CN115843045A - 数据采集方法及装置 - Google Patents
数据采集方法及装置 Download PDFInfo
- Publication number
- CN115843045A CN115843045A CN202111101835.2A CN202111101835A CN115843045A CN 115843045 A CN115843045 A CN 115843045A CN 202111101835 A CN202111101835 A CN 202111101835A CN 115843045 A CN115843045 A CN 115843045A
- Authority
- CN
- China
- Prior art keywords
- information
- requirement
- data acquisition
- error
- estimation error
- 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
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开一种数据采集方法及装置,属于通信技术领域。数据采集方法,由第一设备执行,所述方法包括:采集第一设备侧人工智能网络的输入信息和/或输出信息;将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。本申请实施例的技术方案能够提高通信系统的性能。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种数据采集方法及装置。
背景技术
现有技术中,通信设备在进行数据采集时,往往只考虑了在理想因素的干扰下,如何进行数据采集,而未考虑非理想因素的干扰下,如何进行数据采集。
发明内容
本申请实施例提供了一种数据采集方法及装置,能够提高通信系统的性能。
第一方面,本申请实施例提供了一种数据采集方法,由第一设备执行,所述方法包括:
采集第一设备侧人工智能网络的输入信息和/或输出信息;
将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。
第二方面,本申请实施例提供了一种数据采集装置,应用于第一设备,所述装置包括:
采集模块,用于采集第一设备侧人工智能网络的输入信息和/或输出信息;
上报模块,用于将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。
第三方面,提供了一种第一设备,该终端包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,提供了一种第一设备,包括处理器及通信接口,其中,所述处理器用于采集第一设备侧人工智能网络的输入信息和/或输出信息;所述通信接口用于将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。
第五方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第六方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法。
第七方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在非易失的存储介质中,所述程序/程序产品被至少一个处理器执行以实现如第一方面所述的方法的步骤。
在本申请实施例中,第一设备采集人工智能网络的输入信息和/或输出信息;将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,这样上报给第二设备的第一信息和/或第二信息满足第一要求,能够有效提升第一设备侧采集数据的效率和准确性,提升无线网络中的人工智能模块的性能,从而提升通信系统的性能。
附图说明
图1表示无线通信系统的示意图;
图2表示神经网络的结构示意图;
图3表示神经元的结构示意图;
图4表示本申请实施例由第一设备执行的数据采集方法的流程示意图;
图5表示本申请实施例应用于第一设备的数据采集装置的结构示意图;
图6表示本申请实施例通信设备的结构示意图;
图7表示本申请实施例的终端的组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)系统,还可用于其他无线通信系统,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency-Division Multiple Access,SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的系统和无线电技术,也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)系统,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR系统应用以外的应用,如第6代(6th Generation,6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中,终端11也可以称作终端设备或者用户终端(User Equipment,UE),终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(LaptopComputer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer,UMPC)、移动上网装置(Mobile Internet Device,MID)、可穿戴式设备(Wearable Device)或车载设备(VUE)、行人终端(PUE)等终端侧设备,可穿戴式设备包括:智能手表、手环、耳机、眼镜等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以是基站或核心网,其中,基站可被称为节点B、演进节点B、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set,BSS)、扩展服务集(Extended Service Set,ESS)、B节点、演进型B节点(eNB)、家用B节点、家用演进型B节点、WLAN接入点、WiFi节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例,但是并不限定基站的具体类型,所述核心网设备可以是位置管理设备,例如,所位置管理功能(LMF、E-SLMC)等。
