CN115836480A - 一种用于大型波束成形系统的基于消息传递算法的混合深度学习神经网络 - Google Patents
一种用于大型波束成形系统的基于消息传递算法的混合深度学习神经网络 Download PDFInfo
- Publication number
- CN115836480A CN115836480A CN202180049190.4A CN202180049190A CN115836480A CN 115836480 A CN115836480 A CN 115836480A CN 202180049190 A CN202180049190 A CN 202180049190A CN 115836480 A CN115836480 A CN 115836480A
- Authority
- CN
- China
- Prior art keywords
- outputs
- beams
- linear
- linear encoder
- training
- 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
- 238000013528 artificial neural network Methods 0.000 title claims description 39
- 238000004422 calculation algorithm Methods 0.000 title claims description 25
- 238000013135 deep learning Methods 0.000 title description 10
- 238000012546 transfer Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 65
- 230000005540 biological transmission Effects 0.000 claims abstract description 63
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 30
- 230000003068 static effect Effects 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 58
- 238000005562 fading Methods 0.000 description 32
- 238000004891 communication Methods 0.000 description 30
- 239000013598 vector Substances 0.000 description 22
- 238000013459 approach Methods 0.000 description 13
- 238000005070 sampling Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 230000002238 attenuated effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 206010020400 Hostility Diseases 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000033001 locomotion Effects 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
- 239000004065 semiconductor Substances 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- 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
- H04B7/0408—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
-
- 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
- H04B7/0617—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 for beam forming
-
- 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
- H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
- H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
- Error Detection And Correction (AREA)
Abstract
一种使用N波束发射器传输到具有K个接收波束的接收器的多波束传输方法。在该发射器中，使用依赖于来自该接收器的反馈的梯度下降反向传播来训练线性编码器并通过机器学习块实现的非线性编码器。对于待发送的每个输入，使用该机器学习块来处理该输入以生成N/K组L个输出。使用该线性编码器对每组L个输出执行线性编码以生成各组K个输出，从而生成N/K组共K个编码输出和共N个编码输出。从各组的K个波束发送该N/K组K个输出中的一组。为了允许对不同SNR进行泛化，并允许时变信道状况，在该非线性编码器中实现的非线性层负责提取特征并重新生成这些特征，而在该线性编码器中实现的线性层则负责更强的泛化。
Description
交叉引用
本申请要求于2020年7月24日提交的申请号为16/937,863，名称为“一种用于大型波束成形系统的基于消息传递算法的混合深度学习神经网络”的美国专利申请的优先权，其内容通过引用并入本文。
技术领域
本申请涉及机器学习，并且更具体地，涉及应用于波束成形系统的机器学习。
背景技术
无线系统的深度学习
深度学习是机器学习的子集，其中在输入和输出之间有两层以上的非线性神经元。深度学习是人工智能的一个分支，其在非常复杂问题的应用方面上取得了重大进展。
当深度学习技术应用于无线系统时，存在几个基本问题。第一个问题是无法泛化不同的信噪比(SNR)深度神经网络与无线系统中的信息数据(即信号)的统计属性(例如期望和方差等)和随机敌对性密切相关。一旦SNR改变，该深度神经网络的神经元需要调整以适应不同的噪声，这经常会导致完整的重新训练。在实践中，由于包括信噪比和信干比的无线信道是变化的，难以可靠地估计，因此采用深度学习神经网络对时变信号进行处理是不切实际的。
无线mmWAVE通信
5G提出使用毫米波(mmWAVE)通信来提供超过Gbps级别的吞吐量。严格地说，5GmmWAVE通信可以使用厘米或毫米波长。
典型的mmWAVE或高频通信具有与6GHz以下不同的信道状况和地貌。mmWAVE频段的路径损耗远比6GHz以下更严重。为了解决此问题，5G系统采用一种称为波束成形的技术，通过若干发射天线将信号能量“集中”到一个点或区域(在厘米或毫米级中)，以便在目标点或区域内生成足够高的SNR信号。在无线方面下，信号强度应满足接收器的灵敏度等级。
然而，无线系统所采用的频带的频率越高，无线电波束所受到的路径损耗就越大。未来的无线系统可能采用频率超过100GHz的频段。未来无线电波束的接收灵敏度会明显受到空中路径损耗的限制。为了补偿路径损耗，一种选择是增加无线电波束上的发射功率。一方面，使用更高的频带会导致较短的波长和较小的天线尺寸；另一方面，更高的频带所导致的较大路径损耗会提高每个无线电波束上的信号接收灵敏度等级。
为了解决这些问题，可以使用片上波束系统，其在一个芯片晶粒面积上同时容纳许多(例如，数千个)无线电波束。在此类系统中使用人工智能来进行波束成形时，接收器移动时通常需要重新训练。而重新训练可能会不够快，无法跟上不断变化的信道，特别是在有大量波束的情况下。此外，与训练相关的信令开销非常大。
发明内容
为了实现对不同信噪比的泛化，在自编码器框架中插入了一些线性层。这些线性层增强了对不同信噪比的泛化。在所提供的深度学习架构中，非线性编码层f(■)表现为特征提取器，其从一个图像中或一种分布的符号或样本中提取N/K个不同特征。该线性层是N/K个相位(w)/偏置(b)/功率(c)线性编码器。该N/K个特征可以看作是一个符号的N/K个不同的视角或观察结果，该线性层可以对该N/K个特征进行并行编码。N个无线电信号在空中会自然叠加该N/K个不同的编码特征，形成K级编辑器。非线性解码层g(■)是一个全连接合成器，其在失真和噪声叠加之后会从K维度信号中重新生成符号。
为了允许对不同SNR进行泛化，并允许时变信道状况，非线性层负责提取特征并重新生成这些特征，而线性层则负责更强的泛化。该非线性层本身可对诸如SNR和衰减等时变信道不确定性具有低度容限，而在此类情况下出现变化时，该时变信道不确定性通常需要对该非线性层进行完整的重新训练。包含该线性层对整个系统具有如下作用：引入额外的容限(更强的泛化)；当诸如SNR或衰减等信道不确定性存在变化时，该线性层可易于调整，而无需重新训练该线性层。
在一些实施例中，该非线性层通过机器学习来实现。更具体地，在一些实施例中，深度神经网络用于该非线性层。整体解决方案可接近最优解。在一些实施例中，该系统为接收器透明。
在一些实施例中，在每次传输之前都会应用消息传递算法(MPA)或置信度传播算法来调整功率控制因子。
对于变化的信道衰减：在一些实施例中，添加额外的功率控制层允许将变化的信道衰减纳入考虑。在初始训练期间，执行串联训练，其包括针对各个层(包括该非线性层和该线性编码层(<f(),g(),w,b>))的反向传播和用于功率控制<c>的消息传递算法。为了应用MPA，引入了虚拟用户概念。将有关符号的有用信息发送给“真实”用户；而将无用信息导向“虚拟”用户。在推断(传输)期间，在每次符号传输之前，该发射器处的MPA运行以基于当前输入符号和当前信道衰减来调整<c>，但是其他编码层(<f(),g(),w,b>)保持不变。在训练期间，从分布中对衰减进行采样。在实际传输期间，使用具有某些不确定性的估计信道系数来更新该分布。
为了解决信道失配和不确定性，在初始训练和推理的MPA中，均会将衰减<h>插入该深度神经网络中，<h>为各个分布中的样本。该非线性解码层g(■)具有学习这些<h>的能力。实际上，若一个真实衰减在分布中下降，甚至下降至超出分布之外一点，g()仍然可处理这种情况。在某些情况下无需导频，或者可选择地，所需的导频比其它情况更少。
在一些实施例中，应用所提供的方法来实现大规模波束系统。
在一些实施例中，所提供的系统和方法还适于提供编码增益和增量冗余混合自动重传请求(IR-HARQ)。众所周知，利用编码原理中的编码速率对一个符号进行编码产生功率增益而非编码增益。在加性高斯白噪声(AWGN)信道中，该编码速率只带来功率增益，而在选择性信道中可能会产生一些MRC增益。提供了一种系统和方法来实现编解码器，按照给定的编码速率对一个符号进行编码以实现编码增益。
选择性衰减具有敌对性。所提供的编解码器可以通过内置逻辑来学习大规模衰减并容许小规模随机衰减，从而无需导频或需要更少导频。
增量冗余对线性系统有效。提供了一种系统和方法，用于通过所提供的编解码器利用IR传输来包括IR编码增益。
附图说明
下面参考所附附图描述本发明实施例。
图1是描绘了对mmWAVE频带上显著的路径损耗进行补偿的大量波束的框图；
图2A是示出了片上波束配置的框图；
图2B是示出了用于传送高质量信号的联合2片上波束配置的框图；
图3是描绘了使用图2B的片上波束配置通过1000个波束对一个64QAM符号进行示例传输的框图；
图4是描绘了根据图2B的片上波束配置的不等衰减波束的传播的框图；
图5是示出了具有K＝3个不相关接收维度的接收器的示例配置的框图；
图6是示出了按照等级分配MCS的MIMO系统的通用示例的框图；
图7是描绘了传输大量波束以容许随机阻挡物完全阻挡部分波束的能力的框图；
图8是描绘了传输大量波束以容许多普勒效应的能力的框图；
图9A是描绘了进行循环传输以测量信道系数的框图；
图9B是描绘了进行循环传输以测量信道系数的框图；
图10是测量AWGN上64QAM的误符号率(SER)对比Es/N0的图；
图11是测量AWGN上64QAM的误符号率(SER)对比Eb/N0的图；
图12是描绘了当使用K＝3个维度来发送一个64QAM符号的输入比特时图11的图表中的期望编码增益的图；
图13是描绘了当使用K＝3个维度发送一个64QAM符号的输入比特时编码增益的理论界限和效果的框图；
图14是描绘了符号编码方案容许选择性衰减的能力的框图；
图15是描绘了N维度发射器和K维度接收器的框图；
图16是描绘了使用图15的发射器和接收器对一个64QAM符号进行示例传输的框图；
图17是示出了收发器的高级视图的框图；
图18是描绘了由包括三阶段编码器的收发器所形成的深度神经网络的框图；
图19是描绘了线性/非线性混合深度神经网络的线性和非线性层的框图；
图20是描绘了具有功率控制的深度神经网络的框图；
图21A是描绘了虚拟用户接收“无用”组合的框图；
图21B是描绘了虚拟用户接收“无用”组合的框图；
图22是示出了迭代消息传递算法(MPA)以训练功率因数的框图；
图23A是示出了串联训练的示例配置的框图，其中反向传播调整<f,g,w,b>且MPA调整α(功率控制向量)；
图23B是示出了串联训练的示例配置的框图，其中反向传播调整<f,g,w,b>且MPA调整α(功率控制向量)；
图24A是描绘了传输的框图，其中通过反向传播训练的层被冻结，而通过MPA训练的层保持调整；
图24B是描绘了传输的框图，其中通过反向传播训练的层被冻结，而通过MPA训练的层保持调整；
图25是测量在R＝1/3的三个复数上编码一个64QAM符号的SER性能的图；
图26是描绘了时变信道衰减不确定性分解的框图；
图27A是描绘了具有随机信道衰减的收发器的框图；
图27B是描绘了具有随机信道衰减的收发器的框图；
图28A是描绘了信道衰减的虚拟用户接收传输的框图；
图28B是描绘了信道衰减的虚拟用户接收传输的框图；
图28C是描绘了信道衰减的虚拟用户接收传输的框图；
图29是示出了在具有信道衰减的训练阶段期间MPA迭代的框图；
图30A是增加了信道衰减的图23的串联训练的框图；
图30B是增加了信道衰减的图23A和图23B的串联训练的框图；
图30C是增加了信道衰减的图23A和图23B的串联训练的框图；
图31A是描绘了具有信道衰减的传输的框图，其中MPA持续运行；
图31B是描绘了具有信道衰减的传输的框图，其中MPA持续运行；
图31C是描绘了具有信道衰减的传输的框图，其中MPA持续运行；
图32是示出了在传输期间具有时变信道衰减的MPA迭代的框图；
图33是显示了具有不确定性的衰减后的一个64QAM符号(以1/3速率编码)的模拟图；
图34是描绘了片上波束的示例配置的框图；
图35是描绘了基站按照终端的位置向接收器发送预先训练并存储的解码器g()神经网络的框图；
图36A是描绘了由OFDM系统进行传输以达到高吞吐量的框图；
图36B是描绘了由OFDM系统进行传输以达到高吞吐量的框图；
图37A是描绘了具有增量信息重传的训练的框图；
图37B是描绘了具有增量信息重传的训练的框图；
图37C是描绘了具有增量信息重传的训练的框图；
图38是示出了具有增量信息重传的编码增益(Eb/N0)的模拟图；
图39示出了用于实现本公开的一个或多个实施例的网络示例；
图40A是示例电子设备的框图；和
图40B是示例电子设备的框图。
具体实施方式
使用大量天线的系统的适用性基于大数定律(LLN)：即使一个衰减的波束非常弱，数百或数千个此类波束也可以累积到足够强的信号能量以达到接收器的灵敏度等级。示例如图1所示。在第一示例300中，当存在从天线到终端的单个波束时，该单个无线电波束上的显著路径损耗会导致终端处非常低的SNR。在第一示例302中，当存在从天线阵列到终端的大量(N个)波束时，即使许多波束因路径损耗而较弱，它们也可累积起来实现终端处可接受的SNR。图2A示出了多个片上波束的示例，通常在400处表示。图2B示出了两个芯片400用于联合2片上波束系统(通常在402处表示)，以进行可接受的接收灵敏度的下发。该两个芯片400可以位于单个基站中，或者位于单独的协作基站中。
此类高密度片上波束的设计带来了若干主要的设计、制造和调度挑战。首先，由于芯片的总能量受半导体技术的限制，功率密度变得非常关键，以致于需要降低每个波束的传输能量以换取芯片上更多的无线电波束。其次，由于半导体技术的限制，路由(时钟树、电源线)非常困难，系统需要容许不同波束之间的某些时间偏移。第三，所有波束都需要调度算法(功率控制和时间提前)。
大规模波束成形系统的容量由每个无线电波束上相等的传输信号功率(Pbeam)和总信号功率(Ptotal)限制。若有效无线电波束的总数是N，那么Ptotal＝N·Pbeam。
在AWGN信道中，N个等功率无线电波束的界限为功率增益。例如，在接收信号功率下，N＝2提升3dB(＝10*log10(3))；N＝3提升4.77dB(＝10*log10(3))；N＝100提升20dB；N＝1000将提升30dB。在未来的mmWAVE应用中，高吞吐量应用引起了关注，因此很可能使用更高阶的调制方案。例如，虽然单个波束生成的SNR(Pbeam)约为–5dB，但在理论上，在该接收器灵敏度等级下，N＝1000的无线电波束成形系统可以将SNR降低到25dB(＝–5dB+30dB)，足以使该接收器解码64QAM符号。图3是描绘了使用图2的片上波束配置通过1000个波束对一个64QAM符号进行示例传输的框图。
然而，真实环境比理想的等衰减AWGN复杂得多。并非所有的波束都受到同等的信道衰减(失真)，导致不同路径上不同的信道不确定性。特别是在mmWAVE频带中，非视距(NLoS)波束通常受到非常高的衰减(即，该路径上的信号几乎无法到达接收器)。即使在视距(LoS)波束之间，就传输角度和到达角度而言，它们的信道衰减也有很大的差异。此外，并非所有波束都同步到达其公共接收器。由片上波束的路由加上不同无线电路径导致的延迟在路径(或波束)之间是不同的。在非AWGN信道中，最好使用最大比合并(MRC)增益而非功率增益来根据信息原理指示该容量界限。大致而言，当调度N个波束时，系统应倾向于使用“好”波束(较少信道敌对性意味着发送的信号更可能到达接收器)而非“坏”波束(较多信道敌对性意味着发送的信号不太可能到达接收器)。图4是描绘了根据图2B的片上波束配置的不等衰减波束的传播的框图。显然，为了建立MRC策略，发射器(此处为波束成形基站)需要在进行按比例资源分配之前估计每个波束上的信道状况。
因为天线尺寸由波长决定，所以终端可以容纳的不相关接收天线的数量K(K为无线术语中的“等级”)与波长相关，并且当波长在mmWAVE频带中降低到厘米或毫米级别时，该数量可以增加。因此，N波束基站可以将其波束分组为N/K组，每组具有K个波束。一组具有K个不相关波束[波束-1，波束-2，……，波束-K]，分别对准K个接收天线。该N/K组会在接收器处叠加。图5是示出了具有K＝3个不相关接收维度或K个独立信道用途(其可以是接收器独立利用信道的时间、空间、编码和任何其他方法)的接收器的示例配置的框图。
在本公开中，多输入多输出(MIMO)配置中的不同接收天线用作独立(不相关)信道用途的特定示例。然而，这种提供的方法对任何其他独立信道用途都是有效的。
在部分MIMO系统采用的现有方法中，利用信道测量(Hm×n，m＜n)和估计信道的m×m协方差矩阵(H·HH)的单一值分解(SVD)来估计K个独立信道用途。通过SVD排序和确定的K个最重要的特征值指示该信道的K个等级或分量的重要性程度或权重。基于所确定的质量，针对该等级自适应地选择调制和编码方案(MCS)。例如，若等级#1为最佳，则会为该等级选择更高的调制和更高的编码速率。利用该K个等级实现的性能取决于MCS的粒度。
针对沿着3个等级发送6比特的简化示例：
-若在SVD之后存在一个等级，则在该等级上发送一个64QAM符号；
-若存在两个等级(彼此类似)，则发送两个8QAM符号，每个等级上一个；
-若存在三个等级(彼此类似)，则发送三个QPSK符号，每个等级上一个。
图6是示出了按照等级分配MCS的MIMO系统的通用示例的框图。
由于种种原因，该系统效率低下。首先，必须对等级的质量进行可靠的估计和跟踪。为此需要较高的导频密度，这导致显著的导频开销。对于导频传输，发射器在总资源一定比例的资源上发送参考信号，并且接收器应当在各个接收端口上测量这些参考信号并向该发射器发送反馈，例如信道状态信息(CSI)。其次，将大量MCS定义为候选MCS(在5G系统中定义了数千个MCS)，这意味着BTS和UE都必须存储这些表、参数以及取得这些表和参数的方法。第三，必须使用控制信令来确保发射器和接收器都遵循相同的约定。发射器和接收器都必须知道在哪个等级上正在使用哪个MCS。更重要的是，一旦信道衰减发生了某种程度上变化，等级的质量可能会发生很大的变化，使得每个已建立的约定(MCS)变得过时。
在mmWAVE中，波束上的衰减被极化。更具体地，一个波束由一组天线创建。该组天线用于将其能量指向一个特定的方向，使得其能够在该方向上大大地补偿路径损耗，以在该方向上形成强传输信号。对于接收，这组天线也具有降低接收灵敏度的效果。这种操作有时被称为极化。就距离而言，LoS波束具有空中路径损耗衰减；部分NLoS波束会受到严重衰减；其他NLoS波束可以通过金属反射得到正向增强。一般来说，衰减模型(分布)对其地理位置敏感。通过统计，根据空间位置的衰减模型在相干时间窗(称作相干时间)中能变为可用。然而，当高频带用于信号传输时，移动性较小会导致严重的多普勒频偏和时间偏移。其相干窗时间很小。
可以使用大量波束来为编码增益规避这些敌对性。例如，若部分波束被阻塞(无限衰减、无效波束)，系统将调整“存活”波束和“无效”波束之间的发射功率以补偿损耗。由于多普勒频偏和时间偏移取决于运动轨迹的角度，因此它们的敌对性可以通过调整“有利”和“不利”波束之间的发射功率来补偿。
图7是描绘了如何通过传输大量波束以容许随机阻挡物完全阻挡部分波束的框图。图8是描绘了传输大量波束以容许多普勒效应的能力的框图。
在mmWAVE场景中，N个波束之间的功率控制和同步最为关键。但要做到这一点极为困难。首先，衰减需要已知。虽然可以获知根据空旷位置的衰减统计分布模型，但衰减本身就是一个随机变量。为了捕获瞬时衰减，系统需要测量N/K×K个信道，总共N个路径，这意味着大量的下行参考资源(因为接收器只看到由空中重叠的N个波束所产生的K个维度，因此一个接收维度需要以循环方式测量N/K个波束以避免导频干扰)和相应的大量上行报告资源，用作开销。图9A和9B是描绘了进行循环传输以测量信道系数的框图。在图9A所示的测量时刻t，只允许K个波束在下行链路上发送其导频。在图9B所示的测量时刻t+1，只允许另外K个波束在下行链路上发送其导频。
另一种方法基于下行信道和上行信道互易的假设。但在现实中，互易总是有一定的偏移。其次，即使系统完全获知信道衰减，在短时间间隔内计算N/K个波束的最大比合并(MRC)功率偏移仍很具挑战性。
具有维度扩展的性能增益
编码增益
在现代通信系统中，冗余被广泛用于克服信道衰减和噪声。例如，前向纠错(FEC)是一种维度扩展方法，它不仅注入了部分冗余比特，而且在编码比特(码字)之间产生了某些依赖性。在另一示例中，MIMO编码器是一种维度扩展方法，其将若干复数符号扩展到多个空间维度从而具有编码增益。一般而言，虽然维度扩展带来了维度增益，但这种维度增益必须包括功率增益，但不一定产生任何编码增益。
功率增益是AWGN信道中的等增益合并(EGC)增益。在等衰减AWGN信道中，若在K个维上重复(或线性合并)一段信息(例如一个比特或一个QAM符号)，这自然导致10*log10(K)dB的功率增益。作为示例，3个等衰减维度增益上的重复传输的EGC增益等于4.77dB(＝10*log10(3))，如图10所示。
编码增益超过了EGC增益。例如，在3个维度上编码一个符号以实现除了ECG增益之外的3dB增益允许发射器将功率减半或将覆盖距离翻倍。为了阐明编码增益，最好根据每比特能量(Eb)与频谱噪声密度(No)(Eb/No)的比率，而非根据每符号能量(Es)与频谱噪声密度(Es/No)的比率来测量误符号率(SER)。简单重复(或任何线性合并)方案会导致如图11所示的零编码增益。
为了拥有编码增益，传统信道编码器(FEC)为M个信息比特注入(K–M)个冗余比特，或者将N个(K＞M＞1)维度扩展到K个维度。本质上，编码增益与编码速率有关：M/K。编码速率越低，编码增益越大。当(M＝1)维度被扩展到K个维度而导致编码速率为1/K时，根据编码原理，若在等衰减AWGN信道中输入维度是1(M＝1)，则不存在编码增益。对于这种系统，在等衰减信道AWGN信道中实现编码增益是有利的。
与MRC增益不同，AWGN信道的编码增益的可用性很容易理解。若在图12中存在1->K维度扩展的编码增益，则可以在更复杂的信道状况下实现系统级的优势。
分集增益
可以使用K＝3个维度通过发送各自承载3比特的3个独立的QSPK符号来发送64QAM符号的输入比特。众所周知，由于任意两个相邻星座点之间恒定的欧氏距离和该星座点的恒定幅度，关于编码距离(例如汉明距离)，QPSK星座最优。还有其他方法可以用K＝3个维度发送6比特，并且QPSK曲线可以作为使用K＝3个维度的潜在编码增益的理论界限。
图13显示了与在一个维度上发送一个64QAM符号相比，使用K＝3个维度发送6比特时约8dB的潜在编码增益空间。编码增益空间相当于将发射功率降低到约16％，或者将覆盖范围扩大到约36倍。需要注意的是，选择使用三个维度发送一个64QAM符号的6比特的示例仅仅是使该示例与在2D复数希尔伯特空间中被证明为最优的QPSK星座可比。然而，这并不是普遍的情况：在具有1/K的任意编码速率的更高调制阶数(512QAM、1024QAM或4096QAM等)的情况下，理论边界仍然未被证明且未知。该提供的方法被证实为QPSK、16QAM的最优解。该提供的方法也可应用于高阶调制。据推测该提供的方法在应用于高阶调制时能逼近最优解。这与传统的高阶调制方案形成对比，传统的高阶调制方案的设计不是为了获得最佳性能而是为了易于实现。
其无法保证在给定调制器阶数和任意编码速率时，能使log2(调制器阶数)/K为整数。在使用3个符号发送6比特的情况下，这相当于1/3编码速率，并且log2(64)/3＝2(->QPSK)。而在将1/3编码速率应用于1024QAM符号的输入比特(10)的另一种情况下，这使得每维度有log2(1024)/3＝10/3比特，这不是整数。在实践中，可能存在不同数量的接收维度K。例如，对于设有最多4个接收天线的终端，很可能仅3个接收天线保持不相关。实际上，在给定实例中可用的不相关信道的数目由环境状况决定的，并且不容易以精确的方式控制。
在多径信道状况下实现分集增益或MRC增益是有利的。K个不相关维度可能受到K种独立且不同的衰减。假设发射器将一个64QAM符号的6比特分成3组2比特在3个QPSK符号上传输，并分别通过3个不相关维度发送。若三个维度之一经受严重的负衰减(减弱)，并且另外两个维度得到增强，则弱化维度上的QPSK符号可能丢失，导致无法恢复原始的64QAM符号。相比之下，若以某种方式将一个64QAM符号编码到3个维度，则接收器可以通过无线电信道从剩余的两个强化维度中恢复该64QAM符号，如图14所示。这就是分集增益或MRC增益。
增量冗余重传
在无线系统中，IR-HARQ与信道编码一起被广泛使用，以平均吞吐量为代价来提高可靠性(或扩大覆盖)。一些信道编码如Turbo码、卷积码和低密度奇偶校验(LDPC)码允许发射器以一个传输间隔向接收器发送部分码字(编码块)。若当前信道状况足够好，则接收器甚至能够从该部分码字恢复整个信息块；否则，接收器可以向发射器发送反馈进行重传。发射器发送码字的增量冗余部分，而非重传先前已经发送的内容(跟踪合并重传)，使得接收器将该增量冗余部分与先前接收的部分合并为用于其信道解码器的更长码字。这样，可以实现超出纯功率(重复)增益的额外编码增益。
IR-HARQ是一种对时变信道状况敏感的机会性方法(有时信道用途表现出正向状况，有时表现出负向状况)。若第一次传输发生在正向状况下，则节省了重传资源。此外，在诸如超可靠低延迟通信(URLLC)之类的一些延迟关键和可靠性关键应用中，发射器倾向于进行盲重传而非等待反馈，因为反馈周期对于它们的延迟需求来说可能太长。在这两种场景下，应在(多次)增量重传中包含最基本或最有用的信息，以产生编码增益。
到目前为止，基于增量冗余的重传仅通过部分信道编码方案进行，例如使用诸如Turbo码、卷积码和低密度奇偶校验(LDPC)码等特定信道编码的方案。其他基于维度扩展的算法，如MIMO、扩频码等均未报告类似的重传(其中大多数仅支持跟踪合并，即功率增益)。
随着5G系统的发展，诸如频率(子载波、不同频带)、空间(MIMO、双连接)、时间和编码(PN码、伪随机码)等信道用途的维度数也在增加。一个好的系统应该能够集成多个可用的维度，以提供可高效使用可用资源的总体系统增益。在系统增益的来源中，就对系统频谱效率的影响而言，编码增益最受欢迎。
然而，由于这些维度的正交性，只有部分信道编码方案才能实现具有某些编码增益的增量冗余(IR)重传。这种支持IR的信道编码方案得益于其假设M个信息比特独立且恒等分布(IID)，且K个编码比特受到AWGN噪声。换句话说，输入是正交M维度实体，输出也是正交K维度实体。实际上，通常会努力通过导频使用、信道估计和均衡来“维持”信道编码的这个理想环境。遗憾的是，大多数维度扩展算法都不是这种情况，输入和输出在任何情况下的正交性始终无法保证。例如，无法确保两个天线始终保持不相关。在另一示例中，由于多径衰落或多普勒效应，两个子载波可以在频率选择性信道中受到非常不同的信道衰减。
面对这些困难，大多数现有技术系统采用最大比合并(MRC)方案来被动克服多样性。尽管在某些情况下，由于分集传输，基于MRC的接收器可以实现MRC增益，但无法始终确保该增益。
机器学习
建议使用机器学习技术来解决上述两个问题，并创建编码方案来通过功率被控制的N/K个无线电波束将M个传统QAM符号编码到K个维度。最直接的提案是使用自编码器，其中输入为M个QAM符号，输出为解码的QAM符号。存在一个具有K个维度的潜伏层，通过在此K维度潜伏层上的乘法器对衰减进行建模，并且在该K维度潜伏层上添加AWGN噪声。该自编码器的损耗或目标是最小化输入和输出之间的方差(MSE)。
该解决方案的一个问题是，解码神经网络(在K维度潜层之后)将尝试在数学上最大化依赖于该K维度潜伏层的似然概率。然而，该K维度潜伏层受到变化的噪声和衰减。随着SNR和衰减的变化，该K维度潜伏层的统计属性发生变化，导致需要重新训练解码神经网络。在实践中，在SNR或衰减随时间变化的情况下，重新训练完整的深度神经网络不切实际。
另一个问题是，为了具有N个波束，该自编码器架构就在一个K神经元层(N>>K)之前包括一个N神经元层，并且该两层之间的连接会乘以给定的衰减系数并添加随机噪声。在这种深度神经网络中，训练会倾向于“断电”大部分波束并且将发射功率Ptotal“集中”在非常少的剩余波束上。这不是期望的结果，因为这要求每个波束被设计成具有高得多的最大发射功率，其导致更高的成本和更大的芯片晶粒尺寸。
深度学习神经网络难以应用于无线电信应用的一个主要原因是深度学习神经网络是非线性函数。与传统的线性函数(大多数无线信号处理算法为线性或拟线性)相比，非线性函数具有过拟合的趋势，其泛化严重受限。
另一个问题由无线系统中存在变化的信道衰减引起。无线电信道具有时变性、频率选择性和衰落。它的存在使得接收信号(由信道造成失真的发送信号)的统计属性也具有时变性和频率选择性。该深度神经网络的神经元需要调整以适应变化的和选择性的通道衰减，因而经常导致完整的重新训练。
实施例1
N波束到K接收系统的模型
现在参考图15，所示为收发器场景的模型。N维度发射器发送一个特定样本“a”1504。该样本是利用采样方法F 1502通过敌对环境从希尔伯特空间
上的流形A(概率分布)1500中采样，并且包括解码器1550的K维度接收器从失真和带噪声的接收信号中估计该样本“a”。该发射器利用编码器1506对该样本进行编码以生成K×N/K个输出(即N/K个K维度向量)，其中N是该发射器的维数，且K是该接收器的维数(即，这N/K个K维度向量累积成该接收器的一个K维度向量)。在具体示例中，通过来自N个发射天线元件的N个发射波束来实现N个发射维度，并且通过K个接收天线元件来实现K个接收维度。
更具体地，该发射器利用采样方法F 1502从流形A采样以获得符号a，并且利用编码器1506将符号a编码成向量
其中f(·)是未被该接收器所知的发射器编码器。该向量[s1,s2,…,sN]在N个传输路径上发送，其自然在空中叠加，并在该接收器处生成接收向量
该接收器利用解码器g(·)1550对接收的信号进行解码以生成：
对包括空间
流形A和采样方法F的拓扑结构进行了规定和标准化，并且该拓扑结构对该发射器和接收器都是已知的。
该发射器具有N个独立或不相关的发射维度
每个发射维度发送由复数值表示的正弦波。
的N个分量被分组为N/K组：
每个组都有K个分量：
并且对准接收器的K个不相关的接收维度。在不丧失一般性的情况下，发射维度si,1表示从第i个发射组到第1个接收端口的连接；si,2表示从第i个发射组到第2个接收端口的连接，依此类推。例如，图15示出了1510处在第1组K个发射维度上发射的
总共存在N个连接将N个发射维度连接到K个接收维度。每个连接都有自身的衰减系数
其中每个衰减系数由复数值(I，Q)表示，其振幅(I2+Q2)表示功率衰减，且角度(内积<I,Q>)表示相位偏移，即时间偏移。在
的分组之后，
可以分为N/K个组，其中每组都具有K个复元素：
和
衰减一般在图15中的1512处表示。
类似地，每个连接都具有归一化功率控制系数(实值)
以避免发射功率饱和。在
的分组之后，
可以分为N/K个组，其中每组都具有K个真实元素：
和
为避免功率过度集中，限制：
这暗示总功率小于N/K，即，
一组的最大总功率为N/K，以确保不会因功率过度集中而造成损坏。该功率控制系数在图15中的1514处应用。功率控制1514的输出为通过空中发送的内容。
在第k个接收维度上，该N/K个连接在空中叠加：
对于该接收器，其接收K元素复向量
其中每一个都发送由复数(I，Q)表示的正弦波：
其中
为按元素乘法。
AWGN噪声n添加在
噪声的添加在图15的1516处表示。
注意，若K＝1，则该模型简化为N个独立发射维度到1个接收维度。在这种情况下，不再存在编码增益，但是仍然可存在功率增益。
现在参考图16来描述图15的模型的具体示例。在这个例子中，希尔伯特空间
是具有实部和虚部的二维空间。64QAM星座是标准化的流形A，它定义了
上的非零概率的位置(称为支点)。格雷编码F是对该流形进行采样的方法，确保以相等概率(即1/64)对每个星座点进行采样。采样时，64QAM符号a＝(aI，aQ)(因为是从二维空间
采样)通过
编码成
本例中的该发射器具有768个独立波束。该接收器具有3(K＝3)个独立接收天线，使得该768个波束被分组为256组(每组有3个波束)。一组3个波束并行且分别对准3个接收天线端口。由于存在256组，因此可以补偿单个组的显著路径损耗(256->该接收天线的SNR提高24dB)。结果，该接收器具有
并利用解码器g()来估计符号：
以下描述中使用了该示例，但是应当理解，所提供的系统和方法对于任何希尔伯特空间、流形和采样方法均有效。
编码增益问题
出于找出f(·)和g(·)的目的，信道衰减系数是固定的(例如，设置
)并且功率控制是固定的(例如，通过将
固定为1)。该问题简化为：
给定a、
A和F以及N和K，找出f(·)和g(·)以提供最大编码增益。
使用图16的前述示例，发射器希望向接收器发送一个64QAM符号。该发射器知道该接收器具有3个独立的接收天线。该发射器具有大量波束可用于此传输。已知在N个波束上从1个符号到3个符号的重复或其它线性扩展会在等衰减AWGN信道中产生不超过功率增益(EGC)的增益。希望找到除了在等衰减K维度AWGN信道中的EGC增益之外还能够实现最大编码增益的符号级编码方案。
功率控制问题
另一个问题关注的是在具有变化的衰减和时间偏移的背景下对N个波束设置功率控制。一个波束上的衰减(h)由三个分量组成：静态不确定性(hs)、动态不确定性(Δhd)和失配不确定性(Δ'hm):h＝hs+Δhd+Δ'hm。该静态分量与终端的空间位置和周围环境特征(如建筑物、树木、山脉以及部分固定环境因素)之间具有很强的相关性。Δhd主要归因于诸如移动性和阻塞等随机事件，是在hs上的随机抖动。Δ'hm是无法避免的测量不确定性，是Δhd上的随机抖动。可以假设抖动Δhd和Δ'hm不如hs重要。对N个波束的动态功率控制可以用于补偿变化的衰减不确定性。可以跟踪并调整功率控制，但要有显著的编码增益。该问题模型是：
即
(
为按元素乘法)。
总体解决方案同时解决了编码问题和功率控制问题，并可分为以下子任务：
第一项任务：给定a、
A、F、N、K和静态衰减
找出编解码器f(·)和g(·)以提供最大编码增益，并找出功率控制[c1,c2,…,cN]以补偿静态衰减。
第二项任务：给定时变衰减
动态调整功率控制
以补偿动态衰减而不改变g(·)。
针对时变信道衰减和SNR保持相同的解码器g(·)以实现高吞吐量和低延迟是非常重要的。
继续用前面的示例，基站希望向接收器发送一个64QAM符号。该基站已知该接收器具有3个接收天线，且其可利用这些天线。该基站具有大量(N个)波束可用于此传输。该N个波束上的信道衰减不相等，并且它们是时变随机变量。该基站可以估计信道衰减的分布；传统观点认为，这只能通过发射导频来实现。然而，在一个具有较大维数的系统中，这需要大量导频。避免大量导频的传输是有利的。
第三个问题关注的是如何根据时变信道衰减
和给定的
A、F、N、K和静态衰减
得到编解码器f(·)和g(·)以及功率控制
虽然可以使用机器学习技术，但对于mmWAVE应用中的实时通信来说，耗时的反向传播算法不切实际。
上述示例的另一个问题是需要更新目标接收器，并且没有实际有效的方法来实现此更新。这涉及再次向接收器发送新的g()系数，会消耗大量无线电资源。
分解器和重编辑器
为了研究纯编码增益问题，首先考虑等衰减K维度AWGN信道状况，即信道衰减
作为常数1+0j。AWGN噪声添加在r′k：
出于比较和实际实施的目的，rk′归一化为：
以确保
的平均能量为1/K，使得
的平均能量为1(＝1/K*K)。
现参考图17，编码器f(■)和N个波束可以看作Black Box编码器1700；该BlackBox编码器输入一个符号a并输出平均能量为1的K元素复向量
在与白噪声n按Es/N0合并之后，
输出到解码器g(■)。从这个角度来看，一个符号a被编码成Kvk。在前述详细示例之后，可以将一个64QAM符号编码成3个复数符号。还示出了Black Box解码器1702。
在部分现有技术系统(诸如那些使用MIMO预编码的系统)中，
其中w是K×1编码器矩阵。在AWGN信道状况下，该线性合并并无编码增益，但提供功率(EGC)增益(10*log10(K)dB)。当一组符号被编码成一组2K个复数值时，存在编码增益。这是一种信道编码方案。然而，此处的关注点是在多个维度上编码一个符号。
现参考图18，基于以下两个概念，图17的Black Box“编码器”分为三个阶段：非线性分解器1800、线性编码器1802和线性(重)编辑器1804：
该符号a被认为是信息载体而非信息本身。在现有技术方法中，收发器利用全部手段来最大化该符号a的接收信号功率。因此，传统的收发器具有功率增益。然而，在此处描述的系统中，关注点反而是面向信息的，其中重点放在接收器侧的符号a所携带的信息上，因为解码器g()能够进行解码。
该K元素
被视为K维度原子实体，而非由K个复元素组成的可分割矢量。在现有技术系统中，解码器是从
恢复或推导出该符号a的冗余减少器。
基于这两个概念，编码器f(·)是从符号a中提取N/K个特征
的分解器。每个特征都是L维度复数实体：
函数f(·)是由机器学习块实现的非线性函数。在一个具体示例中，该机器学习块是具有特定内核和诸如ReLU、Sigmoid等非线性激活的深度神经网络。给定不同
(希尔伯特空间)、A(流形)、F(采样方法)、N(不相关发射维度个数)和K(不相关接收维度个数)，该机器学习块f(·)，例如深度神经网络，对单独的实现方式都是有效的。
在编码器f()将一个符号a分解成N/K个L维实体
之后，每个实体由其自身的线性编码进行独立(并行)编码：
其中，wi是L×K复矩阵，并且
是1×K复矩阵。结果
是K维度复数实体：
总体而言，有N/K个K维度复数实体：
N波束发射器仅通过求和将该N/K个K维度复数实体重新编辑为一个
在归一化的
和添加的噪声之后，单一的
输入到该解码器g(·)以估计
g(·)是具有特定内核和诸如ReLU、Sigmoid等非线性激活的机器学习块，例如深度神经网络。给定不同
(希尔伯特空间)、A(流形)、F(采样方法)、N(不相关发射维度个数)和K(不相关接收维度个数)，该机器学习块g(·)对于单独的实现方式都是有效的。在图18中，AWGN信道的总体流程为：
该总体流程可以看作是一个完整的深度神经网络1900，如图19所示。输入样本a是根据给定的
(希尔伯特空间)、A(流形)、F(采样方法)、N(不相关发射维度个数)和K(不相关接收维度个数)进行采样的。编码器f(·)和解码器g(·)是该深度神经网络的非线性层。wi和
是该深度神经网络的线性层。训练损失或奖励是为了最小化方差(MSE)：
该神经网络可微。在本实施例中，梯度下降反向传播用于调整f(·)层、g(·)层、wi层和
层以接近MSE最优点。
由于f(·)层和g(·)层是非线性神经网络层并且wi和
是线性层，这种深度神经网络是一种线性/非线性混合神经网络架构，不同于传统的非线性深度神经网络。该线性层(wi和
)用于辅助f(·)和g(·)使其更能容许变化的信道状况和噪声水平。
实施例2：对输出进行加权
在本实施例中，提供了对线性编码器的输出进行加权的各种方法，其目的是增加发送到接收器的有用信息量。
再次参考图18，在该组分解的N/K个特征
中，并不是每个
都同等重要。部分特征会比其他特征更重要，从某种意义上说它们比其他特征携带更重要的信息，以便接收器g()恢复所发送的信息。重要性分布取决于给定的x(希尔伯特空间)、A(流形)、F(采样方法)、N(不相关发射维度个数)和K(不相关接收维度个数)。很难区分出哪些特征更重要。
在上述实施例中，收敛为
这暗示着特征以平等或同等重要的方式合并。在另一实施例中，修改系统能少些强调这些不太重要的特征并且更加强调更重要的特征。
针对本实施例，引入了额外的功率控制向量
在特定实施例中，该向量被简化来为每个特征包括一个功率控制因子(实值)：
当该功率控制向量对于给定特征具有较大的值时，会相对更多地强调该特征，而当该功率控制向量对于给定特征具有较小的值时，会相对较少地强调该特征。然后，收敛变成
并且
示例实现方式如图20所示，其与图18相同，除了在图18中线性编辑器未应用任何加权使得编辑的函数是输入的和，而在图20中根据该功率控制向量
的权重集合被应用于线性编码器1802的输出。
因此，在图20中，可以通过以下内容总结整个流程：
目标是通过训练约束
来确定
功率控制执行得有多好主要取决于给定的
(希尔伯特空间)、A(流形)和F(采样方法)。若样本集中在空间
的一个区域，则
相对静态且易于训练。若样本分散到空间
的一个“较宽”区域，则
为动态，导致训练困难或更长训练时间。
在无线系统中，若样本广泛分散则会更好些；样本之间的平均距离越大，样本的抗噪声性能就越好。特征重要性的分布可以在样本(符号)之间显著变化。
实施例3：虚拟用户
根据另一实施例，系统被进一步修改以实现虚拟用户，使得实际上，不是将整个输出引导到单个接收器，而是通过针对真实用户和虚拟用户使用不同的功率控制向量以在真实用户和虚拟用户之间分割线性编码
的输出。通过适当地设置两个功率控制向量，该系统被训练成将更重要的特征(此处也被称为“有用”信息)引导到真实用户，而将较不重要的特征(此处也被称为“无用”信息)引导到虚拟用户。
加权的编码器输出
被发送到真实用户，而加权的编码器输出
被发送到“虚拟”用户。这两个用户共享功率：αi+βi＝ci。若
携带与符号a有关的更重要的信息，则αi>βi；否则αi<βi。可以将该情况下的原始功率控制向量设置为
每一个
都有两个连接：一个连接到具有功率控制实数因子αi的真实用户，另一个连接到具有功率控制实数因子1-αi的虚拟用户。利用该原始功率控制向量的设置，则满足
该整个系统可总结如下：
图21A和图21B是此类系统的框图。图21A和图21B紧密基于图20，但是功率控制块2104代替了功率控制块2004。该功率控制块2104将权重αi施加到线性编码器1802的输出以生成导向至该真实用户的输出，并且将权重βi施加到线性编码器1802的输出以生成导向至该虚拟用户的输出。
注意，实际上并未向该虚拟用户发送该输出。构建该虚拟用户以辅助优化和训练。
构造了此类系统后，目标为训练该系统以通过训练约束αi≤1来确定
若采用传统的梯度下降反向传播，则
不在训练中体现。
根据本公开的实施例，该训练由两个子训练组成：
针对
的梯度下降反向传播；
针对αi的消息传递算法。为了满足αi+βi＝1，使用以下softmax功能：
其中，
是
和
之间的度量距离，且
是
和
之间的距离。
为了最小化
和
之间的平均度量距离：
该距离定义为
和
之间的内积：
以下是可用于确定权重的消息传递算法(MPA)的示例：
初始化：
针对迭代＝1:r
迭代结束。//
该迭代如图22所示。图22的顶部显示了从N/K个
节点到两个r节点(真实和虚拟)的迭代。在每个
节点上，存在两个输入
每个
节点计算
即功率权重，然后发送
到该真实用户并发送
到该虚拟用户。注意，所有N/K个
节点都进行相同的工作。然而，因为它们的
不同，其权重αi也不同。图22的底部显示了从两个r节点(真实和虚拟)到N/K个
节点的迭代。该真实r节点对来自该N/K个
节点的所有
进行求和，并将
发送回所有N/K个
节点。该虚拟r节点对来自该N/K个
节点的所有
进行求和，其中
并将
发送回所有N/K个
节点。现在，所有N/K个
节点都得到更新的
和
然后重复整个过程进行多次迭代。
这是一种典型的消息传递算法。在一次迭代中，针对发送侧的所有组并行计算(3)。然后，每次传输都会根据更新的αi和(1-αi)来调整功率，然后更新
和
在下一次迭代中，更新的
和
将被用于通过(3)更新所有αi。经过r次迭代，得到的αi为功率控制因子。
此消息传递算法可微(因为
中的softmax函数)，因此其
可以嵌入到深度神经网络中：
目标在于确定
对于梯度下降反向传播，[α1,α2,…αN/K]为常数。MPA训练[α1,α2,…αN/K]，同时处理
为常数。图23和图23B描述了串联训练方法，其示出了反向传播训练和MPA训练。
通过反向传播训练的层
针对功率控制层([α1,α2,…αN/K])假设固定/冻结值，并且通过MPA(功率控制)训练的层([α1,α2,…αN/K])针对通过反向传播训练的层
假设固定值。在一些实施例中，进行发送时，该功率控制层保持持续调整，而通过反向传播训练的层则被冻结，如图24和图24B所示。
再次参考先前引入的将一个64QAM符号编码入AWGN信道中的三个维度的示例，在特定实现方式中，该发射器通过三次迭代在100个64QAM符号上运行该消息传递算法。为了阐明编码增益，确定了对比Eb/N0的误符号率，并绘制在图25中。在功率增益之上存在一个约8dB的编码增益。尽管在该示例中是以固定的10dB的Es/N0对其进行训练，图25中的曲线在较宽的SNR范围内非常接近于理论边界而不存在错误平层。
可以看出，整个系统不会出现存在于常规自编码器方法中的泛化问题。若6比特存在3个等质量等级，则该系统将生成3个QPSK符号。在不干预并改变解码器g()的情况下，该系统可以在较宽的SNR范围内接近最优解。
上述示例表明，给定待发送的比特数和可用的同等重要等级数时，该深度神经网络架构允许接近理论边界。在实践中，待发送的比特数可以是5、7或其他值，特别是不需要为2的幂。且该等级数为任意数。例如，当7个比特横跨5个等级的情况下，不存在传统方式的启发式边界。该深度神经网络会接近最优解。
实施例4：多径信道应用
实施例3的详细描述
虽然在等衰减(K个等质量等级)的AWGN信道上具有编码增益存在一定效用，但当等级的质量不同时，多等级传输更有意义。在现有技术方法中，K个等级的质量必须通过SVD估计并进行排序；就质量而言，一个符号按比例分为K种。该机制涉及大量开销(导频、控制消息和原语)和一组大量的标准化候选。以下是当前一些MIMO系统的设计方法：步骤1：发射器在不同路径上发送若干参考信号；步骤2：接收器测量该不同路径上的信道状况，并将它们合并成信道质量指示(CQI)；步骤3：该接收器将该CQI发送回该发射器；步骤4：该发射器运行SVD以从该CQI中找出特征值和特征向量；步骤5：该发射器将该特征值从高到低排序，并去除部分非常小的特征值。根据该特征值(等级的质量)，该发射器分配调制编码方案。步骤6：该发射器向该接收器发送每个等级的MCS和解码矩阵(特征向量)。
在mmWAVE应用场景中，AWGN信道过度简化；反而可以使用多径衰落信道，即时变和频率选择性衰落信道，而这引入了额外的复杂性。在实践中，N个波束独立到达K个接收天线，并且会对这些波束的接收信号一起进行求和或干扰。这些波束可能有某种关联。各个波束具有不同的、具有频率选择性的且时变的衰落衰减。选择性归因于波束上的多条路径，这主要由物理环境决定。在无线通信的某段时间内，选择性引起的衰减可视为静态的：hs。时变衰减是由移动性所造成，不仅是移动的终端，还包括附近移动的阻挡物。时变衰减可视为静态衰减上的抖动：Δhd(t)，其可被测量并估计。此外，该时变信道衰减从未被精确估计，从而导致不可避免的估计失配。或者该时变信道衰减在一段时间后会过时，从而导致另一次不可避免的过时失配。该失配可视为Δdm(t)上的抖动：Δ'dm(t)。
在N到K场景(N>>K)中，N/K组波束上的导频(参考信号)将在接收器处叠加，使得该N/K组波束上的循环测量算法变成必须。遗憾的是，对于一组给定的波束，其两次连续的下行信道测量至少按每(N/K–1)个测量间隔发生。因为N可能比K大得多，所以这个间隔太长而无法说明Δhd(t)中的变化。此外，这种方法在下行链路(导频和探测信号)和上行链路(报告和反馈)中都需要显著的开销。
一种替代方法依赖于TDD模式中的UL/DL互易性：基站(发射器)会估计接收器发送的UL信号上的信道衰减，然后将它们视为下一DL(发射器到接收器)上的信道衰减。由于UL和DL之间的潜在失配，这个互易假设存在缺点。
在mmWAVE应用中，优选对UL/DL互易性的依赖，因为它比基于循环的方法占用更少的开销。此外，为了支持极高的吞吐量和超低的延迟，优选使用简单的解码器g(·)代替大量传统的同步、信道估计和均衡。
在一些实施例中，解决衰减h(t)＝(hs+Δhd(t)+Δhm(t))的方法基于：
-作为重新编辑的结果
其固有编辑逻辑有利于收发器容许衰减h(t)＝(hs+Δhd(t)+Δhm(t))。
-由于机器学习是一个(非线性)拟合函数，因此各层
由若干信道衰减样本训练和固定。在一定(有限)程度上，它们可以处理以前从未遇到过的信道衰减。
-在训练固定层之后
是训练和固定后的层)，发射器持续运行MPA以针对
更新功率控制向量[α1,α2,…αN/K]。利用hs+Δhd(t)这一知识，可以帮助收发器适应时变信道衰减。
出于训练的目的，该信道衰减分为三部分，如图26所示：
静态(大规模)信道衰减(hs)2600主要归因于不同波束天线之间的静态时间偏移和根据接收器位置的波束上的多路径。基站(发射器)通常具有良好的静态信道衰减知识。
-动态(中等规模)信道衰减(Δhd(t))2602主要归因于变化的环境(例如，随机路人)和低移动性(例如，较小移动)。基站在上行链路上持续测量Δhd(t)，并且基于该UL/DL互易假设将这些测量结果用于下行链路。
-失配(小规模)信道衰减(Δhm(t))2604主要归因于信道估计和信道测量之间的失配。其可以是假设互易性时UL和DL信道之间的失配，或者随时间累积的失配。
这些衰减可包括在系统模型中，如下所示：
在该式中
虽然
和
是时变的，但它们的分布可以通过一些统计数据来获知或估计。在训练阶段期间，
和
的值不是立即可用，但
的估计值可能可用。为了解决这一问题，出于训练目的对数值进行了假设。在以下示例中，使用了N/K组波束的两个已知高斯分布，即
和
下面将进一步详细说明这些分布。
然后，在上述模型中，
替换为
且
替换为
图27A和图27B描绘了为显示信道衰减而修改的图20的系统，其中信道衰减分量在2700处引入。
图28A、图28B和图28C示出了图21A和图21B的系统，该系统包括虚拟用户，其中该虚拟用户被定义为无衰减的理想用户，无论是负向衰减还是正向衰减。图28A、图28B和图28C的系统示出了仅应用于真实用户的输出的信道衰减2800。整个神经网络为：
其中，在训练阶段期间
在训练期间，采取了以下方法：
针对迭代＝1:r
迭代结束。//
上述示例假设虚拟用户无衰减；在另一实施例中，假设虚拟用户具有与真实用户相同的衰减。根据模拟结果，两种方法的性能没有显著差异。
该训练与上述针对AWGN信道的训练相同。目标为
梯度下降反向传播是固定[α1,α2,…αN/K]的同时训练
MPA是固定
的同时训练[α1,α2,…αN/K]。图29总结了具有衰减的训练阶段期间的MPA。
训练后，冻结了f()、g()、wi和
层。发射器将使用它们将样本a编码为
发射器将继续使用MPA以针对信道衰减生成[α1,α2,…αN/K]。在每个传输间隔t，发射器接收信道衰减
对于失配，MPA不断使用由
更新的
的样本。在传输阶段期间，
图30A、图20B和图30C示出了如何在反向传播和MPA之间划分训练，如先前针对图23A和图23B的实施例所描述。如图31A、图31B和图31C所示，梯度下降层被冻结，同时MPA用于传输以更新功率控制系数。
在训练之后，采取了以下方法：
针对迭代＝1:r
迭代结束。
图32总结了在训练阶段之后且在具有衰减的传输期间的MPA操作。
返回到将一个64QAM符号编码入3个维度的示例，在第一模拟中仅考虑
和
在训练阶段期间，衰减为
其中
是从已知分布N(mhd,σhd)i,k中采样的一个样本。在传输期间，MPA使用衰减
其中
是时变随机变量，但为发射器所知。仅使用解码器g(·)的接收器既不知道
也不知道
在第二模拟中，考虑了
和
在训练阶段期间，衰减为
其中
是从已知分布N(mhd,σhd)i,k中采样的一个样本，且
是从已知分布N(mhm,σhm)i,k中采样的一个样本。在传输期间，MPA使用衰减
其中
是时变随机变量，但为发射器所知，且
是从由
所更新的分布N(mhm,σhm)i,k中采样的一个样本。模拟结果如图33所示。
在随机衰减信道中，虚拟用户(无衰减)对MPA生成功率控制因子[α1,α2,…αN/K]起着重要作用。对于各个组(包括K个波束)，MPA有两个连接：一个连接用于具有衰减的真实用户，另一个连接用于无衰减的虚拟用户。MPA的目标是将最大限度的信息移动到真实用户，而将其余的信息移动到虚拟用户。
更重要的是，在N到K的场景中，如前所述，在每个波束上插入导频较为困难或不切实际，因为所有波束都在接收器处叠加(这些波束的导频彼此干扰)。通过所描述的方法，不需要导频(或需要的导频要少得多)。对于使用g(■)作为解码器来估计
的接收器来说，所有变化的衰减都是透明的。接收器无需进行同步、信道估计和均衡，以便可以实现非常高的吞吐量和非常低的延迟。
实施例5：应用于mmWAVE
在一些实施例中，上述方法中的一个或多个适用于mmWAVE应用。
在一些实施例中，基站包括片上波束系统。一个芯片包括大量(例如数百或数千)mmWAVE天线。
为了解决可能导致天线间时间偏移的路由问题，可以将芯片上的几个邻近天线电路协调成一组用于生成波束。由于一个波束的天线可以连接到同一个时钟树节点，因此这个波束的天线彼此之间在芯片智能、物理上较为紧密并且彼此同步。为了解决功率密度问题，可以从同一功率岛内选择一个波束的天线。示例如图34所示，其中显示了组合在一起的各组K个相邻波束。对于给定的一组波束，它们的时钟来自同一个时钟树节点，并且它们位于同一个功率岛内。对于一个功率岛，存在一个功率控制调节器来控制该岛上的所有K个波束。在图34中，在3400处指示一个组，该组具有控制所有K个波束的功率控制调节器3402，并且具有连接到所有波束的时钟树3404。一组K个波束总是一起调度，指向同一个接收器。虽然它们彼此靠近，但它们会被“同步”、均匀且同等地供电，并且在空间中平行(无干扰)。一组波束是基本的调度粒度。一个片上波束可以包含成百上千组波束。若在一个芯片或片上系统(SoC)上实现大量波束，则同步所有波束的时钟的传统方法将对芯片设计提出挑战，特别是在设计路由时钟树时。因此，大型且完全同步的芯片会因路由时钟树消耗相当大一部分功率(超过30％)。并且，大量的功率消耗必然会增加用于通风的芯片面积。因此，对于芯片设计来说，若一个大型且完全同步时钟树可以分成几个不同步的子时钟树，这将显著降低功率、面积以及成本。这是因为由这些波束组之间的芯片路由引起的时间偏移是允许的，从而可以显著地减轻路由问题。然而，各组之间的时间偏移因芯片而异。它们是固定且可以测量的。静态时间偏移可以包括在将被并入
的静态衰减中。
多个片上波束可以一起使用以实现同步的N/K组波束。片上波束之间的时间偏移是静态且可以测量的，然后可以将其考虑到将被并入
的静态衰减中。多个片上波束可以单独安装，并通过有线连接进行连接。给定终端的位置，可以确定空中时间延迟，并且可以将其考虑到将被并入
的静态衰减。
示例如图35所示，其示出了基站3500和两个终端，包括位于A点3503处的第一终端3502和位于B点3505处的第二终端3504。
基站已知终端的位置。给定其位置、用户类型和可用的K个不相关维度，可以获得
(静态延迟和衰减)以及N(mhd,σhd)和N(mhm,σhm)的分布。在一些实施例中，这些都存储在该基站的存储器或数据库中；或者，这些都通过例如深度神经网络来预测。在一些实施例中，
可以是已经根据位置、用户类型和可用的K个不相关维度训练过，并存储在存储器中。示例如图35所示，其中数据库3510为基站的覆盖区域内的各个点存储预先训练的g()。在这种情况下，基站不需要再次训练g()，而是仅仅向终端发送g()的系数和架构。若终端移动到不同的点，则需要更新系数和架构。理想情况下，与每个点相关联的覆盖区域足够大，因此不必太频繁地进行更新。
在运行中，接收器通过在上行链路上发送参考信号来启动，该参考信号将由基站的N个波束检测/接收。然后，基站估计每个波束上的信道衰减。基站应用UL/DL互易性假设来形成
