速度,提升MCS估计时效。
进一步的,在将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型之前,还包括:采用预设操作获取至少两组样本数据,所述样本数据包括与所述终端参数信息相关的第一参数信息的测试数据和相关数据;根据各组所述相关数据,确定至少两组所述终端参数信息的样本信息;根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息;根据各组所述样本信息和对应的MCS信息以及目标误块率,得到训练数据;采用所述训练数据,训练得到所述MCS决策模型;其中,所述预设操作包括:缩短所述样本数据的反馈周期和采用窄带方式获取数据中的至少一种;所述第一参数信息包括信道质量指示CQI信息和秩RI信息中的至少一个。
关于“根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息”,具体可以是:确定每一组第一参数信息的测试数据对应的MCS信息,作为对应组别的样本信息所对应的MCS信息;此处样本信息是指根据与所述测试数据相对应(属于同一组)的相关数据得到的样本信息。
关于“采用窄带方式获取数据”具体可以是:指示所述终端采用窄带方式反馈所述样本数据。
具体的,所述采用预设操作获取至少两组样本数据,包括:确定在预设维度下,获取的样本数据的数据密度是否大于预设阈值;在否的情况下,在所述预设维度下,采用预设操作获取至少两组样本数据;其中,所述预设维度包括所述终端的位置信息维度、移动信息维度和邻区干扰信息维度中的至少一个。
也就是,在某一维度下的数据不充分的情况下,可以提升该维度下的数据反馈密度,以保证MCS决策模型训练的精确度。
下面对本发明实施例提供的所述下行调制编码方式估计方法进行进一步说明,网络设备以基站为例,终端参数信息以包括终端的位置信息、移动速度信息以及邻区干扰信息为例。
针对上述技术问题,本发明实施例提供了一种下行调制编码方式估计方法,具体可实现为一种利用AI(人工智能)算法辅助下行MCS估计的方法,取代传统的CSI-RS下发、测量以及CQI/RI反馈过程,可大幅节省信道资源和信令开销,简化MCS估计流程,解决反馈延迟的问题,提高下行信道估计效率。
具体的,考虑到:CQI/RI与用户位置、用户移动速度(等效于频偏)、邻区干扰情况相关,而以上三者无需等待额外的空口信令,基站自身基于既有信息即可获取,因此本方案利用以上三个关联因素来替代CQI/RI信息,输入到AI算法,再结合MCS估计需要的目标误块率target BLER,基于机器学习算法建立起与MCS的映射模型,直接获取MCS决策;如图3所示,本发明实施例提供的方案可图3所示(可理解为基于AI进行下行MCS估计的流程),包括:
步骤31:基站收集与处理与CQI/RI相关联的既有数据信息(基站与邻区基站之间可以使用X2接口进行信息交互);
步骤32:基站将获取信息输入到AI算法(即上述MCS决策模型),实时输出下行MCS决策;
步骤33:进行下行调度。
关于本发明实施例提供的MCS决策模型(也可理解为AI辅助下行MCS决策的模型),具体可如图4所示:
输入为:3个同频小区的SSB(同步信号块)-RSRP(参考信号接收功率)向量、多普勒频偏或移动速度、邻区PRB利用情况以及目标BLER;模型为AI算法训练得到关联模型及关联函数;输出为:下行MCS(即上述目标MCS)。
具体的,关于:
一、输入量的获取:
a)用户位置(即上述终端的位置信息):基于三点定位思想,利用3(或N,N≥3)个同频小区的一组SSB(同步信号块)信号的RSRP(参考信号接收功率)强度信息:RSRP1,RSRP2,RSRP3,可确定UE当前时刻的位置区域(其中:同频小区的RSRP会周期性的测量上报,属于UE移动性功能的常规过程,属于既有数据,不涉及额外成本);
关于一组同频小区RSRP定位UE可参见图5。
b)用户移动速度(即上述移动速度信息)或频偏(即上述移动频偏信息):依据以下公式可进行多普勒频偏测速:
首先基站可基于上行解调参考信号DMRS获得多普勒频偏fd,f为基站已知的载频中心频点(如2.6GHz),c为光速,大小为3×108m/s,基于以上可获得终端法向移动速度v。
c)邻区干扰,列举两种可用输入:
i.RNTP(Relative Narrowband Transmit Power,相对窄带发射功率)中的PRB(物理资源块)使用情况:X2接口(基站之间的接口)定义了小区间传递干扰协调信息的交互信令,下行链路可通过信元RNTP获得邻区的PRB使用情况,量化为bitmap(比特图)来表示,每一个比特位代表了频域上的一个RB(资源块),若邻区调度了该RB,则该比特位为1,否则为0。如111000…,代表了前三个RB被调用。频域资源共计273个PRB,则bitmap为位长为273的0和/或1字符串。
ii.接收信号强度指示RSSI(Received Signal Strength Indicator):是指基站侧接收机接收到信道带宽上的宽带接收功率,通常作为判断系统干扰的依据,用接收信号的电平值来表示,如-95dBm。
d)目标误块率target BLER:不同程度的目标BLER,可以取值10%,20%等,表明在某个MCS下的误块率。不同的BLER水平对应不同的MCS表,编码调制方式以目标BLER为调控目标,基站会结合ACK(应答)或NACK(否定应答)反馈确定实际的BLER水平,然后找到最接近目标BLER的MCS。
二、AI算法实现,以神经网络算法为例:
1.神经网络模型原理:
神经网络模型的结构如图6所示,分为输入层、隐层和输出层,本质上是通过大量的训练数据学习输入特征值与输出目标之间的拟合函数,它基于输入神经元到输出神经元之间的权值矩阵W和激活函数g来表示;具体的,每一个神经元的取值如图7所示,图中w1,w2,w3分别代表上层神经元a1,a2,a3的权值,而神经元z是在各个输入神经元加权求和的基础上,再叠加使用其激活函数g获得,g为sigmoid函数(神经元的非线性作用函数)。因此下层神经元z的取值为:
z=g(a1×w1+a2×w2+a3×w3);
将模型进行扩展,即可得到多层神经网络的形态,如图8所示(多层神经网络用权值矩阵关联输入和输出):
输入用向量表示为a=[a1,a2,a3]T,输出用向量表示为z=[z1,z2]T,权值矩阵用向量表示为w=[w1,w2]T,其中w1=[w1,1,w1,2,w1,3]T,w2=[w2,1,w2,2,w2,3]T。z1=g(a1×w1,1+a2×w1,2+a3×w1,3);z2=g(a1×w2,1+a2×w2,2+a3×w2,3)。
理论证明,2层(带1个隐藏层,输入层、输出层以及隐藏层)神经网络可以无限逼近任意连续函数,面对复杂的非线性分类任务,两层神经网络可以足够获得良好的效果。中间隐层层数越多,拟合效果越接近真实函数。
2.本方案模型(即上述MCS决策模型):
本方案将以2层神经网络、100个隐层神经元为例进行说明,但该方案也可以设置多个隐层,以及隐层的神经元数目可以设置为任意非零自然数N。下面将代表位置信息的三个同频RSRP强度、移动速度大小以及代表邻区干扰的PRB使用情况作为该示例模型的输入,具体的,该神经网络模型(也可理解为下行MCS估计的神经网络算法模型)如图9所示:
(1)输入向量为278维的列向量,包含位置信息RSRP1、RSRP2、RSRP3,用户速度v,邻区PRB bitmap1~273,以及目标BLER,整体输入向量表示为a=(a1,a2,…,a278)T。
(2)输出向量为29维的列向量,对应MCS0到MCS28共29种下行MCS策略,表示为z=(z1,z2,…,z29)T。
(3)隐层向量为100维的列向量,表示为y=(y1,y2,…,y100)T,隐层第1个神经元输出为y1,得到y1所需的权值向量为w1=(w(1,1),w(1,2),…,w(1,278)),则y1=g(w(1,1)×a1+w(1,2)×a2+…+w(1,278)×a278)=g(w1×a),类推y100=g(w100×a),带入公式y=(y1,y2,…,y100)T得到隐层向量y=g(w1×a,w2×a,…,w100×a)T,类推得到输出层向量z=g(v1×y,v2×y…,v29×y)T。
(4)获取权值向量:
由隐层的输出向量y,提取得到输入层到隐层的权值矩阵
W=(w1,w2,…,w100)T;
由输出层向量z,提取得到隐层到输出层的权值矩阵
V=(v1,v2,…,v29)T;
模型训练阶段,训练数据为已标注数据,即每组输入信息已通过打标签的方式关联到具体的MCS决策。训练初始可以为模型参数W、V进行随机赋值,然后定义一个损失函数作为模型纠偏的目标函数,以获得更快的收敛速度。设zp代表基于初始参数下的预测输出,z为标记数据的真实输出,则定义损失函数loss=(zp-z)2,将前面关于输出项zp的矩阵公式带入,则损失函数就可以写为关于W、V参数的函数,模型的训练目标就是能够让损失函数的值最小。
通过高密度的数据完成训练后,得到权值矩阵W、V以及输入和输出的拟合函数,使模型充分泛化,具备预测能力。
模型使用时,按照模型的向量格式输入用户位置、移动速度,邻区干扰以及目标BLER相关向量,便可获得实时下行MCS决策。
3.训练数据获取方法:
模型训练时,为了获取高密度的训练数据(获取上面三个参数的相关数据和CQI/RI数据(基站以此得到对应的MCS)),可令基站配置CQI/RI周期短一些(具体可将周期发给终端),并采取窄带反馈的方式(也可采用宽带),方便快速获取到足够多的样本;同时检查数据的密度,譬如在某特定移动速度(某邻区干扰等维度)下数据不充分,可增加相关用户的CQI/RI反馈密度(具体可为缩短周期)。
由上可知,本发明实施例提供的方案主要涉及:
(1)新的下行MCS判决流程(图3):无需CSI-RS测量以及CQI/RI反馈,利用UE已上报和基站自身的既有信息实现下行MCS估计的思路和实现流程。
(2)下行MCS AI判决模型(图4):选取用户位置、移动速度(频偏)和邻区干扰三个要素替代CQI/RI,输入到AI算法(不限于神经网络算法),结合目标BLER进行实时判决。
(3)下行MCS估计的神经网络算法模型(图9):设定以上特定输入向量和输出向量的神经网络模型。
(4)高密度训练数据的获取方法。
综上,本方案与现有图1方式相比,省去了CSI-RS下发、测量以及CQI/RI反馈三个过程,下行MCS估计由5步简化为2步,因此:
节省了信道资源和信令开销;减小了决策时延,提高了下行MCS决策时效性和准确性;降低了运维成本和终端测量成本;简化了流程。
本发明实施例还提供了一种下行调制编码方式估计装置,如图10所示,包括:
第一获取模块101,用于获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
第一处理模块102,用于将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
本发明实施例提供的所述下行调制编码方式估计装置通过获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS;能够实现无需CSI-RS下发、测量以及CQI/RI反馈过程,可大幅节省信道资源和信令开销,简化MCS估计流程,减小决策时延,提高下行MCS决策时效性和准确性,并降低运维成本和终端测量成本,很好的解决了现有技术中下行调制编码方式估计方案系统开销大、准确性差的问题。
其中,所述第一获取模块,包括:第一确定子模块,用于根据本地已有的至少三个同频小区的至少一组信号强度信息,确定所述终端的位置信息;其中,所述信号强度信息包括:同步信号块SSB信号的参考信号接收功率RSRP强度信息。
进一步的,所述终端参数信息还包括:所述终端的移动信息以及邻区干扰信息中的至少一个。
具体的,所述移动信息包括移动速度信息和移动频偏信息中的至少一个。
其中,所述第一获取模块,包括:第二确定子模块,用于根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;和/或,根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;并根据所述移动频偏信息、载频中心频点信息和光速信息,确定所述终端的移动速度信息。
具体的,所述邻区干扰信息包括:邻区物理资源块PRB使用情况信息和接收信号强度指示RSSI信息中的至少一个。
其中,所述第一获取模块,包括:第三确定子模块,用于根据本地已有的相对窄带发射功率RNTP信息,确定邻区物理资源块PRB使用情况信息。
进一步的,所述的下行调制编码方式估计装置,还包括:第二获取模块,用于在将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型之前,采用预设操作获取至少两组样本数据,所述样本数据包括与所述终端参数信息相关的第一参数信息的测试数据和相关数据;第一确定模块,用于根据各组所述相关数据,确定至少两组所述终端参数信息的样本信息;第二确定模块,用于根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息;第二处理模块,用于根据各组所述样本信息和对应的MCS信息以及目标误块率,得到训练数据;第三处理模块,用于采用所述训练数据,训练得到所述MCS决策模型;其中,所述预设操作包括:缩短所述样本数据的反馈周期和采用窄带方式获取数据中的至少一种;所述第一参数信息包括信道质量指示CQI信息和秩RI信息中的至少一个。
具体的,所述第二获取模块,包括:第四确定子模块,用于确定在预设维度下,获取的样本数据的数据密度是否大于预设阈值;第一获取子模块,用于在否的情况下,在所述预设维度下,采用预设操作获取至少两组样本数据;其中,所述预设维度包括所述终端的位置信息维度、移动信息维度和邻区干扰信息维度中的至少一个。
其中,上述下行调制编码方式估计方法的所述实现实施例均适用于该下行调制编码方式估计装置的实施例中,也能达到相同的技术效果。
本发明实施例还提供了一种网络设备,如图11所示,包括:处理器111;
所述处理器111,用于获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
本发明实施例提供的所述网络设备通过获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS;能够实现无需CSI-RS下发、测量以及CQI/RI反馈过程,可大幅节省信道资源和信令开销,简化MCS估计流程,减小决策时延,提高下行MCS决策时效性和准确性,并降低运维成本和终端测量成本,很好的解决了现有技术中下行调制编码方式估计方案系统开销大、准确性差的问题。
其中,所述处理器具体用于:根据本地已有的至少三个同频小区的至少一组信号强度信息,确定所述终端的位置信息;其中,所述信号强度信息包括:同步信号块SSB信号的参考信号接收功率RSRP强度信息。
进一步的,所述终端参数信息还包括:所述终端的移动信息以及邻区干扰信息中的至少一个。
具体的,所述移动信息包括移动速度信息和移动频偏信息中的至少一个。
其中,所述处理器具体用于:根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;和/或,根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;并根据所述移动频偏信息、载频中心频点信息和光速信息,确定所述终端的移动速度信息。
具体的,所述邻区干扰信息包括:邻区物理资源块PRB使用情况信息和接收信号强度指示RSSI信息中的至少一个。
其中,所述处理器具体用于:根据本地已有的相对窄带发射功率RNTP信息,确定邻区物理资源块PRB使用情况信息。
进一步的,所述处理器还用于:在将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型之前,采用预设操作获取至少两组样本数据,所述样本数据包括与所述终端参数信息相关的第一参数信息的测试数据和相关数据;根据各组所述相关数据,确定至少两组所述终端参数信息的样本信息;根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息;根据各组所述样本信息和对应的MCS信息以及目标误块率,得到训练数据;采用所述训练数据,训练得到所述MCS决策模型;其中,所述预设操作包括:缩短所述样本数据的反馈周期和采用窄带方式获取数据中的至少一种;所述第一参数信息包括信道质量指示CQI信息和秩RI信息中的至少一个。
