CN114363921A - Ai网络参数的配置方法和设备 - Google Patents
Ai网络参数的配置方法和设备 Download PDFInfo
- Publication number
- CN114363921A CN114363921A CN202011092101.8A CN202011092101A CN114363921A CN 114363921 A CN114363921 A CN 114363921A CN 202011092101 A CN202011092101 A CN 202011092101A CN 114363921 A CN114363921 A CN 114363921A
- Authority
- CN
- China
- Prior art keywords
- network
- communication device
- parameters
- neurons
- network parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000006854 communication Effects 0.000 claims abstract description 218
- 238000004891 communication Methods 0.000 claims abstract description 217
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims description 324
- 210000002569 neuron Anatomy 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 46
- 230000004913 activation Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 25
- 239000000654 additive Substances 0.000 claims description 24
- 230000000996 additive effect Effects 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 5
- 230000011664 signaling Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例公开了一种AI网络参数的配置方法和设备,能够提升通信系统的性能。该方法包括:第一通信设备根据如下方式的至少之一得到AI网络参数:预定义的,接收来自第二通信设备的,实时训练的;所述第一通信设备根据所述AI网络参数处理目标业务。
Description
技术领域
本申请属于通信技术领域,具体涉及一种AI网络参数的配置方法和设备。
背景技术
人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。通过将AI网络运用到实际业务上,可以解决各种领域的多种问题。然而,目前的通信技术中,尚无将AI网络引入通信流程的方案,不利于提升通信系统的性能。
发明内容
本申请实施例提供一种AI网络参数的配置方法和设备,能够提升通信系统的性能。
第一方面,提供了一种AI网络参数的配置方法,所述方法包括:第一通信设备根据如下方式的至少之一得到AI网络参数:预定义的,接收来自第二通信设备的,实时训练的;所述第一通信设备根据所述AI网络参数处理目标业务。
第二方面,提供了一种第一通信设备,包括:获取模块,用于根据如下方式的至少之一得到AI网络参数:预定义的,接收来自第二通信设备的,实时训练的;处理模块,用于根据所述AI网络参数处理目标业务。
第三方面,提供了一种第一通信设备,该第一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或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法。
第四方面,提供了一种可读存储介质,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所述的方法。
第五方面,提供了一种计算机程序产品,该计算机程序产品包括处理器、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或指令,所述程序或指令被所述处理器执行时,实现如第一方面所述的方法。
第六方面,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,实现如第一方面所述的方法。
在本申请实施例中,第一通信设备可以通过预定义的方式,接收来自第二通信设备的方式,实时训练的方式的至少之一来得到AI网络参数,从而将AI网络引入通信流程,便于提升通信模块的性能,提升通信系统的性能。
附图说明
图1是根据本申请的一个实施例的无线通信系统的框图;
图2是根据本申请的一个实施例的AI网络参数的配置方法的示意性流程图;
图3是根据本申请的一个实施例的第一通信设备的结构示意图;
图4是根据本申请的一个实施例的通信设备的结构示意图;
图5是根据本申请的一个实施例的终端的结构示意图;
图6是根据本申请的一个实施例的网络侧设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、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,而不用于描述特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/或”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,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1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中,终端11也可以称作终端设备或者用户终端(User Equipment,UE),终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(LaptopComputer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal 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11的具体类型。网络侧设备12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(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set,BSS)、扩展服务集(ExtendedService Set,ESS)、B节点、演进型B节点(eNB)、下一代节点B(gNB)、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,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例,但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人工智能(Artificial Intelligence,AI)网络参数的配置方法和设备进行详细地说明。
如图2所示,本申请的一个实施例提供一种AI网络参数的配置方法200,该方法可以由第一通信设备执行,换言之,该方法可以由安装在第一通信设备的软件或硬件来执行,该方法包括如下步骤。
S202:第一通信设备根据如下方式的至少之一得到AI网络参数:预定义的,接收来自第二通信设备的,实时训练的。
本说明各个实施例中的第一通信设备可以是终端,相应地,第二通信设备是网络侧设备;或者,第一通信设备也可以是网络侧设备,相应地,第二通信设备是终端。
上述AI网络参数可以是构成AI网络所需要的参数,该AI网络可以用于处理目标业务,例如,信号处理,信道传输等等。可选地,上述AI网络参数包括如下至少之一:AI网络的结构,AI网络中的神经元的乘性系数(如权值,weight),AI网络中的神经元的加性系数(如偏置,bias),AI网络中的神经元的激活函数等。
上述AI网络中的多个神经元使用的激活函数可以相同,例如,AI网络的神经元采用相同的激活函数(如果神经元包括激活函数的话)。可选地,上述AI网络的输出层的神经元还可以不包括激活函数,例如,AI网络的输出层的神经元不含激活函数,其它层(如输入层,隐藏层)也可能不包含激活函数。可选地,同一层的神经元采用相同的激活函数(如果神经元包括激活函数的话),而不同层的神经元可能采用相同的激活函数,也可能采用不同的激活函数。
该实施例中,构成AI网络的AI网络参数可以是预定义的,例如协议约定的,这样,S202中第一通信设备直接获取预定义的AI网络参数。
该实施例中,构成AI网络的AI网络参数还可以是第二通信设备指示的,例如网络侧设备指示终端使用的AI网络参数,这样,S202中第一通信设备接收来自于第二通信设备的AI网络参数。
该实施例中,构成AI网络的AI网络参数还可以是实时训练得到的,例如,S202中第一通信设备通过模型训练的方式得到AI网络参数。
该实施例中,构成AI网络的AI网络参数还可以通过上述三种方式的至少两者的组合得到的。例如,协议预定义一部分AI网络参数,第二通信设备向第一通信设备发送一部分AI网络参数,这些AI网络参数共同构成AI网络;又例如,协议预定义一部分AI网络参数,第一通信设备实时训练得到一部分AI网络参数,这些AI网络参数共同构成AI网络;又例如,第二通信设备向第一通信设备发送一部分AI网络参数,第一通信设备实时训练得到一部分AI网络参数,这些AI网络参数共同构成AI网络;再例如,协议预定义一部分AI网络参数,第二通信设备向第一通信设备发送一部分AI网络参数,第一通信设备实时训练得到一部分AI网络参数,这些AI网络参数共同构成AI网络等等。
S204:第一通信设备根据所述AI网络参数处理目标业务。
本申请实施例中,第一通信设备支持使用AI网络的方式来处理目标业务,或者说,第一通信设备支持使用AI网络的方式来实施目标模块,该目标模块可以用于处理目标业务。
该步骤中,第一通信设备可以根据AI网络参数构成的AI网络处理目标业务。可选地,第一通信设备可以根据所述AI网络参数执行如下至少之一:
1)信号处理。例如,信号检测、滤波、均衡等,该信号可以包括解调参考信号(DeModulation Reference Signal,DMRS)、探测参考信号(Sounding Reference Signal,SRS)、同步信号和物理广播块(Synchronization Signal and PBCH Block,SSB)、跟踪参考信号(Tracking Reference Signal,TRS)、相位跟踪参考信号(Phase Tracking ReferenceSignal,PTRS)、信道状态信息参考信号(Channel State Information-Reference Signal,CSI-RS)等。
2)信道传输。该信道例如包括物理下行控制信道(Physical Downlink ControlChannel,PDCCH)、物理下行共享信道(Physical Downlink Shared Channel,PDSCH)、物理上行控制信道(Physical Uplink Control Channel,PUCCH)、物理上行共享信道(PhysicalUplink Shared Channel,PUSCH)、物理随机接入信道(Physical Random Access Channel,PRACH)、物理广播信道(Physical Broadcast Channel,PBCH)等。例如,在上述信道上发送和接收信号、信令或数据。
3)信道状态信息获取。
可选地,该信道状态信息获取可以包括信道状态信息反馈和频分双工(FrequencyDivision Duplexing,FDD)上下行部分互易中的至少之一。
其中,信道状态信息反馈,包括信道相关信息、信道矩阵相关信息、信道特征信息、信道矩阵特征信息、预编码矩阵指示(Pre-coding Matrix Indicator,PMI)、秩指示(RankIndication,RI)、信道质量指示(Channel Quality Indicator,CQI)、信道状态信息参考信号资源指示符(CSI-RS Resource Indicator,CRI)、层指示(Layer Indicator,LI)等中的至少之一。
关于FDD上下行部分互易,对于FDD系统,根据部分互异性,网络侧设备根据上行信道获取角度和时延信息,可以通过信道状态信息参考信号(Channel State Information-Reference Signal,CSI-RS)预编码或者直接指示的方法,将角度信息和时延信息、或其它具有部分互易性的信道状态信息、或直接估计的下行信道信息通知终端,终端根据网络侧设备的指示上报或者在网络侧设备的指示范围内选择并上报,或终端自己使用这些下行信道信号,从而减少终端的计算量和信道状态信息(Channel State Information,CSI)上报的开销。
4)波束管理。例如包括,波束测量、波束上报、波束预测、波束失败检测、波束失败恢复、波束失败恢复中的新波束指示。
5)信道预测。例如包括,信道状态信息的预测、波束预测。
6)干扰抑制。例如包括,小区内干扰、小区间干扰、带外干扰、交调干扰等等。
7)定位。例如,通过参考信号(例如SRS),估计终端的具体位置或未来可能的移动轨迹,该位置可以包括水平位置和或垂直位置。
8)高层业务或参数的预测。该高层业务或参数可以包括吞吐量、所需数据包大小、业务需求、移动速度、噪声信息等等。
9)高层业务或参数的管理。该高层业务或参数可以包括吞吐量、所需数据包大小、业务需求、移动速度、噪声信息等等。
本申请实施例提供的AI网络参数的配置方法,第一通信设备可以通过预定义的方式,接收来自第二通信设备的方式,实时训练的方式的至少之一来得到AI网络参数,从而将AI网络引入通信流程,便于提升通信模块的性能,提升通信系统的性能。
在实施例100中提到的AI网络参数可以包括AI网络的结构,可选地,所述AI网络的结构包括如下1)至8)的至少之一:
1)全连接神经网络、卷积神经网络、循环神经网络或残差网络。
2)所述AI网络包括的多个子网络的组合方式。例如,全连接神经网络+卷积神经网络的组合方式,卷积神经网络+残差网络的组合方式等等。
3)所述AI网络的隐藏层的层数,该隐藏层的层数可以是一层或多层。
4)所述AI网络的输入层与隐藏层的连接方式,例如,输入层的多个神经元与隐藏层的多个神经元的连接方式,该连接方式具体可以包括输入层的哪个神经元与隐藏层的哪个神经元连接等。
5)所述AI网络的多个隐藏层之间的连接方式。该例子中的隐藏层的层数可以是多层,例如,第一层隐藏层的多个神经元与第二层的隐藏层的多个神经元的连接方式,该连接方式具体可以包括第一层隐藏层的哪个神经元与第二层隐藏层的哪个神经元连接等。
6)所述AI网络的隐藏层与输出层的连接方式。例如,隐藏层的多个神经元与输出层的多个神经元的连接方式,该连接方式具体可以包括隐藏层的哪个神经元与输出层的哪个神经元连接等。
7)所述AI网络的每层神经元的数目。该例子中,不同层(可以包括输入层,隐藏层,输出层等)的神经元数目可以不同,也可能相同。
8)所述AI网络的激活函数。包括激活函数的类型、具体参数等等。常见的激活函数包括Sigmoid、双曲正切函数(tanh)、线性整流函数(Rectified Linear Unit,ReLU,又称作修正线性单元)等等。
在一个例子中,本说明书前文各个实施例中提到的AI网络包括卷积神经网络(CNN);其中,该AI网络满足如下至少之一:
1)所述AI网络中的神经元还包括卷积核;
2)所述AI网络中的神经元的乘性系数包括权重系数(类似乘性系数);
3)所述AI网络中的神经元的加性系数包括偏差量(类似加性系数)。
在另一个例子中,本说明书前文各个实施例中提到的AI网络包括循环神经网络(RNN);其中,所述AI网络参数还包括循环单元的乘性加权系数(包括状态-状态权重、状态-输入权重,即之前的状态对现在状态影响的权重、之前的状态对现在的输入影响的权重)以及所述循环单元的加性加权系数(偏置)。该例子例如,循环单元为某个特殊的神经元,其输入不仅包括当前输入,还可以包括上一次的输入,和/或,上一次的中间信息。该例子在具体应用时可以优先状态-状态权重,或优先状态-输入权重;还可以优先循环单元的系数(乘性加权系数和加性加权系数),或优先非循环单元的神经元的系数。
可选地,实施例100中提到的AI网络参数包括有通过预定义的方式获取的,例如,协议可以默认一套AI网络参数,又例如,协议还可以默认N套AI网络参数,N是大于等于2的整数。
在协议默认N套AI网络参数的情况下,前文各个实施例还包括如下之一:
1)所述第一通信设备向第二通信设备上报支持的AI网络参数;例如,终端根据其处理能力,向网络侧设备上报支持哪几套AI网络参数。
2)所述第一通信设备向第二通信设备上报选择使用的AI网络参数。
例如,第一通信设备上报选择哪套AI网络参数。可选地,第一通信设备所上报的AI网络参数,属于1)中第一通信设备上报支持的哪几套AI网络参数。可选地,该实施例还可能需要第二通信设备发送确认信息,该上报的AI网络参数构成的AI网络才能使用。
3)所述第一通信设备接收来自第二通信设备的第一指示信息,所述第一指示信息用于指示所述第一通信设备使用的AI网络参数。例如,网络侧设备指示终端使用哪套AI网络参数。
在上述3)的情况下,可选地,所述第一通信设备接收来自第二通信设备的第一指示信息之后,所述方法还包括:所述第一通信设备发送确认信息;其中,所述第一指示信息指示的AI网络参数在所述确认信息发送完成之后的目标时间段之后有效。例如,若第一指示信息为媒体接入控制控制单元(Media Access Control-Control Element,MAC CE),则第一通信设备发送/第二通信设备接收承载该MAC CE对应的肯定答应(Acknowledgment,ACK),再加一段反应时间(K个符号/时隙,K为整数),该AI网络参数才能使用。若第一指示信息为无线资源控制(Radio Resource Control,RRC),则第一通信设备发送/第二通信设备接收承载该RRC对应的ACK,再加一段反应时间(K个符号/时隙,K为整数),该AI网络参数才能使用。
在上述3)的情况下,可选地,第一通信设备(如终端)可以通过其它的网络侧参数,间接获知使用哪套AI网络参数。例如,网络侧参数为小区特定参数、服务小区配置(ServingCellConfig)、服务小区公共配置(ServingCellConfigCommon)或系统信息块的服务小区公共配置(ServingCellConfigCommonSIB)等。例如ServingCellConfigCommon中的某个信令表征了小区的一些物理特征/环境特征,该物理特征/环境特征对应了一套AI网络参数,则终端获取ServingCellConfigCommon后,网络侧设备和终端自动使用该套AI网络参数。
在上述3)的情况下,可选地,第二通信设备通过第一指示信息指示的AI网络参数,属于1)中第一通信设备上报支持的哪几套AI网络参数。例如,协议规定5套AI网络参数,终端上报支持第1套和第2套AI网络参数,则网络侧设备指示终端使用的AI网络参数,只能为第1套或第2套AI网络参数。
在上述3)的情况下,可选地,所述第一指示信息用于指示多个所述AI网络参数,所述方法还包括如下之一:
a)所述第一通信设备接收来自所述第二通信设备的第二指示信息,所述第二指示信息用于从所述第一指示信息指示的多个所述AI网络参数中,指示所述第一通信设备使用的AI网络参数。该例子例如,协议规定一个包括多套AI网络参数的大集合,第二通信设备通过RRC/MAC CE/系统信息块(System Information Blocks,SIB)等信令(即第一指示信息)指示一个包括几套AI网络参数的小集合,然后通过MAC CE/下行控制信息(DownlinkControl Information,DCI)等信令(即第二指示信息)激活其中一套AI网络参数。
b)所述第一通信设备向所述第二通信设备上报选择使用的AI网络参数,所述选择使用的AI网络参数包含于所述第一指示信息指示的多个所述AI网络参数。该例子例如,协议规定一个包括多套AI网络参数的大集合,第二通信设备通过RRC/MAC CE/SIB等信令(即第一指示信息)指示一个包括几套AI网络参数的小集合,然后第一通信设备向所述第二通信设备上报选择使用的一套AI网络参数。
可选地,在上述在上述1)至3)的情况下所提到的AI网络参数是根据如下至少之一得出的:
所述第一通信设备和所述第二通信设备的硬件配置;
所述第一通信设备和所述第二通信设备的信道环境;
所述第一通信设备需要的服务质量。
上述提到的第一通信设备和所述第二通信设备的硬件配置,例如,网络侧设备和终端的硬件配置,可以包括如下至少之一:天线相关参数(例如,网络侧设备的、终端的;水平维、垂直维),处理能力相关参数。
具体地,该天线相关参数可以包括:天线元数目、发送接收单元(Transmit andReceive Unit,TXRU)数目、天线面板数目、天线阵列分布/位置、天线阵列的波束赋形能力(包络)、天线面板分布/位置(如天线面板在终端内如何摆放,某个面板在终端的屏幕正面还是侧面还是后面、具体位置是哪里),是否存在波束一致性(beam correspondence)。
具体地,该处理能力相关参数可以包括:信号处理能力、数据计算能力、存储能力、CPU能力、GPU能力、神经网络处理器(neural-network process units,NPU)能力。
上述提到的信道环境包括如下至少之一:发送功率,噪声功率,干扰功率,无线信号的视线传输(LOS),无线信号的非视线传输(NLOS),时延信息,散射情况,信道时变性,移动速度,旋转速度,周围遮挡变化速度,遮挡情况。
上述提到的第一通信设备需要的服务质量包括如下至少之一:电量,吞吐量值,时延信息,需传输的数据包大小,误码率,信噪比或信干噪比,最大重传次数,业务类型。该业务类型例如包括超高可靠低时延通信URLLC业务和增强移动宽带eMBB业务。
可选地,实施例100中提到的AI网络参数包括有来自所述第二通信设备的,这样,所述AI网络参数是按照如下顺序的至少之一传输的:
1)根据所述AI网络参数所在的层的顺序;
2)根据所述AI网络参数所在层中的神经元的顺序;
3)根据AI网络的乘性系数(权值)和加性系数(偏置)的顺序。
例如,先列出所有神经元的乘性系数,再列出所有神经元的加性系数;或先列出所有神经元的加性系数,再列出所有神经元的乘性系数;或一个神经元的乘性系数和加性系数列完,再列下一个神经元的乘性系数和加性系数。
可选地,实施例100中提到的AI网络参数包括有来自所述第二通信设备的,这样,每个所述AI网络参数可以使用相同的比特开销,还可以使用不同的比特开销,例如,不同目标单元,根据神经元、乘性系数、加性系数,分不同的比特开销。例如,乘性系数的梯度比特开销高于加性系数的梯度。
可选地,实施例100中提到的AI网络参数包括有实时训练得到的,例如,网络侧设备和或终端侧可以使用任意初始的AI网络参数,通过实时训练的方法进行AI网络参数的更新。
可选地,实施例100中提到的AI网络参数包括有预定义的,接收来自第二通信设备的,实时训练的这三者中至少两者的组合。
该例子例如,通过上述的协议默认和/或AI网络参数传输的方式(即接收来自第二通信设备的方式),网络侧设备和或终端侧得到初始的AI网络参数;得到初始的AI网络参数后,或没有初始的AI网络参数,然后通过AI网络参数传输和或实时训练的方法进行AI网络参数的更新。
该例子中,若没有初始的AI网络参数,则网络侧设备和或终端侧自行决定AI网络参数。获得初始的AI网络参数后,所述AI网络参数对应的AI网络即可使用。
可选地,获得初始的AI网络参数后,所述AI网络参数对应的AI网络尚不能使用。所述AI网络参数对应的AI网络可以使用的前期条件可以包括以下至少之一:
1)所述AI网络的性能满足目标性能要求;
2)所述AI网络经过目标次数的训练;
3)经过目标时延。
针对上述1)中的情况,可以是该AI网络的性能满足一定性能要求;或多个AI网络的联合的性能满足一定性能要求;或整个通信系统的性能满足一定性能要求。
可选地,所述AI网络的性能包括如下至少之一:输出与标签(真实值)的误差、均方误差、归一化均方误差、相关性、熵、互信息、常数的至少之一的组合函数。
上述组合函数的组合方式包括加减乘数、N次方、N次开根号、对数、求导、求偏导等各种常见数学操作的组合。N为任意数。例如,N可以为正数或负数或0,实数或复数。
具体地,可以将AI网络的输出分成多个部分,单个部分按上述方法计算损失或与损失关联的函数;然后将多个部分的损失或损失关联的函数,通过加权组合为最终的损失函数。
上述加权包括线性平均、乘性平均及其它常见平均方法的组合。划分依据可以包括根据空域资源划分、码域资源划分、频域资源划分、时域资源划分等等。例如,空域资源按照天线、天线元、天线面板、发送接收单元、波束(模拟波束、数字波束)、层(Layer)、秩(Rank)、天线角度(如倾角)等方式划分。例如,码域资源按照不同的正交或非正交的码域等方式划分;码域有多种划分方法,如码分多址(Code Division Multiple Access,CDMA)等。例如,频域资源按资源块(Resource Block,RB)、子带、物理预编码资源块组(PhysicalPrecoding resource block group,PRG)等方式划分。又例如,时域资源按子载波、符号、时隙、半时隙等方式划分。
可选地,所述AI网络的性能包括如下至少之一:信噪比、功率、噪声、干扰、信干噪比、吞吐量、频谱效率、通话质量、传输数据量、业务包大小、中断概率、延时、灵敏度、配对用户数、周期、功耗、复杂度。
上述各个实施例中提到的具体参数(例如,目标次数,目标时延等),可以由协议默认,或网络侧设备配置,或终端上报。
为了验证本申请实施例提供的AI网络参数的配置方法的有益效果,以下将结合一个一个仿真例子进行验证。
考虑一个下行通信系统,网络侧设备(基站)配置8根或32根发送天线,终端(用户)配置2根接收天线,频域上考虑1个RB,基站恢复的信道为1层的信道。采用第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)协议中的簇延迟线(Clustered DelayLine,CDL)-C和CDL-D模型,时延配置为30/100/300纳秒,载频配置为4G赫兹,移动速度为3公里每小时。损失函数为最终网络输出与真实值之间的相关性的平方。训练方法为神经网络常用的Adam算法。每种信道模型的训练集和验证集数目分别为6万和1万。
先考虑网络侧8发的情况。下表1为不同信道环境下,AI网络与Type I码本的结果比较。第一个情况采用CDL-D信道模型,时延100纳秒,模拟一个直射径较强的信道环境;第二个情况采用CDL-C信道模型,时延300纳秒,模拟一个散射径较多的信道环境,第三个情况采用CDL-D和CDL-C混合的信道模型,各占一半,而且CDL-D采用时延30纳秒,CDL-C采用时延300纳秒。可以看出在不同的信道环境下,神经网络采用6比特都能达到或接近Type I码本8比特的性能,增益明显。
表1不同信道环境下,网络侧8发时,AI网络与Type I码本的结果
接下来,考虑网络侧32根发送天线的情况。此时采用CDL-C 300纳秒的信道。基于下表2可以看出,AI网络(即神经网络)采用6比特的开销,就可以达到Type I码本10比特的性能,增益明显。
表2不同信道环境下,网络侧32发时,神经网络与Type I码本的结果
恢复的信道与实际信道的相关性平方 | |
Type I码本(10比特) | 0.58 |
神经网络2比特 | 0.25 |
神经网络4比特 | 0.47 |
神经网络6比特 | 0.60 |
神经网络8比特 | 0.67 |
神经网络10比特 | 0.72 |
可以看出,为了达到Type I码本的性能,AI网络的开销并没有增加。一方面,由于网络侧设备天线数量显著增长,基于码本的反馈方案的码本设计复杂度和相应的反馈量会显著增长,因此码本方法面临较大的技术挑战;另一方面,当网络侧设备天线数量增加时,信道矩阵在角度域上的解析度更高,具有更强的稀疏特性。因此,随着天线数增加,本申请实施例提供的方案相比于码本方法的性能优势会更明显。
需要说明的是,本申请实施例提供的AI网络参数的配置方法,执行主体可以为第一通信设备,或者,该第一通信设备中的用于执行AI网络参数的配置方法的控制模块。本申请实施例中以第一通信设备执行AI网络参数的配置方法为例,说明本申请实施例提供的第一通信设备。
图3是根据本申请实施例的第一通信设备的结构示意图,该第一通信设备可以是终端,相应地,第二通信设备是网络侧设备;或者,该第一通信设备也可以是网络侧设备,相应地,第二通信设备是终端。如图3所示,第一通信设备300包括:
获取模块302,可以用于根据如下方式的至少之一得到AI网络参数:预定义的,接收来自第二通信设备的,实时训练的;
处理模块304,可以用于根据所述AI网络参数处理目标业务。
在本申请实施例中,第一通信设备可以通过预定义的方式,接收来自第二通信设备的方式,实时训练的方式的至少之一来得到AI网络参数,从而将AI网络引入通信流程,便于提升通信模块的性能,提升通信系统的性能。
可选地,作为一个实施例,所述处理模块304,用于行如下至少之一:信号处理,信道传输,信道状态信息获取,波束管理,信道预测,干扰抑制,定位,高层业务或参数的预测,高层业务或参数的管理。
可选地,作为一个实施例,所述AI网络参数包括如下至少之一:AI网络的结构,AI网络中的神经元的乘性系数,AI网络中的神经元的加性系数,AI网络中的神经元的激活函数。
可选地,作为一个实施例,所述AI网络的结构包括如下至少之一:
全连接神经网络、卷积神经网络、循环神经网络或残差网络;
所述AI网络包括的多个子网络的组合方式;
所述AI网络的隐藏层的层数;
所述AI网络的输入层与隐藏层的连接方式;
所述AI网络的多个隐藏层之间的连接方式;
所述AI网络的隐藏层与输出层的连接方式;
所述AI网络的每层神经元的数目;
所述AI网络的激活函数。
可选地,作为一个实施例,所述AI网络中的多个神经元使用的激活函数相同,和/或,所述AI网络的输出层的神经元不包括激活函数。
可选地,作为一个实施例,所述AI网络包括卷积神经网络;其中,所述AI网络满足如下至少之一:
所述AI网络中的神经元还包括卷积核;
所述AI网络中的神经元的乘性系数包括权重系数;
所述AI网络中的神经元的加性系数包括偏差量。
可选地,作为一个实施例,所述AI网络包括循环神经网络;其中,所述AI网络参数还包括循环单元的乘性加权系数以及所述循环单元的加性加权系数。
可选地,作为一个实施例,所述AI网络参数是预定义的,所述第一通信设备还包括通信模块,可以用于如下之一:
向第二通信设备上报支持的AI网络参数;
向第二通信设备上报选择使用的AI网络参数;
接收来自第二通信设备的第一指示信息,所述第一指示信息用于指示所述第一通信设备使用的AI网络参数。
可选地,作为一个实施例,所述第一指示信息用于指示多个所述AI网络参数,所述通信模块,还用于如下之一:
接收来自所述第二通信设备的第二指示信息,所述第二指示信息用于从所述第一指示信息指示的多个所述AI网络参数中,指示所述第一通信设备使用的AI网络参数;
向所述第二通信设备上报选择使用的AI网络参数,所述选择使用的AI网络参数包含于所述第一指示信息指示的多个所述AI网络参数。
可选地,作为一个实施例,所述通信模块,还用于发送确认信息;其中,所述第一指示信息指示的AI网络参数在所述确认信息发送完成之后的目标时间段之后有效。
可选地,作为一个实施例,所述AI网络参数是根据如下至少之一得出的:
所述第一通信设备和所述第二通信设备的硬件配置;
所述第一通信设备和所述第二通信设备的信道环境;
所述第一通信设备需要的服务质量。
可选地,作为一个实施例,
所述硬件配置包括如下至少之一:天线相关参数,处理能力相关参数;和/或
所述信道环境包括如下至少之一:发送功率,噪声功率,干扰功率,无线信号的视线传输,无线信号的非视线传输,时延信息,散射情况,信道时变性,移动速度,旋转速度,周围遮挡变化速度,遮挡情况;和/或
所述第一通信设备需要的服务质量包括如下至少之一:电量,吞吐量值,时延信息,需传输的数据包大小,误码率,信噪比或信干噪比,最大重传次数,业务类型。
可选地,作为一个实施例,所述AI网络参数来自所述第二通信设备,所述AI网络参数是按照如下顺序的至少之一传输的:
根据所述AI网络参数所在的层的顺序;
根据所述AI网络参数所在层中的神经元的顺序;
根据AI网络的乘性系数和加性系数的顺序。
可选地,作为一个实施例,所述AI网络参数对应的AI网络能够使用的条件包括以下至少之一:
所述AI网络的性能满足目标性能要求;
所述AI网络经过目标次数的训练;
经过目标时延。
可选地,作为一个实施例,所述AI网络的性能包括如下至少之一:输出与标签的误差、均方误差、归一化均方误差、相关性、熵、互信息、常数的至少之一的组合函数。
可选地,作为一个实施例,所述AI网络的性能包括如下至少之一:信噪比、功率、噪声、干扰、信干噪比、吞吐量、频谱效率、通话质量、传输数据量、业务包大小、中断概率、延时、灵敏度、配对用户数、周期、功耗、复杂度。
根据本申请实施例的第一通信设备300可以参照对应本申请实施例的方法200的流程,并且,该第一通信设备300中的各个单元/模块和上述其他操作和/或功能分别为了实现方法200中的相应流程,并且能够达到相同或等同的技术效果,为了简洁,在此不再赘述。
本申请实施例中的第一通信设备可以是装置,也可以是终端中的部件、集成电路、或芯片。该装置可以是移动终端,也可以为非移动终端。示例性的,移动终端可以包括但不限于上述所列举的终端11的类型,非移动终端可以为服务器、网络附属存储器(NetworkAttached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的第一通信设备可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的第一通信设备能够实现图2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。
可选的,如图4所示,本申请实施例还提供一种通信设备400(对应于其他实施例中的第一通信设备),包括处理器401,存储器402,存储在存储器402上并可在所述处理器401上运行的程序或指令,例如,该通信设备400为终端时,该程序或指令被处理器401执行时实现上述AI网络参数的配置方法实施例的各个过程,且能达到相同的技术效果。该通信设备400为网络侧设备时,该程序或指令被处理器401执行时实现上述AI网络参数的配置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。
图5为实现本申请实施例的一种终端的硬件结构示意图。
该终端500包括但不限于:射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、以及处理器510等部件。
本领域技术人员可以理解,终端500还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器510逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图5中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元504可以包括图形处理器(GraphicsProcessing Unit,GPU)5041和麦克风5042,图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元506可包括显示面板5061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板5061。用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071,也称为触摸屏。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元501将来自网络侧设备的下行数据接收后,给处理器510处理;另外,将上行的数据发送给网络侧设备。通常,射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器509可用于存储软件程序或指令以及各种数据。存储器509可主要包括存储程序或指令区和存储数据区,其中,存储程序或指令区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器509可以包括高速随机存取存储器,还可以包括非易失性存储器,其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
处理器510可包括一个或多个处理单元;可选的,处理器510可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序或指令等,调制解调处理器主要处理无线通信,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器510中。
本申请实施例提供的终端500可以根据如下方式的至少之一得到AI网络参数:预定义的,接收来自第二通信设备的,实时训练的;根据所述AI网络参数处理目标业务
在本申请实施例中,终端500可以通过预定义的方式,接收来自网络侧设备的方式,实时训练的方式的至少之一来得到AI网络参数,从而将AI网络引入通信流程,便于提升通信模块的性能,提升通信系统的性能。
本申请实施例提供的终端500还可以实现上述AI网络参数的配置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。
具体地,本申请实施例还提供了一种网络侧设备。如图6所示,该网络设备600包括:天线61、射频装置62、基带装置63。天线61与射频装置62连接。在上行方向上,射频装置62通过天线61接收信息,将接收的信息发送给基带装置63进行处理。在下行方向上,基带装置63对要发送的信息进行处理,并发送给射频装置62,射频装置62对收到的信息进行处理后经过天线61发送出去。
上述频带处理装置可以位于基带装置63中,以上实施例中网络侧设备执行的方法可以在基带装置63中实现,该基带装置63包括处理器64和存储器65。
基带装置63例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图6所示,其中一个芯片例如为处理器64,与存储器65连接,以调用存储器65中的程序,执行以上方法实施例中所示的网络设备操作。
该基带装置63还可以包括网络接口66,用于与射频装置62交互信息,该接口例如为通用公共无线接口(common public radio interface,简称CPRI)。
具体地,本发明实施例的网络侧设备还包括:存储在存储器65上并可在处理器64上运行的指令或程序,处理器64调用存储器65中的指令或程序执行图3所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
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AI网络参数的配置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,所述处理器可以为上述实施例中所述的终端中的处理器。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程序或指令,实现上述AI网络参数的配置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 (34)
1.一种人工智能AI网络参数的配置方法,其特征在于,所述方法包括:
第一通信设备根据如下方式的至少之一得到AI网络参数:预定义的,接收来自第二通信设备的,实时训练的;
所述第一通信设备根据所述AI网络参数处理目标业务。
2.根据权利要求1所述的方法,其特征在于,所述第一通信设备根据所述AI网络参数处理目标业务包括:所述第一通信设备根据所述AI网络参数执行如下至少之一:
信号处理,信道传输,信道状态信息获取,波束管理,信道预测,干扰抑制,定位,高层业务或参数的预测,高层业务或参数的管理。
3.根据权利要求1所述的方法,其特征在于,所述AI网络参数包括如下至少之一:AI网络的结构,AI网络中的神经元的乘性系数,AI网络中的神经元的加性系数,AI网络中的神经元的激活函数。
4.根据权利要求3所述的方法,其特征在于,所述AI网络的结构包括如下至少之一:
全连接神经网络、卷积神经网络、循环神经网络或残差网络;
所述AI网络包括的多个子网络的组合方式;
所述AI网络的隐藏层的层数;
所述AI网络的输入层与隐藏层的连接方式;
所述AI网络的多个隐藏层之间的连接方式;
所述AI网络的隐藏层与输出层的连接方式;
所述AI网络的每层神经元的数目;
所述AI网络的激活函数。
5.根据权利要求3所述的方法,其特征在于,
所述AI网络中的多个神经元使用的激活函数相同;和/或
所述AI网络的输出层的神经元不包括激活函数。
6.根据权利要求3所述的方法,其特征在于,所述AI网络包括卷积神经网络;其中,所述AI网络满足如下至少之一:
所述AI网络中的神经元还包括卷积核;
所述AI网络中的神经元的乘性系数包括权重系数;
所述AI网络中的神经元的加性系数包括偏差量。
7.根据权利要求3所述的方法,其特征在于,所述AI网络包括循环神经网络;其中,所述AI网络参数还包括循环单元的乘性加权系数以及所述循环单元的加性加权系数。
8.根据权利要求1所述的方法,其特征在于,所述AI网络参数是预定义的,所述方法还包括如下之一:
所述第一通信设备向第二通信设备上报支持的AI网络参数;
所述第一通信设备向第二通信设备上报选择使用的AI网络参数;
所述第一通信设备接收来自第二通信设备的第一指示信息,所述第一指示信息用于指示所述第一通信设备使用的AI网络参数。
9.根据权利要求8所述的方法,其特征在于,所述第一指示信息用于指示多个所述AI网络参数,所述方法还包括如下之一:
所述第一通信设备接收来自所述第二通信设备的第二指示信息,所述第二指示信息用于从所述第一指示信息指示的多个所述AI网络参数中,指示所述第一通信设备使用的AI网络参数;
所述第一通信设备向所述第二通信设备上报选择使用的AI网络参数,所述选择使用的AI网络参数包含于所述第一指示信息指示的多个所述AI网络参数。
10.根据权利要求8所述的方法,其特征在于,所述第一通信设备接收来自第二通信设备的第一指示信息之后,所述方法还包括:
所述第一通信设备发送确认信息;其中,所述第一指示信息指示的AI网络参数在所述确认信息发送完成之后的目标时间段之后有效。
11.根据权利要求8所述的方法,其特征在于,所述AI网络参数是根据如下至少之一得出的:
所述第一通信设备和所述第二通信设备的硬件配置;
所述第一通信设备和所述第二通信设备的信道环境;
所述第一通信设备需要的服务质量。
12.根据权利要求11所述的方法,其特征在于,
所述硬件配置包括如下至少之一:天线相关参数,处理能力相关参数;和/或
所述信道环境包括如下至少之一:发送功率,噪声功率,干扰功率,无线信号的视线传输,无线信号的非视线传输,时延信息,散射情况,信道时变性,移动速度,旋转速度,周围遮挡变化速度,遮挡情况;和/或
所述第一通信设备需要的服务质量包括如下至少之一:电量,吞吐量值,时延信息,需传输的数据包大小,误码率,信噪比或信干噪比,最大重传次数,业务类型。
13.根据权利要求1所述的方法,其特征在于,所述AI网络参数来自所述第二通信设备,所述AI网络参数是按照如下顺序的至少之一传输的:
根据所述AI网络参数所在的层的顺序;
根据所述AI网络参数所在层中的神经元的顺序;
根据AI网络的乘性系数和加性系数的顺序。
14.根据权利要求1所述的方法,其特征在于,所述AI网络参数对应的AI网络能够使用的条件包括以下至少之一:
所述AI网络的性能满足目标性能要求;
所述AI网络经过目标次数的训练;
经过目标时延。
15.根据权利要求1所述的方法,其特征在于,所述AI网络的性能包括如下至少之一:
输出与标签的误差、均方误差、归一化均方误差、相关性、熵、互信息、常数的至少之一的组合函数。
16.根据权利要求1所述的方法,其特征在于,所述AI网络的性能包括如下至少之一:
信噪比、功率、噪声、干扰、信干噪比、吞吐量、频谱效率、通话质量、传输数据量、业务包大小、中断概率、延时、灵敏度、配对用户数、周期、功耗、复杂度。
17.一种第一通信设备,其特征在于,包括:
获取模块,用于根据如下方式的至少之一得到AI网络参数:预定义的,接收来自第二通信设备的,实时训练的;
处理模块,用于根据所述AI网络参数处理目标业务。
18.根据权利要求17所述的第一通信设备,其特征在于,所述处理模块,用于行如下至少之一:
信号处理,信道传输,信道状态信息获取,波束管理,信道预测,干扰抑制,定位,高层业务或参数的预测,高层业务或参数的管理。
19.根据权利要求17所述的第一通信设备,其特征在于,所述AI网络参数包括如下至少之一:AI网络的结构,AI网络中的神经元的乘性系数,AI网络中的神经元的加性系数,AI网络中的神经元的激活函数。
20.根据权利要求19所述的第一通信设备,其特征在于,所述AI网络的结构包括如下至少之一:
全连接神经网络、卷积神经网络、循环神经网络或残差网络;
所述AI网络包括的多个子网络的组合方式;
所述AI网络的隐藏层的层数;
所述AI网络的输入层与隐藏层的连接方式;
所述AI网络的多个隐藏层之间的连接方式;
所述AI网络的隐藏层与输出层的连接方式;
所述AI网络的每层神经元的数目;
所述AI网络的激活函数。
21.根据权利要求19所述的第一通信设备,其特征在于,
所述AI网络中的多个神经元使用的激活函数相同;和/或
所述AI网络的输出层的神经元不包括激活函数。
22.根据权利要求19所述的第一通信设备,其特征在于,所述AI网络包括卷积神经网络;其中,所述AI网络满足如下至少之一:
所述AI网络中的神经元还包括卷积核;
所述AI网络中的神经元的乘性系数包括权重系数;
所述AI网络中的神经元的加性系数包括偏差量。
23.根据权利要求19所述的第一通信设备,其特征在于,所述AI网络包括循环神经网络;其中,所述AI网络参数还包括循环单元的乘性加权系数以及所述循环单元的加性加权系数。
24.根据权利要求17所述的第一通信设备,其特征在于,所述AI网络参数是预定义的,所述第一通信设备还包括通信模块,用于如下之一:
向第二通信设备上报支持的AI网络参数;
向第二通信设备上报选择使用的AI网络参数;
接收来自第二通信设备的第一指示信息,所述第一指示信息用于指示所述第一通信设备使用的AI网络参数。
25.根据权利要求24所述的第一通信设备,其特征在于,所述第一指示信息用于指示多个所述AI网络参数,所述通信模块,还用于如下之一:
接收来自所述第二通信设备的第二指示信息,所述第二指示信息用于从所述第一指示信息指示的多个所述AI网络参数中,指示所述第一通信设备使用的AI网络参数;
向所述第二通信设备上报选择使用的AI网络参数,所述选择使用的AI网络参数包含于所述第一指示信息指示的多个所述AI网络参数。
26.根据权利要求24所述的第一通信设备,其特征在于,所述通信模块,还用于发送确认信息;其中,所述第一指示信息指示的AI网络参数在所述确认信息发送完成之后的目标时间段之后有效。
27.根据权利要求24所述的第一通信设备,其特征在于,所述AI网络参数是根据如下至少之一得出的:
所述第一通信设备和所述第二通信设备的硬件配置;
所述第一通信设备和所述第二通信设备的信道环境;
所述第一通信设备需要的服务质量。
28.根据权利要求27所述的第一通信设备,其特征在于,
所述硬件配置包括如下至少之一:天线相关参数,处理能力相关参数;和/或
所述信道环境包括如下至少之一:发送功率,噪声功率,干扰功率,无线信号的视线传输,无线信号的非视线传输,时延信息,散射情况,信道时变性,移动速度,旋转速度,周围遮挡变化速度,遮挡情况;和/或
所述第一通信设备需要的服务质量包括如下至少之一:电量,吞吐量值,时延信息,需传输的数据包大小,误码率,信噪比或信干噪比,最大重传次数,业务类型。
29.根据权利要求17所述的第一通信设备,其特征在于,所述AI网络参数来自所述第二通信设备,所述AI网络参数是按照如下顺序的至少之一传输的:
根据所述AI网络参数所在的层的顺序;
根据所述AI网络参数所在层中的神经元的顺序;
根据AI网络的乘性系数和加性系数的顺序。
30.根据权利要求17所述的第一通信设备,其特征在于,所述AI网络参数对应的AI网络能够使用的条件包括以下至少之一:
所述AI网络的性能满足目标性能要求;
所述AI网络经过目标次数的训练;
经过目标时延。
31.根据权利要求17所述的第一通信设备,其特征在于,所述AI网络的性能包括如下至少之一:
输出与标签的误差、均方误差、归一化均方误差、相关性、熵、互信息、常数的至少之一的组合函数。
32.根据权利要求17所述的第一通信设备,其特征在于,所述AI网络的性能包括如下至少之一:
信噪比、功率、噪声、干扰、信干噪比、吞吐量、频谱效率、通话质量、传输数据量、业务包大小、中断概率、延时、灵敏度、配对用户数、周期、功耗、复杂度。
33.一种通信设备,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或指令,所述程序或指令被所述处理器执行时实现如权利要求1至16任一项所述的AI网络参数的配置方法。
34.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至16任一项所述的AI网络参数的配置方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092101.8A CN114363921B (zh) | 2020-10-13 | 2020-10-13 | Ai网络参数的配置方法和设备 |
EP21879321.4A EP4231693A4 (en) | 2020-10-13 | 2021-10-11 | CONFIGURATION METHOD FOR AI NETWORK PARAMETER AND DEVICE |
PCT/CN2021/122993 WO2022078276A1 (zh) | 2020-10-13 | 2021-10-11 | Ai网络参数的配置方法和设备 |
US18/299,398 US20230254711A1 (en) | 2020-10-13 | 2023-04-12 | Configuration method for ai network parameter and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092101.8A CN114363921B (zh) | 2020-10-13 | 2020-10-13 | Ai网络参数的配置方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114363921A true CN114363921A (zh) | 2022-04-15 |
CN114363921B CN114363921B (zh) | 2024-05-10 |
Family
ID=81089771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011092101.8A Active CN114363921B (zh) | 2020-10-13 | 2020-10-13 | Ai网络参数的配置方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230254711A1 (zh) |
EP (1) | EP4231693A4 (zh) |
CN (1) | CN114363921B (zh) |
WO (1) | WO2022078276A1 (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023206445A1 (zh) * | 2022-04-29 | 2023-11-02 | 富士通株式会社 | Ai监测装置以及方法 |
WO2023213270A1 (zh) * | 2022-05-06 | 2023-11-09 | 维沃移动通信有限公司 | 模型训练处理方法、装置、终端及网络侧设备 |
WO2023231706A1 (zh) * | 2022-05-31 | 2023-12-07 | 中兴通讯股份有限公司 | 数据信道模型的发送方法及装置、信息发送方法及装置 |
WO2024012373A1 (zh) * | 2022-07-12 | 2024-01-18 | 维沃移动通信有限公司 | Ai模型信息传输方法、装置及设备 |
WO2024027582A1 (zh) * | 2022-08-01 | 2024-02-08 | 维沃移动通信有限公司 | 模型更新方法、装置、通信设备及可读存储介质 |
WO2024027576A1 (zh) * | 2022-08-03 | 2024-02-08 | 维沃移动通信有限公司 | 一种ai网络模型的性能监督方法、装置和通信设备 |
WO2024027511A1 (zh) * | 2022-08-05 | 2024-02-08 | 华为技术有限公司 | 信道接入方法及相关装置 |
WO2024051594A1 (zh) * | 2022-09-07 | 2024-03-14 | 维沃移动通信有限公司 | 信息传输方法、ai网络模型训练方法、装置和通信设备 |
WO2024055974A1 (zh) * | 2022-09-15 | 2024-03-21 | 维沃移动通信有限公司 | Cqi传输方法、装置、终端及网络侧设备 |
WO2024067280A1 (zh) * | 2022-09-26 | 2024-04-04 | 维沃移动通信有限公司 | 更新ai模型参数的方法、装置及通信设备 |
WO2024066774A1 (zh) * | 2022-09-30 | 2024-04-04 | 中兴通讯股份有限公司 | 波束上报方法、通信设备、存储介质及程序产品 |
WO2024120447A1 (zh) * | 2022-12-09 | 2024-06-13 | 维沃移动通信有限公司 | 模型监督触发方法、装置、ue、网络侧设备、可读存储介质及通信系统 |
WO2024120358A1 (zh) * | 2022-12-05 | 2024-06-13 | 维沃移动通信有限公司 | 信息传输方法、信息传输装置和通信设备 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114900859B (zh) * | 2022-07-11 | 2022-09-20 | 深圳市华曦达科技股份有限公司 | 一种easymesh网络管理方法及装置 |
CN117440540A (zh) * | 2022-07-12 | 2024-01-23 | 维沃移动通信有限公司 | 信息传输方法、装置及设备 |
WO2024036605A1 (en) * | 2022-08-19 | 2024-02-22 | Lenovo (Beijing) Ltd. | Support of ue centric ai based temporal beam prediction |
WO2024084353A1 (en) * | 2022-10-19 | 2024-04-25 | Nokia Technologies Oy | Apparatus and method for non-linear overfitting of neural network filters and overfitting decomposed weight tensors |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018149898A2 (en) * | 2017-02-16 | 2018-08-23 | Alcatel-Lucent Ireland Ltd | Methods and systems for network self-optimization using deep learning |
CN108573307A (zh) * | 2018-03-05 | 2018-09-25 | 维沃移动通信有限公司 | 一种处理神经网络模型文件的方法及终端 |
CN109769280A (zh) * | 2019-03-29 | 2019-05-17 | 南京邮电大学 | 一种基于机器学习的wifi智能预测切换方法 |
CN111222628A (zh) * | 2019-11-20 | 2020-06-02 | 深圳前海微众银行股份有限公司 | 循环神经网络训练优化方法、设备、系统及可读存储介质 |
CN111738419A (zh) * | 2020-06-19 | 2020-10-02 | 北京百度网讯科技有限公司 | 神经网络模型的量化方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018138603A1 (en) * | 2017-01-26 | 2018-08-02 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device and electronic device including the semiconductor device |
US20210345134A1 (en) * | 2018-10-19 | 2021-11-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of machine learning to improve performance of a wireless communications network |
CN110768661B (zh) * | 2019-10-21 | 2022-10-28 | 中国科学技术大学 | 一种基于神经网络的锁相放大器 |
CN111507378A (zh) * | 2020-03-24 | 2020-08-07 | 华为技术有限公司 | 训练图像处理模型的方法和装置 |
-
2020
- 2020-10-13 CN CN202011092101.8A patent/CN114363921B/zh active Active
-
2021
- 2021-10-11 WO PCT/CN2021/122993 patent/WO2022078276A1/zh unknown
- 2021-10-11 EP EP21879321.4A patent/EP4231693A4/en active Pending
-
2023
- 2023-04-12 US US18/299,398 patent/US20230254711A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018149898A2 (en) * | 2017-02-16 | 2018-08-23 | Alcatel-Lucent Ireland Ltd | Methods and systems for network self-optimization using deep learning |
CN108573307A (zh) * | 2018-03-05 | 2018-09-25 | 维沃移动通信有限公司 | 一种处理神经网络模型文件的方法及终端 |
CN109769280A (zh) * | 2019-03-29 | 2019-05-17 | 南京邮电大学 | 一种基于机器学习的wifi智能预测切换方法 |
CN111222628A (zh) * | 2019-11-20 | 2020-06-02 | 深圳前海微众银行股份有限公司 | 循环神经网络训练优化方法、设备、系统及可读存储介质 |
CN111738419A (zh) * | 2020-06-19 | 2020-10-02 | 北京百度网讯科技有限公司 | 神经网络模型的量化方法和装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023206445A1 (zh) * | 2022-04-29 | 2023-11-02 | 富士通株式会社 | Ai监测装置以及方法 |
WO2023213270A1 (zh) * | 2022-05-06 | 2023-11-09 | 维沃移动通信有限公司 | 模型训练处理方法、装置、终端及网络侧设备 |
WO2023231706A1 (zh) * | 2022-05-31 | 2023-12-07 | 中兴通讯股份有限公司 | 数据信道模型的发送方法及装置、信息发送方法及装置 |
WO2024012373A1 (zh) * | 2022-07-12 | 2024-01-18 | 维沃移动通信有限公司 | Ai模型信息传输方法、装置及设备 |
WO2024027582A1 (zh) * | 2022-08-01 | 2024-02-08 | 维沃移动通信有限公司 | 模型更新方法、装置、通信设备及可读存储介质 |
WO2024027576A1 (zh) * | 2022-08-03 | 2024-02-08 | 维沃移动通信有限公司 | 一种ai网络模型的性能监督方法、装置和通信设备 |
WO2024027511A1 (zh) * | 2022-08-05 | 2024-02-08 | 华为技术有限公司 | 信道接入方法及相关装置 |
WO2024051594A1 (zh) * | 2022-09-07 | 2024-03-14 | 维沃移动通信有限公司 | 信息传输方法、ai网络模型训练方法、装置和通信设备 |
WO2024055974A1 (zh) * | 2022-09-15 | 2024-03-21 | 维沃移动通信有限公司 | Cqi传输方法、装置、终端及网络侧设备 |
WO2024067280A1 (zh) * | 2022-09-26 | 2024-04-04 | 维沃移动通信有限公司 | 更新ai模型参数的方法、装置及通信设备 |
WO2024066774A1 (zh) * | 2022-09-30 | 2024-04-04 | 中兴通讯股份有限公司 | 波束上报方法、通信设备、存储介质及程序产品 |
WO2024120358A1 (zh) * | 2022-12-05 | 2024-06-13 | 维沃移动通信有限公司 | 信息传输方法、信息传输装置和通信设备 |
WO2024120447A1 (zh) * | 2022-12-09 | 2024-06-13 | 维沃移动通信有限公司 | 模型监督触发方法、装置、ue、网络侧设备、可读存储介质及通信系统 |
Also Published As
Publication number | Publication date |
---|---|
EP4231693A1 (en) | 2023-08-23 |
US20230254711A1 (en) | 2023-08-10 |
WO2022078276A1 (zh) | 2022-04-21 |
CN114363921B (zh) | 2024-05-10 |
EP4231693A4 (en) | 2024-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114363921B (zh) | Ai网络参数的配置方法和设备 | |
US20230262506A1 (en) | Beam reporting method, beam information determining method, and related device | |
US11309949B2 (en) | Signal processing method and apparatus | |
US20230291458A1 (en) | Beam processing method and apparatus and communication device | |
US20170201999A1 (en) | Method for transmitting signal through energy efficiency optimization and base station | |
US20230291517A1 (en) | Communication method, communications apparatus, and communications device | |
US20240073882A1 (en) | Beam Control Method and Apparatus for Intelligent Surface Device and Electronic Device | |
US20230244911A1 (en) | Neural network information transmission method and apparatus, communication device, and storage medium | |
US20240088970A1 (en) | Method and apparatus for feeding back channel information of delay-doppler domain, and electronic device | |
US20230291658A1 (en) | Method for Processing Partial Input Missing of AI Network, and Device | |
Ishibashi et al. | User-centric design of millimeter wave communications for beyond 5G and 6G | |
US20230261815A1 (en) | Communication Information Sending Method, Communication Information Receiving Method, and Communication Device | |
US20230299910A1 (en) | Communications data processing method and apparatus, and communications device | |
WO2023066288A1 (zh) | 模型请求方法、模型请求处理方法及相关设备 | |
Ali et al. | Contextual bandit learning for machine type communications in the null space of multi-antenna systems | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
CN115333581B (zh) | 终端天线面板信息的传输方法、终端及网络侧设备 | |
US20240224082A1 (en) | Parameter selection method, parameter configuration method, terminal, and network side device | |
WO2023040885A1 (zh) | 参数选择方法、参数配置方法、终端及网络侧设备 | |
US20240078439A1 (en) | Training Data Set Obtaining Method, Wireless Transmission Method, and Communications Device | |
WO2024093771A1 (zh) | 参考信号确定方法、终端及网络侧设备 | |
CN110912625B (zh) | 传输信号的方法和通信装置 | |
WO2023091164A1 (en) | User equipment (ue) beam prediction with machine learning | |
GB2615413A (en) | Method for determining beam interfefence |
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 |