CN115136505B - 基于神经网络的信道状态信息反馈 - Google Patents

基于神经网络的信道状态信息反馈 Download PDF

Info

Publication number
CN115136505B
CN115136505B CN202180016072.3A CN202180016072A CN115136505B CN 115136505 B CN115136505 B CN 115136505B CN 202180016072 A CN202180016072 A CN 202180016072A CN 115136505 B CN115136505 B CN 115136505B
Authority
CN
China
Prior art keywords
csi
encoded
instance
channel
encoder
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.)
Active
Application number
CN202180016072.3A
Other languages
English (en)
Other versions
CN115136505A (zh
Inventor
T·余
曾维亮
N·布尚
K·K·穆克维利
季庭方
魏永斌
S·巴尔吉
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 CN115136505A publication Critical patent/CN115136505A/zh
Application granted granted Critical
Publication of CN115136505B publication Critical patent/CN115136505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—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
    • H04B7/0413—MIMO systems
    • H04B7/0417—Feedback systems
    • 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
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H04B7/0486—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting taking channel rank into account
    • 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
    • H04B7/0636—Feedback format
    • H04B7/0639—Using selective indices, e.g. of a codebook, e.g. pre-distortion matrix index [PMI] or for beam selection
    • 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
    • H04B7/0658—Feedback reduction
    • 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
    • H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
    • H04L1/0026—Transmission of channel quality indication
    • 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
    • H04L1/0041—Arrangements at the transmitter end
    • 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
    • H04L1/0045—Arrangements at the receiver end
    • 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
    • H04L1/0072—Error control for data other than payload data, e.g. control data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

概括而言，本公开内容的各个方面涉及基于神经网络的信道状态信息(CSI)反馈。在一些方面中，设备可以获取用于信道的CSI实例，确定包括CSI编码器和CSI解码器的神经网络模型，以及至少部分地基于将CSI实例编码成经编码的CSI、将经编码的CSI解码成经解码的CSI并通过将CSI实例与经解码的CSI进行比较来计算和最小化损耗函数，来训练神经网络模型。设备可以至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重。提供了许多其它方面。

Description

基于神经网络的信道状态信息反馈
相关申请
本专利申请要求享有于2020年2月28日提交的、名为“NEURAL NETWORK BASEDCHANNEL STATE INFORMATION FEEDBACK”的非临时申请第16/805,467号的优先权，该非临时申请被转让给本申请的受让人，以及据此通过引用的方式明确地并入本文中。
技术领域
概括而言，本公开内容的方面涉及无线通信，以及涉及用于基于神经网络的信道状态信息反馈的技术和装置。
背景技术
无线通信系统被广泛地部署以提供各种电信服务，比如电话、视频、数据、消息传送和广播。典型的无线通信系统可以采用能够通过共享可用系统资源(例如，带宽、发送功率等)来支持与多个用户通信的多址技术。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/先进的LTE是对由第三代合作伙伴项目(3GPP)发布的通用移动电信系统(UMTS)移动标准的增强集合。
无线通信网络可以包括多个能够支持用于多个用户设备(UE)的通信的基站(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)是指从BS到UE的通信链路，以及上行链路(或反向链路)是指从UE到BS的通信链路。如将要在本文中更详细地描述，BS可以被称为节点B、gNB、接入点(AP)、无线电头端、发送接收点(TRP)、新无线电(NR)BS、5G节点B等。
已经在各种电信标准中采用了上述多址技术，以提供使得不同的用户设备能够在城市、国家、地区以及甚至全球级别上进行通信的公共协议。新无线电(NR)也可以被称为5G，是对由第三代合作伙伴项目(3GPP)发布的LTE移动标准的增强集合。NR被设计为通过以下各项来更好地支持移动宽带互联网接入：改进频谱效率、降低成本、改进服务、利用新频谱和更好地与在下行链路(DL)上使用具有循环前缀(CP)的正交频分复用(CP-OFDM)和在上行链路(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))的其它开放标准整合、以及支持波束成形、多输入多输出(MIMO)天线技术和载波聚合。但是，随着对移动宽带接入的需求持续增加，需要LTE和NR技术的进一步改进。优选的是，这些改进应当可应用于其它多址技术和采用这些技术的电信标准。
发明内容
在一些方面中，一种由设备执行的无线通信的方法可以包括：获取用于信道的信道状态信息(CSI)实例，确定包括CSI编码器和CSI解码器的神经网络模型，以及至少部分地基于将CSI实例编码成经编码的CSI、将经编码的CSI解码成经解码的CSI并将CSI实例与经解码的CSI进行比较来训练神经网络模型。该比较可以是，例如，计算并最小化CSI实例与经解码的CSI之间的损耗函数的部分。方法可以包括至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重。
在一些方面中，一种由在信道上向基站发送通信的UE执行的无线通信的方法可以包括：至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重，来将用于信道的信道估计的第一CSI实例编码成第一经编码的CSI，以及将第一经编码的CSI发送给基站。
在一些方面中，一种由在信道上从UE接收通信的基站执行的无线通信的方法可以包括从UE接收第一经编码的CSI。第一经编码的CSI可以是被UE至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重进行编码的用于信道的第一CSI实例。方法可以包括：至少部分地基于对应于神经网络模型的一个或多个解码器权重，来将第一经编码的CSI解码成第一经解码的CSI。
在一些方面中，一种用于无线通信的设备可以包括存储器和操作性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被配置为：获取用于信道的CSI实例，确定包括CSI编码器和CSI解码器的神经网络模型，以及至少部分地基于将CSI实例编码成经编码的CSI、将经编码的CSI解码成经解码的CSI并将CSI实例与经解码的CSI进行比较来训练神经网络模型。存储器和一个或多个处理器可以被配置为至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重。
在一些方面中，一种在信道上向基站发送通信的UE可以包括存储器和操作性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被配置为：至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重，来将用于信道的信道估计的第一CSI实例编码成第一经编码的CSI，以及将第一经编码的CSI发送给基站。
在一些方面中，一种在信道上从UE接收通信的基站可以包括存储器和操作性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被配置为从UE接收第一经编码的CSI。第一经编码的CSI可以是被UE至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重进行编码的用于信道的第一CSI实例。存储器和一个或多个处理器可以被配置为：至少部分地基于对应于神经网络模型的一个或多个解码器权重，来将第一经编码的CSI解码成第一经解码的CSI。
在一些方面中，一种非临时性计算机可读介质可以存储一个或多个用于无线通信的指令。一个或多个指令在被设备的一个或多个处理器执行时，可以使一个或多个处理器进行以下操作：获取用于信道的CSI实例，确定包括CSI编码器和CSI解码器的神经网络模型，以及至少部分地基于将CSI实例编码成经编码的CSI、将经编码的CSI解码成经解码的CSI并将CSI实例与经解码的CSI进行比较来训练神经网络模型，并且至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重。
在一些方面中，一种非临时性计算机可读介质可以存储一个或多个用于无线通信的指令。一个或多个指令在被在信道上向基站发送通信的UE的一个或多个处理器执行时，可以使一个或多个处理器进行以下操作：至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重，来将用于信道的信道估计的第一CSI实例编码成第一经编码的CSI，以及将第一经编码的CSI发送给基站。
在一些方面中，一种非临时性计算机可读介质可以存储一个或多个用于无线通信的指令。一个或多个指令在被在信道上从UE接收通信的基站的一个或多个处理器执行时，可以使一个或多个处理器进行以下操作：从UE接收第一经编码的CSI，以及至少部分地基于对应于神经网络模型的一个或多个解码器权重来将第一经编码的CSI解码成第一经解码的CSI，该第一经编码的CSI是被UE至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重进行编码的用于信道的第一CSI实例。
在一些方面中，一种用于无线通信的装置可以包括：用于获取用于信道的CSI实例的单元、用于确定包括CSI编码器和CSI解码器的神经网络模型的单元以及用于至少部分地基于将CSI实例编码成经编码的CSI、将经编码的CSI解码成经解码的CSI并将CSI实例与经解码的CSI进行比较来训练神经网络模型的单元，以及用于至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重的单元。
在一些方面中，一种在信道上向另一装置发送通信的装置可以包括：用于至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重来将用于信道的信道估计的第一CSI实例编码成第一经编码的CSI的单元，以及用于将第一经编码的CSI发送给其它装置的单元。
在一些方面中，一种在信道上从另一装置接收通信的装置可以包括：用于从其它装置接收第一经编码的CSI的单元，以及用于至少部分地基于对应于神经网络模型的一个或多个解码器权重来将第一经编码的CSI解码成第一经解码的CSI的单元，该第一经编码的CSI是被其它装置至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重进行编码的用于信道的第一CSI实例。
方面一般包括本文中参照附图和说明书大致描述的以及如附图和说明书所示的方法、装置、系统、计算机程序产品、非临时性计算机可读介质、用户设备、基站、无线通信设备和/或处理系统。
前述已经相当广义地概括了根据本公开内容的示例的特征和技术优点，以便使以下的详细描述可以被更好地理解。在下文中将描述附加特征和优点。所公开的概念和具体示例可以被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。此类等同的构造并不背离所附权利要求的范围。当结合附图加以考虑时，将会从如下描述中更好地理解本文所公开的概念的特点(其组织和操作方法)以及相关的优点。附图中的每一个被提供用于例示说明和描述的目的，而不是作为权利要求的范围的定义。
附图说明
为了可以详细地理解上文所述的本公开内容的特征，可以有参照各个方面的上文概述的较具体的描述，其中的一些在附图中示出。然而，要注意的是附图仅示出了本公开内容的某些典型方面，并且因此不被视为对其范围的限制，因为描述可以允许其它的同样有效的方面。不同附图中的相同附图标号可以标识相同或类似的元素。
图1是根据本公开内容的各个方面的概念性地示出了无线通信网络的示例的框图。
图2是根据本公开内容的各个方面的概念性地示出了无线通信网络中与UE进行通信的基站的示例的框图。
图3示出了用于信道状态信息(CSI)反馈的预编码向量的示例。
图4示出了根据本公开内容的各个方面的CSI编码器和CSI解码器的示例。
图5示出了根据本公开内容的各个方面的与CSI编码器和CSI解码器相关联的神经网络模型的示例。
图6和7示出了根据本公开内容的各个方面的使用以前存储的CSI的编码器和解码器的示例。
图8示出了根据本公开内容的各个方面的基于神经网络的CSI反馈的示例。
图9示出了根据本公开内容的各个方面的基于神经网络的CSI反馈的示例。
图10是根据本公开内容的各个方面的示出了，例如，由设备执行的示例性过程的示意图。
图11是根据本公开内容的各个方面的示出了，例如，由在信道上向基站发送通信的UE执行的示例性过程的示意图。
图12是根据本公开内容的各个方面的示出了，例如，由在信道上从UE接收通信的基站执行的示例性过程的示意图。
具体实施方式
下文参照附图更全面地描述了本公开内容的各个方面。然而，本公开内容可以以不同的形式来实施，并且不应当被理解为限制到贯穿本公开内容所呈现的任何具体结构或功能。恰恰相反，提供这些方面以便使本公开内容充分且完全，并且将本公开内容的范围全面地传递给本领域技术人员。根据本文中的教导，本领域技术人员应当认识到本公开内容的范围旨在涵盖本文所公开的本公开内容的任何方面，无论是独立于还是结合本公开内容的任何其它方面来被实现。例如，可以用本文中所阐述的任何数量个方面来实现装置或实践方法。另外，本公开内容的范围旨在涵盖使用除了或不同于本文中阐述的本公开内容的各个方面的其它结构、功能体，或结构和功能体来实践的这样的装置和方法。应当理解的是，可以由权利要求的一个或多个元素来体现本文中所公开的本公开内容的任何方面。
现在将参照各个装置和技术来呈现电信系统的几个方面。这些装置和技术将在以下详细描述中予以描述，并且将在附图中通过各个方框、模块、组件、电路、步骤、过程、算法等(合称为“元素”)示出。这些元素可以采用硬件、软件或其组合来实现。将这些元素实现为硬件还是软件取决于具体的应用和对整个系统提出的设计约束条件。
应当注意到虽然在本文中可以使用一般与3G和/或4G无线技术相关联的术语来描述各个方面，但是本公开内容的各个方面可以应用于基于其它代的通信系统中，比如5G及以后的，包括NR技术。
图1是示出无线网络100的示意图，其中可以实践本公开内容的各个方面。无线网络100可以是LTE网络或某一其它无线网络，例如，5G或NR网络。无线网络100可以包括多个BS 110(示为BS 110a、BS 110b、BS 110c和BS 110d)以及其它网络实体。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、发送接收点(TRP)等。每个BS可以为特定的地理区域提供通信覆盖。在3GPP中，取决于使用该术语的上下文，术语“小区”可以指BS的覆盖区域和/或服务于该覆盖区域的BS子系统。
BS可以为宏小区、微微小区、毫微微小区和/或另一类型的小区提供通信覆盖。宏小区可以覆盖相对较大的地理区域(例如，半径若干千米)，并且可以允许由具有服务订制的UE进行不受限制的接入。微微小区可以覆盖相对较小的地理区域并且可以允许由具有服务订制的UE进行不受限制的接入。毫微微小区可以覆盖相对较小地理区域(例如，家庭)并且可以允许由具有与毫微微小区的关联的UE(例如，封闭用户组(CSG)中的UE)进行的受限制的接入。针对宏小区的BS可以被称为宏BS。针对微微小区的BS可以被称为微微BS。针对毫微微小区的BS可以被称为毫微微BS或家庭BS。在图1中所示的示例中，BS 110a可以是针对宏小区102a的宏BS，BS 110b可以是针对微微小区102b的微微BS，以及BS 110c可以是针对毫微微小区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”以及“小区”在本文中可以互换地使用。
在一些方面中，小区可以不一定是静止的，并且小区的地理区域可以根据移动BS的位置来移动。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/或使用任何适用传输网络等)来在无线网络100中相互互连和/或互连到一个或多个其它BS或网络节点(未示出)。
无线网络100还可以包括中继站。中继站是从上游站(例如，BS或UE)接收数据的传输并且向下游站(例如，UE或BS)发送数据的传输的实体。中继站还可以是可以对针对其它UE的传输进行中继的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、中继器等。
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可以具有不同的发送功率电平、不同的覆盖区域以及对无线网络100中的干扰的不同的影响。例如，宏BS可以具有高发送功率电平(例如，5到40瓦特)，而微微BS、毫微微BS和中继BS可以具有更低的发送功率电平(例如，0.1到2瓦特)。
网络控制器130可以耦合到BS的集合，并且为这些BS提供协调和控制。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来直接或间接地相互通信。
UE 120(例如，120a、120b、120c)可以遍布无线网络100分布，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、用户装置、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、平板电脑、摄像机、游戏设备、上网本、智能本、超极本、医疗器械或医疗设备、生物传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能首饰(例如，智能戒指、智能手链))、娱乐设备(例如，音乐或视频设备、或卫星无线电)、交通工具组件或传感器、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设备。
一些UE可以被视为机器类型通信(MTC)或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、监测器、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。无线节点可以提供，例如，经由有线或无线通信链路的针对网络或到网络(例如，诸如互联网或蜂窝网络之类的广域网)的连接。一些UE可以被视为物联网(IoT)设备，和/或可以被实现为NB-IoT(窄带物联网)设备。一些UE可以被视为用户驻地设备(CPE)。UE 120可以被包括在外壳内部，该外壳容纳UE 120的组件，例如，处理器组件、存储器组件等。
一般而言，任何数量的无线网络可以被部署在给定地理区域中。每个无线网络可以支持特定无线接入技术(RAT)并且可以操作在一个或多个频率上。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。每个频率可以支持给定地理区域中的单个RAT以避免不同的RAT的无线网络之间的干扰。在一些情况中，可以部署NR或5GRAT网络。
在一些方面中，两个或更多个UE 120(例如，示为UE 120a和UE 120e)可以使用一个或多个侧行链路信道直接通信(例如，不使用基站110作为媒介来相互通信)。例如，UE120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)、网状网络等来进行通信。在这种情况下，UE 120可以执行调度操作、资源选择操作和/或本文其它地方描述的由基站110所执行的其它操作。
如上面所指出的，图1被提供作为一个示例。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的设计200的框图，所述基站110和UE 120可以是图1中的基站中的一个和UE中的一个。基站110可以配备有T个天线234a至234t，以及UE 120可以配备有R个天线252a至252r，其中，一般而言，T≥1且R≥1。
在基站110处，发送处理器220可以接收来自数据源212的针对一个或多个UE的数据，至少部分地基于从UE接收的信道质量指示符(CQI)来选择针对每个UE的一个或多个调制和编码方案(MCS)，至少部分地基于为UE所选择的MCS来处理(例如，编码和调制)针对每个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，用于半静态资源划分信息(SRPI)等)和控制信息(例如，CQI请求、授权、上层信令等)以及提供开销符号和控制符号。发送处理器220还可以针对参考信号(例如，小区特定参考信号(CRS))以及同步信号(例如，主同步信号(PSS)和辅同步信号(SSS))来生成参考符号。如果可应用的话，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)，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可以处理各自的输出符号流(例如，用于OFDM等)以获取输出采样流。每个调制器232可以进一步对输出采样流进行处理(例如，转换为模拟、放大、滤波和上变频)以获得下行链路信号。来自调制器232a至232t的T个下行链路信号可以分别经由天线234a至234t来发送。根据下文更加详细地描述的各个方面，可以通过位置编码来生成同步信号以传送附加信息。
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将接收的信号分别提供给解调器(DEMOD)254a至254r。每个解调器254可以调节(例如，滤波、放大、下变频和数字化)被接收的信号以获得输入采样。每个解调器254可以进一步处理输入采样(例如，用于OFDM等等)以获得接收的符号。MIMO检测器256可以从全部的R个解调器254a至254r获得接收的符号，对接收的符号执行MIMO检测(如果可应用的话)，并提供检测出的符号。接收处理器258可以处理(例如，解调和解码)检测出的符号，将针对UE120的经解码的数据提供给数据宿260，并将经解码的控制信息和系统信息提供给控制器/处理器280。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外壳中。
在上行链路上，在UE 120处，发送处理器264可以接收并处理来自数据源262的数据以及来自控制器/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还可以生成针对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(如果可应用的话)，由调制器254a至254r进行进一步处理(例如，用于DFT-s-OFDM、CP-OFDM等)，并且发送给基站110。在基站110处，来自UE 120和其它UE的上行链路信号可以由天线234来接收，由解调器232进行处理，由MIMO检测器236来检测(如果可应用的话)，并且由接收处理器238来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可以将经解码的数据提供给数据宿239并将经解码的控制信息提供给控制器/处理器240。基站110可以包括通信单元244，并经由通信单元244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以及存储器292。
如本文其它地方更加详细地描述，基站110的控制器/处理器240、UE 120的控制器/处理器280和/或图中2中的任何其它组件可以执行与基于神经网络的信道状态信息(CSI)反馈相关联的一种或多种技术。例如，基站110的控制器/处理器240、UE 120的控制器/处理器280和/或图中2中的任何其它组件可以执行或指导，例如，图10的过程1000、图11的过程1100、图12的过程1200和/或本文所述的其它过程的操作。存储器242和282可以分别存储针对基站110和UE 120的数据和程序代码。在一些方面中，存储器242和/或存储器282可以包括存储一个或多个用于无线通信的指令的非临时性计算机可读介质。例如，一个或多个指令，在被基站110和/或UE 120的一个或多个处理器执行时，可以执行或指导，例如，图10的过程1000、图11的过程1100、图12的过程1200和/或本文所述的其它过程的操作。调度器246可以调度UE用于下行链路和/或上行链路上的数据传输。基站110或UE 120以外的设备可以包括此类组件以执行或指导，例如，图10的过程1000的操作。
在一些方面中，诸如UE 120的设备可以包括：用于获取用于信道的CSI实例的单元、用于确定包括CSI编码器和CSI解码器的神经网络模型的单元、用于至少部分地基于将CSI实例编码成经编码的CSI、将经编码的CSI解码成经解码的CSI并将CSI实例与经解码的CSI进行比较来训练神经网络模型的单元、用于至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重的单元等。在一些方面中，此类单元可以包括：结合图2描述的UE 120的一个或多个组件，例如，控制器/处理器280、发送处理器264、TX MIMO处理器266、MOD 254、天线252、DEMOD 254、MIMO检测器256、接收处理器258等。
在一些方面中，UE 120可以包括：用于至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重来将用于到基站的信道的信道估计的第一CSI实例编码成第一经编码的CSI的单元、用于将第一经编码的CSI发送给基站的单元等。在一些方面中，此类单元可以包括：结合图2描述的UE 120的一个或多个组件，例如，控制器/处理器280、发送处理器264、TX MIMO处理器266、MOD 254、天线252、DEMOD 254、MIMO检测器256、接收处理器258等。
在一些方面中，诸如基站110的设备可以包括：用于获取用于信道的CSI实例的单元，用于确定包括CSI编码器和CSI解码器的神经网络模型的单元，用于至少部分地基于将CSI实例编码成经编码的CSI、将经编码的CSI解码成经解码的CSI并将CSI实例与经解码的CSI进行比较来训练神经网络模型的单元，用于至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重的单元等。在一些方面中，此类单元可以包括：结合图2描述的基站110的一个或多个组件，例如，天线234，DEMOD 232、MIMO检测器236、接收处理器238、控制器/处理器240、发送处理器220、TX MIMO处理器230、MOD 232、天线234等。
在一些方面中，基站110可以包括：用于从UE接收第一经编码的CSI的单元、用于至少部分地基于对应于与CSI编码器和CSI解码器神经网络模型的一个或多个解码器权重来将第一经编码的CSI解码成第一经解码的CSI的单元等，该第一经编码的CSI是被UE至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重进行编码的用于到UE的信道的第一CSI实例。在一些方面中，此类单元可以包括：结合图2描述的基站110的一个或多个组件，例如，天线234，DEMOD 232、MIMO检测器236、接收处理器238、控制器/处理器240、发送处理器220、TX MIMO处理器230、MOD 232、天线234等。
如上面所指出的，图2被提供作为一个示例。其它示例可以不同于关于图2所描述的示例。
图3示出了用于CSI反馈的预编码向量的示例300。图3示出了可以从波束候选中选择波束或者可以选择两个波束的组合的基站。
预编码向量可以表示针对被采样的(例如，利用离散傅里叶变换(DFT)被过采样的)所选波束的信息。预编码向量可以对应于预编码矩阵。预编码矩阵定义数据被如何分布到各天线端口，并且可以说明用于多个天线的同相位或相位的正交偏移。CSI反馈可以包括对应于预编码矩阵的预编码矩阵指示符(PMI)。图3还示出了用于波束的组合的预编码向量。例如，对于优选的波束b1，预编码向量可以包括用于过采样的波束的系数和相位。对于两个波束b1和b1的组合，预编码向量可以包括用于两个波束的系数和相位，包括用于宽带和用于子带。
CSI反馈可以包括II型反馈。如图3中所示，II型CSI反馈可以包括用于不同秩的预编码向量。秩可以指在预编码被应用之前的被调制的符号的空间层的数量，并且预编码向量可以对应于预编码矩阵，或被预编码矩阵代替。例如，对于秩1，预编码矩阵并且W被归一化为1。对于秩2，/>W的列归一化为/>其中，/>(L个波束的加权组合)，/>是过采样的2D DFT波束，/>对于每个i＝0～L-1来说是正交的，L是可配置的，L∈{2,3,4}，r＝0,1(极化(“pol”))，l＝0,1(层)，i＝0～L-1(波束)，表示宽带(WB)波束幅度缩放因子，/>表示子带(SB)波束幅度缩放因子，以及cr,l,i表示波束组合系数(相位)。预编码向量在四相相移键控(QPSK)调制(2比特)与8相相移键控(8PSK)调制(3比特)之间可配置，并且幅度缩放模式在宽带(WB)和子带(SB)(具有不相等的比特分配)与仅WB之间可配置。
如上面所指出的，图3被提供作为一个示例。其它示例可以不同于关于图3所描述的示例。
CSI包括下行链路信道估计，并且可以包括针对UE处干扰的干扰信息。CSI经由CSI反馈被从UE传送到基站。基站依赖于经由CSI反馈传送的CSI以执行下行链路调度和波束成形(除了其它操作外)。基站处准确的CSI经由更加准确的多输入多输出(MIMO)波束成形和链路自适应提高了链路和系统级性能。在另一方面，传送准确的CSI需要较大的反馈开销。作为结果，在CSI被发送回基站之前，使用预编码码本和粗略量化对CSI进行紧凑编码。
例如，NR中的II型CSI反馈是基于下行链路信道估计成为秩指示符(RI)的量化表示、过采样的基于DFT的波束的选择以及高度量化的宽带和子带的幅度和相位值。UE可以基于CSI参考信号(CSI-RS)来获取下行链路信道估计。CSI反馈可以包括有关哪些波束被选择的信息，以及用于宽带和用于子带的幅度系数和相位。因此，CSI开销可以相当大。
用于II型CSI的现有方法具有其它缺点。CSI可以是次最优且效率低的随机(ad-hoc)表示或构造。CSI不是通用的或自适应的，并且反而可以是取决于特定天线结构的，例如，单个面板处的均匀线阵天线结构。UE可以消耗大量的功率，以及处理和信令资源，从而以大开销来提供CSI。
根据本文所述的各个方面，机器学习(例如，训练神经网络模型)可以用于更好地对CSI进行编码，以实现更低的CSI反馈开销、更高的CSI准确性和/或对不同的天线结构以及射频环境的更好的适应性。一旦被编码，可以通过使用被训练为将经编码的CSI转换成原始的CSI的另一神经网络来重建原始的CSI。机器学习是人工智能的方法或子集，重点在于学习，而不仅仅是计算机编程。在机器学习中，设备可以利用复合模型来分析大量的数据，识别数据间的模式，并且做出预测，而不需要人对特定指令进行编程。深度学习是机器学习的子集，并且可以使用大量的数据和计算力来模拟深度神经网络。本质上，这些网络对数据集进行分类，并找出数据集之间的相关性。深度学习可以获取新发现的知识(无人为干预)，并且可以将此类知识应用到其它数据集。
在一些方面中，发送设备(例如，UE)可以使用来自经训练的神经网络模型的编码器权重，以将CSI编码成CSI的准确的更加紧凑的表示。作为将经训练的神经网络模型的编码器权重用于CSI编码器以及将经训练的神经网络模型的解码器权重用于CSI解码器的结果，相较于不使用机器学习，UE发送的经编码的CSI可以更小(更压缩)和/或更准确。
另外地或可替代地，UE可以利用跨频率、天线和/或时间的CSI反馈中的相关性。例如，UE可以仅编码CSI的被更改的部分(相比于以前的CSI)，并且因此提供具有相同的重建质量的更小大小的CSI反馈。接收设备(例如，基站)可以接收被更改的部分作为经编码的CSI，并且使用来自训练的解码器权重来解码被更改的部分。基站可以从解码被更改的部分和从以前经解码的CSI中确定经解码的CSI。如果仅被更改的部分作为经编码的CSI被发送，则UE和基站可以发送和接收小得多的CSI。UE可以通过以降低的开销来提供准确的CSI，来节省功率，以及处理和信令资源。
图4示出了根据本公开内容的各个方面的CSI编码器和CSI解码器的示例400。图4示出了具有使用编码器参数415的CSI编码器410的UE，以及具有使用解码器参数425的CSI解码器420的基站(例如，gNB)。
如图4所示，CSI编码器410可以接收和编码一个或多下行链路(DL)信道估计。CSI编码器410可以使用编码器参数415对一个或多个DL信道估计以及任何干扰信息进行编码。编码器参数415可以包括从机器学习(例如，从与CSI编码器和CSI解码器相关联的神经网络模型的训练)中获取的编码器权重。训练可以已经被另一设备执行，并且此种编码器权重可以已经被提供给CSI编码器410，或可以至少部分地基于指定的编码器权重来对CSI编码器410进行配置。神经网络模型可以由指示在神经网络模型中神经网络层被如何构成的结构来表征。还可以至少部分地基于神经网络模型的一个或多个编码器结构对CSI编码器410进行配置。
CSI编码器410可以在物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)上提供经编码的CSI作为有效载荷，用于在上行链路(UL)信道上发送给gNB。gNB可以接收经编码的CSI，并且CSI解码器420可以使用解码器参数425将经编码的CSI解码成经解码的CSI。解码器参数425可以包括从机器学习(例如，从与CSI编码器和CSI解码器相关联的神经网络模型的训练)中获取的解码器权重。还可以至少部分地基于神经网络模型的一个或多个编码器结构对CSI解码器420进行配置。CSI解码器420可以至少部分地基于经解码的CSI来重建一个或多个DL信道估计。经解码的CSI还可以包括干扰信息，并且被重建的DL信道估计可以与被编码器410编码的一个或多个DL信道估计相似。
在一些方面中，设备可以训练神经网络模型，以确定编码器权重和解码器权重。设备可以通过利用CSI编码器将CSI实例编码成经编码的CSI，利用CSI解码器将经编码的CSI解码成经解码的CSI并且将CSI实例与经解码的CSI进行比较，来训练神经网络模型。例如，CSI可以包括RI、一个或多个波束索引、PMI或指示信道估计的幅度或相位或波束成形方向的一个或多个系数，并且将CSI实例与经解码的CSI进行比较包括将CSI实例中的包括CSI的字段中的每个字段与经解码的CSI进行比较。作为另一示例，CSI可以包括信道估计和干扰信息，并且将CSI实例与经解码的CSI进行比较包括将被包含在CSI实例中的信道估计和干扰信息与经解码的CSI进行比较。
CSI编码器和CSI解码器可以作为对来被训练。设备可以至少部分地基于CSI实例与经解码的CSI之间的差异来确定编码器权重和解码器权重。设备可以利用目标差异来训练神经网络，试图最小化差异，同时还尝试最小化经编码的CSI的大小。在一个情形下，经编码的CSI可以更加准确，但是大小更大。在另一情形下，经编码的CSI可以更小，但是准确性更低。经编码的CSI准确性与经编码的CSI大小之间存在平衡。设备可以确定选择更高的准确性而不是更小的大小，或选择更低的准确性以具有更小的大小。设备可以向另一设备(诸如，UE(例如，CSI编码器410)或基站(例如，CSI解码器420))发送来自训练的编码器权重和解码器权重。设备还可以发送神经网络模型的一个或多个编码器结构和/或神经网络模型的一个或多个解码器结构。执行训练的设备还可以是UE和/或基站。
如上面所指出的，图4被提供作为一个示例。其它示例可以不同于关于图4所描述的示例。
图5示出了根据本公开内容的各个方面的与CSI编码器和CSI解码器相关联的神经网络模型的示例500。图5示出了设备可以使用被配对在一起的CSI编码器510和CSI解码器520来训练神经网络模型。
如图5所示，CSI编码器510可以将下行链路信道估计H编码成经编码的CSI m，其可以被表示为经编码的CSI m可以具有比H小的大小(在比特的数量方面)。可以以解码器能够大致地恢复CSI编码器输入H的这样的方式来对CSI编码器510和CSI解码器520进行设计和训练。经解码的CSI/>可以由/>来表示。
在一些方面中，设备可以训练神经网络模型以最小化某个度量，例如，损耗函数。损耗函数可以是H与之间的差异或改变。例如，H的向量与/>的向量之间可以有距离度量(例如，欧几里得距离)。编码函数fenc和解码函数fdec可以被训练，使得H与/>接近。设备可以至少部分地基于目标距离度量和/或基于针对m的目标大小来训练神经网络模型。
如图5中所示，神经网络模型可以是一连串的层，每个层操作在输入上并且提供输出。层可以包括输入层、产生输出变量(例如，编码器权重或解码器权重)的输出层，以及输入层和输出层之间的隐藏层。层可以包括一个或多个前馈层(例如，一个或多个完全连接的预处理层)。如果有超过三个层，则神经网络模型可以包括深度学习，或可以是多任务学习深度神经网络模型。
在一些方面中，层中的每个层可以包括代表数据或操作的神经元。训练神经网络模型的设备(例如，UE、gNB、台式计算机、膝上型计算机、服务器、智能电话、平板电脑等)可以将一个层处的神经元簇的输出组合成下一层中的单个神经元。一些层可以向经训练的神经网络模型的循环层提供模式或模式间重叠。在一些方面中，神经网络模型可以是循环神经网络(RNN)，并且每个循环层可以包括多个长短期记忆(LSTM)单元。可以使用DL(或UL)信道估计作为未标记数据经由无监督学习对CSI编码器510和CSI解码器520进行训练。可以使用自动编码器结构对CSI编码器510和CSI解码器520进行训练。
设备可以训练神经网络模型以生成经训练的神经网络模型。设备可以向神经网络模型提供训练数据，并至少部分地基于向神经网络模型提供训练数据来接收预测。至少部分地基于预测，设备可以更新神经网络模型，并向被更新的神经网络模型提供估计。设备可以重复这一过程，直到用于预测的准确性的阈值水平被神经网络模型生成。设备可以至少部分地基于预测来获取编码器权重和解码器权重。这些权重可以被分布到CSI发送设备(例如，UE)中的编码器和CSI接收设备(例如，gNB)中的解码器，或权重可以是被事先指定的针对UE和gNB的初始配置的部分。
在一些方面中，CSI发送设备(例如，UE)可以执行训练，获取编码器权重和解码器权重，使用编码器权重，并且向具有解码器的基站提供解码器权重。例如，至少部分地基于最小数量的DL信道观察(例如，来自CSI-RS)，UE可以从经训练的神经网络模型中确定编码器权重θ和解码器权重φ。UE可以将解码器权重v发送给gNB。gNB可以请求训练，或训练可以被定期执行。UE还可以自主地执行训练。对于每个CSI反馈实例，UE可以反馈针对估计的下行链路信道H的m＝fenc,θ(H)。gNB可以经由重建近似的下行链路信道。
另外地或可替代地，CSI接收设备(例如，gNB)可以执行训练，获取编码器权重和解码器权重，向编码器提供编码器权重，并且使用解码器权重。例如，至少部分地基于最小数量的UL信道观察(例如，来自探测参考信号)，gNB可以从经训练的神经网络模型中确定编码器权重θ和解码器权重φ。gNB可以将编码器权重θ发送给gNB。gNB可以请求训练，或训练可以被定期执行。UE还可以自主地执行训练。对于每个CSI反馈实例，UE反馈针对估计的下行链路信道H的m＝fenc,θ(H)。gNB可以经由重建近似的下行链路信道。
在一些方面中，UE或gNB可以接收或创建编码器权重的初始集合以及解码器权重的初始集合。UE或基站可以使用训练来更新编码器权重的初始集合以及解码器权重的初始集合。
在一些方面中，神经网络模型可以具有编码器结构和/或解码器结构。结构可以指示神经网络层被如何构成(例如，多少层，每层多少个节点，层被如何连接，在每个层中什么操作被执行(卷积、完全连接、循环神经网络等))。对于特定结构的神经网络模型，训练可以包括至少部分地基于训练数据来确定神经网络模型的权重(参数)。因此，设备可以确定用于神经网络模型的神经网络结构，并且然后训练神经网络模型以确定权重。在一些方面中，神经网络模型可以指结构或结构与被训练的权重两者。“模型迁移”可以表示将神经网络权重(以及可选地，如果另一方未知的话，神经网络结构)传送给其它方的过程。出于讨论的目的，在一些方面中，结构可以指无权重的结构，并且神经网络模型可以指结构加权重(权重可以已经被训练或可以尚未被训练)。经训练的神经网络模型可以指结构加经训练的权重。
如上面所指出的，图5被提供作为一个示例。其它示例可以不同于关于图5所描述的示例。
图6和7示出了根据本公开内容的各个方面的使用以前存储的CSI的编码器和解码器的示例600、700。图6示出了具有CSI实例编码器610、CSI序列编码器620以及存储器630的UE(例如，图1和2中所示的UE 120)。图7示出了具有CSI序列解码器710、存储器720以及CSI实例解码器730的gNB(例如，图1和2中所示的BS 110)。
在一些方面中，编码器和解码器可以利用时间上(时间方面)的CSI实例的相关性或用于信道估计的序列的CSI实例的序列上的CSI实例的相关性。UE和gNB可以保存和使用以前存储的CSI，并且仅编码和解码与以前的实例相比的CSI的改变。这可以提供更低的CSI反馈开销，并提高性能。UE还可以能够对更准确的CSI进行编码，并且神经网络可以利用更准确的CSI来被训练。
如图6中所示，UE的CSI实例编码器610可以将CSI实例编码成用于DL信道估计的序列中的每个DL信道估计的中间经编码的CSI。CSI实例编码器610可以使用神经网络编码器权重θ。中间经编码的CSI可以被表示为CSI序列编码器620可以确定来自存储器630的以前经编码的CSI实例h(t-1)，并且将中间经编码的CSI m(t)与以前经编码的CSI实例h(t-1)进行比较，以确定经编码的CSI的改变n(t)。改变n(t)可以是新的且可以不被解码器预测的信道估计的部分。此时，经编码的CSI可以由/>表示。CSI序列编码器620可以在PUSCH或PUCCH上提供该改变n(t)，并且UE可以在UL信道上将改变(例如，指示改变的信息)n(t)作为经编码的CSI发送给gNB。由于改变小于整个CSI实例，因此UE可以在UL信道上发送用于经编码的CSI的更小的有效载荷，同时将更详细的信息包括在针对改变的经编码的CSI中。CSI序列编码器620可以至少部分地基于中间经编码的CSI m(t)以及以前经编码的CSI实例h(t-1)中的至少一部分来生成经编码的CSI h(t)。CSI序列编码器620可以将经编码的CSI h(t)保存在存储器630中。
如图7中所示，CSI序列解码器710可以在PUSCH或PUCCH上接收经编码的CSI。CSI序列解码器710可以确定仅CSI的改变n(t)被接收作为经编码的CSI。CSI序列解码器710可以至少部分地基于经编码的CSI和来自存储器720的以前的中间经解码的CSI实例h(t-1)的至少一部分以及改变来确定中间经解码的CSI m(t)。CSI实例解码器730可以将中间经解码的CSI m(t)解码成经解码的CSI。CSI序列解码器710和CSI实例解码器730可以使用神经网络解码器权重φ。中间经解码的CSI可以由表示。CSI序列解码器710可以至少部分地基于中间经解码的CSI m(t)以及以前经解码的CSI实例h(t-1)中的至少一部分来生成经解码的CSI h(t)。gNB可以重建来自经解码的CSI h(t)的DL信道估计，并且经重建的信道估计可以被表示为/>CSI序列解码器710可以将经解码的CSI h(t)保存在存储器720中。
由于改变n(t)比整个CSI实例小，因此UE可以在UL信道上发送更小的有效载荷。例如，如果由于低多普勒或UE几乎没有移动，与以前的反馈相比，DL信道几乎没有改变，则CSI序列编码器的输出可以是相当紧凑的。以此方式，UE可以利用时间上的信道估计的相关性。在一些方面中，由于输出较小，因此UE可以将更详细的信息包括在针对改变的经编码的CSI中。在一些方面中，UE可以将经编码的CSI被暂时编码(CSI改变)的指示(例如，标志)发送给gNB。可替代地，UE可以发送经编码的CSI不依赖于任何以前经编码的CSI反馈而被编码的指示。gNB可以解码经编码的CSI，无需使用以前经解码的CSI实例。在一些方面中，设备(其可以包括UE或gNB)可以使用CSI序列编码器和CSI序列解码器来训练神经网络模型。
在一些方面中，CSI可以是信道估计(被称为信道响应)H和干扰N的函数。可以有多个方式来传送H和N。例如，UE可以将CSI编码为N-1/2H。UE可以分开地编码H和N。UE可以分开地部分编码H和N，并且然后联合地编码两个被部分编码的输出。分开地编码H和N可能是有利的。干扰和信道变化可以发生在不同的时间尺度上。在低多普勒的情形下，信道可以是稳定的，但是由于业务或调度器算法，干扰可以仍然较快地发生改变。在高多普勒的情形下，信道可以比UE的调度器分组改变得快。在一些方面中，设备(其可以包括UE或gNB)可以使用被分开编码的H和N来训练神经网络模型。
在一些方面中，经重建的DL信道可以忠实地反映DL信道H，并且这可以被称为明确的反馈。在一些方面中，/>可以仅捕获gNB所需的用于得到秩和预编码的那些信息。CQI可以被分开地反馈。CSI反馈可以被表示为m(t)，或在时间编码的情形下被表示为n(t)。与II型CSI反馈类似，m(t)可以被结构化成RI、波束索引和表示幅度或相位的系数的级联。在一些方面中，m(t)可以是实值向量的量化版本。波束可以被预定义(非经训练获得)，或可以是训练的一部分(例如，θ和φ的部分，并且被传送给UE或gNB)。
在一些方面中，gNB和UE可以保持多个编码器和解码器网络，每个网络针对不同的有效载荷大小(用于变化的准确性相对于UL开销权衡)。对于每个CSI反馈，取决于重建质量和上行链路预算(例如，PUSCH有效载荷大小)，UE可以选择，或gNB可以指示UE选择编码器中的一个以构建经编码的CSI。UE可以至少部分地基于由UE选择的编码器来发送编码器的索引(连同CSI一起)。类似地，gNB和UE可以保持多个编码器和解码器网络以应付不同的天线几何形状和信道状况。注意，虽然一些操作是针对gNB和UE进行描述的，但是这些操作还可以由另一设备执行，作为编码器和解码器权重和/或结构的预配置的部分。
如上面所指出的，图6和7可以被提供作为一个示例。其它示例可以不同于关于图6和7所描述的示例。
图8示出了根据本公开内容的各个方面的基于神经网络的CSI反馈的示例800。图8示出了可以与BS 810(例如，图1和2中所示的BS 110、图4、6和7中所示的gNB等)进行通信的UE 820(例如，图1和2中所示的UE 120、图4、6和7中所示的UE等)。图8示出了由UE 820所执行的操作，该操作也可以由BS 810或另一设备执行。
如附图标号830所示，UE 820可以获取用于到BS 810的信道的信道估计的CSI实例。在一些方面中，用于由UE的初始接入的调用流程可以在UE 820获取CSI实例之前。该调用流程可以包括由BS 810的UE上下文的非接入层(NAS)交换。BS 810可以从核心网络中检索UE上下文。UE上下文可以包括用于CSI的一个或多个经训练的神经网络模型，包括用于CSI编码器或CSI解码器。可以有不同的BS配置、不同的神经网络结构、不同的反馈开销等。
UE 820可以确定神经网络模型。UE 820可以选择和/或接收在无线资源控制(RRC)配置消息中的与CSI编码器和CSI解码器相关联的经训练的神经网络模型。RRC消息可以配置UE 820用于某些上行链路控制信息以及可用的CSI编码器-CSI解码器对。RRC消息可以更新具有CSI编码器或CSI解码器的UE上下文。在一些方面中，供应商特定的神经网络模型可以是起点。另外地或可替代地，UE 820可以至少部分地基于有关神经网络结构、层、权重等的信息来创建神经网络模型。
如附图标号835所示，UE 820(或BS 810)可以训练和更新CSI编码器和CSI解码器。UE 820可以至少部分地基于将CSI实例编码成经编码的CSI，解码经编码的CSI并将CSI实例与经解码的CSI进行比较来训练(或进一步训练)神经网络模型。CSI编码器和CSI解码器可以共享深度学习神经网络的通用架构。CSI编码器和CSI解码器可以保持各自的隐藏状态，并且至少部分地基于隐藏状态，UE 820可以编码CSI，以及BS 810可以解码经编码的CSI。UE820可以通知BS 810隐藏状态被重置。
如附图标号840所示，UE 820可以至少部分地基于训练神经网络模型来获取编码器权重和解码器权重。如附图标号845所示，UE 820可以将解码器权重发送给BS 810。UE820还可以更新UE820用于编码CSI的编码器的编码器权重。
如上面所指出的，图8被提供作为一个示例。其它示例可以不同于关于图8所描述的示例。
图9示出了根据本公开内容的各个方面的基于神经网络的CSI反馈的示例900。图9示出了可以与BS 910(例如，图1和2中所示的BS 110、图4、6和7中所示的gNB、图8中所示的BS 810等)进行通信的UE 920(例如，图1和2中所示的UE 120、图4、6和7中所示的UE、图8中所示的UE 820等)。
如附图标号930所示，UE 920可以至少部分地基于编码器权重来将用于信道估计的第一CSI实例编码成第一经编码的CSI。编码器权重可以被指定在存储的配置信息中。另外地或可替代地，UE 920可以已经接收到了编码器权重，或从训练与CSI编码器和CSI解码器相关联的神经网络模型中确定了编码器权重。
如附图标号935所示，UE 920可以将第一经解码的CSI发送给BS 910。如附图标号940所示，BS 910可以至少部分地基于解码器权重来将第一经编码的CSI解码成第一经解码的CSI。BS 910可以已经接收到了解码器权重，或从训练与CSI编码器和CSI解码器相关联的神经网络模型中确定了解码器权重。
如上面所指出的，图9被提供作为一个示例。其它示例可以不同于关于图9所描述的示例。
图10是根据本公开内容的各个方面的示出了，例如，由设备执行的示例性过程1000的示意图。示例性过程1000是一个示例，其中，设备(例如，图1和2中所示的BS 110或UE120、图8中所示的BS 810或UE 820、台式计算机、膝上型计算机、服务器、智能电话、平板电脑等)执行与基于神经网络的CSI反馈相关联的操作。
如图10中所示，在一些方面中，过程1000可以包括获取用于信道的第一CSI实例(方框1010)。例如，如上所述，设备(例如，使用天线252、接收处理器258、控制器/处理器280、存储器282、天线234、接收处理器238、控制器/处理器240、存储器242等)可以获取用于信道的第一CSI实例。
如图10中进一步所示，在一些方面中，过程1000可以包括确定包括CSI编码器和CSI解码器的神经网络模型(方框1020)。例如，如上所述，设备(例如，使用控制器/处理器280、存储器282、控制器/处理器240、存储器242等)可以确定包括CSI编码器和CSI解码器的神经网络模型。
如图10中进一步所示，在一些方面中，过程1000可以包括至少部分地基于将CSI实例编码成经编码的CSI，将经编码的CSI解码成经解码的CSI以及将CSI实例与经解码的CSI进行比较来训练神经网络模型(方框1030)。例如，如上所述，设备(例如，使用控制器/处理器280、存储器282、控制器/处理器240、存储器242等)可以至少部分地基于将CSI实例编码成经编码的CSI，将经编码的CSI解码成经解码的CSI以及将CSI实例与经解码的CSI进行比较来训练神经网络模型。
