CN114640559A - 估计延迟扩展和多普勒扩展 - Google Patents

估计延迟扩展和多普勒扩展 Download PDF

Info

Publication number
CN114640559A
CN114640559A CN202111537591.2A CN202111537591A CN114640559A CN 114640559 A CN114640559 A CN 114640559A CN 202111537591 A CN202111537591 A CN 202111537591A CN 114640559 A CN114640559 A CN 114640559A
Authority
CN
China
Prior art keywords
data
spread
model
batch
estimate
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
CN202111537591.2A
Other languages
English (en)
Inventor
F·艾特·奥迪亚
J·霍伊迪斯
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.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
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 Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN114640559A publication Critical patent/CN114640559A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G06N7/046—Implementation by means of a neural network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/707—Spread spectrum techniques using direct sequence modulation
    • H04B1/7097—Interference-related aspects
    • H04B1/711—Interference-related aspects the interference being multi-path interference
    • H04B1/7113—Determination of path profile
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/364—Delay profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • 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
    • 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
    • H04L25/0212—Channel estimation of impulse response
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
    • 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
    • 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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03159—Arrangements for removing intersymbol interference operating in the frequency domain
    • 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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03165—Arrangements for removing intersymbol interference using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

为了获取延迟扩展估计和/或多普勒扩展估计，表示接收数据的数据被输入到至少一个经训练的模型，该经训练的模型输出扩展估计。

Description

估计延迟扩展和多普勒扩展
技术领域
各种示例实施例涉及无线通信。
背景技术
在无线通信系统中，信道随时间和频率变化，这种变化的典型特征是多普勒扩展和延迟扩展。关于多普勒扩展和延迟扩展的信息可以用于提高无线通信的性能。然而，估计值是相当具有挑战性和耗时的。
发明内容
本发明的各个实施例所寻求的保护范围由独立权利要求提出。本说明书中描述的不落入独立权利要求范围内的实施例、示例和特征(如果有的话)应当被解释为对理解本发明的各种实施例有用的示例。
根据一个方面，提供了一种装置，该装置包括至少一个处理器；以及包括计算机程序代码的至少一个存储器，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使该装置至少执行：通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，至少一个经训练的模型输出扩展估计。
在一个实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起还使该装置执行：通过向至少一个第一经训练的模型输入表示接收数据的数据来确定延迟扩展估计，至少一个第一经训练的模型输出延迟扩展估计；以及通过向至少一个第二经训练的模型输入表示接收数据的数据来确定多普勒扩展估计，至少一个第二经训练的模型输出多普勒扩展估计。
在一个实施例中，表示接收数据的数据是具有第一维度和第二维度的二维数据，并且至少一个存储器和计算机程序代码被配置为与至少一个处理器一起还使该装置执行：向被配置为对第二维度进行操作的第一经训练的模型输入第一维度；并且向被配置为对第一维度进行操作的第二经训练的模型输入第二维度。
在一个实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起还使该装置对接收数据执行离散傅立叶变换，其中离散傅立叶变换的结果是表示接收数据的数据形成时频网格。
在一个实施例中，接收数据是正交频分复用波形形式的，第一维度是子载波，并且第二维度是每时隙的符号。
在一个实施例中，该装置还包括一个或多个检测器，该一个或多个检测器被配置为接收延迟扩展估计和多普勒扩展估计并且将其用于数据重构。
根据一个方面，提供了一种装置，该装置包括至少一个处理器；以及包括计算机程序代码的至少一个存储器，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使该装置至少执行：针对至少一个模型初始化可训练参数，该至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中该批示例中的采样数据形成一批训练数据并且对应的扩展形成一批验证数据；向至少一个模型输入该批训练数据；通过对损失函数应用随机梯度下降来更新可训练参数，损失函数使用由至少一个模型输出的扩展估计并且在该批验证数据中扩展；通过重复采样、输入和更新来训练至少一个模型，直到停止准则被满足；以及当停止准则被满足时，存储用于扩展估计和/或用于多普勒扩展估计的至少一个模型以在装置通过无线信道接收数据中被使用。
