CN114424623A - 基于机器学习的信道估计 - Google Patents
基于机器学习的信道估计 Download PDFInfo
- Publication number
- CN114424623A CN114424623A CN201980100558.8A CN201980100558A CN114424623A CN 114424623 A CN114424623 A CN 114424623A CN 201980100558 A CN201980100558 A CN 201980100558A CN 114424623 A CN114424623 A CN 114424623A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- signal
- reference signal
- signal quality
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 130
- 230000006854 communication Effects 0.000 claims abstract description 107
- 238000004891 communication Methods 0.000 claims abstract description 107
- 238000012360 testing method Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 14
- 238000005259 measurement Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06N3/08—Learning methods
-
- 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
- H04L25/0204—Channel estimation of multiple channels
-
- 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
- H04L25/022—Channel estimation of frequency response
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开的示例实施例涉及基于机器学习的信道估计。根据示例实施例,第一设备确定参考信号从第二设备到第一设备的传输中的预期信号质量并且从第二设备接收参考信号。第一设备基于预期信号质量从多个信道估计模型中选择信道估计模型,该多个信道估计模型已经针对参考信号针对多个候选信号质量被训练。第一设备使用所选择的信道估计模型并且基于所接收的参考信号确定从第一设备到第二设备的通信信道的信道状态信息。根据该方案,取决于在某个RS的传输中期望获取的实时信号质量,动态地选择用于使用的信道估计模型。
Description
技术领域
本公开的实施例总体上涉及通信领域,并且具体地涉及用于信道估计的方法、设备、装置和计算机可读存储介质。
背景技术
在通信系统中使用信道状态信息(CSI)。CSI通常用于定义通信信道的属性,以描述信号如何从传输器传播到接收器。CSI表示信道的综合效应,例如随着距离的散射、衰落和功率衰减。CSI可以使传输适应当前信道条件,并且可以有利地用于例如实现具有高数据速率的可靠通信。这可以例如在多天线系统中提供。
可能需要基于估计来获取CSI的至少一些部分,因为信道条件变化并且因此瞬时CSI需要在短期基础上被估计。用于信道估计的常用方法是使用所谓的参考信号(RS)或者导频序列,其中已知的信号或者序列从传输器被传输并且基于这些RS在接收器处估计CSI。尽可能准确的信道估计将在各种通信应用中很有用,诸如,多输入多输出(MIMO)、波束成形、或者依赖于有关通信信道的准确信息的其他技术。
发明内容
总体上,本公开的示例实施例提供了一种用于基于机器学习的信道估计的解决方案。
在第一方面,提供了一种第一设备。第一设备包括至少一个处理器;以及包括计算机程序代码的至少一个存储器;其中至少一个存储器和计算机程序代码被配置为与至少一个处理器一起引起第一设备确定参考信号从第二设备到第一设备的传输中的预期信号质量;从第二设备接收参考信号;基于预期信号质量从多个信道估计模型中选择信道估计模型,该多个信道估计模型已经针对参考信号针对多个候选信号质量被训练;以及使用所选择的信道估计模型并且基于所接收的参考信号确定从第一设备到第二设备的通信信道的信道状态信息。
在第二方面,提供了一种第二设备。第二设备包括至少一个处理器;以及包括计算机程序代码的至少一个存储器;其中至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使得第二设备向第一设备传输空信号,空信号的接收功率被用于确定参考信号从第二设备到第一设备的传输中的预期信号质量;向第一设备传输参考信号;以及通过通信信道接收从第一设备传输的数据,通信信道的信道状态信息由第一设备使用基于预期信号质量而选择的多个信道估计模型中的一个信道估计模型来确定,并且多个信道估计模型已经针对参考信号针对多个候选信号质量被训练。
在第三方面,提供了一种方法。该方法包括在第一设备处确定参考信号从第二设备到第一设备的传输中的预期信号质量;从第二设备接收参考信号;基于预期信号质量从多个信道估计模型中选择信道估计模型,该多个信道估计模型已经针对参考信号针对多个候选信号质量被训练;以及使用所选择的信道估计模型并且基于所接收的参考信号确定从第一设备到第二设备的通信信道的信道状态信息。
在第四方面,提供了一种方法。该方法包括在第一设备处向第一设备传输空信号,该空信号的接收功率被用于确定参考信号从第二设备到第一设备的传输中的预期信号质量;向第一设备传输参考信号;以及通过通信信道接收从第一设备传输的数据,通信信道的信道状态信息由第一设备使用基于预期信号质量而选择的多个信道估计模型中的一个信道估计模型来确定,并且多个信道估计模型已经针对参考信号针对多个候选信号质量被训练。
在第五方面,提供了一种装置。该装置包括用于在第一设备处确定参考信号从第二设备到第一设备的传输中的预期信号质量的模块;用于从第二设备接收参考信号的模块;用于基于预期信号质量从多个信道估计模型中选择信道估计模型的模块,该多个信道估计模型已经针对参考信号针对多个候选信号质量被训练;以及用于使用所选择的信道估计模型并且基于所接收的参考信号确定从第一设备到第二设备的通信信道的信道状态信息的模块。
在第六方面,提供了一种装置。该装置包括用于在第一设备处向第一设备传输空信号的模块,该空信号的接收功率用于确定参考信号从第二设备到第一设备的传输中的预期信号质量;用于向第一设备传输参考信号的模块;以及用于通过通信信道接收从第一设备传输的数据的模块,通信信道的信道状态信息由第一设备使用基于预期信号质量而选择的多个信道估计模型中的一个信道估计模型来确定,并且多个信道估计模型已经针对参考信号针对多个候选信号质量被训练。
在第七方面,提供了一种非暂态计算机可读介质,该介质包括用于引起装置至少执行根据以上第二方面的方法的程序指令。
在第八方面,提供了一种非暂态计算机可读介质,该介质包括用于引起装置至少执行根据以上第三方面的方法的程序指令。
应当理解,发明内容部分并非旨在确定本公开的实施例的关键或者基本特征,也不旨在用于限制本公开的范围。通过以下描述,本公开的其他特征将变得容易理解。
附图说明
现在将参考附图描述一些示例实施例,在附图中:
图1A图示了可以在其中实现本公开的示例实施例的示例通信系统;
图1B图示了图1A的通信系统中的第一设备的示例框图;
图2图示了图示根据本公开的一些示例实施例的用于信道估计的过程的信令图;
图3示意性地图示了在使用用匹配信号质量和不匹配信号质量进行训练的估计模型进行信道估计之后实现的用户吞吐量性能的比较;
图4图示了根据本公开的一些示例实施例的候选信号质量与信号质量范围之间的映射;
图5A-5B图示了使用信道估计模型对不同预期信号质量进行信道估计的示例性能;
图6A图示了根据本公开的一些示例实施例的用于信号传输的示例帧;
图6B图示了根据本公开的一些示例实施例的第一设备的示例信号接收;
图6C图示了根据本公开的一些其他示例实施例的用于信号传输的示例帧;
图6D图示了根据本公开的一些其他示例实施例的第一设备的示例信号接收;
图7图示了根据本公开的一些示例实施例的候选信号质量、信号质量范围和波束数目之间的映射;
图8图示了根据本公开的一些示例实施例的用于为给定信道估计模型确定信号质量范围的过程的流程图;
图9图示了根据本公开的一些示例实施例的用于训练信道估计模型的示例架构900的框图;
图10图示了根据本公开的一些示例实施例的信道估计模型的示例结构的框图;
图11图示了根据本公开的一些示例实施例的在第一设备处实现的方法的流程图;
图12图示了根据本公开的一些示例实施例的在第二设备处实现的方法的流程图;
图13图示了适合于实现本公开的示例实施例的装置的简化框图;以及
图14图示了根据本公开的一些示例实施例的示例计算机可读介质的框图。
在整个附图中,相同或者相似的附图标记表示相同或者相似的元素。
具体实施方式
现在将参考一些示例实施例来描述本公开的原理。应当理解,描述这些实施例仅是为了说明和帮助本领域技术人员理解和实现本公开,并不表示对本公开的范围的任何限制。本文中所描述的公开可以以除了下面所描述的方式之外的各种方式来实现。
在以下描述和权利要求中,除非另有定义,否则本文中使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常理解的相同的含义。
本公开中对“一个实施例”、“实施例”、“示例实施例”等的引用表明所描述的实施例可以包括特定特征、结构或者特性,但不一定每个实施例都包括特定特征、结构或者特性。此外,这样的短语不一定指代相同实施例。此外,当结合实施例描述特定特征、结构或者特性时,主张的是,结合其他实施例(无论是否明确描述)影响这样的特征、结构或者特性在本领域技术人员的知识范围内。
应当理解,尽管在本文中可以使用术语“第一”和“第二”等来描述各种元素,但是这些元素不应当受这些术语的限制。这些术语仅用于区分一个元素与另一元素。例如,第一元素可以被称为第二元素,并且类似地,第二元素可以被称为第一元素,而不脱离示例实施例的范围。如本文中使用的,术语“和/或”包括所列术语中的一个或多个的任何和所有组合。
本文中使用的术语仅出于描述特定实施例的目的,并不旨在限制示例实施例。如本文中使用的,单数形式“一个(a)”、“一个(an)”和“该(the)”旨在也包括复数形式,除非上下文另有明确指示。将进一步理解,术语“包括(comprises)”、“包括(comprising)”、“具有(has)”、“具有(having)”、“包括(includes)”和/或“包括(including)”当在本文中使用时指定所述特征、元素和/或组件等的存在,但是不排除一个或多个其他特征、元素、组件和/或其组合的存在或者添加。
如在本申请中使用的,术语“电路系统”可以指代以下中的一项或多项或全部:
(a)纯硬件电路实现(诸如,仅使用模拟和/或数字电路系统的实现),以及
(b)硬件电路和软件的组合,诸如(如适用):
(i)(多个)模拟和/或数字硬件电路与软件/固件的组合,以及
(ii)具有软件的(多个)硬件处理器(包括数字信号处理器)、软件和(多个)存储器的任何部分,这些部分一起工作以引起装置(诸如,移动电话或者服务器)执行各种功能,以及
(c)(多个)硬件电路和/或(多个)处理器,诸如(多个)微处理器或者(多个)微处理器的一部分,其需要软件(例如,固件)进行操作,但在操作不需要时软件可以不存在。
该电路系统的定义适用于该术语在本申请中的所有使用,包括在任何权利要求中。作为另一示例,如本申请中使用的,术语电路系统还涵盖仅硬件电路或者处理器(或者多个处理器)或者硬件电路或者处理器的一部分及其(或者它们的)随附软件和/或固件的实现。例如,如果适用于特定权利要求元素,则术语电路系统还涵盖用于移动设备的基带集成电路或者处理器集成电路、或者者服务器、蜂窝网络设备或者其他计算或者网络设备中的类似集成电路。
如本文中使用的,术语“通信网络”是指遵循任何合适的通信标准的网络,诸如长期演进(LTE)、高级LTE(LTE-A)、宽带码分多址(WCDMA)、高速分组接入(HSPA)、窄带物联网(NB-IoT)等。此外,通信网络或者系统中的终端设备与网络设备之间的通信可以根据任何合适的各代通信协议来执行,包括但不限于第一代(1G)、第二代(2G)、2.5G、2.75G、第三代(3G)、第四代(4G)、4.5G、未来的第五代(5G)通信协议、和/或当前已知或者未来将要开发的任何其他协议。本公开的实施例可以应用在各种通信系统中。鉴于通信的快速发展,当然也将存在可以在其中体现本公开的未来类型的通信技术和系统。不应当将其视为将本公开的范围仅限于上述系统。
如本文中使用的,术语“网络设备”是指通信网络或者系统中的节点,终端设备经由该节点接入网络并且从网络接收服务。网络设备可以是指基站(BS)或者接入点(AP),例如节点B(NodeB或者NB)、演进型NodeB(eNodeB或者eNB)、NR NB(也称为gNB)、远程无线电单元(RRU)、无线电报头(RH)、远程无线电头端(RRH)、中继、诸如,毫微微、微微等低功率节点,具体取决于所应用的术语和技术。
术语“终端设备”是指能够进行无线通信的任何终端设备。作为示例而非限制,终端设备还可以被称为通信设备、用户设备(UE)、订户站(SS)、便携式订户站、移动台(MS)或者接入终端(AT)。终端设备可以包括但不限于移动电话、蜂窝电话、智能电话、IP语音(VoIP)电话、无线本地环路电话、平板电脑、可穿戴终端设备、个人数字助理(PDA)、便携式计算机、台式计算机、诸如数码相机等图像采集终端设备、游戏终端设备、音乐存储和播放设备、车载无线终端设备、无线端点、移动台、笔记本电脑嵌入式设备(LEE)、笔记本电脑安装设备(LME)、USB加密狗、智能设备、无线客户端设备(CPE)、物联网(IoT)设备、手表或者其他可穿戴设备、头戴式显示器(HMD)、车辆、无人机、医疗设备和应用(例如,远程手术)、工业设备和应用(例如,在工业和/或自动化处理链上下文中操作的机器人和/或其他无线设备)、消费电子设备、在商业和/或工业无线网络上操作的设备等。在以下描述中,术语“终端设备”、“通信设备”、“终端”、“用户设备”和“UE”可以互换使用。
示例环境
图1A图示了可以在其中实现本公开的示例实施例的示例通信系统100。系统100包括多个通信设备,诸如第一设备110和K个第二设备120-1、……、120-K(其中K等于或者大于1)。为了讨论方便,第二设备120-1、……、120-K可以统称为或者单独称为第二设备120。在本示例中,第一设备110被示出为网络设备,并且第二设备120被示出为终端设备。
第一设备110和第二设备120通常通过通信信道经由天线布置彼此通信。在其中第一设备110是网络设备并且第二设备120是终端设备的示例中,从第一设备110到第二设备120的通信信道称为下行链路(DL)或者DL信道,而从第二设备120到第一设备110的通信信道称为上行链路(UL)或者UL信道。
如图所示,第一设备110配备有天线112-1、112-2、……、112-MT(统称为或者单独称为天线112)。第二设备120中的每个配备有一组天线122-1、……、122-K(统称为或者单独称为天线组122),包括一个或多个天线。第二设备的天线数目表示为MRk,并且所有K个第二设备120的天线总数表示为
第一设备110和第二设备120的天线可以传输和接收数据。通信系统100被认为是多天线通信系统,其可以支持(1)从多个传输天线到多个接收天线的多输入多输出(MIMO)传输或者大规模MIMO,(2)从多个传输天线到单个接收天线的多输入单输出(MISO)传输,或者(3)从单个传输天线到单个接收天线的单输入单输出(SISO)传输。图1A示出了多用户(MU)-MIMO系统,其中第一设备110与多于一个第二设备120通信。图1A示意性地示出了从第一设备110到(多个)第二设备120的通信信道,表示为H。
通信系统100中的通信可以根据(多个)任何适当通信协议来实现,包括但不限于第一代(1G)、第二代(2G)、第三代(3G)、第四代(4G)和第五代(5G)等的蜂窝通信协议、无线局域网通信协议(诸如,电气和电子工程师协会(IEEE)802.11等)、和/或当前已知或者将来开发的任何其他协议。此外,通信可以利用任何适当无线通信技术,包括但不限于:码分多址(CDMA)、频分多址(FDMA)、时分多址(TDMA)、频分双工(FDD)、时分双工(TDD)、MIMO、正交频分多路(OFDM)、离散傅里叶变换扩展OFDM(DFT-s-OFDM)、和/或当前已知或者将来开发的任何其他技术。在一些示例实施例中,第一设备110和第二设备120可以以毫米波(mmWave)频率操作。
应当理解,设备和天线的数目仅用于说明的目的,而不暗示任何限制。系统100可以包括适于实现本公开的实施例的任何合适数目的第一设备和第二设备、或者具有任何合适数目的天线的第一设备或者第二设备。例如,第一设备可以与一个第二设备通信。
在操作期间,通常需要对传输器侧与接收器侧之间的通信信道进行估计和预测。信道估计通常通过从传输器发送参考信号并且在接收器处测量参考信号来执行。参考信号由传输器和接收器都事先知道的符号序列组成。接收器因此可以基于接收符号和已知符号来估计通信信道。
需要准确的信道估计来恢复经由通信信道传输的数据,尤其是在诸如MIMO、波束成形或者依赖于有关信道响应的准确信息的其他技术中。例如,模数混合波束成形非常具有成本效益,并且可以在实际的大规模MIMO系统中轻松实现。混合波束成形是将波束成形拆分为模拟域和数字域,以避免解决复杂的优化问题。然而,混合波束成形高度依赖于准确的信道估计来确保模拟波束成形中的传输和接收波束的对准,从而确保数字波束成形过程。在混合波束成形以外的其他通信应用中,在对应信道上进行通信的参数配置也需要信道估计。
作为示例,图1B示出了实现混合波束成形的第一设备110的框图。第一设备110包括用于在模拟域中实现模拟波束成形的射频(RF)波束成形器114和用于在数字域中实现数字波束成形的基带(BB)波束成形器118。多个(NT个)RF链116-1、116-2、……、116-NT(统称为或者单独称为RF链116)设置在RF波束成形器114与BB波束成形器118之间。RF波束成形器114连接到MT个天线112。RF波束成形器114、RF链116和BB波束成形器118与天线112一起工作以实现混合波束成形。
在从第一设备110到第二设备120的传输中,在由第一设备110的其他组件处理之后,多个数据流被提供给BB波束成形器118,由BB波束成形器118、RF链116和RF波束成形器114处理,并且由天线112使用一个或多个传输波束传输给一个或多个第二设备120。在这样的传输中,需要信道估计来配置波束成形。
系统100中从第一设备110到第二设备120的总信道表示为其中MR是与第一设备110通信的所有K个第二设备120的天线总数,MT是第一设备110的天线总数,并且H=[H1,H2,...,HK],Hk表示当将总信道视为广泛使用的集群模型时来自第k第二设备120的通信信道。
信道H可以经由参考信号从第二设备120到第一设备110的传输来估计。例如,通过考虑第一设备110与第二设备120之间在两个方向上的信道互易性,从第二设备120到第一设备110的总信道可以被确定为从第一设备110到第二设备120的总信道的转置,表示为Hu=HT。如果第一设备110基于参考信号的传输执行信道估计,并且假定由第k第二设备120向第一设备110传输的参考信号表示如下:
则在第一设备110处接收的参考信号(RS)可以表示如下:
其中Y表示接收RS,X表示由第K第二设备120传输的RS的总矢量,其中并且互易信道Hu定义为此外,在等式(1)中,NRS表示RS的长度(即,RS的符号数),表示测量矩阵或者接收模拟波束成形矩阵,表示在通信信道中发生的噪声和/或干扰。在一个示例中,例如,噪声和/或干扰可以被建模为加性高斯白噪声(AWGN)以及具有零均值和功率谱密度N0的其他干扰,尽管其他噪声和干扰模型也是可能的。在一个示例中,由第k第二设备120XK传输的RS可以被设计为提供正交性,以包含满足α>0的正交列,其中是单位矩阵,α表示RS的传输功率。
信道估计是从接收RS Y来估计信道的表示H或者信道的CSI。实现尽可能准确的信道估计仍然存在挑战。例如,在混合波束成形中,RF链的数目通常小于天线的数目,即NT<MT,这使得难以直接从等式(1)中的Y求解H。已经提出了一些基于压缩感测(CS)的技术可以探索信道的稀疏性,但是CS中的优化问题通常比较困难并且具有较高的计算复杂度和较长的处理时间。
目前,随着机器学习技术的发展,机器学习模型已经被训练并且应用于在不同领域执行各种任务。发现,基于机器学习的信道估计可以提供性能增强并且可能降低计算复杂度、开销以及处理延迟。已经提出了一些解决方案来训练固定机器学习模型以估计两个设备之间的通信信道。这种机器学习可能并不总是适用于不同通信条件下的准确信道估计。
工作原理和示例信令图
根据本公开的实施例,提供了一种用于基于机器学习的信道估计的解决方案。在该解决方案中,第一设备通过应用机器学习模型(称为信道估计模型)来对从第一设备到第二设备的通信信道执行信道估计。在从第二设备到第一设备的传输中,针对多个候选信号质量对多个信道估计模型进行训练。第一设备确定RS从第二设备的传输中的预期信号质量,并且基于预期信号质量从已训练信道估计模型中选择信道估计模型以供使用。然后通过从第二设备接收RS并且使用所选择的信道估计模型基于所接收的RS确定通信信道的信道状态信息(CSI)来执行信道估计。根据该解决方案,取决于在某个RS的传输中期望获取的实时信号质量,动态地选择用于使用的信道估计模型。这种模型选择可以适应各种RS传输情况,从而产生更准确的信道估计。
下面结合附图对本公开的原理和实施例进行详细说明。图2示出了根据本公开的示例实施例的用于信道估计的信令图200。为了讨论的目的,将参考图1来描述信令图200。信令图200可以涉及如图1所示的第一设备110和一个或多个第二设备120。应当理解,尽管图2和以下实施例描述诸如网络设备等第一设备110实现信令图200,但是该过程同样可以在第二设备120处实现。
第一设备110确定205在RS从第二设备120到第一设备110的传输中的预期信号质量。某个信号的信号质量通常取决于信号的传输功率并且受到信号在从第二设备120到第一设备110的传输期间所经历的噪声和/或干扰的影响。在一些实施例中,预期信号质量包括RS的信噪比(SNR)或者信干噪比(SINR)。这里,术语“SNR”和“SINR”可以互换使用。在一些实施例中,预期信号质量被具体地测量为RS的传输SNR。SNR的确定将在下面详细说明。
如上所述,预期信号质量用于确定多个信道估计模型中用于使用的信道估计模型。这基于发明人发现的以下事实,即,信道估计模型的性能取决于信号质量。由于信道估计模型的训练是数据相关的,需要足够的训练数据对{H,Y},其中Y是被认为由第一设备110接收的训练接收RS,H是真实CSI。如果以不同信号质量传输RS(例如,由于所使用不同的传输功率或者所经历的不同噪声和/或干扰),则接收器侧获取不同接收RS。因此,为了训练信道估计模型,对于所有训练接收RS,信号质量保持不变。也就是说,通常针对预定信号质量训练信道估计模型。这样,如果信道估计模型针对RS的信号质量进行训练并且用于基于以不同信号质量传输的RS的接收来估计信道,则性能可能会受到损害。
为了更好地理解由于信号质量在训练和模型应用中的失配对性能的影响,可以参考图3。图3示出了在使用估计模型进行信道估计之后实现的用户吞吐量性能的比较,该估计模型以匹配的信号质量和失配的信号质量进行训练。一组曲线301中的累积分布函数(CDF)曲线指示在使用信道估计模型进行信道估计之后实现的性能,该信道估计模型针对信号质量进行训练并且用于基于以相同信号质量传输的RS的信道估计(即,使用具有匹配的信号质量的信道估计模型)。例如,针对15dB的SNR(信号质量)训练信道估计模型,并且将该信道估计模型用于根据以相同的15dB的SNR传输的RS的接收来执行信道估计,性能曲线表明,性能更接近完美的性能曲线。
一组曲线302中的相应CDF曲线指示在使用信道估计模型进行信道估计之后实现的性能,该信道估计模型针对信号质量进行训练并且用于基于以不同信号质量传输的RS的信道估计(即,使用具有失配的信号质量的信道估计模型)。导致该组性能曲线302的信道估计模型针对0dB的固定SNR被训练。如果使用该信道估计模型根据以15dB的SNR传输的RS的接收来执行信道估计,如图3所示,则用户吞吐量性能显著降低。
在操作期间,从第二设备120传输到第一设备110的RS的信号质量由于在从第二设备120到第一设备110的传输过程中发生的各种变化而变化。例如,第二设备120的传输功率随着功率控制而改变。例如,由于第二设备120的移动、与第一设备110同时通信的一个或多个第二设备120的添加或者减少,噪声和/或干扰也可能变化。所有这些变化可能导致诸如SNR等信号质量的变化。
在一些示例实施例中,第一设备110可以将RS的传输SNR确定为预期信号质量。为了确定传输SNR,引入“空”信号或者“空”参考信号,以估计RS(被接收和测量以估计信道的有效信号)的传输中预期会经历的噪声和/或干扰的功率。
如图2所示,作为可选动作,第二设备120向第一设备110传输202空信号。第一设备110可以指示第二设备120何时和何地传输空信号并且为传输分配(多个)对应时间和/或频率资源。第二设备120使用(多个)所分配的资源传输空信号。然后第一设备110在(多个)所分配的资源处检测空信号。检测到的功率被认为是在从第二设备120到第一设备110的方向上通信信道中的噪声和/或干扰的功率。空信号的传输使得第一设备110可以更准确地估计噪声和/或干扰,以用于计算RS的预期信号质量(例如,RS的传输SNR)。
第一设备110基于噪声和/或干扰的功率以及RS的传输功率(例如,RS的传输功率与噪声和/或干扰的功率的比率)来确定传输SNR。作为具体示例,RS的传输SNR可以计算如下:
其中PT表示RS的传输功率,P0表示噪声和/或干扰的功率。回顾等式(1),可以看出,RS的预期信号质量、更具体地是RS的传输SNR可以影响由第一设备110接收的RS Y。在等式(1)中,对于某个第k第二设备120,接收RS Y与从第k第二设备120传输的RS Xk和噪声和/或干扰N有关,例如,RS的预期信号质量(例如,传输SNR)可以确定为
RS的传输功率可以由第二设备120指示,例如,通过从第二设备120传输的功率余量报告(PHR)。PHR指示第二设备120剩余多少功率。PHR是第二设备120的实际传输功率与最大功率(例如,每个子载波)之间的差值的度量。第二设备120可以使用PHR来估计路径损耗并且计算RS的传输功率。“空”信号的传输可以与PHR对准。在一些示例实施例中,第二设备120可以以与要用于传输RS的传输功率相同的传输功率传输空信号。
在一些示例实施例中,当第一设备110检测到RS的传输功率的变化或者接收到空信号的新传输时,预期信号质量可以被更新。
可以理解,RS的预期信号质量可以通过其他度量来测量,该度量通常与RS的传输功率以及RS所经历的噪声和/或干扰有关。尽管上面描述了将传输SNR计算为预期信号质量的示例,但是传输SNR可以使用各种其他方式来确定。本公开的范围在这方面不受限制。
仍然再次参考图2,第一设备110进一步从第二设备120接收210RS。第一设备110可以为第二设备120传输RS分配(多个)时间和/或频率资源。这里的RS是用于信道估计的有效信号。RS可以是第一设备110和第二设备120都知道的任何信号,并且可以包括符号序列。在一些示例实施例中,RS是探测参考信号(SRS)。在其他示例实施例中,其他类型的RS也是可能的。第一设备110获取关于所接收的RS的测量。
在一些示例实施例中,用于确定预期信号质量的时段可以大于用于传输RS的时段。例如,第一设备110可以控制空信号和有效RS的传输周期,使得空信号的传输周期大于RS的传输周期。
第一设备110还基于预期信号质量从多个信道估计模型203-1、203-2、……、203-P(统称为或者单独称为信道估计模型203或者模型203,其中P大于或者等于2)中选择215信道估计模型。信道估计模型203是机器学习模型并且被训练为具有根据接收RS确定通信信道的CSI的能力。因此,信道估计模型的输入是接收RS,而输出是所确定的CSI。
执行机器学习通常涉及以下三个阶段:训练阶段,用于通过将输入与预期输出配对来用训练数据集训练机器学习模型并且用于确定模型的参数;评估/测试阶段,用于通过使用评估数据集和/或测试数据集估计模型性能特性(例如,分类器的分类错误等)来估计模型的训练效果;以及实现阶段,用于将真实世界数据应用于已训练机器学习模型以获取结果。
在本公开的一些示例实施例中,第一设备110执行信道估计模型203的实现阶段,即,将接收RS应用于信道估计模型以获取信道估计结果CSI。在一些示例实施例中,信道估计模型203的训练阶段和评估/测试阶段可以由第一设备110或者由其他计算设备或者节点执行。在后一种情况下,已训练信道估计模型203可以被提供给第一设备110以供使用。例如,详细的模型配置和已训练参数可以存储在第一设备110可访问的存储器201中。存储器201可以是第一设备110的内部存储器或者外部存储器。
信道估计模型203可以包括以下中的至少一种:深度神经网络(DNN)、卷积神经网络(CNN)、深度残差卷积神经网络(ResCNN)、递归神经网络(RNN)、或者其他机器学习或者深度学习模型,包括参数乘法、加法和非线性。信道估计模型203可以以有监督方式训练,并且训练数据集可以包括足够的训练数据对{H,Y},其中Y是被认为是由第一设备110接收的训练接收RS,H是真实CSI。下面将详细描述信道估计模型203的一些示例模型结构和训练阶段。
根据本公开的示例实施例,多个信道估计模型203已经针对参考信号传输中的多个候选信号质量被训练。更具体地,一个信道估计模型203已经针对特定候选信号质量被训练,诸如传输SNR的值。这表示,该信道估计模型203的训练接收RS包括被生成为以候选信号质量接收的RS。这样的训练接收RS可以是第一设备110以候选信号质量通过实际传输接收的RS,和/或可以是被生成为以候选信号质量传输的模拟信号。在一些示例实施例中,两个或者更多个信道估计模型203可能已经针对相同的候选信号质量被训练,这将从以下关于(多个)预定波束的描述中可知。
因此,多个已训练信道估计模型203中的每个与对应候选信号质量相关联。在一些示例实施例中,可以从可以在第二设备120与第一设备110之间的通信中实现的潜在信号质量范围中对该多个候选信号质量进行采样。例如,如果确定潜在信号质量范围是从-10dB到15dB的SNR范围,则不同候选信号质量可以用相同或者不同区间从这个范围进行采样。
在一些示例实施例中,由于候选信号质量是一些离散值并且所确定的预期信号质量可能并不总是与候选信号质量中的一个完全匹配,所以为了选择信道估计模型,第一设备110可以将预期信号质量与相应候选信号质量进行比较,并且标识最接近预期信号质量的候选信号质量。第一设备110然后可以选择针对所识别的候选信号质量被训练的信道估计模型203。
替代地,在一些示例实施例中,候选信号质量可以被映射到对应信号质量范围,其中候选信号质量中的每个落在对应信号质量范围内。信号质量范围不能彼此交叠。例如,SNR为-7.5dB的候选信号质量被映射到-10dB到-5dB的信号质量范围,SNR为-2.5dB的候选信号质量被映射到-5dB到0dB的信号质量范围。然后可以将针对相应候选信号质量被训练的信道估计模型与对应信号质量范围相关联。图4示出了候选信号质量与信号质量范围之间的映射400以及与信道估计模型203的关联。
第一设备110可以获取这样的映射并且确定多个信号质量范围中预期信号质量落入其中的信号质量范围。第一设备110然后可以选择与所确定的信号质量范围相关联的信道估计模型。例如,如果预期信号质量是-3dB,则第一设备110根据映射400确定该信号质量落入从-5dB到0dB的信号质量范围,并且然后选择与该信号质量范围相关联的信道估计模型203-3。
信号质量范围可以预设为任何范围,或者可以通过考虑信道估计模型203在处理关于对应信号质量范围的信道估计时的性能来确定。下面将详细描述确定与信道估计模型203相关联的信号质量范围的一些示例实施例。
在选择信道估计模型203之后,第一设备110使用所选择的信道估计模型并且基于所接收的RS确定从第一设备110到第二设备120的通信(例如,当第一设备110是网络设备而第二设备120是终端设备时的DL信道)的CSI。所确定的CSI可以定义通信信道的属性,该属性可以表示或者建模通信信道。从等式(1)可以看出,如果第一设备110仅从第k第二设备110接收到接收RS,则第一设备110可以根据接收RS Xk确定通信信道H。
从第一设备110到第二设备120的数据通信可以基于所确定的CSI来执行。在基于波束成形的通信的示例中,诸如图1B所示的混合波束成形,第一设备110可以基于CSI确定用于从第一设备110到第二设备120的传输的波束成形配置。例如,第一设备110可以基于波束成形配置确定BB波束成形器118和/或RF波束成形器114的一个或多个配置参数。然后,第一设备110可以基于波束成形配置通过通信信道从第一设备110向第二设备传输数据。应当理解,CSI可以用于引导或者确定通信信道上的其他通信参数,并且本公开在这方面不受限制。
根据本公开的示例实施例,通过基于实时预期信号质量动态地选择适当的信道估计模型,可以改进信道估计并且可以进一步提高基于估计CSI的数据传输的性能。
图5A示出了使用针对固定信号质量而训练的信道估计模型对不同预期信号质量进行信道估计的性能,并且图5B示出了使用针对匹配信号质量而训练的信道估计模型对不同预期信号质量进行信道估计的性能。在图5A和图5B的示例中,信号质量通过传输SNR来测量,并且图5A的示例中使用的信道估计模型针对0dB的传输SNR被训练。性能通过归一化均方误差(NMSE)来测量。
如图5A中可以观察到的,针对SNR=0dB而训练的信道估计模型在SNR间隙大于5dB的情况下不能很好地估计CSI。NMSE性能随着SNR间隙的增加而增加。使用所提出的基于预期信号质量的动态模型选择,从图5B可以看出,CSI估计性能大大提高。
应当理解,虽然以特定顺序描述动作,但这不应当理解为要求这样的操作以所示特定顺序或者按顺序执行或者者执行所有所示动作以实现期望结果。例如,选择信道估计模型的动作可以在接收RS的动作之前或者与其并行执行。作为另一示例,接收RS的动作甚至可以在确定预期信号质量的动作之前执行。
使用(多个)预定波束的RS接收的示例实施例
在一些示例实施例中,为了获取对RS的更多测量,在一些情况下,第一设备110可以指示第二设备120传输RS两次或者更多次。如果执行单个RS传输,则需要从维度NT的观察中恢复CSI H,如等式(2)所示。在某些情况下,例如,在RS的信号质量较低时,维度NT的观察可能不足以提供准确的估计。为了增加RS传输的次数,可以获取足够的观察。例如,如果确定两个RS传输,则观察具有更高的自由度,并且因此可以实现更好的估计性能。
在一些示例实施例中,第一设备110确定RS的第一传输数目,第一数目可以等于或大于1。第一数目可以基于各种因素来确定。例如,如果第一设备110检测到预期信号质量相对较低,这表示RS可能经历高水平的噪声和干扰,则第一设备110可以确定第一数目大于1。替代地或者另外地,第一次数也可以由第一设备110基于用于重复传输的可用资源和/或任何其他因素来确定。在一些示例实施例中,第一次数可以是1或2,因为发现,从开销角度和模拟的角度来看,RS的两次传输对于基于机器学习的CSI估计可能是足够的。应当理解,第一次数也可以被确定为大于2。
第一设备110向第二设备120传输第一数目的指示。在接收到第一数目之后,第二设备120可以重复传输RS达第一数目,并且第一设备110可以接收RS的第一数目的传输。第一设备110可以为第二设备120将RS传输第一数目分配对应资源。
在一些示例实施例中,RS的(多个)接收可以使用对应数目的波束(第二数目的波束,其中第二数目等于第一次数)来执行。如果第二数目大于1,则第一设备110可以使用多于一个不同的波束来接收RS的传输。
如图6A所示,在可用于从第二设备120到第一设备110的传输的帧601中,为空信号的传输分配资源,并且为RS的一次传输分配资源。如图6B所示,第一设备110然后使用波束603接收RS的一次传输。在图6C的示例中,在帧601中,为RS的两次传输分配资源。如图6D所示,第一设备110然后分别使用两个不同波束605和607接收RS的两个传输。
在从第二设备120接收到RS的两个或更多个重复传输之后,第一设备110可以组合接收RS作为所选择的信道估计模型203、203的输入以用于确定CSI。
为了根据接收RS估计CSI,选择测量矩阵W也很重要。测量矩阵W由第一设备110的用于RS的接收配置来控制,例如,该接收配置可以由RF波束成形器通过模拟移相器来确定。该测量矩阵W可以针对信道估计模型203的训练阶段和实现阶段两者被对准。为了确保对准,在一些示例实施例中,用于接收RS的波束在训练阶段和实现阶段都是相同的。
更具体地,用于接收RS的(多个)波束的数目和(多个)波束的精确配置在训练和实现阶段都是相同的。即,应用(多个)静态和预定波束。例如,如果确定要使用一个波束来训练信道估计模型203,则当第一设备110选择该信道估计模型203来估计通信信道时,使用相同波束。类似地,如果确定要使用两个波束来训练信道估计模型203,则当第一设备110选择该信道估计模型203来估计通信信道时,使用相同的两个波束。注意,在训练阶段,并不一定要求第一设备110使用(多个)对应波束来实际接收RS,但是可以通过使用(多个)对应波束模拟第一设备110的接收来生成训练接收RS。
由于第一设备110可以动态地决定RS的第一传输数目并且因此第二波束数目可以改变,因此在一些示例实施例中,多个信道估计模型203中的一些或者全部中的每个可以用基于特定数目的预定波束而生成的一组训练接收参考信号进行训练。即,针对RS的特定候选信号质量和用于接收RS的一组预定波束来训练信道估计模型203。因此,对于相同的候选信号质量,可以针对不同数目的预定波束训练两个或更多个信道估计模型203。应当理解,对于一些候选信号质量,在一些示例中可能只有一个信道估计模型203。
为了促进第一设备110对信道估计模型的选择,候选信号质量与信号质量范围之间的映射400以及与信道估计模型的关联可以被重新设计以指示信道估计模型203与波束数目之间的关联。图7示出了添加信道估计模型203与波束数目之间的关联的映射700。第一设备110可以确定预期信号质量落入其中的信号质量范围以及要用于接收RS的第二波束数目。然后,第一设备110根据映射700来选择与对应质量范围和第二数目相关联的信道估计模型203。
在一些示例实施例中,除了在训练阶段和实现阶段都使用(多个)固定波束来实现测量矩阵W的对准,以在很大程度上保持信道属性并且确保有效的阵列增益,测量矩阵W还可以基于离散长球面序列(DPSS)波束空间波束成形器的概念进行设计。由于第一设备110可能不知道来自第二设备120或者多个第二设备120的(多个)到达角,因此可以将大的角度范围划分为NT个区间,其中NT是第一设备110处的RF链或者端口的数目。第一设备110可以在每个角度区间内应用DPSS波束空间波束成形。对于第n角度区间(n=1……NT),DPSS方法的半定矩阵可以定义为:
其中Θn和Φn表示两个维度上的感兴趣角度区域,表示采样点处的阵列响应。通过对应用特征值分解(EVD),原始DPSS波束空间矩阵可以通过对跨越感兴趣采样区域的特征矢量求和(例如,相等地组合)来确定,如下所示:
测量矩阵(例如,由模拟移相器实现的测量矩阵)可以通过取的相位来获取,即,预定波束的测量矩阵可以写为由于这个用于测量的波束成形矩阵仅取决于阵列响应,因此它被认为是“静态的”并且需要在训练阶段和实现阶段进行固定。
确定信号质量范围的示例实施例
如上所述,用于训练信道估计模型203的候选信号质量可以被映射到对应信号质量范围以促进模型选择。在一些示例实施例中,信号质量范围可以基于信道估计模型203关于信号质量范围的性能来确定,以保证多个信道估计模型203在确定关于其相关联的信号质量范围的CSI时的性能度量超过性能阈值。
信号质量范围的确定可以在信道估计模型203的评估阶段执行,其中信道估计模型203的性能度量被确定。该评估阶段可以由训练模型203的设备、由第一设备110或者由任何其他计算设备来执行。在评估阶段,信道估计模型203的输入包括基于多个测试信号质量而生成的测试接收RS,并且信道估计模型203的输出CSI可以与真实CSI进行比较以确定该模型的性能。
图8示出了用于为给定信道估计模型203确定信号质量范围的过程800的流程图。该过程800可以由训练模型203的设备、由第一设备110或者由任何其他计算设备实现。
在框810,获得多个测试接收RS。测试接收RS是基于从信号质量范围(例如,从其采样候选信号质量的同一范围)中采样的多个测试信号质量而生成的。测试信号质量的区间可以与候选信号质量的区间相同或者不同。测试信号质量的数目可以是任何预定数目。测试接收RS可以以与生成训练接收RS相同的方式生成,例如,通过在第一设备110侧模拟RS的接收。
在框820处,应用给定信道估计模型203以基于多个测试接收RS来确定测试CSI。对于多个测试接收RS中的每个测试接收RS,可以获取对应测试CSI。在框830,基于测试CSI和真实CSI针对多个测试信号质量确定给定信道估计模型203的多个性能度量。性能度量可以通过比较特定测试接收RS的测试CSI和真实CSI来确定。在一些示例实施例中,性能度量可以被确定为NMSE。
在框840处,通过将性能度量与性能阈值进行比较来从多个测试信号质量中选择测试信号质量。在示例实施例中,可以选择产生可容忍性能的测试信号质量。例如,可以选择产生可容忍NMSE(小于阈值的NMSE)的最大测试信号质量。
在框850处,基于所选择的测试信号质量和给定信道估计模型203已经针对其被训练的候选信号质量来选择相关联的信号质量范围。例如,可以基于所选择的测试信号质量与候选信号质量之间的差异来确定容许信号质量差距,在该差异内,给定信道估计模型203的性能可能不会改变。信号质量范围可以基于所确定的容许信号质量差距来确定。
示例模型结构和模型训练
如上所述,信道估计模型110的训练阶段可以在第一设备110或者任何其他计算设备处实现。图9示出了根据本公开的一些示例实施例的用于训练信道估计模型110的示例架构900的框图。如图所示,计算设备910针对多个信道估计模型203中的一个或多个执行训练。输入到计算设备910的训练数据集包括基于相应候选信号质量和/或用于接收RS的相应数目的波束而生成的训练接收RS 902。因此,为了训练不同信道估计模型203,所使用的训练接收RS可以不同。训练数据还可以包括真实CSI 904。计算设备910可以应用任何模型训练算法(无论是当前已知的还是将来开发的)来训练信道估计模型203。
信道估计模型203可以是任何类型的机器学习模型。CNN可以能够快速探索关键特征,诸如天线之间的信道相关性,这优于基于全连接层的神经网络。残差网络容易学习恒等函数,有助于训练更深层次的神经网络。它不会影响整个网络,甚至可以提高性能。
图10中示出了基于ResCNN架构的信道估计模型203的示例结构。输入1002是接收RS,其具有与结构化信道类似的表达,可以表示为有若干(Q)ResCNN单元1010-1、……、1010-Q,包括卷积层1012,之后是批量归一化层1014和非线性校正线性单元(ReLU)层1016。添加被视为恒等映射的快捷连接以跳过卷积层1012和批量归一化层1014。每个卷积层1012应用预定大小的滤波器,诸如大小为3×3×Lf的滤波器,以从低秩测量中提取信道的特征。在所有ResCNN单元1010-1、……、1010-Q之后放置有全连接层1020,并且另一全连接层1030可以用于在输出回归层1040之前执行。输出回归层1040提供估计的信道其转置等于损失函数可以基于信道估计的均方误差(MSE)来确定。
应当理解,图10仅提供了信道估计模型的具体示例结构。在本公开的示例实施例中,模型结构可以变化,并且也可以应用各种其他类型的模型。本公开的范围在这方面不受限制。
示例过程
图11示出了根据本公开的一些示例实施例的在第一设备处实现的示例方法1100的流程图。为了讨论的目的,将参考图1A从第一设备110的角度来描述方法1100。
在框1110处,第一设备110确定参考信号从第二设备到第一设备的传输中的预期信号质量。在框1120处,第一设备110从第二设备接收参考信号。在框1130处,第一设备110基于预期信号质量从多个信道估计模型中选择信道估计模型。多个信道估计模型已经针对参考信号针对多个候选信号质量被训练。在框1140处,第一设备110使用所选择的信道估计模型并且基于所接收的参考信号确定从第一设备到第二设备的通信信道的信道状态信息。
在一些示例实施例中,确定预期信号质量包括从第二设备接收空信号;基于空信号的接收功率确定传输中的噪声和/或干扰的功率;以及基于噪声和/或干扰的功率以及参考信号的传输功率确定预期信号质量,参考信号的传输功率由第二设备指示。
在一些示例实施例中,确定预期信号质量包括基于参考信号的传输功率与噪声和/或干扰的功率的比率确定参考信号的传输信噪比。
在一些示例实施例中,接收参考信号包括确定参考信号传输的第一数目,第一数目等于或大于1;向第二设备传输第一数目的指示;以及从第二设备接收参考信号的第一数目的传输。
在一些示例实施例中,接收参考信号的第一数目的传输包括分别用第一设备的第二数目的预定波束接收参考信号的第一数目的传输,第二数目等于第一次数。
在一些示例实施例中,选择信道估计模型包括从多个信道估计模型中选择已经用基于第二数目的预定波束而生成的一组训练接收参考信号训练的信道估计模型。
在一些示例实施例中,多个信道估计模型中的至少两个信道估计模型已经用至少两组不同训练接收参考信号被训练,至少两组不同训练接收参考信号是基于多个候选信号质量中的相同候选信号质量和第一设备的不同数目的预定波束生成的。
在一些示例实施例中,第二数目的预定波束包括第一设备的一个或两个预定波束。
在一些示例实施例中,选择信道估计模型包括获取多个候选信号质量和与多个信道估计模型相关联的多个信号质量范围之间的映射,多个信道估计模型在确定关于多个信号质量范围的信道状态信息时的性能度量满足性能阈值;基于映射确定预期信号质量落入其中的多个信号质量范围中的一个信号质量范围;以及选择与所确定的信号质量范围相关联的信道估计模型。
在一些示例实施例中,对于多个信道估计模型中的给定信道估计模型,相关联的信号质量范围通过以下方式确定:获取多个测试接收参考信号,多个测试接收参考信号是基于多个测试信号质量生成的;应用给定信道估计模型以基于多个测试接收参考信号确定测试信道状态信息;基于测试信道状态信息和真实信道状态信息针对多个测试信号质量确定给定信道估计模型的多个性能度量;通过将性能度量与性能阈值进行比较来从多个测试信号质量中选择测试信号质量;以及基于所选择的测试信号质量和给定信道估计模型已经针对其被训练的候选信号质量来确定相关联的信号质量范围。
在一些示例实施例中,该方法还包括基于信道估计信息确定用于从第一设备到第二设备的传输的波束成形配置;以及基于波束成形配置通过从第一设备到第二设备的通信信道传输数据。
在一些示例实施例中,通信信道是多输入多输出通信信道;和/或第一设备中第一射频链数目低于第二天线端口数目。
在一些示例实施例中,参考信号是探测参考信号;和/或第一设备是网络设备,并且第二设备是终端设备。
图12示出了根据本公开的一些示例实施例的在第二设备处实现的示例方法1200的流程图。为了讨论的目的,将参考图1从第二设备120的角度来描述方法1200。
在框1210处,第二设备120向第一设备传输空信号。空信号的接收功率用于确定参考信号从第二设备到第一设备的传输中的预期信号质量。在框1220处,第二设备120向第一设备传输参考信号。在框1230处,第二设备120通过通信信道接收从第一设备传输的数据。通信信道的信道状态信息由第一设备使用基于预期信号质量而选择的多个信道估计模型中的一个信道估计模型来确定,并且多个信道估计模型已经针对参考信号针对多个候选信号质量被训练。
在一些示例实施例中,该方法还包括向第一设备指示参考信号的传输功率,预期信号质量至少基于参考信号的传输功率。
在一些示例实施例中,传输参考信号包括从第一设备接收参考信号的传输的第一数目的指示,第一数目等于或大于1;以及执行参考信号到第一设备的第一次数的传输。
在一些示例实施例中,所选择的信道估计模型已经用基于第一设备的第二数目的预定波束而生成的一组训练接收参考信号被训练,并且第一次数等于第二数目。
在一些示例实施例中,通信信道是多输入多输出通信信道;和/或第一设备中第一射频链数目低于第二天线端口数目。
在一些示例实施例中,参考信号是探测参考信号;和/或第一设备是网络设备,并且第二设备是终端设备。
示例装置和设备
在一些示例实施例中,一种能够执行方法1100中的任何一个的装置(例如,第一设备110)可以包括用于执行方法1100的相应步骤的模块。该模块可以以任何合适的形式实现。例如,该模块可以用电路系统或者软件模块来实现。
在一些示例实施例中,该装置包括用于在第一设备处确定参考信号从第二设备到第一设备的传输中的预期信号质量的部件;用于从第二设备接收参考信号的部件;用于基于预期信号质量从多个信道估计模型中选择信道估计模型的部件,多个信道估计模型已经针对参考信号针对多个候选信号质量被训练;以及用于使用所选择的信道估计模型并且基于所接收的参考信号确定从第一设备到第二设备的通信信道的信道状态信息的部件。
在一些示例实施例中,用于确定预期信号质量的部件包括用于从第二设备接收空信号的部件;用于基于空信号的接收功率确定传输中的噪声和/或干扰的功率的部件;以及用于基于噪声和/或干扰的功率以及参考信号的传输功率确定预期信号质量的部件,参考信号的传输功率由第二设备指示。
在一些示例实施例中,用于确定预期信号质量的部件包括用于基于参考信号的传输功率与噪声和/或干扰的功率的比率确定参考信号的传输信噪比的部件。
在一些示例实施例中,用于接收参考信号的部件包括用于确定参考信号的传输的第一数目的部件,第一数目等于或大于1;用于向第二设备传输第一数目的指示的部件;以及用于从第二设备接收参考信号的第一数目的传输的部件。
在一些示例实施例中,用于接收参考信号的第一数目的传输的部件包括用于分别用第一设备的第二数目的预定波束接收参考信号的第一数目的传输的部件,第二数目等于第一次数。
在一些示例实施例中,用于选择信道估计模型的部件包括从多个信道估计模型中选择信道估计模型,该信道估计模型已经用基于第二数目的预定波束而生成的一组训练接收参考信号被训练。
在一些示例实施例中,多个信道估计模型中的至少两个信道估计模型已经用至少两组不同的训练接收参考信号被训练,至少两组不同的训练接收参考信号是基于多个候选信号质量中的相同候选信号质量和第一设备的不同数目的预定波束生成的。
在一些示例实施例中,第二数目的预定波束包括第一设备的一个或两个预定波束。
在一些示例实施例中,用于选择信道估计模型的部件包括用于获取多个候选信号质量和与多个信道估计模型相关联的多个信号质量范围之间的映射的部件,多个信道估计模型在确定关于多个信号质量范围的信道状态信息时的性能度量满足性能阈值;用于基于映射确定预期信号质量落入其中的多个信号质量范围中的一个信号质量范围的部件;以及用于选择与所确定的信号质量范围相关联的信道估计模型的部件。
在一些示例实施例中,对于多个信道估计模型中的给定信道估计模型,相关联的信号质量范围通过以下方式确定:获取多个测试接收参考信号,多个测试接收参考信号是基于多个测试信号质量生成的;应用给定信道估计模型以基于多个测试接收参考信号确定测试信道状态信息;基于测试信道状态信息和真实信道状态信息针对多个测试信号质量确定给定信道估计模型的多个性能度量;通过将性能度量与性能阈值进行比较来从多个测试信号质量中选择测试信号质量;以及基于所选择的测试信号质量和给定信道估计模型已经针对其被训练的候选信号质量来确定相关联的信号质量范围。
在一些示例实施例中,该装置还包括用于基于信道估计信息确定用于从第一设备到第二设备的传输的波束成形配置的部件;以及用于基于波束成形配置通过从第一设备到第二设备的通信信道传输数据的部件。
在一些示例实施例中,通信信道是多输入多输出通信信道;和/或第一设备中第一射频链数目低于第二天线端口数目。
在一些示例实施例中,参考信号是探测参考信号;和/或第一设备是网络设备,并且第二设备是终端设备。
在一些示例实施例中,该装置还包括用于执行方法1100的一些示例实施例中的其他步骤的部件。在一些示例实施例中,该部件包括至少一个处理器;以及包括计算机程序代码的至少一个存储器,至少一个存储器和计算机程序代码被配置为与至少一个处理器一起引起该装置的执行。
在一些示例实施例中,一种能够执行方法1200中的任何一个的装置(例如,第二设备120)可以包括用于执行方法1200的相应步骤的模块。该模块可以以任何合适的形式实现。例如,该模块可以用电路系统或者软件模块来实现。
在一些示例实施例中,该装置包括用于在第一设备处向第一设备传输空信号的模块,空信号的接收功率被用于确定参考信号从第二设备到第一设备的传输中的预期信号质量;用于向第一设备传输参考信号的模块;以及用于通过通信信道接收从第一设备传输的数据的模块,通信信道的信道状态信息由第一设备使用基于预期信号质量而选择的多个信道估计模型中的一个信道估计模型来确定,并且多个信道估计模型已经针对参考信号针对多个候选信号质量被训练。
在一些示例实施例中,该装置还包括向第一设备指示参考信号的传输功率,预期信号质量至少基于参考信号的传输功率。
在一些示例实施例中,用于传输参考信号的模块包括用于从第一设备接收参考信号的传输的第一数目的指示的模块,第一数目等于或大于1;以及用于执行参考信号到第一设备的第一数目的传输的模块。
在一些示例实施例中,所选择的信道估计模型已经用基于第一设备的第二数目的预定波束而生成的一组训练接收参考信号被训练,并且第一数目等于第二数目。
在一些示例实施例中,通信信道是多输入多输出通信信道;和/或第一设备中第一射频链数目低于第二天线端口数目。
在一些示例实施例中,参考信号是探测参考信号;和/或第一设备是网络设备,并且第二设备是终端设备。
在一些示例实施例中,该装置还包括用于执行方法1200的一些示例实施例中的其他步骤的模块。在一些示例实施例中,该模块包括至少一个处理器;以及包括计算机程序代码的至少一个存储器,至少一个存储器和计算机程序代码被配置为与至少一个处理器一起引起该装置的执行。
图13是适合于实现本公开的示例实施例的设备1300的简化框图。可以提供设备1300来实现通信设备,例如,如图1所示的第一设备110或者第二设备120或者如图9所示的计算设备900。如图所示,设备1300包括一个或多个处理器1310、耦合到处理器1310的一个或多个存储器1320和耦合到处理器1310的一个或多个通信模块1340。
通信模块1340用于双向通信。通信模块1340具有至少一个天线以促进通信。通信接口可以表示与其他网络元件的通信所必需的任何接口。
处理器1310可以是适合本地技术网络的任何类型,并且作为非限制性示例,可以包括以下中的一种或多种:通用计算机、专用计算机、微处理器、数字信号处理器(DSP)和基于多核处理器架构的处理器。设备1300可以具有多个处理器,诸如在时间上从属于与主处理器同步的时钟的专用集成电路芯片。
存储器1320可以包括一个或多个非易失性存储器和一个或多个易失性存储器。非易失性存储器的示例包括但不限于只读存储器(ROM)1324、电可编程只读存储器(EPROM)、闪存、硬盘、压缩盘(CD)、数字视频磁盘(DVD)和其他磁存储和/或光存储。易失性存储器的示例包括但不限于随机存取存储器(RAM)1322和不会在断电期间持续的其他易失性存储器。
计算机程序1330包括由相关联的处理器1310执行的计算机可执行指令。程序1330可以存储在ROM 1324中。处理器1310可以通过将程序1330加载到RAM 1322中来执行任何合适的动作和处理。
本公开的示例实施例可以通过程序1330来实现,使得设备1300可以执行如参考图2至图12讨论的本公开的任何过程。本公开的示例实施例还可以通过硬件或者软件和硬件的组合来实现。
在一些示例实施例中,程序1330可以有形地包含在计算机可读介质中,该计算机可读介质可以被包括在设备1300中(诸如在存储器1320中)或者在设备1300可访问的其他存储设备中。设备1300可以将程序1330从计算机可读介质加载到RAM 1322以供执行。计算机可读介质可以包括任何类型的有形非易失性存储器,诸如ROM、EPROM、闪存、硬盘、CD、DVD等。图14示出了CD或者DVD形式的计算机可读介质1400的示例。计算机可读介质上存储有程序1330。
通常,本公开的各种实施例可以以硬件或者专用电路、软件、逻辑或者其任何组合来实现。一些方面可以以硬件实现,而其他方面可以以可以由控制器、微处理器或者其他计算设备执行的固件或者软件来实现。尽管本公开的实施例的各个方面被示出和描述为框图、流程图或者使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的块、装置、系统、技术或者方法可以以硬件、软件、固件、专用电路或者逻辑、通用硬件或者控制器或者其他计算设备、或者其某种组合来实现。
本公开还提供有形地存储在非暂态计算机可读存储介质上的至少一种计算机程序产品。计算机程序产品包括计算机可执行指令,诸如包括在程序模块中的指令,该指令在目标真实或者虚拟处理器上的设备中执行,以执行如以上参考图2-12描述的方法中的一个或多个。通常,程序模块包括执行特定任务或者实现特定抽象数据类型的例程、程序、库、对象、类、组件、数据结构等。在各种实施例中,程序模块的功能可以根据需要在程序模块之间组合或者拆分。程序模块的机器可执行指令可以在本地或者分布式设备内执行。在分布式设备中,程序模块可以位于本地和远程存储介质中。
用于执行本公开的方法的程序代码可以用一种或多种编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或者其他可编程数据处理装置的处理器或者控制器,使得程序代码在由处理器或者控制器执行时引起在流程图和/或框图中规定的功能/操作被实现。程序代码可以完全在机器上、部分在机器上、作为独立软件包、部分在机器上并且部分在远程机器上、或者完全在远程机器或者服务器上执行。
在本公开的上下文中,计算机程序代码或者相关数据可以由任何合适的载体携带以使得设备、装置或者处理器能够执行如上所述的各种过程和操作。载体的示例包括信号、计算机可读介质等。
计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读介质可以包括但不限于电子、磁、光、电磁、红外或者半导体系统、装置或者设备、或者前述各项的任何合适的组合。计算机可读存储介质的更具体示例将包括具有一根或多根电线的电连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或者闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光存储设备、磁存储设备或者前述各项的任何合适的组合。
此外,虽然以特定顺序描述操作,但这不应当被理解为要求以所示特定顺序或者按顺序执行这样的操作,或者者执行所有所示操作以获取期望结果。在某些情况下,多任务和并行处理可能是有利的。同样,虽然在上述讨论中包含若干具体实现细节,但这些不应当被解释为对本公开的范围的限制,而是对可能特定于特定实施例的特征的描述。在单独实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。相反,在单个实施例的上下文中描述的各种特征也可以在多个实施例中单独地或者以任何合适的子组合来实现。
尽管本公开已经以特定于结构特征和/或方法动作的语言进行了描述,但应当理解,在所附权利要求中定义的本公开不一定限于上述特定特征或者动作。相反,上述具体特征和动作被公开作为实现权利要求的示例形式。
Claims (24)
1.一种第一设备,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第一设备:
确定参考信号从第二设备到所述第一设备的传输中的预期信号质量;
从所述第二设备接收所述参考信号;
基于所述预期信号质量从多个信道估计模型中选择信道估计模型,所述多个信道估计模型已经针对所述参考信号的多个候选信号质量被训练;以及
使用所选择的所述信道估计模型并且基于所接收的所述参考信号,确定从所述第一设备到所述第二设备的通信信道的信道状态信息。
2.根据权利要求1所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第一设备通过以下方式确定所述预期信号质量:
从所述第二设备接收空信号;
基于所述空信号的接收功率确定所述传输中的噪声和/或干扰的功率;以及
基于所述噪声和/或干扰的功率以及所述参考信号的传输功率确定所述预期信号质量,所述参考信号的所述传输功率由所述第二设备指示。
3.根据权利要求2所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第一设备通过以下方式确定所述预期信号质量:
基于所述参考信号的所述传输功率与所述噪声和/或干扰的功率的比率确定所述参考信号的传输信噪比。
4.根据权利要求1所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第一设备通过以下方式接收所述参考信号:
确定所述参考信号的传输的第一数目,所述第一数目等于或大于1;
向所述第二设备传输所述第一数目的指示;以及
从所述第二设备接收所述参考信号的所述第一数目的传输。
5.根据权利要求4所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第一设备通过以下方式接收所述参考信号的所述第一数目的传输:
分别用所述第一设备的第二数目的预定波束接收所述参考信号的所述第一数目的传输,所述第二数目等于所述第一数目。
6.根据权利要求5所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第一设备通过以下方式选择所述信道估计模型:
从所述多个信道估计模型中选择所述信道估计模型,所述信道估计模型已经用基于所述第二数目的预定波束而生成的一组训练接收参考信号被训练。
7.根据权利要求6所述的设备,其中所述多个信道估计模型中的至少两个信道估计模型已经用至少两组不同的训练接收参考信号被训练,所述至少两组不同的训练接收参考信号是基于所述多个候选信号质量中的相同候选信号质量和所述第一设备的不同数目的预定波束生成的。
8.根据权利要求5所述的设备,其中所述第二数目的预定波束包括所述第一设备的一个或两个预定波束。
9.根据权利要求1所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第一设备通过以下方式选择所述信道估计模型:
获得所述多个候选信号质量和与所述多个信道估计模型相关联的多个信号质量范围之间的映射,所述多个信道估计模型在确定关于所述多个信号质量范围的信道状态信息时的性能度量满足性能阈值;
基于所述映射确定所述预期信号质量落入其中的所述多个信号质量范围中的一个信号质量范围;以及
选择与所确定的所述信号质量范围相关联的所述信道估计模型。
10.根据权利要求9所述的设备,其中对于所述多个信道估计模型中的给定信道估计模型,所述相关联的信号质量范围通过以下方式确定:
获得多个测试接收参考信号,所述多个测试接收参考信号是基于多个测试信号质量生成的;
应用所述给定信道估计模型以基于所述多个测试接收参考信号确定测试信道状态信息;
基于所述测试信道状态信息和真实信道状态信息针对所述多个测试信号质量确定所述给定信道估计模型的多个性能度量;
通过将所述性能度量与所述性能阈值进行比较来从所述多个测试信号质量中选择测试信号质量;以及
基于所选择的所述测试信号质量和所述给定信道估计模型已经针对其被训练的所述候选信号质量来确定所述相关联的信号质量范围。
11.根据权利要求1所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述第一设备:
基于所述信道估计信息确定用于从所述第一设备到所述第二设备的传输的波束成形配置;以及
基于所述波束成形配置通过从所述第一设备到所述第二设备的所述通信信道传输数据。
12.根据权利要求1所述的设备,其中所述通信信道是多输入多输出通信信道;和/或
其中所述第一设备中第一射频链数目低于第二天线端口数目。
13.根据权利要求1所述的设备,其中所述参考信号是探测参考信号;和/或
其中所述第一设备是网络设备,并且所述第二设备是终端设备。
14.一种第二设备,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第二设备:
向第一设备传输空信号,所述空信号的接收功率被用于确定参考信号从所述第二设备到所述第一设备的传输中的预期信号质量;
向所述第一设备传输所述参考信号;以及
通过通信信道接收从所述第一设备传输的数据,所述通信信道的信道状态信息由所述第一设备使用基于所述预期信号质量而选择的多个信道估计模型中的一个信道估计模型来确定,并且所述多个信道估计模型已经针对所述参考信号针对所述多个候选信号质量被训练。
15.根据权利要求14所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述第二设备:
向所述第一设备指示所述参考信号的传输功率,所述预期信号质量至少基于所述参考信号的所述传输功率。
16.根据权利要求14所述的设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第二设备通过以下方式传输所述参考信号:
从所述第一设备接收所述参考信号的传输的第一数目的指示,所述第一数目等于或大于1;以及
执行所述参考信号到所述第一设备的所述第一数目的传输。
17.根据权利要求16所述的设备,其中所述选择的信道估计模型已经用基于所述第一设备的第二数目的预定波束而生成的一组训练接收参考信号被训练,并且所述第一次数等于所述第二数目。
18.根据权利要求14所述的设备,其中所述通信信道是多输入多输出通信信道;和/或
其中所述第一设备中第一射频链数目低于第二天线端口数目。
19.根据权利要求14所述的设备,其中所述参考信号是探测参考信号;和/或
其中所述第一设备是网络设备,并且所述第二设备是终端设备。
20.一种方法,包括:
在第一设备处确定参考信号从第二设备到所述第一设备的传输中的预期信号质量;
从所述第二设备接收所述参考信号;
基于所述预期信号质量从多个信道估计模型中选择信道估计模型,所述多个信道估计模型已经针对所述参考信号的多个候选信号质量被训练;以及
使用所选择的所述信道估计模型并且基于所接收的所述参考信号,确定从所述第一设备到所述第二设备的通信信道的信道状态信息。
21.一种方法,包括:
在第一设备处向第一设备传输空信号,所述空信号的接收功率被用于确定参考信号从第二设备到所述第一设备的传输中的预期信号质量;
向所述第一设备传输所述参考信号;以及
通过通信信道接收从所述第一设备传输的数据,所述通信信道的信道状态信息由所述第一设备使用基于所述预期信号质量而选择的多个信道估计模型中的一个信道估计模型来确定,并且所述多个信道估计模型已经针对所述参考信号针对多个候选信号质量被训练。
22.一种装置,包括:
用于在第一设备处确定参考信号从第二设备到所述第一设备的传输中的预期信号质量的部件;
用于从所述第二设备接收所述参考信号的部件;
用于基于所述预期信号质量从多个信道估计模型中选择信道估计模型的部件,所述多个信道估计模型已经针对所述参考信号的多个候选信号质量被训练;以及
用于使用所选择的所述信道估计模型并且基于所接收的所述参考信号确定从所述第一设备到所述第二设备的通信信道的信道状态信息的部件。
23.一种装置,包括:
用于在第一设备处向第一设备传输空信号的部件,所述空信号的接收功率被用于确定参考信号从第二设备到所述第一设备的传输中的预期信号质量;
用于向所述第一设备传输所述参考信号的部件;以及
用于通过通信信道接收从所述第一设备传输的数据的部件,所述通信信道的信道状态信息由所述第一设备使用基于所述预期信号质量而选择的多个信道估计模型中的一个信道估计模型来确定,并且所述多个信道估计模型已经针对所述参考信号针对多个候选信号质量被训练。
24.一种非瞬态计算机可读介质,包括用于使得装置至少执行根据权利要求21或者权利要求22所述的方法的程序指令。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/106800 WO2021051362A1 (en) | 2019-09-19 | 2019-09-19 | Machine learning-based channel estimation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114424623A true CN114424623A (zh) | 2022-04-29 |
Family
ID=74883284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980100558.8A Pending CN114424623A (zh) | 2019-09-19 | 2019-09-19 | 基于机器学习的信道估计 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220376957A1 (zh) |
EP (1) | EP4032341A4 (zh) |
CN (1) | CN114424623A (zh) |
WO (1) | WO2021051362A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
WO2024099243A1 (zh) * | 2022-11-07 | 2024-05-16 | 大唐移动通信设备有限公司 | 模型监测方法、装置、终端及网络侧设备 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4315673A1 (en) * | 2021-03-30 | 2024-02-07 | InterDigital Patent Holdings, Inc. | Model-based determination of feedback information concerning the channel state |
EP4319070A4 (en) * | 2021-03-30 | 2024-05-15 | Guangdong Oppo Mobile Telecommunications Corp Ltd | ARTIFICIAL INTELLIGENCE-BASED CHANNEL ESTIMATION METHOD AND APPARATUS |
US20220368399A1 (en) * | 2021-05-14 | 2022-11-17 | Qualcomm Incorporated | Techniques for selecting a beam pair using single layer measurements |
WO2022256981A1 (en) * | 2021-06-07 | 2022-12-15 | Apple Inc. | Channel estimation using artificial intelligence |
CN113572709B (zh) * | 2021-07-12 | 2022-05-17 | 华中科技大学 | 一种大规模mimo系统中基站端导频辅助信道估计方法和系统 |
CN113691472B (zh) * | 2021-08-16 | 2023-03-24 | 紫光展锐(重庆)科技有限公司 | 一种pdcch估计方法及通信装置 |
CN116170091A (zh) * | 2021-11-24 | 2023-05-26 | 华为技术有限公司 | 一种校准方法及装置 |
CN116192308A (zh) * | 2021-11-24 | 2023-05-30 | 华为技术有限公司 | 数据处理方法和通信装置 |
US20230164817A1 (en) * | 2021-11-24 | 2023-05-25 | Lenovo (Singapore) Pte. Ltd. | Artificial Intelligence Capability Reporting for Wireless Communication |
WO2023097591A1 (en) * | 2021-12-02 | 2023-06-08 | Qualcomm Incorporated | Techniques for reporting channel state information for machine learning-based channel feedback |
WO2023206583A1 (en) * | 2022-04-30 | 2023-11-02 | Qualcomm Incorporated | Techniques for training devices for machine learning-based channel state information and channel state feedback |
WO2024033809A1 (en) * | 2022-08-09 | 2024-02-15 | Lenovo (Singapore) Pte. Ltd. | Performance monitoring of a two-sided model |
WO2024045148A1 (en) * | 2022-09-02 | 2024-03-07 | Qualcomm Incorporated | Reference signal pattern association for channel estimation |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070213087A1 (en) * | 2003-02-24 | 2007-09-13 | Qualcomm Incorporated | Method of transmitting pilot tones in a multi-sector cell, including null pilot tones, for generating channel quality indicators |
WO2014040655A1 (en) * | 2012-09-17 | 2014-03-20 | Nokia Siemens Networks Oy | Estimation and feedback of csi reliability information |
US8699978B1 (en) * | 2007-08-06 | 2014-04-15 | Marvell International Ltd. | Increasing the robustness of channel estimates derived through sounding for WLAN |
US20140254534A1 (en) * | 2011-10-19 | 2014-09-11 | Telefonaktiebolaget L M Ericsson (Publ) | Method and Apparatus for Channel Predicting |
CN108833313A (zh) * | 2018-07-12 | 2018-11-16 | 北京邮电大学 | 一种基于卷积神经网络的无线信道估计方法及装置 |
JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
CN110034792A (zh) * | 2018-01-11 | 2019-07-19 | 中国移动通信有限公司研究院 | 一种多入多出传输方法、设备及计算机可读存储介质 |
US20190277957A1 (en) * | 2018-03-06 | 2019-09-12 | Samsung Electronics Co., Ltd. | Method and apparatus for ai-based ue speed estimation using uplink srs measurements |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8165186B2 (en) * | 2005-08-12 | 2012-04-24 | Qualcomm Incorporated | Channel estimation for wireless communication |
US20110194430A1 (en) * | 2009-12-18 | 2011-08-11 | Qualcomm Incorporated | Method and apparatus for unified channel estimation for wireless communication |
KR102136288B1 (ko) * | 2013-07-17 | 2020-07-22 | 삼성전자주식회사 | 무선 통신 시스템에서 채널 추정 방법 및 그 장치 |
US9219629B1 (en) * | 2014-08-27 | 2015-12-22 | Zenith Electronics L.L.C. | Adaptive low complexity channel estimation for mobile OFDM systems |
CN109076403B (zh) * | 2016-04-29 | 2020-08-07 | 华为技术有限公司 | 网络设备、更新传送方法、用户设备及更新滤波器的方法 |
KR102310001B1 (ko) * | 2017-06-19 | 2021-10-08 | 버지니아 테크 인터렉추얼 프라퍼티스, 인크. | 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩 |
KR102383100B1 (ko) * | 2017-09-25 | 2022-04-05 | 삼성전자주식회사 | 적응적인 빔포밍을 위한 무선 통신 장치 및 이의 동작 방법 |
WO2019228614A1 (en) * | 2018-05-29 | 2019-12-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Reporting an indication of one or more estimated signal parameters |
US11737029B2 (en) * | 2019-08-06 | 2023-08-22 | Qualcomm Incorporated | Downlink pathloss determination for transmit power control for sidelink communications |
-
2019
- 2019-09-19 US US17/641,632 patent/US20220376957A1/en active Pending
- 2019-09-19 WO PCT/CN2019/106800 patent/WO2021051362A1/en unknown
- 2019-09-19 CN CN201980100558.8A patent/CN114424623A/zh active Pending
- 2019-09-19 EP EP19946174.0A patent/EP4032341A4/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070213087A1 (en) * | 2003-02-24 | 2007-09-13 | Qualcomm Incorporated | Method of transmitting pilot tones in a multi-sector cell, including null pilot tones, for generating channel quality indicators |
US8699978B1 (en) * | 2007-08-06 | 2014-04-15 | Marvell International Ltd. | Increasing the robustness of channel estimates derived through sounding for WLAN |
US20140254534A1 (en) * | 2011-10-19 | 2014-09-11 | Telefonaktiebolaget L M Ericsson (Publ) | Method and Apparatus for Channel Predicting |
WO2014040655A1 (en) * | 2012-09-17 | 2014-03-20 | Nokia Siemens Networks Oy | Estimation and feedback of csi reliability information |
JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
CN110034792A (zh) * | 2018-01-11 | 2019-07-19 | 中国移动通信有限公司研究院 | 一种多入多出传输方法、设备及计算机可读存储介质 |
US20190277957A1 (en) * | 2018-03-06 | 2019-09-12 | Samsung Electronics Co., Ltd. | Method and apparatus for ai-based ue speed estimation using uplink srs measurements |
CN108833313A (zh) * | 2018-07-12 | 2018-11-16 | 北京邮电大学 | 一种基于卷积神经网络的无线信道估计方法及装置 |
Non-Patent Citations (2)
Title |
---|
EMAD M. GRAIS等: "DEEP NEURAL NETWORKS FOR SINGLE CHANNEL SOURCE SEPARATION", 2014 IEEE INTERNATIONAL CONFERENCE ON ACOUSTIC, SPEECH AND SIGNAL PROCESSING (ICASSP), pages 3734 - 3738 * |
YONGHWI KIM等: "Identifying Signal Source using Channel State Information in Wireless LANs", 2018 INTERNATIONAL CONFERENCE ON INFORMATION NETWORKING (ICOIN), pages 616 - 621 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
WO2024099243A1 (zh) * | 2022-11-07 | 2024-05-16 | 大唐移动通信设备有限公司 | 模型监测方法、装置、终端及网络侧设备 |
Also Published As
Publication number | Publication date |
---|---|
EP4032341A1 (en) | 2022-07-27 |
US20220376957A1 (en) | 2022-11-24 |
WO2021051362A1 (en) | 2021-03-25 |
EP4032341A4 (en) | 2023-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114424623A (zh) | 基于机器学习的信道估计 | |
US10903888B2 (en) | Configuration method and configuration device for reference signal and communication node | |
US9219624B2 (en) | Method and device for reporting antenna calibration information and determining antenna calibration factor | |
EP3588805A1 (en) | Method and apparatus for coherent receive beamforming | |
WO2021142631A1 (en) | Method, device and computer readable medium of communication | |
US20210306123A1 (en) | Uplink transmission | |
US20130257655A1 (en) | Beamforming method, apparatus for polarized antenna array and radio communication device and system thereof | |
US10243634B2 (en) | Method and device for dual layer beamforming | |
WO2021142629A1 (en) | Downlink beamforming in mu-mimo system | |
WO2020082244A1 (en) | Beam based pre-processing in a mu-mimo system | |
CN114389785A (zh) | 参考信号的调整方法及装置、终端及网络侧设备 | |
CN109831823B (zh) | 用于通信的方法、终端设备和网络设备 | |
RU2707732C1 (ru) | Устройство и способ связи | |
CN114600382A (zh) | 波束对准 | |
CN115053464A (zh) | 多个传输点下的波束选择 | |
WO2021248852A1 (en) | Reference signal compensation to train neural network | |
WO2023206556A1 (en) | Method and apparatus for csi feedback | |
WO2022027646A1 (en) | Port selection codebook enhancement by partial channel reciprocity | |
US20230018285A1 (en) | Beamforming scheme in higher rank transmission | |
US20240007155A1 (en) | Beamforming setting selection | |
WO2023070286A1 (en) | Beamforming solution for mimo communication | |
US20220116081A1 (en) | Wavelet transform-based tracking for estimating an aging wireless channel | |
CN114402539B (zh) | 压缩的信道状态信息传递 | |
WO2024000603A1 (en) | Probing signal selection | |
WO2024020951A1 (en) | Beamforming scheme |
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 |