如图10中进一步所示，在一些方面中，过程1000可以包括至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重(方框1040)。例如，如上所述，设备(例如，使用控制器/处理器280、存储器282、控制器/处理器240、存储器242等)可以至少部分地基于训练神经网络模型来获取一个或多个编码器权重和一个或多个解码器权重。
过程1000可以包括附加的方面，例如，任何单个方面或如下所述和/或结合本文中其它地方所述的一个或多个其它过程的方面的任何组合。
在第一方面中，设备是UE，信道是下行链路信道，并且过程1000包括将神经网络模型的一个或多个解码器结构以及一个或多个解码器权重发送给基站。
在第二方面中，单独的或结合第一方面，设备是基站，信道是上行链路信道，并且过程1000包括将神经网络模型的一个或多个编码器结构以及一个或多个编码器权重发送给UE。
在第三方面中，单独的或结合第一方面和第二方面中的一项或多项，将CSI实例与经解码的CSI进行比较包括计算CSI实例的向量与经解码的CSI的向量之间的距离度量。
在第四方面中，单独的或结合第一到第三方面中的一项或多项，训练神经网络模型包括至少部分地基于目标距离度量来训练神经网络模型。
在第五方面中，单独的或结合第一到第四方面中的一项或多项，距离度量是欧几里得距离。
在第六方面中，单独的或结合第一到第五方面中的一项或多项，训练神经网络模型包括至少部分地基于经编码的CSI的目标大小来训练神经网络模型。
在第七方面中，单独的或结合第一到第六方面中的一项或多项，CSI实例包括RI、一个或多个波束索引、PMI或指示幅度或相位的一个或多个系数中的一项或多项。
在第八方面中，单独的或结合第一到第七方面中的一项或多项，编码CSI实例包括将CSI实例编码成中间经编码的CSI，并且至少部分地基于中间经编码的CSI和以前经编码的CSI的至少一部分来将中间经编码的CSI编码成经编码的CSI，以及将经编码的CSI解码成经解码的CSI包括至少部分地基于经编码的CSI和以前的中间经解码的CSI的至少一部分来将经编码的CSI解码成中间经解码的CSI，并且至少部分地基于中间经解码的CSI来将中间经解码的CSI解码成经解码的CSI。
在第九方面中，单独的或结合第一到第八方面中的一项或多项，CSI实例包括信道估计和干扰信息，以及编码CSI实例包括将信道估计编码成经编码的信道估计，将干扰信息编码成经编码的干扰信息，并且将经编码的信道估计和经编码的干扰信息联合编码成经编码的CSI，以及解码经编码的CSI包括将经编码的CSI解码成经编码的信道估计和经编码的干扰信息，将经编码的信道估计解码成经解码的信道估计，将经编码的干扰信息解码成经解码的干扰信息，并且至少部分地基于经解码的信道估计和经解码的干扰信息来确定经解码的CSI。
在第十方面，单独的或结合第一到第九方面中的一项或多项，编码CSI实例包括将CSI实例编码成二进制序列。
尽管图10示出了过程1000的示例性方框，但是在一些方面中，过程1000可以包括相比于图10中所示的方框的附加方框、更少的方框、不同的方框或不同安排的方框。另外地或可替代地，过程1000的方框中的两个或更多个可以被并行执行。
图11是根据本公开内容的各个方面的示出了，例如，由在信道上向基站发送通信的UE执行的示例性过程1100的示意图。示例性过程1100是一个示例，其中，UE(例如，图1和2中所示的UE 120、图8中所示的或UE 820等)执行与基于神经网络的CSI反馈相关联的操作。
如图11中所示，在一些方面中，过程1100可以包括至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重，来将用于信道的信道估计的第一CSI实例编码成第一经编码的CSI(方框1110)。例如，如上所述，UE(例如，使用控制器/处理器280、存储器282等)可以至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重，来将用于信道的信道估计的第一CSI实例编码成第一经编码的CSI。
如图11中进一步所示，在一些方面中，过程1100可以包括将第一经编码的CSI发送给基站(方框1120)。例如，如上所述，UE(例如，使用控制器/处理器280、存储器282、发送处理器264、天线252等)可以将第一经编码的CSI发送给基站。
过程1100可以包括附加的方面，例如，任何单个方面或如下所述和/或结合本文中其它地方所述的一个或多个其它过程的方面的任何组合。
在第一方面中，编码第一CSI实例包括将第一CSI实例编码成中间经编码的CSI，并且至少部分地基于中间经编码的CSI和以前经编码的CSI的至少一部分来将中间经编码的CSI编码成第一经编码的CSI。
在第二方面中，单独的或结合第一方面，过程1100包括将指示第一CSI实例是独立于以前经编码的CSI实例而被编码的还是至少部分地基于以前经编码的CSI实例来被编码的信息发送给基站。
在第三方面中，单独的或结合第一方面和第二方面中的一项或多项，第一CSI实例包括信道估计和干扰信息，以及编码第一CSI实例包括将信道估计编码成经编码的信道估计，将干扰信息编码成经编码的干扰信息，并且将经编码的信道估计和经编码的干扰信息联合编码成第一经编码的CSI。
在第四方面中，单独的或结合第一到第三方面中的一项或多项，过程1100包括：获取用于信道的第二CSI实例，至少部分地基于将第二CSI实例编码成第二经编码的CSI、将第二经编码的CSI解码成第二经解码的CSI并且将第二CSI实例与第二经解码的CSI进行比较来训练神经网络模型，以及至少部分地基于训练神经网络模型来更新一个或多个编码器权重。
在第五方面中，单独的或结合第一到第四方面中的一项或多项，过程1100包括：至少部分地基于训练神经网络模型来确定一个或多个解码权重，以及将一个或多个解码权重发送给基站。
在第六方面中，单独的或结合第一到第五方面中的一项或多项，编码第一CSI实例包括将第一CSI实例编码成二进制序列。
在第七方面中，单独的或结合第一到第六方面中的一项或多项，编码第一CSI实例包括至少部分地基于UE的天线配置、UE的波束配置或信道状况中的一项或多项来选择编码器。
在第八方面中，单独的或结合第一到第七方面中的一项或多项，其中，第一CSI实例包括RI、一个或多个波束索引、PMI或指示幅度或相位的一个或多个系数中的一项或多项。
尽管图11示出了过程1100的示例性方框，但是在一些方面中，过程1100可以包括相比于图11中所示的方框的附加方框、更少的方框、不同的方框或不同安排的方框。另外地或可替代地，过程1100的方框中的两个或更多个可以被并行执行。
图12是根据本公开内容的各个方面的示出了，例如，由在信道上从UE接收通信的基站执行的示例性过程1200的示意图。示例性过程1200是一个示例，其中，基站(例如，图1和2中所示的BS 110、图8中所示的BS 810等)执行与基于神经网络的CSI反馈相关联的操作。
如图12中所示，在一些方面中，过程1200可以包括至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重来从UE接收第一经编码的CSI(方框1210)。例如，如上所述，基站(例如，使用接收处理器238、控制器/处理器240、存储器242等)可以至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重来从UE接收第一经编码的CSI。在一些方面中，第一经编码的CSI是由UE编码的用于信道的第一CSI实例。
如图12中进一步所示，在一些方面中，过程1200可以包括至少部分地基于对应于神经网络模型的一个或多个解码器权重，来将第一经编码的CSI解码成第一经解码的CSI(方框1220)。例如，如上所述，基站(例如，使用控制器/处理器240、存储器242等)可以至少部分地基于对应于神经网络模型的一个或多个解码器权重，来将第一经编码的CSI解码成第一经解码的CSI。
过程1200可以包括附加的方面，例如，任何单个方面或如下所述和/或结合本文中其它地方所述的一个或多个其它过程的方面的任何组合。
在第一方面中，将第一经编码的CSI解码成第一经解码的CSI包括：至少部分地基于第一经编码的CSI和以前的中间经解码的CSI的至少一部分来将第一经编码的CSI解码成中间经解码的CSI，并且至少部分地基于中间经解码的CSI来将中间经解码的CSI解码成第一经解码的CSI。
在第二方面中，单独的或结合第一方面，过程1200包括从UE接收指示第一CSI实例是独立于以前经编码的CSI实例而被编码的信息，以及解码第一经编码的CSI包括独立于以前的中间经解码的CSI来解码第一经编码的CSI。
在第三方面中，单独的或结合第一方面和第二方面中的一项或多项，解码第一经编码的CSI包括：将第一经编码的CSI解码成经编码的信道估计和经编码的干扰信息，将经编码的信道估计解码成经解码的信道估计，将经编码的干扰信息解码成经解码的干扰信息，以及至少部分地基于经解码的信道估计和经解码的干扰信息来确定第一经解码的CSI。
在第四方面中，单独的或结合第一到第三方面中的一项或多项，过程1200包括：获取用于信道的第二CSI实例，至少部分地基于将第二CSI实例编码成第二经编码的CSI、将第二经编码的CSI解码成第二经解码的CSI以及将第二CSI实例与第二经解码的CSI进行比较来训练神经网络模型，以及至少部分地基于训练神经网络模型来更新一个或多个解码器权重。
在第五方面中，单独的或结合第一到第四方面中的一项或多项，过程1200包括：至少部分地基于训练神经网络模型来确定一个或多个编码器权重，以及将一个或多个编码器权重发送给UE。
在第六方面中，单独的或结合第一到第五方面中的一项或多项，解码第一经编码的CSI实例包括从二进制序列中解码第一CSI实例。
尽管图12示出了过程1200的示例性方框，但是在一些方面中，过程1200可以包括相比于图12中所示的方框的附加方框、更少的方框、不同的方框或不同安排的方框。另外地或可替代地，过程1200的方框中的两个或更多个可以被并行执行。
前述公开内容提供了例示说明和描述，但是并非旨在是详尽的或将各个方面限制在所公开的精确形式。修改和变化可以鉴于上述公开内容而被做出或可以从各个方面的实践中获取。
如本文所使用的，术语“组件”意在被广义地解释为硬件、固件、和/或硬件与软件的组合。如本文所使用的，处理器被实现在硬件、固件、和/或硬件与软件的组合中。
如本文所使用的，取决于上下文，满足阈值可以指大于阈值、大于或等于阈值、小于阈值、小于或等于阈值、等于阈值、不等于阈值等的值。
将显而易见的是，本文中所描述的系统和/或方法可以以不同形式的硬件、固件、和/或硬件与软件的组合来实现。用于实现这些系统和/或方法的实际专门的控制硬件和软件代码并非各个方面的限制。因此，本文中没有参照特定的软件代码来描述系统和/或方法的操作和行为——要理解的是，软件和硬件可以至少部分地基于本文中的描述被设计以实现系统和/或方法。
虽然具体的特征组合在权利要求中被记载和/或在说明书中被公开，但是这些组合并非旨在限制各方面的公开。事实上，这些特征中的很多可以以非权利要求书中记载的和/或说明书中公开的方式来被组合。尽管如下所列的每条从属权利要求可以直接引用仅一条权利要求，但是各个方面的公开内容包括每条从属权利要求与权利要求集合中任何其它权利要求的组合。提及项目列表“中的至少一个”的短语是指那些项目的任何组合，包括单个成员。举个例子，“a、b或c中的至少一个”意在涵盖a、b、c、a-b、a-c、b-c和a-b-c，以及与同一元素的倍数的任何组合(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a、b和c的任何其它排序)。
本文中所用的元素、动作或指令都不应当被解释为是关键的或必要的，除非有明确的描述。而且，如本文所使用的，冠词“一(a)”和“一种(an)”意在包括一个或多个项目，并且可以与“一个或多个”互换地使用。此外，如本文所使用的，术语“集合”和“组”意在包括一个或多个项目(例如，相关的项目、无关的项目、相关的项目与无关的项目的组合等)，并且可以与“一个或多个”互换地使用。在仅一个项目被预期的情况下，使用短语“仅一个”或类似的语言。而且，如本文所使用的，术语“具有”、“拥有”、“有”等意在是开放性术语。此外，短语“基于”意在表示“至少部分地基于”，除非另有明确的说明。

