CN114726412A - 信道信息获取方法、装置及相关设备 - Google Patents
信道信息获取方法、装置及相关设备 Download PDFInfo
- Publication number
- CN114726412A CN114726412A CN202110001435.8A CN202110001435A CN114726412A CN 114726412 A CN114726412 A CN 114726412A CN 202110001435 A CN202110001435 A CN 202110001435A CN 114726412 A CN114726412 A CN 114726412A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- channel
- model
- information
- version
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 239000013598 vector Substances 0.000 claims abstract description 110
- 230000006835 compression Effects 0.000 claims description 109
- 238000007906 compression Methods 0.000 claims description 109
- 238000005259 measurement Methods 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
- H04B7/0621—Feedback content
- H04B7/0634—Antenna weights or vector/matrix coefficients
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种信道信息获取方法、装置及相关设备。由终端执行的方法包括：接收网络侧设备发送的第一信息；根据所述第一信息，获取第i版本的第一模型；在接收到网络侧设备发送的用于指示终端通过网络进行信道估计的第二信息的情况下，若接收到网络侧设备发送的第一参考信号，则生成第一随机向量；控制第j版本的第一模型基于所述第一随机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的第K个信道估计结果对应的估计误差值小于所述第一阈值；向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果。本申请可以在NP小于NT时也能精确估计信道，从而可以降低信道信息获取的开销。
Description
技术领域
本申请实施例涉及通信技术领域，尤其涉及一种信道信息获取方法、装置及相关设备。
背景技术
多天线(Multiple-input Multiple-output，MIMO)技术可以有效提升系统的分集和/或空间复用增益。在MIMO系统中，获取信道状态信息(Channel State Information，CSI)是提升传输性能的关键条件。
MIMO系统可以基于导频(或称参考信号)进行信道估计(或称信道测量)获取CSI。目前，一般通过误差平方和最小(LS)、误差平方和均值最小(MMSE)等方式进行信道估计，然后，LS、MMSE等信道估计方式要求NP≥NT，其中，NP表示码本大小，即训练码本中矢量的个数，NT表示网络侧设备的发送天线数。如果发送天线数较多，相应地训练码本也会较大，造成CSI获取开销较高。
发明内容
本申请实施例提供一种信道信息获取方法、装置及相关设备，以解决现有信道信息获取的开销较高的问题。
为解决上述问题，本申请是这样实现的：
第一方面，本申请实施例提供了一种信道信息获取方法，由终端执行，所述方法包括：
接收网络侧设备发送的第一信息；
根据所述第一信息，获取第i版本的第一模型，i为正整数；
在接收到网络侧设备发送的用于指示终端通过网络进行信道估计的第二信息的情况下，若接收到网络侧设备发送的第一参考信号，则生成第一随机向量，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，N为正整数；
控制第j版本的第一模型基于所述第一随机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值，信道估计结果对应的估计误差值基于所述N个参考信号和所述第一参考信号确定，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果；
其中，当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
第二方面，本申请实施例提供了一种信道信息获取方法，由网络侧设备执行，所述方法包括：
向终端发送第一信息、第二信息和第一参考信号，所述第一信息用于所述终端获取第i版本的第一模型，所述第二信息用于指示终端通过网络进行信道估计，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，i和N为正整数；
接收所述终端发送的第一反馈信息，所述第一反馈信息用于反馈第j版本的第一模型输出的K个信道估计结果中的第K个信道估计结果，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
其中，所述第K个信道估计结果由所述终端通过第j版本的第一模型基于第一随机向量执行K次信道估计操作得到，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值；
当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
第三方面，本申请实施例还提供一种信道信息获取装置，包括：
第一收发器，用于接收网络侧设备发送的第一信息；
第一处理器，用于根据所述第一信息，获取第i版本的第一模型，i为正整数；
在所述第一收发器接收到网络侧设备发送的用于指示终端通过网络进行信道估计的第二信息的情况下，若所述第一收发器接收到网络侧设备发送的第一参考信号，则生成第一随机向量，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，N为正整数；
控制第j版本的第一模型基于所述第一随机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值，信道估计结果对应的估计误差值基于所述N个参考信号和所述第一参考信号确定，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
所述第一收发器，还用于向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果；
其中，当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
第四方面，本申请实施例还提供一种信道信息获取装置，包括：
第二收发器，用于：
向终端发送第一信息、第二信息和第一参考信号，所述第一信息用于所述终端获取第i版本的第一模型，所述第二信息用于指示终端通过网络进行信道估计，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，i和N为正整数；
接收所述终端发送的第一反馈信息，所述第一反馈信息用于反馈第j版本的第一模型输出的K个信道估计结果中的第K个信道估计结果，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
其中，所述第K个信道估计结果由所述终端通过第j版本的第一模型基于第一随机向量执行K次信道估计操作得到，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值；
当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
第五方面，本申请实施例还提供一种通信设备，包括：收发机、存储器、处理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；其特征在于，所述处理器，用于读取存储器中的程序实现如前述第一方面所述方法中的步骤；或，如前述第二方面所述方法中的步骤。
第六方面，本申请实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如前述第一方面所述方法中的步骤，或，实现如前述第二方面所述方法中的步骤。
在本申请实施例中，终端可以基于网络侧下发的第一信息，获取用于信道估计的第一模型；在接收到网络侧设备发送的用于信道估计的第一参考信号的情况下，可以生成第一随机向量，并通过第j版本的第一模型基于所述第一司机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值值；之后，向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果。由于第一模型的输入向量的维数一般远小于信道矩阵的维数，本申请实施例可以在NP小于NT时也能精确估计信道，从而可以降低信道信息获取的开销。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例可应用的网络系统的结构示意图；
图2是本申请实施例提供的信道信息获取方法的流程示意图之一；
图3是本申请实施例提供的第一模型进行信道估计的示意图；
图4是本申请实施例提供的信道信息获取方法的流程示意图之二；
图5是本申请实施例提供的生成网络训练的示意图；
图6是本申请实施例提供的信道信息获取方法的流程示意图之三；
图7是本申请实施提供的信道信息获取装置的结构示意图之一；
图8是本申请实施提供的信道信息获取装置的结构示意图之二；
图9是本申请实施提供的通信设备的结构示意图。
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、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在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，本申请中使用“和/或”表示所连接对象的至少其中之一，例如A和/或B和/或C，表示包含单独A，单独B，单独C，以及A和B都存在，B和C都存在，A和C都存在，以及A、B和C都存在的7种情况。
请参见图1，图1是本申请实施例可应用的网络系统的结构图，如图1所示，包括终端11和网络侧设备12。终端11和网络侧设备12之间可进行通信。
终端11也可以称作用户设备(User Equipment，UE)，在实际应用中，终端可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)、个人数字助理(Personal Digital Assistant，PDA)、移动上网装置(Mobile Internet Device，MID)、可穿戴式设备(Wearable Device)或车载设备等。网络侧设备12可以是基站、接入点或其他网元等。
以下对本申请实施例提供的信道信息获取方法进行说明。
参见图2，图2是本申请实施例提供的信道信息获取方法的流程示意图之一。图2所示的信道信息获取方法可以由终端执行。
如图2所示，信道信息获取方法可以包括以下步骤：
步骤201、接收网络侧设备发送的第一信息。
所述第一信息用于所述终端获取第i版本的第一模型，i为正整数。可选的，所述第一信息可以但不仅限于包括以下任一项：
a)第i版本的第一模型；
b)第一标识信息和第一更新模型信息，所述第一标识信息用于标识第一模型，所述第一更新模型信息包括第i版本的第一模型相对未训练的第一模型更新的模型信息。
在所述第一信息包括a)的实现方式一中，网络侧设备直接向终端下发完整的第i版本的第一模型。这样，终端可以直接从所述第一信息中提取到第i版本的第一模型，可以提高第i版本的第一模型的获取效率。
在所述第一信息包括a)的实现方式二中，网络侧设备可以向终端下发第一模型的索引号(Index)，并基于未训练的第一模型(即原始的第一模型)采用差分方式下发更新后的模型信息。这样，相比于实现方式一，可以节省第一信息的信令开销。
需要说明的是，在i等于1时，第i版本的第一模型即未训练的第一模型。对于上述实现方式二，所述第一信息可以仅包括第一标识信息。
在实际应用中，网络侧设备可以在与终端的通信链路建立起来之后，向终端发送所述第一信息，所述第一信息可以承载在控制信道中，也可以承载在数据信道中，具体可根据实际情况决定，本申请实施例对此不做限定。
步骤202、根据所述第一信息，获取第i版本的第一模型。
具体实现时，对于上述实现方式一，终端可以从所述第一信息中提取得到第i版本的第一模型。
对于上述实现方式二，终端可以基于所述第一标识信息获取到未训练的第一模型，如：基于所述第一标识信息，从通信协议中获取到未训练的第一模型；或，基于所述第一标识信息，从预先获取的未训练的多个模型中确定未训练的第一模型，但不仅限于此；之后，利用所述第一更新模型信息对未训练的第一模型进行调整，得到第i版本的第一模型。
步骤203、在接收到网络侧设备发送的用于指示终端通过网络进行信道估计的第二信息的情况下，若接收到网络侧设备发送的第一参考信号，则生成第一随机向量，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，N为正整数。
在本申请实施例中，网络侧设备可以根据自身需求指示终端通过模型进行信道估计，或，通过相关技术中的LS、MMSE等信道估计方式进行信道估计。
终端在接收到网络侧设备发送的用于指示通过网络进行信道估计的信息，即所述第二信息后，可以使用第一模型进行信道估计。
具体实现时，终端可以预先获取网络侧设备配置的用于信道估计的N个参考信号，所述N个参考信号为基于模型进行信道估计的参考信号。在接收到所述N个参考信号中的第一参考信号之后，可以随机生成一向量，即第一随机向量，以控制第一模型基于所述第一随机向量执行信道估计操作。
步骤204、控制第j版本的第一模型基于所述第一随机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值，信道估计结果对应的估计误差值基于所述N个参考信号和所述第一参考信号确定，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型。
其中，当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
在本申请实施例中，终端在获取到第i版本的第一模型之后，一种实现方式中，终端可以优化第i版本的第一模型，得到第i+1版本的第一模型，并利用第i+1版本的第一模型进行信道估计；另一种实现方式中，终端可以直接利用第i版本的第一模型进行信道估计，具体可根据实际情况决定，本申请实施例对此不做限定。第一模型的输入为向量，输出为信道估计结果。
终端在获取到第j版本的第一模型之后，可以通过第j版本的第一模型执行至少一次信道估计操作，直至第j版本的第一模型输出的信道估计结果对应的估计误差值小于预设的第一阈值，即可结束信道估计操作，并向网络侧设备反馈第j版本的第一模型最后输出的信道估计结果。
具体实现时，第j版本的第一模型每输出一个信道估计结果，终端即可根据所述N个参考信号和所述第一参考信号，计算该信道估计结果对应的估计误差值，并判断该估计误差值是否小于第一阈值。若是，则可以结束信道估计操作，并向网络侧设备反馈该信道估计结果；若否，则可以以降低前述误差为目标，对第一模型的输入向量进行调整，继续执行信道估计操作，直至第j版本的第一模型输出的信道估计结果对应的估计误差值小于预设的第一阈值。
因此，可理解地是，在第j版本的第一模型执行了K次信道估计操作时，第j版本的第一模型输出的前-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于第一阈值。
步骤205、向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果。
具体实现时，所述第一反馈信息可以包括所述第K个信道估计结果，或，所述第K个信道估计结果的压缩信息，具体可根据实际情况决定，本申请实施例对此不做限定。
本申请实施例的信道信息获取方法，终端可以基于网络侧下发的第一信息，获取用于信道估计的第一模型；在接收到网络侧设备发送的用于信道估计的第一参考信号的情况下，可以生成第一随机向量，并通过第j版本的第一模型基于所述第一司机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值值；之后，向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果。由于第一模型的输入向量的维数一般远小于信道矩阵的维数，本申请实施例可以在NP小于NT时也能精确估计信道，从而可以降低信道信息获取的开销。
以下对信道估计结果对应的估计误差值的确定进行说明：
可选的，所述向所述网络侧设备发送第一反馈信息之前，所述方法还包括：
在得到第q个信道估计结果的情况下，计算所述第q个信道估计结果与训练序列矩阵的乘积，得到第q个测量矩阵，所述训练序列矩阵基于所述N个参考信号确定；
根据所述第q个测量矩阵和第一参考测量矩阵，得到所述第q个信道估计结果对应的估计误差值，所述第一参考测量矩阵基于所述第一参考信号确定。
在本可选实施方式中，终端在获取到第一模型输出的信道估计结果之后，可以将该信道估计结果与训练序列矩阵相乘，得到测量矩阵(或称为估计的观测量)；之后，计算测量矩阵与第一参考测量矩阵(或称为实际的观测量)的误差，得到该信道估计结果对应的估计误差值。
进一步地，估计误差值可以通过以下公式计算得到：
mse＝||vec(Y*)-vec(Y)||2
其中，mse表示估计误差值，Y*表示测量矩阵，Y表示参考测量矩阵，vec(Y*)表示将测量矩阵向量化，vec(Y)表示将参考测量矩阵向量化。
为方便理解，以下结合图3对第一模型的信道估计进行说明：
i)随机生成的向量z；
ii)将向量z输入第一模型G(z)中，得到第一模型输出的H*＝G(z)(注意此处的H*与真实信道可能会有较大误差)；
iii)将H*与训练序列矩阵P相乘，得到估计的观测量Y*；
iv)计算估计观测量Y*与实际观测量Y的误差mse＝||vec(Y*)-vec(Y)||2；
vi)重复步骤ii-v，直至满足某种终止条件后将Hopt＝G(zopt)作为信道估计的结果输出。
需要说明的是，在其他实施方式中，终端可以通过其他方式计算信道估计结果对应的估计误差值，如终端可以计算所述第一参考测量矩阵与所述训练序列矩阵之间的比值，之后，根据所述第q个信道估计结果和该比值，得到所述第q个信道估计结果对应的估计误差值。
在本申请实施例中，终端可以计算信道压缩比，并反馈信道压缩比，以使网络侧设备可以调整用于信道估计的参考信号。因此，可选的，所述接收到网络侧设备发送的第一参考信号之前，所述方法还包括：
生成第二随机向量；
控制第j版本的第一模型基于所述第二随机向量执行M次信道估计操作，得到M个信道估计结果，所述M个信道估计结果中的前M-1个信道估计结果对应的M-1个估计误差值均大于或等于第一阈值，第M个信道估计结果对应的估计误差值小于所述第一阈值；
计算第一维数与第二维数之间的比值，得到第一信道压缩比，所述第一维数为所述第M个信道估计结果对应的随机向量的维数，所述第二维数为待估计信道的完整信道维数；
向所述网络侧设备发送第二反馈信息，所述第二反馈信息用于反馈所述第一信道压缩比；
接收所述网络侧设备基于所述第二反馈信息发送的第二信息，所述第二信息用于指示所述N个参考信号，以及所述N个参考信号的位置。
需要说明的是，控制第j版本的第一模型基于所述第二随机向量执行M次信道估计操作实现远离了，与控制第j版本的第一模型基于所述第一随机向量执行K次信道估计操作的实现原理相同，具体可参见前述描述，此处不再赘述。两者的区别主要在于：在执行M次信道估计操作的场景中，第一模型的输入为第二随机向量；在执行K次信道估计操作的场景中，第一模型的输入为第一随机向量。
在本申请实施例中，某信道估计结果对应的随机向量可以理解为：第一模型输出该信道估计结果时，第一模型输入的随机向量。具体实现时，终端在确定第j版本的第一模型输出的第M个信道估计结果对应的估计误差值小于所述第一阈值，即可以将第j版本的第一模型执行第M次信道估计操作时的输入的随机向量的维数确定为第一维数。对于待估计信道的完整信道维数，终端可以预先获取。
信道压缩比为信道低维特征与完整信道维数之间的比值，在本申请实施例中，信道低维特征可以通过第一模型输入的随机向量的维数体现，因此，在本可选实施方式中，所述第一信道压缩比＝第一维数/第二维数。
终端在计算得到第一信道压缩比之后，可以通过第二反馈信息向网络侧设备反馈所述第一信道压缩比，以使所述网络侧设备基于所述第二反馈信息，确定终端对所述待估计信道进行信道估计时的参考信号需求；进而基于该参考信号，确定用于信道估计的N个参考信号，并向终端发送第三信息，所述第三信息用于指示N个参考信号，及所述N个参考信号的位置。
可选的，所述第二反馈信息通过以下任一项反馈所述第一信道压缩比：
1)所述第二反馈信息包括所述第一信道压缩比；
2)所述第二反馈信息包括所述第一信道压缩比对应的第一离散值；
3)所述第二反馈信息包括所述第一信道压缩比对应的第一参考信号需求；
4)所述第二反馈信息包括第一差分信息，所述第一差分信息用于表征所述第一信道压缩比相对历史信道压缩比的更新信息；
5)所述第二反馈信息包括第二差分信息，所述第二差分信息包括第一离散值相对第二离散值的更新信息，所述第一离散值为所述第一信道压缩比对应的离散值，所述第二离散值为历史信道压缩比对应的离散值；
6)所述第二反馈信息包括第三差分信息，所述第三差分信息包括第一参考信号需求相对第二参考信号需求的更新信息，所述第一参考信号需求为所述第一信道压缩比对应的参考信号需求，所述第二参考信号需求为历史信道压缩比对应的参考信号需求。
在所述第二反馈信息通过1)反馈所述第一信道压缩比的实现方式中，在获取到所述第一信道压缩比之后，即可上报所述第一信道压缩比，从而可以提高终端反馈所述第一信道压缩比的效率。
在所述第二反馈信息通过2)反馈所述第一信道压缩比的实现方式中，终端在获取到所述第一信道压缩比之后，可以根据预先获取的信道压缩比与离散值间的对应关系，确定所述第一信道压缩比对应的第一离散值，并上报所述第一离散值，从而可以节省反馈所述第一信道压缩比的信令开销。
在所述第二反馈信息通过3)反馈所述第一信道压缩比的实现方式中，终端在获取到所述第一信道压缩比之后，可以计算得到与所述第一信道压缩比对应的参考信号需求(或称参考信号配置需求)，这样，网络侧设备可以直接基于反馈的参考信号需求，进行用于信道估计的参考信号的配置，从而可以提高参考信号配置的效率。
在所述第二反馈信息通过4)反馈所述第一信道压缩比的实现方式中，其实现原理与1)类似；在所述第二反馈信息通过5)反馈所述第一信道压缩比的实现方式中，其实现原理与2)类似；在所述第二反馈信息通过6)反馈所述第一信道压缩比的实现方式中，其实现原理与3)类似。4)、5)和6)，与1)、2)和3)对应的实现方式的主要区别在于：1)、2)和3)对应的实现方式采用完整上报的方式上报相关信息，4)、5)和6)对应的实现方式采用差分方式上报相关信息，以节省反馈所述第一信道压缩比的信令开销。
在本申请实施例中，由前述内容可知，终端在获取到第i版本的第一模型之后，可以优化第i版本的第一模型，得到第i+1版本的第一模型，并利用第i+1版本的第一模型进行信道估计。在此情况下，可选的，所述接收到网络侧设备发送的第二信息之前，所述方法还包括：
生成第三随机向量；
控制第i版本的第一模型基于所述第三随机向量执行W次信道估计操作，得到W个信道估计结果，所述W个信道估计结果中的前W-1个信道估计结果对应的W-1个估计误差值均大于或等于第一阈值，第W个信道估计结果对应的估计误差值小于所述第一阈值；
根据所述网络侧设备发送的第二参考信号进行信道测量，得到第一信道测量结果；
根据所述第W个信道估计结果与所述第一信道测量结果，调整第i版本的第一模型，得到第i+1版本的第一模型。
在本可选实施方式中，终端在获取到第i版本的第一模型，可以对第i版本的第一模型进行调优，得到第i+1版本的第一模型，以利用第i+1版本的第一模型进行信道估计，进而提高信道估计的准确度。
具体实现时，终端可以生成第三随机向量，并控制第i版本的第一模型基于所述第三随机向量执行至少一次信道估计操作，直至得到估计误差值小于所述第一阈值的信道估计结果，即所述第W个信道估计结果。
在本可选实施方式，所述第二参考信号为采用相关技术中的信道估计方式进行信道估计的参考信号，因此，终端在接收到所述第二参考信号之后，可以采用相关技术中的信道估计方式，根据网络侧设备发送的第二参考信号进行信道测量，得到第一信道测量结果。
之后，终端可以计算所述第W个信道估计结果与所述第一信道测量结果间的误差，以降低通过网络获取到的信道估计结果和相关技术中信道估计方式获取到的信道测量结果间的误差为目标，优化第一网络。具体实现时，可以采用冻结一部分网络权重的方式减小更新计算量，优化算法可以选择梯度下降及其变种，如：随机梯度下降算法，自适应矩估计(ADAM)算法等。
考虑到对于不同场景的信道，其能够压缩的程度可能不同，因此如果通信环境出现了明显变换，终端可以检测第j版本的第一模型的信道估计精度，以确定是否需要更新用于信道估计的模型。
可选的，生成第四随机向量；
控制第j版本的第一模型基于所述第四随机向量执行T次信道估计操作，得到T个信道估计结果，所述T个信道估计结果中的前T-1个信道估计结果对应的T-1个估计误差值均大于或等于第一阈值，第T个信道估计结果对应的估计误差值小于所述第一阈值；
根据所述网络侧设备发送的第三参考信号进行信道测量，得到第二信道测量结果；
在所述第T个信道估计结果与所述第二信道测量结果之间的误差值大于或等于第三阈值的情况下，向所述网络侧设备发送模型更新请求；
接收所述网络侧设备发送的第三信息，所述第三信息用于所述终端获取第h版本的第一模型或第g版本的第二模型，h为大于或等于j的正整数，g为正整数。
具体实现时，终端可以生成第四随机向量，并控制第j版本的第一模型基于所述第四随机向量执行至少一次信道估计操作，直至得到估计误差值小于所述第一阈值的信道估计结果，即所述第T个信道估计结果。
在本可选实施方式，所述第三参考信号为采用相关技术中的信道估计方式进行信道估计的参考信号，因此，终端在接收到所述第三参考信号之后，可以采用相关技术中的信道估计方式，根据网络侧设备发送的第三参考信号进行信道测量，得到第二信道测量结果。
之后，终端可以计算所述第T个信道估计结果与所述第二信道测量结果之间的误差值，若所述第T个信道估计结果与所述第二信道测量结果之间的误差值大于或等于第三阈值，说明第j版本的第一模型不满足要求的信道估计精度，终端可以向网络侧设备发送模型更新请求，以使网络侧设备下发更新后的第一模型或第二模型，用于终端进行信道估计。
若所述第T个信道估计结果与所述第二信道测量结果之间的误差值大于或等于第三阈值，说明第j版本的第一模型不满足要求的信道估计精度，终端可以不发送模型更新请求。但可选的，终端可以以降低通过网络获取到的信道估计结果和相关技术中信道估计方式获取到的信道测量结果间的误差为目标，优化第一网络。
通过本可选实施方式，可以保证用于信道估计的买模型满足要求的信道估计精度，从而可以提高信道估计的准确率。
参见图4，图4是本申请实施例提供的信道信息获取方法的流程图之二。本申请实施例的信道信息获取方法可以由网络侧设备执行。
如图4所示，信道信息获取方法可以包括以下步骤：
步骤401、向终端发送第一信息、第二信息和第一参考信号，所述第一信息用于所述终端获取第i版本的第一模型，所述第二信息用于指示终端通过网络进行信道估计，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，i和N为正整数。
需要说明的是，所述第一信息、所述第二信息和所述第一参考信号的发送时机可以相同，也可以不同，具体可根据实际情况决定，本申请实施例对此不做限定。
步骤402、接收所述终端发送的第一反馈信息，所述第一反馈信息用于反馈第j版本的第一模型输出的K个信道估计结果中的第K个信道估计结果，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型。
其中，所述第K个信道估计结果由所述终端通过第j版本的第一模型基于第一随机向量执行K次信道估计操作得到，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值；
当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
可选的，所述向所述终端发送第一参考信号之前，所述方法还包括：
接收所述终端发送的第二反馈信息，所述第二反馈信息用于反馈第一信道压缩比；
确定第一信道压缩比对应的第一参考信号需求；
向所述终端发送第三信息，所述第三信息用于指示N个参考信号，及所述N个参考信号的位置，所述N个参考信号基于所述第一参考信号需求确定。
可选的，所述第二反馈信息通过以下任一项反馈第一信道压缩比：
所述第二反馈信息包括所述第一信道压缩比；
所述第二反馈信息包括所述第一信道压缩比对应的第一离散值；
所述第二反馈信息包括所述第一信道压缩比对应的第一参考信号需求；
所述第二反馈信息包括第一差分信息，所述第一差分信息用于表征所述第一信道压缩比相对历史信道压缩比的更新信息；
所述第二反馈信息包括第二差分信息，所述第二差分信息包括第一离散值相对第二离散值的更新信息，所述第一离散值为所述第一信道压缩比对应的离散值，所述第二离散值为历史信道压缩比对应的离散值；
所述第二反馈信息包括第三差分信息，所述第三差分信息包括第一参考信号需求相对第二参考信号需求的更新信息，所述第一参考信号需求为所述第一信道压缩比对应的参考信号需求，所述第二参考信号需求为历史信道压缩比对应的参考信号需求。
可选的，所述接收所述终端发送的第一反馈信息之后，所述方法还包括：
接收所述终端发送的模型更新请求；
向所述终端发送的第四信息，所述第四信息用于所述终端获取第h版本的第一模型或第g版本的第二模型，h为大于或等于j的正整数，g为正整数。
在本申请实施例中，用于信道估计的模型可以为生成式模型的生成网络，也可以为其他学习网络。在实际应用中，网络侧设备可以预先存储有S个用于信道估计的模型，并基于于历史信道测量结果对S个模型进行训练，以使模型可以学习待估计信道的分布。
网络侧设备在完成对S个模型的训练之后，可以根据终端上报的终端本地信息和终端能力信息，选择第一模型，用于终端进行信道估计。可选的，终端本地信息可以包括终端的位置信息、端口数量和移动性状况等；终端能力信息可以包括终端支持的神经网络模型类型，是否能够对模型进行优化等。
可选的，所述第一模型为第一生成式模型的生成网络；所述向终端发送第一信息之前，所述方法还包括：
生成第五随机向量；
将所述第五随机向量输入生成网络中，以得到第一信道估计结果；
将所述第一信道估计结果输入所述第一生成式模型的判别网络中，以得到第一判别结果；
根据所述第一判别结果，训练所述生成网络，得到第i版本的生成网络；
根据所述第i版本的生成网络，生成所述第一信息。
为方便理解，结合图5对生成网络的训练进行说明：
图5中的生成式模型以对抗的方式训练生成网络G与判别网络D，其中生成网络G的目标为学习训练集合的分布，从而产生“伪造”的样本；而判别网络D则对随机选自训练集合的样本和生成网络生成的样本进行判断，判断其是否是来自真正训练集合的样本。经过多次对抗性的训练，最终期望生成网络能够生成足以“乱真”的样本，而判别网络几乎无法分清样本到底是选自真正地训练集还是由生成网络产生，至此完成生成网络的训练。
需要说明的是，本实施例作为与上述方法实施例对应的网络侧设备的实施方式，因此，可以参见上述方法实施例中的相关说明，且可以达到相同的有益效果。为了避免重复说明，在此不再赘述。
本申请实施例中介绍的多种可选的实施方式，在彼此不冲突的情况下可以相互结合实现，也可以单独实现，对此本申请实施例不作限定。
为方便理解，示例说明如下：
在下述说明中，以网络侧设备为基站进行示例说明，但可以理解的是，并不因此限制网络侧设备的表现形式。
本申请提出一种基于机器学习的多天线系统信道估计方案，其思路为基于历史信道数据挖掘信道低维特征(信道低维特征以模型形式输出，即信道低维特征通过模型表示)，再将有限观测样本映射至信道低维特征上从而实现恢复信道的目标。总体分为如下步骤：
1)模型训练阶段：在本阶段，基站进行模型的预训练。训练数据可以采用基站存储的历史信道数据信息。基站可以通过指示特定终端在空闲时周期性测量信道并反馈回基站。该模型用于学习信道的压缩表征(即低维特征)，其训练结果即表示一组信道矩阵的压缩特征。在实施过程中，模型训练阶段在基站进行，并在终端新接入基站后根据终端上报的能力情况与接口信息选择合适的模型下发至终端。
2)实时信道信息测量：由于模型训练阶段基站仅能依赖历史信道信息，所以训练得到的模型与实际信道之间会存在一定误差。因此，在实际应用中，基站仍然需要通过参考信号测量信道，以使终端根据信道测量的结果对模型进行调整。在实施过程中，本步骤可以通过配置周期性的CSI参考信号(CSI Reference Signal，CSI-RS)进行，终端基于接收到的CSI-RS估计信道，并对模型进行调优。
3)信道特征反馈：当终端依据调优后的模型发现信道存在一定压缩空间后，可以通过上报该压缩信息帮助基站节省下行信道估计开销(例如解调参考信号(DemodulationReference Signal，DMRS)的开销等)。在实施中，可以通过上行控制信道的上行控制信息(Uplink Control Information，UCI)反馈该压缩比信息。
4)信道估计：基站接收终端反馈的信道压缩信息之后，根据该信息调整下行DMRS的开销，由于信道存在可以压缩的特点，该开销可以低于传统方案的DMRS开销。
5)模型调整：基站仍然会发送周期性的测量信号(如CSI-RS)帮助终端测量信道，当终端发现信道测量的结果与本地模型发生一定的失配(如使用原先的压缩比无法准确地恢复信道时)，终端将上行发送模型更新请求，让基站重新下发预训练模型，并根据预训练模型重复模型调优和信道特征反馈的过程。
下面将通过实施例详细阐述所提方案。
实施例一：基于生成模型的多天线系统信道估计方案。
在本实施例中，基于生成模型进行信道估计，思路为通过学习信道的一种稀疏表示来达到降低信道估计开销的目的。生成式模型是一种非监督(或半监督)类型的机器学习方法，用于学习目标样本的分布。生成式模型(以生成对抗网络(Generative AdversarialNetwork，GAN)为例)的原理如图5所示。
在信道估计问题中，生成式模型可以学习待估计信道的分布，作为先验信息辅助后续的信道估计过程，并且通过调整生成式模型的参数，可以保证模型所学的分布具有稀疏性的特征，即模型的可调参数数量大幅小于待估计信道维数，从而保证可以在NP小于NT时也能精确估计信道。基于生成网络的信道估计方案具体步骤如图3所示，描述如下：
a)按图5的方式训练GAN，其中训练数据集包含不同的信道实现样本。训练过程将在基站的空口人工智能(Artificial Intelligence，AI)平台进行，训练集样本可以通过仿真信道模型获得，也可以通过实施信道观测获得。
b)将训练好的生成网络G输出，并下发至接收端信道估计模块，用于线上的实际信道估计。
c)发送用于估计信道的训练序列(即参考信号)，接收端(即终端)获取接收到的训练序列。
d)接收端按图3流程基于Y进行信道估计。包括以下步骤：i)随机初始化生成网络G(z)的输入向量z；ii)获取生成网络的输出H*＝G(z)，注意此处的H*与真实信道会有较大误差；iii)将H*与训练序列矩阵P相乘，得到估计的观测量Y*；iv)计算估计观测量Y*与实际观测量Y的误差mse＝||vec(Y*)-vec(Y)||2；v)以降低误差为目标优化生成网络的输入向量z；vi)重复步骤ii-v，直至满足某种终止条件后将Hopt＝G(zopt)作为信道估计的结果输出。
关于上述步骤的几点补充说明：1)以降低误差为目标优化生成网络的输入向量的成果以迭代方式进行，将持续多轮，迭代停止的判定标准包括但不限于满足一定的迭代次数或mse不再继续降低等，而优化使用的算法包括但不限于梯度下降算法(及其变种)等；2)由于生成网络的输入向量维数一般远低于信道矩阵的维数，该优化过程的计算开销并不会过高，尤其是在与传统的MMSE等信道估计方法相比时(由于MMSE需要用到信道的相关矩阵并且需要对高维矩阵进行求逆，其复杂度开销较高)；3)由于生成网络的输入向量维数一般远低于信道矩阵的维数，上述信道估计方法在训练序列数量较少(NP小于NT)时也能得到高精度的估计结果；4)生成网络的输入向量维数并不严格等于训练序列的数量NP，需要在模型训练阶段确定。一般而言，生成网络的输入向量维数dim(z)与拟采用的训练序列的相对数量比例λ＝NP/NT存在一定的相关性，且两者会共同决定生成网络产生的样本的近似精度。在训练阶段可以采用尝试多种dim(z)与λ的组合，最终确定一组最优选择；5)生成网络的输入向量维数dim(z)反映了信道信息的一种低维表示，对于不同场景的信道来说，其能够压缩的程度可能不同，因此如果通信环境出现了明显变换，应当重新进行离线训练过程以保证所用模型不会过期。但由于信道的压缩比例变化较慢(相对于信道相关时间而言)，上述过程不需要频繁进行。
具体实现流程可参见图6。
如图6所示，可以包括以下步骤：
步骤1、基站进行模型预训练。
具体实现时，基站可以基于历史信道信息进行模型预训练。预训练数据可以为小区内的历史信道数据，该模型用于信道特征的提取。该模型可以为一个生成对抗网络中的生成模型部分，其输入为随机向量，输出为信道矩阵。
步骤2、终端向基站上报终端本地信息和终端能力信息。
具体实现时，步骤2可以发生在在用户接入阶段，但不仅限于此。基站能力信息包括AI能力，该AI能力可以包括本地支持的典型神经网络模型类型，是否能够进行AI模型的优化等等。终端信息包括但不限于，终端的位置信息，端口数量，移动性状况等。
步骤3、基站指示终端切换至低DMRS信道估计模式。
步骤4、基站根据终端上报的终端本地信息和终端能力信息，选择信道估计使用的模型。
步骤5、基站下发选择的模型。
考虑到本实施例中的预训练模型基于小区级别的历史测量训练，可以通过链路建立后的数据信道或控制信道进行模型下发，该下发过程可以在通信链路建立起来之后进行，下发内容为网络具体信息(包含结构信息与权重信息)。
步骤6、基站发送CSI-RS信号。
在本示例中，对于CSI-RS信号，终端采用相关技术中的信道估计方法进行信道估计，得到信道测量结果。具体实现时，该CSI-RS可以采用周期性的方式发送。
步骤7、终端依据CSI-RS进行信道测量，根据测量结果进行模型的调优，并计算信道压缩比。
模型调优的方式可以采用对生成网络进行带标签的监督学习的方式进行：i)随机生成输入向量；ii)计算生成网络输出；iii)计算网络输出与实时信道测量样本(即基于CSI-RS测量得到的信道测量结果)间的误差；iv)以降低(iii)中误差为目标，优化生成网络，在本步骤中可以采用冻结一部分网络权重的方式减小更新计算量，优化算法可以选择梯度下降及其变种(如随机梯度下降算法SGD，基于moment的ADAM算法等)。信道压缩比为信道低维特征(在本示例中体现为输入向量的维度)与完整信道维数之间的比值，出于方便反馈的角度考虑，该比值一般采用量化至事先确定有限个离散数值上的方式。进一步地，终端可以依据该压缩比计算出所需DMRS开销。
步骤8、终端反馈信道压缩比。
具体实现时，该反馈可以通过UCI进行，反馈内容包括但不限于：i)反馈信道压缩比原始数值；ii)反馈信道压缩比在事先规定的码本中对应的序号；iii)反馈DMRS配置信息。
步骤9、基站向终端下发选择的下行DMRS的数量与位置。
具体实现时，上述选择的下行DMRS的数量与位置由基站根据终端反馈的信道压缩比选择。基站可以通过通过下行控制信令将DMRS的数量与位置信息告知终端。在本示例中，对于DMRS信号，终端采用网络进行信道估计，得到信道估计结果。
步骤10、终端进行信道估计。
其信道估计方法如图3所示，步骤描述如下：i)随机初始化生成网络输入向量；ii)计算生成网络的输出，即初始信道估计结果；iii)将初始信道估计结果与训练序列矩阵相乘，得到与初始估计的测量量矩阵；iv)计算估计测量量与实际测量量矩阵的之间误差；v)以降低前述误差为目标优化生成网络的输入向量，优化算法可以采用梯度下降算法或其变种；vi)重复步骤ii-v，直至满足某种终止条件(如估计测量量与实际测量量矩阵的之间误差小于某一门限)后将生成网络的输出作为信道估计的结果输出。
步骤11、基站下发CSI-RS信号。
具体实现时，基站可以周期性发送CSI-RS信号供终端测量信道。
步骤12、终端依据CSI-RS测量信道，并根据测量结果检测模型的准确度。
检测方法为重复步骤7中的信道估计步骤(i)-(iv)，如果经过数轮优化后的误差不能够满足要求，则判定为模型准确度未达标。模型准确度的阈值可以由终端本地算法指定，也可以由基站下发。如果模型准确度低于一定阈值，则上报模型更新请求，该请求可以通过上行控制信道发送。
步骤13、在终端发现模型准确度不满足要求后，可以向基站发送模型更新请求。
步骤14、基站下发新的预训练模型。
之后，终端可以基于新的预训练模型重新上报信道特征压缩比或DMRS配置信息，上报上述信息的方式包括发送完整信息或与发送与历史信息的差分更新信息等。
在本申请实施例中，使用机器学习模型与算法学习信道特征，利用学习得到的信道特征降低信道估计过程中的参考信号开销，从而在保证估计精度的同时降低信道估计时的参考信号开销。
参见图7，图7是本申请实施例提供的信道信息获取装置的结构图之一。如图7所示，信道信息获取装置700包括：
第一收发器701，用于接收网络侧设备发送的第一信息；
第一处理器702，用于根据所述第一信息，获取第i版本的第一模型，i为正整数；
在所述第一收发器701接收到网络侧设备发送的用于指示终端通过网络进行信道估计的第二信息的情况下，若所述第一收发器701接收到网络侧设备发送的第一参考信号，则生成第一随机向量，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，N为正整数；
控制第j版本的第一模型基于所述第一随机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值，信道估计结果对应的估计误差值基于所述N个参考信号和所述第一参考信号确定，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
所述第一收发器701，还用于向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果；
其中，当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
可选的，所述第一处理器702，用于：
在得到第q个信道估计结果的情况下，计算所述第q个信道估计结果与训练序列矩阵的乘积，得到第q个测量矩阵，所述训练序列矩阵基于所述N个参考信号确定；
根据所述第q个测量矩阵和第一参考测量矩阵，得到所述第q个信道估计结果对应的估计误差值，所述第一参考测量矩阵基于所述第一参考信号确定。
可选的，所述第一处理器702，还用于：
生成第二随机向量；
控制第j版本的第一模型基于所述第二随机向量执行M次信道估计操作，得到M个信道估计结果，所述M个信道估计结果中的前M-1个信道估计结果对应的M-1个估计误差值均大于或等于第一阈值，第M个信道估计结果对应的估计误差值小于所述第一阈值；
计算第一维数与第二维数之间的比值，得到第一信道压缩比，所述第一维数为所述第M个信道估计结果对应的随机向量的维数，所述第二维数为待估计信道的完整信道维数；
所述第一收发器701，还用于：
向所述网络侧设备发送第二反馈信息，所述第二反馈信息用于反馈所述第一信道压缩比；
接收所述网络侧设备基于所述第二反馈信息发送的第二信息，所述第二信息用于指示所述N个参考信号，以及所述N个参考信号的位置。
可选的，所述第二反馈信息通过以下任一项反馈所述第一信道压缩比：
所述第二反馈信息包括所述第一信道压缩比；
所述第二反馈信息包括所述第一信道压缩比对应的第一离散值；
所述第二反馈信息包括所述第一信道压缩比对应的第一参考信号需求；
所述第二反馈信息包括第一差分信息，所述第一差分信息用于表征所述第一信道压缩比相对历史信道压缩比的更新信息；
所述第二反馈信息包括第二差分信息，所述第二差分信息包括第一离散值相对第二离散值的更新信息，所述第一离散值为所述第一信道压缩比对应的离散值，所述第二离散值为历史信道压缩比对应的离散值；
所述第二反馈信息包括第三差分信息，所述第三差分信息包括第一参考信号需求相对第二参考信号需求的更新信息，所述第一参考信号需求为所述第一信道压缩比对应的参考信号需求，所述第二参考信号需求为历史信道压缩比对应的参考信号需求。
可选的，所述第一处理器702，还用于：
生成第三随机向量；
控制第i版本的第一模型基于所述第三随机向量执行W次信道估计操作，得到W个信道估计结果，所述W个信道估计结果中的前W-1个信道估计结果对应的W-1个估计误差值均大于或等于第一阈值，第W个信道估计结果对应的估计误差值小于所述第一阈值；
根据所述网络侧设备发送的第二参考信号进行信道测量，得到第一信道测量结果；
在所述第W个信道估计结果与所述第一信道测量结果之间的误差值大于或等于第二阈值的情况下，调整第i版本的第一模型，得到第i+1版本的第一模型。
可选的，所述第一处理器702，还用于：
生成第四随机向量；
控制第j版本的第一模型基于所述第四随机向量执行T次信道估计操作，得到T个信道估计结果，所述T个信道估计结果中的前T-1个信道估计结果对应的T-1个估计误差值均大于或等于第一阈值，第T个信道估计结果对应的估计误差值小于所述第一阈值；
根据所述网络侧设备发送的第三参考信号进行信道测量，得到第二信道测量结果；
所述第一收发器701，还用于：
在所述第T个信道估计结果与所述第二信道测量结果之间的误差值大于或等于第三阈值的情况下，向所述网络侧设备发送模型更新请求；
接收所述网络侧设备发送的第三信息，所述第三信息用于所述终端获取第h版本的第一模型或第g版本的第二模型，h为大于或等于j的正整数，g为正整数。
信道信息获取装置700能够实现本申请实施例中图2方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。
参见图8，图8是本申请实施例提供的信道信息获取装置的结构图之二。如图8所示，信道信息获取装置800包括：
第二收发器801，用于：
向终端发送第一信息、第二信息和第一参考信号，所述第一信息用于所述终端获取第i版本的第一模型，所述第二信息用于指示终端通过网络进行信道估计，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，i和N为正整数；
接收所述终端发送的第一反馈信息，所述第一反馈信息用于反馈第j版本的第一模型输出的K个信道估计结果中的第K个信道估计结果，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
其中，所述第K个信道估计结果由所述终端通过第j版本的第一模型基于第一随机向量执行K次信道估计操作得到，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值；
当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
可选的，所述第二收发器801，还用于：
接收所述终端发送的第二反馈信息，所述第二反馈信息用于反馈第一信道压缩比；
确定第一信道压缩比对应的第一参考信号需求；
向所述终端发送第三信息，所述第三信息用于指示N个参考信号，及所述N个参考信号的位置，所述N个参考信号基于所述第一参考信号需求确定。
可选的，所述第二反馈信息通过以下任一项反馈第一信道压缩比：
所述第二反馈信息包括所述第一信道压缩比；
所述第二反馈信息包括所述第一信道压缩比对应的第一离散值；
所述第二反馈信息包括所述第一信道压缩比对应的第一参考信号需求；
所述第二反馈信息包括第一差分信息，所述第一差分信息用于表征所述第一信道压缩比相对历史信道压缩比的更新信息；
所述第二反馈信息包括第二差分信息，所述第二差分信息包括第一离散值相对第二离散值的更新信息，所述第一离散值为所述第一信道压缩比对应的离散值，所述第二离散值为历史信道压缩比对应的离散值；
所述第二反馈信息包括第三差分信息，所述第三差分信息包括第一参考信号需求相对第二参考信号需求的更新信息，所述第一参考信号需求为所述第一信道压缩比对应的参考信号需求，所述第二参考信号需求为历史信道压缩比对应的参考信号需求。
可选的，所述第二收发器801，还用于：
接收所述终端发送的模型更新请求；
向所述终端发送的第四信息，所述第四信息用于所述终端获取第h版本的第一模型或第g版本的第二模型，h为大于或等于j的正整数，g为正整数。
可选的，所述信道信息获取装置还包括：
第二处理器，用于：
生成第五随机向量；
将所述第五随机向量输入生成网络中，以得到第一信道估计结果；
将所述第一信道估计结果输入所述第一生成式模型的判别网络中，以得到第一判别结果；
根据所述第一判别结果，训练所述生成网络，得到第i版本的生成网络；
根据所述第i版本的生成网络，生成所述第一信息。
信道信息获取装置800能够实现本申请实施例中图4方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。
本申请实施例还提供一种通信设备。请参见图9，通信设备可以包括处理器901、存储器902及存储在存储器902上并可在处理器901上运行的程序9021。
在通信设备为终端的情况下，程序9021被处理器901执行时可实现图2对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。
在通信设备为网络侧设备的情况下，程序9021被处理器901执行时可实现图4对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。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计算机程序，所述计算机程序被处理器执行时可实现上述图2或图4对应的方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
所述的存储介质，如只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
以上所述是本申请实施例的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (15)
1.一种信道信息获取方法，由终端执行，其特征在于，所述方法包括：
接收网络侧设备发送的第一信息；
根据所述第一信息，获取第i版本的第一模型，i为正整数；
在接收到网络侧设备发送的用于指示终端通过网络进行信道估计的第二信息的情况下，若接收到网络侧设备发送的第一参考信号，则生成第一随机向量，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，N为正整数；
控制第j版本的第一模型基于所述第一随机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值，信道估计结果对应的估计误差值基于所述N个参考信号和所述第一参考信号确定，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果；
其中，当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
2.根据权利要求1所述的方法，其特征在于，所述向所述网络侧设备发送第一反馈信息之前，所述方法还包括：
在得到第q个信道估计结果的情况下，计算所述第q个信道估计结果与训练序列矩阵的乘积，得到第q个测量矩阵，所述训练序列矩阵基于所述N个参考信号确定；
根据所述第q个测量矩阵和第一参考测量矩阵，得到所述第q个信道估计结果对应的估计误差值，所述第一参考测量矩阵基于所述第一参考信号确定。
3.根据权利要求1所述的方法，其特征在于，所述接收到网络侧设备发送的第一参考信号之前，所述方法还包括：
生成第二随机向量；
控制第j版本的第一模型基于所述第二随机向量执行M次信道估计操作，得到M个信道估计结果，所述M个信道估计结果中的前M-1个信道估计结果对应的M-1个估计误差值均大于或等于第一阈值，第M个信道估计结果对应的估计误差值小于所述第一阈值；
计算第一维数与第二维数之间的比值，得到第一信道压缩比，所述第一维数为所述第M个信道估计结果对应的随机向量的维数，所述第二维数为待估计信道的完整信道维数；
向所述网络侧设备发送第二反馈信息，所述第二反馈信息用于反馈所述第一信道压缩比；
接收所述网络侧设备基于所述第二反馈信息发送的第二信息，所述第二信息用于指示所述N个参考信号，以及所述N个参考信号的位置。
4.根据权利要求3所述的方法，其特征在于，所述第二反馈信息通过以下任一项反馈所述第一信道压缩比：
所述第二反馈信息包括所述第一信道压缩比；
所述第二反馈信息包括所述第一信道压缩比对应的第一离散值；
所述第二反馈信息包括所述第一信道压缩比对应的第一参考信号需求；
所述第二反馈信息包括第一差分信息，所述第一差分信息用于表征所述第一信道压缩比相对历史信道压缩比的更新信息；
所述第二反馈信息包括第二差分信息，所述第二差分信息包括第一离散值相对第二离散值的更新信息，所述第一离散值为所述第一信道压缩比对应的离散值，所述第二离散值为历史信道压缩比对应的离散值；
所述第二反馈信息包括第三差分信息，所述第三差分信息包括第一参考信号需求相对第二参考信号需求的更新信息，所述第一参考信号需求为所述第一信道压缩比对应的参考信号需求，所述第二参考信号需求为历史信道压缩比对应的参考信号需求。
5.根据权利要求1所述的方法，其特征在于，在第j版本的第一模型为第i+1版本的第一模型的情况下，所述接收到网络侧设备发送的第二信息之前，所述方法还包括：
生成第三随机向量；
控制第i版本的第一模型基于所述第三随机向量执行W次信道估计操作，得到W个信道估计结果，所述W个信道估计结果中的前W-1个信道估计结果对应的W-1个估计误差值均大于或等于第一阈值，第W个信道估计结果对应的估计误差值小于所述第一阈值；
根据所述网络侧设备发送的第二参考信号进行信道测量，得到第一信道测量结果；
在所述第W个信道估计结果与所述第一信道测量结果之间的误差值大于或等于第二阈值的情况下，调整第i版本的第一模型，得到第i+1版本的第一模型。
6.根据权利要求1所述的方法，其特征在于，所述向所述网络侧设备发送第一反馈信息之后，所述方法还包括：
生成第四随机向量；
控制第j版本的第一模型基于所述第四随机向量执行T次信道估计操作，得到T个信道估计结果，所述T个信道估计结果中的前T-1个信道估计结果对应的T-1个估计误差值均大于或等于第一阈值，第T个信道估计结果对应的估计误差值小于所述第一阈值；
根据所述网络侧设备发送的第三参考信号进行信道测量，得到第二信道测量结果；
在所述第T个信道估计结果与所述第二信道测量结果之间的误差值大于或等于第三阈值的情况下，向所述网络侧设备发送模型更新请求；
接收所述网络侧设备发送的第三信息，所述第三信息用于所述终端获取第h版本的第一模型或第g版本的第二模型，h为大于或等于j的正整数，g为正整数。
7.一种信道信息获取方法，由网络侧设备执行，其特征在于，所述方法包括：
向终端发送第一信息、第二信息和第一参考信号，所述第一信息用于所述终端获取第i版本的第一模型，所述第二信息用于指示终端通过网络进行信道估计，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，i和N为正整数；
接收所述终端发送的第一反馈信息，所述第一反馈信息用于反馈第j版本的第一模型输出的K个信道估计结果中的第K个信道估计结果，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
其中，所述第K个信道估计结果由所述终端通过第j版本的第一模型基于第一随机向量执行K次信道估计操作得到，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值；
当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
8.根据权利要求7所述的方法，其特征在于，所述向所述终端发送第一参考信号之前，所述方法还包括：
接收所述终端发送的第二反馈信息，所述第二反馈信息用于反馈第一信道压缩比；
确定第一信道压缩比对应的第一参考信号需求；
向所述终端发送第三信息，所述第三信息用于指示N个参考信号，及所述N个参考信号的位置，所述N个参考信号基于所述第一参考信号需求确定。
9.根据权利要求8所述的方法，其特征在于，所述第二反馈信息通过以下任一项反馈第一信道压缩比：
所述第二反馈信息包括所述第一信道压缩比；
所述第二反馈信息包括所述第一信道压缩比对应的第一离散值；
所述第二反馈信息包括所述第一信道压缩比对应的第一参考信号需求；
所述第二反馈信息包括第一差分信息，所述第一差分信息用于表征所述第一信道压缩比相对历史信道压缩比的更新信息；
所述第二反馈信息包括第二差分信息，所述第二差分信息包括第一离散值相对第二离散值的更新信息，所述第一离散值为所述第一信道压缩比对应的离散值，所述第二离散值为历史信道压缩比对应的离散值；
所述第二反馈信息包括第三差分信息，所述第三差分信息包括第一参考信号需求相对第二参考信号需求的更新信息，所述第一参考信号需求为所述第一信道压缩比对应的参考信号需求，所述第二参考信号需求为历史信道压缩比对应的参考信号需求。
10.根据权利要求7所述的方法，所述接收所述终端发送的第一反馈信息之后，所述方法还包括：
接收所述终端发送的模型更新请求；
向所述终端发送的第四信息，所述第四信息用于所述终端获取第h版本的第一模型或第g版本的第二模型，h为大于或等于j的正整数，g为正整数。
11.根据权利要求7所述的方法，其特征在于，所述第一模型为第一生成式模型的生成网络；所述向终端发送第一信息之前，所述方法还包括：
生成第五随机向量；
将所述第五随机向量输入生成网络中，以得到第一信道估计结果；
将所述第一信道估计结果输入所述第一生成式模型的判别网络中，以得到第一判别结果；
根据所述第一判别结果，训练所述生成网络，得到第i版本的生成网络；
根据所述第i版本的生成网络，生成所述第一信息。
12.一种信道信息获取装置，其特征在于，所述信道信息获取装置包括：
第一收发器，用于接收网络侧设备发送的第一信息；
第一处理器，用于根据所述第一信息，获取第i版本的第一模型，i为正整数；
在所述第一收发器接收到网络侧设备发送的用于指示终端通过网络进行信道估计的第二信息的情况下，若所述第一收发器接收到网络侧设备发送的第一参考信号，则生成第一随机向量，所述第一参考信号为所述网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，N为正整数；
控制第j版本的第一模型基于所述第一随机向量执行K次信道估计操作，得到K个信道估计结果，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值，信道估计结果对应的估计误差值基于所述N个参考信号和所述第一参考信号确定，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
所述第一收发器，还用于向所述网络侧设备发送第一反馈信息，所述第一反馈信息用于反馈所述第K个信道估计结果；
其中，当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
13.一种信道信息获取装置，其特征在于，所述信道信息获取装置包括：
第二收发器，用于：
向终端发送第一信息、第二信息和第一参考信号，所述第一信息用于所述终端获取第i版本的第一模型，所述第二信息用于指示终端通过网络进行信道估计，所述第一参考信号为网络侧设备配置的用于信道估计的N个参考信号中的任一个参考信号，i和N为正整数；
接收所述终端发送的第一反馈信息，所述第一反馈信息用于反馈第j版本的第一模型输出的K个信道估计结果中的第K个信道估计结果，第j版本的第一模型为第i版本的第一模型，或，第i+1版本的第一模型；
其中，所述第K个信道估计结果由所述终端通过第j版本的第一模型基于第一随机向量执行K次信道估计操作得到，所述K个信道估计结果中的前K-1个信道估计结果对应的K-1个估计误差值均大于或等于第一阈值，第K个信道估计结果对应的估计误差值小于所述第一阈值；
当执行第一次信道估计操作时，第j版本的第一模型的输入为生成的第一随机向量，输出为第一个信道估计结果；当执行第p+1次信道估计操作时，第j版本的第一模型的输入为第p次调整后的第一随机向量，输出为第p+1个信道估计结果，p为小于或等于K的正整数，K为正整数。
14.一种通信设备，包括：收发机、存储器、处理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；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至6中任一项所述的信道信息获取方法中的步骤；或，如权利要求7至11中任一项所述的信道信息获取方法中的步骤。
15.一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一项所述的信道信息获取方法中的步骤；或，如权利要求7至11中任一项所述的信道信息获取方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110001435.8A CN114726412B (zh) | 2021-01-04 | 2021-01-04 | 信道信息获取方法、装置及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110001435.8A CN114726412B (zh) | 2021-01-04 | 2021-01-04 | 信道信息获取方法、装置及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114726412A true CN114726412A (zh) | 2022-07-08 |
