CN116939705A - 信道特征信息上报及恢复方法、终端和网络侧设备 - Google Patents

信道特征信息上报及恢复方法、终端和网络侧设备 Download PDF

Info

Publication number
CN116939705A
CN116939705A CN202210349421.XA CN202210349421A CN116939705A CN 116939705 A CN116939705 A CN 116939705A CN 202210349421 A CN202210349421 A CN 202210349421A CN 116939705 A CN116939705 A CN 116939705A
Authority
CN
China
Prior art keywords
coefficients
network
channel
information
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
Application number
CN202210349421.XA
Other languages
English (en)
Inventor
任千尧
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.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication 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 Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN202210349421.XA priority Critical patent/CN116939705A/zh
Priority to PCT/CN2023/084962 priority patent/WO2023185978A1/zh
Publication of CN116939705A publication Critical patent/CN116939705A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
    • 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)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种信道特征信息上报及恢复方法、终端和网络侧设备，属于通信技术领域，本申请实施例的信道特征信息上报方法包括：终端获取目标信道的第一信道信息；所述终端根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；所述终端向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。

Description

信道特征信息上报及恢复方法、终端和网络侧设备
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上报及恢复方法、终端和网络侧设备。
背景技术
准确的信道状态信息(channel state information，CSI)对信道容量的至关重要，随着人工智能(Artificial Intelligence，AI)在通信领域的应用，可以使用AI网络模型对信道状态信息(Channel State Information，CSI)信息进行编码和解码。
在相关技术中，为了减少CSI反馈的开销，基站可以事先对CSI参考信号(CSIReference Signal，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对应的信道矩阵，终端需要将整个信道矩阵的信道信息输入至一个很大的AI网络模型中，以使该AI网络模型输出需要上报的全部正交基向量的系数。也就是说，CSI信息的编解码是针对整个信道而言的，需要的AI网络模型比较大，此外，针对不同长度的CSI，需要重新训练AI网络模型，甚至使用不同的AI网络模型，因此需要较大的传输开销提前配置所有的AI网络模型。
发明内容
本申请实施例提供一种信道特征信息上报及恢复方法、终端和网络侧设备，能够采用AI网络模型来选择需要上报系数的目标正交基向量，或者，采用AI网络模型来确定指定的目标正交基向量的系数，使得信道信息的上报能够以正交基向量为粒度，所需的AI网络模型比较小，从而减少了终端与网络侧设备之间传输AI网络模型的开销，甚至还可以在网络侧设备采用AI网络模型来确定需要上报系数的正交基向量，并指示终端上报这些系数，能够避免在终端与网络侧设备之间传输AI网络模型。
第一方面，提供了一种信道特征信息上报方法，该方法包括：
终端获取目标信道的第一信道信息；
所述终端根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
所述终端向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
第二方面，提供了一种信道特征信息上报装置，应用于终端，该装置包括：
第一获取模块，用于获取目标信道的第一信道信息；
第二获取模块，用于根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
第一发送模块，用于向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
第三方面，提供了一种信道特征信息恢复方法，包括：
网络侧设备接收来自终端的第一信道特征信息，其中，所述第一信道特征信息包括N个系数，所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数，或者，所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息。
第四方面，提供了一种信道特征信息恢复装置，应用于网络侧设备，该装置包括：
第一接收模块，用于接收来自终端的第一信道特征信息，其中，所述第一信道特征信息包括N个系数，所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数，或者，所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
第一处理模块，用于对所述第一信道特征信息进行恢复处理，得到所述第一信道信息。
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，所述通信接口用于获取目标信道的第一信道信息；所述处理器用于根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；所述通信接口还用于向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
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三方面所述的方法的步骤。
第八方面，提供了一种网络侧设备，包括处理器及通信接口，其中，所述通信接口用于接收来自终端的第一信道特征信息，其中，所述第一信道特征信息包括N个系数，所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数，或者，所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；所述处理器用于对所述第一信道特征信息进行恢复处理，得到所述第一信道信息。
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上报方法的步骤，所述网络侧设备可用于执行如第三方面所述的信道特征信息恢复方法的步骤。
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方法的步骤，或者实现如第三方面所述的方法的步骤。
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方法，或实现如第三方面所述的方法。
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上报方法的步骤，或者所述计算机程序/程序产品被至少一个处理器执行以实现如第三方面所述的信道特征信息恢复方法的步骤。
在本申请实施例中，终端获取目标信道的第一信道信息；所述终端根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；所述终端向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。这样，终端能够采用AI网络模型来选择需要上报系数的目标正交基向量，或者，采用AI网络模型来确定指定的目标正交基向量的系数，使得信道信息的上报能够以正交基向量为粒度，所需的AI网络模型比较小，从而减少了终端与网络侧设备之间传输AI网络模型的开销，甚至还可以在网络侧设备采用AI网络模型来确定需要上报系数的正交基向量，并指示终端上报这些系数，能够避免在终端与网络侧设备之间传输AI网络模型。
附图说明
图1是本申请实施例能够应用的一种无线通信系统的结构示意图；
图2是本申请实施例提供的一种信道特征信息上报方法的流程图；
图3是神经网络模型的架构示意图；
图4是神经元的示意图；
图5是本申请实施例提供的一种信道特征信息恢复方法的流程图；
图6是本申请实施例提供的一种信道特征信息上报装置的结构示意图；
图7是本申请实施例提供的一种信道特征信息恢复装置的结构示意图；
图8是本申请实施例提供的一种通信设备的结构示意图；
图9是本申请实施例提供的一种终端的结构示意图；
图10是本申请实施例提供的一种网络侧设备的结构示意图。
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12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12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。
在无线通信技术中，准确的CSI反馈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 andCoding Scheme，MCS)，以实现链路自适应；预编码矩阵指示(Precoding MatrixIndicator，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(如：多输入多输出(Multi-Input Multi-Output，MIMO))被提出以来，CSI的获取一直都是研究热点。
通常，网络侧设备在某个时隙(slot)的某些时频资源上发送CSI参考信号(CSI-Reference Signals，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，网络侧设备根据终端反馈的码本信息组合出信道信息，并在终端下一次上报CSI之前，网络侧设备以此信道信息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改成按照时延(delay域，即频域)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，其可以视作是将delay域信息压缩之后再上报。
同样，为了减少开销，网络侧设备可以事先对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设备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。
