CN115136498A - 用于向接收机传送tx波形失真的方法 - Google Patents
用于向接收机传送tx波形失真的方法 Download PDFInfo
- Publication number
- CN115136498A CN115136498A CN202180015139.1A CN202180015139A CN115136498A CN 115136498 A CN115136498 A CN 115136498A CN 202180015139 A CN202180015139 A CN 202180015139A CN 115136498 A CN115136498 A CN 115136498A
- Authority
- CN
- China
- Prior art keywords
- neural network
- transmitting device
- waveform distortion
- distortion information
- decoder neural
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/02—Transmitters
- H04B1/04—Circuits
- H04B1/0475—Circuits with means for limiting noise, interference or distortion
-
- 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
- H04L25/0264—Arrangements for coupling to transmission lines
- H04L25/028—Arrangements specific to the transmitter end
- H04L25/0286—Provision of wave shaping within the driver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0003—Two-dimensional division
- H04L5/0005—Time-frequency
- H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- Transceivers (AREA)
- Transmitters (AREA)
- Circuits Of Receivers In General (AREA)
Abstract
各个实施例可以在发送设备处采用神经网络来压缩发射(TX)波形失真。在各个实施例中,可以将经压缩的TX波形失真信息传送给接收设备。在各个实施例中,从发送设备向接收设备用信号发送TX波形失真信息可以使得接收设备能够减轻从发送设备接收的发射波形中的波形失真。各个实施例包括由发送设备的处理器执行的通过向接收设备发送波形进行无线通信的系统和方法。各个实施例包括由接收设备的处理器执行的通过从发送设备接收波形进行无线通信的系统和方法。
Description
相关申请
本申请要求享受于2020年2月24日递交的、名称为“Method To Convey The TXWaveform Distortion To The Receiver”的美国临时申请62/980,793号的优先权权益,据此将上述申请的全部内容通过引用的方式并入本文中以用于所有目的。
背景技术
长期演进(LTE)、第五代(5G)新无线电(NR)和其它最近开发的通信技术允许无线设备以比短短几年前可用的数量级更大的数量级的数据速率(例如,以千兆比特每秒等为单位)来传送信息。
如今的通信网络也更加安全,对于多径衰落具有容错性,允许更低的网络业务时延,提供更好的通信效率(例如,以每秒每使用的带宽单元等为单位)。这些以及其它最近的改进已经促进了物联网(IOT)、大规模机器到机器(M2M)通信系统、自主车辆和依赖于一致且安全通信的其它技术的出现。
此外,在如今的通信网络中,神经网络(诸如深度神经网络)的部署蓄势待发。神经网络可以用在计算设备上以用于各种任务。神经网络通常使用多层架构,其中,每一层接收输入,对输入执行计算,并且生成输出。第一层节点的输出通常成为第二层节点的输入,第二层的输出成为第三层的输入,以此类推。因此,神经网络中的计算分布在构成计算链的一群处理节点上。
发明内容
各个方面包括由发送设备的处理器执行的通过向接收设备发送波形进行无线通信的系统和方法。各个方面可以包括:获得所述发送设备的发射波形失真信息;使用编码器神经网络来将所述发送设备的所述发射波形失真信息压缩成经压缩的发射波形失真信息;以及在配置中向所述接收设备发送经压缩的发射波形失真信息以及一个或多个解码器神经网络权重,所述配置使得所述接收设备能够使用所述一个或多个解码器神经网络权重来将所述接收设备的解码器神经网络配置为从所述经压缩的发射波形失真信息恢复所述发送设备的所述发射波形失真信息。
一些方面还可以包括:确定所述发送设备的解码器神经网络的模型类型,并且向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重可以包括:向所述接收设备发送所述经压缩的发射波形失真信息、所述一个或多个解码器神经网络权重以及所述模型类型。在一些方面中,向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重可以包括:在针对要发送的每个时隙的控制信息中向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重。在一些方面中,向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重可以包括:在针对要发送的每个时隙的控制信息中向所述接收设备发送所述经压缩的发射波形失真信息,并且以与要发送的每个时隙相比更大的周期来在控制信息中向所述接收设备发送所述一个或多个解码器神经网络权重。在一些方面中,所述发送设备可以是用户设备(UE)计算设备,并且所述接收设备可以是基站。在各个方面中,所述发送设备可以是基站,并且所述接收设备可以是UE计算设备。
一些方面还可以包括:训练所述编码器神经网络,将所述发送设备的所述发射波形失真信息压缩成所述经压缩的发射波形失真信息;以及训练所述发送设备的所述解码器神经网络,以从所述经压缩的发射波形失真信息恢复所述发送设备的所述发射波形失真信息,其中,所述一个或多个解码器神经网络权重是所述发送设备的经训练的解码器神经网络的权重。在一些方面中,所述发送设备的所述编码器神经网络和所述解码器神经网络可以是使用无监督学习算法来训练的。在一些方面中,训练所述编码器神经网络以及训练所述发送设备的所述解码器神经网络可以包括:针对所述发送设备的一个发射天线来训练所述发送设备的所述编码器神经网络和所述解码器神经网络。在一些方面中,训练所述编码器神经网络以及训练所述发送设备的所述解码器神经网络可以包括:针对所述发送设备的每个发射天线来训练所述发送设备的所述编码器神经网络和所述解码器神经网络。
进一步的方面可以包括由接收设备的处理器执行的通过从发送设备接收波形进行无线通信的系统和方法。各个方面可以包括:接收所述发送设备的经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重;使用所接收的一个或多个权重来配置所述接收设备的解码器神经网络;以及使用所述接收设备的经配置的解码器神经网络,从所述发送设备的经压缩的发射波形失真信息恢复所述发送设备的发射波形失真信息。一些方面还可以包括:使用所述发送设备的经恢复的发射波形失真信息来减轻在从所述发送设备接收的发射波形中的波形失真。
在一些方面中,接收所述发送设备的所述经压缩的发射波形失真信息以及所述发送设备的所述经训练的解码器神经网络的所述一个或多个权重可以包括:接收所述发送设备的所述经压缩的发射波形失真信息、所述发送设备的所述经训练的解码器神经网络的所述一个或多个权重、以及所述发送设备的所述经训练的解码器神经网络的模型类型,并且使用所接收的一个或多个权重来配置所述接收设备的所述解码器神经网络可以包括:使用所接收的一个或多个权重和所接收的模型类型来配置所述接收设备的所述解码器神经网络。在一些方面中,经恢复的发射波形失真信息可以包括:由于在用于所述发送设备的一个或多个天线的时隙内的正交频分复用(OFDM)符号的信号削波而造成的失真误差的二维图。在一些方面中,接收所述发送设备的所述经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重可以包括:在针对要发送的每个时隙的控制信息中接收所述发送设备的经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重。在一些方面中,接收所述发送设备的所述经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重可以包括:在针对要发送的每个时隙的控制信息中接收所述发送设备的经压缩的发射波形失真信息,并且以与要发送的每个时隙相比更大的周期在控制信息中接收所述发送设备的经训练的解码器神经网络的一个或多个权重。在一些方面中,所述接收设备可以是基站,并且所述发送设备可以是UE计算设备。在一些方面中,所述经压缩的发射波形失真信息以及所述一个或多个权重可以是直接从所述UE计算设备接收的。在一些方面中,所述经压缩的发射波形失真信息以及所述一个或多个权重可以是从除了所述发送设备以外的基站接收的。
进一步的方面可以包括一种具有处理器的基站或无线设备,该处理器被配置为执行上文概述的方法中的任何方法的一个或多个操作。进一步的方面可以包括一种具有存储在其上的处理器可执行指令的非暂时性处理器可读存储介质,处理器可执行指令被配置为使得基站或无线设备的处理器执行上文概述的方法中的任何方法的操作。进一步的方面包括一种基站或无线设备,其具有用于执行上文概述的方法中的任何方法的功能的单元。进一步的方面包括一种用于在基站或无线设备中使用的片上系统,其包括被配置为执行上文概述的方法中的任何方法的一个或多个操作的处理器。进一步的方面包括一种系统级封装,其包括用于在基站或无线设备中使用的两个片上系统,基站或无线设备包括被配置为执行上文概述的方法中的任何方法的一个或多个操作的处理器。
附图说明
被并入本文并且构成本说明书的一部分的附图示出了权利要求的示例性实施例,并且连同上文给出的总体描述和下文给出的详细描述一起用于解释权利要求的特征。
图1是示出适于实现各个实施例中的任何实施例的示例通信系统的系统框图。
图2是示出适于实现各个实施例中的任何实施例的示例计算和无线调制解调器系统的组件框图。
图3是示出适于实现各个实施例中的任何实施例的包括用于无线通信中的用户面和控制面的无线电协议栈的软件架构的组件框图。
图4是示出适于实现各个实施例中的任何实施例的示例软件实现的神经网络的功能组件框图。
图5是示出根据各个实施例的用于由向接收设备发送波形的发送设备的处理器执行的无线通信的方法的操作的过程流程图。
图6是示出根据各个实施例的用于由从发送设备接收波形的接收设备的处理器执行的无线通信的方法的操作的过程流程图。
图7A是示出根据各个实施例的用于使用神经网络来压缩失真信息的示例操作的框图。
图7B是示出根据各个实施例的用于使用神经网络来压缩失真信息的示例操作的框图。
图8是适于与各个实施例一起使用的网络计算设备的组件框图。
图9是适于与各个实施例一起使用的无线通信设备的组件框图。
具体实施方式
将参照附图来详细描述各个实施例。在可能的情况下,将贯穿附图使用相同的附图标记来指代相同或类似的部分。对特定示例和实现的提及是出于说明性目的,而不旨在限制权利要求的范围。
各个实施例使得能够从发送设备向接收设备用信号通知发射(TX)波形失真信息。如本文所使用的,术语“发送设备”指代输出TX波形的任何设备,而术语“接收设备”指代尝试接收该TX波形的任何设备。作为示例,在第三代合作伙伴计划(3GPP)网络中的上行链路(UL)通信中,发送设备可以是用户设备(UE)计算设备,而接收设备可以是基站(例如,下一代节点B(gNB))。作为另一示例,在下行链路(DL)通信中,发送设备可以是基站(例如,gNB),而接收设备可以是UE计算设备。
各个实施例可以采用在发送设备内执行的神经网络来压缩TX波形失真。在各个实施例中,可以将经压缩的TX波形失真信息传送给接收设备。在各个实施例中,从发送设备向接收设备用信号通知TX波形失真信息可以使得接收设备能够减轻从发送设备接收的发射波形中的波形失真。在各个实施例中,由接收设备解码的针对发送设备的TX波形失真信息的存在可以使得发送设备能够高效地利用其可用发射功率。
在发送设备和接收设备之间的无线通信中,从发送设备发送的TX波形的失真(诸如信号削波)可能阻碍接收设备对TX波形的成功接收。TX波形的失真可能是由各种因素造成的,诸如发送设备本身的组件。例如,发送设备的功率放大器可能造成TX波形的失真,并且失真量可能随着功率放大器的功率电平增加而增加。传统的发送设备通过将功率放大器的功率电平保持在某些电平以下来减轻功率放大器对TX波形造成的失真。发送设备的功率放大器的对功率电平的这种降低可以减少TX波形的失真,但是也可能导致对发射功率的不太高效的利用(例如,与可能的发射信号相比不太强大)。
各个实施例使得接收设备处的神经网络能够恢复发送设备的TX波形失真信息,并且使用发送设备的经恢复的TX波形失真信息来减轻在从发送设备接收的TX波形中的波形失真。在接收设备处针对发送设备的TX波形失真信息的存在可以使得发送设备能够高效地利用其可用发射功率(例如,通过在全功率下使用功率放大器),因为由功率放大器造成的失真可以在接收设备侧被减轻。
在各个实施例中,发送设备可以获得发送设备的TX波形失真信息。在一些实施例中,TX波形失真信息可以是失真误差的二维图,所述失真误差由于在用于发送设备的一个或多个天线的时隙内的正交频分复用(OFDM)符号的信号削波导致。TX波形失真信息可以被配置使得接收设备可以使用发送设备的TX波形失真信息来减轻在从发送设备接收的TX波形中的波形失真。例如,接收设备可以使用TX波形失真信息来减轻多个OFDM符号的TX波形失真。TX波形失真信息可以取决于可以在每个时隙上发送的数据,因为要发送的数据可能影响OFDM波形。因此,针对每个时隙提供TX波形失真信息可以使得接收设备能够以每时隙为基础来减轻TX波形失真。
在各个实施例中,发送设备可以包括编码器神经网络和解码器神经网络对。在各个实施例中,编码器神经网络和解码器神经网络可以是深度神经网络。在各个实施例中,对于发送设备的每个发射天线,可以存在编码器和解码器对。编码器神经网络可以被配置为对信息进行压缩。例如,编码器神经网络可以被配置为将TX波形失真信息压缩成经压缩的TX波形失真信息,并且解码器神经网络可以被配置为对信息进行解压缩。例如,解码器神经网络可以被配置为从经压缩的TX波形失真信息恢复TX波形失真信息。在各个实施例中,接收设备也可以包括解码器神经网络。
在各个实施例中,发送设备可以训练发送设备的编码器神经网络,以将发送设备的TX波形失真信息压缩成发送设备的经压缩的TX波形失真信息。在各个实施例中,发送设备可以训练发送设备的解码器神经网络,以从发送设备的经压缩的TX波形失真信息恢复发送设备的TX波形失真信息。在各个实施例中,可以使用无监督学习算法来训练发送设备的编码器神经网络和发送设备的解码器神经网络。在各个实施例中,训练发送设备的编码器神经网络以及训练发送设备的解码器神经网络可以包括针对发送设备的一个发射天线来训练编码器神经网络和解码器神经网络。在各个实施例中,训练发送设备的编码器神经网络以及训练发送设备的解码器神经网络可以周期性地执行。例如,训练可以在发送设备的初始启动时发生,每天发生,在注册到新网络时发生,等等。在各个实施例中,可以使用无监督学习算法来训练发送设备的编码器神经网络和发送设备的解码器神经网络。
在各个实施例中,发送设备可以确定发送设备的经训练的解码器神经网络的模型类型和发送设备的经训练的解码器神经网络的权重。
模型类型可以是神经网络的结构,诸如对神经网络中的节点的类型、数量和/或互连(例如,层布局)的描述。模型类型可以是神经网络元素本身的实际表示和/或指示神经网络的结构的描述符(例如,模型名称、模型编号、模型标签)(诸如对神经网络中的节点的类型、数量和/或互连(例如,层布局)的描述)。在各个实施例中,发送设备的解码器神经网络的模型类型可以向接收设备提供信息,以重构如在发送设备处训练的解码器神经网络的特定结构。
神经网络的权重可以是与在神经网络的训练之后在神经网络的节点之间的互连相关联的值。发送设备的经训练的解码器神经网络的权重可以是与在发送设备处进行训练之后在解码器神经网络的节点之间的互连相关联的值。在各个实施例中,具有相同的模型类型的两个解码器神经网络可以具有相同的结构,使得将相同的权重应用于两个解码器神经网络将导致两个解码器神经网络的相同的经解压缩的输出(基于相同的经压缩的输入被提供给每个解码器神经网络)。
在各个实施例中,具有发送设备的经训练的解码器神经网络的模型类型和发送设备的经训练的解码器神经网络的权重的接收设备可以将接收设备的解码器神经网络配置为从共同的经压缩的输入恢复与将由发送设备的经训练的解码器神经网络恢复的相同的经解压缩的输出,而不必花费时间来实际训练接收设备的解码器神经网络。
在各个实施例中,发送设备可以向接收设备发送以下各项:发送设备的经压缩的TX波形失真信息、发送设备的经训练的解码器神经网络的模型类型以及发送设备的经训练的解码器神经网络权重。发送设备的经压缩的TX波形失真信息、模型类型和权重可以是在如下配置中发送给接收设备的:该配置使得接收设备能够使用模型类型和权重来配置接收设备的解码器神经网络,以从发送设备的经压缩的TX波形失真信息恢复发送设备的TX波形失真信息。在一些实施例中,发送设备的经压缩的TX波形失真信息、模型类型和权重可以是一起发送的。在一些实施例中,发送设备的经压缩的TX波形失真信息、模型类型和权重可以是单独地发送的。在一些实施例中,发送设备的经压缩的TX波形失真信息、模型类型和权重可以是在发送计算设备和接收计算设备之间交换的开销信息中发送的。在一些实施例中,发送设备的经压缩的TX波形失真信息可以是在针对要发送的每个时隙的控制信息中发送的。经压缩的TX波形失真信息可以取决于可以在每个时隙上发送的数据,因为要发送的数据可能影响OFDM波形。以每时隙为基础提供经压缩的TX波形失真信息可以使得接收设备能够以每时隙为基础减轻TX波形失真。在一些实施例中,经压缩的TX波形失真信息以及模型类型和权重可以是以不同的周期用信号发送的。在一些实施例中,模型类型和权重可以是以与发送设备的经压缩的TX波形失真信息相比不太频繁地用信号发送的。例如,经压缩的TX波形失真信息可以是在针对每个时隙的控制信息中发送的,并且权重可以是以大于每个时隙的周期来发送的(例如,与经压缩的TX波形失真信息相比不太频繁)。权重和/或模型类型可以是以与经压缩的TX波形失真信息相比大得多的时间尺度来发送的,因为发送设备的编码器神经网络和解码器神经网络可能不是频繁地更新的。在一些实施例中,可以不需要发送模型类型,因为模型类型可以在接收设备处已经是已知的。
在各个实施例中,接收设备可以接收发送设备的经压缩的TX波形失真信息、发送设备的经训练的解码器神经网络的模型类型以及发送设备的经训练的解码器神经网络的权重。在一些实施例中,发送设备的经压缩的TX波形失真信息、模型类型和权重可以是在开销信息中发送的。在一些实施例中,发送设备的经压缩的TX波形失真信息可以是在针对要发送的每个时隙的控制信息中接收的。在一些实施例中,可能不需要接收模型类型,因为模型类型可以在接收设备处已经是已知的。作为一个示例,单个默认模型类型可以用于发送设备的解码器神经网络和接收设备的解码器神经网络两者。作为另一示例,模型类型可以是基于接收设备处的设备类型、网络或其它设置而是已知的。
在一些实施例中,经压缩的TX波形失真信息、模型类型和权重可以是直接从发送设备接收的。例如,发送设备可以是UE计算设备,并且作为在UE计算设备和基站之间的用于在由基站服务的小区中接收服务的初始注册过程的一部分,UE计算设备可以将经压缩的TX波形失真信息、模型类型和权重发送给基站。基站可以是接收设备,并且可以利用经压缩的TX波形失真信息、模型类型和权重来减轻在由UE计算设备发送的TX波中的失真。
在一些实施例中,经压缩的TX波形失真信息、模型类型和权重可以是从除了发送设备以外的基站接收的。例如,经压缩的TX波形失真信息、模型类型和权重可以是在通信网络中的设备之间存储和共享的值。
在一些实施例中,基站的经压缩的TX波形失真信息、模型类型和/或权重可以在设备之间共享,使得设备可以间接地接收针对另一设备的经压缩的TX波形失真信息、模型类型和权重。作为一个示例,相邻小区的基站可以彼此共享其模型类型和权重,并且与它们各自小区中的UE计算设备共享其模型和权重,以支持UE计算设备移动性和切换。作为另一示例,UE计算模型类型和权重可以是集中地存储的,使得基站可以在发现UE计算设备时取回针对UE计算设备的模型类型和权重,而无需UE计算设备直接向基站发送模型类型和权重等等。作为另一示例,基站的经压缩的TX波形失真信息、模型类型和/或权重可以是集中地存储的,使得UE计算设备可以在进入下一基站的覆盖区域之前取回针对该基站的经压缩的TX波形失真信息、模型类型和/或权重,并且UE计算设备无需直接从该下一基站接收经压缩的TX波形失真信息、模型类型和/或权重等等。
在各个实施例中,接收设备可以使用所接收的模型类型和权重来配置接收设备的解码器神经网络。模型类型可以是神经网络的结构,诸如对神经网络中的节点的类型、数量和/或互连(例如,层布局)的描述。模型类型可以是神经网络元素本身的实际表示和/或指示神经网络的结构的描述符(例如,模型名称、模型编号、模型标签),诸如对神经网络中的节点的类型、数量和/或互连(例如,层布局)的描述。神经网络的权重可以是与在神经网络的训练之后在神经网络的节点之间的互连相关联的值。在各个实施例中,具有发送设备的经训练的解码器神经网络的模型类型和发送设备的经训练的解码器神经网络的权重的接收设备可以配置接收设备的解码器神经网络,以从发送设备的经压缩的TX波形失真信息(从发送设备接收的)恢复与将由发送设备的经训练的解码器神经网络恢复的相同的经解压缩的输出。以这种方式,接收设备可以将其解码器神经网络配置为经训练的神经网络,而不必花费时间训练其解码器神经网络。
在各个实施例中,接收设备可以使用接收设备的经配置的解码器神经网络,从发送设备的经压缩的TX波形失真信息恢复发送设备的TX波形失真信息。在一些实施例中,所恢复的TX波形失真信息可以包括失真误差的二维图,所述失真误差由于在用于发送设备的一个或多个天线的时隙内的OFDM符号的信号削波而导致。
在各个实施例中,接收设备可以使用所恢复的发送设备的TX波形失真信息来减轻在从发送设备接收的TX波形中的波形失真。减轻波形失真可以包括在接收设备处使用所恢复的TX波形失真信息来重构原始TX波形信号。通过减轻波形失真,接收设备可以补偿由发送设备本身造成的任何失真,诸如由发送设备的功率放大器造成的失真。
术语“无线设备”和“UE计算设备”在本文中可互换地用于指代以下各者中的任何一者或全部:无线路由器设备、无线电器、蜂窝电话、智能电话、便携式计算设备、个人或移动多媒体播放器、膝上型计算机、平板计算机、智能本、超极本、掌上计算机、无线电子邮件接收器、启用多媒体互联网的蜂窝电话、医疗设备和装置、生物计量传感器/设备、可穿戴设备(包括智能手表、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,无线游戏控制器、音乐和视频播放器、卫星无线电单元等)、启用无线网络的物联网(IoT)设备(包括智能仪表/传感器、工业制造设备、供家用或企业用的大型和小型机械和电器、自主和半自主车辆内的无线通信元件)、附在或并入各种移动平台中的无线设备、全球定位系统设备、以及包括存储器、无线通信组件和可编程处理器的类似电子设备。
术语“片上系统”(SOC)在本文中用于指代单个集成电路(IC)芯片,其包含被集成在单个衬底上的多个资源和/或处理器。单个SOC可以包含用于数字、模拟、混合信号和射频功能的电路。单个SOC还可以包括任何数量的通用和/或专用处理器(数字信号处理器、调制解调器处理器、视频处理器等)、存储器块(例如,ROM、RAM、闪存等)和资源(例如,定时器、电压调节器、振荡器等)。SOC还可以包括用于控制集成资源和处理器以及用于控制外围设备的软件。
术语“系统级封装”(SIP)在本文中可以用于指代在两个或更多个IC芯片、衬底或SOC上包含多个资源、计算单元、核或处理器的单个模块或封装。例如,SIP可以包括在其上多个IC芯片或半导体管芯是以垂直配置而堆叠的单个衬底。类似地,SIP可以包括在其上多个IC或半导体管芯被封装到统一衬底中的一个或多个多芯片模块(MCM)。SIP还可以包括多个独立SOC,其经由高速通信电路耦合在一起并且被紧密地封装在例如单个主板上或单个无线设备中。SOC的接近度促进高速通信以及存储器和资源的共享。
图1是示出适于实现各个实施例中的任何实施例的示例通信系统100的系统框图。通信系统100可以是5G新无线电(NR)网络或任何其它适当的网络(诸如长期演进(LTE)网络)。
通信系统100可以包括异构网络架构,异构网络架构包括核心网络140以及各种移动设备(被示为图1中的无线设备120a-120e)。通信系统100还可以包括多个基站110(被示为BS 110a、BS 110b、BS 110c和BS 110d)和其它网络实体。基站是与无线设备(移动设备或UE计算设备)进行通信的实体,并且也可以被称为节点B、节点B、LTE演进型节点B(eNB)、接入点(AP)、无线电头端、发送接收点(TRP)、新无线电基站(NR BS)、5G节点B(NB)、下一代节点B(gNB)等。每个基站可以提供针对特定地理区域的通信覆盖。在3GPP中,术语“小区”可以指代基站的覆盖区域、服务于该覆盖区域的基站子系统或其组合,这取决于使用该术语的上下文。
基站110a-110d可以提供针对宏小区、微微小区、毫微微小区、另一种类型的小区、或其组合的通信覆盖。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移动设备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移动设备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移动设备(例如,封闭用户组(CSG)中的移动设备)进行的受限制的接入。用于宏小区的基站可以被称为宏BS。用于微微小区的基站可以被称为微微BS。用于毫微微小区的基站可以被称为毫微微BS或家庭BS。在图1中示出的示例中,基站110a可以是用于宏小区102a的宏BS,基站110b可以是用于微微小区102b的微微BS,以及基站110c可以是用于毫微微小区102c的毫微微BS。基站110a-110d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”在本文中可以互换地使用。
在一些示例中,小区可能不是静止的,并且小区的地理区域可以根据移动基站的位置进行移动。在一些示例中,基站110a-110d可以使用任何适当的传输网络,通过各种类型的回程接口(诸如直接物理连接、虚拟网络、或其组合)来彼此互连以及与通信系统100中的一个或多个其它基站或网络节点(未示出)互连。
基站110a-110d可以在有线或无线通信链路126上与核心网络140进行通信。无线设备120a-120e(UE计算设备)可以在无线通信链路122上与基站110a-110d进行通信。
有线通信链路126可以使用各种有线网络(例如,以太网、电视电缆、电话、光纤和其它形式的物理网络连接),这些有线网络可以使用一种或多种有线通信协议(诸如以太网、点对点协议、高级数据链路控制(HDLC)、高级数据通信控制协议(ADCCP)和传输控制协议/互联网协议(TCP/IP))。
通信系统100还可以包括中继站(例如,中继BS 110d)。中继站是可以从上游站(例如,基站或移动设备)接收数据传输并且将数据发送给下游站(例如,无线设备或基站)的实体。中继站还可以是能够为其它无线设备中继传输的移动设备。在图1中示出的示例中,中继站110d可以与宏基站110a和无线设备120d进行通信,以便促进基站110a与无线设备120d之间的通信。中继站还可以被称为中继基站、中继基站、中继器等。
通信系统100可以是包括不同类型的基站(例如,宏基站、微微基站、毫微微基站、中继基站等)的异构网络。这些不同类型的基站可以具有不同的发射功率电平、不同的覆盖区域以及对通信系统100中的干扰的不同影响。例如,宏基站可以具有高发射功率电平(例如,5到40瓦特),而微微基站、毫微微基站和中继基站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可以耦合到一组基站,并且可以提供针对这些基站的协调和控制。网络控制器130可以经由回程与基站进行通信。基站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。
无线设备(UE计算设备)120a、120b、120c可以散布于整个通信系统100中,并且每个无线设备可以是静止的或移动的。无线设备还可以被称为接入终端、终端、移动站、订户单元、站等。
宏基站110a可以在有线或无线通信链路126上与通信网络140进行通信。计算设备120a、120b、120c可以在无线通信链路122上与基站110a-110d进行通信。
无线通信链路122、124可以包括多个载波信号、频率或频带,其中每一者可以包括多个逻辑信道。无线通信链路122和124可以利用一种或多种无线接入技术(RAT)。可以在无线通信链路中使用的RAT的示例包括3GPP LTE、3G、4G、5G(例如,NR)、GSM、码分多址(CDMA)、宽带码分多址(WCDMA)、全球微波接入互操作性(WiMAX)、时分多址(TDMA)以及其它移动电话通信技术蜂窝RAT。可以在通信系统100内的各种无线通信链路122、124中的一个或多个无线通信链路中使用的RAT的另外的示例包括中程协议(诸如Wi-Fi、LTE-U、LTE直连、LAA、MuLTEfire)和相对短程RAT(诸如ZigBee、蓝牙和蓝牙低能(LE))。
某些无线网络(例如,LTE)在下行链路上利用正交频分复用(OFDM)以及在上行链路上利用单载波频分复用(SC-FDM)。OFDM和SC-FDM将系统带宽划分成多个(K个)正交子载波,所述多个正交子载波通常还被称为音调、频段等。可以利用数据来调制每个子载波。通常,在频域中利用OFDM以及在时域中利用SC-FDM来发送调制符号。相邻子载波之间的间隔可以是固定的,并且子载波的总数(K)可以取决于系统带宽。例如,子载波的间隔可以是15kHz并且最小资源分配(被称为“资源块”)可以是12个子载波(或180kHz)。因此,针对1.25、2.5、5、10或20兆赫兹(MHz)的系统带宽,标称的快速文件传输(FFT)大小可以分别等于128、256、512、1024或2048。还可以将系统带宽划分成子带。例如,子带可以覆盖1.08MHz(即,6个资源块),并且针对1.25、2.5、5、10或20MHz的系统带宽,可以分别存在1、2、4、8或16个子带。
虽然对一些实施例的描述可能使用了与LTE技术相关联的术语和示例,但是各个实施例可以适用于其它无线通信系统,诸如新无线电(NR)或5G网络。NR可以在上行链路(UL)和下行链路(DL)上利用具有循环前缀(CP)的OFDM,并且可以包括针对使用时分双工(TDD)的半双工操作的支持。可以支持100MHz的单分量载波带宽。NR资源块可以在0.1毫秒(ms)持续时间内跨越具有75kHz的子载波带宽的12个子载波。每个无线电帧可以由50个子帧组成,具有10ms的长度。因此,每个子帧可以具有0.2ms的长度。每个子帧可以指示用于数据传输的链路方向(即,DL或UL),并且可以动态地切换用于每个子帧的链路方向。每个子帧可以包括DL/UL数据以及DL/UL控制数据。可以支持波束成形并且可以动态地配置波束方向。也可以支持具有预编码的多输入多输出(MIMO)传输。DL中的MIMO配置可以支持多至八个发射天线,其中多层DL传输多至八个流并且每个无线设备多至两个流。可以支持具有每个无线设备多至2个流的多层传输。可以支持具有多至八个服务小区的多个小区的聚合。替代地,NR可以支持除了基于OFDM的空中接口之外的不同的空中接口。
一些移动设备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)移动设备。MTC和eMTC移动设备包括例如机器人、无人机、远程设备、传感器、仪表、监视器、位置标签等,其可以与基站、另一设备(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。一些移动设备可以被认为是物联网(IoT)设备或者可以被实现成NB-IoT(窄带物联网)设备。无线设备120a-120e可以被包括在容纳无线设备的组件(诸如处理器组件、存储器组件、类似组件、或其组合)的壳体内部。
通常,可以在给定的地理区域中部署任何数量的通信系统和任何数量的无线网络。每个通信系统和无线网络可以支持特定的无线接入技术(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、频率信道等。每个频率可以在给定的地理区域中支持单一RAT,以便避免不同RAT的通信系统之间的干扰。在一些情况下,可以部署NR或5G RAT网络。
在一些实施例中,两个或更多个移动设备120a-e(例如,被示为无线设备120a和无线设备120e)可以使用一个或多个侧行链路信道124直接进行通信(例如,在不使用基站110作为彼此进行通信的中介的情况下)。例如,无线设备120a-120e可以使用对等(P2P)通信、设备到设备(D2D)通信、运载工具到万物(V2X)协议(其可以包括运载工具到运载工具(V2V)协议、运载工具到基础设施(V2I)协议或类似协议)、网状网络、或类似网络、或其组合进行通信。在这种情况下,无线设备120a-120e可以执行调度操作、资源选择操作以及本文中在别处被描述为由基站110a执行的其它操作。
图2是示出适于实现各个实施例中的任何实施例的示例计算和无线调制解调器系统200的组件框图。各个实施例可以在多个单处理器和多处理器计算机系统上实现,包括片上系统(SOC)或系统级封装(SIP)。
参考图1和图2,所示出的示例计算系统200(其在一些实施例中可以是SIP)包括两个SOC 202、204,其耦合到时钟206、电压调节器208以及一个或多个无线收发机266,一个或多个无线收发机266被配置为经由一个或多个天线267向无线设备(诸如基站110a)发送无线通信以及从无线设备接收无线通信。在一些实施例中,第一SOC 202作为无线设备的中央处理单元(CPU)进行操作,其通过执行由软件应用程序的指令指定的算术、逻辑、控制和输入/输出(I/O)操作来执行所述指令。在一些实施例中,第二SOC 204可以作为专用处理单元进行操作。例如,第二SOC 204可以作为专用5G处理单元进行操作,其负责管理大容量、高速度(例如,5Gbps等)和/或极高频率短波长(例如,28GHz毫米波频谱等)的通信。
第一SOC 202可以包括数字信号处理器(DSP)210、调制解调器处理器212、图形处理器214、应用处理器216、连接到这些处理器中的一者或多者的一个或多个协处理器218(例如,矢量协处理器)、存储器220、定制电路222、系统组件和资源224、互连/总线模块226、一个或多个温度传感器230、热管理单元232和热功率包络(TPE)组件234。第二SOC 204可以包括5G调制解调器处理器252、功率管理单元254、互连/总线模块264、多个毫米波收发机256、存储器258和各种额外的处理器260(诸如应用处理器、分组处理器等)。多个毫米波收发机256可以连接到一个或多个天线268,并且可以被配置为经由一个或多个天线268向无线设备(诸如基站110a)发送无线通信以及从无线设备接收无线通信。
每个处理器210、212、214、216、218、252、260可以包括一个或多个核,并且每个处理器/核可以独立于其它处理器/核来执行操作。例如,第一SOC 202可以包括执行第一类型的操作系统(例如,FreeBSD、LINUX、OS X等)的处理器和执行第二类型的操作系统(例如,MICROSOFT WINDOWS10)的处理器。另外,处理器210、212、214、216、218、252、260中的任何一者或全部可以被包括为处理器集群架构(例如,同步处理器集群架构、异步或异构处理器集群架构等)的一部分。
第一SOC 202和第二SOC 204可以包括各种系统组件、资源和定制电路,其用于管理传感器数据、模数转换、无线数据传输以及用于执行其它专用操作,诸如解码数据分组和处理经编码的音频和视频信号以在web浏览器中呈现。例如,第一SOC 202的系统组件和资源224可以包括功率放大器、电压调节器、振荡器、锁相环、外围桥、数据控制器、存储器控制器、系统控制器、访问端口、定时器和用于支持在无线设备上运行的处理器和软件客户端的其它类似组件。系统组件和资源224和/或定制电路222还可以包括与外围设备(诸如相机、电子显示器、无线通信设备、外部存储器芯片等)对接的电路。
第一SOC 202和第二SOC 204可以经由互连/总线模块250进行通信。各种处理器210、212、214、216、218可以经由互连/总线模块226互连到一个或多个存储器元件220、系统组件和资源224、以及定制电路222、以及热管理单元232。类似地,处理器252可以经由互连/总线模块264互连到功率管理单元254、毫米波收发机256、存储器258和各种额外的处理器260。互连/总线模块226、250、264可以包括可重配置的逻辑门的阵列和/或实现总线架构(例如,CoreConnect、AMBA等)。可以通过高级互连(诸如高性能片上网络(NoC))提供通信。
第一SOC 202和/或第二SOC 204还可以包括用于与在SOC外部的资源(诸如时钟206和电压调节器208)进行通信的输入/输出模块(未示出)。在SOC外部的资源(例如,时钟206、电压调节器208)可以由内部SOC处理器/核中的两者或更多者共享。
除了以上讨论的示例SIP 200之外,各个实施例可以在多种多样的计算系统中实现,其可以包括单个处理器、多个处理器、多核处理器、或其任何组合。
图3是示出适于实现各个实施例中的任何实施例的包括用于无线通信中的用户面和控制面的无线电协议栈的软件架构300的软件架构图。参考图1-图3,无线设备(UE计算设备)320可以实现软件架构300以促进在通信系统(例如,100)的无线设备320(例如,无线设备120a-120e、200)与基站350(例如,基站100a)的基站350之间的通信。在各个实施例中,软件架构300中的层可以形成与基站350的软件中的对应层的逻辑连接。软件架构300可以分布在一个或多个处理器(例如,处理器212、214、216、218、252、260)之间。尽管关于一个无线电协议栈进行了说明,但是在多SIM(用户身份模块)无线设备中,软件架构300可以包括多个协议栈,其中每个协议栈可以与不同的SIM相关联(例如,分别与双SIM无线通信设备中的两个SIM相关联的两个协议栈)。尽管下面参考LTE通信层进行了描述,但是软件架构300可以支持用于无线通信的各种标准和协议中的任何一种,和/或可以包括支持用于无线通信的各种标准和协议中的任何一种的额外的协议栈。
软件架构300可以包括非接入层(NAS)302和接入层(AS)304。NAS 302可以包括用于支持在无线设备的SIM(例如,SIM 204)与其核心网络140之间的分组过滤、安全管理、移动性控制、会话管理以及业务和信令的功能和协议。AS 304可以包括支持SIM(例如,SIM204)与所支持的接入网络的实体(例如,基站)之间的通信的功能和协议。具体地,AS 304可以包括至少三个层(层1、层2和层3),其中每个层可以包含各种子层。
在用户面和控制面中,AS 304的层1(L1)可以是物理层(PHY)306,其可以监督在空中接口上实现发送或接收的功能。这样的物理层306功能的示例可以包括循环冗余校验(CRC)附加、编码块、加扰和解扰、调制和解调、信号测量、MIMO等。物理层可以包括各种逻辑信道,包括物理下行链路控制信道(PDCCH)和物理下行链路共享信道(PDSCH)。
在用户面和控制面中,AS 304的层2(L2)可以负责在无线设备320与基站350之间在物理层306之上的链路。在各个实施例中,层2可以包括介质访问控制(MAC)子层308、无线电链路控制(RLC)子层310以及分组数据汇聚协议(PDCP)312子层,其中每一者形成在基站350处终止的逻辑连接。
在控制面中,AS 304的层3(L3)可以包括无线电资源控制(RRC)子层3。虽然未示出,但是软件架构300可以包括额外的层3子层以及在层3之上的各种上层。在各个实施例中,RRC子层313可以提供包括以下各项的功能:广播系统信息、寻呼、以及在无线设备320与基站350之间建立和释放RRC信令连接。
在各个实施例中,PDCP子层312可以提供上行链路功能,包括在不同的无线电承载与逻辑信道之间的复用、序列号添加、切换数据处理、完整性保护、加密和报头压缩。在下行链路中,PDCP子层312可以提供包括以下各项的功能:数据分组的按顺序递送、重复数据分组检测、完整性验证、解密和报头解压缩。
在上行链路中,RLC子层310可以提供对上层数据分组的分段和串接、丢失数据分组的重传以及自动重传请求(ARQ)。而在下行链路中,RLC子层310功能可以包括数据分组的重排序以补偿无序接收、上层数据分组的重新组装以及ARQ。
在上行链路中,MAC子层308可以提供包括以下各项的功能:逻辑信道与传输信道之间的复用、随机接入过程、逻辑信道优先级和混合ARQ(HARQ)操作。在下行链路中,MAC层功能可以包括小区内的信道映射、解复用、不连续接收(DRX)和HARQ操作。
虽然软件架构300可以提供用于通过物理介质来发送数据的功能,但是软件架构300还可以包括至少一个主机层314,以向计算设备320中的各种应用提供数据传输服务。在一些实施例中,由至少一个主机层314提供的特定于应用的功能可以提供软件架构与通用处理器206之间的接口。
在其它实施例中,软件架构300可以包括提供主机层功能的一个或多个较高逻辑层(例如,传输、会话、呈现、应用等)。例如,在一些实施例中,软件架构300可以包括其中逻辑连接在分组数据网络(PDN)网关(PGW)处终止的网络层(例如,互联网协议(IP)层)。在一些实施例中,软件架构300可以包括其中逻辑连接在另一设备(例如,终端用户设备、服务器等)处终止的应用层。在一些实施例中,软件架构300还可以在AS 304中包括在物理层306与通信硬件(例如,一个或多个射频(RF)收发机)之间的硬件接口316。
图4示出了可以在用于实现各个实施例中的任何实施例的计算设备中实现的示例神经网络400。参考图1-图4,通信系统(例如,100)中的任何设备(诸如无线设备(UE计算设备)(例如,无线设备120a-120e、200、320)和/或基站(例如,基站110a、350等))都可以实现神经网络400。神经网络400可以是专用于任何目的的神经网络,诸如编码器神经网络、解码器神经网络等。作为一个示例,神经网络400可以是前馈深度神经网络。神经网络400可以分布在一个或多个处理器(例如,处理器212、214、216、218、252、260)之间。
神经网络400可以包括输入层402、中间层404和输出层406。层402、404、406中的每一层可以包括一个或多个处理节点,其接收输入值,基于输入值来执行计算,并且将结果(激活)传播到下一层。神经网络的结构可以是对神经网络400中的节点的类型、数量和/或互连(例如,层402、404、406布局)的描述。模型类型可以是神经网络元素本身(例如,层402、404、406和其中的节点)的实际表示和/或指示神经网络400的结构的描述符(例如,模型名称、模型编号、模型标签)(诸如对神经网络400中的节点的类型、数量和/或互连(例如,层402、404、406布局)的描述)。作为一个示例,在图4处所示的神经网络400的模型可以是具有单个输入节点X的输入层402、具有四个节点Y1、Y2、Y3和Y4的中间层404以及具有单个输出节点Z的输出层406。虽然关于特定层402、404、406和节点X、Y1、Y2、Y3、Y4和Z进行了说明,但是神经网络400可以包括额外的层、节点和/或它们之间的互连,并且神经网络400可以是任何类型的神经网络400。
在前馈神经网络(诸如神经网络400)中,所有计算都是作为对前一层的输出的一系列操作来执行的。最后一组操作生成神经网络的输出,诸如编码器神经网络中的经压缩的信息、解码器神经网络中的经解压缩的信息等。神经网络400的权重可以是与在神经网络400的训练之后在神经网络400的节点之间的互连相关联的值。例如,在图4中所示的权重W11是与在神经网络400的训练之后在神经网络400的X节点与Y个节点Y1、Y2、Y3、Y4之间的互连相关联的值。神经网络400的最终输出可以对应于神经网络400可以正在执行的任务,诸如作为编码器进行操作以压缩TX波形失真信息、作为解码器进行操作以从经压缩的TX波形信息恢复TX波形失真信息等。
在神经网络400中,可以在确定每个层402、404、406的权重的值的训练过程期间完成学习。在训练过程完成之后,神经网络400可以成功地执行其预期目的。例如,经训练的编码器网络可以成功地压缩信息,诸如将TX波形失真信息成功压缩成经压缩的TX失真波形信息。作为另一示例,经训练的解码器神经网络可以成功地解压缩信息,诸如成功地将经压缩的TX失真波形信息解压缩成TX波形失真信息(也被称为经恢复的TX波形失真信息)。
训练神经网络400可以包括使得神经网络400处理针对其而言预期/期望输出是已知的任务,并且将由神经网络400生成的输出与预期/期望输出进行比较。训练可以是有监督的或无监督训练。在训练期间,可以更新神经网络400的权重,直到神经网络400的输出与预期/期望输出匹配。发送设备的经训练的解码器神经网络的权重可以是与在发送设备处进行训练之后在解码器神经网络的每个节点之间的互连相关联的值。例如,如在图4中所示的经训练的神经网络400的权重可以包括权重W11,权重W11是与在神经网络400的训练之后在神经网络的X节点与Y节点Y1、Y2、Y3、Y4之间的互连相关联的值。例如,在图4中所示的示例中,Y可以通过以下等式与X相关:Y=W11*X,其中Y=[Y1,Y2,Y3,Y4],并且W11是1x4矩阵,使得W11是权重,并且类似地,Z可以通过其它权重与Y相关。
提供神经网络400的模型和经训练的神经网络400的权重可以使得能够创建相同神经网络400的另一实例。在各个实施例中,具有相同模型类型的两个解码器神经网络可以具有相同的结构,使得基于相同的输入(例如,相同的经压缩的输入,诸如经压缩的TX波形失真信息)被提供给每个解码器神经网络,将相同的权重应用于两个解码器神经网络将导致两个神经网络的相同输出(例如,当神经网络400是解码器神经网络时,相同的经解压缩的输出)。以这种方式,具有经训练的神经网络400的模型类型和经训练的神经网络400的权重的设备可以配置第二神经网络以对应于神经网络400(例如,将该第二神经网配置作为经训练的神经网络400的副本),以生成与经训练的神经网络400针对相同输入将生成的输出相同的输出,而无需花费时间来实际训练第二神经网络。
图5是根据各个实施例的用于由向接收设备发送波形的发送设备的处理器执行的无线通信的示例500的过程流程图。参考图1-图5,方法500可以由发送设备的处理器(诸如212、216、252或260)来实现,诸如实现一个或多个神经网络(例如,神经网络400)的无线设备(UE计算设备)(例如,无线设备120a-120e、200、320)和/或基站(例如,基站110a、350等)。作为一个示例,在3GPP网络中的UL通信中,发送设备可以是UE计算设备,而接收设备可以是基站(例如,gNB)。作为另一示例,在3GPP网络中的DL通信中,发送设备可以是基站(例如,gNB),而接收设备可以是UE计算设备。
在框502中,发送设备的处理器可以执行包括以下项的操作:获得发送设备的TX波形失真信息。在一些实施例中,TX波形失真信息可以是失真误差的二维图,所述失真误差由于在用于发送设备的一个或多个天线的时隙内的正交频分复用(OFDM)符号的信号削波被造成。TX波形失真信息可以被配置为使得接收设备可以使用发送设备的TX波形失真信息来减轻在从发送设备接收的TX波形中的波形失真。例如,接收设备可以使用TX波形失真信息来减轻多个OFDM符号的TX波形失真。
在框504中,发送设备的处理器可以执行包括以下项的操作:训练编码器神经网络,以将发送设备的TX波形失真信息压缩成发送设备的经压缩的TX波形失真信息。
在框506中,发送设备的处理器可以执行包括以下项的操作:训练解码器神经网络,以从发送设备的经压缩的TX波形失真信息恢复发送设备的TX波形失真信息。
在各个实施例中,发送设备可以包括编码器神经网络和解码器神经网络对。在一些实施例中,编码器神经网络和解码器神经网络可以是深度神经网络。在一些实施例中,对于发送设备的每个发射天线,可以存在编码器和解码器对。编码器神经网络可以被配置为压缩信息。例如,编码器神经网络可以被配置为将TX波形失真信息压缩成经压缩的TX波形失真信息。解码器神经网络可以被配置为解压缩信息。例如,解码器神经网络可以被配置为从经压缩的TX波形失真信息恢复TX波形失真信息。
在一些实施例中,发送设备的编码器神经网络和发送设备的解码器神经网络可以是使用无监督学习算法进行训练的。在一些实施例中,训练发送设备的编码器神经网络和训练发送设备的解码器神经网络可以包括针对发送设备的一个发射天线来训练编码器神经网络和解码器神经网络。在一些实施例中,训练发送设备的编码器神经网络以及训练发送设备的解码器神经网络可以是周期性地执行的。例如,训练可以在发送设备的初始启动时发生,每天发生,在注册到新网络时发生,等等。在一些实施例中,发送设备的编码器神经网络和发送设备的解码器神经网络可以是使用无监督学习算法进行训练的。
