CN114172765A - 一种无线通信人工智能信道估计方法和设备 - Google Patents
一种无线通信人工智能信道估计方法和设备 Download PDFInfo
- Publication number
- CN114172765A CN114172765A CN202111470627.XA CN202111470627A CN114172765A CN 114172765 A CN114172765 A CN 114172765A CN 202111470627 A CN202111470627 A CN 202111470627A CN 114172765 A CN114172765 A CN 114172765A
- Authority
- CN
- China
- Prior art keywords
- information
- artificial intelligence
- channel estimation
- downlink
- uplink
- 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.)
- Granted
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
- H04L25/0224—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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种无线通信人工智能信道估计方法,包含以下步骤:下行信息中包含第一信息,所述第一信息用于指示N种人工智能模型,所述人工智能模型包含神经网络结构特征和参数;每一个所述人工智能模型用于对应的M个导频配置方式下的信道估计;所述导频配置方式包含导频所在时域位置信息和/或频域位置信息。本申请还包含用于实现所述方法的装置。本申请解决无线通信系统如何实施动态信道分析的问题,通过本发明提供的方法与装置,可以利用AI技术实现信道估计的功能,从而提升移动通信系统的整体性能。
Description
技术领域
本申请涉及无线通信技术领域,尤其涉及一种人工智能信道估计方法和设备。
背景技术
移动通信系统中面临的问题复杂多样,研究表明,利用人工智能(AI)技术可以有效提升移动通信网络侧与无线侧性能。无线通信系统中信道估计是整个系统设计的关键。信道估计可以用于数据的检测、波束调整及调度等多个环节。4G和5G系统设计采用基于导频的信道估计算法,例如,在OFDM的一些时频资源块上放置一些发送端和接收端都已知的导频符号,通过比较导频符号在发送端和接收端的差异,可以获得导频位置的信道估计结果;然后采用插值算法完成所有时频资源块位置的信道估计。随着AI技术不断发展,这一过程可以通过AI模块完成。由于无线通信系统信道性能是动态多变的,如何实现系统实时处理是一个需要解决的问题。
发明内容
本申请提出一种无线通信人工智能信道估计方法和设备,解决无线通信系统如何实施动态信道分析的问题,通过本发明提供的方法与装置,可以利用AI技术实现信道估计的功能,从而提升移动通信系统的整体性能。
第一方面,本申请提出一种无线通信人工智能信道估计方法,包含以下步骤:
下行信息中包含第一信息,所述第一信息用于指示N种人工智能模型,所述人工智能模型包含神经网络结构特征和参数;
每一个所述人工智能模型用于对应的M个导频配置方式下的信道估计;所述导频配置方式包含导频所在时域位置信息和/或频域位置信息。
优选地,所述第一信息为PDSCH承载的高层指示信息。
或者,优选地,所述第一信息由PDSCH承载的高层信息和PDCCH承载的DCI信息联合指示;所述人工智能模型包含在所述DCI指示的PDSCH中。
进一步地,下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引。
进一步地,下行信息中还包含第三信息,所述第三信息用于指示反馈时间;在所述反馈时间,上行信息包含表示人工智能模型评价值的指示。
可选择地,所述第二信息和所述第三信息在同一个PDCCH中,或者,所述第二信息和所述第三信息在不同的PDCCH中。
本申请第一方面任意一项实施例所述方法,用于网络设备,包含以下步骤:
发送所述下行信息,所述下行信息包含所述第一信息;接收上行信息,所述上行信息中包含信道评估结果数据。
进一步地,下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引。
进一步地,下行信息中还包含第三信息,所述第三信息用于指示反馈时间;在所述反馈时间,接收上行信息,所述上行信息中还包含表示人工智能模型评价值的指示。
本申请第一方面任意一项实施例所述方法,用于终端设备,包含以下步骤:
接收所述下行信息,所述下行信息包含所述第一信息;对设定的导频配置方式,用对应的人工智能模型进行信道评估;发送上行信息,所述上行信息中包含信道评估结果数据。
进一步地,下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引。
进一步地,下行信息中还包含第三信息,所述第三信息用于指示反馈时间;在所述反馈时间,发送上行信息,所述上行信息中还包含表示人工智能模型评价值的指示。
第二方面,本申请还提出一种网络设备,用于实现本申请第一方面任意一项实施例所述方法,所述网络设备中至少一个模块,用于以下至少一项功能:发送所述下行信息,所述下行信息包含所述第一信息;接收上行信息,所述上行信息中包含信道评估结果数据。
第三方面,本申请还提出一种终端设备,用于实现本申请第一方面任意一项实施例所述方法,所述终端设备中至少一个模块,用于以下至少一项功能:接收所述下行信息,所述下行信息包含所述第一信息;对设定的导频配置方式,用对应的人工智能模型进行信道评估;发送上行信息,所述上行信息中包含信道评估结果数据。
第四方面,本申请还提出一种通信设备,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计算机程序,所述计算机程序被所述处理器执行时实现如本申请第一方面任意一项实施例所述方法的步骤。
第五方面,本申请还提出一种计算机可读介质,所述计算机可读介质上存储计算机程序,所述计算机程序被处理器执行时实现如本申请第一方面任意一项实施例所述的方法的步骤。
第六方面,本申请还提出一种移动通信系统,包含至少一个如本申请任意一实施例所述的网络设备和/或至少一个如本申请任意一项实施例所述的终端设备。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本发明提供的方法与装置相对于已有的信道估计方法,可以利用AI技术实现更高精度的信道估计。本发明提供的方法与装置还可以实现基站与终端互动完成模型的更新与维护。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请方法的实施例流程图;
图2为模型1对应的两种导频图样举例;
图3为模型2对应的两种导频图样举例;
图4为第二信息激活人工智能模型的实施例示意图;
图5为第二信息激活多个人工智能模型的实施例示意图;
图6为第二信息、第三信息联合激活人工智能模型的实施例示意图;
图7为第二信息、第三信息联合激活多个人工智能模型的实施例示意图;
图8为本申请的方法用于网络设备的实施例流程图;
图9为本申请的方法用于终端设备的实施例流程图;
图10为网络设备实施例示意图;
图11是终端设备的实施例示意图;
图12为本发明另一实施例的网络设备的结构示意图;
图13是本发明另一个实施例的终端设备的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅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做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。
考虑一个由网络设备及终端设备组成的通信系统。一个网络设备可以同时给多个终端设备进行数据发送与接收。网络设备和终端设备通过下行数据共享信道(PDSCH)和上行数据共享信道(PUSCH)发送数据;通过同步及广播信道(SS/PBCH)下行控制信道(PDCCH)和上行接入信道(PRACH)及控制信道(PUCCH)进行控制信息交换。SS/PBCH进行同步信号及广播信息的发送,终端控制单元通过接收SS/PBCH进行同步及基本系统信息的获取。PDCCH发送下行控制信息(DCI),进行PDSCH、PUSCH和PUCCH的具体发送格式相关内容。终端根据网络设备发送的控制信息和终端数据接收情况向网络设备发起基于PRACH的接入,或者反馈数据是否正确接收ACK/NACK信息。系统中基本的时间传输单元为符号,14个符号组成一个时隙。一个时隙长度为1/2kms,其中k取值为正整数,分别对应不同的子载波间隔,如k=0,1,2,3,4,5,6时对应子载波间隔为15kHz、30kHz、60kHz、120kHz、240kHz、480kHz、960kHz。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请方法的实施例流程图。
第一方面,本申请提出一种无线通信人工智能信道估计方法,包含以下步骤101~104:
步骤101、下行信息的第一信息传送。
下行信息中包含第一信息,所述第一信息用于指示N种人工智能模型,所述人工智能模型包含神经网络结构特征和参数(其中,N可大于1)。
进一步地,所述第一信息中,包含用于描述所述人工智能模型中神经网络结构特征和参数的文本。
每一个所述人工智能模型用于对应的M个导频配置方式下的信道估计(其中,M大于或等于1)。所述导频配置方式包含导频所在时域位置信息和/或频域位置信息。目前5G标准中信道估计主要基于导频展开。有多种类型的导频可以用作信道估计,如CSI-RS,DMRS,PSS/SSS等。标准中对不同导频的位置、导频处使用的数据序列进行了规定。信道估计的开展基于产品实现,标准并不对信道估计算法进行标准化。虽然对信道估计的算法不进行标准化,但是对于信道估计算法也是基于一定假设,比较典型的假设如基于最小均方误差(MMSE)法等。
优选地,所述第一信息为PDSCH承载的高层指示信息。
或者,优选地,所述第一信息由PDSCH承载的高层信息和PDCCH承载的DCI信息联合指示;所述人工智能模型包含在所述DCI指示的PDSCH中。
步骤102、下行信息中的第二信息传送。
进一步地,下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引。也就是说,通过第二信息能够确定,是否采用第一信息中所包含的各个模型进行信道估计。
当所述第一信息指示的模型数量N大于1时,所述模型的选择由所述第二信息指示的导频配置方式确定。
步骤103、下行信息中的第三信息传送。
进一步地,下行信息中还包含第三信息,所述第三信息用于指示反馈时间。所述反馈时间可是单次反馈,也可以按照设定周期反馈。
可选择地,所述第二信息和所述第三信息在同一个PDCCH中,或者,所述第二信息和所述第三信息在不同的PDCCH中。
步骤104、根据第三信息进行AI模型状态反馈。
在第二信息所指示的反馈时间,上行信息包含表示人工智能模型评价值的指示。反馈信息对所述第一信息中模型的实际效果做出评价,例如包含多个状态,每个状态可以分别反馈、也可以联合反馈。反馈的信息例如可以包括对AI计算效果的分级评价值,或者联合反馈为需要更新、不需要更新。
本申请各项实施例中,网络设备通过PDSCH发送所述第一信息。所述第一信息包含N=2套模型;每套模型分别对应两种导频配置方式,如图2和图3所示。图2为模型1对应的两种导频图样举例;图3为模型2对应的两种导频图样举例。2套模型可以为深度神经网络(DNN)模型或者卷积神经网络(CNN)模型,每套模型由神经元排列方式及各神经元相关联参数组成。所述第一信息由PDSCH承载的高层信息(RRC信息或MAC信息)承载,PDSCH还可以由PDCCH进行指示。
图4为第二信息激活人工智能模型的实施例示意图。
所述网络设备在所述终端完成所述第一信息接收后,向所述终端发送由PDCCH承载的DCI信息,DCI信息包含所述第二信息。所述第二信息通过对图样的指示,确定指示模型,并对模型是否用于信道估计。本实例中DCI信息可以指示图2~3的4种图样的一种,并对两种模型是否使用进行指示。
所述网络设备向所述终端发送由PDCCH承载的DCI信息,DCI信息包含所述第三信息。所述第三信息指示包含反馈时间点指示,具体为第三信息发送后第S个时隙开始模型效果反馈,S为大于1的正整数。所述第三信息也可以包含对模型效果的周期反馈指示,指示周期为P,表示间隔P个时隙进行周期反馈,P为大于1的正整数。图4给出所述第一信息为图2给出图样,所述第二信息只指示图样2用AI模型信道估计,第三信息S=4,P=20的一个示例。如图所示,终端设备根据网络设备所述第一、第二和第三信息指示,在所述第三信息发送后第4个时隙的PUCCH/PUSCH上以周期P=20时隙开始A比特的信道估计模型1的效果反馈,此实例中,由于只针对模型1反馈,A=1比特,用0、1两种状态表示模型的评价为好或不好。
图5为第二信息激活多个人工智能模型的实施例示意图。
本实施例中,所述第一信息与实施例1相同。所述第二信息同时指示两个模型用于多个图样的信道估计。所述第一信息为图5给出图样,所述第二信息指示图样1、2采用模型1,图样4采用模型2进行信道估计,所述第三信息S=4,P=20。终端设备根据网络设备所述第一、第二和第三信息指示,在所述第三信息发送后第4个时隙的PUCCH/PUSCH上以周期P=20时隙开始A比特的信道估计模型1的效果反馈,此实例中,需要针对模型1和2反馈,A=2比特,对应两个模型两种状态。
图6为第二信息、第三信息联合激活人工智能模型的实施例示意图。
本实施例中,所述第一信息仅指示一种模型,对应1种图样。图6给出实施例4的示意图。所述第一信息为图2给出模型1和对应图样1,所述第二信息指示图样1采用模型1进行信道估计,所述第三信息S=4,P=20。所述第二和所述第三信息在同一DCI中同时发送。终端设备根据网络设备所述第一、第二和第三信息指示,在所述第三信息发送后第4个时隙的PUCCH/PUSCH上以周期P=20时隙开始A比特的信道估计模型1的效果反馈,此实例中,需要针对模型1反馈,A=1比特,对应模型1两种状态反馈。
图7为第二信息、第三信息联合激活多个人工智能模型的实施例示意图。
本实施例中,所述第一信息与实施例1相同。所述第二信息同时指示两个模型用于多个图样的信道估计。图7给出实施例3的示意图,与实施例2的区别在于所述第二信息和所述第三信息在一个DCI中同时发送。所述第一信息为图2给出图样,所述第二信息指示图样1、2采用模型1,图样4采用模型2进行信道估计,所述第三信息S=4,P=20。终端设备根据网络设备所述第一、第二和第三信息指示,在所述第三信息发送后第4个时隙的PUCCH/PUSCH上以周期P=20时隙开始A比特的信道估计模型1的效果反馈,此实例中,需要针对模型1和2反馈,A=2比特,对应两个模型两种状态。
图8为本申请的方法用于网络设备的实施例流程图。
本申请第一方面任意一项实施例所述方法,用于网络设备,包含以下步骤201~204:
步骤201、发送下行信息,下行信息包含所述第一信息。所述第一信息用于指示N种人工智能模型,所述人工智能模型包含神经网络结构特征和参数(其中,N可大于1)。每一个所述人工智能模型用于对应的M个导频配置方式下的信道估计(其中,M大于或等于1)。
例如,所述网络设备通过第一信息通知所述终端进行信道评估可使用的备选模型。所述导频配置方式包括导频所在的时域位置、频域位置信息,是一种导频图样信息。
所述第一信息可以通过由PDSCH承载的高层信息指示;所述第一信息内容可以由PDCCH承载的DCI信息和PDSCH承载的高层信息联合指示。
当所述第一信息由PDSCH单独承载时,不直接指示所述模型使用时间。所述第一信息由PDCCH和PDSCH联合指示时,PDCCH可以直接指示当前DCI指示的PDSCH承载内容为所述第一信息的所述AI模型。
步骤202、发送下行信息,下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引。
所述网络设备通过所述第二信息通知所述终端是否采用所述第一信息指示模型进行信道估计,并指示所述终端所述网络使用的导频配置方式。
当所述第一信息指示模型数量N大于1时,所述模型的选择由导频配置方式确定。
步骤203、发送下行信息,下行信息中还包含第三信息,所述第三信息用于指示反馈时间。
所述网络设备还可以向所述终端设备发送第三信息,所述第三信息指示终端进行第一信息中模型效果进行反馈。反馈至少包含反馈时间点,所述时间点可以为单次反馈,也可以为一定周期固定反馈。反馈中对所述第一信息中模型效果指示可以包含多种状态,多个模型状态可以分别反馈,也可以联合反馈。反馈内容可以为模型需要更新、不需要更新等。
所述第三信息可以和所述第二信息同时发送,也可以单独发送。
步骤204、在所述反馈时间,接收上行信息,所述上行信息中还包含表示人工智能模型评价值的指示。
进一步地,所述网络设备接收上行信息,所述上行信息中包含信道评估结果数据。
图9为本申请的方法用于终端设备的实施例流程图。
终端设备在进行基于AI模型的信道估计之前需要接收网络设备配置的模型(所述第一信息),并根据触发信息(所述第二信息)进行相应的估计。为了更好的辅助网络设备进行模型的准确性判断,并定期进行模型的更新,终端还需要向网络设备反馈模型使用情况。这一过程由网络设备通过所述第三信息发送实现。
本申请第一方面任意一项实施例所述方法,用于终端设备,包含以下步骤301~304:
步骤301、接收下行信息,所述下行信息包含所述第一信息。所述第一信息,指示N种人工智能模型,所述人工智能模型包含神经网络结构特征和参数;每一个人工智能模型用于对应的M个导频配置方式下的信道估计。
步骤302、接收下行信息,下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引。
步骤303、进一步地,接收下行信息,下行信息中还包含第三信息,所述第三信息用于指示反馈时间。
步骤304、所述终端设备根据网络设备发送的所述第一信息和所述第二信息指示进行信道估计。
对设定的导频配置方式,用对应的人工智能模型进行信道评估;发送上行信息,所述上行信息中包含信道评估结果数据。
根据所述第三信息进行模型状态反馈,在所述反馈时间,发送上行信息,所述上行信息中还包含表示人工智能模型评价值的指示。
本申请所使用的无线通信系统,该系统可以工作在授权与非授权频段。图10~13给出了网络设备和终端设备的物理构成。
图10为网络设备实施例示意图。
本申请实施例还提出一种网络设备,使用本申请中任意一项实施例的方法,所述网络设备用于:发送下行信息,下行信息包含所述第一信息;下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引;下行信息中还包含第三信息,所述第三信息用于指示反馈时间;接收上行信息,所述上行信息中包含信道评估结果数据。在所述反馈时间,接收上行信息,所述上行信息中还包含表示人工智能模型评价值的指示。
为实施上述技术方案,本申请提出的一种网络设备400,包含网络发送模块401、网络确定模块402、网络接收模块403。
所述网络发送模块,用于发送下行信息,包含第一信息、第二信息、第三信息中至少一个,还用于发送导频信号。
所述网络确定模块,用于确定反馈时间、导频配置方式、人工智能模型的网络结构和参数。
所述网络接收模块,用于接收反馈信息,还用于接收信道评估结果数据。
实现所述网络发送模块、网络确定模块、网络接收模块功能的具体方法,如本申请各方法实施例所述,这里不再赘述。
图11是终端设备的实施例示意图。
本申请还提出一种终端设备,使用本申请任意一项实施例的方法,所述终端设备用于:接收所述下行信息,所述下行信息包含所述第一信息;下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引;下行信息中还包含第三信息,所述第三信息用于指示反馈时间;对设定的导频配置方式,用对应的人工智能模型进行信道评估;发送上行信息,所述上行信息中包含信道评估结果数据,在所述反馈时间,发送上行信息,所述上行信息中还包含表示人工智能模型评价值的指示。
为实施上述技术方案,本申请提出的一种终端设备500,包含终端发送模块501、终端确定模块502、终端接收模块503。
所述终端接收模块,用于接收下行信息,包含第一信息、第二信息、第三信息,还用于接收导频信号。
所述终端确定模块,用于根据第二信息、或根据导频配置方式确定对应激活的人工智能模型,用人工智能模型进行信道评估,确定信道评估结果数据和人工智能模型评价值的指示。
所述终端发送模块,用于发送上行信息,包含表示人工智能模型评价值的指示及信道评估结果数据。
实现所述终端发送模块、终端确定模块、终端接收模块功能的具体方法如本申请各方法实施例所述,这里不再赘述。
本申请所述终端设备,可以指移动终端设备。
图12示出了本发明另一实施例的网络设备的结构示意图。如图所示,网络设备600包括处理器601、无线接口602、存储器603。其中,所述无线接口可以是多个组件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。所述无线接口实现和所述终端设备的通信功能,通过接收和发射装置处理无线信号,其信号所承载的数据经由内部总线结构与所述存储器或处理器相通。所述存储器603包含执行本申请任意一个实施例的计算机程序,所述计算机程序在所述处理器601上运行或改变。当所述存储器、处理器、无线接口电路通过总线系统连接。总线系统包括数据总线、电源总线、控制总线和状态信号总线,这里不再赘述。
图13是本发明另一个实施例的终端设备的框图。终端设备700包括至少一个处理器701、存储器702、用户接口703和至少一个网络接口704。终端设备700中的各个组件通过总线系统耦合在一起。总线系统用于实现这些组件之间的连接通信。总线系统包括数据总线,电源总线、控制总线和状态信号总线。
用户接口703可以包括显示器、键盘或者点击设备,例如,鼠标、轨迹球、触感板或者触摸屏等。
存储器702存储可执行模块或者数据结构。所述存储器中可存储操作系统和应用程序。其中,操作系统包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序包含各种应用程序,例如媒体播放器、浏览器等,用于实现各种应用业务。
在本发明实施例中,所述存储器702包含执行本申请任意一个实施例的计算机程序,所述计算机程序在所述处理器701上运行或改变。
存储器702中包含计算机可读存储介质,处理器701读取存储器702中的信息,结合其硬件完成上述方法的步骤。具体地,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器701执行时实现如上述任意一个实施例所述的方法实施例的各步骤。
处理器701可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。所述处理器701可以是通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。在一个典型的配置中,本申请的设备包括一个或多个处理器(CPU)、输入/输出用户接口、网络接口和存储器。
此外,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
因此,本申请还提出一种计算机可读介质,所述计算机可读介质上存储计算机程序,所述计算机程序被处理器执行时实现本申请任意一项实施例所述的方法的步骤。例如,本发明的存储器603,702可包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
基于图10~13的实施例,本申请还提出一种移动通信系统,包含至少1个本申请中任意一个终端设备的实施例和/或至少1个本申请中任意一个网络设备的实施例。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
还需要说明的是,本申请中的“第一”、“第二”、“第三”,是为了区分同一名称的多个客体,并非表示大小或顺序,如非具体说明,没有其他特别的含义。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (15)
1.一种无线通信人工智能信道估计方法,其特征在于,包含以下步骤:
下行信息中包含第一信息,所述第一信息用于指示N种人工智能模型,所述人工智能模型包含神经网络结构特征和参数;
每一个所述人工智能模型用于对应的M个导频配置方式下的信道估计;所述导频配置方式包含导频所在时域位置信息和/或频域位置信息。
2.如权利要求1所述无线通信人工智能信道估计方法,其特征在于,
所述第一信息为PDSCH承载的高层指示信息。
3.如权利要求1所述无线通信人工智能信道估计方法,其特征在于,
所述第一信息由PDSCH承载的高层信息和PDCCH承载的DCI信息联合指示;
所述人工智能模型包含在所述DCI指示的PDSCH中。
4.如权利要求1所述无线通信人工智能信道估计方法,其特征在于,
下行信息中还包含第二信息,所述第二信息用于指示当前的导频配置方式和对应的人工智能模型索引。
5.如权利要求1所述无线通信人工智能信道估计方法,其特征在于,
下行信息中还包含第三信息,所述第三信息用于指示反馈时间;
在所述反馈时间,上行信息包含表示人工智能模型评价值的指示。
6.如权利要求5所述无线通信人工智能信道估计方法,其特征在于,
所述第二信息和所述第三信息在同一个PDCCH中,或者,
所述第二信息和所述第三信息在不同的PDCCH中。
7.如权利要求1~6任意一项所述方法,用于网络设备,其特征在于,
发送所述下行信息,所述下行信息包含所述第一信息;
接收上行信息,所述上行信息中包含信道评估结果数据。
8.如权利要求7所述方法,其特征在于,
下行信息中还包含第三信息,所述第三信息用于指示反馈时间;
在所述反馈时间,接收上行信息,所述上行信息中还包含表示人工智能模型评价值的指示。
9.如权利要求1~6任意一项所述方法,用于终端设备,其特征在于,
接收所述下行信息,所述下行信息包含所述第一信息;
对设定的导频配置方式,用对应的人工智能模型进行信道评估;
发送上行信息,所述上行信息中包含信道评估结果数据。
10.如权利要求9所述方法,其特征在于,
下行信息中还包含第三信息,所述第三信息用于指示反馈时间;
在所述反馈时间,发送上行信息,所述上行信息中还包含表示人工智能模型评价值的指示。
11.一种网络设备,用于实现权利要求1~8任意一项所述方法,其特征在于,
所述网络设备中至少一个模块,用于以下至少一项功能:发送所述下行信息,所述下行信息包含所述第一信息;接收上行信息,所述上行信息中包含信道评估结果数据。
12.一种终端设备,用于实现权利要求1~6、9~10任意一项所述方法,其特征在于,
所述终端设备中至少一个模块,用于以下至少一项功能:接收所述下行信息,所述下行信息包含所述第一信息;对设定的导频配置方式,用对应的人工智能模型进行信道评估;发送上行信息,所述上行信息中包含信道评估结果数据。
13.一种通信设备,其特征在于,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计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1~10中任意一项所述方法的步骤。
14.一种计算机可读介质,所述计算机可读介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1~8任意一项所述的方法的步骤。
15.一种移动通信系统,包含至少1个如权利要求11所述的网络设备和/或至少1个如权利要求12所述的终端设备。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470627.XA CN114172765B (zh) | 2021-12-03 | 2021-12-03 | 一种无线通信人工智能信道估计方法和设备 |
PCT/CN2022/070724 WO2023097869A1 (zh) | 2021-12-03 | 2022-01-07 | 一种无线通信人工智能信道估计方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470627.XA CN114172765B (zh) | 2021-12-03 | 2021-12-03 | 一种无线通信人工智能信道估计方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114172765A true CN114172765A (zh) | 2022-03-11 |
CN114172765B CN114172765B (zh) | 2023-07-07 |
Family
ID=80483520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470627.XA Active CN114172765B (zh) | 2021-12-03 | 2021-12-03 | 一种无线通信人工智能信道估计方法和设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114172765B (zh) |
WO (1) | WO2023097869A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023173433A1 (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 |
CN116886475A (zh) * | 2023-09-05 | 2023-10-13 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
WO2023198167A1 (zh) * | 2022-04-15 | 2023-10-19 | 维沃移动通信有限公司 | 模型微调的方法、装置及设备 |
WO2023198186A1 (zh) * | 2022-04-15 | 2023-10-19 | 维沃移动通信有限公司 | 模型确定方法、信息传输方法、装置及相关设备 |
WO2023206456A1 (zh) * | 2022-04-29 | 2023-11-02 | 富士通株式会社 | 信息指示和处理方法以及装置 |
WO2024021130A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | 一种信道估计方法及其装置 |
WO2024032701A1 (zh) * | 2022-08-12 | 2024-02-15 | 大唐移动通信设备有限公司 | 信道状态信息处理方法及装置 |
WO2024031246A1 (en) * | 2022-08-08 | 2024-02-15 | Nec Corporation | Methods for communication |
WO2024040378A1 (en) * | 2022-08-22 | 2024-02-29 | Apple Inc. | Ai/ml model management and activation/deactivation |
WO2024065239A1 (en) * | 2022-09-28 | 2024-04-04 | Qualcomm Incorporated | Hierarchical channel measurement resource beam shape indication for ue based predictive beam measurement |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180124747A1 (en) * | 2016-11-03 | 2018-05-03 | At&T Intellectual Property I, L.P. | Facilitating a mobile device specific physical downlink shared channel resource element mapping indicator |
AU2020101786A4 (en) * | 2020-08-12 | 2020-09-24 | C, Bharatiraja Dr | Indoor channel statistic properties prediction using radial basis function neural network (rbf-nn) for 5g and beyond (b5g) networks |
US20200366326A1 (en) * | 2019-05-15 | 2020-11-19 | Huawei Technologies Co., Ltd. | Systems and methods for signaling for ai use by mobile stations in wireless networks |
WO2021160102A1 (zh) * | 2020-02-12 | 2021-08-19 | 中国信息通信研究院 | 一种传输时隙结构指示方法和设备 |
WO2021212347A1 (zh) * | 2020-04-21 | 2021-10-28 | Oppo广东移动通信有限公司 | 一种通信方法及相关设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7907683B2 (en) * | 2008-04-28 | 2011-03-15 | Newport Media, Inc. | Application of superfast algorithms to a pilot-based channel estimation process |
CN111510402B (zh) * | 2020-03-12 | 2021-08-27 | 西安电子科技大学 | 基于深度学习的ofdm信道估计方法 |
US20230319656A1 (en) * | 2020-03-25 | 2023-10-05 | Lg Electronics Inc. | Method and apparatus for transmitting and receiving wireless signal in wireless communication system |
-
2021
- 2021-12-03 CN CN202111470627.XA patent/CN114172765B/zh active Active
-
2022
- 2022-01-07 WO PCT/CN2022/070724 patent/WO2023097869A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180124747A1 (en) * | 2016-11-03 | 2018-05-03 | At&T Intellectual Property I, L.P. | Facilitating a mobile device specific physical downlink shared channel resource element mapping indicator |
US20200366326A1 (en) * | 2019-05-15 | 2020-11-19 | Huawei Technologies Co., Ltd. | Systems and methods for signaling for ai use by mobile stations in wireless networks |
WO2021160102A1 (zh) * | 2020-02-12 | 2021-08-19 | 中国信息通信研究院 | 一种传输时隙结构指示方法和设备 |
WO2021212347A1 (zh) * | 2020-04-21 | 2021-10-28 | Oppo广东移动通信有限公司 | 一种通信方法及相关设备 |
AU2020101786A4 (en) * | 2020-08-12 | 2020-09-24 | C, Bharatiraja Dr | Indoor channel statistic properties prediction using radial basis function neural network (rbf-nn) for 5g and beyond (b5g) networks |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023173433A1 (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 |
WO2023198167A1 (zh) * | 2022-04-15 | 2023-10-19 | 维沃移动通信有限公司 | 模型微调的方法、装置及设备 |
WO2023198186A1 (zh) * | 2022-04-15 | 2023-10-19 | 维沃移动通信有限公司 | 模型确定方法、信息传输方法、装置及相关设备 |
WO2023206456A1 (zh) * | 2022-04-29 | 2023-11-02 | 富士通株式会社 | 信息指示和处理方法以及装置 |
WO2024021130A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | 一种信道估计方法及其装置 |
WO2024031246A1 (en) * | 2022-08-08 | 2024-02-15 | Nec Corporation | Methods for communication |
WO2024032701A1 (zh) * | 2022-08-12 | 2024-02-15 | 大唐移动通信设备有限公司 | 信道状态信息处理方法及装置 |
WO2024040378A1 (en) * | 2022-08-22 | 2024-02-29 | Apple Inc. | Ai/ml model management and activation/deactivation |
WO2024065239A1 (en) * | 2022-09-28 | 2024-04-04 | Qualcomm Incorporated | Hierarchical channel measurement resource beam shape indication for ue based predictive beam measurement |
CN116886475A (zh) * | 2023-09-05 | 2023-10-13 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
CN116886475B (zh) * | 2023-09-05 | 2023-12-22 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114172765B (zh) | 2023-07-07 |
WO2023097869A1 (zh) | 2023-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114172765B (zh) | 一种无线通信人工智能信道估计方法和设备 | |
CN113922936B (zh) | 一种ai技术信道状态信息反馈方法和设备 | |
CN115395994B (zh) | 一种传输方法、装置和计算机可读存储介质 | |
KR102255949B1 (ko) | Harq의 피드백 정보 전송 방법, ue, 기지국과 시스템 | |
EP3627753B1 (en) | Method for transmitting uplink control information, terminal device, and network device | |
CN104243086B (zh) | 调制编码方案确定方法、基站及通信系统 | |
CN101630981B (zh) | 一种资源调度的方法、装置及系统 | |
CN102457854B (zh) | 一种解决信道冲突的方法、装置及系统 | |
US20220116934A1 (en) | Psfch sending method and apparatus | |
WO2023097870A1 (zh) | 一种无线通信人工智能处理方法和设备 | |
US20190081821A1 (en) | Facilitating determination of transmission type via demodulation reference signal patterns | |
US9172496B2 (en) | CQI (channel quality indication) information reporting method, and related base station and user equipment | |
CN113286368A (zh) | 一种多点上行数据传送方法和设备 | |
CN113260053A (zh) | 一种传输时隙结构指示方法和设备 | |
CN114285520A (zh) | 配置授权的自适应配置方法、装置、存储介质及电子设备 | |
US10257827B2 (en) | Method for configuring frame structure, user equipment and network equipment | |
CN111901808A (zh) | 参数信息确定方法、通信节点和存储介质 | |
EP3633899B1 (en) | Receiver-specific transmission length | |
CN116349189A (zh) | 一种通信方法及装置 | |
CN112737751B (zh) | 一种上行srs导频传送方法和设备 | |
CN112737750B (zh) | 一种上行srs导频传送方法和设备 | |
WO2023134471A1 (zh) | 一种时域资源确定方法、终端设备及存储介质 | |
WO2024065752A1 (en) | Channel state information reporting techniques | |
CN118120312A (zh) | 用于进行pusch重复传输的方法及装置 | |
CN115767605A (zh) | 一种移动通信网络ai模型部署方法和设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |