CN116097591A - 用于信道状态信息的处理时间线考虑因素 - Google Patents
用于信道状态信息的处理时间线考虑因素 Download PDFInfo
- Publication number
- CN116097591A CN116097591A CN202180056475.0A CN202180056475A CN116097591A CN 116097591 A CN116097591 A CN 116097591A CN 202180056475 A CN202180056475 A CN 202180056475A CN 116097591 A CN116097591 A CN 116097591A
- Authority
- CN
- China
- Prior art keywords
- neural network
- processing time
- csi
- trained
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 264
- 238000013528 artificial neural network Methods 0.000 claims abstract description 407
- 238000009795 derivation Methods 0.000 claims abstract description 29
- 239000010410 layer Substances 0.000 claims description 213
- 238000000034 method Methods 0.000 claims description 152
- 238000012549 training Methods 0.000 claims description 122
- 238000004891 communication Methods 0.000 claims description 93
- 239000013598 vector Substances 0.000 claims description 83
- 230000015654 memory Effects 0.000 claims description 43
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000013461 design Methods 0.000 claims description 19
- 239000002356 single layer Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims 2
- 230000008569 process Effects 0.000 description 42
- 238000000605 extraction Methods 0.000 description 33
- 239000011159 matrix material Substances 0.000 description 33
- 238000005259 measurement Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 31
- 238000010801 machine learning Methods 0.000 description 28
- 230000006835 compression Effects 0.000 description 26
- 238000007906 compression Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 26
- 210000004027 cell Anatomy 0.000 description 23
- 230000006837 decompression Effects 0.000 description 23
- 230000001413 cellular effect Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 15
- 230000002123 temporal effect Effects 0.000 description 15
- 230000004913 activation Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 239000000969 carrier Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000013139 quantization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 102100036409 Activated CDC42 kinase 1 Human genes 0.000 description 2
- 101000741965 Homo sapiens Inactive tyrosine-protein kinase PRAG1 Proteins 0.000 description 2
- 102100038659 Inactive tyrosine-protein kinase PRAG1 Human genes 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002068 genetic effect 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
- 239000007943 implant Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 235000019527 sweetened beverage Nutrition 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- 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
- H04L25/0224—Channel estimation using sounding signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
- H04L1/0026—Transmission of channel quality indication
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种第一无线设备(诸如用户装备)生成消息,该消息指示用于以下至少一者的处理时间:训练神经网络以用于信道状态信息(CSI)推导或基于经训练的神经网络来报告CSI。该第一无线设备向第二无线设备传送指示该处理时间的该消息。该第二无线设备可以是网络实体,诸如基站、传送接收点或另一UE。
Description
相关申请的交叉引用
本申请要求于2021年8月18日提交的题为“Processing TimelineConsiderations for Channel State Information(用于信道状态信息的处理时间线考虑因素)”的希腊专利申请序列号S.N.20200100496的权益和优先权,该申请通过援引被整体明确纳入于此。
技术领域
本公开一般涉及通信系统,且更具体地涉及使用神经网络的操作来编码数据集。
引言
无线通信系统被广泛部署以提供诸如电话、视频、数据、消息接发、和广播等各种电信服务。典型的无线通信系统可采用能够通过共享可用系统资源来支持与多个用户通信的多址技术。此类多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统、以及时分同步码分多址(TD-SCDMA)系统。
这些多址技术已经在各种电信标准中被采纳以提供使不同的无线设备能够在城市、国家、地区、以及甚至全球级别上进行通信的共同协议。示例电信标准是5G新无线电(NR)。5G NR是由第三代伙伴项目(3GPP)为满足与等待时间、可靠性、安全性、可缩放性(例如,与物联网(IoT))相关联的新要求以及其他要求所颁布的连续移动宽带演进的部分。5GNR包括与增强型移动宽带(eMBB)、大规模机器类型通信(mMTC)和超可靠低等待时间通信(URLLC)相关联的服务。5G NR的一些方面可以基于4G长期演进(LTE)标准。存在对5G NR技术的进一步改进的需求。这些改进还可适用于其他多址技术以及采用这些技术的电信标准。
简要概述
以下给出了一个或多个方面的简要概述以提供对此类方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一目的是以简化形式给出一个或多个方面的一些概念以作为稍后给出的更详细描述之序言。
在本公开的一方面,提供了一种用于无线通信的无线通信方法。该方法包括:生成消息,该消息指示在用户装备(UE)处用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;以及向第一网络实体传送指示该处理时间的该消息。
在本公开的另一方面,提供了一种用于无线通信的设备。该设备包括用于生成消息的装置,该消息指示在UE处用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;以及用于向第一网络实体传送指示该处理时间的该消息的装置。
在本公开的另一方面,提供了一种用于无线通信的装置。该装置包括存储器和耦合到该存储器的至少一个处理器,该存储器和该至少一个处理器被配置成:生成消息,该消息指示在UE处用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;以及向第一网络实体传送指示该处理时间的该消息。
在本公开的另一方面,提供了一种存储用于在UE处进行无线通信的计算机可执行代码的计算机可读介质,该代码在由处理器执行时使该处理器:生成消息,该消息指示在UE处用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;以及向第一网络实体传送指示该处理时间的该消息。
在本公开的另一方面,提供了一种用于无线通信的方法。该方法包括:从用户装备(UE)接收用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;基于该处理时间向该UE传送配置;以及基于该配置从该UE接收CSI。
在本公开的另一方面,提供了一种用于无线通信的设备。该设备包括用于从UE接收用于以下至少一者的处理时间的装置:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;用于基于该处理时间向该UE传送配置的装置;以及用于基于该配置从该UE接收CSI的装置。
在本公开的另一方面,提供了一种用于无线通信的装置。该装置包括存储器和耦合到该存储器的至少一个处理器,该存储器和该至少一个处理器被配置成:从UE接收用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;基于该处理时间向该UE传送配置;以及基于该配置从该UE接收CSI。
在本公开的另一方面,提供了一种存储用于在UE处进行无线通信的计算机可执行代码的计算机可读介质,该代码在由处理器执行时使该处理器:从UE接收用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;基于该处理时间向该UE传送配置;以及基于该配置从该UE接收CSI。
为了达成前述及相关目的,这一个或多个方面包括在下文充分描述并在权利要求中特别指出的特征。以下描述和附图详细阐述了这一个或多个方面的某些解说性特征。但是,这些特征仅仅是指示了可采用各种方面的原理的各种方式中的若干种,并且本描述旨在涵盖所有此类方面及其等效方案。
附图简述
图1是解说无线通信系统和接入网的示例的示图。
图2A是解说根据本公开的各个方面的第一帧的示例的示图。
图2B是解说根据本公开的各个方面的子帧内的DL信道的示例的示图。
图2C是解说根据本公开的各个方面的第二帧的示例的示图。
图2D是解说根据本公开的各个方面的子帧内的UL信道的示例的示图。
图3是解说接入网中的基站和用户装备(UE)的示例的示图。
图4A是解说根据本公开的各个方面的使用先前存储的信道状态信息的编码设备和解码设备的示例的示图。
图4B是解说根据本公开的各个方面的与编码设备和解码设备相关联的示例的示图。
图5-图8是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例的示图。
图9和图10是解说根据本公开的各个方面的与使用神经网络来编码数据集以进行上行链路通信相关联的示例过程的示图。
图11解说了用于信道状态信息(CSI)测量的示例定时。
图12解说了用于CSI测量的配置的示例定时。
图13解说了UE与网络设备之间的示例通信流。
图14A和14B是无线通信方法的流程图,该无线通信方法包括传送关于用于训练神经网络以用于CSI推导或基于经训练的神经网络来报告CSI的处理时间的信息。
图15是解说示例设备的硬件实现的示例的示图,该示例设备被配置成传送关于用于训练神经网络以用于CSI推导或基于经训练的神经网络来报告CSI的处理时间的信息。
图16是无线通信方法的流程图,该无线通信方法包括接收关于用于训练神经网络以用于CSI推导或基于经训练的神经网络来报告CSI的处理时间的信息。
图17是解说示例设备的硬件实现的示例的示图,该示例设备被配置成接收关于用于训练神经网络以用于CSI推导或基于经训练的神经网络来报告CSI的处理时间的信息。
详细描述
在网络中操作的编码设备可测量参考信号等以向网络实体进行报告。例如,编码设备可在波束管理过程期间测量参考信号以实现信道状态反馈(CSF),可测量来自服务蜂窝小区和/或邻居蜂窝小区的参考信号的收到功率,可测量无线电接入技术(例如,WiFi)间网络的信号强度,可测量用于检测环境内的一个或多个对象的位置的传感器信号等等。然而,报告此信息可消耗通信和/或网络资源。
在本文中所描述的一些方面,编码设备(例如,UE、基站、传送接收点(TRP)、网络设备、近地轨道(LEO)卫星、中地轨道(MEO)卫星、对地静止轨道(GEO)卫星、高椭圆轨道(HEO)卫星等)可训练一个或多个神经网络以习得各测得质量对个体参数的依赖性,通过该一个或多个神经网络的各个层(也被称为“操作”)来隔离这些测得质量,以及按照限制压缩损失的方式来压缩这些测量。在一些方面,编码设备可使用被压缩的比特数量的性质来构建提取和压缩影响比特数量的每个特征(也称为维度)的过程。在一些方面,比特数量可与对一个或多个参考信号的采样相关联和/或可指示信道状态信息。例如,编码设备可使用与神经网络相关联的一个或多个提取操作和压缩操作来编码测量以产生经压缩测量,其中该一个或多个提取操作和压缩操作至少部分地基于这些测量的特征集。
编码设备可向网络实体(诸如服务器、TRP、另一UE、基站等)传送经压缩测量。尽管本文中所描述的示例引述基站作为解码设备,但解码设备可以是任何网络实体。网络实体在本文中可被称为“解码设备”。
解码设备可使用与神经网络相关联的一个或多个解压缩操作和重构操作来解码经压缩测量。该一个或多个解压缩和重构操作可至少部分地基于经压缩数据集的特征集以产生经重构测量。解码设备可使用经重构测量作为信道状态信息反馈。
在一些方面,UE可确定用于训练神经网络和/或使用经训练的神经网络来报告CSI的处理时间,并且可将该处理时间提供给网络实体。UE接着可接收基于该处理时间的用于训练神经网络和/或用于报告CSI的配置。例如,UE可基于神经网络的参数来确定该处理时间,这些参数诸如神经网络的层的数目、神经网络的权重的数目、神经网络的层的类型、是否是先前经训练的神经网络、是否将同时训练多个神经网络、用于待训练该神经网络的规程、所请求的准确性、神经网络的层内待训练的层的数目、层的序列。UE可在基于以下任一者进行训练之后确定处理时间:编码器输出向量、编码器输入向量、向量组合、该神经网络的层的数目、输入/输出/中间向量中的元素数目、该神经网络中的层的类型、或层的序列。
UE可报告每层、每层类型、每层组合、每输入/输出/中间向量长度、每层数目、或每层序列的训练和/或处理能力。UE可报告针对相同神经网络、相同层、相同层组合、或相同层序列的不同级别的处理时间,例如,较慢时间和较快时间。UE接着可接收用以使用这些处理时间之一的配置。
以下结合附图阐述的详细描述旨在作为各种配置的描述而无意表示可实践本文所描述的概念的仅有配置。本详细描述包括具体细节以提供对各种概念的透彻理解。然而,对于本领域技术人员将显而易见的是,没有这些具体细节也可实践这些概念。在一些实例中,以框图形式示出众所周知的结构和组件以便避免淡化此类概念。
现在将参考各种装置和方法给出电信系统的若干方面。这些装置和方法将在以下详细描述中进行描述并在附图中由各种框、组件、电路、过程、算法等(统称为“元素”)来解说。这些元素可使用电子硬件、计算机软件、或其任何组合来实现。此类元素是实现成硬件还是软件取决于具体应用和加诸于整体系统上的设计约束。
作为示例,元素、或元素的任何部分、或者元素的任何组合可被实现为包括一个或多个处理器的“处理系统”。处理器的示例包括:微处理器、微控制器、图形处理单元(GPU)、中央处理单元(CPU)、应用处理器、数字信号处理器(DSP)、精简指令集计算(RISC)处理器、片上系统(SoC)、基带处理器、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门控逻辑、分立的硬件电路以及其他配置成执行本公开中通篇描述的各种功能性的合适硬件。处理系统中的一个或多个处理器可以执行软件。软件应当被宽泛地解释成意为指令、指令集、代码、代码段、程序代码、程序、子程序、软件组件、应用、软件应用、软件包、例程、子例程、对象、可执行件、执行的线程、规程、函数等,无论其是用软件、固件、中间件、微代码、硬件描述语言、还是其他术语来述及皆是如此。
