CN116886475B - 一种信道估计方法、设备及系统 - Google Patents
一种信道估计方法、设备及系统 Download PDFInfo
- Publication number
- CN116886475B CN116886475B CN202311133706.0A CN202311133706A CN116886475B CN 116886475 B CN116886475 B CN 116886475B CN 202311133706 A CN202311133706 A CN 202311133706A CN 116886475 B CN116886475 B CN 116886475B
- Authority
- CN
- China
- Prior art keywords
- pilot pattern
- network model
- countermeasure network
- channel estimation
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000004891 communication Methods 0.000 claims abstract description 109
- 230000004044 response Effects 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000010295 mobile communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008485 antagonism Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
Abstract
本申请公开了一种信道估计方法、设备及系统,解决一种人工智能网络模型无法支持多种导频图样配置优化的问题。用于第一通信设备,信道估计方法包含步骤:获取配置信息;响应于目标生成对抗网络模型状态可用,通过第一导频图样和目标生成对抗网络模型确定目标信道响应;用目标信道响应执行通信信号检测。根据目标生成对抗网络模型状态是否可用和通信信号检测结果是否符合预期性能指标,确定并发送状态指示标识。用于第二通信设备,信道估计方法包含步骤:获取状态指示标识;发送配置信息,配置信息包含第一导频图样。本申请提高了信道估计精度还可一种人工智能网络模型能支持多种导频图样配置。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种信道估计方法、设备及系统。
背景技术
现有信道估计方法在相干检测、无线资源管理与调度等方面奠定了重要的基础,能够为通信系统的低时延、高可靠和广覆盖等多种混合业务提供有效的支撑。然而,面向高速移动业务场景,由于信道时变性加剧,传统信道估计方法难以利用少量的导频资源支持全部时频信道的高精度估计。为了提升信道估计的性能,只能通过在调度时间内增发多组导频信号实现。然而,为了保障通信系统的吞吐量,增发的导频信号数量不能超过给定阈值(以现有5G标准中DMRS配置为例,规定最多发送4组导频信号),这使得应用传统信道估计方法在造成了额外的导频开销的同时也无法高效满足信道估计的性能需求。因此,亟待寻找一种在导频信号数量受限的情况下显著提升信道估计性能的新方法。
考虑到信道的时频相关性与图像的像素关联性两者间存在的相似之处,依赖于大数据驱动的深度学习被视为是一种有效解决上述问题的潜在方法。现有的基于卷积神经网络等经典深度学习架构的信道估计方法通常旨在将导频信道作为输入并经由神经网络获得剩余的数据信道,学习由导频信道与数据信道的特征关系。然而,在该方案中仍然存在以下两个关键问题:(1)该方案不能支持多场景下导频图样配置的自适应调整,改变导频数量、导频在时频空间中的位置等都需要重新训练模型;(2)导频信道到数据信道的特征映射是两个复杂分布间的相互映射,简单神经网络模型难以逼近深度学习算法的性能界,性能提升有限。因此,如何设计一种人工智能网络模型既能支持多种导频图样配置,又能显著提升信道估计精度的方法是一个亟待解决的问题。
发明内容
本申请提出一种信道估计方法、设备及系统,解决一种人工智能网络模型无法支持多种导频图样配置优化调整的问题。
第一方面,本申请实施例提供一种信道估计方法,用于第一通信设备,包含步骤:
获取配置信息;所述配置信息包含第一导频图样;
响应于目标生成对抗网络模型状态可用,通过所述第一导频图样和目标生成对抗网络模型确定目标信道响应;
用所述目标信道响应执行通信信号检测。
进一步地,所述目标生成对抗网络模型状态处于第一状态,指示所述目标生成对抗网络未构建完成,基于所述第一导频图样不使用所述目标生成对抗网络直接执行信道估计过程确定所述目标信道响应。
进一步地,所述目标生成对抗网络模型状态处于第二状态,指示所述目标生成对抗网络构建完成,通过所述第一导频图样和所述目标生成对抗网络模型确定目标信道响应,包括步骤:
基于构建完成的生成对抗网络模型获得第二导频图样;
响应于所述第一导频图样与第二导频图样相同,基于所述第一导频图样和所述目标生成对抗网络模型执行信道估计过程确定所述目标信道响应;
响应于所述第一导频图样与第二导频图样不同,所述第一导频图样属于所述目标生成对抗网络模型可使用的导频图样集合两个条件同时发生,基于所述第一导频图样和所述目标生成对抗网络模型执行信道估计过程确定所述目标信道响应;响应于所述第一导频图样与第二导频图样不同,所述第一导频图样不属于所述目标生成对抗网络模型可使用的导频图样集合两个条件同时发生,基于所述第一导频图样且不使用所述目标生成对抗网络直接执行信道估计过程确定所述目标信道响应。
进一步地,响应于所述目标生成对抗网络模型状态处于第一状态,状态指示标识设置为第一取值,发送状态指示标识。
进一步地,响应于所述目标生成对抗网络模型状态处于第二状态,还包含步骤:
所述通信信号检测结果处于第三状态,指示通信信号检测结果不符合预期性能指标;响应于不更新目标生成对抗网络模型,状态指示标识设置为第二取值,发送状态指示标识;设置反馈信息为第三取值,包括第三导频图样;发送反馈信息;或者,响应于更新目标生成对抗网络模型,状态指示标识设置为第一取值,发送状态指示标识;
所述通信信号检测结果处于第四状态,指示通信信号检测结果符合预期性能指标;状态指示标识设置为第二取值,发送状态指示标识。
进一步地,所述通信信号检测结果处于第四状态,指示通信信号检测结果符合预期性能指标;反馈信息为第四取值,包括第二导频图样;发送反馈信息。
进一步地,根据N个时间单元的目标信道响应构建所述目标生成对抗网络模型,N≥2。
第二方面,本申请实施例还提供一种信道估计方法,用于第二通信设备,包含步骤:
获取状态指示标识;
响应于所述状态指示标识为第一取值,所述第一导频图样为预设值,发送配置信息,所述配置信息包含第一导频图样。
进一步地,还包含步骤:
响应于所述状态指示标识为第二取值,提取反馈信息得到第二导频图样或第三导频图样;
根据预定义规则,在所述第一导频图样、第二导频图样、第三导频图样中选择一种导频图样,更新第一导频图样。
其中,所述第二导频图样是基于构建完成的生成对抗网络模型,生成的导频图样P;所述第三导频图样,是通信信号检测结果不符合预期性能指标、基于已有的生成对抗网络模型,生成的导频图样P’。
第三方面,本申请实施例还提供一种信道估计设备,用于实现第一方面任一实施例所述方法,包含第一确定模块、第一发送模块和第一接收模块。所述第一确定模块,用于确定目标信道响应、执行通信信号检测、确定响应目标生成对抗网络模型状态可用和确定通信信号检测结果符合预期性能指标。所述第一发送模块,用于发送状态指示标识。所述第一接收模块,用于接收所述配置信息。
第四方面,本申请实施例还提供一种信道估计设备,用于实现第二方面任一实施例所述方法,包含第二确定模块、第二发送模块和第二接收模块。所述第二确定模块,用于通过所述状态指示标识确定第一取值。所述第二发送模块,用于发送所述配置信息。所述第二接收模块,用于接收所述状态指示标识。
第五方面,本申请实施例还提供一种信道估计系统,包含至少一个第三方面的第一通信设备和至少一个第四方面的第二通信设备。
第六方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本申请任一实施例所述的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请设计了移动通信网络中通信发送和接收设备的信道估计过程,提高了信道估计精度,还可通过一种人工智能网络模型支持多种导频图样配置。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例方案应用场景图;
图2为本申请实施例一种信道估计方法第一通信设备端流程图;
图3为本申请实施例一种信道估计方法第二通信设备端流程图;
图4为本申请一种信道估计设备用于第一通信设备的结构图;
图5为本申请一种信道估计设备用于第二通信设备的结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本申请的目的是提供一种基于生成对抗网络(Generative AdversarialNetworks, GAN)的信道估计方法。该方法的核心在于学习多维随机输入变量到完整时频信道输出间的映射关系,并基于此,通过调整神经网络的输入随机变量,匹配给定的导频位信道与网络生成的虚拟信道样本对应的导频位信道,实现完整时频信道的恢复。因此,本发明所提方法涉及的网络模型的输入层不受导频配置方案的限制,从而能够为灵活的导频图样配置提供有力支持。此外,由于简单随机变量的分布更易于实现对复杂的时频信道特征进行拟合,所提方法能够取得更为显著的信道估计性能提升。
本申请是一种基于GAN的信道估计方法,它是通过应用GAN学习如何用多维随机输入变量拟合完整时频信道特征并生成服从该分布的信道样本,根据导频的具体配置,通过将实际的导频位信道信息与神经网络生成的虚拟信道样本上的导频位信道信息进行比对,不断更新GAN训练模型的随机输入变量的参数值,从而实现数据位信道的高精估计。本发明能够在大幅降低高速移动场景下导频信号的开销的情况下,获得显著的信道估计性能增益。
本申请适用于通过预设的无线接口协议通信的系统,例如IMT-Advanced、IMT2020、IMT2030、WLAN等移动通信网络。如图1所示,在本申请方案描述中,如果通信发送设备为移动通信网中的基站设备,则通信接收设备为移动通信网中的终端设备;如果通信发送设备为移动通信网中的终端设备,则通信接收设备为移动通信网中的基站设备。通信发送设备和通信接收设备也可以均为移动通信网中的基站设备,或者均为移动通信网中的终端设备等。
图2为本申请实施例一种信道估计方法第一通信设备端流程图。
本申请实施例提供一种信道估计方法,用于第一通信设备,包含步骤110~140:
步骤110、获取配置信息;所述配置信息包含第一导频图样;
步骤120、响应于目标生成对抗网络模型状态可用和通信信号检测结果符合预期性能指标两个条件中至少一个,发送状态指示标识。
所述第一通信设备,根据N个时间单元的目标信道响应构建所述目标生成对抗网络模型,N≥2。例如,第一通信设备经过N个时隙的信道估计过程后,存储N个时隙的信道响应,根据预定义规则,构建生成对抗网络模型的训练数据集合。第一通信设备基于训练数据集合/>,执行用于完成信道估计功能的生成对抗网络模型的训练过程,根据预定义规则,完成生成对抗网络模型的构建,存储模型参数,同时发送状态指示信息第二取值Sready代表生成对抗网络模型已经构建。
所述目标生成对抗网络模型状态处于第一状态,指示所述目标生成对抗网络未构建完成,则按照现有技术,基于所述第一导频图样不使用所述目标生成对抗网络直接执行信道估计过程确定所述目标信道响应。
进一步地,响应于所述目标生成对抗网络模型状态处于第一状态,状态指示标识设置为第一取值,发送状态指示标识。以此便于查阅生成对抗网络尚未构建的状态。
例如,第一通信设备与第二通信设备建立连接后,第一通信设备初始化生成对抗网络模型的参数,第一通信设备发送状态指示信息第一取值Sno-ready表示生成对抗网络模型尚未构建。
第一通信设备在生成对抗网络模型尚未构建时,根据接收到的导频图样配置信息Pselected,检测导频信号,确定第一导频图样,执行默认信道估计过程,获取信道响应。
步骤120中,所述目标生成对抗网络模型状态处于第二状态,指示所述目标生成对抗网络构建完成,通过所述第一导频图样和所述目标生成对抗网络模型确定目标信道响应,状态指示标识设置为第一取值或第二取值,发送状态指示标识,以此便于查阅生成对抗网络是否再构建的状态。
进一步地,还包含以下步骤:
关于生成对抗网络是否再构建,进一步地,响应于所述目标生成对抗网络模型状态处于第二状态,还包含步骤:
步骤120A、所述通信信号检测结果处于第四状态,指示通信信号检测结果符合预期性能指标;状态指示标识设置为第二取值,发送状态指示标识。此时,目标生成对抗网络模型无需更新。
步骤120B、第一通信设备基于信道估计过程得到的信道响应,执行通信信号检测,根据通信信号检测结果和预期性能指标,判断是否需要更新生成对抗网络模型的参数,并根据判断结果执行相应过程。
所述通信信号检测结果处于第三状态,指示通信信号检测结果不符合预期性能指标;此时有两种情况:
响应于不更新目标生成对抗网络模型,状态指示标识设置为第二取值,发送状态指示标识;
响应于更新目标生成对抗网络模型,状态指示标识设置为第一取值,发送状态指示标识,表示再构建目标生成对抗网络。例如,当通信信号检测结果不符合预期性能指标且判断需要更新生成对抗网络模型的参数时,发送状态指示信息Sno-ready,表示生成对抗网络模型尚未构建。进一步地,还包含:
步骤130、基于构建完成的生成对抗网络模型,生成推荐的第二导频图样P,存储推荐的第二导频图样P并发送推荐的第二导频图样P的反馈信息第三取值Precommended。
步骤130A、所述通信信号检测结果处于第二状态,指示通信信号检测结果符合预期性能指标时,例如,当通信信号检测结果符合预期性能指标进而判断不需要更新生成对抗网络模型的参数时,继续选择导频图样P作为推荐的导频图样,发送推荐的导频图样P的反馈信息Precommended,同时发送状态指示信息Sready。
步骤130B、所述通信信号检测结果处于第三状态,指示通信信号检测结果不符合预期性能指标时,响应于不更新目标生成对抗网络模型设置反馈信息为第三取值,包括第三导频图样;发送所述反馈信息。所述第三导频图样是基于构建完成的生成对抗网络模型获得。例如,通信信号检测结果不符合预期性能指标且判断不需要更新生成对抗网络模型的参数时,需要更新推荐的导频图样P,则基于构建完成的生成对抗网络模型,生成新的推荐的第三导频图样P’和反馈信息P’recommended,根据P’和P’recommended,更新已经存储的推荐的导频图样P,发送更新的反馈信息Precommended,同时发送状态指示信息Sready。
步骤140、响应于目标生成对抗网络模型状态可用,通过所述第一导频图样和目标生成对抗网络模型确定目标信道响应。
响应于所述第一导频图样与第二导频图样相同,基于所述第一导频图样和所述目标生成对抗网络模型执行信道估计过程确定所述目标信道响应;
响应于所述第一导频图样与第二导频图样不同,所述第一导频图样属于所述目标生成对抗网络模型可使用的导频图样集合两个条件同时发生,基于所述第一导频图样和所述目标生成对抗网络模型执行信道估计过程确定所述目标信道响应;响应于所述第一导频图样与第二导频图样不同,所述第一导频图样不属于所述目标生成对抗网络模型可使用的导频图样集合两个条件同时发生,基于所述第一导频图样且不使用所述目标生成对抗网络直接执行信道估计过程确定所述目标信道响应。
例如,第一通信设备收到第一导频图样O的配置信息Pselected后,判断收到的第一导频图样O与存储的第二导频图样P是否为相同导频图样,并根据判断结果执行相应过程,此时有两种情况:
当收到的第一导频图样O与推荐的第二导频图样P相同时,则基于已经训练好的生成对抗网络模型执行信道估计过程,获取信道响应;
当收到的第一导频图样O与推荐的第二导频图样P不同时,则判断收到的第一导频图样O是否为已经训练好的生成对抗网络模型可用的导频图样:
如果为可用导频图样,则使用第一导频图样O基于已经训练好的生成对抗网络模型执行信道估计过程,获取信道响应;
如果为不可用导频图样,则使用第一导频图样O执行默认信道估计过程,获取信道响应。
步骤150、用所述目标信道响应执行通信信号检测。
图3为本申请实施例一种信道估计方法第二通信设备端流程图。
本申请实施例还提供一种信道估计方法,用于第二通信设备,包含步骤:
步骤210、获取状态指示标识。
步骤220、响应于所述状态指示标识为第一取值,所述第一导频图样为预设值,发送配置信息,所述配置信息包含第一导频图样。
例如,第二通信设备收到生成对抗网络模型尚未构建的状态指示信息Sno-ready后,根据预定义规则,选择导频图样并发送导频信号,同时发送导频图样的配置信息Pselected。
进一步地,还包含步骤:
步骤230、响应于所述状态指示标识为第二取值,提取反馈信息得到第二导频图样或第三导频图样;
其中,所述第二导频图样是基于构建完成的生成对抗网络模型,生成推荐的导频图样P;所述第三导频图样,是在通信信号检测结果处于第三状态,指示通信信号检测结果不符合预期性能指标、且响应于不更新目标生成对抗网络模型,状态指示标识设置为第二取值的条件下,基于已有的生成对抗网络模型,再次生成推荐的导频图样P’。
步骤240、根据预定义规则,在所述第一导频图样、第二导频图样、第三导频图样中选择一种导频图样;
步骤250、发送配置信息,所述配置信息包含第一导频图样,或者,更新第一导频图样为所选择的第二导频图样或第三导频图样。
例如,第二通信设备收到推荐的第二导频图样P的反馈信息Precommended后,根据预定义规则,确定第一导频图样O并发送导频信号,同时发送第一导频图样O的配置信息作为Pselected,可选择第二导频图样P或第三导频图样P’作为第一导频图样,并发送导频信号,同时发送第二导频图样P或第三导频图样P’的配置信息作为Pselected。
图4为本申请一种信道估计设备用于第一通信设备的结构图。
本申请实施例还提供一种信道估计设备,用于实现上述任一实施例所述方法,包含第一确定模块11、第一发送模块12和第一接收模块13。
所述第一确定模块,用于确定目标信道响应、执行通信信号检测、确定响应目标生成对抗网络模型状态可用和确定通信信号检测结果符合预期性能指标。
所述第一发送模块,用于发送状态指示标识。
进一步地,所述第一发送模块,还用于发送反馈信息。
所述第一接收模块,用于接收所述配置信息。
图5为本申请一种信道估计设备用于第二通信设备的结构图。
本申请实施例还提供一种信道估计设备,用于实现上述实施例所述方法,包含第二确定模块21、第二发送模块22和第二接收模块23。
所述第二确定模块,用于通过所述状态指示标识确定第一取值。
进一步地,所述第二确定模块,还用于确定第二取值。
所述第二发送模块,用于发送所述配置信息。
所述第二接收模块,用于接收所述状态指示标识。
进一步地,所述第二接收模块,还用于接收反馈信息。
本申请还提供一种信道估计系统,包含至少一个上述第一通信设备1和至少一个上述第二通信设备2。
结合以上方法和装置的实施例,例如,所述第一通信设备1和所述第二通信设备2的具体操作流程如下:
步骤510、第一通信设备与第二通信设备建立连接后,第一通信设备初始化生成对抗网络模型的参数,第一通信设备发送状态指示信息Sno-ready表示生成对抗网络模型尚未构建。
步骤520、第二通信设备收到生成对抗网络模型尚未构建的状态指示信息Sno-ready后,根据预定义规则,选择第一导频图样并发送导频信号,同时发送导频图样的配置信息Pselected。
步骤530、第一通信设备在生成对抗网络模型尚未构建时,根据接收到的导频图样配置信息Pselected,检测导频信号,执行默认信道估计过程,获取信道响应。
步骤540、第一通信设备经过N个时隙的信道估计过程后,存储N个时隙的信道响应,根据预定义规则,构建生成对抗网络模型的训练数据集合。
步骤550、第一通信设备基于训练数据集合,执行用于完成信道估计功能的生成对抗网络模型的训练过程,根据预定义规则,完成生成对抗网络模型的构建,存储模型参数,同时发送状态指示信息Sready代表生成对抗网络模型已经构建。基于构建完成的生成对抗网络模型,生成推荐的第二导频图样P,存储推荐的导频图样P并发送推荐的第二导频图样P的反馈信息Precommended。
步骤560、第二通信设备收到推荐的第二导频图样P的反馈信息Precommended后,根据预定义规则,选择第一导频图样O(第一导频图样O可能与第二导频图样P相同,也可能与P不相同)并发送导频信号,同时发送第一导频图样O的配置信息作为Pselected。
步骤570、第一通信设备收到第一导频图样O的配置信息Pselected后,判断收到的第一导频图样O与存储的第二导频图样P是否为相同导频图样,并根据判断结果执行相应过程,此时有两种情况:
当收到的第一导频图样O与推荐的第二导频图样P相同时,则基于已经训练好的生成对抗网络模型执行信道估计过程,获取信道响应。
当收到的第一导频图样O与推荐的第二导频图样P不同时,则判断收到的第一导频图样O是否为已经训练好的生成对抗网络模型可用的导频图样:
如果为可用导频图样,则使用第一导频图样O基于已经训练好的生成对抗网络模型执行信道估计过程,获取信道响应。
如果为不可用导频图样,则使用第一导频图样O执行默认信道估计过程,获取信道响应。
步骤580、第一通信设备基于信道估计过程得到的信道响应,执行通信信号检测,根据通信信号检测结果和预期性能指标,判断是否需要更新生成对抗网络模型的参数,并根据判断结果执行相应过程,此时有两种情况:
当通信信号检测结果不符合预期性能指标且判断不需要更新生成对抗网络模型的参数时,需要更新推荐的导频图样P,则基于构建完成的生成对抗网络模型,生成新的推荐的第三导频图样P’和反馈信息P’recommended,根据P’和P’recommended,更新已经存储的推荐的第二导频图样P,发送更新的反馈信息Precommended,同时发送状态指示信息Sready。返回执行步骤560。
当通信信号检测结果不符合预期性能指标且判断需要更新生成对抗网络模型的参数时,发送状态指示信息Sno-ready,表示生成对抗网络模型尚未构建,返回执行步骤520。
当通信信号检测结果符合预期性能指标进而判断不需要更新生成对抗网络模型的参数时,继续选择导频图样P作为推荐的导频图样,发送推荐的导频图样P的反馈信息Precommended,同时发送状态指示信息Sready。返回执行步骤560。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上述任一所述的方法。本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
因此,本申请还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请中任一实施例所述的方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
进一步地,本申请还提出一种电子设备(或计算设备),包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请任一实施例所述的方法。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种信道估计方法,用于第一通信设备,其特征在于,包含步骤:
获取配置信息;所述配置信息包含第一导频图样;
响应于目标生成对抗网络模型状态可用,通过所述第一导频图样和目标生成对抗网络模型确定目标信道响应;
用所述目标信道响应执行通信信号检测;
所述目标生成对抗网络模型状态处于第二状态,指示目标生成对抗网络构建完成,通过所述第一导频图样和所述目标生成对抗网络模型确定目标信道响应,包括步骤:
基于构建完成的生成对抗网络模型获得第二导频图样;
响应于所述第一导频图样与第二导频图样相同,基于所述第一导频图样和所述目标生成对抗网络模型执行信道估计过程确定所述目标信道响应;
响应于所述第一导频图样与第二导频图样不同,所述第一导频图样属于所述目标生成对抗网络模型可使用的导频图样集合两个条件同时发生,基于所述第一导频图样和所述目标生成对抗网络模型执行信道估计过程确定所述目标信道响应;响应于所述第一导频图样与第二导频图样不同,所述第一导频图样不属于所述目标生成对抗网络模型可使用的导频图样集合两个条件同时发生,基于所述第一导频图样且不使用所述目标生成对抗网络直接执行信道估计过程确定所述目标信道响应。
2.根据权利要求1所述信道估计方法,其特征在于,包含步骤:
响应于所述目标生成对抗网络模型状态处于第二状态,指示目标生成对抗网络构建完成,还包含步骤:
所述通信信号检测结果处于第三状态,指示通信信号检测结果不符合预期性能指标;响应于不更新目标生成对抗网络模型,状态指示标识设置为第二取值,发送状态指示标识;响应于更新目标生成对抗网络模型,状态指示标识设置为第一取值,发送状态指示标识;
所述通信信号检测结果处于第四状态,指示通信信号检测结果符合预期性能指标;状态指示标识设置为第二取值,发送状态指示标识。
3.根据权利要求1所述信道估计方法,用于第一通信设备,其特征在于,包含步骤:
所述通信信号检测结果处于第三状态,指示通信信号检测结果不符合预期性能指标;
响应于不更新目标生成对抗网络模型,设置反馈信息为第三取值,包括第三导频图样;发送反馈信息;所述第三导频图样是基于构建完成的生成对抗网络模型获得;
或者,
响应于更新目标生成对抗网络模型,状态指示标识设置为第一取值,发送状态指示标识。
4.根据权利要求1所述信道估计方法,其特征在于,包含步骤:
所述通信信号检测结果处于第四状态,指示通信信号检测结果符合预期性能指标;反馈信息为第四取值,包括第二导频图样;发送反馈信息。
5.根据权利要求1~4任意一项所述信道估计方法,其特征在于,所述目标生成对抗网络模型状态处于第一状态,指示目标生成对抗网络未构建完成,基于所述第一导频图样不使用所述目标生成对抗网络直接执行信道估计过程确定所述目标信道响应。
6.根据权利要求1~4任意一项所述信道估计方法,其特征在于,响应于所述目标生成对抗网络模型状态处于第一状态,状态指示标识设置为第一取值,发送状态指示标识。
7.根据权利要求1~4任意一项所述信道估计方法,其特征在于,根据N个时间单元的目标信道响应构建所述目标生成对抗网络模型,N≥2。
8.一种信道估计方法,用于第二通信设备,其特征在于,包含步骤:
获取状态指示标识;
响应于所述状态指示标识为第一取值,第一导频图样为预设值,发送配置信息,所述配置信息包含所述第一导频图样;
响应于所述状态指示标识为第二取值,提取反馈信息得到第二导频图样或第三导频图样;
根据预定义规则,在所述第一导频图样、第二导频图样、第三导频图样中选择一种导频图样,更新第一导频图样;
所述第二导频图样是基于构建完成的生成对抗网络模型,生成的导频图样;所述第三导频图样,是通信信号检测结果不符合预期性能指标、基于已有的生成对抗网络模型生成的导频图样。
9.一种信道估计设备,用于实现权利要求1~7任一所述方法,其特征在于,包含第一确定模块、第一发送模块和第一接收模块;
所述第一确定模块,用于确定目标信道响应、执行通信信号检测、确定响应目标生成对抗网络模型状态可用和确定通信信号检测结果符合预期性能指标;
所述第一发送模块,用于发送状态指示标识;
所述第一接收模块,用于接收所述配置信息。
10.根据权利要求9所述信道估计设备,其特征在于,
所述第一发送模块,还用于发送反馈信息,包括第二导频图样。
11.一种信道估计设备,用于实现权利要求8所述方法,其特征在于,包含第二确定模块、第二发送模块和第二接收模块;
所述第二确定模块,用于通过所述状态指示标识确定第一取值;
所述第二发送模块,用于发送所述配置信息;
所述第二接收模块,用于接收所述状态指示标识和所述反馈信息。
12.一种信道估计系统,其特征在于,包含至少一个第一通信设备和至少一个第二通信设备;权利要求9~10任一所述信道估计设备,用于所述第一通信设备;权利要求11所述信道估计设备,用于所述第二通信设备。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133706.0A CN116886475B (zh) | 2023-09-05 | 2023-09-05 | 一种信道估计方法、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133706.0A CN116886475B (zh) | 2023-09-05 | 2023-09-05 | 一种信道估计方法、设备及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116886475A CN116886475A (zh) | 2023-10-13 |
CN116886475B true CN116886475B (zh) | 2023-12-22 |
Family
ID=88271817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311133706.0A Active CN116886475B (zh) | 2023-09-05 | 2023-09-05 | 一种信道估计方法、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116886475B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938232A (zh) * | 2020-07-13 | 2022-01-14 | 华为技术有限公司 | 通信的方法及通信装置 |
CN114172765A (zh) * | 2021-12-03 | 2022-03-11 | 中国信息通信研究院 | 一种无线通信人工智能信道估计方法和设备 |
CN114726412A (zh) * | 2021-01-04 | 2022-07-08 | 中国移动通信有限公司研究院 | 信道信息获取方法、装置及相关设备 |
WO2022261331A2 (en) * | 2021-06-11 | 2022-12-15 | Idac Holdings, Inc. | Methods, architectures, apparatuses and systems directed to adaptive reference signal configuration |
CN116319190A (zh) * | 2023-03-10 | 2023-06-23 | 南京邮电大学 | 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4032341A4 (en) * | 2019-09-19 | 2023-05-31 | Nokia Solutions and Networks Oy | CHANNEL ESTIMATION BASED ON MACHINE LEARNING |
KR20210048895A (ko) * | 2019-10-24 | 2021-05-04 | 엘지전자 주식회사 | Gan 기반 인공 신경망 모델의 트레이닝 |
-
2023
- 2023-09-05 CN CN202311133706.0A patent/CN116886475B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938232A (zh) * | 2020-07-13 | 2022-01-14 | 华为技术有限公司 | 通信的方法及通信装置 |
CN114726412A (zh) * | 2021-01-04 | 2022-07-08 | 中国移动通信有限公司研究院 | 信道信息获取方法、装置及相关设备 |
WO2022261331A2 (en) * | 2021-06-11 | 2022-12-15 | Idac Holdings, Inc. | Methods, architectures, apparatuses and systems directed to adaptive reference signal configuration |
CN114172765A (zh) * | 2021-12-03 | 2022-03-11 | 中国信息通信研究院 | 一种无线通信人工智能信道估计方法和设备 |
CN116319190A (zh) * | 2023-03-10 | 2023-06-23 | 南京邮电大学 | 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116886475A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kasgari et al. | Experienced deep reinforcement learning with generative adversarial networks (GANs) for model-free ultra reliable low latency communication | |
Sharma et al. | Collaborative distributed Q-learning for RACH congestion minimization in cellular IoT networks | |
WO2017186092A1 (zh) | 网络切片的选择方法及装置 | |
US10652880B2 (en) | Facilitating physical downlink shared channel resource element mapping indicator | |
KR101382556B1 (ko) | 반복 리소스 가중치들의 업데이트를 이용한 통신 시스템 내의 노드들에 리소스들을 할당하기 위한 장치 및 방법 | |
JP7153078B2 (ja) | Srsの電力ヘッドルーム報告方法、端末機器及びコンピュータ記憶媒体 | |
US11277786B2 (en) | Facilitating compact signaling design for reserved resource configuration in wireless communication systems | |
US11296854B2 (en) | Facilitating a mobile device specific physical downlink shared channel resource element mapping indicator | |
JP2018085766A (ja) | 通信制御装置、通信制御方法及び情報処理装置 | |
CN115802370A (zh) | 一种通信方法及装置 | |
WO2022038760A1 (ja) | 通信品質を予測する装置、方法及びプログラム | |
CN116886475B (zh) | 一种信道估计方法、设备及系统 | |
WO2024045133A1 (en) | Machine learning performance abstraction | |
CN113271663B (zh) | 通信方法、装置、终端设备及无线接入网设备 | |
WO2024007172A1 (zh) | 信道估计方法及装置 | |
CN115665867B (zh) | 一种车联网的频谱管理方法及系统 | |
EP4319070A1 (en) | Artificial intelligence-based channel estimation method and apparatus | |
EP4346288A1 (en) | Method for determining service access point, and information sending method, communication node and storage medium | |
WO2024012130A1 (zh) | 参考信号的接收方法、发送方法和通信设备 | |
WO2024032694A1 (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
WO2024078405A1 (zh) | 传输方法、装置、通信设备及可读存储介质 | |
WO2021158152A1 (en) | Data transmission using data prioritization | |
JP2022033051A (ja) | 送信機器、受信機器、送信方法及び受信方法 | |
WO2023227192A1 (en) | Apparatuses and methods for generating training data for radio-aware digital twin | |
CN116073916A (zh) | 一种模型生成方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |