CN115118379A - 模型训练方法、信道调整方法、电子设备、可读存储介质 - Google Patents
模型训练方法、信道调整方法、电子设备、可读存储介质 Download PDFInfo
- Publication number
- CN115118379A CN115118379A CN202110299486.3A CN202110299486A CN115118379A CN 115118379 A CN115118379 A CN 115118379A CN 202110299486 A CN202110299486 A CN 202110299486A CN 115118379 A CN115118379 A CN 115118379A
- Authority
- CN
- China
- Prior art keywords
- information
- data transmission
- historical
- prediction model
- information corresponding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 171
- 238000012549 training Methods 0.000 title claims abstract description 144
- 230000005540 biological transmission Effects 0.000 claims abstract description 230
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims description 51
- 238000005259 measurement Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 11
- 238000010200 validation analysis Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims 4
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0058—Allocation criteria
- H04L5/006—Quality of the received signal, e.g. BER, SNR, water filling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
- H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
- H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
- H04L1/0004—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes applied to control information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
- H04L1/001—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding applied to control information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0061—Error detection codes
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种模型训练方法、信道调整方法、电子设备、可读存储介质,模型训练方法包括:采集历史样本;其中,所述历史样本包括:历史数据传输对应的第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;根据所述历史样本进行模型训练得到第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息转换为所述历史数据传输对应的第二信息,将所述历史数据传输对应的第二信息作为所述第一预测模型的输出;所述第二信息用于表征循环冗余校验结果的概率值。
Description
技术领域
本申请实施例涉及通信和数据处理领域,特别涉及模型训练方法、信道调整方法、电子设备、可读存储介质。
背景技术
自适应编码调制(AMC,Adaptive Modulation and Coding)是一种以链路物理层为基础的关键技术,上行链路AMC方案与下行链路AMC方案是相似的,即基站通过当前信道质量的测量,计算相应的自适应参数,并获得信道状态信息反馈给用户,以便用户用于下一次最优传输参数的配置。
AMC的核心是在给定的资源与信道环境下,选择最适合信道传输条件的最优调制和编码方式(MCS,Modulation and Coding),充分利用有限的资源以应对信道变化带来的影响,在满足系统误块率(Block Error Rate)要求的条件下,获得最大的吞吐量性能。
一般地,MCS的选择与实际的通信信道条件是密切相关的:如果通信信道条件好,则可以使用较高的MCS,从而提升系统吞吐量;反之,如果通信信道条件差,则需要使用较低的MCS,以增加传输的可靠性。所以MCS的确定直接影响系统吞吐量性能。
采用目前MCS的选择方式所选择的MCS并不是最优MCS。
发明内容
本申请实施例提供一种模型训练方法、信道调整方法和装置、电子设备、介质。
第一方面,本申请实施例提供一种模型训练方法,包括:
采集历史样本;其中,所述历史样本包括:历史数据传输对应的第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;
根据所述历史样本进行模型训练得到第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息转换为所述历史数据传输对应的第二信息,将所述历史数据传输对应的第二信息作为所述第一预测模型的输出;所述第二信息用于表征循环冗余校验结果的概率值。
第二方面,本申请实施例提供一种信道调整方法,包括:
采集当前数据传输对应的第二调度信息;其中,所述第二调度信息包括:自适应编码调制过程的第二中间变量信息;
将所述第二调度信息输入到训练好的第一预测模型中,得到所述当前数据传输对应的第二信息;其中,所述第二信息用于表征循环冗余校验结果的概率值;
在所述当前数据传输对应的第二信息大于或等于第二预设阈值,且小于或等于第三预设阈值的情况下,输出第二中间变量信息。
第三方面,本申请实施例提供一种信道调整方法,包括:
采集当前数据传输对应的第二调度信息;其中,所述第二调度信息包括:自适应编码调制过程的第二中间变量信息;
遍历所述第二中间变量信息的所有取值,将所述第二调度信息输入到训练好的第一预测模型中,得到所述第二中间变量信息的每一个取值对应的所述当前数据传输对应的第二信息;其中,所述第二信息用于表征循环冗余校验结果的概率值;
从所述第二中间变量信息的所有取值中,选择所述当前数据传输对应的第二信息和目标误块率值之差的绝对值最小的一个取值。
第四方面,本申请实施例提供一种电子设备,包括:
至少一个处理器;
存储器,存储器上存储有至少一个程序,当所述至少一个程序被所述至少一个处理器执行时,实现上述任意一种模型训练方法,或上述任意一种信道调整方法。
第五方面,本申请实施例提供一种可读存储介质,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实现上述任意一种模型训练方法,或上述任意一种信道调整方法。
本申请实施例提供的模型训练方法,基于历史样本进行模型训练得到第一预测模型,使得后续信道调整过程中能够基于第一预测模型对循环冗余校验结果的概率值进行预测,并基于预测的概率值进行信道调整,而不需要基于最近一次循环冗余校验结果来进行信道调整,也就是说为后续信道调整奠定了基础。
本申请实施例提供的信道调整方法,基于第一预测模型对循环冗余校验结果的概率值进行预测,并基于预测的概率值进行信道调整,而不需要基于最近一次循环冗余校验结果来进行信道调整,从而能够得到下一次数据传输对应的第二中间变量信息的最优取值,进而得到最优MCS,提高了信道调整的实时性,提高了系统性能。
附图说明
图1为本申请一个实施例提供的模型训练方法的流程图;
图2为本申请另一个实施例提供的信道调整方法的流程图;
图3为本申请另一个实施例提供的信道调整方法的流程图;
图4为本申请实施例的示例1提供的信道调整方法的流程图;
图5为本申请实施例的示例1中验证集中的过滤后的历史样本对应的第一信息和第二信息对比示意图;
图6为本申请实施例的示例2提供的信道调整方法的流程图;
图7为本申请实施例的示例3提供的信道调整方法的流程图;
图8为本申请实施例的示例4提供的信道调整方法的流程图;
图9为本申请另一个实施例提供的模型训练装置的组成框图;
图10为本申请另一个实施例提供的信道调整装置的组成框图;
图11为本申请另一个实施例提供的信道调整装置的组成框图。
具体实施方式
为使本领域的技术人员更好地理解本申请的技术方案,下面结合附图对本申请提供的模型训练方法、信道调整方法、电子设备、可读存储介质进行详细描述。
在下文中将参考附图更充分地描述示例实施例,但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之,提供这些实施例的目的在于使本申请透彻和完整,并将使本领域技术人员充分理解本申请的范围。
在不冲突的情况下,本申请各实施例及实施例中的各特征可相互组合。
如本文所使用的,术语“和/或”包括至少一个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例,且不意欲限制本申请。如本文所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。还将理解的是,当本说明书中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加至少一个其它特征、整体、步骤、操作、元件、组件和/或其群组。
除非另外限定,否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本申请的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本文明确如此限定。
目前的AMC方案中,先定义一个信道质量测量指标,或者称之为信道状态信息(CSI,Channel State Information),在无线通信系统中,一般采用信噪比(SINR,Singleto Interference plus Noise Ratio)作为信道质量测量指标,SINR和MCS之间存在映射关系,可以将SINR看做是MCS的控制参数。
目前的信道调整方法大致包括:
接收端测量SINR;接收端根据最近一次数据传输的循环冗余校验(CRC,CyclicRedundancy Check)结果调整测量的SINR;接收端基于调整后的SINR和映射关系选择对应的MCS;接收端将选择的MCS反馈给发送端。
目前的信道调整方法存在以下几个问题:
(1)信道质量测量指标并不能全面地反映信道的状态,因为此时链路的性能与许多系统参数有关,仅仅参考信道质量测量指标可能会造成信道质量的错误判断;
(2)信道质量测量指标的反馈存在时延性,基站难以得到精确的实施CSI,也就是说反馈的CSI并不能完全表征下一时刻的信道环境,所以根据当前信道状态信息选择的MCS可能并不是下一次传输参数的最优配置,从而削弱了系统性能。
(3)根据实际CRC结果以一个固定步长作为调整量来调整测量的SINR,难以快速跟踪信道状态等外部环境变化。
图1为本申请一个实施例提供的模型训练方法的流程图。
第一方面,参照图1,本申请一个实施例提供一种模型训练方法,包括:
步骤100、采集历史样本;其中,所述历史样本包括:历史数据传输对应的第一调度信息和第一信息,所述第一信息用于表征循环冗余校验(CRC,Cyclic Redundancy Check)结果;所述第一调度信息包括:AMC过程的第一中间变量信息。
在本申请实施例中,采集的历史样本需要满足多样性要求,要尽可能覆盖小区的所有数据特点,保证训练的模型可以收敛。
在本申请实施例中,第一信息包括:用于表征CRC成功的信息或者用于表征CRC失败的信息。针对某一次历史数据传输,在该次历史数据传输的CRC成功的情况下,第一信息用于表征CRC成功;在该次历史数据传输的CRC失败的情况下,第一信息用于表征CRC失败。
在本申请实施例中,不同历史样本中的第一信息所表征的含义可能相同,也可能不同。也就是说,某些历史样本中的第一信息用于表征CRC成功,另一些历史样本中的第一信息用于表征CRC失败。
在一些示例性实施例中,在某一次历史数据传输的CRC成功的情况下,第一信息用第一数值表示,用于表征CRC成功;在某一次历史数据传输的CRC失败的情况下,第一信息用第二数值表示,用于表征CRC失败。
例如,第一数值为1,第二数值为0;或者,第一数值为0,第二数值为1。
在本申请实施例中,第一调度信息用于描述在进行历史数据传输过程中影响信道质量的调度信息。
在本申请实施例中,AMC过程的第一中间变量信息为信道调整过程中需要确定的变量信息。
在一些示例性实施例中,AMC过程的第一中间变量信息包括以下任意一个:所述历史数据传输对应的第一调制和编码方式(MCS,Modulation and Coding)、所述历史数据传输对应的第一信噪比(SINR,Single to Interference plus Noise Ratio)。
在本申请实施例中,在将SINR作为信道调整过程中需要确定的变量信息的情况下,在实现信道调整的过程中不需要改变原始AMC流程;在将MCS作为信道调整过程中需要确定的变量的情况下,在实现信道调整的过程中需要改变原始AMC流程。
在一些示例性实施例中,所述第一调度信息还包括以下至少之一:调度所述历史数据传输的第一资源块(RB,Resource Block)信息、调度所述历史数据传输的第一时隙(slot)信息。
在本申请实施例中,调度历史数据传输的第一RB信息是指进行历史数据传输所占用的RB信息,例如RB数、RB位置等。
在本申请实施例中,调度历史数据传输的第一slot信息是指进行历史数据传输所占用的slot信息,例如slot数、slot位置等。
在一些示例性实施例中,所述历史样本还包括:第一外部环境信息;
相应的,在模型训练过程中将所述第一调度信息和所述第一外部环境信息作为所述第一预测模型的输入。
在本申请实施例中,第一外部环境信息用于描述在进行历史数据传输过程中影响信道质量的外部环境信息。
在一些示例性实施例中,所述第一外部环境信息包括以下至少之一:所述历史数据传输的接收终端的第一芯片类型、所述历史数据传输的发送终端和接收终端之间的第一路损、历史数据传输的发送终端和接收终端之间的第一空口测量信息、历史数据传输的发送终端的第一功率余量。
在本申请实施例中,第一空口测量信息例如可以是历史数据传输的发送终端的发射功率、或进行历史数据传输过程中的小区间干扰信息。
步骤101、根据所述历史样本进行模型训练得到第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息转换为所述历史数据传输对应的第二信息,将所述历史数据传输对应的第二信息作为所述第一预测模型的输出;所述第二信息用于表征CRC结果的概率值。
在本申请实施例中,第二信息包括:表征CRC成功的概率值或者表征CRC失败的概率值。
在本申请实施例中,将历史样本的第一调度信息输入到第一预测模型中可以得到历史样本对应的第二信息,不同历史样本对应的第二信息所表征的含义相同。也就是说,所有历史样本对应的第二信息要么用于表征CRC成功的概率值,要么用于表征CRC失败的概率值。
在本申请实施例中,历史样本中的第一信息实际上可以转换成历史样本对应的第二信息。针对某一次历史数据传输,在该次历史数据传输的CRC成功的情况下,可以认为该次历史数据传输的CRC成功的概率为100%,该次历史数据传输的CRC失败的概率为0%;在该次历史数据传输的CRC失败的情况下,可以认为该次历史数据传输的CRC成功的概率为0%,该次历史数据传输的CRC失败的概率为100%。
在本申请实施例中,可以不对历史样本做任何处理,直接根据历史样本进行模型训练得到第一预测模型;也可以对历史样本进行过滤,根据过滤后的历史样本进行模型训练得到第一预测模型。
在一些示例性实施例中,对历史样本进行过滤是指过滤掉属于保守调度和重传的历史样本。这是因为保守调度和重传的历史样本不能准确体现信道质量,将保守调度和重传的历史样本过滤掉能够提高模型训练的准确性。
在本申请实施例中,在采集的历史样本不包括保守调度和重传的历史样本,或者在采集历史样本过程中,已经丢弃保守调度和重传的历史样本的情况下,可以不对历史样本做任何处理,直接根据历史样本进行模型训练得到第一预测模型。
在一些示例性实施例中,保守调度和重传的数据在传输过程中均有对应的标识,通过对标识的识别即可获知是否是保守调度和重传的数据。
下面分别对这两种情况进行描述。
情况一、不对历史样本做任何处理,直接根据历史样本进行模型训练得到第一预测模型。
在本申请实施例中,可以采用多种方法进行模型训练,例如采用以下任意一种方法进行模型训练,具体的模型训练方法不用于限定本申请实施例的保护范围。
下面列举几种可实现的模型训练方法。
方法一、采用机器学习方法进行模型训练。
在一些示例性实施例中,根据历史样本进行模型训练得到第一预测模型包括:
将所述历史样本划分为训练集和验证集;
根据所述训练集进行模型训练得到第二预测模型;
采用所述验证集对所述第二预测模型进行验证;
在验证通过的情况下,将所述第二预测模型作为所述第一预测模型。
在一些示例性实施例中,可以根据训练集训练分类器得到第二预测模型,即第二预测模型为决策树分类器。
在一些示例性实施例中,分类器可以是采用随机森林等决策树为基础的衍生算法实现的决策树分类器,也可以是采用神经网络为基础的分类算法实现的分类器,具体采用哪种算法实现不用于限定本申请实施例的保护范围,这里不再赘述。
在一些示例性实施例中,根据所述训练集进行模型训练得到第二预测模型可以将第一信息作为分类标签,将基尼系数、信息熵或相对熵中的任意一个作为训练的目标函数进行模型训练得到第二预测模型。
在一些示例性实施例中,在验证不通过的情况下,所述根据历史样本进行模型训练得到第一预测模型还包括:继续执行所述采集历史样本的步骤,直到验证通过。
在本申请实施例中,在对第二预测模型验证通过的情况下,说明训练集的历史样本已满足多样性要求,即第二预测模型已经收敛,将第二预测模型输出即可;在对第二预测模型验证不通过的情况下,说明训练集的历史样本不满足多样性要求,即第二预测模型没有收敛,这种情况下需要重新采集历史样本重新进行模型训练。也就是说,本申请通过多次尝试采集新的历史样本来保证采集的历史样本的多样性。
在本申请实施例中,由于模型训练过程中是将历史样本中的第一信息转换成历史数据传输对应的第二信息,将历史数据传输对应的第二信息作为第二预测模型的输出,因此,需要专门设计一种方式来对第二预测模型进行验证。
在一些示例性实施例中,采用验证集对第二预测模型进行验证包括:
分别将所述验证集中的每一个历史样本的所述第一调度信息输入到所述第二预测模型中,得到每一个历史样本对应的第二信息;
将所述验证集按照历史样本对应的第二信息进行分组;
在所有分组均满足预设条件的情况下,验证通过;
在至少一个分组不满足预设条件的情况下,验证不通过;
其中,某一个分组满足预设条件包括:所述某一个分组对应的概率值均值和统计得到的所述某一个分组对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;
其中,所述某一个分组对应的概率值均值为所述某一个分组中的所有历史样本对应的第二信息的均值;
所述某一个分组对应的第二信息根据所述某一个分组中的所有历史样本的所述第一信息统计得到。
在一些示例性实施例中,将验证集按照历史样本对应的第二信息进行分组包括:
将验证集中,对应的第二信息位于同一取值区间内的历史样本划分为同一分组。
例如,将验证集中,对应的第二信息小于或等于7%的历史样本划分为组0;将验证集中,对应的第二信息大于7%,且小于或等于13%的历史样本划分为组1;将验证集中,对应的第二信息大于13%的历史样本划分为组2。
在一些示例性实施例中,某一个分组对应的第二信息为:
某一个分组中第一信息为用于表征CRC成功的历史样本数量和某一个分组中所有历史样本数量的比值;
或者,某一个分组中第一信息为用于表征CRC失败的历史样本数量和某一个分组中所有历史样本数量的比值。
需要说明的是,在第二信息用于表征CRC成功的概率值的情况下,某一个分组对应的第二信息为某一个分组中第一信息用于表征CRC成功的历史样本数量和某一个分组中所有历史样本数量的比值;在第二信息用于表征CRC失败的概率值的情况下,某一个分组对应的第二信息为某一个分组中第一信息用于表征CRC失败的历史样本数量和某一个分组中所有历史样本数量的比值。
例如,上述3个分组对应的概率值均值和统计得到的第二信息如表1所示。
表1
从表1中的数据可以计算得到组0对应的概率值均值和统计得到的组0对应的第二信息之间的差值的绝对值为0.002012,即0.2012%;组1对应的概率值均值和统计得到的组1对应的第二信息之间的差值的绝对值为0.017698,即1.7698%;组2对应的概率值均值和统计得到的组2对应的第二信息之间的差值的绝对值为0.027541,即2.7541%;可见,三组的差值的绝对值的均值均小于3%,认为第二预测模型已经满足预设条件,直接输出第二预测模型作为第一预测模型。
方法二、采用聚类分析方法进行模型训练。
在一些示例性实施例中,根据历史样本进行模型训练得到第一预测模型包括:
对历史样本进行聚类分析得到M个类别;其中,M为大于或等于1的整数;
对于每一个类别,根据所述类别中的历史样本的第一信息计算所述类别对应的第二信息。
在一些示例性实施例中,对历史样本进行聚类分析得到M个类别包括:
初始化M个中心;
分别计算每一个历史样本和M个中心之间的距离;
分别将每一个历史样本分配到距离最近的中心;
重新计算M个中心的均值,分别将每一个中心的均值作为新的中心,继续执行分别计算每一个历史样本和M个中心之间的距离的步骤,直到满足退出条件。
退出条件可以是指M个中心均不再发生变化,或者变化很小,或者达到预设循环次数等等,具体不用于限定本申请实施例的保护范围,这里不再赘述。
在一些示例性实施例中,根据所述类别中的历史样本的第一信息计算所述类别对应的第二信息包括:
确定类别对应的第二信息为:
该类别中第一信息为用于表征CRC成功的历史样本数量和该类别中所有历史样本数量的比值;
或者,该类别中第一信息为用于表征CRC失败的历史样本数量和该类别中所有历史样本数量的比值。
需要说明的是,在第二信息用于表征CRC成功的概率值的情况下,某一个类别对应的第二信息为某一个类别中第一信息用于表征CRC成功的历史样本数量和某一个类别中所有历史样本数量的比值;在第二信息用于表征CRC失败的概率值的情况下,某一个类别对应的第二信息为某一个类别中第一信息用于表征CRC失败的历史样本数量和某一个类别中所有历史样本数量的比值。
情况二、对历史样本进行过滤,根据过滤后的历史样本进行模型训练得到第一预测模型。
在本申请实施例中,可以采用多种方法进行模型训练,例如采用以下任意一种方法进行模型训练,具体的模型训练方法不用于限定本申请实施例的保护范围。
下面列举几种可实现的模型训练方法。
方法一、采用机器学习方法进行模型训练。
在一些示例性实施例中,根据过滤后的历史样本进行模型训练得到第一预测模型包括:
将所述过滤后的历史样本划分为训练集和验证集;
根据所述训练集进行模型训练得到第二预测模型;
采用所述验证集对所述第二预测模型进行验证;
在验证通过的情况下,将所述第二预测模型作为所述第一预测模型。
在一些示例性实施例中,可以根据训练集训练分类器得到第二预测模型,即第二预测模型为决策树分类器。
在一些示例性实施例中,分类器可以是采用随机森林等决策树为基础的衍生算法实现的决策树分类器,也可以是采用神经网络为基础的分类算法实现的分类器,具体采用哪种算法实现不用于限定本申请实施例的保护范围,这里不再赘述。
在一些示例性实施例中,根据所述训练集进行模型训练得到第二预测模型可以将第一信息作为分类标签,将基尼系数、信息熵或相对熵中的任意一个作为训练的目标函数进行模型训练得到第二预测模型。
在一些示例性实施例中,在验证不通过的情况下,所述根据过滤后的历史样本进行模型训练得到第一预测模型还包括:继续执行所述采集历史数据传输对应的历史样本的步骤,直到验证通过。
在本申请实施例中,在对第二预测模型验证通过的情况下,说明训练集的历史样本已满足多样性要求,即第二预测模型已经收敛,将第二预测模型输出即可;在对第二预测模型验证不通过的情况下,说明训练集的历史样本不满足多样性要求,即第二预测模型没有收敛,这种情况下需要重新采集历史样本重新进行模型训练。也就是说,本申请通过多次尝试采集新的历史样本来保证采集的历史样本的多样性。
在本申请实施例中,由于模型训练过程中是将历史样本中的第一信息转换成历史数据传输对应的第二信息,将历史数据传输对应的第二信息作为第二预测模型的输出,因此,需要专门设计一种方式来对第二预测模型进行验证。
在一些示例性实施例中,采用验证集对第二预测模型进行验证包括:
分别将所述验证集中的每一个所述过滤后的历史样本的所述第一调度信息输入到所述第二预测模型中,得到每一个所述过滤后的历史样本对应的第二信息;
将所述验证集按照所述过滤后的历史样本对应的第二信息进行分组;
在所有分组均满足预设条件的情况下,验证通过;
在至少一个分组不满足预设条件的情况下,验证不通过;
其中,某一个分组满足预设条件包括:所述某一个分组对应的概率值均值和统计得到的所述某一个分组对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;
其中,所述某一个分组对应的概率值均值为所述某一个分组中的所有所述过滤后的历史样本对应的第二信息的均值;
所述某一个分组对应的第二信息根据所述某一个分组中的所有所述过滤后的历史样本的所述第一信息统计得到。
在一些示例性实施例中,将验证集按照过滤后的历史样本对应的第二信息进行分组包括:
将验证集中,对应的第二信息位于同一取值区间内的过滤后的历史样本划分为同一分组。
例如,将验证集中,对应的第二信息小于或等于7%的过滤后的历史样本划分为组0;将验证集中,对应的第二信息大于7%,且小于或等于13%的过滤后的历史样本划分为组1;将验证集中,对应的第二信息大于13%的过滤后的历史样本划分为组2。
在一些示例性实施例中,某一个分组对应的第二信息为:
某一个分组中第一信息为用于表征CRC成功的过滤后的历史样本数量和某一个分组中所有过滤后的历史样本数量的比值;
或者,某一个分组中第一信息为用于表征CRC失败的过滤后的历史样本数量和某一个分组中所有过滤后的历史样本数量的比值。
需要说明的是,在第二信息用于表征CRC成功的概率值的情况下,某一个分组对应的第二信息为某一个分组中第一信息用于表征CRC成功的过滤后的历史样本数量和某一个分组中所有过滤后的历史样本数量的比值;在第二信息用于表征CRC失败的概率值的情况下,某一个分组对应的第二信息为某一个分组中第一信息用于表征CRC失败的过滤后的历史样本数量和某一个分组中所有过滤后的历史样本数量的比值。
例如,上述3个分组对应的概率值均值和统计得到的第二信息如表1所示。
从表1中的数据可以计算得到组0对应的概率值均值和统计得到的组0对应的第二信息之间的差值的绝对值为0.002012,即0.2012%;组1对应的概率值均值和统计得到的组1对应的第二信息之间的差值的绝对值为0.017698,即1.7698%;组2对应的概率值均值和统计得到的组2对应的第二信息之间的差值的绝对值为0.027541,即2.7541%;可见,三组的差值的绝对值的均值均小于3%,认为第二预测模型已经满足预设条件,直接输出第二预测模型作为第一预测模型。
方法二、采用聚类分析方法进行模型训练。
在一些示例性实施例中,根据过滤后的历史样本进行模型训练得到第一预测模型包括:
对所述过滤后的历史样本进行聚类分析得到M个类别;其中,M为大于或等于1的整数;
对于每一个类别,根据所述类别中的所述过滤后的历史样本的第一信息计算所述类别对应的第二信息。
在一些示例性实施例中,对过滤后的历史样本进行聚类分析得到M个类别包括:
初始化M个中心;
分别计算每一个过滤后的历史样本和M个中心之间的距离;
分别将每一个过滤后的历史样本分配到距离最近的中心;
重新计算M个中心的均值,分别将每一个中心的均值作为新的中心,继续执行分别计算每一个过滤后的历史样本和M个中心之间的距离的步骤,直到满足退出条件。
退出条件可以是指M个中心均不再发生变化,或者变化很小,或者达到预设循环次数等等,具体不用于限定本申请实施例的保护范围,这里不再赘述。
在一些示例性实施例中,根据所述类别中的所述过滤后的历史样本的第一信息计算所述类别对应的第二信息包括:
确定类别对应的第二信息为:
该类别中第一信息为用于表征CRC成功的过滤后的历史样本数量和该类别中所有过滤后的历史样本数量的比值;
或者,该类别中第一信息为用于表征CRC失败的过滤后的历史样本数量和该类别中所有过滤后的历史样本数量的比值。
需要说明的是,在第二信息用于表征CRC成功的概率值的情况下,某一个类别对应的第二信息为某一个类别中第一信息用于表征CRC成功的过滤后的历史样本数量和某一个类别中所有过滤后的历史样本数量的比值;在第二信息用于表征CRC失败的概率值的情况下,某一个类别对应的第二信息为某一个类别中第一信息用于表征CRC失败的过滤后的历史样本数量和某一个类别中所有过滤后的历史样本数量的比值。
本申请实施例提供的模型训练方法,基于历史数据传输对应的历史样本进行模型训练得到第一预测模型,使得后续信道调整过程中能够基于第一预测模型对循环冗余校验结果的概率值进行预测,并基于预测的概率值进行信道调整,而不需要基于最近一次循环冗余校验结果来进行信道调整,也就是说为后续信道调整奠定了基础。
在一些示例性实施例中,历史样本包括第一调度信息、第一外部环境信息和第一信息,将第一调度信息和第一外部环境信息作为第一预测模型的输入,也就是通过第一调度信息和第一外部环境信息更加全面的反映信道状态,从而提高信道质量判断的准确率。
图2为本申请另一个实施例提供的信道调整方法的流程图。
第二方面,参照图2,本申请另一个实施例提供一种信道调整方法,包括:
步骤200、采集当前数据传输对应的第二调度信息;其中,所述第二调度信息包括:AMC过程的第二中间变量信息。
在一些示例性实施例中,当前数据传输是指除保守调度和重传的数据的传输。
在本申请实施例中,第二调度信息用于描述在进行当前数据传输过程中影响信道质量的调度信息。
在本申请实施例中,AMC过程的第二中间变量信息为信道调整过程中需要确定的变量信息。
在一些示例性实施例中,AMC过程的第二中间变量信息包括以下任意一个:当前数据传输对应的第二MCS、当前数据传输对应的第二SINR。
在本申请实施例中,在将SINR作为信道调整过程中需要确定的变量信息的情况下,在实现信道调整的过程中不需要改变原始AMC流程;在将MCS作为信道调整过程中需要确定的变量的情况下,在实现信道调整的过程中需要改变原始AMC流程。
在一些示例性实施例中,所述第二调度信息还包括以下至少之一:调度当前数据传输的第二RB信息、调度当前数据传输的第二时隙(slot)信息。
在本申请实施例中,调度当前数据传输的第二RB信息是指进行当前数据传输所占用的RB信息,例如RB数、RB位置等。
在本申请实施例中,调度当前数据传输的第二slot信息是指进行当前数据传输所占用的slot信息,例如slot数、slot位置等。
在一些示例性实施例中,采集当前数据传输对应的第二调度信息包括:采集所述当前数据传输对应的第二调度信息和第二外部环境信息。
在本申请实施例中,第二外部环境信息用于描述在进行当前数据传输过程中影响信道质量的外部环境信息。
在一些示例性实施例中,第二外部环境信息包括以下至少之一:所述当前数据传输的接收终端的第二芯片类型、所述当前数据传输的发送终端和接收终端之间的第二路损、所述当前数据传输的发送终端和接收终端之间的第二空口测量信息、所述当前数据传输的发送终端的第二功率余量。
在本申请实施例中,第二空口测量信息例如可以是当前数据传输的发送终端的发射功率、或进行当前数据传输过程中的小区间干扰信息。
步骤201、将所述第二调度信息输入到训练好的第一预测模型中,得到所述当前数据传输对应的第二信息;其中,所述第二信息用于表征CRC结果的概率值。
在本申请实施例中,第二信息包括:表征CRC成功的概率值或者表征CRC失败的概率值。
在一些示例性实施例中,将第二调度信息输入到训练好的第一预测模型中,得到当前数据传输对应的第二信息包括:
将所述第二调度信息和所述第二外部环境信息输入到所述第一预测模型中,得到所述当前数据传输对应的第二信息。
步骤202、在所述当前数据传输对应的第二信息大于或等于第二预设阈值,且小于或等于第三预设阈值的情况下,输出第二中间变量信息。
在一些示例性实施例中,第二预设阈值小于第三预设阈值。
在一些示例性实施例中,在所述当前数据传输对应的第二信息小于所述第二预设阈值,或所述当前数据传输对应的第二信息大于所述第三预设阈值的情况下,该方法还包括:
根据所述当前数据传输对应的第二信息调整所述第二中间变量信息;
将所述第二中间变量信息替换为所述调整后的第二中间变量信息,继续执行所述将第二调度信息输入到训练好的第一预测模型中,得到当前数据传输对应的第二信息的步骤,直到满足退出循环条件;
其中,所述满足退出循环条件包括以下任意一个:
调整次数大于或等于预先设置的最大调整次数;
所述当前数据传输对应的第二信息大于或等于第二预设阈值,且小于或等于第三预设阈值;
累积调整量大于或等于预先设置的最大累积调整量;其中,所述累积调整量为之前的N次调整对应的调整量之和,N为当前已经调整的次数,某一次调整对应的调整量为某一次调整对应的调整后的第二中间变量信息和调整前的第二中间变量信息之差。
在一些示例性实施例中,根据当前数据传输对应的第二信息调整第二中间变量信息包括:
计算所述当前数据传输对应的第二信息和目标误块率(BLER,Block Error Rate)值之差得到差值;
根据所述差值确定调整步数;
根据所述调整步数确定调整量;
将所述第二中间变量信息加上调整量得到调整后的第二中间变量信息。
在一些示例性实施例中,根据差值确定调整步数包括:
按照公式S=Δb×α计算调整步数;其中,S为调整步数,Δb为计算得到的差值,α为调整灵敏度参数。
在本申请实施例中,第二SINR对应的调整灵敏度参数和第二MCS对应的调整灵敏度参数不同。
在一些示例性实施例中,根据调整步数确定调整量包括:
按照公式Δs1=Δs2×S计算调整量;其中,Δs1为调整量,Δs2为调整步长,S为调整步数。
在本申请实施例中,第二SINR对应的单位步长和第二MCS对应的调整步长不同。
在一些示例性实施例中,在当前数据传输对应的第二信息小于所述第二预设阈值的情况下,Δs2大于0,即增加第二中间变量信息;在当前数据传输对应的第二信息大于所述第三预设阈值的情况下,Δs2小于0,即减少第二中间变量信息。
在一些示例性实施例中,第二中间变量信息为第二SINR;相应的,输出第二中间变量信息后,该方法还包括:根据SINR和MCS之间的映射关系,确定第二SINR对应的MCS。
在一些示例性实施例中,采集当前数据传输对应的第二调度信息之前,该方法还包括:
采集历史样本;其中,所述历史样本包括:历史数据传输对应的第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;
根据所述历史样本进行模型训练得到所述第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息转换为所述历史数据传输对应的第二信息,将所述历史数据传输对应的第二信息作为所述第一预测模型的输出。
在本申请实施例中,采集历史数据传输对应的历史样本;根据历史样本进行模型训练得到第一预测模型的具体实现过程与前述实施例相同,这里不再赘述。
本申请实施例提供的信道调整方法,基于第一预测模型对循环冗余校验结果的概率值进行预测,并基于预测的概率值进行信道调整,而不需要基于最近一次循环冗余校验结果来进行信道调整,从而能够得到下一次数据传输对应的第二中间变量信息的最优取值,进而得到最优MCS,提高了信道调整的实时性,提高了系统性能。
在一些示例性实施例中,采集所述当前数据传输对应的第二调度信息和第二外部环境信息,将所述第二调度信息和所述第二外部环境信息输入到所述第一预测模型中,得到所述当前数据传输对应的第二信息,也就是通过第二调度信息和第二外部环境信息更加全面的反映信道状态,从而提高信道质量判断的准确率。
图3为本申请另一个实施例提供的信道调整方法的流程图。
第三方面,参照图3,本申请另一个实施例提供一种信道调整方法,包括:
步骤300、采集当前数据传输对应的第二调度信息;其中,所述第二调度信息包括:自适应编码调制过程的第二中间变量信息。
在一些示例性实施例中,当前数据传输是指除保守调度和重传的数据的传输。
在本申请实施例中,第二调度信息用于描述在进行当前数据传输过程中影响信道质量的调度信息。
在本申请实施例中,AMC过程的第二中间变量信息为信道调整过程中需要确定的变量信息。
在一些示例性实施例中,AMC过程的第二中间变量信息包括以下任意一个:当前数据传输对应的第二MCS、当前数据传输对应的第二SINR。
在本申请实施例中,在将SINR作为信道调整过程中需要确定的变量信息的情况下,在实现信道调整的过程中不需要改变原始AMC流程;在将MCS作为信道调整过程中需要确定的变量的情况下,在实现信道调整的过程中需要改变原始AMC流程。
在一些示例性实施例中,所述第二调度信息还包括以下至少之一:调度当前数据传输的第二RB信息、调度当前数据传输的第二时隙(slot)信息。
在一些示例性实施例中,采集当前数据传输对应的第二调度信息包括:采集所述当前数据传输对应的第二调度信息和第二外部环境信息。
在本申请实施例中,第二外部环境信息用于描述在进行当前数据传输过程中影响信道质量的外部环境信息。
在一些示例性实施例中,第二外部环境信息包括以下至少之一:所述当前数据传输的接收终端的第二芯片类型、所述当前数据传输的发送终端和接收终端之间的第二路损、当前数据传输的发送终端和接收终端之间的第二空口测量信息、当前数据传输的发送终端的第二功率余量。
在本申请实施例中,第二空口测量信息例如可以是当前数据传输的发送终端的发射功率、或进行当前数据传输过程中的小区间干扰信息。
步骤301、遍历所述第二中间变量信息的所有取值,将所述第二调度信息输入到训练好的第一预测模型中,得到所述第二中间变量信息的每一个取值对应的所述当前数据传输对应的第二信息;其中,所述第二信息用于表征循环冗余校验结果的概率值。
在本申请实施例中,第二信息包括:表征CRC成功的概率值或者表征CRC失败的概率值。
在一些示例性实施例中,将第二调度信息输入到训练好的第一预测模型中,得到所述第二中间变量信息的每一个取值对应的所述当前数据传输对应的第二信息包括:
将所述第二调度信息和所述第二外部环境信息输入到所述第一预测模型中,得到所述第二中间变量信息的每一个取值对应的所述当前数据传输对应的第二信息。
步骤302、从所述第二中间变量信息的所有取值中,选择所述当前数据传输对应的第二信息和目标误块率值之差的绝对值最小的一个取值。
在一些示例性实施例中,采集当前数据传输对应的第二调度信息之前,该方法还包括:
采集历史数据传输对应的历史样本;其中,所述历史样本包括:第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;
根据所述历史样本进行模型训练得到所述第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息作为所述第一预测模型的输出;训练得到的所述第一预测模型的输出为所述第二信息。
在本申请实施例中,采集历史数据传输对应的历史样本;根据历史样本进行模型训练得到第一预测模型的具体实现过程与前述实施例相同,这里不再赘述。
本申请实施例提供的信道调整方法,基于第一预测模型对循环冗余校验结果的概率值进行预测,并基于预测的概率值进行信道调整,而不需要基于最近一次循环冗余校验结果来进行信道调整,从而能够得到下一次数据传输对应的第二中间变量信息的最优取值,进而得到最优MCS,提高了信道调整的实时性,提高了系统性能。
在一些示例性实施例中,采集所述当前数据传输对应的第二调度信息和第二外部环境信息,将所述第二调度信息和所述第二外部环境信息输入到所述第一预测模型中,得到所述第二中间变量信息的每一个取值对应的所述当前数据传输对应的第二信息,也就是通过第二调度信息和第二外部环境信息更加全面的反映信道状态,从而提高信道质量判断的准确率。
下面列举几个具体示例说明本申请实施例的信道调整方法的具体实现过程,所列举的示例仅仅是为了说明方便,不用于限定本申请实施例的保护范围。
示例1
高速场景下的信道质量变化较快,难以进行准确的信道质量预测,传统AMC表现不佳。
本示例以高速场景为例,说明离线阶段的模型训练方法和在线阶段的信道调整方法相结合为每个高速用户实时确定最佳MCS的实施方式,如图4所示。
步骤400、针对小区级方案实施,需要采集一段连续时间内小区内所有用户的历史样本。
其中,历史样本包括:历史数据传输对应的第一调度信息、信道质量相关的第一外部环境信息和第一信息,第一信息用于表征CRC结果;
第一调度信息包括:调度历史数据传输的第一RB数、调度历史数据传输的第一slot数、历史数据传输对应的第一SINR;
第一外部环境信息包括:历史数据传输的发送终端和接收终端之间的第一路损、历史数据传输的发送终端的第一功率余量。
例如,采集的298055个历史样本如表2所示。
表2
步骤401、对历史样本进行过滤,以过滤掉属于保守调度以及重传的历史样本。
例如,如表3所示,过滤掉保守调度和重传的历史样本后,剩余294354条有效历史样本。
表3
步骤402、按照8:2将过滤后历史样本划分为两部分:用于训练模型的训练集和用于验证模型预测能力的验证集。
步骤403、将训练集中的过滤后的历史样本的第一调度信息和第一外部环境信息作为第二预测模型的输入,将训练集中的过滤后的历史样本的第一信息转换为历史数据传输对应的第二信息,将历史数据传输对应的第二信息作为第二预测模型的输出(即以CRC结果为分类标签),选择基尼系数作为目标函数训练第二预测模型,第二信息用于表征CRC失败的概率值。
步骤404、将验证集中的过滤后的历史样本的第一调度信息和第一外部环境信息输入到训练好的第二预测模型中,得到过滤后的历史样本对应的第二信息。
步骤405、将验证集按照过滤后的历史样本对应的第二信息进行分组。例如,将对应的第二信息小于或等于7%的过滤后的历史样本划分到组0,将对应的第二信息大于7%,且小于或等于13%的过滤后的历史样本划分到组1,将对应的第二信息大于13%的过滤后的历史样本划分到组2。
步骤406、判断组0、组1、组2是否均满足预设条件,如果组0、组1、组2均满足预设条件,则执行步骤407;如果组0、组1、组2中任意一组不满足预设条件,则执行步骤400。
其中,组0满足预设条件是指组0对应的概率值均值和统计得到的组0对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;组1满足预设条件是指组1对应的概率值均值和统计得到的组1对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;组2满足预设条件是指组2对应的概率值均值和统计得到的组2对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;
其中,组0对应的概率值均值为组0中所有过滤后的历史样本对应的第二信息的均值;组1对应的概率值均值为组1中所有过滤后的历史样本对应的第二信息的均值;组2对应的概率值均值为组2中所有过滤后的历史样本对应的第二信息的均值;
组0对应的第二信息为组0中第一信息为用于表征CRC失败的过滤后的历史样本数量和组0中所有过滤后的历史样本数量的比值;组1对应的第二信息为组0中第一信息为用于表征CRC失败的过滤后的历史样本数量和组1中所有过滤后的历史样本数量的比值;组2对应的第二信息为组2中第一信息为用于表征CRC失败的过滤后的历史样本数量和组2中所有过滤后的历史样本数量的比值。
如图5所示,采用100个历史样本为例给出了历史样本对应的第一信息和第二信息,图中用柱状代表第一信息,有填充的位置代表第一信息用于表征CRC成功,空白的位置代表第一信息用于表征CRC失败;点线代表第二信息,从图5可以看出第一预测模型将第一信息用于表征CRC失败的历史样本准确地预测出来。
步骤407、将第二预测模型作为第一预测模型,输出第一预测模型。
步骤408、将第一预测模型下发到网元侧,触发原始AMC流程的主动预测功能。
步骤409、设置退出循环条件。
其中,设置退出循环条件包括:最大调整次数:50;最大累积调整量:3264/128DB;CRC失败的概率值在目标BLER范围内[7%,13%]。
步骤410、当高速用户接入,已部署第一预测模型的小区触发主动的第二SINR跟踪,即在原始AMC流程基础上,对AMC的控制变量第二SINR进行循环调整,直到满足退出循环条件,退出调整逻辑,同时输出最匹配当前信道状态的第二SINR值。
具体的,步骤410包括:
步骤41001、采集当前数据传输对应的第二调度信息和第二外部环境信息。
其中,第二调度信息包括:调度当前数据传输的第二RB、调度当前数据传输的第二slot信息、当前数据传输对应的第二SINR。
第二外部环境信息包括:当前数据传输的接收终端的第二芯片类型、所述当前数据传输的发送终端和接收终端之间的第二路损、当前数据传输的发送终端和接收终端之间的第二空口测量信息、当前数据传输的发送终端的第二功率余量。
步骤41002、将第二调度信息和第二外部环境信息输入到训练好的第一预测模型中,得到当前数据传输对应的第二信息,第二信息用于表征CRC失败的概率值。
步骤41003、判断当前数据传输对应的第二信息是否在[7%,13%]范围内,如果是,则执行步骤41004;如果不是,则执行步骤41005。
步骤41004、输出第二SINR作为最匹配当前信道状态的SINR值。
步骤41005、判断当前已调整次数是否大于或等于50;如果是,则执行步骤41004;如果不是,则执行步骤41006。
步骤41006、判断累积调整量是否大于或等于3264/128DB,如果是,则执行步骤41004;如果不是,则执行步骤41007。
步骤41007、计算当前数据传输对应的第二信息和目标误块率值之差得到差值。
步骤41008、按照公式S=Δb×α计算调整步数;其中,S为调整步数,Δb为计算得到的差值,α为调整灵敏度参数。
步骤41009、按照公式Δs1=Δs2×S计算调整量;其中,Δs1为调整量,Δs2为调整步长(本示例中调整步长设置为2/128DB),S为调整步数。
步骤41010、将第二SINR加上Δs1得到调整后的第二SINR。
步骤41011、将第二SINR替换为所述调整后的第二SINR,执行步骤41002。
步骤411、进入原始AMC的查表流程,基于上一步输出的第二SINR值查表得到最佳的第二MCS。
示例2
边缘弱覆盖场景下用户的信道质量测量精度较差,影响信道状态的估计精度,传统AMC表现不佳。
本示例以边缘弱覆盖场景为例,说明第一预测模型的构建、第一预测模型的部署以及基于第一预测模型指导控制参数的调整,最终确定最佳MCS的实施方式,如图6所示。
步骤600、提取系统各小区一段连续时间内用户的历史样本。
其中,历史样本包括:历史数据传输对应的第一调度信息、信道质量相关的第一外部环境信息和第一信息,第一信息用于表征CRC结果;
第一调度信息包括:调度历史数据传输的第一RB数、调度历史数据传输的第一slot数、历史数据传输对应的第一SINR;
第一外部环境信息包括:历史数据传输的发送终端和接收终端之间的第一路损、历史数据传输的发送终端的第一功率余量。
步骤601、分别根据每一个小区的历史样本训练该小区对应的第一预测模型。
步骤602、将各个小区级的第一预测模型部署在基站网元侧。
步骤603、设置退出循环条件,满足下列任一条件即可:
最大调整次数:50;
最大累积调整量:3264/128;
CRC失败的概率值在目标BLER波动可接受范围内[8%,12%]。
步骤604、当小区边缘区域接入用户,系统执行业务调度过程,已部署的第一预测模型的小区触发主动的第二SINR跟踪,即在原始AMC流程基础上,对AMC的控制变量第二SINR进行循环调整,直到满足603的设置条件,退出调整逻辑,同时输出最匹配当前信道状态的第二SINR值。
步骤605、进入原始AMC的查表流程,基于上一步输出的第二SINR值查表得到最佳的第二MCS。
示例3
干扰不连续场景下用户受到的干扰不连续,MCS的波动存在随机性,传统AMC表现不佳。本示例以干扰不连续场景为例,说明第一预测模型的构建、第一预测模型的部署以及第一预测模型指导控制参数的调整的最佳MCS选择策略,如图7所示。
步骤700、针对小区级方案实施,需要采集一段连续时间内小区内所有用户的历史样本。
其中,历史样本包括:历史数据传输对应的第一调度信息、信道质量相关的第一外部环境信息和第一信息,第一信息用于表征CRC结果;
第一调度信息包括:调度历史数据传输的第一RB数、调度历史数据传输的第一slot数、历史数据传输对应的第一SINR;
第一外部环境信息包括:历史数据传输的发送终端和接收终端之间的第一路损、历史数据传输的发送终端的第一功率余量。
步骤701、对历史样本进行过滤,以过滤掉属于保守调度以及重传的历史样本。
步骤702、按照7:3将过滤后历史样本划分为两部分:用于训练模型的训练集和用于验证模型预测能力的验证集。
步骤703、将训练集中的过滤后的历史样本的第一调度信息和第一外部环境信息作为第二预测模型的输入,将训练集中的过滤后的历史样本的第一信息转换成历史数据传输对应的第二信息,将历史数据传输对应的第二信息作为第二预测模型的输出(即以CRC结果为分类标签),选择基尼系数作为目标函数训练第二预测模型,第二信息用于表征CRC失败的概率值。
步骤704、将验证集中的过滤后的历史样本的第一调度信息和第一外部环境信息输入到训练好的第二预测模型中,得到过滤后的历史样本对应的第二信息。
步骤705、将验证集按照过滤后的历史样本对应的第二信息进行分组。例如,将对应的第二信息小于或等于7%的过滤后的历史样本划分到组0,将对应的第二信息大于7%,且小于或等于13%的过滤后的历史样本划分到组1,将对应的第二信息大于13%的过滤后的历史样本划分到组2。
步骤706、判断组0、组1、组2是否均满足预设条件,如果组0、组1、组2均满足预设条件,则执行步骤607;如果组0、组1、组2中任意一组不满足预设条件,则执行步骤600。
其中,组0满足预设条件是指组0对应的概率值均值和统计得到的组0对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;组1满足预设条件是指组1对应的概率值均值和统计得到的组1对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;组2满足预设条件是指组2对应的概率值均值和统计得到的组2对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;
其中,组0对应的概率值均值为组0中所有过滤后的历史样本对应的第二信息的均值;组1对应的概率值均值为组1中所有过滤后的历史样本对应的第二信息的均值;组2对应的概率值均值为组2中所有过滤后的历史样本对应的第二信息的均值;
组0对应的第二信息为组0中第一信息为用于表征CRC失败的过滤后的历史样本数量和组0中所有过滤后的历史样本数量的比值;组1对应的第二信息为组0中第一信息为用于表征CRC失败的过滤后的历史样本数量和组1中所有过滤后的历史样本数量的比值;组2对应的第二信息为组2中第一信息为用于表征CRC失败的过滤后的历史样本数量和组2中所有过滤后的历史样本数量的比值。
步骤707、将第二预测模型作为第一预测模型,输出第一预测模型。
步骤708、将第一预测模型下发到网元侧,触发原始AMC流程的主动预测功能。
步骤709、设置退出循环条件。
其中,设置退出循环条件包括:最大调整次数:100;最大累积调整量:3264/128DB;CRC失败的概率值在目标BLER范围内[8%,12%]。
步骤710、当干扰不连续覆盖下有用户接入,已部署CRC预测模型的小区触发主动的第二SINR跟踪,即在原始AMC流程基础上,对AMC的控制变量第二SINR进行循环调整,直到满足退出循环条件,退出调整逻辑,同时输出最匹配当前信道状态的第二SINR值。
步骤711、进入原始AMC的查表流程,基于上一步输出的第二SINR值查表得到最佳的第二MCS。
示例4
不同芯片类型测量干扰随功率变化规律不一致,不同调度时刻信道状况跟芯片类型相关,传统AMC没有考虑。
本示例以复杂终端芯片类型场景为例,说明第一预测模型的构建、第一预测模型的部署以及基于第一预测模型指导控制参数调整的最佳MCS选择策略,如图8所示。
步骤800、针对小区级方案实施,需要采集一段连续时间内小区内所有用户的历史样本。
其中,历史样本包括:历史数据传输对应的第一调度信息、信道质量相关的第一外部环境信息和第一信息,第一信息用于表征CRC结果;
第一调度信息包括:调度历史数据传输的第一RB数、调度历史数据传输的第一slot数、历史数据传输对应的第一SINR;
第一外部环境信息包括:历史数据传输的接收终端的第一芯片类型、历史数据传输的发送终端和接收终端之间的第一路损、历史数据传输的发送终端的第一功率余量。
步骤801、对历史样本进行过滤,以过滤掉属于保守调度以及重传的历史样本。
步骤802、按照8:2将过滤后历史样本划分为两部分:用于训练模型的训练集和用于验证模型预测能力的验证集。
步骤803、将训练集中的过滤后的历史样本的第一调度信息和第一外部环境信息作为第二预测模型的输入,将训练集中的过滤后的历史样本的第一信息转换成历史数据传输对应的第二信息,将历史数据传输对应的第二信息作为第二预测模型的输出(即以CRC结果为分类标签),选择基尼系数作为目标函数训练第二预测模型,第二信息用于表征CRC失败的概率值。
步骤804、将验证集中的过滤后的历史样本的第一调度信息和第一外部环境信息输入到训练好的第二预测模型中,得到过滤后的历史样本对应的第二信息。
步骤805、将验证集按照过滤后的历史样本对应的第二信息进行分组。例如,将对应的第二信息小于或等于7%的过滤后的历史样本划分到组0,将对应的第二信息大于7%,且小于或等于13%的过滤后的历史样本划分到组1,将对应的第二信息大于13%的过滤后的历史样本划分到组2。
步骤806、判断组0、组1、组2是否均满足预设条件,如果组0、组1、组2均满足预设条件,则执行步骤407;如果组0、组1、组2中任意一组不满足预设条件,则执行步骤400。
其中,组0满足预设条件是指组0对应的概率值均值和统计得到的组0对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;组1满足预设条件是指组1对应的概率值均值和统计得到的组1对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;组2满足预设条件是指组2对应的概率值均值和统计得到的组2对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;
其中,组0对应的概率值均值为组0中所有过滤后的历史样本对应的第二信息的均值;组1对应的概率值均值为组1中所有过滤后的历史样本对应的第二信息的均值;组2对应的概率值均值为组2中所有过滤后的历史样本对应的第二信息的均值;
组0对应的第二信息为组0中第一信息为用于表征CRC失败的过滤后的历史样本数量和组0中所有过滤后的历史样本数量的比值;组1对应的第二信息为组0中第一信息为用于表征CRC失败的过滤后的历史样本数量和组1中所有过滤后的历史样本数量的比值;组2对应的第二信息为组2中第一信息为用于表征CRC失败的过滤后的历史样本数量和组2中所有过滤后的历史样本数量的比值。
步骤807、将第二预测模型作为第一预测模型,输出第一预测模型。
步骤808、将第一预测模型下发到网元侧,触发原始AMC流程的主动预测功能。
步骤809、设置退出循环条件。
其中,设置退出循环条件包括:最大调整次数:150;最大累积调整量:3264/128DB;CRC失败的概率值在目标BLER范围内[6%,14%]。
步骤810、当干扰不连续覆盖下有用户接入,已部署第一预测模型的小区触发主动的第二SINR跟踪,即在原始AMC流程基础上,对AMC的控制变量第二SINR进行循环调整,直到满足退出循环条件,退出调整逻辑,同时输出最匹配当前信道状态的第二SINR值。
步骤811、进入原始AMC的查表流程,基于上一步输出的第二SINR值查表得到最佳的第二MCS。
第四方面,本申请实施例提供一种电子设备,包括:
至少一个处理器;
存储器,存储器上存储有至少一个程序,当至少一个程序被至少一个处理器执行时,实现上述任意一种模型训练方法,或上述任意一种信道调整方法。
其中,处理器为具有数据处理能力的器件,其包括但不限于中央处理器(CPU)等;存储器为具有数据存储能力的器件,其包括但不限于随机存取存储器(RAM,更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)。
在一些实施例中,处理器、存储器通过总线相互连接,进而与计算设备的其它组件连接。
第五方面,本申请实施例提供一种可读存储介质,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实现上述任意一种模型训练方法,或上述任意一种信道调整方法。
图9为本申请另一个实施例提供的模型训练装置的组成框图。
第六方面,参照图9,本申请另一个实施例提供一种模型训练装置,包括:
第一采集模块901,用于采集历史样本;其中,所述历史样本包括:历史数据传输对应的第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;
第一模型训练模块902,用于根据所述历史样本进行模型训练得到第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息转换为所述历史数据传输对应的第二信息,将所述历史数据传输对应的第二信息作为所述第一预测模型的输出;所述第二信息用于表征循环冗余校验结果的概率值。
在一些示例性实施例中,还包括:
过滤模块903,用于对所述历史样本进行过滤;
相应的,第一模型训练模块902具体用于:根据过滤后的历史样本进行模型训练得到所述第一预测模型。
在一些示例性实施例中,第一模型训练模块902具体用于:
将所述历史样本划分为训练集和验证集;
根据所述训练集进行模型训练得到第二预测模型;
采用所述验证集对所述第二预测模型进行验证;
在验证通过的情况下,将所述第二预测模型作为所述第一预测模型。
在一些示例性实施例中,第一模型训练模块902还用于:
在验证不通过的情况下,继续执行所述采集历史样本的步骤,直到验证通过。
在一些示例性实施例中,第一模型训练模块902具体用于采用以下方式实现所述采用验证集对第二预测模型进行验证:
分别将所述验证集中的每一个所述历史样本的所述第一调度信息输入到所述第二预测模型中,得到每一个所述历史样本对应的第二信息;
将所述验证集按照所述历史样本对应的第二信息进行分组;
在所有分组均满足预设条件的情况下,验证通过;
在至少一个分组不满足预设条件的情况下,验证不通过;
其中,某一个分组满足预设条件包括:所述某一个分组对应的概率值均值和统计得到的所述某一个分组对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;
其中,所述某一个分组对应的概率值均值为所述某一个分组中的所有所述历史样本对应的第二信息的均值;
所述某一个分组对应的第二信息根据所述某一个分组中的所有所述历史样本的所述第一信息统计得到。
在一些示例性实施例中,第一模型训练模块902具体用于:
对所述历史样本进行聚类分析得到M个类别;其中,M为大于或等于1的整数;
对于每一个类别,根据所述类别中的所述历史样本的第一信息计算所述类别对应的第二信息。
在一些示例性实施例中,所述历史样本还包括:第一外部环境信息;
相应的,在模型训练过程中将所述第一调度信息和所述第一外部环境信息作为所述第一预测模型的输入。
在一些示例性实施例中,所述第一外部环境信息包括以下至少之一:所述历史数据传输的接收终端的第一芯片类型、所述历史数据传输的发送终端和接收终端之间的第一路损、所述历史数据传输的发送终端和接收终端之间的第一空口测量信息、历史数据传输的发送终端的第一功率余量。
在一些示例性实施例中,所述第一调度信息还包括以下至少之一:调度所述历史数据传输的第一资源块信息、调度所述历史数据传输的第一时隙信息。
在一些示例性实施例中,所述自适应编码调制过程的第一中间变量信息包括以下任意一个:所述历史数据传输对应的第一调制和编码方式、所述历史数据传输对应的第一信噪比。
上述模型训练装置的具体实现过程与前述实施例模型训练方法的具体实现过程相同,这里不再赘述。
图10为本申请另一个实施例提供的信道调整装置的组成框图。
第七方面,参照图10,本申请另一个实施例提供一种信道调整装置,包括:
第二采集模块1001,用于采集当前数据传输对应的第二调度信息;其中,所述第二调度信息包括:自适应编码调制过程的第二中间变量信息;
第一信道调整模块1002,用于:
将所述第二调度信息输入到训练好的第一预测模型中,得到所述当前数据传输对应的第二信息;其中,所述第二信息用于表征循环冗余校验结果的概率值;
在所述当前数据传输对应的第二信息大于或等于第二预设阈值,且小于或等于第三预设阈值的情况下,输出第二中间变量信息。
在一些示例性实施例中,第一信道调整模块1002还用于:
在所述当前数据传输对应的第二信息小于所述第二预设阈值,或所述当前数据传输对应的第二信息大于所述第三预设阈值的情况下,根据所述当前数据传输对应的第二信息调整所述第二中间变量信息;
将所述第二中间变量信息替换为所述调整后的第二中间变量信息,继续执行所述将第二调度信息输入到训练好的第一预测模型中,得到当前数据传输对应的第二信息的步骤,直到满足退出循环条件;
其中,所述满足退出循环条件包括以下任意一个:
调整次数大于或等于预先设置的最大调整次数;
所述当前数据传输对应的第二信息大于或等于第二预设阈值,且小于或等于第三预设阈值;
累积调整量大于或等于预先设置的最大累积调整量;其中,所述累积调整量为之前的N次调整对应的调整量之和,N为当前已经调整的次数,某一次调整对应的调整量为某一次调整对应的调整后的第二中间变量信息和调整前的第二中间变量信息之差。
在一些示例性实施例中,第一信道调整模块1002具体用于采用以下方式实现所述根据当前数据传输对应的第二信息调整第二中间变量信息:
计算所述当前数据传输对应的第二信息和目标误块率值之差得到差值;
根据所述差值确定调整步数;
根据所述调整步数确定调整量;
将所述第二中间变量信息加上调整量得到所述调整后的第二中间变量信息。
在一些示例性实施例中,第二采集模块1001具体用于:采集所述当前数据传输对应的第二调度信息和第二外部环境信息;
相应的,第一信道调整模块1002具体用于采用以下方式实现所述将第二调度信息输入到训练好的第一预测模型中,得到当前数据传输对应的第二信息:将所述第二调度信息和所述第二外部环境信息输入到所述第一预测模型中,得到所述当前数据传输对应的第二信息。
在一些示例性实施例中,所述第二外部环境信息包括以下至少之一:所述当前数据传输的接收终端的第二芯片类型、所述当前数据传输的发送终端和接收终端之间的第二路损、当前数据传输的发送终端和接收终端之间的第二空口测量信息、当前数据传输的发送终端的第二功率余量。
在一些示例性实施例中,所述第二调度信息还包括以下至少之一:调度所述当前数据传输的第二资源块信息、调度所述当前数据传输的第二时隙信息。
在一些示例性实施例中,还包括:
第二模型训练模块1003,用于:
采集历史样本;其中,所述历史样本包括:历史数据传输对应的第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;
根据所述历史样本进行模型训练得到所述第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息转换为所述历史数据传输对应的第二信息,将所述历史数据传输对应的第二信息作为所述第一预测模型的输出。
上述信道调整装置的具体实现过程与前述实施例信道调整方法的具体实现过程相同,这里不再赘述。
图11为本申请另一个实施例提供的信道调整装置的组成框图。
第八方面,参照图11,本申请另一个实施例提供一种信道调整装置,包括:
第三采集模块1101,用于采集当前数据传输对应的第二调度信息;其中,所述第二调度信息包括:自适应编码调制过程的第二中间变量信息;
第二信道调整模块1102,用于:
遍历所述第二中间变量信息的所有取值,将所述第二调度信息输入到训练好的第一预测模型中,得到所述第二中间变量信息的每一个取值对应的所述当前数据传输对应的第二信息;其中,所述第二信息用于表征循环冗余校验结果的概率值;
从所述第二中间变量信息的所有取值中,选择所述当前数据传输对应的第二信息和目标误块率值之差的绝对值最小的一个取值。
在一些示例性实施例中,还包括:
第三模型训练模块1103,用于:
采集历史数据传输对应的历史样本;其中,所述历史样本包括:第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;
根据所述历史样本进行模型训练得到所述第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息作为所述第一预测模型的输出;训练得到的所述第一预测模型的输出为所述第二信息。
上述信道调整装置的具体实现过程与前述实施例信道调整方法的具体实现过程相同,这里不再赘述。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储器、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据,并且可包括任何信息递送介质。
本文已经公开了示例实施例,并且虽然采用了具体术语,但它们仅用于并仅应当被解释为一般说明性含义,并且不用于限制的目的。在一些实例中,对本领域技术人员显而易见的是,除非另外明确指出,否则可单独使用与特定实施例相结合描述的特征、特性和/或元素,或可与其它实施例相结合描述的特征、特性和/或元件组合使用。因此,本领域技术人员将理解,在不脱离由所附的权利要求阐明的本申请的范围的情况下,可进行各种形式和细节上的改变。
Claims (20)
1.一种模型训练方法,包括:
采集历史样本;其中,所述历史样本包括:历史数据传输对应的第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;
根据所述历史样本进行模型训练得到第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息转换为所述历史数据传输对应的第二信息,将所述历史数据传输对应的第二信息作为所述第一预测模型的输出;所述第二信息用于表征循环冗余校验结果的概率值。
2.根据权利要求1所述的模型训练方法,所述采集历史样本后,在所述根据历史样本进行模型训练得到第一预测模型之前,该方法还包括:对所述历史样本进行过滤;
相应的,所述根据历史样本进行模型训练得到第一预测模型包括:根据过滤后的历史样本进行模型训练得到所述第一预测模型。
3.根据权利要求1所述的模型训练方法,其中,所述根据历史样本进行模型训练得到第一预测模型包括:
将所述历史样本划分为训练集和验证集;
根据所述训练集进行模型训练得到第二预测模型;
采用所述验证集对所述第二预测模型进行验证;
在验证通过的情况下,将所述第二预测模型作为所述第一预测模型。
4.根据权利要求3所述的模型训练方法,在验证不通过的情况下,所述根据历史样本进行模型训练得到第一预测模型还包括:
继续执行所述采集历史样本的步骤,直到验证通过。
5.根据权利要求3所述的模型训练方法,其中,所述采用验证集对第二预测模型进行验证包括:
分别将所述验证集中的每一个所述历史样本的所述第一调度信息输入到所述第二预测模型中,得到每一个所述历史样本对应的第二信息;
将所述验证集按照所述历史样本对应的第二信息进行分组;
在所有分组均满足预设条件的情况下,验证通过;
在至少一个分组不满足预设条件的情况下,验证不通过;
其中,某一个分组满足预设条件包括:所述某一个分组对应的概率值均值和统计得到的所述某一个分组对应的第二信息之间的差值的绝对值小于或等于第一预设阈值;
其中,所述某一个分组对应的概率值均值为所述某一个分组中的所有所述历史样本对应的第二信息的均值;
所述某一个分组对应的第二信息根据所述某一个分组中的所有所述历史样本的所述第一信息统计得到。
6.根据权利要求1所述的模型训练方法,其中,所述根据历史样本进行模型训练得到第一预测模型包括:
对所述历史样本进行聚类分析得到M个类别;其中,M为大于或等于1的整数;
对于每一个类别,根据所述类别中的所述历史样本的第一信息计算所述类别对应的第二信息。
7.根据权利要求1或2所述的模型训练方法,所述历史样本还包括:第一外部环境信息;
相应的,在模型训练过程中将所述第一调度信息和所述第一外部环境信息作为所述第一预测模型的输入。
8.根据权利要求7所述的模型训练方法,其中,所述第一外部环境信息包括以下至少之一:所述历史数据传输的接收终端的第一芯片类型、所述历史数据传输的发送终端和接收终端之间的第一路损、所述历史数据传输的发送终端和接收终端之间的第一空口测量信息、所述历史数据传输的发送终端的第一功率余量。
9.根据权利要求1或2所述的模型训练方法,其中,所述第一调度信息还包括以下至少之一:调度所述历史数据传输的第一资源块信息、调度所述历史数据传输的第一时隙信息。
10.根据权利要求1或2所述的模型训练方法,其中,所述自适应编码调制过程的第一中间变量信息包括以下任意一个:所述历史数据传输对应的第一调制和编码方式、所述历史数据传输对应的第一信噪比。
11.一种信道调整方法,包括:
采集当前数据传输对应的第二调度信息;其中,所述第二调度信息包括:自适应编码调制过程的第二中间变量信息;
将所述第二调度信息输入到训练好的第一预测模型中,得到所述当前数据传输对应的第二信息;其中,所述第二信息用于表征循环冗余校验结果的概率值;
在所述当前数据传输对应的第二信息大于或等于第二预设阈值,且小于或等于第三预设阈值的情况下,输出第二中间变量信息。
12.根据权利要求11所述的信道调整方法,在所述当前数据传输对应的第二信息小于所述第二预设阈值,或所述当前数据传输对应的第二信息大于所述第三预设阈值的情况下,该方法还包括:
根据所述当前数据传输对应的第二信息调整所述第二中间变量信息;
将所述第二中间变量信息替换为调整后的第二中间变量信息,继续执行所述将第二调度信息输入到训练好的第一预测模型中,得到当前数据传输对应的第二信息的步骤,直到满足退出循环条件;
其中,所述满足退出循环条件包括以下任意一个:
调整次数大于或等于预先设置的最大调整次数;
所述当前数据传输对应的第二信息大于或等于第二预设阈值,且小于或等于第三预设阈值;
累积调整量大于或等于预先设置的最大累积调整量;其中,所述累积调整量为之前的N次调整对应的调整量之和,N为当前已经调整的次数,某一次调整对应的调整量为某一次调整对应的调整后的第二中间变量信息和调整前的第二中间变量信息之差。
13.根据权利要求12所述的信道调整方法,其中,所述根据当前数据传输对应的第二信息调整第二中间变量信息包括:
计算所述当前数据传输对应的第二信息和目标误块率值之差得到差值;
根据所述差值确定调整步数;
根据所述调整步数确定调整量;
将所述第二中间变量信息加上调整量得到所述调整后的第二中间变量信息。
14.根据权利要求11-13任意一项所述的信道调整方法,其中,所述采集当前数据传输对应的第二调度信息包括:采集所述当前数据传输对应的第二调度信息和第二外部环境信息;
相应的,所述将第二调度信息输入到训练好的第一预测模型中,得到当前数据传输对应的第二信息包括:将所述第二调度信息和所述第二外部环境信息输入到所述第一预测模型中,得到所述当前数据传输对应的第二信息。
15.根据权利要求14所述的信道调整方法,其中,所述第二外部环境信息包括以下至少之一:所述当前数据传输的接收终端的第二芯片类型、所述当前数据传输的发送终端和接收终端之间的第二路损、所述当前数据传输的发送终端和接收终端之间的第二空口测量信息、所述当前数据传输的发送终端的第二功率余量。
16.根据权利要求11-13任意一项所述的信道调整方法,其中,所述第二调度信息还包括以下至少之一:调度所述当前数据传输的第二资源块信息、调度所述当前数据传输的第二时隙信息。
17.根据权利要求11-13任意一项所述的信道调整方法,所述采集当前数据传输对应的第二调度信息之前,该方法还包括:
采集历史样本;其中,所述历史样本包括:历史数据传输对应的第一调度信息和第一信息,所述第一信息用于表征循环冗余校验结果;所述第一调度信息包括:自适应编码调制过程的第一中间变量信息;
根据所述历史样本进行模型训练得到所述第一预测模型;其中,在模型训练过程中将所述第一调度信息作为所述第一预测模型的输入,将所述第一信息转换为所述历史数据传输对应的第二信息,将所述历史数据传输对应的第二信息作为所述第一预测模型的输出。
18.一种信道调整方法,包括:
采集当前数据传输对应的第二调度信息;其中,所述第二调度信息包括:自适应编码调制过程的第二中间变量信息;
遍历所述第二中间变量信息的所有取值,将所述第二调度信息输入到训练好的第一预测模型中,得到所述第二中间变量信息的每一个取值对应的所述当前数据传输对应的第二信息;其中,所述第二信息用于表征循环冗余校验结果的概率值;
从所述第二中间变量信息的所有取值中,选择所述当前数据传输对应的第二信息和目标误块率值之差的绝对值最小的一个取值。
19.一种电子设备,包括:
至少一个处理器;
存储器,所述存储器上存储有至少一个程序,当所述至少一个程序被所述至少一个处理器执行时,实现根据权利要求1-10任意一项所述的模型训练方法,或权利要求11-17任意一项所述的信道调整方法,或权利要求18所述的信道调整方法。
20.一种可读存储介质,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实现根据权利要求1-10任意一项所述的模型训练方法,或权利要求11-17任意一项所述的信道调整方法,或权利要求18所述的信道调整方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110299486.3A CN115118379A (zh) | 2021-03-19 | 2021-03-19 | 模型训练方法、信道调整方法、电子设备、可读存储介质 |
PCT/CN2022/080689 WO2022194099A1 (zh) | 2021-03-19 | 2022-03-14 | 模型训练方法、信道调整方法、电子设备和计算机可读存储介质 |
EP22770454.1A EP4297310A1 (en) | 2021-03-19 | 2022-03-14 | Model training method, channel adjustment method, electronic device, and computer readable storage medium |
US18/282,817 US20240171359A1 (en) | 2021-03-19 | 2022-03-14 | Model training method, channel adjustment method, electronic device, and computer readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110299486.3A CN115118379A (zh) | 2021-03-19 | 2021-03-19 | 模型训练方法、信道调整方法、电子设备、可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115118379A true CN115118379A (zh) | 2022-09-27 |
Family
ID=83321653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110299486.3A Pending CN115118379A (zh) | 2021-03-19 | 2021-03-19 | 模型训练方法、信道调整方法、电子设备、可读存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240171359A1 (zh) |
EP (1) | EP4297310A1 (zh) |
CN (1) | CN115118379A (zh) |
WO (1) | WO2022194099A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060034274A1 (en) * | 2004-07-30 | 2006-02-16 | Nokia Corporation | System and method for variable length acknowledgements in a shared resource network |
WO2014186949A1 (zh) * | 2013-05-21 | 2014-11-27 | 华为技术有限公司 | 自适应调制编码获取方法及装置 |
CN110163282B (zh) * | 2019-05-22 | 2022-12-06 | 西安电子科技大学 | 基于深度学习的调制方式识别方法 |
CN111162883B (zh) * | 2019-12-27 | 2023-07-07 | 南京中感微电子有限公司 | 一种数据传输方法、装置和系统 |
-
2021
- 2021-03-19 CN CN202110299486.3A patent/CN115118379A/zh active Pending
-
2022
- 2022-03-14 US US18/282,817 patent/US20240171359A1/en active Pending
- 2022-03-14 WO PCT/CN2022/080689 patent/WO2022194099A1/zh active Application Filing
- 2022-03-14 EP EP22770454.1A patent/EP4297310A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4297310A1 (en) | 2023-12-27 |
US20240171359A1 (en) | 2024-05-23 |
WO2022194099A1 (zh) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647115B (zh) | 一种基于工业互联网操作系统的数据采集方法 | |
CN103716123A (zh) | 一种传感器网络中分组丢失和错误的原因识别方法和系统 | |
EP2264954B1 (en) | Method and apparatus for congestion control | |
CN110166174B (zh) | 链路自适应方法、装置、接入网设备和存储介质 | |
CN103546244B (zh) | 一种自适应调制编码方法及装置 | |
CN102891745B (zh) | 网络设备及其识别终端异常的方法 | |
CN105142227B (zh) | 一种mcs等级的确定方法和设备 | |
EP2304905A1 (en) | Method and apparatus to inspect wireless traffic and mitigate packet elimination for wireless saturation avoidance | |
US11507076B2 (en) | Network analysis program, network analysis device, and network analysis method | |
CN112513882A (zh) | 与无线蜂窝网络中的小区状况的检测有关的方法、设备和计算机可读介质 | |
US10492106B1 (en) | Adaptive data rate control method and adaptive data rate control system | |
CN116708134B (zh) | 基于流量控制的点对点网络传输系统 | |
CN112672364B (zh) | 策略配置方法、装置、相关设备及存储介质 | |
CN114866431A (zh) | 基于int预测sfc网络故障的方法、装置及处理器 | |
CN114567936A (zh) | 一种基站网络切片下业务分类方法、终端与流程 | |
CN115118379A (zh) | 模型训练方法、信道调整方法、电子设备、可读存储介质 | |
CN108197498A (zh) | 获取数据的方法及装置 | |
CN108667564B (zh) | 一种在线学习的自适应链路mcs切换控制方法 | |
Harsini et al. | Effective capacity optimization for multiuser diversity systems with adaptive transmission | |
US20230274184A1 (en) | Method for training communication decision model, electronic device, and computer-readable medium | |
CN116235436A (zh) | 外环初始值的调整方法、设备及计算机可读存储介质 | |
Wu et al. | Q-learning based link adaptation in 5G | |
Fontana et al. | SMASH: a SMArt Slicing Heterogeneous 5G network selection algorithm | |
CN112583519B (zh) | 一种链路自适应调整方法、装置、服务器及存储介质 | |
Coronado et al. | An Adaptive Medium Access Parameter Prediction Scheme for IEEE 802.11 Real‐Time Applications |
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 |