CN114514729A - 在无线通信系统中使用人工智能收发信号的方法和装置 - Google Patents

在无线通信系统中使用人工智能收发信号的方法和装置 Download PDF

Info

Publication number
CN114514729A
CN114514729A CN202080070869.7A CN202080070869A CN114514729A CN 114514729 A CN114514729 A CN 114514729A CN 202080070869 A CN202080070869 A CN 202080070869A CN 114514729 A CN114514729 A CN 114514729A
Authority
CN
China
Prior art keywords
neural network
information
weights
network model
updating
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
Application number
CN202080070869.7A
Other languages
English (en)
Inventor
李承铉
李晓镇
金汉镇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN114514729A publication Critical patent/CN114514729A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04B7/0413—MIMO systems
    • H04B7/0417—Feedback systems
    • 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
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0623—Auxiliary parameters, e.g. power control [PCB] or not acknowledged commands [NACK], used as feedback information
    • 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
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
    • H04L5/0055—Physical resource allocation for ACK/NACK

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开涉及用于支持超过诸如长期演进(LTE)的4G通信系统的更高数据速率的5G通信系统或6G通信系统。提供了一种移动通信系统中由用户设备(UE)发送或接收信号的方法。该方法可以包括：识别用于向基站(BS)发送第一信息的神经网络模型；使用第一信息学习神经网络模型的连接权重；基于学习的结果，向基站发送用于更新与基站相对应的第二部分神经网络的权重的第二信息；以及基于学习的结果，更新与UE相对应的第一部分神经网络的权重。

Description

在无线通信系统中使用人工智能收发信号的方法和装置
技术领域
本公开涉及一种在无线通信系统中使用深度学习和人工智能来发送或接收包括信道信息的信号的方法和装置。
背景技术
考虑到无线通信一代又一代的发展，已经主要针对以人为目标的服务开发了诸如语音呼叫、多媒体服务和数据服务的技术。随着5G(第五代)通信系统的商业化，预计互连设备的数量将呈指数级增长。这些设备将越来越多地连接到通信网络。物联网的示例可以包括车辆、机器人、无人机、家用电器、显示器、连接到各种基础设施的智能传感器、建筑机械和工厂仪器。移动设备预计会以各种形式(诸如增强现实眼镜、虚拟现实耳机和全息设备)演进。为了在6G(第六代)时代通过连接数千亿个设备和事物来提供各种服务，一直在努力开发改进的6G通信系统。出于这些原因，6G通信系统被称为超5G系统。
预计在2030年左右商业化的6G通信系统将具有太(1000千兆)级(tera-level)bps的峰值数据速率和小于100μs的无线电延迟，因此将比5G通信系统快50倍，并且具有5G通信系统1/10的无线电延迟。
为了实现这样的高数据速率和超低延迟，已经考虑了在太赫兹频带(例如，95GHz至3THz频带)中实现6G通信系统。预计，由于太赫兹频带中的路径损耗和大气吸收比5G中引入的毫米波(mmWave)频带中的路径损耗和大气吸收更严重，因此能够确保信号传输距离(即，覆盖范围)的技术将变得更加关键。作为确保覆盖范围的主要技术，有必要开发具有比正交频分复用(OFDM)、波束成形和大规模多输入多输出(MIMO)、全维MIMO(FD-MIMO)、阵列天线和诸如大规模天线的多天线传输技术更好的覆盖范围的射频(RF)元件、天线、新型波形。此外，一直在讨论改进太赫兹频带信号覆盖范围的新技术，诸如基于超材料的透镜和天线、轨道角动量(OAM)和可重构智能表面(RIS)。
此外，为了提高频谱效率和整体网络性能，已经为6G通信系统开发了以下技术：用于使得上行链路传输和下行链路传输能够同时使用相同频率资源的全双工技术；以集成方式利用卫星、高空平台站(HAPS)等的网络技术；用于支持移动基站等，并实现网络操作优化和自动化的改进的网络结构；经由基于频谱使用预测的冲突避免的动态频谱共享技术；在无线通信中使用人工智能(AI)，以通过从开发6G的设计阶段利用AI并内部化端到端AI支持功能来改进整体网络操作；以及通过网络上可达的超高性能通信和计算资源(诸如移动边缘计算(MEC)、云等)来克服UE计算能力限制的下一代分布式计算技术。此外，通过设计将在6G通信系统中使用的新协议、开发用于实现基于硬件的安全环境和数据的安全使用的机制、以及开发用于维护隐私的技术，正在继续尝试加强设备之间的连接性、优化网络、促进网络实体的软件化以及增加无线通信的开放性。
预计对超连接下的6G通信系统的研究和开发(包括人对机器(P2M)和机器对机器(M2M))将带来下一次超连接的体验。特别地，预计通过6G通信系统来提供诸如真正沉浸式扩展现实(XR)、高保真移动全息图和数字复制品的服务。此外，诸如用于安全性和可靠性增强的远程手术、工业自动化和应急响应的服务将通过6G通信系统来提供，使得这些技术可以被应用于诸如工业、医疗保健、汽车和家用电器的各种领域。
结合通信系统中用户设备(UE)和基站(BS)之间的通信，正在进行使用人工神经网络的信号发送或接收方法的研究。
以上信息仅作为背景信息呈现，以帮助理解本公开。关于上述任何一个是否可以作为现有技术应用于本公开，没有做出确定，也没有做出断言。
发明内容
技术问题
本公开的一个方面是提供一种通信系统中用于在用户设备(UE)和基站(BS)之间执行的通信期间，使用有限数量的比特来准确地发送或接收信息的方法和装置。
问题的解决方案
根据本公开的一个方面，一种移动通信系统中由用户设备(UE)发送或接收信号的方法可以包括：识别用于向基站(BS)发送第一信息的神经网络模型；使用第一信息，学习神经网络模型的连接权重；基于学习的结果，向基站发送用于更新与基站相对应的第二部分神经网络的权重的第二信息；以及基于学习的结果，更新与UE相对应的第一部分神经网络的权重。
根据本公开的一个方面，一种移动通信系统中由BS发送或接收信号的方法可以包括：识别用于从UE接收第一信息的神经网络模型；从UE接收用于更新与BS相对应的第二部分神经网络的权重的第二信息；以及基于第二信息，更新第二部分神经网络的权重。
根据本公开的一个方面，一种移动通信系统中发送或接收信号的UE可以包括：被配置为发送或接收信号的收发器；以及控制器，其被配置为：识别用于向BS发送第一信息的神经网络模型，使用第一信息学习神经网络模型的连接权重，基于学习的结果向BS发送用于更新与BS相对应的第二部分神经网络的权重的第二信息，并且基于学习的结果更新与UE相对应的第一部分神经网络的权重。
根据本公开的一个方面，一种移动通信系统中发送或接收信号的BS可以包括：被配置为发送或接收信号的收发器；以及控制器，其被配置为：识别用于从UE接收第一信息的神经网络模型，从UE接收用于更新与BS相对应的第二部分神经网络的权重的第二信息，并且基于第二信息更新第二部分神经网络的权重。
发明的有益效果
根据各种实施例，可以使用有限数量的比特经由人工神经网络来准确地传递要发送或接收的信息。
根据各种实施例，可以减轻人工神经网络的性能恶化，并且可以减少与学习相关联的开销。
附图说明
为了更完整地理解本公开及其优点，现在结合附图参考以下描述，其中相同的附图标记表示相同的部分，其中：
图1示出了说明LTE系统中作为发送数据或控制信道的无线电资源区域的时间-频率域的基本结构的图；
图2示出了说明作为在其上发送LTE的DCI的物理下行链路信道的PDCCH的图；
图3示出了说明为可在5G中使用的下行链路控制信道配置的时间和频率资源的基本单元的示例的图；
图4示出了说明5G无线通信系统中、其中发送下行链路控制信道的控制区域(控制资源集(CORESET))的示例的图；
图5示出了说明其中14个OFDM符号被配置为用作下行链路中的单个时隙(或子帧)、在前两个OFDM符号中发送PDCCH、在第三个符号中发送DMRS的情况的图；
图6示出了根据实施例的自动编码器的配置；
图7示出了说明根据实施例的基于自动编码器的下行链路信道反馈方案700的图；
图8示出了说明根据第一实施例的用户设备(UE)和基站(BS)的操作的框图；
图9示出了说明根据第一实施例的UE和BS的操作的流程图；
图10示出了说明根据第二实施例的UE和BS的操作的框图；
图11示出了说明根据第二实施例的UE和BS的操作的流程图；
图12示出了说明根据第三实施例的模式1下的UE和BS的操作的框图；
图13示出了说明根据第三实施例的模式1下的UE和BS的操作的流程图；
图14示出了说明根据第三实施例的模式2下的UE和BS的操作的框图；
图15示出了说明根据第三实施例的模式2下的UE和BS的操作的流程图；
图16示出了说明根据第三实施例的模式3下的UE和BS的操作的框图；
图17示出了说明根据第三实施例的模式3下的UE和BS的操作的流程图；
图18示出了说明根据实施例的BS的结构的框图；以及
图19示出了说明根据实施例的UE的结构的框图。
具体实施方式
在进行下面的具体实施方式之前，阐述贯穿本专利文件使用的某些词语和短语的定义可能是有利的：术语“包括”和“包含”及其派生词意味着非限制的包含；术语“或”是包含性的，意味着和/或；短语“与……相关联”和“与其相关联”及其派生词可以表示包括、被包括在内、与……互连、包含、被包含在内、连接到或与……连接、耦合到或与……耦合、可与……通信、与……合作、交织、并置、接近、结合到或与……结合、具有、具有……的属性等；术语“控制器”是指控制至少一个操作的任何设备、系统或其部分，这种设备可以用硬件、固件或软件或者硬件、固件或软件中的至少两者的某种组合来实现。应当注意，与任何特定控制器相关联的功能可以是集中式的或分布式的，无论是本地的还是远程的。
此外，下面描述的各种功能可以由一个或多个计算机程序来实现或支持，一个或多个计算机程序中的每一个由计算机可读程序代码形成并包含在计算机可读介质中。术语“应用”和“程序”是指一个或多个计算机程序、软件组件、指令集、过程、功能、对象、类、实例、相关数据或其适于以合适的计算机可读程序代码实现的部分。短语“计算机可读程序代码”包括任何类型的计算机代码，包括源代码、目标代码和可执行代码。短语“计算机可读介质”包括能够由计算机访问的任何类型的介质，诸如只读存储器(ROM)、随机访问存储器(RAM)、硬盘驱动器、紧凑盘(CD)、数字视频光盘(DVD)或任何其他类型的存储器。“非暂时性”计算机可读介质排除传送暂时性电信号或其他信号的有线、无线、光学或其他通信链路。非暂时性计算机可读介质包括可以永久存储数据的介质和可以存储数据并在以后覆写的介质，诸如可重写光盘或可擦除存储器设备。
在本专利文件中提供了对某些词语和短语的定义，本领域普通技术人员应该理解，在多种情况下，如果不是大多数情况下，这样的定义适用于这样定义的词语和短语的先前以及将来的使用。
下面讨论的图1至图19以及用于描述本专利文件中的本公开的原理的各种实施例仅是示例性的，并且不应该以任何方式被解释为限制本公开的范围。本领域技术人员将理解，本公开的原理可以在任何适当布置的系统或设备中实现。
无线通信系统已经发展为提供高速和高质量分组数据服务(除了最初提供的基于语音的服务之外，类似于例如3GPP的高速分组接入(HSPA)、长期演进(LTE)或演进的通用陆地无线电接入(E-UTRA)、LTE-高级(LTE-A)、LTE-Pro、3GPP2的高速分组数据(HRPD)、超移动宽带(UMB)和IEEE的802.16e等通信标准)的宽带无线通信系统。
作为宽带无线通信系统的代表性示例，LTE系统针对下行链路(DL)采用正交频分复用(OFDM)方案，针对上行链路(UL)采用单载波频分多址(SC-FDMA)方案。上行链路是指终端(用户设备(UE)或移动站(MS))经由其向基站(eNode B或基站(BS))发送数据或控制信号的无线链路。下行链路是指BS经由其向UE发送数据或控制信号的无线链路。上述多址方案可以分配或管理时间-频率资源，通过该时间-频率资源为每个用户承载数据或控制信息，从而彼此不重叠，即，它们之间具有正交性，从而区分每个用户的数据或控制信息。
超LTE通信系统(即5G通信系统)需要自由地支持来自用户、服务提供商等的各种需求，因此，需要支持同时满足各种需求的服务。针对5G通信系统考虑的服务可以包括增强型移动宽带(eMBB)、大规模机器类型通信(mMTC)、超可靠低延迟通信(URLLC)等。
eMBB旨在提供超过传统LTE、LTE-A或LTE-pro所支持的数据传输速率的数据传输速率。例如，在5G通信系统中，从单个BS的角度来看，eMBB需要在下行链路中提供最大20Gbps的峰值数据速率，在上行链路中提供最大10Gbps的峰值数据速率。此外，5G通信系统需要提供增强型用户感知的UE数据速率以及峰值数据速率。为了满足这些要求，期望改进各种发送或接收技术，包括先进的多输入多输出(MIMO)传输技术。此外，LTE使用LTE目前使用的2GHz频带中的最大20MHz传输带宽来传输信号。然而，5G通信系统在范围从3到6GHz的频带中或者在大于或等于6GHz的频带中使用比20MHz更宽的频率带宽，因此可以满足5G通信系统所需的数据传输速率。
此外，在5G通信系统中，为了支持诸如物联网(IoT)的应用服务，考虑使用mMTC。为了有效地提供IoT，mMTC需要支持小区内的大量UE接入、增大UE的覆盖区域、增加电池寿命预期、降低UE的成本等。物联网(IoT)经由到各种传感器和各种设备的附接来提供通信功能，因此在小区内需要支持大量的UE(例如，1000000个UE/km2)。此外，由于服务的特性，支持mMTC的UE很可能位于小区不能覆盖的阴影区域，诸如建筑物的地下室，并且可能需要比5G通信系统的其他服务更宽的覆盖区域。支持mMTC的UE需要被制造为便宜的UE，并且UE的电池可能不会被频繁更换。因此，可能需要长的电池寿命，诸如10至15年。
URLLC是用于任务关键型目的的基于蜂窝的无线通信服务。例如，可以考虑机器人或机器的远程控制服务、工业自动化服务、无人机服务、远程医疗保健服务、紧急警报服务等。因此，由URLLC提供的通信可能需要提供非常低的延迟和非常高的可靠性。例如，支持URLLC的服务需要表现出小于0.5毫秒的空中接口延迟，同时需要满足小于或等于10-5的分组错误率。因此，对于支持URLLC的服务，5G系统需要提供比其他服务更小的传输时间间隔(TTI)，并且同时需要分配频带中的宽资源，以便确保通信链路的可靠性。
5G中的三种服务(即eMBB、URLLC和mMTC)可以在单个系统中复用和传输。在这种情况下，为了满足服务的不同要求，可以使用服务之间不同的发送或接收方案以及发送或接收参数。
在下文中，将参考附图详细描述LTE和LTE-A系统的帧结构。
图1示出了说明LTE系统中作为发送数据或控制信道的无线电资源区域的时间-频率域的基本结构的图。
参考图1，横轴是时域，纵轴是频域。在时域中，最小传输单元是OFDM符号。一个时隙102包括Nsymb个OFDM符号101，并且一个子帧103包括两个时隙。一个时隙的长度是0.5毫秒，一个子帧的长度是1.0毫秒(ms)。无线电帧104是包括10个子帧的时域单元。在频域中，最小传输单元是子载波。整个系统传输带宽包括总共NBW个子载波105。在时间-频率域中，基本资源单元是资源元素(RE)106，RE由OFDM符号索引和子载波索引表示。资源块(RB)(或物理资源块(PRB))107由时域中的Nsymb个连续OFDM符号102和频域中的NRB个连续子载波108来定义。因此，一个RB 108包括Nsymb×NRB个RE 106。一般地，数据的最小传输单元是RB。在LTE系统中，Nsymb＝7并且NRB＝12，并且NBW和NRB可以与系统传输频带的带宽成比例。
随后，将详细描述LTE和LTE-A系统中的下行链路控制信息(DCI)。
在LTE系统中，与下行链路数据或上行链路数据相关联的调度信息经由DCI从BS传送到UE。可以取决于调度信息是与上行链路数据相关联还是与下行链路数据相关联、控制信息的尺寸是否是小的紧凑DCI的尺寸、是否应用了使用多个天线的空间复用、DCI是否用于功率控制等，来通过定义各种格式并应用对应的DCI格式来执行DCI操作。例如，作为与下行链路数据相关联的调度控制信息的DCI格式1可以被配置为至少包括以下控制信息。
-资源分配类型0/1标志：指示资源分配方案是类型0还是类型1。类型0应用比特图方案，并以资源块组(RBG)为单元分配资源。在LTE系统中，基本调度单元是由时间和频率域资源表示的资源块(RB)，并且RBG包括多个RB并且用作类型0方案中的基本调度单元。类型1允许对RBG中预定RB的分配。
-资源块分配：指示为数据传输分配的RB。根据系统带宽和资源分配方案来确定要表示的资源。
-调制和编码方案(MCS)：指示用于数据传输的调制方案和传输块的尺寸，传输块是要传输的数据。
-HARQ进程号：表示HARQ的进程号。
-新数据指示符：指示HARQ初始传输或HARQ重传。
-冗余版本：表示HARQ的冗余版本。
-针对物理上行链路控制信道(PUCCH)的发送功率控制(TPC)命令：指示作为上行链路控制信道的PUCCH的发送功率控制命令。
在信道编码和调制过程之后，经由物理下行链路控制信道(PDCCH)发送DCI。
循环冗余校验(CRC)被添加到DCI消息的有效载荷，并且CRC可以用与UE身份相对应的无线电网络临时标识符(RNTI)来加扰。可以取决于DCI消息的目的(例如，UE特定数据传输、功率控制命令、随机接入响应等)使用不同的RNTI。也就是说，RNTI不被显式地发送，而是通过被包括在CRC计算过程中来发送。如果UE接收到在PDCCH上发送的DCI消息，则UE可以使用所分配的RNTI来识别CRC。如果CRC识别结果正确，则UE可以识别针对该UE发送了对应的消息。
图2示出了说明作为在其上发送LTE的DCI的物理下行链路信道的PDCCH 201的图。
参考图2，PDCCH 201与作为数据传输信道的PDSCH 202时间复用，并且在整个系统带宽上发送。PDCCH 201的区域被表示为多个OFDM符号，其使用经由物理控制格式指示符信道(PCFICH)发送的控制格式指示符(CFI)来向UE指示。通过将PDCCH 201分配给存在于子帧前部的OFDM符号，UE能够尽可能快地解码下行链路调度分配。因此，可以减少下行链路共享信道(DL-SCH)解码延迟，即总的下行链路传输延迟。单个PDCCH传递单个DCI消息，并且可以在下行链路和上行链路中同时调度多个UE，因此可以在每个小区中并行执行多个PDCCH的传输。小区特定参考信号(CRS)203用作解码PDCCH 201的参考信号。针对整个频带上的每个子帧发送CRS 203，并且对于每个小区身份(ID)，加扰和资源映射可以不同。CRS 203是所有UE共同使用的参考信号，因此可以不应用UE特定波束成形。因此，用于LTE的PDCCH的多天线传输方案可能限于开环传输分集方案。UE通过解码物理广播信道(PBCH)隐式地获得CRS的端口数量。
以控制信道元素(CCE)为单元来执行PDCCH 201的资源分配，单个CCE包括9个资源元素组(REG)，即总共36个资源元素(RE)。预定PDCCH 201所需的CCE的数量可以是1、2、4或8，这是基于DCI消息有效载荷的信道编码率来确定的。如上所述，可以使用不同数量的CCE来实现PDCCH 201的链路自适应。UE需要在不知道与PDCCH 201相关联的信息的情况下检测信号。在LTE中，指示CCE的集合的搜索空间被定义用于盲解码。搜索空间包括根据每个CCE聚合级别(AL)的多个集合，该搜索空间未被显式地信令通知，而是由子帧号和与UE身份相关联的功能来隐式地定义。在每个子帧中，UE针对可以从所配置的搜索空间中的CCE中选择的所有可能资源候选解码PDCCH 201，并处理经由CRC校验被声明为对对应的UE有效的信息。
搜索空间可以被分类为UE特定搜索空间和公共搜索空间。UE的组或所有UE可以搜索PDCCH 201的公共搜索空间，以便接收小区公共控制信息，诸如与系统信息相关联的动态调度或寻呼消息。例如，可以通过搜索PDCCH 201的公共搜索空间来接收用于传输包括小区运营商信息等的系统信息块(SIB)-1的DL-SCH的调度分配信息。
在LTE中，整个PDCCH区域被配置为逻辑区域中CCE的集合，并且存在包括该CCE的集合的搜索空间。搜索空间可以被分类为公共搜索空间和UE特定搜索空间，并且用于LTEPDCCH的搜索空间可以被定义如下。
Figure BDA0003586287880000091
Figure BDA0003586287880000101
根据PDCCH的搜索空间的上述定义，UE特定搜索空间没有被显式地信令通知，而是由子帧号和与UE身份相关联的功能来隐式地定义。换句话说，UE特定搜索空间取决于子帧号而改变的事实意味着UE特定搜索空间可能随时间而改变。通过以上描述，可以克服预定UE由于其他UE而不能使用搜索空间的问题(阻塞问题)。由于UE搜索的所有CCE当前都被子帧内的其他被调度的UE使用，所以可能不在同一子帧中调度UE。然而，由于搜索空间随时间改变，所以在后续子帧中不会出现这个问题。例如，尽管UE#1和UE#2的UE特定搜索空间在预定子帧中部分重叠，但是由于UE特定搜索空间对于每个子帧是不同的，因此可以预计该重叠在后续的子帧中是不同的。
根据PDCCH的搜索空间的上述定义，因为UE的组或所有UE需要接收PDCCH，所以公共搜索空间被定义为预先约定的CCE的集合。换句话说，公共搜索空间不取决于UE身份、子帧号等而改变。尽管存在公共搜索空间以用于各种系统消息的传输，但是公共搜索空间可以用于传输单个UE的控制信息。通过以上描述，公共搜索空间可以用作针对其中由于UE特定搜索空间中缺乏可用资源而导致UE未被调度的现象的解决方案。
搜索空间是候选控制信道的集合，包括给定聚合级别上UE应当试图解码的CCE。存在用于将一个、两个、四个和八个CCE绑定到单个绑定(bundle)中的各种聚合级别，因此UE具有多个搜索空间。在LTE PDCCH中，将由UE在搜索空间中监视的并且基于聚合级别定义的PDCCH候选的数量在下表中定义。
[表1]
Figure BDA0003586287880000111
根据表1，在UE特定搜索空间的情况下，支持聚合级别{1，2，4，8}，并且在这种情况下，分别有{6，6，2，2}个PDCCH候选。在公共搜索空间302的情况下，支持聚合级别{4，8}，并且在这种情况下，分别有{4，2}个PDCCH候选。公共搜索空间仅支持聚合级别{4，8}，以便改进覆盖范围特性，因为系统消息一般需要到达小区的边缘。
在公共搜索空间中发送的DCI仅被定义用于预定DCI格式，诸如0/1A/3/3A/1C，与用于UE组或系统消息的功率控制等目的相对应。在公共搜索空间中，不支持涉及空间复用的DCI格式。应当在UE特定搜索空间中解码的下行链路DCI格式可以取决于为对应的UE配置的传输模式而改变。传输模式是经由RRC信令配置的，因此没有与对应的配置对于对应的UE是否有效相关联地来准确地定义子帧号。因此，无论传输模式如何，UE总是执行针对DCI格式1A的解码，从而以不丢失通信的方式进行操作。
在以上描述中，已经描述了在传统LTE和LTE-A中发送或接收下行链路控制信道和下行链路控制信息以及搜索空间的方法。
在下文中，将参考附图详细描述当前正在讨论的5G通信系统中的下行链路控制信道。
图3示出了说明为可在5G中使用的下行链路控制信道配置的时间和频率资源的基本单元的示例的图。根据图3，为控制信道配置的时间和频率资源的基本单元(REG)包括时间轴上的一个OFDM符号301和频率轴上的12个子载波302(即1个RB)。当配置控制信道的基本单元时，通过假设1个OFDM符号301作为基本时间轴单元，数据信道和控制信道可以在单个子帧内被时分复用。通过将控制信道放置在数据信道之前，可以减少用户感知的处理时间，因此，可以容易地满足延迟要求。控制信道的基本频率轴单元被设置为1个RB 302，因此可以有效地执行控制信道和数据信道之间的频率复用。
通过接合图3所示的REG 303，可以以各种尺寸来配置控制信道区域。例如，当CCE304是用于在5G中分配下行链路控制信道的基本单元时，1个CCE 304可以包括多个REG303。将参考图3的REG 303来提供描述。如果REG 303包括12个RE，并且1个CCE 304包括6个REG 303，这意味着1个CCE 304包括72个RE。如果配置了下行链路控制区域，则对应的区域包括多个CCE 304，并且取决于聚合级别(AL)，预定的控制信道可以通过被映射到控制区域中的单个CCE或多个CCE 304来进行发送。控制区域中的CCE 304可以通过编号来区分，并且编号可以根据逻辑映射方案来分配。
图3的下行链路控制信道的基本单元(即，REG 303)可以包括DCI所映射到的RE和解调参考信号(DMRS)305所示映射到的区域，解调参考信号305是用于解码DCI的参考信号。如图3所示，可以在1个REG 303内的6个RE中发送DMRS 305。作为参考，使用与映射到REG303的控制信号的预编码相同的预编码来发送DMRS 305，因此UE能够在没有与基站使用的预编码相关联的信息的情况下解码控制信息。
图4示出了说明5G无线通信系统中、其中发送下行链路控制信道的控制区域(控制资源集(CORESET))的示例的图。在图4中，假设两个控制区域(控制区域#1 401和控制区域#2 402)被配置在频率轴上的系统带宽410和时间轴上的1个时隙420内(例如，图4的示例假设1个时隙包括7个OFDM符号)。可以基于频率轴上的整个系统带宽410的预定子带403来配置控制区域401或402。在时间轴上，可以基于一个或多个OFDM符号(这可以被定义为控制区域长度(控制资源集持续时间404))来配置控制区域。在图4的示例中，基于2个符号的控制区域长度来配置控制区域#1 401，并且基于1个符号的控制区域长度来配置控制区域#2。
如上所述，5G中的控制区域可以经由从BS到UE的更高层信令(例如，系统信息、主信息块(MIB)、RRC信令)来配置。为UE配置控制区域是提供与控制区域的位置、子带、控制区域的资源分配、控制区域长度等相关联的信息。例如，可以包括以下信息。
[表2]
Figure BDA0003586287880000131
除了上述配置信息之外，可以为UE配置发送下行链路控制信道所需的各种类型的信息。
接下来，将详细描述5G中的下行链路控制信息(DCI)。
在5G系统中，与上行链路数据(物理上行链路共享信道(PUSCH))或下行链路数据(物理下行链路共享信道(PDSCH))相关联的调度信息可以经由DCI从BS传送到UE。UE可以监视与PUSCH或PDSCH相关联的用于回退的DCI格式和用于非回退的DCI格式。回退DCI格式可以被实现为BS和UE之间的固定字段，并且非回退DCI格式可以包括可设置字段。
调度PUSCH的回退DCI可以包括如下所示的信息。
[表3]
Figure BDA0003586287880000132
Figure BDA0003586287880000141
调度PUSCH的非回退DCI可以包括如下所示的信息。
[表4]
Figure BDA0003586287880000142
Figure BDA0003586287880000151
调度PDSCH的回退DCI可以包括如下所示的信息。
[表5-1]
Figure BDA0003586287880000152
调度PDSCH的非回退DCI可以包括如下所示的信息。
[表5-2]
Figure BDA0003586287880000161
Figure BDA0003586287880000171
在信道编码和调制过程之后，可以经由物理下行链路控制信道(PDCCH)来发送DCI。循环冗余校验(CRC)被添加到DCI消息的有效载荷，并且CRC可以用与UE身份相对应的无线电网络临时标识符(RNTI)来加扰。可以取决于DCI消息的目的(例如，UE特定数据传输、功率控制命令、随机接入响应等)来使用不同的RNTI。也就是说，RNTI不被显式地发送，而是通过被包括在CRC计算过程中来发送。如果UE接收到在PDCCH上发送的DCI消息，则UE可以使用所分配的RNTI来识别CRC。如果CRC识别结果正确，则UE可以识别针对该UE发送了对应的消息。
例如，调度与系统信息(SI)相关联的PDSCH的DCI可以用SI-RNTI来加扰。调度与随机接入响应(RAR)消息相关联的PDSCH的DCI可以用RA-RNTI来加扰。调度与寻呼消息相关联的PDSCH的DCI可以用P-RNTI来加扰。报告时隙格式指示符(SFI)的DCI可以用SFI-RNTI来加扰。报告发送功率控制(TPC)的DCI可以用TPC-RNTI来加扰。调度UE特定PDSCH或PUSCH的DCI可以用小区RNTI(C-RNTI)来加扰。
如果经由PDCCH为预定UE调度了数据信道(即PUSCH或PDSCH)，则数据可以在对应的调度的资源区域内与DMRS一起发送或接收。图5示出了说明其中14个OFDM符号被配置为用作下行链路中的单个时隙(或子帧)、在前两个OFDM符号中发送PDCCH、在第三个符号中发送DMRS的情况的图。在图5中，在调度了PDSCH的预定RB中，通过将数据映射到第三个符号中不经由其发送DMRS的RE和从第四个到最后一个符号的RE来发送PDSCH。在LTE/LTE-A系统的情况下，图5中表示的子载波间隔Δf是15kHz，并且在5G系统的情况下，该子载波间隔Δf可以是{15，30，60，120，240，480}kHz之一。
如上所述，BS需要发送参考信号，以便测量蜂窝系统中的下行链路信道状态。在3GPP的高级长期演进(LTE-A)系统的情况下，UE可以使用BS发送的CRS或CSI-RS来测量BS和UE之间的信道状态。可能需要考虑各种因素来测量信道状态，并且下行链路中的干扰量可能是因素之一。下行链路中的干扰量可以包括由属于相邻BS的天线生成的干扰信号、热噪声等，并且当UE确定下行链路中的信道状态时，干扰量是重要的。例如，当具有单个发送天线的BS向具有单个接收天线的UE发送信号时，UE需要基于从BS接收到的参考信号，通过确定能够在下行链路中接收到的每符号能量和在接收到对应的符号的部分中同时接收到的干扰量来确定Es/Io。所确定的Ex/Io可以被转换为数据传输速率或与其相对应的值，可以以信道质量指示符(CQI)的形式被发送到BS，并且可以在BS确定要用于向UE进行传输的数据传输速率时被使用。
在LTE-A系统的情况下，UE向BS反馈与下行链路的信道状态相关联的信息，因此BS利用该信息进行下行链路调度。也就是说，UE测量BS在下行链路中发送的参考信号，并以LTE/LTE-A标准中定义的形式向BS反馈从测量的参考信号中提取的信息。如上所述，UE在LTE/LTE-A中反馈的信息被称为信道状态信息，并且信道状态信息可以包括以下三条信息。
-秩指示符(RI)：指示UE在当前信道状态下能够接收的空间层数。
-预编码矩阵指示符(PMI)：与UE在当前信道状态下偏好的预编码矩阵相关联的指示符。
-信道质量指示符(CQI)：指示UE在当前信道状态下能够接收的最大数据速率。
CQI可以用信号与干扰加噪声比(SINR)、最大纠错码率和调制方案、每频率数据效率等(其可以以类似于最大数据传输速率的方式来利用)来代替。
RI、PMI和CQI是相互关联的。例如，可以为每个秩不同地定义LTE/LTE-A中支持的预编码矩阵。因此，当RI为1时的PMI值X和当RI为2时的PMI值X可以被解释为是不同的。此外，UE基于UE向BS报告的PMI和X被应用于BS中的假设来确定CQI。也就是说，当秩是RI_X并且PMI是PMI_Y时，向BS报告RI_X、PMI_Y和CQI_Z可以是报告对应的UE能够以与CQI_Z相对应的数据传输速率执行接收。如上所述，UE基于要针对BS执行的传输方案的假设来计算CQI，因此当UE实际上使用对应的传输方案执行传输时，UE可以获得最佳性能。
在LTE/LTE-A中，可以周期性地或非周期性地反馈作为UE反馈的信道状态信息的RI、PMI和CQI。在BS期望非周期性地获得预定UE的信道状态信息的情况下，BS可以为UE配置将使用包括在下行链路控制信息(DCI)中的非周期性反馈指示符(或信道状态信息请求字段或信道状态信息请求信息)执行的非周期性反馈(或非周期性信道状态信息报告)。此外，如果UE在第n个子帧中接收到为非周期性反馈配置的指示符，则UE可以通过在第n+k个子帧中的数据传输中包括非周期性反馈信息(或信道状态信息)来执行上行链路传输。这里，k是3GPP LTE版本11标准中定义的参数，其在频分双工(FDD)中是4，并且在时分双工(TDD)的情况下可以如表6中所示定义。
[表6]TDD UL/DL配置中针对每个子帧号n的k
Figure BDA0003586287880000191
在配置了非周期性反馈的情况下，反馈信息(或信道状态信息)可以包括RI、PMI和CQI，并且取决于反馈配置(或信道状态报告配置)，可以不反馈RI和PMI。
在下文中，将参考附图详细描述本公开的实施例。此外，尽管参考LTE或LTE-A系统描述了本公开的实施例，但是本公开的实施例可以适用于具有类似技术背景或使用类似信道类型的其他通信系统。例如，可以包括在LTE-A之后开发的5G移动通信技术(5G，新无线电(NR))。此外，本领域技术人员可以在不脱离本公开的范围的情况下修改本公开的实施例，并且本公开的实施例可以被应用于其他通信系统。
在本公开的以下描述中，当并入本文的已知功能或配置可能使本公开的主题相当不清楚时，将省略对这些功能或配置的详细描述。下面将描述的术语是考虑到本公开中的功能而定义的术语，并且可以根据用户、用户的意图或习惯而改变。因此，对术语的定义应该基于整个说明书的内容。
本公开提供了一种当在UE和BS之间的信号发送或接收中使用作为深度神经网络(DNN)的一种类型的自动编码器时，高效地学习和更新自动编码器神经网络(NN)的权重的方法。本公开中的训练方法被称为“影子训练(shadow training)”。
图6示出了根据本公开的实施例的自动编码器的配置。自动编码器是以其中输出602和输入601是相同的方式被训练的神经网络(NN)。根据实施例，要发送的信号可以被输入601到自动编码器NN，并且输入信号可以经由经训练的自动编码器NN来计算，并且可以被输出602。在下文中，为了便于描述本公开的实施例，下行链路或上行链路信道矩阵被描述为输入数据601或输出数据602。然而，这仅是示例，该描述并不限制本公开的范围，任何数据都可以被输入或输出，就像普通的神经网络一样。
自动编码器NN可以被配置为包括输入层、输出层和一个或多个隐藏层，并且自动编码器NN可以基于层数、每个层的节点数量和节点之间的连接权重来定义。连接权重是指示节点之间的关系的值，并且可以是例如实数。每个节点的值可以基于连接到NN中对应的节点的另一个节点的值和与其他节点相关联的连接权重来计算。在下文中，“权重”是连接权重，除非另有说明。
根据实施例，自动编码器NN可以包括包含输入层的Tx NN 603和包含输出层的RxNN 604。Tx NN 603可以包括输入层和至少一个隐藏层，Rx NN 604可以包括输出层和至少一个隐藏层。包括在Rx NN 604和Tx NN 603的每一个中的隐藏层的数量可以不总是相同的，并且包括在Rx NN 604和Tx NN 603的每一个中的隐藏层的数量可以彼此不同。
根据实施例，自动编码器NN可以被配置为使得输入层中的节点数量和输出层中的节点数量相同，并且隐藏层中的节点数量少于输入层的数量和输出层的数量。因此，使用自动编码器NN的事实可以被理解为意味着输入值在Tx NN 603中被编码并且在Rx NN 604中被解码。
为了便于描述，将参考下行链路信道状态反馈进行描述，作为UE和BS之间使用自动编码器NN的信号传输的示例。然而，这仅是示例，并且该描述不限制本公开的范围。显然，本公开的技术思想可以适用于通信系统中的任何信号发送或接收过程，例如，数据传输或控制信号传输。
图7示出了说明根据实施例的基于自动编码器的下行链路信道反馈方案700的图。根据反馈方案，经由深度学习学习的自动编码器NN的Tx NN 705可以被布置在UE 701中，RxNN 708可以被布置在BS 702中。UE可以对估计的下行链路信道矩阵H 703执行预处理704，以便产生新的矩阵
Figure BDA0003586287880000201
Tx NN 705可以将经预处理的输出矩阵
Figure BDA0003586287880000202
转换为码字向量。码字向量被转换为可经由CSI发送器706发送的形式的信号，并且可以被反馈给BS(CSI报告)。可以经由PUCCH或PUSCH周期性地或非周期性地执行反馈。BS可以通过使用Rx NN 708解码经由CSI接收器707接收到的码字向量来获得
Figure BDA0003586287880000211
BS可以通过执行后处理709
Figure BDA0003586287880000212
来获得下行链路信道矩阵H。该方案能够使用深度学习来高效地编码信道矩阵的信息，因此能够使用有限数量的反馈比特来发送更准确的信道信息。
存在两个为信道反馈方案训练自动编码器NN的方法的示例。首先，可以使用离线训练方法，该方法在预定的假设条件下预先学习自动编码器NN的权重，并在现实情况下使用固定的权重。第二，可以使用在线训练方法，该方法通过实时学习和更新自动编码器NN的权重来利用自动编码器NN的权重。然而，在离线训练方法的情况下，如果信道环境改变，则经预先训练的自动编码器的性能可能恶化。此外，在线训练方法可能涉及高实时学习复杂度和高权重反馈开销。
在本公开中，作为训练自动编码器NN的方法，提供了影子训练方案，该方案使用不同于UE或BS实际用来进行信号传输的自动编码器NN的、用于训练的自动编码器NN来执行训练，并且共享训练的结果，因此可以高效地训练和更新自动编码器NN。
<第一实施例>
根据第一实施例，UE经由影子训练来学习自动编码器NN的连接权重，并将与所学习的权重相关联的信息发送到BS，从而更新自动编码器NN的权重。
图8示出了说明根据第一实施例的UE和BS的操作的图。图9示出了说明根据第一实施例的UE和BS的操作的图。
UE 801和BS 802可以共享自动编码器NN的集合，该自动编码器NN的集合包括预先定义/训练的有限数量的元素。该集合可以是包括一个或多个自动编码器NN作为元素的集合，并且每个自动编码器具有与基于UE和BS之间的物理情况确定的层数和每个层的节点数量相对应的结构。这里，物理情况可以包括操作频率、UE带宽、UE/BS的天线配置等。基于预定情况的假设，可以预先学习该集合中各个自动编码器NN的初始连接权重。
在初始接入901和907之后，UE 801和BS 802中的每一个可以获得与其另一个的物理情况相关联的信息，并且可以在操作902和908中从自动编码器NN的集合中选择一个元素。也就是说，UE和BS可以基于所获得的与初始接入之后的物理情况相关联的信息，在预先定义/训练的多个自动编码器NN中选择具有适当结构的自动编码器NN。
在操作903中，UE 801可以在UE侧布置所选自动编码器NN的Tx NN 805，并且在操作909中，BS 802可以在BS侧布置所选NN的Rx NN 808。在这种情况下，BS可以在基站侧布置对于存在于小区中的每个UE不同的多个Rx NN。UE 801和BS 802可以使用分别布置在其中的Tx NN 805和Rx NN 808来执行图7的基于自动编码器的下行链路信道反馈700。已经参考图7描述了基于自动编码器的下行链路信道反馈700，因此这里将省略对其的详细描述。
除了布置在UE中的Tx NN 805之外，UE 801还可以准备用于影子训练的包括Tx NN和Rx NN两者的整个自动编码器NN。根据实施例，UE可以使用下行链路信道矩阵H 803(其是使用从BS接收到的信号来估计的)作为学习数据，并且可以在操作904中，连续执行与整个自动编码器NN相关联的影子训练810。从BS接收到的信号可以包括例如CRS、CSI-RS、同步信号、DMRS等，但不限于此。根据另一个实施例，UE 801可以从BS 802接收使用UE向BS 802发送的参考信号估计的信道矩阵，并且可以使用估计的信道矩阵来执行影子训练。UE 801向BS 802发送的参考信号可以包括例如SRS和DMRS，但不限于此。也就是说，UE 801可以使用由UE基于从BS 802接收到的信号(CRS、CSI-RS、同步信号、DMRS、……)估计的信道矩阵或者由BS估计并从BS接收到的信道矩阵，来连续更新为影子训练准备的自动编码器NN的连接权重。
在操作905中，UE 801可以向BS 802发送经由影子训练810更新的新的整个自动编码器NN(Tx NN和Rx NN)的权重当中的Rx NN的权重(权重报告)。根据实施例，可以经由上行链路信道(例如，PUCCH或PUSCH)向BS发送Rx NN的权重。
根据实施例，UE 801可以向BS发送Rx NN的权重，其是经由周期性权重报告来更新的。在这种情况下，可以考虑UE 801执行影子训练需要的时间量来设置发送Rx NN的权重的周期。优选地，该周期可以被设置为长于信道状态信息报告周期(CSI报告周期)。
根据实施例，UE 801可以向BS 802发送Rx NN的权重，其是经由非周期性权重报告来更新的。UE 801可以响应于来自BS 802的非周期性权重报告请求来执行权重报告、或者如果执行影子训练的自动编码器NN的性能满足预定条件，则可以执行权重报告。这里，可以使用指示自动编码器NN的输入和输出之间的差异程度的指标来定义自动编码器NN的性能。例如，可以使用输入和输出之间的均方误差(MSE)值来定义自动编码器NN的性能。此外，预定条件可以是例如自动编码器NN的性能大于或等于预定参考的条件，即输入和输出之间的差异小于预定参考。这里，预定参考可以是预先确定并被输入到UE的值、或者可以是由UE任意设置的值。
由UE 801发送的权重报告可以包括对更新布置在BS 802中的Rx NN的请求。接收权重报告的BS 802可以向UE 801发送确认接收到权重报告的ACK信号，并且可以在操作911中将当前布置的Rx NN 808的权重更新为新的接收到的权重。在接收到ACK信号时，在操作906中，UE 801可以将布置的Tx NN 805的权重更新为新学习的权重。
UE 801和BS 802可以使用Tx NN 805和Rx NN 808来执行图7的基于自动编码器的下行链路信道反馈700，其中Tx NN 805和Rx NN 808的权重被更新。
<第二实施例>
根据第二实施例，BS经由影子训练来学习自动编码器NN的连接权重，并将与所学习的权重相关联的信息发送给UE，以便更新自动编码器NN的权重。
图10示出了说明根据第二实施例的UE和BS的操作的图。图11示出了说明根据第二实施例的UE和BS的操作的图。
UE 1001和BS 1002可以共享自动编码器NN的集合，该自动编码器NN的集合包括预先定义/训练的有限数量的元素。该集合可以是包括一个或多个自动编码器NN作为元素的集合，并且每个自动编码器具有与基于UE和BS之间的物理情况确定的层数和每个层的节点数量相对应的结构。这里，物理情况可以包括操作频率、UE带宽、UE/BS的天线配置等。基于预定情况的假设，可以预先学习集合中各个自动编码器NN的初始连接权重。
在初始接入1101和1107之后，UE 1001和BS 1002中的每一个可以获得与其另一个的物理情况相关联的信息，并且可以在操作1102和1108中从自动编码器NN的集合中选择一个元素。也就是说，UE和BS可以基于所获得的与初始接入之后的物理情况相关联的信息，在预先定义/训练的多个自动编码器NN中选择具有适当结构的自动编码器NN。
在操作1109中，UE 1001可以在UE侧布置所选自动编码器NN的Tx NN 1005，并且在操作1103中，BS 1002可以在BS侧布置所选NN的Rx NN 1008。在这种情况下，BS可以在BS侧布置对于小区中存在的每个UE不同的多个Rx NN。UE 1001和BS 1002可以使用分别布置在其中的Tx NN 1005和Rx NN 1008来执行图7的基于自动编码器的下行链路信道反馈700。已经参考图7描述了基于自动编码器的下行链路信道反馈700，因此这里将省略对其的详细描述。
除了布置在BS中的Rx NN 1008之外，BS 1002可以准备用于影子训练的包括Tx NN和Rx NN两者的整个自动编码器NN。根据实施例，UE可以使用从BS接收到的信号来估计下行链路信道矩阵H 1003，并且可以经由基于自动编码器的下行链路信道反馈700将其发送给BS。在这种情况下，从BS接收到的信号可以包括例如CRS、CSI-RS、同步信号、DMRS等，但不限于此。在操作1104中，BS可以使用接收到的下行链路信道矩阵H 1009作为学习数据来连续执行与整个自动编码器NN相关联的影子训练1010。根据另一个实施例，BS 1002可以使用从UE 1001接收到的参考信号来估计信道矩阵，并且可以使用估计的信道矩阵作为学习数据来执行影子训练。UE 1001向BS 1002发送的参考信号可以包括例如SRS、DMRS等，但不限于此。也就是说，BS 1002可以使用由BS基于从UE 1001接收到的信号(SRS、DMRS、……)估计的信道矩阵或者由UE估计并从UE接收到的信道矩阵，来连续更新为影子训练准备的自动编码器NN的连接权重。
在操作1105中，BS 1002可以向UE 1001发送经由影子训练1010更新的新的整个自动编码器NN(Tx NN和Rx NN)的权重当中的Tx NN的权重(权重报告)。根据实施例，可以经由下行链路信道(例如，PDCCH或PDSCH)向UE 1001发送Tx NN的权重。
根据实施例，BS 1002可以向UE 1001发送Tx NN的权重，其是经由周期性权重报告来更新的。在这种情况下，可以考虑BS 1002执行影子训练需要的时间量来设置发送Tx NN的权重的周期。优选地，该周期可以被设置为长于信道状态信息报告周期(CSI报告周期)。
根据实施例，BS 1002可以向UE 1001发送Tx NN的权重，其是经由非周期性权重报告来更新的。BS 1002可以响应于来自UE 1001的非周期性权重报告请求来执行权重报告、或者如果执行影子训练的自动编码器NN的性能满足预定条件，则可以执行权重报告。这里，可以使用指示自动编码器NN的输入和输出之间的差异程度的指标来定义自动编码器NN的性能。例如，可以使用输入和输出之间的均方误差(MSE)值来定义自动编码器NN的性能。此外，预定条件可以是例如自动编码器NN的性能大于或等于预定参考的条件，即输入和输出之间的差异小于预定参考。这里，预定参考可以是预先确定并被输入到BS的值、或者可以是由UE任意设置的值。
由BS 1002发送的权重报告可以包括对更新布置在UE 1001中的Tx NN的请求。接收到权重报告的UE 1001可以向BS 1002发送确认接收到权重报告的ACK信号，并且可以在操作1111中，将当前布置的Tx NN 1005的权重更新为新的接收到的权重。在接收到ACK信号时，在操作1106中，BS可以将布置的Rx NN 1008的权重更新为新学习的权重。
UE 1001和BS 1002可以使用Tx NN 1005和Rx NN 1008来执行图7所示的基于自动编码器的下行链路信道反馈700，其中Tx NN 1005和Rx NN 1008的权重被更新。
<第三实施例>
根据第三实施例，可以通过在其中UE使用直接反馈信道矩阵的方案来执行影子训练的模式1200(模式1)、基于自动编码器的信道反馈模式1400(模式2)和其中基站使用直接反馈信道矩阵的方案来执行影子训练的模式1600(模式3)之间切换模式来执行信道反馈。
在下文中，将参考图12至图17描述根据第三实施例的基于自动编码器NN发送或接收信号的方法。
图12示出了说明根据第三实施例的模式1下的UE和BS的操作的图。图13示出了说明根据第三实施例的模式1下的UE和BS的操作的图。
具体地，图12和图13示出了模式1下的UE使用直接反馈信道矩阵的方案来执行影子训练的方案。
UE 1201和BS 1202可以共享自动编码器NN的集合，该自动编码器NN的集合包括预先定义/训练的有限数量的元素。该集合可以是包括一个或多个自动编码器NN作为元素的集合，并且每个自动编码器具有与基于UE和BS之间的物理情况确定的层数和每个层的节点数量相对应的结构。这里，物理情况可以包括操作频率、UE带宽、UE/BS的天线配置等。基于预定情况的假设，可以预先学习集合中各个自动编码器NN的初始连接权重。
在初始接入1301和1307之后，UE 1201和BS 1202中的每一个可以获得与其另一个的物理情况相关联的信息，并且可以在操作1302和1308中从自动编码器NN的集合中选择一个元素。也就是说，UE 1201和BS 1202可以基于所获得的与初始接入之后的物理情况相关联的信息，在预先定义/训练的多个自动编码器NN当中选择具有适当结构的自动编码器NN。
UE 1201可以准备被选择用于影子训练的包括自动编码器NN的Tx NN和Rx NN两者的整个自动编码器NN 1207。根据实施例，UE可以使用下行链路信道矩阵H 1203(其是使用从BS接收到的信号来估计的)作为学习数据，并且可以在操作1303中，连续执行与整个自动编码器NN相关联的影子训练1207。UE从BS接收到的信号可以包括例如CRS、CSI-RS、同步信号、DMRS等，但不限于此。根据另一个实施例，UE 1201可以从BS 1202接收使用UE向BS 1202发送的参考信号估计的信道矩阵，并且可以使用估计的信道矩阵作为学习数据来执行影子训练。UE 1201向BS 1202发送的参考信号可以包括例如SRS和DMRS，但不限于此。也就是说，UE 1201可以使用由UE基于从BS 1202接收到的信号(CRS、CSI-RS、同步信号、DMRS、……)估计的信道矩阵或者由BS估计并从BS接收到的信道矩阵，来连续更新为影子训练准备的自动编码器NN的连接权重。
在操作1304中，UE 1201可以向BS 1202发送经由影子训练1207更新的新的整个自动编码器NN(Tx NN和Rx NN)的权重当中的Rx NN的权重(权重报告)。根据实施例，可以经由上行链路信道(例如，PUCCH或PUSCH)向BS 1202发送Rx NN的权重。根据实施例，由UE 1201发送的权重报告可以包括BS 1202切换到模式2的请求。
根据实施例，UE 1201可以向BS 1202发送经由周期性权重报告更新的Rx NN的权重。在这种情况下，可以考虑UE 1201执行影子训练需要的时间量来设置发送Rx NN的权重的周期。优选地，该周期可以被设置为长于信道状态信息报告周期(CSI报告周期)。
根据实施例，UE 1201可以向BS 1202发送Rx NN的权重，其是经由非周期性权重报告来更新的。UE 1201可以响应于来自BS 1202的非周期性权重报告请求来执行权重报告、或者如果执行影子训练的自动编码器NN的性能满足预定条件，则可以执行权重报告。这里，可以使用指示自动编码器NN的输入和输出之间的差异程度的指标来定义自动编码器NN的性能。例如，可以使用输入和输出之间的均方误差(MSE)值来定义自动编码器NN的性能。此外，预定条件可以是例如自动编码器NN的性能大于或等于预定参考的条件，即输入和输出之间的差异小于预定参考。这里，预定参考可以是预先确定并被输入到UE的值、或者可以是由UE任意设置的值。也就是说，如果影子训练的结果确定自动编码器NN的性能大于或等于预定水平，则UE 1201可以经由权重报告来请求BS 1202切换到模式2，使得经由经训练的自动编码器NN执行信号发送或接收。用作模式1的非周期性请求的标准的条件可以被设置为与模式2或模式3中使用的条件相同或不同。
由UE 1201发送的权重报告可以包括对BS 1202更新Rx NN的请求。在操作中，接收到权重报告的BS 1202可以向UE 1201发送确认接收到权重报告的ACK信号，并且可以在操作1310中，将保留的Rx NN的权重更新为新的接收到的权重。在接收到ACK信号时，在操作1305中，UE 1201可以将保留的Tx NN的权重更新为新学习的权重。
UE 1201和BS 1202可以分别更新Tx NN和Rx NN的权重，并且可以在操作1306和1311中切换到模式2。
图14示出了说明根据第三实施例的模式2下的UE和BS的操作的图。图15示出了说明根据第三实施例的模式2下的UE和BS的操作的图。
具体地，图14和图15示出了其中UE在根据模式2执行基于自动编码器的信道反馈方案700时执行影子测试1410的方案。
UE 1401可以在UE侧布置根据基于模式1或模式3执行的操作而更新的Tx NN1405，并且BS 1402可以在BS侧布置根据基于模式3执行的操作而更新的Rx NN 1408。在这种情况下，BS可以在BS侧布置对于小区中存在的每个UE不同的多个Rx NN。UE和BS可以使用分别布置的Tx NN 1005和Rx NN 1008来执行图7的基于自动编码器的下行链路信道反馈700。已经参考图7描述了基于自动编码器的下行链路信道反馈700，并且这里将省略对其的详细描述。
根据实施例，在操作1501中，UE 1401可以使用估计的信道矩阵来连续测试当前使用的自动编码器NN的性能。在本公开中，这被称为“影子测试”1410。随后，UE 1401可以请求BS 1402切换到模式1或模式3。该请求可以经由上行链路信道(例如，PUCCH或PUSCH)发送到BS。
根据实施例，UE 1401可以周期性地请求BS 1402切换到模式1或模式3。在这种情况下，可以随机确定UE 1401请求BS 1402切换模式的周期。
根据实施例，UE 1401可以非周期性地请求BS 1402切换到模式1或模式3。响应于来自BS 1402的请求，UE 1401可以请求切换到模式1或模式3、或者如果经由影子测试测量的自动编码器NN的性能满足预定条件，则在操作1502中，UE 1401可以请求切换到模式1或模式3。这里，可以使用指示自动编码器NN的输入和输出之间的差异程度的指标来定义自动编码器NN的性能。例如，可以使用输入和输出之间的均方误差(MSE)值来定义自动编码器NN的性能。此外，预定条件可以是例如自动编码器NN的性能小于预定参考的条件，即输入和输出之间的差异超过预定参考。也就是说，如果连续影子测试的结果示出用于信号发送或接收的自动编码器NN的性能低于预定水平，则UE 1401可以请求BS 1402切换到模式1或模式3以进行影子训练。用作模式2的非周期性请求的标准的条件可以被设置为与模式1或模式3中使用的条件相同或不同。
在操作1505中，BS 1402可以在向UE发送确认接收到模式切换请求1504的ACK信号之后切换到模式1或模式3。此外，在接收到ACK信号时，在操作1503中，UE 1401可以切换到模式1或模式3。
图16示出了根据第三实施例的模式3下的UE和BS的操作的图。图17示出了根据第三实施例的模式3下的UE和BS的操作的图。
具体地，图16和图17示出了其中根据模式3的BS使用直接反馈信道矩阵的方案来执行影子训练的方案(模式3)。
UE 1601和BS 1602可以共享自动编码器NN的集合，该自动编码器NN的集合包括预先定义/训练的有限数量的元素。该集合可以是包括一个或多个自动编码器NN作为元素的集合，并且每个自动编码器具有与基于UE和BS之间的物理情况确定的层数和每个层的节点数量相对应的结构。这里，物理情况可以包括操作频率、UE带宽、UE/BS的天线配置等。基于预定情况的假设，可以预先学习集合中各个自动编码器NN的初始连接权重。
在初始接入1701和1707之后，UE 1601和BS 1602中的每一个可以获得与其另一个的物理情况相关联的信息，并且可以在操作1702和1708中从自动编码器NN的集合中选择一个元素。也就是说，UE 1601和BS 1602可以基于所获得的与初始接入之后的物理情况相关联的信息，在预先定义/训练的多个自动编码器NN当中选择具有适当结构的自动编码器NN。
BS 1602可以准备被选择用于影子训练的包括自动编码器NN的Tx NN和Rx NN两者的整个自动编码器NN 1607。根据实施例，UE可以使用从BS接收到的信号来估计下行链路信道矩阵H 1603，并且可以将其发送给BS 1602。在操作1703中，BS 1602可以使用接收到的下行链路信道矩阵H 1606作为学习数据来连续执行与整个自动编码器NN相关联的影子训练1607。在这种情况下，UE从BS接收到的信号可以包括例如CRS、CSI-RS、同步信号、DMRS等，但不限于此。根据另一个实施例，BS 1602可以使用从UE 1601接收到的参考信号来估计信道矩阵，并且可以使用估计的信道矩阵作为学习数据来执行影子训练。UE 1601向BS 1602发送的参考信号可以包括例如SRS和DMRS，但是不限于此。也就是说，BS 1602可以使用由BS基于从UE 1601接收到的信号(SRS、DMRS、……)估计的信道矩阵或者由UE估计并从UE接收到的信道矩阵，来连续更新为影子训练准备的自动编码器NN的连接权重。
在操作1704中，BS 1602可以向UE发送经由影子训练1607更新的新的整个自动编码器NN(Tx NN和Rx NN)的权重当中的Tx NN的权重(权重报告)。根据实施例，可以经由下行链路信道(例如，PDCCH或PDSCH)向UE 1601发送Tx NN的权重。根据实施例，由BS 1602发送的权重报告可以包括对UE 1601切换到模式2的请求。
根据实施例，BS 1602可以向UE 1601发送Tx NN的权重，其是经由周期性权重报告来更新的。在这种情况下，可以考虑BS 1602执行影子训练需要的时间量来设置发送Tx NN的权重的周期。优选地，该周期可以被设置为长于信道状态信息报告周期(CSI报告周期)。
根据实施例，BS 1601可以向UE 1601发送Tx NN的权重，其是经由非周期性权重报告来更新的。BS 1602可以响应于来自UE 1601的非周期性权重报告请求来执行权重报告、或者如果执行影子训练的自动编码器NN的性能满足预定条件，则可以执行权重报告。这里，可以使用指示自动编码器NN的输入和输出之间的差异程度的指标来定义自动编码器NN的性能。例如，可以使用输入和输出之间的均方误差(MSE)值来定义自动编码器NN的性能。此外，预定条件可以是例如自动编码器NN的性能大于或等于预定参考的条件，即输入和输出之间的差异小于预定参考。这里，预定参考可以是预先确定并被输入到BS的值、或者可以是由BS任意设置的值。也就是说，如果影子训练的结果示出自动编码器NN的性能大于或等于预定水平，则BS 1602可以经由权重报告来请求UE 1601切换到模式2，使得经由经训练的自动编码器NN执行信号发送或接收。用作模式3的非周期性请求的标准的条件可以被设置为与模式1或模式2中使用的条件相同或不同。
由BS 1602发送的权重报告可以包括对UE 1601更新Tx NN的请求。接收到权重报告的UE 1601可以向BS 1602发送确认接收到权重报告的ACK信号，并且可以在操作1710中，将保留的Tx NN的权重更新为新的接收到的权重。在接收到ACK信号时，在操作1705中，BS1602可以将保留的Rx NN的权重更新为新学习的权重。
UE 1601和BS 1602可以分别更新Tx NN和Rx NN的权重，并且可以在操作1706和1711中切换到模式2。
为了实现本公开的上述实施例，图18和图19中示出了BS和UE中的每一个的发送器、接收器和控制器。公开了BS和UE的发送或接收方法，用于在根据实施例的通信系统中应用发送或接收上行链路/下行链路控制信道和数据信道的方法。为此，BS和UE中的每一个的发送器、接收器和处理器需要根据每个实施例来操作。
图18示出了说明根据实施例的BS的结构的框图。如图18所示，本公开的BS可以包括BS处理器1801、BS接收器1802和BS发送器1803。BS处理器1801可以控制一系列过程，使得BS根据上述实施例进行操作。例如，BS处理器1801可以使用OFDM信号、RS和数据信道资源映射及其发送或接收等来控制下行链路控制信道分配和发送。在实施例中，BS接收器1802和BS发送器1803通常被称为收发器。收发器可以执行与UE的信号发送或接收。该信号可以包括控制信息和数据。为此，收发器可以包括上变频并放大发送信号频率的RF发送器、低噪声放大接收到的信号并下变频频率的RF接收器等。此外，收发器可以向BS处理器1801输出经由无线信道接收到的信号，并且可以经由无线信道发送从BS处理器1801输出的信号。
图19示出了说明根据实施例的UE的结构的框图。如图19所示，本公开的UE可以包括UE处理器1901、UE接收器1902和UE发送器1903。UE处理器1901可以控制一系列过程，使得UE根据上述实施例进行操作。例如，UE处理器1901可以使用OFDM信号、RS和数据信道发送或接收等来控制下行链路控制信道接收。在实施例中，UE接收器1902和UE发送器1903通常被称为收发器。收发器可以执行与BS的信号发送或接收。该信号可以包括控制信息和数据。为此，收发器可以包括上变频并放大发送信号频率的RF发送器、低噪声放大接收到的信号并下变频频率的RF接收器等。此外，收发器可以向UE处理器1901输出经由无线信道接收到的信号，并且可以经由无线信道发送从UE处理器1901输出的信号。
已经呈现在说明书和附图中描述和示出的本公开的实施例，以容易地解释本公开的技术内容和帮助理解本公开，并且不旨在限制本公开的范围。也就是说，对于本领域技术人员来说，基于本公开的技术精神，可以对本公开进行的其他修改和改变是显而易见的。此外，根据需要，可以组合使用上述各个实施例。
尽管已经用各种实施例描述了本公开，但是本领域技术人员可以想到各种变化和修改。本公开旨在包含落入所附权利要求的范围内的这些变化和修改。

Claims (15)

1.一种移动通信系统中由用户设备UE发送或接收信号的方法，所述方法包括：
识别用于向基站BS发送第一信息的神经网络模型；
使用第一信息，学习神经网络模型的连接权重；
基于学习的结果，向BS发送用于更新与BS相对应的第二部分神经网络的权重的第二信息；以及
基于学习的结果，更新与UE相对应的第一部分神经网络的权重，
其中，所述神经网络模型包括与UE相对应的第一部分神经网络和与BS相对应的第二部分神经网络。
2.根据权利要求1所述的方法，其中，所述神经网络模型包括至少一个隐藏层，所述隐藏层的节点数量少于输入层的节点数量和输出层的节点数量。
3.根据权利要求1所述的方法，还包括：
从BS接收与第二信息相关联的确认ACK信号，
其中，更新第一部分神经网络的权重包括在从BS接收到ACK信号之后更新第一部分神经网络的权重。
4.根据权利要求1所述的方法，其中，识别神经网络模型包括：
基于操作频率、UE带宽以及UE和BS的天线配置中的至少一个来识别神经网络模型。
5.根据权利要求1所述的方法，其中，所述第一信息是由UE或BS估计的信道信息。
6.一种移动通信系统中由基站BS发送或接收信号的方法，所述方法包括：
识别用于从用户设备UE接收第一信息的神经网络模型；
从UE接收用于更新与BS相对应的第二部分神经网络的权重的第二信息；以及
基于第二信息，更新第二部分神经网络的权重，
其中，所述神经网络模型包括与UE相对应的第一部分神经网络和与BS相对应的第二部分神经网络。
7.根据权利要求6所述的方法，其中，所述神经网络模型包括至少一个隐藏层，所述隐藏层的节点数量少于输入层的节点数量和输出层的节点数量。
8.根据权利要求6所述的方法，还包括：
向UE发送与第二信息相关联的确认ACK信号，
其中，更新第二部分神经网络的权重包括在向UE发送ACK信号之后更新第二部分神经网络的权重。
9.根据权利要求6所述的方法，其中，识别神经网络模型包括：
基于操作频率、UE带宽以及UE和BS的天线配置中的至少一个来识别神经网络模型。
10.根据权利要求6所述的方法，其中，所述第一信息是由UE或BS估计的信道信息。
11.一种移动通信系统中发送或接收信号的用户设备UE，所述UE包括：
收发器，被配置为发送或接收信号；以及
控制器，被配置为：识别用于向基站BS发送第一信息的神经网络模型；使用第一信息，学习神经网络模型的连接权重；基于学习的结果，向BS发送用于更新与BS相对应的第二部分神经网络的权重的第二信息；以及基于学习的结果，更新与UE相对应的第一部分神经网络的权重，
其中，所述神经网络模型包括与UE相对应的第一部分神经网络和与BS相对应的第二部分神经网络。
12.根据权利要求11所述的UE，其中，所述神经网络模型包括至少一个隐藏层，所述隐藏层的节点数量少于输入层的节点数量和输出层的节点数量。
13.根据权利要求11所述的UE，其中，所述控制器还被配置为从BS接收与第二信息相关联的确认ACK信号，并且在从BS接收到ACK信号之后更新第一部分神经网络的权重。
14.一种移动通信系统中发送或接收信号的基站BS，所述BS包括：
收发器，被配置为发送或接收信号；以及
控制器，被配置为：识别用于从用户设备UE接收第一信息的神经网络模型；从UE接收用于更新与BS相对应的第二部分神经网络的权重的第二信息；以及基于第二信息，更新第二部分神经网络的权重，
其中，所述神经网络模型包括与UE相对应的第一部分神经网络和与BS相对应的第二部分神经网络。
15.根据权利要求14所述的BS，其中，所述神经网络模型包括至少一个隐藏层，所述隐藏层的节点数量少于输入层的节点数量和输出层的节点数量。
CN202080070869.7A 2019-10-10 2020-09-24 在无线通信系统中使用人工智能收发信号的方法和装置 Pending CN114514729A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020190125623A KR20210042717A (ko) 2019-10-10 2019-10-10 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치
KR10-2019-0125623 2019-10-10
PCT/KR2020/012950 WO2021071141A1 (en) 2019-10-10 2020-09-24 Method and apparatus for transceiving signal using artificial intelligence in wireless communication system

Publications (1)

Publication Number Publication Date
CN114514729A true CN114514729A (zh) 2022-05-17

Family

ID=75382137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080070869.7A Pending CN114514729A (zh) 2019-10-10 2020-09-24 在无线通信系统中使用人工智能收发信号的方法和装置

Country Status (5)

Country Link
US (1) US20210110261A1 (zh)
EP (1) EP3987674A4 (zh)
KR (1) KR20210042717A (zh)
CN (1) CN114514729A (zh)
WO (1) WO2021071141A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11463138B2 (en) * 2019-12-20 2022-10-04 Qualcomm Incorporated Neural network and antenna configuration indication
CN111541505B (zh) * 2020-04-03 2021-04-27 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
TWI741619B (zh) * 2020-05-26 2021-10-01 國立中山大學 多輸入輸出系統之參數估測方法
EP4009597A1 (en) * 2020-12-03 2022-06-08 Nokia Technologies Oy Demapping received data
CN117178497A (zh) * 2021-04-16 2023-12-05 联想(北京)有限公司 控制可重构智能表面设备
CN113225753B (zh) * 2021-04-16 2022-05-10 广东工业大学 智能反射面辅助非正交多址接入的通信系统及其优化方法
CN113645171B (zh) * 2021-07-13 2022-08-12 清华大学 可重构智能表面多用户mimo系统调制解调方法及装置
CN113556159A (zh) * 2021-07-22 2021-10-26 上海海事大学 一种大规模mimo多用户系统的信道反馈方法
WO2023019532A1 (zh) * 2021-08-19 2023-02-23 北京小米移动软件有限公司 Oam波束传输方法、装置、用户设备及存储介质
WO2023060417A1 (en) * 2021-10-12 2023-04-20 Qualcomm Incorporated Ue clustering in fl model update reporting
WO2023081187A1 (en) * 2021-11-03 2023-05-11 Interdigital Patent Holdings, Inc. Methods and apparatuses for multi-resolution csi feedback for wireless systems
WO2023090615A1 (ko) * 2021-11-22 2023-05-25 엘지전자 주식회사 무선 통신 시스템에서 다중 사용자 프리코딩을 수행하기 위한 장치 및 방법
EP4241522A4 (en) * 2021-11-23 2024-01-24 Zte Corp MODEL MANAGEMENT SYSTEMS AND METHODS
WO2023113668A1 (en) * 2021-12-15 2023-06-22 Telefonaktiebolaget Lm Ericsson (Publ) Communications nodes and methods for proprietary machine learning-based csi reporting
CN114285443B (zh) * 2021-12-28 2024-02-02 东南大学 动态超表面天线辅助的近场宽带上行mimo传输方法
TWI801259B (zh) * 2022-06-07 2023-05-01 國立陽明交通大學 使用可重構智能表面之全雙工通訊系統及方法
WO2023236098A1 (en) * 2022-06-08 2023-12-14 Apple Inc. Method and procedure for ai based csi feedback with csi prediction
KR20230171610A (ko) * 2022-06-14 2023-12-21 삼성전자주식회사 무선 통신 시스템에서 ai 모델을 모니터링 및 보고하기 위한 방법 및 장치
WO2024048198A1 (en) * 2022-08-30 2024-03-07 Toyota Jidosha Kabushiki Kaisha Channel state information feedback compression in new radio transmission
US11799585B2 (en) * 2022-09-06 2023-10-24 David E. Newman Error correction in 5G and 6G using AI-based analog-digital correlations

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180367192A1 (en) * 2017-06-19 2018-12-20 Virginia Tech Intellectual Properties, Inc. Encoding and decoding of information for wireless transmission using multi-antenna transceivers
US20190014488A1 (en) * 2017-07-06 2019-01-10 Futurewei Technologies, Inc. System and method for deep learning and wireless network optimization using deep learning
CN109565338A (zh) * 2016-07-29 2019-04-02 三星电子株式会社 用于在移动通信系统中报告信道状态信息的方法和设备
CN109756432A (zh) * 2017-11-01 2019-05-14 展讯通信（上海）有限公司 Ofdm信道估计方法和装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6078513A (en) * 1999-06-09 2000-06-20 Neomagic Corp. NMOS dynamic content-addressable-memory CAM cell with self-booting pass transistors and local row and column select
US6725207B2 (en) * 2001-04-23 2004-04-20 Hewlett-Packard Development Company, L.P. Media selection using a neural network
JP2010086397A (ja) * 2008-10-01 2010-04-15 Toshiba Storage Device Corp 制御装置、制御プログラム及び方法
DE102013208643B4 (de) * 2012-05-10 2021-12-02 Lear Corp. System, Verfahren und Produkt zum Lokalisieren eines Fahrzeugschlüssels mittels neuronaler Netzwerke
US10872699B2 (en) * 2016-03-25 2020-12-22 Siemens Healthcare Gmbh Case-based reasoning in the cloud using deep learning
US11003987B2 (en) * 2016-05-10 2021-05-11 Google Llc Audio processing with neural networks
US10318827B2 (en) * 2016-12-19 2019-06-11 Waymo Llc Object detection neural networks
KR20180080122A (ko) * 2017-01-02 2018-07-11 한국전자통신연구원 무선 전송 장치
SG11201811659PA (en) * 2017-04-27 2019-01-30 Beijing Didi Infinity Technology & Development Co Ltd Systems and methods for determining an estimated time of arrival
US20180336463A1 (en) * 2017-05-18 2018-11-22 General Electric Company Systems and methods for domain-specific obscured data transport
US10555192B2 (en) * 2017-11-15 2020-02-04 Futurewei Technologies, Inc. Predicting received signal strength in a telecommunication network using deep neural networks
KR20190098043A (ko) * 2018-02-12 2019-08-21 한국전자통신연구원 자원 할당 방법
US10482174B1 (en) * 2018-10-17 2019-11-19 Capital One Services, Llc Systems and methods for identifying form fields
US11653228B2 (en) * 2020-02-24 2023-05-16 Qualcomm Incorporated Channel state information (CSI) learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109565338A (zh) * 2016-07-29 2019-04-02 三星电子株式会社 用于在移动通信系统中报告信道状态信息的方法和设备
US20180367192A1 (en) * 2017-06-19 2018-12-20 Virginia Tech Intellectual Properties, Inc. Encoding and decoding of information for wireless transmission using multi-antenna transceivers
US20190014488A1 (en) * 2017-07-06 2019-01-10 Futurewei Technologies, Inc. System and method for deep learning and wireless network optimization using deep learning
CN109756432A (zh) * 2017-11-01 2019-05-14 展讯通信（上海）有限公司 Ofdm信道估计方法和装置

Also Published As

Publication number Publication date
EP3987674A1 (en) 2022-04-27
US20210110261A1 (en) 2021-04-15
KR20210042717A (ko) 2021-04-20
WO2021071141A1 (en) 2021-04-15
EP3987674A4 (en) 2022-08-10

Similar Documents

Publication Publication Date Title
US20210110261A1 (en) Method and apparatus for transceiving signal using artificial intelligence in wireless communication system
JP2022521690A (ja) 複数の送受信ポイントにわたってｐｄｓｃｈ送信スケジューリングされたマルチｐｄｃｃｈ用のｈａｒｑ ａｃｋ
CN114342309A (zh) 随机接入响应和竞争解决
US20220200777A1 (en) Method and apparatus for supporting full duplex operation in wireless communication system
US11245489B2 (en) Method and apparatus for blind-decoding physical downlink control channel (PDCCH) in wireless communication system
AU2018264628B2 (en) Method and apparatus for transmitting downlink control channel in wireless communication system
CN114270920A (zh) 无线通信系统中终端波束失败恢复操作指示方法及装置
US10701638B2 (en) Method and apparatus for reducing energy consumption of terminal in wireless communication system
KR20210106572A (ko) 무선 통신 시스템에서의 분할 csi 보고를 가능하게 하는 방법 및 장치
US11979833B2 (en) Method and device for reporting channel state information in wireless communication system
US11689407B2 (en) Method and apparatus for downlink OFDMA having DFT-precoding applied thereto
US20230125714A1 (en) Method and device for estimating self-interference channel in full-duplex communication system
CN112313892A (zh) 用于在无线通信系统中发送和接收调制信号的方法和设备
CN117044357A (zh) 用于在无线通信系统中发送下行链路数据作为重复的下行链路控制信息的方法和设备
US20220377771A1 (en) Method and apparatus for transmitting/receiving signals for groupcast in wireless communication system
US20220303093A1 (en) Method and apparatus for selecting default beam and pathloss reference signal for transmission of sounding reference signal in wireless communication systems
US20240031044A1 (en) Method and apparatus for measuring interference in wireless communication system
KR20230144522A (ko) 유니캐스트 및 멀티캐스트 제어 정보 다중화
KR20230158513A (ko) 상향링크 채널의 반복 전송
KR20220084704A (ko) 무선 통신 시스템에서 ssb 송수신 방법 및 장치
KR20220138879A (ko) 무선 통신 시스템에서 상향링크 전력 헤드룸 보고 방법 및 장치
CN115668793A (zh) 用于用信号通知能力以启用全功率上行链路传输的方法和装置
US20230208683A1 (en) Method and device for estimating self-interference channel in wireless communication system
EP4319447A1 (en) Method and device for random access in wireless communication system
US11646816B2 (en) Method and apparatus for transmitting and receiving data channels in wireless communication system

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