在相关技术中，利用AI网络模型对信道信息进行压缩，能够提升信道特征信息的压缩效果，其中，AI网络模型有多种实现方式，例如：神经网络、决策树、支持向量机、贝叶斯分类器等。为了便于说明，本申请实施例中以AI网络模型为神经网络为例进行说明，但是并不限定AI网络模型的具体类型。具体的，终端可以估计CSI参考信号(CSI ReferenceSignal，CSI-RS)或跟踪参考信号(Tracking Reference Signal，TRS)，根据该估计到的信道信息进行计算，得到计算的信道信息，然后，将计算的信道信息或者原始的估计到的信道信息通过编码网络模型进行编码，得到编码结果，最后将编码结果发送给基站。在基站侧，基站可以在接收编码后的结果后，将其输入到解码网络模型中，利用该解码网络模型恢复信道信息。
例如：在R16码本结构下，网络侧发送预编码后的CSI-RS，终端接收信道矩阵，并从中选择2L个空域正交基向量，Mv个时延(delay)域正交基向量，然后上报选择的正交基向量以及对应的系数，网络侧设备则可以根据正交基向量和对应的系数恢复信道信息，其中，delay域对应频域。
但是，相关技术中，采用AI网络模型对信道信息进行编码和解码的过程，都是针对整个信道而言的，因此，AI网络模型的数据量会很大，在传递AI网络模型时，会产生较大的开销，此外，不同长度(overhead)的信道信息，对应不同的AI网络模型，网络侧设备需要针对每一种长度的信道信息分别训练AI网络模型，甚至分别配置不同的AI网络模型，这就增加了终端与网络侧设备之间由于训练和配置AI网络模型所造成的计算量、占用资源和时延等。
本申请实施例中，终端可以根据采用N个第一AI网络模型确定N个系数，或者采用第二AI网络模型选择的N个目标正交基向量，并确定N个目标正交基向量各自的系数，其以正交基向量的系数为粒度，使得第一AI网络模型或第二AI网络模型的数据量小，从而能够减少网络侧设备与终端之间因传输该第一AI网络模型或第二AI网络模型所造成的资源消耗。此外，以正交基向量的系数为粒度，还可以在满足信道信息上报的基础上，实现减少上报的系数的数量的目的，达到减少信道信息上报开销的有益效果。
值得注意的是，本申请实施例中的信道信息的编码不同于相关技术中的信道编码，本申请实施例中的信道信息的编码过程可以包括以下步骤：
步骤1、终端在网络指定的时频域位置检测CSI-RS或TRS，并进行信道估计，得到第一信道信息；
步骤2、终端通过第一AI网络模型(即编码AI网络模型)分别将K组第一信道信息编码为第一信道特征信息；
步骤3、终端将第一信道特征信息的部分或全部内容以及其他控制信息组合为上行控制信息(Uplink Control Information，UCI)，或者将第一信道特征信息的部分或全部内容作为UCI；
步骤4、终端根据UCI的长度对UCI进行分割，并添加循环冗余校验(Cyclicredundancy check，CRC)比特；
步骤5、终端对添加CRC比特的UCI进行信道编码；
步骤6、终端对UCI进行速率匹配；
步骤7、终端对UCI进行码块关联；
步骤8、终端将UCI映射到物理上行控制信道(Physical Uplink ControlChannel，PUCCH)或物理上行共享信道(Physical Uplink Shared Channel，PUSCH)进行上报。
需要说明的是，上述信道信息的编码流程中，部分步骤的顺序可以调整或者省略，在此不构成具体限定。
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上报方法、信道特征信息恢复方法、信道特征信息上报装置、信道特征信息恢复装置及通信设备等进行详细地说明。
请参阅图2，本申请实施例提供的一种信道特征信息上报方法，其执行主体可以是终端，该终端可以是如图1中列举的各种类型的终端11，或者是除了如图1所示实施例中列举的终端类型之外的其他终端，在此不作具体限定。如图2所示，该信道特征信息上报方法可以包括以下步骤：
步骤201、终端获取目标信道的第一信道信息。
在实施中，终端可以通过对CSR-RS或TRS等参考信号进行信道估计，得到上述第一信道信息，或者，上述第一信道信息是终端对估计到的原始信道信息进行一定的计算或预处理后得到的信道信息，例如：第一信道信息可能是根据信道估计得到的信道信息确定的预编码矩阵或特定层的预编码矩阵，在此不作具体限定。
步骤202、所述终端根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数。
在实施中，上述目标正交基向量可以包括空域正交基向量、频域正交基向量、多普勒域正交基向量中的至少一项，且上述目标正交基向量的系数，其可以是第一信道信息投影在对应的目标正交基向量上的投影，该系数可以是一个数值，也可能是一组数值，例如：系数可以是包括实部和虚部的复数，或者所述系数可以是包括至少一个幅度和/或相位的实数。
在一种可能的实现方式中，所述N个系数为分别采用N个第一AI网络模型确定的系数，可以是N个第一AI网络模型与N个正交基向量一一对应。
此时，所述终端根据所述第一信道信息获取N个系数，可以是：所述终端分别采用N个所述第一AI网络模型对所述第一信道信息进行处理，得到N个系数。
需要说明的是，上述第一AI网络模型可以表征对应的正交基向量，例如：表征一个空域正交基向量、表征一个频域正交基向量、表征一个多普勒域正交基向量或者表征至少两个正交基向量联合的正交基向量，此时，可以采用第一AI网络模型来表示对应的正交基向量的信息，而无需采用具体的正交基向量来计算对应的系数。在实施中，N个第一AI网络模型可以表示为编码AI网络模型，该编码AI网络模型与其对应的解码AI网络模型可以是联合训练的，且对应的正交基向量的信息能够体现在编码AI网络模型和解码AI网络模型中，这样，能够采用编码AI网络模型来确定对应的正交基向量的系数，在网络侧则可以采用解码AI网络模型对对应的编码AI网络模型得出的系数进行恢复。
这样，可以使用N个第一AI网络模型来构成N个正交基向量，在采用第一AI网络模型对所述第一信道信息进行处理时，可以采用第一AI网络模型来计算将第一信道信息投影在该第一AI网络模型对应的正交基向量上的系数。
在实施中，上述N个第一AI网络模型可以是网络侧设备配置给终端的，鉴于第一AI网络模型只需要计算单个正交基向量的系数，其尺寸非常小，因此，在网络侧设备将N个第一AI网络模型配置给终端时，所造成的资源开销也很小。
值得提出的是，使用第一AI网络模型来构成正交基向量，能够使用更少的正交基向量来表征目标信道实际的正交基向量，其相较于在固定的DFT向量上投影而言，通过采用信道信息训练得到的第一AI网络模型，能够减少终端上报系数的正交基向量的数量，从而减少信道特征信息上报的开销。
在另一种可能的实现方式中，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，这样，在采用第二AI网络模型确定N个目标正交基向量的情况下，上述终端根据所述第一信道信息获取N个系数，可以包括：
所述终端将所述第一信道信息分别投影在N个目标正交基向量上，得到N个系数。
需要说明的是，上述第二AI网络模型可以是所述网络侧设备使用的AI网络模型，即不同的网络侧设备可以配置各自的第二AI网络模型，在终端接入网络侧设备时，该网络侧设备向终端配置自身的第二AI网络模型，以使终端也采用相同的第二AI网络模型确定N个目标正交基向量，并上报这些目标正交基向量的系数，或者网络侧设备可以直接向终端指示采用第二AI网络模型所确定的目标正交基向量，以使终端不需要采用第二AI网络模型来确定目标正交基向量，就可以直接上报这些目标正交基向量的系数。
当然，上述第二AI网络模型也可能是通信协议中约定的离线的第二AI网络模型，或者是终端训练得到的AI网络模型。
需要说明的是，本申请实施例中，终端采用第二AI网络模型确定目标正交基向量，或者按照网络侧设备采用第二AI网络模型选择的目标正交基向量，能够选择投影较大的部分正交基向量，这样，终端只上报这些正交基向量的系数即可。
可选地，所述信道特征信息上报方法还包括：
所述终端接收来自所述网络侧设备的第一指示信息，所述第一指示信息用于指示所述目标正交基向量，其中，所述目标正交基向量由所述网络侧设备采用所述第二AI网络模型训练得到；
或者，
所述终端采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量；
或者，
所述终端根据通信协议中约定的所述目标正交基向量。
方式一，对于终端接收来自所述网络侧设备的第一指示信息，所述第一指示信息用于指示所述目标正交基向量的情况，所述第二AI网络模型可以是网络侧设备配置的，在实施中，不同的网络侧设备可以各自配置不同的第二AI网络模型，并基于各自配置的第二AI网络模型确定接入网络侧设备的终端需要上报哪些正交基向量的系数，从而通过第一指示信息指示终端上报这些正交基向量的系数。
在实施中，终端可以在接入网络侧设备时，从网络侧设备获取上述第一指示信息，并在接入该网络侧设备的期间，都按照第一指示信息的指示来上报指定的目标正交基向量的系数。与之相对应的，网络侧设备在采用第二AI网络模型训练得到N个目标正交基向量的情况下，在接收终端上报的N个系数时，能够确定这N个系数各自对应哪一个目标正交基向量，从而基于N个系数与各自对应的正交基向量来恢复第一信道信息。
方式二，对于所述终端采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量的情况，上述第二AI网络模型可以是协议约定的或者是网络侧设备指示的，例如：网络侧设备指示第二AI网络模型的结构，终端采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量，此时，不同的终端可以采用各自的第二AI网络模型来训练各自的目标正交基向量，并上报训练出的目标正交基向量的系数。
可选地，在所述终端采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量之后，所述方法还包括：
所述终端向所述网络侧设备发送所述目标正交基向量。
本实施方式中，终端还可以将训练出的目标正交基向量上报给网络侧设备，例如：周期性地向网络侧设备上报目标正交基向量，此外，目标正交基向量的变化频率较低，终端可以间隔较长的周期来上报该目标正交基向量。这样，网络侧设备能够获知终端上报的系数是哪些正交基向量的系数，从而基于N个系数与各自对应的正交基向量来恢复第一信道信息。
方式三，对于所述终端根据通信协议中约定的所述目标正交基向量的情况，上述目标正交基向量可以是采用离线的第二AI网络模型训练得到的正交基向量，在实施中，本方式三与上述方式一和方式二的区别包括：本方式三中，目标正交基向量是预先采用离线的第二AI网络模型训练得到的正交基向量，不会跟随网络状态的变化而变化，因此，不需要实时地训练，且通过在通信协议中约定该目标正交基向量的方式，使得终端和网络侧设备都能够获知该目标正交基向量，因此，终端和网络侧设备之间不需要对该目标正交基向量进行交互或者指示。
步骤203、所述终端向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
需要说明的是，在实施中，上述终端向网络侧设备发送第一信道特征信息，可以是采用CSI上报的方式在CSI报告中携带该第一信道特征信息，以上报网络侧设备，其中，信道特征信息具体可以是PMI信息。当然，上述第一信道特征信息还可以采用其他任意方式上报给网络侧设备，为了便于说明，本申请实施例中，以采用CSI上报的方式上报第一信道特征信息为例进行举例说明，在此不构成具体限定。
在N个系数为终端分别采用N个第一AI网络模型确定的系数的情况下，上述N个第一AI网络模型可以是网络侧设备预先为终端配置的AI网络模型，且该AI网络模型可以包括多种类型的AI算法模块，例如：神经网络、决策树、支持向量机、贝叶斯分类器等，在此不作具体限定，且为了便于说明，以下实施例中以所述AI算法模型为神经网络模型为例进行举例说明，在此不构成具体限定。
如图3所示，神经网络模型包括输入层、隐层和输出层，其可以根据输入层获取的出入信息(X1～Xn)预测可能的输出结果(Y)。神经网络模型由大量的神经元组成，如图4所示，神经元的参数包括：输入参数a1～aK、权值w、偏置b以及激活函数σ(z)，以及与这些参数获取输出值a，其中，常见的激活函数包括S型生长曲线(Sigmoid)函数、双曲正切(tanh)函数、线性整流函数(Rectified Linear Unit，ReLU，其也称之为修正线性单元)函数等等，且上述函数σ(z)中的z可以通过以下公式计算得到：
z＝a1w1+…+akwk+aKwK+b
其中，K表示输入参数的总数。
神经网络的参数通过优化算法进行优化。优化算法就是一种能够帮我们最小化或者最大化目标函数(有时候也叫损失函数)的一类算法。而目标函数往往是模型参数和数据的数学组合。例如给定数据X和其对应的标签Y，我们构建一个神经网络模型f(.)，有了模神经网络型后，根据输入x就可以得到预测输出f(x)，并且可以计算出预测值和真实值之间的差距(f(x)-Y)，这个就是损失函数。我们的目的是找到合适的W和b，使上述的损失函数的值达到最小，损失值越小，则说明我们的模型越接近于真实情况。
目前常见的优化算法，基本都是基于误差反向传播算法。误差反向传播算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
常见的优化算法有梯度下降(Gradient Descent)、随机梯度下降(StochasticGradient Descent，SGD)、小批量梯度下降(mini-batch gradient descent)、动量法(Momentum)、Nesterov(其表示带动量的随机梯度下降)、自适应梯度下降(Adaptivegradient descent，Adagrad)、自适应学习率调整(Adadelta)、均方根误差降速(root meansquare prop，RMSprop)、自适应动量估计(Adaptive Moment Estimation，Adam)等。
这些优化算法在误差反向传播时，都是根据损失函数得到的误差/损失，对当前神经元求导数/偏导，加上学习速率、之前的梯度/导数/偏导等影响，得到梯度，将梯度传给上一层。
作为一种可选的实施方式，所述终端采用第一AI网络模型将所述第一信道信息处理成N个系数，包括：
所述终端将第一信息输入至M个第一AI网络模型，得到M个目标正交基向量各自对应的系数，其中，所述M个第一AI网络模型与所述M个目标正交基向量一一对应，M为大于或等于N的整数；
所述终端从所述M个目标正交基向量各自对应的系数中确定N个系数；
其中，所述第一信息包括：
所述第一信道信息；或者，
所述第一信道信息投影在完备正交空间的第一系数；或者，
所述第一系数，以及所述第一系数对应的正交基向量加权后的部分或全部；或者，
所述第一信道信息经过预编码计算，得到的预编码矩阵或特定层的预编码矩阵；或者，
所述预编码矩阵投影在完备正交空间的第二系数；或者，
所述第二系数，以及所述第二系数对应的正交基向量加权后的部分或全部。
在实施中，上述M个第一AI网络模型可以是网络侧设备配置给终端的全部第一AI网络模型。根据信道状态的实际情况，终端可能只要上报其中部分第一AI网络模型输出的系数，便能够反映目标信道的实际正交基向量的情况，此时，上述终端从所述M个目标正交基向量各自对应的系数中确定N个系数，可以是，终端从M个目标正交基向量的系数中选择幅度较大的N个系数。
在一种可能的实施方式中，输入第一AI网络模型的可以是第一信道信息，或者是第一信道信息投影在完备正交空间的结果(第一系数)，或者是该第一系数及其对应的正交基向量加权后的部分或全部，例如：离散傅里叶变换(Discrete Fourier Transform，DFT)正交空间可以过采或不过采，并将投影在该DFT正交空间的结果输入到第一AI网络模型。
在另一种可能的实施方式中，输入第一AI网络模型的还可以是第一信道信息经过预编码计算得到的预编码矩阵或特定层的预编码矩阵，或者是将所述预编码矩阵投影在完备正交空间的第二系数，或者是第二系数，以及所述第二系数对应的正交基向量加权后的部分或全部。
例如：以空域为例，假设第一信道信息是4×32的信道矩阵，则可以通过以下编码预处理，来确定频域-空域正交基向量的系数：
经过奇异值分解(singular value decomposition，SVD)分解之后选择选择V矩阵的第一列上报，即rank＝1，第一列的PMI是一个32长度的向量，通过映射，可以将32长度的向量投影在32点DFT正交基向量组上，32点DFT构成完备正交空间需要32个DFT正交基向量，投影完便可以得到32个系数，即PMI＝DFT1×a1+DFT2×a2+…DFT32×a32。其中，a1～a32分别是DFT1～DFT32这32个DFT正交基向量各自对应的系数。
以输入第一AI网络模型的信息包括上述第二系数，以及所述第二系数对应的正交基向量加权后的部分或全部为例：
一种实现方式是，对应的编码AI网络模型为32个，且每个网络模型的输入为对应的两个DFT向量及该DFT向量的系数，例如：将[DFT1×a1,DFT2×a2]输入第一个AI网络模型，将[DFT2×a2,DFT3×a3]输入第二个AI网络模型，依次类推，最后将[DFT32×a32+DFT1×a1]输入第32个AI网络模型。
另一种实现方式是，对应的编码AI网络模型为16个，且每个网络模型的输入为对应的两个DFT向量及该DFT向量的系数，例如：将[DFT1×a1,DFT2×a2]输入第一个AI网络模型，将[DFT3×a3,DFT4×a4]输入第二个AI网络模型，依次类推，最后将[DFT31×a31+DFT32×a32]输入第16个AI网络模型。
在实施中，上述编码预处理的方式可以与使用的第一AI网络模型对应，或者由通信协议约定，或者由网络侧设备指示，在此不作具体限定。
需要说明的是，输入第一AI网络模型的信息可能是上述第二系数中的全部或者部分，例如：直接把上述a1～a32输入第一AI网络模型，或者把a1～a32中幅度较大的若干个系数输入第一AI网络模型。
在第一种可能的实现方式中，在上述将第一信道信息输入至第一AI网络模型的情况下，第一AI网络模型可以用于构成对应的一个或至少两个正交基向量，这样，将第一信道信息输入至第一AI网络模型，可以利用第一AI网络模型确定第一信道信息投影在该第一AI网络模型构成的正交基向量的系数。
本实施方式中，N个第一AI网络模型可以与N个目标正交基向量一一对应，这样，某一第一AI网络模型可以构成其对应的目标正交基向量，这样，在将第一信道信息输入该第一AI网络模型时，该第一AI网络模型能够确定第一信道信息投影在其对应的目标正交基向量上的结果，从而得到与该目标正交基向量对应的系数。终端分别向N个第一AI网络模型输入第一信道信息，便可以得到第一信道信息分别投影在N个目标正交基向量上的系数，从而实现信道信息的编码，即将第一信道信息压缩编码成数据量更小的第一信道特征信息。与之相对应的，网络侧设备能够根据N个目标正交基向量以及各自对应的系数来恢复上述第一信道信息，从而能够在实现终端上报第一信道信息的基础上，降低上报第一信道信息的开销。
需要说明的是，在实际应用中，也可以存在采用完整正交基向量对应的一个AI网络模型输出M个系数，并从中选择幅度较大的N个系数的方式来确定需要上报的目标正交基向量的系数。也就是说，第一AI网络模型也可能构成至少两个正交基向量，本申请实施例中，为了便于说明，以第一AI网络模型与正交基向量一一对应为例进行说明，在此不构成具体限定。
在第二种可能的实现方式中，上述将投影在完备正交空间的结果输入到第一AI网络模型，具体指将第一信道信息投影在完备正交空间的第一系数输入到第一AI网络模型，以使第一AI网络模型输出目标正交基向量的系数。
例如：对于一个4×32的信道矩阵，其中每一行的32个信道系数都可以投影到32个DFT正交基，共32个系数，这样，4行信道系数全部进行投影之后得到的投影系数依旧是4×32的矩阵。
在第三种可能的实现方式中，上述将投影在完备正交空间的结果输入到第一AI网络模型，具体指将该第一系数和对应的正交基向量加权后的部分或全部输入到第一AI网络模型，以使第一AI网络模型输出目标正交基向量的系数。
例如：4×32的信道矩阵，每一行的32个信道系数投影到32个DFT正交基上，可以表示为32个系数和32个正交基向量，且每个正交基向量的长度为32，对32个正交基向量进行加权之后合并为一个32×32＝1024长度的向量，然后将该1024长度的向量输入到第一AI网络模型中计算对应的系数，或者是将其中的一部分(例如：对32个正交基向量中最强的两个正交基向量进行加权求和后，得到的64长度的向量)输入到第一AI网络模型中计算该部分对应的系数。
可选地，所述第一系数包括：
所述第一信道信息投影在完备正交空间的系数中的至少部分；或者，
所述第一信道信息投影在完备正交空间的系数中的大于或者等于预设系数的部分；或者，
所述第一信道信息投影在完备正交空间的系数中的幅度大于或者等于预设幅度的部分；或者，
所述第一信道信息投影在完备正交空间的系数中的大于或者等于预设系数的部分按照幅度值大小的排序。
在实施中，第一系数可以是第一信道信息投影在完备正交空间的系数中的一部分，例如：系数较大的一部分，或对应的幅度较大的一部分，或者是系数较大的一部分按照幅度值大小排列后的系数序列。即第一系数可以是一个系数值，也可能是一组系数值。
值得提出的是，在实施中，第一AI网络模型输出的也可能是加权后的正交向量，这样终端还需要使用一个已知向量(即预设向量)和这个加权后的正交向量来计算目标正交基向量的系数。
可选地，所述终端将所述第一信道信息输入至M个第一AI网络模型，得到M个目标正交基向量各自对应的系数，包括：
所述终端将所述第一信道信息输入至M个第一AI网络模型，得到M个第一正交基向量，其中，所述第一正交基向量为加权后的正交向量；
所述终端根据预设向量和所述M个第一正交基向量，确定M个系数。
其中，预设向量可以是预先配置的向量，也可以是将默认的向量(例如：单位正交基向量、全0向量或全1向量等)输入第一AI网络模型后得到的结果。
可选地，所述信道特征信息上报方法还包括：
所述终端向所述网络侧设备发送所述N个系数各自对应的第一AI网络模型的标识信息。
本实施方式中，终端在采用第一AI网络模型来构成目标正交基向量，并确定该目标正交基向量的系数之后，通过向网络侧设备上报该第一AI网络模型的标识信息，可以是网络侧设备根据该第一AI网络模型的标识信息确定接收到的第一信道特征信息中的N个系数各自对应的目标正交基向量，从而基于该N个系数和N个系数各自对应的目标正交基向量来恢复第一信道信息。
作为一种可选的实施方式，在所述第一AI网络模型构成空域正交基向量的情况下，所述M个目标正交基向量各自对应的系数，包括：
分别与预设频域正交基向量对应的空域正交基向量的系数或非零系数。
其中，在终端仅配置了构成空域正交基向量的第一AI网络模型时，终端可以按照现有技术中的常规技术手段来选择若干个预设频域正交基向量(即delay)，然后针对每一个delay分别采用上述第一AI网络模型来确定空域正交基向量的系数，从而可以向网络侧设备上报每个delay的每个空域系数中的非零值或较大的若干个。
本实施方式中，在仅存在空域正交基向量的AI网络模型时，能够通过编码预处理选择预设频域正交基的方式来确定频域-空域正交基向量的系数。
作为一种可选的实施方式，在所述第一AI网络模型构成频域正交基向量的情况下，所述M个目标正交基向量各自对应的系数，包括：
分别与预设空域正交基向量的每一个极化对应的频域正交基向量的系数或非零系数；和/或，
根据目标时延域信道信息确定的预设空域正交基向量的系数，其中，所述目标时延域信道信息是采用所述第一AI网络模型对所述第一信道信息进行处理得到。
在实施中，上述预设空域正交基向量可以是采用现有技术中的常规技术手段来选择若干个空域正交基向量(即beam)，在实施中，可以先选择预设空域正交基向量，然后计算每一个预设空域正交基向量的频域正交基向量的系数，或者，可以先计算目标信道的时延域信息，然后计算该时延域信息对应的预设空域正交基向量的系数。
在一种可能的实现方式中，在终端仅配置了构成频域正交基向量的第一AI网络模型时，终端可以按照现有技术中的常规技术手段来选择若干个预设空域正交基向量(即beam)，然后针对每一个beam的每一个极化对应空域正交基向量，分别采用上述第一AI网络模型来确定频域正交基向量的系数，从而可以向网络侧设备上报每个预设空域正交基向量的每个频域系数中的非零值或较大的若干个。
在另一种可能的实现方式中，在终端仅配置了构成频域正交基向量的第一AI网络模型时，终端可以将全部信道信息输入至第一AI网络模型中，得到目标信道的时延域信道信息，然后再选择若干个beam，以及计算选择的beam的每一个极化对应的空域正交基向量的系数。
例如：对于13个子带，每个子带对应1个4×32的信道矩阵，其中，4为接收天线的数量，32为CSI-RS端口的数量，第一AI网络模型的输入维度可以是13个复数对应的长度，且输出可以是N个复数对应的长度。这样，终端分别针对每个接收天线的每个CSI-RS端口，将13个子带的系数输入第一AI网络模型，通过第一AI网络模型得到N个系数，即为该接收天线的CSI-RS端口对应的时延域信息，遍历全部接收天线的全部CSI-RS端口后，便可以得到N个时延域信道矩阵，然后再按照现有技术中的常规方案来选择若干个beam，并计算每个时延域信道矩阵在选择的每一个beam上的系数，并向网络侧设备上报该时延域信道矩阵对应的预设空域正交基向量的系数。
本实施方式中，在仅存在频域正交基向量的AI网络模型时，能够通过选择预设空域正交基的方式来确定空域-频域正交基向量或频域-空域正交基向量的系数。
作为一种可选的实施方式，在所述终端将第一信息输入至M个第一AI网络模型之前，所述方法还包括：
所述终端接收来自所述网络侧设备的所述M个第一AI网络模型。
本实施方式中，终端可以先从网络侧设备获取多个第一AI网络模型，且每一个第一AI网络模型可以构成一个或至少两个正交基向量，这样，终端在上报信道信息时，能够采用已经配置的第一AI网络模型来计算对应的正交基向量的系数。
可选地，在所述终端接收来自所述网络侧设备的所述M个第一AI网络模型之前，所述方法还包括：
所述终端向所述网络侧设备发送目标能力信息，所述目标能力信息用于指示所述终端支持的第一AI网络模型的最大数量，其中，M小于或者等于所述终端支持的第一AI网络模型的最大数量。
在实施中，上述目标能力信息可以是终端能够配置的第一AI网络模型的最大数量，这样，网络侧设备可以根据终端的能力信息来确定为终端配置多少个第一AI网络模型，或者配置哪一些第一AI网络模型。
在本申请实施例中，终端获取目标信道的第一信道信息；所述终端根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；所述终端向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。这样，终端能够采用AI网络模型来选择需要上报系数的目标正交基向量，或者，采用AI网络模型来确定指定的目标正交基向量的系数，使得信道信息的上报能够以正交基向量为粒度，所需的AI网络模型比较小，从而减少了终端与网络侧设备之间传输AI网络模型的开销，甚至还可以在网络侧设备采用AI网络模型来确定需要上报系数的正交基向量，并指示终端上报这些系数，能够避免在终端与网络侧设备之间传输AI网络模型。
请参阅图5，本申请实施例提供的一种信道特征信息恢复方法，其执行主体可以是网络侧设备，该终端可以是如图1中列举的各种类型的网络侧设备12，或者是除了如图1所示实施例中列举的网络侧设备类型之外的其他网络侧设备，在此不作具体限定。如图5所示，该信道特征信息恢复方法可以包括以下步骤：
步骤501、网络侧设备接收来自终端的第一信道特征信息，其中，所述第一信道特征信息包括N个系数，所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数，或者，所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数。
在实施中，上述第一信道特征信息、系数、第一AI网络模型、第一信道信息、第二AI网络模型和目标正交基向量分别与如图2所示方法实施例中的第一信道特征信息、系数、第一AI网络模型、第一信道信息、第二AI网络模型和目标正交基向量具有相同的含义，在此不再赘述。
步骤502、所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息。
在实施中，若终端上报的N个西施是通信协议中约定的第二网络模型离线确定的目标正交基向量的系数，则网络侧设备也可以获取该目标正交基向量，从而基于目标正交基向量和各自对应的系数来恢复所述第一信道信息。
若终端上报的N个系数是网络侧设备采用自身的第二AI网络模型训练的目标正交基向量的系数，则网络侧设备已经获知了该目标正交基向量，从而也能够基于目标正交基向量和各自对应的系数来恢复所述第一信道信息。
若终端上报的N个系数是采用终端自身的第二AI网络模型训练的目标正交基向量的系数，则终端还可以向网络侧设备上报所述目标正交基向量，以使网络侧设备基于目标正交基向量和各自对应的系数来恢复所述第一信道信息。
若终端上报的N个系数是终端采用N个第一AI网络模型确定的系数，则终端还可以向网络侧设备上报所述N个第一AI网络模型的标识信息，以使网络侧设备采用与该N个第一AI网络模型对应的解码AI网络模型来根据所述N个系数恢复所述第一信道信息，或者，使网络侧设备基于该N个第一AI网络模型对应的目标正交基向量，来确定N个系数各自对应的正交基向量，从而恢复所述第一信道信息。
可选地，在所述N个系数为分别采用N个第一AI网络模型确定的系数的情况下，所述信道特征信息恢复方法还包括：
所述网络侧设备接收来自所述终端的所述N个系数各自对应的第一AI网络模型的标识信息。
本实施方式中，网络侧设备能够根据第一AI网络模型的标识信息来确定对应的解码AI网络模型，和/或确定对应的目标正交基向量。
可选地，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备根据所述N个第一AI网络模型的标识信息确定所述N个系数对应的目标正交基向量；
所述网络侧设备根据所述目标正交基向量和所述N个系数，恢复所述第一信道信息。
本实施方式中，N个第一AI网络模型可以与N个目标正交基向量一一对应，这样，网络侧设备能够根据终端上报的N个第一AI网络模型的标识信息确定所述N个系数分别是第一信道信息投影在哪一个目标正交基向量上的系数，从而恢复第一信道信息。
可选地，所述第一AI网络模型与目标正交基向量一一对应，所述网络侧设备对所述第一信道特征信息进行恢复处理，包括：
所述网络侧设备采用第三AI网络模型对所述第一信道特征信息进行恢复处理，其中，所述第三AI网络模型的输入长度为M，M等于所述目标正交基向量的最大数量，M为大于或等于N的整数。
本实施方式中，上述M可以等于所述目标正交基向量的最大数量，例如：完备正交基向量，此时，终端上报的N个系数可能只包括第一信道投影在部分目标正交基向量上的系数。本实施方式中，不论终端上报的系数是全部目标正交基向量的投影系数还是部分目标正交基向量的投影系数，都是采用固定的输入长度为M的第三AI网络模型来对N个系数进行恢复处理。
可选地，在M大于N的情况下，所述网络侧设备采用第三AI网络模型对所述第一信道特征信息进行恢复处理，包括：
所述网络侧设备对所述第一信道特征信息进行第一处理，以使所述第一信道特征信息的长度由N个系数的长度调整为M个系数的长度；
所述网络侧设备采用第三AI网络模型对所述第一处理后的第一信道特征信息进行恢复处理。
在实施中，上述第一处理可以是补充默认值的处理，例如：对于M个系数中除了N个系数以外的其他系数，都默认等于0。这样，可以使终端上报的第一信道特征信息的长度符合第三AI网络模型的输入长度。
可选地，在所述N个系数为分别采用N个第一AI网络模型确定的系数的情况下，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备采用N个第四AI网络模型对各自对应的系数进行恢复处理，所述N个系数与所述N个第四AI网络模型一一对应；
所述网络侧设备根据所述N个第四AI网络模型各自恢复得到的信道信息，确定所述第一信道信息。
在实施中，上述第四AI网络模型可以与第一AI网络模型一一对应，在实际应用中，可以由网络侧设备联合训练上述第四AI网络模型和对应的第一AI网络模型。
本实施方式中，采用独立的N个第四AI网络模型来恢复各自对应的一组信道信息，然后将N个第四AI网络模型各自恢复的信道信息进行合并，例如：直接相加，或者采用另一个AI网络模型来合并N个第四AI网络模型各自恢复的信道信息，以得到所述第一信道信息。
可选地，在所述N个系数为分别采用N个第一AI网络模型确定的系数的情况下，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备根据预设正交基向量和所述第一信道特征信息，恢复第二信道信息；
所述网络侧设备采用第五AI网络模型对所第二信道信息进行矫正，得到所述第一信道信息。
本实施方式中，网络侧设备先采用预设正交基向量(例如：全0或全1的正交向量，或者单位正交基向量)和终端上报的N个系数组合出第二信道信息，然后采用第五AI网络模型来矫正该第二信道信息，得到最终恢复的第一信道信息。
可选地，在所述N个系数为分别采用N个第一AI网络模型确定的系数的情况下，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备根据N个第二正交基向量对所述N个系数进行加权处理，得到所述第一信道信息，其中，所述N个第二正交基向量与所述N个第一AI网络模型一一对应，且每一个所述第二正交基向量与各自对应的第一AI网络模型联合训练得到。
本实施方式中，网络侧设备能够使用与N个第一AI网络模型一一对应的第二正交基向量，然后采用该N个第二正交基向量和各自对应的系数进行加权处理，得到第一信道信息，其中，采用第二正交基向量和系数进行加权处理的过程，与现有技术中的加权处理过程相似，在此不再赘述。
可选地，在所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数的情况下，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备采用所述第二AI网络模型确定所述N个目标正交基向量，或者，所述网络侧设备接收来自所述终端的所述目标正交基向量；
所述网络侧设备根据所述N个目标正交基向量和所述N个目标正交基向量各自对应的系数，恢复所述第一信道信息。
本实施方式中，在终端采用第二AI网络模型选择N个目标正交基向量的情况下，网络侧设备也采用相同的第二AI网络模型来确定N个目标正交基向量，或者从终端接收该N个目标正交基向量，这样，网络侧设备能够确定N个系数各自对应的目标正交基向量，并据此恢复第一信道信息。
进一步地，在所述网络侧设备采用所述第二AI网络模型确定所述N个目标正交基向量之后，所述方法还包括：
所述网络侧设备向所述终端发送第一指示信息，所述第一指示信息用于指示所述N个目标正交基向量。
本实施方式中，网络侧设备在采用第二AI网络模型选择N个目标正交基向量的情况下，直接将选择出的N个目标正交基向量发送给终端，以使终端直接计算和上报网络侧设备指示的正交基向量的系数即可，这样，无需在网络侧设备和终端之间传输第二AI网络模型。
可选地，在所述网络侧设备接收来自终端的第一信道特征信息之前，所述方法还包括：
所述网络侧设备向所述终端发送M个第一AI网络模型，所述M个第一AI网络模型包括所述N个第一AI网络模型。
本实施方式中，网络侧设备给终端配置M个第一AI网络模型，以使终端从已经配置的M个第一AI网络模型中选择至少部分来确定系数。
进一步地，在所述网络侧设备向所述终端发送M个第一AI网络模型之前，所述方法还包括：
所述网络侧设备接收来自所述终端的目标能力信息，所述目标能力信息用于指示所述终端支持的第一AI网络模型的最大数量，其中，M小于或者等于所述终端支持的第一AI网络模型的最大数量。
本实施方式中，网络侧设备按照终端的能力来确定给终端配置多少个第一AI网络模型，和/或，给终端配置哪一些第一AI网络模型，以使终端配置的第一AI网络模型与其能力匹配，降低配置与终端的能力不匹配的第一AI网络模型而造成的资源浪费的问题。
本申请实施例中，网络侧设备能够对终端上报的以正交基向量系数为粒度的信道特征信息进行恢复，也就实现了以正交基向量为粒度的信道特征信息的上报，该过程中所需的编码AI网络模型和/或解码AI网络模型比较小，从而减少了终端与网络侧设备之间传输AI网络模型的开销，甚至还可以在网络侧设备采用AI网络模型来确定需要上报系数的正交基向量，并指示终端上报这些系数，能够避免在终端与网络侧设备之间传输AI网络模型。
为了便于说明本申请实施例提供的信道特征信息上报方法和信道特征信息恢复方法，以如下应用场景为例，对本申请实施例提供的信道特征信息上报方法和信道特征信息恢复方法进行结合说明：
假设终端获取13个子带的第一信道信息，每一个子带具有一个4×32的信道矩阵，即终端有4个接收天线，且每一个接收天线有32个CSI-RS端口。
此时，终端可以将13个4×32的信道矩阵输入到第一AI网络模型1中，得到系数1，其中，第一AI网络模型1可以构成目标正交基向量1，则系数1可以是将13个4×32的信道矩阵投影到目标正交基向量1上的系数。然后将13个4×32的信道矩阵输入到第一AI网络模型2中，得到系数2，并依次遍历M个第一AI网络模型，得到M个系数。
假设M等于32，终端可以从32个系数中选择12个系数，并对这12个系数进行量化后，上报给网络侧设备，此时，终端还可向网络侧设备上报得到这12个系数的第一AI网络模型的标识信息，例如：12第一AI网络模型的标识分别是：1～9，11，13和14。
网络侧设备则在接收到上述12个系数和12第一AI网络模型的标识信息之后，根据32个基础正交基向量中选择与标识1-9,11,13,14对应的正交基向量和对应的上报的系数，得到完整的信道信息，然后网络侧设备还可以通过另一AI网络模型对该完整的信道信息进行校正，得到最终结果；或者，
网络侧设备可以将32个系数中与1-9,11,13,14位置的系数对应为上报的系数，其他位置的系数则置零，然后通过解码AI网络模型(和/或正交基向量的编码AI网络模型)基于这32个系数恢复完整信道信息；或者，
网络侧设备可以将收到的12个系数加权到对应的基础正交基向量(例如：DFT正交基向量)上，然后将12个32维度的DFT正交基向量输入解码网络，得到恢复的信道信息。
本申请实施例提供的信道特征信息上报方法，执行主体可以为信道特征信息上报装置。本申请实施例中以信道特征信息上报装置执行信道特征信息上报方法为例，说明本申请实施例提供的信道特征信息上报装置。
请参阅图6，本申请实施例提供的一种信道特征信息上报装置，可以是终端内的装置，如图6所示，该信道特征信息上报装置600可以包括以下模块：
第一获取模块601，用于获取目标信道的第一信道信息；
第二获取模块602，用于根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
第一发送模块603，用于向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
可选的，第二获取模块602，具体用于：
分别采用N个所述第一AI网络模型对所述第一信道信息进行处理，得到N个系数；或者，
将所述第一信道信息分别投影在N个目标正交基向量上，得到N个系数，其中，所述目标正交基向量由所述第二AI网络模型确定。
可选的，所述目标正交基向量包括以下至少一项：
空域正交基向量；
频域正交基向量；
多普勒域正交基向量。
可选的，信道特征信息上报装置600还包括：
第二接收模块，用于接收来自所述网络侧设备的第一指示信息，所述第一指示信息用于指示所述目标正交基向量，其中，所述目标正交基向量由所述网络侧设备采用所述第二AI网络模型训练得到；
或者，
训练模块，用于采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量；
或者，
第二获取模块，用于获取通信协议中约定所述目标正交基向量。
可选的，信道特征信息上报装置600还包括：
第二发送模块，用于向所述网络侧设备发送所述目标正交基向量。
可选的，第二获取模块602，包括：
第一处理单元，用于将第一信息输入至M个第一AI网络模型，得到M个目标正交基向量各自对应的系数，其中，所述M个第一AI网络模型与所述M个目标正交基向量一一对应，M为大于或等于N的整数；
第一确定单元，用于从所述M个目标正交基向量各自对应的系数中确定N个系数；
其中，所述第一信息包括：
所述第一信道信息；或者，
所述第一信道信息投影在完备正交空间的第一系数；或者，
所述第一系数，以及所述第一系数对应的正交基向量加权后的部分或全部；或者，
所述第一信道信息经过预编码计算，得到的预编码矩阵或特定层的预编码矩阵；或者，
所述预编码矩阵投影在完备正交空间的第二系数；或者，
所述第二系数，以及所述第二系数对应的正交基向量加权后的部分或全部。
可选的，所述第一系数包括：
所述第一信道信息投影在完备正交空间的系数中的至少部分；或者，
所述第一信道信息投影在完备正交空间的系数中的大于或者等于预设系数的部分；或者，
所述第一信道信息投影在完备正交空间的系数中的幅度大于或者等于预设幅度的部分；或者，
所述第一信道信息投影在完备正交空间的系数中的大于或者等于预设系数的部分按照幅度值大小的排序。
可选的，信道特征信息上报装置600还包括还包括：
第三发送模块，用于向所述网络侧设备发送所述N个系数各自对应的第一AI网络模型的标识信息。
可选的，所述第一处理单元，包括：
第一处理子单元，用于将所述第一信道信息输入至M个第一AI网络模型，得到M个第一正交基向量，其中，所述第一正交基向量为加权后的正交向量；
第一确定子单元，用于根据预设向量和所述M个第一正交基向量，确定M个系数。
可选的，在所述第一AI网络模型构成空域正交基向量的情况下，所述M个目标正交基向量各自对应的系数，包括：
分别与预设频域正交基对应的空域正交基向量的系数或非零系数。
可选的，在所述第一AI网络模型构成频域正交基向量的情况下，所述M个目标正交基向量各自对应的系数，包括：
分别与预设空域正交基向量的每一个极化对应的频域正交基向量的系数或非零系数；和/或，
根据目标时延域信道信息确定的预设空域正交基向量的系数，其中，所述目标时延域信道信息是采用所述第一AI网络模型对所述第一信道信息进行处理得到。
可选的，信道特征信息上报装置600还包括：
第三接收模块，用于接收来自所述网络侧设备的所述M个第一AI网络模型。
可选的，信道特征信息上报装置600还包括：
第四发送模块，用于向所述网络侧设备发送目标能力信息，所述目标能力信息用于指示所述终端支持的第一AI网络模型的最大数量，其中，M小于或者等于所述终端支持的第一AI网络模型的最大数量。
可选的，所述系数为包括实部和虚部的复数，或者所述系数为包括至少一个幅度和/或相位的实数。
本申请实施例中的信道特征信息上报装置600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上报装置600能够实现图2所示方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例提供的信道特征信息恢复方法，执行主体可以为信道特征信息恢复装置。本申请实施例中以信道特征信息恢复装置执行信道特征信息恢复方法为例，说明本申请实施例提供的信道特征信息恢复装置。
请参阅图7，本申请实施例提供的一种信道特征信息恢复装置，可以是网络侧设备内的装置，如图7所示，该信道特征信息恢复装置700可以包括以下模块：
第一接收模块701，用于接收来自终端的第一信道特征信息，其中，所述第一信道特征信息包括N个系数，所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数，或者，所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
第一处理模块702，用于对所述第一信道特征信息进行恢复处理，得到所述第一信道信息。
可选的，在所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数的情况下，信道特征信息恢复装置700还包括：
第四接收模块，用于接收来自所述终端的所述N个系数各自对应的第一AI网络模型的标识信息。
可选的，第一处理模块702，包括：
第二确定单元，用于根据所述N个第一AI网络模型的标识信息确定所述N个系数对应的目标正交基向量；
第一恢复单元，用于根据所述目标正交基向量和所述N个系数，恢复所述第一信道信息。
可选的，所述第一AI网络模型与目标正交基向量一一对应，第一处理模块702，具体用于：
采用第三AI网络模型对所述第一信道特征信息进行恢复处理，其中，所述第三AI网络模型的输入长度为M，M等于所述目标正交基向量的最大数量，M为大于或等于N的整数。
可选的，在M大于N的情况下，第一处理模块702，包括：
第二处理单元，用于对所述第一信道特征信息进行第一处理，以使所述第一信道特征信息的长度由N个系数的长度调整为M个系数的长度；
第二恢复单元，用于采用第三AI网络模型对所述第一处理后的第一信道特征信息进行恢复处理。
可选的，在所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数的情况下，第一处理模块702，包括：
第三恢复单元，用于采用N个第四AI网络模型对各自对应的系数进行恢复处理，所述N个系数与所述N个第四AI网络模型一一对应；
第三确定单元，用于根据所述N个第四AI网络模型各自恢复得到的信道信息，确定所述第一信道信息。
可选的，在所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数的情况下，第一处理模块702，包括：
第四恢复单元，用于根据预设正交基向量和所述第一信道特征信息，恢复第二信道信息；
矫正单元，用于采用第五AI网络模型对所第二信道信息进行矫正，得到所述第一信道信息。
可选的，在所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数的情况下，第一处理模块702，具体用于：
根据N个第二正交基向量对所述N个系数进行加权处理，得到所述第一信道信息，其中，所述N个第二正交基向量与所述N个第一AI网络模型一一对应，且每一个所述第二正交基向量与各自对应的第一AI网络模型联合训练得到。
可选的，在所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数的情况下，第一处理模块702，包括：
第四确定单元，用于采用所述第二AI网络模型确定所述N个目标正交基向量，或者，所述网络侧设备接收来自所述终端的所述目标正交基向量；
第五恢复单元，用于根据所述N个目标正交基向量和所述N个目标正交基向量各自对应的系数，恢复所述第一信道信息。
可选的，信道特征信息恢复装置700还包括：
第五发送模块，用于向所述终端发送第一指示信息，所述第一指示信息用于指示所述N个目标正交基向量。
可选的，信道特征信息恢复装置700还包括：
第六发送模块，用于向所述终端发送M个第一AI网络模型，所述M个第一AI网络模型包括所述N个第一AI网络模型。
可选的，信道特征信息恢复装置700还包括：
第五接收模块，用于接收来自所述终端的目标能力信息，所述目标能力信息用于指示所述终端支持的第一AI网络模型的最大数量，其中，M小于或者等于所述终端支持的第一AI网络模型的最大数量。
本申请实施例中的信道特征信息恢复装置700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。该电子设备可以是网络侧设备，也可以为除网络侧设备之外的其他设备。示例性的，终端可以包括但不限于上述所列举的网络侧设备12的类型，其他设备可以为服务器、网络附属存储器(Network AttachedStorage，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恢复装置700能够实现图5所示方法实施例实现的各个过程，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8所示，本申请实施例还提供一种通信设备800，包括处理器801和存储器802，存储器802上存储有可在所述处理器801上运行的程序或指令，例如，该通信设备800为终端时，该程序或指令被处理器801执行时实现上述信道特征信息上报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800为网络侧设备时，该程序或指令被处理器801执行时实现上述信道特征信息恢复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，通信接口用于获取目标信道的第一信道信息；所述处理器用于根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；所述通信接口还用于向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
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9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900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909以及处理器910等中的至少部分部件。
本领域技术人员可以理解，终端900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910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9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904可以包括图形处理单元(GraphicsProcessing Unit，GPU)9041和麦克风9042，图形处理器9041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906可包括显示面板9061，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9061。用户输入单元907包括触控面板9071以及其他输入设备9072中的至少一种。触控面板9071，也称为触摸屏。触控面板9071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9072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901接收来自网络侧设备的下行数据后，可以传输给处理器910进行处理；另外，射频单元901可以向网络侧设备发送上行数据。通常，射频单元901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909可用于存储软件程序或指令以及各种数据。存储器909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909可以包括易失性存储器或非易失性存储器，或者，存储器909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909包括但不限于这些和任意其它适合类型的存储器。
处理器910可包括一个或多个处理单元；可选的，处理器910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910中。
其中，射频单元901，用于获取目标信道的第一信道信息；
处理器910，用于根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
射频单元901，还用于向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
可选地，处理器910执行的所述根据所述第一信道信息获取N个系数，包括：
分别采用N个所述第一AI网络模型对所述第一信道信息进行处理，得到N个系数；或者，
将所述第一信道信息分别投影在N个目标正交基向量上，得到N个系数，其中，所述目标正交基向量由所述第二AI网络模型确定。
可选地，所述目标正交基向量包括以下至少一项：
空域正交基向量；
频域正交基向量；
多普勒域正交基向量。
可选地，射频单元901，还用于接收来自所述网络侧设备的第一指示信息，所述第一指示信息用于指示所述目标正交基向量，其中，所述目标正交基向量由所述网络侧设备采用所述第二AI网络模型训练得到；
或者，
处理器910，还用于采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量；
或者，
处理器910，还用于获取通信协议中约定所述目标正交基向量。
可选地，在处理器910执行所述终端采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量之后，射频单元901，还用于向所述网络侧设备发送所述目标正交基向量。
可选地，处理器910执行的所述分别采用N个所述第一AI网络模型对所述第一信道信息进行处理，得到N个系数，包括：
将第一信息输入至M个第一AI网络模型，得到M个目标正交基向量各自对应的系数，其中，所述M个第一AI网络模型与所述M个目标正交基向量一一对应，M为大于或等于N的整数；
从所述M个目标正交基向量各自对应的系数中确定N个系数；
其中，所述第一信息包括：
所述第一信道信息；或者，
所述第一信道信息投影在完备正交空间的第一系数；或者，
所述第一系数，以及所述第一系数对应的正交基向量加权后的部分或全部；或者，
所述第一信道信息经过预编码计算，得到的预编码矩阵或特定层的预编码矩阵；或者，
所述预编码矩阵投影在完备正交空间的第二系数；或者，
所述第二系数，以及所述第二系数对应的正交基向量加权后的部分或全部。
可选地，所述第一系数包括：
所述第一信道信息投影在完备正交空间的系数中的至少部分；或者，
所述第一信道信息投影在完备正交空间的系数中的大于或者等于预设系数的部分；或者，
所述第一信道信息投影在完备正交空间的系数中的幅度大于或者等于预设幅度的部分；或者，
所述第一信道信息投影在完备正交空间的系数中的大于或者等于预设系数的部分按照幅度值大小的排序。
可选地，射频单元901，还用于向所述网络侧设备发送所述N个系数各自对应的第一AI网络模型的标识信息。
可选地，处理器910执行的所述将第一信息输入至M个第一AI网络模型，得到M个目标正交基向量各自对应的系数，包括：
将所述第一信道信息输入至M个第一AI网络模型，得到M个第一正交基向量，其中，所述第一正交基向量为加权后的正交向量；
根据预设向量和所述M个第一正交基向量，确定M个系数。
可选地，在所述第一AI网络模型构成空域正交基向量的情况下，所述M个目标正交基向量各自对应的系数，包括：
分别与预设频域正交基对应的空域正交基向量的系数或非零系数。
可选地，在所述第一AI网络模型构成频域正交基向量的情况下，所述M个目标正交基向量各自对应的系数，包括：
分别与预设空域正交基向量的每一个极化对应的频域正交基向量的系数或非零系数；和/或，
根据目标时延域信道信息确定的预设空域正交基向量的系数，其中，所述目标时延域信道信息是采用所述第一AI网络模型对所述第一信道信息进行处理得到。
可选地，在处理器910执行所述将第一信息输入至M个第一AI网络模型之前，射频单元901，还用于接收来自所述网络侧设备的所述M个第一AI网络模型。
可选地，射频单元901在执行所述接收来自所述网络侧设备的所述M个第一AI网络模型之前，还用于：
向所述网络侧设备发送目标能力信息，所述目标能力信息用于指示所述终端支持的第一AI网络模型的最大数量，其中，M小于或者等于所述终端支持的第一AI网络模型的最大数量。
可选地，所述系数为包括实部和虚部的复数，或者所述系数为包括至少一个幅度和/或相位的实数。
本申请实施例提供的终端900，能够执行如图6所示信道特征信息上报装置600中的各模块执行的各个过程，且能够取得相同的有益效果，为避免重复，在此不再赘述。
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，通信接口用于接收来自终端的第一信道特征信息，其中，所述第一信道特征信息包括N个系数，所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数，或者，所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；所述处理器用于对所述第一信道特征信息进行恢复处理，得到所述第一信道信息。
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10所示，该网络侧设备1000包括：天线1001、射频装置1002、基带装置1003、处理器1004和存储器1005。天线1001与射频装置1002连接。在上行方向上，射频装置1002通过天线1001接收信息，将接收的信息发送给基带装置1003进行处理。在下行方向上，基带装置1003对要发送的信息进行处理，并发送给射频装置1002，射频装置1002对收到的信息进行处理后经过天线1001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1003中实现，该基带装置1003包括基带处理器。
基带装置1003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10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1005连接，以调用存储器1005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1006，该接口例如为通用公共无线接口(Common Public Radio Interface，CPRI)。
具体地，本发明实施例的网络侧设备1000还包括：存储在存储器1005上并可在处理器1004上运行的指令或程序，处理器1004调用存储器1005中的指令或程序执行图7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如图2或图5所示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，实现如图2或图5所示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如图2或图5所示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第一方面所述的信道特征信息上报方法的步骤，所述网络侧设备可用于执行如第三方面所述的信道特征信息恢复方法的步骤。
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 (28)

1.一种信道特征信息上报方法，其特征在于，包括：
终端获取目标信道的第一信道信息；
所述终端根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
所述终端向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
2.根据权利要求1所述的方法，其特征在于，所述终端根据所述第一信道信息获取N个系数，包括：
所述终端分别采用N个所述第一AI网络模型对所述第一信道信息进行处理，得到N个系数；或者，
所述终端将所述第一信道信息分别投影在N个目标正交基向量上，得到N个系数，其中，所述目标正交基向量由所述第二AI网络模型确定。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
所述终端接收来自所述网络侧设备的第一指示信息，所述第一指示信息用于指示所述目标正交基向量，其中，所述目标正交基向量由所述网络侧设备采用所述第二AI网络模型训练得到；
或者，
所述终端采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量；
或者，
所述终端获取通信协议中约定所述目标正交基向量。
4.根据权利要求3所述的方法，其特征在于，在所述终端采用第二AI网络模型，基于所述第一信道信息训练得到所述目标正交基向量之后，所述方法还包括：
所述终端向所述网络侧设备发送所述目标正交基向量。
5.根据权利要求2所述的方法，其特征在于，所述终端分别采用N个所述第一AI网络模型对所述第一信道信息进行处理，得到N个系数，包括：
所述终端将第一信息输入至M个第一AI网络模型，得到M个目标正交基向量各自对应的系数，其中，所述M个第一AI网络模型与所述M个目标正交基向量一一对应，M为大于或等于N的整数；
所述终端从所述M个目标正交基向量各自对应的系数中确定N个系数；
其中，所述第一信息包括：
所述第一信道信息；或者，
所述第一信道信息投影在完备正交空间的第一系数；或者，
所述第一系数，以及所述第一系数对应的正交基向量加权后的部分或全部；或者，
所述第一信道信息经过预编码计算，得到的预编码矩阵或特定层的预编码矩阵；或者，
所述预编码矩阵投影在完备正交空间的第二系数；或者，
所述第二系数，以及所述第二系数对应的正交基向量加权后的部分或全部。
6.根据权利要求5所述的方法，其特征在于，所述第一系数包括：
所述第一信道信息投影在完备正交空间的系数中的至少部分；或者，
所述第一信道信息投影在完备正交空间的系数中的大于或者等于预设系数的部分；或者，
所述第一信道信息投影在完备正交空间的系数中的幅度大于或者等于预设幅度的部分；或者，
所述第一信道信息投影在完备正交空间的系数中的大于或者等于预设系数的部分按照幅度值大小的排序。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
所述终端向所述网络侧设备发送所述N个系数各自对应的第一AI网络模型的标识信息。
8.根据权利要求5所述的方法，其特征在于，所述终端将第一信息输入至M个第一AI网络模型，得到M个目标正交基向量各自对应的系数，包括：
所述终端将所述第一信道信息输入至M个第一AI网络模型，得到M个第一正交基向量，其中，所述第一正交基向量为加权后的正交向量；
所述终端根据预设向量和所述M个第一正交基向量，确定M个系数。
9.根据权利要求5所述的方法，其特征在于，在所述第一AI网络模型构成空域正交基向量的情况下，所述M个目标正交基向量各自对应的系数，包括：
分别与预设频域正交基对应的空域正交基向量的系数或非零系数；
和/或，
在所述第一AI网络模型构成频域正交基向量的情况下，所述M个目标正交基向量各自对应的系数，包括以下至少一项：
分别与预设空域正交基向量的每一个极化对应的频域正交基向量的系数或非零系数；
根据目标时延域信道信息确定的预设空域正交基向量的系数，其中，所述目标时延域信道信息是采用所述第一AI网络模型对所述第一信道信息进行处理得到。
10.根据权利要求5所述的方法，其特征在于，在所述终端将第一信息输入至M个第一AI网络模型之前，所述方法还包括：
所述终端接收来自所述网络侧设备的所述M个第一AI网络模型。
11.根据权利要求10所述的方法，其特征在于，在所述终端接收来自所述网络侧设备的所述M个第一AI网络模型之前，所述方法还包括：
所述终端向所述网络侧设备发送目标能力信息，所述目标能力信息用于指示所述终端支持的第一AI网络模型的最大数量，其中，M小于或者等于所述终端支持的第一AI网络模型的最大数量。
12.一种信道特征信息上报装置，其特征在于，应用于终端，所述装置包括：
第一获取模块，用于获取目标信道的第一信道信息；
第二获取模块，用于根据所述第一信道信息获取N个系数，其中，所述N个系数为分别采用N个第一AI网络模型确定的系数，所述N个系数与所述N个第一AI网络模型一一对应，或者，所述N个系数为采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
第一发送模块，用于向网络侧设备发送第一信道特征信息，所述第一信道特征信息包括所述N个系数。
13.一种信道特征信息恢复方法，其特征在于，包括：
网络侧设备接收来自终端的第一信道特征信息，其中，所述第一信道特征信息包括N个系数，所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数，或者，所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息。
14.根据权利要求13所述的方法，其特征在于，在所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数的情况下，所述方法还包括：
所述网络侧设备接收来自所述终端的所述N个系数各自对应的第一AI网络模型的标识信息。
15.根据权利要求14所述的方法，其特征在于，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备根据所述N个第一AI网络模型的标识信息确定所述N个系数对应的目标正交基向量；
所述网络侧设备根据所述目标正交基向量和所述N个系数，恢复所述第一信道信息。
16.根据权利要求14所述的方法，其特征在于，所述第一AI网络模型与目标正交基向量一一对应，所述网络侧设备对所述第一信道特征信息进行恢复处理，包括：
所述网络侧设备采用第三AI网络模型对所述第一信道特征信息进行恢复处理，其中，所述第三AI网络模型的输入长度为M，M等于所述目标正交基向量的最大数量，M为大于或等于N的整数。
17.根据权利要求16所述的方法，其特征在于，在M大于N的情况下，所述网络侧设备采用第三AI网络模型对所述第一信道特征信息进行恢复处理，包括：
所述网络侧设备对所述第一信道特征信息进行第一处理，以使所述第一信道特征信息的长度由N个系数的长度调整为M个系数的长度；
所述网络侧设备采用第三AI网络模型对所述第一处理后的第一信道特征信息进行恢复处理。
18.根据权利要求13所述的方法，其特征在于，在所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数的情况下，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备采用N个第四AI网络模型对各自对应的系数进行恢复处理，所述N个系数与所述N个第四AI网络模型一一对应；
所述网络侧设备根据所述N个第四AI网络模型各自恢复得到的信道信息，确定所述第一信道信息。
19.根据权利要求13所述的方法，其特征在于，在所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数的情况下，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备根据预设正交基向量和所述第一信道特征信息，恢复第二信道信息；
所述网络侧设备采用第五AI网络模型对所第二信道信息进行矫正，得到所述第一信道信息。
20.根据权利要求13所述的方法，其特征在于，在所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数的情况下，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备根据N个第二正交基向量对所述N个系数进行加权处理，得到所述第一信道信息，其中，所述N个第二正交基向量与所述N个第一AI网络模型一一对应，且每一个所述第二正交基向量与各自对应的第一AI网络模型联合训练得到。
21.根据权利要求13所述的方法，其特征在于，在所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数的情况下，所述网络侧设备对所述第一信道特征信息进行恢复处理，得到所述第一信道信息，包括：
所述网络侧设备采用所述第二AI网络模型确定所述N个目标正交基向量，或者，所述网络侧设备接收来自所述终端的所述目标正交基向量；
所述网络侧设备根据所述N个目标正交基向量和所述N个目标正交基向量各自对应的系数，恢复所述第一信道信息。
22.根据权利要求21所述的方法，其特征在于，在所述网络侧设备采用所述第二AI网络模型确定所述N个目标正交基向量之后，所述方法还包括：
所述网络侧设备向所述终端发送第一指示信息，所述第一指示信息用于指示所述N个目标正交基向量。
23.根据权利要求13所述的方法，其特征在于，在所述网络侧设备接收来自终端的第一信道特征信息之前，所述方法还包括：
所述网络侧设备向所述终端发送M个第一AI网络模型，所述M个第一AI网络模型包括所述N个第一AI网络模型。
24.根据权利要求23所述的方法，其特征在于，在所述网络侧设备向所述终端发送M个第一AI网络模型之前，所述方法还包括：
所述网络侧设备接收来自所述终端的目标能力信息，所述目标能力信息用于指示所述终端支持的第一AI网络模型的最大数量，其中，M小于或者等于所述终端支持的第一AI网络模型的最大数量。
25.一种信道特征信息恢复装置，其特征在于，应用于网络侧设备，所述装置包括：
第一接收模块，用于接收来自终端的第一信道特征信息，其中，所述第一信道特征信息包括N个系数，所述N个系数为分别采用N个第一AI网络模型对第一信道信息进行处理得到的系数，或者，所述N个系数为所述第一信道信息投影在采用第二AI网络模型选择的N个目标正交基向量的系数，N为大于或者等于1的整数；
第一处理模块，用于对所述第一信道特征信息进行恢复处理，得到所述第一信道信息。
26.一种终端，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至11中任一项所述的信道特征信息上报方法的步骤。
27.一种网络侧设备，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13至24中任一项所述的信道特征信息恢复方法的步骤。
28.一种可读存储介质，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至11中任一项所述的信道特征信息上报方法，或者实现如权利要求13至24中任一项所述的信道特征信息恢复方法的步骤。
CN202210349421.XA 2022-04-01 2022-04-01 信道特征信息上报及恢复方法、终端和网络侧设备 Pending CN116939705A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210349421.XA CN116939705A (zh) 2022-04-01 2022-04-01 信道特征信息上报及恢复方法、终端和网络侧设备
PCT/CN2023/084962 WO2023185978A1 (zh) 2022-04-01 2023-03-30 信道特征信息上报及恢复方法、终端和网络侧设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210349421.XA CN116939705A (zh) 2022-04-01 2022-04-01 信道特征信息上报及恢复方法、终端和网络侧设备

Publications (1)

Publication Number Publication Date
CN116939705A true CN116939705A (zh) 2023-10-24

Family

ID=88199355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210349421.XA Pending CN116939705A (zh) 2022-04-01 2022-04-01 信道特征信息上报及恢复方法、终端和网络侧设备

Country Status (2)

Country Link
CN (1) CN116939705A (zh)
WO (1) WO2023185978A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807383A (zh) * 2024-03-01 2024-04-02 深圳市大数据研究院 信道状态信息恢复方法及装置、设备、存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111277379B (zh) * 2019-01-11 2022-09-23 维沃移动通信有限公司 无线通信方法和终端设备
CN111277360B (zh) * 2019-01-11 2023-02-21 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
US20230040739A1 (en) * 2020-01-14 2023-02-09 Nokia Technologies Oy Method, device and computer readable medium of communication
US20230246694A1 (en) * 2020-08-18 2023-08-03 Qualcomm Incorporated Neural network based channel state information feedback report size determination

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807383A (zh) * 2024-03-01 2024-04-02 深圳市大数据研究院 信道状态信息恢复方法及装置、设备、存储介质

Also Published As

Publication number Publication date
WO2023185978A1 (zh) 2023-10-05

Similar Documents

Publication Publication Date Title
WO2021142631A1 (en) Method, device and computer readable medium of communication
WO2023185978A1 (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
US20230412430A1 (en) Inforamtion reporting method and apparatus, first device, and second device
WO2023246618A1 (zh) 信道矩阵处理方法、装置、终端及网络侧设备
CN116488747A (zh) 信息交互方法、装置及通信设备
WO2023179476A1 (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
WO2023179473A1 (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
CN117411527A (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
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
WO2024032606A1 (zh) 信息传输方法、装置、设备、系统及存储介质
WO2024037380A1 (zh) 信道信息处理方法、装置、通信设备及存储介质
CN116939647A (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
WO2024088162A1 (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
CN117978218A (zh) 信息传输方法、信息处理方法、装置和通信设备
CN116939650A (zh) 信道特征信息传输方法、装置、终端及网络侧设备
CN116996898A (zh) Ai网络模型确定方法、装置、参考节点和网络侧设备
CN114499596B (zh) 一种干扰抑制的方法、服务器、装置及存储介质
WO2024088161A1 (zh) 信息传输方法、信息处理方法、装置和通信设备
WO2024104126A1 (zh) 更新ai网络模型的方法、装置和通信设备
WO2023134628A1 (zh) 传输方法、装置和设备
CN118042450A (zh) 信息传输方法、更新ai网络模型的方法、装置和通信设备
CN116939649A (zh) 信道特征信息传输方法、装置、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
CN117750395A (zh) Cqi传输方法、装置、终端及网络侧设备

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