人工智能目前在各个领域获得了广泛的应用,人工智能有多种实现方式,例如神经网络、决策树、支持向量机、贝叶斯分类器等。如图2所示为神经网络的架构示意图,其中,神经网络由神经元组成,神经元的示意图如图3所示,其中a1,a2,…aK为输入,w为权值(乘性系数),b为偏置(加性系数),σ(.)为激活函数。常见的激活函数包括Sigmoid、tanh、ReLU(Rectified Linear Unit,线性整流函数,修正线性单元)等等。
神经网络的参数通过优化算法进行优化。优化算法是一种最小化或者最大化目标函数(也称损失函数)的算法,目标函数往往是模型参数和数据的数学组合。例如给定数据X和其对应的标签Y,构建一个神经网络模型f(.),利用神经网络模型,根据输入x就可以得到预测输出f(x),并且可以计算出预测值和真实值之间的差距(f(x)-Y),这个差距就是损失函数。优化算法的目的是找到合适的W,b使上述的损失函数的值达到最小,损失值越小,则说明模型越接近于真实情况。
目前常见的优化算法,基本都是基于误差反向传播(error Back Propagation,BP)算法。BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。
常见的优化算法有梯度下降(Gradient Descent)、随机梯度下降(StochasticGradient Descent,SGD)、mini-batch gradient descent(小批量梯度下降)、动量法(Momentum)、Nesterov(发明者的名字,具体为带动量的随机梯度下降)、Adagrad(ADAptiveGRADient descent,自适应梯度下降)、Adadelta、RMSprop(root mean square prop,均方根误差降速)、Adam(Adaptive Moment Estimation,自适应动量估计)等。
这些优化算法在误差反向传播时,都是根据损失函数得到的误差或损失,对当前神经元求导数或偏导,加上学习速率、之前的梯度或导数或偏导等影响,得到梯度,将梯度传给上一层。
本申请实施例提供一种数据采集方法,如图4所示,所述方法包括:
步骤101:采集第一设备侧人工智能网络的输入信息和/或输出信息;
步骤102:将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。
在本申请实施例中,第一设备采集人工智能网络的输入信息和/或输出信息;将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,这样上报给第二设备的第一信息和/或第二信息满足第一要求,能够有效提升第一设备侧采集数据的效率和准确性,提升无线网络中的人工智能模块的性能,从而提升通信系统的性能。
可选地,如果输入信息满足第一要求,可以直接由输入信息确定第一信息,如果输入信息不满足第一要求,则需要对输入信息进行处理得到满足第一要求的第一信息;如果输出信息满足第一要求,可以直接由输出信息确定第二信息,如果输出信息不满足第一要求,则需要对输出信息进行处理得到满足第一要求的第二信息。
可选地,第一设备和第二设备可以为同一设备,也可以为不同设备。在第一设备和第二设备为同一设备时,第一信息和/或第二信息的发送方与接收方为该设备的不同模块。第一设备可以为终端,第二设备可以为终端也可以为网络侧设备。
第一信息和/或第二信息的发送方将第一信息和/或第二信息发送至第二设备,第二设备可以用相匹配的AI模块处理第二信息,也可以用非AI模块处理第二信息,或者第二设备不对第二信息进行处理,直接使用第二信息。
由于采集可能是在非理想因素的干扰下进行的,因此,第二设备在使用第一信息和/或第二信息时,可以加上非理想因素的干扰,模拟各种非理想情况。比如,第一信息和/或第二信息为高信噪比数据,则可以在高信噪比数据上加上白噪声,模拟低信噪比的情况;或者,在第一信息和/或第二信息上加上均匀变化的相位偏移,模拟定时不准的情况。还可以利用GAN(生成对抗网络)对第一信息和/或第二信息进行不理想条件的添加。
一些实施例中,采集第一设备侧人工智能网络的输入信息和/或输出信息的步骤之后,所述方法还包括:
上报所述第一要求的关联参数和/或所述关联参数的统计特征。这样可以使得第二设备获知第一信息和/或第二信息所满足的第一要求,快速准确地对第一信息和/或第二信息进行处理。其中,采集的输入信息和/或输出信息可以满足第一要求,也可以不满足第一要求,如果采集的输入信息和/或输出信息不满足第一要求,则对输入信息进行处理,得到满足第一要求的第一信息,和/或,对输出信息进行处理,得到满足第一要求的第二信息。
一些实施例中,将第一信息和/或第二信息发送给第二设备的步骤之前,所述方法还包括:
接收所述第二设备发送的统计特征的统计范围,所述统计特征为所述第一要求的关联参数的统计特征。
本实施例中,可以由第二设备配置统计特征的统计范围,并将统计特征的统计范围发送给第一设备,这样可以根据所需的信息限定统计范围,避免第一设备获取过大范围的统计特征。
一些实施例中,所述第一要求的关联参数的统计特征包括以下至少一项:
所述关联参数的概率分布,包括概率密度函数(probability density function,PDF)、累积分布函数(cumulative distribution function,CDF)、概率质量函数(probability mass function,PMF),具体可以为TA的概率分布,信噪比的概率分布等;
所述关联参数的误差的概率分布,如TA估计误差的概率分布,信噪比的估计误差的概率分布;
所述关联参数的均值,如TA的均值,信噪比的均值;
所述关联参数的方差,如TA的方差,信噪比的方差;
所述关联参数的误差的均值,如TA的估计误差的均值,信噪比的估计误差的均值;
所述关联参数的误差的方差,如TA的估计误差的方差,信噪比的估计误差的方差;
所述关联参数的时间相关性;
所述关联参数的误差的时间相关性;
所述关联参数的累计分布函数CDF在预设阈值处的值,如CDF 5%处的值,CDF10%处的值,CDF 50%处的值,CDF 90%处的值,CDF 95%处的值;
所述关联参数的误差的CDF在预设阈值处的值,如CDF 5%处的值,CDF 10%处的值,CDF 50%处的值,CDF 90%处的值,CDF 95%处的值。
上述预设阈值可以是协议定义的,也可以是网络侧设备配置的,还可以是预配置的。
一些实施例中,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量TA;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率,比如白噪声、相位噪声等;
小区内干扰,比如小区内其它用户的干扰;
小区间干扰,比如其它小区的基站和/或用户的干扰;
信号处理模块的非线性参数,比如功率放大器(Power Amplifer,PA)的非线性参数;
移动参数,第一设备的移动参数,包括第一设备的移动速度和第一设备的移动角度,移动速度包括绝对速度和相对速度,比如第一设备对于网络侧基站的相对速度,第一设备对于基站的相对移动角度;
第一设备的位置,位置包括绝对位置和相对位置,绝对位置可以是第一设备的经纬度,相对位置可以是第一设备对于基站的相对位置;可选地,若第一信息和/或第二信息的发送方为第一设备的定位业务模块或定位模块,则第一要求需要包括该参数;
第一设备的位置的估计误差;
载波间干扰;
波束质量,可以为层1RSRP(L1-RSRP)、L1-SINR、L1-RSRP、L1-RSRQ、层3RSRP(L3-RSRP)、L3-SINR、L3-RSRP、L3-RSRQ等;
波束质量估计误差。
本实施例中,通过关联参数定义第一要求,所述第一要求可以包括以下至少以下一项:
至少一个所述关联参数大于预设第一门限;
至少一个所述关联参数大于或等于预设第二门限;
至少一个所述关联参数小于预设第三门限;
至少一个所述关联参数小于或等于预设第四门限。
其中,上述第一门限、第二门限、第三门限、第四门限可以是协议定义的,也可以是网络侧设备配置的,还可以是预配置的。
一具体示例中,第一要求可以是信噪比的均值大于等于30dB,同时小区间干扰的均值小于-5dB,同时TA估计误差在某个范围,比如门限1<TA估计误差的CDF 90%处的值<门限2。
一些实施例中,采集第一设备侧人工智能网络的输入信息和/或输出信息的步骤包括:
采集满足所述第一要求的输入信息;和/或
采集满足所述第一要求的输出信息。
本实施例中,在采集时,可以采集满足第一要求的输入信息和输出信息,这样可以无需对输入信息和输出信息进行处理,即可直接得到第一信息和第二信息。
一些实施例中,将第一信息和/或第二信息发送给第二设备之前,所述方法还包括:
对采集的所述输入信息经预设处理方式处理后得到所述第一信息;和/或
对采集的所述输出信息经预设处理方式处理后得到所述第二信息。
本实施例中,在采集时,可以采集不满足第一要求的输入信息和输出信息,对输入信息和输出信息进行处理,得到第一信息和第二信息。
一些实施例中,所述输出信息满足所述第一要求;和/或
所述输出信息经预设处理方式处理后满足所述第一要求;和/或
所述输入信息满足所述第一要求;和/或
所述输入信息经预设处理方式处理后满足所述第一要求。
一些实施例中,所述第一信息与第一参考信息的误差小于预设门限;和/或
所述第二信息与第二参考信息的误差小于预设门限。
例如,协议定义至少一个样例,样例中包括第一参考信息和/或第二参考信息,其中第一参考信息为第一信息的标签或参考值,第二参考信息为第二信息的标签或参考值。例如,第一设备将第一参考信息输入人工智能网络,得到第二信息,此时第一要求为第二信息与第二参考信息的误差小于预设门限。
一些实施例中,所述误差包括以下任一项或多项的组合:
均方误差;
归一化均方误差;
余弦相似度;
相关性。
第一参考信息和第二参考信息可以为协议定义的一些参考值,比如第一参考信息和第二参考信息可以为接近理论最优地算法得到的,满足第一要求的第一信息与第一参考信号的误差在一定门限内,满足第一要求的第二信息与第二参考信号的误差在一定门限内,其中,误差的计算方式可以为MSE(均方误差)、NMSE(归一化均方误差)、余弦相似度、相关性等,以及它们中至少一个的数学关系式,如a*NMSE+b*余弦相似度,即利用归一化均方误差计算得到第一误差NMSE,利用余弦相似度计算得到第二误差,将a*第一误差+b*第二误差作为最终的误差。
一些实施例中,所述人工智能网络位于所述第一设备的信道状态信息CSI编码模块,对于CSI编码模块来说,所述输入信息可以不满足所述第一要求。
一些实施例中,所述人工智能网络位于所述第一设备的联合模块中,所述联合模块至少包括CSI反馈模块,比如联合模块可以为CSI反馈模块和CSI参考信号估计模块的联合,则所述输入信息和/或所述输出信息满足所述第一要求;和/或,所述输入信息和/或所述输出信息经预设处理方式处理后满足所述第一要求。又例如,联合模块可以为预编码模块、CSI反馈模块、CSI参考信号估计模块的联合,则所述输入信息和/或所述输出信息满足所述第一要求;和/或,所述输入信息和/或所述输出信息经预设处理方式处理后满足所述第一要求。又例如,联合模块可以为调度模块、CSI反馈模块、CSI参考信号估计模块的联合,则所述输入信息和/或所述输出信息满足所述第一要求;和/或,所述输入信息和/或所述输出信息经预设处理方式处理后满足所述第一要求。又例如,联合模块可以为预编码模块、调度模块、CSI反馈模块、CSI参考信号估计模块的联合,则所述输入信息和/或所述输出信息满足所述第一要求;和/或,所述输入信息和/或所述输出信息经预设处理方式处理后满足所述第一要求。
一些实施例中,所述预设处理方式为协议定义,或,所述第二设备发送给所述第一设备,或所述第一设备发送给所述第二设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
一些实施例中,所述输入信息和所述输出信息包括以下至少一项:
解调参考信号DMRS数据;
信道估计数据;
参考信号估计数据;
所述第一要求的关联参数包括以下至少一项:
定时,和/或定时不准带来相位的均匀变化;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰,和/或未加循环前缀CP、移动速度带来的多普勒频移;
小区内干扰;
小区间干扰。
在数据采集时,可以不考虑输入信息,仅考虑第二信息和/或输出信息是否满足第一要求。
一些实施例中,所述输入信息和所述输出信息包括定位数据,所述第一要求的关联参数包括以下至少一项:
定时,和/或定时不准带来相位的均匀变化;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰,和/或未加循环前缀CP、移动速度带来的多普勒频移;
小区内干扰;
小区间干扰;
第一设备的位置;
第一设备的位置的估计误差。
一些实施例中,所述输入信息和所述输出信息包括波束数据,所述第一要求的关联参数包括以下至少一项:
定时,和/或定时不准带来相位的均匀变化;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰,和/或未加循环前缀CP、移动速度带来的多普勒频移;
小区内干扰;
小区间干扰;
波束质量;
波束质量估计误差。
一些实施例中,所述第一要求为协议定义,或,所述第二设备发送给所述第一设备,或所述第二设备发送给所述第一设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
需要说明的是,本申请实施例提供的数据采集方法,执行主体可以为数据采集装置,或者该数据采集装置中的用于执行加载数据采集方法的模块。本申请实施例中以数据采集装置执行加载数据采集方法为例,说明本申请实施例提供的数据采集方法。
本申请实施例提供了一种数据采集装置,应用于第一设备300,如图5所示,所述装置包括:
采集模块310,用于采集第一设备侧人工智能网络的输入信息和/或输出信息;
上报模块320,用于将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。
一些实施例中,所述上报模块320还用于上报所述第一要求的关联参数和/或所述关联参数的统计特征。
一些实施例中,所述装置还包括:
接收模块,用于接收所述第二设备发送的统计特征的统计范围,所述统计特征为所述第一要求的关联参数的统计特征。
一些实施例中,所述第一要求的关联参数的统计特征包括以下至少一项:
所述关联参数的概率分布;
所述关联参数的误差的概率分布;
所述关联参数的均值;
所述关联参数的方差;
所述关联参数的误差的均值;
所述关联参数的误差的方差;
所述关联参数的时间相关性;
所述关联参数的误差的时间相关性;
所述关联参数的累计分布函数CDF在预设阈值处的值;
所述关联参数的误差的CDF在预设阈值处的值。
一些实施例中,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
小区内干扰;
小区间干扰;
信号处理模块的非线性参数;
移动参数;
第一设备的位置;
第一设备的位置的估计误差;
载波间干扰;
波束质量;
波束质量估计误差。
一些实施例中,所述第一要求包括以下至少以下一项:
至少一个所述关联参数大于预设第一门限;
至少一个所述关联参数大于或等于预设第二门限;
至少一个所述关联参数小于预设第三门限;
至少一个所述关联参数小于或等于预设第四门限。
一些实施例中,所述采集模块具体用于采集满足所述第一要求的输入信息;和/或
采集满足所述第一要求的输出信息。
一些实施例中,所述装置还包括:
处理模块,用于对采集的所述输入信息经预设处理方式处理后得到所述第一信息;和/或
对采集的所述输出信息经预设处理方式处理后得到所述第二信息。
一些实施例中,所述输出信息满足所述第一要求;和/或
所述输出信息经预设处理方式处理后满足所述第一要求;和/或
所述输入信息满足所述第一要求;和/或
所述输入信息经预设处理方式处理后满足所述第一要求。
一些实施例中,所述第一信息与第一参考信息的误差小于预设门限;和/或
所述第二信息与第二参考信息的误差小于预设门限。
一些实施例中,所述误差包括以下任一项或多项的组合:
均方误差;
归一化均方误差;
余弦相似度;
相关性。
一些实施例中,所述人工智能网络位于所述第一设备的信道状态信息CSI编码模块,所述输入信息不满足所述第一要求。
一些实施例中,所述人工智能网络位于所述第一设备的联合模块中,所述联合模块至少包括CSI反馈模块,
所述输入信息和/或所述输出信息满足所述第一要求;和/或
所述输入信息和/或所述输出信息经预设处理方式处理后满足所述第一要求。
一些实施例中,所述预设处理方式为协议定义,或,所述第二设备发送给所述第一设备,或所述第一设备发送给所述第二设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
一些实施例中,所述输入信息和所述输出信息包括以下至少一项:
解调参考信号DMRS数据;
信道估计数据;
参考信号估计数据;
所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰。
一些实施例中,所述输入信息和所述输出信息包括定位数据,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰;
第一设备的位置;
第一设备的位置的估计误差。
一些实施例中,所述输入信息和所述输出信息包括波束数据,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰;
波束质量;
波束质量估计误差。
一些实施例中,所述第一要求为协议定义,或,所述第二设备发送给所述第一设备,或所述第二设备发送给所述第一设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
本申请实施例中的数据采集装置可以是装置,具有操作系统的装置或电子设备,也可以是终端中的部件、集成电路、或芯片。该装置或电子设备可以是移动终端,也可以为非移动终端。示例性的,移动终端可以包括但不限于上述所列举的终端11的类型,非移动终端可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例提供的数据采集装置能够实现图4的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图6所示,本申请实施例还提供一种通信设备500,包括处理器501,存储器502,存储在存储器502上并可在所述处理器501上运行的程序或指令,例如,该通信设备500为第一设备时,该程序或指令被处理器501执行时实现上述应用于第一设备的数据采集方法实施例的各个过程,且能达到相同的技术效果。为避免重复,这里不再赘述。
本申请实施例还提供一种第一设备,第一设备可以为终端,包括处理器和通信接口,所述处理器用于采集第一设备侧人工智能网络的输入信息和/或输出信息;所述通信接口用于将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。该终端实施例是与上述终端(即第一设备)侧方法实施例对应的,上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中,且能达到相同的技术效果。具体地,图7为实现本申请实施例的一种终端的硬件结构示意图。
该终端1000包括但不限于:射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等中的至少部分部件。
本领域技术人员可以理解,终端1000还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器1010逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元1004可以包括图形处理器(GraphicsProcessing Unit,GPU)10041和麦克风10042,图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072。触控面板10071,也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元1001将来自网络侧设备的下行数据接收后,给处理器1010处理;另外,将上行的数据发送给网络侧设备。通常,射频单元1001包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1009可用于存储软件程序或指令以及各种数据。存储器1009可主要包括存储程序或指令区和存储数据区,其中,存储程序或指令区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器1009可以包括高速随机存取存储器,还可以包括非易失性存储器,其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
处理器1010可包括一个或多个处理单元;可选的,处理器1010可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序或指令等,调制解调处理器主要处理无线通信,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器1010中。
其中,处理器1010,用于采集第一设备侧人工智能网络的输入信息和/或输出信息;将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。
一些实施例中,处理器1010,用于上报所述第一要求的关联参数和/或所述关联参数的统计特征。
一些实施例中,处理器1010,用于接收所述第二设备发送的所述统计特征的统计范围。
一些实施例中,所述统计特征包括以下至少一项:
所述关联参数的概率分布;
所述关联参数的误差的概率分布;
所述关联参数的均值;
所述关联参数的方差;
所述关联参数的误差的均值;
所述关联参数的误差的方差;
所述关联参数的时间相关性;
所述关联参数的误差的时间相关性;
所述关联参数的累计分布函数CDF在预设阈值处的值;
所述关联参数的误差的CDF在预设阈值处的值。
一些实施例中,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
小区内干扰;
小区间干扰;
信号处理模块的非线性参数;
移动参数;
第一设备的位置;
第一设备的位置的估计误差;
载波间干扰;
波束质量;
波束质量估计误差。
一些实施例中,所述第一要求包括以下至少以下一项:
至少一个所述关联参数大于预设第一门限;
至少一个所述关联参数大于或等于预设第二门限;
至少一个所述关联参数小于预设第三门限;
至少一个所述关联参数小于或等于预设第四门限。
一些实施例中,处理器1010,用于采集满足所述第一要求的输入信息;和/或
采集满足所述第一要求的输出信息。
一些实施例中,处理器1010,用于对采集的所述输入信息经预设处理方式处理后得到所述第一信息;和/或
对采集的所述输出信息经预设处理方式处理后得到所述第二信息。
一些实施例中,所述输出信息满足所述第一要求;和/或
所述输出信息经预设处理方式处理后满足所述第一要求;和/或
所述输入信息满足所述第一要求;和/或
所述输入信息经预设处理方式处理后满足所述第一要求。
一些实施例中,所述第一信息与第一参考信息的误差小于预设门限;和/或
所述第二信息与第二参考信息的误差小于预设门限。
一些实施例中,所述误差包括以下任一项或多项的组合:
均方误差;
归一化均方误差;
余弦相似度;
相关性。
一些实施例中,所述人工智能网络位于所述第一设备的信道状态信息CSI编码模块,所述输入信息不满足所述第一要求。
一些实施例中,所述人工智能网络位于所述第一设备的联合模块中,所述联合模块至少包括CSI反馈模块,
