CN116939649A - 信道特征信息传输方法、装置、终端及网络侧设备 - Google Patents
信道特征信息传输方法、装置、终端及网络侧设备 Download PDFInfo
- Publication number
- CN116939649A CN116939649A CN202210349419.2A CN202210349419A CN116939649A CN 116939649 A CN116939649 A CN 116939649A CN 202210349419 A CN202210349419 A CN 202210349419A CN 116939649 A CN116939649 A CN 116939649A
- Authority
- CN
- China
- Prior art keywords
- layer
- characteristic information
- channel
- target
- terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 124
- 230000005540 biological transmission Effects 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012805 post-processing Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000007423 decrease Effects 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 29
- 239000011159 matrix material Substances 0.000 description 19
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 229920006934 PMI Polymers 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种信道特征信息传输方法、装置、终端及网络侧设备,属于通信技术领域,本申请实施例的信道特征信息传输方法包括:终端将每个层的信道信息分别输入对应的第一人工智能AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;所述终端向网络侧设备上报每层对应的所述信道特征信息。
Description
技术领域
本申请属于通信技术领域,具体涉及一种信道特征信息传输方法、装置、终端及网络侧设备。
背景技术
随着科学技术的发展,人们已经开始研究将人工智能(ArtificialIntelligence,AI)网络模型应用在通信系统中,例如网络侧设备和终端之间可以基于AI网络模型来传输通信数据。目前,基于AI网络模型的信道信息压缩反馈方案,通过在终端对信道信息进行压缩编码,在网络侧对压缩后的内容进行解码,从而恢复信道信息,此时网络侧的解码网络和终端侧的编码网络需要联合训练,以达到合理的匹配度。现有技术中,不同层(layer)数的信道信息需要使用不同的AI网络模型来进行压缩编码,导致需要训练多个AI网络模型来对信道信息进行处理,造成终端侧和网络侧的功耗也相应增加。
发明内容
本申请实施例提供一种信道特征信息传输方法、装置、终端及网络侧设备,能够解决相关技术中不同层数的信道信息需要使用不同的AI网络模型进行压缩编码的问题。
第一方面,提供了一种信道特征信息传输方法,包括:
终端将每个层的信道信息分别输入对应的第一人工智能AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;
所述终端向网络侧设备上报每层对应的所述信道特征信息。
第二方面,提供了一种信道特征信息传输方法,包括:
网络侧设备接收终端上报的每层对应的信道特征信息;
其中,所述终端的一个层对应一个第一AI网络模型,所述第一AI网络模型用于对终端输入的层的信道信息进行处理,并输出所述信道特征信息。
第三方面,提供了一种信道特征信息传输装置,包括:
处理模块,用于将每个层的信道信息分别输入对应的第一AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;
上报模块,用于向网络侧设备上报每层对应的所述信道特征信息。
第四方面,提供了一种信道特征信息传输装置,包括:
接收模块,用于接收终端上报的每层对应的信道特征信息;
其中,所述终端的一个层对应一个第一AI网络模型,所述第一AI网络模型用于对终端输入的层的信道信息进行处理,并输出所述信道特征信息。
第五方面,提供了一种终端,该终端包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的信道特征信息传输方法的步骤。
第六方面,提供了一种终端,包括处理器及通信接口,其中,所述处理器用于将每个层的信道信息分别输入对应的第一人工智能AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;所述通信接口用于向网络侧设备上报每层对应的所述信道特征信息。
第七方面,提供了一种网络侧设备,该网络侧设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第二方面所述的信道特征信息传输方法的步骤。
第八方面,提供了一种网络侧设备,包括处理器及通信接口,所述通信接口用于接收终端上报的每层对应的信道特征信息;其中,所述终端的一个层对应一个第一AI网络模型,所述第一AI网络模型用于对终端输入的层的信道信息进行处理,并输出所述信道特征信息。
第九方面,提供了一种通信系统,包括:终端及网络侧设备,所述终端可用于执行如第一方面所述的信道特征信息传输方法的步骤,所述网络侧设备可用于执行如第二方面所述的信道特征信息传输方法的步骤。
第十方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的信道特征信息传输方法的步骤,或者实现如第二方面所述的信道特征信息传输方法的步骤。
第十一方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的信道特征信息传输方法,或实现如第二方面所述的信道特征信息传输方法。
第十二方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的信道特征信息传输方法的步骤,或实现如第二方面所述的信道特征信息传输方法的步骤。
在本申请实施例中,终端可以将每层对应的信道信息分别输入对应的第一AI网络模型进行处理,并将每层的第一AI网络模型输出的信道特征信息上报给网络侧设备。相比于现有技术中网络侧设备需要针对不同层数训练不同的AI网络模型,终端需要配置不同层数对应的AI网络模型,本申请中终端侧的每层对应一个第一AI网络模型,进而无论终端侧有多少层,每层通过对应的第一AI网络模型来对信道信息进行处理即可,这样也就无需针对不同层数训练不同的AI网络模型,能够降低网络侧设备与终端之间针对AI网络模型的传输开销,也能够降低终端和网络侧设备的功耗。
附图说明
图1是本申请实施例可应用的一种无线通信系统的框图;
图2是本申请实施例提供的一种信道特征信息传输方法的流程图;
图3是本申请实施例提供的另一种信道特征信息传输方法的流程图;
图4是本申请实施例提供的一种信道特征信息传输装置的结构图;
图5是本申请实施例提供的另一种信道特征信息传输装置的结构图;
图6是本申请实施例提供的一种通信设备的结构图;
图7是本申请实施例提供的一种终端的结构图;
图8是本申请实施例提供的一种网络侧设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例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所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)系统,还可用于其他无线通信系统,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access,SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的系统和无线电技术,也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)系统,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR系统应用以外的应用,如第6代(6th Generation,6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、移动上网装置(Mobile Internet Device,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set,BSS)、扩展服务集(Extended Service Set,ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例进行介绍,并不限定基站的具体类型。
为更好地理解本申请的技术方案,以下对本申请实施例中可能涉及的相关概念进行解释说明。
由信息论可知,准确的信道状态信息(channel state information,CSI)对信道容量至关重要。尤其是对于多天线系统来讲,发送端可以根据CSI优化信号的发送,使其更加匹配信道的状态。如:信道质量指示(channel quality indicator,CQI)可以用来选择合适的调制编码方案(modulation and coding scheme,MCS)实现链路自适应;预编码矩阵指示(precoding matrix indicator,PMI)可以用来实现特征波束成形(eigen beamforming)从而最大化接收信号的强度,或者用来抑制干扰(如小区间干扰、多用户之间干扰等)。因此,自从多天线技术(multi-input multi-output,MIMO)被提出以来,CSI获取一直都是研究热点。
通常,网络侧设备(例如基站)在在某个时隙(slot)的某些时频资源上发送CSI参考信号(channel state information reference signal,CSI-RS),终端根据CSI-RS进行信道估计,计算这个slot上的信道信息,通过码本将PMI反馈给基站,基站根据终端反馈的码本信息组合出信道信息,在下一次CSI上报之前,基站以此进行数据预编码及多用户调度。
为了进一步减少CSI反馈开销,终端可以将每个子带上报PMI改成按照延迟(delay)上报PMI,由于delay域的信道更集中,用更少的delay的PMI就可以近似表示全部子带的PMI,即将delay域信息压缩之后再上报。
同样,为了减少开销,基站可以事先对CSI-RS进行预编码,将编码后的CSI-RS发送给终端,终端看到的是经过编码之后的CSI-RS对应的信道,终端只需要在网络侧指示的端口中选择若干个强度较大的端口,并上报这些端口对应的系数即可。
进一步地,为了更好地压缩信道信息,可以使用神经网络或机器学习的方法。具体地,在终端通过AI网络模型对信道信息进行压缩编码,在基站通过AI网络模型对压缩后的内容进行解码,从而恢复信道信息,此时基站的用于解码的AI网络模型和终端的用于编码的AI网络模型需要联合训练,达到合理的匹配度。通过终端的用于编码的AI网络模型和基站的用于解码的AI网络模型组成联合的神经网络模型,由网络侧进行联合训练,训练完成后,基站将用于编码的AI网络模型发送给终端。
终端估计CSI-RS,计算信道信息,将计算的信道信息或者原始的估计到的信道信息通过AI网络模型得到编码结果,将编码结果发送给基站,基站接收编码后的结果,输入到AI网络模型中进行解码,恢复信道信息。
对于高秩(rank)的信道,信道本身能量不集中,可以通过预编码将信道分成独立的几个信道,彼此不干扰,很适合做并行数据传输,提高吞吐量,此时需要终端反馈多个层(layer)的信道信息,或PMI信息。通常,终端对信道矩阵进行奇异值(Singular ValueDecomposition,SVD)分解,得到V阵的前几列作为需要上报的PMI信息,按照特征值(或者称奇异值)从大到小的排列,选择前面较大特征值的几列,layer1、layer2……特征值依次降低,代表的信道信息占整个信道的比重也依次降低。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的信道特征信息传输方法进行详细地说明。
请参照图2,图2是本申请实施例提供的一种信道特征信息传输方法的流程图,该方法应用于终端。如图2所示,所述方法包括以下步骤:
步骤201、终端将每个层的信道信息分别输入对应的第一AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型。
可选地,终端可以是在网络侧设备指定的位置检测CSI参考信号(CSI ReferenceSignal,CSI-RS)或跟踪参考信号(Tracking Reference Signal,TRS),并进行信道估计,得到原始信道信息,即每个子带一个信道矩阵,终端对原始信道信息进行SVD分解,在每个子带得到预编码矩阵,预编码矩阵包括N个层(layer),终端将每个layer的预编码矩阵(也即信道信息)输入到第一AI网络模型中,一个layer在每个子带的预编码矩阵一起输入到第一AI网络模型,或者是预编码矩阵经过预处理后输入到第一AI网络模型,进一步地,终端通过第一AI网络模型对输入的信道信息(如每个子带的信道矩阵,或每个子带的预编码矩阵)进行处理,如进行信道信息编码,得到所述第一AI网络模型输出的信道特征信息。在一些实施例中,所述信道特征信息也可以称为比特(bit)信息、bit序列等。
需要说明地,本申请实施例中提及的信道信息编码,不同于信道编码。
可选地,本申请实施例所提及的输入第一AI网络模型的所述信道信息为预编码信息,如预编码矩阵、PMI信息、经过处理的预编码矩阵等。
步骤202、所述终端向网络侧设备上报每层对应的所述信道特征信息。
可以理解地,终端在得到每层对应的第一AI网络模型输出的信道特征信息后,终端向网络侧设备上报每层对应的所述信道特征信息。可选地,终端可以是将每层对应的信道特征信息分别上报,或者也可以是合并上报。
本申请实施例中,终端可以将每层对应的信道信息分别输入对应的第一AI网络模型进行处理,并将每层的第一AI网络模型输出的信道特征信息上报给网络侧设备。本申请中终端侧的每层对应一个第一AI网络模型,进而无论终端侧有多少层,每层通过对应的第一AI网络模型来对信道信息进行处理即可,这样也就无需针对不同层数训练不同的AI网络模型,能够降低网络侧设备与终端之间针对AI网络模型的传输开销,也能够降低终端和网络侧设备的功耗,同时可以增加上报的灵活性。
可选地,每个层对应同一个所述第一AI网络模型。也就是说,无论终端有多少层,终端可以仅需要一个第一AI网络模型,每个层的信道信息输入同一个第一AI网络模型,得到对应层的信道特征信息,终端直接上报每个层的信道特征信息。
例如,终端侧的秩(rank)为2,layer1的信道信息经过第一AI网络模型1得到输出的第一信道特征信息,layer2的信道信息经过该第一AI网络模型1得到输出的第二信道特征信息,终端向网络侧设备上报第一信道特征信息和第二信道特征信息。
这样,无论终端有多少层,网络侧设备只需要训练一个第一AI网络模型传递给终端即可,有效地降低了网络侧设备与终端之间针对AI网络模型的传输开销,也能够有效降低终端的功耗。
可选地,每个层对应的所述第一AI网络模型不同,各所述第一AI网络模型输出的信道特征信息的长度按照所述层的顺序逐渐降低。这种情况下,终端侧的每层各自对应一个第一AI网络模型,进而网络侧设备针对每层的第一AI网络模型进行单独训练,将训练后的第一AI网络模型发送给终端,终端针对不同层的信道信息使用各层各自对应的第一AI网络模型进行处理。其中,各所述第一AI网络模型输出的信道特征信息的长度可以按照层的顺序逐渐降低,例如layer1对应的第一AI网络模型输出的信道特征信息的长度为200bit,layer2对应的第一AI网络模型输出的信道特征信息的长度为180bit,layer3对应的第一AI网络模型输出的信道特征信息的长度为160bit……这样,也就对各层对应的第一AI网络模型输出的信道特征信息的长度进行了限定,以降低终端的传输开销。
可选地,所述终端将每个层的信道信息分别输入对应的第一AI网络模型进行处理之前,所述方法还可以包括:
所述终端基于信道的秩确定信道信息对应的层数;
所述终端获取第一目标层的目标参数相对于第二目标层的目标参数之和的比例,并基于所述比例所处的比例范围确定所述第一目标层对应的第一AI网络模型,所述第一目标层为所述信道信息对应的层中的任一层,所述第二目标层为所述终端对应的所有层或者所述终端所有上报的层;
其中,不同的所述比例范围对应不同的第一AI网络模型,所述目标参数包括如下任意一项:特征值、信道质量指示(Channel quality indicator,CQI)、信道容量。
可选地,所述终端可以是根据CSI参考信号(CSI Reference Signal,CSI-RS)信道估计结果来确定终端信道的秩(rank),基于rank也就能够确定终端信道信息对应的层数。例如,rank=2,终端信道信息对应的层数为2;rank=3,终端信道信息对应的层数为3。
本申请实施例中,对于终端的其中某层的第一AI网络模型的确定,可以是基于该层的目标参数相对于所有层的目标参数之和的比例来确定,或者是基于该层的目标参数相对于所有上报的层的目标参数之和的比例来确定。
可选地,终端预先对不同比例范围对应的第一AI网络模型进行划分。例如70%~100%的比例范围对应第一AI网络模型001,40%~70%的比例范围对应第一AI网络模型002,40%以下的比例范围对应第一AI网络模型003;若终端选择了rank1,以特征值为例,计算layer1的特征值占比为80%,则确定layer1对应第一AI网络模型001;若终端选择了rank2,计算layer1的特征值占所有层的特征值之和的比例为75%,layer2的特征值占所有层的特征值之和的比例为20%,则确定layer1对应第一AI网络模型001,layer2对应第一AI网络模型003。进一步地,终端基于各层确定的第一AI网络模型对输入的信道信息进行处理。
这样,终端基于层的特征值、CQI或信道容量来确定该层对应的第一AI网络模型,增加了终端对于信道信息处理的灵活性。
可选地,终端的每个层对应的第一AI网络模型不同,目标第一AI网络模型的输入包括第三目标层的信道信息;其中,所述终端对应的层基于目标参数进行排序,所述第三目标层为所述终端对应的层进行排序后中的任一个,所述目标第一AI网络模型所述第三目标层对应的第一AI网络模型,所述目标参数包括如下任意一项:目标参数、CQI、信道容量。
例如,若第三目标层为layer2,layer2对应的第一AI网络模型的输入包括layer2的信道信息;若第三目标层为layer3,layer3对应的第一AI网络模型的输入包括layer3的信道信息。
可选地,所述第三目标层为所述终端对应的层进行排序后中除第一个层以外的任一个,所述目标第一AI网络模型的输入还包括如下任意一项:
所述第三目标层的前一层对应的第一AI网络模型的输出;
所述第一个层对应的第一AI网络模型的输出;
所述第三目标层之前的所有层各自对应的第一AI网络模型的输出;
所述第三目标层的前一层对应的信道信息;
所述第三目标层之前的所有层各自对应的信道信息。
例如,所述第三目标层为layer3,layer3对应的第一AI网络模型的输入可以是包括以下几种方式:
方式一、layer3的信道信息以及layer2对应的第一AI网络模型输出的信道特征信息;
方式二、layer3的信道信息以及layer1对应的第一AI网络模型输出的信道特征信息;
方式三、layer3的信道信息以及layer1对应的第一AI网络模型输出的信道特征信息和layer2对应的第一AI网络模型输出的信道特征信息;
方式四、layer3的信道信息以及layer2的信道信息;
方式五、layer3的信道信息以及layer1的信道信息和layer2的信道信息。
本申请实施例中,终端可以是基于上述不同的方式来确定终端某层对应的第一AI网络模型的输入,使得终端对于每层的第一AI网络模型的输入可以不同,提升了终端对于信道信息处理的灵活性。
可选地,所述终端将每个层的信道信息分别输入对应的第一AI网络模型进行处理,包括:
所述终端将每个层的信道信息经预处理后分别输入对应的第一AI网络模型进行处理。
也即是说,终端在将每个层的信道信息输入对应的第一AI网络模型之前,可以是先对所述信道信息进行预处理。例如,所述预处理可以是正交基投影、过采等。需要说明地,所述为正交基投影的一个进阶,以预编码矩阵为例,CSI-RS端口数是32,则一个layer的预编码矩阵可以是一个32*1的矩阵,投影是生成32个正交DFT向量,每个DFT向量长度为32,将这个预编码矩阵投影在32个正交DFT向量中,选择系数幅度较大的若干个,然后使用系数和/或对应的DFT向量作为预处理结果。过采则是在投影的时候,例如以4倍过采为例,生成4组32个正交DFT向量,每组32个DFT向量正交,组与组之间不正交,然后选择4组中最接近预编码矩阵的一组,再按照上面的方式投影。
可选地,所述终端将每个层的信道信息经预处理后分别输入对应的第一AI网络模型,包括如下任意一项:
所述终端将每个层的信道信息经第二AI网络模型进行预处理后分别输入对应的第一AI网络模型;
所述终端将目标层的信道信息经目标第二AI网络模型进行预处理后,将所述目标第二AI网络模型的输出输入所述目标层对应的第一AI网络模型,其中,所述目标层为所述终端对应的任一个层,每个层对应一个所述目标第二AI网络模型。
本申请实施例中,终端还可以是通过第二AI网络模型来对信道信息进行预处理。
例如,终端将每个层的信道信息经同一个第二AI网络模型进行预处理,而后将第二AI网络模型对应于每层的输出,分别输入每层对应的第一AI网络模型。这样,网络侧设备可以是仅训练一个第二AI网络模型,降低了网络侧设备和终端的功耗。
或者,网络侧设备也可以是针对每层分别训练一个第二AI网络模型,进而每个层通过对应的第二AI网络模型对信道信息进行预处理,而后将第二AI网络模型的输出作为对应层的第一AI网络模型的输入。这样,也就能够通过不同的第二AI网络模型来对信道信息进行预处理,提升了终端对于每层信道信息预处理的灵活性。
本申请实施例中,所述终端向网络侧设备上报每层对应的所述信道特征信息,包括:
所述终端对目标层对应的所述信道特征信息进行后处理,将后处理后的信道特征信息向网络侧设备上报;其中,所述目标层为所述终端对应的任一个层。
需要说明地,终端可以是对每层对应的信道特征信息均进行后处理以后再上报给网络侧设备,或者也可以是只针对某一个或多个指定的层对应的信道特征信息进行后处理,然后将后处理后的信道特征信息上报给网络侧设备。
可选地,所述后处理的方式可以是熵编码,或者是对第一AI网络模型输出的信道特征信息进行目标长度的截取等。
可选地,所述终端对目标层对应的所述信道特征信息进行后处理,将后处理后的信道特征信息向网络侧设备上报,包括:
所述终端对目标层对应的所述信道特征信息进行后处理,得到目标长度的信道特征信息,所述目标长度小于后处理前的所述信道特征信息的长度;
所述终端将所述目标长度、所述目标长度的信道特征信息向网络侧设备上报。
例如,rank=2,layer1的信道信息经对应的第一AI网络模型进行处理后,得到第一AI网络模型输出的长度为100bit的信道特征信息1,layer2的信道信息经对应的第一AI网络模型进行处理后,得到第一AI网络模型输出的长度为100bit的信道特征信息2;终端可以是对layer1的信道特征信息1不做后处理,对layer2的信道特征信息2进行后处理,得到80bit的信道特征信息,则终端可以向网络侧设备上报如下信息:100bit的信道特征信息1、80bit的信道特征信息2及信道特征信息2的长度(也即80bit)。这样,也就使得网络侧设备能够基于上报的信息,通过与第一AI网络模型匹配的第三AI网络模型对信道特征信息进行解码处理,以得到恢复的信道信息。
可选地,所述后处理的方式可以是网络侧设备指示,或者也可以是终端自行选择。
本申请实施例中,在所述信道特征信息通过CSI进行上报的情况下,所述目标长度包括在所述CSI的第一部分中。
例如,终端可以是通过一个CSI来对信道特征信息进行上报,CSI包括第一部分(CSI Part1)和第二部分(CSI Part2),其中第一部分为CSI中的固定长度部分,第二部分为CSI中的可变长度部分;终端可以是将信道特征信息携带在CSI Part1中,将目标层的信道特征信息的目标长度也携带在CSI Part1中。进而网络侧设备能够直接从CSI Part1中获得目标层的信道特征信息及其长度,以实现对信道特征信息的解码。
可选地,在所述信道特征信息通过CSI进行上报的情况下,所述终端向网络侧设备上报每层对应的所述信道特征信息,包括如下任意一项:
在所述终端对应的层基于目标参数进行排序的情况下,所述终端将第一个层对应的所述信道特征信息通过所述CSI的第一部分向网络侧设备上报,将除所述第一个层以外的其他层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
所述终端将每层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报;
所述终端将每层对应的所述信道特征信息通过所述CSI的第二部分中对应的分块向网络侧设备上报,一个层对应一个所述分块。
例如,终端将第一个层对应的信道特征信息通过CSI Part1上报,将除第一个层以外的其他层对应的信道特征信息通过CSI Part2上报;或者,终端将每层的信道特征信息都通过CSI Part2进行上报;或者,CSI Part2可以进行分块,终端将每层的信道特征信息通过CSI Part2中对应的一个分块进行上报。这样,也就使得终端对于信道特征信息的上报方式更加灵活。
可选地,所述终端向网络侧设备上报每层对应的所述信道特征信息,包括:
所述终端向网络侧设备上报每层对应的所述信道特征信息,并按照层的顺序的倒序对所述信道特征信息进行丢弃。
本申请实施例中,终端在向网络侧设备上报每层对应的信道特征信息的过程中,还可以对信道特征信息进行丢弃;例如若资源不足,终端可以是按照层的顺序从后往前丢弃信道特征信息,以确保前面的层的信道特征信息能够传输至网络侧设备。
可选地,所述方法还包括:
所述终端根据CSI参考信号信道估计结果确定信道的秩;
所述终端向网络侧设备上报每层对应的所述信道特征信息,包括:
所述终端向网络侧设备上报秩的指示(Rank Indicator,RI)及每层对应的所述信道特征信息。
本申请实施例中,终端基于CSI-RS信道估计结果确定信道的秩,进而也就能够确定终端对应的层数。终端在将每层的信道信息分别输入对应的第一AI网络模型,得到第一AI网络模型输出的信道特征信息后,终端将RI及每层对应的所述信道特征信息上报给网络侧设备,进而以网络侧设备能够基于RI及所述信道特征信息恢复信道信息。
请参照图3,图3是本申请实施例提供的另一种信道特征信息传输方法的流程图,该方法应用于网络侧设备。如图3所示,所述方法包括以下步骤:
步骤301、网络侧设备接收终端上报的每层对应的信道特征信息。
其中,所述终端的一个层对应一个第一AI网络模型,所述第一AI网络模型用于对终端输入的层的信道信息进行处理,并输出所述信道特征信息。
需要说明地,网络侧设备包括与所述第一AI网络模型匹配的第三AI网络模型,第一AI网络模型和第三AI网络模型通过网络侧设备进行联合训练,网络侧设备将训练好的第一AI网络模型发送给终端。终端通过第一AI网络模型对输入的系数进行编码处理,输出信道特征信息,终端将信道特征信息上报给网络侧设备,网络侧设备将所述信道特征信息输入匹配的第三AI网络模型,第三AI网络模型对信道特征信息进行解码处理,得到第三AI网络模型输出的信道信息,进而网络侧设备通过第三AI网络模型实现对信道信息的恢复。这样,终端和网络侧设备也就能够通过匹配的AI网络模型实现对信道信息的编码和解码处理。
本申请实施例中,终端将每层对应的信道信息分别输入对应的第一AI网络模型进行处理,并将每层的第一AI网络模型输出的信道特征信息上报给网络侧设备。相比于现有技术中网络侧设备需要针对终端的不同层数训练不同的AI网络模型,本申请中网络侧设备可以针对终端侧的每层对应训练一个第一AI网络模型,进而无论终端侧有多少层,每层通过对应的第一AI网络模型来对信道信息进行处理即可,这样也就无需针对不同层数训练不同的AI网络模型,有效节省了网络侧设备的功耗,也能够降低网络侧设备与终端之间针对AI网络模型的传输开销。
可选地,每个层对应同一个所述第一AI网络模型。也就是说,无论终端有多少层,终端可以仅需要一个第一AI网络模型,每个层的信道信息输入同一个第一AI网络模型,进而网络侧设备可以仅需训练一个第一AI网络模型传输给终端即可,有效节省了网络侧设备的功耗和传输开销。
可选地,每个层对应的所述第一AI网络模型不同,各所述第一AI网络模型输出的信道特征信息的长度按照所述层的顺序逐渐降低。这种情况下,终端侧的每层各自对应一个第一AI网络模型,进而网络侧设备针对每层的第一AI网络模型进行单独训练,将训练后的第一AI网络模型发送给终端,并通过对每层对应的第一AI网络模型的输入长度进行限定,能耗降低终端的传输开销。
可选地,在所述信道特征信息通过CSI进行上报的情况下,所述网络侧设备接收终端上报的每层对应的信道特征信息,包括如下任意一项:
在所述终端对应的层基于目标参数进行排序的情况下,所述网络侧设备接收终端通过所述CSI的第一部分上报的第一个层对应的所述信道特征信息,以及通过所述CSI的第二部分上报的除所述第一个层以外的其他层对应的所述信道特征信息,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
所述网络侧设备接收终端通过所述CSI的第二部分上报的每层对应的所述信道特征信息;
所述网络侧设备接收终端通过所述CSI的第二部分中对应的分块上报的每层对应的所述信道特征信息,一个层对应一个所述分块。
这样,也就使得终端对于信道特征信息的上报方式更加灵活。
可选地,所述网络侧设备接收终端上报的每层对应的信道特征信息,包括:
所述网络侧设备接收终端上报的RI及每层对应的所述信道特征信息。
本申请实施例中,终端将RI及每层对应的所述信道特征信息上报给网络侧设备,进而以网络侧设备能够基于RI及所述信道特征信息恢复信道信息。
需要说明地,本申请实施例提供的应用于网络侧设备的信道特征信息传输方法与上述应用于终端侧的方法对应,本申请实施例中涉及的相关概念及具体实现流程可以是参照上述图2所述实施例中的描述,为避免重复,本实施例不再赘述。
本申请实施例提供的信道特征信息传输方法,执行主体可以为信道特征信息传输装置。本申请实施例中以信道特征信息传输装置执行信道特征信息传输方法为例,说明本申请实施例提供的信道特征信息传输装置。
请参照图4,图4是本申请实施例提供的一种信道特征信息传输装置的结构图,如图4所示,所述信道特征信息传输装置400包括:
处理模块401,用于将每个层的信道信息分别输入对应的第一人工智能AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;
上报模块402,用于向网络侧设备上报每层对应的所述信道特征信息。
可选地,每个层对应同一个所述第一AI网络模型。
可选地,每个层对应的所述第一AI网络模型不同,各所述第一AI网络模型输出的信道特征信息的长度按照所述层的顺序逐渐降低。
可选地,所述装置还包括确定模块,用于:
基于信道的秩确定信道信息对应的层数;
获取第一目标层的目标参数相对于第二目标层的目标参数之和的比例,并基于所述比例所处的比例范围确定所述第一目标层对应的第一AI网络模型,所述第一目标层为所述信道信息对应的层中的任一层,所述第二目标层为所述装置对应的所有层或者所述装置所有上报的层;
其中,不同的所述比例范围对应不同的第一AI网络模型,所述目标参数包括如下任意一项:目标参数、CQI、信道容量。
可选地,每个层对应的所述第一AI网络模型不同,目标第一AI网络模型的输入包括第三目标层的信道信息;
其中,所述装置对应的层基于目标参数进行排序,所述第三目标层为所述装置对应的层进行排序后中的任一个,所述目标第一AI网络模型为所述第三目标层对应的第一AI网络模型,所述目标参数包括如下任意一项:目标参数、CQI、信道容量。
可选地,所述第三目标层为所述装置对应的层进行排序后中除第一个层以外的任一个,所述目标第一AI网络模型的输入还包括如下任意一项:
所述第三目标层的前一层对应的第一AI网络模型的输出;
所述第一个层对应的第一AI网络模型的输出;
所述第三目标层之前的所有层各自对应的第一AI网络模型的输出;
所述第三目标层的前一层对应的信道信息;
所述第三目标层之前的所有层各自对应的信道信息。
可选地,所述处理模块401还用于:
将每个层的信道信息经预处理后分别输入对应的第一AI网络模型进行处理。
可选地,所述处理模块401还用于执行如下任意一项:
将每个层的信道信息经第二AI网络模型进行预处理后分别输入对应的第一AI网络模型;
将目标层的信道信息经目标第二AI网络模型进行预处理后,将所述目标第二AI网络模型的输出输入所述目标层对应的第一AI网络模型,其中,所述目标层为所述装置对应的任一个层,每个层对应一个所述目标第二AI网络模型。
可选地,所述上报模块402还用于:
对目标层对应的所述信道特征信息进行后处理,将后处理后的信道特征信息向网络侧设备上报;
其中,所述目标层为所述装置对应的至少一个层。
可选地,所述上报模块402还用于:
对目标层对应的所述信道特征信息进行后处理,得到目标长度的信道特征信息,所述目标长度小于后处理前的所述信道特征信息的长度;
将所述目标长度、所述目标长度的信道特征信息向网络侧设备上报。
可选地,在所述信道特征信息通过信道状态信息CSI进行上报的情况下,所述目标长度包括在所述CSI的第一部分中。
可选地,在所述信道特征信息通过CSI进行上报的情况下,所述上报模块402还用于执行如下任意一项:
在所述装置对应的层基于目标参数进行排序的情况下,将第一个层对应的所述信道特征信息通过所述CSI的第一部分向网络侧设备上报,将除所述第一个层以外的其他层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
将每层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报;
将每层对应的所述信道特征信息通过所述CSI的第二部分中对应的分块向网络侧设备上报,一个层对应一个所述分块。
可选地,所述上报模块402还用于:
向网络侧设备上报每层对应的所述信道特征信息,并按照层的顺序的倒序对所述信道特征信息进行丢弃。
可选地,所述装置还包括:
确定模块,用于根据CSI参考信号信道估计结果确定信道的秩;
所述上报模块402还用于:
向网络侧设备上报秩的指示RI及每层对应的所述信道特征信息。
可选地,所述信道信息为预编码信息。
本申请实施例中,所述装置可以将每层对应的信道信息分别输入对应的第一AI网络模型进行处理,并将每层的第一AI网络模型输出的信道特征信息上报给网络侧设备。相比于现有技术中网络侧设备需要针对不同层数训练不同的AI网络模型,本申请中所述装置的每层对应一个第一AI网络模型,这样也就无需针对不同层数训练不同的AI网络模型,能够降低网络侧设备与所述装置之间针对AI网络模型的传输开销,也能够降低所述装置的功耗。
本申请实施例中的信道特征信息传输装置400可以是电子设备,例如具有操作系统的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于上述所列举的终端11的类型,其他设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例提供的信道特征信息传输装置400能够实现图2方法实施例中终端实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
请参照图5,图5是本申请实施例提供的另一种信道特征信息传输装置的结构图,如图5所示,所述信道特征信息传输装置500包括:
接收模块501,用于接收终端上报的每层对应的信道特征信息;
其中,所述终端的一个层对应一个第一AI网络模型,所述第一AI网络模型用于对终端输入的层的信道信息进行处理,并输出所述信道特征信息。
可选地,每个层对应同一个所述第一AI网络模型。
可选地,每个层对应的所述第一AI网络模型不同,各所述第一AI网络模型输出的信道特征信息的长度按照所述层的顺序逐渐降低。
可选地,在所述信道特征信息通过CSI进行上报的情况下,所述接收模块501还用于执行如下任意一项:
在所述终端对应的层基于目标参数进行排序的情况下,接收终端通过所述CSI的第一部分上报的第一个层对应的所述信道特征信息,以及通过所述CSI的第二部分上报的除所述第一个层以外的其他层对应的所述信道特征信息,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
接收终端通过所述CSI的第二部分上报的每层对应的所述信道特征信息;
接收终端通过所述CSI的第二部分中对应的分块上报的每层对应的所述信道特征信息,一个层对应一个所述分块。
可选地,所述接收模块501还用于:
接收终端上报的秩的指示RI及每层对应的所述信道特征信息。
本申请实施例中,所述装置可以针对终端侧的每层对应训练一个第一AI网络模型,进而无论终端侧有多少层,每层通过对应的第一AI网络模型来对信道信息进行处理即可,这样也就无需针对不同层数训练不同的AI网络模型,能够节省了所述装置的功耗,也能够降低所述装置与终端之间针对AI网络模型的传输开销。
本申请实施例提供的信道特征信息传输装置500能够实现图3方法实施例中网络侧设备实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图6所示,本申请实施例还提供一种通信设备600,包括处理器601和存储器602,存储器602上存储有可在所述处理器601上运行的程序或指令,例如,该通信设备600为终端时,该程序或指令被处理器601执行时实现上述图2所述方法实施例的各个步骤,且能达到相同的技术效果。该通信设备600为网络侧设备时,该程序或指令被处理器601执行时实现上述图3所述方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种终端,包括处理器和通信接口,所述处理器用于将每个层的信道信息分别输入对应的第一人工智能AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;所述通信接口用于向网络侧设备上报每层对应的所述信道特征信息。该终端实施例与上述终端侧方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中,且能达到相同的技术效果。具体地,图7为实现本申请实施例的一种终端的硬件结构示意图。
该终端700包括但不限于:射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709以及处理器710等中的至少部分部件。
本领域技术人员可以理解,终端700还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器710逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元704可以包括图形处理单元(GraphicsProcessing Unit,GPU)7041和麦克风7042,图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元706可包括显示面板7061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板7061。用户输入单元707包括触控面板7071以及其他输入设备7072中的至少一种。触控面板7071,也称为触摸屏。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元701接收来自网络侧设备的下行数据后,可以传输给处理器710进行处理;另外,射频单元701可以向网络侧设备发送上行数据。通常,射频单元701包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器709可用于存储软件程序或指令以及各种数据。存储器709可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器709可以包括易失性存储器或非易失性存储器,或者,存储器709可以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只读存储器(Read-Only Memory,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)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、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(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本申请实施例中的存储器709包括但不限于这些和任意其它适合类型的存储器。
处理器710可包括一个或多个处理单元;可选的,处理器710集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器710中。
其中,处理器710,用于将每个层的信道信息分别输入对应的第一人工智能AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;
射频单元701,用于向网络侧设备上报每层对应的所述信道特征信息。
可选地,每个层对应同一个所述第一AI网络模型。
可选地,每个层对应的所述第一AI网络模型不同,各所述第一AI网络模型输出的信道特征信息的长度按照所述层的顺序逐渐降低。
可选地,处理器710,还用于:
基于信道的秩确定信道信息对应的层数;
获取第一目标层的目标参数相对于第二目标层的目标参数之和的比例,并基于所述比例所处的比例范围确定所述第一目标层对应的第一AI网络模型,所述第一目标层为所述信道信息对应的层中的任一层,所述第二目标层为所述终端对应的所有层或者所述终端所有上报的层;
其中,不同的所述比例范围对应不同的第一AI网络模型,所述目标参数包括如下任意一项:目标参数、CQI、信道容量。
可选地,每个层对应的所述第一AI网络模型不同,目标第一AI网络模型的输入包括第三目标层的信道信息;
其中,所述终端对应的层基于目标参数进行排序,所述第三目标层为所述终端对应的层进行排序后中的任一个,所述目标第一AI网络模型为所述第三目标层对应的第一AI网络模型,所述目标参数包括如下任意一项:目标参数、CQI、信道容量。
可选地,所述第三目标层为所述终端对应的层进行排序后中除第一个层以外的任一个,所述目标第一AI网络模型的输入还包括如下任意一项:
所述第三目标层的前一层对应的第一AI网络模型的输出;
所述第一个层对应的第一AI网络模型的输出;
所述第三目标层之前的所有层各自对应的第一AI网络模型的输出;
所述第三目标层的前一层对应的信道信息;
所述第三目标层之前的所有层各自对应的信道信息。
可选地,处理器710,还用于:
将每个层的信道信息经预处理后分别输入对应的第一AI网络模型进行处理。
可选地,处理器710,还用于执行如下任意一项:
将每个层的信道信息经第二AI网络模型进行预处理后分别输入对应的第一AI网络模型;
将目标层的信道信息经目标第二AI网络模型进行预处理后,将所述目标第二AI网络模型的输出输入所述目标层对应的第一AI网络模型,其中,所述目标层为所述终端对应的任一个层,每个层对应一个所述目标第二AI网络模型。
可选地,射频单元701,还用于:
对目标层对应的所述信道特征信息进行后处理,将后处理后的信道特征信息向网络侧设备上报;
其中,所述目标层为所述终端对应的至少一个层。
可选地,射频单元701,还用于:
对目标层对应的所述信道特征信息进行后处理,得到目标长度的信道特征信息,所述目标长度小于后处理前的所述信道特征信息的长度;
将所述目标长度、所述目标长度的信道特征信息向网络侧设备上报。
可选地,在所述信道特征信息通过信道状态信息CSI进行上报的情况下,所述目标长度包括在所述CSI的第一部分中。
可选地,在所述信道特征信息通过CSI进行上报的情况下,射频单元701,还用于执行如下任意一项:
在所述终端对应的层基于目标参数进行排序的情况下,将第一个层对应的所述信道特征信息通过所述CSI的第一部分向网络侧设备上报,将除所述第一个层以外的其他层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
将每层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报;
将每层对应的所述信道特征信息通过所述CSI的第二部分中对应的分块向网络侧设备上报,一个层对应一个所述分块。
可选地,射频单元701,还用于:
向网络侧设备上报每层对应的所述信道特征信息,并按照层的顺序的倒序对所述信道特征信息进行丢弃。
可选地,处理器710,还用于:根据CSI参考信号信道估计结果确定信道的秩;
射频单元701,还用于:向网络侧设备上报RI及每层对应的所述信道特征信息。
可选地,所述信道信息为预编码信息。
本申请实施例中,终端的每层对应一个第一AI网络模型,进而无论终端侧有多少层,每层通过对应的第一AI网络模型来对信道信息进行处理即可,这样也就无需针对不同层数训练不同的AI网络模型,能够降低网络侧设备与终端之间针对AI网络模型的传输开销,也能够降低终端和网络侧设备的功耗
本申请实施例还提供一种网络侧设备,包括处理器和通信接口,所述通信接口用于接收终端上报的每层对应的信道特征信息;其中,所述终端的一个层对应一个第一AI网络模型,所述第一AI网络模型用于对终端输入的层的信道信息进行处理,并输出所述信道特征信息。该网络侧设备实施例与上述网络侧设备方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中,且能达到相同的技术效果。
具体地,本申请实施例还提供了一种网络侧设备。如图8所示,该网络侧设备800包括:天线81、射频装置82、基带装置83、处理器84和存储器85。天线81与射频装置82连接。在上行方向上,射频装置82通过天线81接收信息,将接收的信息发送给基带装置83进行处理。在下行方向上,基带装置83对要发送的信息进行处理,并发送给射频装置82,射频装置82对收到的信息进行处理后经过天线81发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置83中实现,该基带装置83包括基带处理器。
基带装置83例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图8所示,其中一个芯片例如为基带处理器,通过总线接口与存储器85连接,以调用存储器85中的程序,执行以上方法实施例中所示的网络设备操作。
该网络侧设备还可以包括网络接口86,该接口例如为通用公共无线接口(commonpublic radio interface,CPRI)。
具体地,本发明实施例的网络侧设备800还包括:存储在存储器85上并可在处理器84上运行的指令或程序,处理器84调用存储器85中的指令或程序执行图5所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述图2所述方法实施例的各个过程,或者实现上述图3所述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述图2所述方法实施例的各个过程,或者实现上述图3所述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现上述图2所述方法实施例的各个过程,或者实现上述图3所述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种通信系统,包括:终端及网络侧设备,所述终端可用于执行如图2所述的信道特征信息传输方法的步骤,所述网络侧设备可用于执行如上图3所述的信道特征信息传输方法的步骤。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (33)
1.一种信道特征信息传输方法,其特征在于,包括:
终端将每个层的信道信息分别输入对应的第一人工智能AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;
所述终端向网络侧设备上报每层对应的所述信道特征信息。
2.根据权利要求1所述的方法,其特征在于,每个层对应的所述第一AI网络模型不同,各所述第一AI网络模型输出的信道特征信息的长度按照所述层的顺序逐渐降低。
3.根据权利要求1所述的方法,其特征在于,所述终端将每个层的信道信息分别输入对应的第一AI网络模型进行处理之前,所述方法还包括:
所述终端基于信道的秩确定信道信息对应的层数;
所述终端获取第一目标层的目标参数相对于第二目标层的目标参数之和的比例,并基于所述比例所处的比例范围确定所述第一目标层对应的第一AI网络模型,所述第一目标层为所述终端上报的层中的任一层,所述第二目标层为所述终端对应的所有层或者所述终端所有上报的层;
其中,不同的所述比例范围对应不同的第一AI网络模型,所述目标参数包括如下任意一项:特征值、信道质量指示CQI、信道容量。
4.根据权利要求1所述的方法,其特征在于,每个层对应的所述第一AI网络模型不同,目标第一AI网络模型的输入包括第三目标层的信道信息;
其中,所述终端对应的层基于目标参数进行排序,所述第三目标层为所述终端对应的层进行排序后中的任一个,所述目标第一AI网络模型为所述第三目标层对应的第一AI网络模型,所述目标参数包括如下任意一项:目标参数、CQI、信道容量。
5.根据权利要求4所述的方法,其特征在于,所述第三目标层为所述终端对应的层进行排序后中除第一个层以外的任一个,所述目标第一AI网络模型的输入还包括如下任意一项:
所述第三目标层的前一层对应的第一AI网络模型的输出;
所述第一个层对应的第一AI网络模型的输出;
所述第三目标层之前的所有层各自对应的第一AI网络模型的输出;
所述第三目标层的前一层对应的信道信息;
所述第三目标层之前的所有层各自对应的信道信息。
6.根据权利要求1所述的方法,其特征在于,所述终端将每个层的信道信息分别输入对应的第一AI网络模型进行处理,包括:
所述终端将每个层的信道信息经预处理后分别输入对应的第一AI网络模型进行处理。
7.根据权利要求6所述的方法,其特征在于,所述终端将每个层的信道信息经预处理后分别输入对应的第一AI网络模型,包括如下任意一项:
所述终端将每个层的信道信息经第二AI网络模型进行预处理后分别输入对应的第一AI网络模型;
所述终端将目标层的信道信息经目标第二AI网络模型进行预处理后,将所述目标第二AI网络模型的输出输入所述目标层对应的第一AI网络模型,其中,所述目标层为所述终端对应的任一个层,每个层对应一个所述目标第二AI网络模型。
8.根据权利要求1所述的方法,其特征在于,所述终端向网络侧设备上报每层对应的所述信道特征信息,包括:
所述终端对目标层对应的所述信道特征信息进行后处理,将后处理后的信道特征信息向网络侧设备上报;
其中,所述目标层为所述终端对应的至少一个层。
9.根据权利要求8所述的方法,其特征在于,所述终端对目标层对应的所述信道特征信息进行后处理,将后处理后的信道特征信息向网络侧设备上报,包括:
所述终端对目标层对应的所述信道特征信息进行后处理,得到目标长度的信道特征信息,所述目标长度小于后处理前的所述信道特征信息的长度;
所述终端将所述目标长度、所述目标长度的信道特征信息向网络侧设备上报。
10.根据权利要求8所述的方法,其特征在于,在所述信道特征信息通过信道状态信息CSI进行上报的情况下,所述目标长度包括在所述CSI的第一部分中。
11.根据权利要求1-10中任一项所述的方法,其特征在于,在所述信道特征信息通过CSI进行上报的情况下,所述终端向网络侧设备上报每层对应的所述信道特征信息,包括如下任意一项:
在所述终端对应的层基于目标参数进行排序的情况下,所述终端将第一个层对应的所述信道特征信息通过所述CSI的第一部分向网络侧设备上报,将除所述第一个层以外的其他层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
所述终端将每层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报;
所述终端将每层对应的所述信道特征信息通过所述CSI的第二部分中对应的分块向网络侧设备上报,一个层对应一个所述分块。
12.根据权利要求1-10中任一项所述的方法,其特征在于,所述终端向网络侧设备上报每层对应的所述信道特征信息,包括:
所述终端向网络侧设备上报每层对应的所述信道特征信息,并按照层的顺序的倒序对所述信道特征信息进行丢弃。
13.根据权利要求1-10中任一项所述的方法,其特征在于,所述方法还包括:
所述终端根据CSI参考信号信道估计结果确定信道的秩;
所述终端向网络侧设备上报每层对应的所述信道特征信息,包括:
所述终端向网络侧设备上报秩的指示RI及每层对应的所述信道特征信息。
14.根据权利要求1-10中任一项所述的方法,其特征在于,所述信道信息为预编码信息。
15.一种信道特征信息传输方法,其特征在于,包括:
网络侧设备接收终端上报的每层对应的信道特征信息;
其中,所述终端的一个层对应一个第一AI网络模型,所述第一AI网络模型用于对终端输入的层的信道信息进行处理,并输出所述信道特征信息。
16.根据权利要求15所述的方法,其特征在于,每个层对应的所述第一AI网络模型不同,各所述第一AI网络模型输出的信道特征信息的长度按照所述层的顺序逐渐降低。
17.根据权利要求15所述的方法,其特征在于,在所述信道特征信息通过CSI进行上报的情况下,所述网络侧设备接收终端上报的每层对应的信道特征信息,包括如下任意一项:
在所述终端对应的层基于目标参数进行排序的情况下,所述网络侧设备接收终端通过所述CSI的第一部分上报的第一个层对应的所述信道特征信息,以及通过所述CSI的第二部分上报的除所述第一个层以外的其他层对应的所述信道特征信息,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
所述网络侧设备接收终端通过所述CSI的第二部分上报的每层对应的所述信道特征信息;
所述网络侧设备接收终端通过所述CSI的第二部分中对应的分块上报的每层对应的所述信道特征信息,一个层对应一个所述分块。
18.根据权利要求15-17中任一项所述的方法,其特征在于,所述网络侧设备接收终端上报的每层对应的信道特征信息,包括:
所述网络侧设备接收终端上报的秩的指示RI及每层对应的所述信道特征信息。
19.一种信道特征信息传输装置,其特征在于,包括:
处理模块,用于将每个层的信道信息分别输入对应的第一AI网络模型进行处理,并获取所述第一AI网络模型输出的信道特征信息,其中,一个层对应一个第一AI网络模型;
上报模块,用于向网络侧设备上报每层对应的所述信道特征信息。
20.根据权利要求19所述的装置,其特征在于,所述装置还包括确定模块,用于:
基于信道的秩确定信道信息对应的层数;
获取第一目标层的目标参数相对于第二目标层的目标参数之和的比例,并基于所述比例所处的比例范围确定所述第一目标层对应的第一AI网络模型,所述第一目标层为所述信道信息对应的层中的任一层,所述第二目标层为所述装置对应的所有层或者所述装置所有上报的层;
其中,不同的所述比例范围对应不同的第一AI网络模型,所述目标参数包括如下任意一项:目标参数、CQI、信道容量。
21.根据权利要求19所述的装置,其特征在于,每个层对应的所述第一AI网络模型不同,目标第一AI网络模型的输入包括第三目标层的信道信息;
其中,所述装置对应的层基于目标参数进行排序,所述第三目标层为所述装置对应的层进行排序后中的任一个,所述目标第一AI网络模型为所述第三目标层对应的第一AI网络模型,所述目标参数包括如下任意一项:目标参数、CQI、信道容量。
22.根据权利要求21所述的装置,其特征在于,所述第三目标层为所述装置对应的层进行排序后中除第一个层以外的任一个,所述目标第一AI网络模型的输入还包括如下任意一项:
所述第三目标层的前一层对应的第一AI网络模型的输出;
所述第一个层对应的第一AI网络模型的输出;
所述第三目标层之前的所有层各自对应的第一AI网络模型的输出;
所述第三目标层的前一层对应的信道信息;
所述第三目标层之前的所有层各自对应的信道信息。
23.根据权利要求19所述的装置,其特征在于,所述处理模块还用于:
将每个层的信道信息经预处理后分别输入对应的第一AI网络模型进行处理。
24.根据权利要求23所述的装置,其特征在于,所述处理模块还用于执行如下任意一项:
将每个层的信道信息经第二AI网络模型进行预处理后分别输入对应的第一AI网络模型;
将目标层的信道信息经目标第二AI网络模型进行预处理后,将所述目标第二AI网络模型的输出输入所述目标层对应的第一AI网络模型,其中,所述目标层为所述装置对应的任一个层,每个层对应一个所述目标第二AI网络模型。
25.根据权利要求19所述的装置,其特征在于,所述上报模块还用于:
对目标层对应的所述信道特征信息进行后处理,将后处理后的信道特征信息向网络侧设备上报;
其中,所述目标层为所述装置对应的至少一个层。
26.根据权利要求25所述的装置,其特征在于,所述上报模块还用于:
对目标层对应的所述信道特征信息进行后处理,得到目标长度的信道特征信息,所述目标长度小于后处理前的所述信道特征信息的长度;
将所述目标长度、所述目标长度的信道特征信息向网络侧设备上报。
27.根据权利要求19-26中任一项所述的装置,其特征在于,在所述信道特征信息通过CSI进行上报的情况下,所述上报模块还用于执行如下任意一项:
在所述装置对应的层基于目标参数进行排序的情况下,将第一个层对应的所述信道特征信息通过所述CSI的第一部分向网络侧设备上报,将除所述第一个层以外的其他层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
将每层对应的所述信道特征信息通过所述CSI的第二部分向网络侧设备上报;
将每层对应的所述信道特征信息通过所述CSI的第二部分中对应的分块向网络侧设备上报,一个层对应一个所述分块。
28.根据权利要求19-26中任一项所述的装置,其特征在于,所述上报模块还用于:
向网络侧设备上报每层对应的所述信道特征信息,并按照层的顺序的倒序对所述信道特征信息进行丢弃。
29.一种信道特征信息传输装置,其特征在于,包括:
接收模块,用于接收终端上报的每层对应的信道特征信息;
其中,所述终端的一个层对应一个第一AI网络模型,所述第一AI网络模型用于对终端输入的层的信道信息进行处理,并输出所述信道特征信息。
30.根据权利要求29所述的装置,其特征在于,在所述信道特征信息通过CSI进行上报的情况下,所述接收模块还用于执行如下任意一项:
在所述终端对应的层基于目标参数进行排序的情况下,接收终端通过所述CSI的第一部分上报的第一个层对应的所述信道特征信息,以及通过所述CSI的第二部分上报的除所述第一个层以外的其他层对应的所述信道特征信息,其中,所述目标参数包括如下任意一项:目标参数、CQI、信道容量;
接收终端通过所述CSI的第二部分上报的每层对应的所述信道特征信息;
接收终端通过所述CSI的第二部分中对应的分块上报的每层对应的所述信道特征信息,一个层对应一个所述分块。
31.一种终端,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-14中任一项所述的信道特征信息传输方法的步骤。
32.一种网络侧设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求15-18中任一项所述的信道特征信息传输方法的步骤。
33.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-14中任一项所述的信道特征信息传输方法的步骤,或者实现如权利要求15-18中任一项所述的信道特征信息传输方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210349419.2A CN116939649A (zh) | 2022-04-01 | 2022-04-01 | 信道特征信息传输方法、装置、终端及网络侧设备 |
PCT/CN2023/085012 WO2023185995A1 (zh) | 2022-04-01 | 2023-03-30 | 信道特征信息传输方法、装置、终端及网络侧设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210349419.2A CN116939649A (zh) | 2022-04-01 | 2022-04-01 | 信道特征信息传输方法、装置、终端及网络侧设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116939649A true CN116939649A (zh) | 2023-10-24 |
Family
ID=88199369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210349419.2A Pending CN116939649A (zh) | 2022-04-01 | 2022-04-01 | 信道特征信息传输方法、装置、终端及网络侧设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116939649A (zh) |
WO (1) | WO2023185995A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696932B (zh) * | 2018-04-09 | 2020-03-17 | 西安交通大学 | 一种利用csi多径及机器学习的室外指纹定位方法 |
WO2020092340A1 (en) * | 2018-11-01 | 2020-05-07 | Intel Corporation | Frequency domain channel state information compression |
CN111614435B (zh) * | 2019-05-13 | 2023-12-15 | 维沃移动通信有限公司 | 信道状态信息csi报告的传输方法、终端及网络设备 |
CN116210263A (zh) * | 2020-08-18 | 2023-06-02 | 高通股份有限公司 | 针对ue处基于神经网络的处理的报告配置 |
CN113922936B (zh) * | 2021-08-31 | 2023-04-28 | 中国信息通信研究院 | 一种ai技术信道状态信息反馈方法和设备 |
-
2022
- 2022-04-01 CN CN202210349419.2A patent/CN116939649A/zh active Pending
-
2023
- 2023-03-30 WO PCT/CN2023/085012 patent/WO2023185995A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023185995A1 (zh) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023246618A1 (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
KR20230138538A (ko) | 정보 리포팅 방법, 장치, 제1 장치 및 제2 장치 | |
CN116939649A (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
CN116939650A (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
CN116828499A (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
CN117750395A (zh) | Cqi传输方法、装置、终端及网络侧设备 | |
WO2024037380A1 (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
CN116828497A (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
CN117411527A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2024088161A1 (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
WO2023179476A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN116939647A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN117411746A (zh) | Ai模型处理方法、装置、终端及网络侧设备 | |
CN116828496A (zh) | 信道特征信息辅助上报及恢复方法、终端和网络侧设备 | |
CN118264290A (zh) | 信道特征信息反馈方法、接收方法、终端及网络侧设备 | |
CN117318773A (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
CN117978218A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
CN117997396A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
CN117335849A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN118316496A (zh) | 信息传输方法、装置和通信设备 | |
CN117998460A (zh) | 信道信息的上报和接收方法、终端及网络侧设备 | |
CN116684225A (zh) | 多普勒信息上报方法、终端及网络侧设备 | |
CN117978304A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
CN116939705A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN117715072A (zh) | 信息传输方法、ai网络模型训练方法、装置和通信设备 |
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 |