相应地,在一个或多个示例实施例中,所描述的功能可以在硬件、软件、或其任何组合中实现。如果在软件中实现,则各功能可作为一条或多条指令或代码存储或编码在计算机可读介质上。计算机可读介质包括计算机存储介质。存储介质可以是可由计算机访问的任何可用介质。作为示例而非限制,此类计算机可读介质可包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、光盘存储、磁盘存储、其他磁性存储设备、这些类型的计算机可读介质的组合、或能够被用于存储可被计算机访问的指令或数据结构形式的计算机可执行代码的任何其他介质。
虽然在本申请中通过对一些示例的解说来描述各方面,但本领域技术人员将理解,在许多不同布置和场景中可产生附加的实现和用例。本文中所描述的各方面可跨许多不同的平台类型、设备、系统、形状、大小、以及封装布置来实现。例如,各实现和/或使用可经由集成芯片实现和其他基于非模块组件的设备(例如,终端用户设备、交通工具、通信设备、计算设备、工业装备、零售/购物设备、医疗设备、启用人工智能(AI)的设备等)来产生。虽然一些示例可以是或可以不是专门针对各用例或应用的,但可出现所描述方面的广泛适用性。各实现的范围可从芯片级或模块组件至非模块、非芯片级实现,并进一步至纳入所描述技术的一个或多个方面的聚集的、分布式或原始装备制造商(OEM)设备或系统。在一些实际环境中,纳入所描述的各方面和特征的设备还可包括用于实现和实践所要求保护并描述的各方面的附加组件和特征。例如,无线信号的传送和接收必需包括用于模拟和数字目的的数个组件(例如,硬件组件,包括天线、RF链、功率放大器、调制器、缓冲器、(诸)处理器、交织器、加法器/求和器等等)。本文中所描述的各方面旨在可以在各种大小、形状和构成的各种各样的设备、芯片级组件、系统、分布式布置、聚集的或分解式组件(例如,与用户装备(UE)和/或基站相关联)、终端用户设备等等中实践。
图1是解说无线通信系统和接入网100的示例的示图。无线通信系统(亦称为无线广域网(WWAN))包括基站102、UE 104、演进型分组核心(EPC)160和另一核心网190(例如,5G核心(5GC))。基站102可包括宏蜂窝小区(高功率蜂窝基站)和/或小型蜂窝小区(低功率蜂窝基站)。宏蜂窝小区包括基站。小型蜂窝小区包括毫微微蜂窝小区、微微蜂窝小区、和微蜂窝小区。
配置成用于4G LTE的基站102(统称为演进型通用移动电信系统(UMTS)地面无线电接入网(E-UTRAN))可通过第一回程链路132(例如,S1接口)与EPC 160对接。配置成用于5G NR的基站102(统称为下一代RAN(NG-RAN))可通过第二回程链路184与核心网190对接。除了其他功能,基站102还可执行以下功能中的一者或多者:用户数据的传递、无线电信道暗码化和暗码解译、完整性保护、报头压缩、移动性控制功能(例如,切换、双连通性)、蜂窝小区间干扰协调、连接建立和释放、负载平衡、非接入阶层(NAS)消息的分发、NAS节点选择、同步、无线电接入网(RAN)共享、多媒体广播多播服务(MBMS)、订户和装备追踪、RAN信息管理(RIM)、寻呼、定位、以及警报消息的递送。基站102可以直接或间接地(例如,通过EPC 160或核心网190)在第三回程链路134(例如,X2接口)上彼此通信。第一回程链路132、第二回程链路184和第三回程链路134可以是有线的或无线的。
基站102可与UE 104进行无线通信。每个基站102可为各自相应的地理覆盖区域110提供通信覆盖。可能存在交叠的地理覆盖区域110。例如,小型蜂窝小区102'可具有与一个或多个宏基站102的覆盖区域110交叠的覆盖区域110'。包括小型蜂窝小区和宏蜂窝小区两者的网络可被称为异构网络。异构网络还可包括归属演进型B节点(eNB)(HeNB),该HeNB可向被称为封闭订户群(CSG)的受限群提供服务。基站102与UE 104之间的通信链路120可包括从UE 104到基站102的上行链路(UL)(亦称为反向链路)传输和/或从基站102到UE 104的下行链路(DL)(亦称为前向链路)传输。通信链路120可使用多输入多输出(MIMO)天线技术,包括空间复用、波束成形和/或发射分集。这些通信链路可通过一个或多个载波。对于在每个方向上用于传输的总共至多达Yx MHz(x个分量载波)的载波聚集中分配的每个载波,基站102/UE 104可使用至多达Y MHz(例如,5、10、15、20、100、400MHz等)带宽的频谱。这些载波可以或者可以不彼此毗邻。载波的分配可以关于DL和UL是非对称的(例如,与UL相比可将更多或更少载波分配给DL)。分量载波可包括主分量载波以及一个或多个副分量载波。主分量载波可被称为主蜂窝小区(PCell),并且副分量载波可被称为副蜂窝小区(SCell)。
在一些方面,UE 104可被配置成接入由非地面网络(NTN)设备107支持的无线电蜂窝小区,并且网络100可被称为NTN。NTN设备107可被称为星载交通工具或空载交通工具。在一些示例中,NTN设备107可被配置成作为中继来操作以用于UE 104与基站102或180之间的通信。在此类示例中,NTN设备107可被称为透传有效载荷,并且基站102或180可被称为地面基站。在一些示例中,NTN设备107可包括板载基板和/或分解式基站。在此类示例中,NTN设备107可被称为再生有效载荷和/或NTN基站。可在NTN设备107与网关设备之间提供馈线链路109,并且可在UE 104与NTN设备107之间提供服务链路111。
某些UE 104可使用设备到设备(D2D)通信链路158来彼此通信。D2D通信链路158可使用DL/UL WWAN频谱。D2D通信链路158可使用一个或多个侧链路信道,诸如物理侧链路广播信道(PSBCH)、物理侧链路发现信道(PSDCH)、物理侧链路共享信道(PSSCH)、以及物理侧链路控制信道(PSCCH)。D2D通信可通过各种各样的无线D2D通信系统,诸如举例而言,WiMedia、蓝牙、ZigBee、以电气与电子工程师协会(IEEE)802.11标准为基础的Wi-Fi、LTE、或NR。
无线通信系统可进一步包括例如在5GHz无执照频谱等中经由通信链路154与Wi-Fi站(STA)152处于通信的Wi-Fi接入点(AP)150。当在无执照频谱中通信时,STA 152/AP150可在通信之前执行畅通信道评估(CCA)以确定该信道是否可用。
小型蜂窝小区102'可在有执照和/或无执照频谱中操作。当在无执照频谱中操作时,小型蜂窝小区102'可采用NR并且使用与由Wi-Fi AP 150所使用的相同的无执照频谱(例如,5GHz等)。在无执照频谱中采用NR的小型蜂窝小区102'可推升接入网的覆盖和/或增大接入网的容量。
通常基于频率/波长来将电磁频谱细分成各种类、频带、信道等。在5G NR中,两个初始操作频带已被标识为频率范围指定FR1(410MHz–7.125GHz)和FR2(24.25GHz–52.6GHz)。FR1与FR2之间的频率通常被称为中频带频率。尽管FR1的一部分大于6GHz,但在各种文档和文章中,FR1通常(可互换地)被称为“亚6GHz频带”。关于FR2有时会出现类似的命名问题,尽管不同于由国际电信联盟(ITU)标识为“毫米波”频带的极高频率(EHF)频带(30GHz–300GHz),但是FR2在各文档和文章中通常(可互换地)被称为“毫米波”频带。
FR1与FR2之间的频率通常被称为中频带频率。最近的5G NR研究已将这些中频带频率的操作频带标识为频率范围指定FR3(7.125GHz–24.25GHz)。落在FR3内的频带可以继承FR1特性和/或FR2特性,并且由此可有效地将FR1和/或FR2的特征扩展到中频带频率中。另外,目前正在探索较高频带,以将5G NR操作扩展到52.6GHz以上。例如,三个较高操作频带已被标识为频率范围指定FR4a或FR4-1(52.6GHz–71GHz)、FR4(52.6GHz–114.25GHz)和FR5(114.25GHz–300GHz)。这些较高频带中的每一者都落在EHF频带内。
考虑到以上各方面,除非特别另外声明,否则应当理解,如果在本文中使用,则术语亚“6GHz”等可广义地表示可小于6GHz、可在FR1内、或可包括中频带频率的频率。此外,除非特别另外声明,否则应理解,如果在本文中使用,术语“毫米波”等可广义地表示可包括中频带频率、可在FR2、FR4、FR4-a或FR4-1和/或FR5内、或可在EHF频带内的频率。
无论是小型蜂窝小区102'还是大型蜂窝小区(例如,宏基站),基站102可包括和/或被称为eNB、g B节点(gNB)、或另一类型的基站。一些基站(诸如gNB180)可在传统亚6GHz频谱中、在毫米波频率、和/或近毫米波频率中操作以与UE104通信。当gNB 180在毫米波频率或近毫米波频率中操作时,gNB 180可被称为毫米波基站。毫米波基站180可以利用与UE104的波束成形182来补偿路径损耗和短射程。基站180和UE 104可各自包括多个天线,诸如天线振子、天线面板和/或天线阵列以促成波束成形。
基站180可在一个或多个传送方向182'上向UE 104传送经波束成形信号。UE 104可在一个或多个接收方向182”上从基站180接收经波束成形信号。UE 104也可在一个或多个传送方向上向基站180传送经波束成形信号。基站180可在一个或多个接收方向上从UE104接收经波束成形信号。基站180/UE 104可执行波束训练以确定基站180/UE 104中的每一者的最佳接收方向和传送方向。基站180的传送方向和接收方向可以相同或可以不同。UE104的传送方向和接收方向可以相同或可以不同。
EPC 160可包括移动性管理实体(MME)162、其他MME 164、服务网关166、多媒体广播多播服务(MBMS)网关168、广播多播服务中心(BM-SC)170和分组数据网络(PDN)网关172。MME 162可与归属订户服务器(HSS)174处于通信。MME 162是处理UE 104与EPC 160之间的信令的控制节点。一般而言,MME162提供承载和连接管理。所有用户网际协议(IP)分组通过服务网关166来传递,服务网关166自身连接到PDN网关172。PDN网关172提供UE IP地址分配以及其他功能。PDN网关172和BM-SC 170连接到IP服务176。IP服务176可包括因特网、内联网、IP多媒体子系统(IMS)、PS流送服务、和/或其他IP服务。BM-SC 170可提供用于MBMS用户服务置备和递送的功能。BM-SC 170可用作内容提供商MBMS传输的进入点、可用来授权和发起公共陆地移动网(PLMN)内的MBMS承载服务、并且可用来调度MBMS传输。MBMS网关168可被用来向属于广播特定服务的多播广播单频网(MBSFN)区域的基站102分发MBMS话务,并且可负责会话管理(开始/停止)并负责收集eMBMS相关的收费信息。
核心网190可包括接入和移动性管理功能(AMF)192、其他AMF 193、会话管理功能(SMF)194、以及用户面功能(UPF)195。AMF 192可与统一数据管理(UDM)196处于通信。AMF192是处理UE 104与核心网190之间的信令的控制节点。一般而言,AMF 192提供QoS流和会话管理。所有用户网际协议(IP)分组通过UPF 195来传递。UPF 195提供UE IP地址分配以及其他功能。UPF 195连接到IP服务197。IP服务197可包括因特网、内联网、IP多媒体子系统(IMS)、分组交换(PS)流送(PSS)服务、和/或其他IP服务。
基站可包括和/或被称为gNB、B节点、eNB、接入点、基收发机站、无线电基站、无线电收发机、收发机功能、基本服务集(BSS)、扩展服务集(ESS)、传送接收点(TRP)、或某个其他合适术语。基站102为UE 104提供去往EPC 160或核心网190的接入点。UE 104的示例包括蜂窝电话、智能电话、会话发起协议(SIP)电话、膝上型设备、个人数字助理(PDA)、卫星无线电、全球定位系统、多媒体设备、视频设备、数字音频播放器(例如,MP3播放器)、相机、游戏控制台、平板设备、智能设备、可穿戴设备、交通工具、电表、气泵、大型或小型厨房电器、健康护理设备、植入物、传感器/致动器、显示器、或任何其他类似的功能设备。一些UE 104可被称为IoT设备(例如,停车计时器、油泵、烤箱、交通工具、心脏监视器等)。UE 104也可被称为站、移动站、订户站、移动单元、订户单元、无线单元、远程单元、移动设备、无线设备、无线通信设备、远程设备、移动订户站、接入终端、移动终端、无线终端、远程终端、手持机、用户代理、移动客户端、客户端、或某种其他合适的术语。
再次参考图1,在某些方面,UE 104可包括神经网络能力/配置组件198,其被配置成确定用于以下至少一者的处理时间:训练神经网络以用于CSI推导或基于经训练的神经网络来报告CSI;以及将该处理时间提供给网络实体(诸如基站102或180、传送接收点(TRP)103或另一UE 104)。
网络实体(诸如基站102或180、TRP 103或UE 104)可包括神经网络配置组件199,其被配置成:从UE接收用于以下至少一者的处理时间:训练神经网络以用于CSF或基于经训练的神经网络来报告CSF;基于该处理时间向该UE传送配置;以及基于该配置从该UE接收CSI。
尽管以下描述可能聚焦于5G NR,但本文中所描述的概念可适用于其他类似领域,诸如LTE、LTE-A、CDMA、GSM和其他无线技术。
图2A是解说5G NR帧结构内的第一子帧的示例的示图200。图2B是解说5GNR子帧内的DL信道的示例的示图230。图2C是解说5G NR帧结构内的第二子帧的示例的示图250。图2D是解说5G NR子帧内的UL信道的示例的示图280。5G NR帧结构可以是频分双工(FDD)的,其中对于特定副载波集(载波系统带宽),该副载波集内的子帧专用于DL或UL;或者可以是时分双工(TDD)的,其中对于特定副载波集(载波系统带宽),该副载波集内的子帧专用于DL和UL两者。在由图2A、2C提供的示例中,5G NR帧结构被假定为TDD,其中子帧4配置有时隙格式28(大部分是DL)且子帧3配置有时隙格式1(全部是UL),其中D是DL,U是UL,并且F是供在DL/UL之间灵活使用的。虽然子帧3、4分别被示为具有时隙格式1、28,但是任何特定子帧可被配置有各种可用时隙格式0-61中的任一者。时隙格式0、1分别是全DL、全UL。其他时隙格式2-61包括DL、UL、和灵活码元的混合。UE通过所接收到的时隙格式指示符(SFI)而被配置成具有时隙格式(通过DL控制信息(DCI)来动态地配置,或者通过无线电资源控制(RRC)信令来半静态地/静态地配置)。注意,以下描述也适用于为TDD的5GNR帧结构。
图2A-图2D解说了帧结构,并且本公开的各方面可以适用于可能具有不同帧结构和/或不同信道的其他无线通信技术。一帧(10ms)可被划分成10个相等大小的子帧(1ms)。每个子帧可包括一个或多个时隙。子帧还可包括迷你时隙,其可包括7、4或2个码元。每个时隙可包括14或12个码元,这取决于循环前缀(CP)是正常CP还是扩展CP。对于正常CP,每个时隙可包括14个码元,而对于扩展CP,每个时隙可包括12个码元。DL上的码元可以是CP正交频分复用(OFDM)(CP-OFDM)码元。UL上的码元可以是CP-OFDM码元(对于高吞吐量场景)或离散傅立叶变换(DFT)扩展OFDM(DFT-s-OFDM)码元(也称为单载波频分多址(SC-FDMA)码元)(对于功率受限的场景;限于单流传输)。子帧内的时隙数目基于CP和参数设计。参数设计定义副载波间隔(SCS),并且实际上定义码元长度/历时,其等于1/SCS。
对于正常CP(14个码元/时隙),不同参数设计μ0到4分别允许每子帧1、2、4、8和16个时隙。对于扩展CP,参数设计2允许每子帧4个时隙。相应地,对于正常CP和参数设计μ,存在14个码元/时隙和2μ个时隙/子帧。副载波间隔可等于2μ*15kHz,其中μ为参数设计0到4。如此,参数设计μ=0具有15kHz的副载波间隔,而参数设计μ=4具有240kHz的副载波间隔。码元长度/历时与副载波间隔逆相关。图2A至图2D提供了每时隙14个码元的正常CP和每子帧4个时隙的参数设计μ=2的示例。时隙历时为0.25ms,副载波间隔为60kHz,并且码元历时为大约16.67μs。在帧集合内,可能存在被频分复用的一个或多个不同的带宽部分(BWP)(参见图2B)。每个BWP可具有特定的参数设计和CP(正常或扩展)。
资源网格可被用于表示帧结构。每个时隙包括延伸12个连贯副载波的资源块(RB)(也称为物理RB(PRB))。资源网格被划分成多个资源元素(RE)。由每个RE携带的比特数取决于调制方案。
如图2A中解说的,一些RE携带用于UE的参考(导频)信号(RS)。RS可包括用于UE处的信道估计的解调RS(DM-RS)(对于一个特定配置指示为R,但其他DM-RS配置是可能的)和信道状态信息参考信号(CSI-RS)。RS还可包括波束测量RS(BRS)、波束精化RS(BRRS)和相位跟踪RS(PT-RS)。
图2B解说了帧的子帧内的各种DL信道的示例。物理下行链路控制信道(PDCCH)在一个或多个控制信道元素(CCE)(例如,1、2、4、8或16个CCE)内携带DCI,每个CCE包括6个RE群(REG),每个REG包括RB的OFDM码元中的12个连贯RE。一个BWP内的PDCCH可被称为控制资源集(CORESET)。UE被配置成在CORESET上的PDCCH监视时机期间在PDCCH搜索空间(例如,共用搜索空间、因UE而异的搜索空间)中监视PDCCH候选,其中PDCCH候选具有不同的DCI格式和不同的聚集等级。附加BWP可被定位在跨越信道带宽的更高和/或更低频率处。主同步信号(PSS)可在帧的特定子帧的码元2内。PSS由UE104用于确定子帧/码元定时和物理层身份。副同步信号(SSS)可在帧的特定子帧的码元4内。SSS由UE用于确定物理层蜂窝小区身份群号和无线电帧定时。基于物理层身份和物理层蜂窝小区身份群号,UE可确定物理蜂窝小区标识符(PCI)。基于PCI,UE可确定DM-RS的位置。携带主信息块(MIB)的物理广播信道(PBCH)可以在逻辑上与PSS和SSS编群在一起以形成同步信号(SS)/PBCH块(也被称为SS块(SSB))。MIB提供系统带宽中的RB数目、以及系统帧号(SFN)。物理下行链路共享信道(PDSCH)携带用户数据、不通过PBCH传送的广播系统信息(诸如系统信息块(SIB))、以及寻呼消息。
如在图2C中解说的,一些RE携带用于基站处的信道估计的DM-RS(对于一个特定配置指示为R,但其他DM-RS配置是可能的)。UE可传送用于物理上行链路控制信道(PUCCH)的DM-RS和用于物理上行链路共享信道(PUSCH)的DM-RS。PUSCH DM-RS可在PUSCH的前一个或前两个码元中被传送。PUCCH DM-RS可取决于传送短PUCCH还是传送长PUCCH并取决于所使用的特定PUCCH格式而在不同配置中被传送。UE可传送探通参考信号(SRS)。SRS可在子帧的最后码元中被传送。SRS可具有梳齿结构,并且UE可在梳齿之一上传送SRS。SRS可由基站用于信道质量估计以在UL上启用取决于频率的调度。
图2D解说了帧的子帧内的各种UL信道的示例。PUCCH可位于如在一种配置中指示的位置。PUCCH携带上行链路控制信息(UCI),诸如调度请求、信道质量指示符(CQI)、预编码矩阵指示符(PMI)、秩指示符(RI)、以及混合自动重复请求(HARQ)确收(ACK)(HARQ-ACK)反馈(即,指示一个或多个ACK和/或否定ACK(NACK)的一个或多个HARQ ACK比特)。PUSCH携带数据,并且可附加地用于携带缓冲器状态报告(BSR)、功率净空报告(PHR)、和/或UCI。
图3是接入网中基站310与UE 350处于通信的框图。在DL中,来自EPC 160的IP分组可被提供给控制器/处理器375。控制器/处理器375实现层3和层2功能性。层3包括无线电资源控制(RRC)层,并且层2包括服务数据适配协议(SDAP)层、分组数据汇聚协议(PDCP)层、无线电链路控制(RLC)层、以及媒体接入控制(MAC)层。控制器/处理器375提供与系统信息(例如,MIB、SIB)的广播、RRC连接控制(例如,RRC连接寻呼、RRC连接建立、RRC连接修改、以及RRC连接释放)、无线电接入技术(RAT)间移动性、以及UE测量报告的测量配置相关联的RRC层功能性;与报头压缩/解压缩、安全性(暗码化、暗码解译、完整性保护、完整性验证)、以及切换支持功能相关联的PDCP层功能性;与上层分组数据单元(PDU)的传递、通过ARQ的纠错、RLC服务数据单元(SDU)的级联、分段和重组、RLC数据PDU的重新分段、以及RLC数据PDU的重新排序相关联的RLC层功能性;以及与逻辑信道和传输信道之间的映射、将MAC SDU复用到传输块(TB)上、从TB解复用MAC SDU、调度信息报告、通过HARQ的纠错、优先级处置、以及逻辑信道优先级区分相关联的MAC层功能性。
发射(TX)处理器316和接收(RX)处理器370实现与各种信号处理功能相关联的层1功能性。包括物理(PHY)层的层1可包括传输信道上的检错、传输信道的前向纠错(FEC)编码/解码、交织、速率匹配、映射到物理信道上、物理信道的调制/解调、以及MIMO天线处理。TX处理器316基于各种调制方案(例如,二进制相移键控(BPSK)、正交相移键控(QPSK)、M相移键控(M-PSK)、M正交调幅(M-QAM))来处置至信号星座的映射。经编码和经调制的码元可随后被拆分成并行流。每个流可随后被映射到OFDM副载波、在时域和/或频域中与参考信号(例如,导频)复用、并且随后使用快速傅立叶逆变换(IFFT)组合到一起以产生携带时域OFDM码元流的物理信道。OFDM流被空间预编码以产生多个空间流。来自信道估计器374的信道估计可被用来确定编码和调制方案以及用于空间处理。信道估计可从由UE 350传送的参考信号和/或信道状况反馈推导出。每个空间流随后可经由分开的发射机318TX被提供给一不同的天线320。每个发射机318TX可用相应空间流来调制射频(RF)载波以供传输。
在UE 350处,每个接收机354RX通过其相应的天线352来接收信号。每个接收机354RX恢复出调制到RF载波上的信息并将该信息提供给接收(RX)处理器356。TX处理器368和RX处理器356实现与各种信号处理功能相关联的层1功能性。RX处理器356可对信息执行空间处理以恢复出以UE 350为目的地的任何空间流。如果有多个空间流以UE 350为目的地,则它们可由RX处理器356组合成单个OFDM码元流。RX处理器356随后使用快速傅立叶变换(FFT)将该OFDM码元流从时域变换到频域。频域信号对OFDM信号的每个副载波包括单独的OFDM码元流。通过确定最有可能由基站310传送的信号星座点来恢复和解调每个副载波上的码元、以及参考信号。这些软判决可基于由信道估计器358计算出的信道估计。这些软判决随后被解码和解交织以恢复出原始由基站310在物理信道上传送的数据和控制信号。这些数据和控制信号随后被提供给实现层3和层2功能性的控制器/处理器359。
控制器/处理器359可与存储程序代码和数据的存储器360相关联。存储器360可被称为计算机可读介质。在UL中,控制器/处理器359提供传输信道与逻辑信道之间的解复用、分组重组、暗码解译、报头解压缩以及控制信号处理以恢复出来自EPC 160的IP分组。控制器/处理器359还负责使用ACK和/或NACK协议进行检错以支持HARQ操作。
类似于结合由基站310进行的DL传输所描述的功能性,控制器/处理器359提供与系统信息(例如,MIB、SIB)捕获、RRC连接、以及测量报告相关联的RRC层功能性;与报头压缩/解压缩、以及安全性(暗码化、暗码解译、完整性保护、完整性验证)相关联的PDCP层功能性;与上层PDU的传递、通过ARQ的纠错、RLC SDU的级联、分段、以及重组、RLC数据PDU的重新分段、以及RLC数据PDU的重新排序相关联的RLC层功能性;以及与逻辑信道和传输信道之间的映射、将MAC SDU复用到TB上、从TB解复用MAC SDU、调度信息报告、通过HARQ的纠错、优先级处置、以及逻辑信道优先级区分相关联的MAC层功能性。
由信道估计器358从由基站310所传送的参考信号或反馈推导出的信道估计可由TX处理器368用于选择恰适的编码和调制方案、以及促成空间处理。由TX处理器368生成的空间流可经由分开的发射机354TX被提供给不同的天线352。每个发射机354TX可用相应空间流来调制RF载波以供传输。
在基站310处以与结合UE 350处的接收机功能所描述的方式类似的方式来处理UL传输。每个接收机318RX通过其相应的天线320来接收信号。每个接收机318RX恢复出调制到RF载波上的信息并将该信息提供给RX处理器370。
控制器/处理器375可与存储程序代码和数据的存储器376相关联。存储器376可被称为计算机可读介质。在UL中,控制器/处理器375提供传输信道与逻辑信道之间的解复用、分组重组、暗码解译、报头解压缩、控制信号处理以恢复出来自UE 350的IP分组。来自控制器/处理器375的IP分组可被提供给EPC 160。控制器/处理器375还负责使用ACK和/或NACK协议进行检错以支持HARQ操作。
TX处理器368、RX处理器356和控制器/处理器359中的至少一者可包括神经网络能力/配置组件198,其被配置成确定用于以下至少一者的处理时间:训练神经网络以用于CSI推导或基于经训练的神经网络来报告CSI;以及将该处理时间提供给网络实体,诸如结合图1所描述的。
TX处理器316、RX处理器370和控制器/处理器375中的至少一者可包括神经网络配置组件199,其被配置成从UE接收用于以下至少一者的处理时间:训练神经网络以用于CSF或基于经训练的神经网络来报告CSF;基于该处理时间向该UE传送配置;以及基于该配置从该UE接收CSI,诸如结合图1所描述的。
无线通信的一些方面可基于神经网络或机器学习。作为示例,UE可包括神经网络组件或机器学习组件。在其他示例中,基站、TRP或另一网络组件可包括神经网络或机器学习组件。UE和/或基站(例如,包括(CU)和/或分布式单元(DU))可将机器学习算法、深度学习算法、神经网络、强化学习、回归、推升、或高级信号处理方法用于例如与基站、TRP、另一UE等的无线通信的各方面。
特别地,可被包括在UE、TRP、基站或网络组件中的机器学习模型或神经网络的示例包括:人工神经网络(ANN);决策树学习;卷积神经网络(CNN);深度学习架构,其中第一层神经元的输出变为第二层神经元的输入,以此类推;支持向量机(SVM),例如,包括分类数据的分离超平面(例如,决策边界);回归分析;贝叶斯网络;遗传算法;配置有附加池化和归一化层的深度卷积网络(DCN);和深度信念网络(DBN)。
机器学习模型(诸如人工神经网络(ANN))可包括一群互连的人工神经元(例如,神经元模型),并且可以是计算设备或者可以表示要由计算设备执行的方法。神经元模型的连接可被建模为权重。机器学习模型可通过经由数据集的训练来提供预测建模、自适应控制、以及其他应用。模型基于由机器学习模型处理的外部或内部信息而可以是自适应的。机器学习可提供非线性统计数据模型或决策作出,并且可对输入数据与输出信息之间的复杂关系进行建模。
机器学习模型可包括多个层和/或操作,它们可以通过级联一个或多个所引述的操作来形成。可能涉及的操作的示例包括数据的各种特征的提取、卷积操作、可被激活或停用的全连通操作、压缩、解压缩、量化、平坦化等。如本文中所使用的,机器学习模型的“层”可用于表示对输入数据的操作。例如,卷积层、全连通层等可用于指对输入到层中的数据的相关联操作。卷积AxB操作是指将数个输入特征A转换为数个输出特征B的操作。“内核大小”可以指在一个维度中被组合的毗邻系数的数目。如本文中所使用的,“权重”可用于表示在各层中用于组合输入数据的各个行和/或列的操作中使用的一个或多个系数。例如,全连通层操作可以具有输出y,该输出y至少部分地基于输入矩阵x与权重A(其可以是矩阵)的乘积与偏置值B(其可以是矩阵)的和来确定。术语“权重”在本文中可被用于一般地指权重和偏置值两者。权重和偏置是经训练的机器学习模型的参数的示例。机器学习模型的不同层可被单独训练。
机器学习模型可以包括各种连通性模式,例如,包括前馈网络、阶层、递归架构、反馈连接等中的任一者。神经网络的各层之间的连接可以是全连通的或局部连通的。在全连通网络中,第一层中的神经元可将它的输出传达给第二层中的每个神经元,并且第二层中的每个神经元可从第一层中的每个神经元接收输入。在局部连通网络中,第一层中的神经元可连接到第二层中有限数目的神经元。在一些方面,卷积网络可以是局部连通的,并且被配置有与第二层中的每个神经元的输入相关联的共享连接强度。网络的局部连通层可被配置成使得层中的每个神经元具有相同或相似的连通性模式但具有不同的连接强度。
机器学习模型或神经网络可被训练。例如,机器学习模型可基于监督式学习来训练。在训练期间,机器学习模型可被提供该模型用来计算以产生输出的输入。实际输出可与目标输出作比较,并且差值可被用于调整机器学习模型的参数(诸如权重和偏置)以便提供更接近目标输出的输出。在训练之前,输出可以是不正确的或不那么准确的,并且可计算实际输出与目标输出之间的误差或差值。机器学习模型的权重接着可被调整,以使得输出与目标更靠近地对准。为了调整权重,学习算法可为权重计算梯度向量。该梯度可指示在权重被略微调整情况下误差将增加或减少的量。在顶层,该梯度可直接对应于连接倒数第二层中的活化神经元与输出层中的神经元的权重的值。在较低层中,该梯度可取决于权重的值以及所计算出的较高层的误差梯度。权重接着可被调整从而减少误差或使输出更接近目标。调整权重的这种方式可被称为通过神经网络的后向传播。该过程可继续,直到可达成的误差率停止下降或直到误差率已经达到目标水平。
机器学习模型可包括用于训练机器学习模型的计算复杂性和实质处理器。神经网络可包括互连节点的网络。一个节点的输出可作为输入被连接到另一节点。各节点之间的连接可被称为边,并且权重可被应用于这些连接/边以调整作为输入被应用于另一节点的来自一个节点的输出。各节点可应用阈值以便确定是否、或何时将输出提供给连接的节点。每一节点的输出可被计算为到该节点的输入之和的非线性函数。神经网络可包括任何数目的节点以及各节点之间任何类型的连接。神经网络可包括一个或多个隐藏节点。各节点可被聚集成层,并且神经网络的不同层可对输入执行不同种类的变换。信号可从第一层处的输入行进通过神经网络的多个层到达神经网络的最后层处的输出,并且可多次遍历各个层。
强化学习是一种类型的机器学习,其涉及在环境中采取动作以便最大化奖励的概念。强化学习是机器学习范式;其他范式包括监督式学习和无监督式学习。基本强化可被建模为具有环境和代理状态集以及代理动作集的马尔科夫决策过程(MDP)。该过程可包括基于动作的状态转换概率以及转换之后的奖励表示。代理动作选择可被建模为策略。强化学习可使得代理能够学习使奖励最大化的最优或近乎最优的策略。监督式学习可包括学习基于示例输入-输出对将输入映射到输出的函数,其可根据训练数据集(其可被称为训练示例)来推断。监督式学习算法分析训练数据并提供算法以映射到新的示例。使用边缘设备作为客户端的联合学习(FL)规程可依赖于正基于监督式学习而被训练的客户端。
回归分析可包括用于估计因变量变量(例如,其可被称为结果变量)和(诸)自变量之间的关系的统计过程。线性回归是回归分析的一个示例。也可使用非线性模型。回归分析可包括推断数据集中各变量之间的因果关系。
推升包括用于降低监督式学习中偏置和/或方差的一个或多个算法,诸如将弱学习器(例如,与真实分类弱相关的分类器)转变成强学习器(例如,与真实分类更接近地相关的分类器)的机器学习算法。推升可包括相对于被添加到强分类器的分布基于弱分类器的迭代式学习。弱学习器可与准确性相关地被加权。数据权重可通过该过程被重新调整。在本文中所描述的一些方面,编码设备(例如,UE、基站、或其他网络组件)可训练一个或多个神经网络以学习各测得质量对个体参数的依赖性。
无线接收机可向传送方设备提供各种各类型的CSI。在其他示例之中,UE可对来自基站的下行链路信号(诸如参考信号)执行测量,并且可提供CSI报告,该CSI报告包括以下各项的任何组合:信道质量指示符(CQI)、预编码矩阵指示符(PMI)、秩指示符(RI)、同步信号块/物理广播信道资源块指示符(SSBRI)、层指示符(LI)。UE可基于接收自基站的一个或多个信道状态信息参考信号(CSI-RS)、SSB、信道状态信息干扰测量(CSI-IM)资源等来执行测量并确定CSI。基站可例如使用CSI测量配置将UE配置成执行CSI测量。基站可使用CSI资源配置来配置UE,该CSI资源配置指示参考信号的类型,例如,非零功率CSI-RS(NZP CSI-RS)、SSB、CSI-IM资源等。基站可使用CSI报告配置来配置UE,该CSI报告配置指示经配置CSI测量与经配置CSI资源之间的映射并且指示UE要向基站提供CSI报告。
可存在不同类型的CSI。第一类型的CSI(其可被称为类型I CSI)可用于波束选择,其中UE选择具有较佳信道测量的一个或多个(例如,波束182’或182”的)波束索引的集合并将该波束集合的CSI信息传送到基站。
第二类型的CSI(其可被称为类型II CSI)可用于波束集合的波束组合。UE可确定各个波束的(例如,波束182’或182”的)较佳线性组合系数并且可传送波束集合的波束索引以及用于组合波束的系数。UE可在每子带基础上提供用于波束组合的系数。例如,UE可针对每一经配置子带提供类型II CSI。
本申请提供了一种类型的CSI,其使用机器学习或一个或多个神经网络来压缩信道并将信道反馈至基站。该CSI可对应于附加类型的CSI。该CSI可被称为例如基于神经网络的CSI或者其他名称。该CSI可使用机器学习或一个或多个神经网络来测量并提供关于在UE处观察到的干扰的反馈。该反馈可被提供给基站,例如以用于接入链路上的通信。在其他示例中,该反馈可被提供给传送接收点(TRP)或另一UE(例如,以用于侧链路通信)。
图4A解说了根据本公开的各方面的使用先前存储的CSI的编码设备400和解码设备425的组件的示例架构。在一些示例中,编码设备400可以是UE(例如,104或350),并且解码设备425可以是基站(例如,102、180、310)、TRP(例如,TRP 103)、另一UE(例如,UE 104)等。编码设备400和解码设备425可保存并使用先前存储的CSI,并且可编码和解码CSI与先前实例的改变。这可提供较少的CSI反馈开销并且可改进性能。编码设备400还可以能够编码更准确的CSI,并且神经网络训练可以用该更准确的CSI来执行。编码设备400和解码设备425的示例架构可被用于CSI的确定(例如,计算)以及从编码设备400向解码设备425的提供反馈,包括基于神经网络或机器学习的处理。
如402处所解说的,编码设备400基于来自基站的、输入以供编码的下行链路信号(诸如CSI-RS、SSB、CSI-IM资源等)测量下行链路信道估计。时间t处的下行链路信道估计实例被表示为H(t)并且被提供给CSI实例编码器404,CSI实例编码器404对时间t的单个CSI实例进行编码并将时间t的经编码CSI实例作为m(t)输出到CSI序列编码器406。CSI序列编码器406可将多普勒纳入考虑。
如图4A中所示,CSI实例编码器404可针对DL信道估计序列中的每一DL信道估计将CSI实例编码成中间经编码CSI。CSI实例编码器404(例如,前馈网络)可使用神经网络编码器权重θ。中间经编码CSI可被表示为CSI序列编码器406可基于长短期记忆(LSTM)网络,而CSI实例编码器404可基于前馈网络。在其他示例中,CSI序列编码器406可基于门控递归单元网络或递归单元网络。CSI序列编码器406(例如,长短期记忆(LSTM)网络)可确定来自存储器408的先前经编码CSI实例h(t-1),并将中间经编码CSI m(t)与先前经编码CSI实例h(t-1)作比较以确定经编码CSI中的改变n(t)。改变n(t)可以是信道估计中新的那部分,并且可能未被解码设备预测。此时的经编码CSI可由 表示。CSI序列编码器406可在物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)410上提供这一改变n(t),并且编码设备可在UL信道上将该改变(例如,指示该改变的信息)n(t)作为经编码CSI传送给解码设备。因为该改变小于整个CSI实例,所以编码设备可在UL信道上发送用于经编码CSI的较小有效载荷,同时在经编码CSI中包括该改变的更详细信息。CSI序列编码器406可至少部分地基于中间经编码CSI m(t)和先前经编码CSI实例h(t-1)的至少一部分来生成经编码CSI h(t)。CSI序列编码器406可将经编码CSI h(t)保存到存储器408中。
CSI序列解码器414可在PUSCH或PUCCH 412上接收经编码CSI。CSI序列解码器414可确定仅CSI的改变n(t)作为经编码CSI被接收。CSI序列解码器414可至少部分地基于经编码CSI和来自存储器416的先前的中间经解码CSI实例h(t-1)的至少一部分以及该改变来确定中间经解码CSI m(t)。CSI实例解码器418可将中间经解码CSI m(t)解码成经解码CSI420。CSI序列解码器414和CSI实例解码器418可使用神经网络解码器权重φ。中间经解码CSI可由 表示。CSI序列解码器414可至少部分地基于中间经解码CSI m(t)和先前经解码CSI实例h(t-1)的至少一部分来生成经解码CSIh(t)。解码设备可根据经解码CSI h(t)来重构DL信道估计,并且经重构信道估计可被表示为CSI序列解码器414可将经解码CSI h(t)保存到存储器416中。
因为改变n(t)小于整个CSI实例,所以编码设备可在UL信道上发送较小的有效载荷。例如,如果DL信道由于编码设备的低多普勒或较少移动而与先前反馈几乎没有改变,则CSI序列编码器的输出可相当紧凑。以此方式,编码设备400可利用信道估计随时间的相关性。在一些方面,因为输出较小,所以编码设备400可在经编码CSI中包括针对该改变的更详细信息。在一些方面,编码设备可向解码设备425传送关于经编码CSI在时间上被编码(CSI改变)的指示(例如,标志)。替换地,编码设备400可传送关于经编码CSI是独立于任何先前经编码CSI反馈被编码的指示。解码设备425可在不使用先前经解码CSI实例的情况下解码经编码CSI。在一些方面,设备(其可包括编码设备400或解码设备425)可使用CSI序列编码器和CSI序列解码器来训练神经网络模型。
在一些方面,CSI可以是信道估计(被称为信道响应)H和干扰N的函数。可存在传达H和N的多种方式。例如,编码设备400可将CSI编码为N-1/2H。编码设备400可单独编码H和N。编码设备400可部分地单独编码H和N,并且随后联合编码两个经部分编码的输出。单独编码H和N可以是有利的。干扰和信道变动可在不同时间尺度上发生。在低多普勒场景中,信道可以是稳定的,但干扰可能由于话务或调度器算法而仍然改变较快。在高多普勒场景中,信道可比UE的调度器编群更快地改变。在一些方面,设备(其可包括编码设备400或解码设备425)可使用经单独编码的H和N来训练神经网络模型。
在一些方面,经重构DL信道可如实反映DL信道H,并且这可被称为显式反馈。在一些方面,可仅捕获供解码设备425推导秩和预编码所要求的信息。CQI可被单独反馈。在时间编码的场景中,CSI反馈可被表达为m(t)或n(t)。类似于类型II CSI反馈,m(t)可被构造为秩索引(RI)、波束索引、以及表示振幅或相位的系数的级联。在一些方面,m(t)可以是实值向量的经量化版本。波束可被预定义(不是通过训练获得),或者可以是训练的一部分(例如,θ和φ的一部分并被传达给编码设备或解码设备)。
在一些方面,解码设备425和编码设备400可维持多个编码器和解码器网络,每一网络以不同的有效载荷大小为目标(以用于实现变动的准确性相对于UL开销的折衷)。对于每一CSI反馈,取决于重构质量和上行链路预算(例如,PUSCH有效载荷大小),编码设备400可选择或者解码设备425可指令编码设备400选择编码器之一来构建经编码CSI。编码设备400可至少部分地基于该编码设备所选的编码器来发送编码器的索引以及CSI。类似地,解码设备425和编码设备400可维持多个编码器和解码器网络以应对不同的天线几何形状以及信道状况。注意,尽管一些操作是针对解码设备425和编码设备400来描述的,但这些操作也可由另一设备作为编码器和解码器权重和/或结构(例如,参数422或424)的预配置的一部分来执行。
如上文所指示的,图4A解说了一非限制性示例以解说该概念。其他示例可不同于关于图4A所描述的内容,并且本文中所提出的概念可被应用于编码设备或解码设备的其他示例。
至少部分地基于使用神经网络来编码和解码数据集以进行上行链路通信,编码设备可通过减小的有效载荷来传送CSF。这可节省原本可能已经被用于传送如由编码设备采样的完整数据集的网络资源。
图4B是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例450的示图。编码设备(例如,UE 104、编码设备400等)可被配置成对经由编码设备400的一个或多个天线接收的样本(例如,数据)执行一个或多个操作以压缩这些样本。解码设备425(例如,基站102或180、解码设备425等)可被配置成解码经压缩样本以确定信息,诸如CSF。
在一些方面,编码设备可标识要压缩的特征。在一些方面,编码设备可在与要压缩的特征相关联的第一维度中执行第一类型操作。编码设备可在其他维度中(例如,在所有其他维度中)执行第二类型操作。例如,编码设备可在第一维度上执行全连通操作并在所有其他维度中执行卷积(例如,逐点卷积)。
在一些方面,附图标记标识包括多个神经网络层和/或操作的操作。编码设备和解码设备的神经网络可由一个或多个所引述的操作的级联来形成。
如由附图标记455所示,编码设备可对数据执行空间特征提取。如由附图标记460所示,编码设备可对数据执行抽头域特征提取。在一些方面,编码设备可在执行空间特征提取之前执行抽头域特征提取。在一些方面,提取操作可包括多个操作。例如,多个操作可包括可被激活或可以不活跃的一个或多个卷积操作、一个或多个全连通操作等。在一些方面,提取操作可包括残差神经网络(ResNet)操作。
如由附图标记465所示,编码设备可压缩已经被提取的一个或多个特征。在一些方面,压缩操作可包括一个或多个操作,诸如一个或多个卷积操作、一个或多个全连通操作等。在压缩之后,输出的比特计数可小于输入的比特计数。
如由附图标记470所示,编码设备可执行量化操作。在一些方面,编码设备可在平坦化压缩操作的输出和/或在平坦化输出之后执行全连通操作之后执行量化操作。
如由附图标记475所示,解码设备可执行特征解压缩。如由附图标记480所示,解码设备可执行抽头域特征重构。如由附图标记485所示,解码设备可执行空间特征重构。在一些方面,解码设备可在执行抽头域特征重构之前执行空间特征重构。在重构操作之后,解码设备可输出编码设备的输入的经重构版本。
在一些方面,解码设备可按照与编码设备所执行的操作顺序相反的顺序来执行操作。例如,如果编码设备遵循操作(a,b,c,d),则解码设备可遵循反向操作(D,C,B,A)。在一些方面,解码设备可执行与编码设备的操作完全对称的操作。这可减少UE处神经网络配置所需的比特数。在一些方面,解码设备可执行除了编码设备的操作之外的附加操作(例如,卷积操作、全连通操作、ResNet操作等)。在一些方面,解码设备可执行与编码设备的操作非对称的操作。
至少部分地基于编码设备使用神经网络来编码数据集以进行上行链路通信,编码设备(例如,UE)可通过减小的有效载荷来传送CSF。这可节省原本可能已经被用于传送如由编码设备采样的完整数据集的网络资源。
如上文所指示的,图4B仅仅是作为示例来提供的。其他示例可以不同于关于图4B所描述的示例。
以机器学习或神经网络为基础的基于神经网络的CSI(诸如结合图4A所描述的)可按照更全面的方式来压缩下行链路信道。例如,在类型II CSI中,子带大小针对UE报告其CSI的所有子带可以是固定的。例如,子带粒度(例如,子带)大小可以不是带宽部分(BWP)内的子带索引的函数。对于一些频带,子带大小可提供所需的更高粒度。在其他频带中,子带大小可能无法提供足够粒度。基于神经网络的CSI可通过例如在整个信道上提供CSI来解决固定子带大小的问题。基于神经网络的CSI可被配置成以较高或较低准确性压缩一些子带。基于神经网络的CSI还可提供用于例如基站处的多用户多输入多输出(MU-MIMO)无线通信的益处。基于神经网络的CSI提供关于信道和干扰的直接信息,并允许解码设备(诸如基站)更好地对接收方(例如UE)进行编群。
图5是解说供编码设备(例如,UE 102、350、编码设备400等)对数据执行一个或多个操作以压缩数据的示例过程500的示图。解码设备(例如,基站102、180、310、解码设备425等)可被配置成解码经压缩数据以确定信息。
如本文中所使用的,神经网络的“层”用于表示对输入数据的操作。例如,卷积层、全连通层等表示对输入到层中的数据的相关联的操作。卷积AxB操作是指将数个输入特征A转换为数个输出特征B的操作。“内核大小”是指在一个维度中被组合的毗邻系数的数目。
如本文中所使用的,“权重”用于表示各层中在用于组合输入数据的各个行和/或列的操作中使用的一个或多个系数。例如,全连通层操作可以具有输出y,该输出y至少部分地基于输入矩阵x与权重A(其可以是矩阵)的乘积与偏置值B(其可以是矩阵)的和来确定。术语“权重”在本文中可被用于一般地指权重和偏置值两者。
如图5中的示例中所示,编码设备可对样本执行卷积操作。例如,编码设备可接收构造为2x64x32数据集的比特集,其指示用于(例如,与多径定时偏移相关联的)抽头特征和(例如,与编码设备的不同天线相关联的)空间特征的IQ采样。卷积操作可以是针对数据结构的具有内核大小为3和3的2x2操作。卷积操作的输出可被输入到批量归一化(BN)层、继之以LeakyReLu激活,从而给出具有尺寸2x64x32的输出数据集。编码设备可执行平坦化操作以将比特平坦化成4096比特向量。编码设备可将具有尺寸4096xM的全连通操作应用于4096比特向量以输出M比特的有效载荷。编码设备可将M比特的有效载荷传送到解码设备。
解码设备可将具有尺寸Mx4096的全连通操作应用于M比特有效载荷以输出4096比特向量。解码设备可将4096比特向量重塑为具有尺寸2x64x32。解码设备可对经重塑比特向量应用一个或多个精化网络(RefineNet)操作。例如,RefineNet操作可包括:应用2x8卷积操作(例如,具有内核大小为3和3),其输出被输入到BN层、继之以LeakyReLU激活,其产生具有尺寸为8x64x32的输出数据集;应用8x16卷积操作(例如,具有内核大小为3和3),其输出被输入到BN层、继之以LeakyReLU激活,其产生具有尺寸为16x64x32的输出数据集;和/或应用16x2卷积操作(例如,具有内核大小为3和3),其输出被输入到BN层、继之以LeakyReLU激活,其产生具有尺寸为2x64x32的输出数据集。解码设备还可应用具有内核大小为3和3的2x2卷积操作以生成经解码和/或经重构输出。
如上文所指示的,图5仅仅是作为示例来提供的。其他示例可以不同于关于图5所描述的示例。
如本文中所描述的,在网络中操作的编码设备可测量参考信号等以向解码设备进行报告。例如,UE可在波束管理过程期间测量参考信号以报告信道状态信息反馈(CSF),可测量来自服务蜂窝小区和/或邻居蜂窝小区的参考信号的收到功率,可测量无线电接入技术(例如,WiFi)间网络的信号强度,可测量用于检测环境内的一个或多个对象的位置的传感器信号等等。然而,向网络实体报告此信息可消耗通信和/或网络资源。
在本文中所描述的一些方面,编码设备(例如,UE)可训练一个或多个神经网络以学习这些测得质量对个体参数的依赖性,通过该一个或多个神经网络的各个层(也被称为“操作”)来隔离这些测得质量,以及按照限制压缩损失的方式来压缩这些测量。
在一些方面,编码设备可使用被压缩的比特数量的性质来构建提取和压缩影响比特数量的每个特征(也称为维度)的过程。在一些方面,比特数量可与对一个或多个参考信号的采样相关联和/或可指示信道状态信息。
图6是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例操作600的示图。编码设备(例如,UE 120、编码设备300等)可被配置成对经由编码设备的一个或多个天线接收的样本(例如,数据)执行一个或多个操作以压缩这些样本。解码设备(例如,基站102或180等)可被配置成解码经压缩样本以确定信息,诸如CSF。
如图6中的示例所示,编码设备可从天线接收采样。例如,编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为64x64的数据集。
编码设备可执行空间特征提取、短时间(抽头)特征提取等。在一些方面,这可通过使用1维卷积操作来实现,该1维卷积操作在空间维度中是全连通的(以提取空间特征)并且在抽头维度中是具有小内核大小(例如,3)的简单卷积(以提取短抽头特征)。来自此类64xW的1维卷积操作的输出可以是Wx64矩阵。
编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化空间特征和/或时间特征。在一些方面,ResNet操作可包括与特征相关联的多个操作。例如,ResNet操作可包括多个(例如3个)1维卷积操作、跳过连接(例如,在ResNet的输入与ResNet的输出之间以避免应用1维卷积操作)、通过多个1维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面,多个1维卷积操作可包括:具有内核大小为3的Wx256卷积操作,其输出被输入到BN层、继之以LeakyReLU激活,其产生尺寸为256x64的输出数据集;具有内核大小为3的256x512卷积操作,其输出被输入到BN层、继之以LeakyReLU激活,其产生尺寸为512x64的输出数据集;具有内核大小为3的512xW卷积操作,其输出尺寸为Wx64的BN数据集。来自一个或多个ResNet操作的输出可以是Wx64矩阵。
编码设备可对来自一个或多个ResNet操作的输出执行WxV卷积操作。WxV卷积操作可包括逐点(例如,逐抽头)卷积操作。WxV卷积操作可针对每一抽头将空间特征压缩成减小的维度。WxV卷积操作具有W个特征的输入和V个特征的输出。来自WxV卷积操作的输出可以是Vx64矩阵。
编码设备可执行平坦化操作以将Vx64矩阵平坦化成64V元素向量。编码设备可执行64VxM全连通操作以将空间-时间特征数据集进一步压缩成大小为M的低维度向量以供通过空中传送到解码设备。编码设备可在通过空中传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。
解码设备可执行Mx64V全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将64V元素向量重塑成2维Vx64矩阵。解码设备可对来自重塑操作的输出执行VxW(具有1的内核)卷积操作。VxW卷积操作可包括逐点(例如,逐抽头)卷积操作。VxW卷积操作可针对每一抽头从减小的维度解压缩空间特征。VxW卷积操作具有V特征的输入和W特征的输出。来自VxW卷积操作的输出可以是Wx64矩阵。
解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩空间特征和/或时间特征。在一些方面,ResNet操作可包括多个(例如3个)1维卷积操作、跳过连接(例如,以避免应用1维卷积操作)、通过多个卷积操作的路径与通过跳过连接的路径的求和操作等。来自一个或多个ResNet操作的输出可以是Wx64矩阵。
解码设备可执行空间和时间特征重构。在一些方面,这可通过使用1维卷积操作来实现,该1维卷积操作在空间维度中是全连通的(以重构空间特征)并且在抽头维度中是具有小内核大小(例如,3)的简单卷积(以重构短抽头特征)。来自64xW卷积操作的输出可以是64x64矩阵。
在一些方面,M、W和/或V的值可以是可配置的以调整特征的权重、有效载荷大小等。
如上文所指示的,图6仅仅是作为示例来提供的。其他示例可以不同于关于图6所描述的示例。
图7是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例操作700的示图。编码设备(例如,UE 104、编码设备300等)可被配置成对经由编码设备的一个或多个天线接收的样本(例如,数据)执行一个或多个操作以压缩这些样本。解码设备(例如,基站102或180等)可被配置成解码经压缩样本以确定信息,诸如CSF。如图7中的示例所示,特征可按顺序被压缩和解压缩。例如,编码设备可提取和压缩与输入相关联的特征以产生有效载荷,并且接着解码设备可提取和压缩与有效载荷相关联的特征以重构输入。编码和解码操作可以是对称的(如所示出的)或非对称的。
如图7所示,编码设备可从天线接收采样。例如,编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为256x64的数据集。编码设备可将数据重塑成(64x64x4)数据集。
编码设备可执行2维64x128卷积操作(具有内核大小为3和1)。在一些方面,64x128卷积操作可执行与解码设备天线维度相关联的空间特征提取、与解码设备(例如,基站)天线维度相关联的短时间(抽头)特征提取等。在一些方面,这可通过使用2D卷积层来实现,该2D卷积层在解码设备天线维度中是全连通的、在抽头维度中具有小内核大小(例如,3)以及在编码设备天线维度中具有小内核大小(例如,1)的简单卷积操作。来自64xW卷积操作的输出可以是尺寸为(128x64x4)的矩阵。
编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化与解码设备相关联的空间特征和/或与解码设备相关联的时间特征。在一些方面,ResNet操作可包括与特征相关联的多个操作。例如,ResNet操作可包括多个(例如3个)2维卷积操作、跳过连接(例如,在ResNet的输入与ResNet的输出之间以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面,多个2维卷积操作可包括:具有内核大小为3和1的Wx2W卷积操作,其输出被输入到BN层、继之以LeakyReLU激活,其产生尺寸为2Wx64xV的输出数据集;具有内核大小为3和1的2Wx4W卷积操作,其输出被输入到BN层、继之以LeakyReLU激活,其产生尺寸为4Wx64xV的输出数据集;具有内核大小为3和1的4WxW卷积操作,其输出尺寸为(128x64x4)的BN数据集。来自一个或多个ResNet操作的输出可以是尺寸为(128x64x4)的矩阵。
编码设备可对来自该一个或多个ResNet操作的输出执行2维128xV卷积操作(具有内核大小为1和1)。128xV卷积操作可包括逐点(例如,逐抽头)卷积操作。WxV卷积操作可针对每一抽头将与解码设备相关联的空间特征压缩成减小的维度。来自128xV卷积操作的输出可以是尺寸为(4x64xV)的矩阵。
编码设备可执行2维4x8卷积操作(具有内核大小为3和1)。在一些方面,4x8卷积操作可执行与编码设备天线维度相关联的空间特征提取、与编码设备天线维度相关联的短时间(抽头)特征提取等。来自4x8卷积操作的输出可以是尺寸为(8x64xV)的矩阵。
编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化与编码设备相关联的空间特征和/或与编码设备相关联的时间特征。在一些方面,ResNet操作可包括与特征相关联的多个操作。例如,ResNet操作可包括多个(例如,3个)2维卷积操作、跳过连接(例如,以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自一个或多个ResNet操作的输出可以是尺寸为(8x64xV)的矩阵。
编码设备可对来自该一个或多个ResNet操作的输出执行2维8xU卷积操作(具有内核大小为1和1)。8xU卷积操作可包括逐点(例如,逐抽头)卷积操作。8xU卷积操作可针对每一抽头将与解码设备相关联的空间特征压缩成减小的维度。来自128xV卷积操作的输出可以是尺寸为(Ux64xV)的矩阵。
编码设备可执行平坦化操作以将尺寸为(Ux64xV)的矩阵平坦化成64UV元素向量。编码设备可执行64UVxM全连通操作以将2维空间-时间特征数据集进一步压缩成大小为M的低维度向量以供通过空中传送到解码设备。编码设备可在通过空中传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。
解码设备可执行Mx64UV全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将64UV元素向量重塑成尺寸为(Ux64xV)的矩阵。解码设备可对来自重塑操作的输出执行2维Ux8(具有1、1的内核)卷积操作。Ux8卷积操作可包括逐点(例如,逐抽头)卷积操作。Ux8卷积操作可针对每一抽头从减小的维度解压缩空间特征。来自Ux8卷积操作的输出可以是尺寸为(8x64xV)的数据集。
解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩与编码设备相关联的空间特征和/或时间特征。在一些方面,ResNet操作可包括多个(例如3个)2维卷积操作、跳过连接(例如,以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自一个或多个ResNet操作的输出可以是尺寸为(8x64xV)的数据集。
解码设备可执行2维8x4卷积操作(具有内核大小为3和1)。在一些方面,8x4卷积操作可执行编码设备天线维度中的空间特征重构、以及短时间特征重构等。来自8x4卷积操作的输出可以是尺寸为(Vx64x4)的数据集。
解码设备可对来自2维8x4卷积操作的输出执行2维Vx128(具有1的内核)卷积操作以重构与解码设备相关联的抽头特征和空间特征。Vx128卷积操作可包括逐点(例如,逐抽头)卷积操作。Vx128卷积操作可针对每一抽头从减小的维度解压缩与解码设备天线相关联的空间特征。来自Ux8卷积操作的输出可以是尺寸为(128x64x4)的矩阵。
解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩与解码设备相关联的空间特征和/或时间特征。在一些方面,ResNet操作可包括多个(例如3个)2维卷积操作、跳过连接(例如,以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自一个或多个ResNet操作的输出可以是尺寸为(128x64x4)的矩阵。
解码设备可执行2维128x64卷积操作(具有内核大小为3和1)。在一些方面,128x64卷积操作可执行与解码设备天线维度相关联的空间特征重构、短时间特征重构等。来自128x64卷积操作的输出可以是尺寸为(64x64x4)的数据集。
在一些方面,M、V和/或U的值可以是可配置的以调整特征的权重、有效载荷大小等。例如,M的值可以是32、64、128、256或512,V的值可以是16,和/或U的值可以是1。
如上文所指示的,图7仅仅是作为示例来提供的。其他示例可以不同于关于图7所描述的示例。
图8是解说根据本公开的各个方面的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例操作800的示图。编码设备(例如,UE 120、编码设备300等)可被配置成对经由编码设备的一个或多个天线接收的样本(例如,数据)执行一个或多个操作以压缩这些样本。解码设备(例如,基站110等)可被配置成解码经压缩样本以确定信息,诸如CSF。编码设备和解码设备操作可以是非对称的。换言之,解码设备可具有比解码设备更多数目的层。
如图8中的示例所示,编码设备可从天线接收采样。例如,编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为64x64的数据集。
编码设备可执行64xW卷积操作(具有内核大小为1)。在一些方面,64xW卷积操作在天线中可以是全连通的、在抽头中可以是卷积等等。来自64xW卷积操作的输出可以是Wx64矩阵。编码设备可执行一个或多个WxW卷积操作(具有内核大小为1或3)。来自一个或多个WxW卷积操作的输出可以是Wx64矩阵。编码设备可执行卷积操作(具有内核大小为1)。在一些方面,一个或多个WxW卷积操作可执行空间特征提取、短时间(抽头)特征提取等。在一些方面,WxW卷积操作可以是一系列1维卷积操作。
编码设备可执行平坦化操作以将Wx64矩阵平坦化成64W元素向量。编码设备可执行4096xM全连通操作以将空间-时间特征数据集进一步压缩成大小为M的低维度向量以供通过空中传送到解码设备。编码设备可在通过空中传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。
解码设备可执行4096xM全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将6W元素向量重塑成Wx64矩阵。
解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可解压缩空间特征和/或时间特征。在一些方面,ResNet操作可包括多个(例如3个)1维卷积操作、跳过连接(例如,在ResNet的输入与ResNet的输出之间以避免应用1维卷积操作)、通过多个1维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面,多个1维卷积操作可包括:具有内核大小为3的Wx256卷积操作,其输出被输入到BN层、继之以LeakyReLU激活,其产生尺寸为256x64的输出数据集;具有内核大小为3的256x512卷积操作,其输出被输入到BN层、继之以LeakyReLU激活,其产生尺寸为512x64的输出数据集;具有内核大小为3的512xW卷积操作,其输出尺寸为Wx64的BN数据集。来自一个或多个ResNet操作的输出可以是Wx64矩阵。
解码设备可执行一个或多个WxW卷积操作(具有内核大小为1或3)。来自一个或多个WxW卷积操作的输出可以是Wx64矩阵。编码设备可执行卷积操作(具有内核大小为1)。在一些方面,WxW卷积操作可执行空间特征重构、短时间(抽头)特征重构等。在一些方面,WxW卷积操作可以是一系列1维卷积操作。
编码设备可执行Wx64卷积操作(具有内核大小为1)。在一些方面,Wx64卷积操作可以是1维卷积操作。来自64xW卷积操作的输出可以是64x64矩阵。
在一些方面,M和/或W的值可以是可配置的以调整特征的权重、有效载荷大小等。
如上文所指示的,图8仅仅是作为示例来提供的。其他示例可以不同于关于图8所描述的示例。
图9是解说根据本公开的各个方面的例如由第一设备执行的示例过程900的示图。示例过程900是其中第一设备(例如,编码设备、UE 104等等)执行与使用神经网络来编码数据集相关联的操作的示例。
如图9中所示,在一些方面,过程900可包括使用与神经网络相关联的一个或多个提取操作和压缩操作来对数据集进行编码以产生经压缩数据集,该一个或多个提取操作和压缩操作至少部分地基于该数据集的特征集(框910)。例如,第一设备可使用与神经网络相关联的一个或多个提取操作和压缩操作来对数据集进行编码以产生经压缩数据集,该一个或多个提取操作和压缩操作至少部分地基于该数据集的特征集,如以上所描述的。
如图9中进一步所示,在一些方面,过程900可包括向第二设备传送经压缩数据集(框920)。例如,第一设备可向第二设备传送经压缩数据集,如上所述。
过程900可包括附加方面,诸如下文和/或结合在本文中他处描述的一个或多个其他过程所描述的任何单个方面或各方面的任何组合。
该数据集可至少部分地基于对一个或多个参考信号的采样。经压缩数据集可包括传送到第二设备的信道状态信息反馈。
该方法可进一步包括标识该数据集的特征集,其中该一个或多个提取操作和压缩操作包括:在与该数据集的该特征集中的一个特征相关联的维度中执行的第一类型操作以及在与该数据集的该特征集中的其他特征相关联的其余维度中执行的与第一类型操作不同的第二类型操作。第一类型操作可包括一维全连通层操作,并且第二类型操作包括卷积操作。该一个或多个提取操作和压缩操作可包括多个操作,这些操作包括卷积操作、全连通层操作、或残差神经网络操作中的一者或多者。该一个或多个提取操作和压缩操作可包括针对该数据集的该特征集中的第一特征执行的第一提取操作和第一压缩操作,以及针对该数据集的该特征集中的第二特征执行的第二提取操作和第二压缩操作。
该过程可进一步包括对在执行该一个或多个提取操作和压缩操作之后输出的中间数据集执行一个或多个附加操作。该一个或多个附加操作包括量化操作、平坦化操作或全连通操作中的一者或多者。
该数据集的该特征集可包括空间特征或抽头域特征中的一者或多者。
该一个或多个提取操作和压缩操作可包括以下一者或多者:使用一维卷积操作的空间特征提取、使用一维卷积操作的时间特征提取、用于精化所提取空间特征的残差神经网络操作、用于精化所提取时间特征的残差神经网络操作、用于压缩所提取空间特征的逐点卷积操作、用于压缩所提取时间特征的逐点卷积操作、用于平坦化所提取空间特征的平坦化操作、用于平坦化所提取时间特征的平坦化操作、或者用于将所提取时间特征或所提取空间特征中的一者或多者压缩成低维度向量以供传输的压缩操作。
该一个或多个提取操作和压缩操作包括:与关联于第二设备的一个或多个特征相关联的第一特征提取操作、用于压缩与第二设备相关联的一个或多个特征的第一压缩操作、与关联于第一设备的一个或多个特征相关联的第二特征提取操作、以及用于压缩与第一设备相关联的一个或多个特征的第二压缩操作。
尽管图9示出了过程900的示例框,但在一些方面,过程900可包括与图9中所描绘的框相比附加的框、更少的框、不同的框或不同地布置的框。附加地或替换地,过程900的两个或更多个框可以并行执行。
图10是解说根据本公开的各个方面的例如由第二设备执行的示例过程1000的示图。示例过程1000是其中第二设备(例如,解码设备、基站102、180等等)执行与使用神经网络来解码数据集相关联的操作的示例。
如图10中所示,在一些方面,过程1000可包括从第一设备接收经压缩数据集(框1010)。例如,第二设备可从第一设备接收经压缩数据集,如上所述。
如图10中进一步所示,在一些方面,过程1000可包括使用与神经网络相关联的一个或多个解压缩操作和重构操作来对该经压缩数据集进行解码以产生经重构数据集,该一个或多个解压缩操作和重构操作至少部分地基于该经压缩数据集的特征集(框1020)。例如,第二设备可使用与神经网络相关联的一个或多个解压缩操作和重构操作来对该经压缩数据集进行解码以产生经重构数据集,该一个或多个解压缩操作和重构操作至少部分地基于该经压缩数据集的特征集,如以上所描述的。
过程1000可包括附加方面,诸如下文和/或结合在本文中他处描述的一个或多个其他过程所描述的任何单个方面或各方面的任何组合。
使用一个或多个解压缩操作和重构操作来解码经压缩数据集可包括:至少部分地基于第一设备使用与该一个或多个解压缩操作和重构操作对称的操作集合生成该经压缩数据集的假设来执行该一个或多个解压缩操作和重构操作,或者至少部分地基于第一设备使用与该一个或多个解压缩操作和重构操作不对称的操作集合生成该经压缩数据集的假设来执行该一个或多个解压缩操作和重构操作。
该经压缩数据集可至少部分地基于第一设备对一个或多个参考信号的采样。
该过程可进一步包括接收该经压缩数据集包括从第一设备接收信道状态信息反馈。
该一个或多个解压缩操作和重构操作可包括:在与该经压缩数据集的该特征集中的一个特征相关联的维度中执行的第一类型操作,以及在与该经压缩数据集的该特征集中的其他特征相关联的其余维度中执行的与第一类型操作不同的第二类型操作。
第一类型操作可包括一维全连通层操作,并且其中第二类型操作包括卷积操作。
该一个或多个解压缩操作和重构操作可包括多个操作,这些操作包括卷积操作、全连通层操作、或残差神经网络操作中的一者或多者。该一个或多个解压缩操作和重构操作可包括:针对该经压缩数据集的该特征集中的第一特征执行的第一操作,以及针对该经压缩数据集的该特征集中的第二特征执行的第二操作。
过程1000可进一步包括对该经压缩数据集执行重塑操作。
该经压缩数据集的该特征集可包括空间特征或抽头域特征中的一者或多者。
该一个或多个解压缩操作和重构操作可包括特征解压缩操作、时间特征重构操作、或空间特征重构操作中的一者或多者。该一个或多个解压缩操作和重构操作可包括:针对与第一设备相关联的一个或多个特征执行的第一特征重构操作、以及针对与第二设备相关联的一个或多个特征执行的第二特征重构操作。
尽管图10示出了过程1000的示例框,但在一些方面,过程1000可包括与图10中所描绘的框相比附加的框、更少的框、不同的框或不同地布置的框。附加地或替换地,过程1000的两个或更多个框可以并行执行。
图11解说了用于CSI报告触发的示例时间线1100。基站可通过向UE传送指示该UE要测量CSI并传送CSI报告的PDCCH来触发来自该UE的非周期性CSI报告。UE不仅使用可用计算资源来计算报告,其还使用时间来执行计算并提供报告。图11解说了用于非周期性CSI报告的两个时间线。第一处理时间可基于触发非周期性CSI报告的PDCCH的最后码元与携带CSI报告的PUSCH的第一码元之间的OFDM码元的数目(Z)(例如,最小数目)。在此时间期间,UE解码PDCCH,执行可能的CSI-RS/IM测量(如果UE尚未在其存储器中存储有最新的先前信道/干扰测量),执行可能的信道估计,计算CSI报告,并执行与UL-SCH的UCI复用。
然而,如果将报告用于非周期性CSI-RS/IM,则这一第一处理时间(例如,其可被称为第一要求)可能无法确保UE具有足够时间来计算CSI,因为非周期性CSI-RS可能潜在地靠近PUSCH传输被触发。因此,第二处理时间可基于用于计算报告的非周期性CSI-RS/IM的最后码元与携带CSI报告的PUSCH的第一码元之间的OFDM码元的数目(Z’)(例如,最小数目)。
Z处理时间与Z’处理时间之间的差值可以是:Z要求附加地涵盖UE的DCI解码时间。因而,Z可比对应的Z’值大几个码元,例如,如图11中所示。
如果Z准则(或Z’准则)未得到满足并且基站太靠近触发CSI报告(或用于测量的非周期性CSI-RS/IM)的PDCCH而触发UE报告CSI的PUSCH,则UE可忽略该调度DCI,例如在UE同样未被调度用于UL-SCH或HARQ-ACK的情况下,并且UE可不传送CSI。然而,如果UE被调度成在PUSCH上复用UL-SCH或HARQ-ACK,则UE可传送PUSCH但可用虚比特来填充CSI报告或者传送陈旧CSI报告。表1解说了处理时间的示例以解说处理时间Z和Z’可基于不同副载波间隔(μ)而不同的概念。表1仅仅是一个示例,并且处理时间可与表1中所解说的示例不同。附加地或替换地,处理时间Z和Z’可针对不同级别的等待时间(例如,针对低等待时间CSI和高等待时间CSI)或针对波束报告而不同。表2解说了处理时间的示例以解说针对超低等待时间CSI报告的处理时间Z和Z’的概念,并且表3解说了处理时间的示例以解说针对高等待时间CSI和超低等待时间CSI的以毫秒计的处理时间Z’的差值的概念。表2和表3仅仅是用于解说针对不同副载波间隔和不同等待时间的不同处理时间的概念的示例。处理时间可以与表1中解说的示例不同。
表1
表2
表3
μ | 高等待时间CSI | 超低等待时间CSI |
0 | 2.64毫秒 | 0.57毫秒 |
1 | 2.46毫秒 | 0.4毫秒 |
2 | 2.5毫秒 | 0.375毫秒 |
3 | 1.2毫秒 | 0.32毫秒 |
超低等待时间CSI可提供在一些情况下可被应用的不同处理时间线,诸如单个低等待时间CSI报告被触发而不与上行链路共享信道(UL-SCH)或HARQ-ACK复用的情况、以及UE具有未被占用的特定量的计算资源(例如,其所有的CPU)的情况。UE接着可分配其计算资源以在较短时间量内计算CSI。因而,用于非周期性CSI报告的CSI处理时间可基于参数设计(副载波间隔)、端口数、等待时间等而变动。
另一类型的CSI可以是可由下行链路控制信息(DCI)触发的半持久CSI。图12解说了基站在配置CSI-RS和/或CSI报告的测量的MAC-CE 1202中配置用于UE的示例半持久CSI时间线1200。基站接着传送DCI 1204,DCI 1204激活该配置并触发UE测量参考信号1206并在PUSCH 1208中传送该报告。类似于图11,图12解说了处理时间Z和Z’。图12解说了在配置CSI-RS或CSI报告的MAC-CE 1202与激活DCI 1204之间可能要求的附加处理时间。例如,从配置CSI-RS或CSI报告的PDSCH到激活该配置的DCI可提供至少3毫秒。
如结合图4A-10所描述的,UE可基于神经网络来执行测量或提供报告(诸如CSI)。如本文所提出的,UE和基站可至少部分地基于神经网络的参数来确定UE的处理时间。该处理时间可对应于用于神经网络中的训练的参考信号直到UE已成功训练网络的时间之间的时间。经成功训练的网络可对应于这样的神经网络:UE能够往回向该神经网络报告由其训练的CSI,或者UE能够使用该神经网络的经训练权重来达成所要求/经配置的准确性或QoS。该处理时间可对应于UE接收到要训练神经网络与UE完成训练的时间之间的时间。
图13解说了UE 1302与网络实体1304之间的示例通信流1300。网络设备可以是基站、TRP或另一UE。尽管该示例是针对UE和网络实体来描述的,但各方面可被应用于作为编码设备的第一无线设备和作为解码设备的第二无线设备。
如在1306处所解说的,UE 1302可确定用于训练神经网络(例如,用于CSI推导或其他无线通信测量或输出)的处理时间
例如,UE可基于特定神经网络中的层数(诸如结合图5-8描述的示例层)来确定用于训练该神经网络的时间量或用于训练网络的物理资源。UE可基于神经网络中的权重数目(诸如结合图5-8所描述的)来确定该处理时间。UE可基于神经网络中的层的类型(诸如层是全连通层、一维(1-D)卷积层、残差神经网络层、还是逐点卷积层等)来确定该处理时间。UE可基于来自先前训练的神经网络的信息是否被用作训练神经网络的起点来确定该处理时间。例如,UE可考虑准共处(QCL)信息是否被提供以用于训练神经网络或者神经网络状态指示是否被提供以用于训练神经网络。UE可基于单个神经网络还是多个神经网络被预期要被同时训练来确定该处理时间。“同时”训练在本文中可被用来指代多个神经网络在相同分量载波、相同频带、相同带宽部分、相同频带组合、相同频率范围、相同时隙、相同子帧、或相同帧中的至少一者中的并发训练(例如,在时间上至少部分地交叠)。训练可例如按照TDM的方式来执行,其中例如一个神经网络接着一个神经网络被训练,直到每一神经网络均被训练。同时训练可对应于UE尚未用完成训练消息(例如,指示训练完成的消息)对其作出响应的训练规程的数目。换言之,在UE接收到要启动训练的命令之后,这一训练规程可被视为活跃,直到UE往回报告完成训练消息。完成训练消息可对应于经训练神经网络的报告。UE可基于正训练神经网络的规程来确定该处理时间。例如,UE可基于神经网络正被训练以用于CSI确定、解调、定位确定还是波形确定来确定用于训练神经网络的不同时间。UE可基于所请求的准确性(例如,可与训练级别相关联的QoS)来确定该处理时间。UE可基于神经网络内单个层还是多个层被预期要被训练来确定该处理时间。要被训练的层可以是例如神经网络中的数个层的子集。UE可基于神经网络的层的序列(例如,神经网络中的层的类型和顺序)来确定该处理时间。例如,具有全连通层继之以全连通层的神经网络与具有残差神经网络层紧接着是全连通层的神经网络相比可具有不同的处理时间。用于训练神经网络的处理时间可基于本文所描述的参数或特征的示例的任何组合。
UE还可确定从UE被触发提供报告的时间起直到UE提供经训练神经网络的测量、CSI或结果的处理时间。该处理时间可基于例如经完全训练的神经网络。例如,在1308,在图13中,UE可基于经完全训练的神经网络来确定用于CSI推导的处理时间。尽管该示例是针对确定用于CSI报告的处理时间来描述以解说该概念,但该概念可被应用于无线通信设备的神经网络的其他测量或输出。UE可基于例如神经网络的编码器输出向量来确定CSI处理时间。在其他示例中,UE可基于输入到神经网络的编码器输入向量来确定CSI处理时间。UE可基于在神经网络中计算的向量或者基于在神经网络中计算的向量组合来确定CSI处理时间。UE可基于神经网络中的层的数目来确定CSI处理时间。UE可基于输入向量、输出向量、和/或神经网络中的(诸)中间向量中的元素数目来确定CSI处理时间。UE可基于神经网络中的一个或多个层的类型(例如,全连通、1-D卷积、残差神经网络、逐点卷积层等)来确定CSI处理时间。UE可基于神经网络中的层的序列来确定CSI处理时间(例如,全连通层继之以全连通层可具有与具有残差神经网络层紧接着全连通层的神经网络不同的处理时间)。UE可基于所描述的因素的任何组合来确定CSI处理时间。
如在1310处所解说的,在1306确定处理时间和/或在1308确定处理时间之后,UE1302可将所确定的处理时间提供给网络实体1304。例如,UE可基于用于训练一个或多个神经网络以及用于通过(诸)神经网络来推导结果的训练时间来报告能力。UE 1302可在较高层信令中、在MAC-CE中、或在UCI中报告作为UE能力的处理时间。UE可每频带、每频带组合、每频率范围、每BWP、每参数设计、每分量载波(CC)、或基于组合来报告处理时间。附加地或替换地,UE可报告针对结合时间确定所描述的不同因素的处理时间。例如,UE可每层、每层类型、每层组合、每输入/输出/中间向量长度、每层数目、或每层序列等来报告(诸)处理时间。
UE可报告不同级别的处理时间线,例如,较慢时间和较快时间,诸如结合关于表1-3描述的低等待时间、高等待时间、和超低等待时间示例所描述的。UE可针对相同神经网络、针对相同层、针对相同层组合、针对相同层序列等等来报告不同级别的处理时间。网络实体1304可将UE配置成应用所报告的时间线之一。在其他示例中,UE可例如基于UE处的功率节省特征来应用所报告的时间线之一。例如,UE可与较高功耗相关联地应用较快处理时间线。
如在1312处所解说的,网络实体1304可将UE 1302配置成测量CSI-RS和/或报告CSI。在一些示例中,网络实体1304可将UE 1302配置有用于训练神经网络以进行CSI推导的一个或多个参数。网络实体1304可传送供UE测量的参考信号1314,诸如CSI-RS、SSB、CSI-IM资源等。在1316,UE 1302使用神经网络来测量CSI或某一其他测量或输出,并向网络实体报告CSI 1318。
图14A是无线通信方法的流程图1400。该方法可由第一无线设备执行。第一无线设备可对应于图4A中的编码设备400。在一些示例中,该方法可由UE(例如,UE 104、350)或由设备1502执行。尽管方法的各方面是针对UE的示例来描述的,但各方面可被应用于其他无线设备。
在1402,UE生成消息,该消息指示在UE处用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI。例如,设备1502的处理时间计算组件1540可执行对要被包括在消息中的处理时间的确定,并且该消息可由能力组件1542基于所确定的处理时间来生成。例如,图13解说了UE在1306和1308确定处理时间的示例。该处理时间可对应于与用于在神经网络中进行训练的参考信号相关联的第一时间与UE已成功训练神经网络的第二时间之间的时间量。当UE能够往回向神经网络报告由其训练的CSI时,或者当UE能够使用神经网络的经训练权重来达成准确性或QoS时,神经网络可被成功训练。该处理时间可对应于UE接收到要训练神经网络的命令与UE完成神经网络的训练之间的时间。
UE可基于以下至少一者来确定用于训练神经网络的处理时间:神经网络中的层的数目、神经网络中的权重的数目、或神经网络的一个或多个层的类型。UE可基于对来自先前训练的神经网络的信息的使用来确定用于训练神经网络的处理时间。来自先前训练的神经网络的信息可包括来自先前训练的神经网络的QCL信息或神经网络状态指示中的至少一者。UE可基于要被训练的神经网络或层的量来确定用于训练神经网络的处理时间。
UE可基于单个神经网络还是多个神经网络要被同时训练来确定该处理时间。多个神经网络可基于以下至少一者中的并发训练被同时训练:相同分量载波、相同频带、相同带宽部分、相同频带组合、相同频率范围、相同时隙、相同子帧、或相同帧。多个神经网络中的一个神经网络可被认为被同时训练,直到UE用完成训练消息作出响应。
UE可基于神经网络的单个层还是多个层要被同时训练来确定该处理时间。UE可基于神经网络的多个层的序列顺序来确定用于训练神经网络的处理时间。UE可基于由神经网络执行的无线信号规程的类型来确定用于训练神经网络的处理时间。无线信号规程的类型包括以下至少一者:信道状态信息确定、解调、定位确定、或波形确定。UE可基于准确性水平来确定用于训练神经网络的处理时间。准确性水平可例如基于QoS。UE可基于所描述的参数或因素的任何组合来确定处理时间。
UE可基于以下至少一者或其任何组合来确定用于报告CSF的处理时间:编码器输出向量、编码器输入向量、神经网络处确定的一个或多个向量、神经网络中的层的数目、神经网络的输入中的第一元素数目、神经网络的输出中的第二元素数目、神经网络的中间向量中的第三元素数目、神经网络的一个或多个层的层类型、用于交叠的报告的神经网络量、或神经网络的多个层的序列顺序。
在1404,UE向第一网络实体传送该处理时间。例如,UE可向第一网络实体传送指示该处理时间的消息。处理时间可例如由能力组件1542经由传输组件1534和/或蜂窝RF收发机1522来传送。第一网络实体可以是基站、TRP或另一UE。尽管该示例是结合UE和网络实体来描述的,但本方法的各方面也可由向第二无线设备提供处理时间的第一无线设备来执行。在一些示例中,第一无线设备可对应于编码设备400,并且第二无线设备可对应于解码设备425。
UE可将处理时间报告为UE能力、MAC-CE或UCI。UE可针对带宽部分、参数设计、分量载波、频带、频带组合、频率范围或一个或多个时间线因素中的至少一者来报告处理时间。该一个或多个时间线因素可包括以下至少一者:层、层类型、层的组合、输入向量长度、输出向量长度、中间向量长度、层的数目、或层的序列。
图14B解说了无线通信方法的流程图1450。该方法可包括结合图14A描述的各方面。该方法可由UE(例如,UE 104、350)或由设备1502执行。已经结合图14A描述的各方面以相同的附图标记示出。如在1406处所解说的,UE可从第二网络实体接收至少基于该处理时间的配置。例如,该配置可由设备1502的配置组件1544接收。在一些示例中,第二网络实体可以与第一网络实体相同。作为示例,UE可向基站提供处理时间能力,并且可从基站接收用于测量和/或报告CSI的配置。UE可向另一UE提供处理时间能力,并且可从该另一UE接收用以报告CSI的指示。在其他示例中,第二网络实体可以与第一网络实体不同。例如,UE可向服务器报告处理时间能力,并且可从基站接收用于报告CSI的配置并可向基站报告CSI。
在一些示例中,UE可在1404报告第一处理时间和第二处理时间,例如较慢处理时间和较快处理时间。接着在1406,UE可从第二网络实体接收用以使用第一处理时间还是第二处理时间的配置。附加地或替换地,UE可基于该UE的功率节省特征来应用第一处理时间或第二处理时间。
在1408,UE可基于该配置向第二网络实体传送CSI。CSI的传输可例如由设备1502的CSI报告组件1546执行。
图15是解说设备1502的硬件实现的示例的示图1500。设备1502可以是UE、UE的组件,或者可实现UE功能性。在一些方面,设备1502包括耦合到蜂窝RF收发机1522的蜂窝基带处理器1504(也称为调制解调器)。在一些方面,设备1502可进一步包括以下一者或多者:订户身份模块(SIM)卡1520、耦合到安全数字(SD)卡1508和屏幕1510的应用处理器1506、蓝牙模块1512、无线局域网(WLAN)模块1514、全球定位系统(GPS)模块1516和/或电源1518。蜂窝基带处理器1504通过蜂窝RF收发机1522与UE 104和/或BS 102/180进行通信。蜂窝基带处理器1504可包括计算机可读介质/存储器。计算机可读介质/存储器可以是非瞬态的。蜂窝基带处理器1504负责一般性处理,包括对存储在计算机可读介质/存储器上的软件的执行。该软件在由蜂窝基带处理器1504执行时使蜂窝基带处理器1504执行上文所描述的各种功能。计算机可读介质/存储器还可被用于存储由蜂窝基带处理器1504在执行软件时操纵的数据。蜂窝基带处理器1504进一步包括接收组件1530、通信管理器1532和传输组件1534。通信管理器1532包括该一个或多个所解说的组件。通信管理器1532内的组件可被存储在计算机可读介质/存储器中和/或配置为蜂窝基带处理器1504内的硬件。蜂窝基带处理器1504可以是UE 350的组件且可包括存储器360和/或以下至少一者:TX处理器368、RX处理器356、以及控制器/处理器359。在一种配置中,设备1502可以是调制解调器芯片并且仅包括蜂窝基带处理器1504,并且在另一配置中,设备1502可以是整个UE(例如,参见图3的350)并且包括设备1502的附加模块。
通信管理器1532包括处理时间计算组件1540,其被配置成确定处理时间,例如如结合图14A或14B中的1402所描述的。通信管理器1532进一步包括能力组件1542,其被配置成向第一网络实体提供处理时间,例如如结合图14A或14B中的1404所描述的。通信管理器1532可进一步包括CSI配置组件1544,其被配置成从第二网络实体接收基于该处理时间的配置,例如如结合1406所描述的。通信管理器1532可进一步包括CSI报告组件1546,其被配置成基于该配置向第二网络实体报告CSI,例如如结合1408所描述的。
该设备可包括执行图14A或14B的流程图中的算法的每个框的附加组件。如此,图14A或14B的流程图中的每个框可由一组件执行且该设备可包括那些组件中的一个或多个组件。这些组件可以是专门配置成执行所述过程/算法的一个或多个硬件组件、由配置成执行所述过程/算法的处理器实现、存储在计算机可读介质中以供由处理器实现、或其某种组合。
如图所示,设备1502可包括为各种功能配置的各种组件。在一种配置中,设备1502以及具体地蜂窝基带处理器1504包括:用于生成指示UE处用于以下至少一者的处理时间的消息的装置(例如,处理时间计算组件1540和/或能力组件1542):训练神经网络以进行CSI推导或基于经训练的神经网络来报告CSI;以及用于向第一网络实体提供该处理时间的装置(例如,能力组件1542、传输组件1534和/或收发机1522)。设备1502可进一步包括用于确定UE处用于以下至少一者的处理时间的装置(例如,通信管理器1532的处理时间计算组件1540):训练神经网络以进行CSI推导或基于经训练的神经网络来报告CSI。该设备可进一步包括用于从第二网络实体接收基于该处理时间的配置的装置(例如,通信管理器1532的CSI配置组件1544)。该设备可进一步包括用于基于该配置向第二网络实体传送CSI的装置(例如,CSI报告组件1546、传输组件1534和/或收发机1522)。装置可以是设备1502中被配置成执行由装置叙述的功能的组件中的一者或多者。如上文所描述的,设备1502可包括TX处理器368、RX处理器356和控制器/处理器359。如此,在一种配置中,各装置可以是被配置成执行由各装置叙述的功能的TX处理器368、RX处理器356和控制器/处理器359。
图16是无线通信方法的流程图1600。该方法可由第一无线设备执行。第一无线设备可对应于图4A中的解码设备425。在一些示例中,该方法可由网络实体(诸如基站、TRP、或UE)执行。该方法可由设备1702执行。尽管图16示出了流程图1600的示例框,但在一些方面,该无线通信方法可包括与图16中描绘的那些框相比附加的框、更少的框、不同的框或不同地布置的框。附加地或替换地,流程图1600的两个或更多个框可以并行执行。
在1602,网络实体从UE接收用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI。该接收可例如由CSI处理时间组件1740执行。该处理时间可对应于与用于在神经网络中进行训练的参考信号相关联的第一时间与UE已成功训练神经网络的第二时间之间的时间量。当UE能够往回向神经网络报告由其训练的CSI时,或者当UE能够使用神经网络的经训练权重来达成准确性或QoS时,神经网络可被成功训练。该处理时间可对应于UE接收到要训练神经网络的命令与UE完成神经网络的训练之间的时间。
用于训练神经网络的处理时间可基于以下至少一者:神经网络中的层的数目、神经网络中的权重的数目、或神经网络的一个或多个层的类型。用于训练神经网络的处理时间可基于对来自先前训练的神经网络的信息的使用。来自先前训练的神经网络的信息可包括来自先前训练的神经网络的QCL信息或神经网络状态指示中的至少一者。用于训练神经网络的处理时间可基于要被训练的神经网络或层的量。
用于训练神经网络的处理时间可基于单个神经网络还是多个神经网络要被同时训练。多个神经网络可基于以下至少一者中的并发训练被同时训练:相同分量载波、相同频带、相同带宽部分、相同频带组合、相同频率范围、相同时隙、相同子帧、或相同帧。多个神经网络中的一个神经网络可被认为被同时训练,直到UE用完成训练消息作出响应。
用于训练神经网络的处理时间可基于神经网络的单个层还是多个层要被同时训练。用于训练神经网络的处理时间可基于神经网络的多个层的序列顺序。用于训练神经网络的处理时间可基于由神经网络执行的无线信号规程的类型。无线信号规程的类型包括以下至少一者:信道状态信息确定、解调、定位确定、或波形确定。用于训练神经网络的处理时间可基于准确性水平。准确性水平可例如基于QoS。用于训练神经网络的处理时间可基于所描述的参数或因素的任何组合。
用于报告CSI的处理时间可基于以下至少一者或其任何组合:编码器输出向量、编码器输入向量、神经网络处确定的一个或多个向量、神经网络中的层的数目、神经网络的输入中的第一元素数目、神经网络的输出中的第二元素数目、神经网络的中间向量中的第三元素数目、神经网络的一个或多个层的层类型、用于交叠的报告的神经网络量、或神经网络的多个层的序列顺序。
网络实体可作为UE能力、MAC-CE或UCI接收处理时间。UE可针对带宽部分、参数设计、分量载波、频带、频带组合、频率范围或一个或多个时间线因素中的至少一者来报告处理时间。该一个或多个时间线因素可包括以下至少一者:层、层类型、层的组合、输入向量长度、输出向量长度、中间向量长度、层的数目、或层的序列。
在1604,网络实体向UE传送基于该处理时间的配置。例如,该配置可由设备1702的CSI配置组件1744传送。
在一些示例中,UE可在1602报告第一处理时间和第二处理时间,例如较慢处理时间和较快处理时间。接着在1604,基站可传送供UE使用第一处理时间或第二处理时间的配置。
在1606,网络实体基于该配置从UE接收CSI。CSI的接收可例如由设备1502的CSI报告组件1748执行。图13解说了网络实体1304基于配置1312从UE 1302接收CSI 1318的示例,该配置是在网络实体1304在1310从UE 1302接收处理时间信息之后被提供的。
图17是解说设备1702的硬件实现的示例的示图1700。在一些方面,设备1702可以是基站、基站的组件,或者可实现基站功能性。在一些方面,设备1702可以是另一网络组件。设备1702可包括基带单元1704。在一些示例中,基带单元1704可通过蜂窝RF收发机与UE104、TRP 103和/或基站102/180通信。基带单元1704可包括计算机可读介质/存储器。基带单元1704负责一般性处理,包括对存储在计算机可读介质/存储器上的软件的执行。该软件在由基带单元1704执行时使该基带单元1704执行以上描述的各种功能。计算机可读介质/存储器还可被用于存储由基带单元1704在执行软件时操纵的数据。基带单元1704进一步包括接收组件1730、通信管理器1732和传输组件1734。通信管理器1732包括该一个或多个所解说的组件。通信管理器1732内的组件可被存储在计算机可读介质/存储器中和/或配置为基带单元1704内的硬件。基带单元1704可以是基站310的组件且可包括存储器376和/或以下至少一者:TX处理器316、RX处理器370、以及控制器/处理器375。
通信管理器1732包括CSI处理时间组件1740,其被配置成从用户装备(UE)接收用于以下至少一者的处理时间:训练神经网络以进行信道状态信息推导或基于经训练的神经网络来报告CSI,例如如结合1602所描述的。通信管理器1732进一步包括CSI配置组件1744,其被配置成向UE传送基于该处理时间的配置,例如如结合1604所描述的。通信管理器1732进一步包括CSI报告组件1748,其被配置成基于该配置接收CSI报告,例如如结合1606所描述的。
该设备可包括执行图16的流程图中的算法的每个框的附加组件。如此,图16的流程图中的每个框可由一组件执行且该设备可包括这些组件中的一个或多个组件。这些组件可以是专门配置成执行所述过程/算法的一个或多个硬件组件、由配置成执行所述过程/算法的处理器实现、存储在计算机可读介质中以供由处理器实现、或其某种组合。
如图所示,设备1702可包括为各种功能配置的各种组件。在一种配置中,设备1702以及具体地基带单元1704包括:用于从用户装备(UE)接收用于以下至少一者的处理时间的装置(例如,CSI处理时间组件1740、接收组件1730和/或收发机1722):训练神经网络以进行信道状态信息推导或基于经训练的神经网络来报告CSI;用于向UE传送基于该处理时间的配置的装置(例如,CSI配置组件1744、传输组件1734和/或收发机1722);以及用于基于该配置从UE接收CSI的装置(例如,CSI报告组件1748、接收组件1730和/或收发机1722)。装置可以是设备1702中被配置成执行由装置叙述的功能的组件中的一者或多者。如上文中所描述的,设备1702可包括TX处理器316、RX处理器370和控制器/处理器375。如此,在一种配置中,各装置可以是被配置成执行由各装置叙述的功能的TX处理器316、RX处理器370和控制器/处理器375。
应理解,所公开的过程/流程图中的各个框的具体次序或层次是示例办法的解说。应理解,基于设计偏好,可以重新编排这些过程/流程图中的各个框的具体次序或层次。此外,一些框可被组合或被略去。所附方法权利要求以范例次序呈现各种框的要素,且并不意味着被限定于所呈现的具体次序或层次。
提供先前描述是为了使本领域任何技术人员均能够实践本文中所描述的各个方面。对这些方面的各种修改将容易为本领域技术人员所明白,并且在本文中所定义的普适原理可被应用于其他方面。由此,权利要求并非旨在被限定于本文中所示的方面,而是应被授予与语言上的权利要求相一致的全部范围,其中对要素的单数形式的引述除非特别声明,否则并非旨在表示“有且仅有一个”,而是“一个或多个”。诸如“如果”、“当……时”和“在……时”之类的术语应被解读为意味着“在该条件下”,而不是暗示直接的时间关系或反应。即,这些短语(例如,“当……时”)并不暗示响应于动作的发生或在动作的发生期间的立即动作,而仅暗示在满足条件的情况下将发生动作,而并不需要供动作发生的特定的或立即的时间约束。本文使用措辞“示例性”意指“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释成优于或胜过其他方面。除非特别另外声明,否则术语“一些/某个”指的是一个或多个。诸如“A、B或C中的至少一个”、“A、B或C中的一个或多个”、“A、B和C中的至少一个”、“A、B和C中的一个或多个”以及“A、B、C或其任何组合”之类的组合包括A、B和/或C的任何组合,并可包括多个A、多个B或多个C。具体而言,诸如“A、B或C中的至少一个”、“A、B或C中的一个或多个”、“A、B和C中的至少一个”、“A、B和C中的一个或多个”以及“A、B、C或其任何组合”之类的组合可以是仅有A、仅有B、仅有C、A和B、A和C、B和C,或者A和B和C,其中任何这种组合可包含A、B或C的一个或多个成员。本公开通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此,且旨在被权利要求所涵盖。此外,本文所公开的任何内容都不旨在捐献于公众,无论此类公开内容是否明确记载在权利要求书中。措辞“模块”、“机制”、“元素”、“设备”等可以不是措辞“装置”的代替。如此,没有任何权利要求元素应被解释为装置加功能,除非该元素是使用短语“用于……的装置”来明确叙述的。
以下示例仅是解说性的,并且其各方面可以与本文所描述的其他示例或教导的各方面进行组合而没有限制。
方面1是一种在UE处进行无线通信的方法,包括:生成消息,该消息指示在该UE处用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;以及向第一网络实体传送指示该处理时间的该消息。
在方面2,方面1的方法进一步包括,该第一网络实体是基站、TRP或另一UE。
在方面3,方面1或2的方法进一步包括,该处理时间对应于与用于在该神经网络中进行训练的参考信号相关联的第一时间与该UE已成功训练该神经网络的第二时间之间的时间量。
在方面4,方面1-3中任一者的方法进一步包括,当该UE能够往回报告由该神经网络训练的CSI或能够使用该神经网络的经训练权重来达成准确性或QoS时该神经网络被成功训练。
在方面5,方面1-4中任一者的方法进一步包括,该处理时间对应于该UE接收到要训练该神经网络的命令与完成该神经网络的训练之间的时间。
在方面6,方面1-5中任一者的方法进一步包括,从第二网络实体接收至少基于该处理时间的配置;以及基于该配置向该第二网络实体传送CSI。
在方面7,方面1-6中任一者的方法进一步包括,该第二网络实体与该第一网络实体相同。
在方面8,方面1-7中任一者的方法进一步包括,该第二网络实体与该第一网络实体不同。
在方面9,方面1-8中任一者的方法进一步包括,该UE基于以下至少一者来确定用于训练该神经网络的该处理时间:该神经网络中的层的数目、该神经网络中的权重的数目、或该神经网络的一个或多个层的类型。
在方面10,方面1-9中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于来自先前训练的神经网络的信息。
在方面11,方面1-10中任一者的方法进一步包括,来自先前训练的神经网络的信息包括来自先前训练的神经网络的QCL信息或神经网络状态指示中的至少一者。
在方面12,方面1-11中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于要被训练的神经网络或层的量。
在方面13,方面1-12中任一者的方法进一步包括,该处理时间基于是单个神经网络还是多个神经网络要被同时训练。
在方面14,方面1-13中任一者的方法进一步包括,该多个神经网络基于以下至少一者中的并发训练而被同时训练:相同分量载波、相同频带、相同带宽部分、相同频带组合、相同频率范围、相同时隙、相同子帧、或相同帧。
在方面15,方面1-14中任一者的方法进一步包括,该多个神经网络中的神经网络被同时训练直到该UE用完成训练消息作出响应。
在方面16,方面1-15中任一者的方法进一步包括,该处理时间基于是该神经网络的单个层还是多个层要被同时训练。
在方面17,方面1-16中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于该神经网络的多个层的序列顺序。
在方面18,方面1-17中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于由该神经网络执行的无线信号规程的类型。
在方面19,方面1-18中任一者的方法进一步包括,该无线信号规程的该类型包括以下至少一者:信道状态信息确定、解调、定位确定、或波形确定。
在方面20,方面1-19中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于准确性水平。
在方面21,方面1-20中任一者的方法进一步包括,该准确性水平基于QoS。
在方面22,方面1-21中任一者的方法进一步包括,用于报告CSF的处理时间基于以下至少一者:编码器输出向量、编码器输入向量、该神经网络处确定的一个或多个向量、该神经网络中的层的数目、该神经网络的输入中的第一元素数目、该神经网络的输出中的第二元素数目、该神经网络的中间向量中的第三元素数目、该神经网络的一个或多个层的层类型、用于交叠的报告的神经网络量、或该神经网络的多个层的序列顺序。
在方面23,方面1-22中任一者的方法进一步包括,该UE将该处理时间报告为UE能力、MAC-CE或UCI。
在方面24,方面1-23中任一者的方法进一步包括,该UE针对以下至少一者报告该处理时间:带宽部分、参数设计、分量载波、频带、频带组合、频率范围、或一个或多个时间线因素。
在方面25,方面1-24中任一者的方法进一步包括,该一个或多个时间线因素包括以下至少一者:层、层类型、层组合、输入向量长度、输出向量长度、中间向量长度、层的数目、或层的序列。
在方面26,方面1-25中任一者的方法进一步包括,该UE报告第一处理时间和第二处理时间。
在方面27,方面1-26中任一者的方法进一步包括,从该第二网络实体接收用以使用该第一处理时间或该第二处理时间的配置。
在方面28,方面1-27中任一者的方法进一步包括,基于该UE的功率节省特征来应用该第一处理时间或该第二处理时间。
方面29是一种设备,其包括一个或多个处理器以及与该一个或多个处理器处于电子通信的一个或多个存储器,该一个或多个存储器存储能由该一个或多个处理器执行以使该设备实现如方面1-28中任一者的方法的指令。
方面30是一种系统或设备,其包括用于实现如方面1-28中任一者的方法或实现如方面1-28中任一者的设备的装置。
方面31是一种存储指令的非瞬态计算机可读介质,该指令能由一个或多个处理器执行以使得该一个或多个处理器实现如方面1-28中任一者的方法。
方面32是一种在基站处进行无线通信的方法,包括:从UE接收用于以下至少一者的处理时间:训练神经网络以用于信道状态信息推导或基于经训练的神经网络来报告CSI;基于该处理时间向该UE传送配置;以及基于该配置从该UE接收CSI。
在方面33,方面32的方法进一步包括,该网络实体是基站、TRP或另一UE。
在方面34,方面32或方面33的方法进一步包括,该处理时间对应于与用于在该神经网络中进行训练的参考信号相关联的第一时间与该UE已成功训练该神经网络的第二时间之间的时间量。
在方面35,方面32-34中任一者的方法进一步包括,当该UE能够往回报告由该神经网络训练的CSI或能够使用该神经网络的经训练权重来达成准确性或QoS时该神经网络被成功训练。
在方面36,方面32-35中任一者的方法进一步包括,该处理时间对应于该UE接收到要训练该神经网络的命令与完成该神经网络的训练之间的时间。
在方面37,方面32-36中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于以下至少一者:该神经网络中的层的数目、该神经网络中的权重的数目、或该神经网络的一个或多个层的类型。
在方面38,方面32-37中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于对来自先前训练的神经网络的信息的使用。
在方面39,方面32-38中任一者的方法进一步包括,来自先前训练的神经网络的信息包括来自先前训练的神经网络的QCL信息或神经网络状态指示中的至少一者。
在方面40,方面32-39中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于要被训练的神经网络或层的量。
在方面41,方面32-40中任一者的方法进一步包括,该处理时间基于是单个神经网络还是多个神经网络要被同时训练。
在方面42,方面32-41中任一者的方法进一步包括,该多个神经网络基于以下至少一者中的并发训练而被同时训练:相同分量载波、相同频带、相同带宽部分、相同频带组合、相同频率范围、相同时隙、相同子帧、或相同帧。
在方面43,方面32-42中任一者的方法进一步包括,该多个神经网络中的神经网络被同时训练直到该UE用完成训练消息作出响应。
在方面44,方面32-43中任一者的方法进一步包括,该处理时间基于是该神经网络的单个层还是多个层要被同时训练。
在方面45,方面32-44中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于该神经网络的多个层的序列顺序。
在方面46,方面32-45中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于由该神经网络执行的无线信号规程的类型。
在方面47,方面32-46中任一者的方法进一步包括,该无线信号规程的该类型包括以下至少一者:信道状态信息确定、解调、定位确定、或波形确定。
在方面48,方面32-47中任一者的方法进一步包括,用于训练该神经网络的该处理时间基于准确性水平。
在方面49,方面32-48中任一者的方法进一步包括,该准确性水平基于QoS。
在方面50,方面32-49中任一者的方法进一步包括,用于报告CSF的处理时间基于以下至少一者:编码器输出向量、编码器输入向量、该神经网络处确定的一个或多个向量、该神经网络中的层的数目、该神经网络的输入中的第一元素数目、该神经网络的输出中的第二元素数目、该神经网络的中间向量中的第三元素数目、该神经网络的一个或多个层的层类型、用于交叠的报告的神经网络量、或该神经网络的多个层的序列顺序。
在方面51,方面32-50中任一者的方法进一步包括,该处理时间作为UE能力、MAC-CE或UCI被接收。
在方面52,方面32-51中任一者的方法进一步包括,该处理时间针对以下至少一者被接收:带宽部分、参数设计、分量载波、频带、频带组合、频率范围、或一个或多个时间线因素。
在方面53,方面32-52中任一者的方法进一步包括,该一个或多个时间线因素包括以下至少一者:层、层类型、层组合、输入向量长度、输出向量长度、中间向量长度、层的数目、或层的序列。
在方面54,方面32-53中任一者的方法进一步包括,该基站从该UE接收第一处理时间和第二处理时间。
在方面55,方面32-54中任一者的方法进一步包括,将该UE配置成使用该第一处理时间或该第二处理时间。
方面56是一种设备,其包括一个或多个处理器以及与该一个或多个处理器处于电子通信的一个或多个存储器,该一个或多个存储器存储能由该一个或多个处理器执行以使该设备实现如方面32-55中任一者中的方法的指令。
方面57是一种系统或设备,其包括用于实现如方面32-55中任一者中的方法或实现如方面32-55中任一者中的设备的装置。
方面58是一种存储指令的非瞬态计算机可读介质,该指令能由一个或多个处理器执行以使得该一个或多个处理器实现如方面32-55中任一者中的方法。
方面59是一种用于无线通信的装置,包括被配置成执行方面32-55中任一者的方法的存储器和至少一个处理器。
在方面60,方面59的装置进一步包括至少一个天线和耦合至该至少一个天线和至少一个处理器的收发机。
方面61是一种用于无线通信的装置,包括被配置成执行方面1-28中任一者的方法的存储器和至少一个处理器。
在方面62,方面61的装置进一步包括至少一个天线和耦合至该至少一个天线和至少一个处理器的收发机。
Claims (30)
1.一种用于在用户装备(UE)处进行无线通信的装置,包括:
存储器;以及
至少一个处理器,所述至少一个处理器耦合到所述存储器并且被配置成:
生成消息,所述消息指示在所述UE处用于以下至少一者的处理时间:
训练神经网络以用于信道状态信息(CSI)推导或基于经训练的神经网络来报告CSI;以及
向第一网络实体传送指示所述处理时间的所述消息。
2.如权利要求1所述的装置,其中所述第一网络实体是基站、传送接收点(TRP)或另一UE,并且所述装置进一步包括:
至少一个天线;以及
耦合至所述至少一个天线和所述至少一个处理器的收发机。
3.如权利要求1所述的装置,其中所述处理时间对应于与用于在所述神经网络中进行训练的参考信号相关联的第一时间与所述UE已成功训练所述神经网络的第二时间之间的时间量。
4.如权利要求3所述的装置,其中当所述UE能够往回报告由所述神经网络训练的所述CSI或能够使用所述神经网络的经训练权重来达成准确性或服务质量(QoS)时所述神经网络被成功训练。
5.如权利要求1所述的装置,其中所述处理时间对应于接收到要训练所述神经网络的命令与完成对所述神经网络的训练之间的时间。
6.如权利要求1所述的装置,其中所述存储器和所述至少一个处理器被进一步配置成:
从第二网络实体接收至少基于所述处理时间的配置;以及
基于所述配置向所述第二网络实体传送信道状态信息(CSI)。
7.如权利要求1所述的装置,其中用于训练所述神经网络的所述处理时间基于以下至少一者:
所述神经网络中的层的数目,
所述神经网络中的权重的数目,或
所述神经网络的一个或多个层的类型。
8.如权利要求1所述的装置,其中用于训练所述神经网络的所述处理时间基于以下至少一者:来自先前训练的神经网络的准共处(QCL)信息或神经网络状态指示中的至少一者。
9.如权利要求1所述的装置,其中用于训练所述神经网络的所述处理时间基于要被训练的神经网络或层的量。
10.如权利要求9所述的装置,其中所述处理时间进一步基于是单个神经网络还是多个神经网络要被同时训练。
11.如权利要求10所述的装置,其中所述处理时间基于训练所述多个神经网络,所述多个神经网络基于在以下至少一者中的并发训练而被同时训练:
相同分量载波,
相同频带,
相同带宽部分,
相同频带组合,
相同频率范围,
相同时隙,
相同子帧,或
相同帧,
其中所述多个神经网络被同时训练直到所述UE用完成训练消息作出响应。
12.如权利要求10所述的装置,其中所述处理时间进一步基于是所述神经网络的单个层还是多个层要被同时训练。
13.如权利要求1所述的装置,其中用于训练所述神经网络的所述处理时间基于所述神经网络的多个层的序列顺序。
14.如权利要求1所述的装置,其中用于训练所述神经网络的所述处理时间基于由所述神经网络执行的无线信号规程的类型,所述无线信号规程的所述类型包括以下至少一者:
信道状态信息确定,
解调,
定位确定,或
波形确定。
15.如权利要求1所述的装置,其中用于训练所述神经网络的所述处理时间基于准确性水平。
16.如权利要求1所述的装置,其中用于报告所述CSI的所述处理时间基于以下至少一者:
编码器输出向量,
编码器输入向量,
所述神经网络处确定的一个或多个向量,
所述神经网络中的层的数目,
所述神经网络的输入中的第一元素数目,
所述神经网络的输出中的第二元素数目,
所述神经网络的中间向量中的第三元素数目,
所述神经网络的一个或多个层的层类型,
用于交叠的报告的神经网络量,或
所述神经网络的多个层的序列顺序。
17.如权利要求1所述的装置,其中所述处理时间针对以下至少一者:
带宽部分,
参数设计,
分量载波,
频带,
频带组合,
频率范围,或
一个或多个时间线因素,并且
其中所述一个或多个时间线因素包括以下至少一者:
层,
层类型,
层的组合,
输入向量长度,
输出向量长度,
中间向量长度,
层的数目,或
层的序列。
18.如权利要求1所述的装置,其中所述存储器和所述至少一个处理器被进一步配置成:
报告第一处理时间和第二处理时间,其中所述存储器和所述至少一个存储器被进一步配置成:
从第二网络实体接收用以使用所述第一处理时间或所述第二处理时间的配置;以及
基于所述UE的功率节省特征来应用所述第一处理时间或所述第二处理时间。
19.一种在用户装备(UE)处进行无线通信的方法,包括:
确定在所述UE处用于以下至少一者的处理时间:训练神经网络以用于信道状态信息(CSI)推导或基于经训练的神经网络来报告CSI;以及
向第一网络实体提供所述处理时间。
20.一种存储用于在用户装备(UE)处进行无线通信的计算机可执行代码的计算机可读介质,所述代码在由处理器执行时使所述处理器:
生成消息,所述消息指示在所述UE处用于以下至少一者的处理时间:训练神经网络以用于信道状态信息(CSI)推导或基于经训练的神经网络来报告CSI;以及
向第一网络实体传送指示所述处理时间的所述消息。
21.一种用于无线通信的装置,包括:
存储器;以及
至少一个处理器,所述至少一个处理器耦合到所述存储器并且被配置成:
从用户装备(UE)接收用于以下至少一者的处理时间:训练神经网络以用于信道状态信息(CSI)推导或基于经训练的神经网络来报告CSI;
基于所述处理时间向所述UE传送配置;以及
基于所述配置从所述UE接收所述CSI。
22.如权利要求21所述的装置,其中所述无线通信在基站、传送接收点(TRP)或另一UE处,所述装置进一步包括:
至少一个天线;以及
耦合至所述至少一个天线和所述至少一个处理器的收发机。
23.如权利要求21所述的装置,其中所述处理时间对应于与用于在所述神经网络中进行训练的参考信号相关联的第一时间与所述UE已成功训练所述神经网络的第二时间之间的时间量,并且其中当所述UE能够往回报告由所述神经网络训练的CSI或能够使用所述神经网络的经训练权重来达成准确性或服务质量(QoS)时所述神经网络被成功训练。
24.如权利要求21所述的装置,其中所述处理时间对应于接收到要训练所述神经网络的命令与完成对所述神经网络的训练之间的时间。
25.如权利要求21所述的装置,其中用于训练所述神经网络的所述处理时间基于以下至少一者:
所述神经网络中的层的数目,
所述神经网络中的权重的数目,
所述神经网络的一个或多个层的类型、来自先前训练的神经网络的准共处(QCL)信息,或
来自所述先前训练的神经网络的神经网络状态指示。
26.如权利要求21所述的装置,其中用于训练所述神经网络的所述处理时间基于以下至少一者:要被训练的神经网络或层的量、以及是单个神经网络还是多个神经网络要被同时训练,其中所述多个神经网络基于在以下至少一者中的并发训练而被同时训练:
相同分量载波,
相同频带,
相同带宽部分,
相同频带组合,
相同频率范围,
相同时隙,
相同子帧,或
相同帧。
27.如权利要求21所述的装置,其中所述处理时间基于以下至少一者:是所述神经网络的单个层还是多个层要被同时训练、所述神经网络的所述多个层的序列顺序、由所述神经网络执行的无线信号规程的类型、或准确性水平。
28.如权利要求21所述的装置,其中用于报告所述CSI的所述处理时间基于以下至少一者:
编码器输出向量,
编码器输入向量,
所述神经网络处确定的一个或多个向量,
所述神经网络中的层的数目,
所述神经网络的输入中的第一元素数目,
所述神经网络的输出中的第二元素数目,
所述神经网络的中间向量中的第三元素数目,
所述神经网络的一个或多个层的层类型,
用于交叠的报告的神经网络量,或
所述神经网络的多个层的序列顺序。
29.如权利要求21所述的装置,其中所述处理时间针对以下至少一者:
带宽部分,
参数设计,
分量载波,
频带,
频带组合,
频率范围,或
一个或多个时间线因素,并且其中所述一个或多个时间线因素包括以下至少一者:
层,
层类型,
层的组合,
输入向量长度,
输出向量长度,
中间向量长度,
层的数目,或
层的序列。
30.如权利要求21所述的装置,其中所述存储器和所述至少一个处理器被进一步配置成:
从所述UE接收第一处理时间和第二处理时间;以及
将所述UE配置成使用所述第一处理时间或所述第二处理时间。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GR20200100496 | 2020-08-18 | ||
GR20200100496 | 2020-08-18 | ||
PCT/US2021/046037 WO2022040055A1 (en) | 2020-08-18 | 2021-08-13 | Processing timeline considerations for channel state information |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116097591A true CN116097591A (zh) | 2023-05-09 |
Family
ID=77655685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180056475.0A Pending CN116097591A (zh) | 2020-08-18 | 2021-08-13 | 用于信道状态信息的处理时间线考虑因素 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230319617A1 (zh) |
EP (1) | EP4201030A1 (zh) |
CN (1) | CN116097591A (zh) |
WO (1) | WO2022040055A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220007382A1 (en) * | 2020-10-07 | 2022-01-06 | Intel Corporation | Model-assisted deep reinforcement learning based scheduling in wireless networks |
US20220114448A1 (en) * | 2020-10-08 | 2022-04-14 | The University Of Hong Kong | Method and device for transmitting ofdm signal, and method and device for receiving ofdm signal |
CN117136520A (zh) * | 2022-03-25 | 2023-11-28 | 北京小米移动软件有限公司 | 一种通信方法、通信装置及通信设备 |
WO2023206380A1 (en) * | 2022-04-29 | 2023-11-02 | Qualcomm Incorporated | Data collection procedure and model training |
KR20240017681A (ko) * | 2022-08-01 | 2024-02-08 | 삼성전자주식회사 | 무선 통신 시스템에서 csi를 보고하기 위한 방법 및 장치 |
CN117560251A (zh) * | 2022-08-04 | 2024-02-13 | 维沃移动通信有限公司 | 特征信息传输方法、转换信息确定方法、装置和通信设备 |
WO2024072313A1 (en) * | 2022-09-30 | 2024-04-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Channel state information (csi) computation time for various configurations |
WO2024075102A1 (en) * | 2022-12-16 | 2024-04-11 | Lenovo (Singapore) Pte. Ltd. | Encoding and decoding of input information |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180367192A1 (en) * | 2017-06-19 | 2018-12-20 | Virginia Tech Intellectual Properties, Inc. | Encoding and decoding of information for wireless transmission using multi-antenna transceivers |
CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
CN110035427A (zh) * | 2018-01-12 | 2019-07-19 | 维沃移动通信有限公司 | Ue能力上报、时隙偏移确定方法和设备 |
CN111342867A (zh) * | 2020-02-28 | 2020-06-26 | 西安交通大学 | 一种基于深度神经网络的mimo迭代检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
EP3989460B1 (en) * | 2017-06-14 | 2024-01-03 | Sony Group Corporation | Apparatus and method for determining whether to provide a csi report |
-
2021
- 2021-08-13 WO PCT/US2021/046037 patent/WO2022040055A1/en unknown
- 2021-08-13 EP EP21766326.9A patent/EP4201030A1/en active Pending
- 2021-08-13 US US18/015,683 patent/US20230319617A1/en active Pending
- 2021-08-13 CN CN202180056475.0A patent/CN116097591A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180367192A1 (en) * | 2017-06-19 | 2018-12-20 | Virginia Tech Intellectual Properties, Inc. | Encoding and decoding of information for wireless transmission using multi-antenna transceivers |
CN110035427A (zh) * | 2018-01-12 | 2019-07-19 | 维沃移动通信有限公司 | Ue能力上报、时隙偏移确定方法和设备 |
CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
CN111342867A (zh) * | 2020-02-28 | 2020-06-26 | 西安交通大学 | 一种基于深度神经网络的mimo迭代检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230319617A1 (en) | 2023-10-05 |
WO2022040055A1 (en) | 2022-02-24 |
EP4201030A1 (en) | 2023-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230328559A1 (en) | Reporting configurations for neural network-based processing at a ue | |
US20230319617A1 (en) | Processing timeline considerations for channel state information | |
US11825553B2 (en) | UE capability for AI/ML | |
EP4342145A1 (en) | Ml model training procedure | |
WO2023027865A1 (en) | Ue indication of null tone placement for demodulation | |
WO2023015428A1 (en) | Ml model category grouping configuration | |
US20230359886A1 (en) | Configuration considerations for channel state information | |
WO2023015430A1 (en) | The combined ml structure parameters configuration | |
WO2023015431A1 (en) | Dci-based indication to trigger the combined ml model | |
US20240049023A1 (en) | Channel state feedback with dictionary learning | |
WO2024108366A1 (en) | Model tuning for cross node machine learning | |
WO2024065583A1 (en) | Vector quantization methods for ue-driven multi-vendor sequential training | |
WO2023060417A1 (en) | Ue clustering in fl model update reporting | |
US20230039254A1 (en) | Transfer/federated learning approaches to mitigate blockage in millimeter wave systems | |
WO2024059994A1 (en) | Multi-stage bit-level constellation shaping | |
WO2023102711A1 (en) | Transmit energy report for time averaged transmission power transmission | |
WO2023184312A1 (en) | Distributed machine learning model configurations | |
US20220312399A1 (en) | Ue feedback of non-preferred time-frequency resources | |
WO2023015509A1 (en) | Considerations on csi-rs configurations for interference in proximity to a reconfigurable intelligent surface | |
CN118140237A (zh) | Fl模型更新报告中的ue聚类 | |
CN116848798A (zh) | 基于神经网络的非线性mu-mimo预编码 | |
WO2024059419A1 (en) | Beamforming for backscatter radio |
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 |