CN116155330A

CN116155330A - 信道状态信息处理方法及装置

Info

Publication number: CN116155330A
Application number: CN202111370355.6A
Authority: CN
Inventors: 李梦圆; 李榕; 王坚
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2021-11-18
Filing date: 2021-11-18
Publication date: 2023-05-23
Also published as: WO2023088138A1

Abstract

本申请提供一种信道状态信息处理方法及装置，涉及通信领域。该信道状态信息处理方法包括：首先，第一通信装置确定第一信道状态信息对应的第一图模型，第一信道状态信息为第二通信装置到第一通信装置的信道状态信息；然后，第一通信装置利用第一神经网络处理第一图模型，得到第一信息，所述第一信息用于第二通信装置恢复第一信道状态信息；最后，第一通信装置向第二通信装置发送第一信息。这样，能够保证信道状态信息反馈的有效性，提升通信性能。

Description

信道状态信息处理方法及装置

技术领域

本申请涉及通信领域，尤其涉及一种信道状态信息处理方法及装置。

背景技术

在通信系统中，终端设备需要周期性或非周期性地向网络设备上报信道状态信息(channel state information，CSI)。其中，CSI中可以包括至少一个CSI报告，该CSI报告用于指示下行信道的信道状态信息。例如，终端设备可以通过测量网络设备发送的下行参考信号，以获取并上报上述至少一个CSI报告。网络设备可以根据终端设备上报的CSI报告，为终端设备分配相应的下行传输资源。

目前的终端设备通常不会向网络设备上报实际的CSI，而是通过CSI报告中传输的预编码矩阵指示(precoding matrix indicator，PMI)来指示预编码矩阵，以实现网络设备侧的预编码和下行数据传输。但是，PMI指示的预编码矩阵并非实际的CSI对应的预编码矩阵，因此会导致通信性能损失。

发明内容

本申请实施例提供一种信道状态信息处理方法及装置，能够保证CSI反馈的有效性，提升通信性能。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供一种信道状态信息处理方法，所述方法可以应用于第一通信装置，第一通信装置例如是终端设备或网络设备。所述方法包括：首先，第一通信装置确定第一信道状态信息对应的第一图模型，第一信道状态信息为第二通信装置到第一通信装置的信道状态信息；然后，第一通信装置利用第一神经网络处理第一图模型，得到第一信息，所述第一信息用于第二通信装置恢复第一信道状态信息；最后，第一通信装置向第二通信装置发送第一信息。

基于第一方面所述的方法可知，第一通信装置在利用第一神经网络处理第一图模型的过程中，可以保留第一图模型中重要的特征信息，省略第一图模型中不重要的特征信息，利用第一神经网络将第一信道状态信息进行压缩，减少CSI反馈开销的同时，保证CSI反馈的有效性，使得第二通信装置恢复的信道状态信息更接近原始信道，从而提升通信性能。

一种可能的实现中，第一通信装置确定第一信道状态信息对应的第一图模型，包括：第一通信装置根据收发天线配置信息确定第一信道状态信息对应的第一图模型。其中，收发天线配置信息包括第一通信装置的接收天线配置信息和第二通信装置的发射天线配置信息。

一种可能的实现中，第一信息包括辅助信息，辅助信息用于确定第二图模型，第二图模型用于恢复第一信道状态信息。换言之，辅助信息可以帮助第二通信装置恢复第一信道状态信息，提升第二通信装置所恢复的第一信道状态信息的准确性。

可选地，辅助信息包括第一图模型的部分节点的索引信息。可以理解，第一通信装置利用第一神经网络处理第一图模型的过程中，会省略第一图模型中不重要的特征信息，比如省略第一图模型中的部分节点的特征信息。第一通信装置可以利用辅助信息指示第一图模型中被丢弃的节点，或者利用辅助信息指示第一图模型中被保留的节点，如此可以提升第二通信装置恢复第一信道状态信息的准确性。

进一步地，辅助信息还可以包括部分节点的特征的均值。如此，可以进一步帮助第二通信装置恢复第一信道状态信息，提升第二通信装置所恢复的第一信道状态信息的准确性。

可选地，第一信息包括第二信道状态信息和辅助信息，第二信道状态信息包括处理后的第一信道状态信息。

进一步地，第一神经网络可以包括第一图池化层和压缩层。其中，第一图池化层用于根据第一图模型确定第三图模型和辅助信息，压缩层用于根据第三图模型确定第二信道状态信息。可以理解，第一图池化层的输入可以是不同结构的图模型，也即是说，对于天线配置不同的第一通信装置、第二通信装置(以下统称为收发CSI的两端)，第一通信装置均可以确定第一信道状态信息对应的第一图模型，并将该第一图模型输入同样的第一神经网络中。换言之，第一神经网络的设计与训练不依赖于收发CSI的两端的天线配置。这样，在收发CSI的两端的天线配置发生变化时，可以避免重新设计、训练神经网络，适用于动态的多输入多输出(multiple input multiple output，MIMO)系统或天线配置不同的多个MIMO系统。

其中，第一图池化层可以为采用自注意力机制的图池化层。由于自注意机制的图池化层需要训练的参数较少，并能够充分提取第一图模型的节点的特征信息和图的拓扑结构信息，从而可以提升神经网络的训练效率和处理能力。

进一步地，第一神经网络可以包括第一图卷积层、第一图池化层和压缩层。其中，第一图卷积层用于根据第一图模型确定卷积后的第一图模型，第一图池化层用于根据卷积后的第一图模型确定第三图模型和辅助信息，压缩层用于根据第三图模型确定第二信道状态信息。换言之，第一神经网络的设计与训练不依赖于收发CSI的两端的天线配置。这样，在收发CSI的两端的天线配置发生变化时，可以避免重新设计、训练神经网络，适用于动态的MIMO系统或天线配置不同的多个MIMO系统。

进一步地，压缩层可以为全连接层。

一种可能的实现中，第一信道状态信息包括第二通信装置的发射天线与第一通信装置的接收天线之间的时延-角度域信道状态信息。其中，时延-角度域信道状态信息包括R个接收角度和T个发射角度之间的信道状态信息，R和T均为正整数，且R和T中至少一项大于1。第一图模型包括多个节点，节点的特征包括第i个发射角度与第j个接收角度之间的信道状态信息，1≤i≤T，1≤j≤R。第一图模型还包括至少一条边。其中，每条边与两个节点连接，每条边表示与边相连的两个节点对应两个相邻的接收角度或对应两个相邻的发射角度。

可选地，每个节点的特征包括的信道状态信息在时域上包括C个元素，C小于或等于子载波数。其中，由于信道状态信息在时域上存在稀疏性，因此适当减少每个节点的特征包括的信道状态信息在时域上包括的元素数量，不会影响CSI的准确性。换言之，当C小于子载波数时，可以在不影响第二通信装置准确恢复第一信道状态信息的基础上，减少通信装置的数据处理量，提升通信装置的处理速率。

一种可能的实现中，第一通信装置的接收天线配置信息包括如下一项或多项：第一通信装置的接收天线数量、接收天线阵面的类型、接收天线单元的排列方式。第二通信装置的发射天线配置信息包括如下一项或多项：第二通信装置的发射天线数量、发射天线阵面的类型、发射天线单元的排列方式。

一种可能的实现中，第一通信装置确定第一信道状态信息，包括：第一通信装置根据第二通信装置的发射天线和第一通信装置的接收天线之间的空间-频率域信道状态信息，确定第一信道状态信息。其中，第一信道状态信息为时延-角度域信道状态信息。

一种可能的实现中，第一神经网络是依据训练数据集确定的，训练数据集包括针对第一神经网络的多个第四信道状态信息，第四信道状态信息为第二通信装置到第一通信装置的信道状态信息。

第二方面，本申请提供一种信道状态信息处理方法，所述方法可以应用于第二通信装置，第二通信装置例如是网络设备或终端设备。所述方法包括：首先，第二通信装置接收第一通信装置发送的第一信息，第一信息用于第二通信装置恢复第一信道状态信息，第一信道状态信息为第二通信装置到所述第一通信装置的信道状态信息。然后，第二通信装置利用第二神经网络处理第一信息，得到第二图模型。最后，第二通信装置根据第二图模型确定第三信道状态信息，第三信道状态信息为恢复的第一信道状态信息。

一种可能的实现中，第二通信装置根据第二图模型确定第三信道状态信息，包括：第二通信装置根据第二图模型和收发天线配置信息确定第三信道状态。其中，收发天线配置信息包括第一通信装置的接收天线配置信息和第二通信装置的发射天线配置信息。

一种可能的实现中，第一信息包括辅助信息，辅助信息用于确定第二图模型。

可选地，辅助信息包括第一图模型的部分节点的索引信息，第一图模型为与第一信道状态信息对应的图模型。

进一步地，辅助信息还可以包括部分节点的特征的均值。

进一步地，第二神经网络可以包括解压层和第二图卷积层。其中，解压层用于根据第二信道状态信息确定第四图模型，第二图卷积层用于根据辅助信息和第四图模型确定的第二图模型。

进一步地，第二图卷积层可以包括多个图卷积层，多个图卷积层之间包括直连通道。这样，可以提高神经网络的训练效率和稳定性。

进一步地，解压层可以为全连接层。

一种可能的实现中，第一信道状态信息包括第二通信装置的发射天线与第一通信装置的接收天线之间的时延-角度域信道状态信息。其中，时延-角度域信道状态信息包括R个接收角度和T个发射角度之间的信道状态信息，R和T均为正整数，且R和T中至少一项大于1。第二图模型包括多个节点，节点的特征包括第i个发射角度与第j个接收角度之间的信道状态信息，1≤i≤T，1≤j≤R。第二图模型还包括至少一条边。其中，每条边与两个节点连接，每条边表示与边相连的两个节点对应两个相邻的接收角度或对应两个相邻的发射角度。

可选地，每个节点的特征包括的信道状态信息在时域上包括C个元素，C小于或等于子载波数。

一种可能的实现中，第二神经网络是依据训练数据集确定的，训练数据集包括针对第二神经网络的多个第四信道状态信息，第四信道状态信息为第二通信装置到第一通信装置的信道状态信息。

此外，第二方面所述的方法的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。

第三方面，提供一种第一通信装置。该第一通信装置包括处理模块和收发模块。其中，处理模块，用于确定第一信道状态信息对应的第一图模型，第一信道状态信息为第二通信装置到第一通信装置的信道状态信息。处理模块，还用于利用第一神经网络处理第一图模型，得到第一信息，所述第一信息用于第二通信装置恢复第一信道状态信息。收发模块，用于向第二通信装置发送第一信息。

一种可能的实现中，处理模块，还用于根据收发天线配置信息确定第一信道状态信息对应的第一图模型。其中，收发天线配置信息包括第一通信装置的接收天线配置信息和第二通信装置的发射天线配置信息。

一种可能的实现中，第一信息包括辅助信息，辅助信息用于确定第二图模型，第二图模型用于恢复第一信道状态信息。

可选地，辅助信息包括第一图模型的部分节点的索引信息。

进一步地，辅助信息还可以包括部分节点的特征的均值。

进一步地，第一神经网络可以包括第一图池化层和压缩层。其中，第一图池化层用于根据第一图模型确定第三图模型和辅助信息，压缩层用于根据第三图模型确定第二信道状态信息。

其中，第一图池化层可以为采用自注意力机制的图池化层。

进一步地，第一神经网络可以包括第一图卷积层、第一图池化层和压缩层。其中，第一图卷积层用于根据第一图模型确定卷积后的第一图模型，第一图池化层用于根据卷积后的第一图模型确定第三图模型和辅助信息，压缩层用于根据第三图模型确定第二信道状态信息。

进一步地，压缩层可以为全连接层。

一种可能的实现中，处理模块，还用于根据第二通信装置的发射天线和第一通信装置的接收天线之间的空间-频率域信道状态信息，确定第一信道状态信息。其中，第一信道状态信息为时延-角度域信道状态信息。

可选地，收发模块可以包括接收模块和发送模块。其中，接收模块用于实现第三方面所述的第一通信装置的接收功能，发送模块用于实现第三方面所述的第一通信装置的发送功能。

可选地，第三方面所述的第一通信装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块执行该程序或指令时，使得该第一通信装置可以执行第一方面所述的方法。

需要说明的是，第三方面所述的第一通信装置可以是终端设备或网络设备，也可以是设置于终端设备或网络设备中的芯片(系统)或其他部件或组件，还可以是包含终端设备或网络设备的通信装置，本申请对此不做限定。

此外，第三方面所述的第一通信装置的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。

第四方面，提供一种第二通信装置。该第二通信装置包括：处理模块和收发模块。其中，收发模块，用于接收第一通信装置发送的第一信息，所述第一信息用于第二通信装置恢复第一信道状态信息，第一信道状态信息为第二通信装置到所述第一通信装置的信道状态信息。处理模块，用于利用第二神经网络处理第一信息，得到第二图模型。处理模块，还用于根据第二图模型确定第三信道状态信息，第三信道状态信息为恢复的第一信道状态信息。

一种可能的实现中，处理模块，还用于根据第二图模型和收发天线配置信息确定第三信道状态。其中，收发天线配置信息包括第一通信装置的接收天线配置信息和第二通信装置的发射天线配置信息。

进一步地，辅助信息还可以包括部分节点的特征的均值。

可选地，第一信息包括第二信道状态信息和所述辅助信息，第二信道状态信息包括处理后的第一信道状态信息。

进一步地，第二图卷积层可以包括多个图卷积层，多个图卷积层之间包括直连通道。

进一步地，解压层可以为全连接层。

可选地，收发模块可以包括接收模块和发送模块。其中，接收模块用于实现第四方面所述的第二通信装置的接收功能，发送模块用于实现第四方面所述的第二通信装置的发送功能。

可选地，第四方面所述的第二通信装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块执行该程序或指令时，使得该第二通信装置可以执行第二方面所述的方法。

需要说明的是，第四方面所述的第二通信装置可以是网络设备或终端设备，也可以是设置于网络设备或终端设备中的芯片(系统)或其他部件或组件，还可以是包含网络设备或终端设备的通信装置，本申请对此不做限定。

此外，第四方面所述的第二通信装置的技术效果可以参考第二方面所述的方法的技术效果，此处不再赘述。

第五方面，提供一种通信装置。该通信装置用于执行第一方面至第二方面中任意一种实现方式所述的信道状态信息处理方法。

在本申请中，第五方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的信道状态信息处理方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的信道状态信息处理方法。

应理解，第五方面所述的通信装置包括实现上述第一方面至第二方面中任一方面所述的信道状态信息处理方法相应的模块、单元、或手段(means)，该模块、单元、或手段可以通过硬件实现，软件实现，或者通过硬件执行相应的软件实现。该硬件或软件包括一个或多个用于执行上述信道状态信息处理方法所涉及的功能的模块或单元。

第六方面，提供一种通信装置。该通信装置包括：处理器，该处理器用于执行第一方面至第二方面中任意一种可能的实现方式所述的信道状态信息处理方法。

一种可能的实现中，第六方面所述的通信装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第六方面所述的通信装置与其他通信装置通信。

一种可能的实现中，第六方面所述的通信装置还可以包括存储器。该存储器可以与处理器集成在一起，也可以分开设置。该存储器可以用于存储第一方面至第二方面中任一方面所述的信道状态信息处理方法所涉及的计算机程序和/或数据。

在本申请中，第六方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的信道状态信息处理方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的信道状态信息处理方法。

第七方面，提供一种通信装置。该通信装置包括：处理器，该处理器与存储器耦合，该处理器用于执行存储器中存储的计算机程序，以使得该通信装置执行第一方面至第二方面中任意一种可能的实现方式所述的信道状态信息处理方法。

一种可能的实现中，第七方面所述的通信装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第七方面所述的通信装置与其他通信装置通信。

在本申请中，第七方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的信道状态信息处理方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的信道状态信息处理方法。

第八方面，提供一种通信装置。该通信装置包括：包括：处理器和接口电路。其中，接口电路，用于接收代码指令并传输至所述处理器。处理器用于运行上述代码指令以执行第一方面至第二方面中任意一种实现方式所述的信道状态信息处理方法。

一种可能的实现中，第八方面所述的通信装置还可以包括存储器。该存储器可以与处理器集成在一起，也可以分开设置。该存储器可以用于存储第一方面至第二方面中任一方面所述的信道状态信息处理方法所涉及的计算机程序和/或数据。

在本申请中，第八方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的信道状态信息处理方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的信道状态信息处理方法。

第九方面，提供一种通信装置。该通信装置包括处理器和存储介质，该存储介质存储有指令，该指令被处理器运行时，使得第一方面至第二方面中任意一种可能的实现方式所述的信道状态信息处理方法被实现。

在本申请中，第九方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的信道状态信息处理方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的信道状态信息处理方法。

第十方面，提供一种处理器。其中，处理器用于执行第一方面至第二方面中任意一种可能的实现方式所述的信道状态信息处理方法。

第十一方面，提供一种通信系统。该通信系统包括第一通信装置或第二通信装置。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的信道状态信息处理方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的信道状态信息处理方法。

第十二方面，提供一种计算机可读存储介质，该计算机可读存储介质包括计算机程序或指令，当该计算机程序或指令被处理器运行时，使得第一方面至第二方面中任意一种可能的实现方式所述的信道状态信息处理方法被实现。

第十三方面，提供一种计算机程序产品，该计算机程序产品包括指令，当该指令被处理器运行时，使得第一方面至第二方面中任意一种可能的实现方式所述的信道状态信息处理方法被实现。

第十四方面，提供一种芯片，该芯片包括处理逻辑电路和接口电路。其中，处理逻辑电路的数量可以是一个或多个，接口电路的数量可以是多个。

其中，接口电路，用于接收代码指令并传输至所述处理逻辑电路。处理逻辑电路用于运行上述代码指令以执行第一方面至第二方面中任意一种实现方式所述的信道状态信息处理方法。

可选地，该芯片可以包括存储器，该存储器可以与处理逻辑电路集成在一起，也可以分开设置。该存储器可以用于存储第一方面至第二方面中任一方面所述的信道状态信息处理方法所涉及的计算机程序和/或数据。

在本申请中，第十四方面所述的芯片可以位于第一通信装置或第二通信装置，可以位于一个通信系统中的第一通信装置或第二通信装置。其中，芯片位于第一通信装置时用于执行第一方面中任一种可能的实现方式所述的信道状态信息处理方法，芯片位于第二通信装置时用于执行第二方面中任一种可能的实现方式所述的信道状态信息处理方法。

第五方面至第十四方面中的任一种实现方式所带来的技术效果可参见第一方面至第二方面中任一方面对应实现方式所带来的技术效果，此处不再赘述。

本申请在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。

附图说明

图1为本申请实施例提供的单阵面的天线配置一种示意图；

图2为本申请实施例提供的多阵面的天线配置一种示意图；

图3为本申请实施例提供的全连接神经网络的一种示意图；

图4为本申请实施例提供的损失函数优化的一种示意图；

图5为本申请实施例提供的误差反向传播的一种示意图；

图6为本申请实施例提供的图神经网络的层级结构的一种示意图；

图7为本申请实施例提供的通信系统的一种架构示意图；

图8为本申请实施例提供的通信装置的一种结构示意图；

图9为本申请实施例提供的信道状态信息处理方法的交互示意图一；

图10为本申请实施例提供的一种第一子图模型的示意图；

图11为本申请实施例提供的一种收发天线连接示意图；

图12为本申请实施例提供的第一图模型的示意图一；

图13为本申请实施例提供的第一图模型的示意图二；

图14为本申请实施例提供的神经网络的结构示意图一；

图15为本申请实施例提供的神经网络的结构示意图二；

图16为本申请实施例提供的神经网络的结构示意图三；

图17为本申请实施例提供的神经网络的结构示意图四；

图18为本申请实施例提供的通信装置的结构示意图。

具体实施方式

为了方便理解本申请实施例中的方案，首先给出相关技术的简要介绍。

1、MIMO系统中的预编码

在通信系统中，通常使用MIMO技术增加系统容量，即在发送端和接收端同时使用多根天线进行通信。理论上，使用多根天线并结合空分复用，可以成倍的增加系统容量，提升通信速率。但是，多根天线的使用也带来了干扰增强的问题。因此，需要对信号进行一定的处理以抑制干扰带来的影响。这种通过信号处理抑制干扰的方法可以在接收端实现，也可以在发送端实现。其中，在发送端实现时，发送端可以对待发送信号进行预处理，再经过MIMO信道发送，这种方式被称为预编码。下面是对预编码的介绍。

为了识别信道矩阵(记信道矩阵为H)中有用的通道，需要把多个通道转化成类似于单输入单输出(simple input simple output，SISO)的一对一模式，也就是将多个MIMO交叉通道转换成多个平行的一对一信道。这个过程可以通过信道矩阵奇异值分解(singular value decomposition，SVD)实现。其中，SVD的公式为：H＝UΣV^T，U和V为正交矩阵，Σ为对角矩阵，Σ中对角线上的元素为奇异值，上标T表示转置操作。在此基础上，假设s为发射信号，n为噪声，r为接收信号，那么r＝H*s+n可变换为r＝UΣV^T*s+n。换言之，如果待发送数据为x，那么可使用s＝Vx处理数据。这样，接收端可以使用Σ^-1U^T进行解码，以得到无干扰的多个一对一信道。发送端使用s＝Vx处理数据的过程即为预编码操作，V为预编码矩阵。

一般情况下，需要根据完整的H进行奇异值分解，得到对应的预编码矩阵V。而在实际的通信系统中，由于实际的CSI的数据量非常大，如果终端设备向网络设备上报实际的CSI，则会导致很大的传输开销。在此情况下，标准给出了一系列V矩阵，即码本(codebook)，由收发两端协调，从中选择合适的预编码矩阵。具体来说，目前的终端设备通常不会向网络设备上报实际的CSI，而是终端设备通过反馈PMI，指示一个在标准给定的码本中可以使H容量最大的V，从而实现网络设备侧的预编码处理，这种方式相当于隐式地指示了实际的CSI。其中，PMI指示的V并非实际的CSI对应的预编码矩阵，因此会导致性能损失。

2、天线阵面的类型

在MIMO系统中的硬件设备上，天线阵面的类型可以包括单阵面(single-panel)和多阵面(multi-panel)。下面分别介绍：

单阵面：请参照图1，图1为本申请实施例提供的单阵面的天线配置一种示意图。假设N₁为天线阵面上横向的极化天线对数，N₂为天线阵面上纵向的极化天线对数，那么图1中的①所示的单阵面的天线配置为(N₁，N₂)＝(2，2)，图1中的②所示的单阵面的天线配置为(N₁，N₂)＝(4，1)。

多阵面：请参照图2，图2为本申请实施例提供的多阵面的天线配置一种示意图。假设N_g为天线阵面数量，N₁和N₂分别为单个天线阵面上横向和纵向的极化天线对数，那么图2所示的多阵面的天线配置为(N_g，N₁，N₂)＝(4，2，2)。

3、全连接神经网络

全连接神经网络又叫多层感知机(multilayer perceptron，MLP)。请参照图3，图3为本申请实施例提供的全连接神经网络的一种示意图，一个MLP可以包含一个输入层(包括图3中的x₁～x₄)，一个输出层(包括图3中的y₁～y₆)，以及多个隐藏层。每个隐藏层可以包含数个节点(图3中的黑色圆圈)，称为神经元。其中，相邻两层的神经元间之间两两相连。下面简单介绍全连接神经网络的实现原理。

以相邻两层的神经元举例，下一层的神经元的输出h为经过激活函数的所有与之相连的上一层神经元x的加权和，以矩阵表示可以参照如下公式：

h＝f(wx+b)

其中，x为神经元，w为权重矩阵，b为偏置向量，f为激活函数。在此基础上，可以得出神经网络的输出递归表达式为：

y＝f_n(w_nf_n-1(...)+b_n)

简而言之，可以将神经网络理解为一个从输入数据集合到输出数据集合的映射关系。而通常神经网络都是随机初始化的，也即w和b是随机数，用已有数据从随机的w和b得到这个映射关系的过程被称为神经网络的训练。

训练的具体方式可以包括：采用损失函数(loss function)对神经网络的输出结果进行评价，将误差反向传播，通过梯度下降的方法迭代优化w和b，直到损失函数达到最小值。其中，请参照图4，图4为本申请实施例提供的损失函数优化的一种示意图，梯度下降过程的表达式可以如下：

其中，θ为待优化参数(如w和b)，L为损失函数，η为学习率，η可以用于控制梯度下降的步长。反向传播的过程可以利用到求偏导的链式法则实现，即前一层参数的梯度可以由后一层参数的梯度递推计算得到。其中，请参照图5，图5为本申请实施例提供的误差反向传播的一种示意图，误差反向传播的公式可以表达为：

其中，L为损失函数，w_ij为节点j(也即图3中的神经元)连接节点i的权重，s_i为节点i上的输入加权和。

4、图神经网络(graph neural network，GNN)

GNN是一种专门为图数据(以下统称为图模型)提出的神经网络模型，有独立于图规模的良好特性，也即是同样的GNN可以处理不同结构和/或不同规模的图模型。如图6所示，图6为本申请实施例提供的GNN的层级结构的一种示意图，GNN将图模型作为输入，输出的是图、节点、边或者子图的p维向量表示。在GNN的每一层中可以进行图卷积操作，比如图6中的第一图卷积层，类似于传统的卷积操作，图卷积操作可以认为是对邻点信息的进行聚合操作，公式表达可以如下：

其中，k表示第k层图卷积，x_v表示节点v的特征，

表示节点v的邻点在上一层(第k-1层)的隐藏层状态信息，Agg^(k)(·,·；θ)表示第k层的聚合函数，由所有节点共用，θ是待训练的参数。这样，通过多层图卷积操作，节点能够不断地根据拓扑结构聚合邻点信息，并更新该节点的特征。

基于上述简要介绍，可以看出，目前的终端设备通常不会向网络设备上报实际的CSI，而是通过CSI报告中的PMI来指示预编码矩阵，以实现预编码矩阵的选择。PMI指示的预编码矩阵并非实际的CSI对应的预编码矩阵，因此会导致性能损失。因此，如何传输实际的CSI成为亟需解决的问题。

为了解决上述问题，本申请实施例提供一种技术方案，该技术方案包括通信系统、应用于该通信系统的信道状态信息处理方法和通信装置等。下面将结合附图，对本申请提供的技术方案进行说明。

本申请实施例的技术方案可以应用于无线通信系统，例如：无线通信系统可以为第四代(4th generation，4G)通信系统(例如，长期演进系统(long term evolution，LTE)系统)，第五代(5th generation，5G)通信系统(例如，新空口(new radio，NR)系统)，5G之后演进的移动通信系统(例如，6G通信系统)，及窄带物联网系统(narrow band-internet ofthings，NB-IoT)等。本申请实施例的技术方案还可以应用于卫星通信系统或者非陆地通信网络(non-terrestrial network，NTN)通信系统中，其中，卫星通信系统或NTN通信系统可以与无线通信系统相融合。本申请实施例的技术方案还可以应用于卫星星间链路通信系统、无线投屏系统、虚拟现实(virtual reality，VR)通信系统、接入回传一体化(integrated access and backhual，IAB)系统、无线保真(wireless fidelity，Wi-Fi)通信系统、光通信系统等，对此不作限定。

本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是，各个系统可以包括另外的设备、组件、模块等，并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外，还可以使用这些方案的组合。

另外，在本申请实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。

本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请实施例提供一种通信系统，该通信系统可以适用于第一通信装置和第二通信装置之间的通信。本申请实施例提供的通信系统中可以包括一个或多个第一通信装置、一个或多个第二通信装置，本申请实施例对于通信系统中第一通信装置和第二通信装置各自的个数不作限定。第一通信装置例如是终端设备或网络设备，第二通信装置例如是网络设备或终端设备。本申请实施例以第一通信装置为终端设备，第二通信装置为网络设备举例，说明本申请实施例提供的方案，在此统一说明，下文不再赘述。

作为一种示例，图7为本申请实施例提供的通信系统的一种架构示意图，如图7所示，该通信系统中可以包括网络设备和终端设备，网络设备和终端设备之间可以通过无线的方式连接。网络设备和终端设备之间可以交互数据和/或控制信令等。

可选地，本申请实施例中的网络设备，是一种将终端设备接入到无线网络的设备。网络设备可以为无线接入网中的节点，又可以称为基站，还可以称为无线接入网(radioaccess network，RAN)节点(或设备)，其中，基站可以是一个分布式天线系统，与某个终端设备通信的可以是基站的一个射频头端。例如，网络设备可以包括LTE系统或演进的LTE系统(LTE-Advanced，LTE-A)中的演进型基站(evolved Node B，eNB或eNodeB，)，如传统的宏基站eNB和异构网络场景下的微基站eNB；或者也可以包括5G NR系统中的下一代节点B(next generation node B，gNB)，或者还可以包括传输接收点(transmitting andreceiving point，TRP)、发射点(transmitting point，TP)、家庭基站(例如，home evolvedNodeB，或home Node B，HNB)、基带单元(base band unit，BBU)、基带池BBU pool，或Wi-Fi接入点(access point，AP)、移动交换中心以及设备到设备(device-to-device，D2D)、车到万物(vehicle-to-everything，V2X)、机器到机器(machine-to-machine，M2M)通信中承担基站功能的设备等；或者也可以是5G网络中的基站设备或者未来演进的公共陆地移动网络(public land mobile network，PLMN)中的网络设备；或者还可以是可穿戴设备或车载设备等；再或者还可以包括云接入网(cloud radio access network，CloudRAN)系统中的集中式单元(centralized unit，CU)和分布式单元(distributed unit，DU)；又或者可以包括NTN中的网络设备，即可以部署于高空平台或者卫星。在NTN中，网络设备可以作为层1(L1)中继(relay)，或者可以作为基站，或者可以作为DU，或者可以作为IAB节点，本申请实施例并不限定。当然，网络设备也可以为核心网中的节点。

其中，本申请实施例中的终端设备，可以是用于实现无线通信功能的设备，例如终端或者可用于终端中的芯片等。其中，终端可以是5G网络或者未来演进的PLMN中的用户设备(user equipment，UE)、接入终端、终端单元、终端站、移动站、移动台、远方站、远程终端、移动设备、无线通信设备、终端代理或终端装置、工业场景中的各类终端(例如机器人或装配有无线传输模块的机械臂)等。接入终端可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字处理(personal digital assistant，PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备或可穿戴设备，VR终端设备、增强现实(augmented reality，AR)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、无人机、传感器、执行器、卫星终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等。或者，终端可以是车联网(vehicle-to-everything，V2X)中的终端(例如车联网设备)、设备到设备(Device to Device)通信中的终端、或者机器到机器(machine to machine，M2M)通信中的终端等。

可选地，本申请实施例中的网络设备、终端设备可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上；还可以部署在空中的飞机、气球和人造卫星上。本申请的实施例对网络设备和终端设备的应用场景不做限定。

本申请实施例并未对本申请实施例提供的方法的执行主体的具体结构特别限定，只要能够通过运行记录有本申请实施例的提供的方法的代码的程序，以根据本申请实施例提供的方法进行通信即可，例如，本申请实施例提供的信道状态信息处理方法的执行主体可以是第一通信装置或第二通信装置，或者，是网络设备、终端设备中能够调用程序并执行程序的功能模块。

换言之，本申请实施例中的第一通信装置或第二通信装置的相关功能可以由一个设备实现，也可以由多个设备共同实现，还可以是由一个设备内的一个或多个功能模块实现，本申请实施例对此不作具体限定。可以理解的是，上述功能既可以是硬件设备中的网络元件，也可以是在专用硬件上运行的软件功能，或者是硬件与软件的结合，或者是平台(例如，云平台)上实例化的虚拟化功能。

例如，本申请实施例中的第一通信装置或第二通信装置的相关功能可以通过图8中的通信装置800来实现。图8所示为本申请实施例提供的通信装置800的一种结构示意图。该通信装置800可以包括一个或多个处理器801，通信线路802，以及至少一个通信接口(图8中仅是示例性的以包括通信接口804，以及一个处理器801为例进行说明)，可选地还可以包括存储器803。

处理器801可以是一个中央处理器(central processing unit，CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。

通信线路802可包括一通路，用于连接不同组件之间。示例性的，该通信线路802可以为总线，如地址总线、数据总线、控制总线等。

通信接口804可以是收发模块，可以用于与其他设备或通信网络通信。例如，所述收发模块可以是收发器、收发机一类的装置。可选地，所述通信接口804也可以是位于处理器801内的收发电路，用以实现处理器的信号输入和信号输出。

存储器803可以是具有存储功能的装置。例如可以是只读存储器(read-onlymemory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信线路802与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器803用于存储执行本申请方案的计算机执行指令，并由处理器801来控制执行。处理器801用于执行存储器803中存储的计算机执行指令，从而实现本申请实施例中提供的信道状态信息处理方法。

或者，本申请实施例中，也可以是处理器801执行本申请下述实施例提供的信道状态信息处理方法中的处理相关的功能，通信接口804负责与其他设备或通信网络通信，本申请实施例对此不作具体限定。

本申请实施例中的计算机可执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

在具体实现中，作为一种实施例，处理器801可以包括一个或多个CPU，例如图8中的CPU0和CPU1。

在具体实现中，作为一种实施例，通信装置800可以包括多个处理器，例如图8中的处理器801和处理器809。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在具体实现中，作为一种实施例，通信装置800还可以包括输出设备805和输入设备806。输出设备805和处理器801通信，可以以多种方式来显示信息。

以上对本申请提供的通信系统进行了介绍，下面将结合附图对本申请实施例提供的信道状态信息处理方法进行说明。

请参照图9，图9为本申请实施例提供的信道状态信息处理方法的交互示意图一，该信道状态信息处理方法可以应用于上述通信系统，可以由上述通信系统中的网络设备或终端设备执行。该信道状态信息处理方法能够保证CSI的有效性，提升通信性能。该方法可以包括S901～S905，下面依次说明。

S901，终端设备确定第一信道状态信息对应的第一图模型。

下面分别对第一信道状态信息和第一图模型进行介绍。

1、对第一信道状态信息的介绍如下：

第一信道状态信息可以包括网络设备和终端设备之间的信道状态信息。具体地，第一信道状态信息表示的是网络设备到终端设备之间的CSI。第一信道状态信息可以包括网络设备的发射天线与终端设备的接收天线之间的时延-角度域信道状态信息。该时延-角度域信道状态信息可以包括N_r个接收角度和N_t个发射角度之间的信道状态信息，N_r和N_t均为正整数，且R和T中至少一项大于1。在一些情况下，N_r可以记为R，N_t可以记为T。另外，时延-角度域信道状态信息可以通过矩阵表示，也即时延-角度域信道状态信息可以为时延-角度域的信道矩阵。

本申请实施例中，在没有特殊说明的情况下，N_r可以表示终端设备的接收天线的个数，N_t可以表示网络设备的发射天线的个数，在此统一说明，以下不再赘述。

在S901之前，终端设备可以确定第一信道状态信息。下面对“终端设备确定第一信道状态信息”的实施方式以及第一信道状态信息进行详细说明。

可选地，终端设备确定第一信道状态信息，可以包括：终端设备根据网络设备的发射天线和终端设备的接收天线之间的空间-频率域信道状态信息，确定所述第一信道状态信息。其中，空间-频率域信道状态信息可以通过矩阵表示，也即空间-频率域信道状态信息可以为空间-频率域的信道矩阵。

示例性地，终端设备可以接收网络设备发送的参考信号，并依据该参考信号进行CSI估计，得到网络设备的发射天线和终端设备的接收天线之间的空间-频率域信道矩阵(记为

)。其中，网络设备发送的参考信号可以是信道状态信息-参考信号(channel stateinformation-reference signal，CSI-RS)。然后，终端设备可以对/>

进行离散傅里叶变换(discrete fourier transform，DFT)，得到时延-角度域的信道矩阵(记为/>

)，/>

即为时延-角度域信道状态信息，也即是第一信道状态信息。

其中，假设网络设备的发射天线包括N_t个发射天线，终端设备的接收天线包括N_r个接收天线，则空间-频率域信道矩阵中包含N_t个发射天线和N_r个接收天线之间的信道状态信息，对该空间-频率域信道矩阵的空间域进行离散傅里叶变换后相应地可以得到角度域的N_t个发射角度和N_r个接收角度之间的信道状态信息。基于此，在上述确定

的过程，可以包括如下几种实施方式(方式1～方式3)。

方式1，针对每个接收角度，确定一个对应的时延-角度域信道矩阵(记为

)，i为正整数，i≤N_r。/>

包括N_r个/>

示例性地，终端设备可以根据参考信号估计N_r个接收天线中第i个接收天线与N_t个发射天线之间的信道，得到第i个接收天线与N_t个发射天线之间的空间-频率域信道矩阵(记为

)，/>

为子载波数，/>

表示复数域。然后，终端设备可以对/>

进行二维DFT，得到与第i个接收角度对应的时延-角度域的信道矩阵(也即是/>

)。可以看出，方式1得到的/>

有N_r介，每介/>

与一个接收角度对应，所有的/>

即为时延-角度域的信道矩阵(也即是/>

)。其中，在没有特殊说明的情况下，/>

可以表示子载波数，在此统一说明，以下不再赘述。

在方式1中，

可以表示一个接收角度与N_t个发射角度之间的信道状态信息，所有的/>

可以表示N_r个接收角度与N_t个发射角度之间的信道状态信息，也即是说，/>

可以包括N_r个接收角度和N_t个发射角度之间的信道状态信息。

方式2，针对每个发射角度，确定一个对应的时延-角度域信道矩阵(记为

)，j为正整数，j≤N_t。/>

包括N_t个/>

示例性地，终端设备可以根据参考信号估计N_t个发射天线中第j个发射天线与N_r个接收天线之间的信道，得到第j个发射天线与N_r个接收天线之间的空间-频率域信道矩阵(记为

)，/>

然后，终端设备可以对/>

进行二维DFT，得到与第j个发射角度对应的时延-角度域的信道矩阵(也即是/>

)。可以看出，方式2得到的/>

有N_t个，每个/>

与一个发射天线对应，所有的/>

即为时延-角度域的信道矩阵(也即是/>

)。

在方式2中，

可以表示一个发射角度与N_r个接收角度之间的信道状态信息，所有的/>

方式3，针对所有的发射角度和所有的接收角度，确定对应的时延-角度域信道矩阵(记为

)。/>

即为/>

示例性地，终端设备可以根据参考信号估计N_r个接收天线与N_t个发射天线之间的信道，得到N_r个接收天线与N_t个发射天线之间的空间-频率域信道矩阵(记为

)，/>

然后，终端设备可以对/>

进行三维DFT，得到时延-角度域的信道矩阵(也即是/>

)。

在方式3中，

2、对第一图模型的介绍如下：

第一图模型可以包括多个节点，一个节点的特征可以包括N_t个发射角度中的第j个发射角度与N_r个接收角度中的第i个接收角度之间的信道状态信息，i和j均为正整数，i≤N_r，j≤N_t。换言之，多个节点的特征可以包括N_t个发射角度与N_r个接收角度之间的信道状态信息。第一图模型还可以包括至少一条边。其中，每条边可以与两个节点连接，每条边可以表示与边相连的两个节点对应两个相邻的接收角度或对应两个相邻的发射角度。

下面对S901的实施方式以及第一图模型进行详细说明。

在一些可能的实施例中，S901，终端设备确定第一信道状态信息对应的第一图模型，可以包括：终端设备根据收发天线配置信息确定第一信道状态信息对应的第一图模型。

其中，收发天线配置信息可以包括：终端设备的接收天线配置信息和网络设备的发射天线配置信息。可选地，终端设备的接收天线配置信息可以包括如下一项或多项：终端设备的接收天线数量、接收天线阵面的类型、接收天线单元的排列方式。网络设备的发射天线配置信息可以包括如下一项或多项：网络设备的发射天线数量、发射天线阵面的类型、发射天线单元的排列方式。其中，终端设备根据上述收发天线配置信息可以确定如下一项或多项信息：网络设备的N_t个发射天线构成N_t1列、N_t2行天线阵列，终端设备的N_r个发射天线构成N_r1列、N_r2行天线阵列，N_t＝N_t1×N_t2。

在实际应用中，上述收发天线配置信息可以通过协议预定义；也可以由网络设备通过信令指示给终端设备，例如，在S902之前，网络设备还可以向终端设备发送收发天线配置信息，相应地，终端设备接收来自网络设备的收发天线配置信息。本申请实施例对终端设备获取收发天线配置信息的具体实现方式不作限定。

具体地，终端设备根据收发天线配置信息确定第一信道状态信息对应的第一图模型，可以包括如下几种实现方式(方式4～方式6)。

方式4，针对每个接收角度，确定一个对应的第一子图模型，所有的第一子图模型即为第一图模型。

具体来说，以针对N_r个接收角度中的第i个接收角度确定第i个接收角度对应的第一子图模型举例：终端设备可以采用上述方式1获取与第i个接收角度对应的

然后，终端设备根据收发天线配置信息，确定/>

对应的第一子图模型。

例如，假设终端设备根据收发天线配置信息确定网络设备的N_t个发射天线构成N₁列、N₂行的天线阵列，那么终端设备可以确定

也即是说，/>

在角度域可以包括N₁×N₂个发射角度。其中，N₁×N₂个发射角度中的第j个角度在时域维度上可以包括一个向量(记为Xj，j为正整数，j≤N_t)，Xj包括/>

个元素，也即是Xj长度为/>

Xj可以表示第j个发射角度，与第i个接收角度之间的信道状态信息，所有的Xj即可表示N_t个发射角度与第i个接收角度之间的信道状态信息。

请参照图10中的①，图10为本申请实施例提供的一种第一子图模型的示意图。终端设备可以将这N₁×N₂个角度确定为第一子图模型中的节点，也即是第一子图模型中包括N₁×N₂个节点，每个节点的特征为该节点对应的发射角度在时域维度上包括的向量(即Xj)。终端设备还可以根据

确定第一子图模型中的边。例如，终端设备可以根据/>

在角度域包括的N₁×N₂个角度对应的发射角度，确定第一子图模型中相邻的发送角度对应的两个节点之间存在一条边。换言之，每条边可以表示与边相连的两个节点对应两个相邻的发射角度。

为了便于设备计算，减少设备的数据处理量，可选地，终端设备可以根据

在角度域包括N₁×N₂个角度之间的相邻关系，确定第一子图模型中相邻节点之间存在边，不相邻节点之间不存在边。换言之，每条边可以表示与边相连的两个节点在第一子图模型中为相邻关系。由于不相邻的角度之间通常相关性较小，因此，第一子图模型中相邻的节点之间存在一条边的实现方式不仅能够减少设备的数据处理量，也能够保证信道状态信息的有效性。

可选地，终端设备可以根据

在角度域包括的N₁×N₂个角度对应的发射角度，确定第一子图模型中对应同一个接收角度的两个节点之间存在一条边。

其中，Xj为

维的复数向量，Xj也可以记为/>

表示第j个发射角度在时域维度上的所有元素，/>

也可以简单表示为H[：，j]。为了便于设备计算，减少设备的数据处理量，可选地，可以将H[：，j]的虚部和实部级联成维度/>

的向量，也即是将H[：，j]的虚部和实部分开处理。

在一些可能的实施例中，第一子图模型可以通过一个邻接矩阵和一个节点特征矩阵表示。以上述的终端设备将N₁×N₂个角度确定为第一子图模型中的节点举例，终端设备可以通过N₁×N₂行、N₁×N₂列的邻接矩阵A

表示第一子图模型中节点与节点之间的连接关系。其中，/>

A的第i行、第j列元素(记为A_i，j)为1可以表示节点i和节点j之间存在边，A_i，j＝0可以表示节点i和节点j之间不存在边。终端设备还可以通过节点特征矩阵B(B＝[X1 X2 ... Xj ... XN_t])表示N₁×N₂个节点各自的特征。/>

请参照图11，图11为本申请实施例提供的一种收发天线连接示意图，网络设备的发射天线包括T1、T2、T3(也即N_t＝3)，终端设备的接收天线包括R1、R2(也即N_r＝2)。下面结合图11进一步说明上述方式4。

基于图11，终端设备采用上述方式1可以获取

(i＝1或2)，/>

对应R1，/>

对应R2。然后，对于每个/>

终端设备可以根据收发天线配置信息(比如图11)，确定该/>

对应的第一子图模型，具体实现方式可以参照上述方式4中的相关说明。

其中，结合上述方式4中的相关说明，对于

终端设备可以确定出如图12中的①所示的第一子图模型；对于/>

终端设备可以确定出如图12中的②所示的第一子图模型。

可以看出，

对应的第一子图模型可以包括3个节点(包括节点1～节点3)和2条边(包括边1和边2)。节点1～节点3均对应接收角度1，节点1还对应发射角度1，节点2还对应发射角度2，节点3还对应发射角度3，边1连接节点l、节点2，边2连接节点2、节点3。/>

对应的第一子图模型与/>

对应的第一子图模型类似，在此不再对图12中的②进行赘述。

对于上述

对应的第一子图模型，可以通过如下邻接矩阵A和节点特征矩阵B表示：

B＝[X1 X2 X3]

方式5，针对每个发射角度，确定一个对应的第二子图模型，所有的第二子图模型即为第一图模型。

具体来说，以针对N_t个发射角度中的第j个发射角度确定第j个发射角度对应的第二子图模型举例：终端设备可以采用上述方式2获取与第j个发射角度对应的

然后，终端设备根据收发天线配置信息，确定/>

对应的第二子图模型。

例如，假设终端设备根据收发天线配置信息确定网络设备的N_r个接收天线构成N₁列、N₂行的天线阵列，那么终端设备可以确定

也即是说，/>

在角度域可以包括N₁×N₂个角度。其中，N₁×N₂个角度中的第i个角度在时域维度上可以包括一个向量(记为Ui，i为正整数，i≤N_r)，Ui包括/>

个元素，也即是Ui长度为/>

Ui可以表示第i个接收角度，与第j个发射角度之间的信道状态信息，所有的Ui即可表示N_r个接收角度与第j个发射角度之间的信道状态信息。

请再参照图10中的①，终端设备可以将这N₁×N₂个角度确定为第二子图模型中的节点，也即是第二子图模型中包括N₁×N₂个节点，每个节点的特征为该节点对应的接收角度在时域维度上包括的向量(即Ui)。终端设备还可以根据

确定第二子图模型中的边。例如，终端设备可以根据/>

在角度域包括的N₁×N₂个角度对应的接收角度，确定第二子图模型中相邻的接收角度对应的两个节点之间存在一条边。换言之，每条边可以表示与边相连的两个节点对应两个相邻的接收角度。

在角度域包括N₁×N₂个角度之间的相邻关系，确定第二子图模型中相邻节点之间存在边，不相邻节点之间不存在边。换言之，每条边可以表示与边相连的两个节点在第二子图模型中为相邻关系。由于不相邻的角度之间通常相关性较小，因此，第二子图模型中相邻的节点之间存在一条边的实现方式不仅能够减少设备的数据处理量，也能够保证信道状态信息的有效性。

可选地，终端设备可以根据

在角度域包括的N₁×N₂个角度对应的接收角度，确定第二子图模型中对应同一个发射角度的两个节点之间存在一条边。

其中，Ui为

维的复数向量，Ui也可以记为/>

表示第i个接收角度在时域维度上的所有元素，/>

也可以简单表示为H[：，i]。为了便于设备计算，减少设备的数据处理量，可选地，可以将H[：，i]的虚部和实部级联成维度/>

的向量，也即是将H[：，i]的虚部和实部分开处理。

在一些可能的实施例中，第二子图模型可以通过一个邻接矩阵和一个节点特征矩阵表示。以上述的终端设备将N₁×N₂个角度确定为第二子图模型中的节点举例，终端设备可以通过N₁×N₂行、N₁×N₂列的邻接矩阵A

表示第二子图模型中节点与节点之间的连接关系。其中，/>

A的第i行、第j列元素(记为A_i，j)为1可以表示节点i和节点j之间存在边，A_i，j＝0可以表示节点i和节点j之间不存在边。终端设备还可以通过节点特征矩阵B(B＝[U1 U2 ... Ui ... UN_r])表示N₁×N₂个节点各自的特征。

方式5的实施过程的详细说明可以参照上述方式4中结合图11、图12的相关说明，在此不再赘述。

方式6，针对所有的发射角度和所有的接收角度，确定对应的第一图模型。

具体来说，终端设备可以采用上述方式3获取

然后根据收发天线配置信息，确定/>

对应的第一图模型。

例如，假设终端设备根据收发天线配置信息确定：网络设备包括N_t个发射天线、终端设备包括N_r个接收天线，那么终端设备可以确定

也即是说，/>

在角度域可以包括N_t×N_r个角度对。其中，如果N_t×N_r个角度对以矩阵表示，也即N_t×N_r个角度对包括N_r行、N_t列角度对，那么N_t×N_r个角度对中的第i行、第j列角度对(记为G(i，j))在时域维度上可以包括一个向量(记为V(i，j)，i和j均为正整数，i≤N_r，j≤N_t)，V(i，j)包括/>

个元素，也即是V(i，j)长度为/>

G(i，j)与第j个发射角度对应，且与第i个接收角度对应。V(i，j)可以表示第j个发射角度，与第i个接收角度之间的信道状态信息，所有的V(i，j)即可表示N_t个发射角度与N_r个接收角度之间的信道状态信息。

请参照图10中的②，终端设备可以将这N_t×N_r个角度对确定为第一图模型中的节点，也即是第一图模型中包括N_t×N_r个节点，每个节点的特征为该节点对应的角度对在时域维度上包括的向量(即V(i，j))。终端设备还可以根据

确定第一子图模型中的边。例如，终端设备可以根据/>

在角度域包括的角度对对应的发射角度和接收角度，确定第一图模型中对应相邻的接收角度或对应相邻的发射角度的两个节点之间存在一条边。换言之，每条边可以表示与边相连的两个节点对应两个相邻的接收角度或对应两个相邻的发射角度。

在角度域包括的角度之间的相邻关系，确定第一图模型中相邻节点之间存在边，不相邻节点之间不存在边。换言之，每条边可以表示与边相连的两个节点在第一图模型中为相邻关系。由于不相邻的角度之间通常相关性较小，因此，第一图模型中相邻的节点之间存在一条边的实现方式不仅能够减少设备的数据处理量，也能够保证信道状态信息的有效性。

可选地，终端设备可以根据

在角度域包括的角度对应的发射角度和接收角度，确定第二子图模型中对应同一个发射角度或对应同一个接收角度的两个节点之间存在一条边。

其中，V(i，j)为

维的复数向量，V(i，j)也可以记为/>

表示角度对在时域维度上的所有元素，/>

也可以简单表示为H[：，i，j]。为了便于设备计算，减少设备的数据处理量，可选地，可以将H[：，i，j]的虚部和实部级联成维度/>

的向量，也即是将H[：，i，j]的虚部和实部分开处理。

在一些可能的实施例中，第一图模型可以通过一个邻接矩阵和一个节点特征矩阵表示。以上述的终端设备将N_t×N_r个角度对确定为第一图模型中的节点举例，终端设备可以通过N_t×N_r行、N_t×N_r列的邻接矩阵A

表示第一图模型中节点与节点之间的连接关系。其中，/>

A的第i行、第j列元素(记为A_i，j)为1可以表示节点i和节点j之间存在边，A_i，j＝0可以表示节点i和节点j之间不存在边。终端设备还可以通过节点特征矩阵B/>

表示节点各自的特征。其中，B的第i行、第j列元素为V(i，j)。

下面结合图11进一步说明上述方式6。

基于图11，终端设备采用上述方式3可以获取

然后根据收发天线配置信息(比如图11)，确定该/>

对应的第一图模型，具体实现方式可以参照上述方式6中的相关说明。

其中，结合上述方式6中的相关说明，对于

终端设备可以确定出如图13所示的第一图模型。可以看出，/>

对应的第一图模型可以包括6个节点(包括节点1～节点6)和7条边(包括边1～边7)。各个节点对应的发射角度和接收角度，以及节点之间的连接关系可以参照图13所示，在此不再赘述。其中，为了减少设备的数据处理量，图13中的不相邻的两个节点之间不存在边。

对于上述

对应的第一图模型，可以通过如下邻接矩阵A和节点特征矩阵B表示：/>

在上述方式4～方式6中，每个节点的特征包括的信道状态信息在时域上可以包括

个元素。在一些可能的实施例中，每个节点的特征包括的信道状态信息在时域上可以包括C个元素，C小于或等于子载波数，也即/>

换言之，本申请实施例中，对于每个节点的特征包括的信道状态信息在时域上包括的元素，可以全部保留，也可以含弃一部分并将剩余部分作为每个节点的特征。

例如，在上述方式4中，对于得到的

在时域上有/>

个元素，可以保留/>

在时域上的前N_c个元素，得到截断的/>

(可以记为Hi，/>

)，然后，终端设备可以根据收发天线配置信息，确定Hi对应的第一子图模型，具体方式参照上述方式4，在此不再赘述。这种方式可以记为在时域维度对时延-角度域信道矩阵进行截断，因此/>

还可以表示时域维度对时延-角度域信道矩阵在截断前的时域维度的长度，N_c可以表示时域维度对时延-角度域信道矩阵在截断后的时域维度的长度，在此统一说明，下文不再赘述。其中，在此情况下，如果将H[：，i，j]的虚部和实部分开处理，那么上述方式4中的Xj的维数为2N_c。

其中，由于信道状态信息在时域上存在稀疏性，因此适当减少每个节点的特征包括的信道状态信息在时域上包括的元素数量，不会影响CSI的准确性。换言之，当C小于子载波数时，可以在不影响第二通信装置准确恢复第一信道状态信息的基础上，减少通信装置的数据处理量，提升通信装置的处理速率。

S902，终端设备利用第一神经网络处理第一图模型，得到第一信息。

其中，第一信息用于网络设备恢复第一信道状态信息。例如，第一信息可以包括经过第一神经网络处理后的第一信道状态信息，这样，网络设备可以根据第一信息恢复出第一信道状态信息。

第一神经网络在处理第一图模型的过程中，可以对第一图模型中包含的特征信息进行压缩。在第一神经网络对第一图模型中包含的特征信息进行压缩的过程中，可以保留其中重要的特征信息，并丢弃(或省略)其中不重要的特征信息。由于第一图模型中包含的特征信息中不重要的特征信息可能会被丢弃，为了提升网络设备根据第一信息恢复第一信道状态信息的准确性，在一些可能的实施例中，第一信息可以包括辅助信息，辅助信息可以用于确定第二图模型，第二图模型可以用于恢复第一信道状态信息。其中，第一信息可以包括第二信道状态信息和的辅助信息，辅助信息用于确定第二图模型是指：辅助信息结合第二信道状态信息可以恢复第二图模型。这样，网络设备可以利用辅助信息确定第二图模型，并根据第二图模型恢复第一信道状态信息。换言之，辅助信息可以帮助第二通信装置恢复第一信道状态信息，提升第二通信装置所恢复的第一信道状态信息的准确性。

可选地，辅助信息可以包括第一图模型的部分节点的索引(index)信息。换言之，辅助信息可以用于指示第一图模型中的部分特征信息(比如被丢弃或减少的特征信息)。这样，终端设备可以利用辅助信息指示第一图模型中因压缩而被丢弃的部分节点的索引，从而能够帮助网络设备恢复第一信道状态信息，提升网络设备所恢复的第一信道状态信息的准确性。

例如，辅助信息可以包括第一图模型中被丢弃的节点的索引信息，或者辅助信息可以包括第一图模型中保留的节点的索引信息。如此，可以进一步帮助网络设备恢复第一信道状态信息，提升网络设备所恢复的第一信道状态信息的准确性。

进一步地，辅助信息还可以包括部分节点的特征的均值。例如，辅助信息还可以包括第一图模型在处理过程中被丢弃的节点的特征的均值。如此，可以进一步帮助网络设备恢复第一信道状态信息，提升网络设备所恢复的第一信道状态信息的准确性。

其中，节点的索引信息也可以被称为节点的序号，节点的标识或节点的位置信息等，在此不予限定。

关于上述辅助信息的具体实现方式可以参照下文中图17所示示例的相关说明，在此不予赘述。

下面介绍S902中，利用第一神经网络处理第一图模型，得到第一信息的实施方式。

在一些可能的实施例中，如图14所示，第一神经网络可以用于根据第一图模型确定第一信息，第一信息可以包括第二信道状态信息和上述的辅助信息，第二信道状态信息可以包括处理后的第一信道状态信息。

示例性地，请参照图15，图15为本申请实施例提供的神经网络的结构示意图二，第一神经网络可以包括第一图池化层和压缩层。

其中，第一图池化层可以用于根据第一图模型确定第三图模型和辅助信息，压缩层可以用于根据第三图模型确定第二信道状态信息。

第一图池化层的输入可以是不同结构和/或不同规模的图模型，也即是说，对于天线配置不同的终端设备、网络设备(以下统称为收发CSI的两端)，终端设备均可以确定第一信道状态信息对应的第一图模型，并将该第一图模型输入同样的第一神经网络中。具体来说，第一图池化层可以保留第一图模型中固定数目的重要的节点，丢弃第一图模型中不重要的节点，使得确定的第三图模型的结构(或者称为尺寸、大小)是固定的，也即第三图模型与输入的第一图模型的结构和/或规模无关。这样，对于不同结构和/或不同规模的第一图模型，均可以用同样的第一图池化层和压缩层进行处理。又由于收发CSI的两端的天线配置不同会导致第一图模型的结构不同，因此，对于天线配置不同的收发CSI的两端，均可以用同样的第一图池化层和压缩层对第一信道状态信息进行处理。换言之，第一神经网络的设计与训练不依赖于收发CSI的两端的天线配置。这样，在收发CSI的两端的天线配置发生变化时，可以避免重新设计、训练神经网络，适用于动态的MIMO系统和天线配置不同的MIMO系统。

可选地，第一图池化层可以为采用自注意力机制的图池化层。由于自注意机制的图池化层需要训练的参数较少，并能够充分提取第一图模型的节点的特征信息和图的拓扑结构信息，从而“第一图池化层为采用自注意力机制的图池化层”可以提升神经网络的训练效率和处理能力。

在另一些可能的实施例中，请参照图16，图16为本申请实施例提供的神经网络的结构示意图三，第一神经网络可以包括第一图卷积层、第一图池化层和压缩层。

其中，第一图卷积层用于根据第一图模型确定卷积后的第一图模型，第一图池化层用于根据卷积后的第一图模型确定第三图模型和辅助信息，压缩层用于根据第三图模型确定第二信道状态信息。

可以看出，图15所示的第一神经网络与图16所示的第一神经网络的区别在于是否包括第一图卷积层，因此，关于第一图池化层和压缩层的说明可以参照上述图15所示的第一神经网络中的相关说明，在此不再赘述。可选地，第一图卷积层可以包括多个图卷积层。其中，第一图卷积层可以是图卷积网络(graph convolution network，GCN)或图形样本和聚合(graph sample and aggregate，GraphSage)图卷积层等任意类型的图卷积层。

其中，第一图卷积层可以提取并保留第一图模型中重要的节点的特征，省略不重要的节点的特征，因此，在图16所示的第一神经网络中，第一图卷积层能够实现初步的信道信息压缩。

基于与图15所示的第一神经网络相同的理由，图16所示的第一神经网络的设计与训练不依赖于收发CSI的两端的天线配置。这样，在收发CSI的两端的天线配置发生变化时，可以避免重新设计、训练神经网络，适用于动态的MIMO系统和天线配置不同的MIMO系统。

示例性地，上述图15所示的第一神经网络与图16所示的第一神经网络中的压缩层，可以将第三图模型压缩为一定长度的数据，也即是第二信道状态信息。其中，第二信道状态信息中可以包括压缩后的第一信道状态信息。

可选地，上述第一神经网路中的压缩层可以为全连接层。

关于第一神经网络的具体实现方式可以参照下文中图17所示示例的相关说明，在此不予赘述。

S903，终端设备向网络设备发送第一信息。相应地，网络设备接收来自终端设备的第一信息。

其中，第一信息可以承载于上行信道中，比如物理层上行控制信道(physicaluplink control channel，PUCCH)、物理上行共享信道(physical uplink sharedchannel，PUSCH)、其他物理上行信道等，比如未来可能定义的可以用于承载所述第一信息的物理信道，本申请实施例对此不作限定。

S904，网络设备利用第二神经网络处理第一信息，得到第二图模型。

可选地，第一信息中可以包括辅助信息和第二信道状态信息。关于辅助信息和第二信道状态信息的相关说明可以参照上述S902中的相关说明，在此不再赘述。

可选地，请再参照图14所示，第二神经网络可以用于根据第二信道状态信息和辅助信息，确定第二图模型。

示例性地，请参照图15或图16，第二神经网络可以包括解压层和第二图卷积层。

其中，解压层可以用于根据第二信道状态信息确定第四图模型。示例性地，解压层可以将第二信道状态信息解压为一定长度的数据，用于确定第四图模型。可选地，解压层可以为全连接层。

第二图卷积层可以用于根据辅助信息和第四图模型确定的第二图模型。具体地，第二图卷积层用于根据辅助信息和第四图模型确定的第二图模型，可以包括：网络设备根据辅助信息恢复第四图模型中缺失的节点，得到第五图模型；然后，将第五图模型输入第二图卷积层，第二图卷积层用于根据第五图模型确定第二图模型。例如，第二图卷积层可以用于对第五图模型进行卷积，得到第二图模型。可以理解，第五图模型可以认为是补全丢弃部分节点的第四图模型。

由于辅助信息还可以包括第一图模型在处理过程中被丢弃的节点的特征的均值，换言之，辅助信息还可以包括第一图模型中被丢弃的节点的均值，第一图模型的说明参照上文，在此不再赘述。

可选地，第二图卷积层可以包括多个图卷积层。

可选地，第二图卷积层包括的多个图卷积层之间可以包括直连通道。这样，可以提高神经网络的训练效率和稳定性。

应理解，基于与图15所示的第一神经网络相同的理由，第二神经网络的设计与训练也不依赖于收发CSI的两端的天线配置。这样，在收发CSI的两端的天线配置发生变化时，可以避免重新设计、训练神经网络，适用于动态的MIMO系统和天线配置不同的MIMO系统。

关于第二神经网络的具体实现方式可以参照下文中图17所示示例的相关说明，在此不予赘述。

S905，网络设备根据第二图模型确定第三信道状态信息。

其中，第三信道状态信息为恢复的第一信道状态信息。换言之，第三信道状态信息包括网络设备和终端设备之间的信道状态信息。第三信道状态信息表示的是网络设备到终端设备之间的CSI。

一种可能的实现中，网络设备根据第二图模型确定第三信道状态信息，可以包括：网络设备根据第二图模型和收发天线配置信息确定第三信道状态。其中，收发天线配置信息的相关说明可以参照上述S901～S902中的相关说明，在此不再赘述。

应理解，S905可以认为是上述S901的逆过程，从而网络设备根据第二图模型和收发天线配置信息确定第三信道状态的实施方式，可以对应参照上述S901，在此不再赘述。

进一步地，本申请实施例还提供的一种可能的第一神经网络、第二神经网络的结构，具体说明如下。

请参照图17，图17为本申请实施例提供的神经网络的结构示意图四。第一神经网络可以包括2层GraphSage图卷积层(包括第1层GraphSage图卷积层、第2层GraphSage图卷积层)、自注意力机制的图池化层和全连接层(记为第一全连接层)。第二神经网络可以包括全连接层(记为第二全连接层)和4层GraphSage图卷积层(包括第3层GraphSage图卷积层～第6层GraphSage图卷积层)。第一神经网络和第二神经网络中各个网络层之间的级联关系可以参照图17，在此不再赘述。

下面依次介绍图17所示的两个神经网络的具体实现方式。

1，第1层GraphSage图卷积层、第2层GraphSage图卷积层。

终端设备可以将第一图模型输入第1层GraphSage图卷积层，经过第1层GraphSage图卷积层、第2层GraphSage图卷积层卷积后，得到卷积后的第一图模型。其中，第k层GraphSage图卷积层的计算表达式可以如下：

其中，k＝1或2；

是第k层GraphSage图卷积层输出的节点i的点嵌入特征向量(也即是节点i在第k层的输出结果)；/>

表示第一次输入图卷积层的数据为节点i的特征，例如上述方式4中的Xj；{W₁，W₂}为神经网络参数(也即是待学习的参数)；N(i)表示节点i的邻点集合，N(i)可以通过邻接矩阵A确定；/>

表示第k-1层GraphSage图卷积层输出所有节点中属于N(i)的节点的点嵌入特征向量的平均值。

基于上述表达式，通过第1层GraphSage图卷积层、第2层GraphSage图卷积层卷积，可以学习节点之间的关系，每一个节点属性与其他节点属性的相关性，得到第一图模型中每个节点的点嵌入特征向量。值得注意的是，点嵌入特征向量的维度可以小于原始特征的维度(比如上述S901中的2N_c)，因此，第1层GraphSage图卷积层、第2层GraphSage图卷积层可以实现初步的信道信息压缩。另外，上述操作中涉及的参数{W₁，W₂}适用于所有的节点，因此该部分的操作独立于输入的第一图模型的结构和规模，也即独立于天线配置。

2，自注意力机制的图池化层

终端设备可以将卷积后的第一图模型输入到自注意力机制的图池化层，经过自注意力机制的图池化层池化后，获取第三图模型。自注意力机制的图池化层的处理过程可以认为是降采样的过程，即只保留图模型中的部分点及它们之间的连接关系，并且能够充分提取第一图模型的节点的特征信息和图的拓扑结构信息。其中，自注意力机制的图池化层的计算表达式可以如下：

score＝GNN(H⁽²⁾，A)

其中，A为邻接矩阵；H⁽²⁾为矩阵，包括第2层GraphSage图卷积层输出的所有节点的点嵌入特征向量；GNN(H⁽²⁾，A)表示基于自注意力机制的图卷积操作，也即是计算每个节点的分数，分数可以表示节点的重要程度。

3，图模型处理

对于基于自注意力机制的图池化层获取的第三图模型，终端设备可以根据如下公式对第三图模型进行处理，得到第一向量：

idx＝top_s(score)

其中，idx＝top_s(score)可以表示获取分数最高的s个节点的索引；

可以表示根据idx获取H⁽²⁾中分数最高的s个节点对应的点嵌入特征向量；/>

可以表示将分数最高的s个节点对应的点嵌入特征向量重新组成向量y(也即第一向量)。s也可以被称为保留维度，嵌入特征向量的长度也可以被称为嵌入维度，在此统一说明，下文不再赘述。

根据上述“自注意力机制的图池化层”和“第三图模型处理”的计算表达式，可以看出，“自注意力机制的图池化层”和“第三图模型处理”可以利用GNN根据第2层GraphSage图卷积层输出的所有节点的点嵌入特征向量，计算每个节点的分数，保留得分最高的前s个节点，即得到第三图模型，再将这s个节点的点嵌入特征向量拼接为一个第一向量，用于后续全连接层的压缩。可以看出，第三图模型相比于第一图模型丢弃了部分节点。

网络设备还可以根据idx确定被丢弃的节点的索引信息，并根据被丢弃的节点的索引信息确定辅助信息。例如，假设有32个节点，这些节点的索引依次为1～32，s＝20，并且假设经过上述自注意力机制的图池化层的计算表达式处理后，确定的idx包括1～15、20、22、25、30、31，那么终端设备可以根据该idx确定保留的节点的索引包括1～15、20、22、25、30、31，丢弃的节点的索引包括16～19、21、23、24、26～29、32。在此情况下，终端设备可以将索引1～15、20、22、25、30、31作为辅助信息，以指示网络设备第一图模型中保留的节点，或者将索引16～19、21、23、24、26～29、32，以指示网络设备第一图模型中被丢弃的节点。

可选地，上述辅助信息还可以包括所有被丢弃的节点的特征(即点嵌入特征向量)的均值。例如，假设5个节点中被丢弃的节点包括节点1和节点2，那么被丢弃的节点的特征的均值为节点1的特征与节点2的特征的均值。

其中，上述自注意力机制的图池化层的计算表达式中的s可以通过协议预定义，也可以由网络设备通过信令指示给终端设备，对此不作限定。

4，第一全连接层

终端设备可以将上述基于第三图模型获取的第一向量输入第一全连接层，经过第一全连接层压缩后得到第二信道状态信息。

5，第二全连接层

第二全连接层可以对第二信道状态信息进行解压缩处理，得到第二向量。例如，网络设备可以利用第二全连接层对第二信道状态信息进行解压，并基于解压结果获取第二向量。

6，向量处理

对于基于第二全连接层获取的第二向量，网络设备可以将第二向量转换为第四图模型。例如，第二全连接层可以输出长度为2sN_c的实数向量，并将其分为s个长度为2N_c的子向量，然后将这s个子向量确定为第四图模型。其中，每个子向量为第四图模型中一个节点的特征。

7，填充处理

对于基于第二全连接层获取的第四图模型，网络设备可以根据辅助信息填充第四图模型中被丢弃的节点，得到第五图模型。

可选地，网络设备可以根据辅助信息和收发天线配置信息恢复第四图模型中被丢弃的节点。具体地，网络设备可以根据辅助信息和收发天线配置信息确定第四图模型中被丢弃的节点的位置(即与其他节点的邻接关系)，然后在这些被丢弃的节点的位置填充零向量，从而恢复第四图模型中被丢弃的节点。零向量的维数与第四图模型中保留的节点的特征的维数一致。这种填充方式可以被称为零填充。

其中，如果辅助信息还包括所有被丢弃的节点的特征的均值，那么网络设备可以在这些被丢弃的节点的位置填充第一向量，从而恢复第四图模型中被丢弃的节点。第一向量由所有被丢弃的节点的特征的均值确定，或者说，第一向量中的所有元素的大小为所有被丢弃的节点的特征的均值。第一向量的维数与第四图模型中保留的节点的特征的维数一致。这种填充方式可以被称为均值填充。

在一些可能的实施例中，网络设备可以在这些被丢弃的节点的位置填充第二向量，从而恢复第四图模型中被丢弃的节点。第二向量为根据相邻的节点的特征估计的向量，比如通过插值法估计第二向量。第二向量的维数与第四图模型中保留的节点的特征的维数一致。这种填充方式可以被称为估计填充。

8，第3层GraphSage图卷积层～第6层GraphSage图卷积层

网络设备可以将第五图模型输入第3层GraphSage图卷积层，经过第3层GraphSage图卷积层～第6层GraphSage图卷积层卷积后，获得第二图模型。

其中，第3层GraphSage图卷积层～第6层GraphSage图卷积层的计算表达式，可以参照上述第1层GraphSage图卷积层、第2层GraphSage图卷积层的计算表达式，在此不再赘述。

其中，第二神经网络中的第3层GraphSage图卷积层的输入与第4层GraphSage图卷积层的输出之间可以存在第一直连通道，也即是说，可以将输入第3层GraphSage图卷积层的数据和第4层GraphSage图卷积层输出的数据进行加和后再输入第5层GraphSage图卷积层。同样地，第5层GraphSage图卷积层的输入与第6层GraphSage图卷积层的输出之间可以存在第二直连通道，实现原理第一直连通道类似，在此不再赘述。

在实际应用中，图17所示的4层GraphSage图卷积层也可以替换为更少的图卷积层(比如2层GraphSage图卷积层)，或者替换为更多的图卷积层(比如6层GraphSage图卷积层)，对此不作限定。经验证，相较于更少的图卷积层，4层GraphSage图卷积层的性能能够满足要求；相较于更多的图卷积层，4层GraphSage图卷积层在性能满足要求的基础上更容易训练。

在一些可能的实施例中，上述S901～S905所示的信道状态信息处理方法可以应用于单阵面，也可以应用于多阵面。当应用于多阵面时，以终端设备举例，对于多阵面中的每个阵面，终端设备可以使用相同的第一神经网络进行信道状态信息的处理(具体过程可以参照S901～S903)，得到每个阵面对应的第一信息，并向网络设备反馈每个阵面对应的第一信息。当然，终端设备也可以使用第一神经网络同时对多阵面中的所有阵面进行信道状态信息的处理，例如，确定多阵面中的所有阵面对应的第一信道状态信息，并确定该第一信道状态信息对应的第一图模型，然后利用S902～S903得到所有阵面对应的第一信息，并向网络设备反馈所有阵面对应的第一信息。值得注意的是，在上述过程中，即使需要多次复用第一神经网络进行信道状态信息的处理，每次使用时第一神经网络都不需要进行调整和重新训练。当应用于多阵面时，网络设备的应用方式与终端设备的应用方式类似，在此不再赘述。

基于上述图9所述的方法，终端设备利用第一神经网络处理第一图模型的过程中，可以保留第一图模型中重要的特征信息，省略第一图模型中不重要的特征信息，利用第一神经网络将第一信道状态信息进行压缩，减少CSI反馈开销的同时，保证CSI反馈的有效性，使得网络设备恢复的信道状态信息更接近原始信道，从而提升通信性能。

本申请实施例中，还提供了一种对第一神经网络、第二神经网络进行的训练方法，具体如下：获取包含多个训练样本的训练数据集，其中，每个训练样本包括一个第四信道状态信息，第四信道状态信息为网络设备到终端设备的信道状态信息；将多个第四信道状态信息通过第一神经网络和第二神经网络处理，得到多个第五信道状态信息，所述第五信道状态信息为所述第四信道状态信息经过所述第一神经网络和第二神经网络处理后的信道状态信息。基于多个第四信道状态信息和多个第五信道状态信息确定损失函数。确定损失函数对第一神经网络和第二神经网络的参数的梯度，并基于梯度更新各参数，直至达到收敛条件。例如，可以参照上述图4所示的训练过程，确定损失函数对第一神经网络和第二神经网络的参数的梯度，并基于梯度更新各参数，直至达到收敛条件。

其中，将多个第四信道状态信息通过第一神经网络和第二神经网络处理，得到多个第五信道状态信息的实施过程可以包括：将每个第四信道状态信息作为第一信道状态信息并通过上述S901～S902进行处理，得到每个第四信道状态信息对应的第一信息；每个第四信道状态信息对应的第一信息通过S903处理后(也即是经过信道反馈)，再通过上述S904～S905进行处理，得到每个第四信道状态信息对应的第五信道状态信息。

其中，上述训练过程可以以离线或在线的方式进行，训练过程在此不再赘述。

为了验证本申请实施例所提供的技术方案的有效性，本申请还对上述方法实施例进行了仿真，具体的仿真场景以及仿真结果如下：

仿真场景：利用Deep MIMO数据集，分别产生了100,000(记为训练数据集)、30,000(记为验证数据集)和10,000的数据集(记为测试数据集)用于上述神经网络的训练、验证和测试，这些数据集在训练之间均归一化。通信系统的总带宽为0.015625千兆赫兹(gigahertz，GHz)，

N_c＝32。在仿真的过程中，设定嵌入维度为32，保留维度s＝14。

我们测试图17所示的神经网络的效果。其中，在评估第一信道状态信息(也即是CSI)压缩与恢复的性能时，通过归一化均方误差(normalized mean square error，NMSE)和相关度(ρ)两个指标评估，NMSE和ρ分别定义为：

其中，E{x}表示求x的期望，x比如是

或者是/>

H表示原本的信道矩阵(也即是实际的信道矩阵)；/>

表示经过压缩反馈后恢复的信道矩阵，也即是经过上述S901～S905恢复的第一信道状态信息；h_n为H中的第n列向量；/>

为/>

中的第n列向量。

仿真测试如下：

测试一，利用N_t＝32的数据集来训练上述第一神经网络和第二神经网络，并在N_t(网络设备的发射天线个数)不同的数据集中进行测试。结果如表1所示，表1为N_t变化时图9所示方法的性能。参照表1可以看出，本申请实施例提供的技术方案在天线数量变大时，恢复的准确率只下降了一个百分点左右。因此，本申请实施例提供的技术方案在天线数量变化时有很好的可扩展性。

表1

N_t	32	64	128	256	512
						NMSE分贝(decibel，dB)	-12.28	-12.07	-11.68	-11.25	-10.69
ρ	97.39％	97.23％	96.92％	96.65％	96.17％

测试二，利用天线配置为(N₁,N₂)＝(32,1)的数据集来训练上述第一神经网络和第二神经网络，并在天线阵列排列方式不同的数据集中进行测试。结果如表2所示，表2为天线阵列排布变化时图9所示方法的性能。参照表2可以看出，即使天线配置改变，相关度仍至少高于94％，因此本申请实施例提供的技术方案在天线阵列排列方式变化时，性能比较稳定。

表2

(N₁,N₂)	(32,1)	(16,2)	(8,4)
				NMSE(dB)	-12.28	-10.25	-9.69
ρ	97.39％	95.75％	94.94％

以上结合图1～图17详细说明了本申请实施例提供的信道状态信息处理方法。以下结合图18详细说明用于执行本申请实施例提供的信道状态信息处理方法的通信装置。

如图18所示，本申请实施例提供了一种通信装置1800。该通信装置1800可以是网络设备或终端设备，也可以是网络设备或终端设备中的装置，或者是能够和网络设备或终端设备匹配使用的装置。一种可能的实现中，该通信装置1800可以包括执行上述方法实施例中网络设备或终端设备执行的方法/操作/步骤/动作所一一对应的模块或单元，该单元可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。

一种可能的实现中，该通信装置1800可以包括：处理模块1801和收发模块1802。为了便于说明，图18仅示出了该通信装置的主要部件。

在一些实施例中，通信装置1800可适用于图7中所示出的通信系统中，执行图9中所示出的信道状态信息处理方法中终端设备的功能，在此情况下，通信装置1800可以理解为第一通信装置。

其中，处理模块1801，用于确定第一信道状态信息对应的第一图模型，第一信道状态信息为第二通信装置到第一通信装置的信道状态信息。处理模块1801，还用于利用第一神经网络处理第一图模型，得到第一信息，所述第一信息用于第二通信装置恢复第一信道状态信息。收发模块1802，用于向第二通信装置发送第一信息。

一种可能的实现中，处理模块1801，还用于根据收发天线配置信息确定第一信道状态信息对应的第一图模型。其中，收发天线配置信息包括第一通信装置的接收天线配置信息和第二通信装置的发射天线配置信息。

可选地，辅助信息包括第一图模型的部分节点的索引信息。

进一步地，辅助信息还可以包括部分节点的特征的均值。

其中，第一图池化层可以为采用自注意力机制的图池化层。

进一步地，压缩层可以为全连接层。

一种可能的实现中，处理模块1801，还用于根据第二通信装置的发射天线和第一通信装置的接收天线之间的空间-频率域信道状态信息，确定第一信道状态信息。其中，第一信道状态信息为时延-角度域信道状态信息。

在另一些实施例中，通信装置1800可适用于图7中所示出的通信系统中，执行图9中所示出的信道状态信息处理方法中网络设备的功能，在此情况下，通信装置1800可以理解为第二通信装置。

其中，收发模块1802，用于接收第一通信装置发送的第一信息，所述第一信息用于第二通信装置恢复第一信道状态信息，第一信道状态信息为第二通信装置到所述第一通信装置的信道状态信息。处理模块1801，用于利用第二神经网络处理第一信息，得到第二图模型。处理模块1801，还用于根据第二图模型确定第三信道状态信息，第三信道状态信息为恢复的第一信道状态信息。

一种可能的实现中，处理模块1801，还用于根据第二图模型和收发天线配置信息确定第三信道状态。其中，收发天线配置信息包括第一通信装置的接收天线配置信息和第二通信装置的发射天线配置信息。

进一步地，辅助信息还可以包括部分节点的特征的均值。

进一步地，解压层可以为全连接层。

可选地，收发模块1802可以包括接收模块和发送模块(图18中未示出)。其中，发送模块用于实现通信装置1800的发送功能，接收模块用于实现通信装置1800的接收功能。

可选地，通信装置1800还可以包括存储模块(图18中未示出)，该存储模块存储有程序或指令。当处理模块1801执行该程序或指令时，使得通信装置1800可以执行图9中所示出的信道状态信息处理方法中网络设备或终端设备的功能。

应理解，通信装置1800中涉及的处理模块1801可以由处理器或处理器相关电路组件实现，可以为处理器或处理单元；收发模块1802可以由收发器或收发器相关电路组件实现，可以为收发器或收发单元。

此外，通信装置1800的技术效果可以参考图9中所示出的信道状态信息处理方法的技术效果，此处不再赘述。

如果本申请实施例提供的通信装置1800是芯片，那么通信装置1800中的收发模块1802可以分别对应芯片输入输出，比如，收发模块1802中的接收模块对应芯片的输入，收发模块1802中的发送模块对应芯片的输出，本申请对此不作限定。

本申请实施例还提供一种芯片系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序或指令，当所述程序或指令被所述处理器执行时，使得该芯片系统实现上述任一方法实施例中的方法。

可选地，该芯片系统中的处理器可以为一个或多个。该处理器可以通过硬件实现也可以通过软件实现。当通过硬件实现时，该处理器可以是逻辑电路、集成电路等。当通过软件实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现。

可选地，该芯片系统中的存储器也可以为一个或多个。该存储器可以与处理器集成在一起，也可以和处理器分离设置，本申请并不限定。示例性的，存储器可以是非瞬时性处理器，例如只读存储器ROM，其可以与处理器集成在同一块芯片上，也可以分别设置在不同的芯片上，本申请对存储器的类型，以及存储器与处理器的设置方式不作具体限定。

示例性的，该芯片系统可以是现场可编程门阵列(field programmable gatearray，FPGA)，可以是ASIC，还可以是系统芯片(system on chip，SoC)，还可以是CPU，还可以是网络处理器(network processor，NP)，还可以是数字信号处理器(digital signalprocessor，DSP)，还可以是微控制器(micro controller unit，MCU)，还可以是可编程控制器(programmable logic device，PLD)或其他集成芯片。

本申请实施例提供一种通信系统。该通信系统包括网络设备、终端设备。该网络设备、终端设备结合起来可以执行上述方法实施例，具体执行过程可以参照上述方法实施例，在此不再赘述。

本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机可读存储介质被计算机执行时实现上述任一方法实施例的功能。

本申请还提供了一种计算机程序产品，该计算机程序产品被计算机执行时实现上述任一方法实施例的功能。

应理解，在本申请实施例中的处理器可以是CPU，该处理器还可以是其他通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是ROM、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)，EEPROM或闪存。易失性存储器可以是RAM，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。

上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

本申请说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于限定特定顺序。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。根据这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种信道状态信息处理方法，其特征在于，包括：

第一通信装置确定第一信道状态信息对应的第一图模型；所述第一信道状态信息为第二通信装置到所述第一通信装置的信道状态信息；

所述第一通信装置利用第一神经网络处理所述第一图模型，得到第一信息；所述第一信息用于所述第二通信装置恢复所述第一信道状态信息；

所述第一通信装置向所述第二通信装置发送所述第一信息。

2.根据权利要求1所述的方法，其特征在于，所述第一通信装置确定第一信道状态信息对应的第一图模型，包括：

所述第一通信装置根据收发天线配置信息确定所述第一信道状态信息对应的第一图模型；所述收发天线配置信息包括所述第一通信装置的接收天线配置信息和所述第二通信装置的发射天线配置信息。

3.根据权利要求1或2所述的方法，其特征在于，所述第一信息包括辅助信息，所述辅助信息用于确定第二图模型，所述第二图模型用于恢复所述第一信道状态信息。

4.根据权利要求3所述的方法，其特征在于，所述辅助信息包括所述第一图模型的部分节点的索引信息。

5.根据权利要求4所述的方法，其特征在于，所述辅助信息还包括所述部分节点的特征的均值。

6.根据权利要求3-5中任一项所述的方法，其特征在于，所述第一信息包括第二信道状态信息和所述辅助信息，所述第二信道状态信息包括处理后的所述第一信道状态信息。

7.根据权利要求6所述的方法，其特征在于，所述第一神经网络包括第一图池化层和压缩层；

所述第一图池化层用于根据所述第一图模型确定第三图模型和所述辅助信息；

所述压缩层用于根据所述第三图模型确定所述第二信道状态信息。

8.根据权利要求6所述的方法，其特征在于，所述第一神经网络包括第一图卷积层、第一图池化层和压缩层；

所述第一图卷积层用于根据所述第一图模型确定卷积后的所述第一图模型；

所述第一图池化层用于根据所述卷积后的所述第一图模型确定第三图模型和所述辅助信息；

9.根据权利要求1-8中任一项所述的方法，其特征在于，所述第一信道状态信息包括所述第二通信装置的发射天线与所述第一通信装置的接收天线之间的时延-角度域信道状态信息，所述时延-角度域信道状态信息包括R个接收角度和T个发射角度之间的信道状态信息，R和T均为正整数，且R和T中至少一项大于1；

所述第一图模型包括多个节点，所述节点的特征包括第i个发射角度与第j个接收角度之间的信道状态信息，1≤i≤T，1≤j≤R；

所述第一图模型还包括至少一条边；其中，每条边与两个节点连接，每条边表示与所述边相连的两个节点对应两个相邻的接收角度或对应两个相邻的发射角度。

10.根据权利要求1-9中任一项所述的方法，其特征在于，所述第一神经网络是依据训练数据集确定的，所述训练数据集包括针对所述第一神经网络的多个第四信道状态信息，所述第四信道状态信息为所述第二通信装置到所述第一通信装置的信道状态信息。

11.一种信道状态信息处理方法，其特征在于，包括：

第二通信装置接收第一通信装置发送的第一信息；所述第一信息用于所述第二通信装置恢复第一信道状态信息，所述第一信道状态信息为所述第二通信装置到所述第一通信装置的信道状态信息；

所述第二通信装置利用第二神经网络处理所述第一信息，得到第二图模型；

所述第二通信装置根据所述第二图模型确定第三信道状态信息，所述第三信道状态信息为恢复的所述第一信道状态信息。

12.根据权利要求11所述的方法，其特征在于，所述第二通信装置根据所述第二图模型确定所述第三信道状态信息，包括：

所述第二通信装置根据所述第二图模型和收发天线配置信息确定所述第三信道状态信息；所述收发天线配置信息包括所述第一通信装置的接收天线配置信息和所述第二通信装置的发射天线配置信息。

13.根据权利要求11或12所述的方法，其特征在于，所述第一信息包括辅助信息，所述辅助信息用于确定所述第二图模型。

14.根据权利要求13所述的方法，其特征在于，所述辅助信息包括第一图模型的部分节点的索引信息，所述第一图模型为与所述第一信道状态信息对应的图模型。

15.根据权利要求14所述的方法，其特征在于，所述辅助信息还包括所述部分节点的特征的均值。

16.根据权利要求13-15中任一项所述的方法，其特征在于，所述第一信息包括第二信道状态信息和所述辅助信息，所述第二信道状态信息包括处理后的所述第一信道状态信息。

17.根据权利要求16所述的方法，其特征在于，所述第二神经网络包括解压层和第二图卷积层；

所述解压层用于根据所述第二信道状态信息确定第四图模型；

所述第二图卷积层用于根据所述辅助信息和所述第四图模型确定的所述第二图模型。

18.根据权利要求17所述的方法，其特征在于，所述第二图卷积层包括多个图卷积层，所述多个图卷积层之间包括直连通道。

19.根据权利要求11-18中任一项所述的方法，其特征在于，所述第一信道状态信息包括所述第二通信装置的发射天线与所述第一通信装置的接收天线之间的时延-角度域信道状态信息，所述时延-角度域信道状态信息包括R个接收角度和T个发射角度之间的信道状态信息，R和T均为正整数，且R和T中至少一项大于1；

所述第二图模型包括多个节点，所述节点的特征包括第i个发射角度与第j个接收角度之间的信道状态信息，1≤i≤T，1≤j≤R；

所述第二图模型还包括至少一条边；其中，每条边与两个节点连接，每条边表示与所述边相连的两个节点对应两个相邻的接收角度或对应两个相邻的发射角度。

20.根据权利要求11-19中任一项所述的方法，其特征在于，所述第二神经网络是依据训练数据集确定的，所述训练数据集包括针对所述第二神经网络的多个第四信道状态信息，所述第四信道状态信息为所述第二通信装置到所述第一通信装置的信道状态信息。

21.一种通信装置，其特征在于，所述通信装置包括用于执行权利要求1-20中任一项所涉及的方法中的各个步骤的模块。

22.一种通信装置，其特征在于，包括：与存储器耦合的处理器，所述处理器用于执行所述存储器中的计算机程序或指令，使得权利要求1-20中任一项所述的方法被执行。

23.一种计算机可读存储介质，其特征在于，包括计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得如权利要求1-20中任一项所述的方法被执行。