CN115039434A - 基于主频带测量的辅助小区群组选择 - Google Patents

基于主频带测量的辅助小区群组选择 Download PDF

Info

Publication number
CN115039434A
CN115039434A CN202180010804.8A CN202180010804A CN115039434A CN 115039434 A CN115039434 A CN 115039434A CN 202180010804 A CN202180010804 A CN 202180010804A CN 115039434 A CN115039434 A CN 115039434A
Authority
CN
China
Prior art keywords
band
channel
primary
reporting
channel characteristics
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
CN202180010804.8A
Other languages
English (en)
Inventor
H·佩泽什基
骆涛
S·阿卡拉卡兰
A·肯达马拉伊坎南
T·余
A·古普塔
M·塔海尔扎德博鲁杰尼
J·包
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.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
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 Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN115039434A publication Critical patent/CN115039434A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0251—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity
    • H04W52/0258—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity controlling an operation mode according to history or models of usage information, e.g. activity schedule or time of day
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0261—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level
    • H04W52/0274—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level by switching on or off the equipment or parts thereof
    • H04W52/028—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level by switching on or off the equipment or parts thereof switching on or off only a part of the equipment circuit blocks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W76/00—Connection management
    • H04W76/10—Connection setup
    • H04W76/15—Setup of multiple wireless link connections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W76/00—Connection management
    • H04W76/20—Manipulation of established connections
    • H04W76/27—Transitions between radio resource control [RRC] states
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
    • H04L5/0057—Physical resource allocation for CQI
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
    • H04W36/0085—Hand-off measurements
    • H04W36/0088—Scheduling hand-off measurements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/20—Selecting an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0261—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level
    • H04W52/0264—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level by selectively disabling software applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

一种由用户设备(UE)进行无线通信的方法可以包括：接收请求基于主频带中的信道的测量特性而被估计的辅助频带的信道特性的消息。该方法还包括：测量在主频带中的信道的特性。该方法基于主频带特性测量来估计辅助频带的信道特性。可以在不测量辅助频带中的信号的情况下进行估计。此外，该方法可以基于所估计的辅助频带的信道特性来报告所估计的辅助频带的信道特性并且接收关于辅助小区群组的指示。

Description

基于主频带测量的辅助小区群组选择
相关申请的交叉引用
本申请要求享有于2021年1月22日提交的、并且标题为“SECONDARY CELL GROUPSELECTION BASED ON PRIMARY FREQUENCY BAND MEASUREMENTS”的美国专利申请号17/155,888的权益，该美国专利申请要求享有于2020年1月31日提交的、并且标题为“SECONDARY CELL GROUP SELECTION BASED ON PRIMARY FREQUENCY BAND MEASUREMENTS”的美国临时专利申请号62/968,965的权益，上述美国专利申请的公开内容通过引用的方式整体合并入本文。
技术领域
本公开内容的各方面总体上涉及无线通信，并且更具体地，涉及用于高效小区测量以实现例如辅助小区选择的技术和装置。
背景技术
无线通信系统被广泛地部署以提供诸如电话、视频、数据、消息传送以及广播之类的各种电信服务。典型的无线通信系统可以采用能够通过共享可用的系统资源(例如，带宽、发射功率等)来支持与多个用户进行通信的多址技术。这样的多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统、时分同步码分多址(TD-SCDMA)系统以及长期演进(LTE)。LTE/改进的LTE是对由第三代合作伙伴计划(3GPP)发布的通用移动电信系统(UMTS)移动标准的一组增强。
无线通信网络可以包括能够支持针对多个用户设备(UE)的通信的多个基站(BS)。用户设备(UE)可以经由下行链路和上行链路与基站(BS)进行通信。下行链路(或前向链路)指代从BS到UE的通信链路，而上行链路(或反向链路)指代从UE到BS的通信链路。如将更加详细描述的，BS可以被称为节点B、gNB、接入点(AP)、无线电头端、发射接收点(TRP)、新无线电(NR)BS、5G节点B等等。
已经在各种电信标准中采用了以上的多址技术以提供公共协议，该公共协议使得不同的用户设备能够在城市、国家、地区、以及甚至全球层面上进行通信。新无线电(NR)(其也可以被称为5G)是对由第三代合作伙伴计划(3GPP)颁布的LTE移动标准的一组增强。NR被设计为通过提高频谱效率、降低成本、改进服务、利用新频谱以及在下行链路(DL)上使用具有循环前缀(CP)的正交频分复用(OFDM)(CP-OFDM)、在上行链路(UL)上使用CP-OFDM和/或SC-FDM(例如，也被称为离散傅里叶变换扩频OFDM(DFT-s-OFDM))来更好地与其它开放标准集成，从而更好地支持移动宽带互联网接入，以及支持波束成形、多输入多输出(MIMO)天线技术和载波聚合。然而，随着对移动宽带接入的需求持续增长，存在对在NR和LTE技术方面的进一步改进的需求。优选地，这些改进应当适用于其它多址技术以及采用这些技术的电信标准。
人工神经网络可以包括互连的人工神经元群组(例如，神经元模型)。人工神经网络可以是计算设备或表示为由计算设备执行的方法。卷积神经网络(例如，深度卷积神经网络)是一种前馈人工神经网络。卷积神经网络可以包括可以在平铺接受域中配置的神经元层。期望将神经网络处理应用于无线通信以实现更高的效率。
发明内容
在本公开内容的一些方面中，一种由用户设备(UE)进行无线通信的方法可以包括：接收请求基于主频带中的信道的测量特性而被估计的辅助频带的信道特性的消息。该方法还可以包括：测量主频带中的信道特性，以及，在不测量辅助频带中的信号的情况下估计辅助频带的信道特性。此外，该方法可以包括：报告辅助频带的被估计信道特性。可以基于被估计信道特性来选择辅助小区群组。
在一些方面中，一种由基站进行无线通信的方法包括：配置用户设备(UE)以基于对主频带的实际测量来估计针对辅助频带的信道特性。该方法还可以包括：配置对被估计信道特性进行报告。该方法还可以包括：基于所报告的被估计信道特性而不是辅助信道测量来选择辅助小区群组(SCG)。
用于无线通信的用户设备(UE)可以包括存储器以及可操作地耦合到存储器的一个或多个处理器。存储器和一个或多个处理器可以接收请求基于测量在主频带中的信道的特性而被估计的辅助频带的信道特性的消息。UE还可以测量主频带中的信道的特性，以及在不测量辅助频带中的信号的情况下估计辅助频带的信道特性。此外，UE可以报告辅助频带的被估计信道特性。可以基于被估计信道特性来选择辅助小区群组。
一种用于无线通信的基站可以包括存储器、以及可操作地耦合到存储器的一个或多个处理器。存储器以及一个或多个处理器可以配置用户设备(UE)以基于主频带的实际测量来估计用于辅助频带的信道特性。基站还可以配置对被估计信道特性进行报告。基站可以进一步基于所报告的被估计信道特性而不是辅助信道测量来选择辅助小区群组(SCG)。
各方面一般包括如参照附图和说明书充分描述的并且如通过附图和说明书示出的方法、装置、系统、计算机程序产品、非暂时性计算机可读介质、用户设备、基站、无线通信设备和处理系统。
前文已经相当宽泛地概述了根据本公开内容的示例的特征和技术优点，以便可以更好地理解以下的详细描述。将描述额外的特征和优点。所公开的概念和特定示例可以容易地用作用于修改或设计用于实现本公开内容的相同目的的其它结构的基础。这样的等效构造不脱离所附的权利要求的范围。当结合附图考虑时，根据下文的描述，将更好地理解所公开的概念的特性(它们的组织和操作方法二者)以及相关联的优点。附图中的每一张附图是出于说明和描述的目的而提供的，而并不作为对权利要求的限制的定义。
附图说明
为了可以详尽地理解本公开内容的上述特征，通过参照各方面(其中一些方面在附图中示出)，可以获得对上文简要概述的发明内容的更加具体的描述。然而，要注意的是，附图仅示出了本公开内容的某些典型的方面并且因此不被认为是限制本公开内容的范围，因为该描述可以容许其它同等有效的方面。不同附图中的相同的附图标记可以标识相同或相似的元素。
图1是概念性地示出了根据本公开内容的各个方面的无线通信网络的示例的框图。
图2是概念性地示出了根据本公开内容的各个方面的在无线通信网络中与用户设备(UE)进行通信的基站的示例的框图。
图3示出了根据本公开内容的某些方面的使用包括通用处理器的片上系统(SOC)来设计神经网络的示例性实施方式。
图4A、4B和4C是示出根据本公开内容的各方面的神经网络的图。
图4D是示出根据本公开内容的各方面的示例性深度卷积网络(DCN)的图。
图5是示出根据本公开内容的各方面的示例性深度卷积网络(DCN)的框图。
图6是示出根据本公开内容的各方面的示例性辅助小区群组选择过程的呼叫流程图。
图7是示出根据本公开内容的各方面的例如由用户设备执行的示例性辅助频带报告过程的流程图。
图8是示出根据本公开内容的各方面的例如由基站执行的示例辅助小区群组选择过程的流程图。
具体实施方式
参照附图更加充分描述了本公开内容的各个方面。然而，本公开内容可以以许多不同的形式来体现，并且不应当被解释为限于贯穿本公开内容所呈现的任何特定的结构或功能。更确切地说，提供了这些方面使得本公开内容将是透彻和完整的，并且将向本领域技术人员充分传达本公开内容的范围。基于教导，本领域技术人员应当明白的是，本公开内容的范围旨在涵盖所公开的本公开内容的任何方面，无论该方面是独立于本公开内容的任何其它方面来实现的还是与任何其它方面结合地来实现的。例如，使用所阐述的任何数量的方面，可以实现装置或可以实施方法。此外，本公开内容的范围旨在涵盖使用除了所阐述的本公开内容的各个方面之外或不同于所阐述的本公开内容的各个方面的其它结构、功能、或者结构和功能来实施的这样的装置或方法。应当理解的是，所公开的本公开内容的任何方面可以由权利要求的一个或多个元素来体现。
现在将参考各种装置和技术来给出电信系统的若干方面。这些装置和技术将在下文详细描述中通过各种框、模块、组件、电路、步骤、过程、算法等(被统称为“元素”)进行描述，以及在附图中进行示出。这些元素可以使用硬件、软件或其组合来实现。至于这样的元素是实现为硬件还是软件，取决于特定的应用以及施加在整个系统上的设计约束。
应当注意，虽然可以使用通常与5G及以后的无线技术相关联的术语来描述各方面，但是本公开内容的各方面可以应用于基于其他代的通信系统，比如，包括3G和/或4G技术。
用户设备(UE)可以具有在双连接(DC)模式下操作的能力。双连接允许UE在多个频带上与多个小区群组同时发送和接收数据，其中，所述多个小区群组包括主小区群组和一个或多个辅助小区群组。在一些配置中，主小区群组是基于诸如LTE之类的第一无线电接入技术(RAT)，而辅助小区群组是基于诸如新无线电(NR)之类的辅助RAT。
基站可以基于来自UE的测量来选择辅助小区群组。测量值指示：例如，基于经测量的各种辅助小区群组频带的参考信号接收功率(RSRP)，从UE的角度来看最佳的频带。
机器学习技术已被用于基于第一频带中的测量来预测第二频带中的信道特性，尽管通常不预测RSRP。用于两个频带的环境将是相同的(或至少相似)，因为用于每个频带的传播信道是相似的。可能是如下情况：与测量第二频带相比，对第一频带(例如，频率范围1(FR1))的测量对于UE来说更容易、更便宜和/或更有能效。例如，频率范围2(FR2)的具体硬件特性可能会使FR2测量对于UE而言有更低的能效。此外，省略对第二频带的测量消除了或至少减少了第二频带中的用于参考信号的测量开销。也就是说，如果可以省略测量，则UE不需要检测第二频带中的参考信号。在其他情形中，可以在第二频带中减少参考信号的周期。
根据本公开内容的各方面，UE在主频带中执行测量，然后基于第一频带测量来预测辅助频带的预测特性并将其报告给基站。基站基于辅助频带的预测特性来选择辅助小区群组。
图1是示出了可以在其中实施本公开内容的各方面的网络100的图。网络100可以是5G或NR网络或某种其它无线网络(例如，LTE网络)。无线网络100可以包括多个BS 110(被示为BS 110a、BS 110b、BS 110c和BS 110d)和其它网络实体。BS是与用户设备(UE)进行通信的实体并且也可以被称为基站、NR BS、节点B、gNB、5G节点B(NB)、接入点、发射接收点(TRP)等。每个BS可以提供针对特定地理区域的通信覆盖。在3GPP中，术语“小区”可以指代BS的覆盖区域和/或为该覆盖区域服务的BS子系统，这取决于使用该术语的上下文。
BS可以提供针对宏小区、微微小区、毫微微小区和/或另一种类型的小区的通信覆盖。宏小区可以覆盖相对大的地理区域(例如，半径为若干千米)，并且可以允许由具有服务订制的UE进行的不受限制的接入。微微小区可以覆盖相对小的地理区域，并且可以允许由具有服务订制的UE进行的不受限制的接入。毫微微小区可以覆盖相对小的地理区域(例如，住宅)，并且可以允许由与该毫微微小区具有关联的UE(例如，封闭用户组(CSG)中的UE)进行的受限制的接入。用于宏小区的BS可以被称为宏BS。用于微微小区的BS可以被称为微微BS。用于毫微微小区的BS可以被称为毫微微BS或家庭BS。在图1中示出的示例中，BS 110a可以是用于宏小区102a的宏BS，BS 110b可以是用于微微小区102b的微微BS，以及BS 110c可以是用于毫微微小区102c的毫微微BS。BS可以支持一个或多个(例如，三个)小区。术语“eNB”、“基站”、“NR BS”、“gNB”、“TRP”、“AP”、“节点B”、“5G NB”和“小区”可以互换地使用。
在一些方面中，小区可能未必是静止的，并且小区的地理区域可以根据移动BS的位置进行移动。在一些方面中，BS可以通过各种类型的回程接口(例如，直接物理连接、虚拟网络、和/或使用任何适当的传输网络的类似接口)来彼此互连和/或与接入网络100中的一个或多个其它BS或网络节点(未示出)互连。
无线网络100还可以包括中继站。中继站是可以从上游站(例如，BS或UE)接收数据传输并且将数据传输发送给下游站(例如，UE或BS)的实体。中继站还可以是能够为其它UE中继传输的UE。在图1中示出的示例中，中继站110d可以与宏BS 110a和UE 120d进行通信，以便促进BS 110a与UE 120d之间的通信。中继站还可以被称为中继BS、中继基站、中继等。
无线网络100可以是包括不同类型的BS(例如，宏BS、微微BS、毫微微BS、中继BS等)的异构网络。这些不同类型的BS可以具有不同的发射功率电平、不同的覆盖区域以及对无线网络100中的干扰的不同影响。例如，宏BS可以具有高发射功率电平(例如，5到40瓦特)，而微微BS、毫微微BS和中继BS可以具有较低的发射功率电平(例如，0.1到2瓦特)。
网络控制器130可以耦合到一组BS，并且可以提供针对这些BS的协调和控制。网络控制器130可以经由回程与BS进行通信。BS还可以例如经由无线或有线回程直接地或间接地与彼此进行通信。
UE 120(例如，120a、120b、120c)可以散布于整个无线网络100中，并且每个UE可以是静止的或移动的。UE还可以被称为接入终端、终端、移动站、用户单元、站等。UE可以是蜂窝电话(例如，智能电话)、个人数字助理(PDA)、无线调制解调器、无线通信设备、手持设备、膝上型计算机、无绳电话、无线本地环路(WLL)站、平板设备、相机、游戏设备、上网本、智能本、超级本、医疗设备或装置、生物计量传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能珠宝(例如，智能指环、智能手链等))、娱乐设备(例如，音乐或视频设备、或卫星无线电单元等)、车辆组件或传感器、智能仪表/传感器、工业制造设备、全球定位系统设备、或者被配置为经由无线或有线介质进行通信的任何其它适当的设备。
一些UE可以被认为是机器类型通信(MTC)或者演进型或增强型机器类型通信(eMTC)UE。MTC和eMTC UE包括例如机器人、无人机、远程设备、传感器、仪表、监视器、位置标签等，它们可以与基站、另一个设备(例如，远程设备)或某个其它实体进行通信。无线节点可以例如经由有线或无线通信链路来提供针对网络(例如，诸如互联网或蜂窝网络之类的广域网)的连接或到网络的连接。一些UE可以被认为是物联网(IoT)设备，和/或可以被实现成NB-IoT(窄带物联网)设备。一些UE可以被认为是客户驻地设备(CPE)。UE 120可以被包括在容纳UE 120的组件(诸如处理器组件、存储器组件等)的壳体内部。
通常，可以在给定的地理区域中部署任意数量的无线网络。每个无线网络可以支持特定的RAT并且可以在一个或多个频率上操作。RAT还可以被称为无线电技术、空中接口等。频率还可以被称为载波、频道等。每个频率可以在给定的地理区域中支持单种RAT，以便避免不同RAT的无线网络之间的干扰。在一些情况下，可以部署NR或5G RAT网络。
在一些方面中，两个或更多个UE 120(例如，被示为UE 120a和UE 120e)可以使用一个或多个侧行链路信道直接进行通信(例如，而不使用基站110作为彼此进行通信的中介)。例如，UE 120可以使用对等(P2P)通信、设备到设备(D2D)通信、车辆到万物(V2X)协议(例如，其可以包括车辆到车辆(V2V)协议、车辆到基础设施(V2I)协议等)、网状网络等进行通信。在这种情况下，UE 120可以执行调度操作、资源选择操作和/或在别处被描述为由基站110执行的其它操作。
如上所指出的，图1是仅仅作为示例来提供的。其它示例可以不同于关于图1所描述的示例。
图2示出了基站110和UE 120(它们可以是图1中的基站中的一个基站以及UE中的一个UE)的设计200的框图。基站110可以被配备有T个天线234a至234t，以及UE 120可以被配备有R个天线252a至252r，其中，一般而言，T≥1并且R≥1。
在基站110处，发送处理器220可以从数据源212接收针对一个或多个UE的数据，至少部分地基于从每个UE接收的信道质量指示符(CQI)来选择用于该UE的一个或多个调制和编码方案(MCS)，至少部分地基于被选择用于每个UE的MCS来处理(例如，编码和调制)针对该UE的数据，以及为所有UE提供数据符号。发送处理器220还可以处理系统信息(例如，针对半静态资源划分信息(SRPI)等)和控制信息(例如，CQI请求、准许、上层信令等)，以及提供开销符号和控制符号。发送处理器220还可以生成用于参考信号(例如，特定于小区的参考信号(CRS))和同步信号(例如，主同步信号(PSS)和辅同步信号(SSS))的参考符号。发送(TX)多输入多输出(MIMO)处理器230可以对数据符号、控制符号、开销符号和/或参考符号执行空间处理(例如，预编码)(如果适用的话)，并且可以向T个调制器(MOD)232a至232t提供T个输出符号流。每个调制器232可以(例如，针对OFDM等)处理相应的输出符号流以获得输出采样流。每个调制器232可以进一步处理(例如，转换到模拟、放大、滤波以及上变频)输出采样流以获得下行链路信号。可以分别经由T个天线234a至234t来发送来自调制器232a至232t的T个下行链路信号。根据以下更加详细描述的各个方面，可以利用位置编码生成同步信号以传送额外的信息。
在UE 120处，天线252a至252r可以从基站110和/或其它基站接收下行链路信号，并且可以分别向解调器(DEMOD)254a至254r提供接收的信号。每个解调器254可以调节(例如，滤波、放大、下变频以及数字化)接收的信号以获得输入采样。每个解调器254可以(例如，针对OFDM等)进一步处理输入采样以获得接收符号。MIMO检测器256可以从所有R个解调器254a至254r获得接收符号，对接收符号执行MIMO检测(如果适用的话)，以及提供检测到的符号。接收处理器258可以处理(例如，解调和解码)所检测到的符号，向数据宿260提供针对UE 120的经解码的数据，以及向控制器/处理器280提供经解码的控制信息和系统信息。信道处理器可以确定参考信号接收功率(RSRP)、接收信号强度指示符(RSSI)、参考信号接收质量(RSRQ)、信道质量指示符(CQI)等。在一些方面中，UE 120的一个或多个组件可以被包括在壳体中。
在上行链路上，在UE 120处，发送处理器264可以接收并且处理来自数据源262的数据和来自控制器/处理器280的控制信息(例如，用于包括RSRP、RSSI、RSRQ、CQI等的报告)。发送处理器264还可以生成用于一个或多个参考信号的参考符号。来自发送处理器264的符号可以由TX MIMO处理器266进行预编码(如果适用的话)，由调制器254a至254r(例如，针对DFT-s-OFDM、CP-OFDM等)进一步处理，以及被发送给基站110。在基站110处，来自UE120和其它UE的上行链路信号可以由天线234接收，由解调器254处理，由MIMO检测器236检测(如果适用的话)，以及由接收处理器238进一步处理，以获得由UE 120发送的经解码的数据和控制信息。接收处理器238可以向数据宿239提供经解码的数据，并且向控制器/处理器240提供经解码的控制信息。基站110可以包括通信单元244并且经由通信单元244来与网络控制器130进行通信。网络控制器130可以包括通信单元294、控制器/处理器290和存储器292。
基站110的控制器/处理器240、UE 120的控制器/处理器280、和/或图2中的任何其它组件可以执行与报告被估计信道特性(例如，用于辅助小区群组选择)相关联的一种或多种技术，如在别处更加详细描述的。例如，基站110的控制器/处理器240、UE 120的控制器/处理器280和/或图2中的任何其它组件可以执行或指导例如图6的过程600和/或如所述的其它过程的操作。存储器242和282可以分别存储用于基站110和UE 120的数据和程序代码。调度器246可以调度UE在下行链路和/或上行链路上进行数据传输。
在一些方面中，UE 120可以包括用于接收的单元、用于测量的单元、用于估计的单元、用于报告的单元、用于配置的单元、用于移除的单元、以及用于选择的单元。这些单元可以包括结合图2描述的UE 120或基站110的一个或多个组件。
如上所述，提供了图2仅仅作为示例。其它示例可以不同于关于图2所描述的内容。
在一些情况下，支持不同类型的应用和/或服务的不同类型的设备可以在小区中共存。不同类型的设备的示例包括UE手机、客户驻地设备(CPE)、交通工具、物联网(IoT)设备等。不同类型应用的示例包括超可靠低时延通信(URLLC)应用、大规模机器类型通信(mMTC)应用、增强型移动宽带(eMBB)应用、车联网(V2X)应用等等。此外，在某些情况下，单个设备可以同时支持不同的应用或服务。
图3示出了根据本公开内容的某些方面的片上系统(SOC)300的示例性实施方式，所述SOC300可以包括被配置用于辅助小区群组选择的中央处理单元(CPU)302或多核CPU。基站110或UE 120中可以包括SOC 300。变量(例如，神经信号和突触权重)、与计算设备相关联的系统参数(例如，具有权重的神经网络)、延迟、频段信息和任务信息可以存储在与神经处理单元(NPU)108相关联的存储器块中、在与CPU 302相关联的存储器块中、在与图形处理单元(GPU)304相关联的存储器块中、在与数字信号处理器(DSP)306相关联的存储器块中，在存储器块318中、或者可以分布在多个块中。在CPU 302处执行的指令可以从与CPU 302相关联的程序存储器加载，或者可以从存储器块318加载。
SOC 300还可以包括为具体功能定制的附加处理块，例如，GPU 304、DSP 306、连接块310，其可以包括第五代(5G)连接、第四代长期演进(4G LTE)连接、Wi-Fi连接、USB连接、蓝牙连接等，以及可以例如检测和识别手势的多媒体处理器312。在一种实施方式中，NPU是在CPU、DSP和/或GPU中实施。SOC 300还可以包括传感器处理器314、图像信号处理器(ISP)316和/或导航模块320，其可以包括全球定位系统。
SOC 300可以基于ARM指令集。在本公开内容的一个方面中，加载到通用处理器302中的指令可以包括用于接收请求基于对主频带中的信道特性进行测量而被估计的辅助频带的信道特性的消息的代码。通用处理器302还可以包括用于测量主频带中的信道特性的代码。通用处理器302还可以包括用于在不测量辅助频带中的信号的情况下估计辅助频带的信道特性的代码。通用处理器302还可以包括用于报告辅助频带的被估计信道特性的代码。在本公开内容的其他方面中，通用处理器302可以包括用于配置用户设备(UE)以基于主频带的测量来估计针对辅助频带的信道特性的代码。通用处理器302还可以包括用于配置对被估计信道特性进行报告的代码。通用处理器302还可以包括用于基于被估计信道特性而不是辅助信道测量来选择辅助小区群组(SCG)的代码。
深度学习架构可以通过学习在每一层中以连续更高的抽象级别表示输入，来执行对象识别任务，从而构建输入数据的有用特征表示。通过这种方式，深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前，用于对象识别问题的机器学习方法可能已经严重依赖于人类工程特征，可能与浅分类器相结合。浅分类器可以是两类线性分类器，例如，其中可以将特征向量分量的加权和与阈值进行比较以预测输入属于哪一类。人工工程特征可以是由专业领域的工程师针对具体问题领域定制的模板或内核。相比之下，深度学习架构可以学习表示与人类工程师可能设计的特征相似的特征，但需要通过训练。此外，深度网络可以学习表示和识别人类可能没有考虑过的新型特征。
深度学习架构可以学习特征的层次。例如，如果呈现有可视数据，第一层可以学习识别在输入流中的相对简单的特征，例如边缘。在另一个示例中，如果呈现有听觉数据，则第一层可以学习识别在具体频率中的频谱功率。第二层将第一层的输出作为输入，可以学习识别特征的组合，例如针对可视数据的简单形状或针对听觉数据的声音组合。例如，较高层可以学习表示在可视数据中的复杂形状或在听觉数据中的单词。更高层可以学习识别常见的可视对象或口语短语。
当应用于具有自然分层结构的问题时，深度学习架构可以表现得特别好。例如，机动车辆的分类可以受益于首先学习识别车轮、挡风玻璃和其他特征。这些特征可以在较高层以不同方式进行组合，以识别汽车、卡车和飞机。
神经网络可以被设计成具有多种连接模式。在前馈网络中，信息从较低层传递到较高层，其中，在给定层中的每个神经元向较高层中的神经元进行传输。如上所述，可以在前馈网络的连续层中建立分层表示。神经网络也可以具有循环或反馈(也称为自上而下)连接。在循环连接中，来自给定层中的神经元的输出可以传输到相同层中的另一神经元。循环架构可能有助于识别跨越一个以上输入数据块的模式，所述一个以上输入数据块按顺序传递给神经网络。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自上向下)连接。当对高级概念的识别可能有助于区分输入的特定低级特征时，具有许多反馈连接的网络可能会有所帮助。
神经网络的层之间的连接可以是全连接的或局部连接的。图4A示出了全连接神经网络402的示例。在全连接神经网络402中，在第一层中的神经元可以将其输出传送给在第二层中的每个神经元，使得第二层中的每个神经元将会接收来自第一层中的每个神经元的输入。图4B示出了局部连接的神经网络404的示例。在局部连接的神经网络404中，在第一层中的神经元可以连接到第二层中的有限数量的神经元。更一般地，局部连接的神经网络404的局部连接层可以被配置为使得层中的每个神经元将具有相同或相似的连接模式，但是连接强度可以具有不同的值(例如，410、412、414和416)。局部连接的连接模式可能会在较高层中产生在空间上不同的接受域，因为在给定区域中的较高层神经元可以接收通过训练调整到对网络的总输入的受限部分的属性的输入。
局部连接的神经网络的一个示例是卷积神经网络。图4C示出了卷积神经网络406的示例。卷积神经网络406可以被配置为使得与第二层中的每个神经元的输入相关联的连接强度是共享的(例如，408)。卷积神经网络可以非常适合于其中输入的空间位置有意义的问题。
一种类型的卷积神经网络是深度卷积网络(DCN)。图4D示出了DCN 400的详细示例，该DCN 400被设计为从图像捕获设备430(例如，车载相机)输入的图像426中识别可视特征。当前示例的DCN 400可以被训练以识别交通标志和交通标志上提供的数字。当然，DCN400可以针对其他任务进行训练，例如，识别车道标记或识别交通灯。
可以用监督学习来训练DCN 400。在训练期间，可以向DCN 400呈现图像，比如，限速标志的图像426，然后可以计算前向传递以产生输出422。DCN 400可以包括特征提取部分和分类部分。在接收到图像426后，卷积层432可以将卷积核(未图示)应用于图像426以生成第一组特征映射418。举一个例子，针对卷积层432的卷积核可以是5x5核，该5x5核生成28x28特征映射。在本例中，因为在第一组特征映射418中生成了四个不同的特征映射，所以在卷积层432处将四个不同的卷积核应用于图像426。卷积核也可以被称为滤波器或卷积滤波器。
第一组特征映射418可以被最大池化层(未图示)二次采样以生成第二组特征映射420。最大池化层减小了第一组特征映射418的大小。即，第二组特征映射420的大小，例如14x14，小于第一组特征映射418的大小，例如28x28。减小的大小为后续层提供了类似的信息，同时减少了内存消耗。第二组特征映射420可以经由一个或多个后续卷积层(未图示)进一步卷积以生成一组或多组后续特征映射(未图示)。
在图4D的示例中，第二组特征映射420被卷积以生成第一特征向量424。此外，第一特征向量424被进一步卷积以生成第二特征向量428。第二特征向量428的每个特征可以包括与图像426的可能特征相对应的数字，例如“符号”、“60”和“100”。softmax函数(未图示)可以将第二特征向量428中的数字转换为概率。这样，DCN 400的输出422是图像426包括一个或多个特征的概率。
在本例中，输出422中的针对“符号”和“60”的概率高于输出422的其他(例如，“30”、“40”、“50”、“70”、“80”、“90”和“100”)的概率。在训练之前，DCN 400产生的输出422可能是不正确的。因此，可以计算输出422与目标输出之间的误差。目标输出是图像426的基本事实(例如，“sign”和“60”)。然后可以调整DCN 400的权重，使得DCN 400的输出422与目标输出更紧密地对齐。
为了调整权重，学习算法可以计算针对权重的梯度向量。梯度可以指示：如果调整权重，则误差将增加或减少的量。在顶层处，梯度可以直接对应于连接倒数第二层中激活的神经元和输出层中的神经元的权重值。在较低层中，梯度可以取决于权重的值和所计算的较高层的误差梯度。然后可以调整权重以减少误差。这种调整权重的方式可以被称为“反向传播”，因为它涉及通过神经网络的“反向传递”。
在实践中，可以在少量示例上计算权重的误差梯度，使得所计算的梯度接近真实误差梯度。这种近似方法可以被称为随机梯度下降。可以重复随机梯度下降，直到整个系统的可实现误差率已经停止下降或直到误差率已经达到目标水平为止。在学习之后，可以向DCN呈现新图像(例如，图像426的速度限制标志)，并且通过网络的前向传递可以产生可以被认为是DCN的推断或预测的输出422。
深度置信网络(DBN)是包括多层隐藏节点的概率模型。DBN可以用于提取训练数据集的分层表示。可以通过有限玻尔兹曼机(RBM)的堆叠层来获得DBN。RBM是一种可以学习在一组输入上的概率分布的人工神经网络。由于RBM可以在没有关于每个输入应当归入的类别信息的情况下学习概率分布，因此RBM通常用于无监督学习。使用混合的无监督和监督范式，DBN的底部RBM可以以无监督方式进行训练并且用作特征提取器，而顶部RBM可以以监督方式(在从先前层的输入的联合分布和目标类别上)进行训练，并且可以用作分类器。
深度卷积网络(DCN)是卷积网络的网络，被配置有额外的池化层和归一化层。DCN在许多任务上都已经获得了最先进的性能。DCN可以使用监督学习进行训练，其中，输入和输出目标对于许多示例都是已知的并用于通过使用梯度下降方法来修改网络的权重。
DCN可以是前馈网络。此外，如上所述，从DCN的第一层中的神经元到下一更高层中的一群神经元的连接是跨第一层中的神经元被共享的。DCN的前馈和共享连接可以用于快速处理。例如，DCN的计算负担可以比包括循环或反馈连接的类似大小的神经网络的计算负担小得多。
卷积网络的每一层的处理可以被认为是空间不变的模板或基础投影。如果输入首先被分解为多个通道，例如彩色图像的红色、绿色和蓝色通道，那么对该输入进行训练的卷积网络可以被认为是三维的，其中，沿着图像的轴有两个空间维度以及捕获色彩信息的第三维。卷积连接的输出可以被认为在后续层中形成特征映射，其中，该特征映射的每个元素(例如，220)接收来自前一层(例如，特征映射218)中的一系列神经元的输入，并且来自多个通道中的每个通道的输入。特征映射中的值可以用非线性进一步处理，例如校正、max(0,x)。来自相邻神经元的值可以进一步池化，这对应于下采样，并且可以提供额外的局部不变性和降维。归一化，其对应于白化，也可以通过在特征映射中的神经元之间的横向抑制而被应用。
深度学习架构的性能可以随着更多标记数据点变得可用或随着计算能力增加而增加。现代深度神经网络通常使用比十五年前典型研究人员可用的计算资源多数千倍的计算资源进行训练。新的架构和训练范式可以进一步提升深度学习的性能。校正后的线性单元可以减少被称为梯度消失的训练问题。新的训练技术可以减少过度拟合，从而使更大的模型能够实现更好的泛化。封装技术可以抽象化在给定感受野中的数据，并且进一步提升整体性能。
图5是示出深度卷积网络550的框图。深度卷积网络550可以包括基于连接和权重共享的多个不同类型的层。如图5中所示，深度卷积网络550包括卷积块554A、554B。每个卷积块554A、554B可以被配置有卷积层(CONV)356、归一化层(LNorm)558和最大池化层(MAXPOOL)560。
卷积层556可以包括一个或多个卷积滤波器，其可以应用于输入数据以生成特征映射。尽管示出了仅两个卷积块554A、554B，但是本公开内容不限于此，而是可以根据设计偏好将任意数量的卷积块554A、554B包括在深度卷积网络550中。归一化层558可以对卷积滤波器的输出进行归一化。例如，归一化层558可以提供白化或横向抑制。最大池化层560可以在空间上提供下采样聚合以用于局部不变性和降维。
例如，深度卷积网络的并行滤波器组可以加载在SOC 300的CPU 302或GPU 304上，以实现高性能和低功耗。在替代实施例中，并行滤波器组可以加载在SOC 300的DSP 306或ISP 316上。此外，深度卷积网络550可以访问可以存在于SOC 300上的其他处理块，例如分别专用于传感器和导航的传感器处理器314和导航模块320。
深度卷积网络550还可以包括一个或多个全连接层562(FC1和FC2)。深度卷积网络550还可以包括逻辑回归(LR)层564。在深度卷积网络550的每一层556、558、560、562、564之间是要被更新的权重(未图示)。每一层(例如，556、558、560、562、564)的输出可以用作在深度卷积网络550中的后续层(例如，556、558、560、562、564)的输入，以便从在第一个卷积块554A处提供的输入数据552(例如，图像、音频、视频、传感器数据和/或其他输入数据)学习分层特征表示。深度卷积网络550的输出是针对输入数据552的分类分数566。分类分数566可以是概率集合，其中，每个概率是输入数据(包括来自特征集合的特征)的概率。
如上所述，提供了图3-5作为示例。其它示例可以不同于关于图3-5所描述的内容。
如上所述，用户设备(UE)可以具有在双连接(DC)模式中进行操作的能力。双连接允许UE在多个频带上与多个小区群组同时发送和接收数据，其中，所述多个小区群组包括主小区群组和一个或多个辅助小区群组。在一些配置中，主小区群组基于诸如LTE之类的第一无线电接入技术(RAT)，而辅助小区群组基于诸如新无线电(NR)之类的辅助RAT。以下描述提到这两种无线电接入技术，尽管其他无线电接入技术对于任一小区群组而言是可能的。
基站可以基于来自UE的测量来选择辅助小区群组。测量值指示了：从UE的角度来看的(例如，基于各种NR频带的被测量的参考信号接收功率(RSRP)的)最佳频带。
机器学习技术已被用于基于第一频带中的测量来预测第二频带中的信道特性，尽管通常不预测RSRP。针对两个频带的环境将是相同的(或至少相似)，因为针对每个频带的传播信道是相似的。可能是如下情形：其中，与测量第二频带相比，对第一频带(例如，频率范围1(FR1))的测量，对于UE来说更容易、更便宜和/或有更高的能效。例如，频率范围2(FR2)的具体硬件特性可以使FR2测量对于UE而言有更低的能效。此外，省略对第二频带的测量消除了或至少减少了第二频带中的用于参考信号的测量开销。也就是说，如果可以省略测量，则UE不需要检测第二频带中的参考信号。在其他情形中，可以在第二频带中减少参考信号的周期。根据本公开内容的多个方面，UE在主频带中执行测量，然后基于第一频带测量来预测辅助频带的特性并且将其报告给基站，使基站能够基于辅助频带的预测特征来选择辅助小区群组。
图6是示出根据本公开内容的各个方面的示例性辅助小区群组选择过程的呼叫流程图。图7是示出根据本公开内容的各个方面的例如由用户设备执行的示例性辅助频带报告过程的流程图。示例性过程700是报告(例如，用于基于在主频带中的测量的辅助小区群组选择的)被估计信道特性的示例。在一些方面中，主频带低于辅助频带。例如，主频带可以低于6GHz，而辅助频带可以高于20GHz。
过程700可以在其中部署新无线电(NR)和LTE的双连接性场景中操作，其中，主小区110以LTE进行操作，而辅助小区111以NR进行操作。该场景可以被称为双连接。UE 120最初连接到LTE网络中的主小区110，随后经由RRC连接重配置过程连接到NR网络中的辅助小区111。在图6和图7的双连接示例中，LTE基站110对应于主小区群组(MCG)，而NR基站111对应于辅助小区群组(SCG)。
UE 120在时间t0处执行与MCG 110的初始注册。MCG 110可以添加一个或多个SCG111，尽管图6中仅示出了一个SCG 111。为了添加SCG 111，如图6和图7所示，过程700可以包括：在时间t1处接收请求基于主频带中的信道特性的辅助频带信道特性估计的消息(块705)。例如，来自主基站110的经修改的RRC连接重新配置消息可以配置UE 120以发送辅助频带的信道特性估计。经修改的消息可以请求针对SCG 111的被估计信道特性。基于现有CSI-RS信令的额外报告或新的CSI-RS信号可以被配置用于报告被估计信道特性。UE 120(例如，使用天线252、DEMOD 254、MIMO检测器256、接收处理器258、控制器/处理器280等)可以接收消息。
如图6和图7所示，在一些方面中，过程700可以包括：在时间t2处测量主频带中的信道的特性(块710)。例如，UE 120(例如，使用天线252、DEMOD 254、MIMO检测器256、接收处理器258、控制器/处理器280等)可以测量信道(例如，LTE sub 6GHz频带)的特性。UE 120可以执行的测量的一些示例是在第一频带中的参考信号接收功率(RSRP)测量、UE 120的定位信息(例如，其可以用于学习波束方向)、原始信道测量、信道脉冲响应(CIR)测量、离开角(AoD)测量(例如，最强多径分量(MPC)的AoD)、最强MPC的延迟分布、和/或在第一频带中的其他测量。这些测量可以是对机器学习算法的输入。
如图6和图7所示，在一些方面中，过程700可以包括：在时间t3处估计辅助频带的信道特性。所述估计可以是基于主频带性能测量的神经网络预测。在不测量辅助频带中的信号的情况下进行估计(块720)。例如，UE 120(例如，使用控制器/处理器280等)可以忽略用于辅助频带(例如，新无线电(NR))测量的任何配置，而是使用人工智能(AI)执行对信道特性的估计。
如图6和图7所示，在一些方面中，过程700可以包括：在时间t4处报告被估计信道特性(块730)。例如，UE 120(例如，使用天线252、MOD 254、TX MIMO检测器266、发射处理器264、控制器/处理器280等)可以报告被估计信道特性，而不是针对NR测量的实际值。报告可以基于一种类型的CSI-RS信令，如上所述。报告还可以包括：被估计信道特性可适用的频带的列表。
可选地，如图6和图7所示，过程700可以包括：在时间t5处接收关于基于被估计信道特性而被确定的辅助小区群组的指示(框740)。例如，主基站110基于从UE 120接收的估计报告以及来自辅助基站的状态报告来确定辅助小区群组111。主基站110的该确定是基于被估计信道特性，而不是实际的信道测量。UE 120从辅助小区群组(SCG)的主基站接收指示。UE 120使用例如天线252、DEMOD 254、MIMO检测器256、接收处理器258、控制器/处理器280等来接收指示。在时间t6处，UE 120连接到辅助小区群组111。
图8是示出了根据本公开内容的各方面的例如由基站执行的示例性辅助小区群组选择过程800的流程图。示例性过程800是配置对(例如，用于基于主频带中的测量的辅助小区群组选择的)被估计信道特性进行报告的示例。如图8中所示，在一些方面中，过程800可以包括配置用户设备(UE)(例如，利用对主频带的实际测量的神经网络处理)来估计用于辅助频带的信道特性(框810)。基站可以使用天线234、MOD 232、TX MIMO处理器230、发送处理器220、控制器/处理器240和调度器246等来配置UE。
如图8中所示，在一些方面中，过程800可以包括：配置被估计信道特性的报告(框820)。在一些方面中，主基站可以配置用于基于现有CSI-RS信号而被估计信道特性的新报告。替代地，主基站可以为UE配置新CSI-RS信号和新对应报告。所述配置可以通过RRC消息，例如RRCConnectionReconfiguration消息。基站可以使用天线234、MOD 232、TX MIMO处理器230、发送处理器220、控制器/处理器240和调度器246等来配置UE。
如图8中所示，在一些方面中，过程800可以包括：基于被估计信道特性而不是实际的辅助信道测量来选择辅助小区群组(SCG)(框830)。基站使用例如控制器/处理器240等来选择SCG。
尽管图7和图8示出了过程700、800的示例块，但是在一些方面中，过程700、800可以包括与图7和图8中所描绘的那些相比额外的块、更少的块、不同的块或不同排列的块。附加地或替代地，可以并行地执行过程700、800的两个或更多个块。类似地，图6中所示的过程可以包括与图6中所描绘的那些相比附加的过程、更少的过程、不同的过程或不同排列的过程。可以并行执行两个或更多的过程。
在以下编号的条款中描述了实施方式示例。
1、一种通过用户设备(UE)进行无线通信的方法，包括：
接收请求基于对主频带中的信道的特性进行测量而被估计的辅助频带的信道特性的消息；
测量在所述主频带中的所述信道的特性；
基于所述主频带中的所述信道的被测量特性来估计所述辅助频带的信道特性，所述估计是在没有测量所述辅助频带中的信号的情况下发生的；以及
报告所述辅助频带的被估计信道特性。
2、根据条款1所述的方法，还包括：接收关于辅助小区群组的指示，所述辅助小区群组是基于所述辅助频带的所述被估计信道特性而被确定的。
3、根据前述条款中任一项所述的方法，其中，所述主频带中的所述信道的所述被测量特性是对非服务小区所发送的信号的测量。
4、根据前述条款中任一项所述的方法，其中，所述非服务小区包括并置的第一无线电接入技术(RAT)的第一基站和第二RAT的第二基站。
5、根据前述条款中任一项所述的方法，还包括：基于确定潜在辅助小区群组的被估计信道特性低于阈值，不予考虑所述潜在辅助小区群组。
6、根据前述条款中任一项所述的方法，其中，测量所述主频带中的所述信道的特性包括以下各项中的至少一项：测量所述主频带中的所述信道的参考信号接收功率(RSRP)，执行在所述主频带中的所述信道的信道估计，测量在所述主频带中的所述信道的信道脉冲响应(CIR)，测量在所述主频带中的所述信道的离开角，测量在所述主频带中的所述信道的到达角，测量在所述主频带中的所述信道的信道路径延迟，确定用户设备(UE)位置，以及，分析在所述主频带中的所述信道的功率延迟简档。
7、根据前述条款中任一项所述的方法，还包括：
基于现有信道状态信息(CSI)信号和在无线电资源控制(RRC)消息中从主基站接收到的报告配置，来报告所述辅助频带的所述被估计信道特性；以及
基于所述现有CSI信号，来报告对所述主频带中的所述信道的所述特性的测量。
8、根据前述条款中任一项所述的方法，还包括：
基于第一类型的信道状态信息(CSI)信号，来报告对所述主频带中的所述信道的所述特性的测量；以及
基于第二类型的CSI信号和报告配置，来报告所述辅助频带的所述被估计信道特性，所述报告配置是在无线电资源控制(RRC)消息中从主基站接收的并且对应于所述第二类型的CSI信号。
9、根据前述条款中任一项所述的方法，其中，报告所述被估计信道特性还包括：报告所述被估计信道特性应用于的频带的列表。
10、根据前述条款中任一项所述的方法，其中，所述主频带的频率低于所述辅助频带。
11、根据前述条款中任一项所述的方法，其中，所述辅助频带的所述被估计信道特性是利用神经网络处理而被执行的。
12、一种由基站进行无线通信的方法，包括：
配置用户设备(UE)以基于对主频带的测量来估计辅助频带的信道特性；
配置对所述辅助频带的被估计信道特性进行报告；以及
基于所述辅助频带的所述被估计信道特性而不是对所述辅助频带的测量，来选择辅助小区群组(SCG)。
13、根据条款12所述的方法，其中，配置报告包括：基于现有信道状态信息(CSI)信号，配置针对所述辅助频带的所述被估计信道特性的新报告。
14、根据条款12所述的方法，其中，配置报告包括：配置新的信道状态信息(CSI)信号和用于所述辅助频带的所述被估计信道特性的新的对应报告。
15、一种用于无线通信的用户设备(UE)，包括：
存储器，以及
可操作地耦合到所述存储器的至少一个处理器，
所述存储器和所述至少一个处理器被配置为：
接收请求基于对主频带中的信道的特性进行测量而被估计的辅助频带的信道特性的消息；
测量在所述主频带中的所述信道的特性；
根据所述主频带中的所述信道的被测量特性来估计所述辅助频带的信道特性，所述估计在不测量所述辅助频带中的信号的情况下发生；以及
报告所述辅助频带的所估计的信道特性。
16、根据条款15所述的UE，其中，所述至少一个处理器还被配置为：接收关于辅助小区群组的指示，所述辅助小区群组是基于所述被估计信道特性而被确定的。
17、根据前述条款中任一项所述的UE，其中，所述主频带中的所述信道的被测量特性是对由非服务小区所发送的信号的测量。
18、根据前述条款中任一项所述的UE，其中，所述非服务小区包括并置的第一无线电接入技术(RAT)的第一基站和第二RAT的第二基站。
19、根据前述条款中任一项所述的UE，其中，所述至少一个处理器还被配置为：基于确定潜在辅助小区群组的所述被估计信道特性低于阈值，不予考虑所述潜在辅助小区群组。
20、根据前述条款中任一项所述的UE，其中，所述至少一个处理器还被配置为通过以下各项中的至少一项来测量特性：测量所述主频带中的所述信道的参考信号接收功率(RSRP)、执行所述主频带中的所述信道的信道估计，测量所述主频带中的所述信道的信道脉冲响应(CIR)，测量所述主频带中的所述信道的离开角，测量所述主频带中的所述信道的到达角，测量所述主频带中的所述信道的信道路径延迟，确定用户设备(UE)位置，以及，分析所述主频带中的所述信道的功率延迟简档。
21、根据前述条款中任一项所述的UE，其中，所述至少一个处理器还被配置为：
基于现有信道状态信息(CSI)信号和在无线电资源配置(RRC)消息中从主基站接收到的报告配置，来报告所述辅助频带的所述被估计信道特性；以及
基于所述现有CSI信号，来报告对所述主频带中的所述信道的所述特性的测量。
22、根据前述条款中任一项所述的UE，其中，所述至少一个处理器还被配置为：
基于第一类型的信道状态信息(CSI)信号，来报告对所述主频带中的所述信道的所述特性的测量；以及
基于第二类型的CSI信号和报告配置，来报告所述辅助频带的所述被估计信道特性，所述报告配置是在无线电资源控制(RRC)消息中从主基站接收的并且对应于所述第二类型的CSI信号。
23、根据前述条款中任一项所述的UE，其中，所述至少一个处理器还被配置为：通过报告所述被估计信道特性应用于的频带的列表，来报告所述被估计信道特性。
24、根据前述条款中任一项所述的UE，其中，所述主频带的频率低于所述辅助频带。
25、根据前述条款中任一项所述的UE，其中，所述至少一个处理器还被配置为：利用神经网络处理进行估计。
26、一种用于无线通信的基站，包括：
存储器，以及
可操作地耦合到所述存储器的至少一个处理器，所述存储器和所述至少一个处理器被配置为：
配置用户设备(UE)以基于对主频带的测量来估计辅助频带的信道特性；
配置对所述辅助频带的被估计信道特性进行报告；以及
基于所述辅助频带的所述被估计信道特性而不是对所述辅助频带的测量，来选择辅助小区群组(SCG)。
27、根据条款26所述的基站，其中，所述至少一个处理器还被配置为：基于现有信道状态信息(CSI)信号来配置针对所述辅助频带的所述被估计信道特性的新报告。
28、根据条款26所述的基站，其中，所述至少一个处理器还被配置为：配置新的信道状态信息(CSI)信号和用于所述辅助频带的所述被估计信道特性的新的对应报告。
前述公开内容提供了说明和描述，但是并不旨在是详尽的或者将各方面限制为所公开的精确形式。按照上文公开内容，修改和变型是可能的，或者可以从对各方面的实践中获取修改和变型。
如所使用，术语“组件”旨在广义地解释为硬件、固件、和/或硬件与软件的组合。如所使用的，处理器是用硬件、固件、和/或硬件与软件的组合来实现的。
结合阈值描述了一些方面。如所使用的，依据上下文，满足门限可以代表值大于门限、大于或等于门限、小于门限、小于或等于门限、等于门限、不等于门限等。
将清楚的是，本文描述的系统和/或方法可以用不同形式的硬件、固件、和/或硬件与软件的组合来实现。用于实现这些系统和/或方法的实际的专门的控制硬件或软件代码不是对各方面进行限制。因此，在不参照具体软件代码的情况下描述了系统和/或方法的操作和行为，要理解的是，软件和硬件可以被设计为至少部分地基于说明书来实现系统和/或方法。
即使在权利要求书中记载了和/或在说明书中公开了特征的特定组合，这些组合也不旨在限制各个方面的公开内容。事实上，可以以没有在权利要求书中具体记载和/或在说明书中具体公开的方式来组合这些特征中的许多特征。虽然下文列出的每个从属权利要求可以仅直接依赖于一个权利要求，但是各个方面的公开内容包括每个从属权利要求与权利要求集合中的每个其它权利要求的组合。提及条目列表“中的至少一个”的短语指代那些条目的任意组合，包括单个成员。举例而言，“a、b或c中的至少一个”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c、以及与相同元素的倍数的任意组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c或者a、b和c的任何其它排序)。
所使用的元素、动作或指令中没有一个应当被解释为关键或必要的，除非明确描述为如此。此外，如所使用的，冠词“一(a)”和“一个(an)”旨在包括一个或多个条目，并且可以与“一个或多个”互换使用。此外，如所使用的，术语“集合”和“群组”旨在包括一个或多个条目(例如，相关条目、无关条目、相关条目和无关条目的组合等)，并且可以与“一个或多个”互换使用。在仅预期一个条目的情况下，使用短语“仅一个”或类似语言。此外，如所使用的，术语“具有(has)”、“具有(have)”、“具有(having)”和/或类似术语旨在是开放式术语。此外，除非另有明确声明，否则短语“基于”旨在意指“至少部分地基于”。

Claims (28)

1.一种通过用户设备(UE)进行无线通信的方法，包括：
接收请求基于对主频带中的信道的特性进行测量而被估计的辅助频带的信道特性的消息；
测量在所述主频带中的所述信道的特性；
基于所述主频带中的所述信道的被测量特性来估计所述辅助频带的信道特性，所述估计是在没有测量所述辅助频带中的信号的情况下发生的；以及
报告所述辅助频带的被估计信道特性。
2.根据权利要求1所述的方法，还包括：接收关于辅助小区群组的指示，所述辅助小区群组是基于所述辅助频带的所述被估计信道特性而被确定的。
3.根据权利要求1所述的方法，其中，所述主频带中的所述信道的所述被测量特性是对非服务小区所发送的信号的测量。
4.根据权利要求3所述的方法，其中，所述非服务小区包括并置的第一无线电接入技术(RAT)的第一基站和第二RAT的第二基站。
5.根据权利要求1所述的方法，还包括：基于确定潜在辅助小区群组的被估计信道特性低于阈值，不予考虑所述潜在辅助小区群组。
6.根据权利要求1所述的方法，其中，测量所述主频带中的所述信道的特性包括以下各项中的至少一项：测量所述主频带中的所述信道的参考信号接收功率(RSRP)，执行在所述主频带中的所述信道的信道估计，测量在所述主频带中的所述信道的信道脉冲响应(CIR)，测量在所述主频带中的所述信道的离开角，测量在所述主频带中的所述信道的到达角，测量在所述主频带中的所述信道的信道路径延迟，确定用户设备(UE)位置，以及分析在所述主频带中的所述信道的功率延迟简档。
7.根据权利要求1所述的方法，还包括：
基于现有信道状态信息(CSI)信号和在无线电资源控制(RRC)消息中从主基站接收到的报告配置，来报告所述辅助频带的所述被估计信道特性；以及
基于所述现有CSI信号，来报告对所述主频带中的所述信道的所述特性的测量。
8.根据权利要求1所述的方法，还包括：
基于第一类型的信道状态信息(CSI)信号，来报告对所述主频带中的所述信道的所述特性的测量；以及
基于第二类型的CSI信号和报告配置，来报告所述辅助频带的所述被估计信道特性，所述报告配置是在无线电资源控制(RRC)消息中从主基站接收的并且对应于所述第二类型的CSI信号。
9.根据权利要求1所述的方法，其中，报告所述被估计信道特性还包括：报告所述被估计信道特性应用于的频带的列表。
10.根据权利要求1所述的方法，其中，所述主频带的频率低于所述辅助频带。
11.根据权利要求1所述的方法，其中，所述辅助频带的所述被估计信道特性是利用神经网络处理而被执行的。
12.一种由基站进行无线通信的方法，包括：
配置用户设备(UE)以基于对主频带的测量来估计辅助频带的信道特性；
配置对所述辅助频带的被估计信道特性进行报告；以及
基于所述辅助频带的所述被估计信道特性而不是对所述辅助频带的测量，来选择辅助小区群组(SCG)。
13.根据权利要求12所述的方法，其中，配置报告包括：基于现有信道状态信息(CSI)信号，配置针对所述辅助频带的被估计信道特性的新报告。
14.根据权利要求12所述的方法，其中，配置报告包括：配置新的信道状态信息(CSI)信号和用于所述辅助频带的所述被估计信道特性的新的对应报告。
15.一种用于无线通信的用户设备(UE)，包括：
存储器，以及
可操作地耦合到所述存储器的至少一个处理器，所述存储器和所述至少一个处理器被配置为：
接收请求基于对主频带中的信道的特性进行测量而被估计的辅助频带的信道特性的消息；
测量在所述主频带中的所述信道的特性；
基于所述主频带中的所述信道的被测量特性来估计所述辅助频带的信道特性，所述估计在不测量所述辅助频带中的信号的情况下发生；以及
报告所述辅助频带的被估计信道特性。
16.根据权利要求15所述的UE，其中，所述至少一个处理器还被配置为：接收关于辅助小区群组的指示，所述辅助小区群组是基于所述被估计信道特性而被确定的。
17.根据权利要求15所述的UE，其中，所述主频带中的所述信道的被测量特性是对由非服务小区所发送的信号的测量。
18.根据权利要求17所述的UE，其中，所述非服务小区包括并置的第一无线电接入技术(RAT)的第一基站和第二RAT的第二基站。
19.根据权利要求15所述的UE，其中，所述至少一个处理器还被配置为：基于确定潜在辅助小区群组的被估计信道特性低于阈值，不予考虑所述潜在辅助小区群组。
20.根据权利要求15所述的UE，其中，所述至少一个处理器还被配置为通过以下各项中的至少一项来测量特性：测量所述主频带中的所述信道的参考信号接收功率(RSRP)、执行所述主频带中的所述信道的信道估计，测量所述主频带中的所述信道的信道脉冲响应(CIR)，测量所述主频带中的所述信道的离开角，测量所述主频带中的所述信道的到达角，测量所述主频带中的所述信道的信道路径延迟，确定用户设备(UE)位置，以及分析所述主频带中的所述信道的功率延迟简档。
21.根据权利要求15所述的UE，其中，所述至少一个处理器还被配置为：
基于现有信道状态信息(CSI)信号和在无线电资源配置(RRC)消息中从主基站接收到的报告配置，来报告所述辅助频带的所述被估计信道特性；以及
基于所述现有CSI信号，来报告对所述主频带中的所述信道的所述特性的测量。
22.根据权利要求15所述的UE，其中，所述至少一个处理器还被配置为：
基于第一类型的信道状态信息(CSI)信号，来报告对所述主频带中的所述信道的所述特性的测量；以及
基于第二类型的CSI信号和报告配置，来报告所述辅助频带的所述被估计信道特性，所述报告配置是在无线电资源控制(RRC)消息中从主基站接收的并且对应于所述第二类型的CSI信号。
23.根据权利要求15所述的UE，其中，所述至少一个处理器还被配置为：通过报告所述被估计信道特性应用于的频带的列表，来报告所述被估计信道特性。
24.根据权利要求15所述的UE，其中，所述主频带的频率低于所述辅助频带。
25.根据权利要求15所述的UE，其中，所述至少一个处理器还被配置为：利用神经网络处理进行估计。
26.一种用于无线通信的基站，包括：
存储器，以及
可操作地耦合到所述存储器的至少一个处理器，所述存储器和所述至少一个处理器被配置为：
配置用户设备(UE)以基于对主频带的测量来估计辅助频带的信道特性；
配置对所述辅助频带的被估计信道特性进行报告；以及
基于所述辅助频带的所述被估计信道特性而不是对所述辅助频带的测量，来选择辅助小区群组(SCG)。
27.根据权利要求26所述的基站，其中，所述至少一个处理器还被配置为：基于现有信道状态信息(CSI)信号来配置针对所述辅助频带的被估计信道特性的新报告。
28.根据权利要求26所述的基站，其中，所述至少一个处理器还被配置为：配置新的信道状态信息(CSI)信号和用于所述辅助频带的所述被估计信道特性的新的对应报告。
CN202180010804.8A 2020-01-31 2021-01-25 基于主频带测量的辅助小区群组选择 Pending CN115039434A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202062968965P 2020-01-31 2020-01-31
US62/968,965 2020-01-31
US17/155,888 2021-01-22
US17/155,888 US11722921B2 (en) 2020-01-31 2021-01-22 Secondary cell group selection based on primary frequency band measurements
PCT/US2021/014941 WO2021154654A1 (en) 2020-01-31 2021-01-25 Secondary cell group selection based on primary frequency band measurements

Publications (1)

Publication Number Publication Date
CN115039434A true CN115039434A (zh) 2022-09-09

Family

ID=77062364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180010804.8A Pending CN115039434A (zh) 2020-01-31 2021-01-25 基于主频带测量的辅助小区群组选择

Country Status (4)

Country Link
US (1) US11722921B2 (zh)
EP (1) EP4098017A1 (zh)
CN (1) CN115039434A (zh)
WO (1) WO2021154654A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8238929B2 (en) * 2009-12-03 2012-08-07 Marvell World Trade Ltd. RSSI estimation in multi-technology communication terminals
EP2658160B1 (en) * 2012-04-27 2015-08-12 Alcatel Lucent Channel estimation for a secondary carrier in lte applying carrier aggregation
EP2848031B1 (en) * 2012-05-11 2018-12-12 Telefonaktiebolaget LM Ericsson (publ) Channel quality reporting in a communications system
EP3017623B1 (en) 2013-07-02 2017-11-08 Nokia Technologies OY Method and apparatus of switching communications from a first channel to a second channel of higher-frequency
US20150038140A1 (en) * 2013-07-31 2015-02-05 Qualcomm Incorporated Predictive mobility in cellular networks
US10149214B2 (en) * 2014-02-03 2018-12-04 Telefonaktiebolaget Lm Ericsson (Publ) Secondary cell selection based on geographic signatures
US10673546B2 (en) * 2018-09-27 2020-06-02 Nokia Solutions And Networks Oy Scell selection and optimization for telecommunication systems

Also Published As

Publication number Publication date
US20210243631A1 (en) 2021-08-05
WO2021154654A1 (en) 2021-08-05
EP4098017A1 (en) 2022-12-07
US11722921B2 (en) 2023-08-08

Similar Documents

Publication Publication Date Title
US20210326701A1 (en) Architecture for machine learning (ml) assisted communications networks
WO2021208061A1 (en) Configurable neural network for channel state feedback (csf) learning
CN115136518A (zh) 信道状态信息(csi)学习
US11616582B2 (en) Neural network-based spatial inter-cell interference learning
KR20230054834A (ko) 채널 상태 정보를 사용하는 딥 신경망에서의 동시적 위치 측정 및 매핑을 위한 비지도 학습
US11968541B2 (en) Spectrum sharing with deep reinforcement learning (RL)
CN115428383B (zh) 基于频带间参考信号来估计无线电频带的特征
US20240129844A1 (en) Cross-node deep learning methods of selecting machine learning modules in wireless communication systems
EP4302545A1 (en) Machine learning aided location-based downlink interference assistance information
US20220124634A1 (en) Machine learning-based power control
US11456834B2 (en) Adaptive demodulation reference signal (DMRS)
JP2023531397A (ja) ワイヤレスチャネル推定および追跡のためのニューラルネットワーク拡張
US11722921B2 (en) Secondary cell group selection based on primary frequency band measurements
WO2023070486A1 (en) Channel state feedback for reduced resource consumption reference signals
WO2023077349A1 (en) Machine learning-based channel state information (csi) reporting
US20230021835A1 (en) Signaling for additional training of neural networks for multiple channel conditions
WO2023070497A1 (en) Neural network structure for feedback of orthogonal precoding information
US20230297825A1 (en) Weighted average federated learning based on neural network training loss
CN118235348A (zh) 基于瓶颈频带的信道状态估计
WO2023076047A1 (en) Bottleneck band-based channel state estimation

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