Claims (30)

1.一种由在信道上向网络节点发送通信的用户设备(UE)执行的无线通信的方法，包括：
至少部分地基于与和信道状态信息(CSI)编码器和CSI解码器相关联的神经网络模型相对应的一个或多个编码器权重，将用于信道的第一CSI实例编码成中间经编码的CSI；
将所述中间经编码的CSI从与以前经编码的CSI实例相关联的以前经编码的CSI的改变编码成第一经编码的CSI；以及
将所述第一经编码的CSI作为物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)上的有效载荷发送给所述网络节点，
其中，进行以下操作中的至少一个：
由所述UE从所述网络节点接收所述一个或多个编码器权重，或者
由所述UE向所述网络节点发送用于解码所述第一经编码的CSI的一个或多个解码器权重。
2.根据权利要求1所述的方法，还包括：将指示所述第一CSI实例是独立于以前经编码的CSI实例而被编码的还是至少部分地基于以前经编码的CSI实例来被编码的信息发送给所述网络节点。
3.根据权利要求1所述的方法，其中，所述第一CSI实例包括信道估计和干扰信息，并且其中，编码所述中间经编码的CSI包括：将所述信道估计编码成经编码的信道估计，将所述干扰信息编码成经编码的干扰信息，以及将所述经编码的信道估计和所述经编码的干扰信息联合编码成所述第一经编码的CSI。
4.根据权利要求1所述的方法，其中，所述第一CSI实例被编码成二进制序列。
5.根据权利要求1所述的方法，还包括：至少部分地基于所述UE的天线配置、所述UE的波束配置或信道状况中的一项或多项来选择编码器，
其中，所述第一CSI实例是至少部分地基于选择所述编码器而被编码的。
6.根据权利要求1所述的方法，其中，所述第一CSI实例包括秩指示符(RI)、波束索引、预编码矩阵指示符(PMI)或指示幅度或相位的系数中的一项或多项。
7.根据权利要求1所述的方法，还包括：
获得用于所述信道的第二CSI实例；
至少部分地基于将所述第二CSI实例编码成第二经编码的CSI、将所述第二经编码的CSI解码成第二经解码的CSI、以及将所述第二CSI实例与所述第二经解码的CSI进行比较来训练所述神经网络模型；以及
至少部分地基于训练所述神经网络模型来更新所述一个或多个编码器权重。
8.根据权利要求1所述的方法，其中，发送所述第一经编码的CSI包括：
发送所述第一经编码的CSI和所述第一经编码的CSI是经时间编码的指示。
9.一种由在信道上从用户设备(UE)接收通信的网络节点执行的无线通信的方法，包括：
从所述UE接收作为物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)上的有效载荷的第一经编码的信道状态信息(CSI)，
其中，所述第一经编码的CSI是被所述UE至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重进行编码的用于所述信道的第一CSI实例；以及
其中，第一经编码的CSI对应于中间经编码的CSI从与以前经编码的CSI实例相关联的以前经编码的CSI的改变；以及
至少部分地基于所述中间经编码的CSI从与以前经编码的CSI实例相关联的以前经编码的CSI的改变，将所述第一经编码的CSI解码成中间经解码的CSI；以及
至少部分地基于与所述神经网络模型相对应的一个或多个解码器权重将所述中间经解码的CSI解码成第一经解码的CSI，
其中，进行以下操作中的至少一个：
由所述网络节点将所述一个或多个编码器权重发送给所述UE，或者
由所述网络节点从所述UE接收所述一个或多个解码器权重。
10.根据权利要求9所述的方法，还包括：从所述UE接收指示所述第一CSI实例是独立于以前经编码的CSI实例而被编码的信息，并且其中，所述第一经编码的CSI是独立于以前的中间经解码的CSI来解码的。
11.根据权利要求9所述的方法，其中，解码所述中间经编码的CSI包括：将所述中间经编码的CSI解码成经编码的信道估计和经编码的干扰信息，将所述经编码的信道估计解码成经解码的信道估计，将所述经编码的干扰信息解码成经解码的干扰信息，以及至少部分地基于所述经解码的信道估计和所述经解码的干扰信息来确定所述第一经解码的CSI。
12.根据权利要求9所述的方法，其中，所述第一经编码的CSI是从二进制序列中解码的。
13.根据权利要求9所述的方法，其中，接收所述第一经编码的CSI包括：
接收所述第一经编码的CSI和所述第一经编码的CSI是经时间编码的指示。
14.一种在信道上向网络节点发送通信以用于无线通信的用户设备(UE)，包括：
存储器；以及
耦合到所述存储器的一个或多个处理器，所述一个或多个处理器被配置为：
至少部分地基于与和信道状态信息(CSI)编码器和CSI解码器相关联的神经网络模型相对应的一个或多个编码器权重，将用于信道的第一CSI实例编码成中间经编码的CSI；
将所述中间经编码的CSI从与以前经编码的CSI实例相关联的以前经编码的CSI的改变编码成第一经编码的CSI；以及
将所述第一经编码的CSI作为物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)上的有效载荷发送给所述网络节点，
其中，进行以下操作中的至少一个：
由所述UE从所述网络节点接收所述一个或多个编码器权重，或者
由所述UE向所述网络节点发送用于解码所述第一经编码的CSI的一个或多个解码器权重。
15.根据权利要求14所述的UE，其中，所述一个或多个处理器还被配置为：
获取用于所述信道的第二CSI实例；
至少部分地基于将所述第二CSI实例编码成第二经编码的CSI、将所述第二经编码的CSI解码成第二经解码的CSI以及将所述第二CSI实例与所述第二经解码的CSI进行比较来训练神经网络模型；以及
至少部分地基于训练所述神经网络模型来更新所述一个或多个编码器权重。
16.根据权利要求15所述的UE，其中，所述一个或多个处理器还被配置为：至少部分地基于所述第二经编码的CSI的目标大小或所述第二CSI实例与所述第二经解码的CSI之间的目标距离度量中的一项或多项，来训练所述神经网络模型。
17.根据权利要求14所述的UE，其中，为了发送所述第一经编码的CSI，所述一个或多个处理器被配置为：
发送所述第一经编码的CSI和所述第一经编码的CSI是经时间编码的指示。
18.一种在信道上从用户设备(UE)接收通信以用于无线通信的网络节点，包括：
存储器；以及
耦合到所述存储器的一个或多个处理器，所述一个或多个处理器被配置为：
从所述UE接收作为物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)上的有效载荷的第一经编码的信道状态信息(CSI)，
其中，所述第一经编码的CSI是被所述UE至少部分地基于对应于与CSI编码器和CSI解码器相关联的神经网络模型的一个或多个编码器权重进行编码的用于所述信道的第一CSI实例；以及
其中，第一经编码的CSI对应于中间经编码的CSI从与以前经编码的CSI实例相关联的以前经编码的CSI的改变；以及
至少部分地基于所述中间经编码的CSI从与以前经编码的CSI实例相关联的以前经编码的CSI的改变，将所述第一经编码的CSI解码成中间经解码的CSI；以及
至少部分地基于与所述神经网络模型相对应的一个或多个解码器权重将所述中间经解码的CSI解码成第一经解码的CSI，
其中，进行以下操作中的至少一个：
由所述网络节点将所述一个或多个编码器权重发送给所述UE，或者
由所述网络节点从所述UE接收所述一个或多个解码器权重。
19.根据权利要求18所述的网络节点，其中，所述存储器和所述一个或多个处理器被配置为：
获取用于所述信道的第二CSI实例；
至少部分地基于将所述第二CSI实例编码成第二经编码的CSI、将所述第二经编码的CSI解码成第二经解码的CSI以及将所述第二CSI实例与所述第二经解码的CSI进行比较来训练神经网络模型；以及
至少部分地基于训练所述神经网络模型来更新所述一个或多个解码器权重。
20.根据权利要求19所述的网络节点，其中，所述一个或多个处理器还被配置为：至少部分地基于所述第二经编码的CSI的目标大小或所述第二CSI实例与所述第二经解码的CSI之间的目标距离度量中的一项或多项，来训练所述神经网络模型。
21.根据权利要求18所述的网络节点，其中，为了接收所述第一经编码的CSI，所述一个或多个处理器被配置为：
接收所述第一经编码的CSI和所述第一经编码的CSI是经时间编码的指示。
22.一种存储用于无线通信的指令集的非暂时性计算机可读介质，所述指令集包括：
一个或多个指令，当由在信道上向网络节点发送通信的用户设备(UE)的一个或多个处理器执行时，所述一个或多个指令使得所述UE进行以下操作：
至少部分地基于与和信道状态信息(CSI)编码器和CSI解码器相关联的神经网络模型相对应的一个或多个编码器权重，将用于信道的第一CSI实例编码成中间经编码的CSI；
将所述中间经编码的CSI从与以前经编码的CSI实例相关联的以前经编码的CSI的改变编码成第一经编码的CSI；以及
将所述第一经编码的CSI作为物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)上的有效载荷发送给所述网络节点，
其中，进行以下操作中的至少一个：
由所述UE从所述网络节点接收所述一个或多个编码器权重，或者
由所述UE向所述网络节点发送用于解码所述第一经编码的CSI的一个或多个解码器权重。
23.根据权利要求22所述的非暂时性计算机可读介质，其中，所述一个或多个指令还使得所述UE进行以下操作：将指示所述第一CSI实例是独立于以前经编码的CSI实例而被编码的还是至少部分地基于以前经编码的CSI实例来被编码的信息发送给所述网络节点。
24.根据权利要求22所述的非暂时性计算机可读介质，其中，所述第一CSI实例包括信道估计和干扰信息，并且其中，编码所述中间经编码的CSI包括：将所述信道估计编码成经编码的信道估计，将所述干扰信息编码成经编码的干扰信息，以及将所述经编码的信道估计和所述经编码的干扰信息联合编码成所述第一经编码的CSI。
25.根据权利要求22所述的非暂时性计算机可读介质，其中，将所述第一CSI实例编码成二进制序列。
26.根据权利要求22所述的非暂时性计算机可读介质，其中，所述一个或多个指令还使得所述UE进行以下操作：至少部分地基于所述UE的天线配置、所述UE的波束配置或信道状况中的一项或多项来选择编码器，
其中，所述第一CSI实例是至少部分地基于选择所述编码器而被编码的。
27.根据权利要求22所述的非暂时性计算机可读介质，其中，所述第一CSI实例包括秩指示符(RI)、波束索引、预编码矩阵指示符(PMI)或指示幅度或相位的系数中的一项或多项。
28.根据权利要求22所述的非暂时性计算机可读介质，其中，所述一个或多个指令还使得所述UE进行以下操作：
获得用于所述信道的第二CSI实例；
至少部分地基于将所述第二CSI实例编码成第二经编码的CSI、将所述第二经编码的CSI解码成第二经解码的CSI、以及将所述第二CSI实例与所述第二经解码的CSI进行比较来训练所述神经网络模型；以及
至少部分地基于训练所述神经网络模型来更新所述一个或多个编码器权重。
29.根据权利要求28所述的非暂时性计算机可读介质，其中，所述一个或多个指令还使得所述UE进行以下操作：至少部分地基于所述第二经编码的CSI的目标大小或所述第二CSI实例与第二经解码的CSI之间的目标距离度量中的一项或多项来训练所述神经网络模型。
30.根据权利要求22所述的非暂时性计算机可读介质，其中，当由所述UE的所述一个或多个处理器执行时，使得所述UE发送所述第一经编码的CSI的所述一个或多个指令使得所述UE进行以下操作：
发送所述第一经编码的CSI和所述第一经编码的CSI是经时间编码的指示。
CN202180016072.3A 2020-02-28 2021-02-08 基于神经网络的信道状态信息反馈 Active CN115136505B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/805,467 US11936452B2 (en) 2020-02-28 2020-02-28 Neural network based channel state information feedback
US16/805,467 2020-02-28
PCT/US2021/017022 WO2021173331A1 (en) 2020-02-28 2021-02-08 Neural network based channel state information feedback

Publications (2)

Publication Number Publication Date
CN115136505A CN115136505A (zh) 2022-09-30
CN115136505B true CN115136505B (zh) 2024-03-15

Family

ID=74860398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180016072.3A Active CN115136505B (zh) 2020-02-28 2021-02-08 基于神经网络的信道状态信息反馈

Country Status (4)

Country Link
US (2) US11936452B2 (zh)
EP (1) EP4111599A1 (zh)
CN (1) CN115136505B (zh)
WO (1) WO2021173331A1 (zh)

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11599773B2 (en) 2018-12-27 2023-03-07 Micron Technology, Inc. Neural networks and systems for decoding encoded data
US11424764B2 (en) 2019-11-13 2022-08-23 Micron Technology, Inc. Recurrent neural networks and systems for decoding encoded data
US11838782B2 (en) * 2020-01-31 2023-12-05 Qualcomm Incorporated Measurements on a first band applicable to procedures on a second band
US11653228B2 (en) * 2020-02-24 2023-05-16 Qualcomm Incorporated Channel state information (CSI) learning
CN111541505B (zh) * 2020-04-03 2021-04-27 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
US11483042B2 (en) * 2020-05-29 2022-10-25 Qualcomm Incorporated Qualifying machine learning-based CSI prediction
EP4162617A4 (en) * 2020-06-08 2024-03-20 Nokia Technologies Oy USE OF UPLINK CHANNEL INFORMATION TO DETERMINE A DATA PROCESSING MODEL USED FOR DOWNLINK USE
EP4009597A1 (en) * 2020-12-03 2022-06-08 Nokia Technologies Oy Demapping received data
US11611457B2 (en) * 2021-02-11 2023-03-21 Northeastern University Device and method for reliable classification of wireless signals
US20220284267A1 (en) * 2021-03-05 2022-09-08 Qualcomm Incorporated Architectures for temporal processing associated with wireless transmission of encoded data
US11563449B2 (en) * 2021-04-27 2023-01-24 Micron Technology, Inc. Systems for error reduction of encoded data using neural networks
US11973513B2 (en) 2021-04-27 2024-04-30 Micron Technology, Inc. Decoders and systems for decoding encoded data using neural networks
US20230021835A1 (en) * 2021-07-26 2023-01-26 Qualcomm Incorporated Signaling for additional training of neural networks for multiple channel conditions
CN113922936B (zh) * 2021-08-31 2023-04-28 中国信息通信研究院 一种ai技术信道状态信息反馈方法和设备
US11916754B2 (en) * 2021-09-03 2024-02-27 Qualcomm Incorporated Configuring a user equipment for machine learning
EP4149068A1 (en) 2021-09-13 2023-03-15 Nokia Technologies Oy Multiple channel csi recreation
WO2023054390A1 (ja) * 2021-09-28 2023-04-06 三菱電機株式会社 通信システム
US11755408B2 (en) 2021-10-07 2023-09-12 Micron Technology, Inc. Systems for estimating bit error rate (BER) of encoded data using neural networks
WO2023077349A1 (en) * 2021-11-04 2023-05-11 Qualcomm Incorporated Machine learning-based channel state information (csi) reporting
CN116131993A (zh) * 2021-11-10 2023-05-16 中国移动通信有限公司研究院 信道状态信息反馈的方法、装置、通信设备和存储介质
WO2023085460A1 (ko) * 2021-11-11 2023-05-19 엘지전자 주식회사 채널 상태 정보를 수신하는 방법, 기지국, 및 프로세싱 장치
CN116155330A (zh) * 2021-11-18 2023-05-23 华为技术有限公司 信道状态信息处理方法及装置
WO2023097591A1 (en) * 2021-12-02 2023-06-08 Qualcomm Incorporated Techniques for reporting channel state information for machine learning-based channel feedback
WO2023102706A1 (zh) * 2021-12-07 2023-06-15 Oppo广东移动通信有限公司 信息指示方法、信息处理方法和设备
CN116346279A (zh) * 2021-12-25 2023-06-27 大唐移动通信设备有限公司 信息处理方法、装置、终端及网络设备
WO2023135557A1 (en) * 2022-01-14 2023-07-20 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Methods and apparatus of machine learning based channel state information (csi) measurement and reporting
CN114499770B (zh) * 2022-01-20 2023-07-14 西安交通大学 一种基于深度学习的多用户下行csi反馈方法
CN114567399B (zh) * 2022-02-11 2023-01-31 北京航空航天大学 一种空中基站的多天线多径信道状态信息建模与反馈方法
WO2023193570A1 (en) * 2022-04-08 2023-10-12 Mediatek Inc. Method and apparatus for channel state information (csi) prediction
WO2023197187A1 (zh) * 2022-04-12 2023-10-19 北京小米移动软件有限公司 一种信道状态信息的处理方法及装置
CN115001629B (zh) * 2022-04-29 2024-03-12 清华大学 信道量化反馈方法、装置、电子设备及存储介质
CN117353849A (zh) * 2022-06-28 2024-01-05 中国移动通信有限公司研究院 信道反馈模型确定方法、终端及网络侧设备
WO2024007191A1 (zh) * 2022-07-06 2024-01-11 Oppo广东移动通信有限公司 模型训练方法及装置、样本数据生成方法及装置、电子设备
WO2024010282A1 (ko) * 2022-07-08 2024-01-11 엘지전자 주식회사 무선 통신 시스템에서 신호 송수신 방법 및 장치
CN117579201A (zh) * 2022-08-04 2024-02-20 维沃移动通信有限公司 模型匹配方法、装置、通信设备及可读存储介质
WO2024031647A1 (en) * 2022-08-12 2024-02-15 Qualcomm Incorporated Ue-driven sequential training
WO2024031598A1 (en) * 2022-08-12 2024-02-15 Qualcomm Incorporated Variable configurations for artificial intelligence channel state feedback with a common backbone and multi-branch front-end and back-end
EP4336756A1 (en) * 2022-08-25 2024-03-13 Mavenir Systems, Inc. Systems and methods for efficient information exchange between ue and gnb for csi compression
CN117676630A (zh) * 2022-08-31 2024-03-08 华为技术有限公司 一种通信方法及装置
CN115549742B (zh) * 2022-09-01 2024-06-07 浙江大学 一种基于深度学习的csi压缩反馈方法
CN117715072A (zh) * 2022-09-07 2024-03-15 维沃移动通信有限公司 信息传输方法、ai网络模型训练方法、装置和通信设备
WO2024063676A1 (en) * 2022-09-23 2024-03-28 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatuses for training and using multi-task machine learning models for communication of channel state information data
WO2024065603A1 (en) * 2022-09-30 2024-04-04 Qualcomm Incorporated Quantization methods for gnb-driven multi-vendor sequential training
WO2024077621A1 (zh) * 2022-10-14 2024-04-18 Oppo广东移动通信有限公司 信道信息反馈的方法、发端设备和收端设备
WO2024087154A1 (en) * 2022-10-28 2024-05-02 Qualcomm Incorporated Control information reporting test framework
WO2024097837A1 (en) * 2022-11-03 2024-05-10 Apple Inc. Type 3 training for ai enabled csi feedback
WO2024092743A1 (en) * 2022-11-04 2024-05-10 Qualcomm Incorporated Precoded reference signal for model monitoring for ml-based csi feedback
WO2024103352A1 (zh) * 2022-11-17 2024-05-23 华为技术有限公司 一种通信方法、装置及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018204632A1 (en) * 2017-05-03 2018-11-08 Oshea Timothy James Learning and deployment of adaptive wireless communications
CN109921882A (zh) * 2019-02-20 2019-06-21 深圳市宝链人工智能科技有限公司 一种基于深度学习的mimo解码方法、装置及存储介质
CN110099017A (zh) * 2019-05-22 2019-08-06 东南大学 基于深度神经网络的混合量化系统的信道估计方法
CN110350958A (zh) * 2019-06-13 2019-10-18 东南大学 一种基于神经网络的大规模mimo的csi多倍率压缩反馈方法
WO2020027503A1 (ko) * 2018-07-30 2020-02-06 엘지전자 주식회사 무선 통신 시스템에서 채널 상태 정보를 송수신하는 방법 및 이를 위한 장치

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012037335A1 (en) * 2010-09-15 2012-03-22 Huawei Technologies Co., Ltd. System and method for channel state information feedback in wireless communications systems
US9374193B2 (en) * 2010-09-29 2016-06-21 Qualcomm Incorporated Systems and methods for communication of channel state information
US10090982B2 (en) * 2010-09-29 2018-10-02 Qualcomm Incorporated Systems and methods for communication of channel state information
US9991942B2 (en) * 2015-12-30 2018-06-05 Samsung Electronics Co., Ltd. Method and apparatus for channel state information reference signal (CSI-RS)
CN107889247B (zh) * 2016-09-30 2022-12-30 中兴通讯股份有限公司 上行控制信息传输/配置指示方法、装置、终端及基站
US10305553B2 (en) * 2017-06-19 2019-05-28 Virginia Tech Intellectual Properties, Inc. Encoding and decoding of information for wireless transmission using multi-antenna transceivers
US20210297135A1 (en) * 2018-08-08 2021-09-23 Lg Electronics Inc. Method for transmitting or receiving channel state information for plurality of base stations in wireless communication system, and device therefor
US11928556B2 (en) * 2018-12-29 2024-03-12 International Business Machines Corporation Removing unnecessary history from reinforcement learning state
US11973708B2 (en) * 2019-04-16 2024-04-30 Samsung Electronics Co., Ltd. Method and apparatus for reporting channel state information
WO2021045748A1 (en) * 2019-09-04 2021-03-11 Google Llc Neural network formation configuration feedback for wireless communications
US11424801B2 (en) * 2019-09-20 2022-08-23 Qualcomm Incorporated Techniques for transmitting sidelink channel state information feedback
US11246173B2 (en) * 2019-11-08 2022-02-08 Huawei Technologies Co. Ltd. Systems and methods for multi-user pairing in wireless communication networks
US11483042B2 (en) * 2020-05-29 2022-10-25 Qualcomm Incorporated Qualifying machine learning-based CSI prediction
WO2022040664A1 (en) * 2020-08-18 2022-02-24 Qualcomm Incorporated Capability and configuration of a device for providing channel state feedback
US12015456B2 (en) * 2021-05-06 2024-06-18 Mediatek Inc. Acquisition of channel state information

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018204632A1 (en) * 2017-05-03 2018-11-08 Oshea Timothy James Learning and deployment of adaptive wireless communications
WO2020027503A1 (ko) * 2018-07-30 2020-02-06 엘지전자 주식회사 무선 통신 시스템에서 채널 상태 정보를 송수신하는 방법 및 이를 위한 장치
CN109921882A (zh) * 2019-02-20 2019-06-21 深圳市宝链人工智能科技有限公司 一种基于深度学习的mimo解码方法、装置及存储介质
CN110099017A (zh) * 2019-05-22 2019-08-06 东南大学 基于深度神经网络的混合量化系统的信道估计方法
CN110350958A (zh) * 2019-06-13 2019-10-18 东南大学 一种基于神经网络的大规模mimo的csi多倍率压缩反馈方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Convolutional Compression For Massive MIMO CSI Feedback;Qianqian Yang等;《 2019 IEEE 29th International Workshop on Machine Learning for Signal Processing (MLSP)》;第1-6页 *
MIMO Channel Information Feedback Using Deep Recurrent Network;Chao Lu等;《 IEEE Communications Letters》;第23卷(第1期);第188-191页 *

Also Published As

Publication number Publication date
US20240129008A1 (en) 2024-04-18
US11936452B2 (en) 2024-03-19
WO2021173331A1 (en) 2021-09-02
US20210273707A1 (en) 2021-09-02
CN115136505A (zh) 2022-09-30
EP4111599A1 (en) 2023-01-04

Similar Documents

Publication Publication Date Title
CN115136505B (zh) 基于神经网络的信道状态信息反馈
WO2020143699A1 (en) Feedback for type ii channel state information
US20230085874A1 (en) Association of phase tracking reference signal ports and demodulation reference signal ports for multi-beam uplink repetitions
CN112771787B (zh) 针对csi码本的子带粒度的线性组合
US20230261909A1 (en) Federated learning for classifiers and autoencoders for wireless communication
WO2020147701A1 (en) User equipment override for enhanced type-ii channel state information
US20220060919A1 (en) Layer-specific coefficient quantity and/or quantization scheme reporting for type ii channel state information compression
CN114586296B (zh) 用于无线通信的方法、装置和非暂时性计算机可读介质
CN114788202B (zh) 使用修改的里德-马勒码的非相干无线通信
US20220368399A1 (en) Techniques for selecting a beam pair using single layer measurements
WO2021253205A1 (en) Frequency domain basis adjustments for channel state information reporting
US11871261B2 (en) Transformer-based cross-node machine learning systems for wireless communication
US11588597B2 (en) Determining a density of a phase tracking reference signal
CN112204906B (zh) 针对速率兼容的极性编码的码字比特选择
CN113316966B (zh) 用于类型ii信道状态信息压缩的特定于层的系数数量和/或量化方案报告
US20230254773A1 (en) Power control for channel state feedback processing
US20220150097A1 (en) Determining a density of a phase tracking reference signal
US20220284267A1 (en) Architectures for temporal processing associated with wireless transmission of encoded data

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