在框508中,发送设备的处理器可以执行包括以下项的操作:确定发送设备的经训练的解码器神经网络的模型类型和发送设备的经训练的解码器神经网络的一个或多个权重。模型类型可以是神经网络的结构,诸如对神经网络中的节点的类型、数量和/或互连(例如,层布局)的描述。模型类型可以是神经网络元素本身的实际表示和/或指示神经网络的结构的描述符(例如,模型名称、模型编号、模型标签),诸如对神经网络中的节点的类型、数量和/或互连(例如,层布局)的描述。在一些实施例中,发送设备的解码器神经网络的模型类型可以向接收设备提供信息,以重构如在发送设备处训练的解码器神经网络的特定结构。神经网络的权重可以是与在神经网络的训练之后在神经网络的节点之间的互连相关联的值。发送设备的经训练的解码器神经网络的权重可以是与在发送设备处进行训练之后在解码器神经网络的节点之间的互连相关联的值。在一些实施例中,具有相同模型类型的两个解码器神经网络可以具有相同的结构,使得基于相同的经压缩的输入被提供给每个解码器神经网络,将相同的权重应用于两个解码器神经元网络将导致两个解码神经网络的相同的经解压缩的输出。以这种方式,具有发送设备的经训练的解码器神经网络的模型类型和发送设备的经训练的解码器神经网络的权重的接收设备可以将接收设备的解码器神经网络配置为从共同经压缩的输入恢复与由发送设备的经训练的解码器神经网络将恢复的相同的经解压缩的输出,而不必花费时间来实际训练接收设备的解码器神经网络。
在框509中,发送设备的处理器可以执行包括以下项的操作:使用编码器神经网络来将针对发送设备的发射波形失真信息压缩成经压缩的发射波形失真信息。在一些实施例中,将针对发送设备的发射波形失真信号压缩成经压缩的发射波形失真信息可以是在将编码器神经网络训练为实现针对发射波形失真信息的选定压缩水平之后执行的。例如,经训练的编码器神经网络可以将所获得的TX波形失真信息压缩成选定的压缩水平,以发送给接收设备。
在框510中,发送设备的处理器可以执行包括以下项的操作:在配置中将发送设备的经压缩的TX波形失真信息、一个或多个权重和/或模型类型发送给接收设备,该配置使得接收设备能够使用一个或多个权重和/或模型类型来将接收设备的解码器神经网络配置为从经压缩的TX波形失真信息恢复发送设备的TX波形失真信息。发送设备的经压缩的TX波形失真信息、模型类型和权重可以在配置中被发送给接收设备,该配置使得接收设备能够使用模型类型和权重来将接收设备的解码器神经网络配置为从发送设备的经压缩的TX波形失真信息恢复发送设备的TX波形失真信息。在一些实施例中,发送设备的经压缩的TX波形失真信息、模型类型和权重可以是一起发送的。在一些实施例中,发送设备的经压缩的TX波形失真信息、模型类型和权重可以是单独地发送的。在一些实施例中,发送设备的经压缩的TX波形失真信息、模型类型和权重可以是在发送计算设备和接收计算设备之间交换的开销信息中发送的。在一些实施例中,发送设备的经压缩的TX波形失真信息可以在针对要发送的每个时隙的控制信息中发送的。经压缩的TX波形失真信息可以取决于可以在每个时隙上发送的数据,因为要发送的数据可能影响OFDM波形。以每个时隙为基础提供经压缩的TX波形失真信息可以使得接收设备能够以每个时隙为基础减轻TX波形失真。在一些实施例中,经压缩的TX波形失真信息以及模型类型和权重可以是以不同的周期用信号发送的。在一些实施例中,与发送设备的经压缩的TX波形失真信息相比,模型类型和权重可以是不太频繁地用信号发送的。例如,经压缩的TX波形失真信息可以是在针对每个时隙的控制信息中发送的,而权重可以是以大于每个时隙的周期来发送的(例如,与经压缩的TX波形失真信息相比不太频繁)。权重和/或模型类型可以是以与经压缩的TX波形失真信息相比更大的时间尺度来发送的,因为发送设备的编码器神经网络和解码器神经网络可能是不频繁地更新的。
图6是根据各个实施例的用于由从发送设备接收波形的接收设备的处理器执行的无线通信的示例方法600的过程流程图。参考图1-图6,方法600可以由接收设备的处理器(诸如212、216、252或260)来实现,诸如实现一个或多个神经网络(例如,神经网络400)的无线设备(UE计算设备)(例如,无线设备120a-120e、200、320)和/或基站(例如,基站110a、350等)。方法600的操作可以结合方法500(图5)的操作来执行。作为一个示例,在3GPP网络中的UL通信中,接收设备可以是基站(例如,gNB),而发送设备可以是UE计算设备。作为另一示例,在3GPP网络中的DL通信中,接收设备可以是UE计算设备,而发送设备可以是基站(例如,gNB)。
在框602中,接收设备的处理器可以执行包括以下项的操作:接收发送设备的经压缩的TX波形失真信息、发送设备的经训练的解码器神经网络的一个或多个权重和/或发送设备的经训练的解码器神经网络的模型类型。例如,经压缩的TX波形失真信息、模型类型和权重可以是执行图5的方法500的操作的发送设备的经压缩的TX波形失真信息、模型类型和权重。在一些实施例中,发送设备的经压缩的TX波形失真信息、模型类型和权重可以是在开销信息中接收的。在一些实施例中,发送设备的经压缩的TX波形失真信息可以是在针对要发送的每个时隙的控制信息中接收的。
在一些实施例中,模型类型和权重可以是直接从发送设备接收的。例如,发送设备可以是UE计算设备,并且UE计算设备可以将模型类型和权重发送给基站,作为在UE计算设备和基站之间的用于在由基站服务的小区中接收服务的初始注册过程的一部分。基站可以是接收设备,并且可以利用模型类型和权重来减轻在由UE计算设备发送的TX波形中的失真。在一些实施例中,模型类型和权重可以是从除了发送设备以外的基站接收的。例如,模型类型和权重可以是在通信网络中的设备之间存储和共享的值。基站的模型类型和权重可以是在设备之间共享的,使得设备可以间接地接收针对另一设备的模型类型和权重。作为一个示例,相邻小区的基站可以彼此共享它们的模型类型和权重,并且与在其相应小区中的UE计算设备共享其模型类型和权重,以支持UE计算设备移动性和切换。作为另一示例,UE计算模型类型和权重可以是集中地存储的,使得基站可以在发现UE计算设备时取回针对UE计算设备的模型类型和权重,而不需要UE计算设备直接向基站发送模型类型和权重等。
在一些实施例中,除了模型类型和/或权重之外,还可以集中地存储基站的经压缩的TX波形失真信息,使得UE计算设备可以在进入下一基站的覆盖区域之前取回针对该基站的经压缩的TX波形失真信息、模型类型和/或权重,并且无需UE计算设备直接从该下一基站接收经压缩的TX波形失真信息、模型类型和/或权重等。存储经压缩的TX波形失真信息在以下情况下可以是有用的:其中网络侧发射机多次发送相同数据(例如,周期性地发送的服务描述),并且UE计算设备使用来自下一小区的经压缩的TX波形失真信息来提前设置以接收下一小区的相同数据。
在框604中,接收设备的处理器可以执行包括以下项的操作:使用所接收的一个或多个权重和/或所接收的模型类型来配置接收设备的解码器神经网络。模型类型可以是神经网络的结构,诸如对神经网络中的节点的类型、数量和/或互连(例如,层布局)的描述。模型类型可以是神经网络元素本身的实际表示和/或指示神经网络的结构的描述符(例如,模型名称、模型编号、模型标签),诸如对神经网络中的节点的类型、数量和/或互连(例如,层布局)的描述。神经网络的权重可以是与在神经网络的训练之后在神经网络的节点之间的互连相关联的值。在一些实施例中,具有发送设备的经训练的解码器神经网络的模型类型和发送设备的经训练的解码器神经网络的权重的接收设备可以将接收设备的解码器神经网络配置为根据从发送设备接收的发送设备的经压缩的TX波形失真信息恢复由发送设备的经训练的解码器神经网络将恢复的相同的经解压缩的输出。以这种方式,接收设备可以将其解码器神经网络配置为经训练的神经网络,而不必花费时间来实际地训练其解码器神经网络。
在框606中,接收设备的处理器可以执行包括以下项的操作:使用接收设备的经配置的解码器神经网络从经压缩的TX波形失真信息恢复发送设备的TX波形失真信息。在一些实施例中,TX波形失真信息可以包括失真误差的二维图,所述失真误差由于在用于发送设备的一个或多个天线的时隙内的OFDM符号的信号削波而造成。接收设备可以恢复最初在发送设备处创建的相同的二维失真图。
在框608中,接收设备的处理器可以执行包括以下各项的操作:使用发送设备的TX波形失真信息来减轻在从发送设备接收的TX波形中的波形失真。减轻波形失真可以包括在接收设备处使用TX波形失真信息来重构原始TX波形信号。以这种方式,通过减轻波形失真,接收设备可以补偿由发送设备本身造成的任何失真,诸如由发送设备的功率放大器造成的失真。
图7A示出了接收设备和发送设备执行方法500和600的操作以利用神经网络将失真信息从发送设备提供给接收设备的示例交互。参考图1-图7A,所示和讨论的交互可以由向接收设备752发送TX波形的发送设备750的处理器(诸如212、216、252或260)来实现,诸如实现一个或多个神经网络(例如,神经网络400)的无线设备(UE计算设备)(例如,无线设备120a-120e、200、320)和/或基站(例如,基站110a、350等),诸如实现一个或多个神经网络(例如,神经网络400)的无线设备(UE计算设备)(例如,无线设备120a-120e、200、320)和/或基站(例如,基站110a、350等)。
发送设备750可以获得由于针对发送设备750的每个发射天线的信号削波而造成的失真误差的二维失真图700。为了便于说明,二维失真图700被示为单个发射天线的误差图。网格中的每个单元表示在OFDM符号内的时域样本,其中阴影块702、704、706、708和710表示不同的发射波形失真水平,通常被表示为复数。
发送设备750可以将二维失真图700输入到发送设备750的编码器神经网络714(例如,神经网络400)。编码器神经网络714的输出可以是经压缩的TX波形失真信息716。经压缩的TX波形失真信息716可以由发送设备750输出到发送设备750的解码器神经网络718(例如,神经网络400)作为解码器神经网络718的输入。
发送设备750可以训练其编码器神经网络714和解码器神经网络718,直到编码器神经网络714达到选定的压缩水平,并且解码器神经网络718正确地输出二维失真图700。例如,当所输出的经压缩的TX波形失真信息716导致解码器神经网络718输出原始失真图700的正确副本时,可以认为发送设备750的解码器神经网络718被训练,所输出的经压缩的TX波形失真信息716是作为输入提供给发送设备750的解码器神经网络718的经压缩的TX波形失真图700。
响应于发送设备750的解码器神经网络718被训练,发送设备750可以确定发送设备750的经训练的解码器神经网络718的模型类型和发送设备750的经训练的解码器神经网络718的权重。一旦编码器神经网络714和解码器神经网络718被训练,发送设备750就可以将经压缩的TX波形失真信息716以及经训练的解码器神经网络718的模型类型和权重发送给接收设备752。
接收设备752可以使用所接收的模型类型和权重来配置其解码器神经网络720。以这种方式,解码器神经网络720可以有效地被配置为经训练的解码器神经网络718的副本,而不必实际经历解码器神经网络720的训练。
接收设备752可以将经压缩的TX波形失真信息716输入到其解码器神经网络720中,并且输出可以是原始失真图700。接收设备752可以使用失真图700来减轻在从发送设备750接收的发射波形中的TX波形失真。
图7B示出了图7A的接收设备752和发送设备750执行方法500和600的操作以利用神经网络来将失真信息从发送设备750提供给接收设备752中的额外示例交互。参考图1-图7B,所示和讨论的交互可以由向接收设备752发送TX波形的发送设备750的处理器(诸如212、216、252或260)来实现,诸如实现一个或多个神经网络(例如,神经网络400)的无线设备(UE计算设备)(例如,无线设备120a-120e、200、320)和/或基站(例如,基站110a、350等),诸如实现一个或多个神经网络(例如,神经网络400)的无线设备(UE计算设备)(例如,无线设备120a-120e、200、320)和/或基站(例如,基站110a、350等)。
图7B示出了OFDM符号764可以被输出为发射波形(x)的数字表示,发射波形(x)被传递到数模转换器(D2A)751和功率放大器753,以经由发送设备750的天线760以TX波形763进行传输。TX波形763可以是在空中被发送给接收设备752的模拟信号。用于发送TX波形763的操作(诸如功率放大等)可能造成信号失真,信号失真可以通过将信号输出键入到天线760并且将该输出传递到模数转换器(A2D)754来测量。A2D 754的输出可以是失真的TX波形(y)的数字表示。在失真的TX波形(y)中存在的失真可以是在发送设备750的发射链中造成和/或经历的失真的函数。发射波形(x)的数字表示和失真的TX波形(y)的数字表示可以被传递到比较器756。比较器756可以确定两个波形之间的差(诸如y-x),并且该差可以是发送设备750的TX波形失真信息。发送设备750的该TX波形失真信息(例如,y-x)可以被提供给发送设备750的编码器神经网络714。编码器神经网络714可以将发送设备750的TX波形失真信息压缩成经压缩的TX波形失真信息716。此外,发送设备750的TX波形失真信息(例如,y-x)可以被提供给训练模块780,训练模块780被配置为控制对编码器神经网络714和解码器神经网络718的训练。例如,训练模块780可以应用用于训练编码器神经网络714和/或解码器神经网络718的一个或多个损失函数,诸如均方误差(MSE)损失函数。
在训练操作模式下,经压缩的TX波形失真信息716可以被传递给发送设备750的解码器神经网络718,并且解码器神经网络718可以从经压缩的TX波形失真信号716恢复TX波形失真信息(例如,y-x)。解码器神经网络718的输出可以被输出到训练模块780并且与输入到编码器神经网络714的TX波形失真信息进行比较。发送设备750的训练模块780可以训练其编码器神经网络714和解码器神经网络718,直到编码器神经网络714达到选定的压缩水平并且解码器神经网络718正确地输出发送设备750的TX波形失真信息(例如,y-x)。训练可以包括应用在编码器神经网络714的输入与解码器神经网络718的输出之间的损失函数,诸如MSE损失。例如,当所输出的经压缩的TX波形失真信息716导致解码器神经网络718输出发送设备750的原始TX波形失真信息的正确副本(例如,y-x的正确副本)时,可以认为发送设备750的解码器神经网络718被训练,所输出的经压缩的TX波形失真信息716是作为输入提供给发送设备750的解码器神经网络718的经压缩的TX波形失真信息716。
响应于发送设备750的解码器神经网络718被训练,发送设备750可以确定发送设备750的经训练的解码器神经网络718的模型类型和/或发送设备750的经训练的解码器神经网络718的一个或多个权重。一旦编码器神经网络714和解码器神经网络718被训练,发送设备750就可以将经压缩的TX波形失真信息716、经训练的解码器神经网络718的模型类型和/或经训练的解码器神经网络718中的一个或多个权重发送给接收设备752。经压缩的TX波形失真信息716、经训练的解码器神经网络718的模型类型和/或经训练的解码器神经网络718的一个或多个权重可以以各种方式被发送,诸如在开销信令、带外信令等中。
接收设备752可以使用所接收的一个或多个权重和/或所接收的模型类型来配置其解码器神经网络720。以这种方式,解码器神经网络720可以高效地被配置为经训练的解码器神经网络718的副本,而不必实际经历解码器神经网络720的训练。
接收设备752可以将经压缩的TX波形失真信息716输入其解码器神经网络720,并且输出可以是发送设备750的原始TX波形失真信息(例如,y-x的经恢复的副本)。接收设备752可以将发送设备750的该TX波形失真信息(例如,y-x的经恢复的副本)传递给接收机757,以减轻在经由接收设备752中的天线761从发送设备750接收的发射波形763中的TX波形失真。接收设备752的接收机757可以使用发送设备750的经恢复的TX波形失真(例如,y-x的经恢复的副本)来减轻波形失真并且接收在发射波形763中发送的OFDM符号764。
各个实施例可以在各种无线网络设备上实现,其示例在图8中以无线网络计算设备800的形式示出,无线网络计算设备800充当通信网络的网络元件,诸如基站。这样的网络计算设备可以至少包括在图8中示出的组件。参考图1-8,网络计算设备800通常可以包括耦合到易失性存储器802和大容量非易失性存储器(诸如磁盘驱动器803)的处理器801。网络计算设备800还可以包括外围存储器访问设备,诸如耦合到处理器801的软盘驱动器、压缩光盘(CD)或数字视频光盘(DVD)驱动器806。网络计算设备800还可以包括耦合到处理器801的网络接入端口804(或接口),其用于与网络(诸如互联网和/或耦合到其它系统计算机和服务器的局域网)建立数据连接。网络计算设备800可以耦合用于发送和接收电磁辐射的一个或多个天线以用于建立无线通信链路。网络计算设备800可以包括用于耦合到外围设备、外部存储器或其它设备的额外的接入端口,诸如USB、Firewire、Thunderbolt等。
各个实施例可以在各种无线设备(例如,无线设备120a-120e、200、320)上实现,其示例在图9中以智能电话900的形式示出。智能电话900可以包括第一SOC 202(例如,SOC-CPU),其耦合到第二SOC 204(例如,具有5G能力的SOC)。第一SOC 202和第二SOC 204可以耦合到内部存储器906、916、显示器912以及扬声器914。另外,智能电话900可以包括用于发送和接收电磁辐射的天线904,其可以连接到无线数据链路和/或蜂窝电话收发机908,无线数据链路和/或蜂窝电话收发机908耦合到第一SOC 202和/或第二SOC 204中的一个或多个处理器。智能电话900通常还包括用于接收用户输入的菜单选择按钮或翘板开关920。
典型的智能电话900还包括声音编码/解码(CODEC)电路910,其将从麦克风接收的声音数字化为适于无线传输的数据分组,并且对接收到的声音分组进行解码以生成模拟信号,模拟信号被提供给扬声器以生成声音。此外,第一SOC 202和第二SOC 204中的处理器中的一个或多个处理器、无线收发机908和CODEC 910可以包括数字信号处理器(DSP)电路(未单独示出)。
无线网络计算设备800和智能电话900的处理器可以是任何可编程微处理器、微型计算机、或一个或多个多处理器芯片,其可以由软件指令(应用)配置为执行各种功能,包括下文描述的各个实施例的功能。在一些移动设备中,可以提供多个处理器,诸如专用于无线通信功能的SOC 204内的一个处理器、以及专用于运行其它应用的SOC 202内的一个处理器。通常,在访问软件应用并且将其加载到处理器之前,可以将它们存储在存储器906、916中。处理器可以包括足以存储应用软件指令的内部存储器。
如本申请中所使用的,术语“组件”、“模块”、“系统”等旨在包括计算机相关实体,诸如但不限于硬件、固件、硬件和软件的组合、软件或者执行中的软件,其被配置为执行特定操作或功能。例如,组件可以是但不限于是:在处理器上运行的进程、处理器、对象、可执行文件、执行的线程、程序和/或计算机。通过说明的方式,在无线设备运行上的应用和无线设备两者都可以被称为组件。一个或多个组件可以位于进程和/或执行的线程中,并且组件可以定位于一个处理器或核上和/或分布在两个或更多个处理器或核之间。另外,这些组件可以从具有存储在其上的各种指令和/或数据结构的各种非暂时性计算机可读介质来执行。组件可以通过本地和/或远程进程、函数或过程调用、电子信号、数据分组、存储器读/写以及其它已知的与网络、计算机、处理器和/或过程相关的通信方法的方式进行通信。
将来可获得或预期多种不同的蜂窝和移动通信服务和标准,所有这些都可以实现并且受益于各个实施例。这样的服务和标准包括例如第三代合作伙伴计划(3GPP)、长期演进(LTE)系统、第三代无线移动通信技术(3G)、第四代无线移动通信技术(4G)、第五代无线移动通信技术(5G)、全球移动通信系统(GSM)、通用移动电信系统(UMTS)、3GSM、通用分组无线电服务(GPRS)、码分多址(CDMA)系统(例如,cdmaOne、CDMA1020TM)、增强型GSM演进数据速率(EDGE)、高级移动电话系统(AMPS)、数字AMPS(IS-136/TDMA)、演进数据优化(EV-DO)、数字增强型无绳电信(DECT)、全球微波接入互操作性(WiMAX)、无线局域网(WLAN)、Wi-Fi保护访问I和II(WPA、WPA2)和集成数字增强型网络(iDEN)。这些技术中的每种技术都涉及例如语音、数据、信令和/或内容消息的发送和接收。应当理解的是,除非在权利要求语言中具体地记载,否则对与单独的电信标准和/或技术有关的术语或技术细节的任何引用仅出于说明性目的,并且不旨在将权利要求的范围限制于特定的通信系统或技术。
所示出和描述的各个实施例仅作为示例来提供,以说明权利要求的各种特征。然而,关于任何给定实施例示出和描述的特征不一定限于相关联的实施例,并且可以与所示出和描述的其它实施例一起使用或组合。此外,权利要求并不旨在被任何一个示例实施例限制。例如,方法500和/或600的操作中的一个或多个操作可以替换方法500和/或600的一个或多个操作或者与其进行组合。
前述的方法描述和过程流程图仅是作为说明性示例来提供的,而不旨在要求或暗示各个实施例的操作必须按照所给出的顺序来执行。如本领域技术人员将明白的,前述实施例中的操作的顺序可以按照任何顺序来执行。诸如“此后”、“随后”、“接着”等词并不旨在限制操作的顺序;这些词用于引导读者通读对方法的描述。此外,以单数形式(例如,使用冠词“一(a)”、“一(an)”或“所述(the)”)对权利要求要素的任何引用不应被解释为将该元素限制成单数。
结合本文公开的实施例所描述的各种说明性的逻辑框、模块、组件、电路和算法操作可以实现成电子硬件、计算机软件、或者两者的组合。为了清楚地示出硬件和软件的这种可互换性,上文已经对各种说明性的组件、框、模块、电路以及操作围绕其功能进行了总体描述。至于这种功能是实现成硬件还是实现成软件,取决于具体应用和施加在整体系统上的设计约束。技术人员可以针对每个特定应用,以变化的方式实现所描述的功能,但是,这样的实施例决策不应当被解释为导致脱离权利要求的范围。
可以利用被设计为执行本文所描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件、或者其任何组合来实现或执行用于实现结合本文公开的实施例所描述的各种说明性的逻辑、逻辑块、模块以及电路的硬件。通用处理器可以是微处理器,但是在替代的方式中,处理器可以是任何常规的处理器、控制器、微控制器或状态机。处理器还可以实现为接收机智能对象的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或者任何其它这样的配置。替代地,一些操作或方法可以由特定于给定功能的电路来执行。
在一个或多个实施例中,所述功能可以用硬件、软件、固件或其任何组合来实现。如果用软件来实现,则可以将所述功能作为一个或多个指令或代码存储在非暂时性计算机可读存储介质或者非暂时性处理器可读存储介质上。本文所公开的方法或算法的操作可以体现在处理器可执行软件模块或处理器可执行指令中,处理器可执行软件模块或处理器可执行指令可以驻留在非暂时性计算机可读或处理器可读存储介质上。非暂时性计算机可读或处理器可读存储介质可以是可以由计算机或处理器存取的任何存储介质。通过举例而非限制性的方式,这种非暂时性计算机可读或处理器可读存储介质可以包括RAM、ROM、EEPROM、闪存、CD-ROM或其它光盘存储、磁盘存储或其它磁存储智能对象、或者可以用于以指令或数据结构的形式存储期望的程序代码并且可以由计算机存取的任何其它介质。如本文所使用的,磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘,其中磁盘通常磁性地复制数据,而光盘用激光来光学地复制数据。上述的组合也被包括在非暂时性计算机可读和处理器可读介质的范围之内。此外,方法或算法的操作可以作为代码和/或指令中的一个或任何组合、或代码和/或指令集驻留在非暂时性处理器可读存储介质和/或计算机可读存储介质上,所述非暂时性处理器可读存储介质和/或计算机可读存储介质可以被并入计算机程序产品中。
提供所公开的实施例的以上描述使本领域任何技术人员能够实施或使用权利要求。对于本领域技术人员来说,对这些实施例的各种修改将是显而易见的,并且在不脱离权利要求的范围的情况下,可以将本文定义的总体原理应用于其它实施例。因此,本公开内容并不旨在限于本文示出的实施例,而是要被赋予与跟随的权利要求和本文所公开的原理和新颖特征的相一致的最宽范围。
Claims (30)
1.一种由发送设备的处理器执行的无线通信的方法,所述发送设备向接收设备发送波形,包括:
获得所述发送设备的发射波形失真信息;
使用编码器神经网络来将所述发送设备的所述发射波形失真信息压缩成经压缩的发射波形失真信息;以及
在配置中向所述接收设备发送所述经压缩的发射波形失真信息以及一个或多个解码器神经网络权重,所述配置使得所述接收设备能够使用所述一个或多个解码器神经网络权重来将所述接收设备的解码器神经网络配置为从所述经压缩的发射波形失真信息恢复所述发送设备的所述发射波形失真信息。
2.根据权利要求1所述的方法,还包括:
确定所述发送设备的解码器神经网络的模型类型,
其中,向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重包括:向所述接收设备发送所述经压缩的发射波形失真信息、所述一个或多个解码器神经网络权重以及所述模型类型。
3.根据权利要求1所述的方法,其中,向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重包括:在针对要发送的每个时隙的控制信息中向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重。
4.根据权利要求1所述的方法,其中,所述发送设备是用户设备(UE)计算设备,并且所述接收设备是基站。
5.根据权利要求1所述的方法,其中,所述发送设备是基站,并且所述接收设备是用户设备(UE)计算设备。
6.根据权利要求1所述的方法,还包括:
训练所述编码器神经网络,以将所述发送设备的所述发射波形失真信息压缩成所述经压缩的发射波形失真信息;以及
训练所述发送设备的所述解码器神经网络,以从所述经压缩的发射波形失真信息恢复所述发送设备的所述发射波形失真信息,其中,所述一个或多个解码器神经网络权重是所述发送设备的经训练的解码器神经网络的权重。
7.根据权利要求6所述的方法,其中,所述发送设备的所述编码器神经网络和所述解码器神经网络是使用无监督学习算法来训练的。
8.根据权利要求6所述的方法,其中,训练所述编码器神经网络以及训练所述发送设备的所述解码器神经网络包括:针对所述发送设备的一个发射天线来训练所述发送设备的所述编码器神经网络和所述解码器神经网络。
9.根据权利要求6所述的方法,其中,训练所述编码器神经网络以及训练所述发送设备的所述解码器神经网络包括:针对所述发送设备的每个发射天线来训练所述发送设备的所述编码器神经网络和所述解码器神经网络。
10.一种由接收设备的处理器执行的无线通信的方法,所述接收设备被配置为从发送设备接收波形,包括:
接收所述发送设备的经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重;
使用所接收的一个或多个权重来配置所述接收设备的解码器神经网络;以及
使用所述接收设备的经配置的解码器神经网络,从所述发送设备的所述经压缩的发射波形失真信息恢复所述发送设备的发射波形失真信息。
11.根据权利要求10所述的方法,还包括:
使用所述发送设备的经恢复的发射波形失真信息来减轻在从所述发送设备接收的发射波形中的波形失真。
12.根据权利要求10所述的方法,其中:
接收所述发送设备的所述经压缩的发射波形失真信息以及所述发送设备的所述经训练的解码器神经网络的所述一个或多个权重包括:接收所述发送设备的所述经压缩的发射波形失真信息、所述发送设备的所述经训练的解码器神经网络的所述一个或多个权重、以及所述发送设备的所述经训练的解码器神经网络的模型类型;并且
使用所接收的一个或多个权重来配置所述接收设备的所述解码器神经网络包括:使用所接收的一个或多个权重和所接收的模型类型来配置所述接收设备的所述解码器神经网络。
13.根据权利要求10所述的方法,其中,经恢复的发射波形失真信息包括:由于在用于所述发送设备的一个或多个天线的时隙内的正交频分复用(OFDM)符号的信号削波而造成的失真误差的二维图。
14.根据权利要求10所述的方法,其中,接收所述发送设备的所述经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重包括:在针对要发送的每个时隙的控制信息中接收所述发送设备的经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重。
15.根据权利要求10所述的方法,其中,所述接收设备是基站,并且所述发送设备是用户设备(UE)计算设备。
16.根据权利要求15所述的方法,其中,所述经压缩的发射波形失真信息以及所述一个或多个权重是直接从所述UE计算设备接收的。
17.根据权利要求10所述的方法,其中,所述经压缩的发射波形失真信息以及所述一个或多个权重是从除了所述发送设备以外的基站接收的。
18.一种发送设备,包括:
处理器,其被配置有处理器可执行指令以执行包括以下各项的操作:
获得所述发送设备的发射波形失真信息;
使用编码器神经网络来将所述发送设备的所述发射波形失真信息压缩成经压缩的发射波形失真信息;以及
在配置中向接收设备发送所述经压缩的发射波形失真信息以及一个或多个解码器神经网络权重,所述配置使得所述接收设备能够使用所述一个或多个解码器神经网络权重来将所述接收设备的解码器神经网络配置为从所述经压缩的发射波形失真信息恢复所述发送设备的所述发射波形失真信息。
19.根据权利要求18所述的发送设备,其中:
所述处理器被配置有处理器可执行指令,以执行进一步包括以下项的操作:确定所述发送设备的解码器神经网络的模型类型;以及
所述处理器被配置有处理器可执行指令以执行操作,使得向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重包括:向所述接收设备发送所述经压缩的发射波形失真信息、所述一个或多个解码器神经网络权重以及所述模型类型。
20.根据权利要求18所述的发送设备,其中,所述处理器被配置有处理器可执行指令以执行操作,使得向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重包括:在针对要发送的每个时隙的控制信息中向所述接收设备发送所述经压缩的发射波形失真信息以及所述一个或多个解码器神经网络权重。
21.根据权利要求18所述的发送设备,其中,所述处理器被配置有处理器可执行指令以执行进一步包括以下各项的操作:
训练所述编码器神经网络,以将所述发送设备的所述发射波形失真信息压缩成所述经压缩的发射波形失真信息;以及
训练所述发送设备的所述解码器神经网络,以从所述经压缩的发射波形失真信息恢复所述发送设备的所述发射波形失真信息,其中,所述一个或多个解码器神经网络权重是所述发送设备的经训练的解码器神经网络的权重。
22.根据权利要求21所述的发送设备,其中,所述处理器被配置有处理器可执行指令以执行操作,使得所述发送设备的所述编码器神经网络和所述解码器神经网络是使用无监督学习算法来训练的。
23.根据权利要求21所述的发送设备,其中,所述处理器被配置有处理器可执行指令以执行操作,使得训练所述编码器神经网络以及训练所述发送设备的所述解码器神经网络包括:针对所述发送设备的一个发射天线来训练所述发送设备的所述编码器神经网络和所述解码器神经网络。
24.根据权利要求21所述的发送设备,其中,所述处理器被配置有处理器可执行指令以执行操作,使得训练所述编码器神经网络以及训练所述发送设备的所述解码器神经网络包括:针对所述发送设备的每个发射天线来训练所述发送设备的所述编码器神经网络和所述解码器神经网络。
25.根据权利要求21所述的发送设备,其中,所述发送设备是基站或用户设备(UE)计算设备。
26.一种接收设备,包括:
处理器,其被配置有处理器可执行指令以执行包括以下各项的操作:
接收发送设备的经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重;
使用所接收的一个或多个权重来配置所述接收设备的解码器神经网络;以及
使用所述接收设备的经配置的解码器神经网络,从所述发送设备的所述经压缩的发射波形失真信息恢复所述发送设备的发射波形失真信息。
27.根据权利要求26所述的接收设备,其中,所述处理器被配置有处理器可执行指令以执行进一步包括以下项的操作:
使用所述发送设备的经恢复的发射波形失真信息来减轻在从所述发送设备接收的发射波形中的波形失真。
28.根据权利要求26所述的接收设备,其中,所述处理器被配置有处理器可执行指令以执行操作,使得:
接收所述发送设备的所述经压缩的发射波形失真信息以及所述发送设备的所述经训练的解码器神经网络的所述一个或多个权重包括:接收所述发送设备的所述经压缩的发射波形失真信息、所述发送设备的所述经训练的解码器神经网络的所述一个或多个权重、以及所述发送设备的所述经训练的解码器神经网络的模型类型;并且
使用所接收的一个或多个权重来配置所述接收设备的所述解码器神经网络包括:使用所接收的一个或多个权重和所接收的模型类型来配置所述接收设备的所述解码器神经网络。
29.根据权利要求26所述的接收设备,其中,所述处理器被配置有处理器可执行指令以执行操作,使得经恢复的发射波形失真信息包括:由于用于所述发送设备的一个或多个天线的时隙内的正交频分复用(OFDM)符号的信号削波而造成的失真误差的二维图。
30.根据权利要求26所述的接收设备,其中,所述处理器被配置有处理器可执行指令以执行操作,使得接收所述发送设备的所述经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重包括:在针对要发送的每个时隙的控制信息中接收所述发送设备的经压缩的发射波形失真信息以及所述发送设备的经训练的解码器神经网络的一个或多个权重。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062980793P | 2020-02-24 | 2020-02-24 | |
US62/980,793 | 2020-02-24 | ||
US16/914,011 | 2020-06-26 | ||
US16/914,011 US11356305B2 (en) | 2020-02-24 | 2020-06-26 | Method to convey the TX waveform distortion to the receiver |
PCT/US2021/019111 WO2021173500A1 (en) | 2020-02-24 | 2021-02-22 | Method to convey the tx waveform distortion to the receiver |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115136498A true CN115136498A (zh) | 2022-09-30 |
CN115136498B CN115136498B (zh) | 2023-10-03 |
Family
ID=77366456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180015139.1A Active CN115136498B (zh) | 2020-02-24 | 2021-02-22 | 用于向接收机传送tx波形失真的方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11356305B2 (zh) |
EP (1) | EP4111593A1 (zh) |
JP (1) | JP2023514705A (zh) |
KR (1) | KR20220143035A (zh) |
CN (1) | CN115136498B (zh) |
BR (1) | BR112022015819A2 (zh) |
WO (1) | WO2021173500A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4009597A1 (en) * | 2020-12-03 | 2022-06-08 | Nokia Technologies Oy | Demapping received data |
US11765011B2 (en) * | 2021-07-06 | 2023-09-19 | Huawei Technologies Co., Ltd. | Method and apparatus for transmitting and receiving data |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09247051A (ja) * | 1996-03-08 | 1997-09-19 | Mitsubishi Electric Corp | ニューラルネットワークを用いた波形歪み補償器 |
US20110090950A1 (en) * | 2009-10-15 | 2011-04-21 | General Electric Company | System and method for enhancing data compression using dynamic learning and control |
EP2538553A1 (en) * | 2011-06-21 | 2012-12-26 | Alcatel Lucent | Apparatus and method for mitigating impairments of a transmit signal |
CN108886374A (zh) * | 2016-01-18 | 2018-11-23 | 唯亚威解决方案股份有限公司 | 用于检测蜂窝通信信号的失真或变形的方法和设备 |
WO2019185987A1 (en) * | 2018-03-29 | 2019-10-03 | Nokia Technologies Oy | Entropy-friendly neural network representations and their use in training and using neural networks such as autoencoders |
US20190370638A1 (en) * | 2018-06-01 | 2019-12-05 | Thales Canada Inc | System for and method of data encoding and/or decoding using neural networks |
WO2020035684A1 (en) * | 2018-08-15 | 2020-02-20 | Imperial College Of Science, Technology And Medicine | Joint source channel coding of information sources using neural networks |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201609025D0 (en) | 2016-05-23 | 2016-07-06 | Univ Edinburgh | Communication scheme for intensity modulated systems |
CN107104746B (zh) | 2017-04-26 | 2021-02-26 | 中国人民解放军国防科技大学 | 跳频电台发信机非线性特性建模方法 |
WO2018204632A1 (en) | 2017-05-03 | 2018-11-08 | Oshea Timothy James | Learning and deployment of adaptive wireless communications |
US10530305B2 (en) | 2017-10-06 | 2020-01-07 | Qorvo Us, Inc. | Nonlinear bandwidth compression circuitry |
EP3759654A4 (en) | 2018-03-02 | 2021-09-08 | Deepsig Inc. | LEARNING COMMUNICATION SYSTEMS USING CHANNEL PROXIMITY |
US11257254B2 (en) | 2018-07-20 | 2022-02-22 | Google Llc | Data compression using conditional entropy models |
US10652065B2 (en) | 2018-09-19 | 2020-05-12 | Apple Inc. | Systems and methods for compression distortion compensation for wireless signals |
US11599773B2 (en) * | 2018-12-27 | 2023-03-07 | Micron Technology, Inc. | Neural networks and systems for decoding encoded data |
CN110429965B (zh) * | 2019-07-03 | 2020-10-20 | 北京科技大学 | 一种大规模多输入多输出系统上行信号检测方法 |
CN110569961A (zh) * | 2019-08-08 | 2019-12-13 | 合肥图鸭信息科技有限公司 | 一种神经网络训练方法、装置及终端设备 |
CN110474716B (zh) * | 2019-08-14 | 2021-09-14 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
US10833920B1 (en) * | 2019-12-12 | 2020-11-10 | Sorenson Ip Holdings, Llc | Network device maintenance |
JP2021121068A (ja) * | 2020-01-30 | 2021-08-19 | キオクシア株式会社 | 学習装置 |
-
2020
- 2020-06-26 US US16/914,011 patent/US11356305B2/en active Active
-
2021
- 2021-02-22 JP JP2022549988A patent/JP2023514705A/ja active Pending
- 2021-02-22 CN CN202180015139.1A patent/CN115136498B/zh active Active
- 2021-02-22 BR BR112022015819A patent/BR112022015819A2/pt unknown
- 2021-02-22 WO PCT/US2021/019111 patent/WO2021173500A1/en unknown
- 2021-02-22 KR KR1020227028246A patent/KR20220143035A/ko unknown
- 2021-02-22 EP EP21713183.8A patent/EP4111593A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09247051A (ja) * | 1996-03-08 | 1997-09-19 | Mitsubishi Electric Corp | ニューラルネットワークを用いた波形歪み補償器 |
US20110090950A1 (en) * | 2009-10-15 | 2011-04-21 | General Electric Company | System and method for enhancing data compression using dynamic learning and control |
EP2538553A1 (en) * | 2011-06-21 | 2012-12-26 | Alcatel Lucent | Apparatus and method for mitigating impairments of a transmit signal |
CN108886374A (zh) * | 2016-01-18 | 2018-11-23 | 唯亚威解决方案股份有限公司 | 用于检测蜂窝通信信号的失真或变形的方法和设备 |
WO2019185987A1 (en) * | 2018-03-29 | 2019-10-03 | Nokia Technologies Oy | Entropy-friendly neural network representations and their use in training and using neural networks such as autoencoders |
US20190370638A1 (en) * | 2018-06-01 | 2019-12-05 | Thales Canada Inc | System for and method of data encoding and/or decoding using neural networks |
WO2020035684A1 (en) * | 2018-08-15 | 2020-02-20 | Imperial College Of Science, Technology And Medicine | Joint source channel coding of information sources using neural networks |
Also Published As
Publication number | Publication date |
---|---|
EP4111593A1 (en) | 2023-01-04 |
BR112022015819A2 (pt) | 2022-10-04 |
JP2023514705A (ja) | 2023-04-07 |
US20210266203A1 (en) | 2021-08-26 |
US11356305B2 (en) | 2022-06-07 |
KR20220143035A (ko) | 2022-10-24 |
CN115136498B (zh) | 2023-10-03 |
WO2021173500A1 (en) | 2021-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11690081B2 (en) | Bandwidth part (BWP) for unicast/multicast and resource allocation for multicast | |
WO2021173267A1 (en) | Machine learning based receiver performance improvement using peak reduction tones | |
CN115136498B (zh) | 用于向接收机传送tx波形失真的方法 | |
US11770772B2 (en) | Discontinuous reception for sidelink control signaling | |
CN114982153B (zh) | 用于转发rach消息2的智能mmw转发器的波束配置 | |
US11523301B2 (en) | Physical uplink control channel with buffer status report | |
WO2021216247A1 (en) | Physical uplink control channel with uplink message short data field | |
EP4214850A1 (en) | User equipment indication of wake up signal reception at millimeter wave frequencies using digital beamforming | |
US11468328B2 (en) | Managing information transmission for wireless communication | |
US11930494B2 (en) | Managing transmit timing of data transmissions | |
WO2021146934A1 (en) | Systems and methods for responding to a maximum permissible exposure condition | |
US11330665B2 (en) | Increasing throughput efficiency in a PDCP channel with ROHC TCP profile | |
US11523404B2 (en) | Radio link prioritization | |
WO2021243547A1 (en) | Managing transmission control protocol communication with a communication network | |
WO2021174435A1 (en) | Managing a downlink bit rate | |
WO2021242410A1 (en) | Processing data using remote network computing resources | |
CN114450987A (zh) | 5g/4g系统中的用户平面完整性保护(up ip)能力信令 |
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 | ||
GR01 | Patent grant |