CN115811339A - 多信道csi重建 - Google Patents
多信道csi重建 Download PDFInfo
- Publication number
- CN115811339A CN115811339A CN202211102868.3A CN202211102868A CN115811339A CN 115811339 A CN115811339 A CN 115811339A CN 202211102868 A CN202211102868 A CN 202211102868A CN 115811339 A CN115811339 A CN 115811339A
- Authority
- CN
- China
- Prior art keywords
- channel
- previous channel
- neural network
- terminal
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 173
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 description 61
- 239000013598 vector Substances 0.000 description 42
- 230000004913 activation Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000002596 correlated effect Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000270299 Boa Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及多信道CSI重建。一种方法包括：从终端接收终端位置信息或类似位置信息；分别基于终端位置信息或类似位置信息，在一个或多个存储的第一先前信道信息对中，选择一个或多个第一先前信道信息对；分别将该终端位置信息或该类似位置信息、以及所选择的一个或多个第一先前信道信息对输入到经训练的插值神经网络中，随着从插值神经网络的输出以获取终端和基站之间的信道的第一估计；向终端提供经训练的神经网络的权重；其中一个或多个第一先前信道信息对中的每个对包括与相应先前信道相关的位置信息以及相应先前信道的第一表示。
Description
技术领域
本公开涉及CSI重建。特别地，可以涉及在存在多个信道分量的情况下的CSI重建。
缩写
3GPP 第三代合作伙伴项目
4G/5G/6G 第4代/第5代/第6代
AI 人工智能
AP 天线端口
BVDM 建筑向量数据矩阵
CSI 信道状态信息
DNN 密集神经网络
FDD 频分双工
FR 频率范围
GAN 生成对抗网络
gNB 5G NR节点B
GPS 全球定位系统
IBN 信息瓶颈
ID 标识符
JT CoMP 联合传输-协调多点
LOC 位置
LOS 视线
MAC 媒体访问控制
MIMO 多输入-多输出
ML 机器学习
mMIMO 大规模MIMO
MPC 多径分量
MSE 均方误差
MU MIMO 多用户MIMO
NL 非线性
NLOS 非-LOS
NN 神经网络
NR 新无线电
PHY 物理(层)
PUCCH 物理上行链路控制信道
RAN 无线电接入网络
ReLU 整流线性单元
RF 无线电频率
RS 参考信号
RX 接收(接收器)
SL 有监督学习
SNR 信噪比
TRP TX/RX点
TX 发射(发射机)
UE 用户设备
UL 上行链路
UNN 未经训练的神经网络
URA 均匀矩形阵列
VAE 变分自动编码器
背景技术
无小区大规模MIMO系统可以提供高增益，以防准确的信道状态信息(CSI)可用于由功率高于特定功率阈值的UE接收到的所有信道分量(相关信道分量)。以前的系统级模拟指示，频谱效率增益可能达到100％甚至更高。
FR1低于6GHz RF频率时，FDD系统面临的挑战是需要准确报告大量的10个、50个甚至更多的相关信道分量。作为比较，对于单个四波束小区，NR版本17类型II CSI报告的开销在100到150比特的范围内。将此扩展到具有例如40个相关信道分量的多TRP合作区域，则我们得到每个CSI报告1.5kbit的十倍开销。通常，即使对于游牧用户，CSI也将每5ms到10ms报告一次，使得每个UE的PUCCH速率约为1.5Mbit/s到3Mbit/s。对于MU MIMO，大量UE需要此非常高的UL速率，这对于稀缺的UL资源和每个UE的功耗提出了挑战。
AI/ML提供了实现CSI报告的新选项，并且经常讨论的是变分自动编码器(VAE)，这导致了如图1所示的信息瓶颈方法(IBN)。在典型的设置中，VAE的编码器将在UE侧，并且解码器在gNB侧。然后，VAE被训练到预期的信道特性，并且以此类方式，信息瓶颈(即，空中报告的ML信息的大小)被最小化。应注意的是，自动编码器首先尝试用最小长度向量来解码输入信号，以及然后基于此最小长度输入向量对相同的信号进行重新编码。最小长度向量则是信息瓶颈，并且可以被用于CSI信息的有效报告。对于期望的最大重建误差ε和给定的无线电信道分布，将存在信息瓶颈的最小尺寸，该信息瓶颈的最小尺寸由像KullbackLeibler散度的理论极限来限定。
人们可以考虑不同的选择来超越此基本VAE方法的限制。例如，每个信道分量使用强mMIMO波束形成器可以减少每个波束的信息内容，因为相关多径分量的数量较少(例如，参见FR mMIMO预编码)。另一种方法是应用信道预测并且随着时间的推移学习无线电信道的内部信号结构。
在现有技术中，未经训练的神经网络[1-3]被用于MIMO信道估计[1]。术语“未经训练的”是指不需要为训练进行大量的数据集收集的事实。梯度下降的迭代是在单个高维数据集点上执行的。因此，神经网络结构在不过度拟合的情况下被拟合到一个特定的数据实现。例如，如果MIMO信道测量是有噪声的，则人们可以找到能够以降低的噪声再现此信道测量的网络结构。这被称为去噪能力，并且对于未经训练的神经网络，此特性归因于网络架构学习测量的先前结构的事实。
图2呈现了通用的未经训练的神经网络(UNN)结构，其具有根据[2]中的深度解码器所设计的L个计算块。在图2中，块1至(L-2)表示内层，该内存由具有滤波器大小(k，1，1)的卷积层、二维双线性上采样操作、ReLU激活函数、和批归一化层形成。块(L-1)是预输出层，并且包括具有滤波器大小(k，1，1)的卷积层、ReLU激活函数、和批归一化层。块(L)是输出层，其包括具有滤波器大小(2M，1，1)的卷积层和激活函数，诸如双曲正切激活函数。除了输出层的激活函数被改变以更好地表示无线信道之外，UNN结构与[2]中的深度解码器一致。这里，M是在gNB处的天线的数量，以及k是超参数，即每层中卷积滤波器的数量。可以根据环境特性来设置k的值。由于上采样操作，内层的最大数量通常受限于在[频率(Nsub)，时间(Nsp)]域中的测量网格的大小，即如果Nsub＝Nsp＝N，则(L-2)＝log2(N)。
Hest是在UNN的输出处所估计的信道。迭代UNN的权重，使得Hest拟合Hmes(具有给定的容错)，其中Hmes是信道测量(图2中未示出)。作为迭代的结果，输入种子与UNN权重的组合给出了拟合Hmes的Hest。在UNN中，可以使用具有噪声信道Hmes的有监督学习。由于噪声信道，它不同于常见的深度神经网络(DNN)。在DNN中，需要无噪声信道/标签来使用有监督学习训练DNN。
超参数限定了神经网络，诸如层数或滤波器的数量、激活函数等。它们在迭代期间不被调整，而是保持固定。特别地，在迭代期间调整的权重不属于超参数。
参考文献
[1]E.Balevi，A.Doshi和J.G.Andrews，“用未经训练的深度神经网络进行大规模MIMO信道估计(Massive MIMO Channel Estimation With an Untrained Deep NeuralNetwork)”，IEEE无线通信汇刊，第19卷，第3期，第2079-2090页，2020年3月，doi:10.1109/TWC.2019.2962474。
[2]R.Heckel和P.Hand，“深度解码器:来自未经训练的非卷积网络的简明图像表示(Deep Decoder:Concise Image Representations from Untrained Non-convolutional Networks)”，arXiv:1810.03982[cs，stat]，2019年2月。可用:http://arxiv.org/abs/1810.03982
[3]D.Ulyanov，A.Vedaldi和V.Lempitsky，“深度图像先前(Deep Image Prior)”，Int J Comput Vis，第128卷，第7期，第1867-1888页，2020年7月，doi:10.1007/s11263-020-01303-4。
[4]B.V.Boas，W.Zirwas和M.Haardt，“使用混合分辨率RF链进行信道估计的两步机器学习方法(Two-step Machine Learning Approach for Channel Estimation withMixed Resolution RF Chains)”，2021年IEEE国际通信研讨会会议(ICC研讨会)，2021年，第1-6页，doi:10.1109/ICCWorkshops50388.2021.9473491。
发明内容
本发明的目的是改善现有技术。
根据本发明的第一方面，提供了一种方法，包括：接收一个或多个第二先前信道信息对，其中第二先前信道信息对中的每个对包括与来自基站的相应先前信道相关的位置信息和相应先前信道的第二表示；选择第二先前信道信息对中的一个或多个对；对于所选择的第二先前信道信息对中的每个对：获取相应的选择的第一先前信道信息对，其中所选择的第一先前信道信息对中的每个对包括与相应先前信道相关的位置信息和相应先前信道的第一表示，并且第一表示基于第二表示；对于终端和基站之间的信道，接收用于插值神经网络的权重集合；准备插值神经网络，该插值神经网络具有用于插值神经网络的权重集合；获取指示终端位置的终端位置信息；将终端位置信息和所选择的第一先前信道信息对输入到插值神经网络中，随着从插值神经网络的输出以获取终端和基站之间的信道的第一估计。
根据本发明的第二方面，提供了一种方法，包括：从终端接收终端位置信息或类似位置信息；分别基于终端位置信息或类似位置信息，在一个或多个存储的第一先前信道信息对中，选择一个或多个第一先前信道信息对；分别将终端位置信息或类似位置信息、以及所选择的一个或多个第一先前信道信息对输入到经训练的插值神经网络中，随着从插值神经网络的输出以获取终端和基站之间的信道的第一估计；向终端提供经训练的神经网络的权重；其中一个或多个第一先前信道信息对中的每个对包括与相应先前信道相关的位置信息和相应先前信道的第一表示。
第一方面和第二方面的方法中的每个方法都可以是CSI重建的方法。
根据本发明的第三方面，提供了一种装置，包括：一个或多个处理器，以及存储指令的存储器，当该指令由一个或多个处理器执行时，使得该装置执行根据第一方面和第二方面中的一个方面的方法。
根据本发明的第四方面，提供了一种计算机程序产品，包括指令集合，当该指令集合在装置上执行时，被配置为使得该装置执行根据第一方面和第二方面中的任一个方面的方法。计算机程序产品可以被表现为计算机可读介质或可被直接加载到计算机中。
根据本发明的一些实施例，可以实现以下优点中的至少一个：
·可以以高准确度和合理的低开销获取大量的信道分量；大批的信道分量的CSI可以从单个报告的ML向量mopt(指示UE的位置)重建。
·受益于gNB环境的经预先训练的先前知识，使得可以显著降低用于大批的信道分量的CSI反馈的开销。
·同时，不需要明确的BVDM知识，因为无线电信道的确定性部分是从UE数据报告和/或光线跟踪模拟固有地学习和推理出来的。
·学习到的先前知识将所有的RF相关的效应固有地包括到经训练的ML模型中。
·AI/ML提供了灵活性，使得可训练模型可以适应变化的环境条件，如典型的早晨、晚上或夜间变化。
应理解，任何上述修改都可以单独或组合地被应用于它们所涉及的各个方面，除非它们被明确声明为排除替代方案。
附图说明
从下面结合附图对本发明优选实施例的详细描述中，进一步的细节、特征、目的和优点是显而易见的，在附图中：
图1示出了IBN方法；
图2示出了根据现有技术的未经训练的神经网络，其中其种子可以表示信道估计；
图3示出了根据现有技术的信道估计、以及与本发明的一些示例实施例的对应关系；
图4示出了根据本发明的一些示例实施例的推理阶段；
图5示出了根据本发明的一些示例实施例的未经训练的神经网络，其中其种子可以表示信道估计；
图6示出了根据本发明的一些示例实施例的图5的未经训练的NN的输入种子的细节；
图7示出了在左侧的BVDM上示出的UE的一部分的BVDM(左部)和PHY层模型(右部)；
图8示出了根据本发明的一些示例实施例的插值原理；
图9示出了模拟环境；
图10示出了UNN的信道估计结果；第一列示出了用于优化UNN权重的Hmes，第二列呈现了所估计的信道Hest，并且第三列示出了来自模拟器的Htrue。
图11示出了在25000次迭代之后的模拟结果(对应于图10)，用于利用从UE开始的权重来重建UE1的信道；
图12示出了对于Nsub＝96、Nsp＝1、M＝36、SNR为20dB的Hmes，使用UNN的UE2信道估计；
图13示出了分别针对96个子载波、36个天线和1个时间快照的UE1、UE2和UE3的信道重建的UNN。示出的信道是针对UE1的，SNR值是指所有3个UE重建的信道；
图14示出了用于重建大量相关信道分量的基本方法；
图15示出了将位置特定的NN集成到单个更大的NN中；
图16示出了该概念的扩展，除了无线电信道的确定性描述之外，其还包括可变部分，该可变部分重建了移动对象的效应、BVDM的变化，如打开或关闭窗口等；
图17示出了一个广域神经网络连同局部神经网络的组合；
图18示出了根据本发明示例实施例的装置；
图19示出了根据本发明示例实施例的方法；
图20示出了根据本发明示例实施例的装置；
图21示出了根据本发明示例实施例的方法；以及
图22示出了根据本发明示例实施例的装置。
具体实施方式
在下文中，将参考附图详细描述本发明的某些实施例，其中除非另有说明，否则实施例的特征可以彼此自由组合。然而，应明确地理解，某些实施例的描述仅通过示例的方式给出，并且决不意图理解为将本发明限制于所公开的细节。
此外，应理解，装置被配置为执行对应的方法，尽管在一些情况下仅描述了该装置或仅描述了该方法。
本发明的一些示例实施例的目标是以高准确度、但合理的低开销来报告用于大量信道分量的CSI。应注意的是，每个信道分量本身可以包括大量相关信道系数。
为此，基于模型的信道预测的思想(一种包括来自数字孪生的先前知识的方法)与由ML/AI提供的选项相结合。特别地，提出了从神经网络(NN)重建大量的无线电信道分量，其中场景特定的无线电信道细节被固有地存储在NN中。为了合理和高效的实现，提出了一种“插值”NN。
本发明的一些示例实施例的焦点将集中在生成和受益于先前知识。基本上，在UE以及gNB侧可用的所有先前知识可以从报告中被跳过。传统上，此类先前知识可以由gNB环境的数字孪生-或镜像世界-提供，例如，作为建筑向量数据映射地图(BVDM)。关于数字孪生的挑战在于，它i)在许多情况下可能不可用，ii)通常仅提供环境的几何结构而没有RF特性，iii)限于长期确定性效应，以及iv)可能具有有限的准确度。
因此，如图3所示，作为AI/ML解决方案的一部分，本发明的一些示例实施例用学习到的先前知识来代替数字孪生的先前知识。因此，gNB可以在没有BVDM可用的情况下工作。相反，它可以在较长的训练周期内从UE上行链路报告中了解其环境。
一般来说，将基于ML的先前知识应用于有效的CSI报告可能导致以下问题中的一个或多个：
i)如何用有限大小的单个报告的ML向量来重建大量相关信道系数？
ii)如何实现先前知识(BVDM)并且将其集成到AI/ML神经网络中？特别地，问题是如何高效地做到这一点，以便避免每个可能的UE位置训练一个ML实例。
iii)如何选择和如何计算单个ML向量，其必须被报告以用于多信道系数的重建？
本发明的一些示例实施例为这些问题中的至少一个提供了解决方案。
简而言之，本发明的一些示例实施例可以如下操作：
gNB训练插值NN(在下面进一步命名为NN4)。NN4具有多个输入：
·位置输入，用于输入位置(例如UE的位置，信道将被估计到该位置)；以及
·一个或多个信息对，其中每个信息对包括位置指示和相应的信道估计(“(多个)先前信道信息对”)。可以根据信道矩阵Hmes来提供信道估计。然而，优选地，信道估计被提供为各个UNN的权重，如下面进一步解释的(下面进一步命名为NN1至NN3)。
插值NN的输出是对输入插值NN的位置的信道估计。输出信道估计可以具有与输入信道估计相同或不同的格式。
通过来自相关区域中的多个位置(“训练位置”，例如50个训练位置、或100个训练位置、或300个训练位置等)的信道测量来训练插值NN。在训练中，(多个)先前信道信息对和训练位置中的(相继的)一个被输入到插值NN中，并且权重被调整以使成本函数最小化。选择成本函数，使得插值NN的输出和相应训练位置的信道估计之间的差异最小化(小于预定误差)，并且使得对于(多个)先前信道位置中的每一个，如果相应先前信道位置被输入到插值NN中，则NN的输出和包括在相应先前信道信息对中的信道估计之间的差异最小化(小于预定误差)。因此，经训练的插值NN获取了环境的知识。
为了推理，如图4中所示，经训练的插值NN和(多个)先前信道信息对被提供给UE。UE向gNB提供其位置。UE和gNB都将UE的位置和先前信道信息对输入到插值NN中，从而获取针对UE位置的信道估计。UE和gNB可以使用此信道估计来对UE和gNB之间的消息进行编码和/或解码。
在一些示例实施例中，可能存在多于插值NN的对应输入的更多先前信道信息对。在此类情况下，在训练期间，gNB可以使用先前信道信息对的一个固定子集，但是可以将先前信道信息对的整个集合被提供给UE。在推理期间，UE和/或gNB可以选择最适合于UE位置的(多个)先前信道信息对的子集(接近于、或类似的无线电条件……)。gNB和UE中的选择可以根据相同的标准进行，或UE和gNB中的一个通知UE和gNB中的另一个关于该选择。如果先前信道信息对的数量匹配插值NN的输入的数量，则“选择”意味着使用所有的先前信道信息对。然后，UE和gNB两者都可以将(多个)先前信道信息对的相同子集输入到插值NN中。应注意的是，在这些情况下，选择的子集可能不同于训练插值NN的子集。假设插值NN在某个区域中仍然得到了足够好的训练。
在一些示例实施例中，执行进一步细化。gNB训练细化NN(稍后表示为NN5)。用于训练插值NN的训练数据被假定为基本事实。这些训练数据(位置和/或信道估计)被一些预定的噪声进行失真。根据用于训练插值NN的相同成本函数，训练细化NN，使得输入此类多对未失真和失真信道估计，并且细化NN的输出(类似位置信息)接近真实位置(基本事实)。应注意的是，类似位置信息实际上可能不具有直接的物理意义。从gNB向UE提供经训练的细化NN。
在推理中，UE将每个测量的信道估计和从插值NN获取的信道估计输入到经训练的细化NN中。UE向gNB提供经训练的细化NN的输出(类似位置信息)。gNB将类似位置信息输入到经训练的插值NN中，以获取针对UE的信道估计，该信道估计通常更接近于测量的信道估计。因此，对于编码，UE可以使用测量的信道估计，并且gNB可以使用从具有类似位置信息作为输入的插值NN获取的信道估计。
在下文中，更详细地描述了本发明。
本发明的一些示例实施例受到混沌理论的启发，其中单个复输入值可以生成无限的复杂性，如针对著名的Mandelbrot集所熟知的。也就是说，由单个向量馈送的一个非线性(NL)激活函数可以为大量多径分量重建大量参数。应注意的是，对于AI/ML，大量相关信道分量不必由PHY层多径分量参数(例如延迟、幅度、相位、到达方向等)来表示。即，如果输入到具有非线性激活函数的NN中，则单个向量足以重建信道，尽管单个向量的分量不能被映射到任何物理参数。
现在，描述如何使用UNN来表示先前信道信息(终端的位置，先前信道指向的位置，先前信道估计)。
在文献中，如果UNN被用于MIMO信道估计，则很少关注UNN输入种子的限定。一种常见的方法[1-3]是从随机分布(图2中的Z0)抽取输入种子。如图5和图6中所示，本发明的一些示例实施例提供了如何将UE位置信息嵌入到输入种子中以使得ML模型可重用的方式。即，输入种子包括位置(输入种子＝LOC+随机种子)。该位置可以被指示为物理坐标(例如欧几里德坐标(X，Y，Z)或一些地理坐标)，或它可以由可以被映射到物理位置的一些ML特定参数来指示。
本发明的一些示例实施例提供了开销减少的CSI报告方案和机器学习(ML)方法。例如，ML方法可以基于UNN概念或基于一些其他的ML方法，例如条件生成对抗网络(cGAN)。在下文中，基于UNN的强大且低复杂度的ML方法被描述为如何使用低开销CSI报告的示例。
也就是说，在训练期间(即在插值NN训练的准备阶段)，UE和gNB两者都运行由相同超参数限定的UNN。当UE测量信道(即Hmes)时，它执行NN的迭代，使得Hest拟合Hmes。UE使用的种子包括UE位置的指示。当迭代完成时(即，Hest拟合Hmes)，权重、输入种子的随机部分以及UE的位置的指示(被包括在输入种子中)包括环境的所有相关信息。因此，UE可以向gNB报告输入种子(包括如图6中的UE的位置的指示)和权重(当迭代结束时)。在此情况下，UE可能不向gNB报告Hmes、Hest或任何信道分量。由于gNB具有由与UE使用的UNN相同的超参数限定的UNN，因此gNB可以基于接收到的参数导出Hest≈Hmeas。从Hest≈Hmes，gNB可以导出信道分量。因此，gNB可以导出针对每个UE位置的信道分量。
然而，取决于NN的架构，UNN的输入种子可能相当大。尽管如此，根据本发明的一些示例实施例，不需要报告输入种子。相反，UE报告参数以导出图6中的输入种子。在表1中，列出了gNB和UE可以交换的参数(以下也称为“ML向量”)。
表1：通过ML向量的CSI报告
如果已知(多个)随机种子数量、分布类型(例如高斯分布或均匀分布)及其分布参数(例如均值和方差，或宽度为2S的区间)，则可以恢复输入种子的随机部分。然而，如何嵌入位置信息的方式并不明显。图6示出了用于构建UNN输入种子的候选。
根据现有技术，输入种子Z0(在我们的实验中，大小为[64，4，4])是从均匀随机分布抽取的。根据一些示例实施例，Z0中的随机矩阵中的一个被位置信息替换。位置矩阵可以被布置在输入种子中，如图6(右)中所示。然而，代替图6(右)中示出的布置，位置矩阵可以被布置在输入种子内的任何位置，只要该位置是预定的(对于UE和gNB两者都是相同的)。稍后呈现的我们的模拟结果显示，具有厘米级准确度的UE位置信息应优选地是可用的。位置报告中的小变化可能导致信道估计的劣化，而如果不迭代UNN，则米范围上的误差可能使得估计不可恢复。
图6(左)示出了位置矩阵的两个示例(选项a和b)。一般来说，位置矩阵应包括三个位置坐标(例如欧几里得系统中的X、Y、Z，其他位置表示也是可行的)。优选地，每列和每行包括三个位置坐标中的每一个。此外，优选地，相邻的矩阵元素不应包括相同的条目。
表1的ML向量中的信息元素“需要训练”和“迭代”是可选的。信息元素“需要训练”可以例如以下列方式中的一个被使用：gNB可以发送由UE2为UE1构建的ML向量。gNB知道这是不正确的，但是UE1可能开始从其邻居UE2获得了一些东西。因此，gNB使用信息“需要训练/迭代”来告诉UE它需要执行测量并且进一步迭代模型。可选地，gNB可以指示所需的迭代次数“p”。此外，在从UE到gNB的通信中，UE可以使用信息元素“需要训练”来告诉gNB之前发送的ML向量是错误的，必须对其进行更新。
在一些示例实施例中，仅布尔信息元素“需要训练”是可用的。在一些示例实施例中，数字信息元素“迭代”也是可用的。在一些示例实施例中，仅数字信息元素“迭代”是可用的。在这些示例实施例中，此信息元素中的零(或某个其他预定值)意味着不需要训练，即双方都同意并且没有错误。如果信息元素的值不为零(预限值)，则需要训练。
一些示例实施例通过使用导出的ML模型在节省时间方面特别高效。在下文中，描述了使用ML模型的不同阶段。它们特别针对早期情况，在该早期情况下，gNB不会为特定位置存储太多模型(例如具有相应ML向量的UNN)。这里描述了密集神经网络(DNN)，但是也可以使用任何可训练的ML结构来代替。
步骤I
由于神经网络通常包括非线性激活函数，诸如ReLU，本发明的一些示例实施例使用诸如密集神经网络(DNN)或未经训练的神经网络(UNN)作为非线性，包括许多神经网络(NN)节点和权重，其中每个节点包括一个ReLU函数。取决于DNN的大小，有可能从单个输入向量重建几个到大量的相关信道分量。
如以上参考图3所讨论的，经位置专门训练的DNN可以替代在gNB环境中针对某个区域的BVDM。通过有监督学习，DNN必须针对环境被训练，以结合关于几何形状的相关部分、RF特性(如反射或衍射系数等)的先前知识。应注意的是，在组合的离线和在线有监督学习(SL)训练中，可以首先使用光线跟踪模拟将DNN训练到环境的粗略BVDM(离线训练)，然后基于来自UE的完整CSI反馈进行微调(在线训练)。在后面的在线训练中，训练阶段期间的传统完整CSI报告可以被视为基本事实。图7在左侧示出了具有UE的BVDM，在右侧示出了接近UE位置所测量无线电信道的PHY层表示，描绘了针对移动UE的约50个多径分量的幅度α和延迟τ随时间t的演变(沿着50cm的直线的50个UE位置)。从图7的右侧可以看出，PHY层涉及平滑地演进，使得在某个区域中，信道估计可以基于相同的模型。
步骤II
当UE移动到另一位置时(或如果具有与先前UE相同的波束形成器的另一UE在另一位置)，则NN权重(或超参数)必须被更新到新位置。一般来说，定义几何网格并且为每个网格点定义一个NN是可能的。对于CSI报告，UE将只报告网格点ID，以及然后gNB可以为此网格ID从相关NN重建无线电信道。
然而，在一些场景中，CSI可能对UE位置非常敏感，即，网格大小必须在厘米甚至毫米的范围内，这将导致每平方米超过一万个网格点(或NN)。应注意的是，对于UE位置的真实世界三维网格，此数字将进一步爆炸！
在另一方面，在小区的许多区域中，由于多径分量的线性演变，将存在无线电信道的平滑的变化(见图7，右侧部分)。由于在不同位置处的CSI之间的这些固有相关性，因此可以采用更高效的NN结构，如图8所示。这里，假设gNB已经针对一组位置(例如位置1、2和3)学习了准确的CSI重建。如果UE处于这些位置中的一个，它可以直接报告其相关的ML向量，并且gNB可以从相关的NN重建CSI。但是，最有可能的是，UE将位于预定位置之间的某处，以及然后UE报告相关的中间ML向量。在最简单的情况下，UE可以仅报告UE的位置向量。根据此信息，gNB可以选择N个最接近的预训练NN，并且使用神经网络NN4对来自神经网络NN1、NN2和NN3的结果进行“插值”。
术语“插值”在这里的含义如下：神经网络NN4被特别训练以根据从NN1到NN3的相对UE位置重建大量信道分量的CSI。这导致针对与中间位置相关的NN4的两步训练过程，其中首先，神经网络NN1至NN3按照UNN方法针对它们的特定位置被训练，以及然后NN4(例如DNN、CNN或cGAN)在更大的数据集上被训练，以执行类似“插值”的操作，该操作可以在由NN1至NN3所描述的UE附近重建UE的CSI。
也就是说，由于存在反映针对特定位置的环境(以及因此，信道分量)的未经训练的NN，一些示例实施例允许将这些“先前信道NN”(NN1至NN3)的输出组合，作为另一个NN(NN4)的输入，该另一个NN被训练以导出新的中间位置中的信道。NN4的功能被称为“插值”，因为它反映了中间位置的环境(以及因此，信道分量)。
作为一个选项，可以使用cGAN来实现NN4，其中由NN1、NN2和NN3重建的CSI连同感兴趣的UE的位置信息一起被用作条件输入。感兴趣的UE的信道预期在输出中。对于NN4的训练，更大的数据集(即大量的训练信息对(位置；信道估计)被使用(不同于UNN)，使得位置-测量关系可以被一般化。对于cGAN实现方式，成本函数是二进制交叉熵和均方误差的组合。在[4]中，针对近距离应用解释了cGAN架构，估计无线电信道的丢失部分。这里，使用类似的架构来导出插值能力。尽管如此，用于NN4功能的解决方案并不局限于cGAN，也可以使用其他DNN方法。
如果gNB学习已经训练的神经网络NN1、NN2和NN3中最合适的哪些以被用于插值，这是特别有利的。gNB可以基于来自整个感兴趣区域中不同位置的UE反馈数据，来学习最合适的NN。详细地，必须生成数据，限定成本函数以最小化给定性能的NN的数量，并且对应地训练NN。数据可以来自光线跟踪模拟和/或来自在较长时间段内记录的UE CSI反馈(在线训练)。也就是说，尽管在主要具有LOS连接的开放空间的情况下，一些神经网络将允许准确的插值，但是在具有大量街道交叉和阴影对象的NLOS场景中，基本不同的无线电信道特性应在一些最适合的NN位置处被对应的神经网络覆盖。
受益于gNB环境的经训练的先前知识神经网络，有两个选项可用于重建大量的相关信道分量：
a)选项1：UE可以仅报告其三维位置向量l，类似于针对基于模型的信道预测的假设。然后，gNB将使用其针对特定位置所训练的神经网络NN1至NN3来训练用于“插值”的NN4，以及因此获取所报告的UE位置l的CSI。此解决方案最小化了UE报告开销。然而，在现实中，它可能经常遭受与经训练的ML模型相关的不准确度、UE位置估计的不准确度、UE天线模式问题等。
b)选项2(选项1的细化)：在根据选项1训练NN4之后，ML模型NN1到NN4连同其超参数一起被下载到UE。优选地，可以仅下载所描述的区域接近大致已知的UE位置的那组神经网络。现在，UE和gNB共享同一组神经网络。然而，从具有相应ML向量的NN4导出的信道参数可能不是最优的，例如由于寄生效应，如位置估计误差。因此，根据一些示例实施例，UE尝试识别最佳拟合ML向量mopt。为此，UE可以使用另一神经网络NN5，其可以被离线预训练。然后，此神经网络NN5使用估计的无线电信道分量的集合连同估计的UE位置l作为输入来推理最佳拟合ML向量mopt。最佳拟合ML向量mopt可以在PUCCH上报告给gNB。此外，通过将此向量应用于用于CSI插值的NN4，UE可以验证所报告的ML向量mopt的正确性。此方法比选项1更稳健。
在下文中，根据本发明的一些示例实施例，描述了利用CSI报告的用于信道估计的未经训练的神经网络(UNN)。即，UE报告如表1中所示的ML向量，但是可能不报告任何测量结果和/或信道分量。UNN的总体结构对应于图5的结构。块1至(L-2)表示内层，内层由具有滤波器大小(k，1，1)的卷积层、二维双线性上采样操作、ReLU激活函数、和批归一化层形成。块(L-1)是预输出层，并且包括具有滤波器大小(k，1，1)的卷积层、ReLU激活函数、和批归一化层。块(L)是输出层，其包括具有滤波器大小(2M，1，1)的卷积层和激活函数，诸如双曲正切激活函数。除了输出层的激活函数被改变以更好地表示无线信道之外，UNN结构与[2]中的深度解码器一致。这里，M是在gNB处的天线的数量，以及k是超参数，即每层中卷积滤波器的数量。可以根据环境特性来设置k的值。由于上采样操作，内层的最大数量通常受限于在[频率(Nsub)，时间(Nsp)]域中测量网格的大小，即如果Nsub＝Nsp＝N，则(L-2)＝log2(N)。
让我们假设gNB具有M＝36个天线元件，该M＝36个天线元件被布置在统一的矩形阵列(URA)中，并且UE有单个天线，该UE在街道上具有线性和平行的轨迹，参见图9。散列块示出了建筑，并且三个UE正在建筑之间的街道(城市峡谷)中移动。对于给定的UE，在gNB处的测量收集阶段，我们在复数域中得到大小为[36，64，64]的Hmes，具有Nsub＝64个子载波以及Nsp＝64个时间快照测量。Hmes指定测量结果，并且是针对用于优化在UNN处的权重的目标。与使用常见的DNN的其他方法不同，Hmes是噪声测量。真实信道Htrue(可以与常见的DNN一起使用)源自IlmProp的模拟，该ILMprop是基于几何的模拟器，参见图9。在IlmProp中模拟的环境是城市峡谷的环境，其中三个UE以不同的速度在线性轨迹中被模拟。UE的轨迹之间的最大欧几里德距离为4米。时间观察窗口被设置为64个快照。
首先，构建了UNN架构，以重建UE2的信道。在此示例中，首先识别最佳UNN结构(即超参数)(可选)。一旦限定了UNN结构，它就被保持，并且仅迭代权重。在当前情况下，最佳UNN结构具有4个内层块，每个内层块具有k＝64个滤波器，1个预输出层具有K＝64个滤波器，以及输出层具有2M＝2*36个滤波器，以考虑Hest的实部和虚部。输入种子的大小为[64，4，4]，并且被构建为如图6中所示，其中LOC＝[10，5，2.4]米，并且Z0取自区间[-0.15，0.15]上的均匀分布，因此S＝0.15。Hmes SNR被设置为20dB，并且在Hmes和Hest之间的均方误差(MSE)成本函数上使用梯度下降来优化UNN权重。
图10呈现了梯度下降的25000次迭代(针对离线训练迭代的通常次数)后的信道估计结果，UNN提供了4.8dB的增益。这是相关的结果，其指示UNN结构具有足够的表示能力以学习UE2的无线信道，而不需要在Hmes内匹配噪声。
在通过迭代过程导出UNN的权重之后，如果使用相同的输入种子，则总是可以输出Hest。尽管如此，此ML模型对输入种子的变化非常敏感。例如，如果不准确的位置现在是LOC＝[10，5，2.5](z上变化10cm)，则Hest的SNR会降低到23.77dB，或仅3.9dB的增益。如果在重建随机种子(Z0)时有任何错误，则Hest将不再是可访问的。幸运的是，如果发生任何故障，UNN允许返回计算优化迭代以重新调整权重到新的建筑条件。
根据一些示例实施例，合作区域中的每个gNB具有固定的随机种子号(可以与小区ID相关——物理小区ID或小区全局ID；更精确地：为随机种子提供固定的实数，参见表1)。此外，gNB可以优选地存储UNN结构和权重，并且经由Xn接口与其他gNB交换，以向其他gNB提供一些先前知识。用于从gNB向UE通知权重和输入种子的消息包括在表1中呈现的ML向量。在UE侧Hest和Hmes之间不匹配的情况下，UE可以对UNN执行进一步的梯度迭代，或请求gNB基于新收集的Hmes来执行梯度迭代。新的权重被更新到gNB库。应注意的是，如果在UE侧没有故障，则gNB和UE仅针对每个位置交换一次mopt(与收集的快照的数量(相当于UE位置的数量)相关)。导出的模型的gNB库也可以存储进行信道测量的时间参考，并且在测量收集阶段计算UE的速度。例如，此信息可以进一步被用于调整对具有不同速度的UE的估计。
图11呈现了在UNN权重的25000次迭代之后得到的Hest，以估计UE1的信道，其中起始权重取自UE2模型。这指示我们可以使用靠近定位的UE的权重作为用于优化迭代的起点。该选择也增强了信道估计。例如，如果UNN被迭代以从随机初始化来估计UE1的信道，则增益约为4.1dB。然而，如果我们从为UE2导出的权重开始迭代，则UE1的估计增益约为7.6dB，几乎是两倍。
这里提出的UNN结构为移动的UE恢复64个时间快照。这意味着UNN为相对于起始位置loc的64个不同位置重建CSI。结合来自NN1、NN2和NN33的结果，我们在3乘以64个UE位置上得到针对场景的完整子区域的均匀CSI。然后，对于在具有已知CSI的NN的输出处的这些位置之间的位置，甚至简单的直接插值也是可能的(如果这些位置彼此足够接近)。无论如何，UNN可以被用于覆盖和学习gNB场景的整个子区域，以及对于更大的区域，可以使用此类子区域UNN铺平该区域。
在我们不能执行大到64个时间快照的测量(数据)收集阶段的情况下，UNN结构可以被简化以恢复具有许多子载波和天线元件的信道，但是仅1个时间快照。如果与之前针对图5描述的设置相比，上采样操作仅在子载波维度中执行，而不在时间维度中执行。在图12中，我们呈现了用于使用UNN来重建UE2的信道的结果，该UNN使用具有线性上采样的5个内层以及1个预输出层和1个输出层。卷积运算具有核大小(4，1，1)，k＝4，这极大地减少了网络的权重的数量。输入种子具有大小[4，3，1]，其中一列存储UE2的位置，并且其他列用随机数(Z0)填充。
在本发明的一些示例实施例中，UNN被用于许多相邻UE信道的信道重建。为此，我们对图9中示出的UE1、UE2和UE3进行1次快照测量，并且设计UNN结构来一起恢复它们的信道，即Hmes[36，96，3]，它们的位置构成输入种子。UNN结构类似于被用于获取图12的结果的结构，但是仅使用1D线性上采样、5个内层、1个预输出层和1个输出层。然而，这里卷积核的大小为[8，1，1]，其中k＝8，并且输入种子的大小为[8，3，3]，其中3×3矩阵中的1个存储所有UE的(x，y，z)坐标，而其他的是随机的(Z0)。图13示出了针对所有3个UE的信道重建的SNR结果，并且绘出了UE1的信道。
图14示出了根据本发明的一些示例实施例的用于大量的相关信道分量的信道重建的方法的非常基本的实现方式。在此情况下，NN被训练不仅用于单个UE位置，而且用于为某个有限区域(UE位置周围的白色区域)直接提供CSI。为此，报告的ML向量长度被扩展，并且对整个白色区域进行训练。白色区域的大小是设计参数，并且将被选择以使其包含高CSI相关性，使得ML向量的长度仍然是有限的。最后，针对一个子区域的一个NN被获取，而不是NN1到NN3。尽管如此，可能仍然需要NN4来导出针对子区域中不同位置的信道。
详细地，对于大量无线电信道，假设大量UNN，即每个信道分量一个UNN，但是理想地，所有这些UNN有单个种子和/或位置。然后，在更一般的情况下，假设UE侧的某个神经网络(NN)用于推理ML向量m，例如，大小为10到100比特。gNB使用用于重建/推理一组预定的相关信道分量的另一个神经网络的非线性(ReLU激活函数)，并且为此目的输入该报告的ML向量m。因此，训练NN，使得它为UE位置周围的整个白色区域，估计针对UE-gNB链路的CSI。该区域的大小指示在gNB侧使用的CSI(由神经网络指示)相对于白色区域的中心处的UE位置可以概括多远。此外，随着白色区域大小的增加，ML向量m的大小也将增加。对于一定大小的白色区域，UNN结构可以被重用，而对于更大的区域，一般化将达到其极限，即，在基本无线电信道特性从根本上改变的情况下，如LOS对NLOS。
在这种情况下，我们提出针对gNB环境的不同子区域训练不同的神经网络(NN)，如图8中已经示出的NN1、NN2和NN3。然后，这些不同子区域之间的UE将会受到这些子区域中的每一个的信道特性的特定影响。此信息被训练到神经网络NN4中，该神经网络NN4然后推理最佳ML向量mopt。此向量mopt被从UE报告给gNB，gNB具有相同的神经网络集合NN1、NN2和NN3。不同于神经网络NN4，它将使用ML实例NN5来结合NN1、NN2和NN3重建相关的信道分量。NN4和NN5的区别在于，NN4推理最佳ML向量mopt，而NN5是基于mopt推理最佳拟合信道分量。从此描述可以清楚地看出，上面用于NN4的术语“插值”有些误导，因为推理比简单(线性)插值复杂得多。如前所述，NN1、NN2和NN3可以被实现为UNN结构，而插值NN(NN4和NN5)可以使用UNN或一般DNN方法的组合来实现。
应注意的是，相关信道分量的重建可以以不同的方式完成，例如作为多径分量的参数，或作为信道传递函数/信道脉冲响应，或以任何其他方式。推理的CSI的含义将取决于训练过程，并且尤其是取决于预定义的成本函数。
在下文中，我们描述了上述基本概念的一些实现方式选项(示例实施例)：
-单个组合NN：图15示出了实施例，其中多个位置特定神经网络NN1、NN2和NN3被训练成单个神经网络结构。在一个选项中，除了应覆盖gNB环境的某个子区域的部分，这可以通过固定大多数神经网络权重来完成。在训练子区域之后，我们可以在此之上训练用于最佳ML向量mopt的插值/推理的神经网络，否则由NN4完成。在gNB侧，类似地，必须训练用于重建大量的相关信道分量的CSI的NN5。
-用于确定性和可变CSI的NN：图16示出了再一个实施例，其将神经网络分成用于推理如上描述的无线电信道的确定性部分是不同的实例，加上用于推理由于临时变化的gNB区域中的移动对象(如打开或关闭的窗口等)引起的可变效应的一个实例。然后，第三ML实例可能会覆盖由于雨、雪、移动的树叶等造成的散射效应。
ο确定性：BVDM、TRP位置、高于特定功率阈值的相关MPC，
ο变量：移动对象、RF特性的变化、同步问题、BVDM变化(窗口打开或关闭)、集群反射器，
ο波动：移动的树叶、雨、雪、散射的反射器，
-局部加广域NN：图17示出了再一个实施例，其中神经网络功能被分成一个广域推理连同一组局部特定神经网络。这可能是有用的，因为广域NN可以学习针对LOS或NLOS分布、平均值或均值、相关多径分量的数量、K因子等的一般场景特定特性。局部特定神经网络推理n个特定的局部CSI信息，类似于上文针对UNN所描述的。
在一些示例实施例中，动作流程如下：在执行流程图之前，gNB存储ML模型。它们基于离线训练，在该离线训练中获取特定位置的权重。例如，训练可以分两步执行：第一步(可选)基于光线跟踪BVDM，并且第二步基于UE反馈(完整的CSI报告)。
在执行中，gNB传输用于天线端口(AP)1至xxx的CSI RS。然后，gNB向UE提供神经网络的权重集合(例如NN1至NN4)连同具有权重集合的NN有效的相应位置(例如通过单播、多播、或广播、或先前下载知道NN的超参数)。gNB可以在给UE的专用消息中提供它们，或gNB可以广播或多播它们。可以通过预先加载神经网络库来避免神经网络权重及其超参数的广播或多播。这类似于将地图存储到导航工具中。
基于从gNB接收到的CSI RS，UE估计CSI。此外，它估计其位置，例如基于GPS信号，或一些其他定位方法。
使用这些数据，UE执行迭代，使得估计的测量结果Hest拟合CSI RS的测量Hmes(或导出的CSI)。如果Hest拟合Hmes，则UE获取ML向量mopt，包括相应的权重和UE的位置(对于详情，参见表1)。UE向gNB报告ML向量mopt和边信息(例如UE波束形成器信息、UE方位)。基于所报告的ML向量和已知的NN(在UE和gNB中使用的超参数是相同的)，gNB可以生成完整的CSI，并且对要被传输给UE的(mMIMO)DL信号进行预编码。
可选地，UE可以不时地发送完整的CSI。因此，gNB可以验证所估计的完整CSI是否基本正确。
图18示出了根据本发明示例实施例的装置。该装置可以是终端(诸如UE或MTC设备)或其元件。图19示出了根据本发明示例实施例的方法。根据图18的装置可以执行图19的方法，但是不限于此方法。图19的方法可以由图18的装置执行，但不限于由此装置执行。
