CN115150238A - 用于基于正交频分复用的通信的机器学习 - Google Patents

Abstract

公开了一种方法，包括：提供第一资源网格作为第一机器学习算法的输入，获取作为第一机器学习算法的输出的第二资源网格，以及通过使用正交频分复用调制来发送包括第二资源网格的信号。

Description

用于基于正交频分复用的通信的机器学习

技术领域

以下示例性实施例涉及无线通信。

背景技术

在无线通信中，波形规定了无线电信号被如何调制以携带信息。例如，正交频分复用(OFDM)可以用作波形。由于资源有限，所以希望提高基于OFDM的无线通信系统的性能，以更好地利用资源。

发明内容

通过独立权利要求阐述了各种示例性实施例的保护范围。本说明书中描述的不属于独立权利要求范围的示例性实施例和特征(如果有的话)应被解释为有助于理解各种示例性实施例的示例。

根据一方面，提供了一种装置，包括至少一个处理器和至少一个存储器，该至少一个存储器包括计算机程序代码，其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置：提供第一资源网格作为第一机器学习算法的输入；获取作为所述第一机器学习算法的输出的第二资源网格；以及通过使用正交频分复用调制来发送包括所述第二资源网格的信号。

根据另一方面，提供了一种装置，包括用于以下操作的部件：提供第一资源网格作为第一机器学习算法的输入；获取作为所述第一机器学习算法的输出的第二资源网格；以及通过使用正交频分复用调制来发送包括所述第二资源网格的信号。

根据另一方面，提供了一种方法，包括：提供第一资源网格作为第一机器学习算法的输入；获取作为所述第一机器学习算法的输出的第二资源网格；以及通过使用正交频分复用调制来发送包括所述第二资源网格的信号。

根据另一方面，提供了一种计算机程序，包括指令，该指令用于使装置至少执行以下操作：提供第一资源网格作为第一机器学习算法的输入；获取作为所述第一机器学习算法的输出的第二资源网格；以及通过使用正交频分复用调制来发送包括所述第二资源网格的信号。

根据另一方面，提供了一种包括程序指令的计算机可读介质，所述程序指令用于使装置至少执行以下操作：提供第一资源网格作为第一机器学习算法的输入；获取作为所述第一机器学习算法的输出的第二资源网格；以及通过使用正交频分复用调制来发送包括所述第二资源网格的信号。

根据另一方面，提供了一种非瞬态计算机可读介质，包括程序指令，该程序指令用于使装置至少执行以下操作：提供第一资源网格作为第一机器学习算法的输入；获取作为所述第一机器学习算法的输出的第二资源网格；以及通过使用正交频分复用调制来发送包括所述第二资源网格的信号。

根据另一方面，提供了一种装置，包括至少一个处理器和至少一个存储器，该至少一个存储器包括计算机程序代码，其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置：接收包括第二资源网格的信号；通过使用正交频分复用解调从接收的信号中获取所述第二资源网格；提供所述第二资源网格作为第二机器学习算法的输入；以及获取作为所述第二机器学习算法的输出的第一资源网格。

根据另一方面，提供了一种装置，包括用于以下操作的部件：接收包括第二资源网格的信号；通过使用正交频分复用解调从接收的信号中获取所述第二资源网格；提供所述第二资源网格作为第二机器学习算法的输入；以及获取作为所述第二机器学习算法的输出的第一资源网格。

根据另一方面，提供了一种方法，包括：接收包括第二资源网格的信号；通过使用正交频分复用解调从接收的信号中获取所述第二资源网格；提供所述第二资源网格作为第二机器学习算法的输入；以及获取作为所述第二机器学习算法的输出的第一资源网格。

根据另一方面，提供了一种计算机程序，包括指令，该指令用于使装置至少执行以下操作：接收包括第二资源网格的信号；通过使用正交频分复用解调从接收的信号中获取所述第二资源网格；提供所述第二资源网格作为第二机器学习算法的输入；以及获取作为所述第二机器学习算法的输出的第一资源网格。

根据另一方面，提供了一种包括程序指令的计算机可读介质，所述程序指令用于使装置至少执行以下操作：接收包括第二资源网格的信号；通过使用正交频分复用解调从接收的信号中获取所述第二资源网格；提供所述第二资源网格作为第二机器学习算法的输入；以及获取作为所述第二机器学习算法的输出的第一资源网格。

根据另一方面，提供了一种包括程序指令的非瞬态计算机可读介质，所述程序指令用于使装置至少执行以下操作：接收包括第二资源网格的信号；通过使用正交频分复用解调从接收的信号中获取所述第二资源网格；提供所述第二资源网格作为第二机器学习算法的输入；以及获取作为所述第二机器学习算法的输出的第一资源网格。

根据另一方面，提供了一种装置，包括至少一个处理器和至少一个存储器，该至少一个存储器包括计算机程序代码，其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置：初始化与第一人工神经网络相关联的第一参数集以及与第二人工神经网络相关联的第二参数集；生成一批比特；至少部分地基于该批比特、所述第一参数集和所述第二参数集，通过在所述第一人工神经网络和所述第二人工神经网络中对该批比特执行至少一次正向传递从所述第二人工神经网络获取输出值集；至少部分地基于所述输出值集来确定损失函数；以及通过确定所述损失函数相对于所述第一参数集和所述第二参数集的梯度并且对所述梯度应用至少一个随机梯度下降步骤，来更新所述第一参数集和所述第二参数集。

根据另一方面，提供了一种装置或系统，包括用于以下操作的部件：初始化与第一人工神经网络相关联的第一参数集以及与第二人工神经网络相关联的第二参数集；生成一批比特；至少部分地基于该批比特、所述第一参数集和所述第二参数集，通过在所述第一人工神经网络和所述第二人工神经网络中对该批比特执行至少一次正向传递从所述第二人工神经网络获取输出值集；至少部分地基于所述输出值集来确定损失函数；以及通过确定所述损失函数相对于所述第一参数集和所述第二参数集的梯度并且对所述梯度应用至少一个随机梯度下降步骤，来更新所述第一参数集和所述第二参数集。

根据另一方面，提供了一种方法，包括：初始化与第一人工神经网络相关联的第一参数集以及与第二人工神经网络相关联的第二参数集；生成一批比特；至少部分地基于该批比特、所述第一参数集和所述第二参数集，通过在所述第一人工神经网络和所述第二人工神经网络中对该批比特执行至少一次正向传递从所述第二人工神经网络获取输出值集；至少部分地基于所述输出值集来确定损失函数；以及通过确定所述损失函数相对于所述第一参数集和所述第二参数集的梯度并且对所述梯度应用至少一个随机梯度下降步骤，来更新所述第一参数集和所述第二参数集。

根据另一方面，提供了一种计算机程序，包括用于使装置至少执行以下操作的指令：初始化与第一人工神经网络相关联的第一参数集以及与第二人工神经网络相关联的第二参数集；生成一批比特；至少部分地基于该批比特、所述第一参数集和所述第二参数集，通过在所述第一人工神经网络和所述第二人工神经网络中对该批比特执行至少一次正向传递从所述第二人工神经网络获取输出值集；至少部分地基于所述输出值集来确定损失函数；以及通过确定所述损失函数相对于所述第一参数集和所述第二参数集的梯度并且对所述梯度应用至少一个随机梯度下降步骤，来更新所述第一参数集和所述第二参数集。

根据另一方面，提供了一种包括程序指令的计算机可读介质，所述程序指令用于使装置至少执行以下操作：初始化与第一人工神经网络相关联的第一参数集以及与第二人工神经网络相关联的第二参数集；生成一批比特；至少部分地基于该批比特、所述第一参数集和所述第二参数集，通过在所述第一人工神经网络和所述第二人工神经网络中对该批比特执行至少一次正向传递从所述第二人工神经网络获取输出值集；至少部分地基于所述输出值集来确定损失函数；以及通过确定所述损失函数相对于所述第一参数集和所述第二参数集的梯度并且对所述梯度应用至少一个随机梯度下降步骤，来更新所述第一参数集和所述第二参数集。

根据另一方面，提供了一种非瞬态计算机可读介质，包括用于使装置至少执行以下操作的程序指令：初始化与第一人工神经网络相关联的第一参数集以及与第二人工神经网络相关联的第二参数集；生成一批比特；至少部分地基于该批比特、所述第一参数集和所述第二参数集，通过在所述第一人工神经网络和所述第二人工神经网络中对该批比特执行至少一次正向传递从所述第二人工神经网络获取输出值集；至少部分地基于所述输出值集来确定损失函数；以及通过确定所述损失函数相对于所述第一参数集和所述第二参数集的梯度并且对所述梯度应用至少一个随机梯度下降步骤，来更新所述第一参数集和所述第二参数集。

根据另一方面，提供了一种至少包括第一装置和第二装置的系统。所述第一装置被配置为：提供第一资源网格作为第一机器学习算法的输入；获取作为所述第一机器学习算法的输出的第二资源网格；以及通过使用正交频分复用调制来向所述第二装置发送包括所述第二资源网格的信号。所述第二装置被配置为：从所述第一装置接收包括所述第二资源网格的所述信号；通过使用正交频分复用解调从接收的信号中获取所述第二资源网格；提供所述第二资源网格作为第二机器学习算法的输入；以及获取作为所述第二机器学习算法的输出的第一资源网格。

根据另一方面，提供了一种至少包括第一装置和第二装置的系统。第一设备包括用于以下操作的部件：提供第一资源网格作为第一机器学习算法的输入；获取作为所述第一机器学习算法的输出的第二资源网格；以及通过使用正交频分复用调制来向所述第二装置发送包括所述第二资源网格的信号。所述第二设备包括用于以下操作的部件：从所述第一装置接收包括所述第二资源网格的所述信号；通过使用正交频分复用解调从接收的信号中获取所述第二资源网格；提供所述第二资源网格作为第二机器学习算法的输入；以及获取作为所述第二机器学习算法的输出的第一资源网格。

附图说明

在下文中，将参考附图更详细地描述各种示例性实施例，其中：

图1示出了蜂窝通信网络的示例性实施例；

图2示出了正交频分复用通信系统的简化架构；

图3至图8示出了根据一些示例性实施例的简化架构；

图9至图11示出了根据一些示例性实施例的流程图；

图12示出了根据示例性实施例的模拟测量结果；

图13示出了根据示例性实施例的装置。

具体实施方式

以下实施例是示例性的。尽管说明书可能在正文中多处提到“一”、“一个”或“一些”实施例，但这并不一定意味着每次提及针对的是同一实施例，或者特定特征仅适用于单个实施例。不同实施例的单个特征也可以被组合以提供其他实施例。

在下文中，将使用基于高级长期演进(LTE Advanced，LTE-A)或新无线电(NR，5G)的无线电接入架构作为可以在其中应用示例性实施例的接入架构的示例，来描述不同的示例性实施例，然而，并不将示例性实施例限制于这样的架构。对于本领域技术人员来说，通过适当地调整参数和过程，示例性实施例也可以应用于具有合适装置的其他种类的通信网络。合适系统的其他选项的一些示例可以是通用移动电信系统(UMTS)无线电接入网络(UTRAN或E-UTRAN)、长期演进(LTE，基本上与E-UTRA相同)、无线局域网(WLAN或Wi-Fi)、微波接入全球互通(WiMAX)、

个人通信服务(PCS)、

宽带码分多址(WCDMA)、使用超宽带(UWB)技术的系统、传感器网络、移动自组织网络(MANET)和互联网协议多媒体子系统(IMS)或者其任意组合。

图1描绘了简化系统架构的示例，示出了一些元件和功能实体，这些元件和功能实体都是逻辑单元，该逻辑单元的实现可以与所示不同。图1所示的连接是逻辑连接；实际的物理连接可以不同。对于本领域技术人员来说，显然系统还可以包括除图1中所示的功能和结构之外的其他功能和结构。

然而，示例性实施例不限于作为示例给出的系统，而是本领域技术人员可以将解决方案应用于具有必要属性的其他通信系统。

图1的示例示出了示例性无线电接入网络的一部分。

图1示出了用户设备100和用户设备102，用户设备100和用户设备102被配置为在小区中的一个或多个通信信道上与提供该小区的接入节点(诸如(e/g)NodeB)104处于无线连接。从用户设备到(e/g)NodeB的物理链路可以被称为上行链路或反向链路，而从(e/g)NodeB到用户设备的物理链路可以被称为下行链路或前向链路。应当理解，可以通过使用任何节点、主机、服务器或接入点等适合这种用途的实体来实现(e/g)NodeB或它们的功能。

通信系统可以包括多于一个的(e/g)NodeB，在这种情况下，(e/g)NodeB也可以被配置为通过为此目的而设计的有线链路或无线链路相互通信。这些链路可以用于信令目的。(e/g)NodeB可以是被配置为控制其耦合到的通信系统的无线电资源的计算设备。NodeB也可以被称为基站、接入点或任何其他类型的包括了能够在无线环境中进行操作的中继站的接口设备。(e/g)NodeB可以包括或者可以耦合到收发器。从(e/g)NodeB的收发器，可以向天线单元提供连接，天线单元建立到用户设备的双向无线电链路。天线单元可以包括多个天线或天线元件。(e/g)NodeB还可以连接到核心网络110(CN或下一代核心NGC)。取决于系统，CN侧的对应方可以是服务网关(S-GW，路由和转发用户数据分组)、分组数据网络网关(P-GW)，以用于提供用户设备(UE)到外部分组数据网络或者移动管理实体(MME)等的连接。

用户设备(也称为UE、用户装置、用户终端、终端设备等)示出了一种类型的装置，空中接口上的资源可以被分配和指派给该类型的装置，因此，本文中针对用户设备描述的任何特征都可以用相应的装置(诸如中继节点)来实现。这种中继节点的示例可以是朝向基站的层3中继(自回程中继)。

用户设备可以指包括了使用或不使用用户识别模块(SIM)进行操作的无线移动通信设备的便携式计算设备，包括但不限于以下类型的设备：移动站(移动电话)、智能电话、个人数字助理(PDA)、手持通话器、使用无线调制解调器的设备(警报设备或测量设备等)、膝上型计算机和/或触摸屏计算机、平板计算机、游戏控制台、笔记本计算机和多媒体设备。应当理解，用户设备也可以是几乎排他的仅上行链路设备，其示例可以是向网络加载图像或视频剪辑的照相机或摄像机。用户设备也可以是具有在物联网(IoT)网络中操作的能力的设备，物联网网络是一种在其中可以向对象提供通过网络发送数据的能力而不需要人对人交互或人对计算机交互的场景。用户设备也可以利用云。在一些应用中，用户设备可以包括具有无线电部件的小型便携式设备(诸如手表、耳机或眼镜)，并且计算可以在云中执行。用户设备(或者在一些示例性实施例中，层3中继节点)可以被配置为执行用户设备功能中的一个或多个。用户设备也可以被称为订户单元、移动站、远程终端、接入终端、用户终端、终端设备或用户装置(UE)，这里仅提及几个名称或装置。

这里描述的各种技术也可以应用于信息物理系统(CPS)(协作用于控制物理实体的计算元件的系统)。CPS可以实现和开发在不同位置被嵌入在物理对象中的大量互连的ICT设备(传感器、致动器、处理器和微控制器等)。移动信息物理系统(其中所讨论的物理系统可以具有固有的移动性)是信息物理系统的一个子类。移动物理系统的示例包括由人或动物运输的移动机器人和电子设备。

此外，尽管这些装置被描绘为单个实体，但是可以实现不同的单元、处理器和/或存储器单元(图1中未全部示出)。

与LTE(所谓的小蜂窝概念)相比，5G可以使用多输入多输出(MIMO)天线并且根据服务需求、用例和/或可用频谱采用各种无线电技术启用更多的基站或节点，包括与较小基站合作的宏站点。5G移动通信可以支持广泛的用例及相关应用，包括视频流、增强现实、不同方式的数据共享和各种形式的机器类型应用(诸如(大规模)机器类型通信(mMTC)，包括车辆安全、不同传感器和实时控制)。预计5G可以有多个无线电接口，即6GHz以下、厘米波(cmWave)和毫米波(mmWave)，并且还可以与现有的传统无线电接入技术(诸如LTE)集成。至少在早期阶段，与LTE的集成可以实现为其中宏覆盖可以由LTE提供并且可以通过聚合到LTE而5G无线电接口接入来自小小区的系统。换句话说，5G可以同时支持RAT间可操作性(诸如LTE-5G)和RI间可操作性(无线电接口间可操作性，诸如6GHz以下–厘米波，6GHz以下–厘米波–毫米波)。在5G网络中被考虑使用的概念之一可以是网络切片，在网络切片中可以在基本相同的基础设施内创建多个独立且专用的虚拟子网络(网络实例)，以运行对延迟、可靠性、吞吐量和移动性有不同要求的服务。

LTE网络中的当前架构可以完全分布在无线电中，并且完全集中在核心网络中。5G中的低延迟应用和服务可能需要将内容靠近无线电，这导致了本地爆发(local breakout)和多接入边缘计算(MEC)。5G可以启用分析和知识生成发生在数据源。这种方法可能需要利用可能无法持续连接到网络的资源，诸如笔记本计算机、智能手机、平板计算机和传感器。MEC可以为应用和服务主机提供分布式计算环境。它还可以在靠近蜂窝用户附近处存储和处理内容，以获取更快的响应时间。边缘计算可以涵盖广泛的技术，诸如无线传感器网络、移动数据采集、移动签名分析、协作分布式对等自组织联网和处理，也可以分类为本地云/雾计算和网格计算、露计算(dew computing)、移动边缘计算、微云(cloudlet)、分布式数据存储和检索、自主自愈网络(automatic self-healing network)、远程云服务、增强和虚拟现实、数据缓存、物联网(大规模连接和/或延迟关键)、关键通信(自动驾驶汽车、交通安全、实时分析、时间关键控制、医疗保健应用)。

通信系统还能够与诸如公共交换电话网或因特网112之类的其他网络通信，或者利用它们提供的服务。通信网络还能够支持云服务的使用，例如至少部分核心网络操作可以作为云服务来执行(这在图1中由“云”114来描绘)。通信系统还可以包括中央控制实体等，为不同运营商的网络提供设施，以例如在频谱共享中进行合作。

通过利用网络功能虚拟化(NFV)和软件定义网络(SDN)，可以将边缘云引入无线电接入网(RAN)。使用边缘云可以意味着接入节点操作至少部分地在操作地耦合到远程无线电头端或无线电单元(RU)的服务器、主机或节点中执行或者在包括无线电部分的基站中执行。还可能是，节点操作将分布在多个服务器、节点或主机中。在RAN侧(在分布式单元DU104中)执行RAN实时功能和以集中方式(在集中单元CU 108中)执行非实时功能可以例如通过应用cloudRAN架构来被启用。

还应该理解，核心网络操作和基站操作之间的分工可以不同于LTE的分工，或者甚至不存在。可以使用的一些其他技术进步可以是大数据和全IP，这可能会改变网络的构建和管理方式。5G(或新无线电，NR)网络可以设计为支持多层次结构，其中MEC服务器可以放置在核心和基站或NodeB(gNB)之间。应当理解，MEC也可以应用于4G网络中。

5G还可以利用卫星通信来增强或补充5G服务的覆盖范围，例如通过提供回程。可能的用例可以是为机器对机器(M2M)设备或物联网(IoT)设备或车载乘客提供服务连续性，或者确保关键通信和未来铁路/海事/航空通信的服务可用性。卫星通信可以利用地球静止轨道(GEO)卫星系统，也可以利用低地球轨道(LEO)卫星系统，特别是巨型星链(其中部署了数百颗(纳米)卫星的系统)。巨型星链中的至少一颗卫星106可以覆盖多个创建地面小区的卫星启用的网络实体。地面小区可以通过地面中继节点104创建或由位于地面或卫星中的gNB创建。

对于本领域技术人员来说显而易见的是，所描绘的系统仅仅是无线电接入系统的一部分的示例，并且在实践中，系统可以包括多个(e/g)NodeB，用户设备可以接入多个无线电小区，并且系统还可以包括其他装置，诸如物理层中继节点或者其他网元等。多个(e/g)NodeB中的至少一个可以是归属(e/g)NodeB。

此外，(e/g)NodeB或基站也可以分成：包括无线电收发机(TRX)(即发射器(TX)和接收器(RX))的无线电单元(RU)；可用于所谓的层1(L1)处理和实时层2(L2)处理的分布式单元(DU)；以及可用于非实时L2和层3(L3)处理的集中式单元(CU)或中央单元。这种划分可以实现Cu相对于小区站点和DU的集中化，而DU可以更加分散，甚至可以保留在小区站点。CU和DU一起也可以被称为基带或基带单元(BBU)。RU和DU也可以包含在无线电接入点(RAP)中。云计算平台也可以用于运行CU或DU。CU可以在云计算平台(vCU，虚拟化CU)中运行。除vCU之外，还可以有虚拟化DU(vDU)运行在云计算平台上。此外，还可以存在其中DU可以使用所谓的裸机解决方案(例如专用集成电路(ASIC)或客户专用标准产品(CSSP)片上系统(SoC)解决方案)的组合。还应该理解，上述基站单元之间或者不同核心网络操作和基站操作之间的分工可以不同。

此外，在无线电通信系统的地理区域中，可以提供多个不同种类的无线电小区以及多个无线电小区。无线电小区可以是宏小区(或伞状小区)，其可以是直径高达几十千米的大小区，或者是更小的小区，例如微小区、毫微微小区或微微小区。图1的(e/g)NodeB可以提供任何种类的这些小区。蜂窝无线电系统可以被实现为包括多种类型的小区的多层网络。在多层网络中，一个接入节点可以提供一种或多种小区，因此可能需要多个(e/g)NodeB来提供这样的网络结构。

为了满足改进通信系统的部署和性能的需要，可以引入“即插即用型”(plug-and-play)(e/g)NodeB的概念。能够使用“即插即用型”(e/g)NodeB的网络，除归属(e/g)NodeB(H(e/g)NodeB)之外，还可以包括归属NodeB网关或HNB-GW(图1中未示出)。可以安装在运营商网络内的HNB网关(HNB-GW)可以将来自大量HNB的流量聚集回核心网络。

在无线通信中，波形规定了如何调制无线电信号以携带信息。波形控制信号的形状及其大多数的信号处理特征，诸如频谱和时间限制、峰均功率比(PAPR)和频谱效率。在包括4G、5G和WiFi在内的大多数无线通信标准中，正交频分复用(OFDM)被用作波形，因为其调制和解调具有相对较低的复杂度，它允许单抽头均衡，并且由于对频域的粒度访问，它有助于复用。

图2示出了OFDM通信系统的简化架构。携带数据的符号在时间-频率域中被调制201，形成资源网格(RG)202。资源网格的单元被称为资源元素(RE)202-1。换句话说，资源网格可以包括多个资源元素。资源元素可以包括例如频域中的一个子载波和时域中的一个OFDM符号。

分配给不同频率的数据符号由正交子载波承载，并且通过离散傅立叶逆变换(IDFT)203生成无线电信号。添加204循环前缀(CP)以避免符号间干扰(ISI)。一旦在无线信道205上接收到无线电信号，接收器就执行逆操作206、207、208，以在时间-频率域中重构(reconstruct)被发射的符号。换句话说，接收器去除206CP，对接收的无线电信号执行离散傅立叶变换(DFT)207，以及对符号进行解调和解码208。

一些基于OFDM的无线系统在时间-频率域中调制数据，这可能对误码率性能产生负面影响，因为资源网格的不同部分可能经历不同的衰退(fading)。例如，一些子载波可能经历特别强的衰退。除限制频谱效率之外，信道条件中的这种时间-频谱变化使得链路适配和调度的任务更加困难，因为当调度用户和决定调制和编码方案(MCS)时，必须考虑这些变化。此外，快速变化的信道可能产生子载波间干扰，并使信道估计和均衡成为困难的任务。

一些示例性实施例提供了机器学习算法，用于学习在整个时间-频率资源网格上扩展调制数据符号的方案。更准确地说，数据符号的资源网格被馈送给具有可训练参数(trainable parameters)的算法，算法确定时间-频率符号的资源网格，然后通过OFDM发送资源网格。可训练算法(trainable algorithm)可以将给定的数据符号扩展到整个可用的时间-频谱资源上，因此从整个时间-频率网格提供的分集受益。此外，这种自由允许发射器以可能有益于无线电性能的其他方式改变被发送的符号。在接收器侧，具有可训练参数的第二算法从由OFDM解调器计算的所接收的时间-频率网格重构数据符号。一些示例性实施例可以基于无线通信系统的物理层的端到端学习，其包括在预定义的信道模型上联合学习发射器和接收器。

图3示出了根据示例性实施例的系统的简化架构。使用例如低密度奇偶校验码(LDPC)和正交幅度调制(QAM)对信息承载比特b进行编码和调制301，以在数据域中生成数据承载符号s的资源网格302。这个大小为N×M的符号的资源网格(其中M和N分别表示形成时间-频率资源网格的OFDM符号和子载波的数量)被馈送到具有可训练参数的由f_θ表示的第一算法303，其中θ是第一算法的可训练参数集。第一算法f_θ可以是例如人工神经网络(NN)。第一算法303输出在时间-频率域x中的符号的资源网格304。然后通过OFDM调制305在无线信道306上发送输出符号。

在接收器侧，对所接收的信号执行OFDM解调307，以重构(失真的)时间-频率符号y的资源网格308，资源网格308被馈送到第二可训练算法309，例如人工神经网络，第二可训练算法309在数据域资源网格310中重构数据符号(表示为

)。第二算法309由gψ表示，其中ψ是第二算法的可训练参数集。数据符号然后可以被解调且被解码311。例如，通过使用深度学习训练技术，可以针对给定的信道模型联合优化在发射器和接收器处的神经网络。

图4示出了根据示例性实施例的发射器处的人工神经网络的简化架构。图4示出了实现f_θ的第一人工神经网络的可能架构，f_θ根据数据符号s的资源网格生成时间-频率符号的资源网格。第一层401可以是

层，

层例如通过将复数据符号(complex datasignal)s的实部和虚部堆叠到附加维度上从而将复数据符号s转换成实标量值(realscalar value)。然后可以使用多个卷积层402、404，因为它们可以很好地适用于二维(2D)数据的处理。虽然在图4中只描述了两个卷积层，但是应该注意，人工神经网络也可以包括多于两个的卷积层。卷积层对2D输入执行2D卷积。卷积层的输入可以具有多个信道，例如在此示例中为基带信号的实部和虚部。例如，最后的卷积层404可以具有两个信道，对应于时间-频率复符号的实部和虚部。可训练参数集可以包括卷积核的权重值。可以在卷积之后应用非线性，例如通过在每个卷积层之后使用整流线性单元(ReLU)层403、405。ReLU也可以被称为整流线性激活函数。一个或多个ReLU层可以对实标量值应用卷积滤波器，然后应用逐元素非线性。

层406然后可以被用来执行与

层相比相逆的过程，即将实标量值转换成时间-频率复符号

最后，最后的层407可以是归一化层，以确保满足某个能量约束，通过执行例如以下来满足例如

其中下标i，j指的是资源网格的(i，j)资源元素。

图5示出了根据示例性实施例的接收器处的神经网络的简化架构。图5示出了实现g_ψ的第二人工神经网络的可能架构。类似于图4中的f_θ，第一层501可以是将复输入(complexinput)y转换成实数输入的

层。这里也可以使用多个卷积层502、504。虽然在图5中只描述了两个卷积层，但是应该注意，人工神经网络也可以包括多于两个的卷积层。最后的卷积层504可以具有两个信道，对应于数据域符号的实部和虚部。可以在卷积之后应用非线性，例如通过在每个卷积层之后使用ReLU层503、505。最后的层506可以是

层，其将实数值转换成复数据符号

这里可以不需要归一化层，因为第二神经网络可以被训练以重构具有有界平均能量的数据符号s。

应当注意，

和

转换是可选的。在一些示例性实施例中，例如，可以使用复卷积来实现神经网络。

还应当注意，图4和图5中所示的架构仅仅是非限制性的示例。一些示例性实施例可以基于其他架构，例如残差神经网络(ResNet)结构。例如，除了卷积层或除卷积层之外，人工神经网络可以包括一个或多个残差层、一个或多个注意层(attention layer)和/或一个或多个变换器。

还应当注意，数据域中的资源网格和时间-频率域中的资源网格不需要具有相同的维度。此外，在部署之前，可以使用图9所示的训练程序离线训练神经网络。一旦被训练，神经网络可以被部署在发射器和接收器处，潜在地在实际环境中进行微调训练。

一些通信系统可以使用参考信号(也可以称为导频)来估计信道响应，并且启用所发送的数据的重构。在一些OFDM系统中，可以根据一些预定义的模式将参考信号分配给时间-频率资源网格中的部分资源元素。在一些示例性实施例中，参考信号可以被分配给时间-频率资源网格或数据资源网格中的特定资源元素。

图6示出了根据示例性实施例的简化架构。如果在发射器处的时间-频率域资源网格602中分配了一个或多个参考信号601，则接收器可以在时间-频率域中的资源网格上执行信道估计和均衡603，并且均衡后的时间-频率资源网格604可以作为输入提供给gψ，即接收器神经网络605，如图6所示。应当注意，为了简单起见，图6仅示出了端到端系统的一部分。

图7示出了根据另一示例性实施例的简化架构。如果在发射器处的数据域资源网格702中分配了一个或多个参考信号701，则接收器可以对数据域中的资源网格705执行信道估计和均衡704，这是作为接收器神经网络703的输出而获取的，如图7所示。应当注意，为了简单起见，图7仅示出了端到端系统的一部分。

在另一示例性实施例中，发射器处的第一算法可以被馈送有经编码的比特而不是经调制的数据符号。此外，接收器处的第二算法可以输出对数似然比(LLR)，对数似然比可以用作信道解码器的输入。图8示出了根据示例性实施例的简化架构，其中发射器和接收器神经网络对比特进行操作，而不是对调制符号进行操作。在这种情况下，发射器神经网络801，即f_θ，可以被馈送有未被调制的经编码的比特

而接收器神经网络802可以输出LLR，LLR然后可以被馈送给信道解码器803。f_θ的输入可以是M×N×K的形状，其中K表示每通道的比特数(例如，对于16-QAM，K＝4)。如前所述，M和N分别表示形成时间-频率资源网格的OFDM符号和子载波的数目。g_ψ的输出可以与f_θ的输入具有相同的形状。

与图4和图5所示的架构类似的构架也可以用于对比特进行操作而不是对经调制的符号进行操作，但是在图4中f_ψ的输入处没有

层401，并且在图5中g_ψ的输出处没有

层504。

OFDM的好处是通过对时间和频率的粒度访问，易于多路复用多个用户或多个流。在一些示例性实施例中，可以在时间-频率域中或数据域中以类似的容易程度实现复用。在时间-频率域的情况下，一些示例性实施例可以与传统系统共存。然而，如果在数据域中分配资源，则其他发射器应该以兼容的方式调度资源，因为神经网络可以在整个时间-频率网格上分配正交调度的数据域资源。

图9示出了根据示例性实施例的流程图，其中可以利用训练过程以端到端的方式联合优化f_θ和g_ψ。该训练过程假设信道模型相对于输入(即OFDM调制信号)是可微分的。训练过程可以例如通过使用图3所示的系统来执行。

参考图9，例如使用随机值初始化901第一可训练参数集(即θ)和第二可训练参数集(即ψ)。例如随机生成902维度为M×N×K(b⁽¹⁾，...，b^(B))的B个比特张量(tensor)和相应的经调制的数据符号的资源网格(s⁽¹⁾，...，s^(B))，其中B是批量大小(batch size)。例如，在图3所示的端到端系统中，执行903每批至少一次正向传递(forward pass)。正向传递是指使用输入样本或一批样本来评估模型。

在前向传递903中，经编码的比特可以被随机采样，形成一批资源网格。可以使用例如QAM来调制经编码的比特，以形成一批经调制的符号的资源网格。该批资源网格可以被提供给发射器处的第一神经网络，以在时间-频率域中生成一批资源网格。可以在时间-频率域中执行该批资源网格的OFDM调制(IDFT+添加CP)。然后，可以通过信道将符号发送给接收器。在接收器侧，可以执行OFDM解调(CP移除+DFT)，以获取时间-频率域中的一批资源网格。时间-频率域中的该批资源网格可以被提供给接收器处的第二神经网络，以获取数据域中的一批资源网格(例如QAM符号)。QAM符号可以被解映射以获取LLR集。LLR集在这里也可以被称为输出值集。这些相当于二元概率的LLR然后可以用于计算损失函数。

可以例如通过以下计算确定904损失函数：

其中

是针对资源元素(m，n)且针对b^th批示例生成的k^th比特，y^(b)是针对b^th批示例的信道输出，而

是由接收器估计的概率，其中给定信道输出y^(b)时

例如，可以通过将sigmoid函数应用于LLR来获取概率。例如，通过确定L(θ，ψ)相对于θ和ψ的梯度，并应用至少一个随机梯度下降(SGD)步骤，更新905θ和ψ。也可以使用SGD的其他变体，如ADAM或LAMB。如果确定训练过程完成(906：是)，则训练过程可以结束907。或者，如果训练过程没有完成(906：否)，则该过程可以返回到框902并从那里继续。例如，在预定义的迭代次数之后，或者当预定义的迭代次数后损失函数没有减少时，可以确定906训练过程完成。

应该注意的是，学习速率、批量大小B以及SGD变体的可能的其他参数(例如ADAM或RMSProp)是优化超参数。此外，在一些示例性实施例中，也可以使用其他潜在地更复杂的信道模型。此外，如果没有可用的信道模型，一些示例性实施例可以应用其他训练过程，例如强化学习。

图10示出了根据另一示例性实施例的流程图。图10中所示的功能可以由诸如发射器之类的装置或者包括发射器的装置来执行。参考图10，提供1001第一资源网格作为第一机器学习算法的输入。获取1002作为第一机器学习算法的输出的第二资源网格。通过使用OFDM调制来发送1003包括第二资源网格的信号。

例如，第一资源网格可以包括数据域中的第一复数据符号集，第二资源网格可以包括时间-频率域中的第二复数据符号集。

第一机器学习算法可以包括第一人工神经网络。第一人工神经网络可以包括第一层，第一层被配置为将第一复数据符号集转换成实标量值集，并且将实标量值集作为输入提供给多个卷积层中的第一卷积层。第一人工神经网络还可以包括第二层，第二层被配置为经由多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将经滤波的实标量值集转换成第二复数据符号集。第二卷积层可以是多个卷积层的最后一个卷积层。例如，可以直接从第二卷积层或者从第二卷积层和第二层之间的另一层(例如ReLu层)接收经滤波的实标量值集。第一人工神经网络还可以包括归一化层，归一化层被配置为在发送包括第二资源网格的信号之前归一化第二复数据符号集。

在另一示例性实施例中，第一资源网格可以包括经编码的比特集。

在另一示例性实施例中，第一资源网格可以包括数据域中的一个或多个参考信号。

在另一示例性实施例中，第二资源网格可以包括时间-频率域中的一个或多个参考信号。

图11示出了根据另一示例性实施例的流程图。图11中所示的功能可以由诸如接收器之类的装置或者包括接收器的装置来执行。参考图11，包括第二资源网格的信号被接收1101。通过使用OFDM解调，第二资源网格被从所接收的信号中获取1102。第二资源网格被提供1103，作为第二机器学习算法的输入。第一资源网格作为第二机器学习算法的输出被获取1104。

例如，第一资源网格可以包括数据域中的第一复数据符号集，第二资源网格可以包括时间-频率域中的第二复数据符号集。

第二机器学习算法可以包括第二人工神经网络。第二人工神经网络可以包括第一层，该第一层被配置为将第二复符号集转换成实标量值集，并且将实标量值集作为输入提供给多个卷积层中的第一卷积层。第二人工神经网络还可以包括第二层，该第二层被配置为经由多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将经滤波的实标量值集转换成第一复数据符号集。第二卷积层可以是多个卷积层的最后一个卷积层。例如，可以直接从第二卷积层或者从第二卷积层和第二层之间的另一层(例如ReLu层)接收经滤波的实标量值集。

在另一示例性实施例中，第一资源网格可以包括一组对数似然比。

上面借助图9至图11描述的功能和/或块没有绝对的时间顺序，并且它们中的一些可以同时执行或者以不同于所描述的顺序执行。其他功能和/或块也可以在它们之间或在它们内部执行。

一些示例性实施例提供的技术优势在于，它们可以更有效地利用可用的无线电资源，从而降低误码率。

图12示出了根据示例性实施例的模拟测量结果。图12示出了作为信噪比(SNR)的函数的由两种方法实现的误码率(BER)。SNR可以定义为每比特平均能量(E_b)与噪声频谱密度(N₀)的比值。上边的线1201示出了通过利用线性最小均方误差(LMMSE)信道估计(该信道估计完全了解信道时间-频率相关性和高斯解映射)的基线操作所实现的模拟测量结果，而下边的线1202示出了通过示例性实施例实现的模拟测量结果。这些模拟利用了第三代合作伙伴计划(3GPP)抽头延迟线(TDL)模型、64-QAM调制以及导频模式和速率为2/3的信道码。这里考虑单输入单输出(SISO)系统。载波频率设置为2.6GHz，子载波间隔设置为15kHz。从图12可以看出，示例性实施例在10^-3的BER下实现了超过2dB的显著增益。观察到的增益是由于发射器和学习后的接收器的改进处理。

图13示出了根据示例性实施例的装置1300。装置可以是任何通信设备(例如终端设备)或者包括在通信设备中。装置1300包括处理器1310。处理器1310解释计算机程序指令并处理数据。处理器1310可以包括一个或多个可编程处理器。处理器1310可以包括具有嵌入式固件的可编程硬件，并且可以可选地或附加地包括一个或多个专用集成电路(ASIC)。

处理器1310耦合到存储器1320。处理器被配置为从存储器1320读取数据和向存储器1320写入数据。存储器1320可以包括一个或多个存储单元。存储单元可以是易失性的或非易失性的。应当注意，在一些示例性实施例中，可以存在一个或多个非易失性存储器单元和一个或多个易失性存储器单元，或者可以存在一个或多个非易失性存储器单元或者一个或多个易失性存储器单元。易失性存储器可以是例如随机存取存储器(RAM)、动态随机存取存储器(DRAM)或同步动态随机存取存储器(SDRAM)。非易失性存储器可以是例如只读存储器(ROM)、可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、闪存、光存储器或磁存储器。通常，存储器可以被称为非瞬态计算机可读介质。存储器1320存储由处理器1310执行的计算机可读指令。例如，非易失性存储器存储计算机可读指令，并且处理器1310使用易失性存储器来执行指令，用于数据和/或指令的临时存储。

计算机可读指令可以预先存储到存储器1320中，或者替代地或附加地，它们可以由装置经由电磁载波信号接收和/或可以从诸如计算机程序产品的物理实体复制。计算机可读指令的执行使装置1300执行上述一个或多个功能。

在本文的上下文中，“存储器”或“计算机可读介质”可以是能够包含、存储、通信、传播或发送由指令执行系统、装置或设备(例如计算机)使用或与其结合使用的指令的任何非瞬态介质或装置。

装置1300可以进一步包括输入单元1330，或连接到输入单元1330。输入单元1330可以包括用于接收输入的一个或多个接口。一个或多个接口可以包括例如一个或多个温度传感器、运动传感器和/或方向传感器、一个或多个照相机、一个或多个加速度计、一个或多个麦克风、一个或多个按钮和/或一个或多个触摸检测单元。此外，输入单元1330可以包括接口，外部设备可连接到该接口。

装置1300还可以包括输出单元1340。输出单元可以包括或连接到一个或多个能够呈现可视内容的显示器，例如发光二极管(LED)显示器、液晶显示器(LCD)和/或硅上液晶(LCoS)显示器。输出单元1340可以进一步包括一个或多个音频输出。一个或多个音频输出可以是例如扬声器。

装置1300还包括连接单元1350。连接单元1350启用到一个或多个外部设备的无线连接。连接单元1350包括可以集成到装置1300或者装置1300可以连接到其的至少一个发射器和/或至少一个接收器。至少一个发射器包括至少一个发射天线，并且至少一个接收器包括至少一个接收天线。连接单元1350可以包括为装置1300提供无线通信能力的集成电路或一组集成电路。备选地，无线连接可以是硬连线的专用集成电路(ASIC)。连接单元1350可以包括由相应的控制单元控制的一个或多个组件，例如功率放大器、数字前端(DFE)、模数转换器(ADC)、数模转换器(DAC)、频率转换器、调制器(解调器)和/或编码器/解码器电路。

根据一些示例性实施例，1300装置还可以包括训练电路，该训练电路被配置为执行机器学习模型(例如神经网络)的训练，并且为此，通过使用一个或多个单独电路的一些示例性实施例来执行至少一些上述功能。

应当注意，装置1300还可以包括图13中未示出的各种组件。各种组件可以是硬件组件和/或软件组件。

如在本申请中所使用的，术语“电路”可以指以下一项或多项或全部：

(a)纯硬件电路实现(例如仅在模拟电路和/或数字电路中的实现)以及

(b)硬件电路和软件的组合，例如(如适用)：

(i)模拟硬件电路和/或数字硬件电路与软件/固件的组合；以及

(ii)具有软件的硬件处理器的任何部分(包括数字信号处理器、软件和存储器，它们一起工作以使诸如移动电话或服务器的装置执行各种功能)；以及

(c)需要软件(例如固件)才能操作的硬件电路和/或处理器，例如微处理器或微处理器的一部分，但是当操作不需要软件时，该软件可以不存在。

电路的这一定义适用于该术语在本申请中(包括在任何权利要求中)的所有使用。作为另一个例子，如在本申请中所使用的，术语电路还涵盖仅硬件电路或处理器(或多个处理器)或部分硬件电路或处理器及其(或它们的)随附软件和/或固件的实现。如果适用于特定的权利要求元素的话，术语电路还涵盖例如用于移动设备的基带集成电路或处理器集成电路或者服务器、蜂窝网络设备或其他计算设备或网络设备中的类似集成电路。

本文描述的技术和方法可以通过各种手段来实现。例如，这些技术可以在硬件(一个或多个设备)、固件(一个或多个设备)、软件(一个或多个模块)或其组合中实现。对于硬件实现，示例性实施例的装置可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGAs)、图形处理单元(GPU)、处理器、控制器、微控制器、微处理器、被设计成执行本文所述功能的其他电子单元或其组合中实现。对于固件或软件，可以通过执行这里描述的功能的至少一个芯片组的模块(例如程序、功能等)来实现。软件代码可以存储在存储器单元中，并且由处理器执行。存储器单元可以在处理器内部或处理器外部实现。在后一种情况下，如本领域中已知的，存储器单元可以经由各种手段可通信地耦合到处理器。此外，本文描述的系统的组件可以被重新排列和/或由附加组件补充，以便于实现各个方面等。本领域技术人员将理解，它们不限于给定附图中阐述的精确配置。

对于本领域技术人员来说，显而易见的是，随着技术的进步，本发明的概念可以以各种方式实现。实施例不限于上述示例性实施例，而是可以在权利要求的范围内变化。因此，所有的词语和表达应该被广义地解释，并且它们旨在对示例性实施例进行说明而非限制。

Claims (8)

1.一种第一装置，包括至少一个处理器和至少一个存储器，所述至少一个存储器包括计算机程序代码，其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第一装置：

提供第一资源网格作为第一机器学习算法的输入；

获取作为所述第一机器学习算法的输出的第二资源网格；

通过使用正交频分复用调制来发送包括所述第二资源网格的信号；

其中所述第一资源网格包括数据域中的第一复数据符号集，并且所述第二资源网格包括时间-频率域中的第二复数据符号集；

其中所述第一机器学习算法包括第一人工神经网络，其中所述第一人工神经网络包括至少多个卷积层；

其中所述第一人工神经网络还包括第一层，所述第一层将所述第一复数据符号集转换为实标量值集，并且提供所述实标量值集作为向所述多个卷积层中的第一卷积层的输入；

其中所述第一人工神经网络还包括第二层，所述第二层经由所述多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将所述经滤波的实标量值集转换为所述第二复数据符号集；以及

其中所述第一人工神经网络还包括归一化层，所述归一化层在发送所述第二资源网格之前归一化所述第二复数据符号集。

2.根据权利要求1所述的第一装置，其中所述第二卷积层有两个信道。

3.一种第二装置，包括至少一个处理器和至少一个存储器，所述至少一个存储器包括计算机程序代码，其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述第二装置：

接收包括第二资源网格的信号；

通过使用正交频分复用解调从所接收的所述信号中获取所述第二资源网格；

提供所述第二资源网格作为第二机器学习算法的输入；

获取作为所述第二机器学习算法的输出的第一资源网格；

其中所述第一资源网格包括数据域中的第一复数据符号集，并且所述第二资源网格包括时间-频率域中的第二复数据符号集；

其中所述第二机器学习算法包括第二人工神经网络，其中所述第二人工神经网络包括至少多个卷积层；

其中所述第二人工神经网络还包括第一层，所述第一层将所述第二复符号集转换为实标量值集，并且提供所述实标量值集作为向所述多个卷积层中的第一卷积层的输入；以及

其中所述第二人工神经网络还包括第二层，所述第二层经由所述多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将所述经滤波的实标量值集转换为所述第一复数据符号集。

4.一种方法，包括：

提供第一资源网格作为第一机器学习算法的输入；

获取作为所述第一机器学习算法的输出的第二资源网格；

通过使用正交频分复用调制来发送包括所述第二资源网格的信号；

其中所述第一资源网格包括数据域中的第一复数据符号集，并且所述第二资源网格包括时间-频率域中的第二复数据符号集；

其中所述第一机器学习算法包括第一人工神经网络，其中所述第一人工神经网络包括至少多个卷积层；

其中所述第一人工神经网络还包括第一层，所述第一层将所述第一复数据符号集转换为实标量值集，并且提供所述实标量值集作为向所述多个卷积层中的第一卷积层的输入；

其中所述第一人工神经网络还包括第二层，所述第二层经由所述多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将所述经滤波的实标量值集转换为所述第二复数据符号集；以及

其中所述第一人工神经网络还包括归一化层，所述归一化层在发送所述第二资源网格之前归一化所述第二复数据符号集。

5.一种方法，包括：

接收包括第二资源网格的信号；

通过使用正交频分复用解调从所接收的所述信号中获取所述第二资源网格；

提供所述第二资源网格作为第二机器学习算法的输入；

获取作为所述第二机器学习算法的输出的第一资源网格；

其中所述第一资源网格包括数据域中的第一复数据符号集，并且所述第二资源网格包括时间-频率域中的第二复数据符号集；

其中所述第二机器学习算法包括第二人工神经网络，其中所述第二人工神经网络包括至少多个卷积层；

其中所述第二人工神经网络还包括第一层，所述第一层将所述第二复符号集转换为实标量值集，并且提供所述实标量值集作为向所述多个卷积层中的第一卷积层的输入；以及

其中所述第二人工神经网络还包括第二层，所述第二层经由所述多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将所述经滤波的实标量值集转换为所述第一复数据符号集。

6.一种计算机程序，包括指令，所述指令用于使装置至少执行以下操作：

提供第一资源网格作为第一机器学习算法的输入；

获取作为所述第一机器学习算法的输出的第二资源网格；

通过使用正交频分复用调制来发送包括所述第二资源网格的信号；

其中所述第一资源网格包括数据域中的第一复数据符号集，并且所述第二资源网格包括时间-频率域中的第二复数据符号集；

其中所述第一机器学习算法包括第一人工神经网络，其中所述第一人工神经网络包括至少多个卷积层；

其中所述第一人工神经网络还包括第一层，所述第一层将所述第一复数据符号集转换为实标量值集，并且提供所述实标量值集作为向所述多个卷积层中的第一卷积层的输入；

其中所述第一人工神经网络还包括第二层，所述第二层经由所述多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将所述经滤波的实标量值集转换为所述第二复数据符号集；以及

其中所述第一人工神经网络还包括归一化层，所述归一化层在发送所述第二资源网格之前归一化所述第二复数据符号集。

7.一种计算机程序，包括指令，所述指令用于使装置至少执行以下操作：

接收包括第二资源网格的信号；

通过使用正交频分复用解调从所接收的所述信号中获取所述第二资源网格；

提供所述第二资源网格作为第二机器学习算法的输入；

获取作为所述第二机器学习算法的输出的第一资源网格；

其中所述第一资源网格包括数据域中的第一复数据符号集，并且所述第二资源网格包括时间-频率域中的第二复数据符号集；

其中所述第二机器学习算法包括第二人工神经网络，其中所述第二人工神经网络包括至少多个卷积层；

其中所述第二人工神经网络还包括第一层，所述第一层将所述第二复符号集转换为实标量值集，并且提供所述实标量值集作为向所述多个卷积层中的第一卷积层的输入；以及

其中所述第二人工神经网络还包括第二层，所述第二层经由所述多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将所述经滤波的实标量值集转换为所述第一复数据符号集。

8.一种至少包括第一装置和第二装置的系统：

其中所述第一装置被配置为：

提供第一资源网格作为第一机器学习算法的输入；

获取作为所述第一机器学习算法的输出的第二资源网格；

通过使用正交频分复用调制来向所述第二装置发送包括所述第二资源网格的信号；

其中所述第一资源网格包括数据域中的第一复数据符号集，并且所述第二资源网格包括时间-频率域中的第二复数据符号集；

其中所述第一机器学习算法包括第一人工神经网络，其中所述第一人工神经网络包括至少第一多个卷积层；

其中所述第一人工神经网络还包括第一层，所述第一层将所述第一复数据符号集转换为实标量值集，并且提供所述实标量值集作为向所述第一多个卷积层中的第一卷积层的输入；

其中所述第一人工神经网络还包括第二层，所述第二层经由所述第一多个卷积层中的第二卷积层接收经滤波的实标量值集，并且将所述经滤波的实标量值集转换为所述第二复数据符号集；以及

其中所述第一人工神经网络还包括归一化层，所述归一化层在发送所述第二资源网格之前归一化所述第二复数据符号集，

其中所述第二装置被配置为：

从所述第一装置接收包括所述第二资源网格的所述信号；

通过使用正交频分复用解调从所接收的所述信号中获取所述第二资源网格；

提供所述第二资源网格作为第二机器学习算法的输入；

获取作为所述第二机器学习算法的输出的所述第一资源网格；

其中所述第二机器学习算法包括第二人工神经网络，其中所述第二人工神经网络包括至少第二多个卷积层；

其中所述第二人工神经网络还包括第三层，所述第三层将所述第二复符号集转换为所述实标量值集，并且提供所述实标量值集作为向所述第二多个卷积层中的第一卷积层的输入；以及

其中所述第二人工神经网络还包括第四层，所述第四层经由所述第二多个卷积层中的第二卷积层接收所述经滤波的实标量值集，并且将所述经滤波的实标量值集转换为所述第一复数据符号集。

Images