CN114172615A - 传输方法、装置、设备及可读存储介质 - Google Patents
传输方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114172615A CN114172615A CN202010956366.1A CN202010956366A CN114172615A CN 114172615 A CN114172615 A CN 114172615A CN 202010956366 A CN202010956366 A CN 202010956366A CN 114172615 A CN114172615 A CN 114172615A
- Authority
- CN
- China
- Prior art keywords
- information
- signal
- modules
- network
- model
- 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 78
- 230000005540 biological transmission Effects 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000004891 communication Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 14
- 230000010365 information processing Effects 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Classifications
-
- 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
- H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
-
- 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
- H04L1/0014—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the source coding
-
- 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
- H04L1/0033—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the transmitter
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种传输方法、装置、设备及可读存储介质，该方法包括：获取第一信号和第一信息；将所述第一信号和第一信息输入至第一模型，由所述第一模型根据所述第一信息对所述第一信号进行编码或调制处理，得到第二信号；向接收端发送所述第二信号。在本申请实施例中，通过第一信息对第一信号进行编码或调制，以达到自适应信道条件传输，在不改变网络参数的前提下能够适配各种信道条件，降低了模型参数的存储容量。
Description
技术领域
本申请属于通信技术领域，具体涉及一种传输方法、装置、设备及可读存储介质。
背景技术
随着基于扩展现实(Extended Reality，XR)、全息通信技术等各类应用场景不断涌现，万物智联、数据融合在交通、制造等垂直行业的高速发展，数据传输服务的重要性日益凸显。更好的数据传输性能体现在使用较少的信道资源传获得较小的信息失真。现代通信系统对图像、视频数据的编码过程通常分为两步：
(1)使用信源编码(例如：JPEG、JPEG2000)消除信源固有的冗余，降低待传输信息的信息量；
(2)使用信道编码(例如：低密度奇偶校验码(Low Density Parity Check Code，LDPC)，Turbo)对已压缩的比特流进行错误校验编码，增加发送的比特流数量以对抗信道噪声的干扰。
基于香农分离定律，上述步骤在渐近无穷大的极限中是理论最优的。然而，从物联网到自动驾驶和触觉互联网的许多新兴应用都要求在极低延迟，带宽和能量约束下传输图像或视频，这限制了在计算上需要依赖较长编码的分离信源信道编码技术的使用。联合信源信道编码将通信系统的信源编码和信道编码二者作为一个整体来进行优化设计，追求端到端的最优化性能。深度学习的出现使得端到端的联合信源信道编码网络设计成为可能。
现有基于深度学习的联合信源信道编码网络模型如图1所示，该网络的编码器由5个卷积层+带参数的线性整流函数(Parametric Rectified Linear Unit，PRELU)激活函数的模块组成，解码器由5个转置卷积层+PRELU/Sigmoid激活函数的模块组成。信道层作为不可训练层位于编码器和解码器之间。与现代通信系统相比，该模型的编码器完成了信源编码+信道编码+调制的功能，解码器完成了解调+信道解码+信源解码的功能。
图2对比了CIFAR10数据集下评估深度联合信源信道编解码算法和JPEG/JPEG200+信道容量的性能。该性能仿真表明：在恶劣的信道条件下信噪比(SIGNAL NOISE RATIO，SNR)＝0dB)，分离编码方案的最大传输速率小于信道容量，无法进行无差错传输导致译码失败，DJSCC编码则可以以合理的较好的性能进行传输。在中(SNR＝10dB)、高(SNR＝20dB)性噪比和有限的信道资源k/n<0.3，即使假定在通道容量下可以进行可靠传输，所提出的DJSCC编码的性能也大大高于JPEG和JPEG2000可以实现的方案。该对比反应了相较于分离编码方案，深度联合信源信道编解码方案在小带宽下的优势。
图2对于压缩比k/n而言，在CIFAR10数据及下评估深度联合信源信道编解码算法和JPEG/JPEG200+信道容量的性能。对于每种情况，在训练和评估中使用相同的SNR值。
上述联合信源信道编码网络模型在使用不同的SNR值进行训练和评估的性能如图3所示。可以看到，当SNRtrain与SNRtest不匹配时，除了当SNRtrain＝SNRtest能获得最佳性能，在SNRtrain≠SNRtest时，与最优性能之间有较大的差距。导致若通信系统工作在SNR∈[0,20]db,系统的发送端和接收端需要以一定的SNR间隔存储不同SNRtrain条件下训练的系统参数以近似达到系统的最佳性能。SNR间隔越小，系统越接近最佳性能，其代价为增加了参数占用的收发端存储容量。假设模型大小为S，以4dB的SNR间隔进行存储，需要存储容量为6*S，以1dB的SNR间隔进行存储，需要内存容量为20*S。当单点训练的模型大小较大时，成倍的存储容量的需求增加了通信设备的成本，降低了深度联合信源信道编码的实用性。
发明内容
本申请实施例的目的是提供一种传输方法、装置、设备及可读存储介质，解决模型参数的存储容量较大的问题。
第一方面，本申请实施例提供一种传输方法，应用于发送端，包括：
获取第一信号和第一信息；
将所述第一信号和第一信息输入至第一模型，由所述第一模型根据所述第一信息对所述第一信号进行编码或调制处理，得到第二信号；
向接收端发送所述第二信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
第二方面，本申请实施例提供一种传输方法，应用于接收端，包括：
获取第一信息和从发送端接收第二信号；
将所述第二信号和第一信息输入至第二模型，由所述第二模型根据所述第一信息对所述第一信号进行译码或解调处理，得到第一信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
第三方面，本申请实施例提供一种传输装置，应用于发送端，包括：
第一获取模块，用于获取第一信号和第一信息；
第一处理模块，用于将所述第一信号和第一信息输入至第一模型，由所述第一模型根据所述第一信息对所述第一信号进行编码或调制处理，得到第二信号；
发送模块，用于向接收端发送所述第二信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
第四方面，本申请实施例提供一种传输装置，应用于接收端，包括：
第二获取模块，用于获取第一信息和从发送端接收第二信号；
第二处理模块，用于将所述第二信号和第一信息输入至第二模型，由所述第二模型根据所述第一信息对所述第一信号进行译码或解调处理，得到第一信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
第五方面，本申请实施例提供一种通信设备，包括：处理器、存储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，所述程序被所述处理器执行时实现如第一方面或第二方面所述传输方法的步骤。
第六方面，提供一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第七方面，提供一种程序产品，所述程序产品被存储在非易失的存储介质中，所述程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的处理的方法的步骤。
第八方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面或第二方面所述的处理的方法。
在本申请实施例中，通过第一信息对第一信号进行编码或调制，以达到自适应信道条件传输，在不改变网络参数的前提下能够适配各种信道条件，降低了模型参数的存储容量。
附图说明
图1是现有的基于深度学习的联合信源信道编码网络模型的示意图；
图2是联合信源信道编码网络模型在使用不同的压缩比进行训练和评估的性能的示意图；
图3是联合信源信道编码网络模型在使用不同的SNR值进行训练和评估的性能的示意图；
图4是本申请实施例可应用的一种无线通信系统的框图；
图5是本申请实施例中传输方法的流程图之一；
图6是本申请实施例中传输方法的流程图之二；
图7是本申请实施例中基于第一信息的深度联合信源信道编码网络的示意图；
图8是本申请实施例中基于SNR反馈的深度联合信源信道编码网络性能仿真的示意图；
图9是本申请实施例的传输装置的框图之一；
图10是本申请实施例的发送端的示意图；
图11是本申请实施例的传输装置的框图之二；
图12是本申请实施例的接收端的框图。
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清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述指定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long TermEvolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time DivisionMultiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency-Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。然而，以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，尽管这些技术也可应用于NR系统应用以外的应用，如第6代(6th Generation，6G)通信系统。
图4示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括发送端41和接收端42，可以适用于图像、视频等非错误敏感型数据的压缩传输，比如可用于增强现实(Augmented Reality，AR)、虚拟现实(Virtual Reality，VR)传输，无人机向地面回传等应用场景。
发送端41可以是终端，接收端42可以是网络侧设备，或者，发送端41可以是网络侧设备，接收端42可以是终端，或者，发送端41和接收端42都是终端。其中，终端也可以称作终端设备或者用户终端(User Equipment，UE)，终端可以是手机、平板电脑(Tablet PersonalComputer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(PersonalDigital Assistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobilepersonal computer，UMPC)、移动上网装置(Mobile Internet Device，MID)、可穿戴式设备(Wearable Device)或车载设备(VUE)、行人终端(PUE)等终端侧设备，可穿戴式设备包括：手环、耳机、眼镜等。需要说明的是，在本申请实施例并不限定终端的具体类型。网络侧设备可以是基站或核心网，其中，基站可被称为节点B、演进节点B、接入点、基收发机站(BaseTransceiverStation，BTS)、无线电基站、无线电收发机、基本服务集(BasicServiceSet，BSS)、扩展服务集(ExtendedServiceSet，ESS)、B节点、演进型B节点(eNB)、家用B节点、家用演进型B节点、WLAN接入点、WiFi节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于指定技术词汇，需要说明的是，并不限定基站的具体类型。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的传输方法、装置、设备及可读存储介质进行详细地说明。
参见图5，本申请实施例提供一种传输方法，该方法的执行主体可以为发送端，具体步骤包括：
步骤501：获取第一信号和第一信息；
在本申请实施例中，第一信号可以包括以下一项或多项组合：文本信号、图像信号、视频信号、音频信号等。
步骤502：将第一信号和第一信息输入至第一模型，由第一模型根据所述第一信息对第一信号进行编码或调制处理，得到第二信号；
步骤503：向接收端发送第二信号；
其中，所述第一信息包括以下一项或多项组合：
(1)发送端和接收端的通信信道的信道状态信息(Channel State Information，CSI)信息；
可选地，CSI的信息包括以下一项或多项组合：信道的路损、噪声、参考信号接收功率(Reference Signal Received Power，RSRP)、参考信号接收质量(Reference SignalReceiving Quality，RSRQ)、干扰(比如，小区内干扰、小区间干扰)、接收信噪比、接收信干噪比、频率选择特性、时变性、多普勒等。
(2)发送端的传感器采集的信息；
(3)接收端的传感器采集的信息；
可选地，传感器包括以下一项或多项：定位模块、温度传感器、湿度传感器、陀螺仪、加速度传感器、摄像头、麦克风等。
可选地，发送端或接收端的传感器采集的信息包括以下一项或多项组合：位置信息(比如经纬度、高度等)、使用场景信息(比如表示发送端或接收端的使用状态)、时间信息、温度信息、湿度信息、音频信息、视频信息、图像信息。
其中，所述第一模型的功能包括以下一项或多项组合：信源编码、信道编码、调制、滤波、交织、加扰、去噪、均衡、多天线信号处理。
在本申请实施例中，在步骤501中，通过以下一项或多项组合的方式获取第一信息：
(1)通过参考信号获取第一信息；
比如，参考信号包括以下一项或多项组合：信道状态信息参考信号(ChannelState Information Reference Signals，CSI-RS)、同步信号块(Synchronization Signaland PBCH block，SSB)、探测参考信号(Sounding Reference Signal，SRS)。
(2)获取发送端的传感器采集的第一信息；
(3)获取接收端的传感器采集的第一信息；
(4)通过应用层的业务指标要求获取第一信息。
可选地，业务指标要求包括以下一项或多项：带宽、资源、要求接收信号质量等。
在本申请实施例中，所述发送端为网络侧设备，所述接收端为终端，网络侧设备可以通过物理层或高层获取所述终端上报的、由所述终端的传感器采集的第一信息。
在本申请实施例中，所述发送端为终端，所述接收端为网络侧设备，终端通过物理层或高层获取所述网络侧设备发送的、由所述网络侧设备的传感器采集的第一信息。
在本申请实施例中，在步骤502中，将所述第一信号和第一信息输入至第一模型，包括以下任意一种：
(1)将所述第一信号和所述第一信息直接输入至所述第一模型；
(2)将所述第一信号和经过特征提取处理后的第一信息输入至所述第一模型；
(3)将经过维度匹配后的所述第一信号的信息和所述第一信息输入至所述第一模型。
在本申请实施例中，第一模型包括：一个或多个第一模块，第一模块用于对第一信号的特征信息重新分配权重，第一模块的输入至少包括：第一信息和第一信号的特征信息；
其中，第一模块的结构包括以下一项或多项：
(1)全连接网络；
(2)卷积网络；
(3)循环网络；
(4)残差网络。
也就是，将特征信息与第一信息输入至第一模块，在第一模块内完成对特征信息的提取，与第一信息进行维度匹配，生成特征信息的权重分配系数，对特征信息重新分配权重。
在本申请实施例中，多个第一模块的参数(或者称为运行参数)相同，或者多个第一模块的参数不同。
在本申请实施例中，第一模型还包括：一个或多个第二模块(第一模型中除第一模块之外的其他模块)，第二模块的输入是第一模块的至少部分输出，和/或，第二模块的输出是第一模块的至少部分输入；
其中，第二模块的结构包括以下一项或多项：
(1)全连接网络；
(2)卷积网络；
(3)循环网络；
(4)残差网络。
在本申请实施例中，多个第二模块的参数(或者称为运行参数)相同(即，多个第二模块共享一套参数)，或者多个第二模块的参数不同。
可以理解的是，第一模块和第二模块的组合模块可在第一模型里可以重复使用。
在本申请实施例中，所述第一模型的功能包括以下一项或多项组合：信源编码、信道编码、调制、滤波、交织、加扰、去噪、均衡、多天线信号处理。
在本申请实施例中，通过第一信息对第一信号进行编码或调制，以达到自适应信道条件传输，在不改变网络参数的前提下能够适配各种信道条件，降低了模型参数的存储容量。相对现有的深度联合信源信道编码技术，本申请实施例在略微增加参数量和计算量的代价下，构建了一种基于反馈的自适应信道状态的深度联合信源信道编码。在工程应用中，该网络性能接近深度信源信道联合编码的最佳性能，同时成倍的降低了网络所需的存储容量，降低了深度信源信道联合编码的应用成本。
参见图6，本申请实施例提供一种传输方法，该方法的执行主体是接收端，具体步骤包括：
步骤601：获取第一信息和从发送端接收第二信号；
步骤602：将所述第二信号和第一信息输入至第二模型，通过所述第二模型根据所述第一信息对所述第一信号进行译码或解调处理，得到第一信号；
其中，所述第一信息包括以下一项或多项组合：
(1)发送端和接收端的通信信道的CSI信息；
可选地，CSI的信息包括以下一项或多项组合：信道的路损、噪声、RSRP、RSRQ、干扰(小区内干扰、小区间干扰)、接收信噪比、接收信干噪比、频率选择特性、时变性、多普勒等。
(2)发送端的传感器采集的信息；
(3)接收端的传感器采集的信息。
在本申请实施例中，步骤601中，通过以下一项或多项组合的方式获取第一信息：
(1)通过参考信号获取所述第一信息；
(2)通过所述发送端的传感器获取所述第一信息；
(3)通过所述接收端的传感器获取所述第一信息；
(4)通过应用层的业务指标要求获取所述第一信息。
在本申请实施例中，所述第二模型包括：一个或多个第三模块，所述第三模块用于对第二信号的特征信息重新分配权重，所述第三模块的输入至少包括：所述第一信息；
其中，所述第三模块的结构包括以下一项或多项：
(1)全连接网络；
(2)卷积网络；
(3)循环网络；
(4)残差网络。
在本申请实施例中，所述多个第三模块的参数相同，或者所述多个第三模块的参数不同。
在本申请实施例中，所述第二模型还包括：一个或多个第四模块，所述第四模块的输入是所述第三模块的输出，或者，所述第四模块的输出是所述第三模块的至少部分输入；
其中，所述第四模块的结构包括以下一项或多项：
(1)全连接网络；
(2)卷积网络；
(3)循环网络；
(4)残差网络。
在本申请实施例中，所述多个第四模块的参数相同，或者所述多个第四模块的参数不同。
在本申请实施例中，所述第二模型的功能包括以下一项或多项组合：信源译码、信道译码、解调、滤波、交织、加扰、去噪、均衡、多天线信号处理。
可以理解的是，第三模块和第四模块的组合模块可在第二模型里可以重复使用。
在本申请实施例中，通过第一信息对第二信号进行译码或解调得到第一信号，使得发送端可以在不改变网络参数的前提下能够适配各种信道条件传输第一信号，降低了模型参数的存储容量。
在本申请实施例中，第一模型和第二模型的训练流程如下：
步骤1：选取训练数据集；
步骤2：搭建编译码端的网络结构，即搭建第一模型和第二模型；
步骤3：构建第一信息；
(1)对信道建模使用信道仿真数据或者使用真实的信道测量数据；
(2)采集信道数据对应的发射端和/或接收端的背景信息(比如包括位置信息、温度信息、湿度信息、时间信息、音频信息、视频信息、图像信息等)；
步骤4：构建发端编码网络和收端译码网络，发端编码网络包含第一模块和第二模块，收端译码网络包括第三模块和第四模块；
步骤5：使用训练数据集及第一信息对网络进行训练；
步骤6：设置训练终止条件，满足条件后停止训练。
下面以第一信号为图像信号，第一信息包括：CSI和背景信息(比如包括位置信息、温度信息、湿度信息、时间信息、音频信息、视频信息、图像信息等)为例。
参见图7，图中示意基于反馈信息的深度联合信源信道编码译码实施方式，将图像信号输入至编码器的卷积网络层(相当于第二模块)，卷积网络层提取特征图信息，然后将特征图信息、CSI和背景信息作为特征图权重分配层(相当于第一模块)的输入，通过特征图权重分配层对卷积得到的特征图信息进行重新权重分配，可以理解的是，上述步骤可以重复执行n次，图像经过编码处理得到第二信号，将该第二信号通过通信信道发送给接收端。
接收端接收到第二信号后，通过译码器对第二信号进行译码处理，输出图像，具体地，译码器中的卷积网络层(相当于第四模块)提取特征图信息，然后将特征图信息、CSI和背景信息作为特征图权重分配层(相当于第三模块)的输入，通过特征图权重分配层对卷积得到的特征图信息进行重新权重分配，可以理解的是，上述步骤可以重复执行n次，第二信号经过译码处理得到图像信号。
参见图8，在加性高斯白噪声(Additive White Gaussian Noise，AWGN)信道条件下，CIFAR10数据集基于SNR反馈的深度联合信源信道编码网络与联合信源信道编码网络模型在使用不同的SNR值进行训练和评估的性能性能仿真。其中，DJSCC(SNRfeedback)表示基于SNR反馈的深度联合信源信道编码性能；DJSCC(SNRtrain＝xdB)表示分别在SNRtrain＝xdB下训练，在SNRtest∈[0,20]dB下评估的性能；DJSCC(SNRsinglebest)为在SNRtrain＝xdB训练，在相同的信噪比下评估的性能点的连线，代表了联合信源信道编码网络模型的最佳性能。对比可得，DJSCC(SNRfeedback)的性能除了在SNRtrain＝SNRtest点，性能略差于DJSCC(SNRtrain＝xdB),在其余SNR点均优于DJSCC(SNRtrain＝xdB)方案1～10dB。DJSCC(SNRfeedback)比DJSCC(SNRsinglebest)性能略差0.1～0.3dB。从存储容量分析，DJSCC(SNRfeedback)略大于DJSCC(SNRtrain＝x dB)所需的存储容量，假设DJSCC(SNRsinglebest)保存了n个单点训练的模型，则DJSCC(SNRfeedback)所需的存储容量约为DJSCC(SNRsinglebest)存储容量的1/n。
参见图9，本申请实施例提供一种传输装置，应用于发送端，该装置900包括：
第一获取模块901，用于获取第一信号和第一信息；
第一处理模块902，用于将所述第一信号和第一信息输入至第一模型，由所述第一模型根据所述第一信息对所述第一信号进行编码或调制处理，得到第二信号；
发送模块903，用于向接收端发送所述第二信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
在本申请实施例中，第一获取模块901进一步用于通过以下一项或多项组合获取第一信息：
(1)通过参考信号获取所述第一信息；
(2)获取所述发送端的传感器采集的所述第一信息；
(3)获取所述接收端的传感器采集的所述第一信息；
(4)通过应用层的业务指标要求获取所述第一信息。
在本申请实施例中，第一处理模块902进一步用于：将所述第一信号和所述第一信息直接输入至所述第一模型；或者，将所述第一信号和经过特征提取处理后的第一信息输入至所述第一模型；或者，将经过维度匹配后的所述第一信号的信息和所述第一信息输入至所述第一模型。
在本申请实施例中，所述第一模型包括：一个或多个第一模块，所述第一模块用于对特征图重新分配权重，所述第一模块的输入至少包括：所述第一信息和所述第一信号的特征信息；
其中，所述第一模块的结构包括以下一项或多项：
(1)全连接网络；
(2)卷积网络；
(3)循环网络；
(4)残差网络。
在本申请实施例中，所述多个第一模块的参数相同，或者所述多个第一模块的参数不同。
在本申请实施例中，所述第一模型还包括：一个或多个第二模块，所述第二模块的输入是所述第一模块的至少部分输出，和/或，所述第二模块的输出是所述第一模块的至少部分输入；
其中，所述第二模块的结构包括以下一项或多项：
(1)全连接网络；
(2)卷积网络；
(3)循环网络；
(4)残差网络。
在本申请实施例中，所述多个第二模块的参数相同，或者所述多个第二模块的参数不同。
在本申请实施例中，所述第一模型的功能包括以下一项或多项组合：信源编码、信道编码、调制、滤波、交织、加扰、去噪、均衡、多天线信号处理。
在本申请实施例中，所述背景信息包括以下一项或多项组合：接收端的位置信息、发送端的位置信息、使用场景信息、时间信息、温度信息、湿度信息、音频信息、视频信息、图像信息。
本申请实施例提供的传输装置能够实现图5所示的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
如图10所示，本申请实施例还提供一种发送端，发送端1000包括处理器1001，存储器1002，存储在存储器1002上并可在所述处理器1001上运行的程序或指令，该程序或指令被处理器1001执行时实现上述图5所示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例提供的发送端能够实现图5所示的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
参见图11，本申请实施例提供一种传输装置，应用于接收端，该装置1100包括：
第二获取模块1101，用于获取第一信息和从发送端接收第二信号；
第二处理模块1102，用于将所述第二信号和第一信息输入至第二模型，由所述第二模型根据所述第一信息对所述第一信号进行译码或解调处理，得到第一信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
在本申请实施例中，第二获取模块1101通过以下一项或多项组合的方式获取第一信息：
(1)通过参考信号获取所述第一信息；
(2)通过所述发送端的传感器获取所述第一信息；
(3)通过所述接收端的传感器获取所述第一信息；
(4)通过应用层的业务指标要求获取所述第一信息。
在本申请实施例中，所述第二模型包括：一个或多个第三模块，所述第三模块用于第二信号的对特征信息重新分配权重，所述第三模块的输入至少包括：所述第一信息；
其中，所述第三模块的结构包括以下一项或多项：
(1)全连接网络；
(2)卷积网络；
(3)循环网络；
(4)残差网络。
在本申请实施例中，所述多个第三模块的参数相同，或者所述多个第三模块的参数不同。
在本申请实施例中，所述第二模型还包括：一个或多个第四模块，所述第四模块的输入是所述第三模块的输出，或者，所述第四模块的输出是所述第三模块的至少部分输入；
其中，所述第四模块的结构包括以下一项或多项：
(1)全连接网络；
(2)卷积网络；
(3)循环网络；
(4)残差网络。
在本申请实施例中，所述多个第四模块的参数相同，或者所述多个第四模块的参数不同。
在本申请实施例中，所述第二模型的功能包括以下一项或多项组合：信源译码、信道译码、解调、滤波、交织、加扰、去噪、均衡、多天线信号处理。
在本申请实施例中，所述背景信息包括以下一项或多项组合：发送端的位置信息、接收端的位置信息、使用场景信息、时间信息、温度信息、湿度信息、音频信息、视频信息、图像信息。
本申请实施例提供的传输装置能够实现图6所示的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
如图12所示，本申请实施例还提供一种接收端1200，包括处理器1201，存储器1202，存储在存储器1202上并可在所述处理器1201上运行的程序或指令，该程序或指令被处理器1201执行时实现上述图6所示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例提供的接收端能够实现图6所示的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种程序产品，所述程序产品被存储在非易失的存储介质中，所述程序产品被至少一个处理器执行以实现如图5或图6所述的处理的方法的步骤。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述图5或图6所示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行网络侧设备程序或指令，实现上述图5或图6所示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (29)
1.一种传输方法，应用于发送端，其特征在于，包括：
获取第一信号和第一信息；
将所述第一信号和第一信息输入至第一模型，由所述第一模型根据所述第一信息对所述第一信号进行编码或调制处理，得到第二信号；
向接收端发送所述第二信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
2.根据权利要求1所述的方法，其特征在于，所述获取第一信息，包括以下一项或多项组合：
通过参考信号获取所述第一信息；
获取所述发送端的传感器采集的所述第一信息；
获取所述接收端的传感器采集的所述第一信息；
通过应用层的业务指标要求获取所述第一信息。
3.根据权利要求2所述的方法，其特征在于，所述发送端为网络侧设备，所述接收端为终端，所述获取所述接收端的传感器采集的所述第一信息，包括：
通过物理层或高层获取所述终端上报的、由所述终端的传感器采集的第一信息；
或者，
所述发送端为终端，所述接收端为网络侧设备，所述获取所述接收端的传感器采集的所述第一信息，包括：通过物理层或高层获取所述网络侧设备发送的、由所述网络侧设备的传感器采集的第一信息。
4.根据权利要求1所述的方法，其特征在于，将所述第一信号和第一信息输入至第一模型，包括：
将所述第一信号和所述第一信息直接输入至所述第一模型；
或者，
将所述第一信息和经过特征提取处理后的所述第一信号输入至所述第一模型；
或者，
将经过维度匹配的所述第一信号的信息和所述第一信息输入至所述第一模型。
5.根据权利要求1所述的方法，其特征在于，所述第一模型包括：一个或多个第一模块，所述第一模块用于对所述第一信号的特征信息重新分配权重，所述第一模块的输入至少包括：所述第一信息和所述第一信号的特征信息；
其中，所述第一模块的结构包括以下一项或多项：
全连接网络；
卷积网络；
循环网络；
残差网络。
6.根据权利要求5所述的方法，其特征在于，所述多个第一模块的参数相同，或者所述多个第一模块的参数不同。
7.根据权利要求5所述的方法，其特征在于，所述第一模型还包括：一个或多个第二模块，所述第二模块的输入是所述第一模块的至少部分输出，和/或，所述第二模块的输出是所述第一模块的至少部分输入；
其中，所述第二模块的结构包括以下一项或多项：
全连接网络；
卷积网络；
循环网络；
残差网络。
8.根据权利要求7所述的方法，其特征在于，所述多个第二模块的参数相同，或者所述多个第二模块的参数不同。
9.根据权利要求1所述的方法，其特征在于，所述第一模型的功能包括以下一项或多项组合：信源编码、信道编码、调制、滤波、交织、加扰、去噪、均衡、多天线信号处理。
10.根据权利要求1所述的方法，其特征在于，所述发送端或接收端的传感器采集的信息包括以下一项或多项组合：位置信息、使用场景信息、时间信息、温度信息、湿度信息、音频信息、视频信息、图像信息。
11.一种传输方法，应用于接收端，其特征在于，包括：
获取第一信息和从发送端接收第二信号；
将所述第二信号和第一信息输入至第二模型，由所述第二模型根据所述第一信息对所述第一信号进行译码或解调处理，得到第一信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
12.根据权利要求11所述的方法，其特征在于，所述获取第一信息，包括以下一项或多项组合：
通过参考信号获取所述第一信息；
通过所述发送端的传感器获取所述第一信息；
通过所述接收端的传感器获取所述第一信息；
通过应用层的业务指标要求获取所述第一信息。
13.根据权利要求11所述的方法，其特征在于，所述第二模型包括：一个或多个第三模块，所述第三模块用于对特征重新分配权重，所述第三模块的输入至少包括：所述第一信息；
其中，所述第三模块的结构包括以下一项或多项：
全连接网络；
卷积网络；
循环网络；
残差网络。
14.根据权利要求13所述的方法，其特征在于，所述多个第三模块的参数相同，或者所述多个第三模块的参数不同。
15.根据权利要求13所述的方法，其特征在于，所述第二模型还包括：一个或多个第四模块，所述第四模块的输入是所述第三模块的至少部分输出，或者，所述第四模块的输出是所述第三模块的至少部分输入；
其中，所述第四模块的结构包括以下一项或多项：
全连接网络；
卷积网络；
循环网络；
残差网络。
16.根据权利要求15所述的方法，其特征在于，所述多个第四模块的参数相同，或者所述多个第四模块的参数不同。
17.根据权利要求11所述的方法，其特征在于，所述第二模型的功能包括以下一项或多项组合：信源译码、信道译码、解调、滤波、交织、加扰、去噪、均衡、多天线信号处理。
18.根据权利要求11所述的方法，其特征在于，所述发送端或接收端的传感器采集的信息包括以下一项或多项组合：位置信息、使用场景信息、时间信息、温度信息、湿度信息、音频信息、视频信息、图像信息。
19.一种传输装置，应用于发送端，其特征在于，包括：
第一获取模块，用于获取第一信号和第一信息；
第一处理模块，用于将所述第一信号和第一信息输入至第一模型，由所述第一模型根据所述第一信息对所述第一信号进行编码或调制处理，得到第二信号；
发送模块，用于向接收端发送所述第二信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
20.根据权利要求19所述的传输装置，其特征在于，所述第一获取模块进一步用于通过以下一项或多项组合获取第一信息：
通过参考信号获取所述第一信息；
获取所述发送端的传感器采集的所述第一信息；
获取所述接收端的传感器采集的所述第一信息；
通过应用层的业务指标要求获取所述第一信息。
21.根据权利要求19所述的传输装置，其特征在于，所述第一处理模块进一步用于：将所述第一信号和所述第一信息直接输入至所述第一模型；或者，将所述第一信号和经过特征提取处理后的第一信息输入至所述第一模型；或者，将经过维度匹配后的所述第一信号的信息和所述第一信息输入至所述第一模型。
22.根据权利要求19所述的传输装置，其特征在于，所述第一模型包括：一个或多个第一模块，所述第一模块用于对所述第一信号的特征信息重新分配权重，所述第一模块的输入至少包括：所述第一信息和所述第一信号的特征信息；
其中，所述第一模块的结构包括以下一项或多项：
全连接网络；
卷积网络；
循环网络；
残差网络。
23.根据权利要求22所述的传输装置，其特征在于，所述第一模型还包括：一个或多个第二模块，所述第二模块的输入是所述第一模块的至少部分输出，和/或，所述第二模块的输出是所述第一模块的至少部分输入；
其中，所述第二模块的结构包括以下一项或多项：
全连接网络；
卷积网络；
循环网络；
残差网络。
24.一种传输装置，应用于接收端，其特征在于，包括：
第二获取模块，用于获取第一信息和从发送端接收第二信号；
第二处理模块，用于将所述第二信号和第一信息输入至第二模型，由所述第二模型根据所述第一信息对所述第一信号进行译码或解调处理，得到第一信号；
其中，所述第一信息包括以下一项或多项组合：所述发送端和所述接收端的通信信道的信道状态信息、所述发送端的传感器采集的信息、所述接收端的传感器采集的信息。
25.根据权利要求24所述的传输装置，其特征在于，所述第二获取模块通过以下一项或多项组合的方式获取第一信息：
通过参考信号获取所述第一信息；
通过所述发送端的传感器获取所述第一信息；
通过所述接收端的传感器获取所述第一信息；
通过应用层的业务指标要求获取所述第一信息。
26.根据权利要求24所述的传输装置，其特征在于，所述第二模型包括：一个或多个第三模块，所述第三模块用于第二信号的对特征信息重新分配权重，所述第三模块的输入至少包括：所述第一信息；
其中，所述第三模块的结构包括以下一项或多项：
全连接网络；
卷积网络；
循环网络；
残差网络。
27.根据权利要求26所述的传输装置，其特征在于，所述第二模型还包括：一个或多个第四模块，所述第四模块的输入是所述第三模块的输出，或者，所述第四模块的输出是所述第三模块的至少部分输入；
其中，所述第四模块的结构包括以下一项或多项：
全连接网络；
卷积网络；
循环网络；
残差网络。
28.一种通信设备，其特征在于，包括：处理器、存储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，所述程序被所述处理器执行时实现如权利要求1至18中任一项所述传输方法的步骤。
29.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至18中任一项所述传输方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010956366.1A CN114172615A (zh) | 2020-09-11 | 2020-09-11 | 传输方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010956366.1A CN114172615A (zh) | 2020-09-11 | 2020-09-11 | 传输方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114172615A true CN114172615A (zh) | 2022-03-11 |
Family
ID=80476213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010956366.1A Pending CN114172615A (zh) | 2020-09-11 | 2020-09-11 | 传输方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114172615A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023179476A1 (zh) * | 2022-03-21 | 2023-09-28 | 维沃移动通信有限公司 | 信道特征信息上报及恢复方法、终端和网络侧设备 |
| WO2024027683A1 (zh) * | 2022-08-04 | 2024-02-08 | 维沃移动通信有限公司 | 模型匹配方法、装置、通信设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050101259A1 (en) * | 2003-11-06 | 2005-05-12 | Wen Tong | Communication channel optimization systems and methods in multi-user communication systems |
| CN101340592A (zh) * | 2008-08-14 | 2009-01-07 | 上海交通大学 | 混合无线环境下视频传输的能量控制系统 |
| CN102761781A (zh) * | 2011-04-26 | 2012-10-31 | 北京大学 | 视频传输的方法、装置及系统 |
| CN103338412A (zh) * | 2013-06-07 | 2013-10-02 | 洛阳亿唯信息技术有限公司 | 结合无线自适应调制与编码的自适应视频编码系统 |
| CN104980247A (zh) * | 2014-04-04 | 2015-10-14 | 北京三星通信技术研究有限公司 | 自适应调整调制编码方式和参考信号图样的方法、基站、终端和系统 |
| CN111049829A (zh) * | 2019-12-13 | 2020-04-21 | 南方科技大学 | 视频流传输方法、装置、计算机设备和存储介质 |
-
2020
- 2020-09-11 CN CN202010956366.1A patent/CN114172615A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050101259A1 (en) * | 2003-11-06 | 2005-05-12 | Wen Tong | Communication channel optimization systems and methods in multi-user communication systems |
| CN101340592A (zh) * | 2008-08-14 | 2009-01-07 | 上海交通大学 | 混合无线环境下视频传输的能量控制系统 |
| CN102761781A (zh) * | 2011-04-26 | 2012-10-31 | 北京大学 | 视频传输的方法、装置及系统 |
| CN103338412A (zh) * | 2013-06-07 | 2013-10-02 | 洛阳亿唯信息技术有限公司 | 结合无线自适应调制与编码的自适应视频编码系统 |
| CN104980247A (zh) * | 2014-04-04 | 2015-10-14 | 北京三星通信技术研究有限公司 | 自适应调整调制编码方式和参考信号图样的方法、基站、终端和系统 |
| CN111049829A (zh) * | 2019-12-13 | 2020-04-21 | 南方科技大学 | 视频流传输方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| "采用LDPC码的分布式联合信源信道网络编码", 《广播与传输》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023179476A1 (zh) * | 2022-03-21 | 2023-09-28 | 维沃移动通信有限公司 | 信道特征信息上报及恢复方法、终端和网络侧设备 |
| WO2024027683A1 (zh) * | 2022-08-04 | 2024-02-08 | 维沃移动通信有限公司 | 模型匹配方法、装置、通信设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111953459B (zh) | 通信方法和装置 | |
| US20230342593A1 (en) | Neural network training method and related apparatus | |
| CN110290542B (zh) | 海上无人机通信覆盖优化方法及系统 | |
| CN114172615A (zh) | 传输方法、装置、设备及可读存储介质 | |
| EP3852421A1 (en) | Method, device and equipment for configuring rs set, and storage medium | |
| Ilhan et al. | Offloading deep learning empowered image segmentation from uav to edge server | |
| US11929853B2 (en) | Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders | |
| CN112584354A (zh) | 基于无人机与无人驾驶车辆之间的通信方法 | |
| CN115336202A (zh) | 一种极化码的编译码方法及装置 | |
| US20210328708A1 (en) | ACQI Decoding Confidence Detection | |
| CN114501353B (zh) | 通信信息的发送、接收方法及通信设备 | |
| CN112364845B (zh) | 信噪比评估方法、装置、电子设备和存储介质 | |
| CN116419257A (zh) | 一种通信方法及装置 | |
| CN118056429A (zh) | 虚拟信道样本的质量评估方法和设备 | |
| CN113824486A (zh) | 无人机通信系统的性能评估方法、装置、计算机设备和存储介质 | |
| DE102019135804A1 (de) | Gerät und verfahren zum erfassen von empfangenen signalen | |
| CN111988788B (zh) | 一种用于轨道交通的5g定位组网设计方法及系统 | |
| CN116980881B (zh) | 一种多无人机协作数据分发方法、系统、电子设备及介质 | |
| US20240072827A1 (en) | Encoding/decoding method, communication apparatus, and system | |
| US20240030989A1 (en) | Method and apparatus for csi feedback performed by online learning-based ue-driven autoencoder | |
| WO2023283785A1 (zh) | 信号处理的方法及接收机 | |
| WO2023097645A1 (zh) | 数据获取方法、装置、设备、介质、芯片、产品及程序 | |
| CN115484132A (zh) | 一种数据处理方法及装置 | |
| US11418548B2 (en) | Method of transmitting security information of single-bit ADC wiretap channel | |
| CN118160247A (zh) | 数据处理的方法及装置 |
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 |