CN115441914A - 一种通信方法及装置 - Google Patents
一种通信方法及装置 Download PDFInfo
- Publication number
- CN115441914A CN115441914A CN202110610811.3A CN202110610811A CN115441914A CN 115441914 A CN115441914 A CN 115441914A CN 202110610811 A CN202110610811 A CN 202110610811A CN 115441914 A CN115441914 A CN 115441914A
- Authority
- CN
- China
- Prior art keywords
- matrix
- network
- vector
- information
- vector quantization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 213
- 230000006854 communication Effects 0.000 title claims abstract description 127
- 238000004891 communication Methods 0.000 title claims abstract description 126
- 239000013598 vector Substances 0.000 claims abstract description 1167
- 238000013139 quantization Methods 0.000 claims abstract description 667
- 239000011159 matrix material Substances 0.000 claims description 1033
- 230000006870 function Effects 0.000 claims description 168
- 238000013507 mapping Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 33
- 230000006855 networking Effects 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 abstract description 51
- 230000000875 corresponding effect Effects 0.000 description 161
- 238000007906 compression Methods 0.000 description 112
- 230000006835 compression Effects 0.000 description 111
- 238000012545 processing Methods 0.000 description 73
- 238000007781 pre-processing Methods 0.000 description 64
- 230000000737 periodic effect Effects 0.000 description 53
- 230000008569 process Effects 0.000 description 45
- 238000013473 artificial intelligence Methods 0.000 description 42
- 238000012549 training Methods 0.000 description 39
- 238000013528 artificial neural network Methods 0.000 description 31
- 238000005284 basis set Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 18
- 238000010606 normalization Methods 0.000 description 18
- 239000000758 substrate Substances 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 15
- 229910052731 fluorine Inorganic materials 0.000 description 14
- 238000005070 sampling Methods 0.000 description 13
- 230000008093 supporting effect Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 12
- 230000001976 improved effect Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 230000009467 reduction Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001934 delay Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000021615 conjugation Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 1
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001268 conjugating effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007727 signaling mechanism Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- H04B7/0452—Multi-user MIMO systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种通信方法及装置。终端设备根据S个向量的S个索引确定信道状态信息，所述S个向量中的每个向量包括于第一向量量化字典中，所述第一向量量化字典包括N1个向量，其中，N1和S均为正整数。终端设备向网络设备发送所述信道状态信息。由于向量量化字典包括的向量的维度一般比较大，用第一向量量化字典来对信道信息进行量化，相当于对信道信息进行了扩维或者尽可能维持较高维度，从而可以通过较低的信令开销实现高精度的反馈。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种通信方法及装置。
背景技术
第五代(the 5th generation，5G)移动通信系统对系统容量、频谱效率等方面有了更高的要求。在5G通信系统中，大规模多输入多输出(massive multiple-inputmultiple-output，massive-MIMO)技术的应用对提高系统的频谱效率起到了至关重要的作用。利用massive-MIMO技术，基站可以同时为更多的用户设备(user equipment，UE)提供高质量的服务。这其中较为关键的环节就是基站对多UE的下行数据进行预编码，通过预编码可以实现空分复用(spatial multiplexing)，降低UE间的干扰，提升接收端的信干噪比(signal to interference plus noise ratio，SINR)，由此提升系统吞吐率。基站为了更加准确地对UE的下行数据进行预编码，可以获得下行信道的信道状态信息(channel stateinformation，CSI)，以根据CSI进行预编码。如何使基站有效地获得下行信道的CSI是一个值得研究的技术问题。
发明内容
本申请实施例提供一种通信方法及装置，用于提高反馈CSI的效率。
第一方面，提供一种通信方法，该方法可在终端设备侧执行。该方法可通过软件、硬件、或软硬件结合的方式执行。例如，该方法由终端设备执行，或由电路系统执行，或者由包括终端设备的较大设备执行，该电路系统能够实现终端设备的功能。该方法包括：确定信道状态信息，所述信道状态信息是根据S个向量的S个索引确定的，其中，所述S个向量中的每个向量包括于第一向量量化字典中，所述第一向量量化字典包括N1个向量，所述N1和S均为正整数；向网络设备发送所述信道状态信息。
该方法中，在终端设备侧，可以根据第一向量量化字典来确定信道状态信息，例如将终端设备测量得到的信道信息通过第一向量量化字典所包括的一个或多个向量的索引来表征，得到信道状态信息。由于向量的维度一般比较大，相当于对信道信息进行了扩维或尽可能维持较高维度，可以提高量化精度。因此，该方法可以通过较低的信令开销实现高精度的反馈。
在一种可选的实施方式中，所述N1个向量中的每个向量用于表征一种信道特征。由于N1个向量中的每个向量可以表征一种信道特征，由此可以根据第一向量量化字典对相应的信道信息进行量化而得到信道状态信息，以减少反馈开销，且也能相对保证量化精度。
在一种可选的实施方式中，所述S个向量是根据S个第一信道信息和所述第一向量量化字典确定的，所述S个第一信道信息是编码器网络输出的信息。可理解为，编码器网络输出的S个第一信道信息表征了下行信道的状态，通过第一向量量化字典可将S个第一信道信息进行量化处理。通过这种量化处理，可以减小反馈开销。而且在VQ-AE网络中，量化和压缩的网络是联合设计的(例如，编码器网络与向量量化字典可以联合训练得到)，从而压缩和量化之间能够实现联合优化，以减小性能的损失，进而整体上提高所反馈的信道状态信息的准确性。
可选的，配合编码器网络和解码器网络，可以对原始的信道矩阵进行压缩。也就是说，可以不从原始的信道矩阵中提取部分系数进行反馈，而是利用网络对原始的信道矩阵进行整体压缩，这种情况下能够减少丢弃的信息，由此可以减少压缩损失。而且在VQ-AE网络中，量化和压缩的网络是联合设计的，从而压缩和量化之间能够实现联合优化，以减小性能的损失，进而整体上提高所反馈的信道状态信息的准确性。
在一种可选的实施方式中，所述N1个向量的长度相同。
在一种可选的实施方式中，所述长度与所述编码器网络的输出维度中的至少一个维度相等。N1个向量的长度与编码器网络的输出维度中的至少一个维度相等，从而N1个向量就能够简便地用于对编码器网络输出的信道信息进行量化。
在一种可选的实施方式中，所述编码器网络的输入维度是根据第一参考编码器网络的输入维度确定的，所述编码器网络的输出维度是根据所述第一参考编码器网络的输出维度确定的。例如本申请实施例中，协议可定义一组或多组参考网络，或者接收来自网络设备的一组或多组参考网络的信息，其中每组参考网络可包括参考编码器网络和与之对应的参考解码器网络，参考编码器网络和对应的参考解码器网络可以联合训练得到。通信双方可以按照参考网络，各自离线训练可用于实际应用的编码器网络-解码器网络。例如终端设备当前使用的是编码器网络是根据第一参考网络包括的第一参考编码器网络(或，根据第一参考网络包括的第一参考编码器网络和第一参考解码器网络)训练得到的，因此该编码器网络的输入维度可以根据第一参考编码器网络的输入维度确定，该编码器网络的输出维度可以根据第一参考编码器网络的输出维度确定。例如该编码器网络的输入维度等于第一参考编码器网络的输入维度，该编码器网络的输出维度等于第一参考编码器网络的输出维度。通过该方法，既可以使得终端设备使用的编码器网络符合性能要求，又可以使得终端设备使用的编码器网络符合当前的网络情况，提高该编码器网络与实际网络环境的适配度。
在一种可选的实施方式中，所述第一参考编码器网络与第一参考解码器网络对应。例如第一参考编码器网络属于第一参考网络，第一参考网络包括第一参考编码器网络和第一参考解码器网络，则第一参考编码器网络与第一参考解码器网络是对应的，例如第一参考编码器网络和第一参考解码器网络可以联合训练得到。
在一种可选的实施方式中，第一参考网络包括所述第一参考编码器网络和所述第一参考解码器网络。一个参考网络可包括参考编码器网络和与之对应的参考解码器网络，例如一个参考网络所包括的参考编码器网络和参考解码器网络可以联合训练得到。
在一种可选的实施方式中，所述第一参考网络还包括向量量化字典(还可以称为参考向量量化字典)。在本申请实施例中，参考编码器网络、参考解码器网络和向量量化字典可以是联合训练优化的，因此第一参考网络除了包括第一参考编码器网络和第一参考解码器网络外，可以包括参考向量量化字典。通过这种方式，可以更好地使得压缩和量化之间实现联合优化。例如第一向量量化字典就是该参考向量量化字典；或者，第一向量量化字典与该参考向量量化字典也可以不同，例如在入网通信初期，UE使用的第一向量量化字典是该参考向量量化字典，而在UE与网络设备的通信过程中，UE所使用的向量量化字典可以得到更新，则第一向量量化字典例如为更新后的向量量化字典。
在一种可选的实施方式中，所述编码器网络的输入维度为M或M×2，所述编码器网络的输出维度为D×S，M、D均为正整数。M≤Ntx×Nsb×z，S≤M，z为大于或等于1的正整数，其中，Ntx表示所述网络设备的发射天线端口数，Nsb表示频域子带个数。Ntx和Nsb均为正整数。
终端设备在测量得到下行信道矩阵后，可对下行信道矩阵进行预处理后再输入编码器网络。例如，终端设备在对下行信道矩阵进行预处理的过程中，可以根据该下行信道矩阵得到特征子空间矩阵，再将该特征子空间矩阵进行空频联合投影，得到复数矩阵。在得到复数矩阵后，终端设备可进一步对该复数矩阵进行降维处理，在处理后输入编码器网络，或在处理后再转换为实数矩阵后输入编码器网络。在这种情况下，编码器网络的输入维度可能是M或M×2。例如下行信道矩阵的维度为Ntx×Nrx×NRB，而M≤Ntx×Nsb×z。可以理解为，通过这种方式完成了信息的压缩，即，通过这一步，可以挑选主要特征成分来近似地表达原始的信息，这种处理方式能够进一步降低矩阵维度，因此能够减小后续处理(例如编码器网络的处理)的复杂度。通过这种预处理方式处理后得到的矩阵的维度会作为后续神经网络的输入维度(例如作为编码器网络的输入维度)，进而影响网络设备侧对于下行信道矩阵进行重构的维度。
在一种可选的实施方式中，所述编码器网络的输入维度为M×N×2或M×N，所述编码器网络的输出维度为D×P×Q，其中S＝P×Q，M、N、D、P、Q均为正整数。M≤Ntx,N≤Nsb，S≤M×N；或，M＝Ntx×x，N＝Nsb×y，S≤(Ntx×x)×(Nsb×y)；或，M＝Ntx×Nrx，N＝Nsb，S≤(Ntx×Nrx)×Nsb。其中，Ntx表示所述网络设备的发射天线端口数，Nsb表示频域子带个数，Nrx表示终端设备的接收天线端口数，x和y均大于1、或x等于1且y大于1、或x大于1且y等于1。Nrx、Ntx和Nsb均为正整数。例如，终端设备在对下行信道矩阵进行预处理的过程中，可以根据该下行信道矩阵得到特征子空间矩阵，再将该特征子空间矩阵进行空频联合投影，得到复数矩阵。在得到复数矩阵后，终端设备可进一步对该复数矩阵进行降维处理，在处理后输入编码器网络，或在处理后再转换为实数矩阵后输入编码器网络。在这种情况下，编码器网络的输入维度可能是M×N×2或M×N。如果是这种情况，则技术效果可参考对于上一种可选的实施方式的介绍。或者，终端设备在得到复数矩阵后，无需进一步进行降维处理，而是可将该复数矩阵输入编码器网络，或将该复数矩阵转换为实数矩阵后输入编码器网络。在这种情况下，编码器网络的输入维度也可能是M×N×2或M×N。如果是这种情况，则终端设备的处理过程较少，能够简化终端设备确定信道状态信息的过程。或者，终端设备在对下行信道矩阵进行预处理的过程中，可先将下行信道矩阵进行降维处理，再对该降维后的矩阵进行空频联合投影，得到复数矩阵。在得到复数矩阵后的处理方式可参考上文的介绍。在这种情况下，编码器网络的输入维度也可能是M×N×2或M×N。如果是这种情况，则终端设备减少了对下行信道矩阵进行SVD的操作过程，简化了实现方式。
在一种可选的实施方式中，所述编码器网络的输入维度为M×N×T×2或M×N×T，所述编码器网络的输出维度为D×P×Q×R，其中S＝P×Q×R，M、N、D、P、Q、R、T均为正整数。其中，M＝Ntx，N＝Nsb，T＝Nrx，S≤Nrx×Ntx×Nsb。Ntx表示所述网络设备的发射天线端口数，Nsb表示频域子带个数，Nrx表示终端设备的接收天线端口数。Nrx、Ntx和Nsb均为正整数。终端设备在对下行信道矩阵进行预处理的过程中，可先将下行信道矩阵进行转换，获得转换后得到的矩阵所包括的二维矩阵。后续可对该二维矩阵进行空频联合投影，得到复数矩阵。在得到复数矩阵后的处理方式可参考前述实施方式的介绍。在这种情况下，编码器网络的输入维度可能是M×N×T×2或M×N×T。如果是这种情况，则终端设备减少了对下行信道矩阵进行SVD的操作过程，简化了实现方式。
在一种可选的实施方式中，所述方法还包括：向所述网络设备发送所述第一向量量化字典的信息。例如，终端设备可在向网络设备发送信道状态信息之前或者发送信道状态信息时(例如在相同的时间单元内)，向网络设备发送第一向量量化字典，从而网络设备能够根据第一向量量化字典，根据来自终端设备的信道状态信息重构得到下行信道矩阵。又例如，向量量化字典可以实现在线更新，例如终端设备可以更新向量量化字典，可以使得所使用的向量量化字典更好地匹配不断变化的信道环境，从而可以更加精确地反馈CSI。
在一种可选的实施方式中，向所述网络设备发送所述第一向量量化字典的信息，包括：周期性地向所述网络设备发送所述第一向量量化字典的信息；或，在从所述网络设备接收第一配置信息后，周期性地向所述网络设备发送所述第一向量量化字典的信息；或，在从所述网络设备接收第一配置信息后，向所述网络设备发送所述第一向量量化字典的信息；或，在从所述网络设备接收第一配置信息后的第一时延到达的时间单元，向所述网络设备发送所述第一向量量化字典的信息；或，在从所述网络设备接收第一参数信息后，向所述网络设备发送所述第一向量量化字典的信息，所述第一参数信息用于指示解码器网络的参数信息；或，在从所述网络设备接收第一参数信息后的第一时延到达的时间单元，向所述网络设备发送所述第一向量量化字典的信息，所述第一参数信息用于指示解码器网络的参数信息；或，在从所述网络设备接收第一指示信息后，向所述网络设备发送所述第一向量量化字典的信息，所述第一指示信息用于指示(或者，触发)发送向量量化字典；或，在从所述网络设备接收第一指示信息后的第一时延到达的时间单元，向所述网络设备发送所述第一向量量化字典的信息，所述第一指示信息用于指示(或者，触发)发送向量量化字典。例如，第一配置信息可配置向量量化字典的上报参数。如果终端设备向网络设备发送第一向量量化字典的信息，那么可以有多种发送方式，这里列举了其中的一些方式。至于终端设备究竟采用何种方式来发送第一向量量化字典，可以由终端设备和网络设备协商，或者由网络设备配置，或者也可以通过协议规定等，较为灵活。
可选的，所述第一配置信息包含第一时延的信息，或者所述第一时延的信息是通过其他来自网络设备信令指示的，或者所述第一时延是协议约定的。
在一种可选的实施方式中，所述方法还包括：确定当前的组网方式为第一组网方式，确定所述第一组网方式对应的所述第一向量量化字典；或，确定当前的移动速度属于第一区间，确定所述第一区间对应的所述第一向量量化字典；或，确定从第二小区切换到了第一小区，确定所述第一小区对应的所述第一向量量化字典；或，确定从第二参考编码器网络切换到了第一参考编码器网络，确定所述第一参考编码器网络对应的所述第一向量量化字典；或，从所述网络设备接收第二指示信息，所述第二指示信息用于指示所述第一向量量化字典。
在一种可选的实施方式中，当前的组网方式为第一组网方式，所述第一向量量化字典为所述第一组网方式对应的向量量化字典；或，终端设备的移动速度属于第一区间，所述第一向量量化字典为所述第一区间对应的向量量化字典；或，终端设备从第二小区切换到第一小区，所述第一向量量化字典为所述第一小区对应的向量量化字典；或，所使用的参考编码器网络从第二参考编码器网络切换到第一参考编码器网络，所述第一向量量化字典为所述第一参考编码器网络对应的向量量化字典；或，所述第一向量量化字典为第二指示信息所指示的向量量化字典，所述第二指示信息来自网络设备。
终端设备要使用第一向量量化字典，就要首先确定第一向量量化字典。终端设备确定第一向量量化字典的方式例如包括显式方式和/或隐式方式，如果是显式方式，则例如网络设备可发送信令来指示第一向量量化字典。如果是隐式方式，则可以包括如上几种方式，也就是说，向量量化字典可以与相应的信息(例如组网方式、终端设备的移动速度等)建立对应关系，从而终端设备根据该信息就能确定第一向量量化字典。隐式方式可以无需网络设备的信令指示，能够节省信令开销。或者终端设备也可以采用显式方式与隐式方式相结合的方式来确定第一向量量化字典，本申请实施例不做限制。
在一种可选的实施方式中，所述方法还包括：向所述网络设备发送第二参数信息，所述第二参数信息用于指示所述编码器网络的参数。也就是说，终端设备可以将编码器网络的参数的信息发送给网络设备。例如向量量化字典也可由网络设备来更新，由网络设备掌握决策权更为合理。在这种情况下，可选的，终端设备可以将编码器网络的参数信息发送给网络设备，从而网络设备可以参考编码器网络的参数信息来更新向量量化字典。
在一种可选的实施方式中，向所述网络设备发送第二参数信息，包括：周期性地向所述网络设备发送所述第二参数信息；或，在从所述网络设备接收第二配置信息后，周期性地向所述网络设备发送所述第二参数信息；或，在从所述网络设备接收第二配置信息后，向所述网络设备发送所述第二参数信息；或，在从所述网络设备接收第二配置信息后的第二时延到达的时间单元，向所述网络设备发送所述第二参数信息；或，在从所述网络设备接收第三指示信息后，向所述网络设备发送所述第二参数信息，所述第三指示信息用于指示(例如触发)发送编码器网络的参数信息；或，在从所述网络设备接收第三指示信息后的第二时延到达的时间单元，向所述网络设备发送所述第二参数信息，所述第三指示信息用于指示发送编码器网络的参数信息。例如，第二配置信息可配置第二参数信息的上报参数。如果终端设备向网络设备发送第二参数信息，那么可以有多种发送方式，这里列举了其中的一些方式。至于终端设备究竟采用何种方式来发送第二参数信息，可以由终端设备和网络设备协商，或者由网络设备配置，或者也可以通过协议规定等，较为灵活。
可选的，所述第二配置信息包含第二时延的信息，或者所述第二时延的信息是通过其他来自网络设备信令指示的，或者所述第二时延是协议约定的。
第二方面，提供另一种通信方法，该方法可在网络设备侧执行。该方法可通过软件、硬件、或软硬件结合的方式执行。例如，该方法由网络设备执行，或由包括网络设备的较大设备执行，或由电路系统执行，该电路系统能够实现网络设备的功能，或者由独立于网络设备的AI模块辅助网络设备或者辅助网络设备的网元执行，不予限制。示例性地，所述网络设备为接入网设备，例如基站。该方法包括：接收信道状态信息，所述信道状态信息包括S个向量的S个索引；根据所述S个索引和第一向量量化字典，得到重构的下行信道矩阵的信息，其中，所述S个向量中的每个向量包括于所述第一向量量化字典中，所述第一向量量化字典包括N1个向量，所述N1和S均为正整数。
在一种可选的实施方式中，所述N1个向量中的每个向量用于表征一种信道特征。
在一种可选的实施方式中，根据所述S个索引和第一向量量化字典，得到重构的下行信道矩阵的信息，包括：根据所述第一向量量化字典、所述S个索引、以及解码器网络，得到所述重构的下行信道矩阵的信息。
在一种可选的实施方式中，根据所述S个索引和第一向量量化字典，得到重构的下行信道矩阵的信息(或者，根据所述第一向量量化字典、所述S个索引、以及解码器网络，得到所述重构的下行信道矩阵的信息)，包括：根据所述第一向量量化字典对所述S个索引进行反映射，得到第一矩阵；根据所述第一矩阵和解码器网络，得到所述重构的下行信道矩阵的信息。
在一种可选的实施方式中，根据所述第一矩阵和所述解码器网络，得到重构的所述下行信道矩阵的信息，包括：将所述第一矩阵输入所述解码器网络，得到第二矩阵；根据所述第二矩阵得到所述重构的下行信道矩阵的信息。
在一种可选的实施方式中，所述重构的下行信道矩阵满足如下关系：
其中，{indi}i＝1…S表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典，将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×N×2的第二矩阵，所述第一矩阵和所述第二矩阵均为实数矩阵，函数C(x)表示将所述第二矩阵转换为维度是M×N的复数矩阵，{U1,k}k＝1…M表示空域基向量集合，U1,k表示所述空域基向量集合中的第k个向量，所述空域基向量集合所包括的向量的长度为Ntx，{U2,l}l＝1…N表示频域基向量集合，U2,l表示所述频域基向量集合中的第l个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2,l的共轭转置矩阵(或向量)。D、S、M、N等均为正整数。
在一种可选的实施方式中，M＝Ntx，N＝Nsb；或，M≤Ntx，N≤Nsb；或，M＝Ntx×x，N＝Nsb×y，x和y均大于1，或者x等于1且y大于1，或x大于1且y等于1。
在一种可选的实施方式中，所述重构的下行信道矩阵满足如下关系：
其中，{indi}i＝1…S表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典，将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×2的第二矩阵，所述第一矩阵和所述第二矩阵均为实数矩阵，函数C(x)表示将所述第二矩阵转换为维度是M的复数矩阵，M≤Ntx×Nsb，{U1,(j,k)}j＝1…M表示空域基向量集合，U1,(j,k)表示所述空域基向量集合中的第j个向量，所述空域基向量集合所包括的向量长度为Ntx，{U2,(j,l)}j＝1…M表示频域基向量集合，U2,(j,l)表示所述频域基向量集合中的第j个向量。所述频域基向量集合所包括的向量长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2,(j,l)的共轭转置向量，D、S、M均为正整数。
在一种可选的实施方式中，所述重构的下行信道矩阵满足如下关系：
其中，q(indi)表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×N×T×2的第二矩阵，T＝Nrx，所述第一矩阵和所述第二矩阵均为实数矩阵，函数C(x)表示将所述第二矩阵转换为维度是M×N×T的复数矩阵，(x)|t＝1…T表示根据所述第二矩阵，将T个维度是M×N的矩阵按照所述关系(即，上述公式)进行处理(或者说进行重构)，以得到所述重构的下行信道矩阵，{U1,k}k＝1…M表示空域基向量集合，U1,k表示所述空域基向量集合中的第k个向量，所述空域基向量集合所包括的向量的长度为Ntx，{U2,l}l＝1…N表示频域基向量集合，U2,l表示所述频域基向量集合中的第l个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2,l的共轭转置向量，D、S、M、N、T均为正整数。
在一种可选的实施方式中，所述重构的下行信道矩阵满足如下关系：
其中，q(indi)表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×T×2的第二矩阵，T＝Nrx，所述第一矩阵和所述第二矩阵均为实数矩阵，函数C(x)表示将所述第二矩阵转换为维度是M×T的复数矩阵，(x)|t＝1…T表示根据所述第二矩阵，将T个维度是M的矩阵按照所述关系(即，上述公式)进行处理(或者说进行重构)，以得到所述重构的下行信道矩阵，{U1,(j,k)}j＝1…M表示空域基向量集合，U1,(j,k)表示所述空域基向量集合中的第j个向量，所述空域基向量集合所包括的向量的长度为Ntx，{U2,(j,l)}j＝1…M表示频域基向量集合，U2,(j,l)表示所述频域基向量集合中的第j个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2,l的共轭转置向量，D、S、M、T均为正整数。
在一种可选的实施方式中，所述重构的下行信道矩阵满足如下关系：
其中，{indi}i＝1…S表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典，将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×N×2的第二矩阵，所述第一矩阵和所述第二矩阵均为实数矩阵，{U1,k}k＝1…M表示空域基向量集合，U1,k表示所述空域基向量集合中的第k个向量，所述空域基向量集合所包括的向量的长度为Ntx，{U2,l}l＝1…N表示频域基向量集合，U2,l表示所述频域基向量集合中的第l个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2,l的共轭转置向量，D、S、M、N均为正整数。
在一种可选的实施方式中，M＝Ntx，N＝Nsb；或，M≤Ntx，N≤Nsb；或，M＝Ntx×x，N＝Nsb×y，x和y均大于1。
在一种可选的实施方式中，所述重构的下行信道矩阵满足如下关系：
其中，{indi}i＝1…S表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典，将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×2的第二矩阵，所述第一矩阵和所述第二矩阵均为实数矩阵，M≤Ntx×Nsb，{U1,(j,k)}j＝1…M表示空域基向量集合，U1,(j,k)表示所述空域基向量集合中第j个向量，所述空域基向量集合所包括的向量长度为Ntx，{U2,(j,l)}j＝1…M表示频域基向量集合，U2,(j,l)表示所述频域基向量集合中的第j个向量，所述频域基向量集合所包括的向量长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2,(j,l)的共轭转置向量，D、S、M均为正整数。
在一种可选的实施方式中，所述重构的下行信道矩阵满足如下关系：
其中，q(indi)表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×N×T×2的第二矩阵，T＝Nrx，所述第一矩阵和所述第二矩阵均为实数矩阵，(x)|t＝1…T表示根据所述第二矩阵，将T个维度是M×N的矩阵按照所述关系(即，上述公式)进行处理(或者说进行重构)，以得到所述重构的下行信道矩阵，{U1,k}k＝1…M表示空域基向量集合，U1,k表示所述空域基向量集合中的第k个向量，所述空域基向量集合所包括的向量的长度为Ntx，{{U2,l}l＝1…N表示频域基向量集合，U2,l表示所述频域基向量集合中的第l个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2,l的共轭转置向量，D、S、M、N、T均为正整数。
在一种可选的实施方式中，所述重构的下行信道矩阵满足如下关系：
其中，q(indi)表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×T×2的第二矩阵，T＝Nrx，所述第一矩阵和所述第二矩阵均为实数矩阵，(x)|t＝1…T表示根据所述第二矩阵，将T个维度是M的矩阵按照所述关系(即，上述公式)进行处理(或者说进行重构)，以得到所述重构的下行信道矩阵，{U1,(j,k)}j＝1…M表示空域基向量集合，U1,(j,k)表示所述空域基向量集合中的第j个向量，所述空域基向量集合所包括的向量的长度为Ntx，{U2,(j,l)}j＝1…M表示频域基向量集合，U2,(j,l)表示所述频域基向量集合中的第j个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2,l的共轭转置向量，D、S、M、T均为正整数。
在一种可选的实施方式中，所述方法还包括：接收所述第一向量量化字典的信息。
在一种可选的实施方式中，接收所述第一向量量化字典的信息，包括：周期性地接收所述第一向量量化字典的信息；或，在发送第一配置信息后，周期性地接收所述第一向量量化字典的信息；或，在发送第一配置信息后，接收所述第一向量量化字典的信息；或，在发送第一配置信息后的第一时延到达的时间单元，接收所述第一向量量化字典的信息；或，在发送第一参数信息后，接收所述第一向量量化字典的信息，所述第一参数信息用于指示解码器网络的参数信息；或，在发送第一参数信息后的第一时延到达的时间单元，接收所述第一向量量化字典的信息，所述第一参数信息用于指示解码器网络的参数信息；或，在发送第一指示信息后，接收所述第一向量量化字典的信息，所述第一指示信息用于指示(例如触发)发送向量量化字典；或，在发送第一指示信息后的第一时延到达的时间单元，接收所述第一向量量化字典的信息，所述第一指示信息用于指示(例如触发)发送向量量化字典。
可选的，所述第一配置信息包含第一时延的信息，或者所述第一时延的信息是通过其他来自网络设备信令指示的，或者所述第一时延是协议约定的。
在一种可选的实施方式中，所述方法还包括：确定当前与终端设备之间的组网方式为第一组网方式，确定所述第一组网方式对应的第一向量量化字典；或，确定终端设备当前的移动速度属于第一区间，确定所述第一区间对应的第一向量量化字典；或，确定终端设备从第二小区切换到了第一小区，确定所述第一小区对应的第一向量量化字典；或，确定终端设备从第二参考编码器网络切换到了第一参考编码器网络，确定所述第一参考编码器网络对应的第一向量量化字典；或，发送第二指示信息，所述第二指示信息用于指示所述第一向量量化字典的信息。
在一种可选的实施方式中，当前的组网方式为第一组网方式，所述第一向量量化字典为所述第一组网方式对应的向量量化字典；或，终端设备的移动速度属于第一区间，所述第一向量量化字典为所述第一区间对应的向量量化字典；或，终端设备从第二小区切换到第一小区，所述第一向量量化字典为所述第一小区对应的向量量化字典；或，终端设备使用的参考编码器网络从第二参考编码器网络切换到第一参考编码器网络，所述第一向量量化字典为所述第一参考编码器网络对应的向量量化字典；或，所述方法包括发送第二指示信息，所述第二指示信息用于指示所述第一向量量化字典的信息。
在一种可选的实施方式中，所述方法还包括：接收第二参数信息，所述第二参数信息用于指示编码器网络的参数。
在一种可选的实施方式中，接收第二参数信息，包括：周期性地接收所述第二参数信息；或，在发送第二配置信息后，周期性地接收所述第二参数信息；或，在发送第二配置信息后，接收所述第二参数信息；或，在发送第二配置信息后的第二时延到达的时间单元，接收所述第二参数信息；或，在发送第三指示信息后，接收所述第二参数信息，所述第三指示信息用于指示发送编码器网络的参数信息；或，在发送第三指示信息后的第二时延到达的时间单元，接收所述第二参数信息，所述第三指示信息用于指示发送编码器网络的参数信息。
可选的，所述第二配置信息包含第二时延的信息，或者所述第二时延的信息是通过其他来自网络设备信令指示的，或者所述第二时延是协议约定的。
关于第二方面或各种可选的实施方式所带来的技术效果，可参考对于第一方面或相应的实施方式的技术效果的介绍。
第三方面，提供一种通信装置。所述通信装置可以实现上述第一方面所述的方法。所述通信装置具备上述终端设备的功能。一种可选的实现方式中，该装置可以包括执行第一方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种可选的实现方式中，所述通信装置包括基带装置和射频装置。另一种可选的实现方式中，所述通信装置包括处理单元(有时也称为处理模块)和收发单元(有时也称为收发模块)。收发单元能够实现发送功能和接收功能，在收发单元实现发送功能时，可称为发送单元(有时也称为发送模块)，在收发单元实现接收功能时，可称为接收单元(有时也称为接收模块)。发送单元和接收单元可以是同一个功能模块，该功能模块称为收发单元，该功能模块能实现发送功能和接收功能；或者，发送单元和接收单元可以是不同的功能模块，收发单元是对这些功能模块的统称。
其中，所述处理单元，用于确定信道状态信息，所述信道状态信息是根据S个向量的S个索引确定的，其中，所述S个向量中的每个向量包括于第一向量量化字典中，所述第一向量量化字典包括N1个向量，所述N1和S均为正整数；所述收发单元(或，所述发送单元)，用于向网络设备发送所述信道状态信息。
再例如，所述通信装置包括处理器和通信接口，所述处理器利用所述通信接口实现上述第一方面描述的方法。所述通信接口用于该装置与其它设备进行通信，示例性的，通信接口可以是收发器、电路、总线、管脚、模块或其它类型的通信接口。例如，所述处理器用于确定信道状态信息，所述信道状态信息是根据S个向量的S个索引确定的，其中，所述S个向量中的每个向量包括于第一向量量化字典中，所述第一向量量化字典包括N1个向量，所述N1和S均为正整数；所述处理器利用所述通信接口向网络设备发送所述信道状态信息。所述装置还可以包括存储器。用于存储指令和数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的指令时，可以实现上述第一方面描述的方法。
再例如，所述通信装置包括：处理器，与存储器耦合，用于执行存储器中的指令，以实现上述第一方面的方法。可选的，该通信装置还包括其他部件，例如，天线，输入输出模块，接口等等。这些部件可以是硬件，软件，或者软件和硬件的结合。
第四方面，提供一种通信装置。所述通信装置可以实现上述第二方面所述的方法。所述通信装置具备上述网络设备的功能。所述网络设备例如为基站，或为基站中的基带装置等。一种可选的实现方式中，该装置可以包括执行第二方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种可选的实现方式中，所述通信装置包括基带装置和射频装置。另一种可选的实现方式中，所述通信装置包括处理单元(有时也称为处理模块)和收发单元(有时也称为收发模块)。关于收发单元的实现方式，可参考第四方面的相关介绍。
其中，所述收发单元(或，所述接收单元)，用于接收信道状态信息，所述信道状态信息包括S个向量的S个索引；
所述处理单元，用于根据所述S个索引和第一向量量化字典，得到重构的下行信道矩阵的信息，其中，所述S个向量中的每个向量包括于所述第一向量量化字典中，所述第一向量量化字典包括N1个向量，所述N1和S均为正整数。
再例如，所述通信装置包括处理器和通信接口，所述处理器利用所述通信接口实现上述第二方面描述的方法。所述通信接口用于该装置与其它设备进行通信，示例性的，通信接口可以是收发器、电路、总线、管脚、模块或其它类型的通信接口。例如，所述处理器利用所述通信接口接收信道状态信息，所述信道状态信息包括S个向量的S个索引；所述处理器用于据所述S个索引和第一向量量化字典，得到重构的下行信道矩阵的信息，其中，所述S个向量中的每个向量包括于所述第一向量量化字典中，所述第一向量量化字典包括N1个向量，所述N1和S均为正整数。所述装置还可以包括存储器。用于存储指令和数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的指令时，可以实现上述第二方面描述的方法。
再例如，所述通信装置包括：处理器，与存储器耦合，用于执行存储器中的指令，以实现上述第二方面的方法。可选的，该通信装置还包括其他部件，例如，天线，输入输出模块，接口等等。这些部件可以是硬件，软件，或者软件和硬件的结合。
第五方面，提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序或指令，当其被运行时，使得第一方面或第二方面的方法被实现。
第六方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得第一方面或第二方面所述的方法被实现。
第七方面，提供一种芯片系统，该芯片系统包括处理器，还可以包括存储器，用于实现上述第一方面或第二方面的方法。该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。
第八方面，提供一种通信系统，包括第三方面的通信装置和第四方面的通信装置。
附图说明
图1为一种通信系统的示意图；
图2为VQ-AE网络的一种工作方式示意图；
图3为CSI反馈机制的流程图；
图4A为一种应用场景的示意图；
图4B～图4E为AI在通信系统中的几种应用框架的示意图；
图4C为又一种应用场景的示意图；
图5～图8为几种通信方法的流程图；
图9为第一种解码器网络的示例；
图10A为第二种解码器网络的示例；
图10B为第二种解码器网络对应的传输模块的结构示意图；
图11为第三种解码器网络的示例；
图12为通信装置的一种示意性框图；
图13为终端设备的一种示意性框图；
图14为网络设备的一种示意性框图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例作进一步地详细描述。
本申请实施例提供的技术可以应用于图1所示的通信系统10中。通信系统10包括一个或多个通信装置30(例如，终端设备)，这一个或多个通信装置30经由一个或多个接入网(radio access network，RAN)设备20连接到一个或多个核心网(core network，CN)设备，以实现多个通信设备之间的通信。例如，通信系统10是支持4G(包括长期演进(longterm evolution，LTE))接入技术的通信系统，5G(有时也称为new radio，NR)接入技术的通信系统，无线保真(wireless fidelity，Wi-Fi)系统，第三代合作伙伴计划(3rdgeneration partnership project，3GPP)相关的蜂窝系统，支持多种无线技术融合的通信系统，或者是面向未来的演进系统。
下面分别对图1所涉及的终端设备和RAN进行详细说明。
1、终端设备。
终端设备可以简称为终端。终端设备可以是一种具有无线收发功能的设备。终端设备可以是移动的，或固定的。终端设备可以部署在陆地上，包括室内或室外，手持或车载；也可以部署在水面上(如轮船等)；还可以部署在空中(例如飞机、气球和卫星上等)。所述终端设备可以包括手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、工业控制(industrial control)中的无线终端设备、无人驾驶(self driving)中的无线终端设备、远程医疗(remote medical)中的无线终端设备、智能电网(smart grid)中的无线终端设备、运输安全(transportation safety)中的无线终端设备、智慧城市(smart city)中的无线终端设备、和/或智慧家庭(smart home)中的无线终端设备。终端设备还可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)、具有无线通信功能的手持设备或计算设备、车载设备、可穿戴设备，未来第五代(the 5thgeneration，5G)网络中的终端设备或者未来演进的公用陆地移动通信网络(public landmobile network，PLMN)中的终端设备等。终端设备有时也可以称为用户设备(userequipment，UE)。可选的，终端设备可以与不同技术的多个接入网设备进行通信，例如，终端设备可以与支持LTE的接入网设备通信，也可以与支持5G的接入网设备通信，又可以与支持LTE的接入网设备以及支持5G的接入网设备的双连接。本申请实施例并不限定。
本申请实施例中，用于实现终端设备的功能的装置可以是终端设备；也可以是能够支持终端设备实现该功能的装置，例如芯片系统、硬件电路、软件模块、或硬件电路加软件模块，该装置可以被安装在终端设备中或可以与终端设备匹配使用。本申请实施例提供的技术方案中，以用于实现终端设备的功能的装置是终端设备，终端设备是UE为例，描述本申请实施例提供的技术方案。
本申请实施例中，芯片系统可以由芯片构成，也可以包括芯片和其他分立器件。
2、RAN。
RAN可以包括一个或多个RAN设备，比如RAN设备20。RAN设备与终端设备之间的接口可以为Uu接口(或称为空口)。在未来通信中，这些接口的名称可以不变，或者也可以用其它名称代替，本申请对此不作限定。
RAN设备为将终端设备接入到无线网络的节点或设备，RAN设备又可以称为网络设备或基站。RAN设备例如包括但不限于：基站、5G中的下一代节点B(generation nodeB，gNB)、演进型节点B(evolved node B，eNB)、无线网络控制器(radio network controller，RNC)、节点B(node B，NB)、基站控制器(base station controller，BSC)、基站收发台(basetransceiver station，BTS)、家庭基站(例如，home evolved nodeB，或home node B，HNB)、基带单元(base band unit，BBU)、收发点(transmitting and receiving point，TRP)、发射点(transmitting point，TP)、和/或移动交换中心等。或者，接入网设备还可以是集中单元(centralized unit，CU)、分布单元(distributed unit,DU)、集中单元控制面(CUcontrol plane，CU-CP)节点、集中单元用户面(CU user plane，CU-UP)节点、接入回传一体化(integrated access and backhaul，IAB)、或云无线接入网络(cloud radio accessnetwork，CRAN)场景下的无线控制器等中的至少一个。或者，接入网设备可以为中继站、接入点、车载设备、终端设备、可穿戴设备、5G网络中的接入网设备或者未来演进的公共陆地移动网络(public land mobile network，PLMN)中的接入网设备等。
本申请实施例中，用于实现接入网设备的功能的装置可以是接入网设备；也可以是能够支持接入网设备实现该功能的装置，例如芯片系统、硬件电路、软件模块、或硬件电路加软件模块，该装置可以被安装在接入网设备中或可以与接入网设备匹配使用。在本申请实施例提供的技术方案中，以用于实现接入网设备的功能的装置是接入网设备，接入网设备是基站为例，描述本申请实施例提供的技术方案。
(1)协议层结构
接入网设备和终端设备之间的通信遵循一定的协议层结构。该协议层结构可以包括控制面协议层结构和用户面协议层结构。例如，控制面协议层结构可以包括无线资源控制(radio resource control，RRC)层、分组数据汇聚层协议(packet data convergenceprotocol，PDCP)层、无线链路控制(radio link control，RLC)层、媒体接入控制(mediaaccess control，MAC)层和物理层等协议层的功能。例如，用户面协议层结构可以包括PDCP层、RLC层、MAC层和物理层等协议层的功能，在一种可能的实现中，PDCP层之上还可以包括业务数据适配协议(service data adaptation protocol，SDAP)层。
(2)集中单元(central unit，CU)和分布单元(distributed unit，DU)
RAN设备可以包括CU和DU。多个DU可以由一个CU集中控制。作为示例，CU和DU之间的接口可以称为F1接口。其中，控制面(control panel，CP)接口可以为F1-C，用户面(userpanel，UP)接口可以为F1-U。CU和DU可以根据无线网络的协议层划分：比如，PDCP层及以上协议层的功能设置在CU，PDCP层以下协议层(例如RLC层和MAC层等)的功能设置在DU；又比如所示，PDCP层以上协议层的功能设置在CU，PDCP层及以下协议层的功能设置在DU。
可以理解的是，上述对CU和DU的处理功能按照协议层的划分仅仅是一种举例，也可以按照其他的方式进行划分，例如可以将CU或者DU划分为具有更多协议层的功能，又例如将CU或DU还可以划分为具有协议层的部分处理功能。在一种设计中，将RLC层的部分功能和RLC层以上的协议层的功能设置在CU，将RLC层的剩余功能和RLC层以下的协议层的功能设置在DU。在另一种设计中，还可以按照业务类型或者其他系统需求对CU或者DU的功能进行划分，例如按时延划分，将处理时间需要满足时延要求的功能设置在DU，不需要满足该时延要求的功能设置在CU。在另一种设计中，CU也可以具有核心网的一个或多个功能。示例性的，CU可以设置在网络侧方便集中管理。在另一种设计中，将DU的无线单元(radio unit，RU)拉远设置。其中，RU具有射频功能。
可选的，DU和RU可以在物理层(physical layer，PHY)进行划分。例如，DU可以实现PHY层中的高层功能，RU可以实现PHY层中的低层功能。其中，用于发送时，PHY层的功能可以包括添加循环冗余校验(cyclic redundancy check，CRC)码、信道编码、速率匹配、加扰、调制、层映射、预编码、资源映射、物理天线映射、和/或射频发送功能。用于接收时，PHY层的功能可以包括CRC、信道解码、解速率匹配、解扰、解调、解层映射、信道检测、资源解映射、物理天线解映射、和/或射频接收功能。其中，PHY层中的高层功能可以包括PHY层的一部分功能，例如该部分功能更加靠近MAC层，PHY层中的低层功能可以包括PHY层的另一部分功能，例如该部分功能更加靠近射频功能。例如，PHY层中的高层功能可以包括添加CRC码、信道编码、速率匹配、加扰、调制、和层映射，PHY层中的低层功能可以包括预编码、资源映射、物理天线映射、和射频发送功能；或者，PHY层中的高层功能可以包括添加CRC码、信道编码、速率匹配、加扰、调制、层映射和预编码，PHY层中的低层功能可以包括资源映射、物理天线映射、和射频发送功能。
示例性的，CU的功能可以由一个实体来实现，或者也可以由不同的实体来实现。例如，可以对CU的功能进行进一步划分，即将控制面和用户面分离并通过不同实体来实现，分别为控制面CU实体(即CU-CP实体)和用户面CU实体(即CU-UP实体)。该CU-CP实体和CU-UP实体可以与DU相耦合，共同完成RAN设备的功能。
需要说明的是：在上述描述的架构中，CU产生的信令可以通过DU发送给终端设备，或者终端设备产生的信令可以通过DU发送给CU。例如，RRC或PDCP层的信令最终可以被处理为物理层的信令发送给终端设备，或者，由接收到的物理层的信令转变而来。在这种架构下，该RRC或PDCP层的信令，即可以认为是通过DU发送的，或者，通过DU和RU发送的。
可选的，上述DU、CU、CU-CP、CU-UP和RU中的任一个可以是软件模块、硬件结构、或者软件模块+硬件结构，不予限制。其中，不同实体的存在形式可以是不同的，不予限制。例如DU、CU、CU-CP、CU-UP是软件模块，RU是硬件结构。这些模块及其执行的方法也在本申请实施例的保护范围内。
一种可能的实现中，RAN设备包括CU-CP、CU-UP、DU和RU。例如，本申请实施例的方法的执行主体包括DU，或者包括DU和RU，或者包括CU-CP、DU和RU，不予限制。各模块所执行的方法也在本申请实施例的保护范围内。
需要说明的是，因本申请实施例所涉及的网络设备主要是接入网设备，因此在后文中，如无特殊说明，则所述的“网络设备”可以指“接入网设备”。
应理解，图1所示的通信系统中各个设备的数量仅作为示意，本申请实施例并不限于此，实际应用中在通信系统中还可以包括更多的终端设备、更多的RAN设备，还可以包括其它设备，例如可以包括核心网设备，和/或用于实现人工智能功能的节点。
上述图1所示的网络架构可以适用于各种无线接入技术(radio accesstechnology，RAT)的通信系统中，例如4G通信系统，也可以是5G(或者称为新无线(newradio，NR))通信系统，也可以是LTE通信系统与5G通信系统之间的过渡系统，该过渡系统也可以称为4.5G通信系统，或者也可以是未来的通信系统中，例如6G通信系统。本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着通信网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本申请提供的方法除了可以用于网络设备和终端设备之间的通信，也可以用于其他通信设备之间的通信，例如无线回传链路中宏基站和微基站之间的通信，例如边链路(sidelink，SL)中第一终端设备和第二终端设备之间的通信，不予限制。本申请实施例以网络设备和终端设备之间的通信为例进行描述。
网络设备向终端设备发送数据时，可以基于终端设备反馈的CSI进行预编码。为了便于理解本申请实施例，下面对本申请实施例中涉及的一些技术术语做简单说明。
1、预编码技术。
网络设备可以在已知信道状态的情况下，借助与信道条件相匹配的预编码矩阵对待发送的信号进行处理。通过该技术，可以使得经过预编码的待发送的信号与信道相适配，从而使得终端设备接收到的信号的质量(例如SINR等)得以提升，可以降低终端设备消除信道间影响的复杂度。采用预编码技术，可以实现发送设备(如网络设备)与多个接收设备(如终端设备)在相同的时频资源上有效地传输，即有效地实现多用户多输入多输出(multipleuser multiple input multiple output，MU-MIMO)。应注意，有关预编码技术的相关描述仅为便于理解而示例，并非用于限制本申请实施例的公开范围。在具体实现过程中，发送设备还可以通过其他方式进行预编码。例如，在无法获知信道信息(例如但不限于信道矩阵)的情况下，采用预先设置的预编码矩阵或者加权处理方式进行预编码等。为了简洁，其具体内容本文不再赘述。
2、双域压缩。
双域压缩可以包括空域压缩和频域压缩这两个维度的压缩。双域压缩可以包含两个步骤：空频联合投影和压缩。空频联合投影是指对空频两维信道矩阵H分别通过U1矩阵和U2矩阵投影，其中U1矩阵表示空域基底，U2矩阵表示频域基底。投影后的等效系数矩阵
具有稀疏特征，矩阵
中只有少数元素的模值会比较大，即，能量集中在少数空频位置上。从稀疏的等效矩阵
中挑选出能量较高的一部分系数，对这部分系数进行量化，就实现了压缩。即，双域压缩可实现用一个低维子空间来代表一个高维信道空间。
3、CSI反馈(CSI feedback)。
CSI反馈还可以称为CSI报告(CSI report)。CSI反馈是在无线通信系统中，由接收端(如终端设备)向发送端(如网络设备)上报用于描述通信链路的信道属性的信息。CSI报告例如包括预编码矩阵指示(precoding matrix indicator，PMI)、秩指示(rankindicator，RI)、和信道质量指示(channel quality indicator，CQI)等。以上列举的CSI包括的内容仅为示例性说明，不应对本申请实施例构成任何限定。CSI可以包括如上一项或多项，也可以包括除上述列举之外的其他用于表征CSI的信息，本申请实施例对此不作限定。
4、神经网络(neural network，NN)。
神经网络是机器学习技术的一种具体实现形式。根据通用近似定理，神经网络在理论上可以逼近任意连续函数，从而使得神经网络具备学习任意映射的能力。传统的通信系统需要借助丰富的专家知识来设计通信模块，而基于神经网络的深度学习通信系统可以从大量的数据集中自动发现隐含的模式结构，建立数据之间的映射关系，获得优于传统建模方法的性能。
例如，深度神经网络(deep neural network，DNN)是层数较多的一种神经网络。按照网络结构和使用场景的不同，DNN可以包括多层感知机(multi-layer perceptron，MLP)、卷积神经网络(convolutional neural networks，CNN)和递归神经网络(recurrentneural network，RNN)等。本申请实施例不限制DNN的具体形式。
5、向量量化自编码器(vector-quantization auto-encoder，VQ-AE)网络，或者简称为VQ-AE。
VQ-AE网络可包括编码器和对应的解码器，例如编码器和/或解码器通过神经网络(如DNN)实现。此时，编码器还可以称为编码器网络，解码器还可以称为解码器网络。VQ-AE网络在自编码器(auto-encoder，AE)网络的基础上，结合了向量量化(VQ)的形式，并设计了联合训练优化的机制。例如，在AE网络中，编码器和对应的解码器可联合训练得到；在VQ-AE网络中，编码器、对应的解码器和对应的VQ字典可联合训练得到。训练得到的编码器、解码器和VQ字典可以用于进行信息的编解码。以利用VQ-AE进行图片的编码为例，如图2所示，将原始图片输入VQ-AE的编码器之后，输出的特征矩阵例如为Ze(x)，则该原始图片是编码器的输入信息，Ze(x)是编码器的输出信息，或者说是编码结果。
一种可能的实现中，将该特征矩阵Ze(x)中的每一个D维向量分别与预先设置的x个D维向量中的每个D维向量计算特征距离。其中，预先设置的x个D维向量可视为向量量化字典，或者向量量化字典中包括该x个D维向量并可选的包括其他向量。如上所述，向量量化字典也是通过训练得到的。其中，图2中的e1～ex表示预先设置的x个D维向量。对于Ze(x)中的一个D维向量，如果该D维向量与x个D维向量中的第i个D维向量之间的特征距离最小，则将该第i个D维向量在x个D维向量中的索引i填入Q(z|x)二维网格，由此可以得到索引矩阵Zq(x)，该索引矩阵Zq(x)可被发送给解码器侧。另一种可能的实现中，对于特征矩阵Ze(x)中的每一个D维向量，在x个D维向量中，如果该D维向量与x个D维向量中的第i个D维向量之间的特征距离小于门限，则将该第i个D维向量在x个D维向量中的索引i填入Q(z|x)二维网格，由此可以得到索引矩阵Zq(x)，该索引矩阵Zq(x)可被发送给解码器侧。其中，确定第i个D维向量时，可能遍历了所有x个D维向量，也可能遍历了该x个D维向量中的部分向量，不予限制。本申请不限制从x个D维向量中确定第i个D维向量的具体实现。
解码器侧可对该索引矩阵Zq(x)进行处理，例如根据向量量化字典将索引矩阵Zq(x)中的索引还原为相应的矩阵，例如将该矩阵表示为p(x|zq)，该矩阵p(x|zq)可作为解码器的输入信息，则解码器可据此重构出原始图片的信息。
本申请实施例中，对于名词的数目，除非特别说明，表示“单数名词或复数名词”，即"一个或多个”。“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A,B可以是单数或者复数。在表示特征时，字符“/”可以表示前后关联对象是一种“或”的关系。例如，A/B，表示：A或B。在表示运算时，符号“/”还可以表示除法运算。另外本申请实施例中，符号“×”也可用符号“*”替换。
本申请实施例提及“第一”、“第二”等序数词是用于对多个对象进行区分，不用于限定多个对象的大小、内容、顺序、时序、应用场景、优先级或者重要程度等。例如，第一向量量化字典和第二向量量化字典，可以是同一个向量量化字典，也可以是不同的向量量化字典，且，这种名称也并不是表示这两个向量量化字典包括的内容、优先级、应用场景或者重要程度等的不同。
一种可能的实现中，CSI反馈机制采用如图3所示的流程。
S31、基站发送信令，相应的，UE从基站接收该信令。
该信令用于配置信道测量信息，例如该信令通知UE以下至少一项：进行信道测量的时间信息、进行信道测量的参考信号(reference signal，RS)的类型、参考信号的时域资源、参考信号的频域资源、和测量量的上报条件等。
S32、基站向UE发送参考信号，相应的，UE从基站接收参考信号。
UE对该参考信号进行测量，可得到CSI。
S33、UE向基站发送CSI，相应的，基站从UE接收CSI。
S34、基站根据CSI向UE发送数据，相应的，UE从基站接收该数据。
基站向UE发送的数据承载于下行信道中，例如承载于物理下行共享信道(physical downlink shared channel，PDSCH)中。可选的，CSI反馈技术可以用于基站向UE发送其他下行信道，例如物理下行控制信道(physical downlink control channel，PDCCH)。本申请实施例以CSI用于传输PDSCH为例进行说明。其中，基站可根据UE反馈的RI确定向UE发送数据时采用的流数，可根据UE反馈的CQI确定向UE发送数据时采用的调制阶数，和/或承载该数据的信道的编码码率等。另外，基站可根据UE反馈的PMI确定向UE发送数据时的预编码矩阵等。
一种可能的实现中，CSI反馈技术中，UE可以利用信道的稀疏化表征对测量得到的信道矩阵进行压缩(例如双域压缩)，再对压缩提取的系数进行量化，得到CSI。但是，双域压缩要从稀疏的等效矩阵
中挑选出能量较高的一部分系数，对这部分系数进行量化反馈，而对于剩余的系数则不予反馈。可见，该CSI反馈技术在反馈CSI时，测量得到的一部分信息是直接被丢弃了，这可能导致所反馈的CSI的准确性较低。
鉴于此，提供本申请实施例的技术方案。在本申请实施例中，根据第一向量量化字典来确定信道状态信息，例如可将信道状态信息通过第一向量量化字典所包括的一个或多个向量的索引来表征。由于向量的维度一般比较大，相当于对信息进行了扩维或者相当于尽量减少信息损失，可以提高量化精度。此外，由于所反馈的信息是向量的索引，可以看做对原始的信道矩阵进行了压缩，由此可以减少信令开销。而且，在VQ-AE网络中，量化和压缩的网络是联合设计的，从而压缩和量化之间能够实现联合优化，以减小性能的损失，进而整体上提高所反馈的信道状态信息的准确性。
图4A示出了本申请实施例提供的通信系统10中的一种通信网络架构，后续提供的图5所示的实施例至图8所示的实施例中的任一个实施例均可适用于该架构。图4A所包括的网络设备，例如为通信系统10所包括的接入网设备20，图4A所包括的终端设备，例如为通信系统10所包括的通信装置30。网络设备与终端设备能够进行通信。
本申请实施例涉及的机器学习技术是人工智能(artificial intelligence，AI)技术的具体实现，为了便于理解，下面对AI技术进行介绍。可以理解的是，该介绍并不作为对本申请实施例的限定。
AI，是一种通过模拟人脑进行复杂计算的技术。随着数据存储和能力的能升，AI得到了越来越多的应用。
如图4B所示，为AI在通信系统中的第一种应用框架的示意图。数据源(datasource)用于存储训练数据和推理数据。模型训练节点(model trainning host)通过对数据源提供的训练数据(training data)进行分析或训练，得到AI模型，且将AI模型部署在模型推理节点(model inference host)中。模型推理节点使用AI模型，基于数据源提供的推理数据进行推理，得到推理结果。该推理结果，由执行(actor)实体统一规划，并发送给一个或多个执行对象(例如，网络实体)去执行。
例如，上述AI模型包括VQ-AE网络中的解码器网络。解码器网络被部署在网络设备侧。解码器网络的推理结果例如用于下行信道矩阵的重构。上述AI模型包括VQ-AE网络中的编码器网络。其中，编码器网络被部署在UE侧。编码器网络的推理结果例如用于下行信道矩阵的编码。
如图4C、图4D或图4E所示为AI在通信系统中的第二种应用框架的示意图。
独立于基站的第一AI模块接收训练数据。第一AI模块通过对训练数据进行分析或训练，得到AI模型。针对某个参数，可以是第一AI模块利用相应的AI模型和推理数据进行推理，得到该参数，可参见图4C；或者可以是由第一AI模块将该AI模型的信息发送给位于基站中(或描述为位于RAN中)的第二AI模块，由第二AI模块利用相应的AI模型和推理数据进行推理，得到该参数，可参见图4D。或者，第二AI模块用于推理的AI模型也可以是第二AI模块接收训练数据，并通过对该训练数据进行训练得到的，可参见图4E。其中，该AI模型包括VQ-AE网络中的解码器网络，在基站侧，解码器网络的推理结果例如用于下行信道矩阵的重构。可选的，该AI模型包括VQ-AE网络中的编码器网络，该编码器网络的模型信息可以被发送给UE，用于UE进行推理。
需要说明的是，在上述图4B至图4E的框架中，AI模型可以简称为模型，其可以看做是从输入的参数(例如输入矩阵)到输出的参数(例如输出矩阵)之间的映射。例如，对于基站侧的解码器网络，输入矩阵可以是根据接收的CSI确定的矩阵。训练数据可以包括已知的输入矩阵，或包括已知的输入矩阵和对应的输出矩阵，用于训练AI模型。训练数据可以是来自基站、CU、CU-CP、CU-UP、DU、RU、UE和/或其它实体的数据，和/或是通过AI技术推理出的数据，不予限制。推理数据包括输入矩阵，用于利用模型推理出输出矩阵。推理数据可以是来自基站、CU、CU-CP、CU-UP、DU、RU、UE和/或其它实体的数据。推理出的矩阵可以看做策略信息，发送给执行对象。推理出的矩阵可以被发送给基站、CU、CU-CP、CU-UP、DU、RU、或UE等，用于进行进一步处理，例如用于下行信道矩阵的重构。
本申请实施例中，在网络侧，VQ-AE网络中的解码器网络可以部署于网络设备(如基站)中，例如部署于RU、DU或第二AI模块中；或者可以部署于独立于网络设备的AI设备(如第一AI模块)中，不予限制。该解码器网络的推理结果可以由网络设备进行推理得到，或者可以由第一AI模块进行推理后发送至网络设备。为了简化描述，本申请实施例以解码器网络部署于网络设备中为例进行描述。
本申请实施例中，VQ-AE网络中的编码器网络部署于UE中，UE可以利用该编码器网络进行推理。
下面结合附图介绍本申请实施例提供的方法。在本申请的各个实施例对应的附图中，用虚线表示的步骤均可以为可选的步骤。在这些方法中，所包括的步骤或操作仅是示例，本申请实施例还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照本申请实施例呈现的不同的顺序来执行，并且有可能并非要执行全部操作。
在结合神经网络进行CSI反馈的技术中，比较典型的一种神经网络架构是对偶架构，以自编码器为例，通过编码器和解码器的联合优化，可以实现压缩传输。例如，可以训练得到一组或多组(或者，称为一个或多个)参考网络，这些参考网络可以是成对出现的编码器网络(也可简称为参考编码器网络)-解码器网络(也可简称为参考解码器网络)。也就是说，一组参考网络可包括一个参考编码器网络和与之对应的一个参考解码器网络。这些参考网络可以是离线训练的或者在线训练的。如果是离线训练的，可以在协议中进行约定。例如，协议可以给出这些参考网络(包括参考编码器网络和参考解码器网络)的网络结构和/或权重等参数。UE或网络设备均可根据协议实现这些参考网络。可选的，协议可以给出这些具体的参考网络在约定的数据集下对应的评估性能。
以UE侧进行编码为例，在实际应用时，UE可以根据复杂度或性能等因素进行权衡，选取一组或多组参考网络中的参考解码器网络，针对性地训练(离线训练或在线训练)一个或多个可用于实际应用的编码器网络。对于一个参考解码器网络，UE针对性地训练出的编码器网络可以称为该参考解码器网络对应的编码器网络。与之对应的，网络设备也可以选取一组或多组参考网络中的参考编码器网络，针对性地训练(离线训练或在线训练)一个或多个可用于实际应用的解码器网络。对于一个参考编码器网络，网络设备针对性地训练出的解码器网络可以称为该参考编码器网络对应的解码器网络。协议可能不会约束实际应用的编码器网络或解码器网络是否为协议预定义的参考网络，但可能会约束实际应用的编码器网络和与之对应的参考解码器网络的评估性能需要满足协议给定的指标，还可能会约束实际应用的解码器网络和与之对应的参考编码器网络的评估性能需要满足协议给定的指标。协议可能会约束实际部署的编码器网络与对应的参考编码器网络具有相同的输入输出维度，和/或约束解码器网络与对应的参考解码器网络具有相同的输入输出维度。
本申请实施例基于VQ-AE网络，与上述自编码器的不同之处在于，VQ-AE网络中的一组(或一个)参考网络可以是成对出现的一个向量量化编码器网络(也可简称为参考编码器网络)、一个向量量化解码器网络(也可简称为参考解码器网络)、以及与之对应的一个向量量化字典(集合)。其中，该向量量化字典(集合)还可以称为参考向量量化字典(集合)。向量量化编码器网络、向量量化解码器网络和向量量化字典(集合)可以是联合训练优化的。类似前述步骤，可以离线或在线训练一组或多组参考网络。如果采用离线训练的方法，协议可能定义该一组或多组参考网络，并可选的定义参考网络的性能评估方法和指标。
可选的，一组参考网络中所定义的向量量化字典A不一定是协议定义的向量量化字典B的全集。例如，协议可以定义包含更多向量的向量量化字典B，而与该组参考编码器网络/解码器网络对应的向量量化字典A可以只是向量量化字典B的子集。这里所述的“定义”可以是一种关联关系。例如协议定义了参考向量量化字典集合，该集合中包括多个向量量化字典，一组参考网络所包括的参考向量量化字典A例如是该参考向量量化字典集合中的一个。例如在该参考向量量化字典集合中，每个参考向量量化字典都对应一个索引，则一组参考网络所包括的参考向量量化字典可对应该参考向量量化字典集合中的一个索引。
可选的，在本申请实施例的S501开始之前，可以假设通信双方按照协议给定的一组或多组参考网络，各自离线训练或在线训练了可用于实际应用(例如符合性能指标)的编码器网络-解码器网络。由于向量量化字典必须为通信双方互知，在入网通信初期，双方使用的向量量化字典例如为对应的参考网络中所预定义的，或者也可以是通过其他方式确定的。在后续信令机制的支持下，可以由通信一方将其离线训练的向量量化字典与通信另一方交互，并实际使用。
请参考图5，为本申请实施例提供的第一种通信方法的流程图。
S501、网络设备向UE发送配置信息，相应的，UE从网络设备接收该配置信息。
例如将该配置信息称为配置信息1，或者称为第三配置信息。第三配置信息可用于配置CSI测量和/或CSI上报时使用的参数，因此该配置信息也可以称为CSI测量的配置信息。
第三配置信息可由网络设备发送给UE。第三配置信息可指示CSI资源配置(CSIresource settings)和/或CSI上报配置(report quantity)等。例如，通过第三配置信息可以指示以下至少一项：用于测量的参考信号类型(如信道状态信息参考信号(channelstate information reference signal，CSI-RS)、或同步信号和物理广播信道块(synchronization signal and physical broadcast channel block，SSB)中的信号)、参考信号的时域和/或频域资源(例如参考信号的索引、参考信号的端口号、和/或参考信号的周期等)、CSI的上报格式、用于CSI上报的时域和/或频域资源、CSI上报的触发条件、和/或CSI上报的周期等。
在本申请实施例中，UE利用VQ-AE网络中的向量量化字典确定CSI。VQ-AE网络中的向量量化字典如同公共密钥或公共码本，需要通信双方(例如网络设备和UE)都预先知晓。因此，第三配置信息也可以包括向量量化字典的信息。下面举例说明向量量化字典的定义方式。
1、协议预定义向量量化字典。
向量量化字典可以是协议预定义的，即，协议可以定义一本或多本向量量化字典，并可以定义其中每一本向量量化字典的格式和具体的参数等。在这种情况下，通信双方都可以通过协议获得所述向量量化字典的全部信息，包括向量量化字典中所包含的每一个向量的具体数值(或者，也可称为权值，一个向量量化字典的权值，包括该向量量化字典内的部分或全部元素的取值)。其中，每一本向量量化字典中包括一个或多个向量。
向量量化字典的权值可以和编码器网络/解码器网络联合更新，因此在离线训练的场景中，向量量化字典的权值也可在离线训练方式下确定。而离线训练往往会注重模型的泛化性能，因此可以认为经过离线训练获得的向量量化字典对给定的通信场景下的所有用户都是普遍适用的。通常这种离线训练获得的、带有普适性的向量量化字典，较为适合被设备预先载入，作为UE初始接入网络时使用的第一本向量量化字典，直到UE被告知需要切换或更新向量量化字典。通常这种有普适性的预定义向量量化字典，可以与一对参考编码器网络和参考解码器网络组成一组默认参考网络。可选的，该组默认参考网络中还可以包括其他参数，不予限制。该组默认参考网络可以是当UE初始接入网络时、进入回退模式时、和/或当网络设备未通过信令为其指示时，该UE所使用的参考网络。
2、协议预定义向量量化字典的格式。
协议可以定义一本或多本向量量化字典，并可以定义其中每一本向量量化字典的格式，例如定义向量的长度和/或向量量化字典包含的向量个数等。可选的，可以不定义向量的权值、或者可以定义向量的部分元素、或者可以定义字典中部分向量的权值。对于未定义的向量的权值，允许通过其他的机制来填充或更新。
在使用VQ-AE网络反馈CSI的方案(例如简称为VQ-AE-CSI方案)被实际应用时，对于某些在小区内位置相对固定的UE而言，它们可能并不需要网络的泛化性，因此向量量化字典也可以基于实时信道环境进行参数填充或更新。该方法可以描述为，通过一些在线训练的方式确定针对这些UE所在的小范围区域的信道环境适配的字典权值，这种方式可以进一步提升CSI的重构精度。关于在线训练(或称为在线更新)的方式，将在后文的其他实施例中介绍。
3、网络设备发送向量量化字典。
网络设备可将一本或多本向量量化字典的格式和/或具体的参数(例如权值参数)等发送给UE，UE使用来自网络设备的向量量化字典作为VQ-AE-CSI方案中的向量量化字典。其中，如果网络设备向UE发送了多本向量量化字典，则网络设备还可额外向UE指示具体使用哪本向量量化字典，或者UE也可以根据其他因素(例如应用场景等)确定应该使用哪本向量量化字典。这种情况可以是针对部署了很多小站的场景，每个小站可能只有有限的覆盖范围，在这有限的覆盖范围内，该小站通过离线训练或在线训练的方式获得针对性的向量量化字典，该向量量化字典可供接入该小站的UE使用。这种情况下，可能向量量化字典的格式和权值参数等均由该网络设备确定，并下发通知UE使用。
协议可能预定义多本向量量化字典，UE要确定向量量化字典，可通过隐式方式确定，或者通过显式方式确定，或者通过隐式方式与显式方式相结合的方式确定，下面举例介绍。
1、显式方式。
显式方式例如包括，UE通过网络设备发送的信令(例如指示信令或切换信令等)确定要使用的向量量化字典。
本申请的实施例中，网络设备发送给UE的信令例如为无线资源控制(radioresource control，RRC)信令、媒体接入控制(media access control，MAC)-控制元素(control element，CE)、或下行控制信息(downlink control information，DCI)等。
结合本申请实施例，该信令例如包括第三配置信息或者其他信令。例如第三配置信息还包括第一向量量化字典的格式和/或权值参数(对应前述的网络设备发送向量量化字典的方式)，或还包括索引(对应前述的协议预定义向量量化字典的方式，例如第三配置信息从协议预定义的多个向量量化字典中指示第一向量量化字典的索引)。第一向量量化字典例如为VQ-AE网络所使用的字典。网络设备可将第一向量量化字典或其索引随同第三配置信息发送给UE，这是一种较为简单的字典分发方式。对于不需要实时更新的场景，第一向量量化字典可以随同第三配置信息(通常是RRC信令)被下发。
如果该信令为MAC-CE或DCI，该信令可以通知第一向量量化字典的索引或索引集合。该设计可以降低信令开销。
如果通过显式方式通知，则网络设备可向UE发送一条信令，或者也可以发送多条信令。对于发送多条信令的方式，则多条信令的通知方式可以是上述几种信令通知方式的组合。例如一种组合方式为，网络设备通过信令1(例如RRC信令或MAC-CE)发送一组向量量化字典的索引集合，进一步地，网络设备通过DCI指示所述第一向量量化字典的索引，其中，第一向量量化字典包括于上述一组向量量化字典中，UE可根据这两条信令确定第一向量量化字典。其中，这一组向量量化字典的格式和/或具体的参数等可以包括在第三配置信息中。也就是说，通过第三配置信息发送了一组向量量化字典的格式和参数等信息，再通过信令1和DCI来指示使用哪个向量量化字典。或者，这一组向量量化字典的格式、具体的参数、和/或各向量量化字典的索引等也可以是协议规定的。又例如，另一种组合方式为，网络设备通过RRC信令发送一组向量量化字典(包括其中每组向量量化字典的格式、权值、和/或索引)，以及通过MAE-CE或DCI指示这一组向量量化字典中的一本向量量化字典的索引，UE可根据这两条信令确定向量量化字典。或者还有其他组合方式，本申请实施例不做限制。
以上的显式指示方式只是对于本申请实施例方案的举例，并不是对本申请实施例方案的限制。凡是通过显式方式确定向量量化字典的方式均在本申请实施例的保护范围之内。
2、隐式方式。
作为隐式方式的一种可选的实施方式，在协议中，可能预定义一本向量量化字典(例如第一向量量化字典)。第一向量量化字典对所有UE的信道都有普适性，此时不涉及向量量化字典的切换。在这种情况下，网络设备可不必发送第一向量量化字典，UE根据协议就能确定第一向量量化字典，而网络设备也可以同样根据协议确定第一向量量化字典。这是协议较为简单的实现方式。在本申请实施例中，第一向量量化字典可以和(默认)参考网络一起定义，即，参考网络可包括参考向量量化字典、解码器网络和编码器网络。
作为隐式方式的另一种可选的实施方式，协议可以定义多本向量量化字典，这些向量量化字典例如与其他的一项或多项系统参数的配置有对应关系。因此，当该一项或多项系统参数发生改变时，与之对应的向量量化字典也会随之切换，以下举例介绍。
例如，多本向量量化字典与组网场景(或者称为组网方式)有对应关系。其中，不同的组网方式可能匹配不同的向量量化字典，也可能匹配同一个向量量化字典。在这种情况下，例如UE确定当前的组网方式为第一组网方式，则UE就可以确定第一组网方式对应的向量量化字典(例如第一向量量化字典)，因此网络设备可不必发送第一向量量化字典。而网络设备也可以同样根据协议确定第一向量量化字典。例如，不同的组网方式包括视线(lineof sight，LoS)径为主和非视线(non line of sight，nLoS)径为主，这两种组网方式可分别对应各自相应的向量量化字典；又例如，不同的组网方式包括城市微小区(urbanmicrocell，Umi)和城市宏小区(urban marcocell，Uma)，则Uma和Uma可分别对应各自相应的向量量化字典。在这种实施方式下，向量量化字典与组网方式进行了绑定，因此向量量化字典的切换是一种隐式的方式，即，当通信场景(或者说组网方式)确定时，向量量化字典也就确定了，反之，当通信场景切换时，向量量化字典也可能随之切换。
又例如，多本向量量化字典可匹配不同的移动速度。例如将UE的移动速度划分为多个区间，不同的区间分别匹配各自相应的向量量化字典。本申请实施例对于划分粒度不做限制。其中，不同的区间可能匹配不同的向量量化字典，也可能匹配同一个向量量化字典。在这种情况下，例如UE确定当前的移动速度属于第一区间，则UE就可以确定第一区间对应的向量量化字典(例如第一向量量化字典)，因此网络设备可不必发送第一向量量化字典。在这种实施方式下，向量量化字典与UE的移动速度进行了绑定，因此向量量化字典的切换是一种隐式的方式，即，当UE的移动速度确定时，向量量化字典也就确定了，相应的，当UE的移动速度变化时，向量量化字典也可能随之切换。
再例如，多本向量量化字典可匹配不同的天线配置和/或带宽。这里所述的带宽例如为通信双方进行通信所使用的载波的带宽，或者是UE支持的最大带宽，或者是UE的激活带宽部分(bandwidth part，BWP)的带宽等，不予限制。当天线配置和/或带宽发生变化时，编码器网络和解码器网络的输入输出维度可能会随之改变，在本申请实施例中，向量量化字典可能与编码器网络和/或解码器网络相关，特别是当向量量化字典与编码器网络和/或解码器网络是联合训练、优化的情况下，如果编码器网络和/或解码器网络变化，则向量量化字典也可能会随之发生改变。因此，当UE确定天线配置和/或带宽后，就确定了第一向量量化字典。在这种实施方式下，向量量化字典与天线配置和/或带宽建立了对应关系，因此向量量化字典的切换是一种隐式的方式。
如上的几种隐式方式可以分别单独应用，或者如上的任意多种隐式方式也可以结合应用。例如一种结合应用的方式为，协议可定义多本向量量化字典，这些向量量化字典可匹配不同的参考网络和移动速度，举例来说，移动速度和参考网络可以有多种组合，不同的组合可匹配相应的向量量化字典。例如，当UE的移动速度属于第一区间、且当前的参考网络为第一参考网络，则匹配向量量化字典1；当UE的移动速度属于第一区间、且当前的参考网络为第二参考网络，则匹配向量量化字典2。
考虑到协议可能利用参考网络的形式定义有对应关系的向量量化字典、编码器网络和解码器网络，因此以上几种实施方式中的隐式指示可能统一由参考网络的索引给出。即，UE确定在当前组网方式、移动速度、天线配置或系统带宽下的参考网络的索引，然后就可以据此确定第一向量量化字典。
3、显示方式和隐式方式结合。
作为一种实施方式，协议可以定义一个或多个向量量化字典集合(例如，协议预定义了多本向量量化字典，其中的部分或全部向量量化字典可以属于一个或多个向量量化字典集合)，其中每个向量量化字典集合包含一本或多本向量量化字典。UE对于向量量化字典集合可以通过显式方式确定，而对于该向量量化字典集合内将要应用的向量量化字典可以通过隐式方式确定；或者，UE对于将要应用的向量量化字典集合可以通过隐式方式确定，而对于该向量量化字典集合内将要应用的向量量化字典可以通过显式方式确定。
例如，网络设备可以向UE发送信令，该信令指示协议定义的多个向量量化字典集合中的向量量化字典集合1，即，UE对于向量量化字典集合可通过显式方式确定。而向量量化字典集合1包括了多本向量量化字典，例如向量量化字典集合1所包括的向量量化字典与UE的移动速度具有对应关系，而该对应关系预先配置在UE中。那么UE可以确定该UE当前的移动速度，并确定该UE当前的移动速度所在的区间对应的向量量化字典就是所要使用的向量量化字典。可见，对于向量量化字典集合内的向量量化字典，UE是通过隐式方式确定。
又例如，协议定义的多个向量量化字典集合与组网方式具有对应关系，该对应关系预配置在UE中。那么UE可以确定该UE与网络设备当前的组网方式，并确定该组网方式对应的向量量化字典集合就是所要使用的向量量化字典集合，例如该向量量化字典集合为向量量化字典集合1。即，UE对于向量量化字典集合可通过隐式方式确定。网络设备可以向UE发送信令，该信令指示向量量化字典集合1中的向量量化字典A，则UE确定使用向量量化字典A。即，UE对于向量量化字典可通过显式方式确定。
当然如上只是举例，显式方式和隐式方式结合的实现方式不限于此。
S502、UE准备神经网络(neural network，NN)-CSI网络，网络设备准备NN-CSI网络。这里的神经网络例如为前述的VQ-AE网络，或者也可以是其他神经网络。
S502是设备的实现行为，不限制其具体实现形式。例如，网络设备向UE发送第三配置信息时，可以包含信息位，用于通知UE启用(enable)基于人工智能(artificialintelligence，AI)的CSI反馈流程，或者用于通知UE启用基于VQ-AE网络的CSI反馈流程。此时网络设备在某个时刻准备好NN-CSI网络(例如NN-解码器网络)，而UE在接收第三配置信息后，准备好NN-CSI网络(例如NN-编码器网络)。
这里所述的“准备”，可以理解为载入网络模型(到内存)，或者(从传统码本的计算模块)切换为神经网络模块。
S503、网络设备向UE发送参考信号，相应的，UE从网络设备接收参考信号。
网络设备可按照第三配置信息指示的参考信号格式向UE发送参考信号。参考信号例如包括CSI-RS和/或SSB等。
S504、UE获得下行信道矩阵。
UE可对参考信号进行测量，以获得下行信道矩阵，或者该下行信道矩阵也可称为下行MIMO信道。该下行信道矩阵的维度例如为Ntx×Nrx×NRB，其中，Ntx表示参考信号的发送设备的发射天线端口数，可以包括不同极化方向的发射天线端口，Ntx取值为正整数，Nrx表示UE的接收天线端口数，Nrx取值为正整数，可以包括不同极化方向的接收天线端口，NRB表示频域资源块(resource block，RB)个数，NRB取值为正整数。NRB可以表示测量带宽中包括的RB个数，测量带宽可以是系统带宽、子带带宽、UE支持的最大带宽、UE的BWP的带宽等，不予限制。例如，载波带宽为10MHz，且子载波间隔为15kHz，NRB为52；又例如，载波带宽为20MHz，且子载波间隔为15kHz，NRB为104；再例如，载波带宽为10MHz，且子载波间隔为30kHz，NRB为26，以此类推。例如本申请实施例中是由网络设备发送参考信号，那么Ntx就表示网络设备的发射天线端口数。而如果将本申请实施例提供的技术方案应用于其他的网络架构，则参考信号的发送设备可能发生变化，那么Ntx表示该发送设备的发射天线端口数即可。
S505、UE对下行信道矩阵进行预处理。
其中，UE可采用多种方式对下行信道矩阵进行预处理，下面举例介绍。
1、第一种方式。
在第一种方式下，UE的预处理过程可包括多个步骤，下面分步骤介绍。
步骤1，确定H的物理含义。或者说，确定特征子空间矩阵H。
可选的，UE对S504获得的下行信道矩阵按照每个子带(subband)的MIMO信道(Ntx×Nrx)进行奇异值分解(singular value decomposition，SVD)，得到特征子空间矩阵H。该特征子空间矩阵H的维度例如为Ntx×Nsb，这相当于通过SVD将下行信道矩阵进行了降维处理。Nsb表示频域子带个数，例如Nsb＝NRB/a，a表示频域子带颗粒度或子带宽带，即每个子带包括的RB个数。常见的频域子带颗粒度为2RB或4RB，以4RB为例，则Nsb＝NRB/4。应理解，该频域子带颗粒度可以为任何值，例如当颗粒度为1RB时，Nsb＝NRB。
步骤2，确定空域基底和频域基底。
可选的，空域基底和频域基底可通过离散傅里叶变换(discrete fouriertransform，DFT)公式产生，当产生正交DFT基底时，基底的维度满足A×A的形式。
本申请不限制DFT基底的具体形式，例如可以参考3GPP标准协议TS 38.214中相应的介绍，或者参考其他可能的形式。
以特征子空间矩阵H是维度为Ntx×Nsb的矩阵为例，在空域基底生成时，A＝Ntx，在频域基底生成时，A＝Nsb，因此通过DFT公式可产生两组正交DFT基底，分别为空域基底
和频域基底
其中，
包括Ntx个(Ntx×1)的DFT列向量，
包括Nsb个(Nsb×1)的DFT列向量。
或者，可选的，也可以利用过采样方式产生多组正交空域基底{G1,G2,G3…}和多组正交频域基底{F1,F2,F3…}，从中挑选一组Gi和Fj作为本申请实施例的空域基底和频域基底，例如可从中挑选投影方向较为准确的一组。例如将每组空域基底和对应的频域基底按照下述的空频联合投影方式进行处理，根据空频联合投影的结果可以确定投影方向较为准确的一组，则将该组确定为本申请实施例的空域基底和频域基底。
步骤3，确定特征子空间矩阵H的稀疏表征Ccomplex。
可选的，UE可对H进行空频联合投影，以确定H的稀疏表征Ccomplex。对H进行空频联合投影的一种方式可参考如下公式：
其中，GH是G的埃尔米特(hermitian)阵，也称自共轭矩阵，可通过将矩阵G进行共轭转置得到。如果是从多组空域基底和频域基底中挑选了一组Gi和Fj，那么公式1中的GH可替换为
以及F可替换为Fj。
经过公式1得到的复数矩阵Ccomplex是下行信道矩阵的特征子空间矩阵H的稀疏化表征，Ccomplex的维度与特征子空间矩阵H的维度保持一致，例如为Ntx×Nsb。
步骤4，确定是否对Ccomplex做进一步压缩。
可选的，保持Ccomplex的维度不变，即，不执行步骤4，在步骤3执行完毕后即可执行步骤5。
可选的，UE也可以对Ccomplex进一步压缩，压缩的具体手段有多种，将在第二种方式的步骤4中展开，在此不再赘述。
步骤5，根据编码器网络的输入要求转换矩阵维度。
UE可按照编码器网络的输入要求对系数矩阵C进行维度转换。
通常神经网络处理的是实数，如果执行了步骤4，则本步骤通常需要将步骤4得到的对复数矩阵Ccomplex进行进一步压缩的后得到的矩阵转换为实数矩阵，该实数矩阵就是编码器网络的输入矩阵；或者，如果未执行步骤4，则本步骤通常需要将步骤3得到的复数矩阵Ccomplex转换为实数矩阵，该实数矩阵就是编码器网络的输入矩阵。复数矩阵转实数矩阵的方法，通常是分别获得复数矩阵的实部组成的矩阵和虚部组成的矩阵之后，在一个新的维度上进行拼接。
无论步骤4中是否执行压缩，步骤5转换前的复数矩阵都可被称为Ccomplex′。
如果复数矩阵是1维向量，例如
则其对应的实数矩阵通常是2维矩阵，例如表示为
或者，如果复数矩阵是2维矩阵，例如
则其对应的实数矩阵通常是3维矩阵，例如表示为
或者，如果复数矩阵是3维矩阵，例如
则其对应的实数矩阵通常是4维矩阵，例如表示为
其中，因为“real”表示实数，因此Creal用于表示实数矩阵。
更高维度的复数矩阵转实数矩阵的方法可以以此类推。
本申请实施例中，例如复数矩阵
因此M＝Ntx，N＝Nsb，UE可根据该复数矩阵获得实数矩阵
其中，Ntx×Nsb×2这三个维度中的第一维(Ntx)、第二维(Nsb)和第三维(2)分别表示网络设备的发射天线端口数、频域子带数和实虚部，但这三个维度的先后顺序取决于神经网络的输入格式，例如，该三维也可以是2×Ntx×Nsb，或2×Nsb×Ntx，或Nsb×Ntx×2，或者也可以是其他顺序。
经过以上5个步骤的预处理，在第一种方式中，维度为Ntx×Nrx×NRB的下行信道矩阵(复数矩阵)转变成了维度为M×N×2的系数矩阵(实数矩阵)。其中M＝Ntx，N＝Nsb。以上预处理中具体的步骤仅为举例，不作限定。
2、第二种方式。
在第二种方式中，重点介绍步骤4中对复数矩阵Ccomplex进行进一步压缩的方法，以及进一步压缩后对预处理前后的矩阵维度的影响等内容。其他步骤可参考第一种方式。
步骤1，确定H的物理含义。
可选的，参考第一种方式下的步骤1，获得特征子空间矩阵H，H的维度为Ntx×Nsb。
步骤2，确定空域基底和频域基底。
可选的，参考第一种方式下的步骤2，获得一对正交的DFT空频基底，
和
步骤3，确定H的稀疏表征Ccomplex。
可选的，参考第一种方式下的步骤3，按照公式1进行空频联合投影。
步骤4，确定是否对Ccomplex做进一步压缩。
可选的，在第二种方式下，UE可利用系数能量对复数矩阵Ccomplex的稀疏性进行进一步压缩。该压缩处理可以有多种方式，下面举例介绍。
例如一种方式为方式1。方式1为，将复数矩阵
转换为一维向量
对该一维向量包括的系数按照能量大小排序，选取能量最大的前M个系数，M≤U×V，则得到了系数矩阵，该系数矩阵例如表示为
例如另一种方式为方式2。方式2为，在
的空域维度上取能量最大的前K行(其中，K≤U)，以及在
的频域维度上取能量最大的前L列(其中，L≤V)，这K行和L列组成的系数矩阵表示为
将矩阵
转换为一维向量
对该一维向量包括的系数按照能量大小排序，选取能量最大的前M个系数(M≤K×L)，则得到了系数矩阵，该系数矩阵例如表示为
其中，M、L和K为正整数。
例如再一种方式为方式3。方式3为，在
的空域维度上取能量最大的前M行(其中，M≤U)，以及在
的频域维度上取能量最大的前N列(其中，N≤V)，这M行和N列组成的系数矩阵表示为
其中，M和N为正整数。
本步骤所包括的如上三种对Ccomplex进一步压缩的方式，都是在Ccomplex的原尺寸Ntx×Nsb上按照某种规则选取了部分系数，降维到
或
通过这一步就完成了信息的压缩。所以，这三种方式中的任一种方式中，U＝Ntx，V＝Nsb，即，通过这一步，可以挑选主要特征成分来近似地表达原始的信息。通过这种预处理方式处理后得到的矩阵的维度通常会比第一种方式得到的矩阵维度更小，作为后续神经网络的输入维度(例如作为编码器网络的输入维度)，进而降低神经网络的复杂度。
应当理解，当Ccomplex的原尺寸发生变化的时候，只需替换U和V的取值即可。
步骤5，确定编码器网络的输入矩阵维度。
在第二种方式中，步骤4输出的复数矩阵可能是一维矩阵
也可能是二维矩阵
以下对这两种情况分别举例说明。
基于步骤4的方式1或方式2，则复数矩阵
对应的实数矩阵为
该实数矩阵就是编码器网络的输入矩阵。
基于步骤4的方式3，则复数矩阵
对应的实数矩阵为
该实数矩阵就是编码器网络的输入矩阵。
经过以上5个步骤的预处理，就将维度是Ntx×Nrx×NRB的下行信道矩阵(复数矩阵)转变成了维度为M×2或M×N×2的系数矩阵(实数矩阵)。当然，以上预处理中具体的步骤仅为举例，不作限定。
3、第三种方式。
在第三种方式中，重点介绍利用过采样的空频基底提高空间方向分辨率的方法，以及采用这种方式后对预处理前后矩阵维度的影响等内容。
步骤1，确定H的物理含义。
可选的，参考第一种方式下的步骤1，获得特征子空间矩阵H，H的维度为Ntx×Nsb
步骤2，确定空域基底和频域基底。
可选的，当产生过采样DFT基底时，基底的维度满足A×B的形式，其中A<B，且通常，B＝A×o，o为过采样系数。
以H是维度为Ntx×Nsb的特征子空间矩阵为例。在空域基底生成时，A＝Ntx，B＝Ntx×x，在频域基底生成时，A＝Nsb，B＝Nsb×y。x和y分别为空域和频域的过采样系数，x和y均大于1、或x等于1且y大于1、或x大于1且y等于1，x和y可以相等，也可以不相等。
假设特征子空间矩阵H是维度为Ntx×Nsb的复数矩阵，UE可以采用不同的过采样率产生多组空域基底{G1,G2,G3…}和多组频域基底{F1,F2,F3…}。按照上述规则，UE将多组空域基底按列拼接到一起，得到空域基底集合
以及将多组频域基底按列组合到一起，得到频域基底集合
则可将空域基底集合
和频域基底集合
看做第三种方式下得到的一组空域基底和频域基底。
相对于第一种方式和第二种方式，空域基底集合和频域基底集合的列向量维度仍然分别与H的对应维度一致，但基底集合中的列向量的个数增加了，这样有助于提升DFT波束方向的分辨率。
步骤3，确定H的稀疏表征Ccomplex。
对H进行空频联合投影的方式可参考如下公式：
其中，
是将矩阵
进行共轭转置得到。
经过公式2得到的复数矩阵Ccomplex是下行信道矩阵的特征子空间矩阵H的稀疏化表征，Ccomplex的维度与特征子空间矩阵H的维度不同，特征子空间矩阵H是维度为Ntx×Nsb的复数矩阵，而复数矩阵Ccomplex的维度为(Ntx×x)×(Nsb×y)。可见，通过第三种方式，经过如公式2的空频联合投影之后，系数矩阵的维度可能增大了，因此第三种方式下得到的复数矩阵可以视为是对第一种方式下的复数矩阵进行了扩维处理。从稀疏投影的角度，这样可以增加原始信息的分辨率，提高网络设备重构的原始信息的准确性。
步骤4，确定是否对Ccomplex做进一步压缩。
可选的，可参考第一种方式的步骤4，维持Ccomplex不变。
或者，可选的，可参考第二种方式的步骤4中的任一种方式，对Ccomplex进一步压缩。在参考时，只需要将第二种方式步骤4举例的三种方式中的U替换为Ntx×x，V替换为Nsb×y即可。
步骤5，确定编码器网络的输入矩阵维度。
可选的，以Ccomplex′的维度为(Ntx×x)×(Nsb×y)举例，按照二维复数矩阵，M和N分别用Ntx×x和Nsb×y替换便可获得实数矩阵
该实数矩阵就是编码器网络的输入矩阵。
如复数矩阵为其他维度，结合第二种方式步骤5中的举例，也可以相应的获得对应的实数矩阵，在此不再赘述。
经过以上5个步骤的预处理，如果在步骤4未对Ccomplex做进一步压缩，则就将维度是Ntx×Nrx×NRB的下行信道矩阵(复数矩阵)转变成了维度为M×N×2的系数矩阵(实数矩阵)，M＝Ntx×x，N＝Nsb×y。如果在步骤4对Ccomplex做了进一步压缩，则就将维度是Ntx×Nrx×NRB的下行信道矩阵(复数矩阵)转变成了维度为M×2或M×N×2的系数矩阵(实数矩阵)。M和N的取值范围参考第二种方式步骤4的方式1至方式3的相关介绍，将U替换为Ntx×x，V替换为Nsb×y即可。
4、第四种方式，也可以称为全信道反馈+2D卷积网络的方式。
在第四种方式中，基于原始下行信道进行CSI反馈，且对Ntx×Nrx维度进行DFT联合投影。
步骤1，确定H的物理含义。
可选的，通过S504得到下行信道矩阵H，维度为Ntx×Nrx×NRB。可以看到，与前述方式中的特征子空间矩阵H不同，这里的H表示的是下行信道，而非特征子空间(即，第四种方式未对下行信道矩阵进行SVD)。
步骤2，确定空域基底和频域基底。
可选的，产生两组正交的DFT基底，空域基底生成时，A＝Ntx×Nrx，频域基底生成时，A＝Nsb，因此，生成的两组基底分别为空域基底
和频域基底
其中，G包括Ntx×Nrx个Ntx×Nrx维的DFT列向量，所述Ntx×Nrx维的DFT列向量可以通过对Ntx×1维的向量和Nrx×1维的向量按照克罗内克(kroneck)相乘获得。F包括Nsb个Nsb×1维的DFT列向量。
可选的，G和F也可以分别是从多组正交过采样空频基底中选择投影方向性最准确的一组基底(具体方法参考前文)
可选的，产生两组过采样的DFT基底，在空域基底生成时A＝Ntx×Nrx，B＝Ntx×Nrx×x，在频域基底生成时，A＝Nsb，B＝Nsb×y。x和y分别为空域和频域的过采样系数，x和y均大于1、或x等于1且y大于1、或x大于1且y等于1，x和y可以相等，也可以不相等。结合第三种方式下的步骤2推算可获得
和
步骤3，确定H的稀疏表征Ccomplex。
UE对矩阵H进行空频联合投影，如果G和F为正交基底，则一种空频联合投影的方式可参考公式1，只是这里得到的
其中，
表示的是二维矩阵，其中括号中看做一个维度，例如(Ntx×Nrx)表示一个维度，Nsb表示另一个维度。如果有其他公式有类似情况，则理解也是类似的。
可选的，如果G和F为过采样DFT基底，则在参考公式1时，可将公式1中的GH可替换为
F可替换为
空频联合投影公式可参考如下公式：
步骤4，确定是否对Ccomplex做进一步压缩。
可选的，如不对Ccomplex进一步压缩，则跳过本步骤。
或者，可选的，可参考第二种方式的相应步骤对Ccomplex进一步压缩，例如将U替换为Ntx×Nrx，V替换为Nsb，或者将U替换为Ntx×Nrx×x，V替换为Nsb×y即可
步骤5，确定编码器网络的输入矩阵维度。
如在步骤4中未对Ccomplex进一步压缩，则可以获得实数矩阵
M＝Ntx×Nrx，N＝Nsb，该实数矩阵就是编码器网络的输入矩阵。
如在步骤4中对Ccomplex做了进一步压缩，则可以获得实数矩阵
或
其中M和N的取值范围与U和/或V的关系，跟第二种方式的步骤4中所介绍的相对关系保持不变，在绝对数值上，将U替换为Ntx×Nrx，V替换为Nsb，或者将U替换为Ntx×Nrx×x，V替换为Nsb×y即可。该实数矩阵就是编码器网络的输入矩阵。
经过以上5个步骤的预处理，如果在步骤4未对Ccomplex做进一步压缩，则就将维度是Ntx×Nrx×NRB的下行信道矩阵(复数矩阵)转变成了维度为M×N×2的系数矩阵(实数矩阵)，M＝Ntx×Nrx，N＝Nsb。如果在步骤4对Ccomplex做了进一步压缩，则就将维度是Ntx×Nrx×NRB的下行信道矩阵(复数矩阵)转变成了维度为M×2或M×N×2的系数矩阵(实数矩阵)，其中M和N的取值范围与U和/或V的关系，跟第二种方式的步骤4中所介绍的相对关系保持不变，绝对数值上，将U替换为Ntx×Nrx，V替换为Nsb，或者将U替换为Ntx×Nrx×x，V替换为Nsb×y即可。
在第四种方式中，Nrx这个信道维度被保留了，并且与Ntx进行联合投影，这样做一方面可以并通过CSI反馈原始信道信息(未经过svd压缩)，另一方面还可以配合2D卷积网络，减少运算复杂度。
5、第五种方式，也可以称为全信道反馈+3维(dimension，D)卷积网络的方式。
在第五种方式中，基于原始下行信道进行CSI反馈，且在Ntx和Nrx维度分别进行DFT投影。
步骤1，确定H的物理含义。
可选的，通过S504得到下行信道矩阵H，维度为Ntx×Nrx×NRB。可以看到，与第一种方式或第二种方式或第三种方式中的特征子空间矩阵H不同，这里的H表示的是下行信道，而不是特征子空间(即，未对下行信道矩阵进行SVD)。
步骤2，确定空域基底和频域基底。
可选的，产生两组正交的DFT基底，空域基底生成时，A＝Ntx，频域基底生成时，A＝Nsb，因此，生成的两组基底分别为空域基底
和频域基底
可选的，G和F可以分别是从多组正交过采样空频基底中挑选出来的投影方向最准确的一组。
或者，可选的，产生两组过采样的DFT基底，空域基底生成时A＝Ntx，B＝Ntx×x，频域基底生成时A＝Nsb，B＝Nsb×y，x和y分别为空域和频域的过采样系数，x和y均大于1、或x等于1且y大于1、或x大于1且y等于1，x和y可以相等，也可以不相等。结合第三种方式下的步骤2推算可获得
和
步骤3，确定H的稀疏表征Ccomplex。
UE对H进行空频联合投影，如果G和F为正交基底，则一种空频联合投影的方式可参考如下公式：
其中，如果G和F为过采样DFT基底则公式4中的GH可替换为
F可替换为
空频联合投影公式可参考如下公式：
步骤4，确定是否对Ccomplex做进一步压缩。
与前面多种方式不同之处在于，Ccomplex是三维矩阵。
可选的，不对Ccomplex进一步压缩，则可不执行步骤4，而是在步骤3执行完毕后就执行步骤5。
可选的，对Ccomplex进一步压缩。
例如一种压缩方式为方式1。方式1为，将复数矩阵
转换为二维向量
对该二维向量包括的系数按照第二维能量大小排序，选取能量最大的前M个系数，M≤U×V，则得到了系数矩阵，该系数矩阵例如表示为
例如另一种压缩方式为方式2。方式2为，在
的空域维度上取能量最大的前K行(其中，K≤U)，以及在
的频域维度上取能量最大的前L列(其中，L≤V)，这K行和L列组成的系数矩阵表示为
将矩阵
将转换为二维向量
对该一维向量包括的系数按照能量大小排序，选取能量最大的前M个系数(M≤K×L)，则得到了系数矩阵，该系数矩阵例如表示为
例如再一种压缩方式为方式3。方式3为，在
的空域维度上取能量最大的前M行(其中，M≤U)，以及在
的频域维度上取能量最大的前N列(其中，N≤V)，这M行和N列组成的系数矩阵表示为
步骤5，确定编码器网络的输入矩阵维度。
如果未执行步骤4，则在步骤5中可以将复数矩阵Ccomplex转换为实数矩阵
M＝Ntx，N＝Nsb。
如果在步骤4中对Ccomplex做了进一步压缩，则可以将压缩后的矩阵
转换为实数矩阵
或将压缩后的矩阵
转换为实数矩阵
经过以上5个步骤的预处理，如果未执行步骤4，则就将维度是Ntx×Nrx×NRB的下行信道矩阵(复数矩阵)转变成了维度为Nrx×M×N×2的系数矩阵(实数矩阵)，M＝Ntx，N＝Nsb。如果在步骤4对Ccomplex做了进一步压缩，则就将维度是Ntx×Nrx×NRB的下行信道矩阵(复数矩阵)转变成了维度为Nrx×M×2或Nrx×M×N×2的系数矩阵(实数矩阵)，其中M和N的取值范围与U和/或V的关系，跟上述步骤4中所介绍的相对关系保持不变，绝对数值上，将U替换为Ntx，V替换为Nsb，或者将U替换为Ntx×x，V替换为Nsb×y即可。
在第五种方式中，Nrx这个信道维度被保留了，但没有参与空频投影，这样做一方面可以通过CSI反馈原始信道信息(未经过SVD压缩)，另一方面还可以配合3D卷积网络，利用神经网络去寻找Nrx这个维度上的系数相关性，以获得更好的压缩效果。
在如上几种方式中，均假设编码器网络均为实数网络，编码器网络的输入可以有二维张量，三维张量，四维张量等多种可能。张量中的通道维度通常等于2，即代表实部和虚部，其他的维度代表原始复数矩阵的形状，例如是1维向量，或是二维/三维矩阵等。综合以上几种方式，编码器网络的输入可以是下述三种情况之一：2×M，2×M×N，2×M×N×T。相应的，编码器网络的输出维度可以是如下三种情况之一：D×S，D×P×Q，D×P×Q×R，其中D就表示编码器网络的张量中的通道维度。其中，P、Q、R等代表输出矩阵的维度。通常，神经网络的输入张量和输出张量的维度个数是一致的，例如输入张量的维度是二维张量，则输出张量的维度也是二维张量，因此上述维度分别为二维/三维/四维一一对应的输入输出组合为编码器网络的首选组合。可选的，编码器网络也可能根据实际应用场景，配合其输入和输出维度的要求，此时，编码器网络的输入输出维度组合的选择可以是以上9(即，编码器网络的输入有如上3种情况，编码器网络的输出有如上3种情况，如果可以不考虑输入输出维度一致，则3种输入和3种输出可任意组合，那么就是3×3)种组合中的任意一种组合。应理解，上述第1维，第2维，第3维均可以相应改变顺序。
以上五种方式中，第一种方式是基于特征子空间矩阵和正交DFT基底G和F(或者，利用过采样方式产生的正交基底)为例的预处理过程，是较为基础的一种过程。第二种方式则在第一种方式的基础上，对稀疏投影系数矩阵Ccomplex做了进一步的压缩。第三种方式则在第一种方式的基础上，采用了过采样DFT基底
和
第四种方式则是采用了原始信道矩阵，并在预处理过程中将Ntx和Nrx作为一个维度处理。第五种方式则是采用原始信道矩阵，并在预处理过程中不处理Nrx维度的举例。应理解，以上五种预处理方式虽然分别只侧重其中部分步骤的改变，但它们任意两种或多种方式之间可以相互结合。以上五种方式的举例中，也覆盖了一些组合的情况，例如，第四种方式下的原始信道矩阵也可以结合过采样DFT基底和投影系数矩阵的进一步压缩。应理解，组合的方式不仅限于这五种方式中已经充分举例的这些，只要是在不付出原创性劳动的前提下对如上各种方式的排列组合，均在本申请实施例的保护范围内。
特别的，以上五种方式的举例均以DFT基底为例，应理解，这仅为举例，不作为限定。可选的，也可以采用其他的方法产生空频投影基底，例如可以利用信道(的协方差矩阵)经过SVD以后获得的特征向量作为投影基底，通常这种基底被称为Eigen基底，通常Eigen基底的维度和正交DFT基底是一样的，即A×A，但Eigen基底无法做过采样。以上五种方式中，凡是不涉及过采样的方式，均可以用Eigen基底代替正交DFT基底，Eigen基底的维度与上述五种方式中正交DFT基底的维度一致。利用Eigen基底替换正交DFT基底的方式也在本申请实施例的保护范围内。
S506、UE根据实数矩阵和编码器网络，得到编码器网络的输出矩阵。例如，UE将实数矩阵输入编码器网络，得到编码器网络的输出矩阵。
例如将编码器网络的输出矩阵称为第一输出矩阵。例如UE和网络设备当前所应用的参考网络是第一参考网络，第一参考网络包括第一参考编码器网络和第一参考解码器网络。可选的，UE可以利用第一参考编码器网络进行编码。或者，可选的，协议可能不会约束UE实际应用的编码器网络是否为参考编码器网络，但可能会约束实际应用的编码器网络和与之对应的参考解码器网络的评估性能需要满足协议给定的指标。因此，UE当前使用的编码器网络的特征可根据第一参考编码器网络的特征确定。例如UE当前应用的编码器网络的输入维度是根据第一参考编码器网络的输入维度确定的，例如UE当前应用的编码器网络的输入维度等于第一参考编码器网络的输入维度。同理，例如UE当前应用的编码器网络的输出维度也是根据第一参考编码器网络的输出维度确定的，例如UE当前应用的编码器网络的输出维度等于第一参考编码器网络的输出维度。
例如，UE通过预处理过程得到了维度为M×N×2的实数矩阵，编码器网络的输入维度(或者说，编码器网络的输入矩阵的维度)为M×N×2，该实数矩阵就是编码器网络的输入矩阵。UE将该实数矩阵作为编码器网络的输入，推理得到编码器网络的输出
其中，la表示第一输出矩阵，第一输出矩阵是维度为D×P×Q的实数矩阵，可理解为，编码器网络的输出维度为D×P×Q，其中S＝P×Q。可认为，编码器网络可输出S个向量，S个向量中的每个向量代表一个像素点，而S个向量中的每个向量的维度为D，D代表神经网络(例如编码器网络)输出层的张量(tensor)的通道数。其中，如果M≤Ntx，N≤Nsb，则S≤M×N。例如一般情况下，S＜＜M×N，即，UE测量得到的原始信息(下行信道矩阵)通过编码器网络可以被压缩到一个更低的维度上，其中，＜＜表示远远小于；或者，如果M＝Ntx×x，N＝Nsb×y，则S≤(Ntx×x)×(Nsb×y)；或者，如果M＝Ntx×Nrx，N＝Nsb，则S≤(Ntx×Nrx)×Nsb。
又例如，UE通过预处理过程得到了维度为M×2的实数矩阵，编码器网络的输入维度(或者说，编码器网络的输入矩阵的维度)为M×2，该实数矩阵就是编码器网络的输入矩阵。UE将该实数矩阵作为编码器网络的输入，推断得到编码器网络的输出
其中，la表示第一输出矩阵，第一输出矩阵是维度为D×S的实数矩阵。其中，S≤Ntx×Nsb×z，z为大于或等于1的正整数，例如在前述的第二种方式中，是以z＝1为例。另外S≤M。
再例如，UE通过预处理过程得到了维度为M×N×T×2的实数矩阵，编码器网络的输入维度(或者说，编码器网络的输入矩阵的维度)为M×N×T×2，该实数矩阵就是编码器网络的输入矩阵。UE将该实数矩阵作为编码器网络的输入，推断得到编码器网络的输出
其中，la表示第一输出矩阵，第一输出矩阵是维度为D×P×Q×R的实数矩阵，例如S＝P×Q×R。其中，如果M＝Nrx，N＝Ntx，T＝Nsb，则S≤Nrx×Ntx×Nsb。
可见，在经过编码器网络后，矩阵的维度可能发生了变化。
S507、UE确定CSI。
在该步骤中，UE会用到第一向量量化字典，第一向量量化字典的确定方式可参考S501。例如第一向量量化字典包括N1个向量，N1个向量的长度可以相同，且该长度可以与编码器网络的输出维度中的至少一个维度相等，因此，第一向量量化字典可用于CSI的接收端恢复(或者称为重构)下行信道矩阵。例如，UE可根据第一向量量化字典对第一输出矩阵进行量化处理，以得到CSI，从而使得CSI的接收端根据CSI可以恢复下行信道矩阵。其中，UE可直接根据第一向量量化字典对第一输出矩阵进行量化处理，或者，UE也可将第一输出矩阵进行相应处理后，再根据第一向量量化字典对处理后的第一输出矩阵进行量化处理，本申请实施例以UE直接根据第一向量量化字典对第一输出矩阵进行量化处理为例。
利用第一向量量化字典对第一输出矩阵进行量化处理，相当于是利用第一向量量化字典所包括的N1个向量中的部分或全部向量来替换(或者说，表征)第一输出矩阵所包括的信道特征。因此从该角度也可以认为，第一向量量化字典包括的N1个向量中的每个向量都可以表征一种信道特征，或者说表征一种信道信息，而编码器网络输出的矩阵所包括的信道特征也可以理解为由许多向量分别表征的信道特征所组成，因此，可以利用第一向量量化字典中的向量近似地代表第一矩阵中的向量，即，利用第一向量量化字典对第一输出矩阵进行量化。
第一向量量化字典的维度例如为D×E，N1个向量例如为第一向量量化字典所包括的全部向量，则N1等于E，或者，N1个向量例如为第一向量量化字典所包括的部分向量，则N1小于E。其中，E为正整数。编码器网络的输出维度为
可见，第一向量量化字典的其中一个维度(例如该维度也是N1个向量的长度)与编码器网络的输出维度中的一个维度都是D。这里以第一向量量化字典包括的N1个向量的长度与编码器网络的输出维度中的一个维度相等为例，在其他一些实施方式中，第一向量量化字典包括的N1个向量的长度也可以与编码器网络的输出维度中的多个维度相等。
本申请实施例不限制利用第一向量量化字典对第一输出矩阵进行量化处理的具体实现。示例性的，假设
是la中的任一列向量，UE可在第一向量量化字典中确定与
最相似的向量或者相似程度大于阈值的向量，并返回该向量的索引Indi。通过遍历la中的向量，可以得到第一向量量化字典中的S个列向量的索引，该S个列向量称为第一向量量化字典包括的S个列向量。所谓的相似的向量，例如是特征距离最小的向量。第一向量量化字典包括的S个列向量中的每个列向量可以属于N1个向量，S个列向量中可能有重复的列向量，或者S个列向量均为不同的列向量。例如，如果S等于N1(例如N1等于E)，则S个向量可能是N1个向量，也可能是N1个向量中的部分向量(即，S个向量中有重复的向量)；又例如，如果S大于N1(例如N1等于E)，则S个向量包括N1个向量，且S个向量中有重复的向量；再例如，如果S小于N1(例如N1等于E)，则S个向量包括N1个向量中的部分或全部向量，且S个向量中可能有重复的向量，也可能没有重复的向量。UE在遍历la后得到第一向量量化字典包括的S个列向量后，可以获得一个维度为1*S的索引矩阵。
其中，在第一向量量化字典中确定与
最相似的向量，例如通过如下方式确定：
Dicj,d表示第一向量量化字典中第j个向量的第d个元素，lai,d表示向量lai的第d个元素。通过公式6，可以将连续的浮点信道表征用离散的索引所代表的向量近似表示，这一步处理所带来的误差可以认为是量化误差。
该维度为1*S的索引矩阵可作为PMI，或者，UE还可将索引矩阵转换为二进制比特(bit)流，该二进制比特流可作为PMI，不予限制。
S508、UE向网络设备发送CSI，相应的，网络设备从UE接收该CSI。
UE可根据CQI、RI、以及得到的PMI等信息确定CSI，并向网络设备发送该CSI。例如，UE在S501接收了第三配置信息，且第三配置信息指示了CSI的上报配置和/或CSI资源配置等，则UE可根据第三配置信息向网络设备发送该CSI。因为PMI的确定与第一向量量化字典有关，因此可以认为，CSI是根据第一向量量化字典确定的，或者更为详细的，CSI是根据第一向量量化字典所包括的一个或多个向量的索引确定的。
S509、网络设备根据S个索引和第一向量量化字典，可得到重构的下行信道矩阵的信息。
例如重构的下行信道矩阵信息就是重构的下行信道矩阵本身，或者重构的下行信道矩阵的信息不是重构的下行信道矩阵，但根据该信息能够得到重构的下行信道矩阵或者能够确定下行信道的传输参数。
该S个索引也就是CSI(或者PMI)所包括的第一向量量化字典内的S个向量的S个索引。例如UE和网络设备当前所应用的参考网络是第一参考网络，第一参考网络包括第一参考编码器网络和第一参考解码器网络。协议可能不会约束网络设备实际应用的解码器网络是否为参考解码器网络，但可能会约束实际应用的解码器网络和与之对应的参考编码器网络的评估性能需要满足协议给定的指标。因此网络设备当前使用的解码器网络的特征可根据第一参考解码器网络的特征确定，例如网络设备当前应用的解码器网络的输入维度是根据第一参考解码器网络的输入维度确定的，例如网络设备当前应用的解码器网络的输入维度等于第一参考解码器网络的输入维度。同理，例如网络设备当前应用的解码器网络的输出维度也是根据第一参考解码器网络的输出维度确定的，例如网络设备当前应用的解码器网络的输出维度等于第一参考解码器网络的输出维度。
其中，S509可包括多个步骤，下面进行介绍。
S5091、网络设备根据第一向量量化字典对S个索引进行反映射，得到第一矩阵。或者理解为，网络设备根据第一向量量化字典对CSI所包括的PMI进行反映射，得到第一矩阵。
如果PMI就是索引矩阵，则网络设备可从第一向量量化字典中找到该索引矩阵所包括的S个索引对应的S个列向量，从而得到这S个列向量构成的矩阵，例如称为第一矩阵，第一矩阵为实数矩阵，维度为D×S。而如果PMI是二进制比特流，那么网络设备先将该二进制比特流解析为索引矩阵，再根据第一向量量化字典得到第一矩阵。
S5092、网络设备根据第一矩阵和解码器网络，得到重构的下行信道矩阵的信息。
例如，网络设备可将第一矩阵输入解码器网络，解码器网络输出的矩阵称为第二矩阵，网络设备再根据第二矩阵得到重构的下行信道矩阵的信息。
例如第一矩阵的维度为D×S，网络设备将第一矩阵输入解码器网络，解码器网络可推断得到第二矩阵。如果编码器网络的输入维度为M×N×2，则第二矩阵可表示为
或者，如果编码器网络的输入维度为M×2，则第二矩阵可表示为
或者，如果编码器网络的输入维度为M×N×T×2，则第二矩阵可表示为
也就是说，通过解码器网络，可将第一矩阵重构为维度是M×N×2的第二矩阵，或重构为维度是M×2的第二矩阵，或重构为维度是M×N×T×2的第二矩阵，第二矩阵也是实数矩阵。可理解为，解码器网络的输入维度为D×S，输出维度为M×N×2或M×2或M×N×T×2。其中，对于M和N的取值或取值范围等，可参考前文的介绍。
根据解码器网络输出维度的不同，网络设备根据第二矩阵得到重构的下行信道矩阵的信息的方式也可以有所不同，下面举例介绍。
1、解码器网络的输出维度为M×N×2。
这里假设第二矩阵的维度为M×N×2，假如该第二矩阵维度中的M×N与待重构的下行信道特征矩阵H’维度相同，则该第二矩阵直接参考以下实数矩阵转复数矩阵的方式便可获得相应的复数矩阵
如果实数矩阵是2维矩阵，例如
则其对应的复数矩阵通常是1维向量，例如表示为
或者，如果实数矩阵是3维矩阵，例如
则其对应的复数矩阵通常是2维矩阵，例如表示为
或者，如果实数矩阵是4维矩阵，例如
则其对应的复数矩阵通常是3维矩阵，例如表示为
更高维度的实数矩阵转复数矩阵的方法可以以此类推。
或者，假如该第二矩阵维度中的M×N与待重构的下行信道特征矩阵H’维度不相同(例如S505中参照第二种方式步骤4的方式3做了进一步压缩)，则可选的，网络设备将第二矩阵转为复数矩阵，并根据从CSI中获得的M×N个数的位置信息，将该复数矩阵的元素依照该元素对应的位置逐个填入与下行信道特征矩阵H’相同维度的全零矩阵中，相当于是对压缩的信息进行恢复，获得
其中，UE所发送的CSI可以包括该M×N个数的位置信息。
网络设备将复数矩阵
进行逆变换，获得特征子空间矩阵
即重构的下行信道矩阵。
其中，为了与前述的特征子空间矩阵相区分，前述的特征子空间矩阵(例如S505中所述的特征子空间矩阵H)可称为第一特征子空间矩阵，这里的特征子空间矩阵H’可称为第二特征子空间矩阵。例如，网络设备可按照如下方式将复数矩阵
进行逆变换获得第二特征子空间矩阵：
针对解码器网络输出维度为M×N×2的情况，S509也可以通过一个统一的重构公式表达，可认为，网络设备可采用任意方式获得重构的下行信道矩阵的信息，只要重构的下行信道矩阵的信息满足第一关系即可，而S509中网络设备所执行的步骤(例如S5091和S5092)只是举例，并不是对于网络设备的行为的限定。第一关系包括：
公式8中，{indi}i＝1…S表示第一向量量化字典包括的S个向量的S个索引，也就是PMI所对应的S个向量的S个索引。函数q(x)表示根据第一向量量化字典将S个向量的索引映射为维度是D×S的第一矩阵。函数fdec(x)表示通过解码器网络将第一矩阵重构为维度是M×N×2的第二矩阵，第一矩阵和第二矩阵均为实数矩阵。函数C(x)表示将第二矩阵转换为维度是M×N的复数矩阵(例如S509所述的复数矩阵
)。
表示U2,l的共轭转置向量，
表示{U2,l}的共轭转置矩阵。
需要注意的是，本申请的各个实施例所涉及的所有的公式中，在计数时都是从1开始到某个字母结束，例如公式8中的k取从1到M的整数，即，k＝1,2,…,M。或者，本申请的各个实施例所涉及的部分公式或全部公式，在计数时也可以是从0开始到字母-1结束，例如公式8中的k＝1,2,…,M，也可以替换为k＝0,1,…,(M-1)。
{U1,k}k＝1…M表示空域基向量集合，该空域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的空域基底。U1,k为该空域基向量集合中的第k个向量，该空域基向量集合所包括的向量长度为Ntx(对应下行信道矩阵H的物理意义为经过SVD的特征子空间矩阵)或Ntx×Nrx(对应下行信道矩阵H的物理意义为原始信道)，{U2,l}l＝1…N表示频域基向量集合，该频域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的频域基底，例如，网络设备也可采用DFT公式得到该空域基向量集合和该频域基向量集合。U2,l表示该频域基向量集合中的第l个向量，该频域基向量集合所包括的向量长度为Nsb，当频域颗粒度为1RB时，Nsb＝Nrb。
M和N的取值取决于S505中的预处理的方式。在本申请的各个实施例中，重构的下行信道矩阵所满足的关系(例如公式8)就约束了UE进行预处理的方式。例如，在M和N的取值范围确定的情况下，则重构的下行信道矩阵所满足的关系对于UE来说可以认为是已知的，那么UE就能够确定应该如何进行预处理。可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为正交DFT基向量集合，且Ccomplex不做进一步压缩，则M和N的取值分别等于各自基向量集合所包括的向量长度，即M＝Ntx(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M＝Ntx×Nrx(对应下行信道矩阵H的物理意义为原始信道)，而N＝Nsb。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…M为正交DFT基向量集合，而Ccomplex参考(第二种方式的)步骤4方式3进行压缩，则M和N的取值小于各自基向量集合所包括的向量长度，即M<Ntx(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M<Ntx×Nrx(对应下行信道矩阵H的物理意义为原始信道)，而N<Nsb。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为过采样DFT基向量集合，而Ccomplex不做进一步压缩，则M和N的取值分别等于各自基向量集合所包括的向量长度与过采样系数的乘积，即M＝Ntx×x(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M＝Ntx×Nrx×x(对应下行信道矩阵H的物理意义为原始信道)，而N＝Nsb×y，其中x和y分别为空频过采样系数。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为过采样DFT基向量集合，而Ccomplex参考(第二种方式的)步骤4方式3进行压缩，则M和N的取值小于各自基向量集合所包括的向量长度与过采样系数的乘积，即M<Ntx×x(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M<Ntx×Nrx×x(对应下行信道矩阵H的物理意义为原始信道)，而N<Nsb×y。特别的，为了达到信息压缩的目的，在所述情况下，通常M<Ntx或M<Ntx×Nrx，而N<Nsb。
其中，公式7和公式8获得的重构信道是等价的。公式7表达的是空频投影的反变换，虽然S，F和
的维度可能会随预处理方式的不同而变化，公式7确保它们满足矩阵乘法的维度要求。公式8表达的是端到端的重构公式，即通过CSI获取到PMI反馈的索引indi，恢复成加权系数平面，逐一与对应空频基向量相乘并求和，获得重构后的H′。
应理解，公式8表达的是将PMI中包含的信道信息通过函数q(x)恢复成一些D维向量，然后通过函数fdec(x)将这些D维向量转换为M×N×2的实数矩阵，再求得其复数矩阵形式，获得M×N个加权复系数，最后分别与M个空域基向量和N个频域基向量相乘并求和，获得重构的下行信道特征矩阵H′的一般过程。前述M×N的取值作为举例，而非限定。即，将来由于预处理方法的不同，导致M×N的具体取值不同于前述举例，只要端到端的重构方式符合公式8的所表述的第一关系，理应在本申请实施例的保护范围之内。
公式8对S505的预处理流程还可以有一项限制，当针对Ccomplex做压缩的时候，挑选出来的系数正好是二维矩阵，分别对应空域维度和频域维度(类似方式3)。
2、解码器网络的输出维度为M×2。
这里假设第二矩阵的维度为M×2。假如该第二矩阵维度中的M与待重构的下行信道特征矩阵H’维度相同，则该第二矩阵直接转复数矩阵便可获得相应的复数矩阵
假设待重构的下行信道特征矩阵H’的维度为M1×M2，当M＝M1×M2时，也认为其维度相同，即虽然解码器网络的输出维度和H’不是严格一致，但有效的信道特征总数都是M个，只需要简单的矩阵变换即可等同。
或者，假如该第二矩阵维度中的M与待重构的下行信道特征矩阵H’维度不相同(例如UE在S505中参照第二种方式步骤4的方式1或方式2做了进一步压缩)，则网络设备根据第二矩阵得到重构的下行信道矩阵的信息，一种实现方式为，网络设备将第二矩阵转换为维度是M的复数矩阵，再按照这M个复系数在原Ntx×Nsb二维平面上的位置，将M个复系数填充到相应位置上，原Ntx×Nsb二维平面上的其他位置置0，得到复数矩阵
网络设备将复数矩阵
进行逆变换，获得特征子空间矩阵H’，即重构的下行信道矩阵。为了与前述的特征子空间矩阵相区分，前述的特征子空间矩阵(例如S505中所述的特征子空间矩阵H)可称为第一特征子空间矩阵，这里的特征子空间矩阵H’可称为第二特征子空间矩阵。例如，网络设备将复数矩阵
进行逆变换的过程可参考公式7。
针对解码器网络输出维度为M×2的情况，S509也可以通过一个统一的重构公式表达，可认为，网络设备可采用任意方式获得重构的下行信道矩阵的信息，只要重构的下行信道矩阵的信息满足第二关系即可，而S509中网络设备所执行的步骤(例如S5091和S5092)只是举例，并不是对于网络设备的行为的限定。第二关系包括：
公式10中，{indi}i＝1…S表示第一向量量化字典包括的S个向量的S个索引，也就是PMI所对应的S个向量的S个索引。函数q(x)表示根据第一向量量化字典将S个向量的索引映射为维度是D×S的第一矩阵。函数fdec(x)表示通过解码器网络将第一矩阵重构为维度是M×2的第二矩阵，第一矩阵和第二矩阵均为实数矩阵。函数C(x)表示将第二矩阵转换为维度是M的复数矩阵(例如S509所述的复数矩阵
表示U2,(j,l)的共轭转置向量，
表示{U2,(j,l)}的共轭转置矩阵。
{U1,(j,k)}j＝1…M表示空域基向量集合，该空域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的空域基底。该空域基向量集合所包括的向量长度为Ntx(对应下行信道矩阵H的物理意义为经过SVD的特征子空间矩阵)或Ntx×Nrx(对应下行信道矩阵H的物理意义为原始信道)，
表示频域基向量集合，该频域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的频域基底，例如，网络设备也可采用DFT公式得到该空域基向量集合和该频域基向量集合。该频域基向量集合所包括的向量长度为Nsb，当频域颗粒度为1RB时，Nsb＝Nrb。其中，如果采用公式10，则UE在进行预处理时，可能对空频联合投影得到的复数矩阵Ccomplex进行了进一步压缩，例如UE在S505中参照第二种方式步骤4的方式1或方式2做了进一步压缩，那么得到的是系数矩阵
该系数矩阵所包括的元素是该复数矩阵所包括的元素的子集。该复数矩阵Ccomplex是二维矩阵，对于该系数矩阵的一个元素j来说，可以对应该复数矩阵中的一个元素。该复数矩阵例如为二维矩阵，可以看作一个二维平面，则(j,k)和(j,l)表示该复数矩阵Ccomplex构成的二维平面上的位置映射关系，即，任一个j的取值，在该二维平面上均会唯一对应一组(k,l)，(k,l)是该二维平面上的一个二维坐标点，也就是该复数矩阵中的一个元素。其中，M组(k,l)二维坐标可以由UE发送给网络设备。网络设备获得了M组(k,l)二维坐标，从而根据公式10中的U1,(j,k)和
就可将根据第二矩阵转换得到的维度是M的复数矩阵转换为压缩前的复数矩阵Ccomplex。
M的取值取决于S505预处理的方式，可选的，{U1,(j,k)}j＝1…M和
为正交DFT基底集合，且Ccomplex不做进一步压缩，则M的取值为Ccomplex矩阵的维度乘积，M＝Ntx×Nsb(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M＝Ntx×Nrx×Nsb(对应下行信道矩阵H的物理意义为原始信道)。
可选的，{U1,(j,k)}j＝1…M和
为正交DFT基底集合，且Ccomplex参考(第二种方式的)步骤4方式1或2进行压缩，则M的取值小于Ccomplex矩阵的维度乘积，M<Ntx×Nsb(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M<Ntx×Nrx×Nsb(对应下行信道矩阵H的物理意义为原始信道)。
可选的，{U1,(j,k)}j＝1…M和
为过采样DFT基底集合，且Ccomplex不做进一步压缩，则M的取值为过采样的Ccomplex矩阵的维度乘积，M＝Ntx×x×Nsb×y(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M＝Ntx×Nrx×x×Nsb×y(对应下行信道矩阵H的物理意义为原始信道)。
可选的，{U1,(j,k)}j＝1…M和
为过采样DFT基底集合，且Ccomplex参考(第二种方式的)步骤4方式1或2进行压缩，则M的取值小于过采样的Ccomplex矩阵的维度乘积，M<Ntx×x×Nsb×y(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M<Ntx×Nrx×x×Nsb×y(对应下行信道矩阵H的物理意义为原始信道)。特别的，为了达到信息压缩的目的，在所述情况下，通常M<Ntx×Nsb或M<Ntx×Nrx×Nsb。
其中，公式7和公式10获得的重构信道是等价的。公式7表达的是空频投影的反变换，虽然S，F和
的维度可能会随预处理方式的不同而变化，公式7确保它们满足矩阵乘法的维度要求。公式10表达的是端到端的重构公式，即通过CSI获取到PMI反馈的索引indi，恢复成加权系数向量，逐一与对应空频基向量相乘并求和，获得重构后的H′。
应理解，公式10表达的是将PMI中包含的信道信息通过函数q(x)恢复成一些D维向量，然后通过函数fdec(x)将这些D维向量转换为M×2的实数矩阵，再求得其复数矩阵形式，获得M个加权复系数，最后分别与M组空频基向量相乘并求和，获得重构的下行信道特征矩阵H′的一般过程。前述M的取值作为举例，而非限定。即，将来由于预处理方法的不同，导致M的具体取值不同于前述举例，只要端到端的重构方式符合公式10的所表述的第二关系，理应在本申请实施例的保护范围之内。
通常H是二维矩阵面(空域x频域)，公式10对S505的预处理流程还可以有一项限制，挑选出来的系数需要按照一维向量排列。例如，将H转为一维向量(不做压缩)，或将候选系数矩阵转为一维向量，再挑选能量最大的M个(类似压缩方式1或2)。
3、解码器网络的输出维度为M×N×T×2。
这里假设第二矩阵的维度为M×N×T×2，这种情况通常针对第五种方式，其中T＝Nrx。
假如该第二矩阵维度中的M×N×T与待重构的下行信道特征矩阵H’维度相同，则该第二矩阵直接转复数矩阵便可获得相应的复数矩阵
或者，假如该第二矩阵维度中的M×N×T与待重构的下行信道特征矩阵H’维度不同(例如S505中参照第二种方式步骤4的方式3做了进一步压缩)，则可选的，网络设备将第二矩阵转为复数矩阵，并根据从CSI中获得的M×N个数的位置信息，将该复数矩阵的元素逐个填入与下行信道特征矩阵H’相同维度的全零矩阵中，获得
或者，假如该第二矩阵维度中的M×N×T与待重构的下行信道特征矩阵H’维度不同(例如S505中参照第二种方式步骤4的方式1或2做了进一步压缩)，则可选的，网络设备将第二矩阵转为复数矩阵，并根据从CSI中获得的M个数的位置信息，将该复数序列的元素逐个填入与下行信道特征矩阵H’相同维度的全零矩阵中，获得
网络设备将复数矩阵
进行逆变换，获得特征子空间矩阵H’，即重构的下行信道矩阵。为了与前述的特征子空间矩阵相区分，前述的特征子空间矩阵(例如S505中所述的特征子空间矩阵H)可称为第一特征子空间矩阵，这里的特征子空间矩阵H’可称为第二特征子空间矩阵。例如，网络设备将复数矩阵
进行逆变换的过程可参考公式11。
与公式7相比，公式11所表述的关系中，M×N×T中T这一维度并不参与反变换，等价为在M×N双域平面上的反变换进行T次。
针对解码器网络输出维度为M×N×T的情况，S509也可以通过一个统一的重构公式表达，可认为，网络设备可采用任意方式获得重构的下行信道矩阵的信息，只要重构的下行信道矩阵的信息满足第三关系即可，而S509中网络设备所执行的步骤(例如S5091和S5092)只是举例，并不是对于网络设备的行为的限定。第三关系包括：
公式12中，q(indi)表示第一向量量化字典包括的S个向量的S个索引，也就是PMI所对应的S个向量的S个索引。函数q(x)表示根据第一向量量化字典将S个向量的索引映射为维度是D×S的第一矩阵。函数fdec(x)表示通过解码器网络将第一矩阵重构为维度是M×N×T×2的第二矩阵，T＝Nrx，第一矩阵和第二矩阵均为实数矩阵。函数C(x)表示将第二矩阵转换为维度是M×N×T的复数矩阵(例如S509所述的复数矩阵
)。(x)|t＝1…T在这里表示根据第二矩阵，将T个维度为M×N的矩阵逐一按照公式12进行处理(或者说进行重构)，以得到重构的下行信道矩阵。
表示U2,l的共轭转置向量，
表示{U2,l}的共轭转置矩阵。
{U1,k}k＝1…M表示空域基向量集合，该空域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的空域基底。该空域基向量集合所包括的向量长度为Ntx，{U2,l}l＝1…N表示频域基向量集合，该频域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的频域基底，例如，网络设备也可采用DFT公式得到该空域基向量集合和该频域基向量集合。该频域基向量集合所包括的向量长度为Nsb，当频域颗粒度为1RB时，Nsb＝Nrb。
表示U2,l的共轭转置矩阵。
M和N的取值取决于S505预处理的方式，可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为正交DFT基向量集合，且Ccomplex不做进一步压缩，则M和N的取值分别等于各自基向量集合所包括的向量长度，即M＝Ntx，而N＝Nsb。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为正交DFT基向量集合，而Ccomplex参考(第二种方式的)步骤4方式3进行压缩，则M和N的取值小于各自基向量集合所包括的向量长度，即M<Ntx，而N<Nsb。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为过采样DFT基向量集合，而Ccomplex不做进一步压缩，则M和N的取值分别等于各自基向量集合所包括的向量长度与过采样系数的乘积，即M＝Ntx×x，而N＝Nsb×y，其中x和y分别为空频过采样系数，x和y的取值范围等可参考前文。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为过采样DFT基向量集合，而Ccomplex参考(第二种方式的)步骤4方式3进行压缩，则M和N的取值小于各自基向量集合所包括的向量长度与过采样系数的乘积，即M<Ntx×x，而N<Nsb×y。特别的，为了达到信息压缩的目的，在所述情况下，通常M<Ntx，而N<Nsb。
其中，公式11和公式12获得的重构信道是等价的，公式11表达的是空频投影的反变换，虽然S，F和
的维度可能会随预处理方式的不同而变化，公式11确保它们满足矩阵乘法的维度要求。公式12表达的是端到端的重构公式，即通过CSI获取到PMI反馈的索引indi，恢复成加权系数平面，逐一与对应空频基向量相乘并求和，获得重构后的H′。
应理解，公式12表达的是将PMI中包含的信道信息通过函数q(x)恢复成一些D维向量，然后通过函数fdec(x)将这些D维向量转换为M×N×T×2的实数矩阵，再求得其复数矩阵形式，获得M×N×T个加权复系数，按照维度T逐元素取出M×N的加权复系数，分别与M个空域基向量和N个频域基向量相乘并求和，获得重构的下行信道特征矩阵H′的一般过程。前述M×N的取值作为举例，而非限定。即，将来由于预处理方法的不同，导致M×N的具体取值不同于前述举例，只要端到端的重构方式符合公式12的所表述的第三关系，理应在本申请实施例的保护范围之内。
特别的，公式12对S505的预处理流程还有一项限制，当针对Ccomplex做压缩的时候，挑选出来的系数也必须正好是二维矩阵，分别对应空域维度和频域维度(类似方式3)。
4、解码器网络的输出维度为M×T×2。
这里假设第二矩阵的维度为M×T×2，这种情况通常针对第五种方式，其中T＝Nrx。
例如该第二矩阵维度中的M×T×2与待重构的下行信道特征矩阵H’维度不同(例如S505中参照第二种方式步骤4的方式1或方式2做了进一步压缩)，则可选的，网络设备将第二矩阵转换为维度是T×M的复数矩阵，T×M的复数矩阵包括T个维度是M的复数向量，对于每个维度是M的复数向量，按照CSI上报的M个复系数在原空频二维平面上的位置，将M个复系数填充到相应位置上，其他位置置0，得到复数矩阵
网络设备将复数矩阵
进行逆变换，获得特征子空间矩阵H’的过程可参考公式11。
针对解码器网络输出维度为M×T×2的情况，S509也可以通过一个统一的重构公式表达，可认为，网络设备可采用任意方式获得重构的下行信道矩阵的信息，只要重构的下行信道矩阵的信息满足第四关系即可，而S509中网络设备所执行的步骤(例如S5091和S5092)只是举例，并不是对于网络设备的行为的限定。第四关系包括：
公式13中，q(indi)表示第一向量量化字典包括的S个向量的S个索引，也就是PMI所对应的S个向量的S个索引。函数q(x)表示根据第一向量量化字典将S个向量的索引映射为维度是D×S的第一矩阵。函数fdec(x)表示通过解码器网络将第一矩阵重构为维度是M×T×2的第二矩阵，T＝Nrx，第一矩阵和第二矩阵均为实数矩阵。函数C(x)表示将第二矩阵转换为维度是M×T的复数矩阵(例如S509所述的复数矩阵
)。(x)|t＝1…T在这里表示根据第二矩阵，将T个维度为M的矩阵逐一按照公式13进行处理(或者说进行重构)，以得到重构的下行信道矩阵。
表示U2,(j,l)的共轭转置向量，
表示{U2,(j,l)}的共轭转置矩阵。
{U1,(j,k)}j＝1…M表示空域基向量集合，该空域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的空域基底。该空域基向量集合所包括的向量长度为Ntx，
表示频域基向量集合，该频域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的频域基底，例如，网络设备也可采用DFT公式得到该空域基向量集合和该频域基向量集合。该频域基向量集合所包括的向量长度为Nsb，当频域颗粒度为1RB时，Nsb＝Nrb。
表示U2,(j,l)的共轭转置矩阵。其中(j,k)和(j,l)是Ccomplex二维平面上的位置映射关系，即，任一个j的取值，均会唯一对应一组(k,l)，(k,l)是Ccomplex上的一个二维坐标点，所述M组(k,l)二维坐标可以由UE反馈。
M的取值取决于S505预处理的方式，可选的，{U1,(j,k)}j＝1…M和
为正交DFT基底集合，且Ccomplex不做进一步压缩，则M的取值为Ccomplex矩阵的维度乘积，M＝Ntx×Nsb。
可选的，{U1,(j,k)}j＝1…M和
为正交DFT基底集合，且Ccomplex参考(第二种方式的)步骤4方式1或2进行压缩，则M的取值小于Ccomplex矩阵的维度乘积，M<Ntx×Nsb。
可选的，{U1,(j,k)}j＝1…M和
为过采样DFT基底集合，且Ccomplex不做进一步压缩，则M的取值为过采样的Ccomplex矩阵的维度乘积，M＝Ntx×x×Nsb×y。
可选的，{U1,(j,k)}j＝1…M和
为过采样DFT基底集合，且Ccomplex参考(第二种方式的)步骤4的方式1或2进行压缩，则M的取值小于过采样的Ccomplex矩阵的维度乘积，M<Ntx×x×Nsb×y。特别的，为了达到信息压缩的目的，在所述情况下，通常M<Ntx×Nsb。
其中，公式11和公式13获得的重构信道是等价的。公式11表达的是空频投影的反变换，虽然S，F和
的维度可能会随预处理方式的不同而变化，公式11确保它们满足矩阵乘法的维度要求。公式13表达的是端到端的重构公式，即通过CSI获取到PMI反馈的索引indi，恢复成加权系数向量，逐一与对应空频基向量相乘并求和，获得重构后的H′。
应理解，公式13表达的是将PMI中包含的信道信息通过函数q(x)恢复成一些D维向量，然后通过函数fdec(x)将这些D维向量转换为M×T×2的实数矩阵，再求得其复数矩阵形式，获得M×T个加权复系数，按照维度T逐元素取出M个加权复系数，最后分别与M组空频基向量相乘并求和，获得重构的下行信道特征矩阵H′的一般过程。前述M的取值作为举例，而非限定。即，将来由于预处理方法的不同，导致M的具体取值不同于前述举例，只要端到端的重构方式符合公式13的所表述的第四关系，理应在本申请实施例的保护范围之内。
通常H是二维矩阵面(空域x频域)，公式13对S505的预处理流程还可以有一项限制，挑选出来的系数需要按照一维向量排列。例如，将H转为一维向量(不做压缩)，或将候选系数矩阵转为一维向量，再挑选能量最大的M个(类似压缩方式1或2)。
在本申请实施例中，S501～S506为可选的步骤，另外，S509所包括的S5091和S5092也是可选的步骤。
另外需要注意的是，本申请实施例可以应用于UE-网络设备这种网络架构，或者也可以应用于UE-网络设备-AI模块这种网络架构。其中，该架构中可以包括两个AI模块，其中一个AI模块可以设置在网络设备内部，可实现实时性的推理等功能，其中另一个AI模块可设置在网络设备外部，该AI模块可实现模型训练和/或非实时性功能的推理等。如果本申请实施例应用于UE-网络设备-AI模块这种网络架构，那么例如，离线训练解码器网络、S502所述的网络设备准备NN-CSI网络、以及S509所述的将第一矩阵输入解码器网络以得到第二矩阵等过程，可由AI模块执行。
在本申请实施例中，可根据第一向量量化字典来确定CSI，例如可将PMI通过第一向量量化字典所包括的一个或多个向量的索引来表征，那么对于测量得到的信息，可通过第一向量量化字典所包括的索引来进行量化，则UE可发送量化信息，以节省信令开销。例如用于量化的向量的维度一般比较大，相当于对信息进行了扩维或者尽可能保持较高维度，也可以提高量化精度。此外，可选的，配合编码器网络和解码器网络，可以对原始的信道矩阵进行压缩，也就是说，可以不从原始的信道矩阵中提取部分系数进行反馈，而是利用网络对原始的信道矩阵进行整体压缩，这种情况下能够减少丢弃的信息，由此可以减少压缩损失。而且本申请实施例借助了VQ-AE网络，在VQ-AE网络中，量化和压缩的网络是联合设计的，从而压缩和量化之间能够实现联合优化，以减小性能的损失，进而整体上提高所反馈的信道状态信息的准确性。另外，本申请实施例可以约束神经网络的输入输出维度(例如编码器的输入输出维度，和/或解码器的输入输出维度)，由此可以调整CSI反馈的复杂度，突出了通过神经网络来对下行信道矩阵进行压缩的优势。
在图5所示的实施例中进行了复数矩阵与实数矩阵之间的转换，那么UE需要将复数矩阵转换为实数矩阵，网络设备需要将实数矩阵转换为复数矩阵。接下来介绍本申请实施例提供的第二种通信方法，通过该方法可减少矩阵的转换过程，简化处理复杂度。请参考图6，为该方法的流程图。
S601、网络设备向UE发送配置信息，相应的，UE从网络设备接收该配置信息。例如将该配置信息称为配置信息1，或者称为第三配置信息，第三配置信息可用于配置CSI的测量。
关于S601的更多内容，可参考图5所示的实施例中的S501。
S602、UE准备NN-CSI网络，网络设备准备NN-CSI网络。
关于S602的更多内容，可参考图5所示的实施例中的S502。
S603、网络设备向UE发送参考信号，相应的，UE从网络设备接收参考信号。
网络设备可根据第三配置信息向UE发送参考信号。
S604、UE获得下行信道矩阵。
关于S604的更多内容，可参考图5所示的实施例中的S504。
S605、UE对下行信道矩阵进行预处理。
例如，UE得到复数矩阵Ccomplex的方式可参考图5所示的实施例中S505所介绍的第一种方式至第五种方式中的任一种方式。在图5所示的实施例的S505中，第一种方式至第五种方式中，要将复数矩阵Ccomplex转换为实数矩阵，而本申请实施例中，UE无论采用如上哪种方式得到复数矩阵Ccomplex，都无需将复数矩阵Ccomplex转换为实数矩阵。也就是说，本申请实施例中预处理的结果就是得到了复数矩阵Ccomplex，该复数矩阵Ccomplex可能是根据图5所示的实施例的S505所述的五种方式的任一种方式得到的。
S606、UE根据复数矩阵和编码器网络，得到编码器网络的输出矩阵。例如，UE将复数矩阵输入编码器网络，从而得到编码器网络的输出矩阵。例如将编码器网络的输出矩阵称为第二输出矩阵。例如UE和网络设备当前所应用的参考网络是第一参考网络，第一参考网络包括第一参考编码器网络和第一参考解码器网络。协议可能不会约束实际应用的编码器网络是否为参考编码器网络，但可能会约束实际应用的编码器网络和与之对应的参考解码器网络的评估性能需要满足协议给定的指标，因此UE当前使用的编码器网络的特征可根据第一参考编码器网络的特征确定，例如UE当前应用的编码器网络的输入维度是根据第一参考编码器网络的输入维度确定的，例如UE当前应用的编码器网络的输入维度等于第一参考编码器网络的输入维度。同理，例如UE当前应用的编码器网络的输出维度也是根据第一参考编码器网络的输出维度确定的，例如UE当前应用的编码器网络的输出维度等于第一参考编码器网络的输出维度。
例如，UE通过预处理过程得到了维度为M×N的复数矩阵，编码器网络的输入维度(或者说，编码器网络的输入矩阵的维度)为M×N，该复数矩阵就是编码器网络的输入矩阵。UE将复数矩阵
作为编码器网络的输入，推断得到编码器网络的输出
其中，la表示第一输出矩阵，第一输出矩阵是维度为D×P×Q的实数矩阵，或者，第一输出矩阵是维度为D×P×Q的复数矩阵。例如认为S＝P×Q，因此也可理解为，编码器网络的输出维度为D×S。本申请实施例中，例如M≤Ntx,N≤Nsb，S≤M×N，或者，M＝Ntx×x，N＝Nsb×y，S≤(Ntx×x)×(Nsb×y)。其中，x和y都大于1，或者，x等于1且y大于1，或者，x大于1且y等于1。
又例如，UE通过预处理过程得到了维度为M的复数矩阵，编码器网络的输入维度(或者说，编码器网络的输入矩阵的维度)为M，该复数矩阵就是编码器网络的输入矩阵。UE将复数矩阵
作为编码器网络的输入，推断得到编码器网络的输出
其中，la表示第一输出矩阵，第一输出矩阵是维度为D×S的实数矩阵，包括S个长度为D的实向量，或者，第一输出矩阵是维度为D×S的复数矩阵，包括S个长度为D的复向量，可理解为，编码器网络的输出维度为D×S。本申请实施例中，例如M≤Ntx×Nsb×z，S≤M。
再例如，UE通过预处理过程得到了维度为M×N×T的复数矩阵，编码器网络的输入维度(或者说，编码器网络的输入矩阵的维度)为M×N×T，该复数矩阵就是编码器网络的输入矩阵。UE将复数矩阵
作为编码器网络的输入，推断得到编码器网络的输出
其中，la表示第一输出矩阵，第一输出矩阵是维度为D×P×Q×R的实数矩阵，或者，第一输出矩阵是维度为D×P×Q×R的复数矩阵。例如认为S＝P×Q×R，因此也可理解为，编码器网络的输出维度为D×S。本申请实施例中，例如M＝Nrx，N＝Ntx，T＝Nsb，S≤Nrx×Ntx×Nsb。
S607、UE确定CSI。关于第一向量量化字典的解释等内容，可参考图5所示的实施例中的S507。
例如，UE可根据第一向量量化字典对第二输出矩阵进行量化处理，以得到CSI，从而根据CSI可以恢复下行信道矩阵。其中，UE可直接根据第一向量量化字典对第二输出矩阵进行量化处理，或者，UE也可将第二输出矩阵进行相应处理后，再根据第一向量量化字典对处理后的第一输出矩阵进行量化处理，本申请实施例以UE直接根据第一向量量化字典对第二输出矩阵进行量化处理为例。
第一向量量化字典的维度例如为D×E，编码器网络的输出维度为
假设
是la中的任一列向量，UE在第一向量量化字典中确定与
最相似的向量或者相似程度大于阈值的向量，并返回该最向量的索引Indi。在遍历
中的S个列向量后，UE可以获得一个维度为1×S的索引矩阵。关于这部分内容的更多介绍，也可参考图5所示的实施例中的S507。其中，如果第一向量量化字典为实数矩阵，且第一输出矩阵是实数矩阵，则在第一向量量化字典中确定与
最相似的向量，例如通过前述的公式5确定。
或者，如果第一向量量化字典为复数矩阵，且第一输出矩阵是复数矩阵，则在第一向量量化字典中确定与
最相似的向量，例如通过如下方式确定：
其中，Dicj表示第一向量量化字典中的第j个向量，
是将Dicj进行共轭转置得到的。‖x‖表示求x的范数，|x|表示求x的绝对值。
通过公式14，可以将连续的浮点信道表征用离散的索引所代表的向量近似表示，这一步处理所带来的误差可以认为是量化误差。sc
例如，如果第一输出矩阵是复数矩阵，则采用公式14，而如果第一输出矩阵是实数矩阵，则采用公式6。当然这只是一种示例，并不是具体限制，例如，即使第一输出矩阵是复数矩阵，也可采用公式6(例如公式6可根据复数矩阵进行相应的变动)，而即使第一输出矩阵是实数矩阵，也可采用公式14(例如公式14可根据实数矩阵进行相应的变动)。
该索引矩阵可作为PMI，或者，UE还可将索引矩阵转换为二进制比特流，该二进制比特流可作为PMI。
S608、UE向网络设备发送CSI，相应的，网络设备从UE接收该CSI。
关于S608的更多内容，可参考图5所示的实施例中的S508。
S609、网络设备根据S个索引和第一向量量化字典，可得到重构的下行信道矩阵的信息。
例如重构的下行信道矩阵信息就是重构的下行信道矩阵本身，或者重构的下行信道矩阵的信息不是重构的下行信道矩阵，但根据该信息能够得到重构的下行信道矩阵或者能够确定下行信道的传输参数。
该S个索引也就是CSI(或者PMI)所包括的第一向量量化字典内的S个向量的S个索引。例如UE和网络设备当前所应用的参考网络是第一参考网络，第一参考网络包括第一参考编码器网络和第一参考解码器网络。协议可能不会约束实际应用的解码器网络是否为协议预定义的参考解码器网络，但可能会约束实际应用的解码器网络和与之对应的参考编码器网络的评估性能需要满足协议给定的指标，因此网络设备当前使用的解码器网络的特征可根据第一参考解码器网络的特征确定，例如网络设备当前应用的解码器网络的输入维度是根据第一参考解码器网络的输入维度确定的，例如网络设备当前应用的解码器网络的输入维度等于第一参考解码器网络的输入维度。同理，例如网络设备当前应用的编码器网络的输出维度也是根据第一参考解码器网络的输出维度确定的，例如网络设备当前应用的解码器网络的输出维度等于第一参考解码器网络的输出维度。
其中，S609可包括多个步骤，下面进行介绍。
S6091、网络设备根据第一向量量化字典对CSI进行反映射，得到第一矩阵。或者理解为，网络设备根据第一向量量化字典对CSI所包括的PMI进行反映射，得到第一矩阵，第一矩阵为复数矩阵。
关于S6091的更多内容，可参考图5所示的实施例中的S5091。
S6092、网络设备根据第一矩阵和解码器网络，得到重构的下行信道矩阵的信息。
例如，网络设备可将第一矩阵输入解码器网络，解码器网络输出的矩阵称为第二矩阵，网络设备再根据第二矩阵得到重构的下行信道矩阵的信息。
例如第一矩阵的维度为D×S，网络设备将第一矩阵输入解码器网络，通过解码器网络可推断得到第二矩阵。如果编码器网络的输入维度为M×N，则第二矩阵的维度为M×N。也就是说，通过解码器网络，可将第一矩阵重构为维度是M×N的第二矩阵，第二矩阵也是复数矩阵。可理解为，解码器网络的输入维度为D×P×Q，其中S＝P×Q，输出维度为M×N。其中，对于M、N和S的取值等内容，可参考S606的介绍。
或者，如果编码器网络的输入维度为M，则第二矩阵的维度为M。也就是说，通过解码器网络，可将第一矩阵重构为维度是M的第二矩阵，第二矩阵也是复数矩阵。可理解为，解码器网络的输入维度为D×S，输出维度为M。其中，对于M和S的取值等内容，可参考S606的介绍。
或者，如果编码器网络的输入维度为M×N×T，则第二矩阵的维度为M×N×T。也就是说，通过解码器网络，可将第一矩阵重构为维度是M×N×T的第二矩阵，第二矩阵也是复数矩阵。可理解为，解码器网络的输入维度为D×P×Q×R，输出维度为M×N×T。其中，对于M、N、T和S的取值等内容，可参考S606的介绍。
根据解码器网络输出维度的不同，网络设备根据第二矩阵得到重构的下行信道矩阵的信息的方式也可以有所不同，下面举例介绍。
1、解码器网络的输出维度为M×N。
这里假设第二矩阵的维度为M×N×2，假如该第二矩阵维度中的M×N与待重构的下行信道特征矩阵H’维度相同，则该第二矩阵直接参考以下实数矩阵转复数矩阵的方式便可获得相应的复数矩阵
如果实数矩阵是2维矩阵，例如
则其对应的复数矩阵通常是1维向量，例如表示为
或者，如果实数矩阵是3维矩阵，例如
则其对应的复数矩阵通常是2维矩阵，例如表示为
或者，如果实数矩阵是4维矩阵，例如
则其对应的复数矩阵通常是3维矩阵，例如表示为
更高维度的实数矩阵转复数矩阵的方法可以以此类推。
或者，假如该第二矩阵维度中的M×N与待重构的下行信道特征矩阵H’维度不相同(例如S505中参照第二种方式步骤4的方式3做了进一步压缩)，则可选的，可参考公式7，网络设备将第二矩阵转为复数矩阵，并根据从CSI中获得的M×N个数的位置信息，将该复数矩阵的元素依照该元素对应的位置逐个填入与下行信道特征矩阵H’相同维度的全零矩阵中，相当于对压缩的信息进行恢复，获得
其中，UE所发送的CSI可以包括该M×N个数的位置信息。
网络设备将复数矩阵
进行逆变换，获得特征子空间矩阵
即重构的下行信道矩阵。
其中，为了与前述的特征子空间矩阵相区分，前述的特征子空间矩阵(例如S505中所述的特征子空间矩阵H)可称为第一特征子空间矩阵，这里的特征子空间矩阵H’可称为第二特征子空间矩阵。网络设备将复数矩阵
进行逆变换获得第二特征子空间矩阵的方式，可参考前述公式7。
针对解码器网络输出维度为M×N×2的情况，S509也可以通过一个统一的重构公式表达，可认为，网络设备可采用任意方式获得重构的下行信道矩阵的信息，只要重构的下行信道矩阵的信息满足第五关系即可，而S509中网络设备所执行的步骤(例如S5091和S5092)只是举例，并不是对于网络设备的行为的限定。第五关系包括：
公式15中，{indi}i＝1…S表示第一向量量化字典包括的S个向量的S个索引，也就是PMI所对应的S个向量的S个索引。函数q(x)表示根据第一向量量化字典将S个向量的索引映射为维度是D×S的第一矩阵。函数fdec(x)表示通过解码器网络将第一矩阵重构为维度是M×N×2的第二矩阵，第一矩阵和第二矩阵均为实数矩阵。
表示U2,l的共轭转置向量，
表示{U2,l}的共轭转置矩阵。
{U1,k}k＝1…M表示空域基向量集合，该空域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的空域基底。该空域基向量集合所包括的向量长度为Ntx(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或Ntx×Nrx(对应下行信道矩阵H的物理意义为原始信道)，{U2,l}l＝1…N表示频域基向量集合，该频域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的频域基底，例如，网络设备也可采用DFT公式得到该空域基向量集合和该频域基向量集合。该频域基向量集合所包括的向量长度为Nsb，当频域颗粒度为1RB时，Nsb＝Nrb。
M和N的取值取决于S605预处理的方式，例如UE采用何种方式进行预处理，可通过协议规定，或者网络设备可向UE发送信令，以指示预处理的方式。可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为正交DFT基向量集合，且Ccomplex不做进一步压缩，则M和N的取值分别等于各自基向量集合所包括的向量长度，即M＝Ntx(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M＝Ntx×Nrx(对应下行信道矩阵H的物理意义为原始信道)，而N＝Nsb。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为正交DFT基向量集合，而Ccomplex参考(第二种方式的)步骤4方式3进行压缩，则M和N的取值小于各自基向量集合所包括的向量长度，即M<Ntx(对应下行信道矩阵H的物理意义为经过SVD的特征子空间矩阵)或M<Ntx×Nrx(对应下行信道矩阵H的物理意义为原始信道)，而N<Nsb。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为过采样DFT基向量集合，而Ccomplex不做进一步压缩，则M和N的取值分别等于各自基向量集合所包括的向量长度与过采样系数的乘积，即M＝Ntx×x(对应下行信道矩阵H的物理意义为经过SVD的特征子空间矩阵)或M＝Ntx×Nrx×x(对应下行信道矩阵H的物理意义为原始信道)，而N＝Nsb×y，其中x和y分别为空频过采样系数。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为过采样DFT基向量集合，而Ccomplex参考(第二种方式的)步骤4方式3进行压缩，则M和N的取值小于各自基向量集合所包括的向量长度与过采样系数的乘积，即M<Ntx×x(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M<Ntx×Nrx×x(对应下行信道矩阵H的物理意义为原始信道)，而N<Nsb×y。特别的，为了达到信息压缩的目的，在所述情况下，通常M<Ntx或M<Ntx×Nrx，而N<Nsb。
其中，公式7和公式15获得的重构信道是等价的。公式7表达的是空频投影的反变换，虽然S，F和
的维度可能会随预处理方式的不同而变化，公式7确保它们满足矩阵乘法的维度要求。公式15表达的是端到端的重构公式，即通过CSI获取到PMI反馈的索引indi，恢复成加权系数平面，逐一与对应空频基向量相乘并求和，获得重构后的H′。
应理解，公式15表达的是将PMI中包含的信道信息通过函数q(x)恢复成一些D维向量，然后通过函数fdec(x)将这些D维向量转换为M×N×2的实数矩阵，再求得其复数矩阵形式，获得M×N个加权复系数，最后分别与M个空域基向量和N个频域基向量相乘并求和，获得重构的下行信道特征矩阵H′的一般过程。前述M×N的取值作为举例，而非限定。即，将来由于预处理方法的不同，导致M×N的具体取值不同于前述举例，只要端到端的重构方式符合公式15的所表述的第五关系，理应在本申请实施例的保护范围之内。
特别的，公式15对S505的预处理流程还有一项限制，当针对Ccomplex做压缩的时候，挑选出来的系数也必须正好是二维矩阵，分别对应空域维度和频域维度(类似方式3)。
2、解码器网络的输出维度为M。
假设第二矩阵的维度为M×2。假如该第二矩阵维度中的M与待重构的下行信道特征矩阵H’维度相同，则该第二矩阵直接转复数矩阵便可获得相应的复数矩阵
特别的，假设待重构的下行信道特征矩阵H’的维度为M1×M2，当M＝M1×M2时，也认为其维度相同，即虽然解码器网络的输出维度和H’不是严格一致，但有效的信道特征总数都是M个，只需要简单的矩阵变换即可等同。
或者，假如该第二矩阵维度中的M与待重构的下行信道特征矩阵H’维度不相同(例如由于S505参照第二种方式步骤4的方式1和2做了进一步压缩)，则网络设备根据第二矩阵得到重构的下行信道矩阵的信息，一种实现方式为，网络设备将第二矩阵转换为维度是M的复数矩阵，再按照这M个复系数在原Ntx×Nsb二维平面上的位置，将M个复系数填充到相应位置上，原Ntx×Nsb二维平面上的其他位置置0，得到复数矩阵
网络设备将复数矩阵
进行逆变换，获得特征子空间矩阵H’，即重构的下行信道矩阵。为了与前述的特征子空间矩阵相区分，前述的特征子空间矩阵(例如S505中所述的特征子空间矩阵H)可称为第一特征子空间矩阵，这里的特征子空间矩阵H’可称为第二特征子空间矩阵。例如，网络设备将复数矩阵
进行逆变换的过程可参考公式7。
针对解码器网络输出维度为M×2的情况，S509也可以通过一个统一的重构公式表达，可认为，网络设备可采用任意方式获得重构的下行信道矩阵的信息，只要重构的下行信道矩阵的信息满足第六关系即可，而S509中网络设备所执行的步骤(例如S5091和S5092)只是举例，并不是对于网络设备的行为的限定。第六关系包括：
公式16中，{indi}i＝1…S表示第一向量量化字典包括的S个向量的S个索引，也就是PMI所对应的S个向量的S个索引。函数q(x)表示根据第一向量量化字典将S个向量的索引映射为维度是D×S的第一矩阵。函数fdec(x)表示通过解码器网络将第一矩阵重构为维度是M×2的第二矩阵，第一矩阵和第二矩阵均为实数矩阵。
表示U2,(j,l)的共轭转置向量，
表示{U2,(j,l)}的共轭转置矩阵。
{U1,(j,k)}j＝1…M表示空域基向量集合，该空域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的空域基底。该空域基向量集合所包括的向量长度为Ntx(对应下行信道矩阵H的物理意义为经过SVD的特征子空间矩阵)或Ntx×Nrx(对应下行信道矩阵H的物理意义为原始信道)，
表示频域基向量集合，该频域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的频域基底，例如，网络设备也可采用DFT公式得到该空域基向量集合和该频域基向量集合。该频域基向量集合所包括的向量长度为Nsb，当频域颗粒度为1RB时，Nsb＝Nrb。关于(j,k)和(j,l)的解释，可参考图5所示的实施例。
M的取值取决于S605预处理的方式，可选的，{U1,(j,k)}j＝1…M和
为正交DFT基底集合，且Ccomplex不做进一步压缩，则M的取值为Ccomplex矩阵的维度乘积，M＝Ntx×Nsb(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M＝Ntx×Nrx×Nsb(对应下行信道矩阵H的物理意义为原始信道)。
可选的，{U1,(j,k)}j＝1…M和
为正交DFT基底集合，且Ccomplex参考(第二种方式的)步骤4方式1或2进行压缩，则M的取值小于Ccomplex矩阵的维度乘积，M<Ntx×Nsb(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M<Ntx×Nrx×Nsb(对应下行信道矩阵H的物理意义为原始信道)。
可选的，{U1,(j,k)}j＝1…M和
为过采样DFT基底集合，且Ccomplex不做进一步压缩，则M的取值为过采样的Ccomplex矩阵的维度乘积，M＝Ntx×x×Nsb×y(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M＝Ntx×Nrx×x×Nsb×y(对应下行信道矩阵H的物理意义为原始信道)。
可选的，{U1,(j,k)}j＝1…M和
为过采样DFT基底集合，且Ccomplex参考(第二种方式的)步骤4方式1或2进行压缩，则M的取值小于过采样的Ccomplex矩阵的维度乘积，M<Ntx×x×Nsb×y(对应下行信道矩阵H的物理意义为经过svd的特征子空间矩阵)或M<Ntx×Nrx×x×Nsb×y(对应下行信道矩阵H的物理意义为原始信道)。特别的，为了达到信息压缩的目的，在所述情况下，通常M<Ntx×Nsb或M<Ntx×Nrx×Nsb。
其中，公式7和公式16获得的重构信道是等价的。公式7表达的是空频投影的反变换，虽然S，F和
的维度可能会随预处理方式的不同而变化，公式7确保它们满足矩阵乘法的维度要求。公式16表达的是端到端的重构公式，即通过CSI获取到PMI反馈的索引indi，恢复成加权系数向量，逐一与对应空频基向量相乘并求和，获得重构后的H′。
应理解，公式16表达的是将PMI中包含的信道信息通过函数q(x)恢复成一些D维向量，然后通过函数fdec(x)将这些D维向量转换为M×2的实数矩阵，再求得其复数矩阵形式，获得M个加权复系数，最后分别与M组空频基向量相乘并求和，获得重构的下行信道特征矩阵H′的一般过程。前述M的取值作为举例，而非限定。即，将来由于预处理方法的不同，导致M的具体取值不同于前述举例，只要端到端的重构方式符合公式16的所表述的第六关系，理应在本申请实施例的保护范围之内。
特别的，通常H是二维矩阵面(空域x频域)，公式16对S505的预处理流程还有一项限制，挑选出来的系数需要按照一维向量排列。例如，将H转为一维向量(不做压缩)，或将候选系数矩阵转为一维向量，再挑选能量最大的M个(类似压缩方式1或2)。
3、解码器网络的输出维度为M×N×T×2。
这里假设第二矩阵的维度为M×N×T×2，这种情况通常只针对第五种方式，其中T＝Nrx。
假如该第二矩阵维度中的M×N×T与待重构的下行信道特征矩阵H’维度相同，则该第二矩阵直接转复数矩阵便可获得相应的复数矩阵
或者，假如该第二矩阵维度中的M×N×T与待重构的下行信道特征矩阵H’维度不同(例如S505中参照第二种方式步骤4的方式3做了进一步压缩)，则可选的，网络设备将第二矩阵转为复数矩阵，并根据从CSI中获得的M×N个数的位置信息，将该复数矩阵的元素逐个填入与下行信道特征矩阵H’相同维度的全零矩阵中，获得
或者，假如该第二矩阵维度中的M×N×T与待重构的下行信道特征矩阵H’维度不同(例如S505中参照第二种方式步骤4的方式1或2做了进一步压缩)，则可选的，网络设备将第二矩阵转为复数矩阵，并根据从CSI中获得的M个数的位置信息，将该复数序列的元素逐个填入与下行信道特征矩阵H’相同维度的全零矩阵中，获得
网络设备将复数矩阵
进行逆变换，获得特征子空间矩阵H’，即重构的下行信道矩阵。为了与前述的特征子空间矩阵相区分，前述的特征子空间矩阵(例如S505中所述的特征子空间矩阵H)可称为第一特征子空间矩阵，这里的特征子空间矩阵H’可称为第二特征子空间矩阵。例如，网络设备将复数矩阵
进行逆变换的过程可参考前述公式11。
针对解码器网络输出维度为M×N×T的情况，S509也可以通过一个统一的重构公式表达，可认为，网络设备可采用任意方式获得重构的下行信道矩阵的信息，只要重构的下行信道矩阵的信息满足第七关系即可，而S509中网络设备所执行的步骤(例如S5091和S5092)只是举例，并不是对于网络设备的行为的限定。第七关系包括：
公式17中，q(indi)表示第一向量量化字典包括的S个向量的S个索引，也就是PMI所对应的S个向量的S个索引。函数q(x)表示根据第一向量量化字典将S个向量的索引映射为维度是D×S的第一矩阵。函数fdec(x)表示通过解码器网络将第一矩阵重构为维度是M×N×T×2的第二矩阵，T＝Nrx，第一矩阵和第二矩阵均为实数矩阵。(x)|t＝1…T在这里表示根据第二矩阵，将T个维度为M×N的矩阵逐一按照公式17进行处理(或者说进行重构)，以得到重构的下行信道矩阵。
表示
的共轭转置向量，
表示{U2,l}的共轭转置矩阵。
{U1,k}k＝1…M表示空域基向量集合，该空域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的空域基底。该空域基向量集合所包括的向量长度为Ntx，{U2,l}l＝1…N表示频域基向量集合，该频域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的频域基底，例如，网络设备也可采用DFT公式得到该空域基向量集合和该频域基向量集合。该频域基向量集合所包括的向量长度为Nsb，当频域颗粒度为1RB时，Nsb＝Nrb。
M和N的取值取决于S605预处理的方式，可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为正交DFT基向量集合，且Ccomplex不做进一步压缩，则M和N的取值分别等于各自基向量集合所包括的向量长度，即M＝Ntx，而N＝Nsb。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为正交DFT基向量集合，而Ccomplex参考(第二种方式的)步骤4方式3进行压缩，则M和N的取值小于各自基向量集合所包括的向量长度，即M<Ntx，而N<Nsb。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为过采样DFT基向量集合，而Ccomplex不做进一步压缩，则M和N的取值分别等于各自基向量集合所包括的向量长度与过采样系数的乘积，即M＝Ntx×x，而N＝Nsb×y，其中x和y分别为空频过采样系数。
可选的，{U1,k}k＝1…M和{U2,l}l＝1…N为过采样DFT基向量集合，而Ccomplex参考(第二种方式的)步骤4的方式3进行压缩，则M和N的取值小于各自基向量集合所包括的向量长度与过采样系数的乘积，即M<Ntx×x，而N<Nsb×y。特别的，为了达到信息压缩的目的，在所述情况下，通常M<Ntx，而N<Nsb。
其中，公式11和公式17获得的重构信道是等价的，公式11表达的是空频投影的反变换，虽然S，F和
的维度可能会随预处理方式的不同而变化，公式11确保它们满足矩阵乘法的维度要求。公式17表达的是端到端的重构公式，即通过CSI获取到PMI反馈的索引indi，恢复成加权系数平面，逐一与对应空频基向量相乘并求和，获得重构后的H′。
应理解，公式17表达的是将PMI中包含的信道信息通过函数q(x)恢复成一些D维向量，然后通过函数fdec(x)将这些D维向量转换为M×N×T×2的实数矩阵，再求得其复数矩阵形式，获得M×N×T个加权复系数，按照维度T逐元素取出M×N的加权复系数，分别与M个空域基向量和N个频域基向量相乘并求和，获得重构的下行信道特征矩阵H′的一般过程。前述M×N的取值作为举例，而非限定。即，将来由于预处理方法的不同，导致M×N的具体取值不同于前述举例，只要端到端的重构方式符合公式17的所表述的第七关系，理应在本申请实施例的保护范围之内。
特别的，公式17对S505的预处理流程还有一项限制，当针对Ccomplex做压缩的时候，挑选出来的系数也必须正好是二维矩阵，分别对应空域维度和频域维度(类似方式3)。
4、解码器网络的输出维度为M×T×2。
这里假设第二矩阵的维度为M×T×2，这种情况通常只针对第五种方式，其中T＝Nrx。
例如该第二矩阵维度中的M×T×2与待重构的下行信道特征矩阵H’维度不同(例如S505中参照第二种方式步骤4的方式1或方式2做了进一步压缩)，则可选的，网络设备将第二矩阵转换为维度是T×M的复数矩阵，T×M的复数矩阵包括T个维度是M的复数向量，对于每个维度是M的复数向量，按照CSI上报的M个复系数在原空频二维平面上的位置，将M个复系数填充到相应位置上，其他位置置0，得到复数矩阵
网络设备将复数矩阵
进行逆变换，获得特征子空间矩阵H’的过程可参考公式11。
针对解码器网络输出维度为M×T×2的情况，S509也可以通过一个统一的重构公式表达，可认为，网络设备可采用任意方式获得重构的下行信道矩阵的信息，只要重构的下行信道矩阵的信息满足第八关系即可，而S509中网络设备所执行的步骤(例如S5091和S5092)只是举例，并不是对于网络设备的行为的限定。第八关系包括：
公式18中，q(indi)表示第一向量量化字典包括的S个向量的S个索引，也就是PMI所对应的S个向量的S个索引。函数q(x)表示根据第一向量量化字典将S个向量的索引映射为维度是D×S的第一矩阵。函数fdec(x)表示通过解码器网络将第一矩阵重构为维度是M×T×2的第二矩阵，T＝Nrx，第一矩阵和第二矩阵均为实数矩阵。函数C(x)表示将第二矩阵转换为维度是M×T的复数矩阵(例如S509所述的复数矩阵
)。(x)|t＝1…T在这里表示根据第二矩阵，将T个维度为M的矩阵逐一按照公式18进行处理(或者说进行重构)，以得到重构的下行信道矩阵。
表示U2,(j,l)的共轭转置向量，
表示{U2,(j,l)}的共轭转置矩阵。
{U1,(j,k)}j＝1…M表示空域基向量集合，该空域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的空域基底。该空域基向量集合所包括的向量长度为Ntx，
表示频域基向量集合，该频域基向量集合例如为前文所介绍的，UE在进行空频联合投影时使用的频域基底，例如，网络设备也可采用DFT公式得到该空域基向量集合和该频域基向量集合。该频域基向量集合所包括的向量长度为Nsb，当频域颗粒度为1RB时，Nsb＝Nrb。其中(j,k)和(j,l)是Ccomplex二维平面上的位置映射关系，即，任一个j的取值，均会唯一对应一组(k,l)，(k,l)是Ccomplex上的一个二维坐标点，所述M组(k,l)二维坐标可以由UE反馈。
M的取值取决于S605预处理的方式，可选的，{U1,(j,k)}j＝1…M和
为正交DFT基底集合，且Ccomplex不做进一步压缩，则M的取值为Ccomplex矩阵的维度乘积，M＝Ntx×Nsb。
可选的，{U1,(j,k)}j＝1…M和
为正交DFT基底集合，且Ccomplex参考(第二种方式的)步骤4方式1或2进行压缩，则M的取值小于Ccomplex矩阵的维度乘积，M<Ntx×Nsb。
可选的，{U1,(j,k)}j＝1…M和
为过采样DFT基底集合，且Ccomplex不做进一步压缩，则M的取值为过采样的Ccomplex矩阵的维度乘积，M＝Ntx×x×Nsb×y。
可选的，{U1,(j,k)}j＝1…M和
为过采样DFT基底集合，且Ccomplex参考(第二种方式的)步骤4的方式1或2进行压缩，则M的取值小于过采样的Ccomplex矩阵的维度乘积，M<Ntx×x×Nsb×y。特别的，为了达到信息压缩的目的，在所述情况下，通常M<Ntx×Nsb。
其中，公式11和公式18获得的重构信道是等价的。公式11表达的是空频投影的反变换，虽然S，F和
的维度可能会随预处理方式的不同而变化，公式11确保它们满足矩阵乘法的维度要求。公式18表达的是端到端的重构公式，即通过CSI获取到PMI反馈的索引indi，恢复成加权系数向量，逐一与对应空频基向量相乘并求和，获得重构后的H′。
应理解，公式18表达的是将PMI中包含的信道信息通过函数q(x)恢复成一些D维向量，然后通过函数fdec(x)将这些D维向量转换为M×T×2的实数矩阵，再求得其复数矩阵形式，获得M×T个加权复系数，按照维度T逐元素取出M个加权复系数，最后分别与M组空频基向量相乘并求和，获得重构的下行信道特征矩阵H′的一般过程。前述M的取值作为举例，而非限定。即，将来由于预处理方法的不同，导致M的具体取值不同于前述举例，只要端到端的重构方式符合公式18的所表述的第八关系，理应在本申请实施例的保护范围之内。
特别的，通常H是二维矩阵面(空域x频域)，公式18对S505的预处理流程还有一项限制，挑选出来的系数需要按照一维向量排列。例如，将H转为一维向量(不做压缩)，或将候选系数矩阵转为一维向量，再挑选能量最大的M个(类似压缩方式1或2)。
在本申请实施例中，S601～S606为可选的步骤，另外，S609所包括的S6091和S6092也是可选的步骤。
另外需要注意的是，本申请实施例可以应用于UE-网络设备这种网络架构，或者也可以应用于UE-网络设备-AI节点这种网络架构。如果本申请实施例应用于UE-网络设备-AI节点这种网络架构，那么例如，离线训练解码器网络、S602所述的网络设备准备NN-CSI网络、以及S609所述的将第一矩阵输入解码器网络以得到第二矩阵等过程，可由AI节点执行。
在本申请实施例中，可根据第一向量量化字典来确定CSI，例如可将PMI通过第一向量量化字典所包括的一个或多个向量的索引来表征，那么对于测量得到的信息，均可通过第一向量量化字典所包括的索引来进行量化。由于向量的维度一般比较大，相当于对信息进行了扩维，可以提高量化精度。此外，配合编码器网络和解码器网络，可以对原始的信道矩阵进行压缩，由此可以减少压缩损失。而且本申请实施例借助了VQ-AE网络，在VQ-AE网络中，量化和压缩的网络是联合设计的，从而压缩和量化之间能够实现联合优化，以减小性能的损失，进而整体上提高所反馈的信道状态信息的准确性。另外，本申请实施例约束了神经网络的输入输出维度(例如编码器的输入输出维度，和/或解码器的输入输出维度)，由此可以调整CSI反馈的复杂度，突出了通过神经网络来对下行信道矩阵进行压缩的优势。另外，本申请实施例无需进行复数矩阵和实数矩阵之间的转换，能够节省CSI反馈的流程，提高反馈效率，且简化实现复杂度。另外，采用复数网络，无论从卷积的方式或损失函数的设计等方面都能够考虑复数信号的物理意义，更为适合通信信号的处理，有助于保留通信复数信号的原始相位信息。
在图5所示的实施例和图6所示的实施例中都涉及到了向量量化字典，对于UE确定向量量化字典的方式，可以如图5所示的实施例或图6所示的实施例的介绍，或者，向量量化字典也可以采用在线更新的方式，这样可以更有利于使得向量量化字典能够符合网络的实际情况。或者，UE既可以按照图5所示的实施例或图6所示的实施例介绍的方式确定向量量化字典，且向量量化字典也可以实现在线更新(即，也能按照本申请实施例介绍的方式确定向量量化字典)。可参考图7，为本申请实施例提供的第三种通信方法的流程图，通过该方法能够实现向量量化字典的在线更新。
S701、网络设备向UE发送第一配置信息，相应的，UE从网络设备接收第一配置信息。
第一配置信息可用于配置在线更新向量量化字典，或者，第一配置信息可用于配置向量量化字典的上报参数。例如第一配置信息可包括如下一项或多项：第一时延的信息，向量量化字典的格式信息，或，上报向量量化字典的周期性配置信息。
本申请实施例可由UE来更新向量量化字典，第一时延的信息可用于UE在等待第一时延后再向网络设备发送向量量化字典。
向量量化字典的格式信息例如包括如下一项或多项：向量量化字典的维度信息，向量量化字典的类型信息，或，向量量化字典的索引。向量量化字典的维度信息可指示向量化字典的维度，例如一种向量量化字典的维度为D×E。向量量化字典的索引指示了从多个向量量化字典中为UE配置的向量量化字典的索引，其中，该多个向量量化字典中的每个向量量化字典对应一个唯一的索引。
上报向量量化字典的周期性配置信息可以配置周期性(periodic)上报向量量化字典。例如该周期性配置信息可以包括周期R1，例如网络设备会按照周期R1发送第一参数信息，以触发UE发送向量量化字典。UE接收了第一参数信息，就会向网络设备发送向量量化字典，这视为UE按照周期R1向网络设备发送向量量化字典。或者，该周期性配置信息可以包括周期R1，例如网络设备会按照周期R1发送第一调度信息，第一调度信息可指示上行资源，以调度UE发送向量量化字典。UE接收了第一调度信息，就会向网络设备发送向量量化字典，这视为UE按照周期R1向网络设备发送向量量化字典。
或者，上报向量量化字典的周期性配置信息可以配置半永久性(semi-persistant)上报向量量化字典。例如该周期性配置信息可以配置用于发送向量量化字典的资源，以及可配置周期R1，如果配置了半永久性上报向量量化字典，则网络设备可以通过信令来激活(activation)半永久性上报向量量化字典的机制，UE接收了该信令，在收到de-activation命令之前，可按照周期R1向网络设备发送向量量化字典，无需网络设备每次调度UE。用于激活的信令和/或用于去激活的信令例如为MAC CE，或者也可以是其他信令。
或者，上报向量量化字典的周期性配置信息可以配置非周期性(aperiodic)上报向量量化字典。如果配置了非周期性上报向量量化字典，那么UE向网络设备发送向量量化字典的一种方式为等待网络设备的触发，例如网络设备向UE发送第一指示信息(例如为调度信息，或者也可以是专用于触发UE的触发信息)，以触发UE发送向量量化字典。UE接收第一指示信息后，可向网络设备发送向量量化字典。即，网络设备如果触发，UE就发送向量量化字典，而如果网络设备不触发，UE就不发送向量量化字典。采用这种方式可以使得网络设备在有需求时再触发UE发送向量量化字典，从而减少冗余信息的接收过程。
本申请实施例中，上报向量量化字典的周期性配置信息可以配置周期性上报向量量化字典、半永久性上报向量量化字典、或非周期性上报向量量化字典中的一种或多种，也就是说，UE可采用其中的一种方式来向网络设备发送向量量化字典，或者也可以采用其中任意多种方式的结合形式来向网络设备发送向量量化字典。例如，网络设备在某个时间发送了第一配置信息，第一配置信息包括的上报向量量化字典的周期性配置信息配置了周期性上报向量量化字典，则UE按照周期性地向网络设备发送向量量化字典。之后，网络设备又再次发送了第一配置信息，这次第一配置信息包括的上报向量量化字典的周期性配置信息重配为非周期性上报向量量化字典，则UE可以视新发送的第一配置信息为隐式指示，作为终止周期性上报的指示信息，并随后按照非周期上报的机制在收到相应第一指示信息后才会上报向量量化字典。；或者，如果网络设备再次发送了第一配置信息，且该配置信息内周期性配置改成了其他的方式，例如半永久式，则UE按照新的配置等待activation指令，然后再进行周期性上报。
本申请实施例可与图5所示的实施例或图6所示的实施例结合应用，那么第一配置信息与前述的第三配置信息可以是同一条配置信息，或者也可以是不同的配置信息。如果是不同的配置信息，且如果网络设备会向UE发送第一配置信息和第三配置信息，则第一配置信息可以在第三配置信息之后发送，或者第一配置信息和第三配置信息也可以同时发送。
其中，S701为可选的步骤，即，网络设备可以不向UE发送第一配置信息。
S702、网络设备确定第一参数信息。
第一参数信息例如为网络设备所维护的解码器网络的参数信息，该解码器网络例如包括该网络设备与该UE当前所使用的解码器网络，或者包括网络设备所维护的全部解码器网络。
例如，网络设备根据该UE所发送的CSI重构了下行信道矩阵，例如该UE会进行一次或多次测量，测量得到的下行信道矩阵包括{H1,H2,…,HT}。该UE每次测量得到下行信道矩阵后，都可向网络设备发送CSI。例如网络设备根据来自UE的CSI所重构的下行信道矩阵包括
那么网络设备可根据重构的部分或全部下行信道矩阵更新解码器网络的参数，或者，网络设备可以根据重构的部分或全部下行信道矩阵，以及根据历史数据(例如历史上重构的下行信道矩阵)更新解码器网络的参数。可选的，网络设备还可以更新编码器网络的参数和/或向量量化字典。
其中，UE确定CSI、以及网络设备重构下行信道矩阵等过程，可采用图5所示的实施例或图6所示的实施例所提供的方案，或者也可以采用其他方案。
S703、网络设备向UE发送第一参数信息，相应的，UE从网络设备接收第一参数信息。
例如，第一参数信息可包括表1中的一项或多项：
表1
除此之外，第一参数信息还可以包括解码器网络其他的一项或多项参数。
其中，S702和S703均为可选的步骤，也就是说，网络设备可能不会确定第一参数信息，相应的也不会发送第一参数信息，或者，网络即使确定了第一参数信息，也不一定会发送第一参数信息。
S704、UE确定第二向量量化字典。第二向量量化字典例如为第一向量量化字典，或者，第二向量量化字典例如为对第一向量量化字典更新后得到的向量量化字典。
例如，UE可对第一向量量化字典进行更新，得到第二向量量化字典。UE可根据如下一项或多项对第一向量量化字典进行更新：第一参数信息，测量得到的下行信道矩阵{H1,H2,…,HT}，历史数据(例如历史上测量得到的下行信道矩阵)。
或者，UE也可以不更新UE所使用的向量量化字典，而是确定UE当前使用或即将使用的第一向量量化字典。
S705、UE向网络设备发送第二向量量化字典，相应的，网络设备从UE接收第二向量量化字典。可理解为，UE向网络设备发送的是第二向量量化字典的参数，网络设备从UE接收的是第二向量量化字典的参数。如果第二向量量化字典是更新的第一向量量化字典，那么如果将图8所示的实施例与图5所示的实施例结合，则S705可以发生在图5所示的实施例执行完毕之后，而如果将图8所示的实施例与图5所示的实施例结合，则S705可以发生在图6所示的实施例执行完毕之后；或者，如果第二向量量化字典是第一向量量化字典，那么如果将图8所示的实施例与图5所示的实施例结合，那么S705可以发生在图5所示的实施例中的S509之前，而如果将图8所示的实施例与图5所示的实施例结合，则S705可以发生在图6所示的实施例中的S609之前。
UE向网络设备发送第二向量量化字典，可以有多种实施方式，下面举例介绍。
作为第一种可选的实施方式，UE可以周期性地向网络设备发送第二向量量化字典，该周期例如通过第一配置信息所配置，例如为周期R1。如果是这种情况，则UE可以在接收第一配置信息后，按照周期R1向网络设备发送第二向量量化字典。例如，如果第一配置信息包括上报向量量化字典的周期性配置信息，且该周期性配置信息配置周期性上报向量量化字典，则可以适用这种方案。或者，UE发送第二向量量化字典的周期例如通过协议规定，例如网络设备不必发送第一配置信息，如果是这种情况，则UE按照该周期向网络设备发送第二向量量化字典即可。需要注意的是，本申请实施例所述的UE周期性地向网络设备发送第二向量量化字典，可以是指UE在每个周期都向网络设备发送第二向量量化字典，或者UE也不一定在每个周期都向网络设备发送第二向量量化字典，而是可能在其中的一个或多个周期内向网络设备发送第二向量量化字典，且这一个或多个周期在时域上可以连续也可以不连续。
作为第二种可选的实施方式，如果UE从网络设备接收了第一配置信息，或者UE从网络设备接收了第一配置信息和第一参数信息，或者UE从网络设备接收了第一配置信息、第一参数信息以及第一指示信息，那么UE可以在接收第一配置信息后，向网络设备发送第二向量量化字典。例如，如果第一配置信息包括上报向量量化字典的周期性配置信息，且该周期性配置信息配置非周期性上报向量量化字典，则可以适用这种方案。
作为第三种可选的实施方式，如果UE从网络设备接收了第一配置信息，或者UE从网络设备接收了第一配置信息和第一参数信息，或者UE从网络设备接收了第一配置信息、第一参数信息以及第一指示信息，且第一配置信息包括第一时延的信息，则UE可以在接收第一配置信息之后的第一时延到达的时间单元，向网络设备发送第二向量量化字典。例如UE接收第一配置信息的时间单元为T0，第一时延用Tdelay1表示，则UE可在T0+Tdelay1的时间单元向网络设备发送第二向量量化字典。而在这种情况下，网络设备也会在发送第一配置信息之后的第一时延到达的时间单元，从UE接收第二向量量化字典。例如网络设备可以在T0+Tdelay1的时间单元为UE预留上行资源，UE可在该上行资源上发送第二向量量化字典，网络设备也可在该上行资源上检测并接收第二向量量化字典。而如果第一配置信息不包括第一时延的信息，则UE在接收第一配置信息之后无需等待，即可向网络设备发送第二向量量化字典。例如，如果第一配置信息包括上报向量量化字典的周期性配置信息，且该周期性配置信息配置非周期性上报向量量化字典，则可以适用这种方案。
作为第四种可选的实施方式，如果UE从网络设备接收了第一配置信息和第一参数信息，或者UE从网络设备接收了第一配置信息、第一参数信息以及第一指示信息，那么UE可以在接收第一参数信息后，向网络设备发送第二向量量化字典。例如，如果第一配置信息包括上报向量量化字典的周期性配置信息，且该周期性配置信息配置非周期性上报向量量化字典，则可以适用这种方案。
作为第五种可选的实施方式，如果UE从网络设备接收了第一配置信息和第一参数信息，或者UE从网络设备接收了第一配置信息、第一参数信息以及第一指示信息，且第一配置信息包括第一时延的信息，则UE可以在接收第一参数信息之后的第一时延到达的时间单元，向网络设备发送第二向量量化字典。例如UE接收第一参数信息的时间单元为T1，第一时延用Tdelay1表示，则UE可在T1+Tdelay1的时间单元向网络设备发送第二向量量化字典。而在这种情况下，网络设备也会在发送第一参数信息之后的第一时延到达的时间单元，从UE接收第二向量量化字典。例如网络设备可以在T1+Tdelay1的时间单元为UE预留上行资源，UE可在该上行资源上发送第二向量量化字典，网络设备也可在该上行资源上检测并接收第二向量量化字典。如果第一配置信息不包括第一时延的信息，则UE在接收第一参数信息之后无需等待，即可向网络设备发送第二向量量化字典。例如，如果第一配置信息包括上报向量量化字典的周期性配置信息，且该周期性配置信息配置周期性上报向量量化字典、半永久性上报向量量化字典、或非周期性上报向量量化字典，都可以适用这种方案。
作为第六种可选的实施方式，如果UE从网络设备接收了第一配置信息、第一参数信息以及第一指示信息，那么UE可以在接收第一指示信息后，向网络设备发送第二向量量化字典。例如，如果第一配置信息包括上报向量量化字典的周期性配置信息，且该周期性配置信息配置非周期性上报向量量化字典，则可以适用这种方案。
作为第七种可选的实施方式，如果UE从网络设备接收了第一配置信息、第一参数信息以及第一指示信息，且第一配置信息包括第一时延的信息，UE可以在接收第一指示信息之后的第一时延到达的时刻，向网络设备发送第二向量量化字典。例如UE接收第一指示信息的时间单元为T2，第一时延用Tdelay1表示，则UE可在T2+Tdelay1的时间单元向网络设备发送第二向量量化字典。而在这种情况下，网络设备也会在发送第一指示信息之后的第一时延到达的时间单元，从UE接收第二向量量化字典。例如网络设备可以在T2+Tdelay1的时间单元为UE预留上行资源，UE可在该上行资源上发送第二向量量化字典，网络设备也可在该上行资源上检测并接收第二向量量化字典。如果第一配置信息不包括第一时延的信息，则UE在接收第一指示信息之后无需等待，即可向网络设备发送第二向量量化字典。例如，如果第一配置信息包括上报向量量化字典的周期性配置信息，且该周期性配置信息配置非周期性上报向量量化字典，则可以适用这种方案。
通过指示第一时延，可以为UE预留准备时间，使得UE有相应的时间确定第二向量量化字典。
可选的，第一时延可以通过协议规定，例如第一时延可适用于所有UE，或者对于不同的网络设备或不同的小区可分别设置第一时延。或者，第一时延可以由网络设备确定，例如网络设备可以为该网络设备所覆盖的所有UE确定相同的第一时延，或者网络设备可以为该网络设备提供的不同的小区分别确定第一时延，或者网络设备也可以为不同的UE分别确定第一时延。例如，UE可向网络设备发送能力信息，该能力信息可指示第三时延的信息，第三时延可根据UE的处理能力确定，例如第三时延是该UE要发送向量量化字典所需的最短处理时间。UE可在随机接入过程中发送该能力信息，或者UE也可以在随机接入成功后发送该能力信息。网络设备可根据第三时延确定第一时延，通过这种方式可以使得第一时延更为符合UE的实际能力。第一时延的单位例如为时隙(slot)、传输时间间隔(transmissiontime interval，TTI)、毫秒(ms)、或微秒(μs)等。第三时延的单位例如为slot、TTI、ms、或us等。另外，时间单元的单位例如为slot、TTI、ms、或us等。
在本申请实施例中，UE向网络设备发送第二向量量化字典的方式有多种，较为灵活。具体采用何种方式发送，可由协议规定，或者由网络设备配置，或者由UE与网络设备之间协商确定。
例如，UE发送的第二向量量化字典(或者说，UE发送的第二向量量化字典的参数)可包括表2中的一项或多项：
表2
除此之外，UE所发送的第二向量量化字典的参数还可以包括第二向量量化字典的其他的一项或多项参数。
S706、网络设备确定第三向量量化字典。
例如网络设备在S702也更新了向量量化字典，那么网络设备可将第二向量量化字典与网络设备更新的向量量化字典进行比较，从而根据第二向量量化字典与网络设备更新的向量量化字典确定最终使用的向量量化字典，例如称为第三向量量化字典。第三向量量化字典可以与第二向量量化字典相同(或者说，第三向量量化字典就是第二向量量化字典)，或者，第三向量量化字典可以与网络设备更新的向量量化字典相同(或者说，第三向量量化字典就是网络设备更新的向量量化字典)，或者，第三向量量化字典与第二向量量化字典和网络设备更新的向量量化字典都不同，但第三向量量化字典是根据第二向量量化字典和网络设备更新的向量量化字典确定的。
S707、网络设备向UE发送第三向量量化字典，相应的，UE从网络设备接收第三向量量化字典。
如果网络设备确定了第三向量量化字典，且第三向量量化字典与第二向量量化字典不同，则网络设备可以将第三向量量化字典发送给UE，使得UE和网络设备使用的向量量化字典保持一致。
其中，S706和S707都是可选的步骤。
本申请实施例可以应用于UE-网络设备这种网络架构，或者也可以应用于UE-网络设备-AI节点这种网络架构。如果本申请实施例应用于UE-网络设备-AI节点这种网络架构，那么例如，S702等步骤，可由AI节点执行。
在本申请实施例中，向量量化字典可以实现更新，使得向量量化字典更符合当前的网络状况，提高CSI反馈的精度。
在图7所示的实施例中实现了向量量化字典的在线更新，接下来可参考图8，为本申请实施例提供的第四种通信方法的流程图，通过该方法也能够实现向量量化字典的在线更新。与图7所示的实施例不同的是，图7所示的实施例是由UE更新向量量化字典，而该方法是由网络设备更新向量量化字典。
S801、网络设备向UE发送第二配置信息，相应的，UE从网络设备接收第二配置信息。
第二配置信息可用于配置在线更新编码器网络的参数信息，或者，第二配置信息可用于配置编码器网络的上报参数。例如第二配置信息可包括如下一项或多项：第二时延的信息，编码器网络的格式信息，或，上报编码器网络的参数信息的周期性配置信息。
本申请实施例可由网络设备来更新向量量化字典，而UE可以向网络设备发送第二参数信息，第二时延的信息可用于UE在等待第二时延后再向网络设备发送第二参数信息。第二参数信息例如为UE所维护的编码器网络的参数信息，该解码器网络例如包括该网络设备与该UE当前所使用的编码器网络，或者包括UE所维护的全部编码器网络。
编码器的格式信息例如包括如下一项或多项：编码器网络的维度信息，编码器网络的类型信息，或，编码器网络的索引。编码器网络的维度信息可指示编码器网络的维度，编码器网络的维度可包括编码器网络的输入维度和/或输出维度。在有多个编码器网络的情况下，可以为每个编码器网络添加索引。
上报编码器网络的参数信息的周期性配置信息可以配置周期性上报编码器网络的参数信息，例如该周期性配置信息可以包括周期R2，例如网络设备会按照周期R2发送第二调度信息，第二调度信息可调度上行资源，以触发UE发送第二参数信息。UE接收了第二调度信息，就会向网络设备发送第二参数信息，这视为UE按照周期R2向网络设备发送第二参数信息。
或者，上报编码器网络的参数信息的周期性配置信息可以配置半永久性(semi-persistant)上报编码器网络的参数信息，例如该周期性配置信息可以配置用于发送第二参数信息的资源，以及可配置周期R2，那么UE接收该周期性配置信息后，可通过该资源按照周期R2向网络设备发送第二参数信息，无需网络设备每次调度UE。
或者，上报编码器网络的参数信息的周期性配置信息可以配置非周期性(aperiodic)上报第二参数信息，如果配置了非周期性上报编码器网络的参数信息，那么UE向网络设备发送第二参数信息的一种方式为等待网络设备的触发，例如网络设备向UE发送第三指示信息(例如为调度信息，或者也可以是专用于触发UE的触发信息)，以触发UE发送第二参数信息。UE接收第三指示信息后，可向网络设备发送第二参数信息。即，网络设备如果触发，UE就发送第二参数信息，而如果网络设备不触发，UE就不发送第二参数信息。采用这种方式可以使得网络设备在有需求时再触发UE发送第二参数信息，从而减少冗余信息的接收过程。
本申请实施例中，上报编码器网络的参数信息的周期性配置信息可以配置周期性上报编码器网络的参数信息、半永久性上报编码器网络的参数信息、或非周期性上报编码器网络的参数信息中的一种或多种，也就是说，UE可采用其中的一种方式来向网络设备发送第二参数信息，或者也可以采用其中任意多种方式的结合形式来向网络设备发送第二参数信息。例如，上报编码器网络的参数信息的周期性配置信息既配置了半永久性上报编码器网络的参数信息，也配置了非周期性上报编码器网络的参数信息，则UE既可以按照半永久方式向网络设备发送第二参数信息，也可以按照非周期性上报的方式，在接收网络设备的第三指示信息后向网络设备发送第二参数信息。
本申请实施例可与图5所示的实施例或图6所示的实施例结合应用，那么第二配置信息与前述的第三配置信息可以是同一条配置信息，或者也可以是不同的配置信息。如果是不同的配置信息，且如果网络设备会向UE发送第二配置信息和第三配置信息，则第二配置信息可以在第三配置信息之后发送，或者第二配置信息和第三配置信息也可以同时发送。
其中，S801为可选的步骤，即，网络设备可以不向UE发送第二配置信息。
S802、UE确定第二参数信息。
例如有J个UE，其中的每个UE都可以根据网络设备发送的第三配置信息测量得到下行信道矩阵，例如J个UE测量得到的下行信道矩阵包括{H1,H2,…,HT}。对于J个UE中的部分或全部UE来说，都可以更新编码器网络的参数，或者说，都可以确定第二参数信息。例如对于一个UE来说，可根据该UE测量得到的下行信道矩阵更新编码器网络的参数，或者根据该UE测量得到的下行信道矩阵以及历史数据(例如历史上测量得到的下行信道矩阵)更新编码器网络的参数。可选的，UE还可以更新解码器网络的参数和/或向量量化字典。例如J个UE所确定的编码器网络的参数信息(或者说第二参数信息)和解码器网络的参数信息包括{<E1|D1>,<E2|D2>,…,<EJ|DJ>}，其中Ei表示第i个UE确定的编码器网络的参数信息，Di表示第i个UE确定的解码器网络的参数信息。
S803、UE向网络设备发送第二参数信息，相应的，网络设备从UE接收第二参数信息。
例如，UE可将第二参数信息转换为二进制比特流发送给网络设备。第二参数信息可包括表3中的一项或多项：
表3
除此之外，第二参数信息还可以包括编码器网络的其他一项或多项参数的信息。UE向网络设备发送第二参数信息，可以有多种实施方式，下面举例介绍。
作为第一种可选的实施方式，UE可以周期性地向网络设备发送第二参数信息，该周期例如通过第二配置信息所配置，例如为周期R2。如果是这种情况，则UE可以在接收第二配置信息后，按照周期R2向网络设备发送第二参数信息。例如，如果第二配置信息包括上报编码器网络的参数信息的周期性配置信息，且该周期性配置信息配置周期性上报编码器网络的参数信息，则可以适用这种方案。或者，UE发送第二参数信息的周期例如通过协议规定，例如网络设备不必发送第二配置信息，如果是这种情况，则UE按照该周期向网络设备发送第二参数信息即可。需要注意的是，本申请实施例所述的UE周期性地向网络设备发送第二参数信息，可以是指UE在每个周期都向网络设备发送第二参数信息，或者UE也不一定在每个周期都向网络设备发送第二参数信息，而是可能在其中的一个或多个周期内向网络设备发送第二参数信息，且这一个或多个周期在时域上可以连续也可以不连续。
作为第二种可选的实施方式，如果UE从网络设备接收了第二配置信息，或者UE从网络设备接收了第二配置信息和第三指示信息，那么UE可以在接收第二配置信息后，向网络设备发送第二参数信息。例如，如果第二配置信息包括上报编码器网络的参数信息的周期性配置信息，且该周期性配置信息配置非周期性上报编码器网络的参数信息，则可以适用这种方案。
作为第三种可选的实施方式，如果UE从网络设备接收了第二配置信息，或者UE从网络设备接收了第二配置信息和第三指示信息，且第二配置信息包括第二时延的信息，则UE可以在接收第二配置信息之后的第二时延到达的时间单元，向网络设备发送第二参数信息。例如UE接收第二配置信息的时间单元为T3，第二时延用Tdelay2表示，则UE可在T2+Tdelay2的时间单元向网络设备发送第二参数信息。而在这种情况下，网络设备也会在发送第二配置信息之后的第二时延到达的时间单元，从UE接收第二参数信息。例如网络设备可以在T3+Tdelay2的时间单元为UE预留上行资源，UE可在该上行资源上发送第二参数信息，网络设备也可在该上行资源上检测并接收第二参数信息。如果第二配置信息不包括第二时延的信息，则UE在接收第二配置信息之后无需等待，即可向网络设备发送第二参数信息。例如，如果第二配置信息包括上报编码器网络的参数信息的周期性配置信息，且该周期性配置信息配置非周期性上报编码器网络的参数信息，则可以适用这种方案。
作为第四种可选的实施方式，如果UE从网络设备接收了第一配置信息和第三指示信息，那么UE可以在接收第三指示信息后，向网络设备发送第二参数信息。例如，如果第二配置信息包括上报编码器网络的参数信息的周期性配置信息，且该周期性配置信息配置非周期性上报编码器网络的参数信息，则可以适用这种方案。
作为第五种可选的实施方式，如果UE从网络设备接收了第二配置信息和第三指示信息，且第二配置信息包括第二时延的信息，UE可以在接收第二指示信息之后的第二时延到达的时间单元，向网络设备发送第二参数信息。例如UE接收第二指示信息的时间单元为T4，第二时延用Tdelay2表示，则UE可在T4+Tdelay2的时间单元向网络设备发送第二参数信息。而在这种情况下，网络设备也会在发送第三指示信息之后的第二时延到达的时间单元，从UE接收第二参数信息。例如网络设备可以在T4+Tdelay2的时间单元为UE预留上行资源，UE可在该上行资源上发送第二参数信息，网络设备也可在该上行资源上检测并接收第二参数信息。如果第二配置信息不包括第二时延的信息，则UE在接收第二指示信息之后无需等待，即可向网络设备发送第二参数信息。例如，如果第二配置信息包括上报编码器网络的参数信息的周期性配置信息，且该周期性配置信息配置非周期性上报编码器网络的参数信息，则可以适用这种方案。
通过指示第二时延，可以为UE预留准备时间，使得UE有相应的时间确定第二参数信息。
可选的，第二时延可以通过协议规定，例如第二时延可适用于所有UE，或者对于不同的网络设备或不同的小区可分别设置第二时延。或者，第二时延可以由网络设备确定，例如网络设备可以为该网络设备所覆盖的所有UE确定相同的第二时延，或者网络设备可以为该网络设备提供的不同的小区分别确定第二时延，或者网络设备也可以为不同的UE分别确定第二时延。例如，UE可向网络设备发送能力信息，该能力信息可指示第四时延的信息，第四时延可根据UE的处理能力确定，例如第四时延是该UE要发送第二参数信息所需的最短处理时间。第四时延与图7所示的实施例所述的第三时延可以相等也可以不相等。UE可在随机接入过程中发送该能力信息，或者UE也可以在随机接入成功后发送该能力信息。网络设备可根据第四时延确定第二时延，通过这种方式可以使得第二时延更为符合UE的实际能力。第二时延与图7所示的实施例所述的第一时延可以相等也可以不相等。第二时延的单位例如为slot、TTI、ms、或μs等。第四时延的单位例如为slot、TTI、ms、或us等。另外，时间单元的单位例如为slot、TTI、ms、或us等。
S804、网络设备确定第二向量量化字典。第二向量量化字典例如为第一向量量化字典，或者，第二向量量化字典例如为对第一向量量化字典更新后得到的向量量化字典。
例如，网络设备可对第一向量量化字典进行更新，得到第二向量量化字典。例如，网络设备根据UE的个数J，建立J个编码-解码模型，并将从J个UE侧接收的网络参数{<E1|D1>,<E2|D2>,…,<EJ|DJ>}分别作为相应的编码-解码模型的权重初始化条件(例如，将从第i个UE侧接收的网络参数<Ei|Di>作为第i个编码-解码模型的权重初始化条件)，并利用网络设备保存的离线数据(例如，历史上重构的下行信道矩阵等)进行训练，计算出J个编码-解码模型的梯度，并对J个梯度进行梯度的融合(例如计算平均值，该平均值例如为算术平均值或加权平均值等)，以根据融合结果更新如下一项或多项：编码器网络的参数，解码器网络的参数，或，第一向量量化字典。例如针对编码器网络，网络设备所确定的梯度E表示为：
公式19中，
表示融合的梯度，且公式19以融合方式是求算术平均值为例。
例如针对解码器网络，网络设备所确定的梯度D表示为：
公式20中，
表示融合的梯度，且公式20以融合方式是求算术平均值为例。
或者，网络设备也可以不更新向量量化字典，而是确定当前使用或即将使用的第一向量量化字典。
S805、网络设备发送第二向量量化字典，相应的，UE从网络设备接收第二向量量化字典。可理解为，网络设备发送的是第二向量量化字典的参数信息，UE接收的也是第二向量量化字典的参数信息。例如网络设备可将第二向量量化字典(或者说，第二向量量化字典的参数信息)转换为二进制比特流后发送。例如网络设备可采用广播或单播的方式发送第二向量量化字典，如果网络设备采用广播方式发送向量量化字典，则可能有多个UE都能接收第二向量量化字典，图8中以一个UE接收第二向量量化字典为例。
第二向量量化字典的参数信息可包括表4中的一项或多项：
表4
除此之外，网络设备所发送的第二向量量化字典的参数信息还可以包括第二向量量化字典的其他一项或多项参数的信息。
如果第二向量量化字典是更新的第一向量量化字典，那么如果将图8所示的实施例与图5所示的实施例结合，则S805可以发生在图5所示的实施例执行完毕之后，而如果将图8所示的实施例与图5所示的实施例结合，则S805可以发生在图6所示的实施例执行完毕之后；或者，如果第二向量量化字典是第一向量量化字典，那么如果将图8所示的实施例与图5所示的实施例结合，则S805可以发生在图5所示的实施例中的S506之前，而如果将图8所示的实施例与图5所示的实施例结合，则S805可以发生在图6所示的实施例中的S606之前。
其中，S802～S803都是可选的步骤，也就是说，UE可能不会确定第二参数信息，相应的也不会发送第一参数信息，或者，UE即使确定了第二参数信息，也不一定会发送第二参数信息。
本申请实施例可以应用于UE-网络设备这种网络架构，或者也可以应用于UE-网络设备-AI节点这种网络架构。如果本申请实施例应用于UE-网络设备-AI节点这种网络架构，那么例如，S804等步骤，可由AI节点执行。
在本申请实施例中，向量量化字典可以实现更新，使得向量量化字典更符合当前的网络状况，提高CSI反馈的精度。而且本申请实施例由网络设备来更新向量量化字典，使得网络设备对于向量量化字典具有控制权。
本申请的各个实施例均涉及参考网络，下面举例介绍几种本申请实施例所适用的参考网络的结构。下面所介绍的参考网络的结构，适用于本申请的各个实施例，例如适用于图5～图8中的任一个附图所示的实施例。
1、解码器网络的一种实现方式。在这种实现方式中，解码器网络例如为CNN网络。
解码器网络可满足第一特征、第二特征或第三特征中的一项或多项。
第一特征：解码器网络包括的所有网络层都是卷积(convolution)层，卷积层可包括卷积和/或转置卷积。全卷积网络相对于全连接网络拥有更少的参数量，利于寻优和训练，因此解码器网络可使用全卷积网络。
第二特征：解码器网络包括的映射网络的输出用批归一化(batchnormalization，BN)进行归一化，解码器网络所包括的其余的所有归一化(norm)层都是采用group normalization，其中，group normalization在group为1时，又称为层归一化(layer normalization)。由于batch normalization的效果是保持样本间的相对关系不变，可能改变样本；而group normalization可以保持样本的各个特征的关系不变，更符合量化的要求，因此解码器网络中的norm层可全部使用group normalization。
第三特征：解码器网络包括的所有的激活(activation)函数都使用tanh函数，tanh为双曲正切函数。由于信道的实部虚部的取值范围为[-1,1]，等同于tanh的输出范围，因而使用tanh函数作为激活函数较为合理。
可参考图9，为这种解码器网络的一种示例。
图9中的该解码器网络共包括12个模块，其中包括6个卷积模块和6个转置卷积模块。这12个模块中的每个模块由卷积层(或反卷积层)、norm层和激活函数层构成。图9中，从左至右的第一部分方框表示编码器网络的输入维度，例如为Ntx×Nsb×2，从左至右的第二部分方框表示编码器网络的输出维度，例如为H×W×D，编码器网络例如包括6个模块(卷积模块和/或转置卷积模块)。从左至右的第三部分方框表示解码器网络的输入维度，例如为H×W×D，从左至右的第四部分方框表示解码器网络的输出维度，例如为Ntx×Nsb×2，解码器网络例如包括6个模块(卷积模块和/或转置卷积模块)。
作为一个示例，该解码器网络的参数可参考表5：
表5
其中，表5中的Conv表示卷积在原图片上滑窗的步长，如果是2就是两次卷积的中心点位置间隔为2。DeConv表示反卷积在原图片上滑窗的步长。滤波器代表卷积核的个数，例如滤波器为16，则代表有16个5×5的卷积核一起做卷积，或者滤波器为32，则代表有32个5×5的卷积核一起做卷积。核尺寸代表卷积核的尺寸，例如5×5就表示卷积核为5×5的窗。填充相同，表示会在原图片四周通过补零来保证卷积以后的图片尺寸不变。填充有效表示不会在原图片四周补零，这样原始图片的尺寸在卷积之后就会缩小。
2、解码器网络的另一种实现方式。在这种实现方式中，解码器网络例如为视觉变换器(vision transformer，ViT)网络。
解码器网络可满足第四特征、第五特征、第六特征或第七特征中的一项或多项。
第四特征：解码器网络由嵌入(embedding)层、全连接层和关注(attention)层构成。ViT网络将原始信道视为一个序列，可以捕捉到序列中各元素之间的关系，更适合学习存在大量0的非平稳数据，抽取特征的能力更强。
第五特征：解码器网络在定位嵌入(position embedding)中，先对各个片(patch)进行能量的排序，再按排序后的顺序进行embedding。由于信道能量的分布在一段时间内是稳定的，因此根据能量排序后更容易学习。
第六特征：解码器网络包括的映射网络的输出使用batch normalization进行归一化，解码器网络包括的其余的所有norm层都使用group normalization。由于batchnormalization的效果是保持样本间的相对关系不变，可能改变样本；而groupnormalization可以保持样本的各个特征的关系不变，更符合量化的要求，因此解码器网络中的norm层可全部使用group normalization。
第七特征：解码器网络包括的所有的激活函数都使用tanh函数。由于信道的实部虚部取值范围为[-1,1]，等同于tanh的输出范围，因而使用tanh函数作为激活函数较为合理。
可参考图10A，为这种解码器网络的一种示例。
从左至右的第一部分方框表示编码器网络的输入维度，例如为Ntx×Nsb×2。网络首先将原始输入信道(即，维度为Ntx×Nsb×2的矩阵)序列化，得到图10A所示的片(patch)序列，将所有的片序列进行编号，例如编号为1,2,3…然后将patch序列输入输入嵌入层，将片序列对应的编号输入定位嵌入层，输入嵌入层的输出和定位嵌入层的输出都作为传输模块的输入。其中，图10A中的×10，表示串联相同结构的传输模块10次。经过传输模块后，送入到映射网络进行特征量化，最后再由传输模块重构出原始信道，例如重构的原始信道的维度为Ntx×Nsb×2。其中，将原始输入信道序列化后共得到4×2个patch，通过embedding得到维度为8×512的特征序列。传输模块的结构如图10B所示，其中，归一化层均使用批归一化，前馈(feed forward)层的节点数为512，多头关注(multi-head attention)层的头数为64。图10B中的加号表示相加，加号左边的符号表示定位嵌入。可将相加后输出的内容进行复制，将其中一份送入多头关注层，将其中另一份送入添加/归一化(add/norm)层，添加/归一化中的“添加”是指，将复制品和经过多头关注层处理的内容加起来。添加/归一化层输出的内容也可进行复制，将其中一份送入前馈层，将其中另一份送入添加/归一化层。
3、解码器网络的再一种实现方式。在这种实现方式中，解码器网络例如为基于残差连接的高分辨率卷积网络，该网络例如为精炼网络(RefineNet)。
解码器网络可满足第八特征、第九特征、或第十特征中的一项或多项。
第八特征：整个解码器网络包括若干层卷积层(接Tanh激活函数)和groupnormalization层，以及残差连接层。RefineNet是一种生成式的多路径增强卷积神经网络，与传统的神经网络不同的是，RefineNet使用了大量的残差连接(residual connection)操作，内部每一层之间的这种短范围的连接一起形成了长距离连接(long rangeconnection)，让梯度能够有效传送到整个网络中，从而有助于整个网络的训练。此外，这种级联的链式残差连接操作也能融合更加丰富的上下文信息。
第九特征：在解码过程中，当传统的网络使用反卷积(deconvolution)作为上采样操作时，反卷积不容易恢复低层的特征，而使用带孔卷积(atrous convolution)进行高分辨率特征图生成时需要消耗巨大的计算和存储资源。而本申请实施例所提供的该解码器网络，借助长距离残差连接，以及身份映射(identity mapping)的思想，作为解码器网络的RefineNet能够尽可能多的将采样过程中产生的所有丰富信息融合到网络中并进行高效地传递，这样，通过前期卷积操作得到的细粒度特征可以对更深的网络提取的高层次信息进行增强和补偿，从而产生高质量和高精度的输出。
第十特征：解码器网络包括的所有的激活函数都使用tanh函数。由于信道的实部虚部取值范围为[-1,1]，等同于tanh的输出范围，因而使用tanh函数作为激活函数较为合理。
例如，该精炼网络的一种示例可参考图11。在图11中，精炼网络可包含如下模块：(1)卷积模块和归一化模块：输入精炼网络的信息首先经过五层卷积模块(接Tanh激活函数)和归一化模块(例如采用group normalization)的处理；(2)残差(residual)模块：直连通路上的ReLU可以在不显著影响梯度流通的情况下提高后续网络的性能，同时不使得网络的训练对学习率过于敏感，再经过残差模块即可得到精炼网络的输出。图11中最右侧的方框，表示一层卷积+reshape操作，reshape是将指定的矩阵变换为特定维度的矩阵的一种操作方式。另外图11中的5×5、4×4等，表示的是不同卷积层的卷积核尺寸(kernel size)。
如上介绍了本申请的各个实施例所适用的几种解码器网络，下面再考虑本申请的各个实施例所适用的评估方式。在本申请的各个实施例中，都可采用相应的方式来评估重构的下行信道矩阵与原始的下行信道矩阵之间的差异。那么下面介绍几种性能评估指标，可以通过如下指标中的一种或多种来进行性能评估。在进行网络架构的设计时，也可将如下的一种或多种性能评估指标考虑进来，作为网络中损失函数的一部分来进行优化。
1、第一种性能评估指标：均方误差(mean square error，MSE)。
均方误差又称为二次损失(quadratic loss)或L2损失(L2 Loss)。均方误差衡量的是目标变量与预测值之间的距离的平方之和，是较为常用的回归损失函数。本申请实施例使用的均方误差的计算公式如下：
其中Ns表示信道样本的个数，Nh表示单个信道矩阵样本中的元素个数。yi,j表示真实的第i个样本的第j个信道元素的值(信道元素值类似图像像素值)，
表示预测的第i个样本的第j个信道元素的值。
2、第二种性能评估指标：肯达尔相关性损失(kendall tau loss)。
肯达尔相关性损失，又称为肯德尔相关性或肯德尔秩相关性损失，主要是用来衡量两组变量之间的相对关系的密切程度。本申请实施例使用的肯达尔相关系数的计算公式如下：
其中，τ表示一个符号，代表肯达尔相关系数。n表示元素的个数。xi表示样本的第i个真实值，xj表示样本的第j个真实值。yi表示样本的第i个预测值，xj表示样本的第j个预测值。
但是在神经网络中直接取前K个(TopK)的操作无法求导，因此本申请实施例设计了一种松弛化的0-1loss:
公式23可视为公式22的一个下界。其中，0-1loss表示如果预测值和目标值不相等则为1、相等则为0的二分类损失函数。θ表示本申请实施例中的参考网络的参数。X表示输入样本数据的某一个元素，即真实的某个值。X′表示输入样本数据的某另一个元素，即真实的某另一个值。Y表示输出数据的某一个元素，即预测的某个值。Y′表示输出数据的某另一个元素，即预测的某另一个值。
表示概率算子，
表示另一个概率算子。
3、第三种性能评估指标：交叉熵损失(cross entropy loss)。
一般是用来量化两个概率分布之间差异的损失函数(多用于分类)，假设本方案中按照信道的能量排序取Top K个主径，则交叉熵损失为一个K分类表示：
其中，主径表示能量较高的信道矩阵元素。K分类是指，有K个主径，这K个主径是不重合的K个类别，例如最大的主径是第1类，次大的是第2类，第K大的是第K类。CE表示交叉熵损失，i表示是K类中的第i个类，yi表示提取K个主径后真实样本中的信道元素是第i个类的概率，oi表示提取K个主径的预测样本信道元素是第i个类的概率，oj表示提取K个主径的预测样本信道元素是第j个类的概率。
如上所介绍的几种性能评估指标，可适用于本申请的各个实施例，例如适用于图5～图8中的任一个附图所示的实施例。例如协议可以为每种参考网络分别规定一种或多种性能评估指标，或者网络设备与UE当前所使用的参考网络所应用的性能评估指标也可由网络设备自行确定。通过相应的性能评估指标对参考网络的性能进行评估，可以更好地优化参考网络。
基于前述的方法实施例，介绍本申请实施例提供的通信装置。
本申请实施例提供一种通信装置，该通信装置例如包括处理单元和收发单元(或者，称为通信单元)，处理单元可用于实现图5所示的实施例至图8所示的实施例中的任一个实施例所述的UE的处理功能，收发单元可用于实现图5所示的实施例至图8所示的实施例中的任一个实施例所述的UE的全部收发功能或部分收发功能。或者，处理单元可用于实现图5所示的实施例至图8所示的实施例中的任一个实施例所述的网络设备所实现的处理功能，收发单元可用于实现图5所示的实施例至图8所示的实施例中的任一个实施例所述的网络设备的全部收发功能或部分收发功能。
可选的，处理单元和/或收发单元可通过虚拟模块实现，例如处理单元可通过软件功能单元或虚拟装置实现，收发单元可通过软件功能单元或虚拟装置实现。或者，处理单元和/或收发单元也可通过实体装置(例如电路系统和/或处理器等)实现。对于处理单元和收发单元通过实体装置实现的情况，下面进行介绍。
图12给出了本申请实施例提供的一种通信装置的结构示意图。所述通信装置1200可以是图5所示的实施例至图8所示的实施例中的任一个实施例所述的UE或该UE的电路系统，用于实现上述方法实施例中对应于UE的方法。或者，所述通信装置1200可以是图5所示的实施例至图8所示的实施例中的任一个实施例所述的网络设备或该网络设备的电路系统，用于实现上述方法实施例中对应于网络设备的方法。具体的功能可以参见上述方法实施例中的说明。其中，例如一种电路系统为芯片系统。
通信装置1200包括一个或多个处理器1201。处理器1201可以实现一定的控制功能。所述处理器1201可以是通用处理器或者专用处理器等。例如，包括：基带处理器，中央处理器等。所述基带处理器可以用于对通信协议以及通信数据进行处理。所述中央处理器可以用于对通信装置1200进行控制，执行软件程序和/或处理数据。不同的处理器可以是独立的器件，也可以是设置在一个或多个处理电路中，例如，集成在一个或多个专用集成电路上。
可选的，通信装置1200中包括一个或多个存储器1202，用以存储指令1204，所述指令1204可在所述处理器上被运行，使得通信装置1200执行上述方法实施例中描述的方法。可选的，所述存储器1202中还可以存储有数据。所述处理器和存储器可以单独设置，也可以集成在一起。
可选的，通信装置1200可以包括指令1203(有时也可以称为代码或程序)，所述指令1203可以在所述处理器上被运行，使得所述通信装置1200执行上述实施例中描述的方法。处理器1201中可以存储数据。
例如，所述处理单元通过一个或多个处理器1201实现，或者，所述处理单元通过一个或多个处理器1201以及一个或多个存储器1202实现，或者，所述处理单元通过一个或多个处理器1201、一个或多个存储器1202、以及指令1203实现。
可选的，通信装置1200还可以包括收发器1205以及天线1206。收发器1205可以称为收发单元、收发机、收发电路、收发器，输入输出接口等，用于通过天线1206实现通信装置1200的收发功能。例如，所述收发单元通过收发器1205实现，或者，所述收发单元通过收发器1205以及天线1206实现。
可选的，通信装置1200还可以包括以下一个或多个部件：无线通信模块，音频模块，外部存储器接口，内部存储器，通用串行总线(universal serial bus，USB)接口，电源管理模块，天线，扬声器，麦克风，输入输出模块，传感器模块，马达，摄像头，或显示屏等等。可以理解，在一些实施例中，通信装置1200可以包括更多或更少部件，或者某些部件集成，或者某些部件拆分。这些部件可以是硬件，软件，或者软件和硬件的组合实现。
本申请实施例中描述的处理器1201和收发器1205可实现在集成电路(integratedcircuit，IC)、模拟IC、射频集成电路(radio frequency identification，RFID)、混合信号IC、专用集成电路(application specific integrated circuit，ASIC)、印刷电路板(printed circuit board，PCB)、或电子设备等上。实现本文描述的通信装置，可以是独立设备(例如，独立的集成电路，手机等)，或者可以是较大设备中的一部分(例如，可嵌入在其他设备内的模块)，具体可以参照前述各个实施例关于UE，以及网络设备的说明，在此不再赘述。
本申请实施例提供了一种终端设备，该终端设备可用于前述各个实施例中。所述终端设备包括用以实现图5所示的实施例至图8所示的实施例中的任一个实施例所述的UE功能的相应的手段(means)、单元和/或电路。例如，终端设备，包括收发模块(或者，称为收发单元)，用以支持终端设备实现收发功能，和，处理模块(或者，称为处理单元)，用以支持终端设备对信号进行处理。
图13给出了本申请实施例提供的一种终端设备的结构示意图。
该终端设备1300可适用于图1、图4A～图4C中的任一个附图所示的架构中。为了便于说明，图13仅示出了终端设备1300的主要部件。如图13所示，终端设备1300包括处理器、存储器、控制电路、天线以及输入输出装置。处理器主要用于对通信协议以及通信数据进行处理，以及对整个终端设备1300进行控制，执行软件程序，处理软件程序的数据。存储器主要用于存储软件程序和数据。控制电路主要用于基带信号与射频信号的转换以及对射频信号的处理。天线主要用于收发电磁波形式的射频信号。输入输出装置，例如触摸屏，显示屏，麦克风，键盘等主要用于接收用户输入的数据以及对用户输出数据。
本领域技术人员可以理解，为了便于说明，图13仅示出了一个存储器和处理器。在一些实施例中，终端设备1300可以包括多个处理器和存储器。存储器也可以称为存储介质或者存储设备等，本申请实施例对此不做限制。
在一个例子中，可以将具有收发功能的天线和控制电路视为终端设备1300的收发单元1310，将具有处理功能的处理器视为终端设备1300的处理单元1320。如图13所示，终端设备1300包括收发单元1310和处理单元1320。收发单元也可以称为收发器、收发机、收发装置等。可选的，可以将收发单元1310中用于实现接收功能的器件视为接收单元，将收发单元1310中用于实现发送功能的器件视为发送单元，即收发单元1310包括接收单元和发送单元。示例性的，接收单元也可以称为接收机、接收器、接收电路等，发送单元可以称为发射机、发射器或者发射电路等。
本申请实施例还提供了一种网络设备，该网络设备可用于前述各个实施例中。所述网络设备包括用以实现图5所示的实施例至图8所示的实施例中的任一个实施例所述的网络设备的功能的手段(means)、单元和/或电路。例如，网络设备包括收发模块，用以支持终端设备实现收发功能，和，处理模块，用以支持网络设备对信号进行处理。
图14给出了本申请实施例提供的一种网络设备的结构示意图。如图14所示，网络设备可适用于图1、图4A～图4C中的任一个附图所示的架构中。该网络设备包括：基带装置1401，射频装置1402、天线1403。在上行方向上，射频装置1402通过天线1403接收终端设备发送的信息，将终端设备发送的信息发送给基带装置1401进行处理。在下行方向上，基带装置1401对终端设备的信息进行处理，并发送给射频装置1402，射频装置1402对终端设备的信息进行处理后经过天线1403发送给终端设备。
基带装置1401包括一个或多个处理单元14011，存储单元14012和接口14013。其中处理单元14011用于支持网络设备执行上述方法实施例中网络设备的功能。存储单元14012用于存储软件程序和/或数据。接口14013用于与射频装置1402交互信息，该接口包括接口电路，用于信息的输入和输出。在一种实现中，所述处理单元为集成电路，例如一个或多个ASIC，或，一个或多个数字信号处理器(digital signal processor，DSP)，或，一个或者多个现场可编程逻辑门阵列(field programmable gate array，FPGA)，或者这些类集成电路的组合。存储单元14012与处理单元14011可以位于同一个电路中，即片内存储元件。或者存储单元14012也可以与处理单元14011处于不同电路上，即片外存储元件。所述存储单元14012可以是一个存储器，也可以是多个存储器或存储元件的统称。
网络设备可以通过一个或多个处理单元14011调度程序的形式实现上述方法实施例中的部分或全部步骤。例如实现图5所示的实施例至图8所示的实施例中的任一个实施例所述的网络设备的相应的功能。所述一个或多个处理单元14011可以支持同一种制式的无线接入技术，也可以支持不同种制式的无线接入制式。
在一个例子中，可以将具有收发功能的射频装置1402和天线1403视为网络设备的收发单元，将具有处理功能的基带装置1401视为网络设备的处理单元(例如将基带装置所包括的处理单元14011认为是子处理单元14011)。收发单元也可以称为收发器、收发机、收发装置等。可选的，可以将该收发单元中用于实现接收功能的器件视为接收单元，将该收发单元中用于实现发送功能的器件视为发送单元，即收发单元包括接收单元和发送单元。示例性的，接收单元也可以称为接收机、接收器、接收电路等，发送单元可以称为发射机、发射器或者发射电路等。
在本申请所提供的几个实施例以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质，可以是计算机能够存取的任何可用介质。以此为例但不限于：计算机可读介质可以包括随机存取存储器(random access memory，RAM)、只读存储器(read-only memory，ROM)、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
以上所述，仅为本申请的具体实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。因此，本申请实施例的保护范围应所述以权利要求的保护范围为准。
Claims (30)
1.一种通信方法，其特征在于，包括：
确定信道状态信息，所述信道状态信息是根据S个向量的S个索引确定的，其中，所述S个向量中的每个向量包括于第一向量量化字典中，所述第一向量量化字典包括N1个向量，所述N1和S均为正整数；
向网络设备发送所述信道状态信息。
2.根据权利要求1所述的方法，其特征在于，
所述S个向量是根据S个第一信道信息和所述第一向量量化字典确定的，所述S个第一信道信息是编码器网络输出的信息。
3.根据权利要求2所述的方法，其特征在于，所述N1个向量的长度相同，且所述长度与所述编码器网络的输出维度中的至少一个维度相等。
4.根据权利要求2或3所述的方法，其特征在于，所述编码器网络的输入维度是根据第一参考编码器网络的输入维度确定的，所述编码器网络的输出维度是根据所述第一参考编码器网络的输出维度确定的。
5.根据权利要求4所述的方法，其特征在于，所述第一参考编码器网络与第一参考解码器网络对应。
6.根据权利要求5所述的方法，其特征在于，第一参考网络包括所述第一参考编码器网络和所述第一参考解码器网络，所述第一参考网络还包括参考向量量化字典。
7.根据权利要求2～4任一项所述的方法，其特征在于，所述编码器网络的输入维度为M或M×2，所述编码器网络的输出维度为D×S，M、D均为正整数；
M≤Ntx×Nsb×z，S≤M，z为大于或等于1的正整数，其中，Ntx表示所述网络设备的发射天线端口数，Nsb表示频域子带个数。
8.根据权利要求2～4任一项所述的方法，其特征在于，所述编码器网络的输入维度为M×N×2或M×N，所述编码器网络的输出维度为D×P×Q，其中S＝P×Q，M、N、D、P、Q均为正整数；
M≤Ntx，N≤Nsb，S≤M×N；或，
M＝Ntx×x，N＝Nsb×y，S≤(Ntx×x)×(Nsb×y)；或，
M＝Ntx×Nrx，N＝Nsb，S≤(Ntx×Nrx)×Nsb；
其中，Ntx表示所述网络设备的发射天线端口数，Nsb表示频域子带个数，Nrx表示终端设备的接收天线端口数，x和y均大于1。
9.根据权利要求2～4任一项所述的方法，其特征在于，所述编码器网络的输入维度为M×N×T×2或M×N×T，所述编码器网络的输出维度为D×P×Q×R，其中S＝P×Q×R，M、N、D、P、Q、R、T均为正整数；
M＝Ntx，N＝Nsb，T＝Nrx，S≤Nrx×Ntx×Nsb；
其中，Ntx表示所述网络设备的发射天线端口数，Nsb表示频域子带个数，Nrx表示终端设备的接收天线端口数。
10.根据权利要求1～9任一项所述的方法，其特征在于，所述方法还包括：
向所述网络设备发送所述第一向量量化字典的信息。
11.根据权利要求10所述的方法，其特征在于，向所述网络设备发送所述第一向量量化字典的信息，包括：
周期性地向所述网络设备发送所述第一向量量化字典的信息；或，
在从所述网络设备接收第一配置信息后，周期性地向所述网络设备发送所述第一向量量化字典的信息；或，
在从所述网络设备接收第一配置信息后，向所述网络设备发送所述第一向量量化字典的信息；或，
在从所述网络设备接收第一配置信息后的第一时延到达的时间单元，向所述网络设备发送所述第一向量量化字典的信息，其中，所述第一配置信息包含第一时延的信息；或，
在从所述网络设备接收第一参数信息后，向所述网络设备发送所述第一向量量化字典的信息，所述第一参数信息用于指示解码器网络的参数信息；或，
在从所述网络设备接收第一参数信息后的第一时延到达的时间单元，向所述网络设备发送所述第一向量量化字典的信息，所述第一参数信息用于指示解码器网络的参数信息；或，
在从所述网络设备接收第一指示信息后，向所述网络设备发送所述第一向量量化字典的信息，所述第一指示信息用于触发发送向量量化字典；或，
在从所述网络设备接收第一指示信息后的第一时延到达的时间单元，向所述网络设备发送所述第一向量量化字典的信息，所述第一指示信息用于触发发送向量量化字典。
12.根据权利要求1～11任一项所述的方法，其特征在于，
当前的组网方式为第一组网方式，所述第一向量量化字典为所述第一组网方式对应的向量量化字典；或，
终端设备的移动速度属于第一区间，所述第一向量量化字典为所述第一区间对应的向量量化字典；或，
终端设备从第二小区切换到第一小区，所述第一向量量化字典为所述第一小区对应的向量量化字典；或，
所使用的参考编码器网络从第二参考编码器网络切换到第一参考编码器网络，所述第一向量量化字典为所述第一参考编码器网络对应的向量量化字典；或，
所述第一向量量化字典为第二指示信息所指示的向量量化字典，所述第二指示信息来自网络设备。
13.根据权利要求2～9任一项所述的方法，其特征在于，所述方法还包括：
向所述网络设备发送第二参数信息，所述第二参数信息用于指示所述编码器网络的参数。
14.根据权利要求13所述的方法，其特征在于，向所述网络设备发送第二参数信息，包括：
周期性地向所述网络设备发送所述第二参数信息；或，
在从所述网络设备接收第二配置信息后，周期性地向所述网络设备发送所述第二参数信息；或，
在从所述网络设备接收第二配置信息后，向所述网络设备发送所述第二参数信息；或，
在从所述网络设备接收第二配置信息后的第二时延到达的时间单元，向所述网络设备发送所述第二参数信息，其中，所述第二配置信息包含第二时延的信息；或，
在从所述网络设备接收第三指示信息后，向所述网络设备发送所述第二参数信息，所述第三指示信息用于触发发送编码器网络的参数信息；或，
在从所述网络设备接收第三指示信息后的第二时延到达的时间单元，向所述网络设备发送所述第二参数信息，所述第三指示信息用于触发发送编码器网络的参数信息。
15.一种信道状态信息接收方法，其特征在于，包括：
接收信道状态信息，所述信道状态信息包括S个向量的S个索引；
根据所述S个索引和第一向量量化字典，得到重构的下行信道矩阵的信息，其中，所述S个向量中的每个向量包括于所述第一向量量化字典中，所述第一向量量化字典包括N1个向量，所述N1和S均为正整数。
16.根据权利要求15所述的方法，其特征在于，根据所述S个索引和第一向量量化字典，得到重构的下行信道矩阵的信息，包括：
根据所述第一向量量化字典对所述S个索引进行反映射，得到第一矩阵；
根据所述第一矩阵和解码器网络，得到所述重构的下行信道矩阵的信息。
17.根据权利要求16所述的方法，其特征在于，根据所述第一矩阵和所述解码器网络，得到重构的所述下行信道矩阵的信息，包括：
将所述第一矩阵输入所述解码器网络，得到第二矩阵；
根据所述第二矩阵得到所述重构的下行信道矩阵的信息。
18.根据权利要求15～17任一项所述的方法，其特征在于，所述重构的下行信道矩阵满足如下关系：
其中，{indi}i＝1...s表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典，将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×N×2的第二矩阵，所述第一矩阵和所述第二矩阵均为实数矩阵，函数C(x)表示将所述第二矩阵转换为维度是M×N的复数矩阵，{U1，k}k＝1...M表示空域基向量集合，U1，k表示所述空域基向量集合中第七个向量，所述空域基向量集合所包括的向量的长度为Ntx，{U2，l}l＝1...N表示频域基向量集合，U2，l表示所述频域基向量集合中第l个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2，i的共轭转置矩阵，D、S、M、N均为正整数。
19.根据权利要求18所述的方法，其特征在于，
M＝Ntx，N＝Nsb；或，
M≤Ntx，N≤Nsb；或，
M＝Ntx×x，N＝Nsb×y，x和y均大于1。
20.根据权利要求15～17任一项所述的方法，其特征在于，所述重构的下行信道矩阵满足如下关系：
其中，{indi}i＝1...S表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典，将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×2的第二矩阵，所述第一矩阵和所述第二矩阵均为实数矩阵，函数C(x)表示将所述第二矩阵转换为维度是M的复数矩阵，M≤Ntx×Nsb，{U1，(j，k)}j＝1...M表示空域基向量集合，U1，(j，k)表示所述空域基向量集合中的第j个向量，所述空域基向量集合所包括的向量长度为Ntx，{U2，(j，l)}j＝1...M表示频域基向量集合，U2，(j，l)表示所述频域基向量集合中的第j个向量，所述频域基向量集合所包括的向量长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2，(j，l)的共轭转置向量，D、S、M均为正整数。
21.根据权利要求15～17任一项所述的方法，其特征在于，所述重构的下行信道矩阵满足如下关系：
其中，q(indi)表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×N×T×2的第二矩阵，T＝Nrx，Nrx表示终端设备的接收天线端口数，所述第一矩阵和所述第二矩阵均为实数矩阵，函数C(x)表示将所述第二矩阵转换为维度是M×N×T的复数矩阵，(x)|t＝1...T表示根据所述第二矩阵，将T个维度是M×N的矩阵分别进行处理，以得到所述重构的下行信道矩阵，{U1，k}k＝1...M表示空域基向量集合，U1，k表示所述空域基向量集合中的第k个向量，所述空域基向量集合所包括的向量的长度为Ntx，{U2，l}l＝1...N表示频域基向量集合，U2，l表示所述频域基向量集合中的第l个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2，l的共轭转置向量，D、S、M、N、T均为正整数。
22.根据权利要求15～17任一项所述的方法，其特征在于，所述重构的下行信道矩阵满足如下关系：
其中，q(indi)表示所述S个向量在所述第一向量量化字典中的所述S个索引，函数q(x)表示根据所述第一向量量化字典将所述S个索引映射为维度是D×S的第一矩阵，函数fdec(x)表示通过所述解码器网络将所述第一矩阵重构为维度是M×T×2的第二矩阵，T＝Nrx，所述第一矩阵和所述第二矩阵均为实数矩阵，函数C(x)表示将所述第二矩阵转换为维度是M×T的复数矩阵，(x)|t＝1...T表示根据所述第二矩阵，将T个维度是M的矩阵分别进行处理，以得到所述重构的下行信道矩阵，{U1，(j，k)}j＝1...M表示空域基向量集合，U1，(j，k)表示所述空域基向量集合中的第j个向量，所述空域基向量集合所包括的向量的长度为Ntx，
表示频域基向量集合，U2，(j，l)表示所述频域基向量集合中的第j个向量，所述频域基向量集合所包括的向量的长度为Nsb，Ntx表示网络设备的发射天线端口数，Nsb表示频域子带个数，
表示U2，(j，l)的共轭转置向量，D、S、M、T均为正整数。
23.根据权利要求15～22任一项所述的方法，其特征在于，所述方法还包括：
接收所述第一向量量化字典的信息。
24.根据权利要求23所述的方法，其特征在于，接收所述第一向量量化字典的信息，包括：
周期性地接收所述第一向量量化字典的信息；或，
在发送第一配置信息后，周期性地接收所述第一向量量化字典的信息；或，
在发送第一配置信息后，接收所述第一向量量化字典的信息；或，
在发送第一配置信息后的第一时延到达的时间单元，接收所述第一向量量化字典的信息，其中，所述第一配置信息包含第一时延的信息；或，
在发送第一参数信息后，接收所述第一向量量化字典的信息，所述第一参数信息用于指示解码器网络的参数信息；或，
在发送第一参数信息后的第一时延到达的时间单元，接收所述第一向量量化字典的信息，所述第一参数信息用于指示解码器网络的参数信息；或，
在发送第一指示信息后，接收所述第一向量量化字典的信息，所述第一指示信息用于触发发送向量量化字典；或，
在发送第一指示信息后的第一时延到达的时间单元，接收所述第一向量量化字典的信息，所述第一指示信息用于触发发送向量量化字典。
25.根据权利要求15～24任一项所述的方法，其特征在于，
当前的组网方式为第一组网方式，所述第一向量量化字典为所述第一组网方式对应的向量量化字典；或，
终端设备的移动速度属于第一区间，所述第一向量量化字典为所述第一区间对应的向量量化字典；或，
终端设备从第二小区切换到第一小区，所述第一向量量化字典为所述第一小区对应的向量量化字典；或，
终端设备所使用的参考编码器网络从第二参考编码器网络切换到第一参考编码器网络，所述第一向量量化字典为所述第一参考编码器网络对应的向量量化字典；或，
所述方法还包括：发送第二指示信息，所述第二指示信息用于指示所述第一向量量化字典的信息。
26.根据权利要求15～22任一项所述的方法，其特征在于，所述方法还包括：
接收第二参数信息，所述第二参数信息用于指示编码器网络的参数。
27.根据权利要求26所述的方法，其特征在于，接收第二参数信息，包括：
周期性地接收所述第二参数信息；或，
在发送第二配置信息后，周期性地接收所述第二参数信息；或，
在发送第二配置信息后，接收所述第二参数信息；或，
在发送第二配置信息后的第二时延到达的时间单元，接收所述第二参数信息，其中，所述第二配置信息包含第二时延的信息；或，
在发送第三指示信息后，接收所述第二参数信息，所述第三指示信息用于指示发送编码器网络的参数信息；或，
在发送第三指示信息后的第二时延到达的时间单元，接收所述第二参数信息，所述第三指示信息用于指示发送编码器网络的参数信息。
28.一种通信装置，其特征在于，用于实现如权利要求1～14任一项所述的方法，或用于实现如权利要求15～27任一项所述的方法。
29.一种通信装置，其特征在于，包括处理器和存储器，所述存储器和所述处理器耦合，所述处理器用于执行如权利要求1～14任一项所述的方法，或用于执行如权利要求15～27任一项所述的方法。
30.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1～14中任一项所述的方法，或使得所述计算机执行如权利要求15～27中任一项所述的方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610811.3A CN115441914A (zh) | 2021-06-01 | 2021-06-01 | 一种通信方法及装置 |
| PCT/CN2022/094416 WO2022253023A1 (zh) | 2021-06-01 | 2022-05-23 | 一种通信方法及装置 |
| EP22815070.2A EP4336739A1 (en) | 2021-06-01 | 2022-05-23 | Communication method and apparatus |
| JP2023574540A JP2024522144A (ja) | 2021-06-01 | 2022-05-23 | 通信方法および装置 |
| US18/526,282 US20240137082A1 (en) | 2021-06-01 | 2023-12-01 | Communication method and apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610811.3A CN115441914A (zh) | 2021-06-01 | 2021-06-01 | 一种通信方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115441914A true CN115441914A (zh) | 2022-12-06 |
Family
ID=84239858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610811.3A Pending CN115441914A (zh) | 2021-06-01 | 2021-06-01 | 一种通信方法及装置 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20240137082A1 (zh) |
| EP (1) | EP4336739A1 (zh) |
| JP (1) | JP2024522144A (zh) |
| CN (1) | CN115441914A (zh) |
| WO (1) | WO2022253023A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116405074B (zh) * | 2023-06-08 | 2023-08-22 | 北京智芯微电子科技有限公司 | 码本选择方法、装置、存储介质及处理器 |
| CN117896442B (zh) * | 2024-03-15 | 2024-06-14 | 陕西禄远电子科技有限公司 | 一种基于物联网的综合能源数据管理系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8234546B2 (en) * | 2008-04-21 | 2012-07-31 | Wi-Lan, Inc. | Mitigation of transmission errors of quantized channel state information feedback in multi antenna systems |
| US9973249B2 (en) * | 2014-12-23 | 2018-05-15 | Samsung Electronics Co., Ltd. | Channel state information feedback schemes for FD-MIMO |
| CN106209195B (zh) * | 2015-03-06 | 2020-02-11 | 电信科学技术研究院 | 信道状态信息获取方法、信道状态信息反馈方法及装置 |
| CN105245263A (zh) * | 2015-10-10 | 2016-01-13 | 重庆大学 | 一种基于压缩感知的下行信道状态信息获取方法 |
| US10250309B2 (en) * | 2016-03-24 | 2019-04-02 | Huawei Technologies, Co., Ltd. | System and method for downlink channel estimation in massive multiple-input-multiple-output (MIMO) |
| US10079629B2 (en) * | 2017-02-17 | 2018-09-18 | Futurewei Technologies, Inc. | Apparatus and method for pre-coding data based on channel statistics |
-
2021
- 2021-06-01 CN CN202110610811.3A patent/CN115441914A/zh active Pending
-
2022
- 2022-05-23 JP JP2023574540A patent/JP2024522144A/ja active Pending
- 2022-05-23 WO PCT/CN2022/094416 patent/WO2022253023A1/zh active Application Filing
- 2022-05-23 EP EP22815070.2A patent/EP4336739A1/en active Pending
-
2023
- 2023-12-01 US US18/526,282 patent/US20240137082A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20240137082A1 (en) | 2024-04-25 |
| WO2022253023A1 (zh) | 2022-12-08 |
| EP4336739A1 (en) | 2024-03-13 |
| JP2024522144A (ja) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022253023A1 (zh) | 一种通信方法及装置 | |
| US20210234599A1 (en) | Feedback Overhead Reduction for Precoders under High Rank Spatial Channels | |
| Xiao et al. | AI enlightens wireless communication: Analyses, solutions and opportunities on CSI feedback | |
| US20230412430A1 (en) | Inforamtion reporting method and apparatus, first device, and second device | |
| WO2023246618A1 (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
| WO2023116808A1 (zh) | 一种通信方法及装置 | |
| CN114499608B (zh) | 用信号发送端口信息 | |
| CN116436551A (zh) | 信道信息传输方法及装置 | |
| WO2023279947A1 (zh) | 一种通信方法及装置 | |
| WO2023125699A1 (zh) | 一种通信方法及装置 | |
| CN112398516A (zh) | 一种码本子集限制的方法和通信装置 | |
| WO2023115254A1 (zh) | 处理数据的方法及装置 | |
| WO2023006096A1 (zh) | 一种通信方法及装置 | |
| WO2024046288A1 (zh) | 通信方法和装置 | |
| WO2024094177A1 (zh) | 信道状态信息确定方法、装置及可读存储介质 | |
| WO2023198018A1 (zh) | 一种上行信号发送、接收方法及装置 | |
| EP4262105A1 (en) | Reporting of channel state information | |
| WO2023030538A1 (zh) | 信道状态信息的处理方法、终端、基站、计算机可读存储介质 | |
| Li et al. | A Novel Deep Learning based CSI Feedback Approach for Massive MIMO Systems | |
| Lee et al. | Deep Learning for Wireless Dynamics | |
| CN117641446A (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
| CN117220728A (zh) | 一种模型应用方法及装置 | |
| CN116800307A (zh) | 一种通信方法及装置 | |
| WO2023063844A1 (en) | Devices and methods for generating compressed channel state information | |
| CN116939650A (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 |
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 |