所述输入信息和/或所述输出信息满足所述第一要求;和/或
所述输入信息和/或所述输出信息经预设处理方式处理后满足所述第一要求。
一些实施例中,所述预设处理方式为协议定义,或,所述第二设备发送给所述第一设备,或所述第一设备发送给所述第二设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
一些实施例中,所述输入信息和所述输出信息包括以下至少一项:
解调参考信号DMRS数据;
信道估计数据;
参考信号估计数据;
所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰。
一些实施例中,所述输入信息和所述输出信息包括定位数据,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰;
第一设备的位置;
第一设备的位置的估计误差。
一些实施例中,所述输入信息和所述输出信息包括波束数据,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰;
波束质量;
波束质量估计误差。
一些实施例中,所述第一要求为协议定义,或,所述第二设备发送给所述第一设备,或所述第二设备发送给所述第一设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述数据采集方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述数据采集方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯片系统或片上系统芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (38)
1.一种数据采集方法,其特征在于,由第一设备执行,所述方法包括:
采集第一设备侧人工智能网络的输入信息和/或输出信息;
将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。
2.根据权利要求1所述的数据采集方法,其特征在于,采集第一设备侧人工智能网络的输入信息和/或输出信息的步骤之后,所述方法还包括:
上报所述第一要求的关联参数和/或所述关联参数的统计特征。
3.根据权利要求1所述的数据采集方法,其特征在于,将第一信息和/或第二信息发送给第二设备的步骤之前,所述方法还包括:
接收所述第二设备发送的统计特征的统计范围,所述统计特征为所述第一要求的关联参数的统计特征。
4.根据权利要求1所述的数据采集方法,其特征在于,所述第一要求的关联参数的统计特征包括以下至少一项:
所述关联参数的概率分布;
所述关联参数的误差的概率分布;
所述关联参数的均值;
所述关联参数的方差;
所述关联参数的误差的均值;
所述关联参数的误差的方差;
所述关联参数的时间相关性;
所述关联参数的误差的时间相关性;
所述关联参数的累计分布函数CDF在预设阈值处的值;
所述关联参数的误差的CDF在预设阈值处的值。
5.根据权利要求1所述的数据采集方法,其特征在于,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
小区内干扰;
小区间干扰;
信号处理模块的非线性参数;
移动参数;
第一设备的位置;
第一设备的位置的估计误差;
载波间干扰;
波束质量;
波束质量估计误差。
6.根据权利要求5所述的数据采集方法,其特征在于,所述第一要求包括以下至少以下一项:
至少一个所述关联参数大于预设第一门限;
至少一个所述关联参数大于或等于预设第二门限;
至少一个所述关联参数小于预设第三门限;
至少一个所述关联参数小于或等于预设第四门限。
7.根据权利要求1所述的数据采集方法,其特征在于,采集第一设备侧人工智能网络的输入信息和/或输出信息的步骤包括:
采集满足所述第一要求的输入信息;和/或
采集满足所述第一要求的输出信息。
8.根据权利要求1所述的数据采集方法,其特征在于,将第一信息和/或第二信息发送给第二设备之前,所述方法还包括:
对采集的所述输入信息经预设处理方式处理后得到所述第一信息;和/或
对采集的所述输出信息经预设处理方式处理后得到所述第二信息。
9.根据权利要求7所述的数据采集方法,其特征在于,
所述输出信息满足所述第一要求;和/或
所述输出信息经预设处理方式处理后满足所述第一要求;和/或
所述输入信息满足所述第一要求;和/或
所述输入信息经预设处理方式处理后满足所述第一要求。
10.根据权利要求1所述的数据采集方法,其特征在于,
所述第一信息与第一参考信息的误差小于预设门限;和/或
所述第二信息与第二参考信息的误差小于预设门限。
11.根据权利要求10所述的数据采集方法,其特征在于,所述误差包括以下任一项或多项的组合:
均方误差;
归一化均方误差;
余弦相似度;
相关性。
12.根据权利要求1所述的数据采集方法,其特征在于,所述人工智能网络位于所述第一设备的信道状态信息CSI编码模块,所述输入信息不满足所述第一要求。
13.根据权利要求1所述的数据采集方法,其特征在于,所述人工智能网络位于所述第一设备的联合模块中,所述联合模块至少包括CSI反馈模块,
所述输入信息和/或所述输出信息满足所述第一要求;和/或
所述输入信息和/或所述输出信息经预设处理方式处理后满足所述第一要求。
14.根据权利要求8或9或13所述的数据采集方法,其特征在于,所述预设处理方式为协议定义,或,所述第二设备发送给所述第一设备,或所述第一设备发送给所述第二设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
15.根据权利要求5所述的数据采集方法,其特征在于,所述输入信息和所述输出信息包括以下至少一项:
解调参考信号DMRS数据;
信道估计数据;
参考信号估计数据;
所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰。
16.根据权利要求5所述的数据采集方法,其特征在于,所述输入信息和所述输出信息包括定位数据,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰;
第一设备的位置;
第一设备的位置的估计误差。
17.根据权利要求5所述的数据采集方法,其特征在于,所述输入信息和所述输出信息包括波束数据,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰;
波束质量;
波束质量估计误差。
18.根据权利要求1所述的数据采集方法,其特征在于,
所述第一要求为协议定义,或,所述第二设备发送给所述第一设备,或所述第二设备发送给所述第一设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
19.一种数据采集装置,其特征在于,应用于第一设备,所述装置包括:
采集模块,用于采集第一设备侧人工智能网络的输入信息和/或输出信息;
上报模块,用于将第一信息和/或第二信息发送给第二设备,所述第一信息和/或所述第二信息满足第一要求,所述第一信息选自所述输入信息,所述第二信息选自所述输出信息。
20.根据权利要求19所述的数据采集装置,其特征在于,所述上报模块还用于上报所述第一要求的关联参数和/或所述关联参数的统计特征。
21.根据权利要求19所述的数据采集装置,其特征在于,所述装置还包括:
接收模块,用于接收所述第二设备发送的统计特征的统计范围,所述统计特征为所述第一要求的关联参数的统计特征。
22.根据权利要求19所述的数据采集装置,其特征在于,所述第一要求的关联参数的统计特征包括以下至少一项:
所述关联参数的概率分布;
所述关联参数的误差的概率分布;
所述关联参数的均值;
所述关联参数的方差;
所述关联参数的误差的均值;
所述关联参数的误差的方差;
所述关联参数的时间相关性;
所述关联参数的误差的时间相关性;
所述关联参数的累计分布函数CDF在预设阈值处的值;
所述关联参数的误差的CDF在预设阈值处的值。
23.根据权利要求19所述的数据采集装置,其特征在于,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
小区内干扰;
小区间干扰;
信号处理模块的非线性参数;
移动参数;
第一设备的位置;
第一设备的位置的估计误差;
载波间干扰;
波束质量;
波束质量估计误差。
24.根据权利要求23所述的数据采集装置,其特征在于,所述第一要求包括以下至少以下一项:
至少一个所述关联参数大于预设第一门限;
至少一个所述关联参数大于或等于预设第二门限;
至少一个所述关联参数小于预设第三门限;
至少一个所述关联参数小于或等于预设第四门限。
25.根据权利要求19所述的数据采集装置,其特征在于,所述采集模块具体用于采集满足所述第一要求的输入信息;和/或
采集满足所述第一要求的输出信息。
26.根据权利要求19所述的数据采集装置,其特征在于,所述装置还包括:
处理模块,用于对采集的所述输入信息经预设处理方式处理后得到所述第一信息;和/或
对采集的所述输出信息经预设处理方式处理后得到所述第二信息。
27.根据权利要求25所述的数据采集装置,其特征在于,
所述输出信息满足所述第一要求;和/或
所述输出信息经预设处理方式处理后满足所述第一要求;和/或
所述输入信息满足所述第一要求;和/或
所述输入信息经预设处理方式处理后满足所述第一要求。
28.根据权利要求19所述的数据采集装置,其特征在于,
所述第一信息与第一参考信息的误差小于预设门限;和/或
所述第二信息与第二参考信息的误差小于预设门限。
29.根据权利要求28所述的数据采集装置,其特征在于,所述误差包括以下任一项或多项的组合:
均方误差;
归一化均方误差;
余弦相似度;
相关性。
30.根据权利要求19所述的数据采集装置,其特征在于,所述人工智能网络位于所述第一设备的信道状态信息CSI编码模块,所述输入信息不满足所述第一要求。
31.根据权利要求19所述的数据采集装置,其特征在于,所述人工智能网络位于所述第一设备的联合模块中,所述联合模块至少包括CSI反馈模块,
所述输入信息和/或所述输出信息满足所述第一要求;和/或
所述输入信息和/或所述输出信息经预设处理方式处理后满足所述第一要求。
32.根据权利要求26或27或31所述的数据采集装置,其特征在于,所述预设处理方式为协议定义,或,所述第二设备发送给所述第一设备,或所述第一设备发送给所述第二设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
33.根据权利要求23所述的数据采集装置,其特征在于,所述输入信息和所述输出信息包括以下至少一项:
解调参考信号DMRS数据;
信道估计数据;
参考信号估计数据;
所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰。
34.根据权利要求23所述的数据采集装置,其特征在于,所述输入信息和所述输出信息包括定位数据,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰;
第一设备的位置;
第一设备的位置的估计误差。
35.根据权利要求23所述的数据采集装置,其特征在于,所述输入信息和所述输出信息包括波束数据,所述第一要求的关联参数包括以下至少一项:
定时;
定时的估计误差;
定时提前量;
定时提前量的估计误差;
信噪比;
信噪比的估计误差;
噪声功率;
载波间干扰;
小区内干扰;
小区间干扰;
波束质量;
波束质量估计误差。
36.根据权利要求19所述的数据采集装置,其特征在于,
所述第一要求为协议定义,或,所述第二设备发送给所述第一设备,或所述第二设备发送给所述第一设备,或,网络侧设备配置,或,第一设备上报给网络侧设备。
37.一种第一设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至18任一项所述的数据采集方法的步骤。
38.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-18任一项所述的数据采集方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111101835.2A CN115843045A (zh) | 2021-09-18 | 2021-09-18 | 数据采集方法及装置 |
PCT/CN2022/118709 WO2023040886A1 (zh) | 2021-09-18 | 2022-09-14 | 数据采集方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111101835.2A CN115843045A (zh) | 2021-09-18 | 2021-09-18 | 数据采集方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115843045A true CN115843045A (zh) | 2023-03-24 |
Family
ID=85575193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111101835.2A Pending CN115843045A (zh) | 2021-09-18 | 2021-09-18 | 数据采集方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115843045A (zh) |
WO (1) | WO2023040886A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9542953B2 (en) * | 2014-01-22 | 2017-01-10 | Comcast Cable Communications, Llc | Intelligent data delivery |
WO2020180887A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
KR102424629B1 (ko) * | 2019-08-22 | 2022-07-26 | (주)프로젝트레인보우 | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 |
CN112651080A (zh) * | 2020-12-18 | 2021-04-13 | 重庆忽米网络科技有限公司 | 基于工业ai技术的焊接结构件工艺优化方法及系统 |
-
2021
- 2021-09-18 CN CN202111101835.2A patent/CN115843045A/zh active Pending
-
2022
- 2022-09-14 WO PCT/CN2022/118709 patent/WO2023040886A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023040886A1 (zh) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114363921A (zh) | Ai网络参数的配置方法和设备 | |
CN107135041B (zh) | 一种基于相空间重构的rbf神经网络信道预测方法 | |
CN115767758A (zh) | 一种基于信道与局部模型更新结合的设备调度方法 | |
WO2022105913A1 (zh) | 通信方法、装置及通信设备 | |
CN114422380A (zh) | 神经网络信息传输方法、装置、通信设备和存储介质 | |
WO2022184011A1 (zh) | 信息处理方法、装置、通信设备及可读存储介质 | |
EP4236428A1 (en) | Communication data processing method and apparatus, and communication device | |
CN115843045A (zh) | 数据采集方法及装置 | |
CN114501353B (zh) | 通信信息的发送、接收方法及通信设备 | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
WO2023040888A1 (zh) | 数据传输方法及装置 | |
TW201941553A (zh) | 用於進行通道預估的方法及相關之積體電路與通信裝置 | |
WO2024046202A1 (zh) | 发送方法、用户设备、网络侧设备及可读存储介质 | |
WO2023036309A1 (zh) | 参考信号序列生成方法、装置、设备及介质 | |
WO2024067665A1 (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
WO2024037380A1 (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
WO2024125525A1 (zh) | Ai算力上报方法、终端及网络侧设备 | |
WO2023179540A1 (zh) | 信道预测方法、装置及无线通信设备 | |
CN117639862A (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
CN117835262A (zh) | Ai模型的处理方法、装置及通信设备 | |
CN116137553A (zh) | 一种信道预测方法、装置、ue及系统 | |
CN116233906A (zh) | 测量方法、装置、设备及存储介质 | |
CN118214667A (zh) | Ai模型监测方法、ai模型性能的测量方法、装置及设备 | |
CN117641433A (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
CN118055421A (zh) | 波束预测方法、装置、终端、网络侧设备及存储介质 |
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 |