CN114531355A - 通信方法、装置及通信设备 - Google Patents
通信方法、装置及通信设备 Download PDFInfo
- Publication number
- CN114531355A CN114531355A CN202011324299.8A CN202011324299A CN114531355A CN 114531355 A CN114531355 A CN 114531355A CN 202011324299 A CN202011324299 A CN 202011324299A CN 114531355 A CN114531355 A CN 114531355A
- Authority
- CN
- China
- Prior art keywords
- information
- sub
- network
- communication
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 261
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000011664 signaling Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 4
- 238000013473 artificial intelligence Methods 0.000 description 64
- 238000010586 diagram Methods 0.000 description 18
- 230000005540 biological transmission Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000009795 derivation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0003—Two-dimensional division
- H04L5/0005—Time-frequency
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0044—Arrangements for allocating sub-channels of the transmission path allocation of payload
- H04L5/0046—Determination of how many bits are transmitted on different sub-channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0014—Three-dimensional division
- H04L5/0016—Time-frequency-code
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0058—Allocation criteria
- H04L5/0073—Allocation arrangements that take into account other cell interferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种通信方法、装置及通信设备,属于无线通信技术领域。其中,该方法包括:第一通信设备将第一通信信息划分为n个第一目标子带信息;将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n、M和N均为大于0的整数,且n≤N≤M;发送所述第一子AI网络输出的第二通信信息。
Description
技术领域
本申请属于无线通信技术领域,具体涉及一种通信方法、装置及通信设备。
背景技术
目前,人工智能(Artificial Intelligence,AI)网络(也可以称为神经网络)在各个领域获得了广泛的应用。
在相关技术中,一个AI网络的输入大小一般是固定的,如果需要有不同大小的输入,则需要针对每个输入大小构建一个AI网络。而在实际应用环境中,AI网络的输入可能随时变化。例如,在通信技术领域,在通过AI网络将待发送的原始信息生成可以通过无线网络传输的数据流时,待发送的原始信息的大小通常是不固定的,因此,需要针对每个输入大小构建一个AI网络,从而导致通信设备中存储的AI网络数量过多,增加了通信设备的存储压力。
发明内容
本申请实施例提供一种通信信息的发送方法、装置及通信设备,能够解决通信设备中存储的AI网络数量过多的问题。
第一方面,提供了一种通信信息的发送方法,包括:第一通信设备将第一通信信息划分为n个第一目标子带信息;将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n、M和N均为大于0的整数,且n≤N≤M;发送所述第一子AI网络输出的第二通信信息。
第二方面,提供了一种通信信息的发送装置,包括:划分模块,用于将第一通信信息划分为n个第一目标子带信息;输入模块,用于将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n、M和N均为大于0的整数,且n≤N≤M;发送模块,用于发送所述第一子AI网络输出的第二通信信息。
第三方面,提供了一种通信设备,该通信设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行终端程序或指令,实现如第一方面所述的方法步骤。
第六方面,提供了一种计算机程序产品,该计算机程序产品包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
在本申请实施例中,第一通信设备将第一通信信息划分为n个第一目标子带信息,将n个所述第一目标子带信息输入到第一AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n≤N≤M,然后发送第一子AI网络输出的第二通信信息。在本申请实施例中,第一AI网络模块包括多个子AI网络,多个子AI网络之间可以采用嵌套的方式布局,每个子AI网络对应不同的最大输入量,从而可以根据实际的输入信息的大小,选择输入到对应的子AI网络,降低了存储的AI网络模型的数量,简化了AI网络的复杂度,提升了通信系统的性能。
附图说明
图1示出本申请实施例可应用的一种无线通信系统的示意图;
图2示出本申请实施例提供的通信信息的发送方法的一种流程示意图;
图3示出本申请实施例提供的一种AI网络模型的结构示意图;
图4示出本申请实施例提供的另一种AI网络模型的结构示意图;
图5示出本申请实施例提供的又一种AI网络模型的结构示意图;
图6示出本申请实施例提供的又一种AI网络模型的结构示意图;
图7示出本申请实施例提供的又一种AI网络模型的结构示意图;
图8示出本申请实施例提供的又一种AI网络模型的结构示意图;
图9示出本申请实施例提供的又一种AI网络模型的结构示意图;
图10示出本申请实施例提供的又一种AI网络模型的结构示意图;
图11a示出本申请实施例提供的又一种AI网络模型的结构示意图;
图11b示出本申请实施例提供的又一种AI网络模型的结构示意图;
图12示出本申请实施例提供的通信信息的发送装置的一种结构示意图;
图13示出本申请实施例提供的一种通信设备的结构示意图;
图14示出本申请实施例提供的一种终端的硬件结构示意图;
图15示出本申请实施例提供的一种网络侧设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)系统,还可用于其他无线通信系统,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency-Division Multiple Access,SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的系统和无线电技术,也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(NewRadio,NR)系统,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR系统应用以外的应用,如第6代(6thGeneration,6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的示意图。无线通信系统包括终端11和网络侧设备12。其中,终端11也可以称作终端设备或者用户终端(UserEquipment,UE),终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer,UMPC)、移动上网装置(Mobile Internet Device,MID)、可穿戴式设备(Wearable Device)或车载设备(VUE)、行人终端(PUE)等终端侧设备,可穿戴式设备包括:手环、耳机、眼镜等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以是基站或核心网,其中,基站可被称为节点B、演进节点B、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set,BSS)、扩展服务集(Extended Service Set,ESS)、B节点、演进型B节点(eNB)、家用B节点、家用演进型B节点、WLAN接入点、WiFi节点、发送接收点(TransmittingReceivingPoint,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例,但是并不限定基站的具体类型。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的通信信息的发送方案进行详细地说明。
图2示出本申请实施例中的通信信息的发送方法的一种流程示意图,该装置200可以由第一通信设备执行。换言之,所述装置可以由安装在第一通信设备上的软件或硬件来执行。如图2所示,该方法可以包括以下步骤。
S210,第一通信设备将第一通信信息划分为n个第一目标子带信息。
在一个可能的实现方式中,子带划分可以根据频域资源划分、时域资源划分、空域资源划分、码域资源划分等。因此,在该可能的实现方式中,S210可以包括:根据所述第一通信信息的目标资源,将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述目标资源包括以下至少之一:频域资源、时域资源、空域资源、码域资源、时延域资源、多普勒域资源、傅里叶变换域资源、S域资源、Z域资源,和其它类型变换域的资源。
在上述可能的实现方式中,S域是指在频域分析中以虚指数exp(jωt)为基本信号,任意信号可分解为众多不同频率的虚指数分量。Z域是Z变换得到的域。其中,Z变换为数学中经典的变换。
在具体应用中,可选的,可以以预定的资源大小为单位,参考将第一通信信息划分为一个或多个子带信息。因此,在一个可能的实现方式中,第一通信设备将第一通信信息划分为一个或多个子带信息,包括以下至少之一:
(1)以频域单位资源为单位,在所述频域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述频域单位资源包括以下至少之一:子载波、资源块(ResourceBlock,RB)、物理资源块(Physical Resource Block,PRB、子带、预编码资源块组(Precoding Resource block Group,PRG)、以及带宽部分(Bandwidth Part,BWP)。也就是说,在该可能的实现方式中,可以将第一通信信息按照RB、PRB、PRG、子带或BWP进行划分,将第一通信信息的每一个或多个RB、PRB、PRG、子带或BWP上的信息划分为一个子带。
(2)以时域单位资源为单位,在所述时域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述时域单位资源包括以下至少之一:符号、时隙、半时隙、帧、子帧、无线帧、毫秒、秒或其它时间单位。也就是说,在该可能的实现方式中,可以将第一通信信息按照符号、时隙、半时隙、帧、子帧、无线帧、毫秒、秒或其它时间单位进行划分,将第一通信信息的每一个或多个符号、时隙、半时隙、帧、子帧、无线帧、毫秒、秒或其它时间单位上的信息划分为一个子带。其中,所述符号包括但不限于正交频分复用(Orthogonalfrequency division multiplex,OFDM)符号。
(3)以空域单位资源为单位,在所述空域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述空域单位资源包括以下至少之一:天线、天线元、天线面板、发送接收单元、波束(包括模拟波束和数字波束)、层(Layer)、秩(Rank)、以及天线角度(例如,倾角)。也就是说,在该可能的实现方式中,可以将第一通信信息按照天线、天线元、天线面板、发送接收单元、波束(包括模拟波束和数字波束)、层(Layer)、秩(Rank)、以及天线角度(例如,倾角)进行划分。
(4)以码域单位资源为单位,在所述码域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述码域单位资源包括以下至少之一:正交码、准正交码、以及半正交码。也就是说,在该可能的实现方式中,可以将第一通信信息按照正交码、准正交码、以及半正交码进行划分。
S212,将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n、M和N均为大于0的整数,且n≤N≤M。
在本申请实施例中,第一人工智能网络(或者也可以称之为神经网络)模型用于对输入的子带信息进行处理,以输出与第一通信信息对应的第二通信信息,即待发送的信息。例如,第一人工智能网络模型可以根据第一通信信息的宽带信息对一个或多个子带信息编码,输出子带编码数据流(即第二通信信息),其中,第一通信信息可以为原始信号。其中,第一通信信息的宽带信息可以为表征第一通信信息的整体特征的信息。
在本申请实施例中,第一AI网络模型的最大输入量为M个子带信息,第一AI网络模型可以输入不同的大小的信息,第一AI网络模型可以包括多个子AI网络,其中,大信息输入时的子AI网络可以包含小信息输入时的子AI网络,或者也可以说基于小信息输入时的子AI网络可以构造出大信息输入时的子AI网络。
在本申请实施例,每个子AI网络可以对应一个最大输入量,各个子AI网络之间可以采用嵌套的方式设置,例如,第一AI网络模型的第一层子AI网络的最大输入量为M,该子AI网络可以嵌套一个最大输入量为i的子AI网络和一个最大输入量为(M-i)的子AI网络,而最大输入量为(M-i)的子AI网络,又可以嵌套一个最大输入量为i的子AI网络和一个输入大小为(M-2i)的子AI网络,如此循环嵌套设置。当然,并不限于此,在实际应用中,还可以采用其它类似的网络结构。
S214,发送所述第一子AI网络输出的第二通信信息。
在本申请实施例中,第一AI网络模块包括多个子AI网络,多个子AI网络之间可以采用嵌套的方式布局,每个子AI网络对应不同的最大输入量,从而可以根据实际的输入信息的大小,选择输入到对应的子AI网络,降低了存储的AI网络模型的数量,简化了AI网络的复杂度,提升了通信系统的性能。
在一个可能的实现方式中,在S212中,将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络时,可以将n个所述第一目标子带信息按照预定顺序排列输入到所述第一子AI网络,其中,所述预定顺序包括:n个所述第一目标子带信息的标识从大到小或从小到大的顺序。
或者,在另一个可能的实现方式中,在S212中,将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络时,若所述第一子AI网络的输入量固定为N个子带信息,则将n个所述第一目标子带信息和N-n个无效子带信息输入到所述第一子AI网络,其中,n个所述第一目标子带信息位于指定位置。例如,若第一子AI网络的输入为固定10个子带,但目前只有4个有效子带,则输入为123xxxxxx4,其中x表示该子带无有效输入。当某个子带无有效输入时,可以将默认信息(如全零信息)、至少一个有效子带信息的数学组合或其它信息作为该子带的输入。
在一个可能的实现方式中,所述第二通信信息的大小为固定值,或所述第二通信信息的大小由输入的所述第一目标子带信息的数量确定。也就是说,在该可能的实现方式中,第二通信信息的开销可以是固定的,也可以是根据输入量的变化而变化。
例如,第二通信信息的大小与输入的所述第一目标子带信息的数量成正比。比如,输入的子带数目X1,对应第二通信信息的开销为Y1,当输入的子带数目为X1*N,则第二通信信息的开销为Y1*N。
另外,第二通信信息的大小的增量与输入的所述第一目标子带信息的数量的增量成正比。例如,输入的子带数目X1+X2,对应第二通信信息的开销为Y1+Y2,当输入的子带数目为X1+X2*N,则第二通信信息的开销为Y1+Y2*N。其中X1为基础输出量/基础子带数目,X2为使用嵌套结构的额外输入。
在本申请实施例的一个可能的实现方式中,在S210之前,还可以对第一AI网络模型进行训练,以使得确定第一AI网络模型的各个网络参数。因此,在该可能的实现方式中,在S210之前,该方法还可以包括:使用多个训练样本,对所述第一AI网络模型进行训练,其中,一个所述训练样本包括:m个子带信息以及m个子带信息对应的输出信息的大小,m≤M。例如,训练样本包含第一AI网络模型输入的子带数目X1、X2、X3、....、Xn,则样本中,子带数目X1对应第二通信信息的开销为Y1,子带数目X2对应第二通信信息的开销为Y2,....,子带数目Xn对应第二通信信息的开销为Yn;将这些样本都作为第一AI网络模型的训练样本,输入到第一AI网络模型进行训练。可选地,子带数目和/或第二通信信息的开销,由其它通信设备或通信模块告知,或由第一通信设备告知其它通信设备或通信模块。
在一个可能的实现方式中,在S214之后,第一通信设备可能还需要发送第三通信信息,因此,在该可能的实现方式中,在S214之后,该方法还可以包括:
步骤1,所述第一通信设备将第三通信信息划分为(n+p)个第二目标子带信息,其中,p为大于或等于0的整数;也就是说,在该可能的实现方式中,第三通信信息大于或等于第一通信信息。
步骤2,将n个所述第二目标子带信息输入所述第一子AI网络,将(n+p)个第二目标子带信息中的其它p个第二目标子带信息输入第一AI网络模型的第二子AI网络,其中,所述第二子AI网络的最大输入量为P个子带信息,P为大于0的整数,且p≤P≤M;也就是说,在该可能的实现方式中,将n个第二目标子带信息和(n+p)个第二目标子带信息中的其它p个第二目标子带信息分别输入到两个子AI网络,其中,一个子AI网络与第一通信信息输入的子AI网络相同,例如,所述第一子AI网络与第一通信信息输入的子AI网络相同。
步骤3,发送所述第一AI网络输出的第四通信信息。
在上述可能的实现方式中,如图3所示,第一子AI网络的输入信息还可以包括以下至少之一:其它p个所述第二目标子带信息、所述第二子AI网络的中间信息、以及所述第二子AI网络的输出信息;所述第二子AI网络的输入信息还包括以下至少之一:n个所述目标子带信息、所述第一子AI网络的中间信息、以及所述第一子AI网络的输出信息。
需要说明的是,在本申请中的各个附图中,n个子带信息用输入A表示,p个子带信息用输入B表示,n个子带信息对应的第一输出信息为输出A,P个子带信息对应的第二输出信息为输出B,第一子AI网络为子模块A,第二子AI网络为子模块B。可选地,第一输出信息为第二通信信息,或通过第一输出信息经过信号处理和/或数学操作后可以得到第二通信信息。数学操作可以包括加减乘数、K次方、K次开根号、对数、求导、求偏导等各种常见数学操作的组合。K为任意数。例如,K可以为正数或负数或0,或者也可以为实数或复数,具体本实施例中不作限定。
例如,在图4中,第一子AI网络的输入信息还包括其它p个所述第二目标子带信息,第二子AI网络的输入信息还包括n个所述目标子带信息。
或者,在图5中,第二子AI网络的输入信息包括n个所述目标子带信息和第一子AI网络的中间信息。
又或者,在图6中,第一子AI网络的输入信息还包括其它p个所述第二目标子带信息和第二子AI网络的中间信息,第二子AI网络的输入信息还包括n个所述目标子带信息和第一子AI网络的中间信息。
在上述可能的实现方式中,所述第四通信信息包括以下至少之一:第一输出信息、第二输出信息、以及所述第一输出信息和所述第二输出信息按照预设算法进行计算后得到的结果。
例如,在图3至图5中,第四通信信息包括第一输出信息,或者,包括第一输出信息和第二输出信息。例如,第四通信信息为第一输出信息与第二输出信息合并后得到的一维向量或二维矩阵或多维矩阵.
又例如,在图6中,第四通信信息包括所述第一输出信息和所述第二输出信息按照预设算法进行计算后得到的结果。其中,预设算法包括但不限于加权和/或其它数学操作。例如,加权可以包括线性平均、乘性平均及其它常见平均方法的组合。数学操作可以包括加减乘数、K次方、K次开根号、对数、求导、求偏导等各种常见数学操作的组合。K为任意数。例如,K可以为正数或负数或0,或者也可以为实数或复数,具体本实施例中不作限定。
在上述可能的实现方式中,可选的,第一输出信息可以由所述第一子AI网络的输出和/或所述第二子AI网络的输出确定;和/或,所述第二输出信息可以由所述第一子AI网络的输出和/或所述第二子AI网络的输出确定。例如,在图7和图4中,第一输出信息由所述第一子AI网络的输出和所述第二子AI网络的输出确定,第二输出信息由所述第一子AI网络的输出和所述第二子AI网络的输出确定。在图5中,第一输出信息由所述第一子AI网络的输出确定,第二输出信息由所述第一子AI网络的输出和所述第二子AI网络的输出确定、或由所述第二子AI网络的输出确定。而在图8中,第一输出信息由所述第一子AI网络的输出和所述第二子AI网络的输出确定、或由所述第一子AI网络的输出,第二输出信息由所述第二子AI网络的输出确定。
在上述可能的实现方式中,在p等于0的情况下,所述第四通信信息的大小大于或等于所述第二通信信息的大小。例如,在图9中,输入n个子带信息,输出为第一输出信息和第二输出信息,其中,第一输出信息与第二通信信息的大小相同。相对于第二通信信息,第四通信信息中可以包括更多的信息。
在另一个可能的实现方式中,在p等于0的情况下,所述第四通信信息的大小小于或等于所述第二通信信息的大小。
在上述可能的实现方式中,在p等于0的情况下,也可以将n个第二目标子带信息输入到第一子AI网络和第二子AI网络。例如,在图10中,将n个第二目标子带信息作为输入A分别输入第一子AI网络和第二子AI网络,可以同时得到第一输出信息和第二输出信息,从而使得得到的第四通信信息(包括第一输出信息和第二输出信息)的大小比第二通信信息更大,从而可以更好的处理n个第二目标子带信息,以获得更高质量的输出信息。
如图10所示,在上述可能的实现方式中,第一子AI网络的输入可以包括第二子AI网络的中间信息、或不包括第二子AI网络的中间信息,而第二子AI网络的输入可以包括第一子AI网络的中间信息、或不包括第一子AI网络的中间信息,第一输出信息可以由第一子AI网络的输出确定,也可以由第一子AI网络的输出和第二子AI网络的输出确定,第二输出信息可以由第二子AI网络的输出确定,也可以由第二子AI网络的输出和第一子AI网络的输出确定,具体本申请实施例中不作限定。
或者,在另一个可能的实现方式中,在第一通信设备在发送第三通信信息时,还可以采用下面的步骤:
步骤1,所述第一通信设备将第三通信信息划分为(n+p)个第二目标子带信息,其中,p为大于或等于0的整数;即第三通信信息大于或等于第一通信信息。
步骤2,将n个所述第二目标子带信息输入所述第一子AI网络,将(n+p)个第二目标子带信息中的其它p个第二目标子带信息输入所述第一子AI网络,其中,p≤N。
即在该可能的实现方式中,将(n+p)个第二目标子带信息均输入到第一子AI网络中,其中,可以将(n+p)个第二目标子带信息同时作为第一子AI网络的输入信息输入,例如,在n+p≤N时,将(n+p)个第二目标子带信息同时作为第一子AI网络的输入信息输入。或者,也可以将n个第二目标子带信息和p个所述第二目标子带信息分别作为第一子AI网络的输入信息输入,例如,在n+p>N的情况下,将n个第二目标子带信息和p个所述第二目标子带信息分别作为第一子AI网络的输入信息输入。例如,先将n个第二目标子带信息输入第一子AI网络,然后将p个所述第二目标子带信息输入第一子AI网络;可选地,将p个所述第二目标子带信息输入第一子AI网络时,第一子AI网络可以利用n个第二目标子带信息输入时的中间信息或输出信息。
步骤3,发送所述第一子AI网络输出的第四通信信息。
例如,在图11a中,将n个第二目标子带信息作为输入A输入到第一子AI网络,将p个所述第二目标子带信息作为输入B输入到第一子AI网络,将第一子AI网络的输出A作为第四通信信息。
又例如,在图11b中,将n个第二目标子带信息作为输入A输入到第一子AI网络,将p个所述第二目标子带信息作为输入B输入到第一子AI网络,将第一子AI网络的输出A和输出B作为第四通信信息。
在上述可能的实现方式中,可选的,所述第四通信信息包括第一输出信息和/或第二输出信息,可选地,所述第一输出信息的大小与所述第二通信信息的大小相同。
可选地,在第四通信信息只包括第一输出信息的情况下,第四通信信息的大小与第二通信信息的大小相同。也就是说,在该可能的实现方式中,不同的输入维度,输出维度可以相同,但输出中包含的信息不同(即第二通信信息与第四通信信息的大小相同,但实际包含的信息不同),对后续模块的影响不同。,相比于第二通信信息,第四通信信息表征的信息量更大、更精确,带来更好的性能。
在本申请实施例的一个可能的实现方式中,所述第二通信信息和/或第四通信信息包括以下之一:
(1)参考信号;即用于信号处理的参考信号。例如,可以包括用于信号检测、滤波、均衡等的参考信号。所述参考信号包括但不限于:解调参考信号(Demodulation ReferenceSignal,DMRS)、探测参考信号(Sounding Reference Signal,SRS)、同步信号/物理广播信道信号块(或同步信号块)(Synchronization Signal and PBCH block,SSB)、跟踪参考信号(Tracking Reference Signal,TRS)、相位TRS(Phase-TRS,PTRS)、信道状态信息(Channel State Information,CSI)参考信号(CSI Reference Signal,CSI-RS)等。
(2)信道承载的信号;其中,信道包括但不限于物理下行控制信道(Physicaldownlink control channel,PDCCH)、物理下行共享信道(Physical downlink sharedchannel,PDSCH)、物理上行控制信道(Physical Uplink Control Channel,PUCCH)、物理上行共享信道(Physical Uplink Shared Channel,PUSCH)、物理随机接入信道(PhysicalRandom Access Channel,PRACH)、物理广播信道(Physical broadcast channel,PBCH)等。
(3)信道状态信息。
例如,可以包括:
(3-1)、信道状态信息反馈信息。包括但不限于信道相关信息、信道矩阵相关信息、信道特征信息、信道矩阵特征信息、PMI、秩指示(Rank indicator,RI)、CSI-RS资源指示(CSI-RS Resource Indicator,CRI)、信道质量指示(Channel quality indicator,CQI)、层指示(Layer Indicator,LI)等。
(3-2)、频分复用(Frequency Division Duplex,FDD)上下行部分互易性的信道状态信息。
其中,对于FDD系统,根据部分互异性,基站根据上行信道获取角度和时延信息,可以通过CSI-RS预编码或者直接指示的方法,将角度信息和时延信息通知UE,UE根据基站的指示上报或者在基站的指示范围内选择并上报,从而减少UE的计算量和CSI上报的开销。
(4)波束信息;包括但不限于:波束质量、波束的指示信息(例如,参考信号ID)、波束失败指示信息、波束失败恢复中的新波束指示信息。还可以用于波束管理的波束信息,包括:波束测量、波束上报、波束预测、波束失败检测、波束失败恢复、波束失败恢复中的新波束指示。
(5)信道预测信息;可以包括信道状态信息的预测、波束预测等。
(6)干扰信息;包括但不限于小区内干扰、小区间干扰、带外干扰、交调干扰等信息。
(7)定位信息;
(8)轨迹信息;
网络侧设备可以通过参考信号(例如SRS),估计出的UE的具体位置(包括水平位置和或垂直位置)或未来可能的轨迹,或辅助位置估计或轨迹估计的信息。
(9)高层业务和参数的预测信息,以及高层业务和参数的管理信息;包括但不限于:吞吐量、所需数据包大小、业务需求、移动速度、噪声信息等。
(10)控制信令。例如,功率控制的相关信令以及波束管理的相关信令等。
在本申请实施例中,第一通信设备的通信对端(即第二通信设备)可能用相匹配的AI网络处理接收到的第二通信信息和/或第四通信信息,也可能用非AI的方法处理第二通信信息和/或第四通信信息,或第二通信信息和/或第四通信信息可以直接使用。
需要说明的是,本申请实施例提供的通信信息的发送方法,执行主体可以为通信信息的发送装置,或者,该通信信息的发送装置中的用于执行通信信息的发送方法的控制模块。本申请实施例中以通信信息的发送装置执行通信信息的发送方法为例,说明本申请实施例提供的通信信息的发送装置。
图12示出本申请实施例提供的一种通信信息的发送装置的结构示意图,如图12所示,该发送装置1200可以包括:划分模块1201,用于将第一通信信息划分为n个第一目标子带信息;输入模块1202,用于将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n、M和N均为大于0的整数,且n≤N≤M;发送模块1203,用于发送所述第一子AI网络输出的第二通信信息。
在一个可能的实现方式中,所述划分模块1201将第一通信信息划分为一个或多个第一目标子带信息,包括:根据所述第一通信信息的目标资源,将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述目标资源包括以下至少之一:频域资源、时域资源、空域资源、码域资源、时延域资源、多普勒域资源、傅里叶变换域资源、S域资源和Z域资源。
在一个可能的实现方式中,所述划分模块1201将第一通信信息划分为一个或多个第一目标子带信息,包括以下至少之一:
以频域单位资源为单位,在所述频域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述频域单位资源包括以下至少之一:子载波、资源块RB、物理资源块PRB、子带、预编码资源块组PRG、以及带宽部分BWP;
以时域单位资源为单位,在所述时域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述时域单位资源包括以下至少之一:符号(例如,OFDM符号)、时隙、半时隙、帧、子帧、无线帧、毫秒、以及秒;
以空域单位资源为单位,在所述空域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述空域单位资源包括以下至少之一:天线、天线元、天线面板、发送接收单元、波束、层、秩、以及天线角度;
以码域单位资源为单位,在所述码域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述码域单位资源包括以下至少之一:正交码、准正交码、以及半正交码。
在一个可能的实现方式中,所述输入模块1202将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,包括:
将n个所述第一目标子带信息按照预定顺序排列输入到所述第一子AI网络,其中,所述预定顺序包括:n个所述第一目标子带信息的标识从大到小或从小到大的顺序;或者,
若所述第一子AI网络的输入量固定为N个子带信息,则将n个所述第一目标子带信息和N-n个无效子带信息输入到所述第一子AI网络,其中,n个所述第一目标子带信息位于指定位置。
在一个可能的实现方式中,所述第二通信信息的大小为固定值,或所述第二通信信息的大小由输入的所述第一目标子带信息的数量确定。
在一个可能的实现方式中,所述第二通信信息的大小由输入的所述第一目标子带信息的数量确定,包括:
第二通信信息的大小与输入的所述第一目标子带信息的数量成正比;或,
第二通信信息的大小的增量与输入的所述第一目标子带信息的数量的增量成正比。
在一个可能的实现方式中,如图12所示,所述装置还可以包括:训练模块1204,用于使用多个训练样本,对所述第一AI网络模型进行训练,其中,一个所述训练样本包括:m个子带信息以及m个子带信息对应的输出信息的大小,m≤M。
在一个可能的实现方式中,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
在一个可能的实现方式中,所述划分模块1201,还用于所述第一通信设备将第三通信信息划分为(n+p)个第二目标子带信息,其中,p为大于或等于0的整数;所述输入模块1202,还用于将n个所述第二目标子带信息输入所述第一子AI网络,将(n+p)个第二目标子带信息中的其它p个第二目标子带信息输入第一AI网络模型的第二子AI网络,其中,所述第二子AI网络的最大输入量为P个子带信息,P为大于0的整数,且p≤P≤M;所述发送模块1203,还用于发送所述第一AI网络输出的第四通信信息。
在一个可能的实现方式中,所述第一子AI网络的输入信息还包括以下至少之一:其它p个所述第二目标子带信息、所述第二子AI网络的中间信息、以及所述第二子AI网络的输出信息;所述第二子AI网络的输入信息还包括以下至少之一:n个所述目标子带信息、所述第一子AI网络的中间信息、以及所述第一子AI网络的输出信息。
在一个可能的实现方式中,所述第四通信信息包括以下至少之一:第一输出信息、第二输出信息、以及所述第一输出信息和所述第二输出信息按照预设算法进行计算后得到的结果;其中,第一输出信息由所述第一子AI网络的输出和/或所述第二子AI网络的输出确定;和/或,所述第二输出信息由所述第一子AI网络的输出和/或所述第二子AI网络的输出确定。
在一个可能的实现方式中,在p等于0的情况下,所述第四通信信息的大小大于或等于所述第二通信信息的大小。
在一个可能的实现方式中,在p等于0的情况下,所述第四通信信息的大小小于或等于所述第二通信信息的大小。
在一个可能的实现方式中,所述划分模块1201,还用于将第三通信信息划分为(n+p)个第二目标子带信息,其中,p为大于或等于0的整数;所述输入模块1202,还用于将n个所述第二目标子带信息输入所述第一子AI网络,将(n+p)个第二目标子带信息中的其它p个第二目标子带信息输入所述第一子AI网络,其中,p≤N;所述发送模块1203,还用于发送所述第一子AI网络输出的第四通信信息。
在一个可能的实现方式中,所述第四通信信息包括第一输出信息和/或第二输出信息,其中,所述第一输出信息的大小与所述第二通信信息的大小相同。
本申请实施例中的通信信息的发送装置可以是装置,也可以是终端或网络设备中的部件、集成电路、或芯片。该装置可以是移动终端,也可以为非移动终端。示例性的,移动终端可以包括但不限于上述所列举的终端11的类型,非移动终端可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的通信信息的发送装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的通信信息的发送装置能够实现图2至图11的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图13所示,本申请实施例还提供一种通信设备1300,包括处理器1301,存储器1302,存储在存储器1302上并可在所述处理器1301上运行的程序或指令,执行时实现上述通信信息的发送方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
图14为实现本申请实施例的一种终端的硬件结构示意图。
该终端1400包括但不限于:射频单元1401、网络模块1402、音频输出单元1403、输入单元1404、传感器1405、显示单元1406、用户输入单元1407、接口单元1408、存储器1409、以及处理器1410等部件。
本领域技术人员可以理解,终端1400还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器1410逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图14中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元1404可以包括图形处理器(GraphicsProcessing Unit,GPU)14041和麦克风14042,图形处理器14041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1406可包括显示面板14061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板14061。用户输入单元1407包括触控面板14071以及其他输入设备14072。触控面板14071,也称为触摸屏。触控面板14071可包括触摸检测装置和触摸控制器两个部分。其他输入设备14072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元1401将来自网络侧设备的下行数据接收后,给处理器1410处理;另外,将上行的数据发送给网络侧设备。通常,射频单元1401包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1409可用于存储软件程序或指令以及各种数据。存储器1409可主要包括存储程序或指令区和存储数据区,其中,存储程序或指令区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器1409可以包括高速随机存取存储器,还可以包括非易失性存储器,其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
处理器1410可包括一个或多个处理单元;可选的,处理器1410可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序或指令等,调制解调处理器主要处理无线通信,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器1410中。
其中,处理器1410,用于将第一通信信息划分为n个第一目标子带信息;将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n、M和N均为大于0的整数,且n≤N≤M;
射频单元1401,用于发送所述第一子AI网络输出的第二通信信息。
本申请实施例提供的上述终端,可以实现上述方法200中第一通信设备所执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
具体地,本申请实施例还提供了一种网络侧设备。如图15所示,该网络设备1500包括:天线1501、射频装置1502、基带装置1503。天线1501与射频装置1502连接。在上行方向上,射频装置1502通过天线1501接收信息,将接收的信息发送给基带装置1503进行处理。在下行方向上,基带装置1503对要发送的信息进行处理,并发送给射频装置1502,射频装置1502对收到的信息进行处理后经过天线1501发送出去。
上述频带处理装置可以位于基带装置1503中,以上实施例中网络侧设备执行的方法可以在基带装置1503中实现,该基带装置1503包括处理器1504和存储器1505。
基带装置1503例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图15所示,其中一个芯片例如为处理器1504,与存储器1505连接,以调用存储器1505中的程序,执行以上方法实施例中所示的网络侧设备操作。
该基带装置1503还可以包括网络接口1506,用于与射频装置1502交互信息,该接口例如为通用公共无线接口(common public radio interface,简称CPRI)。
具体地,本发明实施例的网络侧设备还包括:存储在存储器1505上并可在处理器1504上运行的指令或程序,处理器1504调用存储器1505中的指令或程序执行图12所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例提供的上述网络侧设备,可以实现上述方法200中第一通信设备所执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述通信信息的发送方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端或网络侧设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行网络侧设备程序或指令,实现上述通信信息的发送方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
提供了一种计算机程序产品,该计算机程序产品包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时,实现上述通信信息的发送方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯片系统或片上系统芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (32)
1.一种通信信息的发送方法,其特征在于,包括:
第一通信设备将第一通信信息划分为n个第一目标子带信息;
将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n、M和N均为大于0的整数,且n≤N≤M;
发送所述第一子AI网络输出的第二通信信息。
2.根据权利要求1所述的方法,其特征在于,第一通信设备将第一通信信息划分为一个或多个第一目标子带信息,包括:
根据所述第一通信信息的目标资源,将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述目标资源包括以下至少之一:频域资源、时域资源、空域资源、码域资源、时延域资源、多普勒域资源、傅里叶变换域资源、S域资源和Z域资源。
3.根据权利要求2所述的方法,其特征在于,第一通信设备将第一通信信息划分为一个或多个第一目标子带信息,包括以下至少之一:
以频域单位资源为单位,在所述频域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述频域单位资源包括以下至少之一:子载波、资源块RB、物理资源块PRB、子带、预编码资源块组PRG、以及带宽部分BWP;
以时域单位资源为单位,在所述时域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述时域单位资源包括以下至少之一:符号、时隙、半时隙、帧、子帧、无线帧、毫秒、以及秒;
以空域单位资源为单位,在所述空域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述空域单位资源包括以下至少之一:天线、天线元、天线面板、发送接收单元、波束、层、秩、以及天线角度;
以码域单位资源为单位,在所述码域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述码域单位资源包括以下至少之一:正交码、准正交码、以及半正交码。
4.根据权利要求1所述的方法,其特征在于,将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,包括:
将n个所述第一目标子带信息按照预定顺序排列输入到所述第一子AI网络,其中,所述预定顺序包括:n个所述第一目标子带信息的标识从大到小或从小到大的顺序;或者,
若所述第一子AI网络的输入量固定为N个子带信息,则将n个所述第一目标子带信息和N-n个无效子带信息输入到所述第一子AI网络,其中,n个所述第一目标子带信息位于指定位置。
5.根据权利要求1所述的方法,其特征在于,所述第二通信信息的大小为固定值,或所述第二通信信息的大小由输入的所述第一目标子带信息的数量确定。
6.根据权利要求5所述的方法,其特征在于,所述第二通信信息的大小由输入的所述第一目标子带信息的数量确定,包括:
第二通信信息的大小与输入的所述第一目标子带信息的数量成正比;或,
第二通信信息的大小的增量与输入的所述第一目标子带信息的数量的增量成正比。
7.根据权利要求1至6任一项所述的方法,其特征在于,在第一通信设备将第一通信信息划分为一个或多个第一目标子带信息之前,所述方法还包括:
使用多个训练样本,对所述第一AI网络模型进行训练,其中,一个所述训练样本包括:m个子带信息以及m个子带信息对应的输出信息的大小,m≤M。
8.根据权利要求1至6任一项所述的方法,其特征在于,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
9.根据权利要求1至6任一项所述的方法,其特征在于,在发送所述第二通信信息之后,所述方法还包括:
所述第一通信设备将第三通信信息划分为(n+p)个第二目标子带信息,其中,p为大于或等于0的整数;
将n个所述第二目标子带信息输入所述第一子AI网络,将(n+p)个第二目标子带信息中的其它p个第二目标子带信息输入第一AI网络模型的第二子AI网络,其中,所述第二子AI网络的最大输入量为P个子带信息,P为大于0的整数,且p≤P≤M;
发送所述第一AI网络输出的第四通信信息。
10.根据权利要求9所述的方法,其特征在于,
所述第一子AI网络的输入信息还包括以下至少之一:其它p个所述第二目标子带信息、所述第二子AI网络的中间信息、以及所述第二子AI网络的输出信息;
所述第二子AI网络的输入信息还包括以下至少之一:n个所述目标子带信息、所述第一子AI网络的中间信息、以及所述第一子AI网络的输出信息。
11.根据权利要求9所述的方法,其特征在于,所述第四通信信息包括以下至少之一:第一输出信息、第二输出信息、以及所述第一输出信息和所述第二输出信息按照预设算法进行计算后得到的结果;其中,
第一输出信息由所述第一子AI网络的输出和/或所述第二子AI网络的输出确定;和/或,
所述第二输出信息由所述第一子AI网络的输出和/或所述第二子AI网络的输出确定。
12.根据权利要求9所述的方法,其特征在于,在p等于0的情况下,所述第四通信信息的大小大于或等于所述第二通信信息的大小。
13.根据权利要求9所述的方法,其特征在于,在p等于0的情况下,所述第四通信信息的大小小于或等于所述第二通信信息的大小。
14.根据权利要求1至6任一项所述的方法,其特征在于,在发送所述第二通信信息之后,所述方法还包括:
所述第一通信设备将第三通信信息划分为(n+p)个第二目标子带信息,其中,p为大于或等于0的整数;
将n个所述第二目标子带信息输入所述第一子AI网络,将(n+p)个第二目标子带信息中的其它p个第二目标子带信息输入所述第一子AI网络,其中,p≤N;
发送所述第一子AI网络输出的第四通信信息。
15.根据权利要求14所述的方法,其特征在于,所述第四通信信息包括第一输出信息和/或第二输出信息,其中,所述第一输出信息的大小与所述第二通信信息的大小相同。
16.一种通信信息的发送装置,其特征在于,包括:
划分模块,用于将第一通信信息划分为n个第一目标子带信息;
输入模块,用于将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,其中,所述第一子AI网络的最大输入量为N个子带信息,所述第一AI网络的最大输入量为M个子带信息,n、M和N均为大于0的整数,且n≤N≤M;
发送模块,用于发送所述第一子AI网络输出的第二通信信息。
17.根据权利要求16所述的装置,其特征在于,所述划分模块将第一通信信息划分为一个或多个第一目标子带信息,包括:
根据所述第一通信信息的目标资源,将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述目标资源包括以下至少之一:频域资源、时域资源、空域资源、码域资源、时延域资源、多普勒域资源、傅里叶变换域资源、S域资源和Z域资源。
18.根据权利要求17所述的装置,其特征在于,所述划分模块将第一通信信息划分为一个或多个第一目标子带信息,包括以下至少之一:
以频域单位资源为单位,在所述频域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述频域单位资源包括以下至少之一:子载波、资源块RB、物理资源块PRB、子带、预编码资源块组PRG、以及带宽部分BWP;
以时域单位资源为单位,在所述时域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述时域单位资源包括以下至少之一:符号、时隙、半时隙、帧、子帧、无线帧、毫秒、以及秒;
以空域单位资源为单位,在所述空域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述空域单位资源包括以下至少之一:天线、天线元、天线面板、发送接收单元、波束、层、秩、以及天线角度;
以码域单位资源为单位,在所述码域资源上将所述第一通信信息划分为一个或多个第一目标子带信息,其中,所述码域单位资源包括以下至少之一:正交码、准正交码、以及半正交码。
19.根据权利要求16所述的装置,其特征在于,所述输入模块将n个所述第一目标子带信息输入到第一人工智能AI网络模型的第一子AI网络,包括:
将n个所述第一目标子带信息按照预定顺序排列输入到所述第一子AI网络,其中,所述预定顺序包括:n个所述第一目标子带信息的标识从大到小或从小到大的顺序;或者,
若所述第一子AI网络的输入量固定为N个子带信息,则将n个所述第一目标子带信息和N-n个无效子带信息输入到所述第一子AI网络,其中,n个所述第一目标子带信息位于指定位置。
20.根据权利要求16所述的装置,其特征在于,所述第二通信信息的大小为固定值,或所述第二通信信息的大小由输入的所述第一目标子带信息的数量确定。
21.根据权利要求20所述的装置,其特征在于,所述第二通信信息的大小由输入的所述第一目标子带信息的数量确定,包括:
第二通信信息的大小与输入的所述第一目标子带信息的数量成正比;或,
第二通信信息的大小的增量与输入的所述第一目标子带信息的数量的增量成正比。
22.根据权利要求16至21任一项所述的装置,其特征在于,所述装置还包括:
训练模块,用于使用多个训练样本,对所述第一AI网络模型进行训练,其中,一个所述训练样本包括:m个子带信息以及m个子带信息对应的输出信息的大小,m≤M。
23.根据权利要求16至21任一项所述的装置,其特征在于,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
24.根据权利要求16至21任一项所述的装置,其特征在于,
所述划分模块,还用于所述第一通信设备将第三通信信息划分为(n+p)个第二目标子带信息,其中,p为大于或等于0的整数;
所述输入模块,还用于将n个所述第二目标子带信息输入所述第一子AI网络,将(n+p)个第二目标子带信息中的其它p个第二目标子带信息输入第一AI网络模型的第二子AI网络,其中,所述第二子AI网络的最大输入量为P个子带信息,P为大于0的整数,且p≤P≤M;
所述发送模块,还用于发送所述第一AI网络输出的第四通信信息。
25.根据权利要求24所述的装置,其特征在于,
所述第一子AI网络的输入信息还包括以下至少之一:其它p个所述第二目标子带信息、所述第二子AI网络的中间信息、以及所述第二子AI网络的输出信息;
所述第二子AI网络的输入信息还包括以下至少之一:n个所述目标子带信息、所述第一子AI网络的中间信息、以及所述第一子AI网络的输出信息。
26.根据权利要求24所述的装置,其特征在于,所述第四通信信息包括以下至少之一:第一输出信息、第二输出信息、以及所述第一输出信息和所述第二输出信息按照预设算法进行计算后得到的结果;其中,
第一输出信息由所述第一子AI网络的输出和/或所述第二子AI网络的输出确定;和/或,
所述第二输出信息由所述第一子AI网络的输出和/或所述第二子AI网络的输出确定。
27.根据权利要求24所述的装置,其特征在于,在p等于0的情况下,所述第四通信信息的大小大于或等于所述第二通信信息的大小。
28.根据权利要求24所述的装置,其特征在于,在p等于0的情况下,所述第四通信信息的大小小于或等于所述第二通信信息的大小。
29.根据权利要求16至21任一项所述的装置,其特征在于,
所述划分模块,还用于将第三通信信息划分为(n+p)个第二目标子带信息,其中,p为大于或等于0的整数;
所述输入模块,还用于将n个所述第二目标子带信息输入所述第一子AI网络,将(n+p)个第二目标子带信息中的其它p个第二目标子带信息输入所述第一子AI网络,其中,p≤N;
所述发送模块,还用于发送所述第一子AI网络输出的第四通信信息。
30.根据权利要求29所述的装置,其特征在于,所述第四通信信息包括第一输出信息和/或第二输出信息,其中,所述第一输出信息的大小与所述第二通信信息的大小相同。
31.一种通信设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至15任一项所述的通信方法的步骤。
32.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至15任一项所述的通信方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011324299.8A CN114531355B (zh) | 2020-11-23 | 2020-11-23 | 通信方法、装置及通信设备 |
EP21894060.9A EP4250663A4 (en) | 2020-11-23 | 2021-11-22 | COMMUNICATION METHOD AND DEVICE AND COMMUNICATION DEVICE |
PCT/CN2021/132073 WO2022105913A1 (zh) | 2020-11-23 | 2021-11-22 | 通信方法、装置及通信设备 |
US18/200,546 US20230291517A1 (en) | 2020-11-23 | 2023-05-22 | Communication method, communications apparatus, and communications device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011324299.8A CN114531355B (zh) | 2020-11-23 | 2020-11-23 | 通信方法、装置及通信设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114531355A true CN114531355A (zh) | 2022-05-24 |
CN114531355B CN114531355B (zh) | 2023-07-18 |
Family
ID=81619216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011324299.8A Active CN114531355B (zh) | 2020-11-23 | 2020-11-23 | 通信方法、装置及通信设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230291517A1 (zh) |
EP (1) | EP4250663A4 (zh) |
CN (1) | CN114531355B (zh) |
WO (1) | WO2022105913A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024088161A1 (zh) * | 2022-10-27 | 2024-05-02 | 维沃移动通信有限公司 | 信息传输方法、信息处理方法、装置和通信设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117544973A (zh) * | 2022-08-01 | 2024-02-09 | 维沃移动通信有限公司 | 模型更新方法、装置、通信设备及可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222610A1 (en) * | 1999-11-22 | 2014-08-07 | Accenture Global Services Limited | Increased visibility during order management in a network-based supply chain environment |
US20160110642A1 (en) * | 2013-05-23 | 2016-04-21 | National Institute Of Information And Communications Technology | Deep neural network learning method and apparatus, and category-independent sub-network learning apparatus |
CN107203807A (zh) * | 2016-03-16 | 2017-09-26 | 中国科学院计算技术研究所 | 神经网络的计算方法、系统及其装置 |
WO2019015445A1 (zh) * | 2017-07-17 | 2019-01-24 | 华为技术有限公司 | 一种通信方法及装置 |
CN110020722A (zh) * | 2017-11-08 | 2019-07-16 | 梁平 | 用于神经网络和逻辑推理的可扩展及实时可重构硬件 |
CN110196668A (zh) * | 2019-05-31 | 2019-09-03 | 维沃移动通信有限公司 | 信息处理方法和终端设备 |
CN110300444A (zh) * | 2018-03-23 | 2019-10-01 | 维沃移动通信有限公司 | 信息传输方法、终端及网络设备 |
KR20190119548A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 이미지 노이즈 처리방법 및 처리장치 |
CN110830187A (zh) * | 2018-08-07 | 2020-02-21 | 维沃移动通信有限公司 | 信息的传输指示方法、网络设备及终端 |
CN110972193A (zh) * | 2018-09-28 | 2020-04-07 | 华为技术有限公司 | 一种切片信息处理方法及装置 |
WO2020192547A1 (zh) * | 2019-03-25 | 2020-10-01 | 维沃移动通信有限公司 | 信息传输、接收方法、终端及网络侧设备 |
CN111866953A (zh) * | 2019-04-26 | 2020-10-30 | 中国移动通信有限公司研究院 | 一种网络资源分配方法、装置和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1178017A (zh) * | 1995-03-14 | 1998-04-01 | 西门子公司 | 设计神经网络的设备及神经网络 |
US7555469B2 (en) * | 2006-11-16 | 2009-06-30 | L-3 Communications Integrated Systems L.P. | Reconfigurable neural network systems and methods utilizing FPGAs having packet routers |
GB2576499A (en) * | 2018-08-15 | 2020-02-26 | Imperial College Sci Tech & Medicine | Joint source channel coding for noisy channels using neural networks |
-
2020
- 2020-11-23 CN CN202011324299.8A patent/CN114531355B/zh active Active
-
2021
- 2021-11-22 EP EP21894060.9A patent/EP4250663A4/en active Pending
- 2021-11-22 WO PCT/CN2021/132073 patent/WO2022105913A1/zh active Application Filing
-
2023
- 2023-05-22 US US18/200,546 patent/US20230291517A1/en active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222610A1 (en) * | 1999-11-22 | 2014-08-07 | Accenture Global Services Limited | Increased visibility during order management in a network-based supply chain environment |
US20160110642A1 (en) * | 2013-05-23 | 2016-04-21 | National Institute Of Information And Communications Technology | Deep neural network learning method and apparatus, and category-independent sub-network learning apparatus |
CN107203807A (zh) * | 2016-03-16 | 2017-09-26 | 中国科学院计算技术研究所 | 神经网络的计算方法、系统及其装置 |
WO2019015445A1 (zh) * | 2017-07-17 | 2019-01-24 | 华为技术有限公司 | 一种通信方法及装置 |
CN110020722A (zh) * | 2017-11-08 | 2019-07-16 | 梁平 | 用于神经网络和逻辑推理的可扩展及实时可重构硬件 |
CN110300444A (zh) * | 2018-03-23 | 2019-10-01 | 维沃移动通信有限公司 | 信息传输方法、终端及网络设备 |
CN110830187A (zh) * | 2018-08-07 | 2020-02-21 | 维沃移动通信有限公司 | 信息的传输指示方法、网络设备及终端 |
CN110972193A (zh) * | 2018-09-28 | 2020-04-07 | 华为技术有限公司 | 一种切片信息处理方法及装置 |
WO2020192547A1 (zh) * | 2019-03-25 | 2020-10-01 | 维沃移动通信有限公司 | 信息传输、接收方法、终端及网络侧设备 |
CN111866953A (zh) * | 2019-04-26 | 2020-10-30 | 中国移动通信有限公司研究院 | 一种网络资源分配方法、装置和存储介质 |
CN110196668A (zh) * | 2019-05-31 | 2019-09-03 | 维沃移动通信有限公司 | 信息处理方法和终端设备 |
KR20190119548A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 이미지 노이즈 처리방법 및 처리장치 |
Non-Patent Citations (1)
Title |
---|
NEC: "R2-123687 \"Left(/Right)most interfered PRB index as UE assistance information for LTE IDC\"", 3GPP TSG_RAN\\WG2_RL2, no. 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024088161A1 (zh) * | 2022-10-27 | 2024-05-02 | 维沃移动通信有限公司 | 信息传输方法、信息处理方法、装置和通信设备 |
Also Published As
Publication number | Publication date |
---|---|
US20230291517A1 (en) | 2023-09-14 |
EP4250663A4 (en) | 2024-05-08 |
CN114531355B (zh) | 2023-07-18 |
EP4250663A1 (en) | 2023-09-27 |
WO2022105913A1 (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114363921B (zh) | Ai网络参数的配置方法和设备 | |
US20230291517A1 (en) | Communication method, communications apparatus, and communications device | |
CA3066297C (en) | Signal processing method and apparatus | |
US11616663B2 (en) | Method and apparatus of parameter tracking for CSI estimation | |
EP4336738A1 (en) | Beam control method and apparatus for intelligent surface device, and electronic device | |
US20230299910A1 (en) | Communications data processing method and apparatus, and communications device | |
EP4228217A1 (en) | Neural network information transmission method and apparatus, communication device, and storage medium | |
US20230261815A1 (en) | Communication Information Sending Method, Communication Information Receiving Method, and Communication Device | |
US20240088970A1 (en) | Method and apparatus for feeding back channel information of delay-doppler domain, and electronic device | |
US20230291658A1 (en) | Method for Processing Partial Input Missing of AI Network, and Device | |
CN113746509B (zh) | 信道信息的处理方法、装置、终端、网络侧设备以及介质 | |
CN116016045A (zh) | 信道估计方法、装置、终端及网络侧设备 | |
CN116017493A (zh) | 模型请求方法、模型请求处理方法及相关设备 | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
WO2023198094A1 (zh) | 模型输入的确定方法及通信设备 | |
EP4156588A2 (en) | Wireless communication device for transmitting and receiving reference signals and operating method thereof | |
CN117997457A (zh) | 参考信号确定方法、终端及网络侧设备 | |
CN116074210A (zh) | 信道预测方法、装置、网络侧设备及终端 | |
CN117835262A (zh) | Ai模型的处理方法、装置及通信设备 | |
CN115843021A (zh) | 数据传输方法及装置 | |
CN117834427A (zh) | 更新ai模型参数的方法、装置及通信设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |