CN116097707A - 针对信道状态信息的配置考虑 - Google Patents

针对信道状态信息的配置考虑 Download PDF

Info

Publication number
CN116097707A
CN116097707A CN202180055534.2A CN202180055534A CN116097707A CN 116097707 A CN116097707 A CN 116097707A CN 202180055534 A CN202180055534 A CN 202180055534A CN 116097707 A CN116097707 A CN 116097707A
Authority
CN
China
Prior art keywords
neural network
training
configuration
train
processor
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
Application number
CN202180055534.2A
Other languages
English (en)
Inventor
P·K·维瑟兰德弗特
A·马诺拉克斯
T·刘
N·布衫
J·南宫
J·K·森达拉拉扬
K·K·穆卡维里
T·姬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN116097707A publication Critical patent/CN116097707A/zh
Pending legal-status Critical Current

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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/28—Timers or timing mechanisms used in protocols
    • 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
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/232—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the physical layer, e.g. DCI signalling

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

网络实体可传送对用于UE的无线通信的神经网络训练参数的配置，并且该UE可基于从该网络实体接收的该配置来在该UE处训练神经网络。该网络实体可在无线消息中向该UE传送训练命令，并且该UE可响应于接收到的训练命令而基于接收到的配置来训练神经网络。该配置可包括与训练神经网络相关联的时间段。该时间段可指示供该UE在该时间段期满时执行的动作、和/或指示神经网络训练的周期性。

Description

针对信道状态信息的配置考虑
相关申请的交叉引用
本申请要求于2020年8月18日提交的题为“CONFIGURATION CONSIDERATIONS FORCHANNEL STATE INFORMATION(针对信道状态信息的配置考虑)”的希腊申请S/N.20200100494的权益和优先权，该希腊申请通过援引被整体明确纳入于此。
引言
本公开一般涉及通信系统，尤其涉及一种用于配置针对信道状态信息的神经网络训练的无线通信方法。
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，提供了一种方法、计算机可读介质和装置。该方法可包括：从无线网络实体接收对用于UE的无线通信的一个或多个神经网络训练参数的配置；以及基于从该无线网络实体接收的该配置来训练神经网络。
在本公开的另一方面，提供了一种无线通信的设备。该设备可包括：用于从无线网络实体接收对用于UE的无线通信的一个或多个神经网络训练参数的配置的装置；以及用于基于从该无线网络实体接收的该配置来训练神经网络的装置。
在本公开的另一方面，提供了一种无线通信的装置。该装置可以是UE，其包括存储器以及耦合到该存储器的至少一个处理器。该存储器和该处理器可被配置成：从无线网络实体接收对用于该UE的无线通信的一个或多个神经网络训练参数的配置；以及基于从该无线网络实体接收的该配置来训练神经网络。
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。例如，计算机可读介质可以是非瞬态的。该代码在由处理器执行时使得该处理器：从无线网络实体接收对用于该UE的无线通信的一个或多个神经网络训练参数的配置；以及基于从该无线网络实体接收的该配置来训练神经网络。
在本公开的一方面，提供了一种无线通信的方法。该方法可包括：确定或检测用于用户装备(UE)的无线通信的一个或多个神经网络训练参数；以及向该UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置。
在本公开的另一方面，提供了一种无线通信的设备。该设备可包括：用于确定或检测用于UE的无线通信的一个或多个神经网络训练参数的装置；以及用于向该UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置的装置。
在本公开的另一方面，提供了一种无线通信的装置。该装置可以是UE，其包括存储器和耦合到该存储器的至少一个处理器。该存储器可包括在由该至少一个处理器执行时使该至少一个处理器进行以下操作的指令：确定或确定用于UE的无线通信的一个或多个神经网络训练参数；以及向该UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置。
在本公开的另一方面，提供了一种存储用于在无线网络实体处进行无线通信的计算机可执行代码的计算机可读介质。例如，计算机可读介质可以是非瞬态的。该代码在由处理器执行时使得该处理器：确定或确定用于UE的无线通信的一个或多个神经网络训练参数；以及向该UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置。
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是一种无线通信的呼叫流图。
图12是一种无线通信方法的流程图。
图13是一种无线通信方法的流程图。
图14是一种无线通信方法的流程图。
图15是一种无线通信方法的流程图。
图16是解说示例装备的硬件实现的示例的示图。
图17是解说示例装备的硬件实现的示例的示图。
详细描述
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。
现在将参照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。
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，向基站报告测量信息可消耗通信和/或网络资源。
在本文描述的一些方面，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，以及以限制压缩损失的方式来压缩测量。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。该网络实体可被称为“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。
UE可训练神经网络以执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、该UE处的无线波形确定等等。当在UE处训练神经网络时，UE可选择性地训练受影响的层或神经网络的子集。根据本公开的一些方面，网络实体可以为UE处的神经网络训练配置一个或多个参数，并且UE可选择性地训练神经网络。
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方面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、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)。
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)。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。附加地，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，否则应理解，如果在本文中使用，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gNB 180)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UE 104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。UE104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UE 104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。UE 104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，MME 162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EPC160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。在一些场景中，术语UE还可适用于一个或多个伴随设备，诸如在设备星座布置中。这些设备中的一个或多个设备可共同地接入网络和/或个体地接入网络。
再次参照图1，在某些方面，UE 104或其他编码设备可包括CSI配置组件198，该CSI配置组件198被配置成：从无线网络实体接收对用于UE的无线通信的一个或多个神经网络训练参数的配置；以及基于从该无线网络实体接收的该配置来训练神经网络。在某些方面，基站102、180、TRP 103、另一UE 104或其他解码设备可包括CSI配置组件199，该CSI配置组件199被配置成：检测用于UE的无线通信的一个或多个神经网络训练参数；以及向该UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置。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5G NR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(都是UL)，其中D是DL，U是UL，并且F供在DL/UL之间灵活使用。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5G NR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。
μ <![CDATA[SCSΔf＝2<sup>μ</sup>·15[kHz]]]> 循环前缀
0 15 正常
1 30 正常
2 60 正常，扩展
3 120 正常
4 240 正常
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-2D提供了每时隙14个码元的正常CP和每个子帧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。在帧集内，可以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中所解说的，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可以被称为控制资源集(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UE 104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EPC160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通过其各自相应的天线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中的至少一者可被配置成执行与图1的198结合的各方面。TX处理器316、RX处理器370和控制器/处理器375中的至少一者可被配置成执行与图1的199结合的各方面。
无线接收机可向传送方设备提供各种各类型的信道状态信息(CSI)。具体地，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。基站可例如通过CSI测量配置将UE配置成执行CSI测量。基站可通过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(NZPCSI-RS)、SSB、CSI-IM资源等。基站可通过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可在每子带的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。
本申请提供了一种附加类型的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自从先前实例起的变化。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，并且神经网络可以用更准确的CSI来训练。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405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)可使用来自编码器参数422的神经网络编码器权重θ。中间经编码CSI可被表示为
Figure BDA0004113254410000181
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CSIm(t)与先前经编码CSI实例h(t-1)进行比较以确定经编码CSI的变化n(t)。变化n(t)可以是信道估计的一部分，该信道估计是新的并且可能未被解码设备预测。此时的经编码CSI可由
Figure BDA0004113254410000182
Figure BDA0004113254410000183
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上提供该变化n(t)，并且编码设备可将该变化(例如，指示该变化的信息)n(t)作为经编码CSI在UL信道上传送给解码设备。由于该变化小于整个CSI实例，因此编码设备可在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中包括关于该变化的更详细信息。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)保存在存储器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的变化n(t)被接收为经编码CSI。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的先前中间经解码CSI实例h(t-1)的至少一部分以及变化来确定中间经解码CSI m(t)。CSI实例解码器418可将中间经解码CSIm(t)解码成经解码CSI。CSI序列解码器414和CSI实例解码器418可使用来自解码器参数424的神经网络解码器权重φ。中间经解码CSI可由
Figure BDA0004113254410000185
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CSI h(t)。在420，解码设备可从经解码CSI h(t)重构DL信道估计，并且经重构信道估计可被表示为
Figure BDA0004113254410000184
CSI序列解码器414可将经解码CSI h(t)保存在存储器416中。
由于变化n(t)小于整个CSI实例，因此编码设备可在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自从先前反馈起几乎没有变化，则CSI序列编码器的输出可相当紧凑。以此方式，编码设备可利用信道估计随时间的相关性。在一些方面，由于输出较小，因此编码设备可在经编码CSI中包括针对该变化的更详细信息。在一些方面，编码设备可向解码设备传送关于经编码CSI在时间上被编码(CSI变化)的指示(例如，标志)。替换地，编码设备可传送关于经编码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(其可包括编码设备或解码设备)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，编码设备可将CSI编码为N-1/2H。编码设备可单独编码H和N。编码设备可部分地单独编码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可能是有利的。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变化较快。在高多普勒场景中，信道可比UE的调度器编群更快地变化。在一些方面，设备(其可包括编码设备或解码设备)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
Figure BDA0004113254410000191
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，
Figure BDA0004113254410000192
可仅捕获解码设备推导出秩和预编码所需要的信息。CQI可被单独反馈。CSI反馈可被表达为m(t)，或者在时间编码的场景中被表达为n(t)。类似于类型II CSI反馈，m(t)可被构造为秩索引(RI)、波束索引和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(例如，不通过训练来获得)，或者可以是训练的一部分(例如，θ和φ的一部分并且被传达给编码设备或解码设备)。
在一些方面，解码设备和编码设备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(以用于变化的准确性相对于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)，编码设备可选择或者解码设备可指令编码设备选择编码器之一来构建经编码CSI。编码设备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，解码设备和编码设备可维持多个编码器和解码器网络以管理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和编码设备来描述的，但这些操作也可由另一设备作为编码器和解码器权重和/或结构的预配置的一部分来执行。
如以上所指示的，图4A可以作为示例来提供。其他示例可以不同于关于图4A所描述的示例。
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，该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，编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为的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500的示图。编码设备(例如，UE 102/350、编码设备400等)可被配置成：对数据执行一个或多个操作502以压缩该数据。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。
如本文所使用的，神经网络的“层”被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”是指在一维度中被组合的毗邻系数的数目。
如本文所使用的，“权重”被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代权重和偏置值两者。
如示例500中所示，编码设备可对样本执行卷积操作。例如，编码设备可接收被构造为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，在网络中进行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，向网络实体报告此类信息可消耗通信和/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600的示图。编码设备(例如，UE 120、编码设备400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、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。
如由示例600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)。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；以及具有内核大小为3的512xW卷积操作，其输出尺寸为Wx64的BN数据集。来自该一个或多个ResNet操作的输出可以是Wx64矩阵。
编码设备可对来自该一个或多个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(具有内核为1)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个特征的输入和W个特征的输出。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。来自该一个或多个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700的示图。编码设备(例如，UE 120、编码设备400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、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。如由示例700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，并且随后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。
如由示例700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，其产生具有尺寸为4Wx64xV的输出数据集；具有内核大小为3和1的4WxW卷积操作，其输出具有尺寸为(128x64x4)的BN数据集。来自该一个或多个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。来自该一个或多个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(具有内核为1、1)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。来自该一个或多个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(具有内核为1)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。来自该一个或多个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800的示图。编码设备(例如，UE 120、编码设备400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、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。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。
如由示例800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)。来自该一个或多个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，该一个或多个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；以及具有内核大小为3的512xW卷积操作，其输出尺寸为Wx64的BN数据集。来自该一个或多个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)。来自该一个或多个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编码数据集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)。编码可例如由图16中的装备1602的通信管理器1632来执行。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编码数据集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，如上所述。一个或多个附加操作可包括量化操作、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数据集的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、以及针对数据集的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可包括：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、用于压缩关联于第二设备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、以及用于压缩关联于第一设备的一个或多个特征的第二压缩操作。
如图9中进一步所示，在一些方面，过程900可包括：向第二设备传送该经压缩数据集(框920)。例如，第一设备可向第二设备传送该经压缩数据集，如上所述。经压缩数据集可作为传送给第二设备的信道状态信息反馈来传送给该第二设备。在920的传输可例如由图16中的装备1602的传输组件1634来执行。
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。
过程900可进一步包括：标识数据集的特征集，其中该一个或多个提取操作和压缩操作包括在与数据集的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、以及在与数据集的特征集中的其他特征相关联的其余维度中执行的第二类型操作，该第二类型操作不同于该第一类型操作。第一类型操作可包括一维全连通层操作，并且第二类型操作可包括卷积操作。
过程900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。
数据集可至少部分地基于对一个或多个参考信号的采样。数据集的特征集包括空间特征或抽头域特征中的一者或多者。
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。经压缩数据集可作为从第一设备传送的信道状态信息反馈来从该第一设备接收。在1010的接收可例如由图17中的装备1702的接收组件1730来执行。
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解码该经压缩数据集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)。在1020的解码可例如由图17中的装备1702的通信管理器1732来执行。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解码该经压缩数据集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，如上所述。一个或多个附加操作可包括卷积操作、全连通层操作、或残差神经网络操作中的一者或多者。
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。
使用该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。
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。经压缩数据集的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：在与经压缩数据集的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，以及在与经压缩数据集的特征集中的其他特征相关联的其余维度中执行第二类型操作，该第二类型操作不同于该与第一类型操作。
在第一方面，第一类型操作可包括一维全连通层操作，并且第二类型操作可包括卷积操作。
该一个或多个解压缩操作和重构操作可包括：针对经压缩数据集的特征集中的第一特征执行的第一操作、以及针对经压缩数据集的特征集中的第二特征执行的第二操作。
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。
如图10中进一步所述，过程1000可包括对经压缩数据集执行重塑操作。
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。
UE可训练神经网络以执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、该UE处的无线波形确定等等。当在UE处训练神经网络时，并非总是必需同时训练所有层。在一些情形中，一些层可以被冻结，而其他层可以被训练。即，神经网络的各个层可被选择性地训练以减少不必要的处理功率开销。再次参照图4A，CSI序列编码器406可捕获时间依赖性(例如，多普勒分量)，并且CSI实例编码器404可捕获信道的大部分时间不变方面(例如，反射器、散射器的数目、或波束到达UE天线的角度)。
例如，在UE在相对稳定环境中静止的情形中，则由于多普勒效应引起的信道变化可能是温和的。在该情形中，UE可能不需要训练神经网络的每一层。相应地，UE可训练捕获时间依赖性的层。
在一个方面，无线网络实体可将UE配置成冻结对处于隐藏状态的某些层的训练。例如，无线网络实体可将UE配置成执行分层训练，其中无线网络实体可将UE配置成首先针对环境训练神经网络层，并且随后针对多普勒效应训练神经网络层。此处，无线网络实体可包括基站、TRP、核心网组件、或另一UE。当无线网络实体是另一UE时，该无线网络实体和该UE可通过侧链路通信来进行通信。
在本公开的一些方面，无线网络实体可向UE发送动态地配置神经网络训练的消息。从无线网络实体发送的该消息可包括RRC信令、较高层信令、MAC-CE、DCI、侧链路控制信息(SCI)、和/或侧链路消息。
该消息可以是一组码点，每个码点映射到数个比特，每一比特关联于与CSI报告ID、神经网络ID和层ID的组合相对应的元组。例如，该消息可以是包括映射到一个(1个)神经网络标识符(ID)和多个层ID的码点的DCI，其可指令UE训练与对应于神经网络ID的神经网络的多个层ID相对应的多个层。在另一示例中，该消息可以是包括映射到多个神经网络ID和一个(1个)层ID的码点的DCI，并且可指令UE训练与对应于多个神经网络ID的多个神经网络的一个(1个)层ID相对应的层。在又一示例中，该消息可以是包括映射到CSI报告ID、神经网络ID和层ID的码点的DCI，其向UE指示与神经网络ID和层ID相对应的神经网络和层以报告对应于CSI报告ID的CSI报告。此处，所提供的示例是DCI，但本公开不必受限于此，并且相同的消息可按MAC-CE格式和/或RRC信令格式来传送。
该消息可包含一个或多个参量或参数，诸如CSI报告ID、信道状态参考信号ID、分量载波ID、BWP ID、神经网络ID、层ID选项、或一群层(包含多个层)，包括需要训练的层子集。层ID选项可包括用以指示用于训练的层ID的不同选项。对于一个示例，该消息可向UE指示要停止对神经网络的训练。对于另一示例，该消息可指示要训练的层ID并隐式地指示其余层可被冻结。对于另一示例，该消息可指示要冻结的层ID并隐式地指示其余层要被训练。对于又一示例，该消息可包括与层数目相对应的长度的比特串，每一比特指示每一层应当被冻结还是被训练。
在本公开的一个方面，该消息可包括RRC信令、MAC-CE和/或DCI的多个信令(或组合)。例如，RRC信令可定义要遵循的层ID选项，并且DCI可指示要根据层ID选项来训练的层ID。对于另一示例，RRC信令可定义对比特串的配置，并且DCI可根据对比特串的经定义配置来向UE传送该比特串。
在另一方面，多个信令可通过分层来配置。例如，RRC信令可定义对训练的总体配置，MAC-CE可创建配置子集，并且DCI可指示来自该配置子集中的一个配置。
在本公开的各方面，UE可通过非连续接收(DRX)来降低功耗，在DRX中UE在DRX ON(开启)历时期间监视通信或传送通信，以及在DRX OFF(关闭)历时期间不监视通信或传送通信。此处，DRX OFF历时可包括UE处于RRC不活跃或空闲模式的历时。
来自无线网络实体的配置神经网络训练的消息可包括批量训练命令。例如，该消息可以是唤醒信号的一部分，包括关于UE被重新激活或UE进入DRX ON历时的批量训练命令。例如，批量训练命令可指令UE训练特定神经网络的所有层、训练所有神经网络中的所有层、或训练具有指定ID列表的神经网络。在DRX ON历时开始时，UE可被指定成更新和/或训练特定或所有神经网络达一时间段。
配置神经网络训练参数的消息还可包括跨分量载波(CC)命令。即，在FR1上传送给UE的神经网络训练配置消息可指令该UE在FR2上训练网络。类似地，配置神经网络训练参数的消息可包括跨频带命令。即，在第一BWP上传送的神经网络训练配置消息可指令UE在第二BWP上训练网络。
在本公开的一些方面，该消息还可包括定时信息。即，该消息可包括期满时间和动作指示字段。动作指示字段可向UE指示在期满时间结束时要遵循的神经网络训练动作。例如，动作指示字段可指示UE要在期满时间结束时冻结对所有层的训练。对于另一示例，动作指示字段可指示UE要在将来期满时间结束时恢复训练所有层。通过提供期满时间和动作指示字段，无线网络实体可能不需要在期满时间传送神经网络训练动作的另一完整消息。
在本公开的一些方面，神经网络训练配置可以按非周期性方式、或者具有训练周期性的周期性方式或半持久方式来指定。即，神经网络训练配置可指定神经网络训练的长度以及每一神经网络训练时段应当有多频繁以及多长。例如，神经网络训练配置可将UE配置成在接下来的1小时内每1秒训练神经网络达100ms。
图11是无线通信的呼叫流图1100。呼叫流图1100可包括UE 1102和网络实体1104。网络实体1104可以是基站、TRP、核心网组件、服务器、另一UE1102、或解码设备(诸如解码设备425)。网络实体1104可将UE 1102配置成具有神经网络训练参数以供UE 1102训练为各种规程配置的神经网络。神经网络训练参数可包括CSI报告ID、信道状态参考信号标识符、信道状态参考信号ID、分量载波ID、BWP ID、神经网络ID、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、要训练的层子集、或其组合。UE1102可从网络实体1104接收对神经网络训练参数的配置，并训练为各个规程(诸如无线信道压缩、无线信道测量、无线干扰测量、UE 1102定位、或UE 1102处的无线波形确定)配置的神经网络。
在1106，网络实体1104可检测用于UE 1102的无线通信的一个或多个神经网络(NN)训练参数。即，网络实体1104可确定或检测与CSI报告、UE 1102应当训练的神经网络和/或层相对应的一个或多个神经网络训练参数。网络实体1104可指令UE 1102训练神经网络以执行以下一者或多者：UE 1102处的无线信道压缩、UE 1102处的无线信道测量、UE1102处的无线干扰测量、UE定位、UE 1102处的无线波形确定等。网络实体1104可指令UE1102训练一些神经网络和/或层并冻结其余神经网络和/或层，反之亦然。
在1108a，网络实体1104可向UE 1102传送对用于UE 1102的无线通信的一个或多个神经网络训练参数的配置。即，网络实体1104可向UE 1102传送对所确定或所检测的神经网络训练参数的配置。UE 1102可从网络实体1104接收对用于UE 1102的无线通信的一个或多个神经网络训练参数的配置。至UE1102的对所确定或所检测的神经网络训练参数的配置可通过较高层信令、RRC信令、MAC-CE、DCI、SCI和/或侧链路消息中的一者或多者来传送。
在一个示例中，在1108a，UE 1102可在较高层信令中接收多个神经网络训练参数集合，并在MAC-CE、DCI和/或其组合中接收对该多个神经网络训练参数集合之一的指示。
神经网络训练参数1108b可包括以下一者或多者：CSI报告ID、信道状态参考信号标识符、信道状态参考信号ID、分量载波ID、BWP ID、神经网络ID、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、和/或要训练的层子集。
在1110，网络实体1104可在无线消息中传送训练命令以向UE 1102指示要应用该配置以在UE 1102处训练神经网络。即，网络实体1104可在无线消息中向UE 1102传送单独的训练命令。UE 1102可在无线消息中接收训练命令，其中UE 1102可响应于接收到该训练命令而应用该配置以在UE 1102处训练神经网络。对训练命令的传输可独立于神经网络训练。例如，训练命令可在第一频率范围中接收，并且UE 1102可在第二频率范围上训练神经网络。对于另一示例，UE 1102可在第一分量载波中接收训练命令，并且UE 1102可在第二分量载波上训练神经网络。对于又一示例，UE 1102可在第一频带中接收训练命令，并且UE1102可在第二频带上训练神经网络。训练命令可以是群共用命令，并且该群共用命令可通过群共用DCI来接收。
在1112，UE 1102可基于从网络实体1104接收的配置来训练神经网络。当在无线消息中向UE 1102传送了单独的训练命令时，UE 1102可响应于接收到该训练命令而应用配置以在UE 1102处训练神经网络。对神经网络训练参数的配置和训练命令以及神经网络训练可以是通过分层来配置的。例如，UE 1102可响应于接收到训练命令而应用配置以在UE1102处训练神经网络的每一层。对于另一示例，UE 1102可响应于接收到训练命令而应用配置以在UE 1102处训练多个神经网络的每一层。对于又一示例，UE 1102可应用配置以训练在训练命令中标识的一个或多个神经网络。
在1114，UE 1102可在时间段期满时停止对神经网络的训练、冻结神经网络的层、或恢复对神经网络的训练。该配置可指示与训练神经网络相关联的时间段。该时间段可以是神经网络训练的定时器和/或周期性中的一者或多者。首先，该配置可指示供UE 1102在时间段期满时执行的动作。相应地，该动作可包括以下一者或多者：停止训练神经网络、冻结神经网络的层、或恢复对神经网络的一层或多层的训练。相应地。
该配置的时间段可指示神经网络训练的周期性。相应地，在1116，UE 1102可基于时间段来周期性地、半持久地、或非周期性地训练神经网络。例如，时间段可指示用于训练神经网络的周期性时间或半持久时间，并且UE 1102被配置成基于该时间段来周期性地训练神经网络。对于另一示例，该时间段可以是用于训练神经网络的非周期性时间，并且UE1102被配置成基于该时间段来非周期性地训练神经网络。
图12是无线通信方法的流程图1200。该方法可由UE(例如，UE 104/1102；装备1602)来执行。UE可从网络实体接收对神经网络训练参数的配置，并训练为各个规程(诸如无线信道压缩、无线信道测量、无线干扰测量、UE定位、或UE处的无线波形确定)配置的神经网络。
在1202，UE从网络实体接收对用于该UE的无线通信的一个或多个神经网络训练参数的配置。即，UE可从网络实体接收对所确定或所检测的神经网络训练参数的配置(例如，如在1108a处)。至UE的对神经网络训练参数的配置可通过RRC信令、MAC-CE和/或DCI中的一者或多者来接收。该配置可指令UE执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、该UE处的无线波形确定等等。该配置可指令UE训练一些神经网络和/或层并冻结其余神经网络和/或层，反之亦然。在一个示例中，UE可在较高层信令中接收多个神经网络训练参数集合，并在MAC-CE、DCI和/或其组合中接收对该多个神经网络训练参数集合之一的指示。例如，在1108a，UE 1102可从网络实体1104接收对用于UE 1102的无线通信的一个或多个神经网络训练参数的配置。此外，1202可由神经网络训练配置组件1640来执行。
在1204，UE在无线消息中接收训练命令，其中UE可响应于接收到该训练命令而应用配置以在该UE处训练神经网络。即，UE可在无线消息中从网络实体接收单独的训练命令(例如，如在1110处)。对训练命令的接收可独立于神经网络训练。例如，训练命令可在第一频率范围中接收，并且UE可在第二频率范围上训练神经网络。对于另一示例，UE可在第一分量载波中接收训练命令，并且UE可在第二分量载波上训练神经网络。对于又一示例，UE可在第一频带中接收训练命令，并且UE可在第二频带上训练神经网络。例如，在1110，UE 1102可在无线消息中接收训练命令，其中UE 1102可响应于接收到该训练命令而应用配置以在UE1102处训练神经网络。此外，1204可由神经网络训练配置组件1640来执行。训练命令可以是群共用命令，并且该群共用命令可通过群共用DCI来传送。
在1206，UE可基于从网络实体接收的配置来训练神经网络(例如，如在1112处)。对神经网络训练参数的配置和训练命令以及神经网络训练可通过分层来配置。例如，UE可响应于接收到训练命令而应用配置以在该UE处训练神经网络的每一层。对于另一示例，UE可响应于接收到训练命令而应用配置以在该UE处训练多个神经网络的每一层。对于又一示例，UE可应用配置以训练在训练命令中标识的一个或多个神经网络。例如，在1112，UE 1102可基于从网络实体1104接收的配置来训练神经网络。此外，1206可由神经网络训练配置组件1640来执行。
在1208，UE可在时间段期满时停止对神经网络的训练、冻结神经网络的层、或恢复对神经网络的训练(例如，如在1114处)。对神经网络训练参数的配置可指示与训练神经网络相关联的时间段。该时间段可以是神经网络训练的定时器和/或周期性中的一者或多者。该配置可指示供UE在时间段期满时执行的动作。相应地，该动作可包括以下一者或多者：停止训练神经网络、冻结神经网络的层、或恢复对神经网络的一层或多层的训练。例如，在1114，UE 1102可在时间段期满时停止对神经网络的训练、冻结神经网络的层、或恢复对神经网络的训练。此外，1208可由神经网络训练配置组件1640和定时器组件1642来执行。
在1210，UE可基于时间段来周期性地、半持久地、或非周期性地训练神经网络(例如，如在1116处)。该配置的时间段可指示神经网络训练的周期性。例如，该时间段可指示用于训练神经网络的周期性时间或半持久时间，并且UE可被配置成基于该时间段来周期性地训练神经网络。对于另一示例，该时间段可以是用于训练神经网络的非周期性时间，并且UE可被配置成基于该时间段来非周期性地训练神经网络。例如，在1116，UE 1102可基于时间段来周期性地、半持久地、或非周期性地训练神经网络。此外，1210可由神经网络训练配置组件1640和定时器组件1642来执行。
图13是无线通信方法的流程图1300。该方法可由UE(例如，UE 104/1102；装备1602)来执行。UE可从网络实体接收对神经网络训练参数的配置，并训练为各个规程(诸如无线信道压缩、无线信道测量、无线干扰测量、UE定位、或UE处的无线波形确定)配置的神经网络。
在1302，UE从网络实体接收对用于该UE的无线通信的一个或多个神经网络训练参数的配置。即，UE可从网络实体接收对所确定或所检测神经网络训练参数的配置(例如，如在1108a处)。至UE的对神经网络训练参数的配置可通过RRC信令、MAC-CE和/或DCI中的一者或多者来接收。该配置可指令UE执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、该UE处的无线波形确定等等。该配置可指令UE训练一些神经网络和/或层并冻结其余神经网络和/或层，反之亦然。在一个示例中，UE可在较高层信令中接收多个神经网络训练参数集合，并在MAC-CE、DCI和/或其组合中接收对该多个神经网络训练参数集合之一的指示。例如，在1108a，UE 1102可从网络实体1104接收对用于UE 1102的无线通信的一个或多个神经网络训练参数的配置。此外，1302可由神经网络训练配置组件1640来执行。
在1306，UE可基于从网络实体接收的配置来训练神经网络(例如，如在1112处)。对神经网络训练参数的配置和训练命令以及神经网络训练可通过分层来配置。例如，UE可响应于接收到训练命令而应用配置以在该UE处训练神经网络的每一层。对于另一示例，UE可响应于接收到训练命令而应用配置以在该UE处训练多个神经网络的每一层。对于又一示例，UE可应用配置以训练在训练命令中标识的一个或多个神经网络。例如，在1112，UE 1102可基于从网络实体1104接收的配置来训练神经网络。此外，1306可由神经网络训练配置组件1640来执行。
图14是无线通信方法的流程图1400。该方法可由网络实体来执行，该网络实体可包括UE(例如，UE 104/1102；装备1602)或基站(例如，基站102/180/1104；装备1702)。网络实体1104可将UE 1102配置成具有神经网络训练参数以供UE 1102训练为各个规程配置的神经网络。神经网络训练参数可包括CSI报告ID、信道状态参考信号标识符、信道状态参考信号ID、分量载波ID、BWP ID、神经网络ID、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、要训练的层子集、或其组合。
在1402，网络实体可检测用于UE的无线通信的一个或多个神经网络训练参数。即，网络实体可确定或检测与CSI报告、UE应当训练的神经网络和/或层相对应的一个或多个神经网络训练参数(例如，如在1106处)。网络实体可指令UE训练神经网络以执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、该UE处的无线波形确定等等。网络实体可指令UE训练一些神经网络和/或层并冻结其余神经网络和/或层，反之亦然。例如，在1106，网络实体1104可检测用于UE 1102的无线通信的一个或多个神经网络训练参数。此外，1402可由神经网络训练配置组件1740来执行。
在1404，网络实体可向UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置。即，网络实体可向UE传送对所确定或所检测的神经网络训练参数的配置(例如，如在1108a处)。至UE的对所确定或所检测的神经网络训练参数的配置可通过RRC信令、MAC-CE和/或DCI中的一者或多者来传送。网络实体可指令UE训练神经网络以执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、该UE处的无线波形确定等等。网络实体可指令UE训练一些神经网络和/或层并冻结其余神经网络和/或层，反之亦然。例如，在1108a，网络实体1104可向UE 1102传送对用于UE 1102的无线通信的该一个或多个神经网络训练参数的配置。此外，1404可由神经网络训练配置组件1740来执行。
神经网络训练参数可包括以下一者或多者：CSI报告ID、信道状态参考信号标识符、信道状态参考信号ID、分量载波ID、BWP ID、神经网络ID、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、和/或要训练的层子集。在一个示例中，网络实体可在较高层信令中传送多个神经网络训练参数集合，并在MAC-CE、DCI和/或其组合中接收对该多个神经网络训练参数集合之一的指示。
在1406，网络实体可在无线消息中传送训练命令以向UE指示要应用配置以在该UE处训练神经网络。即，网络实体可在无线消息中向UE传送单独的训练命令(例如，如在1110处)。对训练命令的传输可独立于神经网络训练。例如，训练命令可在第一频率范围中传送，并且UE可在第二频率范围上训练神经网络。对于另一示例，网络实体可在第一分量载波中传送训练命令，并且UE可在第二分量载波上训练神经网络。对于又一示例，网络实体可在第一频带中传送训练命令，并且UE可在第二频带上训练神经网络。例如，在1110，网络实体1104可在无线消息中传送训练命令以向UE 1102指示要应用配置以在UE 1102处训练神经网络。此外，1406可由神经网络训练配置组件1740来执行。
图15是无线通信方法的流程图1500。该方法可由网络实体来执行，该网络实体可包括UE(例如，UE 104/1102；装备1602)或基站(例如，基站102/180/1104；装备1702)。网络实体1104可将UE 1102配置成具有神经网络训练参数以供UE 1102训练为各个规程配置的神经网络。神经网络训练参数可包括CSI报告ID、信道状态参考信号标识符、信道状态参考信号ID、分量载波ID、BWP ID、神经网络ID、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、要训练的层子集、或其组合。
在1502，网络实体可检测用于UE的无线通信的一个或多个神经网络训练参数。即，网络实体可确定或检测与CSI报告、UE应当训练的神经网络和/或层相对应的一个或多个神经网络训练参数(例如，如在1106处)。网络实体可指令UE训练神经网络以执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、该UE处的无线波形确定等等。网络实体可指令UE训练一些神经网络和/或层并冻结其余神经网络和/或层，反之亦然。例如，在1106，网络实体1104可检测用于UE 1102的无线通信的一个或多个神经网络训练参数。此外，1502可由神经网络训练配置组件1740来执行。
在1504，网络实体可向UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置。即，网络实体可向UE传送对所确定或所检测的神经网络训练参数的配置(例如，如在1108a处)。至UE的对所确定或所检测的神经网络训练参数的配置可通过RRC信令、MAC-CE和/或DCI中的一者或多者来传送。网络实体可指令UE训练神经网络以执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、该UE处的无线波形确定等等。网络实体可指令UE训练一些神经网络和/或层并冻结其余神经网络和/或层，反之亦然。例如，在1108a，网络实体1104可向UE 1102传送对用于UE 1102的无线通信的该一个或多个神经网络训练参数的配置。此外，1504可由神经网络训练配置组件1740来执行。
神经网络训练参数可包括以下一者或多者：CSI报告ID、信道状态参考信号标识符、信道状态参考信号ID、分量载波ID、BWP ID、神经网络ID、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、和/或要训练的层子集。在一个示例中，网络实体可在较高层信令中传送多个神经网络训练参数集合，并在MAC-CE、DCI和/或其组合中接收对该多个神经网络训练参数集合之一的指示。
图16是解说装备1602的硬件实现的示例的示图1600。装备1602可以是UE、UE的组件，或者可实现UE功能性。在一些方面，装备1602可以包括耦合到蜂窝RF收发机1622的蜂窝基带处理器1604(也称为调制解调器)。在一些方面，装备1602可进一步包括一个或多个订户身份模块(SIM)卡1620、耦合到安全数字(SD)卡1608和屏幕1610的应用处理器1606、蓝牙模块1612、无线局域网(WLAN)模块1614、全球定位系统(GPS)模块1616或电源1618。蜂窝基带处理器1604通过蜂窝RF收发机1622与UE 104和/或基站102或180通信。蜂窝基带处理器1604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1604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1604执行时使蜂窝基带处理器1604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1604在执行软件时操纵的数据。蜂窝基带处理器1604进一步包括接收组件1630、通信管理器1632和传输组件1634。通信管理器1632包括一个或多个所解说的组件。通信管理器1632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1604内的硬件。蜂窝基带处理器1604可以是UE350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，装备1602可以是调制解调器芯片并且仅包括蜂窝基带处理器1604，并且在另一配置中，装备1602可以是整个UE(例如，参见图3的350)并且包括装备1602的附加模块。
通信管理器1632包括神经网络训练配置组件1640，其被配置成：从网络实体接收对所确定或所检测的神经网络训练参数的配置；在无线消息中从网络实体接收单独的训练命令；基于从网络实体接收的配置来训练神经网络；当时间段期满时停止对神经网络的训练、冻结神经网络的层、或恢复对神经网络的训练；以及基于时间段来周期性地、半持久地、或非周期性地训练神经网络，例如，如结合1202、1204、1206、1208、1210、1302和1306所描述的。通信管理器1632进一步包括定时器组件1642，其被配置成：当时间段期满时停止对神经网络的训练、冻结神经网络的层、或恢复对神经网络的训练；以及基于时间段来周期性地、半持久地、或非周期性地训练神经网络，例如，如结合1208和1210所描述的。组件1640和1642可被配置成彼此进行通信。
该装备可包括执行图11、12和13的前述流程图中的算法的每个框的附加组件。如此，图11、12和13的前述流程图中的每个框可由一组件执行且该装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。
在一种配置中，装备1602(并且具体而言是蜂窝基带处理器1604)包括：用于从无线网络实体接收对用于UE的无线通信的一个或多个神经网络训练参数的配置的装置；以及用于基于从无线网络实体接收的配置来训练神经网络的装置。装备1602还包括：用于在无线消息中接收训练命令的装置，其中UE响应于接收到该训练命令而应用配置以在该UE处训练神经网络。前述装置可以是装备1602中被配置成执行由前述装置叙述的功能的前述组件中的一者或多者。如上文中所描述的，装备1602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，前述装置可以是被配置成执行由前述装置叙述的功能的TX处理器368、RX处理器356和控制器/处理器359。
图17是解说装备1702的硬件实现的示例的示图1700。装备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，装备1602可包括基带单元1704。基带单元1704可以通过蜂窝RF收发机1722与UE 104进行通信。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包括神经网络训练配置组件1740，其被配置成：确定或检测与CSI报告、UE应当训练的神经网络和/或层相对应的一个或多个神经网络训练参数；向UE传送对所确定或所检测的神经网络训练参数的配置；向UE传送对所确定或所检测的神经网络训练参数的配置；以及在无线消息中向UE传送单独的训练命令，例如，如结合1402、1404、1406、1502和1504所描述的。
该装备可包括执行图11、14和15的前述流程图中的算法的每个框的附加组件。如此，图11、14和15的前述流程图中的每个框可由一组件执行且该装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。
在一种配置中，装备1702(并且具体而言是基带单元1704)包括：用于确定或检测用于UE的无线通信的一个或多个神经网络训练参数的装置；以及用于向UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置的装置。装备1702还包括：用于在无线消息中传送训练命令以向UE指示要应用配置以在该UE处训练神经网络的装置。前述装置可以是装备1702中被配置成执行由前述装置叙述的功能的前述组件中的一者或多者。如上文中所描述的，装备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，前述装置可以是被配置成执行由前述装置叙述的功能的TX处理器316、RX处理器370和控制器/处理器375。
再次参照图11、12、13、14、15、16和17，网络实体可确定或检测用于UE的无线通信的一个或多个神经网络训练参数，以及向UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置。无线网络实体可以是基站、TRP、核心网组件、或另一UE。UE可从无线网络实体接收配置，并基于从无线网络实体接收的该配置来训练神经网络。UE可训练神经网络以执行以下一者或多者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、和/或该UE处的无线波形确定。
对该一个或多个神经网络训练参数的配置可在RRC信令、较高层信令、MAC-CE、DCI、SCI和/或侧链路消息中的一者或多者中接收。该配置可包括较高层信令中的多个神经网络训练参数集合、以及MAC-CE、DCI和/或其组合中对该多个神经网络训练参数集合之一的指示。
该一个或多个神经网络训练参数可包括以下一者或多者：信道状态信息报告ID、信道状态参考信号ID、分量载波ID、带宽部分(BWP)ID、神经网络ID、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、和/或要训练的层子集。
网络实体可在无线消息中向UE传送训练命令，并且UE可响应于接收到该训练命令而应用配置以在该UE处训练神经网络。例如，UE可响应于接收到训练命令而应用配置以在该UE处训练神经网络的每一层。对于另一示例，UE可响应于接收到训练命令而应用配置以在该UE处训练多个神经网络的每一层。对于又一示例，UE可应用配置以训练在训练命令中标识的一个或多个神经网络。
对训练命令的传输和神经网络训练可被独立地配置。例如，训练命令可在第一频率范围中接收，并且UE可在第二频率范围上训练神经网络。对于另一示例，UE可在第一分量载波中接收训练命令，并且UE可在第二分量载波上训练神经网络。对于又一示例，UE可在第一频带中接收训练命令，并且UE可在第二频带上训练神经网络。
该配置可指示与训练神经网络相关联的时间段。该时间段可以是神经网络训练的定时器和/或周期性中的一者或多者。在一个方面，该配置可指示供UE在时间段期满时执行的动作。该动作可包括以下一者或多者：停止训练神经网络、冻结神经网络的层、或恢复对神经网络的一层或多层的训练。在另一方面，该时间段可指示神经网络训练的周期性。例如，该时间段可指示用于训练神经网络的周期性时间或半持久时间，并且UE可被配置成基于该时间段来周期性地训练神经网络。对于另一示例，该时间段可以是用于训练神经网络的非周期性时间，并且UE可被配置成基于该时间段来非周期性地训练神经网络。
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”。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。措辞“示例性”在本文中用于表示“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为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中的至少一者”、“A、B或C中的一者或多者”、“A、B和C中的至少一者”、“A、B和C中的一者或多者”、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，并且可包括多个A、多个B或者多个C。具体而言，诸如“A、B或C中的至少一者”、“A、B或C中的一者或多者”、“A、B和C中的至少一者”、“A、B和C中的一者或多者”以及“A、B、C或其任何组合”之类的组合可以是仅A、仅B、仅C、A和B、A和C、B和C、或者A和B和C，其中任何此类组合可包含A、B或C中的一个或多个成员。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。
以下方面仅是解说性的，并且可以与本文描述的其他方面或教导进行组合而没有限制。
方面1是一种用于在UE处进行无线通信的装置，包括：至少一个处理器，该至少一个处理器耦合到存储器并且被配置成：从无线网络实体接收对用于该UE的无线通信的一个或多个神经网络训练参数的配置；以及基于从该无线网络实体接收的该配置来训练神经网络。
方面2是方面1的装置，进一步包括耦合到该至少一个处理器的收发机，其中该无线网络实体包括基站、TRP、核心网组件、服务器或另一UE。
方面3是方面1至2的装置，其中神经网络被训练成执行以下至少一者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、或该UE处的无线波形确定。
方面4是方面1至3的装置，其中对该一个或多个神经网络训练参数的配置是在较高层信令、RRC信令、MAC-CE、DCI、SCI或侧链路消息中的至少一者中接收的。
方面5是方面4的装置，其中为了接收该配置，该至少一个处理器和该存储器被配置成：在较高层信令中接收多个神经网络训练参数集合，并在MAC-CE、或DCI、或其组合中的至少一者中接收对该多个神经网络训练参数集合之一的指示。
方面6是方面1至5的装置，其中一个或多个神经网络训练参数包括以下至少一者：信道状态信息报告标识符、信道状态参考信号标识符、分量载波标识符、BWP标识符、神经网络标识符、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、要训练的层子集、或其组合。
方面7是方面1至6的装置，其中该至少一个处理器和该存储器被进一步配置成：在无线消息中接收训练命令，其中该UE响应于接收到该训练命令而应用该配置以在该UE处训练神经网络。
方面8是方面7的装置，其中该训练命令是群共用命令，并且其中，该群共用命令是通过群共用DCI接收的。
方面9是方面7的装置，其中该存储器和该至少一个处理器被进一步配置成：响应于接收到该训练命令而应用该配置以在该UE处训练神经网络的每一层。
方面10是方面7的装置，该存储器和该至少一个处理器被进一步配置成：响应于接收到该训练命令而应用该配置以在该UE处训练多个神经网络的每一层。
方面11是方面7的装置，其中该存储器和该至少一个处理器被进一步配置成：应用该配置以训练在该训练命令中标识的一个或多个神经网络。
方面12是方面7的装置，其中该存储器和该至少一个处理器被进一步配置成：在第一频率范围中接收训练命令，并且该UE在第二频率范围上训练神经网络。
方面13是方面7的装置，其中该存储器和该至少一个处理器被进一步配置成：在第一分量载波中接收该训练命令，并且该UE在第二分量载波上训练神经网络。
方面14是方面7的装置，其中该存储器和该至少一个处理器被进一步配置成：在第一频带中接收该训练命令，并且该UE在第二频带上训练神经网络。
方面15是方面1至14的装置，其中该配置指示与训练神经网络相关联的时间段。
方面16是方面15的装置，其中该配置指示供该UE在该时间段期满时执行的动作。
方面17是方面16的装置，其中该动作包括以下至少一者：停止训练神经网络、冻结神经网络的层、或恢复对神经网络的一层或多层的训练。
方面18是方面15的装置，其中该时间段是用于训练神经网络的周期性时间或半持久时间，并且应用该一个或多个神经网络训练参数包括基于该时间段来周期性地训练神经网络。
方面19是方面15的装置，其中该时间段是用于训练神经网络的非周期性时间，并且其中，该存储器和该至少一个处理器被进一步配置成：基于该时间段来周期性地或非周期性地训练神经网络。
方面20是一种用于实现方面1至19中任一者的无线通信方法。
方面21是一种用于无线通信的装备，包括用于实现方面1至19中任一者的装置。
方面22是存储计算机可执行代码的计算机可读介质，其中该代码在由处理器执行时使该处理器实现方面1至19中任一者。
方面23是一种用于无线通信的装置，包括：至少一个处理器，该至少一个处理器耦合到存储器并且被配置成：检测用于UE的无线通信的一个或多个神经网络训练参数；以及向该UE传送对用于该UE的无线通信的该一个或多个神经网络训练参数的配置。
方面24是方面23的装置，其中该装置包括用于无线通信系统的网络实体或另一UE。
方面25是方面24至23的装置，其中该一个或多个参数用于训练神经网络以执行以下至少一者：该UE处的无线信道压缩、该UE处的无线信道测量、该UE处的无线干扰测量、UE定位、或该UE处的无线波形确定。
方面26是方面24至25的装置，其中该配置是在较高层信令、RRC信令、MAC-CE、DCI、SCI或侧链路消息中的至少一者中传送的。
方面27是方面26的装置，其中为了检测该一个或多个神经网络训练参数，该至少一个处理器和该存储器被配置成：在较高层信令中传送多个神经网络训练参数集合，并在MAC-CE、DCI、或其组合中的至少一者中传送对该多个神经网络训练参数集合之一的指示。
方面28是方面23至27的装置，其中该一个或多个神经网络训练参数包括以下至少一者：信道状态信息报告标识符、信道状态参考信号标识符、分量载波标识符、BWP标识符、神经网络标识符、对要训练的至少一层的第一指示、对要冻结的至少一层的第二指示、包含要训练的多个层的群、要训练的层子集、或其组合。
方面29是方面23至28的装置，其中该至少一个处理器和该存储器被进一步配置成：在无线消息中传送训练命令以向该UE指示要应用该配置以在该UE处训练神经网络。
方面30是方面29的装置，其中该训练命令是群共用命令，并且该群共用命令是通过群共用DCI传送的。
方面31是方面29的装置，其中该训练命令向该UE指示要应用该配置以在该UE处训练神经网络的每一层。
方面32是方面29的装置，其中该训练命令向该UE指示要应用该配置以在该UE处训练多个神经网络的每一层。
方面33是方面29的装置，其中该训练命令向该UE指示要应用该配置以训练在该训练命令中标识的一个或多个神经网络。
方面34是方面29的装置，其中该训练命令是在第一频率范围中传送的以供该UE在第二频率范围上训练神经网络。
方面35是方面29的装置，其中该训练命令是在第一分量载波中传送的以供该UE在第二分量载波上训练神经网络。
方面36是方面29的装置，其中该训练命令是在第一频带中传送的以供该UE在第二频带上训练神经网络。
方面37是方面23至36的装置，其中该配置指示与训练神经网络相关联的时间段。
方面38是方面37的装置，其中该配置指示供该UE在该时间段期满时执行的动作。
方面39是方面38的装置，其中该动作包括以下至少一者：停止训练神经网络、冻结神经网络的层、或恢复对神经网络的一层或多层的训练。
方面40是方面37的装置，其中该时间段是供该UE训练神经网络的周期性时间或半持久时间。
方面41是方面37的装置，其中该时间段是供该UE训练神经网络的非周期性时间。
方面42是一种用于实现方面23至41中任一者的无线通信方法。
方面43是一种用于无线通信的装备，包括用于实现方面23至41中任一者的装置。
方面44是存储计算机可执行代码的计算机可读介质，其中该代码在由处理器执行时使该处理器实现方面23至41中任一者。

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
耦合到所述存储器的至少一个处理器，所述至少一个处理器和所述存储器被配置成：
从无线网络实体接收对用于所述UE的无线通信的一个或多个神经网络训练参数的配置；以及
基于从所述无线网络实体接收的所述配置来训练神经网络。
2.如权利要求1所述的装置，进一步包括耦合到所述至少一个处理器的收发机，
其中所述无线网络实体包括基站、传送接收点(TRP)、核心网组件、服务器或另一UE。
3.如权利要求1所述的装置，其中，所述神经网络被训练成执行以下至少一者：
所述UE处的无线信道压缩，
所述UE处的无线信道测量，
所述UE处的无线干扰测量，
UE定位，或者
所述UE处的无线波形确定。
4.如权利要求1所述的装置，其中，对所述一个或多个神经网络训练参数的所述配置是在以下至少一者中接收的：
较高层信令，
无线电资源控制(RRC)信令，
媒体接入控制(MAC)控制元素(CE)(MAC-CE)，
下行链路控制信息(DCI)，
侧链路控制信息(SCI)，或者
侧链路消息。
5.如权利要求4所述的装置，其中，为了接收所述配置，所述至少一个处理器和所述存储器被配置成：
在所述较高层信令中接收多个神经网络训练参数集合；以及
在所述MAC-CE、所述DCI或其组合中的至少一者中接收对所述多个神经网络训练参数集合之一的指示。
6.如权利要求1所述的装置，其中，所述一个或多个神经网络训练参数包括以下至少一者：
信道状态信息报告标识符，
信道状态参考信号标识符，
分量载波标识符，
带宽部分(BWP)标识符，
神经网络标识符，
对要训练的至少一层的第一指示，
对要冻结的至少一层的第二指示，
包含要训练的多个层的群，
要训练的层子集，或者
其组合。
7.如权利要求1所述的装置，其中，所述至少一个处理器和所述存储器被进一步配置成：
在无线消息中接收训练命令，其中所述UE响应于接收到所述训练命令而应用所述配置以在所述UE处训练所述神经网络。
8.如权利要求7所述的装置，其中，所述训练命令是群共用命令，并且所述群共用命令是通过群共用下行链路控制信息(DCI)接收的。
9.如权利要求7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：
响应于接收到所述训练命令而应用所述配置以在所述UE处训练多个神经网络的每一层。
10.如权利要求7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：
应用所述配置以训练在所述训练命令中标识的一个或多个神经网络。
11.如权利要求7所述的装置，其中，所述存储器和所述至少一个处理器被配置成：在第一频率范围或第一频带中接收训练命令，并在第二频率范围或第二频带上训练所述神经网络。
12.如权利要求7所述的装置，其中，所述存储器和所述至少一个处理器被配置成：在第一分量载波中接收所述训练命令，并在第二分量载波上训练所述神经网络。
13.如权利要求1所述的装置，其中，所述配置指示与训练所述神经网络相关联的时间段。
14.如权利要求13所述的装置，其中，所述配置指示供所述UE在所述时间段期满时执行的动作。
15.如权利要求14所述的装置，其中，所述动作包括以下至少一者：
停止训练所述神经网络，
冻结所述神经网络的层，或者
恢复对所述神经网络的一层或多层的训练。
16.如权利要求13所述的装置，其中，所述时间段是用于训练所述神经网络的周期性时间、半持久时间、或非周期性时间，并且其中，所述存储器和所述至少一个处理器被进一步配置成：基于所述时间段来周期性地或非周期性地训练所述神经网络。
17.一种在用户装备(UE)处进行无线通信的方法，包括：
从无线网络实体接收对用于所述UE的无线通信的一个或多个神经网络训练参数的配置；以及
基于从所述无线网络实体接收的所述配置来训练神经网络。
18.如权利要求17所述的方法，其中，接收所述配置包括：
在较高层信令中接收多个神经网络训练参数集合；以及
在MAC-CE、DCI或其组合中的至少一者中接收对所述多个神经网络训练参数集合之一的指示。
19.如权利要求17所述的方法，进一步包括：
在无线消息中接收训练命令，其中所述UE响应于接收到所述训练命令而应用所述配置以在所述UE处训练所述神经网络。
20.一种用于无线通信的装置，包括：
存储器；以及
耦合到所述存储器的至少一个处理器，所述至少一个处理器和所述存储器被配置成：
检测用于用户装备(UE)的无线通信的一个或多个神经网络训练参数；以及
向所述UE传送对用于所述UE的无线通信的所述一个或多个神经网络训练参数的配置。
21.如权利要求20所述的装置，其中，所述装置包括用于无线通信系统的网络实体或另一UE。
22.如权利要求21所述的装置，其中，为了检测所述一个或多个神经网络训练参数，所述至少一个处理器和所述存储器被配置成：
在较高层信令中传送用于神经网络训练的多个参数集合；以及
在MAC-CE、DCI或其组合中的至少一者中传送对所述多个参数集合之一的指示。
23.如权利要求20所述的装置，其中，所述至少一个处理器和所述存储器被进一步配置成：
在无线消息中传送训练命令以向所述UE指示要应用所述配置以在所述UE处训练所述神经网络。
24.如权利要求23所述的装置，其中，所述训练命令是在第一频率范围或第一频带中传送的以供所述UE在第二频率范围或第二频带上训练所述神经网络。
25.如权利要求23所述的装置，其中，所述训练命令是在第一分量载波中传送的以供所述UE在第二分量载波上训练所述神经网络。
26.如权利要求20所述的装置，其中，所述配置指示与训练所述神经网络相关联的时间段。
27.如权利要求26所述的装置，其中，所述时间段是供所述UE训练所述神经网络的周期性时间、半持久时间、或非周期性时间。
28.一种在基站处进行无线通信的方法，包括：
检测用于用户装备(UE)的无线通信的一个或多个神经网络训练参数；以及
向所述UE传送对用于所述UE的无线通信的所述一个或多个神经网络训练参数的配置。
29.如权利要求28所述的方法，其中，检测所述一个或多个神经网络训练参数包括：
在较高层信令中传送用于神经网络训练的多个参数集合；以及
在MAC-CE、DCI或其组合中的至少一者中传送对所述多个参数集合之一的指示。
30.如权利要求28所述的方法，进一步包括：
在无线消息中传送训练命令以向所述UE指示要应用所述配置以在所述UE处训练所述神经网络。
CN202180055534.2A 2020-08-18 2021-08-13 针对信道状态信息的配置考虑 Pending CN116097707A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GR20200100494 2020-08-18
GR20200100494 2020-08-18
PCT/US2021/045998 WO2022040048A1 (en) 2020-08-18 2021-08-13 Configuration considerations for channel state information

Publications (1)

Publication Number Publication Date
CN116097707A true CN116097707A (zh) 2023-05-09

Family

ID=77897711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180055534.2A Pending CN116097707A (zh) 2020-08-18 2021-08-13 针对信道状态信息的配置考虑

Country Status (5)

Country Link
US (1) US20230359886A1 (zh)
EP (1) EP4201035A1 (zh)
KR (1) KR20230051491A (zh)
CN (1) CN116097707A (zh)
WO (1) WO2022040048A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230021835A1 (en) * 2021-07-26 2023-01-26 Qualcomm Incorporated Signaling for additional training of neural networks for multiple channel conditions

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3418821B1 (en) * 2017-06-19 2021-09-08 Nokia Technologies Oy Method and device for configuring a data transmission system
US11490313B2 (en) * 2018-03-08 2022-11-01 Telefonaktiebolaget Lm Ericsson (Publ) Managing communication in a wireless communications network

Also Published As

Publication number Publication date
KR20230051491A (ko) 2023-04-18
EP4201035A1 (en) 2023-06-28
WO2022040048A1 (en) 2022-02-24
US20230359886A1 (en) 2023-11-09

Similar Documents

Publication Publication Date Title
US11476911B2 (en) System and method for determining channel state information
US20230328559A1 (en) Reporting configurations for neural network-based processing at a ue
US20230319617A1 (en) Processing timeline considerations for channel state information
CN112204896A (zh) 经由多个经波束成形信道的经聚集时隙的传输
EP4256837A1 (en) Model discovery and selection for cooperative machine learning in cellular networks
CN111434050A (zh) 重复配置的接收方反馈
WO2022235363A1 (en) Ue capability for ai/ml
CN117063537A (zh) 寻呼提前指示
CN117616836A (zh) 通过寻呼pdcch和pei的rs可用性指示
CN115088313A (zh) 最大允许暴露事件中的功率再平衡
TW202126088A (zh) 針對配置的路徑損耗參考信號和啟用的路徑損耗參考信號的ue能力報告
US20230359886A1 (en) Configuration considerations for channel state information
US20230231640A1 (en) Gradient dropping for federated learning
WO2023027865A1 (en) Ue indication of null tone placement for demodulation
CN118077257A (zh) 网络功率模式图案和切换配置
CN114303344A (zh) 网络编码设计
CN115398949A (zh) 用于加快针对基于svd的预编码的csi反馈的新csi报告设置
US11722189B2 (en) Fronthaul compression for sparse access and dense access
WO2022222057A1 (en) Out of distribution samples reporting for neural network optimization
US20240049023A1 (en) Channel state feedback with dictionary learning
WO2023070361A1 (en) Ris configuration computation using reinforcement learning
US20220385398A1 (en) Erasure style ldpc rate matching for tb over multiple slots
WO2023015509A1 (en) Considerations on csi-rs configurations for interference in proximity to a reconfigurable intelligent surface
US20230199547A1 (en) Target bler change request
CN117529901A (zh) 针对优化的papr性能的信道感知音调预留百分比报告

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