CN116436551A - 信道信息传输方法及装置 - Google Patents

信道信息传输方法及装置 Download PDF

Info

Publication number
CN116436551A
CN116436551A CN202111660657.7A CN202111660657A CN116436551A CN 116436551 A CN116436551 A CN 116436551A CN 202111660657 A CN202111660657 A CN 202111660657A CN 116436551 A CN116436551 A CN 116436551A
Authority
CN
China
Prior art keywords
channel
information
channel information
sparse representation
access network
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
CN202111660657.7A
Other languages
English (en)
Inventor
郭艳伟
莫勇
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202111660657.7A priority Critical patent/CN116436551A/zh
Priority to PCT/CN2023/070013 priority patent/WO2023126007A1/zh
Publication of CN116436551A publication Critical patent/CN116436551A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0632—Channel quality parameters, e.g. channel quality indicator [CQI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver

Landscapes

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

Abstract

本公开提供一种信道信息传输方法，用于节省通信资源。该方法包括：终端设备向接入网设备发送信道反馈信息，该信道反馈信息用于指示第一信道信息的稀疏表示信息，其中，该稀疏表示信息包括M个元素，该M个元素中包括K个非零元素和M‑K个零元素，其中，M和K为正整数；接入网设备根据该稀疏表示信息和信道重构模型恢复得到第一信道信息。

Description

信道信息传输方法及装置
技术领域
本申请涉及通信技术领域，尤其涉及信道信息传输方法及装置。
背景技术
通信系统中，例如第五代(5th generation，5G)移动通信系统中，对系统容量和频谱效率等提出更高的要求。大规模(massive)多输入多输出(multiple input multipleoutput，MIMO)技术的应用对提高系统容量和频谱效率起到了重要的作用。例如，利用大规模MIMO技术，接入网设备可以同时为更多的终端设备提供高质量的服务。为了应用大规模MIMO技术，一个重要的环节就是发送端对待发送数据进行预编码，将预编码后的数据发送给接收端。预编码可以实现对多个数据流的空分复用(spatial multiplexing)，以降低不同数据流之间的干扰，因此可以提升接收端的信干噪比(signal-to-interference-plus-noise ratio，SINR)，由此提升系统吞吐率。为了准确地进行预编码，前提是信道信息，例如，信道状态信息(channel state information，CSI)等，能够被准确地获取到。因此，如何获得信道信息是一个非常值得研究的技术问题。
发明内容
本申请提供一种信道信息传输方法及装置，旨在节省通信资源。
第一方面，提供了一种信道信息传输方法。该方法可以在接入网设备侧实现，或者在其他用于恢复信道信息的设备侧实现，不予限制。该方法包括：接收来自终端设备的信道反馈信息，所述信道反馈信息用于指示第一信道信息的稀疏表示信息，其中，所述稀疏表示信息包括M个元素，所述M个元素中包括K个非零元素和M-K个零元素，其中，M和K为正整数；根据信道重构模型确定第一信道信息，其中，所述信道重构模型的输入是根据所述稀疏表示信息确定的。
通过上述具有较强的泛化能力的方法，可以节省通信资源，即可以通过一个信道重构模型，在多种通信场景中较为准确地传输信道信息。例如，可以通过改变K个非零元素的个数和/或位置，以适应各种通信场景。
一种可能的设计中，所述信道反馈信息用于指示所述K个非零元素的取值和所述K个非零元素的位置。
通过该方法，可以节省信令开销，例如无需反馈M-K个零元素的位置和取值。可选的，可以将反馈K个非零元素的位置替换为反馈M-K个零元素的位置，二者是等效的。
一种可能的设计中，所述信道反馈信息用于指示第一图样，所述第一图样指示了所述K个非零元素的位置，其中，所述第一图样是多个候选图样中的一个。
通过该方法，可以进一步节省信令开销，主要可以节省反馈K个非零元素的位置时的开销。
一种可能的设计中，所述方法还包括：根据所述第一信道信息确定以下至少一项：预编码矩阵指示PMI、秩指示RI、或信道质量指示CQI。
一种可能的设计中，所述信道反馈信息还用于指示所述第一信道信息相对于第二信道信息的缩放因子，其中，所述第一信道信息是所述第二信道信息的归一化信道信息。
一种可能的设计中，该方法还包括：根据所述第二信道信息确定以下至少一项：PMI、RI、或CQI。
通过该方法，可以得到接入网设备和终端设备进行MIMO通信时的传输参数，从而可以进行MIMO传输，以提高系统吞吐率。
一种可能的设计中，所述K和N的比值为第一压缩比，其中，N为正整数，N表示所述第一信道信息的维度。
一种可能的设计中，所述方法还包括：向终端设备发送指示所述第一压缩比为多个候选压缩比中的一个的信息。可选地，所述多个候选压缩比为协议约定的，或者是由发送给终端设备的信令指示的。
一种可能的设计中，所述方法还包括：向终端设备发送指示所述K为多个候选取值中的一个的信息。可选地，所述多个候选取值为协议约定的，或者是由发送给终端设备的信令指示的。
通过该方法，可以根据实际通信场景的需求，灵活配置信道信息的压缩比，以满足该通信场景的需求。
第二方面，提供了一种信道信息传输方法。该方法可以在终端设备侧实现，或者在其他用于反馈信道信息的设备侧实现，不予限制。该方法包括：根据第一信道信息和信道重构模型确定第一信道信息的稀疏表示信息，其中，所述稀疏表示信息包括M个元素，所述M个元素中包括K个非零元素和M-K个零元素其中，M和K为正整数；向接入网设备发送信道反馈信息，所述信道反馈信息用于指示所述稀疏表示信息。
关于所述信道反馈信息的介绍请参见第一方面，此处不再赘述。
一种可能的设计中，所述根据第一信道信息和信道重构模型确定第一信道信息的稀疏表示信息，包括：
根据下述目标函数确定第一信道信息的稀疏表示信息：
Figure BDA0003449729120000021
其中，‖x‖0≤K，x表示第一信道信息的稀疏表示信息，Hw表示第一信道信息，fde()表示信道重构模型,‖‖2表示L2范数，‖‖0表示L0范数；或者，
根据下述目标函数确定第一信道信息的稀疏表示信息：
Figure BDA0003449729120000022
其中，‖x‖0≤K，x表示第一信道信息的稀疏表示信息，Hw表示第一信道信息，fde()表示信道重构模型，fW()表示预编码生成模型，fC(,)表示信道容量计算模型。
一种可能的设计中，所述K和N的比值为第一压缩比，所述N表示所述第一信道信息的维度。
一种可能的设计中，所述方法还包括：从接入网设备接收指示所述第一压缩比为多个候选压缩比中的一个的信息。可选地，所述多个候选压缩比为协议约定的，或者是由来自接入网设备的信令指示的。
一种可能的设计中，所述方法还包括：从接入网设备接收指示所述K为多个候选取值中的一个的信息。可选地，所述多个候选取值为协议约定的，或者是由来自接入网设备的信令指示的。
第三方面，提供一种装置，用于实现第一方面的方法。该装置可以是接入网设备，或者配置于接入网设备中的装置，或者能够和接入网设备匹配使用的装置。一种设计中，该装置包括执行第一方面所描述的方法/操作/步骤/动作一一对应的单元，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。
示例性地，该装置可以包括处理单元和通信单元，且处理单元和通信单元可以执行上述第一方面的相应功能。例如：
通信单元用于接收来自终端设备的信道反馈信息，所述信道反馈信息用于指示第一信道信息的稀疏表示信息，其中，所述稀疏表示信息包括M个元素，所述M个元素中包括K个非零元素和M-K个零元素，其中，M和K为正整数；处理单元用于根据信道重构模型确定第一信道信息，其中，所述信道重构模型的输入是根据所述稀疏表示信息确定的。
关于信道反馈信息的介绍请参见第一方面，此处不再赘述。
一种可能的设计中，处理单元用于根据所述第一信道信息确定以下至少一项：预编码矩阵指示PMI、秩指示RI、或信道质量指示CQI。
一种可能的设计中，所述信道反馈信息还用于指示所述第一信道信息相对于第二信道信息的缩放因子，其中，所述第一信道信息是所述第二信道信息的归一化信道信息。
一种可能的设计中，处理单元用于根据所述第二信道信息确定以下至少一项：PMI、RI、或CQI。
一种可能的设计中，所述K和N的比值为第一压缩比，其中，N为正整数，N表示所述第一信道信息的维度。
一种可能的设计中，通信单元用于向终端设备发送指示所述第一压缩比为多个候选压缩比中的一个的信息。可选地，所述多个候选压缩比为协议约定的，或者是由发送给终端设备的信令指示的。
一种可能的设计中，通信单元用于向终端设备发送指示所述K为多个候选取值中的一个的信息。可选地，所述多个候选取值为协议约定的，或者是由发送给终端设备的信令指示的。
示例性地，上述装置包括存储器，用于实现上述第一方面描述的方法。所述装置还可以包括存储器，用于存储指令和/或数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的程序指令时，可以实现上述第一方面描述的方法。所述装置还可以包括通信接口，所述通信接口用于该装置和其它设备进行通信。示例性地，通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。在一种可能的设计中，该装置包括：
存储器，用于存储程序指令；
通信接口；
处理器，用于利用通信接口：接收来自终端设备的信道反馈信息，所述信道反馈信息用于指示第一信道信息的稀疏表示信息，其中，所述稀疏表示信息包括M个元素，所述M个元素中包括K个非零元素和M-K个零元素，其中，M和K为正整数；
处理器用于根据信道重构模型确定第一信道信息，其中，所述信道重构模型的输入是根据所述稀疏表示信息确定的。
其它实现细节请参见第一方面，此处不再赘述。
第四方面，提供一种装置，用于实现第二方面的方法。该装置可以是终端设备，或者配置于终端设备中的装置，或者能够和终端设备匹配使用的装置。一种设计中，该装置包括执行第二方面所描述的方法/操作/步骤/动作一一对应的单元，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。
示例性地，该装置可以包括处理单元和通信单元，且处理单元和通信单元可以执行上述第二方面的相应功能。例如：
处理单元用于根据第一信道信息和信道重构模型确定第一信道信息的稀疏表示信息，其中，所述稀疏表示信息包括M个元素，所述M个元素中包括K个非零元素和M-K个零元素其中，M和K为正整数；
通信单元用于向接入网设备发送信道反馈信息，所述信道反馈信息用于指示所述稀疏表示信息。
关于信道反馈信息的介绍请参见第二方面，此处不再赘述。
一种可能的设计中，处理单元用于：
根据下述目标函数确定第一信道信息的稀疏表示信息：
Figure BDA0003449729120000041
其中，‖x‖0≤K，x表示第一信道信息的稀疏表示信息，Hw表示第一信道信息，fde()表示信道重构模型,‖‖2表示L2范数，‖‖0表示L0范数；或者，
根据下述目标函数确定第一信道信息的稀疏表示信息：
Figure BDA0003449729120000042
其中，‖x‖0≤K，x表示第一信道信息的稀疏表示信息，Hw表示第一信道信息，fde()表示信道重构模型，fW()表示预编码生成模型，fC(,)表示信道容量计算模型。
一种可能的设计中，所述K和N的比值为第一压缩比，所述N表示所述第一信道信息的维度。
一种可能的设计中，通信单元用于从接入网设备接收指示所述第一压缩比为多个候选压缩比中的一个的信息。可选地，所述多个候选压缩比为协议约定的，或者是由来自接入网设备的信令指示的。
一种可能的设计中，通信单元用于从接入网设备接收指示所述K为多个候选取值中的一个的信息。可选地，所述多个候选取值为协议约定的，或者是由来自接入网设备的信令指示的。
示例性地，上述装置包括存储器，用于实现上述第二方面描述的方法。所述装置还可以包括存储器，用于存储指令和/或数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的程序指令时，可以实现上述第二方面描述的方法。所述装置还可以包括通信接口，所述通信接口用于该装置和其它设备进行通信。示例性地，通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。在一种可能的设计中，该装置包括：
存储器，用于存储程序指令；
通信接口；
处理器，用于根据第一信道信息和信道重构模型确定第一信道信息的稀疏表示信息，其中，所述稀疏表示信息包括M个元素，所述M个元素中包括K个非零元素和M-K个零元素其中，M和K为正整数；
处理器利用通信接口：向接入网设备发送信道反馈信息，所述信道反馈信息用于指示所述稀疏表示信息。
其它实现细节请参见第二方面，此处不再赘述。
第五方面，提供一种模型训练方法，包括：操作1，确定训练数据集中的一组训练数据；操作2，针对所述一组训练数据中的每个训练数据，确定该训练数据的稀疏表示信息，根据该稀疏表示信息和当前信道重构模型确定该训练数据对应的模型输出；操作3，针对该组训练数据，如果损失函数满足性能要求，则训练结束，否则，更新信道重构模型，并重新执行操作1。
一种可能的设计中，确定该训练数据的稀疏表示信息，包括：根据稀疏表示算法和当前信道重构模型，确定该训练数据的稀疏表示信息。
一种可能的设计中，确定该训练数据的稀疏表示信息，包括：根据当前稀疏表示模型，确定该训练数据的稀疏表示信息，如果所述损失函数不满足性能要求，所述方法还包括：更新所述稀疏表示模型。
一种可能的设计中，针对该组训练数据，所述损失函数满足性能要求，包括：该组训练数据中的所有训练数据的损失函数的平均值(或者利用所有训练数据的各损失函数通过其它方法计算得到的值)满足阈值要求，或者，该组训练数据中的所有训练数据的损失函数满足阈值要求。
第六方面，提供一种装置，用于实现第五方面的方法。一种设计中，该装置包括执行第五方面所描述的方法/操作/步骤/动作一一对应的单元，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。
示例性地，该装置可以包括处理单元，且处理单元可以执行上述第五方面的相应功能。
例如：
处理单元用于：操作1，确定训练数据集中的一组训练数据；操作2，针对所述一组训练数据中的每个训练数据，确定该训练数据的稀疏表示信息，根据该稀疏表示信息和信道重构模型确定该训练数据对应的模型输出；操作3，针对该组训练数据，如果损失函数满足性能要求，则训练结束，否则，更新信道重构模型，并重新执行操作1。
具体细节请参见第五方面，不再赘述。
可选的，该装置还可以包括通信单元，用于获取所述训练数据集。
第七方面，提供了一种通信系统，包括第三方面的装置和第四方面的装置；或者，包括第三方面的装置、第四方面的装置和第六方面的装置。
第八方面，提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行第一方面、第二方面、或第五方面的方法。
第九方面，提供了一种计算机程序产品，包括指令，当其在计算机上运行时，使得计算机执行第一方面、第二方面、或第五方面的方法。
第十方面，提供一种芯片系统，该芯片系统包括处理器，还可以包括存储器，用于实现第一方面、第二方面、或第五方面的方法。该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。
附图说明
图1所示为通信系统的架构示例图；
图2A所示为神经元的结构示例图；
图2B所示为神经网络的结构示例图；
图3A至图3E所示为网络架构示意图；
图4和图5所示为信道信息传输方法的流程示意图；
图6A、图6B和图7所示为模型训练的流程示意图；
图8和图9所示为装置的结构示例图。
具体实施方式
图1是本公开能够应用的通信系统1000的架构示例图。如图1所示，该通信系统包括无线接入网(radio access network，RAN)100和核心网(core network，CN)200。可选的，通信系统1000还可以包括互联网300。无线接入网100可以包括至少一个接入网设备(或者可以称为RAN设备，如图1中的110a和110b)，还可以包括至少一个终端设备(如图1中的120a-120j)。终端设备通过无线的方式与接入网设备相连。接入网设备通过无线或有线的方式与核心网设备相连。核心网设备与接入网设备可以是独立的不同的物理设备；或者可以是集成了核心网设备的功能与接入网设备的功能的同一个物理设备；或者可以是其他可能的情况，例如一个物理设备上可以集成接入网设备的功能和部分核心网设备的功能，另一个物理设备实现核心网设备的其余部分功能。本公开不限制核心网设备和接入网设备的物理存在形式。终端设备和终端设备之间可以通过有线或无线的方式相互连接。接入网设备和接入网设备之间可以通过有线或无线的方式相互连接。图1只是示意图，不作为对本公开的限制，例如该通信系统中还可以包括其它网络设备，如还可以包括无线中继设备和无线回传设备等。
核心网200中可以包括一个或多个核心网网元。例如，核心网中可以包括以下至少一个网元：接入和移动性管理功能(access and mobility management function，AMF)网元、会话管理功能(session management function，SMF)网元、用户面功能(user planefunction，UPF)网元、策略控制功能(policy control function，PCF)网元、统一数据管理(unified data management，UDM)网元、应用功能(application function，AF)网元、或位置管理功能(location management function，LMF)网元等。这些核心网网元可以是硬件结构、软件模块、或者硬件结构加软件模块。不同网元的实现形式可以相同，也可以不同，不予限制。不同核心网网元可以是不同的物理设备(或者可以称为核心网设备)，或者，多个不同核心网网元可以集成在一个物理设备上，即该物理设备具有该多个核心网网元的功能。
本公开中，用于实现核心网设备的功能的装置可以是核心网设备；也可以是能够支持核心网设备实现该功能的装置，例如芯片系统、硬件电路、软件模块、或硬件电路加软件模块，该装置可以被安装在核心网设备中或可以与核心网设备匹配使用。本公开中，以用于实现核心网设备的功能的装置是核心网设备为例，描述本公开提供的技术方案。本公开中，芯片系统可以由芯片构成，也可以包括芯片和其他分立器件。
终端设备也可以称为终端、用户设备(user equipment，UE)、移动台、或移动终端等。终端设备可以广泛应用于各种场景进行通信。例如，该场景包括但不限于以下至少一个：增强移动宽带(enhanced mobile broadband，eMBB)、超高可靠性超低时延通信(ultra-reliable low-latency communication，URLLC)、大规机器类型通信(massive machine-type communications，mMTC)、设备到设备(device-to-device，D2D)、车联网(vehicle toeverything，V2X)、机器类型通信(machine-type communication，MTC)、物联网(internetof things，IOT)、虚拟现实、增强现实、工业控制、自动驾驶、远程医疗、智能电网、智能家具、智能办公、智能穿戴、智能交通、或智慧城市等。终端设备可以是手机、平板电脑、带无线收发功能的电脑、可穿戴设备、车辆、无人机、直升机、飞机、轮船、机器人、机械臂、或智能家居设备等。本公开对终端设备所采用的具体技术和具体设备形态不做限定。
本公开中，用于实现终端设备的功能的装置可以是终端设备；也可以是能够支持终端设备实现该功能的装置，例如芯片系统、硬件电路、软件模块、或硬件电路加软件模块，该装置可以被安装在终端设备中或可以与终端设备匹配使用。为了便于描述，下文以用于实现终端设备的功能的装置是终端设备为例，并可选的以终端设备是UE为例，描述所提供的技术方案。
接入网设备可以是基站(base station)、节点B(Node B)、演进型节点B(evolvedNodeB，eNodeB或eNB)、发送接收点(transmission reception point，TRP)、第五代(5thgeneration，5G)移动通信系统中的下一代节点B(next generation NodeB，gNB)、开放无线接入网(open radio access network，O-RAN或open RAN)中的接入网设备、第六代(6thgeneration，6G)移动通信系统中的下一代基站、无线保真(wireless fidelity，WiFi)系统中的接入节点、或未来移动通信系统中的基站等。可选的，接入网设备可以是完成接入网设备部分功能的模块或单元，例如，可以是集中式单元(central unit，CU)、分布式单元(distributed unit，DU)、集中单元控制面(CU control plane，CU-CP)模块、集中单元用户面(CU user plane，CU-UP)模块、或无线单元(radio unit，RU)。接入网设备可以是宏基站(如图1中的110a)，可以是微基站或室内站(如图1中的110b)，或者可以是中继节点或施主节点等。本公开中对接入网设备所采用的具体技术和具体设备形态不做限定。其中，5G还可以被称为新无线(new radio，NR)。
本公开中，用于实现接入网设备的功能的装置可以是接入网设备；或者，是能够支持接入网设备实现该功能的装置，例如芯片系统、硬件电路、软件模块、或硬件电路加软件模块等，该装置可以被安装在接入网设备中或与接入网设备匹配使用。为了便于描述，下文以用于实现接入网设备的功能的装置是接入网设备为例，并可选地以接入网设备是基站为例，描述所提供的技术方案。
接入网设备和终端设备之间的通信可以遵循一定的协议层结构。示例性地，该协议层结构可以包括控制面协议层结构和用户面协议层结构。例如，控制面协议层结构可以包括以下至少一项：无线资源控制(radio resource control，RRC)层、分组数据汇聚层协议(packet data convergence protocol，PDCP)层、无线链路控制(radio link control，RLC)层、媒体接入控制(media access control，MAC)层、或物理(physical，PHY)层等。例如，用户面协议层结构可以包括以下至少一项：业务数据适配协议(service dataadaptation protocol，SDAP)层、PDCP层、RLC层、MAC层、或物理层等。
上述接入网设备和终端设备之间的协议层结构可以看作接入层(accessstratum，AS)结构。可选的，在AS之上，还可以存在非接入层(non-access stratum，NAS)，用于接入网设备向终端设备转发来自核心网设备的信息，或者用于接入网设备向核心网设备转发来自终端设备的信息。此时，可以认为终端设备和核心网设备之间存在逻辑接口。可选的，接入网设备可以通过透传的方式转发终端设备和核心网设备之间的信息。例如，NAS消息可以映射到或者包含于RRC信令中，作为RRC信令的元素。
可选的，接入网设备和终端设备之间的协议层结构还可以包括人工智能(artificial intelligence，AI)层，用于传输AI功能相关的数据。
接入网设备可以包括CU和DU。该设计可以称为CU和DU分离。多个DU可以由一个CU集中控制。作为示例，CU和DU之间的接口称为F1接口。其中，控制面(control panel，CP)接口可以为F1-C，用户面(user panel，UP)接口可以为F1-U。本公开不限制各接口的具体名称。CU和DU可以根据无线网络的协议层划分：比如，PDCP层及以上协议层(例如RRC层和SDAP层等)的功能设置在CU，PDCP层以下协议层(例如RLC层、MAC层和PHY层等)的功能设置在DU；又比如，PDCP层以上协议层的功能设置在CU，PDCP层及以下协议层的功能设置在DU，不予限制。
上述对CU和DU的处理功能按照协议层的划分仅仅是一种举例，也可以按照其他的方式进行划分。例如，可以将CU或者DU划分为具有更多协议层的功能，又例如将CU或DU划分为具有协议层的部分处理功能。例如，将RLC层的部分功能和RLC层以上的协议层的功能设置在CU，将RLC层的剩余功能和RLC层以下的协议层的功能设置在DU。再例如，可以按照业务类型或者其他系统需求对CU或者DU的功能进行划分，例如按时延划分，将处理时间需要满足时延要求的功能设置在DU，不需要满足该时延要求的功能设置在CU。
可选的，CU可以具有核心网的一个或多个功能。CU可以设置在网络侧方便集中管理。
可选的，将DU的无线单元(radio unit，RU)拉远设置。其中，RU具有射频功能。示例性的，DU和RU可以在PHY层进行划分。例如，DU可以实现PHY层中的高层功能，RU可以实现PHY层中的低层功能。其中，用于发送时，PHY层的功能可以包括以下至少一项：添加循环冗余校验(cyclic redundancy check，CRC)位、信道编码、速率匹配、加扰、调制、层映射、预编码、资源映射、物理天线映射、或射频发送功能。用于接收时，PHY层的功能可以包括以下至少一项：CRC校验、信道解码、解速率匹配、解扰、解调、解层映射、信道检测、资源解映射、物理天线解映射、或射频接收功能。其中，PHY层中的高层功能可以包括PHY层的一部分功能，该部分功能更加靠近MAC层；PHY层中的低层功能可以包括PHY层的另一部分功能，例如该部分功能更加靠近射频功能。例如，PHY层中的高层功能可以包括添加CRC位、信道编码、速率匹配、加扰、调制、和层映射，PHY层中的低层功能可以包括预编码、资源映射、物理天线映射、和射频发送功能；或者，PHY层中的高层功能可以包括添加CRC位、信道编码、速率匹配、加扰、调制、层映射和预编码，PHY层中的低层功能可以包括资源映射、物理天线映射、和射频发送功能。例如，PHY层中的高层功能可以包括CRC校验、信道解码、解速率匹配、解码、解调、和解层映射，PHY层中的低层功能可以包括信道检测、资源解映射、物理天线解映射、和射频接收功能；或者，PHY层中的高层功能可以包括CRC校验、信道解码、解速率匹配、解码、解调、解层映射、和信道检测，PHY层中的低层功能可以包括资源解映射、物理天线解映射、和射频接收功能。
可选的，可以对CU的功能进一步划分，将控制面和用户面分离并通过不同实体来实现。分离出的实体分别为控制面CU实体(即CU-CP实体)和用户面CU实体(即CU-UP实体)。该CU-CP实体和CU-UP实体可以分别与DU相连接。本公开中，实体可以被理解为模块或者单元，其存在形式可以是硬件结构、软件模块、或者是硬件结构加软件模块，不予限制。
可选的，上述CU、CU-CP、CU-UP、DU和RU中的任一个可以是软件模块、硬件结构、或者软件模块加硬件结构，不予限制。其中，不同实体的存在形式可以相同，也可以不同的。例如CU、CU-CP、CU-UP和DU是软件模块，RU是硬件结构。为了描述简洁，此处不再一一罗列所有可能的组合形式。这些模块及其执行的方法也在本公开的保护范围内。例如，本公开的方法由接入网设备执行时，具体可以由CU、CU-CP、CU-UP、DU、RU或下文介绍的近实时RIC中的至少一项执行。
本公开中，接入网设备和/或终端设备可以是固定位置的，也可以是可移动的。接入网设备和/或终端设备可以部署在陆地上，包括室内或室外、手持或车载；或者可以部署在水面上；或者可以部署在空中的飞机、气球和人造卫星上。本公开对接入网设备和终端设备所处的环境/场景不做限定。接入网设备和终端设备可以部署在相同的或不同的环境/场景，例如，接入网设备和终端设备同时部署在陆地上；或者，接入网设备部署在陆地上，终端设备部署在水面上等，不再一一举例。
接入网设备和终端设备的角色可以是相对的。例如，图1中的直升机或无人机120i可以被配置成移动接入网设备，对于那些通过120i接入到无线接入网100的终端设备120j来说，终端设备120i是接入网设备。对于接入网设备110a来说，120i可以是终端设备，即110a与120i之间可以是通过无线接入网空口协议进行通信的。或者，110a与120i之间是通过接入网设备与接入网设备之间的接口协议进行通信的，此时，相对于110a来说，120i也是接入网设备。因此，接入网设备和终端设备都可以统一称为通信装置(或通信设备)，图1中的110a和110b可以称为具有接入网设备功能的通信装置，图1中的120a-120j可以称为具有终端设备功能的通信装置。
接入网设备和终端设备之间、接入网设备和接入网设备之间、或终端设备和终端设备之间：可以通过授权频谱进行通信，或者可以通过免授权频谱进行通信，或者可以同时通过授权频谱和免授权频谱进行通信；和/或，可以通过6千兆赫(gigahertz，GHz)以下的频谱进行通信，或者可以通过6GHz以上的频谱进行通信，或者可以同时使用6GHz以下的频谱和6GHz以上的频谱进行通信。本公开对无线通信所使用的频谱资源不做限定。
在通信系统中，数据发送端如果可以获知从数据发送端到数据接收端之间的信道的信道信息，可以提高数据传输效率。例如，在基于MIMO的系统中，数据发送端如果能够获知该信道信息，便可以得到预编码矩阵等传输参数，并可以利用预编码矩阵对待发送数据进行预编码，使得数据发送端可以通过相同的资源(例如相同的时频资源)向同一个数据接收端发送多个空分复用的数据流，和/或，通过相同的资源向多个数据接收端发送数据。一种可能的实现中，可以由数据接收端估计得到信道信息，并将信道信息发送给数据发送端；数据发送端基于信道信息确定预编码矩阵，利用该预编码矩阵对待发送数据进行预编码，并将预编码数据发送给数据接收端。本公开中，估计信道信息还可以被描述为测量信道信息或其他名称，不予限制。可选地，数据接收端为终端设备，数据发送端为接入网设备；或者，数据接收端为接入网设备，数据发送端为终端设备；或者，数据接收端为第一接入网设备，数据发送端为第二接入网设备，不予限制。为了便于理解，下文以数据接收端为终端设备，数据发送端为接入网设备为例进行描述。
为了提高信道信息的反馈效率，使得系统能够智能地实现信道信息的反馈，本公开将人工智能(artificial intelligence，AI)技术引入通信系统中。该方法中，利用AI技术实现或者辅助实现信道信息的反馈，所反馈的信道信息能够更好地匹配实际的信道环境，因此所反馈的信道信息较为准确。
人工智能，可以让机器具有人类的智能，例如可以让机器应用计算机的软硬件来模拟人类某些智能行为。为了实现人工智能，可以采用机器学习方法。机器学习方法中，机器利用训练数据学习(或训练)得到模型，并应用该模型进行推理(或预测)。推理结果可以用于解决实际问题。机器学习方法包括但不限制于以下至少一种：神经网络(neuralnetwork,NN)、概率图模型、稀疏编码/字典学习法、变分自编码器(variational auto-encoder，VAE)、或生成对抗网络(generative adversarial networks，GAN)等，不予限制。
神经网络是机器学习技术和AI模型的一种具体实现形式。根据通用近似定理，神经网络在理论上可以逼近任意连续函数，从而使得神经网络具备学习任意映射的能力。传统的通信系统需要借助丰富的专家知识来设计通信模块，而基于神经网络的深度学习通信系统可以从大量的数据集中自动发现隐含的模式结构，建立数据之间的映射关系，获得优于传统建模方法的性能。
神经网络的思想来源于大脑组织的神经元结构。例如，每个神经元都对其输入值进行加权求和运算，通过一个激活函数输出运算结果。如图2A所示，为神经元结构的一种示意图。假设神经元的输入为x＝[x0,x1,…,xn]，与各个输入对应的权值分别为w＝[w,w1,…,wn]，其中，n为正整数，wi和xi可以是小数、整数(例如0、正整数或负整数等)、或复数等各种可能的类型。wi作为xi的权值，用于对xi进行加权。根据权值对输入值进行加权求和的偏置例如为b。激活函数的形式可以有多种，假设一个神经元的激活函数为：y＝f(z)＝max(0,z)，则该神经元的输出为：
Figure BDA0003449729120000101
再例如，一个神经元的激活函数为：y＝f(z)＝z，则该神经元的输出为：/>
Figure BDA0003449729120000102
Figure BDA0003449729120000103
其中，b可以是小数、整数(例如0、正整数或负整数)、或复数等各种可能的类型。神经网络中不同神经元的激活函数可以相同或不同。
神经网络一般包括多个层，每层可包括一个或多个神经元。通过增加神经网络的深度和/或宽度，能够提高该神经网络的表达能力，为复杂系统提供更强大的信息提取和抽象建模能力。其中，神经网络的深度可以是指神经网络包括的层数，每层包括的神经元个数可以称为该层的宽度。在一种实现方式中，神经网络包括输入层和输出层。神经网络的输入层将接收到的输入信息经过神经元处理，将处理结果传递给输出层，由输出层得到神经网络的输出结果。在另一种实现方式中，神经网络包括输入层、隐藏层和输出层，可参考图2B。神经网络的输入层将接收到的输入信息经过神经元处理，将处理结果传递给中间的隐藏层，隐藏层对接收的处理结果进行计算，得到计算结果，隐藏层将计算结果传递给输出层或者下一个相邻的隐藏层，最终由输出层得到神经网络的输出结果。其中，一个神经网络可以包括一个隐藏层，或者包括多个依次连接的隐藏层，不予限制。
本公开涉及的神经网络例如为深度神经网络(deep neural network,DNN)。根据网络的构建方式，DNN可以包括前馈神经网络(feedforward neural network,FNN)、卷积神经网络(convolutional neural networks,CNN)和递归神经网络(recurrent neuralnetwork,RNN)。本公开涉及到的模型的类型可以是DNN，例如可以是FNN、CNN或者RNN，不予限制。
模型训练过程中，可以定义损失函数。损失函数描述了模型的输出值和理想目标值之间的差距或差异。本公开不限制损失函数的具体形式。模型训练过程可以看作以下过程：通过调整模型的部分或全部参数，使得损失函数的值小于门限值或者满足目标需求。
模型还可以称为AI模型、规则或者其他名称，不予限制。AI模型可以认为是实现AI功能的具体方法。AI模型表征了模型的输入和输出之间的映射关系或者函数。AI功能可以包括以下至少一项：数据收集、模型训练(或模型学习)、模型信息发布、模型推断(或称为模型推理、推理、或预测等)、模型监控或模型校验、或推理结果发布等。AI功能还可以称为AI(相关的)操作、或AI相关的功能。
本公开中，可以在前述图1所示的通信系统中引入独立的网元(如称为AI网元、AI节点、或AI设备等)来实现部分或全部AI相关的操作。AI网元可以和接入网设备直接连接，或者可以通过第三方网元和接入网设备实现间接连接。可选的，第三方网元可以是核心网网元。或者，可以在通信系统中的其他网元内配置或设置AI实体，用于实现AI相关的操作。其中，AI实体还可以称为AI模块、AI单元或其他名称，主要用于实现部分或全部AI功能，本公开不限制其具体名称。可选的，该其他网元可以是接入网设备、核心网设备、云服务器、或网管(operation,administration and maintenance，OAM)等。在这种情况下，执行AI相关的操作的网元为内置AI功能的网元。由于AI网元和AI实体都是实现AI相关的功能，为了便于描述，以下将AI网元和内置AI功能的网元统一描述为AI功能网元。
本公开中，OAM用于操作、管理和/或维护核心网设备(核心网设备的网管)，和/或，用于操作、管理和/或维护接入网设备(接入网设备的网管)。例如，本公开中包括第一OAM和第二OAM，第一OAM是核心网设备的网管，第二OAM是接入网设备的网管。可选的，第一OAM和/或第二OAM中包括AI实体。再例如，本公开中包括第三OAM，第三OAM同时是核心网设备和接入网设备的网管。可选的，第三OAM中包括AI实体。
可选的，为了匹配支持AI功能，终端或终端芯片中可以集成AI实体。
如图3A所示为AI在通信系统中的一种应用框架的示例图。在图3A中，数据源(datasource)用于存储训练数据和推理数据。模型训练节点(model training host)通过对数据源提供的训练数据(training data)进行训练或者更新训练，得到AI模型，且将AI模型部署在模型推理节点(model inference host)中。其中，AI模型表征了模型的输入和输出之间的映射关系。通过模型训练节点学习得到AI模型，相当于由模型训练节点利用训练数据学习得到模型的输入和输出之间的映射关系。模型推理节点使用AI模型，基于数据源提供的推理数据进行推理，得到推理结果。该方法可以实现为：模型推理节点将推理数据输入到AI模型，通过AI模型得到输出，该输出即为推理结果。该推理结果可以指示：由执行对象使用(执行)的配置参数、和/或由执行对象执行的操作。推理结果可以由执行(actor)实体统一规划，并发送给一个或多个执行对象(例如，核心网网元、基站或UE等)去执行。可选的，模型推理节点可以将其推理结果反馈给模型训练节点，该过程可以称为模型反馈，所反馈的推理结果用于模型训练节点更新AI模型，并将更新后的AI模型部署在模型推理节点中。可选的，执行对象可以将其收集到的网络参数反馈给数据源，该过程可以称为表现反馈，所反馈的网络参数可以作为训练数据或推理数据。
在本公开中，图3A所示的应用框架可以部署在图1中所示的网元。例如，图3A的应用框架可以部署在图1的终端设备、接入网设备、核心网设备、或独立部署的AI网元(未示出)中的至少一项。例如，AI网元(可看做模型训练节点)可对终端设备和/或接入网设备提供的训练数据(training data)进行分析或训练，得到一个模型。终端设备、接入网设备、或核心网设备中的至少一项(可看做模型推理节点)可以使用该模型和推理数据进行推理，得到模型的输出。其中，推理数据可以是由终端设备和/或接入网设备提供的。该模型的输入包括推理数据，该模型的输出即为该模型所对应的推理结果。终端设备、接入网设备、或核心网设备中的至少一项(可看做执行对象)可以根据推理结果进行相应的操作。其中，模型推理节点和执行对象可以相同，也可以不同，不予限制。
下面结合图3B～3E对本公开提供的方法能够应用的网络架构进行举例介绍。
如图3B所示，第一种可能的实现中，接入网设备中包括近实时接入网智能控制(RAN intelligent controller，RIC)模块，用于进行模型训练和推理。例如，近实时RIC可以用于训练AI模型，利用该AI模型进行推理。例如，近实时RIC可以从CU、DU、RU或终端设备中的至少一项获得网络侧和/或终端侧的信息，该信息可以作为训练数据或者推理数据。可选的，近实时RIC可以将推理结果递交至CU、DU、RU或终端设备中的至少一项。可选的，CU和DU之间可以交互推理结果。可选的，DU和RU之间可以交互推理结果，例如近实时RIC将推理结果递交至DU，由DU转发给RU。
如图3B所示，第二种可能的实现中，接入网之外包括非实时RIC(可选的，非实时RIC可以位于OAM中、云服务器中、或者核心网设备中)，用于进行模型训练和推理。例如，非实时RIC用于训练AI模型，利用该模型进行推理。例如，非实时RIC可以从CU、DU、RU或终端设备中的至少一项获得网络侧和/或终端侧的信息，该信息可以作为训练数据或者推理数据，该推理结果可以被递交至CU、DU、RU或终端设备中的至少一项。可选的，CU和DU之间可以交互推理结果。可选的，DU和RU之间可以交互推理结果，例如非实时RIC将推理结果递交至DU，由DU转发给RU。
如图3B所示，第三种可能的实现中，接入网设备中包括近实时RIC，且接入网设备之外包括非实时RIC(可选的，非实时RIC可以位于OAM中、云服务器中、或者核心网设备中)。同上述第二种可能的实现，非实时RIC可以用于进行模型训练和推理。和/或，同上述第一种可能的实现，近实时RIC可以用于进行模型训练和推理。和/或，非实时RIC进行模型训练，近实时RIC可以从非实时RIC获得AI模型信息，并从CU、DURU、或终端设备中的至少一项获得网络侧和/或终端侧的信息，利用该信息和该AI模型信息得到推理结果。可选的，近实时RIC可以将推理结果递交至CU、DU、RU或终端设备中的至少一项。可选的，CU和DU之间可以交互推理结果。可选的，DU和RU之间可以交互推理结果，例如近实时RIC将推理结果递交至DU，由DU转发给RU。例如，近实时RIC用于训练模型A，利用模型A进行推理。例如，非实时RIC用于训练模型B，利用模型B进行推理。例如，非实时RIC用于训练模型C，将模型C的信息发送给近实时RIC，近实时RIC利用模型C进行推理。
图3C所示为本公开提供的方法能够应用的一种网络架构的示例图。相对图3B，图3B中将CU分离为了CU-CP和CU-UP。
图3D所示为本公开提供的方法能够应用的一种网络架构的示例图。如图3D所示，可选的，接入网设备中包括一个或多个AI实体，该AI实体的功能类似上述近实时RIC。可选的，OAM中包括一个或多个AI实体，该AI实体的功能类似上述非实时RIC。可选的，核心网设备中包括一个或多个AI实体，该AI实体的功能类似上述非实时RIC。当OAM和核心网设备中都包括AI实体时，他们各自的AI实体所训练得到的模型不同，和/或用于进行推理的模型不同。
本公开中，模型不同包括以下至少一项不同：模型的结构参数(例如神经网络层数、神经网络宽度、层间的连接关系、神经元的权值、神经元的激活函数、或激活函数中的偏置中的至少一项)、模型的输入参数(例如输入参数的类型和/或输入参数的维度)、或模型的输出参数(例如输出参数的类型和/或输出参数的维度)。
图3E所示为本公开提供的方法能够应用的一种网络架构的示例图。相对图3D，图3E中的接入网设备分离为CU和DU。可选的，CU中可以包括AI实体，该AI实体的功能类似上述近实时RIC。可选的，DU中可以包括AI实体，该AI实体的功能类似上述近实时RIC。当CU和DU中都包括AI实体时，他们各自的AI实体所训练得到的模型不同，和/或，用于进行推理的模型不同。可选的，还可以进一步将图3E中的CU拆分为CU-CP和CU-UP。可选的，CU-CP中可以部署有一个或多个AI模型。可选的，CU-UP中可以部署有一个或多个AI模型。
图3D或图3E中，接入网设备的OAM和核心网设备的OAM示出为统一部署。可替代地，如前文所述，图3D或图3E中，接入网设备的OAM和核心网设备的OAM可以分开独立部署。
本公开中，一个模型可以推理得到一个输出，该输出包括一个参数或者多个参数。不同模型的学习过程或训练过程可以部署在不同的设备或节点中，或者可以部署在相同的设备或节点中。不同模型的推理过程可以部署在不同的设备或节点中，或者可以部署在相同的设备或节点中。本公开对于这些实现不做限制。
本公开中，所涉及的网元可以执行该网元相关的部分或全部步骤或操作。这些步骤或操作仅是示例，本公开还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照本公开呈现的不同的顺序来执行，并且有可能并非要执行本公开中的全部操作。
在本公开的各个示例中，如果没有特殊说明和逻辑冲突，不同的示例之间的术语和/或描述可以相互引用，不同的示例中的技术特征根据其内在的逻辑关系可以组合形成新的示例。
本公开中，至少一个(项)还可以描述为一个(项)或多个(项)，多个(项)可以是两个(项)、三个(项)、四个(项)或者更多个(项)，不予限制。“/”可以表示前后关联的对象是一种“或”的关系，例如，A/B可以表示A或B；“和/或”可以用于描述关联对象存在三种关系，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。为了便于描述本公开的技术方案，可以采用“第一”、“第二”、“A”、或“B”等字样对功能相同或相似的技术特征进行区分。该“第一”、“第二”、“A”、或“B”等字样并不对数量和执行次序进行限定。并且，“第一”、“第二”、“A”、或“B”等字样也并不限定一定不同。“示例性的”或者“例如”等词用于表示例子、例证或说明，被描述为“示例性的”或者“例如”的任何设计方案不应被解释为比其它设计方案更优选或更具优势。使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
本公开描述的网络架构以及业务场景是为了更加清楚的说明本公开的技术方案，并不构成对于本公开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，本公开提供的技术方案对于类似的技术问题，同样适用。
为了利用AI技术实现或者辅助实现信道信息的反馈，本公开提供了一种信道信息反馈方法，能够节省通信资源。该方法中，终端设备利用信道重构模型，确定第一信道信息的稀疏表示信息。稀疏表示信息包括M个元素，该M个元素中包括K个非零元素和M-K个零元素。其中，K为大于或等于1的整数，M为大于或等于K的整数。终端设备通过信道反馈信息将稀疏表示信息指示给接入网设备。接入网设备利用稀疏表示信息和信道重构模型可以恢复出(或者描述为：重构出)第一信道信息。
通过上述方法，可以节省通信系统的资源。由于通信系统中的环境复杂多变，传输需求也可能多种多样。为了适应通信系统的多样性，一种可能的做法是针对每种传输需求和每种信道环境，设计信道信息的一种传输参数。例如，针对每种传输需求和每种信道环境，设计一套匹配的信道信息编码器和信道信息解码器。其中，信道信息编码器和信道信息解码器可以为AI模型。终端设备利用信道信息编码器对信道信息进行编码，得到编码信息。终端设备将编码信息发送给接入网设备。接入网设备利用编码信息和信道信息解码器，解码得到信道信息。该方法的缺点是，为了适用通信系统的多样性，需要设计多套编码器和解码器。然而，本公开提供的方法中，终端设备向接入网设备发送信道信息的稀疏表示信息，该稀疏表示信息中包括零元素和非零元素，通过零元素和非零元素的个数和/或位置的设计可以适应多种可能的通信需求。例如，针对不同的信道环境，非零元素的个数和/或位置可以被独立设置，以满足不同信道环境下的通信需求。通过该方法，可以简化设计，例如通过一种信令即可满足多种需求。该稀疏表示信息是终端设备侧在已知信道重构模型的条件下得到的，从而使得接入网设备侧能够利用该稀疏表示信息和信道重构模型恢复出较为准确的原始的信道信息。因此，上述方法可以节省通信资源且具有较强的泛化能力，即通过一个信道重构模型，在多种通信场景中较为准确地传输信道信息。
可选的，信道重构模型还可以称为：信道恢复模型、信道解算模型或其他名称，不予限制。
可选的，终端设备侧使用的信道重构模型和接入网设备侧使用的信道重构模型的结构和/或参数可以不同。例如，终端设备侧使用的信道重构模型为第一信道重构模型，接入网设备侧使用的信道重构模型为第二信道重构模型。虽然第一信道重构模型和第二信道重构模型的具体参数可以不同，但是二者的输入维度相同；输出维度相同；且，给定相同的输入时，二者的输出相同或者近似相同，例如二者的输出之间的差异小于门限值。该设计的目的是终端设备的处理能力有限时，可以在终端设备侧部署与接入网设备侧功能几乎相同或者输出误差在可允许范围内，但是模型结构更加简洁的信道重构模型，用于节省终端设备的处理资源。为了便于描述，下文以第一信道重构模型和第二信道重构模型是相同的重构模型为例进行描述。
图4所示为本公开提供的一种信道信息反馈方法的示意图，该方法包括操作S401至S403。
操作S401，终端设备根据第一信道信息和信道重构模型，确定第一信道信息的稀疏表示信息。其中，稀疏表示信息包括M个元素，该M个元素中包括K个非零元素和M-K个零元素，K为大于或等于1的整数，M为大于或等于K的整数。
第一信道信息是接入网设备和终端设备之间的信道的信息。第一信道信息可以是一个或多个时间单元对应的信道信息。其中，时间单元可以是符号、时隙、子帧或者其他可能的时间单元，不予限制。本公开不限制第一信道信息的类型和获取方式，例如该信息可以是时域信息或者频域信息，不予限制。例如，第一信道信息是终端设备估计到的下行信道响应，或者是对该下行信道响应进行预处理后得到的信息，不予限制。其中，下行信道响应还可以称为下行信道矩阵或者其他名称，不予限制。可选地，如图5所示，该预处理包括以下至少一项操作：信道白化、信道归一化、或量化。本公开不排除该预处理还可以包括其他可能的操作。
例如，接入网设备向终端设备发送下行参考信号，例如下行同步信号或者信道状态信息参考信号(channel state information reference signal，CSI-RS)。终端设备已知下行参考信号的序列值，例如该序列值是协议约定的或者是接入网设备预先通知终端设备的，则终端设备基于接收到的下行参考信号可以估计(测量)得到下行信道响应H。例如，H为频域信道响应，则H满足：Y＝H×S+n0，其中，S为发送的下行参考信号，Y为接收信号，n0表示噪声。可选地，在基于正交频分复用(orthogonal frequency division multiplexing，OFDM)的通信系统中，H可以表示为3维矩阵，例如H的维度为NC×NTx×NRx，其中，第一维的长度等于频域带宽，例如等于频域子载波个数NC，第二维的长度等于发送端天线端口数NTx，第三维的长度等于接收端天线端口数NRx。其中，NC、NTx和NRx为整数。可选地，这三个维度的顺序可以互相交换，例如，H的第一维的长度等于NTx，第二维的长度等于NRx，第三维的长度等于NC，不再一一举例。下文以H的维度为NC×NTx×NRx为例进行说明。将H中的元素记为hi,j,z，hi,j,z为复数，i取值为0至NC-1，j取值为0至NTx-1，z取值为0至NRx-1。hi,j,z表示在子载波i上，发送端天线端口j和接收端天线端口z之间的信道的信道响应。
可选地，第一信道信息为H。
可选地，第一信道信息为H1，H1为利用干扰噪声协方差矩阵Ruu对H(可以称为第二信道信息)进行白化后得到的矩阵。该方法可以描述为：第一信道信息是第二信道信息的白化信道信息。
例如，接入网设备向终端设备发送零功率信道状态信息参考信号(zero powerchannel state information reference signal，ZP CSI-RS)，则终端设备基于接收到的参考信号可以估计(测量)得到干扰及噪声，记为I。I包含多个子载波信息，其中第k个子载波的I(k)的维度NRx×1，按如下方式可以得到干扰及噪声的协方差矩阵：
Figure BDA0003449729120000151
Ruu为干扰及噪声的协方差矩阵，IH(k)表示I(k)的共轭转置，其维度NRx×NRx。由其可以产生白化矩阵P，维度为NRx×NRx，其中，P满足：
Figure BDA0003449729120000152
或者，PH×P＝Ruu，
其中，PH表示P的共轭转置。
对于第k个子载波，用白化矩阵左乘信道信息矩阵，完成信道白化：
Hwhiten(k)＝P×H(k)
信道白化后的维度不变，Hwhiten(k)的维度仍为NRx×NTx。将各子载波的Hwhiten(k)进行组合，可以得到上述第二信道信息H1，H1的维度为NC×NTx×NRx。
可选地，第一信道信息为H2，H2为对H或H1进行归一化处理后得到的矩阵。经过归一化处理后，可以得到缩放因子和H2。其中，缩放因子还可以称为信噪比(signal-to-noise，SNR)，归一化前的矩阵(可以称为第二信道信息，例如第二信道信息为H或H1)除以缩放因子等于H2，表示缩放因子是第二信道信息相对于第一信道信息的缩放因子，或者，归一化前的矩阵(可以称为第二信道信息，例如第二信道信息为H或H1)乘以缩放因子等于H2，表示缩放因子是第一信道信息相对于第二信道信息的缩放因子。归一化后，H2的实部和虚部的取值可以位于区间[0,1]中。缩放因子的取值可以为小数或整数，例如可以为小于1的数或大于等于1的数，不予限制。该方法可以描述为：第一信道信息是第二信道信息的归一化信道信息。该方法中，终端设备还可以将缩放因子发送给接入网设备，例如通过下述S402中的信道反馈信息发送给接入网设备。如图5所示，接入网设备可以根据该缩放因子对恢复出的第一信道信息进行信道缩放。可选的，终端设备向接入网设备发送缩放因子时，所发送的缩放因子可以是原始值或者量化值。例如，反馈的缩放因子为量化值时，反馈的缩放因子的取值为2U个候选取值中的一个，则用于携带缩放因子的信息域包括U个比特，以反馈该缩放因子的取值是该2U个候选取值中的哪一个。其中，U为整数，例如1、2、3、4、5、6或者其他整数，不予限制。该2U个候选取值可以是协议约定的，或者接入网设备通过信令预先配置给终端设备的，不予限制。
可选地，第一信道信息为对H、H1、或H2(可以称为第二信道信息)进行量化后得到的矩阵H3。该方法可以描述为：第一信道信息是第二信道信息的量化信道信息。
终端设备利用信道重构模型，得到第一信道信息的稀疏表示信息。第一信道信息的稀疏表示信息包括M个元素。其中，该M个元素中包括K个非零元素和M-K个零元素，K为大于或等于1的整数，M为大于或等于K的整数。对于该K个非零元素中的每个元素，该元素的值不予限制，例如可以是实数或者复数，可以是正数或者负数、和/或可以是小数或整数。信道重构模型能够用于根据第一信道信息的稀疏表示信息恢复得到第一信道信息。其中，M的取值等于信道重构模型的输入的维度。给定信道重构模型后，M的取值是给定的。K个非零元素表示该K个元素的值可以是非零的，计算得出是多少就是多少。也就是说，实际计算时，该K个非零元素中的某个或者某些元素的取值可能实际等于零，但是，即使它们等于零，终端设备也按照上报非零元素的规则，向接入网设备上报这些元素的取值。对于M-K个非零元素，终端设备可以无需向接入网设备上报它们的取值，因为接入网设备会默认为这些元素的取值为零。
可选的，可以通过设置K的不同取值和/或不同位置，以适应不同的网络需求。例如，可以通过设置K的不同取值，适应各种可能的反馈压缩比。第一信道信息的压缩比可以表示为K和N的比值，其中，N表示第一信道信息的维度，该维度为NC×NTx×NRx或者2×NC×NTx×NRx，N为正整数，2表述将第一信道信息的实部和虚部分别考虑时共2维。下文以第一信道信息的维度是NC×NTx×NRx为例进行描述，当该维度为2×NC×NTx×NRx时，本领域技术人员可以对下文描述的方法进行替换得到相应的方法。其中，第一信道信息的压缩比还可以称为第一信道信息的反馈压缩比、第一压缩比、或者其他名称，不予限制。
可选的，K的取值或者第一压缩比可以是协议约定的；或者，是接入网设备预先通知终端设备的；或者，是由终端设备通过信令发送给接入网设备的，例如通过下述S402中的信道反馈信息发送给接入网设备的。
可选的，可以由协议约定或者由接入网设备预先通知终端设备多个候选压缩比，或者K的多个候选取值。进一步地，由接入网设备通过信令通知终端设备第一压缩比为该多个候选压缩比中的哪一个，或者K的取值为多个候选取值中的哪一个。或者，由终端设备通过信令(例如下述S402中的信道反馈信息)向接入网设备反馈第一压缩比为该多个候选压缩比中的哪一个，或者K的取值为多个候选取值中的哪一个。例如，共有L个候选压缩比或者共有L个候选取值，则接入网设备或终端设备可以通过大于或等于
Figure BDA0003449729120000161
个比特指示第一压缩比的索引或者K的索引，其中，/>
Figure BDA0003449729120000162
表示上取整，L为正整数。
例如，假设第一信道信息的维度N为4096，其中，NC为64，NTx为16，NRx为4，共配置4个候选压缩比，分别为：1/64,1/128,1/256和1/512，则K可以有4个取值，分别为64，32,16和8；或者，共配置K的4个候选取值，分别为：64，32,16和8，则共有4个候选压缩比，分别为：1/64,1/128,1/256和1/512。假设M的取值为256，则第一信道的稀疏表示信息共有4种可能的形式，分别为：包括256个元素，其中64个非零元素和256-64＝192个零元素；包括256个元素，其中32个非零元素和256-32＝224个零元素；包括256个元素，其中16个非零元素和256-16＝240个零元素；包括256个元素，其中8个非零元素和256-8＝248个零元素。接入网设备或终端设备可以通过2个比特指示第一压缩比或者K的具体取值。其中，该2个比特的取值和各取值所指示的第一压缩比如表1A所示，该2个比特的取值和各取值所指示的K的取值如表1B所示。
表1A
2个比特的取值 第一压缩比
00 1/64
01 1/128
10 1/256
11 1/512
表1B
2个比特的取值 K
00 64
01 32
10 16
11 8
上述方法中，给定信道重构模型后，即针对一个信道重构模型，通过设置K的不同取值或者第一压缩比的不同取值，可以适应各种可能的反馈压缩比。由于该信道重构模型的输入为稀疏信息，使得该稀疏信息中非零元素个数K的取值可以被设置为不同，以适应不同的压缩比，因此可以通过一个模型来实现信道信息的各种反馈需求，从而可以节省通信资源，例如无需针对不同的压缩比训练多个不同的模型。
例如，给定K的取值，可以通过在M个元素中设置K个非零元素的位置，以适应不同的信道环境。其中，K个非零元素的位置表示该K个非零元素在该M个元素中的位置。例如，给定M和K，共设置U种位置。U为正整数。例如设置4种位置，分别对应：第一信道环境、第二信道环境、第三信道环境和第四信道环境。下文操作S402中将针对K个非零元素的位置进行更加详细的介绍。
信道重构模型可以是协议约定的，例如离线训练后约定于协议中；或者是由网络侧，例如AI功能网元、OAM、接入网设备、或核心网设备等，训练后发送给终端设备的；或者是由终端设备从第三方网络下载的；或者是由终端设备训练得到的；不予限制。
上述方法中，训练节点在训练得到信道重构模型时，可以根据训练数据集中的训练数据，训练得到信道重构模型。其中，训练数据集中包括一个或多个训练数据。训练数据的形式同上述第一信道信息的形式。示例性地，训练数据是终端设备历史收集到的信道信息(可选的，当训练节点不是终端设备时，终端设备可以将该训练数据发送至训练节点)；或者，训练数据是接入网设备历史收集到的信道信息(可选的，当训练节点不是接入网设备时，接入网设备可以将该训练数据发送至训练节点)；或者，训练数据是根据已知信道模型生成的信道信息；本公开不限制训练数据的获取方式或确定方式。
一种可能的实现中，训练节点可以采用图6A或图6B所示的方法，训练得到信道重构模型。使得训练得到的信道重构模型满足：当信道重构模型的输入为信道信息的稀疏表示信息时，可以尽可能准确地重构恢复出信道信息。
该训练方法可以包括：操作1，训练节点确定训练数据集中的一组训练数据；操作2，针对该组训练数据中的每个训练数据，确定该训练数据的稀疏表示信息，根据该稀疏表示信息和当前信道重构模型确定该训练数据对应的模型输出；操作3，针对该组训练数据，如果损失函数满足性能要求，则训练结束，否则，更新当前信道重构模型，并重新执行操作1。
下面结合图6A介绍第一种可能的模型训练方法。该方法中，根据稀疏表示算法和当前信道重构模型，确定训练数据的稀疏表示信息。
在训练之前，训练节点确定信道重构模型的输入维度、输入数据的特征、输出维度、和信道重构模型的初始模型参数(例如，信道重构模型为神经网络，初始模型参数包括：模型的结构参数)。其中，输入数据的特征包括：输入数据包括M个元素，该M个元素中包括K个非零元素和M-K个零元素。可选的，K可以等于多个候选取值中的任一个。即，所训练得到的信道重构模型可以适用于K等于该多个候选取值中的任一个的情况，即该信道重构模型可以适用于多种压缩比。
在第一次迭代训练时，下述操作6A-1中的当前信道重构模型为初始信道重构模型。
操作6A-1：训练节点从训练数据集中确定一组训练数据，例如第一组训练数据，针对该组训练数据中的每个训练数据，分别执行操作6A-1-1和操作6A-1-2。
本公开中，一组训练数据中可以包括一个或多个训练数据，例如可以包括训练数据集中的部分或者全部数据。不同组训练数据中包括的训练数据的个数可以相同，也可以不同。不同组训练数据可以存在交集，或者不存在交集，不予限制。
操作6A-1-1：训练节点利用该组训练数据的一个训练数据A和当前信道重构模型fde()，根据稀疏表示算法得到训练数据A的稀疏表示信息x。
可选地，稀疏表示算法包括根据目标函数一确定训练数据A的稀疏表示信息x。
minx‖Hw-fde(x)‖2，且‖x‖0≤K (目标函数一)
其中，Hw表示训练数据A，‖‖2表示L2范数，‖‖0表示L0范数，fde(x)表示当信道重构模型的输入为x时得到的推理结果，其中，x包括M个元素，该M个元素中包括K个非零元素和M-K个零元素。
可选的，稀疏表示算法可以是任意求解稀疏重构问题的方法，不予限制。例如，可以是迭代收缩阈值算法(iterative shrinkage-thresholding algorithm，ISTA)、快速迭代收缩阈值算法(fast iterative shrinkage-thresholding algorithm，FISTA)、或者，交替方向乘子法(alternating direction method of multipliers，ADMM)、或正交匹配追踪(orthogonal matching pursuit，OMP)方法；不予限制。
操作6A-1-2：训练节点根据稀疏表示算法得到训练数据A的稀疏表示信息x后，训练节点将稀疏表示信息x输入当前信道重构模型fde()，推理得到训练数据A的重构数据fde(x)。
操作6A-2：针对该组训练数据中的每个训练数据，训练节点计算每个训练数据，例如记为训练数据A，和该训练数据对应的重构数据fde(x)之间的损失函数值。其中，损失函数为‖Hw-fde(x)‖2。如果该组训练数据中的所有训练数据的损失函数的平均值(或者利用所有训练数据的各损失函数通过其它方法计算得到的值)小于或等于第一阈值，或者，该组训练数据中的所有训练数据的损失函数小于或等于第一阈值，则认为当前信道重构模型为训练得到的重构模型，模型训练过程结束。否则，更新信道重构模型的参数，例如利用梯度下降法更新信道重构模型的参数，将更新后的信道重构模型作为当前信道重构模型，利用训练数据集中的另一组训练数据，例如第二组训练数据，再次执行操作6A-1和6A-2。
例如，利用训练数据集中的E1组训练数据，可以E2次迭代执行上述操作6A-1和6A-2，直到根据当前信道重构模型计算得到损失函数的值小于或等于第一阈值时，认为训练过程结束，将当前信道重构模型作为训练得到的信道重构模型。其中，E1和E2为正整数。可选的，E1等于E2，或者E1小于E2，即可以通过相同的训练数据进行多次重复迭代训练。
可选的，可选地，K可以为多个候选取值中的任一个。针对同一组训练数据，可以利用候选取值中的每一个值作为K的值，分别执行操作6A-1至操作6A-2，以使得训练得到的信道重构模型可以适用于多种压缩比。例如，利用训练数据集中的E1组训练数据，可以E2*L次迭代执行上述操作6A-1和6A-2，直到根据当前信道重构模型计算得到损失函数的值小于或等于第一阈值时，认为训练过程结束，将当前信道重构模型作为训练得到的信道重构模型。其中，E1和E2为正整数，L为K的候选取值的个数。
可选地，可以将上述图6A涉及的训练过程中的目标函数一替换为下述目标函数二，将损失函数替换为fC(Hw,fW(fde(x))，并将训练结束条件替换为损失函数的值大于或等于第二阈值，训练得到信道重构模型。
maxxfC(Hw,fW(fde(x)))，且‖x‖0≤K (目标函数二)
其中，Hw表示训练数据A，fW()表示预编码生成模型，即表示对fde(x)进行预编码操作，fC(,)表示信道容量计算模型。
可选的，fW()表示进行奇异值分解(singular value decomposition，SVD)(还可以描述为SVD预编码)。fC(,)表示计算信道容量计算，例如：
Figure BDA0003449729120000191
其中，
Figure BDA0003449729120000192
为fW(fde(x))，/>
Figure BDA0003449729120000193
为/>
Figure BDA0003449729120000194
的共轭转置，I为单位阵，维度为NTx×NTx；k为子载波索引；det[]表示求方阵的行列式。
可选的，本公开的模型训练方法中，还可以对训练得到的模型利用测试数据进行测试，测试结果达到目标时，例如针对一个或多个测试数据利用该模型得到的损失函数满足性能要求时，认为该模型是可用的，否则需要对该模型进行重新训练。测试数据的类型同训练数据，不再赘述。
可选的，可以采用深度展开网络的方式，将上述稀疏表示算法的迭代过程展开成多层神经网络，每一层对应于算法的一步迭代，图7中以该算法共迭代Q次为例进行展开。其中，Q为正整数。展开网络的每一层均是基于信道重构模型的运算。如图7所示，该展开网络构成的稀疏表示算法(还可以称为稀疏表示模型)，连同信道重构模型进行端到端的训练，通过多次迭代训练可以得到最终的信道重构模型。或者，可以采用其它基于信道重构模型的model-based方法构建稀疏表示模型；不予限制。
下面结合图6B介绍第二种可能的模型训练方法。根据当前稀疏表示模型，确定该训练数据的稀疏表示信息。
在训练之前，训练节点除了确定信道重构模型的相关参数之外，还需要确定稀疏表示模型的相关参数。其中，信道重构模型的相关参数同上述对于图6A的相应介绍。稀疏表示模型的相关参数包括：稀疏表示模型的输入维度、输出维度、输出数据的特征、和稀疏表示模型的初始模型参数(例如，稀疏表示模型为神经网络，初始模型参数包括：模型的结构参数)。其中，输出数据的特征包括：输出数据包括M个元素，该M个元素中包括K个非零元素和M-K个零元素。可选的，K可以等于多个候选取值中的任一个。
在第一次迭代训练时，下述操作6B-1中的当前稀疏表示模型为初始稀疏表示模型，当前信道重构模型为初始信道重构模型。
操作6B-1：训练节点从训练数据集中确定一组训练数据，例如第一组训练数据，针对该组训练数据中的每个训练数据，分别执行操作6B-1-1和操作6B-1-2。
操作6B-1-1：训练节点将该组训练数据中的训练数据A输入当前稀疏表示模型，推理得到训练数据A的稀疏表示信息x。
操作6B-1-2：训练节点将稀疏表示信息x输入当前信道重构模型fde()，推理得到训练数据A的重构数据fde(x)。
操作6B-2：针对该组训练数据中的每个训练数据，训练节点计算每个训练数据，如训练数据A，和该训练数据对应的重构数据fde(x)之间的损失函数值。其中，损失函数为‖Hw-fde(x)‖2。Hw表示训练数据A。如果该组训练数据中的所有训练数据的损失函数的平均值(或者利用所有训练数据的各损失函数通过其它方法计算得到的值)小于或等于第一阈值，或者，该组训练数据中的所有训练数据的损失函数小于或等于第一阈值，则认为当前信道重构模型为训练得到的重构模型，模型训练过程结束。否则，更新稀疏表示模型的参数，例如利用梯度下降法更新稀疏表示模型的参数，将更新后的稀疏表示模型作为当前稀疏表示模型；和/或，更新信道重构模型的参数，例如利用梯度下降法更新信道重构模型的参数，将更新后的信道重构模型作为当前信道重构模型。利用训练数据集中的另一组训练数据，例如第二组训练数据，再次执行操作6B-1和6B-2。
同上述图6A中相应介绍，经过E2次迭代6B-1和6B-2，或者E2*L次迭代6B-1和6B-2，直到根据当前信道重构模型计算得到损失函数的值小于或等于第一阈值时，认为训练过程结束。此时，将当前稀疏表示模型作为训练得到的稀疏表示模型，将当前信道重构模型作为训练得到的信道重构模型。
类似前文针对图6A的介绍，可以将上述图6B涉及的训练过程中的损失函数替换为fC(Hw,fW(fde(x))，并将训练结束条件替换为损失函数的值大于或等于第二阈值，训练得到稀疏表示模型和信道重构模型。其中，Hw表示训练数据A，fW()表示预编码生成模型，即表示对fde(x)进行预编码操作，fC(,)表示信道容量计算模型。
可选的，在上述图6A或图6B的模型训练过程中，可以约定x的特征。例如，x的特征包括：对于K个非零元素中的每个元素，该元素的取值为多个候选取值中的一个。可选的，假如设置通过G个比特反馈该元素的取值，则该多个候选取值包括2G个候选取值。反馈该元素的取值时，可以通过该G个比特反馈该元素的取值在该2G个候选取值中的索引。其中，G为正整数。G的值可以是协议约定的，或者预先由接入网设备通知终端设备的，不予限制。例如，G＝4，每个非零元素的取值所在的区间为[0,1)，则每个非零元素的取值为16个候选取值中的一个，该16个候选取值可以分别为1/16的倍数加上偏置值，其中，不同候选取值的倍数不同但偏置值相同，例如偏置值可以为0、0.1或者其他可能的值，不予限制。该方法相当于约定稀疏表示信息中的非零元素为量化值。或者，可以不约定稀疏表示信息中的非零元素为量化值，在实际应用过程中，得到稀疏表示信息后再进行数据量化。可以理解的是，本公开的方法中，可以对非零元素的值进行量化，以节省信令开销，或者可以不进行量化，以简化计算过程，不予限制。
获得信道重构模型后，例如根据协议约定、训练得到信道重构模型、或者从网络侧接收得到信道重构模型的信息后，终端设备可以利用信道重构模型得到第一信道信息的稀疏表示信息。其中，训练节点，例如终端设备或网络侧设备，训练信道重构模型的方法可以是上述图6A、图6B或图7描述的方法，或者是其他可能的方法，不予限制。例如，信道重构模型为神经网络，信道重构模型的信息包括以下至少一项：模型的结构参数(例如神经网络层数、神经网络宽度、层间的连接关系、神经元的权值、神经元的激活函数、或激活函数中的偏置中的至少一项)、模型的输入参数(例如输入参数的类型和/或输入参数的维度)、或模型的输出参数(例如输出参数的类型和/或输出参数的维度)。
终端设备根据目标函数一或目标函数二确定第一信道信息的稀疏表示信息。
终端设备根据目标函数一或目标函数二确定第一信道信息的稀疏表示信息的方法类似上述操作6A-1中训练节点根据目标函数一或目标函数二确定训练数据A的稀疏表示的方法，此处不再赘述。二者的不同在于，操作6A-1，是利用当前信道重构模型得到训练数据A的稀疏表示，在图6A所示的训练过程，该信道重构模型的参数可以调整；方法A1中，是利用已经训练好的信道重构模型进行推理，通过稀疏表示算法对第一信道信息进行稀疏表示，从而得到第一信道信息的稀疏表示信息，推理过程中，信道重构模型的参数不变。
类似上述图6A相关的方法的介绍，终端设备根据目标函数求解第一信道信息的方法可以是利用任意求解稀疏重构问题的方法，例如ISTA、FISTA、ADMM、或OMP方法。可选的，这些算法的求解过程可以采用深度展开网络的方式。
可选地，上述稀疏表述算法通过迭代过程求解第一信道信息的稀疏表示信息时，该稀疏表示信息的初始值可以为随机值，或者为利用稀疏表示模型对第一信道信息进行推理得到的输出。其中，终端设备可以根据协议约定的方式获得稀疏表示模型、训练得到稀疏表示模型、或者从网络侧接收得到稀疏表示模型的信息。其中，训练节点，例如终端设备或网络侧设备，训练稀疏表示模型的方法可以是上述图6B描述的方法，或者是其他可能的方法，不予限制。
可选的，类似前文所述，为了进一步降低下述S402中的信令开销，终端设备根据目标函数一或目标函数二确定第一信道信息的稀疏表示信息，可以约束x满足：对于K个非零元素中的每个元素，该元素的取值为多个候选取值中的一个。具体细节请参考前文，此处不再赘述。或者，等效地，终端设备根据目标函数一或目标函数二确定第一信道信息的稀疏表示信息时，也可以不约束x为量化值，计算得到稀疏表示信息后，再通过量化操作对K个非零元素中的每个元素分别进行量化，使得每个元素的取值为上述多个候选取值中的一个。可以理解，不同非零元素的取值可以相同，可以不同，不予限制。本公开的方法中，可以对非零元素的值进行量化，以节省信令开销，或者可以不进行量化，以简化计算过程，不予限制。
操作S402，终端设备通过信道反馈信息将稀疏表示信息指示给接入网设备。即，终端设备向接入网设备发送信道反馈信息。其中，信道反馈信息用于指示稀疏表示信息。
终端设备可以通过以下方法B1至方法B2中的任意一种，通过信道反馈信息将稀疏表示信息发送给接入网设备。
方法B1：信道反馈信息包括稀疏表示信息。
示例性地，稀疏表示信息为矩阵[0,0.25,0.9375,0.125,0,0,0.5,0]。即，稀疏表示信息中包括8个元素，其中，4个为零元素，4个为非零元素，则信道反馈信息中包括[0,0.25,0.9375,0.125,0,0,0.5,0]。
方法B2：信道反馈信息用于指示稀疏表示信息的K个非零元素的取值和该K个非零元素的位置。
信道反馈信息可以通过以下示例中的任一种指示K个非零元素的位置。
示例1，信道反馈信息通过比特图(bitmap)指示该K个非零元素的位置。其中，比特图中包括M个比特，每个比特的值为0或1，每个比特对应稀疏表示信息中的一个元素。即，稀疏表示信息中的M个元素和比特图中的M个比特一一对应。当比特图中的一个比特的值为1时，表示稀疏表示信息中该比特对应的元素为非零元素，当比特图中的一个比特的值为0时，表示稀疏表示信息中该比特对应的元素为零元素。
例如，稀疏表示信息为矩阵[0,0.25,0.9375,0.125,0,0,0.5,0]，该矩阵中包括4个非零元素，则信道反馈信息中的比特图为[0,1,1,1,0,0,1,0]。此外，信道反馈信息还指示4个非零元素的值分别为0.25,0.9375,0.125,0.5。则，接入网设备接收到来自终端设备的信道反馈信息后，可以获得稀疏表示信息为[0,0.25,0.9375,0.125,0,0,0.5,0]。
示例2，信道反馈信息指示了K个非零元素中的每个非零元素在M个元素中的位置。具体地，信道反馈信息通过K个大于或等于
Figure BDA0003449729120000221
位的信息分别指示该K个非零元素在M个元素中的位置。
例如，稀疏表示信息为矩阵[0,0.25,0.9375,0.125,0,0,0.5,0]，该矩阵中共包括8个元素，其中4个为非零元素，该4个非零元素的位置分别为1,2,3和6，则信道反馈信息通过4个
Figure BDA0003449729120000222
位信息指示该4个非零元素的位置分别为001,010,011和110。此外，信道反馈信息还指示4个非零元素的值分别为0.25,0.9375,0.125,0.5。则，接入网设备接收到来自终端设备的反馈信息后，可以获得稀疏表示信息为[0,0.25,0.9375,0.125,0,0,0.5,0]。
示例3，信道反馈信息指示第一图样，第一图像指示了M个元素中K个非零元素的位置。其中，第一图样为多个图样(候选图样集合)中的一个。通过该方法，可以降低信道反馈信息的开销。
该多个图样中的不同图样指示的K个非零元素的位置不同。例如，图样A指示的至少一个非零元素在图样B中是零元素。对于该多个图样中的每一个图样，如下述表2A给出的例子，其形式可以是上述示例1的比特图；或者如下述表2B给出的例子，其形式可以是上述示例2的非零元素位置，不予限制。
例如，基于表2A或表2B，信道反馈信息指示第一图样的索引为0，指示K个非零元素的值为0.25,0.9375,0.125,0.5。则，接入网设备接收到来自终端设备的反馈信息后，可以获得稀疏表示信息[0,0.25,0.9375,0.125,0,0,0.5,0]。
可选地，如表2C和表2D，可以对于不同K设置不同的候选图样集合，每个候选图样集合独立进行编号。可以根据K的取值(或图样集合索引)以及图样索引，确定相应的图样。信道反馈信息指示K＝4或者指示第一图样所在的候选图样集合的索引为0，第一图样的索引为0，指示K个非零元素的值为0.25,0.9375,0.125,0.5。则，接入网设备接收到来自终端设备的反馈信息后，可以获得稀疏表示信息[0,0.25,0.9375,0.125,0,0,0.5,0]。
表2A
索引(标识) 图样值
图样一 0 [0,1,1,1,0,0,1,0]
图样二 1 [0,0,0,1,0,0,1,0]
图样三 2 [1,0,1,1,1,0,0,0]
图样四 3 [0,0,0,1,0,0,0,1]
表2B
索引(标识) 图样值
图样一 0 001,010,011,110
图样二 1 011,110
图样三 2 000,010,011,100
图样四 3 011,111
表2C(K＝4，候选图样集合0)
索引(标识) 图样值
图样一 0 001,010,011,110
图样二 1 000,010,011,100
表2D(K＝2，候选图样集合1)
索引(标识) 图样值
图样一 0 011,110
图样二 1 011,111
上述多个图样可以是协议约定的，或者是接入网设备通过信令预先通知终端设备的，不予限制。
终端设备可以直接指示K个非零元素的取值；或者，如前文所述，为了节省信令开销，如果K个非零元素的值为量化值，则信道反馈信息指示每个非零元素的值时，可以指示该非零元素的值在多个候选取值中的索引。
例如，上述各示例中，如果K个非零元素的值为量化值，例如候选取值为16个，分别为1/16的倍数，即分别为：0(索引：0000)，0.0625(索引：0001)，0.125(索引：0010)，0.1875(索引：0011)，0.25(索引：0100)，0.3125(索引：0101)，0.375(索引：0110)，0.4375(索引：0111)，0.5(索引：1000)，0.5625(索引：1001)，0.625(索引：1010)，0.6875(索引：1011)，0.75(索引：1100)，0.8125(索引：1101)，0.875(索引：1110)，0.9375(索引：1111)。信道反馈信息指示4个非零元素的值分别为0.25,0.9375,0.125,0.5时，可以针对每个元素通过4比特指示该元素的索引，信道反馈信息指示：0100，1111，0010，1000。
操作S403，接入网设备利用稀疏表示信息和信道重构模型恢复出第一信道信息。
示例性地，接入网设备接收到信道反馈信息后，根据信道反馈信息得到稀疏表示信息，并将稀疏表示信息输入信道重构模型，推理得到重构的(恢复的)第一信道信息。
示例性地，接入网设备将信道重构模型的初始输入置为M个0。即，信道重构模型的输入维度为M维。接入网设备利用反馈信息指示的K个非零元素的位置和取值，将信道重构模型的初始输入中的K个0元素替换为反馈信息指示的K个非零元素，再根据信道重构模型推理得到重构的(恢复的)第一信道信息。
可选地，如果第一信道信息是第二信道信息的归一化信道信息，如S401所述，终端设备还可以向接入网设备发送第二信道信息的缩放因子。接入网利用该缩放因子对第一信道信息进行缩放，得到第二信道信息。缩放因子可以是线性域的或者对数域的。其中，对于对数的底不做限制，例如可以为10、2、自然常数e或者其他可能的取值，不予限制。例如，以缩放因子是第二信道信息相对于第一信道信息的缩放因子为例，第一信道信息记为H1，则第二信道信息H2＝H1*T，其中，T表示该缩放因子的线性域取值，T为小于1的数或者大于等于1的数。再例如，以缩放因子是第二信道信息相对于第一信道信息的缩放因子为例，第一信道信息记为H1，对数的底为10，则第二信道信息H2＝H1*10T，其中，T表示该缩放因子的对数域取值，T为0、正数或者负数。
本公开的方法可以理解为，针对多种通信场景，例如多种信道环境和/或多种压缩比，固定接入网设备侧的信道重构模型。由于终端设备是利用该信道重构模型得到信道信息的稀疏表示信息，对于终端设备侧的求解方法不做约束，既可以满足多种通信场景的需求，又可以简化终端设备侧实现。接入网设备侧的信道重构模型可以看作字典网络，能够通过稀疏表示信息恢复出信道信息。
可以理解，实际应用中，可以使用一个信道重构模型，适用所有通信场景；也可以使用多个信道重构模型，每个信道重构模型都可以适用多种通信场景，以相对节省通信资源。
可选的，操作S404，接入网设备根据恢复出的第一信道信息或第二信道信息，可以确定传输参数，用于和终端设备进行数据传输。
例如，接入网设备根据恢复出的第一信道信息或第二信道信息，确定信道质量信息(channel quality indicator，CQI)。该CQI用于接入网设备调度物理下行共享信道(physical downlink shared channel，PDSCH)，即用于接入网设备确定PDSCH的(时域和/或频域)资源、和/或调制编码机制(modulation and coding scheme，MCS)等传输参数。可选地，在上行信道和下行信道具有互易性的系统中，该CQI还可以用于接入网设备调度物理上行共享信道(physical uplink shared channel，PUSCH)，即用于接入网设备确定PUSCH的(时域和/或频域)资源、和/或MCS等传输参数。
例如，接入网设备根据恢复出的第一信道信息或第二信道信息，确定PDSCH和/或PUSCH的预编码矩阵指示(预编码矩阵指示，PMI)和/或秩指示(rank indicator，RI)。其中，PDSCH和/或PUSCH的PMI和RI用于终端设备和接入网设备进行多天线传输，例如进行大规模MIMO传输。
例如，接入网设备可以向终端设备发送PDSCH的PMI和RI，用于终端设备解码PDSCH上携带的数据。和/或，接入网设备可以向终端设备发送PUSCH的PMI和RI，用于终端设备根据该PMI和RI确定通过PUSCH上携带的数据。
可以理解的是，为了实现上述方法中的功能，接入网设备、终端设备和AI功能网元等包括了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本公开描述的各示例的单元及方法步骤，本公开能够以硬件或硬件和计算机软件相结合的形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用场景和设计约束条件。
图8和图9为本公开提供的可能的通信装置的结构示意图。这些通信装置可以用于实现上述方法中接入网设备、终端设备和AI功能网元等的功能，因此也能实现上述方法所具备的有益效果。
如图8所示，通信装置800包括处理单元810和通信单元820。通信装置800用于实现前文所示的方法。
当通信装置800用于实现接入网设备的功能时，通信单元820用于接收来自终端设备的信道反馈信息，该信道反馈信息用于指示第一信道信息的稀疏表示信息，其中，稀疏表示信息包括M个元素，该M个元素中包括K个非零元素和M-K个零元素，其中，M和K为正整数；处理单元810用于根据信道重构模型确定第一信道信息，其中，所述信道重构模型的输入是根据所述稀疏表示信息确定的。
当通信装置800用于实现终端设备的功能时：处理单元810用于根据第一信道信息和信道重构模型确定第一信道信息的稀疏表示信息，其中，稀疏表示信息包括M个元素，该M个元素中包括K个非零元素和M-K个零元素其中，M和K为正整数；通信单元820用于向接入网设备发送信道反馈信息，该信道反馈信息用于指示所述稀疏表示信息。
有关上述处理单元810和通信单元820更详细的描述可以前文的方法中的相关描述，这里不加赘述。
如图9所示，通信装置900包括处理器910和接口电路920。处理器910和接口电路920之间相互耦合。可以理解的是，接口电路920可以为收发器、管脚、输入输出接口或其他通信接口。可选的，通信装置900还可以包括存储器930，用于存储以下至少一项：处理器910执行的指令、处理器910运行指令所需要的输入数据、或处理器910运行指令后产生的数据。
当通信装置900用于实现上述方法时，处理器910用于实现上述处理单元810的功能，接口电路920用于实现上述通信单元820的功能。
当上述通信装置为应用于终端设备的芯片时，该终端设备芯片实现上述方法中终端设备的功能。该终端设备芯片从终端设备中的其它模块(如射频模块或天线)接收信息，该信息是接入网设备等发送给终端设备的；或者，该终端设备芯片向终端设备中的其它模块(如射频模块或天线)发送信息，该信息是终端设备发送给接入网设备等的。
当上述通信装置为应用于接入网设备的模块时，该接入网设备模块实现上述方法中接入网设备的功能。该接入网设备模块从接入网设备中的其它模块(如射频模块或天线)接收信息，该信息是终端设备等发送给接入网设备的；或者，该接入网设备模块向接入网设备中的其它模块(如射频模块或天线)发送信息，该信息是接入网设备发送给终端设备等的。这里的接入网设备模块可以是接入网设备的基带芯片，也可以是近实时RIC、CU、DU或其他模块。这里的近实时RIC、CU和DU可以是O-RAN架构下的近实时RIC、CU和DU。
本公开中，处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列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，可以实现或者执行本公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
本公开中，存储器可以是非易失性存储器，比如硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)等，还可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)。存储器是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。本公开中的存储器还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
本公开中的方法可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，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程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、接入网设备、终端设备、核心网设备、AI功能网元或者其它可编程装置。所述计算机程序或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，所述计算机程序或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或无线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集成一个或多个可用介质的服务器、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；也可以是光介质，例如，数字视频光盘；还可以是半导体介质，例如，固态硬盘。该计算机可读存储介质可以是易失性或非易失性存储介质，或可包括易失性和非易失性两种类型的存储介质。
以上所述，仅为本发明的具体示例，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (22)

1.一种信道信息传输方法，其特征在于，包括：
接收来自终端设备的信道反馈信息，所述信道反馈信息用于指示第一信道信息的稀疏表示信息，其中，所述稀疏表示信息包括M个元素，所述M个元素中包括K个非零元素和M-K个零元素，其中，M和K为正整数；
根据信道重构模型确定第一信道信息，其中，所述信道重构模型的输入是根据所述稀疏表示信息确定的。
2.根据权利要求1所述的方法，其特征在于，所述信道反馈信息用于指示所述K个非零元素的取值和所述K个非零元素的位置。
3.根据权利要求1或2所述的方法，其特征在于，所述信道反馈信息用于指示第一图样，所述第一图样指示了所述K个非零元素的位置，其中，所述第一图样是多个候选图样中的一个。
4.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
根据所述第一信道信息确定以下至少一项：预编码矩阵指示PMI、秩指示RI、或信道质量指示CQI。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述信道反馈信息还用于指示所述第一信道信息相对于第二信道信息的缩放因子，其中，所述第一信道信息是所述第二信道信息的归一化信道信息。
6.根据权利要求5所述的方法，其特征在于，还包括：
根据所述第二信道信息确定以下至少一项：PMI、RI、或CQI。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述K和N的比值为第一压缩比，其中，N为正整数，N表示所述第一信道信息的维度，所述方法还包括：
向终端设备发送指示所述第一压缩比为多个候选压缩比中的一个的信息。
8.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
向终端设备发送指示所述K为多个候选取值中的一个的信息。
9.一种信道信息传输方法，其特征在于，包括：
根据第一信道信息和信道重构模型确定第一信道信息的稀疏表示信息，其中，所述稀疏表示信息包括M个元素，所述M个元素中包括K个非零元素和M-K个零元素其中，M和K为正整数；
向接入网设备发送信道反馈信息，所述信道反馈信息用于指示所述稀疏表示信息。
10.根据权利要求9所述的方法，其特征在于，根据第一信道信息和信道重构模型确定第一信道信息的稀疏表示信息，包括：
根据下述目标函数确定第一信道信息的稀疏表示信息：
Figure FDA0003449729110000011
其中，‖x‖0≤K，x表示第一信道信息的稀疏表示信息，Hw表示第一信道信息，fde()表示信道重构模型,‖ ‖2表示L2范数，‖ ‖0表示L0范数；或者，
根据下述目标函数确定第一信道信息的稀疏表示信息：
Figure FDA0003449729110000021
其中，‖x‖0≤K，x表示第一信道信息的稀疏表示信息，Hw表示第一信道信息，fde()表示信道重构模型，fW()表示预编码生成模型，fC(,)表示信道容量计算模型。
11.根据权利要求9或10所述的方法，其特征在于，所述信道反馈信息用于指示所述K个非零元素的取值和所述K个非零元素的位置。
12.根据权利要求11所述的方法，其特征在于，所述信道反馈信息用于指示第一图样，所述第一图样指示了所述K个非零元素的位置，其中，所述第一图样是多个候选图样中的一个。
13.根据权利要求9-12任一项所述的方法，其特征在于，所述信道反馈信息还用于指示所述第一信道信息相对于第二信道信息的缩放因子，其中，所述第一信道信息是所述第二信道信息的归一化信道信息。
14.根据权利要求9-13任一项所述的方法，其特征在于，所述K和N的比值为第一压缩比，所述N表示所述第一信道信息的维度，所述方法还包括：
从接入网设备接收指示所述第一压缩比为多个候选压缩比中的一个的信息。
15.根据权利要求9-13任一项所述的方法，其特征在于，所述方法还包括：
从接入网设备接收指示所述K为多个候选取值中的一个的信息。
16.一种通信装置，其特征在于，用于实现权利要求1-8任一项所述的方法。
17.一种通信装置，其特征在于，包括处理器和存储器，所述处理器和存储器耦合，所述处理器用于实现权利要求1-8中任一项所述的方法。
18.一种通信装置，其特征在于，用于实现权利要求9-15任一项所述的方法。
19.一种通信装置，其特征在于，包括处理器和存储器，所述处理器和存储器耦合，所述处理器用于实现权利要求9-15中任一项所述的方法。
20.一种通信系统，其特征在于，包括权利要求16或17所述的通信装置，和权利要求18或19所述的通信装置。
21.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得计算机执行权利要求1-8任一项所述的方法，或者权利要求9-15任一项所述的方法。
22.一种计算机程序产品，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行权利要求1-8任一项所述的方法，或者权利要求9-15任一项所述的方法。
CN202111660657.7A 2021-12-31 2021-12-31 信道信息传输方法及装置 Pending CN116436551A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111660657.7A CN116436551A (zh) 2021-12-31 2021-12-31 信道信息传输方法及装置
PCT/CN2023/070013 WO2023126007A1 (zh) 2021-12-31 2023-01-03 信道信息传输方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111660657.7A CN116436551A (zh) 2021-12-31 2021-12-31 信道信息传输方法及装置

Publications (1)

Publication Number Publication Date
CN116436551A true CN116436551A (zh) 2023-07-14

Family

ID=86998197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111660657.7A Pending CN116436551A (zh) 2021-12-31 2021-12-31 信道信息传输方法及装置

Country Status (2)

Country Link
CN (1) CN116436551A (zh)
WO (1) WO2023126007A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738354A (zh) * 2023-08-15 2023-09-12 国网江西省电力有限公司信息通信分公司 一种电力物联网终端行为异常检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107171702A (zh) * 2017-05-12 2017-09-15 重庆大学 基于pca演进的大规模mimo信道反馈方法
US10911266B2 (en) * 2018-05-18 2021-02-02 Parallel Wireless, Inc. Machine learning for channel estimation
CN108847876B (zh) * 2018-07-26 2021-03-02 东南大学 一种大规模mimo时变信道状态信息压缩反馈及重建方法
CN111464220B (zh) * 2020-03-10 2021-06-29 西安交通大学 一种基于深度学习的信道状态信息重建方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738354A (zh) * 2023-08-15 2023-09-12 国网江西省电力有限公司信息通信分公司 一种电力物联网终端行为异常检测方法及系统
CN116738354B (zh) * 2023-08-15 2023-12-08 国网江西省电力有限公司信息通信分公司 一种电力物联网终端行为异常检测方法及系统

Also Published As

Publication number Publication date
WO2023126007A1 (zh) 2023-07-06

Similar Documents

Publication Publication Date Title
US9425876B2 (en) Apparatus and method for channel feedback in multiple input multiple output system
US20240022927A1 (en) Systems, methods, and apparatus on wireless network architecture and air interface
US20240137082A1 (en) Communication method and apparatus
Clerckx et al. Multiple access techniques for intelligent and multi-functional 6G: Tutorial, survey, and outlook
WO2023126007A1 (zh) 信道信息传输方法及装置
Liu et al. CSI feedback based on complex neural network for massive MIMO systems
CN116346545A (zh) 一种通信方法及装置
CN116233857A (zh) 通信方法和通信装置
US20240171429A1 (en) Communication method and apparatus
WO2023125996A1 (zh) 一种上行预编码方法及装置
WO2023202514A1 (zh) 一种通信方法及装置
WO2023125699A1 (zh) 一种通信方法及装置
WO2023198018A1 (zh) 一种上行信号发送、接收方法及装置
WO2023231934A1 (zh) 一种通信方法及装置
WO2024027424A1 (zh) 一种数据质量度量方法及装置
WO2023115254A1 (zh) 处理数据的方法及装置
WO2023231881A1 (zh) 一种模型应用方法及装置
WO2023279947A1 (zh) 一种通信方法及装置
WO2024008004A1 (zh) 一种通信方法及装置
WO2024051789A1 (zh) 一种波束管理方法
CN116260552A (zh) 一种csi发送和接收方法及装置
CN118355610A (zh) 处理数据的方法及装置
KR20240108433A (ko) 채널 상태 정보를 전송하는 방법, 전송 기기, 프로세싱 장치 및 저장 매체, 그리고 채널 상태 정보를 수신하는 방법, 및 수신 기기
WO2024028701A1 (en) Operation of a two-sided model
KR20240019022A (ko) 통신 시스템에서 인공 신경망 기반 피드백 정보 송수신 방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication