CN114503452A - 深度学习辅助的基于指纹的波束对准 - Google Patents
深度学习辅助的基于指纹的波束对准 Download PDFInfo
- Publication number
- CN114503452A CN114503452A CN202080068833.5A CN202080068833A CN114503452A CN 114503452 A CN114503452 A CN 114503452A CN 202080068833 A CN202080068833 A CN 202080068833A CN 114503452 A CN114503452 A CN 114503452A
- Authority
- CN
- China
- Prior art keywords
- beam pair
- user equipment
- fingerprint
- training
- location
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
- H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0868—Hybrid systems, i.e. switching and combining
- H04B7/088—Hybrid systems, i.e. switching and combining using beam selection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种方法的一些实施方案可包括:获得包括用户设备位置、用户设备的数量和期望的接收信号强度的输入数据;用具有从训练阶段确定的权重的神经网络处理该输入数据,以生成一个或多个波束对索引的集合;对该波束对索引的集合的至少一个子集执行波束搜索;以及从车辆接收提供期望的接收信号强度的至少一个波束对索引。
Description
相关申请的交叉引用
本申请为2019年8月30日提交的名称为“Deep Learning Aided Fingerprintbased Beam Alignment”的美国临时专利申请序列号62/894,666的非临时提交,并且根据35U.S.C.§119(e)要求该专利申请的权益,该专利申请据此全文以引用方式并入本文。
背景技术
由于在毫米波频率下观察到高传播损耗,因此使用定向传输。由于窄波束和毫米波频率对阻塞的高度敏感性,针对离开和到达对准波束可具有挑战性。
建立良好的波束对准使用到达角(AoA)和离开角(AoD)两者的知识。AoA-AoD对可被确定为信道估计的一部分。然而,在波束对准之前执行信道估计无法使用波束成形增益,该波束成形增益用于实现通过毫米波链路的可靠通信。因此,为了规避这个问题,常规的波束对准使用穷举波束扫描来执行,其中基站和用户终端在所有波束方向上针对所有360°×360°波束对执行波束搜索。由于选择期望的波束方向的搜索复杂性,这种对所有波束对的穷举搜索可能会带来显著的开销。为了减少涉及波束扫描的全面搜索,已经提出了层级波束对准。许多此类技术依赖于在不同级别使用的多分辨率码本。这种让人想起二分搜索算法的技术可以在与较宽波束相关联的低级码本上执行波束搜索,并且在高级码本上执行另一个波束搜索,该高级码本是从低级码本中选择的宽波束的子集。遗憾的是,许多基于层级码本的波束对准技术并未显著降低搜索复杂性。旨在降低搜索复杂性的其他操作通常涉及优化技术。然而,这些方法可能只有在目标函数表现出平滑度时才有用。这些技术可能只适用于没有局部最优的目标函数。
为了降低波束对准所涉及的开销和搜索复杂性,提出了依赖于准确位置信息的盲波束控制。提出了一种用于推断通信设备之间的视线(LOS)方向的技术。此外,提出了一种波束切换策略,在假设信道始终表现出单一的主要LOS路径的情况下,通过调用经典的梯度下降方法来最大化速率。然而,当LOS路径不复存在时,这些方法在实践中可能不可行,在主要LOS路径被障碍物阻挡的交通繁忙期间通常如此。
发明内容
根据一些实施方案的示例性方法可包括:获得包括用户设备位置、用户设备(UE)的数量和期望的接收信号强度的输入数据;用具有从训练阶段确定的权重的神经网络处理输入数据,以生成一个或多个波束对索引的集合;对波束对索引的集合的至少一个子集执行波束搜索;以及从用户设备接收提供期望的接收信号强度的至少一个波束对索引。
对于示例性方法的一些实施方案,可以使用带外信令信道将用户设备位置从用户设备传送到基站。
对于示例性方法的一些实施方案,基站可以根据车辆密度已知UE的数量。
对于示例性方法的一些实施方案,可以使用softmax算法进一步生成一个或多个波束对索引的集合。
对于示例性方法的一些实施方案,softmax算法可以生成与波束对索引的集合相关联的概率。
对于示例性方法的一些实施方案,一个或多个波束对索引的集合可以在训练阶段期间存储在数据库中。
对于示例性方法的一些实施方案,训练阶段可包括:获得每个训练位置的训练样本;将权重向量初始化为随机值;以及迭代地执行以下步骤,直到达到收敛度量阈值:使用相应的权重向量来计算每一层的神经元输出;应用softmax函数来获得类别概率;计算权重矩阵和偏置向量;以及执行误差反向传播。
对于示例性方法的一些实施方案,用神经网络处理输入数据可包括:获得在用户设备位置处的不同交通状况的多个指纹;并且使用与softmax分类器耦合的神经网络,基于用户设备位置处的交通状况来选择多个指纹中的一个指纹,其中选择多个指纹中的一个指纹可以生成一个或多个波束对索引的集合,并且使用神经网络可以使用从训练阶段确定的权重。
对于示例性方法的一些实施方案,交通状况可包括用户设备位置处的UE数量。
对于示例性方法的一些实施方案,神经网络可以为深度学习前馈神经网络。
对于示例性方法的一些实施方案,执行波束搜索可包括:向用户设备发送包括一个或多个波束对索引的集合的指纹信息;以及至少在波束对索引的集合的子集上执行波束训练过程以从一个或多个波束对索引的集合中选择满足期望的接收信号强度的所选择的波束对。
示例性方法的一些实施方案还可包括:获得至少一个训练位置的训练样本;将权重向量初始化为随机值;以及迭代地执行以下步骤,直到达到收敛度量阈值:使用相应的权重向量来计算神经网络的至少一层的神经元输出;将softmax函数应用于神经网络的输出层以获得类别概率;更新权重矩阵和偏置向量;以及执行误差反向传播。
示例性方法的一些实施方案还可包括确定预测的类别概率和真实类别概率之间的损失函数,其中如果损失函数小于收敛度量阈值,则达到收敛度量阈值。
示例性方法的一些实施方案还可包括从波束对索引的集合中选择至少一个波束对索引以用于将数据传输到接收器。
对于示例性方法的一些实施方案,选择至少一个波束对索引可包括使用多功能波束传输方案。
对于示例性方法的一些实施方案,选择至少一个波束对索引可以被周期性地重复。
对于示例性方法的一些实施方案,可以在触发事件时执行选择至少一个波束对索引,并且触发事件可以是检测到用户设备的参数的变化。
根据一些实施方案的示例性装置可包括:处理器;以及非暂态计算机可读介质,该非暂态计算机可读介质存储指令,这些指令在由处理器执行时可操作以执行示例性方法的任何一个实施方案。
根据一些实施方案的附加示例性方法可包括:基于初始网络接入过程从用户设备获得位置信息;使用神经网络处理位置信息以生成具有相关联的波束对的集合的指纹输出;以及使用波束对的集合进行波束训练。
附加示例性方法的一些实施方案还可包括基于波束对的集合向用户设备通知候选波束对。
对于附加示例性方法的一些实施方案,候选波束对可以为相关联的波束对的子集。
根据一些实施方案的附加示例性装置可包括:处理器;以及非暂态计算机可读介质,该非暂态计算机可读介质存储指令,这些指令在由处理器执行时可操作以执行附加示例性方法的任何一个实施方案。
根据一些实施方案的另外的示例性方法可包括:在基站处使特定于位置的波束对指纹适应交通状况;以及使用波束对指纹进行波束训练。
根据一些实施方案的另一个示例性装置可包括:处理器;以及非暂态计算机可读介质,该非暂态计算机可读介质存储指令,这些指令在由处理器执行时可操作以进行以下操作:在基站处使特定于位置的波束对指纹适应交通状况;以及使用波束对指纹进行波束训练。
根据一些实施方案的另一附加示例性方法可包括:获得包括用户设备(UE)位置、UE的交通密度和接收信号强度(RSS)阈值的输入数据;用具有从训练阶段确定的权重的神经网络处理用户设备的信息,以生成一个或多个波束对索引的集合;向用户设备传送一个或多个波束对索引的集合;向用户设备传送使用一个或多个波束对索引的集合进行波束训练的指示;以及从用户设备接收满足RSS阈值的至少一个波束对索引。
根据一些实施方案的另一个附加示例性装置可包括:处理器;以及非暂态计算机可读介质,该非暂态计算机可读介质存储指令,这些指令在由处理器执行时可操作以进行以下操作:获得包括用户设备(UE)位置、UE的交通密度和接收信号强度(RSS)阈值的输入数据;用具有从训练阶段确定的权重的神经网络处理用户设备的信息,以生成一个或多个波束对索引的集合;向用户设备传送一个或多个波束对索引的集合;向用户设备传送使用一个或多个波束对索引的集合进行波束训练的指示;以及从用户设备接收满足RSS阈值的至少一个波束对索引。
附图说明
图1A是示出根据一些实施方案的示例性通信系统的系统图。
图1B是示出根据一些实施方案的可在图1A所示的通信系统内使用的示例性无线发射/接收单元(WTRU)的系统图。
图1C是根据一些实施方案的示出可在图1A所示的通信系统内使用的示例性无线电接入网络(RAN)和示例性核心网络(CN)的示例性系统的系统图。
图1D是根据一些实施方案的示出可在图1A所示的通信系统内使用的另外一个示例性RAN和另外一个示例性CN的示例性系统的系统图。
图2是示出根据一些实施方案的示例性的基于指纹的波束对准的示意图。
图3是示出根据一些实施方案的示例性混合波束成形架构的示意图。
图4是示出根据一些实施方案的由车辆障碍物引起的示例性刀口衍射的示意图。
图5A是示出根据一些实施方案的示例性神经网络模型的示意图。
图5B是示出根据一些实施方案的示例性softmax前馈神经网络模型的示意图。
图6是示出根据一些实施方案的用于波束对准的示例性过程的消息时序图。
图7是示出根据一些实施方案的示例性选择波束对以获得分集/复用增益的示意图。
图8是示出根据一些实施方案的空间分集和空间复用辅助方案的示例性位误差率的图。
图9是示出根据一些实施方案的用于波束索引调制的示例性过程的示意图。
图10是示出根据一些实施方案的在四个位置处的示例性用户分布的图。
图11A是示出根据一些实施方案的用于三个指纹和三个车辆数量的第一示例性瞬时RSS值的图。
图11B是示出根据一些实施方案的用于三个指纹和三个车辆数量的第二示例性瞬时RSS值的图。
图12是示出根据一些实施方案的在训练期间网络的交叉熵(cross-entropy)与历元(epoch)数的示例性图的图。
图13是示出根据一些实施方案的针对使用具有学习和不具有学习的多个指纹的系统观察到的RSS的示例的图。
图14是示出根据一些实施方案的在所选择的指纹中适配之后的每个波束对上的示例性平均RSS值的图。
图15A是示出根据一些实施方案的指纹相对于交通密度的示例性概率分布函数的图。
图15B是示出根据一些实施方案的指纹相对于交通密度的示例性概率分布函数的图。
图16是示出根据一些实施方案的在接收器处从所选择的指纹中选择的波束对中观察到的示例性平均RSS的图。
图17是示出根据一些实施方案的交通密度、SNR和每信道单元位数的示例性关系的3D图。
图18是示出根据一些实施方案的用于确定提供期望的RSS的波束对的示例性过程的流程图。
以举例的方式而非限制的方式呈现了在各个附图中示出并结合各个附图描述的实体、连接、布置等。因此,关于特定附图“描绘”什么、特定附图中的特定元件或实体“是”或者“具有”什么的任何和所有陈述或其他指示,以及可孤立地且在上下文之外被解读为绝对的并且因此是限制性的任何和所有类似状态,可以仅被适当地解读为以建设性的方式加上从句诸如“在至少一个实施方案中,……”。为了简洁和清楚地展示,在详细描述中,这一隐含的前导从句不再重复。
用于实现实施方案的示例性网络
在本文描述的一些实施该方案中,无线发射/接收单元(WTRU)可以用作例如手机、智能电话、移动设备或用户设备(UE)装置(可被指示为用户)。
图1A是示出在其中一个或多个所公开的实施方案可得以实现的示例性通信系统100的示意图。通信系统100可为向多个无线用户提供诸如语音、数据、视频、消息、广播等内容的多址接入系统。通信系统100可使多个无线用户能够通过系统资源(包括无线带宽)的共享来访问此类内容。例如,通信系统100可采用一个或多个信道接入方法,诸如码分多址接入(CDMA)、时分多址接入(TDMA)、频分多址接入(FDMA)、正交FDMA(OFDMA)、单载波FDMA(SC-FDMA)、零尾唯一字DFT扩展OFDM(ZT UW DTS-s OFDM)、唯一字OFDM(UW-OFDM)、资源块滤波OFDM、滤波器组多载波(FBMC)等。
如图1A所示,通信系统100可包括无线发射/接收单元(WTRU)102a、102b、102c、102d、RAN 104/113、CN 106、公共交换电话网(PSTN)108、互联网110和其他网络112,但应当理解,所公开的实施方案设想了任何数量的WTRU、基站、网络和/或网络元件。WTRU 102a、102b、102c、102d中的每一者可以是被配置为在无线环境中操作和/或通信的任何类型的设备。作为示例,WTRU 102a、102b、102c、102d(其中任何一个均可被称为“站”和/或“STA”)可被配置为传输和/或接收无线信号,并且可包括用户设备(UE)、移动站、固定或移动用户单元、基于订阅的单元、寻呼机、蜂窝电话、个人数字助理(PDA)、智能电话、膝上型电脑、上网本、个人计算机、无线传感器、热点或Mi-Fi设备、物联网(IoT)设备、手表或其他可穿戴设备、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/或自动处理链环境中操作的机器人和/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。WTRU 102a、102b、102c和102d中的任一者可互换地称为UE。
通信系统100还可包括基站114a和/或基站114b。基站114a、114b中的每一者可为任何类型的设备,其被配置为与WTRU 102a、102b、102c、102d中的至少一者无线对接以促进对一个或多个通信网络(诸如CN 106、互联网110和/或其他网络112)的访问。作为示例,基站114a、114b可为基站收发台(BTS)、节点B、演进节点B、家庭节点B、家庭演进节点B、gNB、NR节点B、站点控制器、接入点(AP)、无线路由器等。虽然基站114a、114b各自被描绘为单个元件,但应当理解,基站114a、114b可包括任何数量的互连基站和/或网络元件。
基站114a可以是RAN 104/113的一部分,该RAN还可包括其他基站和/或网络元件(未示出),诸如基站控制器(BSC)、无线电网络控制器(RNC)、中继节点等。基站114a和/或基站114b可被配置为在一个或多个载波频率(其可被称为小区(未示出))上传输和/或接收无线信号。这些频率可在许可频谱、未许可频谱或许可和未许可频谱的组合中。小区可向特定地理区域提供无线服务的覆盖,该特定地理区域可为相对固定的或可随时间改变。小区可进一步被划分为小区扇区。例如,与基站114a相关联的小区可被划分为三个扇区。因此,在一个实施方案中,基站114a可包括三个收发器,即,小区的每个扇区一个收发器。在一个实施方案中,基站114a可采用多输入多输出(MIMO)技术并且可针对小区的每个扇区利用多个收发器。例如,可使用波束成形在所需的空间方向上传输和/或接收信号。
基站114a、114b可通过空中接口116与WTRU 102a、102b、102c、102d中的一者或多者通信,该空中接口可为任何合适的无线通信链路(例如,射频(RF)、微波、厘米波、微米波、红外(IR)、紫外(UV)、可见光等)。可使用任何合适的无线电接入技术(RAT)来建立空中接口116。
更具体地讲,如上所指出,通信系统100可为多址接入系统,并且可采用一个或多个信道接入方案,诸如CDMA、TDMA、FDMA、OFDMA、SC-FDMA等。例如,RAN 104/113中的基站114a和WTRU 102a、102b、102c可实现无线电技术诸如通用移动电信系统(UMTS)陆地无线电接入(UTRA),其可使用宽带CDMA(WCDMA)来建立空中接口116。WCDMA可包括诸如高速分组接入(HSPA)和/或演进的HSPA(HSPA+)之类的通信协议。HSPA可包括高速下行链路(DL)分组接入(HSDPA)和/或高速UL分组接入(HSDPA)。
在一个实施方案中,基站114a和WTRU 102a、102b、102c可实现诸如演进的UMTS陆地无线电接入(E-UTRA)之类的无线电技术,其可使用长期演进(LTE)和/高级LTE(LTE-A)和/或高级LTE Pro(LTE-A Pro)来建立空中接口116。
在一个实施方案中,基站114a和WTRU 102a、102b、102c可实现诸如NR无线电接入之类的无线电技术,其可使用新无线电(NR)来建立空中接口116。
在一个实施方案中,基站114a和WTRU 102a、102b、102c可实现多种无线电接入技术。例如,基站114a和WTRU 102a、102b、102c可例如使用双连接(DC)原理一起实现LTE无线电接入和NR无线电接入。因此,WTRU 102a、102b、102c所使用的空中接口可由多种类型的无线电接入技术和/或向/从多种类型的基站(例如,eNB和gNB)发送的传输来表征。
在其他实施方案中,基站114a和WTRU 102a、102b、102c可实现诸如IEEE 802.11(即,无线保真(WiFi))、IEEE 802.16(即,全球微波接入互操作性(WiMAX))、CDMA2000、CDMA2000 1X、CDMA2000 EV-DO、暂行标准2000(IS-2000)、暂行标准95(IS-95)、暂行标准856(IS-856)、全球移动通信系统(GSM)、GSM增强数据率演进(EDGE)、GSM EDGE(GERAN)等无线电技术。
图1A中的基站114b可为例如无线路由器、家庭节点B、家庭演进节点B或接入点,并且可利用任何合适的RAT来促进诸如商业场所、家庭、车辆、校园、工业设施、空中走廊(例如,供无人机使用)、道路等局部区域中的无线连接。在一个实施方案中,基站114b和WTRU102c、102d可实现诸如IEEE 802.11之类的无线电技术以建立无线局域网(WLAN)。在一个实施方案中,基站114b和WTRU 102c、102d可实现诸如IEEE 802.15之类的无线电技术以建立无线个域网(WPAN)。在又一个实施方案中,基站114b和WTRU 102c、102d可利用基于蜂窝的RAT(例如,WCDMA、CDMA2000、GSM、LTE、LTE-A、LTE-A Pro、NR等)来建立微微小区或毫微微小区。如图1A所示,基站114b可具有与互联网110的直接连接。因此,基站114b可不需要经由CN106访问互联网110。
RAN 104/113可与CN 106通信,该CN可以是被配置为向WTRU 102a、102b、102c、102d中的一者或多者提供语音、数据、应用和/或互联网协议语音技术(VoIP)服务的任何类型的网络。数据可具有不同的服务质量(QoS)要求,诸如不同的吞吐量要求、延迟要求、误差容限要求、可靠性要求、数据吞吐量要求、移动性要求等。CN 106可提供呼叫控制、账单服务、基于移动位置的服务、预付费呼叫、互联网连接、视频分发等,和/或执行高级安全功能,诸如用户认证。尽管未在图1A中示出,但是应当理解,RAN 104/113和/或CN 106可与采用与RAN 104/113相同的RAT或不同RAT的其他RAN进行直接或间接通信。例如,除了连接到可利用NR无线电技术的RAN 104/113之外,CN 106还可与采用GSM、UMTS、CDMA 2000、WiMAX、E-UTRA或WiFi无线电技术的另一RAN(未示出)通信。
CN 106也可充当WTRU 102a、102b、102c、102d的网关,以访问PSTN 108、互联网110和/或其他网络112。PSTN 108可包括提供普通老式电话服务(POTS)的电路交换电话网络。互联网110可包括使用常见通信协议(诸如传输控制协议(TCP)、用户数据报协议(UDP)和/或TCP/IP互联网协议组中的互联网协议(IP))的互连计算机网络和设备的全球系统。网络112可包括由其他服务提供商拥有和/或操作的有线和/或无线通信网络。例如,网络112可包括连接到一个或多个RAN的另一个CN,其可采用与RAN 104/113相同的RAT或不同的RAT。
通信系统100中的一些或所有WTRU 102a、102b、102c、102d可包括多模式能力(例如,WTRU 102a、102b、102c、102d可包括用于通过不同无线链路与不同无线网络通信的多个收发器)。例如,图1A所示的WTRU 102c可被配置为与可采用基于蜂窝的无线电技术的基站114a通信,并且与可采用IEEE 802无线电技术的基站114b通信。
图1B是示出示例性WTRU 102的系统图。如图1B所示,WTRU 102可包括处理器118、收发器120、发射/接收元件122、扬声器/麦克风124、小键盘126、显示器/触摸板128、不可移动存储器130、可移动存储器132、电源134、全球定位系统(GPS)芯片组136和/或其他外围设备138等。应当理解,WTRU 102可包括前述元件的任何子组合,同时保持与实施方案一致。
处理器118可以是通用处理器、专用处理器、常规处理器、数字信号处理器(DSP)、多个微处理器、与DSP核心相关联的一个或多个微处理器、控制器、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)电路、任何其他类型的集成电路(IC)、状态机等。处理器118可执行信号编码、数据处理、功率控制、输入/输出处理和/或任何其他功能,这些其他功能使WTRU 102能够在无线环境中工作。处理器118可耦合到收发器120,该收发器可耦合到发射/接收元件122。虽然图1B将处理器118和收发器120描绘为单独的部件,但是应当理解,处理器118和收发器120可在电子封装或芯片中集成在一起。
发射/接收元件122可被配置为通过空中接口116向基站(例如,基站114a)传输信号或从基站接收信号。例如,在一个实施方案中,发射/接收元件122可以是被配置为传输和/或接收RF信号的天线。在一个实施方案中,发射/接收元件122可以是被配置为传输和/或接收例如IR、UV或可见光信号的发射器/检测器。在又一个实施方案中,发射/接收元件122可被配置为传输和/或接收RF和光信号。应当理解,发射/接收元件122可被配置为传输和/或接收无线信号的任何组合。
尽管发射/接收元件122在图1B中被描绘为单个元件,但是WTRU 102可包括任何数量的发射/接收元件122。更具体地讲,WTRU 102可采用MIMO技术。因此,在一个实施方案中,WTRU 102可包括用于通过空中接口116传输和接收无线信号的两个或更多个发射/接收元件122(例如,多个天线)。
收发器120可被配置为调制将由发射/接收元件122传输的信号并且解调由发射/接收元件122接收的信号。如上所指出,WTRU 102可具有多模式能力。因此,收发器120可包括多个收发器,以便使WTRU 102能够经由多种RAT(诸如NR和IEEE 802.11)进行通信。
WTRU 102的处理器118可耦合到扬声器/麦克风124、小键盘126和/或显示器/触摸板128(例如,液晶显示器(LCD)显示单元或有机发光二极管(OLED)显示单元)并且可从其接收用户输入数据。处理器118还可将用户数据输出到扬声器/麦克风124、小键盘126和/或显示器/触摸板128。此外,处理器118可从任何类型的合适存储器(诸如不可移动存储器130和/或可移动存储器132)访问信息,并且将数据存储在任何类型的合适存储器中。不可移动存储器130可包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘或任何其他类型的存储器存储设备。可移动存储器132可包括用户身份模块(SIM)卡、记忆棒、安全数字(SD)存储卡等。在其他实施方案中,处理器118可从未物理上定位在WTRU 102上(诸如,服务器或家用计算机(未示出)上)的存储器访问信息,并且将数据存储在该存储器中。
处理器118可从电源134接收电力,并且可被配置为向WTRU 102中的其他部件分配和/或控制电力。电源134可以是用于为WTRU 102供电的任何合适的设备。例如,电源134可包括一个或多个干电池组(例如,镍镉(NiCd)、镍锌(NiZn)、镍金属氢化物(NiMH)、锂离子(Li-ion)等)、太阳能电池、燃料电池等。
处理器118还可耦合到GPS芯片组136,该GPS芯片组可被配置为提供关于WTRU 102的当前位置的位置信息(例如,经度和纬度)。除了来自GPS芯片组136的信息之外或代替该信息,WTRU 102可通过空中接口116从基站(例如,基站114a、114b)接收位置信息和/或基于从两个或更多个附近基站接收到信号的定时来确定其位置。应当理解,在与实施方案保持一致的同时,该WTRU 102可通过任何合适的位置确定方法来获取位置信息。
处理器118还可耦合到其他外围设备138,该其他外围设备可包括提供附加特征、功能和/或有线或无线连接的一个或多个软件模块和/或硬件模块。例如,外围设备138可包括加速度计、电子指南针、卫星收发器、数字相机(用于照片和/或视频)、通用串行总线(USB)端口、振动设备、电视收发器、免提耳麦、模块、调频(FM)无线电单元、数字音乐播放器、媒体播放器、视频游戏播放器模块、互联网浏览器、虚拟现实和/或增强现实(VR/AR)设备、活动跟踪器等。外围设备138可包括一个或多个传感器,该传感器可为以下一者或多者:陀螺仪、加速度计、霍尔效应传感器、磁力计、方位传感器、接近传感器、温度传感器、时间传感器;地理位置传感器;测高计、光传感器、触摸传感器、磁力计、气压计、手势传感器、生物识别传感器和/或湿度传感器。
WTRU 102可包括全双工无线电台,对于该全双工无线电台,一些或所有信号的发射和接收(例如,与用于UL(例如,用于发射)和下行链路(例如,用于接收)的特定子帧相关联)可为并发的和/或同时的。全双工无线电台可包括干扰管理单元,该干扰管理单元用于经由硬件(例如,扼流圈)或经由处理器(例如,单独的处理器(未示出)或经由处理器118)进行的信号处理来减少和/或基本上消除自干扰。在一个实施方案中,WTRU 102可包括全双工无线电台,对于该全双工无线电台,一些或所有信号的发射和接收(例如,与用于UL(例如,用于发射)和下行链路(例如,用于接收)的特定子帧相关联)可为并发的和/或同时的。
图1C是示出根据一个实施方案的RAN 104和CN 106的系统图。如上所指出,RAN104可采用E-UTRA无线电技术通过空中接口116与WTRU 102a、102b、102c通信。RAN 104还可与CN 106通信。
RAN 104可包括演进节点B 160a、160b、160c,但是应当理解,RAN 104可包括任何数量的演进节点B,同时保持与实施方案一致。演进节点B 160a、160b、160c各自可包括一个或多个收发器以便通过空中接口116与WTRU 102a、102b、102c通信。在一个实施方案中,演进节点B 160a、160b、160c可实现MIMO技术。因此,演进节点B 160a例如可使用多个天线来向WTRU 102a传输无线信号和/或从WTRU 102a接收无线信号。
演进节点B 160a、160b、160c中的每一者可与特定小区(未示出)相关联,并且可被配置为处理无线电资源管理决策、切换决策、UL和/或DL中的用户的调度等。如图1C所示,演进节点B 160a、160b、160c可通过X2接口彼此通信。
图1C所示的CN 106可包括移动性管理实体(MME)162、服务网关(SGW)164和分组数据网络(PDN)网关(或PGW)166。虽然前述元件中的每一者被描绘为CN 106的一部分,但应当理解,这些元件中的任一者可由除CN运营商之外的实体拥有和/或操作。
MME 162可经由S1接口连接到RAN 104中的演进节点B 162a、162b、162c中的每一者,并且可用作控制节点。例如,MME 162可负责认证WTRU 102a、102b、102c的用户、承载激活/去激活、在WTRU 102a、102b、102c的初始附加期间选择特定服务网关等。MME 162可提供用于在RAN 104和采用其他无线电技术(诸如GSM和/或WCDMA)的其他RAN(未示出)之间进行切换的控制平面功能。
SGW 164可经由S1接口连接到RAN 104中的演进节点B 160a、160b、160c中的每一者。SGW 164通常可向/从WTRU 102a、102b、102c路由和转发用户数据分组。SGW 164可执行其他功能,诸如在演进节点B间切换期间锚定用户平面、当DL数据可用于WTRU 102a、102b、102c时触发寻呼、管理和存储WTRU 102a、102b、102c的上下文等。
SGW 164可连接到PGW 166,该PGW可向WTRU 102a、102b、102c提供对分组交换网络(诸如互联网110)的访问,以促进WTRU 102a、102b、102c和启用IP的设备之间的通信。
CN 106可有利于与其他网络的通信。例如,CN 106可为WTRU 102a、102b、102c提供对电路交换网络(诸如PSTN 108)的访问,以有利于WTRU 102a、102b、102c与传统传统陆线通信设备之间的通信。例如,CN 106可包括用作CN 106与PSTN 108之间的接口的IP网关(例如,IP多媒体子系统(IMS)服务器)或者可与该IP网关通信。另外,CN 106可向WTRU 102a、102b、102c提供对其他网络112的访问,该其他网络可包括由其他服务提供商拥有和/或运营的其他有线和/或无线网络。
尽管WTRU在图1A至图1D中被描述为无线终端,但是可以设想到,在某些代表性实施方案中,这种终端可(例如,临时或永久)使用与通信网络的有线通信接口。
在代表性实施方案中,其他网络112可为WLAN。
处于基础结构基本服务集(BSS)模式的WLAN可具有用于BSS的接入点(AP)以及与AP相关联的一个或多个站点(STA)。AP可具有至分配系统(DS)或将流量携带至和/或携带流量离开BSS的另一种类型的有线/无线网络的接入或接口。源自BSS外部并通向STA的流量可通过AP到达并且可被传递到STA。源自STA并通向BSS外部的目的地的流量可被发送到AP以被传递到相应目的地。BSS内的STA之间的流量可通过AP发送,例如,其中源STA可向AP发送流量,并且AP可将流量传递到目的地STA。BSS内的STA之间的流量可被视为和/或称为点对点流量。可利用直接链路建立(DLS)在源和目的地STA之间(例如,直接在它们之间)发送点对点流量。在某些代表性实施方案中,DLS可使用802.11e DLS或802.11z隧道DLS(TDLS)。使用独立BSS(IBSS)模式的WLAN可不具有AP,并且IBSS内或使用IBSS的STA(例如,所有STA)可彼此直接通信。IBSS通信模式在本文中有时可称为“ad-hoc”通信模式。
当使用802.11ac基础结构操作模式或相似操作模式时,AP可在固定信道(诸如主信道)上传输信标。主信道可为固定宽度(例如,20MHz宽带宽)或经由信令动态设置的宽度。主信道可为BSS的操作信道,并且可由STA用来建立与AP的连接。在某些代表性实施方案中,可例如在802.11系统中实现载波侦听多路访问/冲突避免(CSMA/CA)。对于CSMA/CA,STA(例如,每个STA)(包括AP)可侦听主信道。如果主信道被特定STA侦听/检测和/或确定为繁忙,则特定STA可退避。一个STA(例如,仅一个站)可在给定BSS中在任何给定时间传输。
高吞吐量(HT)STA可使用40MHz宽的信道进行通信,例如,经由主20MHz信道与相邻或不相邻的20MHz信道的组合以形成40MHz宽的信道。
极高吞吐量(VHT)STA可支持20MHz、40MHz、80MHz和/或160MHz宽的信道。40MHz和/或80MHz信道可通过组合连续的20MHz信道来形成。可通过组合8个连续的20MHz信道,或通过组合两个非连续的80MHz信道(这可被称为80+80配置)来形成160MHz信道。对于80+80配置,在信道编码之后,数据可通过可将数据分成两个流的段解析器。可单独地对每个流进行快速傅里叶逆变换(IFFT)处理和时间域处理。可将这些流映射到两个80MHz信道,并且可通过发射STA来传输数据。在接收STA的接收器处,可颠倒上述用于80+80配置的操作,并且可将组合的数据发送到介质访问控制(MAC)。
802.11af和802.11ah支持低于1GHz的操作模式。相对于802.11n和802.11ac中使用的那些,802.11af和802.11ah中减少了信道操作带宽和载波。802.11af支持电视白空间(TVWS)频谱中的5MHz、10MHz和20MHz带宽,并且802.11ah支持使用非TVWS频谱的1MHz、2MHz、4MHz、8MHz和16MHz带宽。根据代表性实施方案,802.11ah可支持仪表类型控制/机器类型通信,诸如宏覆盖区域中的MTC设备。MTC设备可具有某些能力,例如有限的能力,包括支持(例如,仅支持)某些带宽和/或有限的带宽。MTC设备可包括电池寿命高于阈值(例如,以保持非常长的电池寿命)的电池。
可支持多个信道和信道带宽的诸如802.11n、802.11ac、802.11af和802.11ah之类的WLAN系统包括可被指定为主信道的信道。主信道可具有等于由BSS中的所有STA支持的最大公共操作带宽的带宽。主信道的带宽可由来自在BSS中操作的所有STA的STA(其支持最小带宽操作模式)设置和/或限制。在802.11ah的示例中,对于支持(例如,仅支持)1MHz模式的STA(例如,MTC型设备),主信道可为1MHz宽,即使AP和BSS中的其他STA支持2MHz、4MHz、8MHz、16MHz和/或其他信道带宽操作模式。载波侦听和/或网络分配向量(NAV)设置可取决于主信道的状态。如果主信道繁忙,例如,由于STA(仅支持1MHz操作模式)正在向AP传输,即使大多数频段保持空闲并且可能可用,整个可用频段也可被视为繁忙。
在美国,可供802.11ah使用的可用频段为902MHz至928MHz。在韩国,可用频段为917.5MHz至923.5MHz。在日本,可用频段为916.5MHz至927.5MHz。802.11ah可用的总带宽为6MHz至26MHz,具体取决于国家代码。
图1D是示出根据一个实施方案的RAN 113和CN 115的系统图。如上所指出,RAN113可采用NR无线电技术通过空中接口116与WTRU 102a、102b、102c通信。RAN 113还可与CN115通信。
RAN 113可包括gNB 180a、180b、180c,但是应当理解,RAN 113可包括任何数量的gNB,同时保持与实施方案一致。gNB 180a、180b、180c各自可包括一个或多个收发器以便通过空中接口116与WTRU 102a、102b、102c通信。在一个实施方案中,gNB 180a、180b、180c可实现MIMO技术。例如,gNB 180a、108b可利用波束成形来向gNB 180a、180b、180c传输信号和/或从gNB 180a、180b、180c接收信号。因此,gNB 180a例如可使用多个天线来向WTRU102a传输无线信号和/或从WTRU 102a接收无线信号。在一个实施方案中,gNB 180a、180b、180c可实现载波聚合技术。例如,gNB 180a可向WTRU 102a(未示出)传输多个分量载波。这些分量载波的子集可在免许可频谱上,而其余分量载波可在许可频谱上。在一个实施方案中,gNB 180a、180b、180c可实现协作多点(CoMP)技术。例如,WTRU 102a可从gNB 180a和gNB180b(和/或gNB 180c)接收协作传输。
WTRU 102a、102b、102c可使用与可扩展参数集相关联的传输来与gNB 180a、180b、180c通信。例如,OFDM符号间隔和/或OFDM子载波间隔可因不同传输、不同小区和/或无线传输频谱的不同部分而变化。WTRU 102a、102b、102c可使用各种或可扩展长度的子帧或传输时间间隔(TTI)(例如,包含不同数量的OFDM符号和/或持续变化的绝对时间长度)来与gNB180a、180b、180c通信。
gNB 180a、180b、180c可被配置为以独立配置和/或非独立配置与WTRU 102a、102b、102c通信。在独立配置中,WTRU 102a、102b、102c可与gNB 180a、180b、180c通信,同时也不访问其他RAN(例如,诸如演进节点B 160a、160b、160c)。在独立配置中,WTRU 102a、102b、102c可将gNB180a、180b、180c中的一者或多者用作移动性锚定点。在独立配置中,WTRU 102a、102b、102c可在未许可频带中使用信号与gNB 180a、180b、180c通信。在非独立配置中,WTRU 102a、102b、102c可与gNB 180a、180b、180c通信或连接,同时也与其他RAN(诸如,演进节点B 160a、160b、160c)通信或连接。例如,WTRU 102a、102b、102c可实现DC原理以基本上同时与一个或多个gNB 180a、180b、180c和一个或多个演进节点B 160a、160b、160c通信。在非独立配置中,演进节点B 160a、160b、160c可用作WTRU 102a、102b、102c的移动性锚点,并且gNB 180a、180b、180c可提供用于服务WTRU 102a、102b、102c的附加覆盖和/或吞吐量。
gNB 180a、180b、180c中的每一者可与特定小区(未示出)相关联,并且可被配置为处理无线电资源管理决策、切换决策、UL和/或DL中的用户的调度、网络切片的支持、双连接、NR和E-UTRA之间的互通、用户平面数据朝向用户平面功能(UPF)184a、184b的路由、控制平面信息朝向接入和移动性管理功能(AMF)182a、182b的路由等。如图1D所示,gNB 180a、180b、180c可通过Xn接口彼此通信。
图1D所示的CN 115可包括至少一个AMF 182a、182b、至少一个UPF 184a、184b、至少一个会话管理功能(SMF)183a、183b以及可能的数据网络(DN)185a、185b。虽然前述元件中的每一者被描绘为CN 115的一部分,但是应当理解,这些元件中的任一者可由除CN运营商之外的实体拥有和/或操作。
AMF 182a、182b可在RAN 113中经由N2接口连接到gNBs 180a、180b、180c中的一者或多者,并且可用作控制节点。例如,AMF 182a、182b可负责认证WTRU 102a、102b、102c的用户、网络切片的支持(例如,具有不同要求的不同PDU会话的处理)、选择特定SMF 183a、183b、注册区域的管理、NAS信令的终止、移动性管理等。AMF 182a、182b可使用网络切片,以便基于WTRU 102a、102b、102c所使用的服务的类型来为WTRU 102a、102b、102c定制CN支持。例如,可针对不同的用例(诸如,依赖超高可靠低延迟(URLLC)接入的服务、依赖增强型移动宽带(eMBB)接入的服务、用于机器类型通信(MTC)接入的服务等)建立不同的网络切片。AMF162可提供用于在RAN 113和采用其他无线电技术(诸如LTE、LTE-A、LTE-A Pro和/或非3GPP接入技术,诸如WiFi)的其他RAN(未示出)之间进行切换的控制平面功能。
SMF 183a、183b可经由N11接口连接到CN 115中的AMF 182a、182b。SMF 183a、183b还可经由N4接口连接到CN 115中的UPF 184a、184b。SMF 183a、183b可选择并控制UPF184a、184b,并且配置通过UPF 184a、184b进行的流量路由。SMF 183a、183b可执行其他功能,诸如管理和分配UE IP地址、管理PDU会话、控制策略实施和QoS、提供下行链路数据通知等。PDU会话类型可以是基于IP的、非基于IP的、基于以太网的等。
UPF 184a、184b可经由N3接口连接到RAN 113中的gNB 180a、180b、180c中的一者或多者,这些gNB可向WTRU 102a、102b、102c提供对分组交换网络(诸如互联网110)的访问,以促进WTRU 102a、102b、102c和启用IP的设备之间的通信。UPF 184、184b可执行其他功能,诸如路由和转发分组、实施用户平面策略、支持多宿主PDU会话、处理用户平面QoS、缓冲下行链路分组、提供移动性锚定等。
CN 115可有利于与其他网络的通信。例如,CN 115可包括用作CN 115与PSTN 108之间的接口的IP网关(例如,IP多媒体子系统(IMS)服务器)或者可与该IP网关通信。另外,CN 115可向WTRU 102a、102b、102c提供对其他网络112的访问,该其他网络可包括由其他服务提供商拥有和/或运营的其他有线和/或无线网络。在一个实施方案中,WTRU 102a、102b、102c可通过UPF 184a、184b经由至UPF 184a、184b的N3接口以及UPF 184a、184b与本地数据网络(DN)185a、185b之间的N6接口连接到DN 185a、185b。
鉴于图1A至图1D以及图1A至图1D的对应描述,本文参照以下中的一者或多者描述的功能中的一个或多个功能或全部功能可由一个或多个仿真设备(未示出)执行:WTRU102a-d、基站114a-b、演进节点B 160a-c、MME 162、SGW 164、PGW 166、gNB 180a-c、AMF182a-b、UPF 184a-b、SMF 183a-b、DN 185a-b和/或本文所述的任何其他设备。仿真设备可以是被配置为模仿本文所述的一个或多个或所有功能的一个或多个设备。例如,仿真设备可用于测试其他设备和/或模拟网络和/或WTRU功能。
仿真设备可被设计为在实验室环境和/或运营商网络环境中实现其他设备的一个或多个测试。例如,该一个或多个仿真设备可执行一个或多个或所有功能,同时被完全或部分地实现和/或部署为有线和/或无线通信网络的一部分,以便测试通信网络内的其他设备。该一个或多个仿真设备可执行一个或多个功能或所有功能,同时临时被实现/部署为有线和/或无线通信网络的一部分。仿真设备可直接耦合到另一个设备以用于测试目的和/或可使用空中无线通信来执行测试。
该一个或多个仿真设备可执行一个或多个(包括所有)功能,同时不被实现/部署为有线和/或无线通信网络的一部分。例如,仿真设备可在测试实验室和/或非部署(例如,测试)有线和/或无线通信网络中的测试场景中使用,以便实现一个或多个部件的测试。该一个或多个仿真设备可为测试设备。经由RF电路(例如,其可包括一个或多个天线)进行的直接RF耦合和/或无线通信可由仿真设备用于传输和/或接收数据。
具体实施方式
描述了用于自适应基于多指纹的波束对准方案的系统和方法,该方案使用深度学习神经网络调整指纹以匹配当前的交通状况和位置信息。针对给定位置的不同交通状况收集多个指纹。基站使用深度学习前馈神经网络(诸如softmax分类器)使指纹的选择适应当前的交通状况和位置信息。可以离线设计训练权重以用于选择指纹。在选择指纹时,基站可以将所选择的指纹的信息转发到用户终端。基站执行训练过程以从指纹中选择满足目标接收信号功率的波束对。如果波束对满足阈值,则用户终端从所选择的指纹中报告波束对的索引,从而显著降低搜索复杂性。
描述了一种多功能波束传输方案,以应用自适应和智能的基于多指纹的波束对准。可以选择满足目标接收信号功率的多个波束。根据用户终端的要求,基站可以使用附加波束来增加复用和分集增益。如果RF链的数量低于满足目标接收功率的可用波束对的数量,则基站可以使用波束索引调制来提高频谱效率。
为了规避LOS路径的必要性,提出了基于上下文信息的波束对准,其中BS在基于上下文信息的方向上进行搜索。然后借助复杂的学习技术增强了该方案。然而,该方案可仅在接收器处使用全向接收的前提下才良好地工作,这使得该技术对于毫米波通信不切实际。此外,当LOS被阻塞时,可存在一组其他可能的到达角/离开角(AoA/AoD),用于在给定交通状况下将波束引导到不受阻塞的期望位置。
存在大量关于基于指纹的定位技术的文献,其中通常在预先确定的位置使用被称为指纹的信道状态信息或接收信号强度(RSS),以确定用户终端的位置。针对不同位置收集指纹并且存储在数据库中。在该上下文中,波束对(AoA-AoD)被用作指纹来针对不同位置构建数据库。然而,许多此类技术的限制因素是数据库的指纹针对给定位置是固定的。然而,这种假设在波束对准的情况下通常不成立,因为波束对可根据交通状况而变化。用于给定位置的特定交通密度的指纹对于相同位置的另一个交通密度可以不同。
最近,机器学习辅助无线传输因其相比于放弃学习的常规方法更准确的预测和更优越的性能而受到关注。更具体地,定位中基于学习的方法对于最小化定位误差可能更有效。
如下文更详细地描述的,由于环境的变化(诸如交通变化、移动性和阻碍RF路径的障碍物)以及设备特性(诸如硬件缺陷),给定位置的预先确定的指纹可能不是最佳的。下文描述了一种方案,对于一些实施方案,该方案在给定交通密度下从一组预先确定的指纹中实时调整给定设备在特定位置处的指纹选择。
对于一些实施方案,可以执行以下过程。确定一组指纹并且将这些指纹映射到一系列参数(可以被量化)(诸如交通密度(拥塞)、位置、设备配置文件、用户设备和基站之间RF信号的到达角(AoA)和离开角(AoD)、以及RF干扰)。下面的表1示出了两个此类参数(位置和交通密度)的多个指纹的示例。一些实施方案可以使用其他参数来映射指纹。使用学习过程为给定用户在给定时间点选择可能是最佳指纹的指纹。一些实施方案可以使用此类学习过程作为处理指纹和变化的参数之间的关系的方式,这些变化的参数可能影响给定用户在给定时间点的指纹选择。所选择的指纹被传送到用户设备装置,并且指纹集中的波束对被选择为实现特定性能或复杂性降低的目标,诸如特定的接收信号强度(RSS)值。
系统模型
图2是示出根据一些实施方案的示例性的基于指纹的波束对准的示意图。考虑车辆场景,其中基站(BS)202服务于其小区的车辆(用户或用户设备)204、210、216。任何时间点的车辆数量Nv均服从泊松分布,均值为λ,并且方差为λ。假设服务小区被划分为N个位置,其中BS配备有其数据库中每个位置208、214的指纹(FP)知识,如图2所示。在此使用的指纹是波束对,其AoA-AoD值可以离线预先确定。通常通过使用波束扫描来获得指纹(AoA-AoD对),其中对波束对进行高分辨率扫描。然而,考虑到随时间推移变化的交通密度,对应于任何时间点的不同数量的车辆,单个预先确定的指纹将无法在降低搜索复杂性的情况下提供改进的性能。这是因为提供高接收信号功率的AoA-AoD对可被障碍物206、212(例如,邻近车辆)阻挡/压制。因此,针对给定位置的不同交通密度设想了一种基于多指纹的方案。等式1示出了示例性多指纹数据库:
图2示出了系统模型,其中BS使用指纹FPλ1(lj)为交通密度λk的位置l1的用户提供服务,其中条目fi (k,j)表示交通密度k的第j个位置处的第i个指纹。可以从全球定位系统(GPS)获得位置信息。此外,由于毫米波频率下的硬件复杂性和耗电的ADC/DAC,为每个天线元件专用一个RF链可能是不切实际的;并且使用仅模拟波束成形将导致较差的角度分辨率和不准确性。
图3是示出根据一些实施方案的示例性混合波束成形架构的示意图。因此,可以使用作为数字波束成形和模拟波束成形两者的合并的混合波束成形。在混合波束成形设计中,信号在基带中进行数字预编码,并且在RF阶段通过模拟移相器进行移相。许多混合波束成形架构往往依赖于全连接或子阵列连接设计。在全连接设计中,每个RF链往往连接到天线阵列的所有移相器,如图3所示。相比之下,在子阵列连接设计中,天线阵列被划分为子阵列,其中每个RF链仅连接到移相器的子集。对于学习辅助方案,BS和用户可以使用全连接或子阵列连接设计来实现波束成形增益。然而,例如,BS和用户都使用图3所示的全连接架构,其中信号302使用基带中的矩阵FBB 304进行数字预编码,然后通过模拟RF波束成形矩阵FRF进行移相。
BS(发射器)配备有Nt发射天线和Nt RF链,而用户(接收器)配备有Nr接收天线和Nr RF链。此外,假设{(f1 RF,w1 RF),(f2 RF,w2 RF),…,(fN RF,wN RF)}分别被选择为BS处和用户端处的波束成形向量,用于交通密度λ。用户处的接收信号向量y 322由等式2给出:
其中FRF 308是BS处大小为Nt×Nt RF的发射波束成形矩阵,其中Nt RF列306由发射天线的Nt行310的可能的AoD集合{(f1 RF…fN RF}构成。类似地,WRF 316是用户端处的大小为Nt×Nr RF的接收波束成形矩阵,其中Nr RF列318由接收天线的Nr行314的可能的AoA集合{(w1 RF…wN RF)构成。矩阵WBB320是等式2中使用的接收器基带权重矩阵。此外,s是传输符号,n是具有分布的相同且独立的分布式条目的噪声向量而H是大小为Nr×Nt的统计毫米波信道模型312,如等式3所示:
其中Φr和Φt分别是到达角和离开角。
图4是示出根据一些实施方案的由车辆障碍物引起的示例性刀口衍射的示意图。接收信号强度(RSS)可以用作性能度量来确定用于成功传输的波束对。
此外,对于指纹数据库的构建,除了毫米波载体所经历的路径损耗之外,还考虑了相邻车辆造成的衰减和阻塞。为了实现这一点,可以使用多刀口模型。对于给定位置,通过考虑由车辆引起的总衰减,针对每个交通密度构建每个指纹。每个车辆使用单刀口引起的衰减由等式6给出:
对于Gt和Gr的发射和接收天线增益,信号在距离d处经历的路径损耗分别由等式8给出:
因此,考虑到路径损耗和车辆引起的衰减后的总接收功率由等式10给出:
Pr=Pt-PL[dB]-A 等式10
而容量由等式12给出:
其中 是噪声方差。针对指纹构造观察到净接收功率为最初对离散交通密度的N个位置执行波束扫描操作,然后将实现目标RSS的特定波束对存储在数据库中。换句话讲,通过考虑由障碍物引起的所有阻塞,通过进行高分辨率波束搜索活动来获得AoA-AoD指纹。指纹构建通常通过计算机生成的环境模拟离线进行,或者在BS安装期间实时进行。
在一些实施方案中解决的问题
在定向传输系统中实现精确的波束对准具有挑战性,尤其是在毫米波频率下,因为其对阻塞的敏感性很高。为了规避这个问题,可以使用基于指纹的波束对准技术。在更广泛的意义上,具有准确的指纹可以被视为辅助信息,可用于增强系统性能。
指纹可以包括给定位置的所选择的波束对的集合,可以在其上建立通信链路。通常,在网络部署阶段,通过考虑周围环境(诸如建筑物、灯柱和车辆)为每个位置构建指纹。通常通过使用波束扫描来获得提供具有特定到达角-离开角(AoA-AoD)波束的波束对的指纹(例如,可能波束对的集合),使得最初对离散交通密度的N个位置执行波束对的高分辨率扫描。实现目标RSS的特定波束对存储在数据库中。可以通过考虑由障碍物引起的所有阻塞,通过进行高分辨率波束搜索活动来获得AoA-AoD指纹。指纹构建通常通过计算机生成的环境模拟离线执行,或者在网络部署期间实时执行。
用户和车辆的交通变化可严格限制指纹的性能。这种限制是因为波束的方向或可用的波束对数量高度依赖于道路上用户和车辆的密度和位置。波束的方向或可用波束对的数量取决于随时间变化的交通状况。例如,上午的交通密度与下午或者特殊活动期间的交通密度不同。为了响应这些环境变化,可以针对给定位置使用多个指纹,并且可以动态调整指纹选择以匹配在给定时间点给定位置的交通状况。本文中解决了这些挑战。
在一些实施方案中,提供了基于多指纹的波束对准方案,其中基站(BS)在学习的帮助下使指纹适应给定位置的交通状况。基于多指纹的波束对准方案可用于设计多功能波束传输,其中选择满足RSS阈值的多个波束对以获得更高的复用和分集增益。
学习辅助的基于多指纹的波束对准
可以在网络部署阶段根据经验离线构建指纹。指纹的构建取决于静态的不会在短时间内发生变化的道路结构和建筑物的拓扑结构,但如果建造新的建筑物,拓扑结构可发生变化。环境变化可归因于不断变化的移动用户交通。在不存在交通的情况下,在网络设计阶段期间构建的指纹可以无限期地应用,除非区域拓扑发生变化。然而,由于移动用户交通状况随时间推移而变化,选项集中波束对的数量可发生变化。因此,通过允许用户设备(或用户)通过在波束对训练阶段期间进行波束扫描来标识可能的波束对,可针对不同的交通密度构建指纹。对于不同的密度或交通状况,可以重复该过程。此外,所需指纹的数量是位置特定的,并且可以凭经验确定。
表1中示出了基于多指纹的示例性数据库,使得例如BP2表示合法的离开角,例如AoD(可等于30°),其对应的到达角对可以为AoA(可等于60°),并且可以编索引为波束对2(AoD-AoA)。类似地,BP10表示波束对10,其离开角和到达角可以分别为110°和270°。通过概括,BPX表示与对应的到达角配对的任何离开角的波束对,用索引X表示。可以通过计算每个位置在不同交通状况下的净接收功率来构建数据库。
表1.示例性多指纹数据库
这种关系可以由用于链路自适应的查找表来表示,使得可根据交通密度和位置来选择对应的指纹。例如,如果用户在位置L1并且基站(BS)估计交通密度为λ2,则BS可以选择波束{BP320,BP210,BP3,...}的指纹。BS与用户设备共享该信息,因此BS和用户设备调用波束搜索以标识用于所选择的指纹的可用波束对中的最佳波束对。该过程显著减少了波束对准所涉及的搜索空间。为了进一步降低搜索复杂性,可以设置RSS阈值,使得用户设备选择观察到的RSS值高于阈值的特定波束对。在选择波束对之后,用户设备将该信息转发到BS,从而消除对连续波束对的搜索。
尽管与基于单个指纹的波束对准相比,上述多指纹自适应方案可增强性能,但如果阈值(诸如在查找表的交通密度λ的给定位置L处的指纹中观察到的RSS)变得过时,则性能增益可变得有限。因此,获得完美的波束对准可能存在挑战。为了应对这一挑战,可以使用学习辅助的基于多指纹的波束对准。使用学习辅助方案可以消除对指纹选择的交通状况阈值(在表1中列举)的依赖。这是因为这些值可由于信道中的缺陷和损伤(诸如ADC/DAC中的问题)而变得过时。
神经网络可用于多个指纹之间的智能适应。使用神经网络可以降低复杂性并且提供卓越的性能。学习辅助方案可具有两个阶段:(i)训练阶段和(ii)测试阶段。在训练阶段,使用训练样本计算网络的权重向量,使得输入和输出是已知的。此过程被分类为监督学习技术,使得使用监督设计训练权重。训练权重可以离线计算,并且这些计算不会对系统施加实时开销。
图5A是示出根据一些实施方案的示例性神经网络模型的示意图。图5B是示出根据一些实施方案的示例性softmax前馈神经网络模型的示意图。如果隐藏层512、562的数量大于1,则神经网络被称为深度神经网络,如图5A和图5B所示,其中每个图的隐藏层数量为2。如图5A和图5B所示,训练样本被传递到输入层,并且权重被设计用于最小化误差,该误差是真实输出值和预测输出值之间的差。在图5A和图5B中,W1 508、558、W2 516、566和W3 522、572是权重,并且b1 510、560、b2 518、568和b3 524、574分别是从输入层502、552到隐藏层512、562中的每一个隐藏层到输出层526的偏差,使得W(p,q)表示节点p和节点q之间附接的权重。矩阵xi 504、554是网络的输入。矩阵ui和vi是网络节点处的神经元输入矩阵,其中i表示类别。对于图5A,y1 528和y2 530是神经网络输出。对于图5B,net1 576和net2 578是神经网络输出,而y1 582和y2 584是softmax函数580输出的输出概率586。
在学习辅助方案中,每个指纹对应一个类别。此外,每个隐藏层的输出由激活函数f()506、556、514、564、520、570(也称为分数函数)确定,其确定系统的性能。激活函数的选择可取决于分析的易处理性、计算复杂性和输出信号的类型。损失函数表征预测结果与训练样本中的真实结果之间的误差(损失)。
在学习辅助方案中,指纹(或类别)的选择可以由与每个指纹相关联的输出概率确定。可以选择具有高概率的指纹。因为该方案在输出处使用概率,所以指纹的选择可以解释为具有多个类别的逻辑回归,使得每个指纹构成一个类别。
图5B示出了用于激活(或分数)函数以生成输出概率的softmax函数。有时,所生成的神经网络被称为softmax神经网络。
图5A的每一层由激活函数分配分数。然而,由于处理特定结果的概率,因此线性权重在输出处通过softmax函数580转换为概率,如图5B所示,并且表示为等式13:
其中z是在计算输出概率之前层的分数向量,由等式14给出:
z=f(xi,W,b)=Wxi+b 等式14
在等式14中,W是层的权重矩阵,b是偏置向量,而xi是层的输入,如图5B所示。作为示例,考虑图5B,其中在输出层将softmax函数580应用于分数net1 576和net2 578,使用权重矩阵W3 572和偏置向量b3 574对其进行计算。需注意,softmax函数580仅用于输出层以生成输出概率586,而对于所有其他层,仅计算使用等式14获得的分数,如图5B所示。
在一个实施方案中,输入向量xi是保存位置、交通密度和RSS值的三维向量,而输出表示与每个指纹相关联的概率。换句话讲,输出采用[0 ··· 0 1 0 ···0]T的形式,其中1是与该特定指纹相关联的概率。可以根据纬度和经度值或相对于基站的角度和距离来指定位置参数。
最初从分布N(0,1)中随机选择权重矩阵,因此输出处的预测将是错误的。因此,为了改进给定交通密度和位置的指纹预测,引入损失函数,该损失函数是预测概率和与给定类别相关联的真实概率之间差的度量。换句话讲,通过考虑损失函数,优化权重矩阵以确保最小化损失。对于一些实施方案,基于误差反向传播来更新权重矩阵和偏置向量以减少损失函数。
更明确地,对于一些实施方案,最小化或至少减少真实概率分布和预测概率分布之间的差。该损失函数也可以解释为两个分布之间的Kullback-Leibler散度。因此,对于分布p和q,其表示为等式15:
DKL(p||q)=-∑sp(i)log10(q(i)) 等式15
其中在示例中,p(i)是正确类别i的概率,即p(i)=[0···1···0],而q是等式13中的函数。将等式13代入等式15后,生成等式16:
其中S是训练样本的数量。
在已定义交叉熵损失3之后,与正则化惩罚R(W)相关联的所有类别的总损失函数如等式17所示:
现在旨在通过计算关于权重矩阵W3的梯度和图5B的偏差b3来最小化等式17。为了实现这一点,计算每个类别的梯度,其权重现在是Wi 3并且偏置为bi 3,其中i表示类别。需注意,等式17中的zi是权重矩阵W3和偏置向量b3的函数。在一系列步骤后,关于Wi和bi的梯度为
因此,使用梯度下降生成
其中α为步长。类似地,权重矩阵W1和W2以及偏置向量b1和b2是通过使用等式18中的损失函数的梯度与相应的矩阵W和向量b获得的。该过程被称为误差反向传播。学习辅助的基于指纹的算法的示例伪代码如表2所示。网络的权重矩阵W和偏置向量b是离线计算的并且存储在存储器中。这整个过程在训练阶段进行。
表2示出了学习辅助的基于指纹的方法的伪代码。网络的权重矩阵W和偏置向量b可以离线计算并且存储在存储器中。这整个过程可以在训练阶段进行。
表2.用于学习辅助的基于指纹的方法的伪代码
离线训练权重过程:
·输入:每个训练位置的训练样本
·输出:指纹
·用随机值初始化矩阵W1、W2、W3
·循环直到等式18收敛:
ο使用等式14为具有指定权重的每一层计算f()的输出
ο使用等式13应用softmax函数以获得每个类别的概率
ο通过等式20获得权重矩阵,并且通过等式21获得偏置向量
ο执行误差反向传播
在线指纹计算过程:
·输入位置、车辆数量和目标RSS
·应用由离线训练权重过程确定的训练权重
·输出指纹
图6是示出根据一些实施方案的用于波束对准的示例性过程的消息时序图。图6示出了前面提到的实时测试阶段过程的示例。在初始接入期间,BS(例如,用于5G NR的gNB)602与用户通信(例如,使用较低频率),其中BS 602估计用户(或用户设备)的位置。对于一些实施方案,用户设备604可以使用初始访问来发送606位置信息。BS 602还具有指示其小区中的用户(车辆)的数量的信息608,该信息可用于估计车辆/交通密度(λ)。此外,用户设备604将其RSS阈值要求的信息转发到BS 602。以用户(车辆)的数量、RSS阈值和位置作为输入参数,BS 602使用softmax方法,在训练阶段计算权重和偏差。该方法用于预测每个类别(或每个指纹)的概率,并且BS 602选择具有最高概率的指纹。在选择指纹时,BS 602向用户(UE)604传送610波束对选项的集合。用户设备604可以发送612确认。BS 602可以在该组所选择的波束对上进行614波束搜索。对于一些实施方案,通过发射器选择给定波束(从与指纹相关联的波束对的发射波束)并且使用该波束进行发射来执行波束搜索。接收器执行在该波束上接收的信号的测量(使用来自与指纹相关联的给定波束对的相应接收波束)以查看波束对是否满足期望的质量。可针对集合中的一个或多个波束对重复该过程。如果接收器向发射器发送反馈以指示已标识可接受的波束对,则可以限制重复,可以这样做来减小搜索空间的大小。在波束搜索循环结束时,可以选择一个或多个波束(或一个或多个波束对索引)来将数据传输到接收器。对于一些实施方案,选择一个或多个波束可以使用多功能波束传输方案来完成。对于一些实施方案,标识波束对以与指纹相关联的初始波束搜索过程可用于粗略波束调谐,然后在最终波束选择(和后续操作)期间的波束搜索可包括使用基带处理和滤波进行进一步细化的进一步波束微调。对于一些实施方案,可以重复精细波束搜索直到达到给定的分辨率水平。对于一些实施方案,可以周期性地重复波束搜索。对于一些实施方案,如果发生触发事件,诸如用户设备的参数的改变(诸如由于UE移动或交通密度变化导致的输入参数变化)或另一个参数的改变(可以不是ANN的输入参数的一部分),诸如改变用所选择的一个或多个波束的集合为给定UE(接收器)服务的优先级,则可以重复波束搜索。用户604然后将满足其后处理RSS阈值的特定波束对索引传回618。图6中示出了说明方法的消息序列图。
多功能波束传输
图7是示出根据一些实施方案的示例性选择波束对以获得分集/复用增益的示意图。使用上述方案,多功能波束传输可以允许在波束搜索复杂性方面存在一些容差。多功能波束传输可用于提高光谱效率并且增强性能。此类方法可以使用存在满足RSS阈值的多个波束对的假设。如前所述,BS 702使用所选择的指纹进行波束搜索,使得用户设备选择满足目标RSS的特定波束对并且将特定波束对的索引传回BS。
相比之下,在多功能波束传输中,用户708以增加搜索复杂性为代价选择满足RSS阈值的若干波束对704、706,如图7所示。尽管增加了对连续波束对的波束搜索,但可存在没有附加波束对的情况。这些附加的波束对可用于实现分集和/或复用增益。可以使用的波束数量可受到RF链数量的限制。
图8是示出根据一些实施方案的空间分集和空间复用辅助方案的示例性位误差率的图。图8示出了对于使用在BS和接收器处有两个RF链的64×32元素MIMO方案,通过毫米波信道进行通信的不同传输方案806、808、810、812的平均BER 802相对于平均SNR 804的图。在图8的图中,两个空间流用于空间复用,而在针对分集时仅使用单个空间流。该图示出了面向分集的方案806、808比旨在获得更高数据速率的空间复用方案810、812执行得更好。
鉴于观察到的合格的波束对,BS-用户对可以根据每个波束中信道的性质使用链路适配。根据用户设备观察到的后处理SNR,BS可以使用分集或复用。如果信道处于深度衰落,则用户可以选择分集,并且可以选择以其他方式复用。此外,BS可以结合复用和分集辅助传输来调整(或针对一些实施方案优化)每个波束的功率分配。在常规的链路适配之后,达到10-3的目标BER的特定SNR阈值在图8中示出,每个方案都有垂直线。
在计算出瞬时后处理SNR之后,接收器通过将瞬时后处理SNR与预定义的阈值进行比较来确定传输方案类型和调制模式。例如,接收器可以将后处理SNR与图8的垂直线进行比较,并且将所请求的模式信息转发到BS。可以离线计算后处理SNR值并且将其存储在存储器中,使得接收器不必实时执行此类计算。
图9是示出根据一些实施方案的用于波束索引调制的示例性过程的示意图。如果用户观察到的满足目标RSS的波束对910的数量高于RF链902的数量,则BS可以对用户报告的波束对使用波束索引调制。波束索引调制通过在接收器处推断激活了哪个特定波束来实现额外的隐式信息的通信。图9示出了在一个实施方案中被配置为执行混合波束成形的示例性移相元件(和/或相位/增益电路)904、组合器电路/元件906和天线发射器908。
图9示出了BS用来增加数据速率的典型波束索引调制。满足目标RSS的波束对(Nb)910的数量高于RF链(NRF)902的数量。这类似于空间调制,其中天线索引携带此类信息。与空间调制的天线索引相比,学习辅助的方案可以使用波束索引来递送此类信息。因此,每个用户每信道每秒可传输的总位数如等式22所示:
位数=log2(M)+log2(Nb) 等式22除了在波束索引调制期间基于输入信号流针对传输选择的波束对之外,根据这些波束对中信道的性质,所选择的波束对也可以获得分集或复用增益。
用于表征性能的模拟结果显示在若干图中。表征了依赖于学习和基准的多指纹辅助的波束对准方案的性能。任何时间点的车辆数量均服从泊松分布~Poisson(λ),均值和方差均为λ。此外,车辆造成的阻塞是随机的,遵循分布u(0,Nv),其中Nv是具有泊松分布~Poisson(λ)的车辆数量。假设最大阻塞数量等于车辆数量。此外,从有关车辆尺寸的数据库中,车辆的高度遵循正态分布,平均值为μh,标准差为σh。表3示出了用于模拟的参数。神经网络使用两个隐藏层,每个隐藏层有20个节点,而输入层和输出层的节点数量为3。此外,在每个隐藏层中选择的激活函数为Tan-Sigmoid函数,而在输出层中为softmax函数。多指纹用于三种不同的交通密度。
表3.模拟参数
参数 | 值 |
P<sub>t</sub> | 20dBm |
N<sub>t</sub> | 32 |
N<sub>r</sub> | 8 |
G<sub>t</sub> | 10dBi |
G<sub>r</sub> | 5dBi |
Λ(28GHz) | 0.0107 |
车辆数量(Nv) | Poisson(λ) |
车辆高度(米) | N(150,8.6) |
阻塞 | rand(0,N<sub>v</sub>) |
d<sub>用户</sub>,d<sub>障碍物</sub> | rand() |
图10是示出根据一些实施方案的在四个位置处的示例性用户分布的图。图10示出了一个示例,其中BS 1012位于小区的中心。位置1处的车辆(1006)、位置2处的车辆(1008)和位置3处的车辆(1010)显示为距基站(BS)1012的归一化水平距离1002和竖直距离1004。此外,小区被划分为四个位置,并且每个位置具有其自身的指纹用于不同的交通密度。每个位置的车辆数量为泊松分布,而每个小区中车辆到基站的距离均匀分布。在图10中观察到,BS正在为位置2和位置3中的两个用户1014、1016提供服务,而用户附近的车辆被视为障碍物。
图11A是示出根据一些实施方案的用于三个指纹和三个车辆数量的第一示例性瞬时RSS值的图。图11A示出了当车辆数量为泊松分布时三个指纹1106、1108、1110的瞬时RSS值1102与交通密度(λ)1104的关系,如图10所示,具有5、20和45的平均值。图11A描绘了场景的RSS值,其中障碍物到连接发射器和接收器的线的高度差使得等式6的v小于-0.7,并且车辆衰减为零。信号的衰减是由于路径损失。然而,在图11A中观察到的波动是由于信道引入的衰落,这在等式11中得到了体现。
图11B是示出根据一些实施方案的用于三个指纹和三个车辆数量的第二示例性瞬时RSS值的图。图11B描绘了三个指纹1156、1158、1160的RSS值1152与交通密度(λ)1154,其中障碍物到连接发射器和接收器的线的高度差使得等式6的v大于-0.7。换句话讲,信号由于车辆和路径损耗而衰减,这从图中可以明显看出,其中散布在周围的点具有低至-125dB的RSS值。其物理意义是指纹中可用的一些波束对由于车辆障碍物而受到阻塞。在没有这些阻塞的情况下,图11B将显示与图11A中类似的行为,其中图11A和图11B均针对非自适应系统绘制。
图12是示出根据一些实施方案的在训练期间网络的交叉熵与历元数的示例性图的图。为了分析等式17中呈现的softmax神经网络的损失函数,图12示出了训练期间网络的交叉熵1202与历元数1204的关系。当每个数据样本都通过网络用于设计网络参数一次时,网络就被称为已达到“1历元”。历元可约等于数据集用于设计参数的次数。图12示出在约60历元之后达到网络的最佳性能。此外,验证误差轨迹1208仅略高于训练误差轨迹1206,这意味着所设计的神经网络权重确实能够在输入样本和输出样本之间的映射方面提供良好的拟合。图12可用于研究神经网络参数的设计情况。换句话讲,如果图12中的验证误差高,而训练误差低,这意味着网络过拟合,因此可以调整正则化参数;另一方面,如果验证误差和训练误差都高,这意味着欠拟合,因此可以调整神经元(节点)的数量。
图13是示出根据一些实施方案的针对使用具有学习和不具有学习的多个指纹的系统观察到的RSS的示例的图。图13示出了对于使用具有学习1306和不具有学习1308两者的多个指纹、对于单个指纹1310以及对于视线(LOS)1312传播的系统的RSS 1320与交通密度(λ)1304的关系。在基于LOS的波束对准中,可以将波束转向从位置获得的用户方向,而不考虑阻塞。
在此模拟中,将目标RSS设置为-82dBm。从图13可以看出,基于多指纹的波束对准提供了优越的性能,而基于单个指纹的波束对准和视线(LOS)的性能随着交通密度的增加而急剧下降。这是因为随着交通密度的增加,LOS阻塞的概率变高,从而导致低RSS。另一方面,针对给定交通密度设计并且对其他交通密度使用相同的指纹的基于单个指纹的波束对经历阻塞,因为适合一种设置的波束对不适合另一种设置。在模拟中,使用交通密度λ为5的指纹。此外,适用于该特定设置的期望的AoA-AoD对可能不存在于为另一设置构建的指纹中。因此,性能受到显著影响。相比之下,基于多指纹的设计提供了更好的性能;然而,可以看出,不具有学习的基于多个指纹的适配无法始终保持目标RSS。相反,由于环境变化带来的不断变化的信道统计数据,它在目标RSS周围徘徊。因此,在基于多指纹的设计中采用学习将智能地适应随时间变化的环境,使其始终满足目标RSS,如图13所示。
图14是示出根据一些实施方案的在所选择的指纹中适配之后的每个波束对上的示例性平均RSS值的图。图14示出了适配1402之后所选择的指纹中所有波束对的平均RSS值与交通密度(λ)1404的关系。更明确地,图14是在给定指纹内观察到的总平均接收功率的度量,如果发射功率在指纹中的波束对之间被平均分配,则它是在后处理之后观察到的功率。选择该度量的原理是研究当每个波束中的发射功率恒定时平均RSS功率对所有波束对的影响。图14示出使用学习1408选择的指纹与完美的波束对准1406类似地执行,其中执行穷举波束扫描,而不具有学习1410的指纹适配与完美的波束对准1406明显不同。物理意义在于接收器能够从学习算法所预测的所有方向捕获信号。换句话讲,学习准确地预测了由最大可能数量的波束对组成的指纹以实现成功的链路连接,这在平均RSS中也能观察到。另一方面,由于指纹的选择不良,即选择与错误的波束对相关联的指纹时,具有学习的指纹选择分配被显著影响,如图14所示。更详细地说,所选择的指纹不包含用于成功传输的波束对,这意味着分配给这些波束对的传输功率经历阻塞或经历深度衰落,从而导致用户处的低平均RSS值。重要的是强调设计在显著降低搜索复杂性的情况下实现了完美的波束对准性能。
图15A是示出根据一些实施方案的指纹相对于交通密度的示例性概率分布函数的图。图15B是示出根据一些实施方案的指纹相对于交通密度的示例性概率分布函数的图。图15A和图15B示出了指纹的概率分布函数(PDF)1502、1552与交通密度1504、1554的关系。在图15A中,当车辆数量或交通密度增加时,指纹1(1506)的PDF开始逐渐下降,而指纹2(1508)单调增加。类似地,当交通密度进一步增加时,指纹2(1508)的PDF下降,并且指纹3(1510)的PDF开始增加。这意味着指纹中提供成功对准的波束对的集合开始下降,因为交通密度增加导致阻塞增加。因此,选择具有适合于该环境的波束对的指纹以用于成功传输。例如,当考虑5至20之间的交通密度范围时,指纹1(1506)的PDF下降,因为每当其中的波束集合由于车辆密度增加而被阻挡时,它借助在训练阶段开发的学习模型选择指纹2(1508),因为它为链路连接提供了另选波束对。图15B示出了当放弃学习时指纹1556、1158、1560的PDF。在图15B中,从一个指纹切换到另一指纹与图15A中观察到的不同,因为切换仅基于查找表来决定,由于信道的时变特性,查找表可能已经过时。
图16是示出根据一些实施方案的在接收器处的从所选择的指纹中选择的波束对中观察到的示例性平均RSS的图。图16和图14的区别在于,图14是在所选择的指纹的所有波束对中观察到的平均RSS。图16描绘了具有和不具有学习时的RSS 1602与交通密度1604的两个v值(对于不同的车辆高度),从而导致四个轨迹1606、1608、1610、1612。在此研究中,目标RSS被设置为-82dB。对于v的两种情况,学习辅助设计执行为比目标RSS高约1dB。相比之下,依赖于查找表的设计则受到很大影响,尤其是在10至15和30至40之间的交通密度区域。这种性能类似于常规的链路适配设计的性能。
图17是示出根据一些实施方案的交通密度、SNR和每信道单元位数的示例性关系的3D图。图17示出了在具有学习1708和不具有学习1710的情况下,位速率1702、SNR1704和交通密度1706的3D轨迹。如图17中所见,不具有学习1710的速率(bpcu)1702低于学习辅助的波束对准1708的速率,而具有学习1708的设计提供~2bpcu的最大速率,而与车辆密度1706无关。这是因为不具有学习1710的设计依赖于查找表的阈值,该查找表在10至15和30至40之间的交通密度区域经历阻塞。
复杂性
在本节中,将讨论所呈现的设计的复杂性。概念上简单的波束扫描技术在波束搜索期间具有相当大的复杂性。考虑以角度Θd∈(0,360°)离开发射器的信号,接收器以角度Θd∈(0,360°)接收该信号。假设信号射线的半功率波束宽度(HPBW)为β。然后,基于波束扫描的波束对准必须对波束对组合执行穷举搜索。另一方面,基于指纹的波束对准的复杂性要低得多,因为波束对的数量显著减少。需注意,所提出的设计的复杂性主要出现在以离线方式进行的学习阶段。换句话讲,图5B的权重在BS与用户之间的任何通信之前设计,然后被存储在存储器中,其在网络的两个层之间的存储复杂性为约其中ni和nj分别是层i和j之间的神经元(或节点)的数量。在神经网络的训练阶段,存储了足够多数量的训练样本。在模拟中使用约1000个训练样本。一旦确定了训练权重,就可以丢弃训练样本,因为在测试阶段仅使用训练权重。
复杂性取决于设计在实时应用权重时执行的计算数量。为了进一步阐述,考虑图5B,并且假设每个隐藏层中有ni=nj=n个神经元,而输入向量xi也具有n个维度。然后用于h个隐藏层的计算总数(加法和乘法)为约此外,任何学习算法的复杂性都取决于输入维数(输入向量xi在机器学习中被称为特征集),然而,在该设计中仅是三维的。
鉴于不断变化的交通密度,提出了一种基于多指纹的数据库,该数据库借助学习在不同指纹之间智能地适应。此外,作为所提出的设计的扩展,提出了应用程序来提高频谱效率以及多功能波束传输的性能,其中满足所需接收信号强度的波束对参与提高频谱效率。具有基于多个指纹的波束对准可以提供优于基于单个指纹的波束对准的性能。此外,示出了学习辅助的多指纹设计比采用多指纹但放弃学习的方案提供了更好的保真度。另外,所提出的学习辅助的波束对准设计与基于波束扫描的波束对准类似地执行,其中以降低的搜索复杂性执行穷举波束搜索。更明确地,我们的设计能够在密集的车辆环境中保持目标RSS,而基于单个指纹和视线(LOS)的波束对准经历阻塞。
图18是示出根据一些实施方案的用于确定提供期望的RSS的波束对的示例性过程的流程图。对于一些实施方案,示例性过程1800可包括获得1802输入数据,该输入数据包括用户设备位置、用户设备的数量和期望的接收信号强度。对于一些实施方案,示例性过程1800还可包括用具有从训练阶段确定的权重的神经网络处理1804输入数据以生成一个或多个波束对索引的集合。对于一些实施方案,示例性过程1800还可包括对波束对索引的集合的至少一个子集执行1806波束搜索。对于一些实施方案,示例性过程1800还可包括从用户设备接收1808提供期望的接收信号强度(RSS)的至少一个波束对索引。
根据一些实施方案的示例性方法可包括:获得包括用户设备位置、用户设备的数量和期望的接收信号强度的输入数据;用具有从训练阶段确定的权重的神经网络处理输入数据,以生成一个或多个波束对索引的集合;对波束对索引的集合的至少一个子集执行波束搜索;以及从用户设备接收提供期望的接收信号强度的至少一个波束对索引。
对于示例性方法的一些实施方案,可以使用带外信令信道将用户设备位置从用户设备传送到基站。
对于示例性方法的一些实施方案,基站可以根据车辆密度已知用户设备的数量。
对于示例性方法的一些实施方案,可以使用softmax算法进一步生成一个或多个波束对索引的集合。
对于示例性方法的一些实施方案,softmax算法可以生成与波束对索引的集合相关联的概率。
对于示例性方法的一些实施方案,一个或多个波束对索引的集合可以在训练阶段期间存储在数据库中。
对于示例性方法的一些实施方案,训练阶段可包括:获得每个训练位置的训练样本;将权重向量初始化为随机值;以及迭代地执行以下步骤,直到达到收敛度量阈值:使用相应的权重向量来计算每一层的神经元输出;应用softmax函数来获得类别概率;计算权重矩阵和偏置向量;以及执行误差反向传播。
根据一些实施方案的附加示例性方法可包括:基于初始网络接入过程从用户设备获得位置信息;使用神经网络处理位置信息以生成具有相关联的波束对的集合的指纹输出;并且使用波束对的集合进行波束训练。
附加示例性方法的一些实施方案还可包括基于波束对的集合向用户设备通知候选波束对。
对于附加示例性方法的一些实施方案,候选波束对可以为相关联的波束对的子集。
根据一些实施方案的示例性方法/装置可包括:在基站处使特定于位置的波束对指纹适应交通状况;以及使用波束对指纹进行波束训练。
根据一些实施方案的示例性方法可包括:获得包括用户设备位置、用户设备(UE)的数量和期望的接收信号强度的输入数据;用具有从训练阶段确定的权重的神经网络处理输入数据,以生成一个或多个波束对索引的集合;对波束对索引的集合的至少一个子集执行波束搜索;以及从用户设备接收提供期望的接收信号强度的至少一个波束对索引。
对于示例性方法的一些实施方案,可以使用带外信令信道将用户设备位置从用户设备传送到基站。
对于示例性方法的一些实施方案,基站可以根据车辆密度已知UE的数量。
对于示例性方法的一些实施方案,可以使用softmax算法进一步生成一个或多个波束对索引的集合。
对于示例性方法的一些实施方案,softmax算法可以生成与波束对索引的集合相关联的概率。
对于示例性方法的一些实施方案,一个或多个波束对索引的集合可以在训练阶段期间存储在数据库中。
对于示例性方法的一些实施方案,训练阶段可包括:获得每个训练位置的训练样本;将权重向量初始化为随机值;以及迭代地执行以下步骤,直到达到收敛度量阈值:使用相应的权重向量来计算每一层的神经元输出;应用softmax函数来获得类别概率;计算权重矩阵和偏置向量;以及执行误差反向传播。
对于示例性方法的一些实施方案,用神经网络处理输入数据可包括:获得在用户设备位置处的不同交通状况的多个指纹;以及使用与softmax分类器耦合的神经网络,基于用户设备位置处的交通状况来选择多个指纹中的一个指纹,其中选择多个指纹中的一个指纹可以生成一个或多个波束对索引的集合,并且使用神经网络可以使用从训练阶段确定的权重。
对于示例性方法的一些实施方案,交通状况可包括用户设备位置处的UE的数量。
对于示例性方法的一些实施方案,神经网络可以为深度学习前馈神经网络。
对于示例性方法的一些实施方案,执行波束搜索可包括:向用户设备发送包括一个或多个波束对索引的集合的指纹信息;以及至少在波束对索引的集合的子集上执行波束训练过程以从一个或多个波束对索引的集合中选择满足期望的接收信号强度的所选择的波束对。
示例性方法的一些实施方案还可包括:获得至少一个训练位置的训练样本;将权重向量初始化为随机值;以及迭代地执行以下步骤,直到达到收敛度量阈值:使用相应的权重向量来计算神经网络的至少一层的神经元输出;将softmax函数应用于神经网络的输出层以获得类别概率;更新权重矩阵和偏置向量;以及执行误差反向传播。
示例性方法的一些实施方案还可包括确定预测的类别概率和真实类别概率之间的损失函数,其中如果损失函数小于收敛度量阈值,则达到收敛度量阈值。
示例性方法的一些实施方案还可包括从波束对索引的集合中选择至少一个波束对索引以用于将数据传输到接收器。
对于示例性方法的一些实施方案,选择至少一个波束对索引可包括使用多功能波束传输方案。
对于示例性方法的一些实施方案,选择至少一个波束对索引可以被周期性地重复。
对于示例性方法的一些实施方案,可以在触发事件时执行选择至少一个波束对索引,并且触发事件可以是检测到用户设备的参数的变化。
根据一些实施方案的示例性装置可包括:处理器;以及非暂态计算机可读介质,该非暂态计算机可读介质存储指令,这些指令在由处理器执行时可操作以执行示例性方法的任何一个实施方案。
根据一些实施方案的附加示例性方法可包括:基于初始网络接入过程从用户设备获得位置信息;使用神经网络处理位置信息以生成具有相关联的波束对的集合的指纹输出;以及使用波束对的集合进行波束训练。
附加示例性方法的一些实施方案还可包括基于波束对的集合向用户设备通知候选波束对。
对于附加示例性方法的一些实施方案,候选波束对可以为相关联的波束对的子集。
根据一些实施方案的附加示例性装置可包括:处理器;以及非暂态计算机可读介质,该非暂态计算机可读介质存储指令,这些指令在由处理器执行时可操作以执行附加示例性方法的任何一个实施方案。
根据一些实施方案的另外的示例性方法可包括:在基站处使特定于位置的波束对指纹适应交通状况;以及使用波束对指纹进行波束训练。
根据一些实施方案的另一个示例性装置可包括:处理器;以及非暂态计算机可读介质,该非暂态计算机可读介质存储指令,这些指令在由处理器执行时可操作以进行以下操作:在基站处使特定于位置的波束对指纹适应交通状况;以及使用波束对指纹进行波束训练。
根据一些实施方案的另一附加示例性方法可包括:获得包括用户设备(UE)位置、UE的交通密度和接收信号强度(RSS)阈值的输入数据;用具有从训练阶段确定的权重的神经网络处理用户设备的信息,以生成一个或多个波束对索引的集合;向用户设备传送一个或多个波束对索引的集合;向用户设备传送使用一个或多个波束对索引的集合进行波束训练的指示;以及从用户设备接收满足RSS阈值的至少一个波束对索引。
根据一些实施方案的另一个附加示例性装置可包括:处理器;以及非暂态计算机可读介质,该非暂态计算机可读介质存储指令,这些指令在由处理器执行时可操作以进行以下操作:获得包括用户设备(UE)位置、UE的交通密度和接收信号强度(RSS)阈值的输入数据;用具有从训练阶段确定的权重的神经网络处理用户设备的信息,以生成一个或多个波束对索引的集合;向用户设备传送一个或多个波束对索引的集合;向用户设备传送使用一个或多个波束对索引的集合进行波束训练的指示;以及从用户设备接收满足RSS阈值的至少一个波束对索引。
需注意,所描述的实施方案中的一个或多个实施方案的各种硬件元件被称为进行(即,执行、实行等)本文结合相应模块所描述的各种功能的“模块”。如本文所用,模块包括相关领域的技术人员认为适合于给定具体实施的硬件(例如,一个或多个处理器、一个或多个微处理器、一个或多个微控制器、一个或多个微芯片、一个或多个专用集成电路(ASIC)、一个或多个现场可编程门阵列(FPGA)、一个或多个存储器设备)。每个所述的模块还可包括用于执行被描述为由相应模块执行的一个或多个功能的可执行指令,并且需注意,这些指令可采取以下指令的形式或包括以下指令:硬件(即,硬连线)指令、固件指令、软件指令等,并且可被存储在任何合适的一个或多个非暂态计算机可读介质(诸如通常称为RAM、ROM等)中。
尽管上文以特定组合描述了特征和元件,但是本领域的普通技术人员将理解,每个特征或元件可单独使用或以与其他特征和元件的任何组合来使用。另外,本文所述的方法可在结合于计算机可读介质中以供计算机或处理器执行的计算机程序、软件或固件中实现。计算机可读存储介质的示例包括但不限于只读存储器(ROM)、随机存取存储器(RAM)、寄存器、高速缓存存储器、半导体存储器设备、磁介质(诸如内置硬盘和可移动磁盘)、磁光介质和光介质(诸如CD-ROM磁盘和数字通用光盘(DVD))。与软件相关联的处理器可用于实现用于WTRU、UE、终端、基站、RNC或任何主计算机的射频收发器。
Claims (26)
1.一种方法,包括:
获得包括用户设备位置、用户设备(UE)的数量和期望的接收信号强度的输入数据;
用具有从训练阶段确定的权重的神经网络处理所述输入数据,以生成一个或多个波束对索引的集合;
对所述波束对索引的集合的至少一个子集执行波束搜索;以及
从用户设备接收提供所述期望的接收信号强度的至少一个波束对索引。
2.根据权利要求1所述的方法,其中使用带外信令信道将所述用户设备位置从用户设备传送到基站。
3.根据权利要求1至2中任一项所述的方法,其中基站根据车辆密度已知所述UE的数量。
4.根据权利要求1至3中任一项所述的方法,其中使用softmax算法进一步生成所述一个或多个波束对索引的集合。
5.根据权利要求4所述的方法,其中所述softmax算法生成与波束对索引的集合相关联的概率。
6.根据权利要求1至5中任一项所述的方法,其中所述一个或多个波束对索引的集合在训练阶段期间存储在数据库中。
7.根据权利要求6所述的方法,其中所述训练阶段包括:
获得每个训练位置的训练样本;
将权重向量初始化为随机值;以及
迭代地执行以下步骤,直到达到收敛度量阈值:
使用相应的权重向量来计算每一层的神经元输出;
应用softmax函数来获得类别概率;
计算权重矩阵和偏置向量;以及
执行误差反向传播。
8.根据权利要求1所述的方法,
其中用所述神经网络处理所述输入数据包括:
获得在所述用户设备位置处的不同交通状况的多个指纹;以及
使用与softmax分类器耦合的所述神经网络,以基于所述用户设备位置处的交通状况来选择所述多个指纹中的一个指纹,
其中选择所述多个指纹中的一个指纹生成所述一个或多个波束对索引的集合,并且
其中使用所述神经网络使用从所述训练阶段确定的所述权重。
9.根据权利要求8所述的方法,其中所述交通状况包括在所述用户设备位置处的所述UE的数量。
10.根据权利要求8所述的方法,其中所述神经网络为深度学习前馈神经网络。
11.根据权利要求1至10中任一项所述的方法,其中执行所述波束搜索包括:
向所述用户设备发送包括所述一个或多个波束对索引的集合的指纹信息;以及
至少在所述波束对索引的集合的所述子集上执行波束训练过程以从所述一个或多个波束对索引的集合中选择满足所述期望的接收信号强度的所选择的波束对。
12.根据权利要求1至11中任一项所述的方法,还包括:
获得至少一个训练位置的训练样本;
将权重向量初始化为随机值;以及
迭代地执行以下步骤,直到达到收敛度量阈值:
使用所述相应的权重向量来计算所述神经网络的至少一层的神经元输出;
将softmax函数应用于所述神经网络的输出层以获得类别概率;
更新权重矩阵和偏置向量;以及
执行误差反向传播。
13.根据权利要求12所述的方法,还包括:
确定预测的类别概率和真实类别概率之间的损失函数,
其中如果所述损失函数小于所述收敛度量阈值,则达到所述收敛度量阈值。
14.根据权利要求1至13中任一项所述的方法,还包括从所述波束对索引的集合中选择至少一个波束对索引以用于将数据传输到接收器。
15.根据权利要求14所述的方法,其中选择所述至少一个波束对索引包括使用多功能波束传输方案。
16.根据权利要求14至15中任一项所述的方法,其中选择所述至少一个波束对索引被周期性地重复。
17.根据权利要求14至15中任一项所述的方法,
其中在检测到触发事件时执行选择所述至少一个波束对索引,并且
其中所述触发事件是所述用户设备的参数变化。
18.一种装置,包括:
处理器;以及
非暂态计算机可读介质,所述非暂态计算机可读介质存储指令,所述指令在由所述处理器执行时可操作以执行根据权利要求1至17中所述的任一项。
19.一种方法,包括:
基于初始网络接入过程从用户设备获得位置信息;
使用神经网络处理所述位置信息以生成具有相关联的波束对的集合的指纹输出;以及
使用所述波束对的集合进行波束训练。
20.根据权利要求19所述的方法,还包括基于所述波束对的集合向用户设备通知候选波束对。
21.根据权利要求20所述的方法,其中所述候选波束对是所述相关联的波束对的子集。
22.一种装置,包括:
处理器;以及
非暂态计算机可读介质,所述非暂态计算机可读介质存储指令,所述指令在由所述处理器执行时可操作以执行根据权利要求19至21中所述的任一项。
23.一种方法,包括:
在基站处使特定于位置的波束对指纹适应交通状况;以及
使用所述波束对指纹进行波束训练。
24.一种装置,包括:
处理器;以及
非暂态计算机可读介质,所述非暂态计算机可读介质存储指令,所述指令在由所述处理器执行时可操作以执行以下操作:
在基站处使特定于位置的波束对指纹适应交通状况;以及
使用所述波束对指纹进行波束训练。
25.一种方法,包括:
获得包括用户设备(UE)位置、UE的交通密度和接收信号强度(RSS)阈值的输入数据;
用具有从训练阶段确定的权重的神经网络处理所述用户设备的所述信息,以生成一个或多个波束对索引的集合;
向所述用户设备传送所述一个或多个波束对索引的集合;
向所述用户设备传送使用所述一个或多个波束对索引的集合进行波束训练的指示;以及
从所述用户设备接收满足所述RSS阈值的至少一个波束对索引。
26.一种装置,包括:
处理器;以及
非暂态计算机可读介质,所述非暂态计算机可读介质存储指令,所述指令在由所述处理器执行时可操作以执行以下操作:
获得包括用户设备(UE)位置、UE的交通密度和接收信号强度(RSS)阈值的输入数据;
用具有从训练阶段确定的权重的神经网络处理所述用户设备的所述信息,以生成一个或多个波束对索引的集合;
向所述用户设备传送所述一个或多个波束对索引的集合;
向所述用户设备传送使用所述一个或多个波束对索引的集合进行波束训练的指示;以及
从所述用户设备接收满足所述RSS阈值的至少一个波束对索引。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962894666P | 2019-08-30 | 2019-08-30 | |
US62/894,666 | 2019-08-30 | ||
PCT/US2020/048475 WO2021041859A1 (en) | 2019-08-30 | 2020-08-28 | Deep learning aided fingerprint based beam alignment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114503452A true CN114503452A (zh) | 2022-05-13 |
Family
ID=72433082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080068833.5A Pending CN114503452A (zh) | 2019-08-30 | 2020-08-28 | 深度学习辅助的基于指纹的波束对准 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220321192A1 (zh) |
EP (1) | EP4022790A1 (zh) |
CN (1) | CN114503452A (zh) |
WO (1) | WO2021041859A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925659A (zh) * | 2022-05-18 | 2022-08-19 | 电子科技大学 | 动态宽度最大化解码方法、文本生成方法及存储介质 |
US20230170976A1 (en) * | 2021-11-30 | 2023-06-01 | Qualcomm Incorporated | Beam selection and codebook learning based on xr perception |
CN117930136A (zh) * | 2024-03-21 | 2024-04-26 | 广东海洋大学 | 基于自适应复值归零神经动力学的多移动声源定位方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI794920B (zh) * | 2021-08-05 | 2023-03-01 | 國立陽明交通大學 | 基地臺與用戶設備進行連繫的方法 |
EP4181414A1 (en) * | 2021-11-12 | 2023-05-17 | Nokia Technologies Oy | Selecting positioning beams for downlink positioning |
WO2023164291A1 (en) * | 2022-02-28 | 2023-08-31 | Interdigital Patent Holdings, Inc. | Mmwave cell discovery in ultra-dense networks |
WO2023208363A1 (en) * | 2022-04-29 | 2023-11-02 | Nokia Technologies Oy | Beam alignment for wireless networks based on pre-trained machine learning model and angle of arrival |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10581502B2 (en) * | 2017-06-29 | 2020-03-03 | Telefonaktiebolaget Lm Ericsson (Publ) | First radio node and methods therein for adjusting a set of beams for communication in a wireless communications network |
JP7263353B2 (ja) * | 2017-12-30 | 2023-04-24 | インテル コーポレイション | ハンドオーバー関連技術、装置及び方法 |
US10616774B2 (en) * | 2018-02-09 | 2020-04-07 | Futurewei Technologies, Inc. | Method and device for communications in millimeter-wave networks |
-
2020
- 2020-08-28 CN CN202080068833.5A patent/CN114503452A/zh active Pending
- 2020-08-28 WO PCT/US2020/048475 patent/WO2021041859A1/en unknown
- 2020-08-28 US US17/638,317 patent/US20220321192A1/en active Pending
- 2020-08-28 EP EP20768829.2A patent/EP4022790A1/en active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230170976A1 (en) * | 2021-11-30 | 2023-06-01 | Qualcomm Incorporated | Beam selection and codebook learning based on xr perception |
CN114925659A (zh) * | 2022-05-18 | 2022-08-19 | 电子科技大学 | 动态宽度最大化解码方法、文本生成方法及存储介质 |
CN117930136A (zh) * | 2024-03-21 | 2024-04-26 | 广东海洋大学 | 基于自适应复值归零神经动力学的多移动声源定位方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220321192A1 (en) | 2022-10-06 |
EP4022790A1 (en) | 2022-07-06 |
WO2021041859A1 (en) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11336319B2 (en) | Radiation exposure control for beamforming technologies | |
CN114503452A (zh) | 深度学习辅助的基于指纹的波束对准 | |
WO2021041862A1 (en) | Deep learning aided mmwave mimo blind detection schemes | |
US11296772B2 (en) | Methods and devices for transmit beamsweeping with payload data | |
US11729757B2 (en) | Power level determination for transmission of reference signals | |
JP7225205B2 (ja) | ビーム選択を示すためのスケーラブルプロセス | |
WO2022040907A1 (en) | Uplink beam determination techniques for single frequency network communications | |
WO2022073161A1 (en) | Transmitting synchronization signal block via reconfigurable intelligent surfaces | |
US20210127382A1 (en) | Coordinated link adaptation and packet scheduling in dynamic spectrum sharing | |
US11750420B2 (en) | Tone placement for reference signal optimization | |
US11601245B2 (en) | Techniques for improving angle-based positioning procedures in ultra-wide bandwidth systems | |
JP2023548075A (ja) | バックトラッキングとディザリングとを用いたビーム管理 | |
WO2022077162A1 (en) | Srs power control methods for channel estimation of reconfigurable intelligent surface link | |
US11728925B2 (en) | Determining overlay codes for transmission of reference signals | |
WO2024065810A1 (en) | Method for uplink sounding reference signal precoder selection for interference suppression | |
WO2023279226A1 (en) | Channel estimation based beam determination in holographic multiple-in multiple-out system | |
WO2023102871A1 (en) | Beam acquisition for a reconfigurable intelligent surface | |
US11764886B2 (en) | Antenna panel selection for interference mitigation at a multi-panel device | |
WO2024074068A1 (en) | Waveform design for integrated sensing and communication system | |
WO2023070241A1 (en) | Techniques for configuring communications associated with reconfigurable intelligent surfaces | |
US20230254837A1 (en) | Proactive communication of hybrid beamforming parameters between devices | |
WO2023159452A1 (en) | Reconfigurable intelligent surface-assisted access using uplink signatures | |
US20230319670A1 (en) | Techniques for sensor-assisted cell search management | |
WO2023070485A1 (en) | Orbital angular momentum communication with variable antenna number | |
US20240015538A1 (en) | Beam measurement reporting for spatially offset beams |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230411 Address after: Delaware Applicant after: INTERDIGITAL PATENT HOLDINGS, Inc. Address before: Delaware Applicant before: IDAC HOLDINGS, Inc. |