具体的,所述处理器具体用于:确定在预设维度下,获取的样本数据的数据密度是否大于预设阈值;在否的情况下,在所述预设维度下,采用预设操作获取至少两组样本数据;其中,所述预设维度包括所述终端的位置信息维度、移动信息维度和邻区干扰信息维度中的至少一个。
其中,上述下行调制编码方式估计方法的所述实现实施例均适用于该网络设备的实施例中,也能达到相同的技术效果。
本发明实施例还提供了一种网络设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;所述处理器执行所述程序时实现如上述的下行调制编码方式估计方法。
其中,上述下行调制编码方式估计方法的所述实现实施例均适用于该网络设备的实施例中,也能达到相同的技术效果。
本发明实施例还提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的下行调制编码方式估计方法中的步骤。
其中,上述下行调制编码方式估计方法的所述实现实施例均适用于该可读存储介质的实施例中,也能达到相同的技术效果。
需要说明的是,此说明书中所描述的许多功能部件都被称为模块/子模块,以便更加特别地强调其实现方式的独立性。
本发明实施例中,模块/子模块可以用软件实现,以便由各种类型的处理器执行。举例来说,一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块,举例来说,其可以被构建为对象、过程或函数。尽管如此,所标识模块的可执行代码无需物理地位于一起,而是可以包括存储在不同位里上的不同的指令,当这些指令逻辑上结合在一起时,其构成模块并且实现该模块的规定目的。
实际上,可执行代码模块可以是单条指令或者是许多条指令,并且甚至可以分布在多个不同的代码段上,分布在不同程序当中,以及跨越多个存储器设备分布。同样地,操作数据可以在模块内被识别,并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集,或者可以分布在不同位置上(包括在不同存储设备上),并且至少部分地可以仅作为电子信号存在于系统或网络上。
在模块可以利用软件实现时,考虑到现有硬件工艺的水平,所以可以以软件实现的模块,在不考虑成本的情况下,本领域技术人员都可以搭建对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
以上所述的是本发明的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本发明所述原理前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (21)
1.一种下行调制编码方式估计方法,其特征在于,包括:
获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
2.根据权利要求1所述的下行调制编码方式估计方法,其特征在于,获取所述终端的位置信息,包括:
根据本地已有的至少三个同频小区的至少一组信号强度信息,确定所述终端的位置信息;
其中,所述信号强度信息包括:同步信号块SSB信号的参考信号接收功率RSRP强度信息。
3.根据权利要求1所述的下行调制编码方式估计方法,其特征在于,所述终端参数信息还包括:所述终端的移动信息以及邻区干扰信息中的至少一个。
4.根据权利要求3所述的下行调制编码方式估计方法,其特征在于,所述移动信息包括移动速度信息和移动频偏信息中的至少一个。
5.根据权利要求3或4所述的下行调制编码方式估计方法,其特征在于,获取所述终端的移动信息,包括:
根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;和/或,
根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;并根据所述移动频偏信息、载频中心频点信息和光速信息,确定所述终端的移动速度信息。
6.根据权利要求3所述的下行调制编码方式估计方法,其特征在于,所述邻区干扰信息包括:邻区物理资源块PRB使用情况信息和接收信号强度指示RSSI信息中的至少一个。
7.根据权利要求3或6所述的下行调制编码方式估计方法,其特征在于,获取所述邻区干扰信息,包括:
根据本地已有的相对窄带发射功率RNTP信息,确定邻区物理资源块PRB使用情况信息。
8.根据权利要求1所述的下行调制编码方式估计方法,其特征在于,在将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型之前,还包括:
采用预设操作获取至少两组样本数据,所述样本数据包括与所述终端参数信息相关的第一参数信息的测试数据和相关数据;
根据各组所述相关数据,确定至少两组所述终端参数信息的样本信息;
根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息;
根据各组所述样本信息和对应的MCS信息以及目标误块率,得到训练数据;
采用所述训练数据,训练得到所述MCS决策模型;
其中,所述预设操作包括:缩短所述样本数据的反馈周期和采用窄带方式获取数据中的至少一种;
所述第一参数信息包括信道质量指示CQI信息和秩RI信息中的至少一个。
9.根据权利要求8所述的下行调制编码方式估计方法,其特征在于,所述采用预设操作获取至少两组样本数据,包括:
确定在预设维度下,获取的样本数据的数据密度是否大于预设阈值;
在否的情况下,在所述预设维度下,采用预设操作获取至少两组样本数据;
其中,所述预设维度包括所述终端的位置信息维度、移动信息维度和邻区干扰信息维度中的至少一个。
10.一种下行调制编码方式估计装置,其特征在于,包括:
第一获取模块,用于获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
第一处理模块,用于将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
11.根据权利要求10所述的下行调制编码方式估计装置,其特征在于,所述第一获取模块,包括:
第一确定子模块,用于根据本地已有的至少三个同频小区的至少一组信号强度信息,确定所述终端的位置信息;
其中,所述信号强度信息包括:同步信号块SSB信号的参考信号接收功率RSRP强度信息。
12.根据权利要求10所述的下行调制编码方式估计装置,其特征在于,所述终端参数信息还包括:所述终端的移动信息以及邻区干扰信息中的至少一个。
13.根据权利要求12所述的下行调制编码方式估计装置,其特征在于,所述移动信息包括移动速度信息和移动频偏信息中的至少一个。
14.根据权利要求12或13所述的下行调制编码方式估计装置,其特征在于,所述第一获取模块,包括:
第二确定子模块,用于根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;和/或,
根据本地已有的所述终端对应的上行解调参考信号DMRS,确定所述终端的移动频偏信息;并根据所述移动频偏信息、载频中心频点信息和光速信息,确定所述终端的移动速度信息。
15.根据权利要求12所述的下行调制编码方式估计装置,其特征在于,所述邻区干扰信息包括:邻区物理资源块PRB使用情况信息和接收信号强度指示RSSI信息中的至少一个。
16.根据权利要求12或15所述的下行调制编码方式估计装置,其特征在于,所述第一获取模块,包括:
第三确定子模块,用于根据本地已有的相对窄带发射功率RNTP信息,确定邻区物理资源块PRB使用情况信息。
17.根据权利要求10所述的下行调制编码方式估计装置,其特征在于,还包括:
第二获取模块,用于在将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型之前,采用预设操作获取至少两组样本数据,所述样本数据包括与所述终端参数信息相关的第一参数信息的测试数据和相关数据;
第一确定模块,用于根据各组所述相关数据,确定至少两组所述终端参数信息的样本信息;
第二确定模块,用于根据各组所述测试数据,确定对应组别的所述样本信息对应的MCS信息;
第二处理模块,用于根据各组所述样本信息和对应的MCS信息以及目标误块率,得到训练数据;
第三处理模块,用于采用所述训练数据,训练得到所述MCS决策模型;
其中,所述预设操作包括:缩短所述样本数据的反馈周期和采用窄带方式获取数据中的至少一种;
所述第一参数信息包括信道质量指示CQI信息和秩RI信息中的至少一个。
18.根据权利要求17所述的下行调制编码方式估计装置,其特征在于,所述第二获取模块,包括:
第四确定子模块,用于确定在预设维度下,获取的样本数据的数据密度是否大于预设阈值;
第一获取子模块,用于在否的情况下,在所述预设维度下,采用预设操作获取至少两组样本数据;
其中,所述预设维度包括所述终端的位置信息维度、移动信息维度和邻区干扰信息维度中的至少一个。
19.一种网络设备,其特征在于,包括:处理器;
所述处理器,用于获取终端的终端参数信息和目标误块率,所述终端参数信息至少包括所述终端的位置信息;
将所述终端参数信息和目标误块率输入至一预先训练好的调制编码方式MCS决策模型,并将所述MCS决策模型输出的MCS作为所述终端的目标MCS。
20.一种网络设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;其特征在于,所述处理器执行所述程序时实现如权利要求1至9中任一项所述的下行调制编码方式估计方法。
21.一种可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1至9中任一项所述的下行调制编码方式估计方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573866.7A CN113905446A (zh) | 2020-06-22 | 2020-06-22 | 一种下行调制编码方式估计方法、装置及网络设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573866.7A CN113905446A (zh) | 2020-06-22 | 2020-06-22 | 一种下行调制编码方式估计方法、装置及网络设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113905446A true CN113905446A (zh) | 2022-01-07 |
Family
ID=79186285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573866.7A Pending CN113905446A (zh) | 2020-06-22 | 2020-06-22 | 一种下行调制编码方式估计方法、装置及网络设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113905446A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023173434A1 (zh) * | 2022-03-18 | 2023-09-21 | 北京小米移动软件有限公司 | 一种信道估计方法、装置、设备及存储介质 |
CN116800382A (zh) * | 2023-08-17 | 2023-09-22 | 上海朗力半导体有限公司 | 一种基于视觉传感器的索引调制方法及装置 |
WO2024045147A1 (en) * | 2022-09-02 | 2024-03-07 | Qualcomm Incorporated | Data collection with ideal and non-ideal channel estimation |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018044849A1 (en) * | 2016-08-29 | 2018-03-08 | Idac Holdings, Inc. | Methods for finite blocklength coding in wireless communication systems |
CN110198180A (zh) * | 2018-02-27 | 2019-09-03 | 中国移动通信有限公司研究院 | 一种链路自适应调整方法、基站及核心网侧设备 |
WO2020064134A1 (en) * | 2018-09-28 | 2020-04-02 | Nokia Technologies Oy | Radio-network self-optimization based on data from radio network and spatiotemporal sensors |
WO2020080989A1 (en) * | 2018-10-19 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of machine learning to improve performance of a wireless communications network |
-
2020
- 2020-06-22 CN CN202010573866.7A patent/CN113905446A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018044849A1 (en) * | 2016-08-29 | 2018-03-08 | Idac Holdings, Inc. | Methods for finite blocklength coding in wireless communication systems |
CN110198180A (zh) * | 2018-02-27 | 2019-09-03 | 中国移动通信有限公司研究院 | 一种链路自适应调整方法、基站及核心网侧设备 |
WO2020064134A1 (en) * | 2018-09-28 | 2020-04-02 | Nokia Technologies Oy | Radio-network self-optimization based on data from radio network and spatiotemporal sensors |
WO2020080989A1 (en) * | 2018-10-19 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of machine learning to improve performance of a wireless communications network |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023173434A1 (zh) * | 2022-03-18 | 2023-09-21 | 北京小米移动软件有限公司 | 一种信道估计方法、装置、设备及存储介质 |
WO2024045147A1 (en) * | 2022-09-02 | 2024-03-07 | Qualcomm Incorporated | Data collection with ideal and non-ideal channel estimation |
CN116800382A (zh) * | 2023-08-17 | 2023-09-22 | 上海朗力半导体有限公司 | 一种基于视觉传感器的索引调制方法及装置 |
CN116800382B (zh) * | 2023-08-17 | 2023-11-03 | 上海朗力半导体有限公司 | 一种基于视觉传感器的索引调制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110401964B (zh) | 一种面向用户为中心网络基于深度学习的功率控制方法 | |
Ge et al. | Deep reinforcement learning for distributed dynamic MISO downlink-beamforming coordination | |
CN113905446A (zh) | 一种下行调制编码方式估计方法、装置及网络设备 | |
US8588801B2 (en) | Multi-point equalization framework for coordinated multi-point transmission | |
KR101520685B1 (ko) | 복수의 코드북을 이용하는 다중 셀 환경에서의 셀 간 간섭 제거 방법 | |
US20220278728A1 (en) | Method and system for channel quality status prediction in wireless network using machine learning | |
US9723572B2 (en) | Systems and methods for uplink power control and scheduling in a wireless network | |
US11412521B1 (en) | Machine learning aided location-based downlink interference assistance information | |
US20230413070A1 (en) | Gradient dataset aware configuration for over-the-air (ota) model aggregation in federated learning | |
CN113411817A (zh) | 基于无线干扰模型的无线系统干扰神经网络预测方法 | |
WO2022186943A1 (en) | Neural network-based spatial inter-cell interference learning | |
CN113239632A (zh) | 无线性能预测方法及装置、电子设备和存储介质 | |
Chang et al. | Decentralized deep reinforcement learning meets mobility load balancing | |
WO2021209145A1 (en) | Channel state information values-based estimation of reference signal received power values for wireless networks | |
Zhang et al. | Calibrated learning for online distributed power allocation in small-cell networks | |
Vora et al. | CSI classification for 5G via deep learning | |
FI20215150A1 (en) | Deployment of a machine learning model | |
Adeel et al. | Performance analysis of random neural networks in lte-ul of a cognitive radio system | |
JP5843013B2 (ja) | チャネル情報フィードバック方法、ユーザ装置、データ送信方法及び基地局 | |
Adeel et al. | Performance analysis of artificial neural network-based learning schemes for cognitive radio systems in LTE-UL | |
WO2023075456A1 (en) | Method and apparatus for performing csi prediction | |
An et al. | ML-Based Feedback-Free Adaptive MCS Selection for Massive Multi-User MIMO | |
WO2023242918A1 (ja) | 無線通信システム、無線通信方法及び無線通信装置 | |
US20230361908A1 (en) | Method executed by base station or network node, and relevant devices | |
US12035421B2 (en) | Procedure for optimization of self-organizing network |
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 |