| CN114726412B CN114726412B (zh) | 2024-05-14 |
Family
ID=82233866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110001435.8A Active CN114726412B (zh) | 2021-01-04 | 2021-01-04 | 信道信息获取方法、装置及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114726412B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116886475A (zh) * | 2023-09-05 | 2023-10-13 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
| WO2024097693A1 (en) * | 2022-11-04 | 2024-05-10 | Google Llc | Managing machine learning based channel state information reporting at a network |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150207555A1 (en) * | 2012-07-16 | 2015-07-23 | Lg Electronics Inc. | Method and device for feeding back channel information in wireless communication system supporting multi-input multi-output scheme |
| KR101669857B1 (ko) * | 2015-06-05 | 2016-10-27 | 한국과학기술원 | 대규모 다중-입력 다중-출력 통신 시스템에서 채널 추정 및 피드백 방법 |
| CN106559361A (zh) * | 2015-09-17 | 2017-04-05 | 清华大学 | 大规模多输入多输出天线系统的信道估计方法及装置 |
| CN109104229A (zh) * | 2018-08-13 | 2018-12-28 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
| CN112104579A (zh) * | 2020-08-25 | 2020-12-18 | 西安交通大学 | 基于模型约束的信道估计方法、系统、设备及存储介质 |
-
2021
- 2021-01-04 CN CN202110001435.8A patent/CN114726412B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150207555A1 (en) * | 2012-07-16 | 2015-07-23 | Lg Electronics Inc. | Method and device for feeding back channel information in wireless communication system supporting multi-input multi-output scheme |
| KR101669857B1 (ko) * | 2015-06-05 | 2016-10-27 | 한국과학기술원 | 대규모 다중-입력 다중-출력 통신 시스템에서 채널 추정 및 피드백 방법 |
| CN106559361A (zh) * | 2015-09-17 | 2017-04-05 | 清华大学 | 大规模多输入多输出天线系统的信道估计方法及装置 |
| CN109104229A (zh) * | 2018-08-13 | 2018-12-28 | 南京邮电大学 | 基于压缩感知的大规模mimo信道反馈重构算法 |
| CN112104579A (zh) * | 2020-08-25 | 2020-12-18 | 西安交通大学 | 基于模型约束的信道估计方法、系统、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024097693A1 (en) * | 2022-11-04 | 2024-05-10 | Google Llc | Managing machine learning based channel state information reporting at a network |
| CN116886475A (zh) * | 2023-09-05 | 2023-10-13 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
| CN116886475B (zh) * | 2023-09-05 | 2023-12-22 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114726412B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110912598B (zh) | 基于长短时注意力机制的大规模mimo系统csi反馈方法 | |
| CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
| Jiang et al. | Neural network-based channel prediction and its performance in multi-antenna systems | |
| CN114726412B (zh) | 信道信息获取方法、装置及相关设备 | |
| CN110300075A (zh) | 一种无线信道估计方法 | |
| CN113972939B (zh) | 基于双时间尺度和深度学习的天线系统预编码方法和装置 | |
| CN112311706A (zh) | 基于贝叶斯神经网络信道预测的频分双工下行传输方法 | |
| KR101979394B1 (ko) | Mimo-ofdm 시스템 기반의 머신 러닝 모델을 이용한 적응적 전송 기법 결정 장치 및 그것을 이용한 적응적 전송 방법 | |
| CN114726413A (zh) | 信道信息获取方法、装置及相关设备 | |
| CN110808932B (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
| Hussien | PRVNet: Variational autoencoders for massive MIMO CSI feedback | |
| WO2023185978A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
| CN111525970B (zh) | 一种基于空间调制的大规模mimo系统性能分析方法 | |
| WO2024021620A1 (zh) | Mimo系统的性能优化方法、装置、设备及存储介质 | |
| CN115549745B (zh) | Ris相移设计方法、装置、计算机设备及存储介质 | |
| CN115987406A (zh) | 一种基于深度强化学习的水声通信链路自适应方法 | |
| KR20230138538A (ko) | 정보 리포팅 방법, 장치, 제1 장치 및 제2 장치 | |
| CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
| CN114759997A (zh) | 一种基于数据模型双驱动的mimo系统信号检测方法 | |
| WO2023121659A1 (en) | Communication device and method for performing communication signal processing | |
| CN111786703B (zh) | 大规模mimo的自适应双阈值下行信道估计方法 | |
| CN114785433A (zh) | 信道场景识别的方法、网络设备及存储介质 | |
| CN110971546A (zh) | 一种大规模mimo系统信道跟踪方法 | |
| WO2023179474A1 (zh) | 信道特征信息辅助上报及恢复方法、终端和网络侧设备 | |
| US20240129004A1 (en) | Method and apparatus for transmitting channel state information |
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 |