在一个实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起还使该装置在针对至少一个模型初始化权重时执行：针对第一模型并且针对第二模型初始化权重，第一模型对延迟扩展估计器进行建模并且输出延迟扩展估计，并且第二模型对多普勒扩展估计器进行建模并且输出多普勒扩展估计。
在一个实施例中，至少一个模型基于一个或多个一维卷积神经网络。
在一个实施例中，至少一个模型包括作为输入层的一维卷积层、作为输出层的一维卷积层以及在输入层与输出层之间的基于残差神经网络的一个或多个一维块。
在一个实施例中，残差神经网络包括一个或多个批归一化层、一个或多个修正线性单元和一个或多个可分离的一维卷积层。
根据一个方面，提供了一种方法，该方法包括：通过无线网络接收数据；以及通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，至少一个经训练的模型输出扩展估计。
根据一个方面，提供了一种方法，该方法包括：针对至少一个模型初始化可训练参数，该至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中该批示例中的采样数据形成一批训练数据并且对应的扩展形成一批验证数据；向至少一个模型输入该批训练数据；通过对损失函数应用随机梯度下降来更新可训练参数，损失函数使用由至少一个模型输出的扩展估计并且在该批验证数据中扩展；通过重复采样、输入和更新来训练至少一个模型，直到停止准则被满足；以及当停止被准则满足时，存储用于扩展估计和/或用于多普勒扩展估计的至少一个模型以在装置通过无线信道接收数据中被使用。
根据一个方面，提供了一种计算机程序，该计算机程序包括指令，当该程序由装置执行时，该指令使该装置至少执行：响应于该装置通过无线网络接收到数据，通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，至少一个经训练的模型输出扩展估计。
根据一个方面，提供了一种包括指令的计算机程序，当该程序由装置执行时，该指令使该装置至少执行：针对至少一个模型初始化可训练参数，该至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中该批示例中的采样数据形成一批训练数据并且对应的扩展形成一批验证数据；向至少一个模型输入该批训练数据；通过对损失函数应用随机梯度下降来更新可训练参数，损失函数使用由至少一个模型输出的扩展估计并且在该批验证数据中扩展；通过重复采样、输入和更新来训练至少一个模型，直到停止准则被满足；以及当停止准则被满足时，存储用于扩展估计和/或用于多普勒扩展估计的至少一个模型以在装置通过无线信道接收数据中被使用。
根据一个方面，提供了一种包括程序指令的计算机可读介质，该程序指令在由装置运行时使该装置至少执行：响应于该装置通过无线网络接收到数据，通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，至少一个经训练的模型输出扩展估计。
根据一个方面，提供了一种包括程序指令的计算机可读介质，该程序指令在由装置运行时使该装置至少执行：针对至少一个模型初始化可训练参数，该至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中该批示例中的采样数据形成一批训练数据并且对应的扩展形成一批验证数据；向至少一个模型输入该批训练数据；通过对损失函数应用随机梯度下降来更新可训练参数，损失函数使用由至少一个模型输出的扩展估计并且在该批验证数据中扩展；通过重复采样、输入和更新来训练至少一个模型，直到停止准则被满足；以及当停止准则被满足时，存储用于扩展估计和/或用于多普勒扩展估计的至少一个模型以在装置通过无线信道接收数据中被使用。
根据一个方面，提供了一种包括程序指令的非有形计算机可读介质，该程序指令在由装置运行时使该装置至少执行：响应于该装置通过无线网络接收到数据，通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，至少一个经训练的模型输出扩展估计。
根据一个方面，提供了一种包括程序指令的非有形计算机可读介质，该程序指令在由装置运行时使该装置至少执行：针对至少一个模型初始化可训练参数，该至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中该批示例中的采样数据形成一批训练数据并且对应的扩展形成一批验证数据；向至少一个模型输入该批训练数据；通过对损失函数应用随机梯度下降来更新可训练参数，损失函数使用由至少一个模型输出的扩展估计并且在该批验证数据中扩展；通过重复采样、输入和更新来训练至少一个模型，直到停止准则被满足；以及当停止准则被满足时，存储用于扩展估计和/或用于多普勒扩展估计的至少一个模型以在装置通过无线信道接收数据中被使用。
附图说明
下面仅通过示例的方式参考附图描述实施例，在附图中
图1示出了示例性无线通信系统；
图2A和图2B是装置的示意性框图；
图3是具有输入的基于神经网络的模型的示意图；
图4是神经网络层架构的示意图；
图5至图8示出了示例功能；
图9和图10示出了仿真结果；以及
图11和图12是示意性框图。
具体实施方式
以下实施例是示例。尽管说明书可以在多个位置引用“一”、“一个”或“一些”实施例，但这并不一定表示每个这样的引用均是指相同的实施例，或者该特征仅适用于单个实施例。不同实施例的单个特征也可以组合以提供其他实施例。此外，词语“包括”和“包含”应当理解为不将所描述的实施例限制为仅由已经提及的特征组成，并且这样的实施例还可以包含未具体提及的特征/结构。此外，虽然包括诸如“第一”、“第二”等序数的术语可以用于描述各种元素，但是结构元素不受这些术语的限制。这些术语仅用于将一个元素与其他元素区分开的目的。例如，在不脱离本公开的范围的情况下，第一元素可以称为第二元素，并且类似地，第二元素也可以称为第一元素。
本文中描述的实施例和示例可以在包括(多个)无线连接的任何通信系统中实现。在下文中，将使用新无线电(NR，5G)或基于高级长期演进(高级LTE(LTE-A))的无线电接入架构作为可以应用实施例的接入架构的示例来描述不同的示例性实施例，而没有将实施例限制为这种架构。对于本领域技术人员而言很清楚的是，通过适当地调节参数和过程，实施例还可以应用于具有合适的模块的其他种类的通信网络。适用于系统的其他选项的一些示例是通用移动电信系统(UMTS)无线电接入网(UTRAN或E-UTRAN)、长期演进(LTE，与E-UTRA相同)、超越5G、无线局域网(WLAN或WiFi)、全球微波接入互操作性(WiMAX)、
Figure BDA0003412960390000061
个人通信服务(PCS)、
Figure BDA0003412960390000062
宽带码分多址(WCDMA)、使用超宽带(UWB)技术的系统、传感器网络、移动自组织网络(MANET)和网际协议多媒体子系统(IMS)或其任何组合。
图1描绘了简化的系统架构的示例，其仅示出了一些元件和功能实体，它们都是逻辑单元，其实现可以与所示出的有所不同。图1所示的连接是逻辑连接；实际的物理连接可以有所不同。对于本领域技术人员而言很清楚的是，该系统通常还包括除图1所示的功能和结构之外的其他功能和结构。
然而，实施例不限于作为示例给出的系统，而是本领域技术人员可以将该解决方案应用于具有必要特性的其他通信系统。
图1的示例示出了示例性无线电接入网络的一部分。
图1示出了被配置为处于小区中的一个或多个通信信道上的无线连接中的用户设备100和101'，其中接入节点(诸如(e/g)NodeB)102提供该小区。从用户设备到(e/g)NodeB的物理链路称为上行链路或反向链路，而从(e/g)NodeB到用户设备的物理链路称为下行链路或前向链路。应当理解，(e/g)NodeB或其功能可以通过使用适合于这种用法的任何节点、主机、服务器或接入点(AP)等实体来实现。
通信系统100通常包括一个以上的(e/g)NodeB，在这种情况下，(e/g)NodeB也可以被配置为通过为此目的而设计的有线或无线链路彼此通信。这些链路可以用于信令目的。(e/g)NodeB是被配置为控制其耦合到的通信系统的无线电资源的计算设备。NodeB也可以被称为基站、接入点或包括能够在无线环境中操作的中继站的任何其他类型的接口设备。(e/g)NodeB包括或耦合到收发器。从(e/g)NodeB的收发器，向天线单元提供连接，该连接建立到用户设备的双向无线电链路。天线单元可以包括多个天线或天线元件。(e/g)NodeB进一步连接到核心网络105(CN或下一代核心NGC)。取决于系统，CN侧的对方可以是服务网关(S-GW，路由和转发用户数据包)、分组数据网络网关(P-GW，用于提供用户设备(UE)与外部分组数据网络的连接)、或移动管理实体(MME)等。
用户设备(也称为UE、用户装备、用户终端、终端设备等)示出了空中接口上的资源被分配和指派给其的一种类型的设备，并且因此本文中描述的用户设备的任何特征可以用对应装置(诸如中继节点)来实现。这种中继节点的一个示例是朝向基站的第3层中继(自回程中继)。
用户设备通常是指便携式计算设备，该便携式计算设备包括带有或不带有用户标识模块(SIM)的无线移动通信设备，包括但不限于以下类型的无线设备：移动台(移动电话)、智能电话、个人数字助理(PDA)、听筒、使用无线调制解调器的设备(警报或测量设备等)、便携式计算机和/或触摸屏计算机、平板电脑、游戏机、笔记本和多媒体设备。应当理解，用户设备也可以是几乎排他的仅上行链路设备，其示例是将图像或视频剪辑加载到网络的相机或摄像机。用户设备也可以是具有在物联网(IoT)网络中进行操作的能力的设备，在该场景中，为对象提供了通过网络传输数据的能力，而无需人与人或人与计算机交互。用户设备也可以利用云。在一些应用中，用户设备可以包括带有无线电部件的小型便携式设备(诸如手表、耳机或眼镜)，并且计算在云中进行。用户设备(或在一些实施例中的中继节点，诸如集成接入和回程(1AB)节点的移动终端(MT)部分)被配置为执行用户设备功能中的一项或多项。用户设备也可以被称为订户单元、移动台、远程终端、接入终端、用户终端或用户设备(UE)，仅提及几个名称或设备。
本文中描述的各种技术也可以应用于网络物理系统(CPS)(协作控制物理实体的计算元件的系统)。CPS可以实现和利用嵌入在物理对象中的不同位置的大量互连ICT设备(传感器、致动器、处理器、微控制器等)。所讨论的物理系统在其中具有固有移动性的移动网络物理系统是网络物理系统的子类别。移动物理系统的示例包括由人类或动物运输的移动机器人和电子器件。
另外，尽管将装置描绘为单个实体，但是可以实现不同的单元、处理器和/或存储器单元(图1中未全部示出)。
5G支持使用多输入多输出(MIMO)天线，比LTE(所谓的小小区概念)多得多的基站或节点或对应网络设备，包括与小基站协作并且采用多种无线电技术的宏站点，这取决于服务需求、用例和/或可用频谱。5G移动通信支持各种用例和相关应用，包括视频流、增强现实、不同的数据共享方式以及各种形式的机器类型应用(诸如(大规模)机器类型通信(mMTC))，包括车辆安全、不同传感器和实时控制。5G有望具有多个无线接口，即，低于6GHz、cmWave和mmWave，并且与诸如LTE等现有的传统无线电接入技术可集成。与LTE的集成可以至少在早期阶段被实现为系统，在该系统中，由LTE提供宏覆盖并且5G无线电接口接入通过聚合到LTE而来自小小区。换言之，计划5G同时支持RAT间可操作性(诸如LTE-5G)和RI间可操作性(无线电接口间可操作性，诸如低于6GHz-cmWave、低于6GHz-cmWave-mmWave)。被认为在5G网络中使用的概念之一是网络切片，其中可以在同一基础设施中创建多个独立且专用的虚拟子网(网络实例)以运行对延迟、可靠性、吞吐量和移动性具有不同要求的服务。
LTE网络中的当前架构完全分布在无线电中并且完全集中在核心网络中。5G中的低延迟应用和服务需要使内容靠近无线电，从而导致本地突围和多路访问边缘计算(MEC)。5G使得分析和知识生成可以在数据源处进行。这种方法需要利用可能无法连续地连接到网络的资源，诸如笔记本电脑、智能电话、平板电脑和传感器。MEC为应用和服务托管提供分布式计算环境。它还具有在蜂窝订户附近存储和处理内容以加快响应时间的能力。边缘计算涵盖了广泛的技术，诸如无线传感器网络、移动数据采集、移动签名分析、协作式分布式对等自组织网络和处理(也可分类为本地云/雾计算和网格/网状计算)、露水计算、移动边缘计算、cloudlet、分布式数据存储和检索、自主自我修复网络、远程云服务、增强和虚拟现实、数据高速缓存、物联网(大规模连接和/或延迟关键)、关键通信(自动驾驶汽车、交通安全、实时分析、时间关键控制、医疗保健应用)。
通信系统还能够与诸如公共交换电话网或互联网106等其他网络通信，或者利用由它们提供的服务。通信网络也可以能够支持云服务的使用，例如，核心网络操作的至少一部分可以作为云服务来执行(这在图1中由“云”107描绘)。通信系统还可以包括为不同运营商的网络提供用于例如在频谱共享中进行协作的设施的中央控制实体等。
可以通过利用网络功能虚拟化(NVF)和软件定义网络(SDN)将边缘云引入无线电接入网(RAN)。使用边缘云可以表示将至少部分在操作耦合到包括无线电部分的远程无线电头端或基站的服务器、主机或节点中执行接入节点操作。节点操作也可以分布在多个服务器、节点或主机之间。cloudRAN架构的应用使得RAN实时功能能够在RAN侧(在分布式单元DU 102中)执行并且非实时功能能够以集中式方式(在集中式单元CU 104中)执行。
还应当理解，核心网络操作与基站操作之间的劳动分配可以不同于LTE的劳动分配，或者甚至不存在。可能会使用的一些其他技术进步是大数据和全IP，这可能会改变网络的构建和管理方式。5G(或新无线电NR)网络被设计为支持多个层次结构，其中MEC服务器可以放置在核心与基站或NodeB(gNB)之间。应当理解，MEC也可以应用于4G网络。
5G还可以利用卫星通信来增强或补充5G服务的覆盖范围，例如通过提供回程。可能的用例是为机器对机器(M2M)或物联网(IoT)设备或为车上乘客提供服务连续性，或者确保关键通信以及未来的铁路/海事/航空通信的服务可用性。卫星通信可以利用对地静止地球轨道(GEO)卫星系统，也可以利用低地球轨道(LEO)卫星系统、特别是巨型星座(其中部署了数百个(纳米)卫星的系统)。巨型星座中的每个卫星103可以覆盖创建地面小区的几个启用卫星的网络实体。地面小区可以通过地面中继节点102或位于地面或卫星中的gNB来创建。
对于本领域技术人员而言很清楚的是，所描绘的系统仅是无线电接入系统的一部分的示例，并且在实践中，该系统可以包括多个(e/g)NodeB，用户设备可以访问多个无线电小区，并且该系统还可以包括其他装置，诸如中继节点(例如，一个或多个IAB节点的分布式单元(DU)部分)或其他网络元件等。至少一个(e/g)NodeB可以是家庭(e/g)NodeB。另外，在无线电通信系统的地理区域中，可以提供多个不同种类的无线电小区以及多个无线电小区。无线电小区可以是宏小区(或伞形小区)，它们是直径通常长达数十公里的大型小区、或者是诸如微小区、毫微微小区或微微小区等较小小区。图1的(e/g)NodeB可以提供任何种类的这些小区。蜂窝无线电系统可以被实现为包括几种小区的多层网络。通常，在多层网络中，一个接入节点提供一种一个或多个小区，并且因此需要多个(e/g)NodeB来提供这种网络结构。
为了满足改善通信系统的部署和性能的需要，引入了“即插即用”(e/g)NodeB的概念。通常，除了家庭(e/g)NodeB(H(e/g)nodeB)，能够使用“即插即用”(e/g)NodeB的网络还包括家庭NodeB网关或HNB-GW(图1中未示出)。通常安装在运营商网络内的HNB网关(HNB-GW)可以将业务从大量HNB聚合回核心网络。
图2A和图2B是表示根据示例的装置的示意图。在示例中，一种装置被配置为估计接收信号的多普勒扩展和延迟扩展。多普勒扩展用于表征无线通信信道的时间选择性，并且延迟扩展用于表征无线通信信道的频率选择性。一般而言，可以说，移动性导致时间选择性，并且信道的时间分散导致频率选择性。
参考图2A，在所示示例中，装置200在一个或多个信号201中接收在空中接口中通过信道传输的数据。装置200将所接收的一个或多个信号201输入到离散傅立叶变换(DFT)单元210以生成符号202(表示接收数据的数据)。例如，可以从所接收的正交频分复用(OFDM)信号生成频域符号。
符号202被输入到第一经训练的模型(NN1)220、第二经训练的模型(NN2)230和检测器240，第一经训练的模型(NN1)220输出信道的延迟扩展的估计203，第二经训练的模型(NN2)230输出信道的多普勒扩展的估计204(多普勒扩展估计)，检测器240用于重构在信号中传输的数据。经训练的模型可以是机器学习模型，例如基于神经网络的模型。机器学习模型在训练阶段包括具有可训练参数的一个或多个算法，并且在使用中，在训练之后，对应地包括具有经训练的参数的一个或多个机器学习模型。为了使用单独的(不同的)经训练的模型来确定(计算)延迟扩展估计和多普勒扩展估计，基于以下观察，即，通常、频率和时间相关性彼此独立。
取决于实现，延迟扩展估计203和/或多普勒扩展估计204可以如虚线所示被输入到检测器240以改进数据205的重构。此外，扩展估计203、204可以被转发到一种或多种通信算法(图2A中未示出)。该算法的非限制性列表包括用于减少不必要切换的切换算法、用于减少时延的交织长度调节算法、导频模式选择算法和信道报告间隔选择算法。此外，当可以在足够短的时间内获取足够准确的估计时，扩展估计可以用于改进链路自适应、信道估计、降低多输入多输出(MIMO)检测和预编码的复杂性，仅列出可以使用扩展估计的无线通信过程的几个示例。例如，扩展估计可以用于生成信道的二阶统计的估计，从而实现更准确的信道估计，例如当使用线性最小均方误差(LMMSE)信道估计时。
应当理解，如果在传输信号201时使用循环前缀，则装置200可以被配置为在所接收的一个或多个信号201被输入到离散傅立叶变换(DFT)单元210之前移除循环前缀。
此外，应当理解，如果接收信号201是一维信号，该一维信号是时域信号，则信号201可以被输入到第一经训练的模型220、第二经训练的模型230和检测器。换言之，可以省去离散傅立叶变换(DFT)单元210。
还有一种可能性，如果第一经训练的模型220被配置为在时域中操作，则所接收的一个或多个信号201可以被输入到第一经训练的模型，并且如果使用正交频分复用(OFDM)波形来重构在信号中传输的数据，则循环前缀移除(如果需要)以及将信号输入到离散傅立叶变换(DFT)单元210可以并行执行。
此外，应当理解，经训练的模型220、230可以用不同信道模型和调制进行训练，并且除了输入202，关于所使用的调制的指示也可以被输入到经训练的模型。此外，可以存在针对不同信道模型和/或调制进行训练的两个或更多个第一经训练的模型和两个或更多个第二经训练的模型。
尽管与使用基于卷积神经网络的一个经训练的模型的解决方案(一维或二维，具体取决于在输入中使用时域还是时域和频域)相比，使用基于一维卷积神经网络的两个经训练的模型的图2A公开的解决方案所需要的参数数目和计算复杂度小得多，可以使用一个经训练的模型，该一个经训练的模型输出延迟扩展估计和多普勒扩展估计，对应地如图2B所述。
参考图2B，在所示示例中，装置200'在一个或多个信号201中接收在空中接口中通过信道传输的数据。装置200'将所接收的一个或多个信号201或表示所接收的一个或多个信号的数据输入到经训练的模型(NN)250和检测器240，检测器240重构在信号中传输的数据。在图2B的示例中，经训练的模型输出信道的延迟扩展的估计203(延迟扩展估计)和信道的多普勒扩展的估计204(多普勒扩展估计)。经训练的模型可以是机器学习模型，例如基于神经网络的模型。
取决于实现，延迟扩展估计203和/或多普勒扩展估计204可以如虚线所示被输入到检测器240以改进数据205的重构。此外，扩展估计203、204可以被转发和使用，如上文的图2A所述。
应当理解，经训练的模型250可以用不同信道模型和调制进行训练，并且除了输入201，关于所使用的调制的指示也可以被输入到经训练的模型。此外，可以存在针对不同信道模型和/或调制进行训练的两个或更多个经训练的模型250。
在又一实现中，基于图2B的示例，接收数据201不是输入到经训练的模型250和检测器240，而是输入到离散傅立叶变换单元以生成符号(表示接收数据的数据)，并且离散傅立叶变换单元的输出被输入到经训练的模型250和检测器240。
下面使用图2A描述的装置描述不同示例，但不将示例限制为这样的解决方案。对于本领域技术人员来说，将下面描述的示例实现到图2B描述的装置是一项直接任务。
图3示出了基于神经网络和对应的输入的第一经训练的模型和第二经训练的模型的示例。在所示示例中，传输信号使用正交频分复用(OFDM)波形，并且因此经过离散傅立叶变换的接收符号202形成维度为nF×nT的时频网格，其中nF是子载波数302-2，nT是一个时隙中的符号数302-1。符号被输入(馈送)到第一经训练的模型220和第二经训练的模型230，第一经训练的模型220输出估计延迟扩展203，第二经训练的模型230输出估计多普勒扩展204。更准确地，输出估计延迟扩展203的第一经训练的模型220以符号作为输入202a对子载波维度302-2进行操作，并且输出估计多普勒扩展204的第二经训练的模型230以子信道作为输入202b对符号维度302-1进行操作。在所示示例中，子载波数302-2是8，并且一个时隙中的符号数302-1是14，因此所示的第一经训练的模型220包括14层并且第二经训练的模型230包括8层。然而，应当理解，除了可以使用卷积神经网络之外，经训练的模型可以具有基于其他神经网络的相同的架构和/或结构。非限制性列表包括循环神经网络和储层网络，例如回声状态网络。此外，可以使用密集层，例如当导频被承载在资源元素中时。
经训练的模型220、230可以是基于一维卷积神经网络的一维经训练的模型，例如以一维卷积层作为输入层310、310'，以一维卷积层作为输出层380、380'，并且输入层310、310'与输出层380、380'之间的层320、330、340、350、360、370、320'、330'、340'、350'、360'、370'可以是基于残差神经网络的一维块，简称为一D ResNet块。图4中描绘了这种块的架构的一个示例。应当意识到，也可以使用任何其他架构。
参考图4，一维残差神经网络块400的所示示例包括三种不同类型的六层(子层)，这些类型是批归一化层410(批标准化(batch norm))、修正器线性单元(ReLu)420和可分离的一维卷积层430。在残差神经网络中，对块400的输入401被馈送(输入)到第一批归一化410子层，第一批归一化410子层的输出被馈送到第一修正器线性单元420，第一修正器线性单元420的输出被馈送到第一一维卷积层430，第一一维卷积层430的输出被馈送到第二批归一化410子层，第二批归一化410子层的输出被馈送到第二修正器线性单元420，第二修正器线性单元420的输出被馈送到第二一维卷积层430。第二一维卷积层430的输出402与对块的输入401组合，并且组合结果为块400的输出403。
图5示出了包括两个经训练的模型的装置的示例功能，一个经训练的模型用于延迟扩展估计，一个经训练的模型用于多普勒扩展估计。
参考图5，当通过信道接收到数据(框500)时，它在框501中被输入到离散傅立叶变换(DFT)过程，并且在框502中通过向两个经训练的模型NN1和NN2输入离散傅立叶变换(DFT)过程的输出来确定估计，其中经训练的模型中的一个输出延迟扩展估计，另一个输出多普勒扩展估计。
图6示出了包括两个经训练的模型的装置的另一示例功能，一个经训练的模型用于延迟扩展估计，一个经训练的模型用于多普勒扩展估计。此外，在所示示例中，假定接收信号使用循环前缀和正交频分复用(OFDM)波形，其描绘了在二维网格中接收的数据，对应于图3中所示的内容。(离散傅立叶变换(DFT)过程不会改变接收数据的维度。)
作为图6中的过程的背景，正交频分复用(OFDM)的传递函数为
Y＝H⊙X+N
其中
⊙＝逐元素(Hadamard)乘积，
H＝维度为nF×nT的信道系数矩阵(信道矩阵)
N＝维度为nF×nT的加性白噪声矩阵
nf＝子载波数
nt＝一个时隙中的符号数
另外，
Figure BDA0003412960390000151
其中
R＝信道相关矩阵
h＝信道矩阵H的矢量化(参见上文)
考虑到通常频率和时间相关性是彼此独立的，信道相关矩阵可以通过取克罗内克(Kronecker)积得到，如下：
Figure BDA0003412960390000161
其中
R＝信道相关矩阵
RF＝维度为nF的频率相关矩阵，即，子载波数
RT＝维度为nT的时间相关矩阵，即，一个时隙中的符号数
上述观察使得可以使用图2A和图3中描述的不同经训练的模型，例如图6中描述的。
参考图6，当通过信道接收到(框600)具有循环前缀的数据时，在框601中移除循环前缀，并且在框602中将接收数据(没有循环前缀)输入到离散傅立叶变换(DFT)过程。然后将离散傅立叶变换结果(DFT输出)的第一维度输入(框604)到第一经训练的模型NN1，并且将离散傅立叶变换结果(DFT输出)的第二维度输入(框604)到第二经训练的模型。经训练的模型的输出然后被用作(框605)扩展估计，来自第一经训练的模型NN1的输出被用作延迟扩展估计，并且来自第二经训练的模型NN2的输出被用作多普勒扩展估计。
图7示出了被配置为训练基于神经网络的模型以获取可用于估计延迟扩展和/或多普勒扩展的经训练的模型的装置的示例功能，例如如图2A和图2B所解释的。换言之，该装置可以被配置为训练可以用于可用于估计延迟扩展和多普勒扩展的模型的图2B中的经训练的模型，或者可以被配置为训练图2A中的经训练的模型中的一者或两者(一个接一个地)，即，训练可用于估计延迟扩展的模型，和/或训练可用于估计多普勒扩展的模型。示例功能描述了用于训练的基本原理，并且如果需要，可以重新训练模型。
参考图7，假定要训练的模型和包括接收信号网格和对应的延迟扩展和/或多普勒扩展的数据集在框700中可用，接收信号的网格被用作训练数据，并且扩展被用作验证数据。网格可以是在离散傅立叶变换之后的接收信号的网格。这样的数据集可以通过执行信道测量和/或通过使用信道模拟器来获取。一个或多个数据集和(多个)可训练模型可以存储在一个或多个数据存储中并且由该装置获取以用于训练。
通过在框701中随机初始化模型的(多个)神经网络中的可训练参数(权重)来触发训练。更准确地，对延迟扩展估计器和/或多普勒扩展估计器进行建模的模型中的可训练参数被初始化。然后在框702中从数据集中采样B个示例，一个示例包括网格、对应的延迟扩展和对应的多普勒扩展。网格用作训练数据，扩展用作验证数据。换言之，可以采样一批以下示例：
Figure BDA0003412960390000171
其中
Z＝网格
ddelay＝延迟扩展
dDoppler＝多普勒扩展
B＝批大小
然后这批训练数据(即，采样网格)被输入(框703)到模型以计算(输出)扩展估计。可以输入采样网格，如图3所示。
在框704中通过对损失(损失函数)应用一步随机梯度下降来更新可训练参数，该损失函数使用计算出的扩展估计(模型的输出)和采样的扩展(一批验证数据)。例如，对中等平方误差的一步随机梯度下降可以使用以下公式作为损失函数的蒙特卡罗估计：
Figure BDA0003412960390000172
其中
MSE＝均方误差
B＝批大小
ddelay＝真实延迟扩展(验证数据)
Figure BDA0003412960390000181
dDoppler＝真实多普勒扩展(验证数据)
Figure BDA0003412960390000182
应当理解，延迟扩展和/或多普勒扩展可以以对数标度给出。此外，可以对这些项进行加权。当然，如果不输出延迟扩展，则公式中不包含延迟扩展项，相应地，如果不输出多普勒扩展，则公式中不包含多普勒扩展项。
批大小B是一个超参数，即，控制较大裕度与较小铰链(hinge)损失之间的权衡的参数。应当理解，在上述公式的其他变体中，可以存在其他超参数。
然后在框705中检查停止准则(结束准则)是否被满足(结束准则满足)。如果停止准则不被满足(框705：否)，则该过程返回到框702以从数据集中采样新的B个示例。根据实现，B的值可以每次都相同，或者B的值可以增加。
当确定模型足够准确时，即，停止条件被满足(框705：是)，经训练的模型被存储，并且可以被复制到多个装置，这些装置被配置为在一个或多个无线信道上接收数据，例如被复制到用户装置和接入节点，诸如gNB，以在接收数据时使用。
图8示出了被配置为训练基于神经网络的模型以获取可用于估计延迟扩展的经训练的模型和可用于估计多普勒扩展的经训练的模型的装置的示例功能，例如，如图2A和图3所述。示例功能描述了用于训练的基本原理，并且如果需要，可以重新训练模型。
参考图8，假定要训练的第一模型和第二模型以及包括接收信号网格和对应的延迟扩展和多普勒扩展的数据集在框800中可用。数据集已经在图7中更详细地描述。
通过在框801中随机初始化模型的神经网络中的可训练参数来触发训练。更准确地，对延迟扩展估计器进行建模的第一可训练模型中的可训练参数被初始化，并且对多普勒扩展估计器进行建模的第二可训练模型中的可训练参数被初始化。然后在框802中从数据集采样B个示例，一个示例包括网格、对应的延迟扩展和对应的多普勒扩展，如上面的框702所解释的。
然后这批训练数据(即，采样网格)被输入(框803)到模型以计算(输出)扩展估计。可以输入采样网格，如图3所示。
在框804中通过对损失(损失函数)应用一步随机梯度下降来更新可训练参数，如上文的框704所述，然后在框805中检查停止准则(结束准则)是否被满足(结束准则满足)。如果停止准则不被满足(框805：否)，则该过程返回到框802以从数据集中采样新的B个示例，如图7所述。
当确定模型足够准确时，即，停止准则被满足(框805：是)，经训练的模型被存储，并且可以被复制到多个装置，这些装置被配置为在一个或多个无线信道上接收数据，例如被复制到用户装置和接入节点，诸如gNB，以将在接收数据时使用。
换言之，以迭代方式使用训练数据训练至少一个基于神经网络的模型，直到模型满足停止准则(准确度准则)为止。停止准则可以是，已经执行预定义迭代次数和/或损失函数的值(例如，均方误差的值)在预定义连续迭代次数期间没有减少，或在预定义连续迭代次数期间该值的减少已经低于阈值和/或该值低于阈值。训练可以是有监督学习或半监督学习，并且在迭代期间，基于神经网络的模型中节点的权重可以被调节。
图9和图10示出了仿真结果，即，更精确地的性能与信噪比的关系，图9示出了延迟扩展，图10示出了使用上述图3和图4中描述的经训练的模型而获取的多普勒扩展，该经训练的模型配置为在6个时隙(84个OFDM符号)和6个物理资源块(72个子载波)上操作。假定16QAM调制、0到125km/h之间的速度以及10到1000ns之间的延迟扩展，对模型进行了训练。
在图9和图10中，使用真实扩展与估计扩展之间的归一化均方误差(NMSE)作为度量来评估性能。所使用的归一化均方误差如下：
Figure BDA0003412960390000201
其中
NMSE＝归一化均方误差；
d＝扩展的真实值
Figure BDA0003412960390000202
此外，因为延迟扩展在两个数量级的大范围内取值，所以在计算中，真实延迟扩展ddelay和估计延迟
Figure BDA0003412960390000203
是以对数尺度的，从而有助于延迟扩展的估计。
经训练的模型准确地估计宽范围的信噪比的扩展，如在图9和图10中可以看出的，图9示出了延迟扩展估计901的性能，图10示出了多普勒扩展1001的性能。换言之，上述估计扩展的方法对信噪比波动具有高度鲁棒性。
以上通过图2至图8描述的块、相关功能和信息交换没有绝对的时间顺序，其中一些可以同时执行或以与给定顺序不同的顺序执行。还可以在它们之间或在它们内部执行其他功能，并且可以传输其他信息和/或应用其他规则。一些块或部分块或一条或多条信息也可以被省去或替换为对应的块或块的一部分或一条或多条信息。
图11和图12示出了一种装置，该装置包括诸如至少一个处理器或处理电路系统等通信控制器1110、1210和包括计算机程序代码(软件、算法)ALG.1121、1221的至少一个存储器1120、1220，其中至少一个存储器和计算机程序代码(软件、算法)被配置为与至少一个处理器一起使相应装置执行上述实施例、示例和实现中的任何一个。图11示出了被配置为估计接收数据的延迟扩展和多普勒扩展的装置，并且图12示出了用于训练一个或多个模型的装置。自然地，该装置可以合并，即，(多个)经训练的模型和(多个)经训练的模型在同一装置中使用。图11和12的装置可以是电子设备。
参考图11和12，存储器1120、1220可以使用任何合适的数据存储技术来实现，诸如基于半导体的存储器设备、闪存、磁存储器设备和系统、光学存储器设备和系统、固定存储器和可移动存储器。存储器可以包括配置存储器CONF.1121、1221，诸如配置数据库，配置存储器CONF.1121、1221用于至少存储一个或多个配置和/或对应参数/参数值，例如一个或多个经训练的模型/经训练的模型实体，即具有值和模型架构的参数和/或训练数据和/或用于创建训练模型的信息。存储器1120、1220还可以存储用于等待传输的数据和/或等待解码的数据的数据缓冲器。
参考图11，装置1100还可以包括通信接口1130，该通信接口1130包括用于至少根据一个或多个无线电通信协议实现通信连接的硬件和/或软件。通信接口1130可以向该装置提供与无线网络的一个或多个基站(接入节点)的无线电通信能力、或与由该装置提供服务的一个或多个用户设备的无线电通信能力。通信接口可以包括标准的众所周知的模拟无线电组件，诸如放大器、滤波器、频率转换器和电路系统、在模拟域和数字域之间转换信号的转换电路系统、以及一个或多个天线。例如，在接收中使用以上公开的一个或多个经训练的模型以获取估计的延迟和多普勒扩展，可以在通信控制器1110中执行关于信号的传输和/或接收的数字信号处理。
装置1100还可以包括执行一个或多个计算机程序应用的应用处理器(图11中未示出)，该应用处理器生成对传输和/或接收数据的需求。该应用处理器可以执行形成装置的主要功能的计算机程序。例如，如果该装置是传感器设备，则应用处理器可以执行一个或多个信号处理应用以处理从一个或多个传感器头获取的测量数据。如果该装置是车载设备或车辆的计算机系统，则应用处理器可以执行媒体应用和/或自主驾驶和导航应用。如果该装置是接入节点，则应用处理器可以执行接入应用。在一个实施例中，图11的装置的至少一些功能可以在两个物理分离的设备之间共享，以形成一个操作实体。因此，可以看到该装置描绘了操作实体，该操作实体包括一个或多个物理上分离的设备，该设备用于执行关于该装置中包括的接收器所而描述的过程中的至少一些。
通信控制器1110可以包括被配置为根据上述实施例/示例/实现中的任何一个来执行估计延迟扩展和/或多普勒扩展的一个或多个经训练的模型(NN)1111。
参考图12，用于训练的装置包括通信接口1230，该通信接口1230包括用于根据一个或多个通信协议实现通信连接的硬件和/或软件。通信接口1230可以为装置提供与包括一个或多个经训练的模型的装置的通信能力。通信接口可以包括标准的公知的组件，诸如放大器、滤波器、频率转换器、(解)调制器和编码器/解码器电路以及一个或多个天线。
通信控制器1210包括训练器电路系统TRAINER(训练器)1211，训练器电路系统TRAINER 1211被配置为训练一个或多个可训练函数以根据上述实施例/示例/实现中的任何一个来估计延迟扩展和/或多普勒扩展。
在一个实施例中，图12的装置的至少一些功能可以在两个物理分离的设备之间共享，以形成一个操作实体。因此，可以看到该装置描绘了操作实体，该操作实体包括一个或多个物理上分离的设备，该设备用于执行关于训练装置而描述的过程中的至少一些。
如本申请中使用的，术语“电路系统”是指以下所有内容：(a)仅硬件电路实现，诸如仅在模拟和/或数字电路系统中的实现，以及(b)电路和软件(和/或固件)的组合，诸如(如适用)：(i)(多个)处理器的组合，或(ii)(多个)处理器/软件的部分，包括(多个)数字信号处理器、软件和(多个)存储器，这些部分共同作用以使装置执行各种功能，以及(c)需要软件或固件才能运行(即使该软件或固件物理上不存在)的电路，诸如(多个)微处理器或(多个)微处理器的一部分。“电路系统”的这一定义适用于该术语在本申请中的所有使用。作为另一示例，如在本申请中使用的，术语“电路系统”还将涵盖仅处理器(或多个处理器)或处理器的一部分及其(或它们的)随附软件和/或固件的实现。术语“电路系统”还将涵盖(例如，如果适用于特定元素)用于移动电话(智能电话)的基带集成电路或应用处理器集成电路、或者服务器、蜂窝网络设备或另一网络设备中的类似集成电路。
在一个实施例中，结合图2至图8描述的过程中的至少一些可以由包括用于执行至少一些所描述的过程的相应模块的装置来执行。该装置可以包括用于过程的不同阶段的单独模块，或者该模块可以执行几个阶段或整个过程。用于执行过程的一些示例性模块可以包括以下至少之一：检测器、处理器(包括双核和多核处理器)、数字信号处理器、控制器、接收器、传输器、编码器、解码器、存储器、RAM、ROM、软件、固件、显示器、用户接口、显示电路系统、用户接口电路系统、用户接口软件、显示软件、电路、天线、天线电路系统、和电路系统。在一个实施例中，至少一个处理器、存储器和计算机程序代码形式处理模块，或者包括用于执行根据本文中描述的实施例/示例/实现中的任何一个的一个或多个操作。
根据又一实施例，执行实施例的装置包括电路系统，该电路系统包括至少一个处理器和包括计算机程序代码的至少一个存储器。当被激活时，该电路系统使该装置执行根据图2至图8的实施例中的任何一个实施例/示例/实现的至少一些功能、或其操作。
本文中描述的技术和方法可以通过各种方式来实现。例如，这些技术可以在硬件(一个或多个设备)、固件(一个或多个设备)、软件(一个或多个模块)或其组合中实现。对于硬件实现，实施例的装置可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计用于执行本文中描述的功能的其他电子单元、或其组合中实现。对于固件或软件，该实现可以通过执行本文所述的功能的至少一个芯片组的模块(例如，过程、功能等)来执行。软件代码可以存储在存储器单元中并且由处理器执行。存储器单元可以在处理器内部或在处理器外部实现。在后一种情况下，如本领域中已知的，存储器单元可以通过各种方式通信地耦合到处理器。另外，本文中描述的系统(装置)的组件可以由附加组件重新布置和/或补充，以便于促进实现关于其而描述的各个方面等，并且它们不限于给定附图中阐述的精确配置，如本领域技术人员将理解的。
如上所述的实施例/示例/实现也可以以由计算机程序或其部分定义的计算机进程的形式来执行。结合图2至图8描述的方法的实施例可以通过执行包括对应指令的计算机程序的至少一部分来执行。计算机程序可以是源代码形式、目标代码形式或某种中间形式，并且可以存储在某种载体中，该载体可以是能够承载该程序的任何实体或设备。例如，计算机程序可以存储在计算机或处理器可读的计算机程序分发介质上。计算机程序介质可以是例如但不限于记录介质、计算机存储器、只读存储器、电载波信号、电信信号和软件分发包。例如，计算机程序介质可以是非瞬态介质。用于执行所示和所述的实施例的软件的编码完全在本领域普通技术人员的范围内。在一个实施例中，计算机可读介质包括上述计算机程序。
尽管上面已经参考根据附图的示例描述了本发明，但很明显，本发明不限于此，而是可以在所附权利要求的范围内以多种方式进行修改。因此，所有词语和表达都应当被广义地解释并且它们旨在说明而不是限制实施例。对于本领域技术人员来说很清楚的是，随着技术的进步，本发明的概念可以以各种方式实现。此外，本领域技术人员清楚，所描述的实施例可以但不必须以各种方式与其他实施例组合。

Claims (16)

1.一种用于通信的装置，包括：
至少一个处理器；以及
至少一个存储器，包括计算机程序代码，所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置至少执行：
通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，所述至少一个经训练的模型输出扩展估计。
2.根据权利要求1所述的装置，其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述装置执行：
通过向至少一个第一经训练的模型输入表示接收数据的所述数据来确定所述延迟扩展估计，所述至少一个第一经训练的模型输出延迟扩展估计；以及
通过向至少一个第二经训练的模型输入表示接收数据的所述数据来确定所述多普勒扩展估计，所述至少一个第二经训练的模型输出多普勒扩展估计。
3.根据权利要求2所述的装置，其中表示所述接收数据的所述数据是具有第一维度和第二维度的二维数据，并且所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述装置执行：
向被配置为对所述第二维度进行操作的所述第一经训练的模型输入所述第一维度；以及
向被配置为对所述第一维度进行操作的所述第二经训练的模型输入所述第二维度。
4.根据权利要求2或3所述的装置，其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述装置对接收数据执行离散傅立叶变换，其中所述离散傅立叶变换的结果是表示接收数据的所述数据形成时频网格。
5.根据权利要求4所述的装置，其中所述接收数据是正交频分复用波形形式的，所述第一维度是子载波，并且所述第二维度是每时隙的符号。
6.根据权利要求1至3中任一项所述的装置，其中所述装置还包括一个或多个检测器，所述一个或多个检测器被配置为接收所述延迟扩展估计和所述多普勒扩展估计并且将其用于数据重构。
7.一种用于通信的装置，包括：
至少一个处理器；以及
至少一个存储器，包括计算机程序代码，所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置至少执行：
针对至少一个模型初始化可训练参数，所述至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；
从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中所述一批示例中的采样数据形成一批训练数据并且对应的所述扩展形成一批验证数据；
向所述至少一个模型输入所述一批训练数据；
通过对损失函数应用随机梯度下降来更新所述可训练参数，所述损失函数使用由所述至少一个模型输出的扩展估计并且在所述一批验证数据中扩展；
通过重复所述采样、所述输入和所述更新来训练所述至少一个模型，直到停止准则被满足为止；以及
当所述停止准则已经被满足时，存储用于扩展估计和/或用于多普勒扩展估计的所述至少一个模型，以在装置通过无线信道接收数据中被使用。
8.根据权利要求7所述的装置，其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起还使所述装置在针对所述至少一个模型初始化权重时执行：针对第一模型并且针对第二模型初始化权重，所述第一模型对延迟扩展估计器进行建模并且输出延迟扩展估计，并且所述第二模型对多普勒扩展估计器进行建模并且输出多普勒扩展估计。
9.根据权利要求7或8所述的装置，其中所述至少一个模型基于一个或多个一维卷积神经网络。
10.根据权利要求7或8所述的装置，其中
所述至少一个模型包括作为输入层的一维卷积层、作为输出层的一维卷积层以及在所述输入层与所述输出层之间的基于残差神经网络的一个或多个一维块。
11.根据权利要求10所述的装置，其中所述残差神经网络包括一个或多个批归一化层、一个或多个修正线性单元和一个或多个可分离的一维卷积层。
12.一种通信的方法，包括：
通过无线网络接收数据；以及
通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，所述至少一个经训练的模型输出扩展估计。
13.一种通信的方法，包括：
针对至少一个模型初始化可训练参数，所述至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；
从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中所述一批示例中的采样数据形成一批训练数据并且对应的所述扩展形成一批验证数据；
向所述至少一个模型输入所述一批训练数据；
通过对损失函数应用随机梯度下降来更新所述可训练参数，所述损失函数使用由所述至少一个模型输出的扩展估计并且在所述一批验证数据中扩展；
通过重复所述采样、所述输入和所述更新来训练所述至少一个模型，直到停止准则被满足为止；以及
当所述停止准则已经被满足时，存储用于扩展估计和/或用于多普勒扩展估计的所述至少一个模型，以在装置通过无线信道接收数据中被使用。
14.一种计算机程序，包括指令，所述程序在由装置执行时，使所述装置执行第一过程和第二过程中的至少一者，
其中所述第一过程至少包括：
响应于所述装置通过无线网络接收到数据，通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，所述至少一个经训练的模型输出扩展估计；并且
其中所述第二过程至少包括：
针对至少一个模型初始化可训练参数，所述至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；
从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中所述一批示例中的采样数据形成一批训练数据并且对应的所述扩展形成一批验证数据；
向所述至少一个模型输入所述一批训练数据；
通过对损失函数应用随机梯度下降来更新所述可训练参数，所述损失函数使用由所述至少一个模型输出的扩展估计并且在所述一批验证数据中扩展；
通过重复所述采样、所述输入和所述更新来训练所述至少一个模型，直到停止准则被满足为止；以及
当所述停止准则已经被满足时，存储用于扩展估计和/或用于多普勒扩展估计的所述至少一个模型，以在装置通过无线信道接收数据中被使用。
15.一种计算机可读介质，包括程序指令，所述程序指令在由装置运行时使所述装置执行第一过程和第二过程中的至少一者，
其中所述第一过程至少包括：
响应于所述装置通过无线网络接收到数据，通过向至少一个经训练的模型输入表示接收数据的数据来确定延迟扩展估计和多普勒扩展估计，所述至少一个经训练的模型输出扩展估计；并且
其中所述第二过程至少包括：
针对至少一个模型初始化可训练参数，所述至少一个模型对延迟扩展估计器和/或多普勒扩展估计器进行建模并且输出扩展估计；
从包括表示接收数据的数据、对应的延迟扩展和/或对应的多普勒扩展的数据集中采样一批示例，其中所述一批示例中的采样数据形成一批训练数据并且对应的所述扩展形成一批验证数据；
向所述至少一个模型输入所述一批训练数据；
通过对损失函数应用随机梯度下降来更新所述可训练参数，所述损失函数使用由所述至少一个模型输出的扩展估计并且在所述一批验证数据中扩展；
通过重复所述采样、所述输入和所述更新来训练所述至少一个模型，直到停止准则被满足为止；以及
当所述停止准则已经被满足时，存储用于扩展估计和/或用于多普勒扩展估计的所述至少一个模型，以在装置通过无线信道接收数据中被使用。
16.根据权利要求15所述的计算机可读介质，其中所述计算机可读介质是非瞬态计算机可读介质。
CN202111537591.2A 2020-12-16 2021-12-15 估计延迟扩展和多普勒扩展 Pending CN114640559A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FI20206314A FI20206314A1 (en) 2020-12-16 2020-12-16 ESTIMATION OF DELAY SPREAD AND DOPPLER SPREAD
FI20206314 2020-12-16

Publications (1)

Publication Number Publication Date
CN114640559A true CN114640559A (zh) 2022-06-17

Family

ID=78822065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111537591.2A Pending CN114640559A (zh) 2020-12-16 2021-12-15 估计延迟扩展和多普勒扩展

Country Status (4)

Country Link
US (1) US11924007B2 (zh)
EP (1) EP4016879A1 (zh)
CN (1) CN114640559A (zh)
FI (1) FI20206314A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112740631B (zh) * 2018-07-20 2024-09-20 诺基亚技术有限公司 通过接收算法中的参数的更新来在通信系统中学习

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6028901A (en) * 1994-05-19 2000-02-22 Hughes Electronics Corporation Receiver selection based on delay spread estimation
US6445342B1 (en) * 2000-06-30 2002-09-03 Motorola, Inc. Method and device for multi-user frequency-domain channel estimation
US20110261905A1 (en) * 2010-04-27 2011-10-27 Qualcomm Incorporated Compressed sensing channel estimation in ofdm communication systems
CN102571650A (zh) * 2011-12-20 2012-07-11 东南大学 一种应用于3gpp lte系统的自适应信道估计方法
CN103001910A (zh) * 2011-09-07 2013-03-27 英特尔移动通信有限责任公司 一种多普勒扩展估计的方法
CN103701728A (zh) * 2013-12-03 2014-04-02 浙江大学 一种基于间接信道函数跟踪的被动时反水声通信方法
WO2017067602A1 (en) * 2015-10-23 2017-04-27 Huawei Technologies Co., Ltd. Communication device and communication method for joint estimation of channel parameters
CN109348739A (zh) * 2016-02-25 2019-02-15 凝聚技术公司 用于无线通信的参考信号封装
WO2020104045A1 (en) * 2018-11-23 2020-05-28 Nokia Technologies Oy End-to-end learning in communication systems

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9967070B2 (en) * 2014-10-31 2018-05-08 Qualcomm Incorporated Pilot reconfiguration and retransmission in wireless networks
US11271629B1 (en) * 2018-02-27 2022-03-08 Amazon Technologies, Inc. Human activity and transition detection
WO2020177863A1 (en) * 2019-03-06 2020-09-10 Nokia Technologies Oy Training of algorithms
US11276257B2 (en) * 2019-08-15 2022-03-15 The Toronto-Dominion Bank System and method for analyzing vehicle data
US11409811B2 (en) * 2019-12-17 2022-08-09 The Toronto-Dominion Bank System and method for tagging data
US11496339B2 (en) * 2020-04-03 2022-11-08 Samsung Electronics Co., Ltd. Doppler spread estimation based on supervised learning
US20210326726A1 (en) * 2020-04-16 2021-10-21 Qualcomm Incorporated User equipment reporting for updating of machine learning algorithms
US20210390434A1 (en) * 2020-06-12 2021-12-16 Qualcomm Incorporated Machine learning error reporting
US12047216B2 (en) * 2020-08-25 2024-07-23 Qualcomm Incorporated Machine learning based nonlinearity mitigation using peak reduction tones
US20220284282A1 (en) * 2021-03-05 2022-09-08 Qualcomm Incorporated Encoding techniques for neural network architectures
US20220337455A1 (en) * 2021-04-13 2022-10-20 Samsung Electronics Co., Ltd. Enhancement of channel estimation in wireless communication based on supervised learning
US20230035996A1 (en) * 2021-07-30 2023-02-02 Apple Inc. Beam selection refinement for wireless communication in static conditions
US11825439B2 (en) * 2021-08-06 2023-11-21 Qualcomm Incorporated Data gathering and data selection to train a machine learning algorithm

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6028901A (en) * 1994-05-19 2000-02-22 Hughes Electronics Corporation Receiver selection based on delay spread estimation
US6445342B1 (en) * 2000-06-30 2002-09-03 Motorola, Inc. Method and device for multi-user frequency-domain channel estimation
US20110261905A1 (en) * 2010-04-27 2011-10-27 Qualcomm Incorporated Compressed sensing channel estimation in ofdm communication systems
CN103001910A (zh) * 2011-09-07 2013-03-27 英特尔移动通信有限责任公司 一种多普勒扩展估计的方法
CN102571650A (zh) * 2011-12-20 2012-07-11 东南大学 一种应用于3gpp lte系统的自适应信道估计方法
CN103701728A (zh) * 2013-12-03 2014-04-02 浙江大学 一种基于间接信道函数跟踪的被动时反水声通信方法
WO2017067602A1 (en) * 2015-10-23 2017-04-27 Huawei Technologies Co., Ltd. Communication device and communication method for joint estimation of channel parameters
CN109348739A (zh) * 2016-02-25 2019-02-15 凝聚技术公司 用于无线通信的参考信号封装
WO2020104045A1 (en) * 2018-11-23 2020-05-28 Nokia Technologies Oy End-to-end learning in communication systems

Also Published As

Publication number Publication date
US20220191067A1 (en) 2022-06-16
US11924007B2 (en) 2024-03-05
EP4016879A1 (en) 2022-06-22
FI20206314A1 (en) 2022-06-17

Similar Documents

Publication Publication Date Title
EP3738281B1 (en) Profiled channel impulse response for accurate multipath parameter estimation
CN112118203B (zh) 具有可配置调制阶数的通信系统以及相关联的方法和装置
EP3852326B1 (en) Transmitter
CN113676281B (zh) 一种用于通信的方法、装置和计算机可读存储介质
US11797828B2 (en) Beams to monitor
EP3890395A1 (en) Configuration for uplink signal
CN111542111B (zh) 用于提供定时同步的方法、装置和系统
US11924007B2 (en) Estimating delay spread and doppler spread
CN114631277A (zh) 用于提供反馈的装置和方法
WO2019222913A1 (en) Transmission method
CN112217543B (zh) 用于符号检测的方法和装置
CN111510187B (zh) 用于接收信号的检测的装置和方法
US11617183B2 (en) Demapping received data
EP4191269A1 (en) Processing signals
CN115150238B (zh) 用于基于正交频分复用的通信的机器学习
US11552661B2 (en) Interference detection in radio access network
EP4443189A1 (en) Position determination in a communication system
EP4174512A1 (en) Multipath estimation and multi-line-of-sight detection for localization
EP4307624A1 (en) Whitening uplink data streams
CN118524560A (zh) 利用由动态波形切换引入的波形相关dci字段的比特
FI20216241A1 (en) Determining the location of the device

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