基站使用MPA针对当前衰减
和
或
计算每组K个波束的功率[α1(t),α2(t),…αN/K(t)]。通过更新的[α1(t),α2(t),…αN/K(t)]，发射器运行f()、wi和
并将功率调整到波束组的粒度，最后在下行链路中通过空中发送信号。接收器接收来自K个不相关天线的信号并将其输入到g()。然后，终端在上行链路上持续发送参考信号，使得基站将具有用于下一次迭代的
的更新值。
在运行中，基站存储
以通过传统统计方法或基于深度神经网络的方法来调整N(mhd,σhd)的分布。基站利用
以通过传统统计方法或基于深度神经网络的方法来调整N(mhm,σhm)的分布。
基站通过计算
和
与
的相关性来监控
和
和
若γd(t)超出了预定义的限制，并且用户停留在该位置，则
可能不足以代表该位置，因此
应该由最新的
进行更新。然而，更新后的
将触发对
的重新训练。在一些实施例中，利用迁移学习概念：这涉及根据当前神经元而非一组未定义神经元的训练。若重新训练收敛，基站则向接收器发送新的g()。若重新训练未收敛，则该位置可能是“盲点”，即N个波束可能不够，并且应该使用更多波束来与处于覆盖区域的该部分中的接收器进行通信。在这种情况下，基站可以为该区域分配更多的波束。由于整个系统维度发生了变化，因此需要进行新的训练。这些“盲点”情况可能发生在新基站的启动期间。
若γm(t)超出预定义的限制，则需要更多频率和/或更多导频。若更多频率和更多导频都无法对这种情况提供帮助，则N个波束可能不够，可以将更多的波束分配给该接收器。因为维度发生了改变，所以需要新的训练。
虽然该详细示例关注的是一个符号，但是在一些实施例中使用了OFDM，并且由OFDM系统对多个符号进行并行发送。每个符号都有自身的
在一些实施例，使用了编码器，其将一个以上符号一起编码以具有更多编码增益。当两个QAM符号被视为一个“符号”时，过程相同。基于OFDM的系统的示例如图36所示。
实施例6：增量冗余
在本实施例中，提供了一种基于增量冗余的重传系统和方法。重传可以是一般概念，不限于时域。“重传”意味着增量信息从另一个独立维度发送。例如，第一次传输是从该3个维度上进行；而重传则是在第4维度上进行。尽管可以有多次重传，但下面的示例用一次重传作为示例。实际上，可能有三次、四次甚至更多次重传。
将最大维度数定义为K。在第一传输中，使用前(K–1)个维度；在第二次传输(第一次重传)中，在第K个维度上发送增量信息。该深度神经网络与无重传的深度神经网络几乎相同，不同之处在于存在两个解码器(DNN)：用于该前(K–1)个维度的g1()和针对第K个维度将第K个维度与先前的(K–1)个维度合并的解码器g2()。
训练目标为实现
其中γ是在接收器中用于对传输进行加权的权重系数，并且(1–γ)是用于第二次传输的权重系数。对于较高的γ值，例如0.9，期望大部分时候第一次传输都可以成功解码。若有2次以上的传输，则它们的权重之和应为1。
在训练之后，接收器将具有两个解码器，g1()和g2()。在第一次传输期间，接收器将接收K–1个维度的信号并将其输入到g1()以估计符号a。在重传期间，接收器将接收第K个维度的信号，并将其与先前的K–1个维度合并为用于g2()的K维度矢量。可以利用训练来控制第一次传输成功解码的可能性。通过将参数γ设置得更高，使得更重要的信息被推送到包含在由g1()处理的信号中。
在特定的模拟示例中，γ＝0.8用于初始传输，并且(1–γ)＝0.2用于重传。模拟结果如图38所示。
该结果表明，从该1个维度上的增量信息中得到的编码增益约为0.3dB。
图39示出了可以实现本公开的实施例的示例通信系统100。一般而言，通信系统100使得多个无线或有线元件能够传输数据和其它内容。通信系统100的目的可以是通过广播、窄播、用户设备到用户设备等提供内容(语音、数据、视频、文本)。通信系统100可以通过共享带宽等资源进行操作。
在本示例中，通信系统100包括电子设备(electronic device，ED)110a至110c、无线接入网(radio access network，RAN)120a和120b、核心网130、公共交换电话网络(public switched telephone network，PSTN)140、互联网150和其它网络160。虽然图39示出了一定数量的这些组件或元件，但是通信系统100中可以包括任意数量的这些组件或元件。
ED 110a至110c用于在通信系统100中进行操作和/或通信。例如，ED 110a至110c用于通过无线或有线通信信道进行发送和/或接收。ED 110a至110c表示任何合适的用于无线操作的终端用户设备，并且可以包括如下设备(或可以称为)：用户设备(userequipment，UE/user device)、无线发射/接收单元(wireless transmit/receive unit，WTRU)、移动站、固定或移动用户单元、蜂窝电话、站点(station，STA)、机器类通信(machinetype communication，MTC)设备、个人数字助理(personal digital assistant，PDA)、智能手机、笔记本电脑、计算机、平板电脑、无线传感器或消费型电子设备。
在图39中，RAN 120a和120b分别包括基站170a和170b。基站170a和170b都用于与ED 110a至110c中的一个或多个进行无线连接，以便能够接入任何其它基站170a和170b、核心网130、PSTN 140、互联网150和/或其它网络160。例如，基站170a和170b可以包括(或可以是)几种熟知设备中的一个或多个，例如基站收发台(base transceiver station，BTS)、Node-B(NodeB)、演进型基站(evolved NodeB，eNodeB)、家庭基站(Home eNodeB)、gNodeB、传输点(transmission point，TP)、站点控制器、接入点(access point，AP)或无线路由器。任何ED 110a至110c可以可选地或还用于与任何其它基站170a和170b、互联网150、核心网130、PSTN 140、其它网络160或上述任意组合进行连接、接入或通信。通信系统100可包括RAN，例如RAN 120b，其中相应的基站170b通过互联网150访问核心网130，如图所示。此处描述的详细实施例参考TP，但是更一般地，任何类型的基站均能够用于此处描述的任意实施例。
ED 110a至110c以及基站170a和170b都是通信设备的示例，它们可以用于实现本文描述的部分或全部功能和/或实施例。在图39所示的实施例中，基站170a形成了RAN 120a的一部分，RAN 120a可以包括其他基站、(多个)基站控制器(BSC)、(多个)无线网络控制器(RNC)、中继节点、元件和/或设备。任何基站170a、170b可以是单独的元件，如图所示，也可以是分布在对应RAN中的多个元件，等等。同样地，基站170b是RAN 120b的一部分，RAN 120b可以包括其它基站、元件和/或设备。基站170a和170b中的每一个都在特定地理地区或区域(有时称为“小区”或“覆盖区域”)内发送和/或接收无线信号。小区可以进一步被划分为小区扇区(sector)，而基站170a和170b可以，例如，采用多个收发器向多个扇区提供服务。在一些实施例中，可能存在已建立的微微(pico)或毫微微(femto)小区，无线接入技术支持这些小区。在一些实施例中，多个收发器可以通过使用多输入多输出(multiple-inputmultiple-output，MIMO)技术等用于每个小区。所示的RAN 120a和120b的数量只是示例性的。设计通信系统100时可以考虑任意数量的RAN。
基站170a和170b通过一个或多个空口190使用例如射频(RF)、微波、红外线等无线通信链路与ED 110a至110c中的一个或多个进行通信。空口190可以利用任何合适的无线接入技术。例如，通信系统100可以在空口190中实现一种或多种信道接入方法，例如码分多址接入(CDMA)、时分多址接入(TDMA)、频分多址接入(FDMA)、正交频分多址接入(OFDMA)或单载波FDMA(SC-FDMA)。
基站170a和170b可以实现通用移动通讯系统(Universal MobileTelecommunication System，UMTS)陆地无线接入(Universal Terrestrial RadioAccess，UTRA)以使用宽带CDMA(wideband CDMA，WCDMA)建立空中接口190。在这种情况下，基站170a和170b可以实现HSPA、HSPA+等协议，其中，HSPA+可选地包括HSDPA和/或HSUPA。另外，基站170a和170b可以使用LTE、LTE-A、LTE-B和/或新空口(NR)与演进的UMTS无线接入(E-UTRA)建立空口190。预期通信系统100可以使用多信道接入功能，包括如上所述的此类方案。用于实现空中接口的其它无线技术包括IEEE 802.11、802.15、802.16、CDMA2000、CDMA20001X、CDMA2000 EV-DO、IS-2000、IS-95、IS-856、GSM、EDGE和GERAN。当然，可以使用其它多址接入方案和无线协议。
RAN 120a和120b与核心网130进行通信，以便向ED 110a至110c提供各种服务，例如语音、数据和其它服务。RAN 120a和120b和/或核心网130可以与一个或多个其它RAN(未示出)进行直接或间接通信，这些RAN可以或可以不直接由核心网130服务，并且可以或可以不采用与RAN 120a和/或RAN 120b相同的无线接入技术。核心网130还可以充当(i)RAN120a和120b之间和/或ED 110a至110c之间以及(ii)其它网络(例如PSTN 140、互联网150和其它网络160)之间的网关接入。另外，ED 110a至110c中的部分或全部可以包括使用不同无线技术和/或协议通过不同无线链路与不同无线网络进行通信的功能。ED可以通过有线通信信道与服务提供商或交换机(未示出)以及与互联网150进行通信，而非进行无线通信(或者还进行无线通信)。PSTN 140可以包括用于提供传统电话业务(plain old telephoneservice，POTS)的电路交换电话网络。互联网150可以包括计算机网络和/或子网(内网)，并包含IP、TCP和UDP等协议。ED 110a至110c可以是能够根据多种无线接入技术进行操作的多模设备，并包含支持这些技术所需的多个收发器。
图40A和图40B示出了可实现本公开提供的方法和观点的示例设备。具体地，图40A示出了示例性ED 110，图40B示出了示例性基站170。这些组件可以用于通信系统100或任何其它合适的系统中。
如图40A所示，ED 110包括至少一个处理单元200。处理单元200实现ED 110的各种处理操作。例如，处理单元200可以执行信号编码、数据处理、功率控制、输入/输出处理或任何其它使ED 110能够在通信系统100中操作的功能。处理单元200还可以用于实现上文详述的部分或全部功能和/或实施例。每个处理单元200包括任何合适的用于执行一个或多个操作的处理或计算设备。每个处理单元200都可以包括微处理器、微控制器、数字信号处理器、现场可编程门阵列或专用集成电路等。
ED 110还包括至少一个收发器202。收发器202用于对数据或其它内容进行调制，以便由至少一个天线或网络接口控制器(Network Interface Controller，NIC)204传输。收发器202还用于对通过至少一个天线204接收的数据或其它内容进行解调。每个收发器202包括任何合适的用于生成进行无线或有线传输的信号和/或用于处理通过无线或有线方式接收的信号的结构。每个天线204包括任何合适的用于发送和/或接收无线或有线信号的结构。一个或多个收发器202可以用于ED 110中。一个或多个天线204可以用于ED 110中。虽然收发器202示为单独的功能单元，但还可以使用至少一个发射器和至少一个单独的接收器来实现。
ED 110还包括一个或多个输入/输出设备206或接口(例如连接到互联网150的有线接口)。输入/输出设备206可以与网络中的用户或其它设备进行交互。每个输入/输出设备206包括任何合适的用于向用户提供信息或从用户接收信息的结构，例如扬声器、麦克风、小键盘、键盘、显示器或触摸屏，包括网络接口通信。
另外，ED 110包括至少一个存储器208。存储器208存储由ED 110使用、生成或收集的指令和数据。例如，存储器208可以存储用于实现上文描述的部分或全部功能和/或实施例并由一个或多个处理单元200执行的软件指令或模块。每个存储器208包括任何合适的一个或多个易失性和/或非易失性存储与检索设备。可以使用任何合适类型的存储器，例如，随机存取存储器(random access memory，RAM)、只读存储器(read only memory，ROM)、硬盘、光盘、用户识别模块(subscriber identity module，SIM)卡、记忆棒、安全数码(securedigital，SD)存储卡等。
如图40B所示，基站170包括至少一个处理单元250、至少一个发射器252、至少一个接收器254、一个或多个天线256、至少一个存储器258和一个或多个输入/输出设备或接口266。可以使用未示出的收发器代替发射器252和接收器254。调度器253可以与处理单元250耦合。调度器253可以包括在基站170内，也可以与基站170分开操作。处理单元250实现基站170的各种处理操作，例如信号编码、数据处理、功率控制、输入/输出处理或任何其它功能。处理单元250还可以用于实现上文详述的部分或全部功能和/或实施例。每个处理单元250包括任何合适的用于执行一个或多个操作的处理或计算设备。每个处理单元250都可以包括微处理器、微控制器、数字信号处理器、现场可编程门阵列或专用集成电路等。
每个发射器252包括任何合适的用于生成与一个或多个ED或其它设备进行无线或有线传输的信号的结构。每个接收器254包括任何合适的用于处理从一个或多个ED或其它设备通过无线或有线方式接收的信号的结构。虽然至少一个发射器252和至少一个接收器254示为单独的组件，但它们可以组合为收发器。每个天线256包括任何合适的用于发送和/或接收无线或有线信号的结构。虽然共用天线256在这里示为与发射器252和接收器254耦合，但一个或多个天线256可以与一个或多个发射器252耦合，一个或多个单独的天线256可以与一个或多个接收器254耦合。每个存储器258包括任何合适的一个或多个易失性和/或非易失性存储与检索设备，例如上文结合ED 110描述的那些设备。存储器258存储由基站170使用、生成或收集的指令和数据。例如，存储器258可以存储用于实现上文描述的部分或全部功能和/或实施例并由一个或多个处理单元250执行的软件指令或模块。
每个输入/输出设备266都可以与网络中的用户或其它设备进行交互。每个输入/输出设备266包括任何合适的用于向用户提供信息或从用户接收信息/提供来自用户的信息的结构，包括网络接口通信。
关于ED 110和基站170的附加细节为本领域技术人员所公知。因此，为了清楚起见，这里省略了这些详细内容。
根据上述教导，本发明的许多修改和变型也是可能的。因此，应当理解的是，只要是在所附权利要求书的范围内，可以用不同于本文具体描述的方式来实践本发明。
Claims (21)
1.一种使用N波束发射器传输到具有K个接收波束的接收器的多波束传输方法，其特征在于，所述方法包括：
使用依赖于来自所述接收器的反馈的梯度下降反向传播来训练机器学习块和线性编码器，其中所述机器学习块实现非线性编码器；
对于待发送的每个输入：
使用所述机器学习块来处理输入以生成N/K组L个输出；和
使用所述线性编码器对每组L个输出执行线性编码以生成各组K个输出，从而生成N/K组共K个编码输出和共N个编码输出；和
从各组的K个波束发送所述N/K组K个输出中的各个组。
2.根据权利要求1所述的方法，其特征在于，所述机器学习块是深度神经网络。
3.根据权利要求1至2中任一项所述的方法，其特征在于，所述训练线性编码器是针对待发送的每个输入执行的。
4.根据权利要求1至3中任一项所述的方法，其特征在于：
其中，“a”是待发送的输入；
f(a)是由所述非线性编码器执行的非线性编码操作；
wi和
是所述线性编码器的参数；
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
对所述N/K组K个输出中的每一组应用各自的权重，以生成加权后的一组K个输出；
其中，从每个波束发送所述N/K组K个输出中的各个组包括发送所述加权后的一组K个输出；和
所述方法还包括使用消息传递算法来训练所述权重。
6.根据权利要求5中所述的方法，其特征在于：
其中，“a”是待发送的输入；
f(a)是由所述非线性编码器执行的非线性编码操作；
wi和
是所述线性编码器的参数；
7.根据权利要求5至6中任一项所述的方法，其特征在于，所述对所述N/K组K个输出中的每一组应用各自的权重，以生成加权后的一组K个输出包括对所述N/K组K个输出中的第i组应用相应的权重αi；和
使用消息传递算法来确定αi，以便对比包括在通过权重1–αi计算的另一虚拟信号中的所述线性编码器的输出中的有用信息量基于优化准则来优化包括在发送的信号中的所述线性编码器的输出中的有用信息量。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
在初始训练期间：
在训练所述机器学习块和所述线性编码器的同时固定所述权重αi；和
在训练所述权重αi的同时将所述机器学习块和所述线性编码器的参数处理为常数；和
在训练之后，使用消息传递算法来更新每次传输的所述权重。
9.根据权利要求8所述的方法，其特征在于，所述在初始训练期间，在训练所述机器学习块和所述线性编码器的同时固定所述权重αi包括：
基于信道衰减的估计＝静态信道衰减的估计+动态衰减的概率分布+失配信道衰减的概率分布，执行所述初始训练；
在训练之后，使用消息传递算法来更新每次传输的所述权重包括基于信道衰减的更新值来进行更新。
10.根据权利要求1至9中任一项所述的方法，其特征在于，所述方法还包括：
从各自的公共时钟树驱动每组K个天线；和
以各自均匀的功率为每组K个天线供电。
11.根据权利要求9所述的方法，其特征在于，还包括：
存储针对所述N波束发射器的覆盖区域的多个不同部分中的每一部分的所述机器学习块和所述线性编码器的训练结果，所述训练结果包括所述发射器的所述非线性编码操作的参数和所述发射器的所述线性编码器的参数，以及位于所述覆盖区域的所述部分内的非线性解码器的参数；和
确定所述接收器的位置；
其中，使用所述机器学习块和所述线性编码器包括基于所述确定的接收器的位置使用所述存储的训练结果。
12.根据权利要求11所述的方法，其特征在于，所述方法还包括：
针对所述确定的位置将所述非线性解码器的参数发送到所述接收器。
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
基于对比静态衰减的动态衰减的分析，确定静态衰减的值不代表所述区域的所述部分：
将所述静态衰减的值更新为静态衰减的最新估计；
使用所述最新估计重新训练所述非线性编码器和所述线性编码器；和
若重新训练不收敛，则增加波束的数量，并且针对更多的波束重新训练所述非线性编码器和所述线性编码器。
14.根据权利要求12所述的方法，其特征在于，所述方法还包括：
基于对比静态衰减的失配衰减的分析，增加导频的数量和/或频率。
15.根据权利要求14所述的方法，其特征在于，所述方法还包括：
在增加所述导频的数量和/或频率之后，基于对比静态衰减的失配衰减的进一步分析，确定更多波束：
增加波束的数量；和
针对更多的波束重新训练所述非线性编码器和所述线性编码器。
16.根据权利要求1至15中任一项所述的方法，其特征在于，所述从各组的K个波束发送所述N/K组K个输出中的各个组包括：
在第一次传输中，从所述各组的K个波束中的T个波束发送所述各组的K个输出中的T个输出，其中，T＜K；
在第二次传输中，从所述各组的K个波束中剩余的K–T个波束发送所述各组的K个输出中剩余的K–T个输出。
17.一种向具有K个接收波束的接收器传输的装置，其特征在于，所述装置包括：
处理器和存储器；
其中，所述处理器和所述存储器实现线性编码器并且通过非线性编码器实现机器学习块；
其中，所述处理器和所述存储器用于：
使用依赖于来自所述接收器的反馈的梯度下降反向传播来训练所述机器学习块和所述线性编码器；
对于待发送的每个输入：
使用所述机器学习块来处理输入以生成N/K组L个输出；和
使用所述线性编码器对每组L个输出执行线性编码以生成各组K个输出，从而生成N/K组共K个编码输出和共N个编码输出；和
所述装置还包括N波束发射器，用于从各组的K个波束发送所述N/K组K个输出中的各个组。
18.根据权利要求17所述的装置，其特征在于，还用于：
对所述N/K组K个输出中的每一组应用各自的权重，以生成加权后的一组K个输出；
其中，从每个波束发送所述N/K组K个输出中的各个组包括发送所述加权后的一组K个输出；和
所述装置还用于使用消息传递算法来训练所述权重。
19.如权利要求18所述的装置，其特征在于，用于对所述N/K组K个输出中的每一组应用各自的权重，以通过以下操作生成加权后的一组K个输出：
对所述N/K组K个输出中的第i组应用相应的权重αi；和
使用消息传递算法来确定αi，以便对比包括在通过权重1–αi计算的另一虚拟信号中的所述线性编码器的输出中的有用信息量基于优化准则来优化包括在发送的信号中的所述线性编码器的输出中的有用信息量。
20.根据权利要求17至19中任一项所述的装置，其特征在于，还用于：
从各自的公共时钟树驱动每组K个天线；和
以各自均匀的功率为每组K个天线供电。
21.根据权利要求17至20中任一项所述的装置，其特征在于，用于通过以下操作从各组的K个波束发送所述N/K组K个输出中的各个组：
在第一次传输中，从所述各组的K个波束中的T个波束发送所述各组的K个输出中的T个输出，其中，T＜K；
在第二次传输中，从所述各组的K个波束中剩余的K–T个波束发送所述各组的K个输出中剩余的K–T个输出。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/937,863 US11361223B2 (en) | 2020-07-24 | 2020-07-24 | Hybrid message-passing-algorithm-based deep learning neural network for a massive beam-forming system |
| US16/937,863 | 2020-07-24 | ||
| PCT/CN2021/102520 WO2022017122A1 (en) | 2020-07-24 | 2021-06-25 | Hybrid message-passing-algorithm-based deep learning neural network for a massive beam-forming system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115836480A true CN115836480A (zh) | 2023-03-21 |
Family
ID=79729677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180049190.4A Pending CN115836480A (zh) | 2020-07-24 | 2021-06-25 | 一种用于大型波束成形系统的基于消息传递算法的混合深度学习神经网络 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11361223B2 (zh) |
| EP (1) | EP4173155A4 (zh) |
| JP (1) | JP2023535198A (zh) |
| CN (1) | CN115836480A (zh) |
| BR (1) | BR112023001200B1 (zh) |
| WO (1) | WO2022017122A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11625610B2 (en) * | 2019-03-12 | 2023-04-11 | Samsung Electronics Co., Ltd | Multiple-input multiple-output (MIMO) detector selection using neural network |
| CN113840380A (zh) * | 2020-06-24 | 2021-12-24 | 华为技术有限公司 | 一种波束指示方法及通信装置 |
| CN114866119B (zh) * | 2022-04-15 | 2023-09-26 | 电子科技大学长三角研究院(湖州) | 一种非完美信道状态信息条件下的混合波束成形方法 |
| CN117256172A (zh) * | 2022-04-18 | 2023-12-19 | 北京小米移动软件有限公司 | 基于ai的csi上报方法、接收方法、装置及存储介质 |
| CN115664471B (zh) * | 2022-08-31 | 2024-01-02 | 东南大学 | 基于宽学习的毫米波mimo基站协作波束选择方法 |
| CN115935261A (zh) * | 2022-12-30 | 2023-04-07 | 马鞍山思凯科技有限公司 | 基于工业互联网的群体设备非绝对正向反馈方法 |
| CN117095188B (zh) * | 2023-10-19 | 2023-12-29 | 中国南方电网有限责任公司 | 一种基于图像处理的电力安全加强方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4845640B2 (ja) | 2006-08-23 | 2011-12-28 | 富士通株式会社 | 無線通信システムおよび無線通信方法 |
| CN104539329B (zh) | 2014-12-11 | 2018-07-03 | 上海华为技术有限公司 | 一种天线及有源天线系统 |
| US10425878B2 (en) | 2017-01-09 | 2019-09-24 | Qualcomm Incorporated | Techniques to identify sets of multiple beams compatible with configurations for routing signals in a user equipment |
| US10187721B1 (en) * | 2017-06-22 | 2019-01-22 | Amazon Technologies, Inc. | Weighing fixed and adaptive beamformers |
| CN111357209B (zh) | 2017-11-21 | 2022-11-01 | 中兴通讯股份有限公司 | 在多波束无线通信网络中执行信道测量的方法、装置和系统 |
| EP3959848A4 (en) * | 2019-04-23 | 2022-06-22 | Deepsig Inc. | COMMUNICATION SIGNAL PROCESSING BY MEANS OF A MACHINE LEARNING NETWORK |
| US20210266875A1 (en) * | 2020-02-24 | 2021-08-26 | Qualcomm Incorporated | MACHINE LEARNING FOR ADDRESSING TRANSMIT (Tx) NON-LINEARITY |
-
2020
- 2020-07-24 US US16/937,863 patent/US11361223B2/en active Active
-
2021
- 2021-06-25 CN CN202180049190.4A patent/CN115836480A/zh active Pending
- 2021-06-25 EP EP21846831.2A patent/EP4173155A4/en active Pending
- 2021-06-25 WO PCT/CN2021/102520 patent/WO2022017122A1/en unknown
- 2021-06-25 JP JP2023504615A patent/JP2023535198A/ja active Pending
- 2021-06-25 BR BR112023001200-7A patent/BR112023001200B1/pt active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| EP4173155A1 (en) | 2023-05-03 |
| US11361223B2 (en) | 2022-06-14 |
| JP2023535198A (ja) | 2023-08-16 |
| US20220036171A1 (en) | 2022-02-03 |
| BR112023001200B1 (pt) | 2024-02-15 |
| BR112023001200A2 (pt) | 2023-03-28 |
| WO2022017122A1 (en) | 2022-01-27 |
| EP4173155A4 (en) | 2024-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115836480A (zh) | 一种用于大型波束成形系统的基于消息传递算法的混合深度学习神经网络 | |
| US11928587B2 (en) | Base station-user equipment messaging regarding deep neural networks | |
| US11397893B2 (en) | Neural network formation configuration feedback for wireless communications | |
| US12001943B2 (en) | Communicating a neural network formation configuration | |
| CN111434049B (zh) | 使用多天线收发器无线传输的信息的编码和解码 | |
| US10554264B2 (en) | System and method for reducing pilot signal contamination using orthogonal pilot signals | |
| US9225471B2 (en) | Cooperative subspace multiplexing in communication networks | |
| US9270421B2 (en) | Cooperative subspace demultiplexing in communication networks | |
| US12020158B2 (en) | Deep neural network processing for a user equipment-coordination set | |
| RU2305898C2 (ru) | Система и способ передачи и приема сигнала в системе мобильной связи, использующей схему адаптивной антенной решетки с множеством входов и множеством выходов | |
| Awan et al. | Detection for 5G-NOMA: An online adaptive machine learning approach | |
| TW200835189A (en) | Unified design and centralized scheduling for dynamic SIMO, SU-MIMO and MU-MIMO operation for RL transmissions | |
| US20230171023A1 (en) | Estimation method of discrete digital signals in noisy overloaded wireless communication systems with csi errors | |
| US20080084829A1 (en) | Apparatus, method and computer program product providing link adaptation | |
| GB2602252A (en) | Deep learning multi-user communication | |
| Boby et al. | A wireless precoding technique for millimetre-wave MIMO system based on SIC-MMSE | |
| Vankayala et al. | A neural network for estimating CQI in 5G communication systems | |
| EP4374294A1 (en) | Hybrid wireless processing chains that include deep neural networks and static algorithm modules | |
| JP2014220776A (ja) | 無線通信装置及び無線伝送システム | |
| Niu et al. | Zhiqiang He | |
| CN114501353A (zh) | 通信信息的发送、接收方法及通信设备 | |
| Huusko | Communication performance prediction and link adaptation based on a statistical radio channel model | |
| Kim | AI-Enabled Physical Layer | |
| Chavva et al. | AI/ML-based design principles of transceivers for wireless systems | |
| Wu et al. | Evaluation of MIMO symbol detectors for 3GPP LTE terminals |
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 |