该装置包括用于接收的部件110、用于选择的部件120、用于获取的第一部件130、用于准备的部件140、用于获取的第二部件150、以及用于输入的部件160。用于接收的部件110、用于选择的部件120、用于获取的第一部件130、用于准备的部件140、用于获取的第二部件150和用于输入的部件160可以分别是接收部件、选择部件、第一获取部件、准备部件、第二获取部件和输入部件。用于接收的部件110、用于选择的部件120、用于获取的第一部件130、用于准备的部件140、用于获取的第二部件150和用于输入的部件160可以分别是接收器、选择器、第一获取器、准备器、第二获取器和输入器。用于接收的部件110、用于选择的部件120、用于获取的第一部件130、用于准备的部件140、用于获取的第二部件150和用于输入的部件160可以分别是接收处理器、选择处理器、第一获取处理器、准备处理器、第二获取处理器和输入处理器。
用于接收的部件110接收一个或多个第二先前信道信息对和用于插值神经网络的权重集合(S110)。第二先前信道信息对中的每个对包括与来自基站的相应先前信道相关的位置信息和相应先前信道的第二表示。在一些示例实施例中，插值神经网络的超参数可以是预定义的。在一些示例实施例中，用于接收的部件附加地例如从广播或多播接收超参数。
接收到的权重集合是针对终端和基站之间的信道的。终端可以从基站或从某个其他单元(例如用于训练插值NN的单元)接收权重。
用于选择的部件120选择第二先前信道信息对中的一个对或多个对(S120)。详细地，它选择对应于插值神经网络的输入的数量的多个第二先前信道信息对。因此，如果接收到的第二先前信道信息对的数量等于插值NN的输入的数量，则用于选择的部件选择所有接收到的第二先前信道信息对。
用于获取的第一部件130为选择的第二先前信道信息对中的每个对获取相应的选择的第一先前信道信息对(S130)。选择的第一先前信道信息对中的每个对包括与相应先前信道相关的位置信息和相应先前信道的第一表示。第一表示基于第二表示。特别地，第一表示可以与第二表示相同。
用于准备的部件140准备插值神经网络，该插值神经网络具有用于插值神经网络的权重集合(S140)。
用于获取的第二部件150获取指示终端的位置的终端位置信息(S150)。该终端可以是例如该装置所属的UE或MTC设备。如果该装置是终端，则用于获取的第二部件150获取该装置的位置。
用于输入的部件160将终端位置信息和所选择的第一先前信道信息对输入到插值神经网络中(S160)。因此，用于输入的部件160随着从插值神经网络的输出而获取终端和基站之间信道的第一估计。
图20示出了根据本发明示例实施例的装置。该装置可以是基站(诸如gNB或eNB)或其元件。图21示出了根据本发明示例实施例的方法。根据图20的装置可以执行图21的方法，但是不限于此方法。图21的方法可以由图20的装置执行，但不限于由此装置执行。
该装置包括用于接收的部件210、用于选择的部件220、用于输入的部件230、用于提供的部件240、以及(可选的)用于使用的部件250。用于接收的部件210、用于选择的部件220、用于输入的部件230、用于提供的部件240和用于使用的部件可以分别是接收部件、选择部件、输入部件、提供部件和使用部件。用于接收的部件210、用于选择的部件220、用于输入的部件230、用于提供的部件240和用于使用的部件250可以分别是接收器、选择器、输入器、提供者和用户。用于接收的部件210、用于选择的部件220、用于输入的部件230、用于提供的部件240和使用部件250可以分别是接收处理器、选择处理器、输入处理器、提供处理器和使用处理器。
用于接收的部件210从诸如UE或MTC设备的终端接收终端位置信息或类似位置信息(S210)。用于选择的部件220在存储的一个或多个第一先前信道信息对中选择一个或多个第一先前信道信息对(S220)。该选择分别基于终端位置信息或类似位置信息。一个或多个第一先前信道信息对中的每个对包括与相应先前信道相关的位置信息和相应先前信道的第一表示。
用于输入的部件230分别将终端位置信息或类似位置信息，以及所选择的一个或多个第一先前信道信息对输入到经训练的插值神经网络中(S230)。因此，用于输入的部件230随着从插值神经网络的输出而获取终端和基站之间信道的第一估计。该装置可以属于基站，或该装置可以是基站。
用于提供的部件240向终端提供经训练的神经网络的权重(S240)。此外，根据实现方式，用于提供的部件240可以向终端提供所选择的一个或多个第一先前信道信息对的指示。例如，用于提供的部件240可以提供所选择的一个或多个第一先前信道信息对作为“指示”。作为另一示例，如果第一信道信息对在终端处已经是可用的，则该指示可以仅是对所选择的第一信道信息对的索引。如果终端知道该装置使用的选择算法，并且第一信道信息对已经在终端处可用，则该装置可以不向终端提供所选择的一个或多个第一先前信道信息对的任何指示。
如果该装置包括用于使用的部件250，则用于使用的部件250使用终端和基站之间的信道的第一估计，用来控制终端和基站之间的通信(S250)。例如，用于使用的部件250可以将第一估计用于预编码、链路自适应和/或调度。
图22示出了根据本发明实施例的装置。该装置包括至少一个处理器810、包括计算机程序代码的至少一个存储器820，并且至少一个处理器810与至少一个存储器820和计算机程序代码一起被设置成使得该装置至少执行根据图19和图21中的至少一个以及相关描述的至少方法。
在模拟中所使用的时间快照和子载波的数量、以及所涉及的GNB的数量仅被视为示例，并且可以根据需要进行调整。
关于5G网络解释了一些示例实施例。然而，本发明不限于5G。它也可以被用在其他无线电网络中，例如在即将到来的3GPP网络的前几代(诸如4G、6G或7G等)中。它可以被用于采用信道估计的非3GPP网络中。
描述了本发明的一些示例实施例，其中人工智能基于机器学习。然而，本发明不限于ML。它可以被应用于其他类型的人工智能。
一条信息可以在一个或多个消息中从一个实体被传输到另一个实体。这些消息中的每个消息可以包括更多(不同)条的信息。
网络元件、网络功能、协议和方法的名称基于当前标准。在其他版本或其他技术中，这些网络元件和/或网络功能和/或协议和/或方法的名称可以不同，只要它们提供对应的功能。
如果没有另外说明或从上下文中清楚地表明，两个实体不同的陈述意味着它们执行不同的功能。这并不一定意味着它们基于不同的硬件。也就是说，本说明书中描述的实体中的每个实体可以基于不同的硬件，或一些或所有实体可以基于相同的硬件。这并不一定意味着它们基于不同的软件。也就是说，本说明书中描述的实体中的每个实体可以基于不同的软件，或一些或所有实体可以基于相同的软件。本说明书中描述的实体中的每个实体都可以被部署在云中。
在本申请中，特别是在权利要求中，表述“第一[实体]”和“第二[实体]”必须被理解为实体可以是相同的或彼此不同的，除非在上下文中明确陈述或清楚地表明这些选项中仅一个适用。
根据以上描述，因此显而易见的是，本发明的示例实施例提供了例如终端(诸如UE或MTC设备)或其组件、实施该终端或其组件的装置、用于控制和/或操作该终端或组件的方法、控制和/或操作该终端或组件的(多个)计算机程序以及承载此类(多个)计算机程序并且形成(多个)计算机程序产品的介质。根据以上描述，因此显而易见的是，本发明的示例实施例提供了例如基站(诸如gNB或eNB)或其组件、实施该基站或其组件的装置、用于控制和/或操作该基站或其组件的方法、控制和/或操作该基站或其组件的(多个)计算机程序以及承载此类(多个)计算机程序并且形成(多个)计算机程序产品的介质。
作为非限制性示例，任何上述块、装置、系统、技术或方法的实现方式包括作为硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合的实现方式。在本说明书中描述的实体中的每个实体可以被体现在云中。
应理解，上面描述的是目前被认为是本发明的优选示例实施例。然而，应注意的是，优选示例实施例的描述仅通过示例的方式给出，并且在不脱离由所附权利要求限定的本发明的范围的情况下，可以进行各种修改。
Claims (15)
1.一种方法，包括：
接收一个或多个第二先前信道信息对，其中所述第二先前信道信息对中的每个对包括与来自基站的相应先前信道相关的位置信息、以及所述相应先前信道的第二表示；
选择所述第二先前信道信息对中的一个或多个对；
对于所选择的第二先前信道信息对中的每个对：获取相应的选择的第一先前信道信息对，其中所述选择的第一先前信道信息对中的每个对包括与所述相应先前信道相关的位置信息、以及所述相应先前信道的第一表示，并且所述第一表示基于所述第二表示；
对于终端和所述基站之间的信道，接收用于插值神经网络的权重集合；
准备所述插值神经网络，所述插值神经网络具有用于所述插值神经网络的所述权重集合；
获取指示所述终端的位置的终端位置信息；
将所述终端位置信息和所述选择的第一先前信道信息对输入到所述插值神经网络中，随着从所述插值神经网络的输出以获取所述终端和所述基站之间的所述信道的第一估计。
2.根据权利要求1所述的方法，还包括：
向所述基站提供所述终端位置信息；
使用所述终端和所述基站之间的所述信道的所述第一估计，用来控制所述终端和所述基站之间的通信。
3.根据权利要求1所述的方法，还包括：
从所述终端和所述基站之间的所述信道的测量，获取所述终端和所述基站之间的所述信道的第二估计；
针对所述终端和所述基站之间的所述信道，接收微调权重集合；
准备具有所述微调权重集合的微调神经网络；
将一对所述终端位置信息和所述终端与所述基站之间的所述信道的所述第一估计、以及一对所述终端位置信息和所述终端与所述基站之间的所述信道的所述第二估计输入到所述微调神经网络中，随着所述微调神经网络的输出以获取类似位置信息；
向所述基站提供所述类似位置信息；
使用所述终端和所述基站之间的所述信道的所述第二估计，用来控制所述终端和所述基站之间的通信。
4.根据权利要求1至3中任一项所述的方法，其中对于所述一个或多个第二信息对中的至少一个对：
所述第二表示包括先前信道神经网络的相应权重；
所述第一表示通过将与所述相应先前信道相关的所述位置信息输入到具有所述相应权重的所述先前信道神经网络中而被获取。
5.一种方法，包括：
从终端接收终端位置信息或类似位置信息；
分别基于所述终端位置信息或所述类似位置信息，在一个或多个存储的第一先前信道信息对中，选择一个或多个第一先前信道信息对；
分别将所述终端位置信息或所述类似位置信息、以及所选择的一个或多个第一先前信道信息对输入到经训练的插值神经网络中，随着从所述插值神经网络的输出以获取所述终端和基站之间的信道的第一估计；
向所述终端提供所述经训练的神经网络的权重；其中
所述一个或多个第一先前信道信息对中的每个对包括与相应先前信道相关的位置信息、以及所述相应先前信道的第一表示。
6.根据权利要求5所述的方法，还包括：
使用所述终端和所述基站之间的所述信道的所述第一估计，用来控制所述终端和所述基站之间的通信。
7.根据权利要求5和6中任一项所述的方法，其中对于所述一个或多个第一对中的每个对：
存储所述相应的第一先前信道信息对；和/或
从存储的所述相应先前信道的第二表示获取所述相应的第一先前信道信息对；
所述相应先前信道的所述第二表示包括先前信道神经网络的相应权重；
所述相应先前信道的所述第一表示通过将与所述相应先前信道相关的所述相应位置信息输入到具有所述相应权重的所述先前信道神经网络中而被获取。
8.根据权利要求7所述的方法，还包括：对于所述一个或多个第一信息对中的每个对：
从先前信道终端接收与所述相应先前信道相关的所述位置信息、以及所述相应先前信道的测量，其中所述相应先前信道在所述先前信道终端和所述基站之间；
将种子输入到所述先前信道神经网络中，其中所述种子包括与所述相应先前信道相关的所述位置信息；
根据第一成本函数，调整所述种子被输入到的所述先前信道神经网络的相应权重，使得所述先前信道神经网络的相应输出接近于所述相应先前信道的所述测量；其中
所述先前信道神经网络的所述相应输出是所述相应先前信道的所述第一表示；以及
当所述先前信道神经网络的所述相应输出接近于所述相应先前信道的所述测量时，所述先前信道神经网络的所述相应权重是所述相应先前信道的所述第二表示。
9.根据权利要求8所述的方法，还包括：
接收多个训练对，其中所述训练对的每个对包括相应的训练位置信息和相应的训练信道估计；
将所述多个训练对和所选择的第一先前信道信息对输入到神经网络中；
调整所述神经网络的所述权重，使得第二成本函数被最小化；其中
选择所述第二成本函数，使得对于所述选择的第一先前信道信息对中的每个对：如果与所述相应先前信道相关的所述位置信息被输入到所述经训练的神经网络中，则所述经训练的神经网络的所述输出与所述相应先前信道的所述测量相差不超过存储的阈值，或至少尽可能接近于所述给定神经网络的所述测量。
10.根据权利要求9所述的方法，其中当调整所述权重以使所述第二成本函数被最小化时，获取所述经训练的神经网络。
11.根据权利要求9所述的方法，还包括：
为所述训练对中的至少一个对生成相应的失真对，其中所述失真对是通过将预定噪声的值添加到所述相应训练位置信息和所述相应训练信道估计中的至少一个而被生成的；
将所述多个训练对和所述至少一个失真对输入到所述神经网络中；
调整所述神经网络的所述权重，使得所述第二成本函数被最小化以获取所述经训练的神经网络。
12.根据权利要求5至11中任一项所述的方法，还包括：
向所述终端提供所述选择的一个或多个第一先前信道信息对的指示。
13.根据权利要求12所述的方法，还包括：
向所述终端提供所述选择的一个或多个第一先前信道信息对作为所述指示。
14.一种装置，包括：
一个或多个处理器，以及
存储器，其存储指令，当所述指令由所述一个或多个处理器执行时，使得所述装置执行根据权利要求1至13中的任一项所述的方法。
15.一种计算机程序产品，包括指令集合，当所述指令集合在装置上执行时，所述指令集合被配置为使得所述装置执行根据权利要求1至13中任一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20215959 | 2021-09-13 | ||
| FI20215959 | 2021-09-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115811339A true CN115811339A (zh) | 2023-03-17 |
| CN115811339B CN115811339B (zh) | 2024-06-14 |
Family
ID=83232672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211102868.3A Active CN115811339B (zh) | 2021-09-13 | 2022-09-09 | 多信道csi重建 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11627020B2 (zh) |
| EP (1) | EP4149068A1 (zh) |
| CN (1) | CN115811339B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200366385A1 (en) * | 2019-05-15 | 2020-11-19 | Huawei Technologies Co., Ltd. | Systems and methods for wireless signal configuration by a neural network |
| CN112217750A (zh) * | 2020-10-09 | 2021-01-12 | 东南大学 | 基于卷积神经网络的信道统计信息估计方法 |
| WO2021029889A1 (en) * | 2019-08-14 | 2021-02-18 | Google Llc | Base station-user equipment messaging regarding deep neural networks |
| WO2021175444A1 (en) * | 2020-03-06 | 2021-09-10 | Nokia Technologies Oy | Classes of nn parameters for channel estimation |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019138156A1 (en) | 2018-01-12 | 2019-07-18 | Nokia Technologies Oy | Profiled channel impulse response for accurate multipath parameter estimation |
| KR20220009392A (ko) | 2019-04-23 | 2022-01-24 | 딥시그 인크. | 머신-러닝 네트워크를 이용한 통신 신호들의 프로세싱 |
| US12021667B2 (en) | 2019-07-03 | 2024-06-25 | Nokia Technologies Oy | Transmission system with channel estimation based on a neural network |
| WO2021041862A1 (en) | 2019-08-30 | 2021-03-04 | Idac Holdings, Inc. | Deep learning aided mmwave mimo blind detection schemes |
| US11936452B2 (en) | 2020-02-28 | 2024-03-19 | Qualcomm Incorporated | Neural network based channel state information feedback |
-
2022
- 2022-09-07 EP EP22194339.2A patent/EP4149068A1/en active Pending
- 2022-09-09 CN CN202211102868.3A patent/CN115811339B/zh active Active
- 2022-09-13 US US17/943,881 patent/US11627020B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200366385A1 (en) * | 2019-05-15 | 2020-11-19 | Huawei Technologies Co., Ltd. | Systems and methods for wireless signal configuration by a neural network |
| WO2021029889A1 (en) * | 2019-08-14 | 2021-02-18 | Google Llc | Base station-user equipment messaging regarding deep neural networks |
| WO2021175444A1 (en) * | 2020-03-06 | 2021-09-10 | Nokia Technologies Oy | Classes of nn parameters for channel estimation |
| CN112217750A (zh) * | 2020-10-09 | 2021-01-12 | 东南大学 | 基于卷积神经网络的信道统计信息估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| DENG RUICHEN等: "A Two-Step Learning and Interpolation Method for Location-based Channel Database Construction", 2018 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM), pages 1 - 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4149068A1 (en) | 2023-03-15 |
| CN115811339B (zh) | 2024-06-14 |
| US20230085270A1 (en) | 2023-03-16 |
| US11627020B2 (en) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11381286B2 (en) | Encoding and decoding of information for wireless transmission using multi-antenna transceivers | |
| EP3738281B1 (en) | Profiled channel impulse response for accurate multipath parameter estimation | |
| CN112769510B (zh) | 用于基于机器学习来估计干扰的装置及方法 | |
| Awan et al. | Detection for 5G-NOMA: An online adaptive machine learning approach | |
| Guo et al. | Deep learning for joint channel estimation and feedback in massive MIMO systems | |
| CN111478783B (zh) | 一种配置无线传输参数的方法和设备 | |
| CN114208120B (zh) | 用于在通信系统中使用的基于神经网络的距离度量 | |
| US20220383118A1 (en) | Generating variable communication channel responses using machine learning networks | |
| Jia et al. | Motion feature and millimeter wave multi-path AoA-ToA based 3D indoor positioning | |
| Shehzad et al. | Dealing with CSI compression to reduce losses and overhead: An artificial intelligence approach | |
| Osinsky et al. | Lower performance bound for beamspace channel estimation in massive mimo | |
| US20240171429A1 (en) | Communication method and apparatus | |
| CN115811339B (zh) | 多信道csi重建 | |
| CN114764610A (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
| Konstantinov et al. | Fading channel prediction for 5g | |
| Boby et al. | A wireless precoding technique for millimetre-wave MIMO system based on SIC-MMSE | |
| Kim et al. | Joint Band Assignment and Beam Management using Hierarchical Reinforcement Learning for Multi-Band Communication | |
| Zimaglia et al. | A deep learning-based approach to 5G-new radio channel estimation | |
| CN108400948B (zh) | 一种环境自适应感知无线通信信道估计与信号重构方法 | |
| Lee et al. | Deep Learning for Wireless Dynamics | |
| Gencel et al. | Noise-resilient scaling for wideband distributed beamforming | |
| Abdullah et al. | SIC-MMSE Method based Wireless Precoding Technique for Millimetre-Wave MIMO System | |
| US20230336302A1 (en) | Method for configuring reference signal | |
| Liu et al. | An Adapted Mean Teacher Model for Semi-supervised Indoor Positioning using Channel Impulse Response | |
| Wiesmayr et al. | Design of a Standard-Compliant Real-Time Neural Receiver for 5G NR |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |