CN115152190B - 使用峰值降低音调的基于机器学习的上行链路覆盖增强 - Google Patents
使用峰值降低音调的基于机器学习的上行链路覆盖增强 Download PDFInfo
- Publication number
- CN115152190B CN115152190B CN202180015386.1A CN202180015386A CN115152190B CN 115152190 B CN115152190 B CN 115152190B CN 202180015386 A CN202180015386 A CN 202180015386A CN 115152190 B CN115152190 B CN 115152190B
- Authority
- CN
- China
- Prior art keywords
- prts
- encoder
- decoder
- subcarriers
- tones
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 description 24
- 210000004027 cell Anatomy 0.000 description 20
- 210000002569 neuron Anatomy 0.000 description 18
- 238000003860 storage Methods 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 102100021699 Eukaryotic translation initiation factor 3 subunit B Human genes 0.000 description 5
- 101000896557 Homo sapiens Eukaryotic translation initiation factor 3 subunit B Proteins 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008685 targeting Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 101100065137 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) prt-1 gene Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000700159 Rattus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2614—Peak power aspects
- H04L27/2618—Reduction thereof using auxiliary subcarriers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2614—Peak power aspects
- H04L27/2615—Reduction thereof using coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/04—Control of transmission; Equalising
- H04B3/06—Control of transmission; Equalising by the transmitted signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/20—Reducing echo effects or singing; Opening or closing transmitting path; Conditioning for transmission in one direction or the other
- H04B3/23—Reducing echo effects or singing; Opening or closing transmitting path; Conditioning for transmission in one direction or the other using a replica of transmitted signal in the time domain, e.g. echo cancellers
- H04B3/238—Reducing echo effects or singing; Opening or closing transmitting path; Conditioning for transmission in one direction or the other using a replica of transmitted signal in the time domain, e.g. echo cancellers using initial training sequence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- 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
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mobile Radio Communication Systems (AREA)
- Transceivers (AREA)
Abstract
本公开的某些方面提供了用于生成和解码正交频分(OFDM)波形的技术,该正交频分(OFDM)波形具有被设计为降低PAPR的峰值降低音调(PRT)。通过采用基于机器学习(例如,神经网络)的编码器生成PRT音调并且将一些PRT音调映射到用于物理信道或信号的子载波,可以在有效使用系统资源的同时降低PAPR。
Description
优先权要求
本申请要求于2021年1月21日提交的第17/154,607号美国申请的优先权,该申请要求于2020年2月24日提交的第62/980,776号美国临时申请和于2020年4月13日提交的第63/009,369号美国临时申请的优先权权益,这两个临时申请均通过下述方式明确地并入本文:通过对其全部内容的引用,如同在下文中完全阐述那样,并且针对所有适用的目的。
技术领域
本公开的方面涉及无线通信,并且更具体地,涉及用于使用峰值降低音调(peakreduction tones,PRT)的增强编码方案的技术。
背景技术
无线通信系统被广泛部署来提供各种电信服务,诸如电话、视频、数据、消息、广播等。这些无线通信系统可以采用能够通过共享可用的系统资源(例如,带宽、发射功率等)来支持与多个用户通信的多址技术。这样的多址系统的示例包括第三代合作伙伴计划(3GPP)长期演进(LTE)系统、高级LTE(LTE-A)系统、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(SCFDMA)系统和时分同步码分多址(TD-SCDMA)系统,仅举几例。
这些多址技术已经在各种电信标准中被采用以提供使得不同的无线设备能够在城市、国家、地区甚至全球级别上进行通信的公共协议。新无线电(例如,5G NR)是新兴电信标准的示例。NR是3GPP发布的LTE移动标准的一组增强。NR被设计为通过下述来更好地支持移动宽带互联网接入:提高频谱效率、降低成本、改进服务、利用新频谱以及在下行链路(DL)和上行链路(UL)上使用带有循环前缀(CP)的OFDMA与其他开放标准更好地集成。为此,NR支持波束成形、多输入多输出(MIMO)天线技术和载波聚合。
然而,随着针对移动宽带接入需求的持续增长,存在针对进一步改进NR和LTE技术的需求。优选地,这些改进应当适用于其他多址技术和采用这些技术的电信标准。
发明内容
本公开的系统、方法和设备各自具有几个方面,其中没有一个单一方面单独地负责其期望的属性。在不限制由所附权利要求表达的本公开的范围的情况下,现在将简要地讨论一些特征。在考虑了该讨论之后,并且特别是在阅读了标题为“具体实施方式”的部分之后,将理解本公开的特征如何提供优点,包括使用在数据子载波上发送的峰值降低音调来生成具有降低的峰值平均功率比(PAPR)的正交频分(OFDM)波形的能力。
本公开中描述的主题的某些方面可以在由传送器进行的无线通信方法中实现。该方法通常包括:利用编码器神经网络生成第一组峰值降低音调(PRT)和第二组PRT;以及向接收器发送OFDM波形,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
本公开中描述的主题的某些方面可以在由接收器进行的无线通信方法中实现。该方法通常包括:从传送器接收采用编码器神经网络生成的OFDM波形,该编码器神经网络将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT以及映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;以及使用解码器神经网络解码OFDM波形。
本公开中描述的主题的某些方面可以在由传送器进行的无线通信方法中实现。该方法通常包括:采用基于机器学习(ML)的编码器生成第一组PRT和第二组PRT;以及向接收器发送OFDM波形,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
本公开的某些方面针对一种用于由传送器进行的无线通信的装置。该装置通常包括存储器和耦合到该存储器的至少一个处理器,该存储器和该至少一个处理器被配置为采用基于ML的编码器生成第一组PRT和第二组PRT,以及向接收器发送OFDM波形,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
本公开的某些方面针对一种用于由传送器进行的无线通信的装置。该装置通常包括用于采用基于ML的编码器生成第一组PRT和第二组PRT的装置,以及用于向接收器发送OFDM波形的装置,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
本公开的某些方面针对一种其上存储有指令的计算机可读介质,该指令用于采用基于ML的编码器生成第一组PRT和第二组PRT,以及向接收器发送OFDM波形,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
本公开中描述的主题的某些方面可以在由接收器进行的无线通信的方法中实现。该方法通常包括:从传送器接收采用基于ML的编码器生成的OFDM波形,该基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT以及映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;以及使用基于ML的解码器解码OFDM波形。
本公开的某些方面针对一种用于由接收器进行的无线通信的装置。该装置通常包括:存储器和耦合到该存储器的至少一个处理器,该存储器和该至少一个处理器被配置为从传送器接收采用基于ML的编码器生成的OFDM波形,该基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT以及映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;以及使用基于ML的解码器解码OFDM波形。
本公开的某些方面针对一种用于由接收器进行的无线通信的装置。该装置通常包括:用于从传送器接收采用基于ML的编码器生成的OFDM波形的装置,该基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT以及映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;以及用于使用基于ML的解码器解码OFDM波形的装置。
本公开的某些方面涉及一种其上存储有指令的计算机可读介质,该指令用于从传送器接收采用基于ML的编码器生成的OFDM波形,该基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT以及映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;以及使用基于ML的解码器解码OFDM波形。
为了实现前述和相关目的,一个或多个方面包括在下文中充分描述的并且在权利要求中特别地指出的特征。以下描述和附图详细阐述了一个或多个方面的某些说明性特征。然而,这些特征仅指示了可以采用各个方面的原理的各种方式中的几种。
附图说明
为了能够详细理解本公开的上述特征,可以参考各方面对以上简要总结的内容进行更加具体的描述,这些方面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的某些典型方面,因此不应被认为是对其范围的限制,因为该描述可以承认其他同等有效的方面。
图1是概念性地图示了根据本公开的某些方面的示例无线通信网络的框图。
图2是概念性地图示了根据本公开的某些方面的示例基站(BS)和用户设备(UE)的设计的框图。
图3是根据本公开的某些方面的用于无线通信网络中的通信的示例帧格式。
图4示出了根据本公开的某些方面的数据音调和峰值降低音调(PRT)的示例分配。
图5示出了根据本公开的某些方面的具有基于机器学习(ML)的编码器的示例传送器节点。
图6示出了根据本公开的某些方面的具有基于ML的解码器的示例接收器节点。
图7示出了根据本公开的某些方面的由传送器进行的无线通信的示例操作。
图8示出了根据本公开的某些方面的由接收器进行的无线通信的示例操作。
图9示出了根据本公开的某些方面的示例性基于神经网络的编码器的框图。
图10示出了根据本公开的某些方面的由传送器进行的无线通信的示例操作。
图11示出了根据本公开的某些方面的由接收器进行的无线通信的示例操作。
图12示出了根据本公开的某些方面的示例性基于机器学习(ML)的训练系统。
图13示出了根据本公开的方面的通信设备,该通信设备可以包括被配置为执行本文公开的技术的操作的各种组件。
图14示出了根据本公开的方面的通信设备,该通信设备可以包括被配置为执行本文公开的技术的操作的各种组件。
为了便于理解,在可能的情况下,使用了相同的附图标记来表示附图中共有的相同元件。预期在一个方面中公开的元件可以有益地用于其他方面,而无需具体叙述。
具体实施方式
本公开的方面提供了用于生成和解码具有被设计为降低PAPR的峰值降低音调(PRT)的正交频分(OFDM)波形的装置、方法、处理系统和计算机可读介质。通过采用基于机器学习(例如,神经网络)的编码器生成PRT音调,并且将PRT音调中的一些映射到用于物理信道或信号的子载波,可以在有效地使用系统资源的同时降低PAPR。
以下描述提供了使用被设计为降低PAPR的PRT来生成和解码OFDM波形的示例,并且不限制权利要求中阐述的范围、适用性或示例。在不脱离本公开的范围的情况下,可以对所讨论的元件的功能和布置进行改变。各种示例可以适当地省略、替换或添加各种过程或组件。例如,可以按照不同于所描述的顺序来执行所描述的方法,并且可以添加、省略或组合各种步骤。另外,关于一些示例描述的特征可以组合在一些其他示例中。例如,可以使用本文阐述的任意数量的方面来实现装置或实践方法。另外,本公开的范围旨在覆盖使用下述来实践的这样的装置或方法:使用本文阐述的本公开的各个方面的其他结构和功能,或者除了本文阐述的本公开的各个方面之外还使用其他结构和功能,或者使用除了本文阐述的本公开的各个方面之外的结构和功能。应当理解,本文公开的公开内容的任何方面可以由权利要求的一个或多个元素来体现。这里使用的词语“示例性”意味着“用作示例、实例或说明”本文描述为“示例性”的任何方面不一定被解释为比其他方面更优选或更有利。
通常,在给定的地理区域中可以部署任意数量的无线网络。每个无线网络可以支持特定的无线电接入技术(RAT),并且可以在一个或多个频率上操作。RAT也可以被称为无线电技术、空中接口等。频率也可以被称为载波、子载波、频率信道、音调、子带等。每个频率可以支持给定地理区域中的单个RAT,以避免不同RAT的无线网络之间的干扰。
本文描述的技术可以用于各种无线网络和无线电技术。虽然本文可以使用与3G、4G和/或新无线电(例如,5G NR)无线技术共同地相关联的术语来描述各方面,但是本公开的方面可以应用于基于其他代别的通信系统。
NR接入可以支持各种无线通信服务,诸如以宽带宽(例如,80MHz或以上)为目标的增强型移动宽带(eMBB)、以高载波频率(例如,25GHz或以上)为目标的毫米波(mmW)、以非后向兼容MTC技术为目标的大规模机器类型通信MTC(mMTC)和/或以超可靠低延迟通信(URLLC)为目标的关键任务。这些服务可能包括延迟和可靠性要求。这些服务也可以具有不同的传输时间间隔(TTI),以满足相应的服务质量(QoS)要求。另外,这些服务可以共存于同一子帧中。NR支持波束成形,并且波束方向可以动态地配置。也可以支持具有预编码的MIMO传输。DL中的MIMO配置可以支持多达8个发射天线,其具有多达8个流和每UE多达2个流的多层DL传输。可以支持每UE多达2个流的多层传输。采用多达8个服务小区可以支持多个小区的聚合。
图1示出了其中可以执行本公开的各个方面的示例无线通信网络100。例如,无线通信网络100的UE 120可以配置有基于ML的编码器122,该基于ML的编码器122被配置为执行(或协助UE 120执行)图7的操作700和/或图10的操作1000,以生成具有映射到数据子载波的PRT的OFDM波形。类似地,无线通信网络100的基站(BS)110可以配置有基于ML的解码器112,该基于ML的解码器112被配置为执行(或协助BS 110执行)图8的操作800和/或图11的操作1100,以处理由UE 120生成的这种OFDM波形。
无线通信网络100可以是NR系统(例如,5G NR网络)。如图1所示,无线通信网络100可以与核心网络132通信。核心网络132可以经由一个或多个接口与无线通信网络100中的一个或多个基站(BS)110和/或用户设备(UE)120通信。
如图1所示,无线通信网络100可以包括多个BS 110a-z(在本文,每个BS也被单独地称为BS 110或统称为BS 110)和其他网络实体。BS 110可以为特定的地理区域(有时称为“小区”)提供通信覆盖,该地理区域可以是固定的或者可以根据移动BS 110的位置而移动。在一些示例中,BS 110可以使用任何合适的传输网络、通过各种类型的回程接口(例如,直接物理连接、无线连接、虚拟网络等)彼此互连和/或与无线通信网络100中的一个或多个其他BS或网络节点(未示出)互连。在图1所示的示例中,基站110a、110b和110c可以分别地是针对宏小区102a、102b和102c的宏基站。BS 110x可以是针对微微小区102x的微微BS。基站110y和110z可以分别是针对毫微微小区102y和102z的毫微微基站。BS可以支持一个或多个小区。网络控制器130可以耦合到一组BS 110,并且为这些BS 110提供协调和控制(例如,经由回程)。
BS 110与无线通信网络100中的UE 120a-y(在本文,每个也被单独地称为UE 120或统称为UE 120)通信。UE 120(例如,120x、120y等)可以分散在无线通信网络100中,并且每个UE 120可以是固定的或移动的。无线通信网络100还可以包括中继站(例如,中继站110r),也被称为中继等,其从上游站(例如,BS 110a或UE 120r)接收数据和/或其他信息的传输,并且向下游站(例如,UE 120或BS 110)发送数据和/或其他信息的传输,或者中继UE120之间的传输以便于设备之间的通信。
图2示出了BS 110a和UE 120a的示例组件(例如,在图1的无线通信网络100中),其可以用于实现本公开的方面。
在BS 110a处,传送处理器220可以从数据源212接收数据,并且从控制器/处理器240接收控制信息。控制信息可以用于物理广播信道(PBCH)、物理控制格式指示符信道(PCFICH)、物理混合ARQ指示符信道(PHICH)、物理下行链路控制信道(PDCCH)、分组公共PDCCH(GC PDCCH)等。数据可以用于物理下行链路共享信道(PDSCH)等。媒体接入控制(MAC)-控制元件(MAC-CE)是可以用于无线节点之间的控制命令交换的MAC层通信结构。MAC-CE可以在诸如物理下行链路共享信道(PDSCH)、物理上行链路共享信道(PUSCH)或物理侧链路共享信道(PSSCH)的共享信道中承载。
处理器220可以处理(例如,编码和符号映射)数据和控制信息,以分别地获得数据符号和控制符号。传送处理器220还可以生成参考符号,诸如用于主同步信号(PSS)、辅同步信号(SSS)和信道状态信息参考信号(CSI-RS)。传送(TX)多输入多输出(MIMO)处理器230可以对数据符号、控制符号和/或参考符号(如果适用的话)执行空间处理(例如,预编码),并且可以向调制器(MOD)232a-232t提供输出符号流。每个调制器232可以处理相应的输出符号流(例如,用于OFDM等)以获得输出样本(sample)流。每个调制器可以进一步处理(例如,转换成模拟、放大、滤波和上变频)输出样本流,以获得下行链路信号。来自调制器232a-232t的下行链路信号可以分别地经由天线234a-234t传送。
在UE 120a处,天线252a-252r可以从BS 110a接收下行链路信号,并且可以分别地向收发器254a-254r中的解调器(DEMOD)提供接收到的信号。每个解调器254可以调节(例如,滤波、放大、下变频和数字化)相应的接收到的信号以获得输入样本。每个解调器可以进一步处理输入样本(例如,用于OFDM等)以获得接收到的符号。MIMO检测器256可以从所有解调器254a-254r获得接收到的符号,对接收到的符号执行MIMO检测(如果适用的话),以及提供检测的符号。接收处理器258可以处理(例如,解调、解交织和解码)检测到的符号,向数据宿(data sink)260提供用于UE 120a的解码数据,以及向控制器/处理器280提供解码的控制信息。
在上行链路上,在UE 120a处,传送处理器264可以接收和处理来自数据源262的数据(例如,用于物理上行链路共享信道(PUSCH))以及来自控制器/处理器280的控制信息(例如,用于物理上行链路控制信道(PUCCH))。传送处理器264还可以生成参考信号的参考符号(例如,用于探测参考信号(SRS))。如果适用的话,来自传送处理器264的符号可以由TXMIMO处理器266预编码,由收发器254a-254r中的调制器进一步处理(例如,用于SC-FDM等),以及被传送到BS 110a。在BS 110a处,来自UE 120a的上行链路信号可以由天线234接收,由解调器232处理,由MIMO检测器236检测(如果适用的话),以及由接收处理器238进一步处理,以获得解码的由UE 120a发送的数据和控制信息。接收处理器238可以向数据宿239提供解码的数据,并且向控制器/处理器240提供解码的控制信息。
存储器242和282可以分别地存储用于BS 110a和UE 120a的数据和程序代码。调度器244可以针对在下行链路和/或上行链路上的数据传输来调度UE。
UE 120a的天线252、处理器266、258、264和/或控制器/处理器280和/或BS 110a的天线234、处理器220、230、238和/或控制器/处理器240可以用于执行本文描述的各种技术和方法。例如,如图2所示,BS 110a的控制器/处理器240具有基于ML的解码器241,并且UE120a的控制器/处理器280具有基于ML的编码器281。基于ML的解码器241可以被配置为执行图7的操作700或图10的操作1000,和/或基于ML的编码器281可以被配置为执行图8的操作800或图11的操作1100。尽管被示出为在控制器/处理器处,但是UE 120a和BS 110a的其他组件可以用于执行本文描述的操作。
NR可以在上行链路和下行链路上利用具有循环前缀(CP)的正交频分复用(OFDM)。NR可以支持使用时分双工(TDD)的半双工操作。OFDM和单载波频分复用(SC-FDM)将系统带宽划分为多个正交子载波,这些子载波通常也被称为音调、频段(bin)等。每个子载波可以采用数据来调制。可以采用OFDM在频域中发送调制符号,并且采用SC-FDM在时域中发送调制符号。相邻子载波之间的间隔可以是固定的,并且子载波的总数可以依赖于系统带宽。被称为资源块(RB)的最小资源分配可以是12个连续的子载波。系统带宽也可以划分为子带。例如,子带可以覆盖多个RB。NR可以支持15KHz的基频(base)子载波间隔(SCS),并且可以相对于基频SCS来定义其他SCS(例如,30kHz、60kHz、120kHz、240kHz等)。
图3是示出用于NR的帧格式300的示例的图。用于下行链路和上行链路中的每个的传输时间线可以被划分成无线电帧单元。每个无线电帧可以具有预定的持续时间(例如,10ms),并且可以被划分为每个为1ms的10个子帧,其具有为0至9的索引。依赖于SCS,每个子帧可以包括可变数量的时隙(例如,1、2、4、8、16……个时隙)。依赖于SCS,每个时隙可以包括可变数量的符号周期(例如,7或14个符号)。每个时隙中的符号周期可以被分配索引。可以被称为子时隙结构的迷你时隙指代持续时间小于一个时隙(例如,2、3或4个符号)的传送时间间隔。时隙中的每个符号可以指示用于数据传输的链路方向(例如,DL、UL或灵活的),并且可以动态地切换每个子帧的链路方向。链接方向可以基于时隙格式。每个时隙可以包括DL/UL数据以及DL/UL控制信息。
使用PRT的基于ML的UL覆盖增强示例
NR规范中采用的传统正交频分复用(OFDM)波形通常遭受相对较大的峰值平均功率比(PAPR),这随后需要大量的功率放大器(PA)回退,代价是退化的PA效率。可以使用被称为音调预留方案的机制来降低PAPR。
如图4所示,根据传统的音调预留方案,给定一组要发送的期望(或有用)音调(例如,数据音调x),与有用音调正交的专用附加音调组被用于整形时域信号。这些附加音调被称为峰值降低音调(PRT)。PRT用于通过削波(例如,限制)原始OFDM波形的峰值部分来整形时域信号。数据音调的误差向量幅度(EVM)可以得到保护,而接收器不必确切知道在用于PRT的子载波上传输了什么。实际上,如果针对数据音调保持EVM,则峰值功率会降低,但是其代价是平均传送(transmit)功率增加。
在传统方法中,通过引入PRT运行迭代算法来计算针对给定输入的PRT。换句话说,数据音调与PRT之间不存在已知的关系,并且期望音调与PRT之间的映射是任意的。此外,在传统的音调预留方案中,就接收器而言,PRT具有相对地低的功用。结果,在传统的音调预留方案中,PRT是纯粹的开销,因为其在不用于传送其他有意义的数据(例如,物理信道或其他信号)的子载波上发送。
然而,根据本公开的某些方面,可以训练传送器的基于机器学习(ML)的编码器来学习数据音调与PRT之间的关系。如将更详细描述地,基于ML的编码器可以生成两组PRT音调。一组PRT音调可以在具有数据(例如,物理信道或信号)的子载波上发送,而另一组PRT可以在不具有数据的子载波上发送。数据音调与PRT之间的这种关系可以被接收器用来改进解调性能,因为PRT包含关于数据音调的信息。
如下文将更详细描述的,ML(例如,使用神经网络)可以用于确定期望音调与PRT之间的函数映射,这与其中期望音调与PRT之间的映射是任意的传统方法相反。换句话说,在本文描述的基于ML的音调预留方法中,已知的函数可以将期望音调映射到PRT。这个已知的函数(例如,已知的关系)可以被接收器用来改进解调性能,因为PRT包含关于数据音调的信息。
如图5所示,传送器节点520(例如,诸如图1或图2的UE 120)可以包括基于ML的编码器522。基于ML的编码器522可以包括PRT选择模型524,其被配置为从音调向量x生成第一组PRT和第二组PRT。如下面将更详细描述地,基于ML的编码器522(和/或PRT选择模型524)可以在传送器节点520或接收器节点处被训练。在这种情况下,学习到的信息——诸如神经网络权重——可以被发送到传送器节点520。
如所示地,在528,基于ML的编码器可以生成OFDM波形,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。在530,可以将OFDM波形传送到接收器,诸如图6的接收器节点620。
如图6所示,接收器节点620(例如,诸如图1或图2的BS 110)可以接收(由传送器节点520生成的)OFDM波形,并且采用基于ML的解码器624处理该OFDM波形。基于ML的解码器624可以例如采用传送器节点520的PRT选择模型524所使用的关系的知识来解码OFDM波形626,以从音调向量x生成第一组PRT和第二组PRT。在一些情况下,基于ML的解码器可以在接收器节点620或传送器节点处被训练。在这种情况下,学习到的信息——诸如神经网络权重——可以被发送到接收器节点620。
图7示出了根据本公开的某些方面的由传送器进行的无线通信的示例操作700。操作700可以例如由图5的传送器节点520来执行,诸如UE(例如,无线通信网络100中的UE120a)。当传送器是UE时,操作700可以被实现为在一个或多个处理器(例如,图2的控制器/处理器280)上执行和运行的软件组件。此外,在操作700中,可以例如通过一个或多个天线(例如,图2的天线252)来使得UE能够进行信号传输。在某些方面,由UE进行的信号传输可以经由获得和/或输出信号的一个或多个处理器(例如,控制器/处理器280)的总线接口来实现。
在702,操作700通过采用编码器神经网络生成第一组峰值降低音调(PRT)和第二组PRT而开始。如下面将更详细描述地,编码器神经网络只是可以使用的一种类型的基于ML的编码器。在704,传送器向接收器发送正交频分复用(OFDM)波形,其中第一组PRT在具有物理信道或参考信号中的至少一个的第一组子载波上,而第二组PRT在不具有物理信道或参考信号的第二组子载波上。
图8示出了根据本公开的某些方面的由接收器进行的无线通信的示例操作800。操作800可以例如由图6的接收器节点620来执行,诸如基站(例如,无线通信网络100中的BS110)。当接收器是BS时,操作800可以被实现为在一个或多个处理器(例如,图2的控制器/处理器240)上执行和运行的软件组件。此外,例如,可以通过一个或多个天线(例如,图2的天线234)来使得在操作800中BS能够进行信号接收。在某些方面,BS进行的信号接收可以经由获得和/或输出信号的一个或多个处理器(例如,控制器/处理器240)的总线接口来实现。
在802,操作800通过从传送器接收采用编码器神经网络生成的正交频分复用(OFDM)波形而开始,该编码器神经网络将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT,并且将音调映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT。在804,接收器使用解码器神经网络解码OFDM波形。如下面将更详细描述地,解码器神经网络只是可以使用的一种类型的基于ML的解码器。
图9示出了被配置为根据图7的操作700生成OFDM信号的传送器节点900的示例。如所示地,传送器节点900具有编码器神经网络(NN)902(例如,基于ML的编码器),其从音调向量x生成两组PRT(PRT1和PRT2)。向量x中的音调的数量以及用于生成PRT1和PRT2的映射函数可以依赖于操作带宽(例如,针对上行链路传输分配的资源块的数量)。
如所示地,在具有数据的子载波上发送PRT音调中的一些(例如,经由加法器(summer)904将PRT1与数据音调组合),而在不具有数据的子载波上发送剩余的PRT。组合的音调PRT1和数据音调经由频分多路复用器906与PRT2组合,该频分多路复用器906的输出被提供给快速傅立叶逆变换(IFFT)模块908,该IFFT模块908获取频域输入数并且将其转换为时域输出数据,从而产生OFDM符号波形。
在传统的音调预留方案中,PRT资源包括与用于常规上行链路(UL)物理层(PHY)信道(诸如物理上行链路共享信道(PUSCH))或其他信号(诸如UL解调参考信号(DMRS))的频率资源(例如数据音调)正交的子载波。然而,在本文提出的技术中使用的附加PRT资源产生了用于UE对在峰值降低算法中使用的时域内核进行整形的更多的自由度。因此,通过分配已经指派给其他UL PHY信道/信号传输的一些资源,可以实现更好的PAPR降低。
在一些频率资源被分配给PRT和UL PHY信道/信号的情况下,由于PRT引起的干扰,这些UL PHY信道/信号的EVM可能退化。依赖于诸如资源块(RB)以及目标调制和编码方案(MCS)的频率资源的信号干扰噪声比(SINR),由于PRT的EVM退化可以忽略不计。在这种情况下,如本文所提出地,将频率资源指派给PRT和UL PHY信道/信号可能是有益的。在具有相对地好的信道条件(例如,高SINR)的RB中,来自PRT的较大干扰是可以容忍的。
在接收器侧,可以训练(或配置)解码器NN(或其他基于ML的解码器)来帮助数据音调的解调。换句话说,解码器NN可以通过使用PRT音调来帮助恢复与PRT冲突的数据音调的EVM。使用该PRT音调辅助的解调,解码器可以使用数据与嵌入在接收的数据音调中的第一组PRT音调(例如,PRT1)和第二组音调(例如,PRT2)之间的关系,因为解码器可能知道编码器NN用来生成PRT1和PRT2的映射函数。
通常存在两种方法用于配置基于ML的编码器和/或解码器(例如,信号发送用于在编码器处配置PRT选择的权重,或者通知解码器相应的映射函数)。第一种方法可以被认为是传送器驱动的(例如,在UE处)。在这种情况下,传送器找到编码器和解码器参数/权重(例如,根据下面描述的训练)并且将解码器设置信号发送给接收器(例如,BS/gNB)。第二种方法可以被认为是接收器驱动的(例如,通过BS/gNB)。在这种情况下,接收器找到编码器和解码器参数/设置,并且将编码器设置信号发送给传送器。
如上所述,虽然神经网络被用作示例,但是更一般地,任何类型的基于ML的编码器和解码器可以用于执行本文提出的技术。
图10示出了由传送器使用基于ML的编码器生成OFDM信号的示例操作1000。在1002,操作1000通过采用基于ML的编码器生成第一组PRT和第二组PRT而开始。在1004,传送器向接收器发送正交频分复用(OFDM)波形,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
图11示出了用于由接收器处理使用基于ML的编码器生成的OFDM信号的示例操作1100。在1102,操作1100通过从传送器接收采用基于机器学习(ML)的编码器生成的正交频分复用(OFDM)波形而开始,该基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT,并且将音调映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT。在1104,接收器使用基于ML的解码器解码OFDM波形。
如上所述,传送器或接收器节点可以使用机器学习算法来学习用于选择PRT音调组的映射函数。在一些示例中,节点输入与损失函数相关联的一个或多个参数,该损失函数用于评估到这种ML算法的映射函数(例如,PAPR或SINR)。
在一些示例中,ML涉及训练模型,诸如预测模型或神经网络。该模型可以用于将音调向量x的音调映射到要在数据音调和其他(例如,正交)音调上发送的不同组的PRT音调(例如,PRT1和PRT2)。该选择可以基于上述因素和/或其他因素。可以基于损失函数来训练该模型。例如,训练可以涉及将输入向量x馈送给模型并且评估关于输出的损失函数,其中,损失函数可以测量性能度量,诸如用于不同音调向量(例如,与不同操作带宽相关联)的PAPR和/或SINR。
图12示出了根据本公开的某些方面的示例性网络化环境1200(例如,训练系统),其中(传送器或接收器)节点1210的基于ML的编码器(或解码器)使用PRT选择模型1214来选择PRT。如图12所示,网络化环境1200包括经由网络1220通信地连接的节点1210、训练系统1230和训练储存库1240。节点1210可以是UE(例如,诸如无线通信网络100中的UE 120a)或BS(例如,诸如无线通信网络100中的BS 110a)。网络1220可以包括无线网络,诸如图1的无线通信网络100,其可以是5G NR网络、Wi-Fi网络、LTE网络和/或另一类型的网络。虽然训练系统1230、节点1210和训练储存库1240在图12中被示为单独的组件,但是环境1200、节点1210和训练储存库1240可以在任何数量的计算系统上实现,或者作为一个或多个独立系统实现或者在分布式环境中实现。
训练系统1230通常包括PRT选择模型训练管理器1232,其使用训练数据来生成用于选择PRT的PRT选择模型1214(的参数/权重)。可以至少部分地基于训练储存库1240中的信息来确定PRT选择模型1214。
训练储存库1240可以包括在节点1210部署之前和/或之后获得的训练数据。在节点1210部署之前,可以在模拟的通信环境中训练节点1210(例如,使用通常在计算机模拟中使用的传播信道模型)。例如,可以存储用于各种音调地图和候选PRT位置的各种数据音调信息,以获得与估计、预测等相关的训练信息。
该信息可以存储在训练储存库1240中。在部署之后,训练储存库1240可以被节点1210更新以包括与在传送器中的射频(RF)失真相关联的最新(latest)非线性模型。训练储存库1240还可以采用来自其他BS和/或其他UE的信息来更新,例如,基于这些BS和UE学习到的经验,这些经验可以与这些BS和/或UE观察到的PRT选择和性能相关联。
PRT选择模型训练管理器1232可以使用训练储存库1240中的信息来确定PRT选择模型1214(例如,算法/映射函数)。PRT选择模型训练管理器1232可以使用各种不同类型的机器学习算法来形成PRT选择模型1214。训练系统1230可以位于节点1210上、网络1220中的BS上或者确定PRT选择模型1214的不同实体上。如果位于不同的实体上,则PRT选择模型1214(例如,编码器/解码器NN参数/权重)被提供给节点1210。训练储存库1240可以是存储设备,诸如存储器。训练储存库1240可以位于节点1210、训练系统1230或网络1220中的另一实体上。训练储存库1240可以在云存储中。训练储存库1240可以从节点1210、网络1220中的实体(例如,网络1220中的BS或UE)、云或其他源来接收训练信息。
机器学习可以使用任何合适的机器学习算法。在一些示例中,机器学习算法是监督学习算法、非监督学习算法、强化学习算法、深度学习算法、人工神经网络算法或任何其他合适类型的机器学习算法。
在一些示例中,使用深度卷积网络(DCN)来执行机器学习(例如,由训练系统1230使用的)。DCN是卷积网络的网络,其配置有额外的池化和规范化层。DCN已经在许多任务上实现了最先进的性能。可以使用监督学习来训练DCN,在监督学习中,输入和输出目标两者对于许多范例(exemplar)是已知的,并且用于通过使用梯度下降方法来修改网络的权重。DCN可以是前馈网络。另外,如上所述,从DCN的第一层中的神经元到下一更高层中的一组神经元的连接在第一层中的神经元之间共享。DCN的前馈和共享连接可以被开发用于快速处理。例如,DCN的计算负担可能比包括循环(reccurent)或反馈连接的类似大小的神经网络的计算负担小得多。
在一些示例中,使用神经网络来执行机器学习(例如,由图12的训练系统1230使用的)。神经网络可以被设计为具有多种连接模式。在前馈网络中,信息从较低层传递到较高层,其中,给定层中的每个神经元与较高层中的神经元通信。可以在前馈网络的连续层中建立层级表示。神经网络也可以能具有循环或反馈(也称为自上而下)连接。在循环连接中,来自给定层中的神经元的输出可以被传递(communicated)到同一层中的另一神经元。循环架构可能有助于识别跨越多于一个的输入数据块(chunk)的模式,这些输入数据块顺序地递送给神经网络。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自上而下)连接。当高级概念的识别可以帮助辨别输入的特定低级特征时,具有许多反馈连接的网络可能是有帮助的。
可以由互连的人工神经元(例如,神经元模型)组构成的人工神经网络是计算设备,或者代表由计算设备执行的方法。这些神经网络可以用于各种应用和/或设备,诸如互联网协议(IP)相机、物联网(IoT)设备、自主车辆和/或服务机器人。人工神经网络中的单个节点可以通过获取输入数据并且对数据执行简单操作来模拟生物神经元。对输入数据执行简单操作的结果被选择性地传递给其他神经元。权重值与网络中的每个向量和节点相关联,并且这些值约束输入数据与输出数据的如何关联。例如,每个节点的输入数据可以乘以相对应的权重值,并且乘积可以被求和。可以通过可选的偏置来调整乘积的和,并且可以将激活函数应用于结果,以产生节点的输出信号或“输出激活”。权重值最初可以由通过网络的训练数据的迭代流来确定(例如,权重值在训练阶段期间建立,在训练阶段中,网络学习如何通过其典型输入数据特征来识别特定的类)。
不同类型的人工神经网络可用于实现机器学习(例如,由训练系统1230使用的),诸如循环神经网络(RNN)、多层感知器(MLP)神经网络、卷积神经网络(CNN)等。RNN的工作原理是保存层的输出并且将该输出反馈回给输入,以帮助预测层的产出(outcome)。在MLP神经网络中,数据可以被馈送到输入层,并且一个或多个隐藏层提供对于数据的抽象级别。然后可以基于抽象的数据在输出层上进行预测。MLP可能特别地适合于输入被指派了类或标签的分类预测问题。卷积神经网络(CNN)是一种类型的前馈人工神经网络。卷积神经网络可以包括人工神经元的集合,该人工神经元各自具有感受场(例如,输入空间的空间局部区域)并且共同地平铺输入空间。卷积神经网络有许多应用。具体地,CNN已经广泛用于模式识别和分类领域。在分层神经网络架构中,第一层人工神经元的输出成为第二层人工神经元的输入,第二层人工神经元的输出成为第三层人工神经元的输入,等等。卷积神经网络可以被训练为识别特征的层级。卷积神经网络架构中的计算可以分布在大量处理节点上,这些节点可以配置在一个或多个计算链中。这些多层架构可以一次训练一层,并且可以使用反向传播进行精细调节。
图13示出了通信设备1300(例如,诸如UE的传送器),该通信设备1300可以包括被配置为执行本文公开的技术的操作的各种组件(例如,对应于装置加功能组件),诸如图7和/或图10中所示的操作。通信设备1300包括耦合到收发器1308(例如,传送器和/或接收器)的处理系统1302。收发器1308被配置为经由天线1310为通信设备1300传送和接收信号,诸如本文所述的各种信号。处理系统1302可以被配置为执行通信设备1300的处理功能,包括处理由通信设备1300接收和/或传送的信号。
处理系统1302包括经由总线1306耦合到计算机可读介质/存储器1312的处理器1304。在某些方面,计算机可读介质/存储器1312被配置为存储指令(例如,计算机可执行代码),这些指令当由处理器1304执行时,使得处理器1304执行图7和/或图10中所示的操作,或者用于执行本文所讨论的各种技术的其他操作。在某些方面,计算机可读介质/存储器1312存储代码1314,以用于采用基于ML的编码器生成第一组PRT和第二组PRT;以及用于发送OFDM波形的代码1316,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。在某些方面,处理器1304具有被配置为实现存储在计算机可读介质/存储器1312中的代码的电路。处理器1304包括电路1318,用于采用基于ML的编码器生成第一组PRT和第二组PRT;以及用于发送OFDM波形的电路1320,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
图14示出了通信设备1400(例如,诸如gNB的接收器),该通信设备1400可以包括被配置为执行本文公开的技术的操作的各种组件(例如,对应于装置加功能组件),诸如图8和/或图11所示的操作。通信设备1400包括耦合到收发器1408(例如,传送器和/或接收器)的处理系统1402。收发器1408被配置为经由天线1410为通信设备1400传送和接收信号,诸如本文所述的各种信号。处理系统1402可以被配置为执行通信设备1400的处理功能,包括处理由通信设备1400接收和/或传送的信号。
处理系统1402包括经由总线1406耦合到计算机可读介质/存储器1412的处理器1404。在某些方面,计算机可读介质/存储器1412被配置为存储指令(例如,计算机可执行代码),这些指令当由处理器1404执行时,使得处理器1404执行图8和/或图11中所示的操作,或者用于执行本文所讨论的各种技术的其他操作。在某些方面,计算机可读介质/存储器1412存储代码1414,以用于接收采用基于ML的编码器生成的OFDM波形,该基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT,并且将音调映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;以及用于使用基于ML的解码器解码OFDM波形的代码1416。在某些方面,处理器1404具有被配置为实现存储在计算机可读介质/存储器1412中的代码的电路。处理器1404包括电路1418,用于接收采用基于ML的编码器生成的OFDM波形,该基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT,并且将音调映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;以及用于使用基于ML的解码器解码OFDM波形的电路1420。
示例方面
方面1:一种用于由传送器进行的无线通信的方法,包括采用基于机器学习(ML)的编码器生成第一组峰值降低音调(PRT)和第二组PRT,以及向接收器发送正交频分复用(OFDM)波形,该OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
方面2:根据方面1所述的方法,其中,针对每OFDM符号生成第一组PRT和第二组PRT。
方面3:根据方面1或2所述的方法,其中,物理信道包括一个或多个上行链路物理信道。
方面4:根据方面1-3中任一方面所述的方法,其中,参考信号包括一个或多个上行链路参考信号。
方面5:根据方面1-4中任一方面所述的方法,还包括训练基于ML的编码器以学习将音调向量映射到第一组PRT和第二组PRT的函数,生成关于与基于ML的编码器相对应的基于ML的解码器的信息,以及将关于基于ML的解码器的信息信号发送到接收器以用于解码。
方面6:根据方面5所述的方法,其中,信息包括用于基于ML的解码器的权重。
方面7:根据方面5或6所述的方法,其中,基于ML的编码器包括编码器神经网络,并且基于ML的解码器包括解码器神经网络。
方面8:根据方面1-7中任一方面所述的方法,还包括从接收器接收关于基于ML的编码器的信息。
方面9:根据方面8所述的方法,其中,信息包括用于基于ML的编码器的权重。
方面10:一种用于由接收器进行的无线通信的方法,包括:从传送器接收采用基于ML的编码器生成的OFDM波形,该基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT以及映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;以及使用基于ML的解码器解码OFDM波形。
方面11:根据方面10所述的方法,其中,由基于ML的编码器针对每OFDM符号生成第一组PRT和第二组PRT。
方面12:根据方面10或11所述的方法,其中,物理信道包括一个或多个上行链路物理信道。
方面13:根据方面10-12中任一方面所述的方法,其中,参考信号包括一个或多个上行链路参考信号。
方面14:根据方面10-13中任一方面所述的方法,还包括从传送器接收关于基于ML的解码器的信息。
方面15:根据方面14所述的方法,其中,信息包括用于基于ML的解码器的权重。
方面16:根据方面10-15中任一方面所述的方法,还包括训练基于ML的编码器以学习将音调向量映射到第一组PRT和第二组PRT的函数,以及向传送器传送关于基于ML的编码器的信息。
方面17:根据方面16所述的方法,其中,信息包括用于基于ML的编码器的权重。
方面18:根据方面10-17中任一方面所述的方法,其中,基于ML的编码器包括编码器神经网络,并且基于ML的解码器包括解码器神经网络。
方面19:一种用于无线通信的装置,包括存储器和耦合到该存储器的处理器,该处理器和存储器被配置为执行根据方面1-18所述的方法中的一个或多个。
方面20:一种用于无线通信的装置,包括用于执行根据方面1-18所述的方法中的一个或多个的各种装置。
方面21:一种包括指令的非暂时性计算机可读介质,该指令当由无线设备执行时,使得无线设备执行根据方面1-18所述的方法中的一个或多个。
本文描述的技术可以用于各种无线通信技术,诸如NR(例如,5G NR)、3GPP长期演进(LTE)、高级LTE(LTE-A)、码分多址(CDMA)、时分多址(TDMA)、频分多址(FDMA)、正交频分多址(OFDMA)、单载波频分多址(SCFDMA)、时分同步码分多址(TDSCDMA)和其他网络。术语“网络”和“系统”经常可互换地使用。CDMA网络可以实现诸如通用陆地无线电接入(UTRA)、cdma2000等无线电技术。UTRA包括宽带CDMA(WCDMA)和CDMA的其他变体。cdma2000涵盖IS-2000、IS-95和IS-856标准。TDMA网络可以实现诸如全球移动通信系统(GSM)的无线电技术。OFDMA网络可以实现诸如下述的无线电技术:NR(例如,5G RA)、演进UTRA(E-UTRA)、超移动宽带(UMB)、IEEE 802.11(WiFi)、IEEE 802.16(WiMAX)、IEEE 802.20、Flash-OFDMA等。UTRA和E-UTRA是通用移动通信系统(UMTS)的一部分。LTE和LTE-A是使用EUTRA的UMTS版本(release)。在来自名为“第三代合作伙伴计划”(3GPP)的组织的文档中描述了UTRA、E-UTRA、UMTS、LTE、LTE-A和GSM。在来自名为“第三代合作伙伴计划2”(3gpp 2)的组织的文档中描述了cdma2000和UMB。NR是一种正在开发中的新兴无线通信技术。
在3GPP中,依赖于使用该术语的上下文,术语“小区”可以指代节点B(NB)的覆盖区域和/或服务于该覆盖区域的NB子系统。在NR系统中,术语“小区”和BS、下一代NodeB(gNB或gNodeB)、接入点(AP)、分布式单元(DU)、载波或传输接收点(TRP)可以可互换地使用。BS可以为宏小区、微微小区、毫微微小区和/或其他类型的小区提供通信覆盖。宏小区可以覆盖相对地大的地理区域(例如,半径几公里),并且可以允许具有服务订阅的UE不受限制地接入。微微小区可以覆盖相对地小的地理区域,并且可以允许具有服务订阅的UE不受限制地接入。毫微微小区可以覆盖相对地小的地理区域(例如,家庭),并且可以允许与该毫微微小区相关联的UE(例如,封闭用户组(CSG)中的UE、家庭中的用户的UE等)进行受限接入。宏小区的BS可以被称为宏BS。微微小区的BS可以被称为微微BS。毫微微小区的BS可以被称为毫微微BS或家庭BS。
UE也可以被称为移动站、终端、接入终端、订户单元、站、用户驻地设备(CPE)、蜂窝电话、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、平板式计算机、相机、游戏设备、上网本、智能本、超极本、电器、医疗设备或医疗装置、生物传感器/设备、可穿戴设备(诸如智能手表、智能衣服、智能眼镜、智能腕带、智能珠宝(例如,智能戒指、智能手镯等))、娱乐设备(例如,音乐设备、视频设备、卫星收音机等)、车辆部件或传感器、智能仪表/传感器、工业制造设备、全球定位系统设备或被配置为经由无线或有线介质进行通信的任何其他合适的设备。一些UE可以被认为是机器类型通信(MTC)设备或演进的MTC(eMTC)设备。MTC和eMTC UE包括例如机器人、无人机、远程设备、传感器、仪表、监视器、位置标签等,其可以与BS、另一设备(例如,远程设备)或一些其他实体进行通信。例如,无线节点可以经由有线或无线通信链路为网络(例如,诸如互联网或蜂窝网络的广域网)提供连接性,或者提供到该网络的连接性。一些UE可以被认为是物联网(IoT)设备,其可以是窄带IoT(NB-IoT)设备。
在一些示例中,可以调度对空中接口的接入。调度实体(例如,BS)为其服务区域或小区内的一些或所有设备和装置之间的通信分配资源。调度实体可以负责为一个或多个下属实体调度、指派、重新配置和释放资源。也就是说,对于调度的通信,下属实体利用由调度实体分配的资源。基站不是唯一可以作为调度实体的实体。在一些示例中,UE可以充当调度实体,并且可以为一个或多个下属实体(例如,一个或多个其他UE)调度资源,并且其他UE可以利用该UE所调度的资源来进行无线通信。在一些示例中,UE可以充当对等(P2P)网络和/或网状网络中的调度实体。在网状网络示例中,除了与调度实体通信之外,UE还可以直接地彼此通信。
本文公开的方法包括用于实现该方法的一个或多个步骤或动作。在不脱离权利要求的范围的情况下,方法步骤和/或动作可以彼此互换。换句话说,除非指定了步骤或动作的特定顺序,否则在不脱离权利要求的范围的情况下,可以修改特定步骤和/或动作的顺序和/或使用。
当在本文使用时,提到项目列表中的“至少一个”的短语指代那些项目的任何组合,包括单个成员。例如,“a、b或c中的至少一个”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c,以及多个相同元件的任何组合(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,或者a、b和c的任何其他顺序)。
当在本文使用时,术语“确定”包含各种各样的动作。例如,“确定”可以包括计算、运算、处理、导出、调查、查找(例如,在表格、数据库或另外的数据结构中查找)、查明等。另外,“确定”可以包括接收(例如,接收信息)、访问(例如,访问存储器中的数据)等。另外,“确定”可以包括解析、选取、选择、建立等。
提供前面的描述是为了使得本领域技术人员能够实践本文描述的各个方面。本领域的技术人员将容易明白对这些方面的各种修改,并且本文定义的一般原理可适用于其它方面。因此,权利要求不旨在限于本文所示的方面,而是要给予(accord)与权利要求的语言一致的全部范围,其中,除非特别声明,否则单数形式的元件不旨在表示“一个且仅一个”,而是表示“一个或多个”。除非特别说明,否则术语“一些”指代一个或多个。本领域普通技术人员已知的或以后将会知道的贯穿本公开所描述的各个方面的元件的所有结构和功能等同物通过引用明确地并入于此,并且旨在被权利要求所包含。此外,本文公开的任何内容都不旨在捐献给公众,不管这种公开是否在权利要求中明确地陈述。权利要求要素不应根据35U.S.C.112(f)的规定来解释,除非使用短语“装置,用于……”来明确地叙述该要素;或者在方法权利要求的情况下,使用短语“步骤,用于……”来叙述该要素。
上述方法的各种操作可以由能够执行相对应的功能的任何合适的装置来执行。该装置可以包括各种硬件和/或软件组件和/或模块,包括但不限于电路、专用集成电路(ASIC)或处理器。通常,在图中示出了操作的情况下,那些操作可以具有相对应的、具有相似编号的对应的装置加功能组件。
结合本公开描述的各种示例性逻辑块、模块和电路可以采用下述来实现或执行: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)或其他可编程逻辑器件(PLD)、分立门或晶体管逻辑、分立硬件组件或设计为执行本文描述的功能的其任意组合。通用处理器可以是微处理器,但是替选地,该处理器可以是任何商业上可获得的处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,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与DSP内核的结合,或者任何其他这样的配置。
如果采用硬件实现,示例硬件配置可以包括无线节点中的处理系统。该处理系统可以采用总线架构来实现。依赖于处理系统的具体应用和总体设计约束,总线可以包括任意数量的互连总线和桥。总线可以将各种电路链接在一起,包括处理器、机器可读介质和总线接口。总线接口可以用于经由总线将网络适配器等连接到处理系统。网络适配器可用于实现PHY层的信号处理功能。在用户终端的情况下(参见图1),用户接口(例如,键盘、显示器、鼠标、操纵杆等)也可以连接到总线。总线还可以链接各种其他电路,诸如定时源、外围设备、电压调节器、电源管理电路等,这些在本领域中是公知的,并且因此不再进一步描述。处理器可以采用一个或多个通用和/或专用处理器来实现。示例包括微处理器、微控制器、DSP处理器和可以执行软件的其他电路。本领域技术人员将认识到,依赖于特定的应用和对整个系统施加的整体设计约束,如何最好地实现处理系统的所描述的功能。
如果以软件实现,则功能可以作为计算机可读介质上的一个或多个指令或代码而存储或传输。软件应当被广义地解释以意味着指令、数据或其任意组合,无论是被称为软件、固件、中间件、微码、硬件描述语言还是其他。计算机可读介质包括计算机存储介质和通信介质两者,其包括便于将计算机程序从一个地方转移到另一个地方的任何介质。处理器可以负责管理总线和一般处理,包括执行存储在机器可读存储介质上的软件模块。计算机可读存储介质可以耦合到处理器,使得处理器可以从存储介质读取信息和向存储介质写入信息。替选地,存储介质可以集成到处理器中。举例来说,机器可读介质可以包括传输线、由数据调制的载波和/或与无线节点分离的、其上存储有指令的计算机可读存储介质,所有这些都可以由处理器通过总线接口来访问。替选地或附加地,机器可读介质或其任何部分可以被集成到处理器中,诸如可以采用高速缓存和/或通用寄存器文件的情况。举例来说,机器可读存储介质的示例可以包括RAM(随机存取存储器)、闪速存储器、ROM(只读存储器)、PROM(可编程只读存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、寄存器、磁盘、光盘、硬驱或任何其他合适的存储介质,或者它们的任何组合。机器可读介质可以包含在计算机程序产品中。
软件模块可以包括单个指令或多个指令,并且可以分布在几个不同的代码段上,分布在不同的程序中,以及跨越多个存储介质。计算机可读介质可以包括多个软件模块。软件模块包括指令,该指令当由诸如处理器的装置执行时,使得处理系统执行各种功能。软件模块可以包括传输模块和接收模块。每个软件模块可以驻留在单个存储设备中,或者分布在多个存储设备中。举例来说,当触发事件发生时,软件模块可以从硬驱加载到RAM中。在软件模块的执行期间,处理器可以将一些指令加载到高速缓存中以提高访问速度。然后,一个或多个高速缓存行(line)可以被加载到通用寄存器文件中,以供处理器执行。当下面提到软件模块的功能时,将理解的是,这种功能是由处理器在执行来自该软件模块的指令时实现的。
另外,任何连接都被适于被称为计算机可读介质。例如,如果使用同轴电缆、光纤电缆、双绞线、数字订户线路(DSL)或诸如红外(IR)、无线电和微波的无线技术从网站、服务器或其他远程源传送软件,则同轴电缆、光纤电缆、双绞线、DSL或诸如红外、无线电和微波的无线技术被包括在介质的定义中。当在本文使用时,磁盘和光盘(disc)包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘和盘,其中,磁盘通常磁性地再现数据,而光盘采用激光光学地再现数据。因此,在一些方面,计算机可读介质可以包括非暂时性计算机可读介质(例如,有形介质)。另外,对于其他方面,计算机可读介质可以包括暂时性计算机可读介质(例如,信号)。上述的组合也应当包括在计算机可读介质的范围内。
因此,某些方面可以包括用于执行本文呈现的操作的计算机程序产品。例如,这种计算机程序产品可以包括其上存储(和/或编码)有指令的计算机可读介质,该指令可由一个或多个处理器运行以执行本文所描述的操作,例如,用于执行本文所描述的和图7、8、10和/或11所示的操作的指令。
此外,应当理解,用于执行本文描述的方法和技术的模块和/或其他适当的装置可以由用户终端和/或基站以适用的方式下载和/或以其他方式获得。例如,这种设备可以耦合到服务器,以便于用于执行本文描述的方法的装置的转移。替选地,本文描述的各种方法可以经由存储装置(例如,RAM、ROM、诸如压缩盘(CD)或软盘等)物理存储介质来提供,使得用户终端和/或基站可以在将存储装置耦合或提供给设备时获得各种方法。此外,可以利用用于向设备提供本文描述的方法和技术的任何其他合适的技术。
要理解的是,权利要求不限于上述精确的配置和组件。在不脱离权利要求的范围的情况下,可以对上述方法和装置的布置、操作和细节进行各种修改、改变和变化。
Claims (30)
1.一种用于由传送器进行的无线通信的装置,包括:
存储器;和
耦合到所述存储器的处理器,所述处理器和所述存储器被配置为:
采用基于机器学习(ML)的编码器生成第一组峰值降低音调(PRT)和第二组PRT;和
向接收器发送正交频分复用(OFDM)波形,所述OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
2.根据权利要求1所述的装置,其中,针对每OFDM符号生成所述第一组PRT和所述第二组PRT。
3.根据权利要求1所述的装置,其中,所述物理信道包括一个或多个上行链路物理信道。
4.根据权利要求1所述的装置,其中,所述参考信号包括一个或多个上行链路参考信号。
5.根据权利要求1所述的装置,其中,所述处理器和所述存储器还被配置为:
训练基于ML的编码器以学习将音调向量映射到所述第一组PRT和所述第二组PRT的函数;
生成关于与基于ML的编码器相对应的基于ML的解码器的信息;和
将关于基于ML的解码器的信息信号发送给所述接收器以用于解码。
6.根据权利要求5所述的装置,其中,所述信息包括用于基于ML的解码器的权重。
7.根据权利要求5所述的装置,其中:
基于ML的编码器包括编码器神经网络;和
基于ML的解码器包括解码器神经网络。
8.根据权利要求1所述的装置,其中,所述处理器和所述存储器还被配置为从所述接收器接收关于基于ML的编码器的信息。
9.根据权利要求8所述的装置,其中,所述信息包括用于基于ML的编码器的权重。
10.一种用于由接收器进行的无线通信的装置,包括:
存储器;和
耦合到所述存储器的处理器,所述处理器和所述存储器被配置为:
从传送器接收采用基于机器学习(ML)的编码器生成的正交频分复用(OFDM)波形,所述基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组峰值降低音调(PRT)以及映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;和
使用基于ML的解码器解码OFDM波形。
11.根据权利要求10所述的装置,其中,由基于ML的编码器针对每OFDM符号生成所述第一组PRT和所述第二组PRT。
12.根据权利要求10所述的装置,其中,所述物理信道包括一个或多个上行链路物理信道。
13.根据权利要求10所述的装置,其中,所述参考信号包括一个或多个上行链路参考信号。
14.根据权利要求10所述的装置,其中,所述处理器和所述存储器还被配置为:
从所述传送器接收关于基于ML的解码器的信息。
15.根据权利要求14所述的装置,其中,所述信息包括用于基于ML的解码器的权重。
16.根据权利要求10所述的装置,其中,所述处理器和所述存储器还被配置为:
训练基于ML的编码器以学习将音调向量映射到第一组PRT和第二组PRT的函数;和
向所述传送器传送关于基于ML的编码器的信息。
17.根据权利要求16所述的装置,其中,所述信息包括用于基于ML的编码器的权重。
18.根据权利要求16所述的装置,其中:
基于ML的编码器包括编码器神经网络;和
基于ML的解码器包括解码器神经网络。
19.一种用于由传送器进行的无线通信的方法,包括:
采用基于机器学习(ML)的编码器生成第一组峰值降低音调(PRT)和第二组PRT;和
向接收器发送正交频分复用(OFDM)波形,所述OFDM波形具有在具有物理信道或参考信号中的至少一个的第一组子载波上的第一组PRT和在不具有物理信道或参考信号的第二组子载波上的第二组PRT。
20.根据权利要求19所述的方法,其中,针对每OFDM符号生成第一组PRT和第二组PRT。
21.根据权利要求19所述的方法,其中,所述物理信道包括一个或多个上行链路物理信道。
22.根据权利要求19所述的方法,其中,所述参考信号包括一个或多个上行链路参考信号。
23.根据权利要求19所述的方法,还包括:
训练基于ML的编码器以学习将音调向量映射到第一组PRT和第二组PRT的函数;
生成关于与基于ML的编码器相对应的基于ML的解码器的信息;和
将关于基于ML的解码器的信息信号发送到接收器以用于解码。
24.根据权利要求23所述的方法,其中,所述信息包括用于基于ML的解码器的权重。
25.根据权利要求23所述的方法,其中:
基于ML的编码器包括编码器神经网络;和
基于ML的解码器包括解码器神经网络。
26.根据权利要求19所述的方法,还包括从所述接收器接收关于基于ML的编码器的信息。
27.根据权利要求26所述的方法,其中,所述信息包括用于基于ML的编码器的权重。
28.一种用于由接收器进行的无线通信的方法,包括:
从传送器接收采用基于机器学习(ML)的编码器生成的正交频分复用(OFDM)波形,所述基于ML的编码器将一组音调映射到具有物理信道或参考信号中的至少一个的第一组子载波上的第一组峰值降低音调(PRT)以及映射到不具有物理信道或参考信号的第二组子载波上的第二组PRT;和
使用基于ML的解码器解码OFDM波形。
29.根据权利要求28所述的方法,还包括:
训练基于ML的编码器以学习将音调向量映射到第一组PRT和第二组PRT的函数;
生成关于与基于ML的编码器相对应的基于ML的解码器的信息;和
将关于基于ML的解码器的信息信号发送给接收器以用于解码。
30.根据权利要求28所述的方法,其中:
基于ML的编码器包括编码器神经网络;和
基于ML的解码器包括解码器神经网络。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062980776P | 2020-02-24 | 2020-02-24 | |
US62/980,776 | 2020-02-24 | ||
US202063009369P | 2020-04-13 | 2020-04-13 | |
US63/009,369 | 2020-04-13 | ||
US17/154,607 | 2021-01-21 | ||
US17/154,607 US11677605B2 (en) | 2020-02-24 | 2021-01-21 | Machine learning based uplink coverage enhancement using peak reduction tones |
PCT/US2021/014600 WO2021173272A1 (en) | 2020-02-24 | 2021-01-22 | Machine learning based uplink coverage enhancement using peak reduction tones |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115152190A CN115152190A (zh) | 2022-10-04 |
CN115152190B true CN115152190B (zh) | 2024-03-22 |
Family
ID=77366362
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180015386.1A Active CN115152190B (zh) | 2020-02-24 | 2021-01-22 | 使用峰值降低音调的基于机器学习的上行链路覆盖增强 |
CN202180014893.3A Pending CN115104292A (zh) | 2020-02-24 | 2021-01-22 | 使用峰值降低音调的基于机器学习的接收机性能改善 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180014893.3A Pending CN115104292A (zh) | 2020-02-24 | 2021-01-22 | 使用峰值降低音调的基于机器学习的接收机性能改善 |
Country Status (8)
Country | Link |
---|---|
US (2) | US11677605B2 (zh) |
EP (2) | EP4111656A1 (zh) |
JP (1) | JP2023515453A (zh) |
KR (1) | KR20220139893A (zh) |
CN (2) | CN115152190B (zh) |
BR (1) | BR112022015851A2 (zh) |
TW (1) | TW202135510A (zh) |
WO (2) | WO2021173272A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11677605B2 (en) | 2020-02-24 | 2023-06-13 | Qualcomm Incorporated | Machine learning based uplink coverage enhancement using peak reduction tones |
US11743086B2 (en) * | 2020-05-04 | 2023-08-29 | Qualcomm Incorporated | Tone reservation for peak to average power ratio reduction |
US11817986B2 (en) * | 2020-07-09 | 2023-11-14 | Qualcomm Incorporated | Carrier aggregation peak to average power ratio reduction using peak reduction tones |
US11996968B2 (en) | 2020-08-25 | 2024-05-28 | Qualcomm Incorporated | Neural augmentation for device nonlinearity mitigation in x-node machine learning |
US11658708B2 (en) * | 2021-07-02 | 2023-05-23 | Qualcomm Incorporated | Codebook embedding generation and processing |
US11595237B1 (en) * | 2022-05-03 | 2023-02-28 | Qualcomm Incorporated | Peak reduction tone allocation |
CN114884793A (zh) * | 2022-07-08 | 2022-08-09 | 清华四川能源互联网研究院 | 基于凸优化的ofdm信号峰均比抑制算法、系统、设备及介质 |
CN116189427B (zh) * | 2023-01-12 | 2024-05-28 | 东风悦享科技有限公司 | 一种基于prt的可移动式站点换乘方法及系统 |
CN116975032B (zh) * | 2023-07-14 | 2024-04-12 | 南京领行科技股份有限公司 | 数据对齐方法、系统和电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101569151A (zh) * | 2007-02-16 | 2009-10-28 | 三星电子株式会社 | Ofdm传输和接收系统及其方法 |
CN101689955A (zh) * | 2007-06-29 | 2010-03-31 | 日本电气株式会社 | 发送信号生成装置、方法和程序 |
CN107005519A (zh) * | 2014-11-24 | 2017-08-01 | 瑞典爱立信有限公司 | 在无线通信网络中使用预编码多载波调制方案 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2161826C2 (ru) | 1998-08-17 | 2001-01-10 | Пензенский научно-исследовательский электротехнический институт | Способ автоматической идентификации личности |
US6721673B2 (en) | 2001-06-12 | 2004-04-13 | National Instruments Corporation | Estimating a plurality of tones in an input signal |
KR100754617B1 (ko) * | 2004-10-11 | 2007-09-05 | 삼성전자주식회사 | 직교 주파수 분할 다중화 통신 시스템에서 피크대 평균전력비를 최소화시키기 위한 장치 및 방법 |
WO2008060202A1 (en) | 2006-11-13 | 2008-05-22 | Telefonaktiebolaget Lm Ericsson (Publ) | A method for limiting local bandwidth impairment using tone reservation |
JP4264841B2 (ja) | 2006-12-01 | 2009-05-20 | ソニー株式会社 | 音声認識装置および音声認識方法、並びに、プログラム |
US8243844B2 (en) * | 2007-11-30 | 2012-08-14 | Futurewei Technologies, Inc. | Power reduction for digital subscriber line |
WO2009152038A1 (en) * | 2008-06-13 | 2009-12-17 | Conexant Systems, Inc. | Systems and methods for positioning and messaging of reserved tones for peak-to-average ratio (par) reduction in dsl systems |
EP2457354B1 (en) | 2009-06-26 | 2020-09-09 | PlusN, LLC | System and method for controlling combined radio signals |
US9203654B2 (en) * | 2013-11-26 | 2015-12-01 | Plusn Llc | System and method for radio frequency carrier aggregation |
US8917784B2 (en) | 2009-07-17 | 2014-12-23 | Qualcomm Incorporated | Method and apparatus for constructing very high throughput long training field sequences |
US8676574B2 (en) | 2010-11-10 | 2014-03-18 | Sony Computer Entertainment Inc. | Method for tone/intonation recognition using auditory attention cues |
EP2796166A1 (en) | 2013-04-23 | 2014-10-29 | Lighten Aps | Personalised lighting control |
US8804862B2 (en) | 2012-01-09 | 2014-08-12 | King Fahd University Of Petroleum And Minerals | Method of performing peak reduction and clipping mitigation |
US20150268686A1 (en) * | 2014-03-19 | 2015-09-24 | University Of Florida Research Foundation, Inc. | Social networking reducing peak power consumption in smart grid |
US9929890B2 (en) * | 2015-06-09 | 2018-03-27 | Samsung Electronics Co., Ltd. | Method for determining reserved tones and transmitter for performing PAPR reduction using tone reservation |
KR101833041B1 (ko) * | 2015-06-09 | 2018-02-27 | 삼성전자주식회사 | 예약 톤 설계 방법 및 톤 예약 방식을 이용하여 papr 저감을 수행하는 송신기 |
WO2016200186A1 (en) | 2015-06-09 | 2016-12-15 | Samsung Electronics Co., Ltd. | Method for determining reserved tones and transmitter for performing papr reduction using tone reservation |
KR102597582B1 (ko) * | 2015-06-09 | 2023-11-03 | 삼성전자주식회사 | 예약 톤 설계 방법 및 톤 예약 방식을 이용하여 papr 저감을 수행하는 송신기 |
US10084632B2 (en) * | 2016-09-22 | 2018-09-25 | Apple Inc. | System and method for peak-to-average power ratio reduction of OFDM signals via weighted gradient-based adaptive peak cancellation |
KR102310001B1 (ko) | 2017-06-19 | 2021-10-08 | 버지니아 테크 인터렉추얼 프라퍼티스, 인크. | 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩 |
US10469310B2 (en) * | 2017-08-07 | 2019-11-05 | Futurewei Technologies, Inc. | System and method for transmit power control |
EP3759654A4 (en) * | 2018-03-02 | 2021-09-08 | Deepsig Inc. | LEARNING COMMUNICATION SYSTEMS USING CHANNEL PROXIMITY |
CN108833071B (zh) * | 2018-03-19 | 2020-11-10 | 中国科学院电子学研究所 | 一种相位同步方法和装置 |
WO2020226386A1 (ko) * | 2019-05-03 | 2020-11-12 | 엘지전자 주식회사 | 무선통신시스템에서 사이드링크 신호를 송신하는 방법 |
US11677605B2 (en) | 2020-02-24 | 2023-06-13 | Qualcomm Incorporated | Machine learning based uplink coverage enhancement using peak reduction tones |
-
2021
- 2021-01-21 US US17/154,607 patent/US11677605B2/en active Active
- 2021-01-21 US US17/154,215 patent/US11804998B2/en active Active
- 2021-01-22 WO PCT/US2021/014600 patent/WO2021173272A1/en unknown
- 2021-01-22 BR BR112022015851A patent/BR112022015851A2/pt unknown
- 2021-01-22 JP JP2022549736A patent/JP2023515453A/ja active Pending
- 2021-01-22 EP EP21706091.2A patent/EP4111656A1/en active Pending
- 2021-01-22 CN CN202180015386.1A patent/CN115152190B/zh active Active
- 2021-01-22 KR KR1020227027657A patent/KR20220139893A/ko active Search and Examination
- 2021-01-22 CN CN202180014893.3A patent/CN115104292A/zh active Pending
- 2021-01-22 EP EP21705804.9A patent/EP4111655A1/en active Pending
- 2021-01-22 TW TW110102471A patent/TW202135510A/zh unknown
- 2021-01-22 WO PCT/US2021/014503 patent/WO2021173267A1/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101569151A (zh) * | 2007-02-16 | 2009-10-28 | 三星电子株式会社 | Ofdm传输和接收系统及其方法 |
CN101689955A (zh) * | 2007-06-29 | 2010-03-31 | 日本电气株式会社 | 发送信号生成装置、方法和程序 |
CN107005519A (zh) * | 2014-11-24 | 2017-08-01 | 瑞典爱立信有限公司 | 在无线通信网络中使用预编码多载波调制方案 |
Non-Patent Citations (1)
Title |
---|
Feasibility study on PAPR reduction for CP-OFDM;VIVO;3GPP TSG RAN WG1 Meeting #88,R1-1703395;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115152190A (zh) | 2022-10-04 |
US11677605B2 (en) | 2023-06-13 |
US20210266210A1 (en) | 2021-08-26 |
WO2021173272A1 (en) | 2021-09-02 |
EP4111655A1 (en) | 2023-01-04 |
US11804998B2 (en) | 2023-10-31 |
CN115104292A (zh) | 2022-09-23 |
JP2023515453A (ja) | 2023-04-13 |
EP4111656A1 (en) | 2023-01-04 |
US20210266036A1 (en) | 2021-08-26 |
BR112022015851A2 (pt) | 2022-10-04 |
WO2021173267A1 (en) | 2021-09-02 |
TW202135510A (zh) | 2021-09-16 |
KR20220139893A (ko) | 2022-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115152190B (zh) | 使用峰值降低音调的基于机器学习的上行链路覆盖增强 | |
US11595847B2 (en) | Configuration of artificial intelligence (AI) modules and compression ratios for user-equipment (UE) feedback | |
US11483042B2 (en) | Qualifying machine learning-based CSI prediction | |
US11558097B2 (en) | Enhancements to channel state information reporting | |
CN115398823A (zh) | 报告用于波束选择的建议波束和其他波束的波束测量 | |
US11595102B2 (en) | Reporting quantized user equipment (UE) orientation for beam selection | |
US20220150727A1 (en) | Machine learning model sharing between wireless nodes | |
US11917442B2 (en) | Data transmission configuration utilizing a state indication | |
US11606243B2 (en) | Beam failure detection in a second band based on measurements in a first band | |
CN115039441B (zh) | 第一频带上的测量适用于第二频带上的过程 | |
CN113748613B (zh) | 全维度多输入多输出基带能力指示 | |
US20240187906A1 (en) | Data transmission configuration utilizing a state indication | |
US20240048174A1 (en) | Frequency hopping for sounding reference signal transmission | |
WO2024031506A1 (en) | Machine learning in wireless communications | |
US20230106447A1 (en) | Cyclic shifts for multiple resource block physical uplink control channel communications | |
US20230084883A1 (en) | Group-common reference signal for over-the-air aggregation in federated learning | |
US20230275632A1 (en) | Methods for beam coordination in a near-field operation with multiple transmission and reception points (trps) | |
US20240113846A1 (en) | Downlink reception in an uplink subband |
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 |