CN114531696A - Ai网络部分输入缺失的处理方法和设备 - Google Patents
Ai网络部分输入缺失的处理方法和设备 Download PDFInfo
- Publication number
- CN114531696A CN114531696A CN202011323033.1A CN202011323033A CN114531696A CN 114531696 A CN114531696 A CN 114531696A CN 202011323033 A CN202011323033 A CN 202011323033A CN 114531696 A CN114531696 A CN 114531696A
- Authority
- CN
- China
- Prior art keywords
- input
- resource
- missing
- network
- domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012545 processing Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims description 163
- 238000004891 communication Methods 0.000 claims abstract description 118
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000011664 signaling Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 5
- 238000013468 resource allocation Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000009795 derivation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage 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
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04L41/0866—Checking the configuration
- H04L41/0869—Validating the configuration within one network element
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
Abstract
本申请实施例公开了一种AI网络部分输入缺失的处理方法和设备,能够解决AI网络输入缺失对AI网络的性能造成影响的问题。该方法包括:第一通信设备在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代所述缺失输入,得到所述AI网络的输出。本申请实施例能够有效解决实际环境中的资源分配不连续造成的输入缺失的问题,便于提升AI网络的性能,提升通信系统的性能。
Description
技术领域
本申请属于通信技术领域,具体涉及一种AI网络部分输入缺失的处理方法和设备。
背景技术
人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。通过将AI网络运用到实际业务上,可以解决各种领域的多种问题。
在通信领域,通过将AI网络引入通信流程中有利于提升通信系统的性能。然而,目前实际环境中,由于资源分配并不能保证连续,例如,时域不连续、频域不连续等,将造成AI网络的输入缺失,这样会对AI网络的性能造成极大影响。
发明内容
本申请实施例提供一种AI网络部分输入缺失的处理方法和设备,能够解决AI网络输入缺失对AI网络的性能造成影响的问题。
第一方面,提供了一种AI网络部分输入缺失的处理方法,所述方法包括:第一通信设备在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代所述缺失输入,得到所述AI网络的输出。
第二方面,提供了一种第一通信设备,包括:处理模块,用于在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代所述缺失输入,得到所述AI网络的输出。
第三方面,提供了一种终端,该终端包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法。
第四方面,提供了一种网络侧设备,该网络侧设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法。
第五方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法。
第六方面,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。
第七方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法。
在本申请实施例中,第一通信设备在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代上述缺失输入,得到所述AI网络的输出,通过设置上述目标输入或默认值,能够有效解决实际环境中的资源分配不连续造成的输入缺失的问题,便于提升AI网络的性能,提升通信系统的性能。
附图说明
图1是根据本申请的一个实施例的无线通信系统的示意图;
图2是根据本申请的一个实施例的AI网络部分输入缺失的处理方法的示意性流程图;
图3是根据本申请的一个实施例的AI网络部分输入缺失示意图;
图4是根据本申请的一个实施例的第一通信设备的结构示意图;
图5是根据本申请的一个实施例的通信设备的结构示意图;
图6是根据本申请的一个实施例的终端的结构示意图;
图7是根据本申请的一个实施例的网络侧设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,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(New Radio,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(6th Generation,6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的示意图。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)、下一代节点B(gNB)、家用B节点、家用演进型B节点、WLAN接入点、WiFi节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例,但是并不限定基站的具体类型。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的人工智能(Artificial Intelligence,AI)网络部分输入缺失(即存在缺失输入)的处理方法和设备进行详细地说明。
如图2所示,本申请的一个实施例提供一种AI网络部分输入缺失的处理方法200,该方法可以由第一通信设备执行,换言之,该方法可以由安装在第一通信设备的软件或硬件来执行,该第一通信设备可以是终端,还可以是网络侧设备,该方法包括如下步骤。
S202:第一通信设备在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代所述缺失输入,得到所述AI网络的输出。
如图3所示,图3示意性地显示出一个AI网络,该AI网络可以根据N个输入得到输出,N是大于2的整数。
在实际应用中,由于资源分配并不能保证连续,例如,时域不连续、频域不连续,进而可能出现输入缺失。例如,图3中的输入i缺失,这样,可以采用目标输入或者是默认值替代上述缺失输入,进而结合其他未缺失的输入,得到AI网络的输出。
在一个例子中,AI网络的多个输入按照目标顺序排序,目标输入可以是缺失输入之前的一个或多个的输入,或者是缺失输入之后的一个或多个输入,或者是缺失输入之前的一个或多个的输入以及缺失输入之后的一个或多个输入。例如,在图3所示的示例中,多个输入按照编号1至N的顺序排序,第i个输入为缺失输入,则目标输入可以是第(i-1)个输入,还可以是第(i-1)个输入和第(i-2)个输入等;或者,目标输入可以是第(i+1)个输入,还可以是第(i+1)个输入和第(i+2)个输入等;或者,目标输入可以是第(i-1)个输入和第(i+1)个输入。在目标输入为多个时,还可以对多个目标输入进行运算,例如求平均运算,进而采用运算结果替代上述缺失输入。
可选地,S202中提到的采用目标输入替代所述缺失输入,得到所述AI网络的输出可以包括:直接用目标输入替代所述缺失输入,得到所述AI网络的输出;也可以对目标输入经过一定的处理,例如,数学处理、信号处理等,将处理后的结果替代所述缺失输入,得到所述AI网络的输出。可选地,上述数学处理包括加减乘除、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,实数或复数。
可选地,AI网络的多个输入按照目标顺序排序(如按序号排序),目标输入包括以下至少之一:
1)缺失输入的序号前N1个输入,N1为1、2、3…。例如,第i个输入缺失,则由第(i-N1)、(i-N1-1)、…、(i-1)个输入补齐。
2)缺失输入的序号后N2个输入,N2为1、2、3…。例如,第i个输入缺失了,则由第(i+1)、(i+2)、…、(i+N2)个输入补齐。
本说明书各个实施例中提到的用于替代缺失输入的默认值包括如下之一:常数值(例如0,1等)、常数向量、常数二维矩阵、常数多维矩阵。上述常数向量、常数二维矩阵以及常数多维矩阵,可以根据AI网络的多个输入的维度来决定。例如,如果每个输入都是二维向量,则替代缺失输入的默认值也为常数二维向量。
本说明书各个实施例中,在目标输入为多个的情况下,采用目标输入替代所述缺失输入,得到所述AI网络的输出具体可以包括:将多个所述目标输入平均或组合运算后的结果替代所述缺失输入,得到所述AI网络的输出。
同理,本说明书各个实施例中,在所述默认值为多个的情况下,所述采用默认值替代所述缺失输入,得到所述AI网络的输出具体可以包括:将多个所述默认值平均或组合运算后的结果替代所述缺失输入,得到所述AI网络的输出。
上述两个例子中提到的平均可以为对数域或线性域的线性平均、几何平均、调和平均、平方平均、加权平均、最小值最大化、最大值最小化、其它常见平均方式,及其它们的组合和简单变化。上述两个例子中提到的组合方式还可能包括加减乘除、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,实数或复数。
本申请实施例提供的AI网络部分输入缺失的处理方法,第一通信设备在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代上述缺失输入,得到所述AI网络的输出,通过设置上述目标输入或默认值,能够有效解决实际环境中的资源分配不连续造成的输入缺失的问题,便于提升AI网络的性能,提升通信系统的性能。
本申请各个实施例中,第一通信设备可以根据AI网络处理目标业务,AI网络的输入或输出可以在一定程度上反映AI网络的用途。可选地,AI网络的输入和/或输出包括如下之一:
1)参考信号。例如,AI网络用于参考信号处理,包括参考信号检测、滤波、均衡等,该参考信号可以包括解调参考信号(DeModulation Reference Signal,DMRS)、探测参考信号(Sounding Reference Signal,SRS)、同步信号和物理广播块(Synchronization Signaland PBCH Block,SSB)、跟踪参考信号(Tracking Reference Signal,TRS)、相位跟踪参考信号(Phase Tracking Reference Signal,PTRS)、信道状态信息参考信号(Channel StateInformation-Reference Signal,CSI-RS)等。
2)信道。例如,AI网络用于在信道上发送和接收信号、信令或数据。该信道例如包括物理下行控制信道(Physical Downlink Control Channel,PDCCH)、物理下行共享信道(Physical Downlink Shared Channel,PDSCH)、物理上行控制信道(Physical UplinkControl Channel,PUCCH)、物理上行共享信道(Physical Uplink Shared Channel,PUSCH)、物理随机接入信道(Physical Random Access Channel,PRACH)、物理广播信道(Physical Broadcast Channel,PBCH)等。
3)信道状态信息。
例如,AI网络用于获取信道状态信息。可选地,该信道状态信息可以包括如下之一:信道状态信息反馈信息,频分双工(Frequency Division Duplexing,FDD)上下行部分互易的信道状态信息。
其中,信道状态信息反馈信息,包括:信道相关信息、信道矩阵相关信息、信道特征信息、信道矩阵特征信息、预编码矩阵指示(Pre-coding Matrix Indicator,PMI)、秩指示(Rank Indication,RI)、信道质量指示(Channel Quality Indicator,CQI)、信道状态信息参考信号资源指示符(CSI-RS Resource Indicator,CRI)、层指示(Layer Indicator,LI)等。
关于FDD上下行部分互易性的信道状态信息,对于FDD系统,根据部分互异性,网络侧设备根据上行信道获取角度和时延信息,可以通过信道状态信息参考信号(ChannelState Information-Reference Signal,CSI-RS)预编码或者直接指示的方法,将角度信息和时延信息、或其它具有部分互易性的信道状态信息、或直接估计的下行信道信息通知终端,终端根据网络侧设备的指示上报或者在网络侧设备的指示范围内选择并上报,或终端自己使用这些下行信道信号,从而减少终端的计算量和信道状态信息(Channel StateInformation,CSI)上报的开销。
4)波束信息。该波束信息包括波束质量、波束的指示信息(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等。例如,AI网络用于用于波束管理,例如包括,波束测量、波束上报、波束预测、波束失败检测、波束失败恢复、波束失败恢复中的新波束指示。
5)信道预测信息。例如,AI网络用于信道状态信息的预测、波束预测。
6)干扰信息。例如,AI网络用于评估干扰信息。该干扰信息例如包括:小区内干扰、小区间干扰、带外干扰、交调干扰等等。
7)定位信息。例如,AI网络用于获取第一通信设备的定位信息。该定位信息还可以包括轨迹信息,例如,通过参考信号(例如SRS),估计终端的具体位置或未来可能的移动轨迹,该位置可以包括水平位置和或垂直位置。或辅助位置估计或轨迹估计的信息。
8)高层业务或参数的预测信息。例如,AI网络用于获取高层业务或参数的预测信息。该高层业务或参数可以包括吞吐量、所需数据包大小、业务需求、移动速度、噪声信息等等。
9)高层业务或参数的管理信息。例如,AI网络用于获取高层业务或参数的管理信息。该高层业务或参数可以包括吞吐量、所需数据包大小、业务需求、移动速度、噪声信息等等。
10)控制信令。例如,AI网络用于生成控制信令。如功率控制的相关信令,波束管理的相关信令。
可选地,本申请各个实施例中提到的AI网络的多个输入占用的资源域包括如下至少之一:频域,时域,码域,空间域,时延域,多普勒域,傅里叶变换域,S域,Z域。
具体例如,在一个例子中,AI网络的多个输入为时域A(如符号A)的频域的资源块(Resource Block,RB)1至RB N,N是多个输入的总个数,该AI网络的多个输入占用的资源域包括频域和时域。
上述提到的S域是指在频域分析中以虚指数exp(jωt)为基本信号,将信号分解为众多不同频率的虚指数分量;Z域是参考信号等经过Z变换得到的域。
上述AI网络的多个输入占用的资源域中,频域资源可以按子载波、资源块(Resource Block,RB)、物理资源块(Physical Resource Block,PRB)、子带、物理预编码资源块组(Physical precoding Resource block Group,PRG)、带宽部分(Band Width Part,BWP)等方式划分;时域资源可以按符号、时隙、半时隙、帧、子帧、无线帧、毫秒、秒、及其它常见时间单位等方式划分;码域资源可以按正交码、准正交码、半正交码等方式划分;空域资源可以按天线、天线元、天线面板、发送接收单元、波束、层、秩、以及天线角度等方式划分。
可选地,本说明书各个实施例还可以包括如下步骤:将所述AI网络的输出发送给第二通信设备;其中,所述第一通信设备为终端,所述第二通信设备为网络侧设备;或所述第一通信设备为网络侧设备,所述第二通信设备为终端;或所述第一通信设备为终端,所述第二通信设备为终端;或所述第一通信设备为网络侧设备,所述第二通信设备为网络侧设备。
该实施例中,第二通信设备可能用相匹配的AI网络处理接收到的输出,也可能用非AI的方法处理接收到的输出,或接收到的输出可以直接使用。
为详细说明本申请各个实施例中提到的目标输入,以下将结合几个具体的示例进行介绍。
在一个例子中,AI网络的多个输入占用多个资源域,也即所述缺失输入也占用多个资源域,例如,AI网络的多个输入为符号A的频域的RB 1至RB N,缺失输入为符号A的频域的RB i,缺失输入占用的资源域包括时域和频域,所述目标输入根据如下至少之一得到:
1)所述缺失输入在所述多个资源域中至少一个资源域中对应的资源;例如,符号A;或符号A以及RB i;或RB i。
2)所述缺失输入在所述多个资源域中至少一个资源域中对应的资源的之前的一个或多个资源;例如,符号A之前相邻的一个或多个符号;或符号A之前相邻的一个或多个符号以及RB i之前相邻的一个或多个RB;或RB i之前相邻的一个或多个RB。
3)所述缺失输入在所述多个资源域中至少一个资源域中对应的资源的之后的一个或多个资源;例如,符号A之后相邻的一个或多个符号;或符号A之后相邻的一个或多个符号以及RB i之后相邻的一个或多个RB;或RB i之后相邻的一个或多个RB。
在一个具体的例子中,所述缺失输入包括第一资源域第i个资源的第二资源域第j个资源,例如,第i个时隙(slot)的第j个RB的信息缺失,所述目标输入包括如下之一:
1)所述第一资源域第i个资源的所述第二资源域第(j-M1)至(j-1)个资源。例如,缺失输入为第4(即i=4)个时隙的第5(即j=5)个RB,M1=2,该例子中的目标输入为:时隙4的第3个RB和时隙4的第4个RB。
2)所述第一资源域第i个资源的所述第二资源域第(j+1)至(j+M2)个资源。例如,缺失输入为第4(即i=4)个时隙的第5(即j=5)个RB,M2=2,该例子中的目标输入为:时隙4的第6个RB和时隙4的第7个RB。
3)所述第一资源域第(i-N1)至(i-1)个资源的所述第二资源域第j个资源。
4)所述第一资源域第(i-N1)至(i-1)个资源的所述第二资源域第(j-M1)至(j-1)个资源。例如,缺失输入为第4(即i=4)个时隙的第5(即j=5)个RB,N1=2,M1=2,该例子中的目标输入为:时隙2的第3个RB和时隙2的第4个RB,时隙3的第3个RB和时隙3的第4个RB。可选的,对于第一资源域不同的资源,N1的值可能不同;对于第二资源域不同的资源,M1的值可能不同。
5)所述第一资源域第(i-N1)至(i-1)个资源的所述第二资源域第(j+1)至(j+M2)个资源。可选的,对于第一资源域不同的资源,N1的值可能不同;或,对于第二资源域不同的资源,M1的值可能不同。
6)所述第一资源域第(i+1)至(i+N1)个资源的所述第二资源域第j个资源。
7)所述第一资源域第(i+1)至(i+N1)个资源的所述第二资源域第(j-M1)至(j-1)个资源。可选的,对于第一资源域不同的资源,N1的值可能不同;或,对于第二资源域不同的资源,M1的值可能不同。
8)所述第一资源域第(i+1)至(i+N1)个资源的所述第二资源域第(j+1)至(j+M2)个资源。可选的,对于第一资源域不同的资源,N1的值可能不同;或,对于第二资源域不同的资源,M1的值可能不同。
上述各个例子中提到的i、j、N1和M1是正整数。在上述不同的例子中,i、j、N1和M1的取值可以相同,也可以分别不同。
在一个具体的例子中,AI网络的多个输入占用的资源域包括第一资源域(如时域)和第二资源域(如频域);其中,所述缺失输入包括所述第一资源域第一资源的所述第二资源域多个相邻的第二资源;例如,AI网络的多个输入为符号5的频域的RB 1至RB N,缺失输入为符号5的频域的RB i、RB(i-1)和RB(i+1)。所述目标输入为所述第一资源域所述第一资源附近的资源的所述第二资源域多个所述第二资源。例如,目标输入为符号4的频域的RBi、RB(i-1)和RB(i+1);或者,目标输入为符号3的频域的RB i、RB(i-1)和RB(i+1);或者,目标输入为符号6的频域的RB i、RB(i-1)和RB(i+1);或者,目标输入为符号7的频域的RB i、RB(i-1)和RB(i+1)。或者,目标输入为多个上述一个或多个示例的合集,例如,目标输入为符号4的频域的RB i、RB(i-1)和RB(i+1),以及符号6的频域的RB i、RB(i-1)和RB(i+1)。
需要说明的是,该处虽然提到第一资源“附近”的资源,在实际应用中,该处的“附近”可以用一定的阈值来限定,例如,第一资源之前相邻的X1个资源,第一资源之后相邻的X2个资源等,X1和X2是正整数。
在一个例子中,所述缺失输入为多个相邻的输入,所述目标输入为所述缺失输入之前或之后的第一个输入。例如,AI网络的多个输入为频域的RB 1至RB N,第i个输入(即RBi)缺失,本来应该由RB i-1补齐,但此时RB i、i-1都缺失了,则由RB i-2替代RB i-1。
在另一个例子中,所述缺失输入为多个相邻的输入,所述目标输入为所述多个相邻的输入中第一个或最后一个输入的目标输入。该例子中,针对AI网络的每个输入,均可以预先为其设置目标输入。如A域的i、(i+1)、…、(i+M)都缺失了,那么这些缺失输入的目标输入,为第i个输入的目标输入或第(i+M)个输入的目标输入。
可选地,前文各个实施例还可以包括如下步骤:如果所述目标输入缺失或所述目标输入中的部分输入缺失,则采用所述目标输入附近的输入或所述目标输入的下一级目标输入替代所述目标输入,得到所述AI网络的输出。例如,多个缺失的输入并未紧挨着(并未连续缺失),但某个输入的目标输入缺失或目标输入中的部分缺失,由目标输入的附近输入补齐,或由目标输入的下一级目标输入补齐。该例子中,针对AI网络的每个输入,均可以预先为其设置目标输入,或预先设置寻找目标输入的规则。
可选地,所述第一通信设备不期望或所述AI网络不允许出现如下至少之一:
1)相邻的输入连续缺失;
2)连续的缺失输入超过K1个;
3)全部缺失输入超过K2个;
K1和K2是大于等于2的整数。
可选地,不同的域处理方式可以不同,例如时域不能连续缺失;例如频域可以连续缺失。上述K1、K2与信道环境、第一通信设备能力、网络配置相关。例如网络/终端配置资源时,不能出现上述情况。
可选地,前文各个实施例还包括:如果出现如下至少之一,则不再使用所述AI网络:
1)相邻的输入连续缺失;
2)连续的缺失输入超过K1个;
3)全部缺失输入超过K2个;
K1和K2是大于等于2的整数。
例如,出现上述情况时,使用其它方法,例如其它AI算法、其它非AI算法。例如,CSI反馈,不再使用AI方法,而使用传统的Type I/Type II码本。
可选地,所述AI网络允许所述缺失输入满足特定的图样或规律。例如,允许一些特定的输入缺失图样(pattern)或规律。例如,允许每隔N1个输入,缺失N2个输入。
考虑不同终端能力,有的第一通信设备允许出现缺失输入,有的第一通信设备不支持出现缺失输入。可选地,与前文各个实施例并列,在一些情况下,所述方法还包括:如果所述AI网络出现缺失输入,则不再使用所述AI网络;其中,所述第一通信设备不期望或所述AI网络不允许出现缺失输入。
可选地,前文各个实施例还可以包括如下步骤:向第二通信设备发送如下至少之一:
1)所述缺失输入的标识;
2)所述缺失输入的数量;
3)所述缺失输入的图样或规律;
4)使用所述AI网络之外的AI算法或非AI算法得到所述输出;
5)所述缺失输入带来的性能损失,如信噪比、信干噪比、功率、干扰、噪声、吞吐量、MCS等等。
上述指示信息可以为AI网络额外的输出信息,或者指示信息包括在AI网络现有输出中。第二通信设备通过将该指示信息输入AI网络,即可获得所需要的信息。对于前者,输入是否缺失,会影响AI网络输出信息的开销。
需要说明的是,本申请实施例提供的AI网络部分输入缺失的处理方法,执行主体可以为第一通信设备,或者,该第一通信设备中的用于执AI网络部分输入缺失的处理方法的控制模块。本申请实施例中以第一通信设备执行AI网络部分输入缺失的处理方法为例,说明本申请实施例提供的第一通信设备。
图4是根据本申请实施例的第一通信设备的结构示意图,如图4所示,第一通信设备400包括:处理模块402,可以用于在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代所述缺失输入,得到所述AI网络的输出。
在本申请实施例中,第一通信设备在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代上述缺失输入,得到所述AI网络的输出,通过设置上述目标输入或默认值,能够有效解决实际环境中的资源分配不连续造成的输入缺失的问题,便于提升AI网络的性能,提升通信系统的性能。
可选地,作为一个实施例,所述目标输入包括如下至少之一:
所述缺失输入之前的一个或多个输入;
所述缺失输入之后的一个或多个输入;
其中,所述AI网络的多个输入按照目标顺序排序。
可选地,作为一个实施例,所述AI网络的多个输入占用的资源域包括如下至少之一:频域,时域,码域,空间域,时延域,多普勒域,傅里叶变换域,S域,Z域。
可选地,作为一个实施例,所述缺失输入占用多个资源域,所述目标输入根据如下至少之一得到:
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源;
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源的之前的一个或多个资源;
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源的之后的一个或多个资源。
可选地,作为一个实施例,所述缺失输入包括第一资源域第i个资源的第二资源域第j个资源,所述目标输入包括如下之一:
所述第一资源域第i个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i个资源的所述第二资源域第j+1至j+M2个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j+1至j+M2个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j+1至j+M2个资源;
其中,i、j、N1和M1是正整数。
可选地,作为一个实施例,所述目标输入为多个,所述处理模块402,用于:将多个所述目标输入平均或组合运算后的结果替代所述缺失输入,得到所述AI网络的输出。
可选地,作为一个实施例,所述默认值包括如下之一:常数值、常数向量、常数二维矩阵、常数多维矩阵。
可选地,作为一个实施例,所述AI网络的多个输入占用的资源域包括第一资源域和第二资源域;
其中,所述缺失输入包括所述第一资源域第一资源的所述第二资源域多个相邻的第二资源;
所述目标输入为所述第一资源域所述第一资源附近的资源的所述第二资源域多个所述第二资源。
可选地,作为一个实施例,
所述缺失输入为多个相邻的输入,所述目标输入为所述缺失输入之前或之后的第一个输入;或
所述缺失输入为多个相邻的输入,所述目标输入为所述多个相邻的输入中第一个或最后一个输入的目标输入。
可选地,作为一个实施例,所述处理模块402,还用于:
如果所述目标输入缺失或所述目标输入中的部分输入缺失,则采用所述目标输入附近的输入或所述目标输入的下一级目标输入替代所述目标输入,得到所述AI网络的输出。
可选地,作为一个实施例,所述第一通信设备不期望或所述AI网络不允许出现如下至少之一:
相邻的输入连续缺失;
连续的缺失输入超过K1个;
全部缺失输入超过K2个;
K1和K2是大于等于2的整数。
可选地,作为一个实施例,所述处理模块402,还用于:如果出现如下至少之一,则不再使用所述AI网络:
相邻的输入连续缺失;
连续的缺失输入超过K1个;
全部缺失输入超过K2个;
K1和K2是大于等于2的整数。
可选地,作为一个实施例,所述AI网络允许所述缺失输入满足特定的图样或规律。
可选地,作为一个实施例,所述处理模块402,还用于:如果所述AI网络出现缺失输入,则不再使用所述AI网络;
其中,所述第一通信设备不期望或所述AI网络不允许出现缺失输入。
可选地,作为一个实施例,所述第一通信设备400还包括发送模块,用于向第二通信设备发送如下至少之一:
所述缺失输入的标识;
所述缺失输入的数量;
所述缺失输入的图样或规律;
使用所述AI网络之外的AI算法或非AI算法得到所述输出;
所述缺失输入带来的性能损失。
可选地,作为一个实施例,所述AI网络的输入和/或输出包括如下之一:参考信号,信道,信道状态信息,波束信息,信道预测信息,干扰信息,定位信息,高层业务或参数的预测信息,高层业务或参数的管理信息,控制信令。
可选地,作为一个实施例,所述第一通信设备400还包括发送模块,用于将所述AI网络的输出发送给第二通信设备;
其中,所述第一通信设备400为终端,所述第二通信设备为网络侧设备;或
所述第一通信设备400为网络侧设备,所述第二通信设备为终端;或
所述第一通信设备400为终端,所述第二通信设备为终端;或
所述第一通信设备400为网络侧设备,所述第二通信设备为网络侧设备。
根据本申请实施例的第一通信设备400可以参照对应本申请实施例的方法200的流程,并且,该第一通信设备400中的各个单元/模块和上述其他操作和/或功能分别为了实现方法200中的相应流程,并且能够达到相同或等同的技术效果,为了简洁,在此不再赘述。
本申请实施例中的第一通信设备可以是装置,也可以是终端中的部件、集成电路、或芯片。该装置可以是移动终端,也可以为非移动终端。示例性的,移动终端可以包括但不限于上述所列举的终端11的类型,非移动终端可以为服务器、网络附属存储器(NetworkAttached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的第一通信设备可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的第一通信设备能够实现图2的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图5所示,本申请实施例还提供一种通信设备500,包括处理器501,存储器502,存储在存储器502上并可在所述处理器501上运行的程序或指令,例如,该通信设备500为终端时,该程序或指令被处理器501执行时实现上述AI网络部分输入缺失的处理方法实施例的各个过程,且能达到相同的技术效果。该通信设备500为网络侧设备时,该程序或指令被处理器501执行时实现上述AI网络部分输入缺失的处理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6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600包括但不限于:射频单元601、网络模块602、音频输出单元603、输入单元604、传感器605、显示单元606、用户输入单元607、接口单元608、存储器609、以及处理器610等部件。
本领域技术人员可以理解,终端600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610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6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604可以包括图形处理器(GraphicsProcessing Unit,GPU)6041和麦克风6042,图形处理器6041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606可包括显示面板6061,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6061。用户输入单元607包括触控面板6071以及其他输入设备6072。触控面板6071,也称为触摸屏。触控面板6071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6072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601将来自网络侧设备的下行数据接收后,给处理器610处理;另外,将上行的数据发送给网络侧设备。通常,射频单元601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609可用于存储软件程序或指令以及各种数据。存储器609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609可以包括高速随机存取存储器,还可以包括非易失性存储器,其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
处理器610可包括一个或多个处理单元;可选的,处理器610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610中。
其中,处理器610,用于在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代所述缺失输入,得到所述AI网络的输出。
在本申请实施例中,终端在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代上述缺失输入,得到所述AI网络的输出,通过设置上述目标输入或默认值,能够有效解决实际环境中的资源分配不连续造成的输入缺失的问题,便于提升AI网络的性能,提升通信系统的性能。
本申请实施例提供的终端600还可以实现上述AI网络部分输入缺失的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
具体地,本申请实施例还提供了一种网络侧设备。如图7所示,该网络侧设备700包括:天线71、射频装置72、基带装置73。天线71与射频装置72连接。在上行方向上,射频装置72通过天线71接收信息,将接收的信息发送给基带装置73进行处理。在下行方向上,基带装置73对要发送的信息进行处理,并发送给射频装置72,射频装置72对收到的信息进行处理后经过天线71发送出去。
上述频带处理装置可以位于基带装置73中,以上实施例中网络侧设备执行的方法可以在基带装置73中实现,该基带装置73包括处理器74和存储器75。
基带装置73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7所示,其中一个芯片例如为处理器74,与存储器75连接,以调用存储器75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73还可以包括网络接口76,用于与射频装置72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75上并可在处理器74上运行的指令或程序,处理器74调用存储器75中的指令或程序执行图4所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述AI网络部分输入缺失的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器可以为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述AI网络部分输入缺失的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯片系统或片上系统芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络侧设备等)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 (37)
1.一种人工智能AI网络部分输入缺失的处理方法,其特征在于,所述方法包括:
第一通信设备在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代所述缺失输入,得到所述AI网络的输出。
2.根据权利要求1所述的方法,其特征在于,所述目标输入包括如下至少之一:
所述缺失输入之前的一个或多个输入;
所述缺失输入之后的一个或多个输入;
其中,所述AI网络的多个输入按照目标顺序排序。
3.根据权利要求1所述的方法,其特征在于,所述AI网络的多个输入占用的资源域包括如下至少之一:频域,时域,码域,空间域,时延域,多普勒域,傅里叶变换域,S域,Z域。
4.根据权利要求1所述的方法,其特征在于,所述缺失输入占用多个资源域,所述目标输入根据如下至少之一得到:
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源;
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源的之前的一个或多个资源;
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源的之后的一个或多个资源。
5.根据权利要求4所述的方法,其特征在于,所述缺失输入包括第一资源域第i个资源的第二资源域第j个资源,所述目标输入包括如下之一:
所述第一资源域第i个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i个资源的所述第二资源域第j+1至j+M2个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j+1至j+M2个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j+1至j+M2个资源;
其中,i、j、N1和M1是正整数。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述目标输入为多个,所述采用目标输入替代所述缺失输入,得到所述AI网络的输出包括:
将多个所述目标输入平均或组合运算后的结果替代所述缺失输入,得到所述AI网络的输出。
7.根据权利要求1所述的方法,其特征在于,所述默认值包括如下之一:
常数值、常数向量、常数二维矩阵、常数多维矩阵。
8.根据权利要求1所述的方法,其特征在于,所述AI网络的多个输入占用的资源域包括第一资源域和第二资源域;
其中,所述缺失输入包括所述第一资源域第一资源的所述第二资源域多个相邻的第二资源;
所述目标输入为所述第一资源域所述第一资源附近的资源的所述第二资源域多个所述第二资源。
9.根据权利要求1所述的方法,其特征在于,
所述缺失输入为多个相邻的输入,所述目标输入为所述缺失输入之前或之后的第一个输入;或
所述缺失输入为多个相邻的输入,所述目标输入为所述多个相邻的输入中第一个或最后一个输入的目标输入。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述目标输入缺失或所述目标输入中的部分输入缺失,则采用所述目标输入附近的输入或所述目标输入的下一级目标输入替代所述目标输入,得到所述AI网络的输出。
11.根据权利要求1所述的方法,其特征在于,所述第一通信设备不期望或所述AI网络不允许出现如下至少之一:
相邻的输入连续缺失;
连续的缺失输入超过K1个;
全部缺失输入超过K2个;
K1和K2是大于等于2的整数。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:如果出现如下至少之一,则不再使用所述AI网络:
相邻的输入连续缺失;
连续的缺失输入超过K1个;
全部缺失输入超过K2个;
K1和K2是大于等于2的整数。
13.根据权利要求1所述的方法,其特征在于,所述AI网络允许所述缺失输入满足特定的图样或规律。
14.根据权利要求1所述的方法,其特征在于,所述方法还包括:如果所述AI网络出现缺失输入,则不再使用所述AI网络;
其中,所述第一通信设备不期望或所述AI网络不允许出现缺失输入。
15.根据权利要求1所述的方法,其特征在于,所述方法还包括:向第二通信设备发送如下至少之一:
所述缺失输入的标识;
所述缺失输入的数量;
所述缺失输入的图样或规律;
使用所述AI网络之外的AI算法或非AI算法得到所述输出;
所述缺失输入带来的性能损失。
16.根据权利要求1所述的方法,其特征在于,所述AI网络的输入和/或输出包括如下之一:
参考信号,信道,信道状态信息,波束信息,信道预测信息,干扰信息,定位信息,高层业务或参数的预测信息,高层业务或参数的管理信息,控制信令。
17.根据权利要求1所述的方法,其特征在于,所述方法还包括:将所述AI网络的输出发送给第二通信设备;
其中,所述第一通信设备为终端,所述第二通信设备为网络侧设备;或
所述第一通信设备为网络侧设备,所述第二通信设备为终端;或
所述第一通信设备为终端,所述第二通信设备为终端;或
所述第一通信设备为网络侧设备,所述第二通信设备为网络侧设备。
18.一种第一通信设备,其特征在于,包括:
处理模块,用于在AI网络的多个输入中存在缺失输入的情况下,采用目标输入或默认值替代所述缺失输入,得到所述AI网络的输出。
19.根据权利要求18所述的第一通信设备,其特征在于,所述目标输入包括如下至少之一:
所述缺失输入之前的一个或多个输入;
所述缺失输入之后的一个或多个输入;
其中,所述AI网络的多个输入按照目标顺序排序。
20.根据权利要求18所述的第一通信设备,其特征在于,所述AI网络的多个输入占用的资源域包括如下至少之一:频域,时域,码域,空间域,时延域,多普勒域,傅里叶变换域,S域,Z域。
21.根据权利要求18所述的第一通信设备,其特征在于,所述缺失输入占用多个资源域,所述目标输入根据如下至少之一得到:
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源;
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源的之前的一个或多个资源;
所述缺失输入在所述多个资源域中至少一个资源域中对应的资源的之后的一个或多个资源。
22.根据权利要求21所述的第一通信设备,其特征在于,所述缺失输入包括第一资源域第i个资源的第二资源域第j个资源,所述目标输入包括如下之一:
所述第一资源域第i个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i个资源的所述第二资源域第j+1至j+M2个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i-N1至i-1个资源的所述第二资源域第j+1至j+M2个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j-M1至j-1个资源;
所述第一资源域第i+1至i+N1个资源的所述第二资源域第j+1至j+M2个资源;
其中,i、j、N1和M1是正整数。
23.根据权利要求18至22任一项所述的第一通信设备,其特征在于,所述目标输入为多个,所述处理模块,用于:
将多个所述目标输入平均或组合运算后的结果替代所述缺失输入,得到所述AI网络的输出。
24.根据权利要求18所述的第一通信设备,其特征在于,所述默认值包括如下之一:
常数值、常数向量、常数二维矩阵、常数多维矩阵。
25.根据权利要求18所述的第一通信设备,其特征在于,所述AI网络的多个输入占用的资源域包括第一资源域和第二资源域;
其中,所述缺失输入包括所述第一资源域第一资源的所述第二资源域多个相邻的第二资源;
所述目标输入为所述第一资源域所述第一资源附近的资源的所述第二资源域多个所述第二资源。
26.根据权利要求18所述的第一通信设备,其特征在于,
所述缺失输入为多个相邻的输入,所述目标输入为所述缺失输入之前或之后的第一个输入;或
所述缺失输入为多个相邻的输入,所述目标输入为所述多个相邻的输入中第一个或最后一个输入的目标输入。
27.根据权利要求18所述的第一通信设备,其特征在于,所述处理模块,还用于:
如果所述目标输入缺失或所述目标输入中的部分输入缺失,则采用所述目标输入附近的输入或所述目标输入的下一级目标输入替代所述目标输入,得到所述AI网络的输出。
28.根据权利要求18所述的第一通信设备,其特征在于,所述第一通信设备不期望或所述AI网络不允许出现如下至少之一:
相邻的输入连续缺失;
连续的缺失输入超过K1个;
全部缺失输入超过K2个;
K1和K2是大于等于2的整数。
29.根据权利要求18所述的第一通信设备,其特征在于,所述处理模块,还用于:如果出现如下至少之一,则不再使用所述AI网络:
相邻的输入连续缺失;
连续的缺失输入超过K1个;
全部缺失输入超过K2个;
K1和K2是大于等于2的整数。
30.根据权利要求18所述的第一通信设备,其特征在于,所述AI网络允许所述缺失输入满足特定的图样或规律。
31.根据权利要求18所述的第一通信设备,其特征在于,所述处理模块,还用于:如果所述AI网络出现缺失输入,则不再使用所述AI网络;
其中,所述第一通信设备不期望或所述AI网络不允许出现缺失输入。
32.根据权利要求18所述的第一通信设备,其特征在于,所述第一通信设备还包括发送模块,用于向第二通信设备发送如下至少之一:
所述缺失输入的标识;
所述缺失输入的数量;
所述缺失输入的图样或规律;
使用所述AI网络之外的AI算法或非AI算法得到所述输出;
所述缺失输入带来的性能损失。
33.根据权利要求18所述的第一通信设备,其特征在于,所述AI网络的输入和/或输出包括如下之一:
参考信号,信道,信道状态信息,波束信息,信道预测信息,干扰信息,定位信息,高层业务或参数的预测信息,高层业务或参数的管理信息,控制信令。
34.根据权利要求18所述的第一通信设备,其特征在于,所述第一通信设备还包括发送模块,用于将所述AI网络的输出发送给第二通信设备;
其中,所述第一通信设备为终端,所述第二通信设备为网络侧设备;或
所述第一通信设备为网络侧设备,所述第二通信设备为终端;或
所述第一通信设备为终端,所述第二通信设备为终端;或
所述第一通信设备为网络侧设备,所述第二通信设备为网络侧设备。
35.一种终端,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17任一项所述的AI网络部分输入缺失的处理方法。
36.一种网络侧设备,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17任一项所述的AI网络部分输入缺失的处理法。
37.一种可读存储介质,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17任一项所述的AI网络部分输入缺失的处理方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011323033.1A CN114531696A (zh) | 2020-11-23 | 2020-11-23 | Ai网络部分输入缺失的处理方法和设备 |
EP21894054.2A EP4250798A4 (en) | 2020-11-23 | 2021-11-22 | METHOD FOR PROCESSING MISSING PARTIAL INPUT OF ARTIFICIAL INTELLIGENCE (AI) NETWORK, AND DEVICE |
PCT/CN2021/132012 WO2022105907A1 (zh) | 2020-11-23 | 2021-11-22 | Ai网络部分输入缺失的处理方法和设备 |
US18/199,567 US20230291658A1 (en) | 2020-11-23 | 2023-05-19 | Method for Processing Partial Input Missing of AI Network, and Device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011323033.1A CN114531696A (zh) | 2020-11-23 | 2020-11-23 | Ai网络部分输入缺失的处理方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114531696A true CN114531696A (zh) | 2022-05-24 |
Family
ID=81619731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011323033.1A Pending CN114531696A (zh) | 2020-11-23 | 2020-11-23 | Ai网络部分输入缺失的处理方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230291658A1 (zh) |
EP (1) | EP4250798A4 (zh) |
CN (1) | CN114531696A (zh) |
WO (1) | WO2022105907A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037339A1 (zh) * | 2022-08-19 | 2024-02-22 | 中兴通讯股份有限公司 | 信道状态信息处理方法、装置、通信节点及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875555A (zh) * | 2018-04-25 | 2018-11-23 | 中国人民解放军军事科学院军事医学研究院 | 基于神经网络的视频兴趣区域和显著目标提取与定位系统 |
CN110134592A (zh) * | 2019-04-19 | 2019-08-16 | 平安普惠企业管理有限公司 | 一种补充数据字段的方法及装置、电子设备 |
CN111339774A (zh) * | 2020-02-07 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 文本的实体关系抽取方法和模型训练方法 |
CN111446002A (zh) * | 2020-03-07 | 2020-07-24 | 华中科技大学 | 一种基于人工智能的新型冠状病毒患者病况分类系统 |
CN111937266A (zh) * | 2018-01-22 | 2020-11-13 | Abb电网瑞士股份公司 | 用于电力网络资产的状态分类的方法和设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19530647C1 (de) * | 1995-08-21 | 1997-01-23 | Siemens Ag | Verfahren zur Aufbereitung einer Eingangsgröße für ein neuronales Netz |
DE19530646C1 (de) * | 1995-08-21 | 1996-10-17 | Siemens Ag | Lernverfahren für ein rekurrentes neuronales Netz |
US6314414B1 (en) * | 1998-10-06 | 2001-11-06 | Pavilion Technologies, Inc. | Method for training and/or testing a neural network with missing and/or incomplete data |
US6876988B2 (en) * | 2000-10-23 | 2005-04-05 | Netuitive, Inc. | Enhanced computer performance forecasting system |
CA2390895C (en) * | 2001-06-18 | 2012-05-29 | Globvision Inc. | Data sensor validation system and method |
US9429678B2 (en) * | 2011-12-31 | 2016-08-30 | Saudi Arabian Oil Company | Apparatus, computer readable media, and computer programs for estimating missing real-time data for intelligent fields |
US11164076B2 (en) * | 2016-10-20 | 2021-11-02 | Uber Technologies, Inc. | Intelligent regularization of neural network architectures |
CN107729943B (zh) * | 2017-10-23 | 2021-11-30 | 辽宁大学 | 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用 |
GB201804433D0 (en) * | 2018-03-20 | 2018-05-02 | Microsoft Technology Licensing Llc | Imputation using a neutral network |
US10810767B2 (en) * | 2018-06-12 | 2020-10-20 | Siemens Healthcare Gmbh | Machine-learned network for Fourier transform in reconstruction for medical imaging |
CN109359385B (zh) * | 2018-10-17 | 2021-11-23 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
CN109447698B (zh) * | 2018-10-18 | 2021-01-29 | 广州云从人工智能技术有限公司 | 一种基于神经网络的推荐方法 |
US20230040185A1 (en) * | 2020-01-10 | 2023-02-09 | Prenosis, Inc. | A time-sensitive trigger for a streaming data environment |
-
2020
- 2020-11-23 CN CN202011323033.1A patent/CN114531696A/zh active Pending
-
2021
- 2021-11-22 EP EP21894054.2A patent/EP4250798A4/en active Pending
- 2021-11-22 WO PCT/CN2021/132012 patent/WO2022105907A1/zh unknown
-
2023
- 2023-05-19 US US18/199,567 patent/US20230291658A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111937266A (zh) * | 2018-01-22 | 2020-11-13 | Abb电网瑞士股份公司 | 用于电力网络资产的状态分类的方法和设备 |
CN108875555A (zh) * | 2018-04-25 | 2018-11-23 | 中国人民解放军军事科学院军事医学研究院 | 基于神经网络的视频兴趣区域和显著目标提取与定位系统 |
CN110134592A (zh) * | 2019-04-19 | 2019-08-16 | 平安普惠企业管理有限公司 | 一种补充数据字段的方法及装置、电子设备 |
CN111339774A (zh) * | 2020-02-07 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 文本的实体关系抽取方法和模型训练方法 |
CN111446002A (zh) * | 2020-03-07 | 2020-07-24 | 华中科技大学 | 一种基于人工智能的新型冠状病毒患者病况分类系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037339A1 (zh) * | 2022-08-19 | 2024-02-22 | 中兴通讯股份有限公司 | 信道状态信息处理方法、装置、通信节点及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP4250798A4 (en) | 2024-05-01 |
US20230291658A1 (en) | 2023-09-14 |
EP4250798A1 (en) | 2023-09-27 |
WO2022105907A1 (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230254711A1 (en) | Configuration method for ai network parameter and device | |
EP4236436A1 (en) | Beam reporting method, beam information determination method and related device | |
CN114071615B (zh) | 小区切换方法和终端 | |
US20230244911A1 (en) | Neural network information transmission method and apparatus, communication device, and storage medium | |
CN114337757A (zh) | 波束信息指示、获取方法、装置、终端及网络侧设备 | |
US20230291658A1 (en) | Method for Processing Partial Input Missing of AI Network, and Device | |
US20240088970A1 (en) | Method and apparatus for feeding back channel information of delay-doppler domain, and electronic device | |
US20230291517A1 (en) | Communication method, communications apparatus, and communications device | |
US20230299910A1 (en) | Communications data processing method and apparatus, and communications device | |
US20230261815A1 (en) | Communication Information Sending Method, Communication Information Receiving Method, and Communication 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 | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
CN115623506A (zh) | Tci状态的指示方法、装置、终端和网络侧设备 | |
CN114585016A (zh) | 信道状态信息报告的上报、配置方法及通信设备 | |
WO2023198094A1 (zh) | 模型输入的确定方法及通信设备 | |
CN115208526B (zh) | 信号传输方法、装置及终端 | |
CN115913296A (zh) | 上行预编码信息确定方法、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 | |
CN115843054A (zh) | 参数选择方法、参数配置方法、终端及网络侧设备 | |
CN115379567A (zh) | 波束应用时间的确定方法、装置及通信设备 | |
CN114696968A (zh) | 控制信道的配置方法、装置、通信设备 | |
CN115707115A (zh) | 资源位置确定方法、装置、用户设备及存储介质 | |
CN115622672A (zh) | Srs的传输方法、装置、终端及网络侧设备 |
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 |