CN114208120B - 用于在通信系统中使用的基于神经网络的距离度量 - Google Patents
用于在通信系统中使用的基于神经网络的距离度量 Download PDFInfo
- Publication number
- CN114208120B CN114208120B CN202080055535.2A CN202080055535A CN114208120B CN 114208120 B CN114208120 B CN 114208120B CN 202080055535 A CN202080055535 A CN 202080055535A CN 114208120 B CN114208120 B CN 114208120B
- Authority
- CN
- China
- Prior art keywords
- signal
- distance
- transmitter
- channel
- dnn
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0058—Allocation criteria
- H04L5/0069—Allocation based on distance or geographical location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0058—Allocation criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0003—Two-dimensional division
- H04L5/0005—Time-frequency
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0003—Two-dimensional division
- H04L5/0005—Time-frequency
- H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
- H04L5/001—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT the frequencies being arranged in component carriers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0032—Distributed allocation, i.e. involving a plurality of allocating devices, each making partial allocation
- H04L5/0035—Resource allocation in a cooperative multipoint environment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0058—Allocation criteria
- H04L5/0062—Avoidance of ingress interference, e.g. ham radio channels
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
用于测量公共信号空间中两个信号分布之间距离的方法和装置。测量网络用于接收第一信号分布和第二信号分布作为输入,并且输出所述第一信号分布与所述第二信号分布之间的瓦瑟斯坦距离的测量。所述测量网络可以使用神经网络实现。
Description
相关申请
本申请要求于2019年8月7日提交的申请号为16/534,653、发明名称为“用于在通信系统中使用的基于神经网络的距离度量(NEURAL-NETWORK-BASED DISTANCE METRIC FORUSE IN A COMMUNICATION SYSTEM)”的美国专利申请的优先权,该专利申请通过引用其整体并入本文。
技术领域
本公开涉及用于测量信号空间中两个信号分布之间距离的方法和系统。
背景技术
在现代通信系统中,物理层接口的目标通常是在给定的有限带宽和时间资源下改善系统容量(例如,增加用户和/或多路复用数据流的数量)。通常,实现该目标的方法包括向信号空间添加一个或多个新维度和/或改善信号空间的资源分配分辨率。
对现有通信技术(在发射器处和在接收器处)进行了开发,目的是使用基于广泛接受的香农-哈特利(Shannon-Hartley)定理的度量和测量,使香农(Shannon)信道容量最大化。特别是对于未来无线通信开发(例如5G和后续代),将会期望扩展信号空间以获得更大容量和更高频谱效率。继续依赖基于香农的度量和测量来开发用于维度扩展的新技术可能难以令人满意。
例如,基于香农的方法针对干扰和噪声信道随机性假设高斯分布(Gaussiandistribution)。这样的假设可能不是实际条件的准确表示,并且可能导致发射器侧和接收器侧信号空间的使用效率较低。
因此,提供可以更适合于在高维度信号空间中测量的距离度量将会是有用的,包括对于未来通信系统。
发明内容
在一些示例方面,本公开描述了一种装置,包括:第一发射器仿真器、第二发射器仿真器和处理单元。所述第一发射器仿真器用于将发射域中的第一源信号分布整形为第一发射信号分布。所述第二发射器仿真器用于将所述发射域中的第二源信号分布整形为第二发射信号分布。所述处理单元用于实现信道仿真器和测量网络。所述信道仿真器用于接收所述第一发射信号分布和所述第二发射信号分布,并且输出第一接收信号分布和第二接收信号分布,所述第一接收信号分布和所述第二接收信号分布代表所述第一发射信号分布和所述第二发射信号分布通过传输信道变换到至少一个接收设备的接收域。所述测量网络用于接收所述第一接收信号分布和所述第二接收信号分布作为输入,并且输出所述接收域中所述第一接收信号分布与所述第二接收信号分布之间的瓦瑟斯坦(Wasserstein)距离的测量。
在示例的任意示例中,所述测量网络可以是神经网络,所述神经网络经训练以测量两个信号分布之间的瓦瑟斯坦距离,每个信号分布定义为子信号分布的有限集,并且所述瓦瑟斯坦距离是在每个子信号分布集之间计算的。
在示例的任意示例中,所述测量网络可以具有从一组预定义的网络架构中选择的架构。
在示例的任意示例中,所述测量网络的所述架构可以是基于关于所述传输信道或环境中的至少一个的信息选择的。
在示例的任意示例中,所述装置可以用于从所述至少一个接收设备接收所述关于所述传输信道或环境的信息。所述装置还可以用于将关于所选择的架构的信息传输到所述至少一个接收设备。
在示例的任意示例中,所述第一发射器仿真器和所述第二发射器仿真器可以对使用相应的第一神经网络和第二神经网络实现的第一发射器和第二发射器进行仿真。
在示例的任意示例中,所述第一神经网络和所述第二神经网络可以经训练以生成第一发射信号分布和第二发射信号分布,所述第一发射信号分布和所述第二发射信号分布在通过所述信道仿真器进行变换之后,产生具有满足分离准则的瓦瑟斯坦距离的第一接收信号分布和第二接收信号分布。
在一些示例方面,本公开描述了一种用于在发射装置处实现发射器的方法。所述方法包括:使用第一发射器神经网络从输入样本生成第一发射信号分布;使用第二发射器神经网络从另一个输入样本生成第二发射信号分布;从所述第一发射信号分布和所述第二发射信号分布生成第一变换信号分布和第二变换信号分布,所述第一变换信号分布和所述第二变换信号分布代表所述第一发射信号分布和所述第二发射信号分布通过传输信道变换到至少一个接收设备的接收域;测量所述接收域中所述第一变换信号分布与所述第二变换信号分布之间的瓦瑟斯坦距离;以及当所测量的瓦瑟斯坦距离满足分离准则时,在所述发射装置处实现所述第一发射器神经网络和所述第二发射器神经网络,并且将关于所述第一发射器神经网络和所述第二发射器神经网络的信息发送到所述至少一个接收设备,以使得所述至少一个接收设备能够实现至少一个对应的接收神经网络。
在示例的任意示例中,所述方法还可以包括:当所测量的瓦瑟斯坦距离不满足所述分离准则时,执行以下操作的一次或多次迭代:训练所述第一发射器神经网络和所述第二发射器神经网络以生成不同的第一发射信号分布和第二发射信号分布;从所述不同的第一发射信号分布和第二发射信号分布生成不同的第一变换信号分布和第二变换信号分布;以及测量所述不同的第一变换信号分布与第二变换信号分布之间的所述瓦瑟斯坦距离;其中,执行所述一次或多次迭代,直到所测量的瓦瑟斯坦距离满足所述分离准则。
在示例的任意示例中,所述瓦瑟斯坦距离可以使用测量网络测量,所述测量网络是使用神经网络实现的。
在示例的任意示例中,所述方法还可以包括从一组预定义的网络架构中选择所述测量网络的架构。
在示例的任意示例中,所述方法还可以包括:使用第三发射器神经网络生成第三发射信号分布;从所述第一发射信号分布和所述第二发射信号分布的组合生成组合变换信号分布,并且从所述第三发射信号分布生成第三变换信号分布;测量所述接收域中所述组合变换信号分布与所述第三变换信号分布之间的瓦瑟斯坦距离;以及当所测量的瓦瑟斯坦距离满足分离准则时,进一步在所述发射装置处实现所述第三发射器神经网络,并且将关于所述第三发射器神经网络的信息发送到所述至少一个接收设备。
在示例的任意示例中,所述第一变换信号分布和所述第二变换信号分布可以通过将所述第一发射信号分布和所述第二发射信号分布输入到信道仿真器来生成,所述信道仿真器代表所述至少一个接收设备的所述传输信道的特征。
在示例的任意示例中,所述方法还可以包括:从所述至少一个接收设备接收信道条件反馈以更新所述信道仿真器;使用所更新的信道仿真器生成更新的第一变换信号分布和更新的第二变换信号分布;以及测量所述更新的第一变换信号分布与所述更新的第二变换信号分布之间的瓦瑟斯坦距离。
在一些示例方面,本公开描述了一种用于测量公共信号空间中两个信号分布之间距离的装置。所述装置包括处理单元,所述处理单元用于实现:测量网络,所述测量网络用于接收第一信号分布和第二信号分布作为输入,并且输出所述第一信号分布与所述第二信号分布之间的瓦瑟斯坦距离的测量。
在一些示例方面,所述测量网络可以是神经网络,所述神经网络经训练以测量两个信号分布之间的瓦瑟斯坦距离,每个信号分布定义为子信号分布的有限集,并且所述瓦瑟斯坦距离是在每个子信号分布集之间计算的。
附图说明
现在通过示例参考示出本申请的示例实施例的附图,并且在附图中:
图1是适合于实现本文所描述示例的示例通信系统的示意图;
图2和图3分别是示出适合于实现本文所描述示例的示例计算单元和示例基站/电子设备的框图;
图4是例示了发射器和传输信道如何被认为在发射域与接收域之间起到维度变换器作用的示意图;
图5是进一步例示了可以由发射器和传输信道执行的维度扩展的图;
图6A-图6C例示了两个变换器如何影响两个多路复用接收方的信号分布的三种基本情况;
图7是例示了当考虑接收器处的信号分离时可能需要考虑的一些复杂性的示意图;
图8A和图8B分别是两个正交维度和两个非正交维度的表示,以及可以如何分离沿这些维度发射的信号分布;
图9A和图9B例示了假设高斯球传统上如何用于评估两个信号分布是否彼此干扰的示例;
图9C例示了所公开的用于测量信号分离的方法如何能够实现更精确地测量信号分离的示例;
图10是例示了用于测量接收域中两个信号分布之间距离的基于神经网络的系统的示例实现方式的示意图;
图11是例示了用于测量两个接收域中两个信号分布之间距离的基于神经网络的系统的示例实现方式的示意图;
图12例示了时域中信号分离的简单示例;
图13A和图13B是例示了信号分离的测量如何受到用于测量的函数的影响的图;
图14例示了用于使用所公开的W-距离测量生成发射器的基于DNN的方法的系统的示例实现方式;
图15是示出用于使用所公开的W-距离测量训练发射器DNN的示例方法的流程图;以及
图16例示了用于使用所公开的W-距离测量针对多个接收器生成发射器的基于DNN的方法的系统的示例实现方式。
在不同附图中可以使用类似的附图标记来表示类似的部件。
具体实施方式
本公开描述了可以用于设计用于通信系统的新物理层接口,以及特别是用于无线通信的新空中接口(air interface)的示例。本文所描述示例可以有助于使得能够实现信号空间(包括高维度信号空间)中两个信号分布之间的距离测量。所公开的用于距离测量的方法可以使得能够实现更全局的距离测量,这可以更加反映部署环境。
为了帮助理解本公开,现在参考图1描述示例无线通信系统。图1例示了可以实现本公开的实施例的示例无线通信系统100(也称为无线系统100)。通常,无线系统100能够使多个无线元件或有线元件传送数据和其他内容。无线系统100可以使得内容(例如,语音、数据、视频、文本等)能够在系统100的各实体之间(例如,经由广播、窄播、用户设备到用户设备等)进行传送。无线系统100可以通过共用资源诸如带宽来操作。无线系统100可以适合于使用5G技术和/或后续代无线技术(例如,6G或后续代)的无线通信。在一些示例中,无线系统100还可以容纳一些传统无线技术(例如,3G或4G无线技术)。
在所示示例中,无线系统100包括电子设备(electronic device,ED)110a-110c(通常称为ED 110)、无线接入网(radio access network,RAN)120a-120b(通常称为RAN120)、核心网130、公共交换电话网(public switched telephone network,PSTN)140、互联网150和其他网络160。在一些示例中,这些网络中的一个或多个可以被省略或者替换为不同类型的网络。无线系统100中可以包括其他网络。虽然图1示出了一定数量的这些部件或元件,但是无线系统100中可以包括任何合理数量的这些部件或元件。
ED 110用于在无线系统100中进行操作、进行通信或进行这两者。例如,ED 110可以用于经由无线通信信道或有线通信信道进行发射、进行接收或进行这两者。每个ED 110代表用于无线操作的任何合适末端用户设备,并且可以包括如下设备(或者可以称为):如用户装置/用户设备(user equipment,UE)、无线发射/接收单元(wireless transmit/receive unit,WTRU)、移动站、固定的或移动的订户单元、蜂窝电话、站台(station,STA)、机器类型通信(machine type communication,MTC)设备、个人数字助理(personaldigital assistant,PDA)、智能电话、笔记本电脑、计算机、平板电脑、无线传感器或消费电子设备等等。未来一代ED 110可以使用其他术语来指代。
在图1中,RAN 120分别包括基站(base station,BS)170a-170b(通常称为BS170)。每个BS 170用于与ED 110中的一个或多个ED进行无线接口连接,以使得能够接入任何其他BS 170、核心网130、PSTN 140、互联网150和/或其他网络160。例如,BS 170可以包括(或是)若干众所周知的设备中的一个或多个,诸如基站收发信台(base transceiverstation,BTS)、无线基站、节点B(NodeB)、演进型NodeB(evolved NodeB,eNodeB)、家庭eNodeB、gNodeB(有时称为下一代Node B)、传输点(transmission point,TP)、发射和接收点(transmit and receive point,TRP)、站点控制器、接入点(access point,AP)或无线路由器等等。未来一代BS 170可以使用其他术语来指代。可替代地或另外地,任何ED 110可以用于与任何其他BS 170、互联网150、核心网130、PSTN 140、其他网络160或前述的任何组合进行接口连接、接入或通信。无线系统100可以包括RAN,诸如RAN 120b,其中,对应的BS170b经由互联网150接入核心网130,如图所示。
ED 110和BS 170是可以用于实现本文所描述的功能和/或实施例中的一些或全部的通信设备的示例。在图1所示的实施例中,BS 170a形成RAN 120a的一部分,RAN 120a可以包括其他BS、一个或多个基站控制器(base station controller,BSC)、一个或多个无线网络控制器(radio network controller,RNC)、中继节点、元件和/或设备。任何BS 170可以是单个元件,如图所示,或多个元件,分布在对应的RAN中,或为其他形式。此外,BS 170b形成RAN 120b的一部分,RAN 120b可以包括其他BS、元件和/或设备。每个BS 170在特定地理地区或区域(有时称为“小区”或“覆盖区域”)内发射和/或接收无线信号。小区可以进一步划分为小区扇区,并且BS 170可以例如采用多个收发器来向多个扇区提供服务。在一些实施例中,可以有无线接入技术支持的已建立的微微小区或毫微微小区。宏小区可以包括有一个或多个较小型小区。在一些实施例中,多个收发器可以用于每个小区,例如使用多输入多输出(multiple-input multiple-output,MIMO)技术。所示的RAN 120的数量仅仅是示例性的。当设计无线系统100时,可以考虑任何数量的RAN。
BS 170使用无线通信链路(例如射频(radio frequency,RF)、微波、红外(infrared,IR)等)通过一个或多个空中接口190a与ED 110中的一个或多个ED通信。ED 110还可以经由一个或多个侧链路空中接口190b直接相互通信。接口190a和190b通常可以称为空中接口190。本公开可以应用于通过接口190a的BS-ED通信以及通过接口190b的ED-ED通信。例如,本文所公开的距离度量的示例可以用于测量通过上行链路(uplink,UL)和/或下行链路(downlink,DL)BS-ED接口190a的两个信号分布之间的距离,并且还可以用于测量通过侧链路ED-ED接口190b的两个信号分布之间的距离。空中接口190可以利用任何合适的无线接入技术。例如,无线系统100可以在空中接口190中实现一种或多种信道接入方法,诸如码分多址(code division multiple access,CDMA)、时分多址(time division multipleaccess,TDMA)、频分多址(frequency division multiple access,FDMA)、正交FDMA(orthogonal FDMA,OFDMA)或单载波FDMA(single-carrier FDMA,SC-FDMA)。根据本文所描述的示例,空中接口190可以利用其他高维度信号空间,这些高维度信号空间可以涉及正交维度和/或非正交维度的组合。使用本文所描述的示例,除了以上提到的信道接入方法或代替以上提到的信道接入方法,可以实现用于空中接口190的新接入技术。
RAN 120与核心网130通信,以向ED 110提供各种服务,诸如语音、数据和其他服务。RAN 120和/或核心网130可以与一个或多个其他RAN(未示出)直接或间接通信,所述一个或多个其他RAN可以是或者可以不是由核心网130直接服务,并且可以采用或者可以不采用与RAN 120a、RAN 120b或这两者相同的无线接入技术。核心网130还可以用作(i)RAN120、或ED 110、或这两者与(ii)其他网络(诸如PSTN 140、互联网150和其他网络160)之间的网关接入。此外,ED 110中的一些或全部ED可以包括使用不同无线技术和/或协议通过不同无线链路与不同无线网络通信的功能。代替无线通信(或除无线通信之外),ED 110可以经由有线通信信道与服务提供者或交换机(未示出)以及与互联网150进行通信。PSTN 140可以包括用于提供普通老式电话业务(plain old telephone service,POTS)的电路交换电话网络。互联网150可以包括计算机网络和子网(内联网)或这两者,并且结合有诸如互联网协议(Internet Protocol,IP)、传输控制协议(transmission control protocol,TCP)、用户数据报协议(user datagram protocol,UDP)的协议。ED 110可以是能够根据多种无线接入技术操作的多模设备,并且结合有对此进行支持所必需的多个收发器。
图2和图3例示了可以实现根据本公开的方法和教导的示例设备。特别地,图2例示了示例计算单元(例如,服务器或数据中心)200,并且图3例示了示例BS 170或ED 110。这些部件可以在无线系统100中或在任何其他合适系统中使用。
如图2所示,计算单元200包括至少一个处理单元201。处理单元201实现计算单元200的各种处理操作。例如,处理单元201可以执行计算单元200的信号编码、数据处理、功率控制、输入/输出处理、或任何其他功能。处理单元201还可以用于实现本文更详细地描述的功能和/或实施例中的一些或全部。每个处理单元201包括用于执行一个或多个操作的任何合适的处理或计算设备。每个处理单元201可以例如包括微处理器、微控制器、数字信号处理器、现场可编程门阵列或专用集成电路。
计算单元200还包括用于有线和/或无线通信的至少一个通信接口202。每个通信接口202包括用于生成用于进行无线或有线传输的信号和/或用于处理无线地或有线地接收的信号的任何合适的结构。该示例中的计算单元200包括至少一个天线204(在其他示例中,天线204可以省略)。每个天线204包括用于发射和/或接收无线信号或有线信号的任何合适的结构。可以在计算单元200中使用一个或多个通信接口202。可以在计算单元200中使用一个或多个天线204。在一些示例中,一个或多个天线204可以是天线阵列204,该天线阵列204可以用于执行波束赋形和波束控制操作。虽然示出为单个功能单元,但是计算单元200还可以使用至少一个发射接口和至少一个单独的接收接口来实现。
计算单元200还包括一个或多个输入/输出设备206或输入/输出接口(诸如到互联网150的有线接口)。一个或多个输入/输出设备206允许与用户或网络中的其他设备进行交互。每个输入/输出设备206包括用于向用户提供信息或从用户接收信息的任何合适的结构,诸如扬声器、麦克风、小键盘、键盘、显示器或触摸屏,包括网络接口通信。
此外,计算单元200包括至少一个存储器208。存储器208存储由计算单元200使用、生成或收集的指令和数据。例如,存储器208可以存储软件指令或模块,所述软件指令或模块用于实现本文所描述的功能和/或实施例中的一些或全部,并且由一个或多个处理单元201执行。每个存储器208包括一个或多个任何合适的易失性和/或非易失性存储和检索设备。可以使用任何合适类型的存储器,诸如随机存取存储器(random access memory,RAM)、只读存储器(read only memory,ROM)、硬盘、光盘、用户识别模块(subscriber identitymodule,SIM)卡、记忆棒、安全数字(secure digital,SD)存储卡等等。
如图3所示,ED 110或BS 170包括至少一个处理单元250、至少一个发射器252、至少一个接收器254、一个或多个天线256、至少一个存储器258以及一个或多个输入/输出设备或接口266。处理单元250实现ED 110或基站170的各种处理操作,诸如信号编码、数据处理、功率控制、输入/输出处理或任何其他功能。处理单元250还可以用于实现本文所描述的功能和/或实施例中的一些或全部。每个处理单元250包括用于执行一个或多个操作的任何合适的处理或计算设备。每个处理单元250可以例如包括微处理器、微控制器、数字信号处理器、现场可编程门阵列或专用集成电路。
每个发射器252包括用于生成用于无线或有线传输的信号的任何合适的结构。每个接收器254包括用于处理无线地或有线地接收的信号的任何合适的结构。虽然示出为单独的部件,但是至少一个发射器252和至少一个接收器254可以组合成收发器。每个天线256包括用于发射和/或接收无线信号或有线信号的任何合适的结构。虽然公共天线256在此示出为耦合到发射器252和接收器254,但是一个或多个天线256可以耦合到一个或多个发射器252,并且一个或多个单独的天线256可以耦合到一个或多个接收器254。在一些示例中,一个或多个天线256可以是天线阵列,该天线阵列可以用于波束赋形和波束控制操作。每个存储器258包括一个或多个任何合适的易失性和/或非易失性存储和检索设备,诸如以上关于图2描述的那些。存储器258存储由ED 110或基站170使用、生成或收集的指令和数据。例如,存储器258可以存储软件指令或模块,所述软件指令或模块用于实现本文所描述的功能和/或实施例中的一些或全部,并且由一个或多个处理单元250执行。
每个输入/输出设备/接口266允许与用户或网络中的其他设备进行交互。每个输入/输出设备/接口266包括用于向用户提供信息或从用户接收/提供信息的任何合适的结构,包括网络接口通信。
如以上所提到的,图1的示例系统100可以用于使用现有的或未来的无线技术的无线通信。本文所公开的示例可以提供一种方法,该方法适合于开发未来的无线技术,并且还可以有用于当前的无线技术。为了帮助认识所公开方法的有用性,首先讨论了现有的基于香农的方法。
许多现有的无线技术都是基于香农定义的度量(即互信息或容量)和用于对其进行测量的统一方式开发的。该基于香农的方法使用香农-哈特利定理:
其中,B、P和N分别表示占用带宽、发射功率和信道白噪声功率。
基于香农的互信息度量可以解释为信号空间中任何两个信号分布之间的“距离”测量。在本公开的上下文中,应当理解,发射信号作为似然分布(其可以在概率解码器处解码,以便恢复发射的信息)在接收器处接收。传输因而应当理解为占用信号空间中对应于传输的似然分布的区域。为了简单起见,术语“信号分布”在本公开中用于指代传输的似然分布。互信息度量和对应的测量方法(用于计算距离)依赖某些假设。一种假设是,占用带宽B代表傅里叶域上的观察。这表明了应当既在时间维度又在频率维度上观察互信息度量的假设。另一种假设是,信噪比(signal-to-noise ratio,SNR)P/N代表利用假设高斯分布或高斯球的观察。这表明了所有测量都应当使用高斯信道来可靠地进行的假设。
到目前为止,几乎所有通信技术(无论是在发射器还是接收器中实现)都是为了在时频域的基础上使基于香农的度量(即信道容量)最大化而开发的。现有通信技术可以使用技术来去除其他非高斯因素(例如干扰),或者将这些非高斯因素近似为高斯假设。在此基础上开发的一些无线通信技术包括与设计以下各项有关的技术:波形、参数集(numerology)、传输时间间隔(transmission time interval,TTI)持续时间、带宽、反馈测量(例如,信道质量指示符(channel quality indicator,CQI)、预编码矩阵指示符(pre-coding matrix indicator,PMI)、秩指示符(rank indicator,RI))、参考信号、资源分配调度器、粒度和接收器对齐(例如同步)。基于香农的度量已作为从2G到5G开发无线技术的基础,包括诸如前向纠错(forward error correction,FEC)、TDMA、FDMA、CDMA、正交频分复用(orthogonal frequency-divisional multiplexing,OFDM)、MIMO和比例公平(proportional fair,PF)调度等等的技术。
但是,基于香农的方法可能不足以开发未来的无线技术,诸如用于将信号空间扩展到高维度和/或包括新的非正交维度的新技术。
虽然基于香农的度量是针对时频域设计的,但是现代无线系统(以及预期的未来无线系统)使用的信号空间包含更多维度,而不是仅时间和频率。
从维度的角度来看,发射器和传输信道可以被认为起到维度变换器的作用。图4示出了一种示例。在该示例中,有两个接收方ED 110,即UE-p 110a和UE-q 110b。还有两个发射BS 170,即BS-1 170a和BS-2 170b。为了简单起见,仅示出两个ED 110和两个BS 170,但是应当理解,以下讨论可以适用于任何多个ED 110和BS 170。在所示示例中,每个BS 170a、170b具有多个天线,并且BS-1 170a比BS-2 170b具有更多的天线。BS 170和ED 110参与MIMO通信。每个BS 170a、170b通过空中并且以不同的配置将一条相应的信息传输到每个ED110a、110b。源信号分布在发射域中具有源分布Xp和Xq,它们都由两个BS 170发射(由虚线框指示)。在传输期间,信号分布Xp和Xq由收发器和信道特征进行变换。作为视觉辅助,发射信号分布的分布例示在示出传输的箭头上方。在所示示例中,BS-1 170a通过UE-q 110b的MIMO信道#1发射在低频段中具有双月状似然分布的信号分布(由箭头402指示);BS-1 170a通过UE-p 110a的MIMO信道#1发射在低频段中具有分布并且在高频段中具有似然分布的信号分布(由箭头404指示);BS-2 170b通过UE-q 110b的MIMO信道#2发射在高频段中具有似然分布的信号分布(由箭头406指示);并且BS-2 170b通过UE-p 110a的MIMO信道#2发射在低频段中具有窄似然分布并且在高频段中具有宽分布的信号分布(由箭头408指示)。不同的信号分布在接收域中的相应ED 110处接收。
结果是在接收器侧的一种类型的维度扩展。例如,考虑信号分布Xp的传输。Xp由BS-1 170a和BS-2 170b发射;两个BS处的发射器形成一个维度。在BS-1 170a处,Xp通过两个不同的频段发射到UE-p 110a(由箭头404指示)。在BS-2 170b处,Xp通过另外两个不同的频段以不同的分布形状发射到UE-p 110a(由箭头408指示)。不同的频段形成另一个维度。在UE-p 110a处,Xp作为不同频段上的四种不同分布的总和被接收。这样一来,Xp在接收器侧扩展到更高数量的维度。通常,这种类型的维度扩展可以提供期望的维度增益,以帮助改善不同信道条件下的SNR和分集增益。诸如MIMO、分布式MIMO、协同多点(coordinatedmultipoint,CoMP)、双连接、载波聚合等的许多现代无线技术都是使用该基础开发的。意图是,通过使用适当的传输配置选择(即不同维度扩展),在每个目标接收方的接收器处,意欲发往两个不同接收方的两条信息可以很好地彼此分离(例如,无干扰)。
图5是例示了收发器上的这种维度扩展概念的图。在图5中,意欲发往UE-p和UE-q的两个源信号分布在发射域中分别具有源分布502和504。概念上,发射器(例如,在BS 170处的收发器)和传输信道可以建模为接收方特定变换器。因此,信号分布的传输可以建模为使源分布502、504通过相应的UE-p变换器512和UE-q变换器514。变换器512、514将源分布502、504扩展到更高维度,将源分布502、504变换为接收域中相应的接收分布522、524。为了简单起见,图5例示了仅由变换器512对源分布502的变换,以及仅由变换器514对源分布504的变换。应当理解,每个变换器512、514实际上可以应用于两个源分布502、504,如图6A-图6C所例示并且下文将进一步讨论的。通常,发射器和信道一起可以充当接收方特定变换器,该接收方特定变换器将源信号分布从发射域(具有第一维度)变换到接收域(具有第二维度,往往比第一维度高)。为了便于参考,本文使用术语“变换器”来描述发射器和传输信道一起对发射信号的似然分布的影响。
为了实现维度增益和分集增益,无线系统中可能共存有多于一个这样的变换器。为了简单起见,以下讨论将在两个接收方ED的背景下。但是,应当理解,可以有任何数量的多路复用ED。
图6A-图6C例示了两个变换器如何影响两个多路复用接收方的信号分布的三种基本情况。在下文所示和所讨论的所有情况下,有两个源信号分布,在发射域中具有源分布502、504,并且分别意欲发往UE-p和UE-q。源分布502、504由相应的收发器和信道特征(一起建模为变换器512、514)变换,并且在UE-p的接收域和UE-q的接收域中接收。源分布502、504被变换为UE-p的接收域中的接收分布522a、524a;并且源分布502、504被变换为UE-q的接收域中的接收分布522b、524b。要说明,UE-p的接收域中的接收分布522a、524a可以不同于UE-q的接收域中的接收分布522b、524b。
图6A例示了第一种场景,其中,源信号分布502、504在发射域中是非重叠的(例如,正交、或几何上非相交)。用于UE-p的变换器512致使接收信号分布522a、524a在UE-p的接收域中是重叠的(例如,有干扰)。用于UE-q的变换器514致使接收信号分布522b、524b在UE-q的接收域中是非重叠的(例如,没有干扰)。通常,图6A例示了发射域中的无干扰信号分布被变换为至少一个接收域中的相互干扰信号分布的场景。这不合期望。
图6B例示了第二种场景,其中,源信号分布502、504在发射域中是非重叠的(例如,正交)。用于UE-p的变换器512致使接收信号分布522a、524a在UE-p的接收域中是非重叠的(例如,没有干扰)。用于UE-q的变换器514致使接收信号分布522b、524b在UE-q的接收域中也是非重叠的(例如,没有干扰)。这被认为是正常场景。但是,没有实现分集增益。
图6C例示了第三种场景,其中,源信号分布502、504在发射域中是重叠的(例如,非正交)。用于UE-p的变换器512致使接收信号分布522a、524a在UE-p的接收域中是非重叠的(例如,没有干扰)。用于UE-q的变换器514致使接收信号分布522b、524b在UE-q的接收域中也是非重叠的(例如,没有干扰)。因而,图6C中的变换器512、514用于将发射域中相互干扰的信号分布502、504变换为在所有接收域中无干扰的信号分布522、524。这被认为是期望的结果,并且特别地实现了分集增益。
通常,期望的是,设计一种发射器,使得更多地实现第三种场景(由图6C所例示),并且更少地实现第一种场景(由图6A所例示)。为了设计一种发射器来实现该目标,有可以用于测量所有接收域中两个信号分布之间距离的距离度量会是有用的。
传统上,使用了香农度量及其测量。基于香农度量,现有发射器设计方法使用代数方式来控制和配置变换器的参数,目标是使接收域中多路复用的信号分布之间的干扰最小化。配置期间需要多个参数。例如,L1(物理层)定义了发射器架构,例如需要调制和编码方案(modulation and coding scheme,MCS)和编码速率的有限集、帧结构的有限集以及载波聚合和双连接的有限集。L1调度器配置发射器和接收器的系数,例如需要MCS表的有限集、预编码矩阵和功率控制的有限集以及参数集(包括天线数量、载波聚合数量、TTI持续时间、OFDM大小)的有限集。L1通知接收方系数和架构,例如需要DL物理下行链路控制信道(physical downlink control channel,PDCCH)格式的有限集。发射器还必须获得信道条件,这可能需要参考信号和图案的有限集、某些预定义测量参数(例如,CQI、PMI、RI)、UL/DL相互通信以及UL物理上行链路控制信道(physical uplink control channel,PUCCH)格式的有限集。
由于信道环境是变化的并且ED可以是移动的,发射器可能需要响应于这些改变调整发射器(和接收器),以便使接收器侧的干扰最小化。因此,可能需要发射器监测信道条件,该信道条件可以由接收器在规则(例如正交)或不规则(例如非正交)的基础上进行报告。使用各种标准化方法使得发射器能够获得关于信道条件的所需信息。当发射器确定需要对收发器进行改变时,对于高维度空间,有大量的选项要考虑。通常地,无线标准定义了由发射器和接收器商定的这些选项(例如,为表、索引、公式等)的子集。代替必须从多个可能选项中选择一个,发射器可以代替地从该指定的选项的有限集中进行选择,并且将选择通知接收器。
随着信号空间的维度增加(意味着传输信号所通过的“真实”环境变得越来越复杂),针对收发器定义的这些选项的子集必须相应地增加。这增加了所需要的测量信息和控制信息的量,并且可能导致整个系统过载。引起该问题是因为,传统上,香农度量是唯一可用的度量,意味着每个测量都必须转换到频域和时域中的测量(以与香农度量可兼容),并且然后在此基础上做出选择。这是复杂并且资源密集的。此外,香农度量可能无法反映真实环境的复杂性。
尽管香农度量有这些缺点,但通常距离度量对于恰当发射器设计仍然是重要的。例如,考虑一种发射器,该发射器发射两个多路复用信号分布,该两个多路复用信号分布在发射域中具有相应的源分布Xp和Xq,意欲发往两个相应的接收方UE-p和UE-q。在传输期间,Xp和Xq的不同副本经历不同路径,这些不同路径具有各种各样的延时、衰减和失真(可以是线性的或非线性的)。这些副本异步地或同步地到达一个接收器,以汇聚为接收域中的接收信号分布Yp和Yq。距离度量用于设计发射器,以确保对于两个接收方在接收域中Yp与Yq之间有足够距离。
但是,有待解决的挑战。例如,自然信道是不同并且变化的。这样的信道改变包括环境改变(可能是相对较大规模或中等规模的改变)和随机改变(可能是相对较小规模的改变)。如果引入了新的维度(例如,对于维度和分集增益),则需要考虑显著改变(例如,引入新的天线端口、辅频段、辅发射器等)。由不同信道所经历的环境实际上可能非常不同。
图7例示了可能需要考虑的一些复杂性。图7类似于图6C,但是,收发器和信道512、514的特征已经被划分出来。具体而言,UE-p收发器和信道(其先前建模为单个变换器512)可以被划分为UE-p发射器702、UE-p信道704和UE-p接收器706特征。类似地,UE-q收发器和信道(其先前建模为单个变换器514)可以被划分为UE-q发射器712、UE-q信道714和UE-q接收器716特征。这些部件中的每个部件都可以对在接收域处接收的所得信号分布产生其自己的影响。如图7所示,各种参数和因素(例如,接收系数、发射器系数和信道改变)都可能各自影响在接收域处接收的所得信号分布。例如,UE-p发射系数(在图7中指示为UE-p TxCoeff)可以包含关于UE-p发射器702的MCS、子载波数量、天线数量、帧长度等的信息。UE-p接收系数(在图7中指示为UE-p Rx Coeff)包含类似的信息,但是是UE-p接收器706的。UE-p发射器702可以在实现UE-p发射系数之前将UE-p接收系数发送到UE-p接收器706(例如,经由控制信道或其他独立信道)。UE-p信道系数(在图7中指示为UE-p Ch)代表从UE-p发射器702到UE-p的UE-p信道704。例如,UE-p信道系数可以由UE-p估计,并且经由反向信道反馈给UE-p发射器702。或者,例如,UE-p发射器702可以自身通过互易性从下行链路信道推导UE-p信道系数。可以类似地理解图7所指示的UE-q Tx Coeff、UE-q Rx Coeff和UE-q Ch。应当理解,图7例示了系统的模型,并且可能无法反映实际实现方式。例如,UE-p发射器702和UE-q发射器712在实际实现方式中可以在发射设备(例如BS)的一个发射器中实现,并且UE-p接收器706和UE-q接收器716在实际实现方式中可以实现为相应的接收设备(例如,相应的UE-p ED和UE-q ED)的相应接收器。
维度水平的任何显著改变还会显著改变信号的似然分布。本质上,距离度量的性质在所有接收器上的接收信号的似然分布中是不同的。例如,宏小区和小型小区通信中的距离度量不同,并且窄带小区和宽带小区通信中的距离度量也不同。
在现有的基于香农的方法中,该问题通过使用假设来简化真实环境而解决。例如,在设定5G规范前,首先对可能的5G信道模型进行了讨论并得出结论,并且将5G的可能环境分类为不同场景,诸如增强型移动宽带(enhanced mobile broadband,eMBB)、超可靠低延迟通信(ultra-reliable low-latency communication,uRLLC)、大规模机器类型通信(massive machine type communication,mMTC)、小型小区和宏小区。通过针对某些类型的通信假设特定环境,不同方可以一起工作,以在相同的模拟假设下评估候选技术。但是,对假设环境的依赖限制了代表真实环境的灵活性和潜力。缺点是,如果添加了新环境(例如,新物理环境或新应用流量),则应当需要完整的标准化过程来评估并且然后指定技术。
因此,为了增加维度,需要构造或创建新的基本维度,该新的基本维度必须与现有的基本维度(例如,时间和频率是现有无线技术中的基本维度)正交。新的基本维度必须由整个无线系统商定和实现。例如,该创建或构造的基本维度会需要在标准中得到很好描述,以便无线系统中涉及的所有各方都能够配置收发器,以与新的基本维度对齐。
通常,如果基本维度之间的正交性可以容忍信道失真,则可以继续添加多个用户。图8A是两个正交维度802、804的几何表示。沿着两个维度802、804绘制的是经历传输信道的接收信号分布812、814的表示。信号分布812、814可能遭受信道失真,这导致信号分布812、814偏离维度802、804的轴线。接收器旨在分离两个维度802、804,由图8A中的线820表示。因此,无线系统的目的是保持接收器处维度的正交性,对抗时变信道失真。已经设计了各种无线技术来保证或维持维度正交性,使用了许多不同技术,诸如参考信号、测量、反馈和复杂调度算法。通常,无线系统使用的基本维度越多,为确保正交性,需要的这样的参考信号及它们的测量/反馈就越多。
应当理解,在现有的无线系统中添加新的基本维度不是微不足道的任务。技术上,通常难以找到良好正交的基本维度。此外,在涉及多方的情况下,可能难以就新的基本维度达成共识。
为了进一步改善系统容量,无线系统已经演变成定义新的基本维度,这些新的基本维度不需要与现有维度完全正交,以实现更高频谱效率。在考虑了频率维度、时间维度和码维度之后,通常很难找到无线信号的另一个完美正交的基本维度。一种折衷可以是考虑附条件正交或非正交的基本维度。
对于非正交维度,如果非正交维度之间的剩余正交性可以“容忍”预期的信道失真,则这些维度仍可以有效地视为基本维度。
图8B是两个非正交维度852、854的几何表示。沿两个维度852、854绘制的是经历传输信道的接收信号分布862、864的表示。信号分布862、864可能遭受信道失真,这导致信号分布862、864偏离维度852、854的轴线。如果接收器仍然能够分离两个维度852、854(由图8B中的线870表示),则维度852、854可以有效地视为基本维度。
例如,由现有无线系统调整的一些非正交基本维度包括在非正交多址(non-orthogonal multiple access,NoMA)和多用户MIMO(multi-user MIMO,MU-MIMO)中使用的那些维度。通常,无线系统中可以包括的基本维度越多,无线系统可以实现的频谱效率就越高。
在图8A和图8B所例示的示例中,线820、870表明接收器可以找到多维超平面来划分来自两个用户(一个用户在一个维度上,另一个用户在另一个维度上)的两个接收的含噪声信号分布。无能力划分两个含噪声信号分布可能导致接收信号分布之间的不合期望干扰。问题然后是如何评估维度的非正交性是否可接受,特别是是否可以容忍预期的信道失真(即,接收器可以继续分离两个维度)。用于该问题的传统方法是基于香农度量,其使用高斯球来评估。
图9A和图9B例示了假设高斯球传统上如何用于评估两个信号分布是否彼此干扰的示例。图9A和图9B表示接收方的接收域中的两个信号分布902、904。高斯假设解释为多维度球体,该多维度球体的中心是信号分布的期望,并且半径是信号分布的方差。信号分布902、904的高斯球分别表示为包围相应信号分布902、904的圆912、914。图9A示出了一种示例,其中,信号分布902、904不重叠(即,不彼此干扰),但是由于它们的假设高斯球912、914重叠,传统无线系统会认为有干扰。为了使传统无线系统认为没有干扰,信号分布902、904以及它们的假设高斯球912、914必须是不重叠的,如图9B的示例中所例示的。
在5G NR中,差不多所有的接收器测量都关注信号分布的(协)方差(即假设高斯球的半径)。例如,测量CQI、PMI和RI全部都与信道矩阵H·HH的奇异值分解(singular valuedecomposition,SVD)有关。传统上,非常重要的是,发射器知道接收器将观察到的高斯球的半径并且然后调整发射参数。例如,基于报告的测量,发射器处的功率控制机制是调整假设高斯球之间距离的一种方式。但是,维度数量越多,有效高斯球就越少。在高维度无线系统(例如,多于三个维度)中,计算高斯球变得越来越难(几乎是NP问题)。
本公开提供了用于测量两个信号分布(例如,在接收域中)之间距离的距离度量,该距离度量与真实环境更相关。例如,所公开的距离度量可以更加反映通过信道传输的信号流量的类型,以及不同类型的物理环境如何影响信道。此外,所公开的距离度量可以使得能够开发不需要依赖高斯假设的无线技术。可以使用诸如深度神经网络(deep neuralnetwork,DNN)的机器学习算法来实现。
使用DNN,信号分布可以被视为高维度空间中的流形(manifold)。图9C再次示出了上文关于图9A讨论的信号分布902、904。但是,使用基于DNN的方法,每个信号分布902、904被划分为相应的小子空间集。高斯假设应用于每个子空间,以生成相应的小高斯球集922、924。可以对每个小高斯球应用香农度量。
两个信号分布902、904之间的互信息(与重叠量有关)的测量可以表示为二元分类问题,以在两个信号分布902、904之间进行区分。二元分类问题可以通过基于DNN的训练来解决。一旦DNN经过训练(即,收敛),DNN自身(由权重系数和架构表示)代表超平面(由图9C中的线930例示),用于划分两个信号分布902、904。这种用于测量互信息的基于DNN的方法的示例已经在2019年3月29日提交、发明名称为“用于由一个或多个极化网络生成波形的方法和装置(A METHOD AND APPARATUS FOR GENERATE WAVEFORM BY POLARIZATION NETWORK(S))”的申请号为62/826,034的美国临时专利申请中描述。
如果接收器可以使用这样的基于DNN的检测器,则可以提取感兴趣的信号分布。可以视情况进行进一步的信号处理。应当说明的是,该基于DNN的方法适用于具有任何形状和处于任何维度空间中的信号分布。为了有效地实现这样的方法,有用的是提供可以比互信息提供更有效测量的距离度量。
互信息可以解释为两个信号分布之间“相互作用”的测量。如果两个信号分布在信号空间中重叠(即,有信号干扰),则互信息小于最大值,并且互信息的值代表重叠量。如果两个信号分布在信号空间中不重叠(即,没有干扰),则它们的互信息达到最大值。要说明,在信号空间中彼此接近的一对非重叠信号分布与信号空间中彼此相距较远的一对非重叠信号分布具有相同的互信息(即,最大值)。经过训练以提供互信息测量的基于DNN的检测器可以指示两个信号分布是否是非重叠的,但是不能提供关于两个信号分布彼此相距多远的信息。这种精度缺乏可能阻碍最大限度地使用信号空间的努力。例如,在不确切知道两个非重叠信号分布相距多远的情况下,即使不是不可能,也变得难以在两个现有信号分布之间有效地布置第三信号分布。
依赖基于香农的度量可能有随着维度的增加而变得更加严重的缺点。虽然更多的维度可能带来更多的系统增益,但是增益取决于如何对信号空间进行划分。虽然新的基本维度可以添加到信号空间,但是在高维度中测量信号分布变得具有挑战性。例如,为了在MU-MIMO中有效地执行UE配对和UE分组,许多测量必须在反馈和报告中传送。由于假设高斯球,在许多情况下,依赖功率控制(控制信号分布方差或协方差)来增加两个信号分布之间的距离。这是基于在测量和反馈方面通常高成本的试错方法。
本公开描述了一种用于测量两个信号分布之间距离的基于机器学习的方法。所公开的距离度量可以用来代替基于香农的度量,例如用于设计下一代和未来的无线技术。在下文描述的示例中,实现DNN的系统可以被训练以输出距离度量,该距离度量测量任何维度(例如,适应于任何环境)的信号空间中的两个信号分布之间的距离。
图10例示了用于测量两个信号分布之间距离的基于DNN的系统的示例实现方式。这样的系统可以在发射装置(例如,BS)中实现,以使得能够调节传输以避免在接收装置(例如,ED)处的干扰。虽然在一些示例中描述为在发射装置处实现,但是在其他示例中,所公开的基于DNN的系统可以通过另一个网络实体(例如,在核心网中)实现,并且将输出提供给发射装置。在图10中,仿真器可以用于仿真下文讨论的各种部件的特征。根据图10的实现方式的仿真和训练可以在发射装置处执行,例如由处理单元执行。
出于讨论的目的,图10所示的系统使得能够实现从仅一个接收方设备的角度的距离测量。后续讨论将描述一种示例基于DNN的系统,该基于DNN的系统提供全局距离测量(即,不特定于任何一个接收方的角度)。考虑如下示例:发射装置尝试向接收方设备UE-p和UE-q发射具有源分布Xp和Xq的信号分布。在通过空中发射信号分布之前,发射装置可以使用基于DNN的系统来确定:预期在UE-p接收器处接收的接收信号分布Yp和Yq是否彼此良好分离,以及它们彼此分离开多远。通过在实际传输前估计接收分布Yp和Yq之间的预期距离,可以调节发射器(例如,通过适当调整发射器系数),以获得Yp和Yq之间的期望分离量。下文的讨论集中在对UE-p接收器的Yp和Yq的估计。随后将是包括UE-q接收器的讨论。
在图10中,假设传输信道的参数是已知的(例如,发射器已经从UE-p接收到UE-p信道的测量)。UE-p的传输信道可以因而由UE-p信道仿真器1012表示。用于传输到UE-p和UE-q的发射参数由发射器自身设置,并且因而也是已知的。这些发射参数可以由UE-p发射器仿真器1002和UE-q发射器仿真器1004表示。在一些示例中,代替使用仿真器,可以使用实际发射器(不过在一些情况下这样做可能被认为是不切实际的)。为了训练DNN,输入源分布Xp和Xq可以是随机生成的信息集,使得Xp={Xp[1],Xp[2],Xp[3],Xp[4],…Xp[Mp]}并且Xq={Xq[1],Xq[2],Xq[3],Xq[4],…Xq[Mq]}。两个信息集Xp和Xq分别由UE-p发射器仿真器1002和UE-q发射器仿真器1004编码。然后,将两个经编码块传递到UE-p信道仿真器1012。由于目前重点是UE-p处的接收分布,因此只需要考虑UE-p信道。预期信道噪声可以由噪声源1020(例如,白噪声仿真器)表示,并且添加到经编码信号块。结果是,在UE-p的接收域中的接收分布Yp={Yp[1],Yp[2],Yp[3],Yp[4],…Yp[Mp]}和Yq={Yq[1],Yq[2],Yq[3],Yq[4],…Yq[Mq]}。Yp和Yq是UE-p接收域中的仿真信号块(因为使用UE-p信道仿真器1012生成Yp和Yq)。应当说明的是,可以针对Yp和Yq生成许多这样的数据样本,用于训练DNN。在图10中,测量DNN 1050用于输出距离测量Dp(P,Q)。
测量DNN 1050的设计需要一些考虑。应该恰当地选择损失函数来训练测量DNN1050。例如,损失函数必须是可微的。应当说明的是,距离测量Dp(P,Q)是从UE-p接收器的角度测量的距离。距离测量Dq(P,Q)是从UE-q接收器的角度测量的距离。测量Dp和Dq可能不相等,例如,因为UE-p信道和UE-q信道具有不同特征。
现在描述损失函数的选择。在神经网络中,使用损失函数(或奖励函数)的定义来出于预期目的训练网络。两个信号分布之间的距离可能难以测量,原因在于在高维度空间中可能的不规则信号分布(以及,在一些情况下,甚至信号空间的基可能不是完美正交的),并且有任何任意数量的路径“走过”两个分布之间的距离。
在本文公开的示例方法中,使用了瓦瑟斯坦距离(W-距离),而不是詹森-香农距离(Jensen Shannon distance,JSD)。所公开的方法包括将不规则信号分布划分为有限元,然后在无限可能性中找到最短距离(下界)。数据样本用于探索信号空间。
为了测量交叉熵以在两个信号分布之间执行二元分类,测量DNN 1050可以用于执行回归,以测量一个公共信号空间中任何两个信号分布之间的W-距离。W-距离还称为“地球移动距离”,并且概念上可以被认为是将一个信号分布变成第二信号分布所需的努力量。可以训练测量DNN 1050以测量两个信号分布之间的W-距离。即,有足够数据样本Yp和Yq的情况下,可以对测量DNN 1050进行训练,以收敛为UE-p接收器的域上的W-距离的测量。
在图10的示例的背景下,上标(p)可以用于指示样本Yp(p)和Yq(p)实际上仅是从UE-p接收器的角度。损失函数L可以表示为:
总损失函数θp是:
损失函数θp输出一种度量,该度量表示两个分布Yp(p)与Yq(p)之间的W-距离。使用该损失函数θp训练DNN旨在调整DNN中的每个神经元,以使从一个分布改变(或移动)到另一个分布的努力(损失)最小化。当训练发现无法进一步减少努力时,则当前努力是在两个分布Yp(p)与Yq(p)之间移动的最少努力。所得最小值(最小损失)是两个分布Yp(p)与Yq(p)之间的W-距离。因而,在完成训练(收敛)之后,Dp(P,Q:θ)的输出值是在UE-p接收器的域上估计的W-距离的测量:
在训练期间,特别是对于反向传播,为了避免梯度悬崖问题,可以使用正则化函数,诸如:
通常,神经网络作为整体可以被认为是函数,在这种情况下具有输入Y和输出D。训练神经网络因而是一种找到函数的表示的方式。给定许多数据样本Y和D,可能有许多不同的表示(不同可能的训练神经网络)来实现输入Y与输出D之间所需要的函数。正则化函数用于通过偏向较小的权重值(或较小的神经元系数)来帮助避免当训练神经网络时过拟合。概念上,正则化函数指导训练以较小步伐而不是较大步伐探索权重值,并且旨在避免过于复杂或过于深入的神经网络。使用正则化函数,推导可以受到正则化参数C的限制。
如上文提到的,Dp(P,Q)是仅从UE-p的角度(即,仅考虑UE-p接收器)的距离测量。可以执行类似的过程以获得仅从UE-q的角度的距离测量(即,Dq(P,Q))。但是,期望的是从所有UE的角度开发全局的基于神经网络的距离度量。使用这样的全局距离测量,发射器可以优化其传输,对于所有目标接收方有充分分离的信号分布。
图11例示了用于测量两个信号分布之间距离的基于DNN的系统的示例实现方式。特别地,图11扩展了图10,以使得能够考虑多于一个接收域。这样的系统可以在发射装置(例如,BS 170)中实现,以使得能够调节传输以避免在接收装置(例如,ED 110)处的干扰。虽然在一些示例中描述为在发射装置处实现,但是在其他示例中,所公开的基于DNN的系统可以通过另一个网络实体(例如,在核心网130中)实现,并且将输出提供给发射装置。
图11的示例系统使得能够实现不特定于任何一个接收方的角度的全局距离测量。图11的系统与以上描述的图10的系统共有许多共同的部件,但是另外扩展到多于一个接收域。在图11的示例中,讨论了两个接收域。但是,应当理解,可以进一步扩展示例实现方式以使得能够实现多于两个接收域上的距离测量。本领域技术人员会容易理解如何进行适当修改以实现这一点。
与图10的示例类似,UE-p信道的特征、UE-q信道的特征、UE-p发射器和UE-q发射器均是已知的,并且可以使用相应的仿真器建模。在一些示例中,可以使用实际发射器而不是使用发射器仿真器。在图11中,为意欲发往UE-p的信号的输入样本Xp={Xp[1],Xp[2],…Xp[M]}由UE-p发射器仿真器1002编码。UE-p发射器仿真器1002的输出提供给UE-p信道仿真器1012和UE-q信道仿真器1014,这些信道仿真器分别对UE-p信道和UE-q信道的特征建模。预期信道噪声可以由噪声源1020(例如,白噪声仿真器)表示,并且添加到经编码信号块。在该示例中,公共噪声源1020用于向经编码信号块添加噪声;在其他示例中,可以使用不同的噪声源来添加噪声(例如,为了对不同信道上的不同噪声特征进行建模)。结果是不同接收域中的分布。在该示例中,Xp变换为UE-p的接收域中的接收分布Yp(p)={Yp (p)[1],Yp (p)[2],…Yp (p)[M/2]}(在该示例中,M个输入样本在UE-p信道与UE-q信道之间拆分,得到Yp(p)和Yp(q)的索引1…M/2),并且变换为UE-q的接收域中的接收分布Yp(q)={Yp (q)[1],Yp (q)[2],…Yp (q)[M/2]}。Yp(p)和Yp(q)由随机化器1040随机重新排序成全局域(即,非接收器特定域)中的一个向量
类似地,为意欲发往UE-q的信号的输入样本Xq={Xq[1],Xq[2],…Xq[M]}由UE-q发射器仿真器1004编码,然后传递到UE-p信道仿真器1012和UE-q信道仿真器1014。信道噪声可以由噪声源1020建模,并且添加到经编码信号块。在一些示例中,不同噪声源可以用于对不同信道上的不同噪声特征进行建模。在该示例中,Xq变换为UE-p的接收域中的接收分布Yq(p)={Yq (p)[1],Yq (p)[2],…Yq (p)[M/2]},并且变换为UE-q的接收域中的接收分布Yq(q)={Yq (q)[1],Yq (q)[2],…Yq (q)[M/2]}。Yq(p)和Yq(q)由随机化器1040(其可以与用于生成的随机化器相同或不同)随机重新排序成全局域中的一个向量/>
和/>用作测量DNN 1050的输入,以输出W-距离D(p,q)。要说明,该测量距离是UE-p和UE-q接收器的范围的组合,并且因而可以被认为是全局测量(即,不特定于任何一个接收器)。
虽然以上讨论是在两个接收器的背景下,但是应当理解,可以考虑更多接收器。使用基于神经网络的方法可以促进针对更多数量的接收器在高维度空间中对更复杂的优化。
在本公开中,W-距离用作距离测量的基础,而不是在基于香农的方法中使用的JSD。
图12例示了TDMA中的一种简单示例,其中,时间上没有重叠(即,完全正交)。假设UE-p和UE-q功率相等,并且共用二维信号空间。维度为频率(100MHz)和时间(10个TTI)。TDMA用于分离来自两个UE的信号分布。UE-p在TTI#0处占用所有频段;而UE-q在TTI#T处占用所有100MHz频段。为了简单起见,此处不考虑信道失真。在θ>=1(即在TDMA中完全正交)的情况下,JSD测量为log(2),这是最大JSD值。该值表明信号分布是正交的(非重叠的),但是不提供关于信号分布之间分离量的信息。另一方面,W-距离提供时间分离T的测量(例如,UE-p信号分布与UE-q信号分布之间的TTI数量)。该值指示两个信号分布之间的分离量。因而,基于香农的方法使用JSD度量,该JSD度量提供两个信号分布是重叠还是非重叠的分类。相比之下,所公开的基于神经网络的方法使用W-距离提供了两个信号分布之间距离/重叠的实际测量。
与基于香农的距离测量相比,所公开的基于NN的距离测量可以更全局,并且更加反映真实环境。
应当认识到,W-距离输出值取决于DNN架构。因而,DNN的设计应当反映真实部署环境。如果DNN的架构太过简单,可能无法准确计算高维度W-距离。此外,良好设计的DNN架构可以促进在所有感兴趣维度上信号分布的全局优化。
图13A和图13B有助于说明恰当设计DNN的重要性。DNN架构可以在数学上被考虑为函数集的定义。DNN的训练可以被考虑为使用样本数据来探索该函数集,以便确定函数集的参数。图13A例示了二维空间中的两组数据样本1305和1310。即使在相同维度内,两组数据样本1305、1310之间的距离也可以使用第一函数集诸如函数X2/θ1+Y2/θ2=1(示出为实线椭圆1315)或第二函数集诸如函数X/θ1+Y/θ2=1(示出为虚线对角斜线1320)来评估。沿第一函数集测量的距离(例示为实线弯曲箭头1325)明显不同于沿第二函数集测量的距离(例示为虚线箭头1330)。
DNN架构的维度也是获得准确距离测量的重要设计考虑因素。图13B示出了在三维空间中的两组数据样本1355和1360。可以使用针对二维空间设计的第一DNN架构或针对三维空间设计的第二DNN架构来测量距离。当使用第一DNN架构测量时,基于数据样本1355、1360在二维空间上的投影来测量距离。由第一DNN架构测量的距离(示出为虚线箭头1365)可能不同于数据样本1355、1360之间的真实三维距离(示出为实线箭头1370)。
因而,每个不同部署环境应当具有不同自适应DNN,定制用于测量在该特定环境中的距离。目前,使用基于二维信号空间和高斯假设推导的函数集的传统基于香农的方法无法实现该环境特定的能力。
在所公开的基于神经网络的方法中,DNN架构是基于每个特定应用场景和部署环境构建的,并且还可以考虑网络流量。例如,诸如eMBB、uRLLC、mMTC的特定应用场景各自具有相应的对应DNN架构来测量W-距离。一旦定义了测量DNN 1050的架构,测量DNN 1050可以用于测量任何两个信号分布之间的W-距离。然后,可以相应地优化发射器及它们的配置(例如,在PHY层和MAC层中)(例如,使用另一种基于机器学习的方法,例如使用发射器DNN,如下文进一步描述的,或者使用发射器函数)以实现期望的信号分布。一旦接收器有了关于发射器的信息(例如,发射器DNN或发射器函数),接收器可以容易地推导出对应的接收器DNN或接收器函数。
本公开的示例可以使用基于标准的方法来实现。例如,标准可以针对不同类型的部署预定义一组测量DNN 1050架构。预定义的DNN架构可以是针对某些预期的或典型的部署条件(例如,典型的环境条件和流量模型等)开发的。测量DNN架构可以从该组预定义的测量DNN架构中选择,用于UL通信和DL通信。
现在讨论用于DL通信的示例实现方式。在该示例中,由BS 170选择测量DNN架构,并且BS 170向其关联的ED 110通知所选择的DNN架构。但是,这并不意欲是限制性的。在其他示例中,DNN架构的选择可以由另一个网络实体诸如核心网130的部件或基站控制器(BSC)等等执行。如果DNN架构由BS 170之外的实体选择,则BS 170可以与该实体通信以便实施DNN架构选择。
当BS 170启动(例如,首次激活)时,BS 170向连接的ED 110发送出多个参考信号。例如,参考信号可以使用传统发射器通过传统信道发送。每个ED 110使用参考信号来执行信道测量,并且每个ED 110向BS 170发送反馈。BS 170汇聚从不同ED 110接收的反馈信息。当已经积累了足够的信息(例如,进一步的反馈信息不再贡献关于信道的新统计信息)时,BS 170使用关于信道和环境的信息选择预定义的发射器DNN架构(或函数)中的一个来在发射器处使用。发射器DNN架构(或函数)的选择可以是基于可以根据实现方式诸如ED接收能力或部署等等定义的准则。一个选择准则可以是选择对于连接到BS 170的所有激活ED 110实现最大平均W-距离的DNN架构。在一些示例中,可能有多于一个被发现满足选择准则的DNN架构,在这种情况下,BS 170可以进行任意选择,或者可以基于默认顺序进行选择。在BS170选择了发射器DNN架构(或函数)之后,BS 170例如经由广播消息或传统控制消息将关于所选择的DNN架构的信息提供给ED 110。关于所选择的发射器DNN架构(或函数)的信息可以是在预定义的架构(或函数)中选择的DNN架构(或函数)的索引或其他指示符。在其他示例中,诸如在ED 110没有将该组预定义的架构(或函数)存储在存储器中的情况下,BS 170可以发送定义发射器DNN架构(或函数)的信息(例如,节点数量等),以使得ED 110能够推导和实现对应的接收器DNN架构(或函数)。
BS 170可以继续监测信道和/或流量条件,并且确定是否需要不同的发射器DNN架构(或函数)。例如,BS 170可以发送周期性或间歇性参考信号,并且从ED 110接收反馈。BS170可以比较接收的反馈,以确定信道和/或流量条件是否有任何显著改变。如果有任何显著改变,BS 170可以使用其选择准则来选择不同的发射器DNN架构(或函数),并且将该信息广播给ED 110。发射器DNN架构(或函数)的选择和将所选择的架构(或函数)传送给ED 110可以在相对较短的时间帧内(例如,在一个TTI内)发生。这可以有助于减少延迟,并且可以使得BS 170能够动态地对信道条件作出响应。
现在讨论用于UL通信的示例实现方式。类似于上文在DL通信背景下讨论的示例,该示例描述了在BS 170处执行选择DNN架构,但是这并不意欲是限制性的。用于UL通信的DNN架构的选择可以与用于DL通信的DNN架构的选择一起执行。
当BS 170启动(例如,首次激活)时,BS 170发送请求给连接的ED 110,以请求发送UL参考信号。例如,参考信号可以使用传统发射器通过传统信道发送。BS 170使用参考信号来确定关于信道条件的信息。当已经积累了足够的信息(例如,进一步的UL参考信号不再贡献关于信道的新统计信息)时,BS 170选择预定义的测量DNN架构中的一个来在发射器处使用,以估计W-距离(例如,使用仿真)。发射器DNN架构的选择可以是基于可以根据实现方式或部署定义的准则。一个选择准则可以是选择对于连接到BS 170的所有激活ED 110实现最大平均W-距离的DNN架构。在一些示例中,可能有多于一个被发现满足选择准则的DNN架构,在这种情况下,BS 170可以进行任意选择,或者可以基于默认顺序进行选择。在BS 170选择了DNN架构之后,BS 170例如经由广播消息将关于所选择的DNN架构的信息提供给ED 110。关于所选择的DNN架构的信息可以是在预定义的架构中选择的DNN架构的索引或其他指示符。在其他示例中,例如在ED 110没有将该组预定义的架构存储在存储器中的情况下,BS170可以发送定义DNN架构的信息(例如,节点数量等),以使得ED 110能够在发射器处实现DNN架构。
BS 170可以继续监测信道和/或流量条件,并且确定是否需要不同的DNN架构。例如,BS 170可以周期性或间歇性地请求ED 110发送UL参考信号。BS 170可以使用参考信号来确定信道条件,并且确定信道和/或流量条件是否有任何显著改变。如果有任何显著改变,BS 170可以使用其选择准则来选择不同的DNN架构,并且将该信息广播给ED 110。DNN架构的选择和将所选择的架构传送给ED 110可以在相对较短的时间帧内(例如,在一个TTI内)发生。这可以有助于减少延迟,并且可以使得BS 170和ED 110能够动态地对信道条件作出响应。
在选择了DNN架构(用于UL通信或DL通信)之后,W-距离的测量可以用于确定合适的物理层,以对发射信号分布进行整形。
在一些示例中,所公开的基于神经网络的距离度量可以用于帮助确定基于神经网络的发射器,例如可以针对给定环境全局优化的发射器。用于生成发射信号分布的基于神经网络的方法的示例已经在2019年3月29日提交、发明名称为“用于由一个或多个极化网络生成波形的方法和装置(A METHOD AND APPARATUS FOR GENERATE WAVEFORM BYPOLARIZATION NETWORK(S))”的申请号为62/826,034的美国临时专利申请中描述。用于执行W-距离测量的DNN可以与用于生成发射信号分布的DNN一起使用,例如,以类似于生成式对抗网络(generative adversarial network,GAN)的布置。
图14例示了用于使用W-距离测量生成发射器的基于DNN的方法的系统的示例实现方式。这样的系统可以在发射装置(例如,BS 170)中实现,以使得能够调节传输以避免在接收装置(例如,ED 110)处的干扰。图14的示例可以与图11的示例进行比较。在图11的示例中,发射器仿真器1002、1004可以表示使用函数(例如,如由标准指定)实现的发射器。在图14的示例中,可以代替使用发射器DNN。
在图14中,图11中描绘的发射器仿真器1002、1004与测量DNN 1050之间的块(如由图11中的括弧1410所指示)可以(为了简单起见)表示为UE-p和UE-q的复合信道仿真器1410。在图14中,UE-p处的发射器由UE-p发射器DNN 1402实现,并且UE-q处的发射器由UE-q发射器DNN 1404实现。发射器DNN 1402、1404都可以在BS 170处实现,并且每个发射器DNN1402、1404意在针对与BS 170关联的相应不同ED 110(即,UE-p和UE-q)生成发射信号分布。当前讨论集中在向两个ED 110发射信号分布。后续讨论将把该方法扩展到多于两个ED110。
可以以迭代的方式执行训练发射器DNN 1402、1404,以得到生成具有令人满意的W-距离(如由测量DNN 1050测量)的发射信号分布的发射器DNN 1402、1404。
图15是例示了根据本公开的实施例的用于生成发射器DNN 1402、1404的示例方法1500的流程图。特别地,生成期望的发射器DNN 1402、1404以实现满足预定义分离准则的测量W-距离(例如,测量W-距离处于或高于预定义阈值)。可以定义分离准则以确保公共信号空间中的信号分布分离,例如,有测量误差的一定量余地。方法1500可以在发射装置(例如,BS 170)中实现。
在1502中,可选地,首先例如使用权重系数的随机值初始化每个发射器DNN 1402、1404。在一些示例中,可以使用存储的系数值诸如由先前训练产生的先前一组值,初始化发射器DNN 1402、1404。在一些示例中,可以省略初始化,例如,如果发射器DNN 1402、1404已经过训练并且正在进行更新,则方法1500可以简单地使用发射器DNN 1402、1404的已经过训练的系数作为起点。
在1504中,使用每个发射器DNN 1402、1404来生成相应的第一发射信号Yp和第二发射信号Yq。如所示的,随机输入样本Xp={Xp[1],Xp[2],…Xp[M]}可以输入到UE-p发射器DNN 1402,其生成第一发射信号分布Yp。类似地,随机输入样本Xq={Xq[1],Xq[2],…Xq[M]}可以输入到UE-q发射器DNN 1404,其生成第二发射信号分布Yq。
在1506中,将生成的发射信号分布Yp和Yq输入到复合信道仿真器1410,以模拟传输信道的影响(例如,包括添加噪声)。复合信道仿真器1410的输出是第一变换信号分布Y'p和第二变换信号分布Y'q,它们代表将会在接收器处接收的信号分布。
在1508中,Y'p和Y'q用于训练测量DNN 1050,以测量变换信号分布Y'p与Y'q之间的W-距离。输出D(P,Q)指示在接收器处接收的信号分布的W-距离。如以上实施例所解释的,DNN可以将信号分布视为高维度空间中的流形,并且可以使用表示分布之间距离的损失函数来训练DNN,以便找到W-距离。
在1510中,固定测量DNN 1050,并且训练发射器DNN 1402、1404以接近或实现满足预定义分离准则的W-距离,如由固定的测量DNN 1050测量的。换句话说,训练发射器DNN1402、1404以生成第一发射信号分布Yp和第二发射信号分布Yq,这些发射信号分布当变换成变换信号分布Y'p和Y'q时在接收域中按照预定义分离准则尽可能接近地分离。
如果在1510中训练之后没有实现预定义分离准则,则然后固定训练的发射器DNN1402、1404,并且方法1500返回到1504,以重新训练测量DNN 1050测量由在先前一次迭代中训练的固定的发射器DNN 1402、1404生成的新信号分布的W-距离。这可以认为是测量DNN1050和发射器DNN 1402、1404的串联(tandem)训练。在一次迭代中,发射器DNN 1402、1404是固定的,并且生成许多样本分布。将这些样本分布变换到接收域中,并且进行测量以找到接收域中分布之间的W-距离。测量是通过对测量DNN 1050进行训练来完成的。在由测量DNN1050找到最小W-距离之后,对测量DNN 1050进行固定,并且对发射器DNN 1402、1404进行训练,目标是接近和实现满足预定义分离准则的由固定的测量DNN 1050观测的W-距离。
重复步骤1504-1510,直到由发射器DNN 1402、1404生成的信号分布实现满足预定义分离准则的测量W-距离(例如,测量W-距离处于或高于预定义阈值)。可以定义分离准则以确保公共信号空间中的信号分布分离,例如,有测量误差的一定量余地。可以选择分离准则以反映真实环境和部署。例如,在部署包括时间维度的情况下,分离准则可以是时间维度上至少10个TTI的分离。
在1512中,当发射器DNN 1402、1404令人满意地经过训练时,训练的发射器DNN1402、1404可以在BS 170处实现,以对到两个ED 110(即UE-p和UE-q)的发射信号分布进行整形。在一些示例中,BS 170可以传送信息以使得ED 110能够解码接收信号分布。例如,BS170可以将关于训练的发射器DNN 1402、1404的信息(例如,发射器DNN 1402、1404的训练系数)提供给ED 110,以使得ED 110能够实现对应的接收神经网络(例如,使用发射器DNN1402、1404的反转实现),使得ED 110处的接收器可以从公共信号空间接收相应的信号。例如,BS 170可以通过传统信道将该信息提供给ED 110。在发射器DNN 1402、1404令人满意地经过训练之后,可以不需要训练的测量DNN 1050,并且可以舍弃或以其他方式忽略测量DNN1050。在一些示例中,即使在发射器DNN 1402、1404进行训练之后,也可以保留测量DNN1050,例如以便执行发射信号分布之间的W-距离的周期性或间歇性测量。
如先前提到的,这种针对两个接收器设计发射器的方法可以扩展到针对多于两个接收器设计发射器。
图16例示了用于使用W-距离测量生成发射器的基于DNN的方法的系统的示例实现方式。图16类似于图14,并且共有许多公共块,但是将方法扩展到针对多于两个接收器设计发射器。图16的系统可以在发射装置(例如,BS 170)中实现,以使得能够调节传输以避免在多于两个接收装置(例如,ED 110)处的干扰。
在图16中,假设UE-p发射器DNN 1402和UE-q发射器DNN 1404已经过训练(例如,如上文所讨论的)。这还可以看作UE-p ED 110和UE-q ED 110已经由BS 170成功“配对”。可以重复进行对UE-p ED 110和UE-q ED 110配对的处理,以添加到第三ED 110即UE-r的传输。图16中的复合信道仿真器1410表示所有三个ED 110即UE-p、UE-q和UE-r的信道。
UE-r处的发射器由UE-r发射器DNN 1406实现。将随机输入样本Xr输入到UE-r发射器DNN 1406,以生成第三输出信号分布Yr。UE-p发射器DNN 1402和UE-q发射器DNN 1404已经过训练,并且固定。将UE-p发射器DNN 1402和UE-q发射器DNN 1404的输出组合成组合信号分布Y(p+q)。复合信道仿真器1410将这些信号分布变换成变换组合信号分布Y'(p+q)(表示接收UE-p信号分布和UE-q信号分布的组合)和第三变换信号分布Y'r(表示接收UE-r信号分布)。测量DNN 1050用于测量变换信号分布之间的W-距离。具体而言,由于Y'(p+q)表示接收UE-p信号分布和UE-q信号分布的组合,因此测量W-距离表示Y'r与Y'p和Y'q中每一个之间的距离。
为了训练UE-r发射器DNN 1406,可以使用与图15的方法类似的方法。但是,UE-p发射器DNN 1402和UE-q发射器DNN 1404是固定的(已经令人满意地经过训练),并且对UE-r发射器DNN 1406进行训练。特别地,在保持UE-p发射器DNN 1402和UE-q发射器DNN 1404固定的同时,使用上文描述的迭代方法训练UE-r发射器DNN 1406,直到由测量DNN 1050输出的W-距离满足分离准则(例如,测量W-距离处于或高于预定义阈值)。当UE-r发射器DNN 1406已经令人满意地经过训练时,认为UE-r ED 110与UE-p和UE-q ED 110成功配对或成组。
然后,可以通过以下来对第四ED 110(未示出)进行分组:固定已经过训练的UE-p发射器DNN 1402、UE-q发射器DNN 1404和UE-r发射器DNN 1406,并且使用上文描述的方法训练第四发射器DNN。通过这种方式,可以一个接一个地将额外接收器调度到公共信号空间中。该过程可以重复,直到与BS 170关联的所有ED 110的发射器DNN已经成功训练,或者直到没有更多的发射信号分布可以令人满意地拟合到公共信号空间中(例如,无法训练新的发射器DNN以实现与其他信号分布满足分离准则的W-距离)。应当认识到,虽然发射器DNN被训练成将源信号分布整形为发射信号分布(在发射域中),但是W-距离是针对接收信号分布(在接收域中)测量的。通过这种方式,环境和信道的影响被考虑在内,并且可以用于帮助分离接收器处的信号分布。
如先前所提到的,在发射器DNN已经令人满意地经过训练之后,到接收器的传输然后可以使用训练的发射器DNN(例如,在BS 170处实现)进行。BS 170可以保持测量DNN1050,以便在操作期间继续监测发射信号分布的W-距离。例如,在操作期间,每个ED 110可以用关于信道条件的信息向BS 170提供反馈。BS 170可以使用该信息来更新信道仿真器,并且使用测量DNN 1050更新W-距离测量。如果测量W-距离变得令人不满意(例如,任何两个接收信号分布之间的W-距离变得太低,例如下跌低于预定义阈值),则BS 170可以采取补救行动。BS 170可以例如放弃向一个或多个ED 110传输。例如,放弃的一个或多个ED 110可以是被发现具有最小W-距离的那些,或者可以是最近加入的一个或多个ED 110。可替代地或另外地,BS 170可以使用上文描述的过程针对一个或多个ED 110重新训练发射器DNN。
通常,训练发射器DNN和训练测量DNN以测量信号分布之间的W-距离都可以在启动阶段进行。这样的训练可以视为在进行数据的UL和/或DL通信之前“离线”进行。虽然以上示例描述训练在BS处进行,但是在其他示例中,训练可以至少部分在BS之外(例如,在核心网的部件中,或在远程数据库中心中等等)进行。此外,训练发射器DNN和训练测量DNN以测量W-距离还可以在操作期间进行(即,“在线”进行)。例如,如以上所讨论的,在数据的UL和/或DL通信期间,可以使用测量DNN连续或周期性地测量发射信号分布之间的W-距离。W-距离的测量和DNN的重新训练(如果需要)可以在相对较短的时间段(例如,一个或两个TTI)内进行。这可以有助于减少延迟,并且可以使得BS能够动态地对改变的信道条件作出响应。
应当说明的是,由于香农距离的基础,传统比例公平调度器往往只处理带宽和码率。相比之下,所公开的基于神经网络的方法能够分配多维度信号空间的使用(不限于带宽和码率)。
使用所公开的基于神经网络的距离测量,可以获得信号分离的更精确的测量。使用基于DNN的方法测量W-距离,可以使得能够在更高的多维度信号空间中对发射信号分布进行整形和紧密打包。例如,可以将发射器设计成生成如下发射信号分布:这些发射信号分布当变换到接收域时具有满足分离准则的测量W-距离。通过当在接收器处测量W-距离时考虑信道条件,所公开的方法可以使得发射器(例如,BS)能够利用信道来分离接收器处的信号分布,而不是需要完全分离发射器处的信号分布。
在一些示例中,信号分离测量的传统基于香农的方法可以与所公开的基于神经网络的方法一起使用。例如,基于香农的测量可以首先用作信号分离的粗略测量,并且基于神经网络的方法可以进一步用作信号分离的精细测量(例如,以便更紧密地打包公共信号空间中的多个信号分布)。
虽然本公开描述了有某种顺序的步骤的方法和过程,但是方法和过程的一个或多个步骤可以视情况而省略或更改。一个或多个步骤视情况可以按除了对它们进行描述的顺序以外的顺序进行。
虽然至少部分地就方法描述了本公开,但本领域普通技术人员将理解,本公开还针对用于执行所描述方法的方面和特征中的至少一些的各种部件,无论是通过硬件部件、软件或这两者的任何组合。因此,本公开的技术方案可以以软件产品的形式体现。合适的软件产品可以存储在预先记录的存储设备或其他类似的非易失性或非瞬时性计算机可读介质中,例如包括DVD、CD-ROM、USB闪存盘、可移动硬盘或其他存储介质。该软件产品包括指令,这些指令有形地存储在软件产品上,这些指令使得处理设备(例如,个人计算机、服务器或网络设备)能够执行本文所公开的方法的示例。机器可执行指令可以是代码序列、配置信息或其他数据的形式,当被执行时,这些机器可执行指令使机器(例如,处理器或其他处理设备)执行根据本公开的示例的方法中的步骤。
本公开可以在不脱离权利要求书的主题的情况下以其他特定形式体现。所描述的示例实施例在所有方面均被视为仅是说明性的而非限制性的。可以对从以上描述的实施例中的一个或多个实施例中选择的特征进行组合,以创建未明确描述的替代实施例,适合于这样的组合的特征均理解为落入本公开的范围内。
还公开了所公开范围内的所有值和子范围。此外,虽然本文所公开和示出的系统、设备和过程可以包括特定数量的元件/部件,但是可以修改这些系统、设备和组件以包括更多或更少这样的元件/部件。例如,虽然任何所公开的元件/部件可以以单个数量引用,但是可以修改本文所公开的实施例以包括多个这样的元件/部件。本文所描述的主题意在涵盖和包括技术上的所有合适改变。
Claims (13)
1.一种发射装置,包括:
第一发射器仿真器,用于将发射域中的第一源信号分布编码为第一发射信号分布,其中,所述第一源信号分布是随机生成的第一信息集;
第二发射器仿真器,用于将所述发射域中的第二源信号分布编码为第二发射信号分布,其中,所述第二源信号分布是随机生成的第二信息集;以及
处理单元,用于实现:
信道仿真器,用于接收所述第一发射信号分布和所述第二发射信号分布,并且输出第一接收信号分布和第二接收信号分布,所述第一接收信号分布和所述第二接收信号分布代表所述第一发射信号分布和所述第二发射信号分布通过传输信道变换到至少一个接收设备的接收域;以及
测量网络,用于接收所述第一接收信号分布和所述第二接收信号分布作为输入,并且输出所述接收域中所述第一接收信号分布与所述第二接收信号分布之间的瓦瑟斯坦距离的测量,所述测量网络是神经网络,所述神经网络经训练以最小化表示所述第一接收信号分布和所述第二接收信号分布之间的所述瓦瑟斯坦距离的损失函数,其中,输出所述损失函数的最小值作为所述瓦瑟斯坦距离的测量值。
2.根据权利要求1所述的发射装置,其中,所述神经网络经训练以通过将每个信号分布定义为相应子空间的有限集来测量两个信号分布之间的所述瓦瑟斯坦距离,并且通过计算在每个子空间集之间的瓦瑟斯坦距离计算所述瓦瑟斯坦距离。
3.根据权利要求1所述的发射装置,其中,所述测量网络具有从一组预定义的网络架构中选择的神经网络架构。
4.根据权利要求3所述的发射装置,其中,所述神经网络架构是基于关于所述传输信道或环境中的至少一个的信息选择的。
5.根据权利要求4所述的发射装置,其中,所述发射装置用于从所述至少一个接收设备接收所述关于所述传输信道或环境的信息,并且其中所述发射装置还用于将关于所选择的神经网络架构的信息传输到所述至少一个接收设备。
6.根据权利要求1至5中任一项所述的发射装置,其中,所述第一发射器仿真器和所述第二发射器仿真器对所述发射装置使用相应的第一神经网络和第二神经网络实现的第一发射器和第二发射器进行仿真。
7.根据权利要求6所述的发射装置,其中,所述第一神经网络和所述第二神经网络经训练以生成第一发射信号分布和第二发射信号分布,所述第一发射信号分布和所述第二发射信号分布在通过所述信道仿真器进行变换之后,产生具有满足分离准则的瓦瑟斯坦距离的第一接收信号分布和第二接收信号分布。
8.一种用于在发射装置处实现发射器的方法,所述方法包括:
使用第一发射器神经网络从输入样本生成第一发射信号分布;
使用第二发射器神经网络从另一个输入样本生成第二发射信号分布;
从所述第一发射信号分布和所述第二发射信号分布生成第一变换信号分布和第二变换信号分布,所述第一变换信号分布和所述第二变换信号分布代表所述第一发射信号分布和所述第二发射信号分布通过传输信道变换到至少一个接收设备的接收域;
测量所述接收域中所述第一变换信号分布与所述第二变换信号分布之间的瓦瑟斯坦距离,所述瓦瑟斯坦距离使用测量网络测量,所述测量网络是神经网络,所述神经网络经训练以最小化表示所述第一变换信号分布和所述第二变换信号分布之间的所述瓦瑟斯坦距离的损失函数,其中,输出所述损失函数的最小值作为所述瓦瑟斯坦距离的测量值;以及
当所测量的瓦瑟斯坦距离满足分离准则时,在所述发射装置处实现所述第一发射器神经网络和所述第二发射器神经网络,并且将关于所述第一发射器神经网络和所述第二发射器神经网络的信息发送到所述至少一个接收设备,以使得所述至少一个接收设备能够实现至少一个对应的接收神经网络。
9.根据权利要求8所述的方法,还包括:
当所测量的瓦瑟斯坦距离不满足所述分离准则时,执行以下操作的一次或多次迭代:
训练所述第一发射器神经网络和所述第二发射器神经网络以生成不同的第一发射信号分布和第二发射信号分布;
从所述不同的第一发射信号分布和第二发射信号分布生成不同的第一变换信号分布和第二变换信号分布;以及
测量所述不同的第一变换信号分布与第二变换信号分布之间的所述瓦瑟斯坦距离;
其中,执行所述一次或多次迭代,直到所测量的瓦瑟斯坦距离满足所述分离准则。
10.根据权利要求8所述的方法,还包括从一组预定义的网络架构中选择所述测量网络的神经网络架构。
11.根据权利要求8至10中任一项所述的方法,还包括:
使用第三发射器神经网络生成第三发射信号分布;
从所述第一发射信号分布和所述第二发射信号分布的组合生成组合变换信号分布,并且从所述第三发射信号分布生成第三变换信号分布;
测量所述接收域中所述组合变换信号分布与所述第三变换信号分布之间的瓦瑟斯坦距离;以及
当所测量的瓦瑟斯坦距离满足分离准则时,进一步在所述发射装置处实现所述第三发射器神经网络,并且将关于所述第三发射器神经网络的信息发送到所述至少一个接收设备,所述测量网络经训练以最小化表示所述组合变换信号分布和所述第三变换信号分布之间的所述瓦瑟斯坦距离的损失函数,其中,输出所述损失函数的最小值作为所述瓦瑟斯坦距离的测量值。
12.根据权利要求8至10中任一项所述的方法,其中,所述第一变换信号分布和所述第二变换信号分布是通过将所述第一发射信号分布和所述第二发射信号分布输入到信道仿真器生成的,所述信道仿真器代表所述至少一个接收设备的所述传输信道的特征。
13.根据权利要求12所述的方法,还包括:
从所述至少一个接收设备接收信道条件反馈以更新所述信道仿真器;
使用所更新的信道仿真器生成更新的第一变换信号分布和更新的第二变换信号分布;以及
使用所述测量网络测量所述更新的第一变换信号分布与所述更新的第二变换信号分布之间的瓦瑟斯坦距离。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/534,653 | 2019-08-07 | ||
US16/534,653 US10979202B2 (en) | 2019-08-07 | 2019-08-07 | Neural-network-based distance metric for use in a communication system |
PCT/CN2020/088514 WO2021022850A1 (en) | 2019-08-07 | 2020-04-30 | Neural-network-based distance metric for use in a communication system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114208120A CN114208120A (zh) | 2022-03-18 |
CN114208120B true CN114208120B (zh) | 2023-09-01 |
Family
ID=74499463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080055535.2A Active CN114208120B (zh) | 2019-08-07 | 2020-04-30 | 用于在通信系统中使用的基于神经网络的距离度量 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10979202B2 (zh) |
CN (1) | CN114208120B (zh) |
WO (1) | WO2021022850A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11832259B2 (en) * | 2020-06-26 | 2023-11-28 | Huawei Technologies Canada Co., Ltd. | Deep-learning for distributed channel feedback and precoding |
US12028095B2 (en) | 2020-09-09 | 2024-07-02 | SparkCognition, Inc. | Machine-learning based analysis and response to electromagnetic waveforms |
US11936406B2 (en) | 2020-09-09 | 2024-03-19 | SparkCognition, Inc. | Machine-learning based analysis, prediction, and response based on electromagnetic waveforms |
US20220077951A1 (en) * | 2020-09-09 | 2022-03-10 | Sparkcognition, Inc | Machine-learning based analysis and response based on electromagnetic waveforms and sensor data |
US20220407745A1 (en) * | 2021-06-15 | 2022-12-22 | Samsung Electronics Co., Ltd. | Method and apparatus for reference symbol pattern adaptation |
WO2023068399A1 (ko) * | 2021-10-20 | 2023-04-27 | 엘지전자 주식회사 | 무선 통신 시스템에서 채널 상태 정보의 송수신 방법 및 그 장치 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754088A (zh) * | 2017-11-06 | 2019-05-14 | 谷歌有限责任公司 | 具有训练生成式对抗网络的模块化基础结构的计算系统 |
WO2019098154A1 (ja) * | 2017-11-14 | 2019-05-23 | 学校法人慶應義塾 | 時系列データ生成装置及びプログラム |
WO2019101836A1 (en) * | 2017-11-22 | 2019-05-31 | Deepmind Technologies Limited | Population based training of neural networks |
WO2019127231A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | Training data generators and methods for machine learning |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0895950A (ja) | 1994-09-28 | 1996-04-12 | Fujitsu Ltd | シミュレーション装置 |
US20070230356A1 (en) | 2006-04-04 | 2007-10-04 | Kalantri Sacchindrakumar G | Method and apparatus for enabling FLO device certification |
US7890821B2 (en) | 2007-10-04 | 2011-02-15 | Veriwave, Inc. | Channel impairment emulator systems and methods |
TWI553566B (zh) * | 2015-10-13 | 2016-10-11 | Univ Yuan Ze | 干擾環境中建構於分時多工接取之室內小細胞自我優化佈署串接控 制方法與裝置 |
US10581469B1 (en) * | 2017-04-17 | 2020-03-03 | DeepSig Inc. | Machine learning-based nonlinear pre-distortion system |
US10643153B2 (en) * | 2017-04-24 | 2020-05-05 | Virginia Tech Intellectual Properties, Inc. | Radio signal identification, identification system learning, and identifier deployment |
US10437556B2 (en) * | 2017-07-31 | 2019-10-08 | Allegro Artificial Intelligence Ltd | Quota management in a dataset management system |
CN107392024A (zh) | 2017-08-08 | 2017-11-24 | 微梦创科网络科技(中国)有限公司 | 一种恶意程序的识别方法及装置 |
US20190065962A1 (en) | 2017-08-22 | 2019-02-28 | Syntiant | Systems And Methods For Determining Circuit-Level Effects On Classifier Accuracy |
CN107943750A (zh) | 2017-11-14 | 2018-04-20 | 华南理工大学 | 一种基于wgan模型的分解卷积方法 |
EP3759654A4 (en) * | 2018-03-02 | 2021-09-08 | Deepsig Inc. | LEARNING COMMUNICATION SYSTEMS USING CHANNEL PROXIMITY |
-
2019
- 2019-08-07 US US16/534,653 patent/US10979202B2/en active Active
-
2020
- 2020-04-30 WO PCT/CN2020/088514 patent/WO2021022850A1/en active Application Filing
- 2020-04-30 CN CN202080055535.2A patent/CN114208120B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754088A (zh) * | 2017-11-06 | 2019-05-14 | 谷歌有限责任公司 | 具有训练生成式对抗网络的模块化基础结构的计算系统 |
WO2019098154A1 (ja) * | 2017-11-14 | 2019-05-23 | 学校法人慶應義塾 | 時系列データ生成装置及びプログラム |
WO2019101836A1 (en) * | 2017-11-22 | 2019-05-31 | Deepmind Technologies Limited | Population based training of neural networks |
WO2019127231A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | Training data generators and methods for machine learning |
Also Published As
Publication number | Publication date |
---|---|
US10979202B2 (en) | 2021-04-13 |
US20210044411A1 (en) | 2021-02-11 |
CN114208120A (zh) | 2022-03-18 |
WO2021022850A1 (en) | 2021-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114208120B (zh) | 用于在通信系统中使用的基于神经网络的距离度量 | |
US11277175B2 (en) | System and method for communications system training | |
CN114208051B (zh) | 使用互易几何预编码的无线通信方法和装置 | |
US10263670B2 (en) | System and method for reducing pilot signal contamination using orthogonal pilot signals | |
JP5220859B2 (ja) | マルチユーザプリコーディング及びスケジューリングの方法並びにそれを実施するための基地局 | |
RU2629944C2 (ru) | Способы и конструкции для передачи отчетов с csi | |
JP6148325B2 (ja) | 進歩したアンテナシステムにおけるチャンネル品質情報の決定 | |
EP3750252A1 (en) | Aspects of channel estimation for orthogonal time frequency space modulation for wireless communications | |
JP5738581B2 (ja) | 無線通信システムにおけるマルチユーザmimoの伝送方法および基地局 | |
WO2017133434A1 (zh) | 无线通信方法和无线通信装置 | |
EP4044537A1 (en) | Device and method for estimating channel in wireless communication system | |
CN103312390B (zh) | 基于干扰对齐的预编码方法,发射机和设备 | |
CN113557704B (zh) | 使用基于极化的信号空间映射的用于无线通信的方法和装置 | |
AU2021316062B2 (en) | Localization and auto-calibration in a wireless network | |
WO2019001697A1 (en) | SUB-BAND COMPRESSION DOMAIN PROCESSING FOR UPLINK MIMO SYSTEMS | |
CN114642019A (zh) | 一种信道信息获取的方法 | |
Papathanasiou et al. | Dynamic radio resource and interference management for MIMO–OFDMA mobile broadband wireless access systems | |
KR102184074B1 (ko) | 셀룰러 네트워크에서 간섭 정렬 방법 및 장치 | |
US20230051245A1 (en) | Methods and Apparatus for Channel Estimation and Precoding with Incomplete Channel Observation and Channel State Information Feedback | |
Bogale et al. | Pilot contamination mitigation for wideband massive MIMO systems | |
CN116636155A (zh) | 在过载通信信道中的接收器(Rx)与发射器(Tx)之间的收发器方法 | |
Ferrand et al. | Efficient channel state information acquisition in massive MIMO systems using non-orthogonal pilots | |
Ellenbeck | System‐Level Simulations with the IMT‐Advanced Channel Model | |
El Ayach | Interference alignment from theory to practice | |
Chelli | High mobility in OFDM based wireless communication systems |
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 |