CN116996898A - Ai网络模型确定方法、装置、参考节点和网络侧设备 - Google Patents
Ai网络模型确定方法、装置、参考节点和网络侧设备 Download PDFInfo
- Publication number
- CN116996898A CN116996898A CN202210411582.7A CN202210411582A CN116996898A CN 116996898 A CN116996898 A CN 116996898A CN 202210411582 A CN202210411582 A CN 202210411582A CN 116996898 A CN116996898 A CN 116996898A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- network model
- network
- reference node
- 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 165
- 238000012549 training Methods 0.000 claims abstract description 107
- 230000008569 process Effects 0.000 claims description 38
- 230000004044 response Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000011664 signaling Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 abstract description 36
- 230000006870 function Effects 0.000 description 33
- 210000004027 cell Anatomy 0.000 description 15
- 230000000694 effects Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000013016 learning Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种AI网络模型确定方法、装置、参考节点和网络侧设备,属于通信技术领域,本申请实施例的AI网络模型确定方法包括:参考节点向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
Description
技术领域
本申请属于通信技术领域,具体涉及一种AI网络模型确定方法、装置、参考节点和网络侧设备。
背景技术
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。
AI网络模型需要基于大量的数据进行训练,是通过足够多的训练样本来寻找中间规律,确定网络模型参数,以使该AI网络模型能够实现预定的功能。在CSI反馈过程中,终端可以使用编码AI网络模型对信道信息进行编码,并上报编码后的CSI信息,网络侧设备则使用解码AI网络模型对编码后的CSI信息进行解码,由于编码AI网络模型和解码AI网络模型是分别在终端和网络侧工作的,训练的时候又需要联合训练,因此需要再同一侧进行训练,将训练好的结果发送给另一侧。
而且,训练集的数据包括输入数据和预期的输出数据,对于AI网络模型,二者是相同的,但是实际的信道信息需要终端通过对CSI参考信号(CSI Reference Signal,CSI-RS)进行估计得到,必须占用一定的空口资源,且准确的信道信息很难上报给网络侧设备,从而造成基于准确度较低的信道信息所训练得到的AI网络模型与实际的信道信息不匹配的问题。
发明内容
本申请实施例提供一种AI网络模型确定方法、装置、参考节点和网络侧设备,能够采用参考节点来估计信道信息,并将该信道信息上报给网络侧设备,可以使网络侧设备基于准确的信道信息来训练AI网络模型,或者参考节点直接基于信道信息训练AI网络模型,并将训练得到的AI网络模型上报给网络侧设备,能够使网络侧设备获得与实际的信道信息更加匹配的AI网络模型。
第一方面,提供了一种AI网络模型确定方法,该方法包括:
参考节点向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
第二方面,提供了一种AI网络模型确定装置,用于参考节点,该装置包括:
第一发送模块,用于向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
第三方面,提供了一种AI网络模型确定方法,包括:
网络侧设备接收来自参考节点的第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项;
所述网络侧设备根据所述目标AI网络模型的相关参数确定目标AI网络模型,或者基于所述目标信道信息训练目标AI网络模型,或者基于目标下行信道信息训练目标AI网络模型,其中,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,所述目标下行信道信息与目标上行信道信息对应,所述目标上行信道信息由所述网络侧设备对所述目标参考信号进行信道估计得到。
第四方面,提供了一种AI网络模型确定装置,用于网络侧设备,该装置包括:
第一接收模块,用于接收来自参考节点的第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项;
第一确定模块,用于根据所述目标AI网络模型的相关参数确定目标AI网络模型,或者基于所述目标信道信息训练目标AI网络模型,或者基于目标下行信道信息训练目标AI网络模型,其中,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,所述目标下行信道信息与目标上行信道信息对应,所述目标上行信道信息由所述网络侧设备对所述目标参考信号进行信道估计得到。
第五方面,提供了一种参考节点,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,提供了一种参考节点,包括处理器及通信接口,其中,所述通信接口用于向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
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参考节点的第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项;所述处理器用于根据所述目标AI网络模型的相关参数确定目标AI网络模型,或者基于所述目标信道信息训练目标AI网络模型,或者基于目标下行信道信息训练目标AI网络模型,其中,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,所述目标下行信道信息与目标上行信道信息对应,所述目标上行信道信息由所述网络侧设备对所述目标参考信号进行信道估计得到。
第九方面,提供了一种通信系统,包括:参考节点及网络侧设备,所述参考节点可用于执行如第一方面所述的AI网络模型确定方法的步骤,所述网络侧设备可用于执行如第三方面所述的AI网络模型确定方法的步骤。
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AI网络模型确定方法的步骤,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AI网络模型确定方法的步骤。
在本申请实施例中,参考节点向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。这样,通过采用参考节点来估计信道信息,并将该信道信息上报给网络侧设备,可以使网络侧设备基于准确的信道信息来训练AI网络模型,或者参考节点直接基于信道信息训练AI网络模型,并将训练得到的AI网络模型上报给网络侧设备,能够使网络侧设备获得与实际的信道信息更加匹配的AI网络模型,或者,参考节点向网络侧设备发送参考信号,可以使网络侧设备对该参考信号进行信道估计,得到上行信道信息,然后基于信道信息的互异性,根据该上行信道信息估计得到对应的下行信道信息,并根据该下行信道信息来训练AI网络模型,同样可以使网络侧设备获得与实际的信道信息更加匹配的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是神经网络模型的架构示意图;
图3是神经元的示意图;
图4是本申请实施例提供的一种AI网络模型确定方法的流程图;
图5是本申请实施例提供的另一种AI网络模型确定方法的流程图;
图6是本申请实施例提供的一种AI网络模型确定装置的结构示意图;
图7是本申请实施例提供的另一种AI网络模型确定装置的结构示意图;
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反馈给网络侧设备,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。
如图2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3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。
值得注意的是,终端需要采用AI网络模型对信道信息进行压缩编码,并上报压缩编码后的信道特征信息,在网络侧则需要采用AI网络模型对压缩编码后的信道特征信息进行解码,以恢复信道信息。网络侧设备用于解码的AI网络模型和终端用于编码的AI网络模型需要联合训练,以使解码和编码过程达到合理的匹配度。在相关技术中,神经网络模型包括终端的编码器和网络侧设备的解码器组成的联合的神经网络模型,该联合的神经网络模型由网络侧设备进行联合训练,训练完成之后,网络侧设备将编码器的神经网络网络发送给终端。
在完成神经网络网络配置之后,终端可以对参考信号进行信道估计,并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(即编码器使用的AI网络模型,其也可以称之为压缩网络模型或编码器网络模型等,在此不构成具体限定)进行编码,得到编码结果,最后将编码结果发送给网络侧设备。在网络侧,网络侧设备可以在接收编码后的结果后,将其输入到解码网络模型(即解码器使用的AI网络模型,其也可以称之为解压缩网络模型或解码器网络模型等,在此不构成具体限定)中,利用该解码网络模型恢复信道信息。
由上可知,相关技术中,AI网络模型的训练过程是在网络侧设备执行的,该AI网络模型需要基于大量的训练样本进行训练,具体的,训练集的数据包括输入数据和预期的输出数据,对于CSI网络,二者是相同的,但是实际的信道信息需要终端通过CSI-RS估计的到,必须占用终端的空口资源,而且准确的信道信息很难传递给网络侧设备,CSI反馈的目的就是传递尽可能准确的信道信息,所以CSI反馈网络的训练很多时候只能使用离线的训练,也就是核心网提前用历史数据或者仿真数据训练好的,然后再发送给网络侧设备使用,与实际的具体信道可能不匹配。
本申请实施例中,可以采用网络部署的方式,在通信环境中部署参考节点,以使参考节点与网络侧设备进行通信,实现准确的信道信息上报,使网络侧设备基于准确的信道信息来训练与实际的信道相匹配的AI网络模型,或者,直接由参考节点根据信道估计结果训练AI网络模型,并将训练得到的AI网络模型上报给网络侧设备,或者,由参考节点发送上行参考信号,网络侧设备则可以对该上行参考信号进行信道估计,得到上行信道信息,然后根据信道的互异性,来推断下行信道信息,从而根据该下行信道信息训练AI网络模型,也能够使训练得到的AI网络模型与实际的信道更加匹配。
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AI网络模型确定方法、AI网络模型确定装置及通信设备等进行详细地说明。
请参阅图4,本申请实施例提供的一种AI网络模型确定方法,其执行主体可以是参考节点,该参考节点可以包括常规的终端(例如: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);或者,该参考节点可以是没有自身的业务需求,只是按照网络侧设备的配置和需求接收并发送信息的任意设备,其还可以提前部署在通信网络中,例如:与基站有线连接的设备或者与基站无线连接的通信设备,在此对参考节点不作具体限定。如图4所示,该AI网络模型确定方法可以包括以下步骤:
步骤401、参考节点向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
在实施中,目标AI网络模型可以包括编码网络模型和对应的解码网络模型,且该目标AI网络模型与参考节点和网络侧设备之间的信道的实际情况更加匹配。
第一种可能的实施方式,参考节点向网络侧设备发送目标AI网络模型的相关参数。
本实施方式下,网络侧设备可以向参考节点发送参考信号,该参考信号可以是CSI参考信号(CSI Reference Signal,CSI-RS)、跟踪参考信号(Tracking Reference Signal,TRS)或解调参考信号(Demodulation Reference Signal,DMRS),或者是专门用于准确的信道信息测量的新的参考信号(例如:具有更高的频域密度和/或更多的端口数的新的参考信号),参考节点对该参考信号进行信道估计,得到用于训练目标AI网络模型的训练集,然后由参考节点根据该训练集训练得到目标AI网络模型,并向网络侧设备上报该目标AI网络模型的相关参数(例如:结构、结构参数、权重参数中的至少一项)。
第二种可能的实施方式,参考节点向网络侧设备发送目标信道信息。
本实施方式下,网络侧设备可以向参考节点发送参考信号,例如:CSI-RS、TRS等,参考节点对该参考信号进行信道估计,得到第一信道信息,并向网络侧设备上报目标信道信息,其中,目标信道信息可以是第一信道信息的全部或部分,或者目标信道信息是参考节点对第一信道信息进行一定的预处理得到的信道特征信息,例如:将信道信息投影在最大的N个beam以及M个delay上,并上报投影后的系数,该预处理方式可以是协议约定的,其中,N的取值可以大于相关技术中的码本中的beam数,M的取值可以大于相关技术中的码本中的delay数,这样,可以实现更高精度的码本信息上报。然后,网络侧设备根据该目标信道信息来训练得到目标AI网络模型。
需要说明的是,本申请实施例中,参考节点上报目标信道信息的过程,与相关技术中的终端上报CSI信息并不相同,具体的,参考节点上报的目标信道信息的信息量可以不需要考虑上报开销的限制,即目标信道信息可以是参考节点估计得到的原始信道信息的全部或部分内容,或者,采用TypeII码本对原始信道信息进行编码预处理得到的TypeII码本信息,或者,采用扩展的TypeII码本对原始信道信息进行编码预处理得到的扩展的TypeII码本信息(即本申请实施例中参考节点上报的信道特征信息对应的波束(beam)数和时延(delay)数可以大于现有的R16码本中规定的数量,或者,上报的信道特征信息对应的波束(beam)数可以大于现有的R15码本中规定的数量),或者是原始的信道信息的预编码信息。例如:在参考节点与网络侧设备有线连接的情况下,参考节点可以上报完整的信道信息。
第三种可能的实施方式,参考节点向网络侧设备发送目标参考信号。
本实施方式下,参考节点可以在网络侧设备配置或指示的上行资源上发送目标参考信号(如探测参考信号(Sounding Reference Signal,SRS)),网络侧设备则对该目标参考信号进行信道估计,得到上行信道信息,基于信道信息的互异性原理,网络侧设备根据该上行信道信息推断对应的下行信道信息,然后基于该下行信道信息训练目标AI网络模型。
在实施中,上述目标参考信号可以是具有更高频域密度更多和/或更多的端口的SRS,这样,能够使网络侧设备对该SRS进行信道估计后得到更加精确的信道信息。
可选地,所述参考节点与所述网络侧设备有线连接,所述参考节点向所述网络侧设备发送第一信息,包括:
所述参考节点通过有线传输的方式向所述网络侧设备发送第一信息。
本实施方式下,参考节点可以作为网络侧设备的一部分,这样,参考节点通过有线传输的方式上报第一信息,可以减少第一信息对空口资源的占用,即使对于数据量很大的第一信息,其也能够取得很好的传输性能。
作为一种可选的实施方式,在所述参考节点向所述网络侧设备发送第一信息之前,所述方法还包括:
所述参考节点获取所述目标AI网络模型的结构信息和结构参数信息中的至少一项;
所述参考节点基于所述结构信息和结构参数信息中的至少一项,训练得到所述目标AI网络模型的模型参数,其中,所述目标AI网络模型的相关参数包括所述模型参数。
其中,目标AI网络模型的结构信息,用于表示目标AI网络模型的结构,例如:目标AI网络模型包括多少个节点、各个节点之间的连接关系等,上述结构参数信息可以包括:模型的输入长度、编码器的输出长度、解码器的输出长度中的至少一个。例如:输入长度为10×10维度的矩阵。上述模型参数可以是权重参数,例如:假设输入长度为10×10维度的矩阵,则该权重参数可以包括该10×10维度的矩阵中每一个元素的权重值。
在实施中,AI网络模型由结构和模型参数确定,本实施方式中,可以通过预配置或网络侧设备动态配置的方式来配置参考节点需要训练的AI网络模型的结构,在此之后,参考节点只需要在该结构的基础上训练模型参数即可。
在实施中,上述目标AI网络模型的结构信息和结构参数信息中的至少一项,可以是预配置的或由网络侧设备配置的。
作为一种可选的实施方式,所述目标AI网络模型的结构信息和结构参数信息中的至少一项是预配置的;或者,
所述参考节点获取所述目标AI网络模型的结构信息和结构参数信息中的至少一项,包括:
所述参考节点接收来自所述网络侧设备的第一配置信息,其中,所述第一配置信息用于配置所述目标AI网络模型的结构信息和结构参数信息中的至少一项。
第一种可能的实现方式为:AI网络模型的结构信息是预配置的,即协议约定的AI网络模型的结构信息,终端(参考节点)和基站都已知。
第二种可能的实现方式为:AI网络模型的结构信息是基站配置的,即基站将AI网络模型的结构信息发送给参考节点。
第三种可能的实现方式为:AI网络模型的结构参数信息是基站配置或预配置的。
需要说明的是,在参考节点是基站的一部分(即参考节点与基站有线连接)时,参考节点可以与基站同步所有的AI网络模型结构。
当然,除了通过上述方式配置结构信息和/或结构参数信息之外,该结构信息和/或结构参数信息也可以采用类似模型参数的方式根据目标信道信息训练得到,在此不作具体限定。
可选地,在所述第一信息包括目标信道信息的情况下,所述目标信道信息包括X个信道的信道信息,X个大于或者等于1的整数。
在实施中,一个参考节点可能只针对一个发送接收点(Transmission ReceptionPoint,TRP)或小区(cell)的信道进行信道估计,当然,一个参考节点可能接入至少两个信道,从而能够对该至少两个信道分别进行信道估计,例如:一个参考节点可能对至少两个TRP或cell的信道进行信道估。
在一种可能的实现方式中,在参考节点接入至少两个信道的情况下,该参考节点也可能只对该至少两个信道中的部分信道进行信道估计,以及根据信道估计得到的信道信息进行模型训,此时,参考节点还可以向网络侧设备上报目标信道的标识信息(例如:TRPID或cell ID),该目标信道可以是上述至少两个信道中终端选择进行信道估计和模型训练的信道,例如:服务小区的信道或一个特定的TRP的信道。这样,网络侧设备能够根据该标识信息确定终端上报的目标AI网络模型是针对哪一个信道的AI网络模型,这样,网络侧设备在后续给终端配置编码网络模型时,能够根据终端所接入的信道来配置对应的编码AI网络模型。
当然,在一个参考节点只通过一个信道接入某一网络侧设备的情况下,参考节点针对该信道进行信道估计,以及根据信道估计结果训练目标AI网络模型。
可选地,在X等于1的情况下,所述方法还包括:
所述参考节点向所述网络侧设备发送目标信道的标识信息,其中,所述目标信道信息为所述目标信道的信道信息。
本实施方式中,参考节点所训练的目标AI网络模型只针对一个信道(例如:参考节点只接入一个TRP或cell),在实际应用中,参考节点在不同的时间可以对不同的信道进行信道估计和AI网络模型训练,这样,在参考节点的能力有限的情况下,能够依次针对一个或少数的几个信道进行信道估计和AI网络模型训练,并通过上报目标AI网络模型对应的信道的标识来告知网络侧设备,当前上报的目标AI网络模型适用于哪一个或哪几个信道。
在一种可能的实现方式中,在参考节点接入至少两个信道的情况下,该参考节点可以对该至少两个信道中的每一个信道分别进行信道估计,并按照各个信道的信道信息来训练得到与所述至少两个信道中的每一个信道一一对应的目标AI网络模型。
可选地,在X大于1的情况下,所述目标AI网络模型包括基于所述X个信道中的每一个信道的信道信息分别训练得到的X个AI网络模型;
所述参考节点向网络侧设备发送第一信息,包括:
所述参考节点向Y个网络侧设备中的每一个发送各自对应的AI网络模型,其中,所述X个AI网络模型包括Y个网络侧设备各自对应的AI网络模型,Y为大于或者等于1的整数。
在实施中,上述Y可以等于X,即参考节点根据X个网络侧设备中每一个网络侧设备的信道的信道信息分别训练AI网络模型,得这X个AI网络模型,此时,参考节点将基于目标网络侧设备的信道的信道信息所训练的AI网络模型发送给目标网络侧设备,其中,目标网络侧设备可以是上述X个网络侧设备中的每一个。
当然,在实施中,上述Y也可能小于X,例如:一个参考节点用于估计同一个网络侧设备的不同信道,并针对每一个信道分别训练AI网络模型,这样,参考节点在向同一个网络侧设备上报不同信道各自对应的AI网络模型时,还可以上报每一个AI网络模型一一对应的信道标识,以使网络侧设备获知每一个信道对应的AI网络模型。
此外,参考节点在针对不同网络侧设备的信道分别训练AI网络模型后,可以将全部AI网络模型以及每一个AI网络模型对应的信道信息上报给同一个网络侧设备(例如:上报给服务小区对应的网络侧设备)。这样,其他网络侧设备可以从上述接收到全部AI网络模型的一个网络侧设备获取各自的信道对应的AI网络模型。
本实施方式中,参考节点针对每一个信道分别训练AI网络模型,能够使AI网络模型与对应的信道更加匹配。
在一种可能的实现方式中,在参考节点接入至少两个信道的情况下,该参考节点可以对该至少两个信道中的每一个信道分别进行信道估计,并将全部的信道信息作为一个整的训练集,以训练得到所述至少两个信道都适用的至少一个目标AI网络模型。
可选地,在X大于1的情况下,所述目标AI网络模型包括基于所述X个信道的信道信息训练得到的一个AI网络模型;
所述参考节点向网络侧设备发送第一信息,包括:
所述参考节点向所述参考节点的服务小区对应的网络侧设备发送第一信息,其中,所述X个信道对应的Y个网络侧设备包括所述服务小区对应的网络侧设备,Y为大于或者等于1的整数。
本实施方式中,参考节点将不同信道的全部信道信息作为一个整的训练集,以训练得到所述至少两个信道都适用的至少一个目标AI网络模型,能够降低AI网络模型训练的复杂程度。
需要说明的是,参考节点在训练得到所述至少两个信道都适用的目标AI网络模型时后,也可以向所述Y个网络侧设备中的每一个分别发送该目标AI网络模型的相关参数,在此不作具体限定。
值得提出的是,参考节点训练AI网络模型的过程可以是一个迭代更新的过程,例如:网络侧设备可以在不同的时间分别向参考节点发送参考信号,参考节点可以根据信道估计结果持续的更新AI网络模型。
作为一种可选的实施方式,所述参考节点向网络侧设备发送第一信息,包括以下至少一项:
所述参考节点周期性地向网络侧设备发送最新训练的目标AI网络模型的相关参数;
所述参考节点向网络侧设备发送差分信息,其中,所述差分信息包括最新训练的目标AI网络模型的相关参数与历史上报的目标AI网络模型的相关参数之差;
所述参考节点根据来自网络侧设备的第一信令,向所述网络侧设备发送最新训练的目标AI网络模型的相关参数或预设时间段内训练得到的目标AI网络模型的相关参数;
所述参考节点在预设情况下,向网络侧设备发送最新训练的目标AI网络模型的相关参数。
选项一,参考节点上报目标AI网络模型的相关参数的周期可以是网络侧设备配置的、协议约定的或者根据参考节点的能力确定的,在此不作具体限定。
选项二,通过上报差分信息的方式,参考节点只需要向网络侧设备发送最新训练的目标AI网络模型与历史上报的(例如:最近一次上报的,或者在指定的历史时间段(如:过去1天)内上报的)目标AI网络模型之间的差异,网络侧设备则可以根据已经获取到的AI网络模型和该差分信息便可以确定上述最新训练的目标AI网络模型,这样,能够减少信息上报量。
选项三,参考节点在接收到来自网络侧设备的第一信令时,上报最新训练的目标AI网络模型的相关参数或预设时间段内训练得到的目标AI网络模型的相关参数,其中,第一信令可以携带参考节点上报目标AI网络模型的相关参数所使用的时频资源,或者,还可以携带参考节点需要上报的目标AI网络模型的指示信息,例如:上报某一个或某一些信道对应的AI网络模型,或者上报在哪个时间段内训练的全部AI网络模型等,在此不作具体限定。
选项四,参考节点可以根据最新训练的AI网络模型与历史训练的AI网络模型的差异程度、信道的变化情况等,在确定历史上报的AI网络模型与当前的信道状态不匹配时,触发上报最新训练的AI网络模型。
可选地,所述预设情况包括以下至少一项:
所述最新训练的目标AI网络模型的输出结果与历史训练的目标AI网络模型的输出结果不同;
基于历史训练的目标AI网络模型对所述目标信道信息进行处理得到的信道信息的准确度小于预设准确度。
在一种实施方式中,可以将同一个信道信息(如最新估计到的信道信息)分别输入至最新训练的目标AI网络模型和历史训练的目标AI网络模型,以采用最新训练的目标AI网络模型和历史训练的目标AI网络模型分别对该信道信息进行编码处理和/或解码处理,并对比两者的输出结果,若两者的输出结果不同,例如:恢复的信道信息不一致、编码得到的信道特征信息不一致等,便可以确定最新训练的目标AI网络模型的输出结果与历史训练的目标AI网络模型的输出结果不同。
在另一种实施方式中,上述预设准确度可以是协议约定或网络侧设备指示的准确度值,例如:预设准确度为采用目标AI网络模型处理前后的信道信息的相似度等于95%。
本实施方式中,可以将目标信道信息(如最新估计到的目标信道的信道信息)输入至历史训练的目标AI网络模型(如:最近一次上报的目标AI网络模型,或在历史时间段内上报的目标AI网络模型),以采用历史训练的目标AI网络模型对目标信道信息进行编码处理和解码处理,并将输入至历史训练的目标AI网络模型的目标信道信息与该历史训练的目标AI网络模型恢复的信道信息进行比较,得到历史训练的目标AI网络模型对所述目标信道信息进行处理得到的信道信息的准确度。
需要说明的是,上述历史训练的目标AI网络模型具体是指最近一次上报的目标AI网络模型,还是指在历史时间段内上报的目标AI网络模型,可以由协议约定或由网络侧设备配置,例如:网络侧设备在根据某一参考节点在历史某段时间内上报的多个AI网络模型的相关参数的平均值,确定最终的一个AI网络模型的相关参数的情况下,上述历史训练的目标AI网络模型具体是指该参考节点在历史某段时间内上报的多个AI网络模型,在此对历史训练的目标AI网络模型不作具体限定
本实施方式中,参考节点可以在指定的时间,或按照指定的周期,或基于网络侧设备的信令,或者基于预设情况的触发来上报第一信息。
可选地,所述参考节点在预设情况下,向网络侧设备发送最新训练的目标AI网络模型的相关参数,包括:
所述参考节点在预设情况下,向网络侧设备发送第一请求信息,其中,所述第一请求信息用于请求所述网络侧设备允许所述参考节点上报最新训练的目标AI网络模型的相关参数;
所述参考节点在接收到与所述第一请求信息对应的第一响应信息的情况下,向所述网络侧设备发送最新训练的目标AI网络模型的相关参数。
在实施中,上述第一响应信息可以携带同意上述参考节点上报最新训练的目标AI网络模型的指示信息,或者,网络侧设备在接收到第一请求信息后,若不允许参考节点上报目标AI网络模型,则不向参考节点反馈响应信息,若允许参考节点上报目标AI网络模型,则向参考节点反馈响应信息,这样,参考节点可以基于接收到该响应信息而上报目标AI网络模型的相关参数。
此外,上述第一响应信息中还可以携带资源指示信息,以指示参考节点在指示的资源上传输目标AI网络模型的相关参数。
本申请实施例中,参考节点在基于预设情况判断需要上报最新训练的目标AI网络模型的情况下,向网络侧设备发送第一请求信息,这样,网络侧设备可以根据该第一请求信息和其他规则来判断参考节点是否有必要上报最新训练的目标AI网络模型。例如:网络侧设备可以获取来自多个参考节点的AI网络模型,并可以对这些AI网络模型进行一定的预处理(如:合并成一个AI网络模型等),此时,若某一个参考节点训练的AI网络模型满足预设情况,并向网络侧设备请求上报最新训练的AI网络模型时,网络侧设备可能基于当前的合并后的AI网络模型仍然具有较高的准确度而不允许参考节点上报最新训练的AI网络模型。
本实施方式,由参考节点和网络侧设备共同决定是否上报以及更新目标AI网络模型,能够降低上报以及更新目标AI网络模型的频率。
作为一种可选的实施方式,所述方法还包括:
所述参考节点向所述网络侧设备发送测试集数据,其中,所述测试集数据用于验证所述目标AI网络模型。
本实施方式中,参考节点可以向网络侧设备发送测试集数据,该测试集数据与参考节点用来训练目标AI网络模型的训练集数据可以是相同的数据,或者可以是训练集数据中的部分数据,网络侧设备可以使用该测试集数据来测试参考节点上报的目标AI网络模型是否可用,例如:准确度是否满足信道的业务需求等。
可选地,一个网络侧设备可以获取来自至少两个参考节点的AI网络模型,以及各个模型对应的测试集数据,此时,网络侧设备可以使用测试集数据对各自对应的AI网络模型进行一一对应的验证,或者,网络侧设备可以将来自至少两个参考节点的AI网络模型合并为一个AI网络模型,并使用上述至少两个参考节点上报的测试集数据对该合并后的AI网络模型进行联合验证,以验证该合并后的AI网络模型对各个参考节点对应的信道是否适用。
作为一种可选的实施方式,在所述参考节点向网络侧设备发送第一信息或目标参考信号之前,所述方法还包括:
所述参考节点向所述网络侧设备发送目标能力信息,其中,所述目标能力信息用于指示以下至少一项:
所述参考节点支持的上报能力(例如:支持上报的信息的数据量);
所述参考节点支持的AI网络模型训练能力(例如:支持训练的网络模型的类型);
所述参考节点支持训练的AI网络模型的复杂度;
所述参考节点支持的AI网络模型的数量;
所述参考节点支持的上报频率(网络侧设备可以根据参考节点支持的上报频率,来判断参考节点上报信道信息和/或AI网络模型的时域资源);
所述参考节点支持的上报方式(网络侧设备可以根据参考节点支持的上报方式,来判断参考节点上报信道信息和/或AI网络模型的方式);
所述参考节点支持的用于获取所述目标信道信息的参考信号(如:CSI-RS或TRS,网络侧设备可以根据参考节点支持的用于获取所述目标信道信息的参考信号来配置参考节点用于进行信道估计的参考信号的类型,或者配置参考节点发送的目标参考信号的类型。);
所述参考节点支持上报的发送接收点TRP数量(网络侧设备可以根据参考节点支持上报的发送接收点TRP数量,来判断参考节点用于向哪几个TRP上报信道信息和/或AI网络模型。)。
本实施方式中,不同的参考节点可以具有不同的能力,尤其在参考节点复用终端(例如:手机等)的特殊功能(如:网络模型训练功能、信道估计功能、无线传输功能等)时,不同终端的功能往往具有较大的差异,此时,参考节点可以向网络侧设备上报如上能力信息中的至少一项,网络侧设备则可以根据参考节点上报的能力信息来配置参考节点上报目标信道信息或者发送目标参考信号,还是训练并上报目标AI网络模型。
具体的,网络侧设备可以根据上述参考节点支持的上报能力来判断参考节点上报完整的信道信息,还是上报信道特征信息,还是发送目标参考信号以供网络侧设备进行信道估计和AI网络模型训练,例如:在终端的上报能力足够大的情况下,可以配置终端上报完整的信道信息或高精度码本。
此外,网络侧设备可以根据参考节点支持的AI网络模型训练能力、支持训练的AI网络模型的复杂度以及支持的AI网络模型的数量中的至少一项来判断参考节点是直接上报信道信息以供网络侧设备训练AI网络模型,还是由参考节点自主地根据估计的信道信息来训练AI网络模型,且在判断由参考节点自主地根据估计的信道信息来训练AI网络模型的情况下,还可以进一步配置参考节点训练哪一种结构的AI网络模型以及训练几个信道的AI网络模型等。
作为一种可选的实施方式,在所述参考节点向网络侧设备发送第一信息或目标参考信号之前,所述方法还包括:
所述参考节点接收来自所述网络侧设备的第一指示信息,其中,所述第一指示信息用于指示所述参考节点上报所述第一信息或目标参考信号。
本实施方式中,参考节点可以根据网络侧设备的指示来上报所述第一信息或发送目标参考信号。在实施中,若参考节点是常规终端,则该终端可以在未接收到上述第一指示信息的情况下,执行常规的终端功能,而不执行上述向网络侧设备发送第一信息或目标参考信号的步骤,可以节约终端的算力并减少终端的资源消耗。
当然,上述参考节点也可以是除了终端之外的任意设备,如与网络侧设备有线连接的设备等,其同样可以由网络侧设备发送第一指示信息来控制参考节点进入上述发送第一信息或目标参考信号的工作模式。
可选地,在所述参考节点为终端的情况下,所述方法还包括:
所述参考节点向所述网络侧设备发送与所述第一指示信息对应的第二响应信息;
其中,所述第二响应信息包括用户层信息和物理层信息中的至少一项,且在所述第二响应信息用于指示所述参考节点同意且支持上报所述第一信息或目标参考信号的情况下,执行所述参考节点向网络侧设备发送第一信息或目标参考信号的步骤。
在实施中,终端往往具有自身的业务需要执行,当参考节点为终端时,终端可以在满足自身业务需求的基础上,判断物理层资源等信息是否支持执行上述向网络侧设备发送第一信息或目标参考信号的步骤,例如:判断终端此时是否空闲,若终端处于空闲状态,则支持执行上述向网络侧设备发送第一信息或目标参考信号的步骤,若终端处于非空闲态,则不支持执行上述向网络侧设备发送第一信息或目标参考信号的步骤。
此外,用户对终端的行为可以具有控制权,当参考节点为终端时,终端可以采取用户层的意见,判断用户层信息是否允许执行上述向网络侧设备发送第一信息或目标参考信号的步骤,例如:在已获取用户授权的情况下,允许执行上述向网络侧设备发送第一信息或目标参考信号的步骤,在未获取用户授权的情况下,不允许执行上述向网络侧设备发送第一信息或目标参考信号的步骤。
在本申请实施例中,参考节点向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。这样,通过采用参考节点来估计信道信息,并将该信道信息上报给网络侧设备,可以使网络侧设备基于准确的信道信息来训练AI网络模型,或者参考节点直接基于信道信息训练AI网络模型,并将训练得到的AI网络模型上报给网络侧设备,能够使网络侧设备获得与实际的信道信息更加匹配的AI网络模型,或者,参考节点向网络侧设备发送参考信号,可以使网络侧设备对该参考信号进行信道估计,得到上行信道信息,然后基于信道信息的互异性,根据该上行信道信息估计得到对应的下行信道信息,并根据该下行信道信息来训练AI网络模型,同样可以使网络侧设备获得与实际的信道信息更加匹配的AI网络模型。
请参阅图5,本申请实施例提供的另一种AI网络模型确定方法与如图4所示方法实施例相对应,不同之处在于:如图4所示方法实施例的执行主体是参考节点,而本实施例中的执行主体是网络侧设备,该网络侧设备可以是如图1中所示的任意类型的网络侧设备,在此不作具体限定。
如图5所示,该网络侧设备执行的AI网络模型确定方法可以包括以下步骤:
步骤501、网络侧设备接收来自参考节点的第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项。
其中,上述第一信息、目标参考信号、目标AI网络模型的相关参数以及目标信道信息与如图4所示方法实施例中的第一信息、目标参考信号、目标AI网络模型的相关参数以及目标信道信息的含义相同,在此不再赘述。
步骤502、所述网络侧设备根据所述目标AI网络模型的相关参数确定目标AI网络模型,或者基于所述目标信道信息训练目标AI网络模型,或者基于目标下行信道信息训练目标AI网络模型,其中,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,所述目标下行信道信息与目标上行信道信息对应,所述目标上行信道信息由所述网络侧设备对所述目标参考信号进行信道估计得到。
与如图4所示方法实施例的三种可能的实施方式相对应的:
第一种可能的实施方式,网络侧设备向参考节点发送参考信号,该参考信号可以是CSI参考信号(CSI Reference Signal,CSI-RS)、跟踪参考信号(Tracking ReferenceSignal,TRS)或解调参考信号(Demodulation Reference Signal,DMRS),或者是专门用于准确的信道信息测量的新的参考信号(例如:具有更高的频域密度和/或更多的端口数的新的参考信号),参考节点对该参考信号进行信道估计,得到用于训练目标AI网络模型的训练集,然后由参考节点根据该训练集训练得到目标AI网络模型,并向网络侧设备上报该目标AI网络模型的相关参数(例如:结构、结构参数、权重参数中的至少一项)。
第二种可能的实施方式,网络侧设备向参考节点发送参考信号,例如:CSI-RS、TRS、DMRS或新的参考信号,参考节点对该参考信号进行信道估计,得到第一信道信息,并向网络侧设备上报目标信道信息,其中,目标信道信息可以是第一信道信息的全部或部分,或者目标信道信息是参考节点对第一信道信息进行一定的预处理得到的信道特征信息,例如:将信道信息投影在最大的N个beam以及M个delay上,并上报投影后的系数,该预处理方式可以是协议约定的,其中,N的取值可以大于相关技术中的码本中的beam数,M的取值可以大于相关技术中的码本中的delay数,这样,可以实现更高精度的码本信息上报。然后,网络侧设备根据该目标信道信息来训练得到目标AI网络模型。
第三种可能的实施方式,网络侧设备则对来自参考节点的目标参考信号进行信道估计,得到上行信道信息,基于信道信息的互异性原理,网络侧设备根据该上行信道信息推断对应的下行信道信息,然后基于该下行信道信息训练目标AI网络模型。
在实施中,上述目标参考信号可以是具有更高频域密度更多和/或更多的端口的SRS,这样,能够使网络侧设备对该SRS进行信道估计后得到更加精确的信道信息。
可选地,所述目标信道信息包括以下至少一项:
为第二类型TypeII码本信息,或者,扩展的TypeII码本信息;
原始的信道信息;
所述原始的信道信息对应的预编码信息。
可选地,所述网络侧设备接收来自参考节点的第一信息,包括:
所述网络侧设备接收H个参考节点的第一信息,H为大于或者等于1的整数。
可选地,所述网络侧设备根据所述第一信息确定目标AI网络模型,包括:
所述网络侧设备根据所述H个参考节点的第一信息,确定所述H个参考节点一一对应的H个目标AI网络模型;
或者,
所述网络侧设备根据所述H个参考节点的第一信息,确定所述H个参考节点共用的至少一个目标AI网络模型;
或者,
所述网络侧设备根据所述H个参考节点的第二信息,将所述H个参考节点划分为L组参考节点,并根据来自所述L组参考节点的第一信息确定所述L组参考节点一一对应的L个目标AI网络模型,L为大于或者等于1的整数。
在一种可能的实施方式中,网络侧设备可以根据来自H个参考节点的H个信道信息分别训练与各个参考节点一一对应的目标AI网络模型,或者,获取来自H个参考节点的H个AI网络模型。
在实施中,网络侧设备后续可以将H个AI网络模型合并为同一个,并向接入该网络侧设备的终端分别配置合并后的AI网络模型。或者,网络侧设备可以根据接入该网络侧设备的终端的位置确定给该终端配置哪一个AI网络模型,例如:假设网络侧设备已获取10个参考节点一一对应的10个AI网络模型,在终端接入该网络侧设备时,网络侧设备判断该终端的位置或信道状态与10个参考节点中的哪一个的位置或信道状态最接近,从而给终端配置这一个参考节点对应的AI网络模型。
在一种可能的实施方式中,网络侧设备可以将来自H个参考节点的H个信道信息来训练至少一个目标AI网络模型,或者,将来自H个参考节点的H个AI网络模型合并为至少一个目标AI网络模型(如采用第二AI网络模型将H个AI网络模型合并为一个目标AI网络模型)。
在实施中,网络侧设备后续可以给接入该网络侧设备的终端分别配置合并后的AI网络模型。
在一种可能的实施方式中,网络侧设备可以根据H个参考节点的第二信息,对H个参考节点进行分组,得到L组参考节点,并根据来自所述L组参考节点中每一组的信道信息分别训练一个目标AI网络模型,或者,将来自所述L组参考节点中每一组的AI网络模型分别合并为一个目标AI网络模型,此时,目标AI网络模型与一组参考节点对应,有L组参考节点则对应有L个目标AI网络模型。
可选地,所述第二信息包括以下至少一项:位置信息、所述网络侧设备与参考节点之间的信道为视距LOS传播或非视距NLOS传播的信息、参考节点处于室内或室外的信息、参考节点所处的楼层信息。
本实施方式中,上述第二信息可以反映对应的信道的信道状态,根据该第二信息对参考节点进行分组,可以是将接入相似状态的信道的至少两个参考节点划分为一个组,这样,将该组参考节点对应同一个目标AI网络模型,可以减少网络侧设备获取的目标AI网络模型的数量,从而降低网络侧设备为终端配置AI网络模型时的复杂程度。
作为一种可选的实施方式,所述方法还包括:
所述网络侧设备向终端配置第一AI网络模型,其中,所述目标AI网络模型包括所述第一AI网络模型。
本实施方式中,网络侧设备可以从获取的目标AI网络模型中选择与终端的信道状态相匹配的至少一个,配置给该终端,其中,目标AI网络模型包括联合训练的编码网络模型和解码网络模型,上述第一AI网络模型可以只包括编码网络模型,也可能包括编码网络模型和解码网络模型,为了便于说明,以下实施例中以第一AI网络模型是目标AI网络模型中的一个(即第一AI网络模型包括编码网络模型和解码网络模型)为例进行举例说明,在此不构成具体限定。
可选地,在所述网络侧设备根据所述H个参考节点的第一信息,确定所述H个参考节点一一对应的H个目标AI网络模型的情况下,所述网络侧设备向终端配置第一AI网络模型,包括:
所述网络侧设备从所述H个目标AI网络模型中确定第一AI网络模型,其中,所述第一AI网络模型对应的参考节点的第二信息与所述终端的第三信息匹配。
值得说明的是,在实际应用中,网络侧设备可以获取至少两个参考节点的目标AI网络模型,在给终端配置编码网络模型时,可以将与该终端的位置、通信环境等相似的参考节点对应的目标AI网络模型配置给终端,或者,网络侧设备可以将全部参考节点的目标AI网络模型合并成L个AI网络模型,L为大于或者等于1且小于H的整数,H为参考节点的数目,这样,在给终端配置编码网络模型时,可以给终端配置与其位置、通信环境等匹配的AI网络模型。
在网络侧设备给终端配置编码网络模型之后,终端可以采用该编码网络模型对估计得到的信道信息进行编码处理,并向网络侧设备上报编码后的信道特征信息。例如:采用CSI上报的方式在CSI报告中携带该第一信息,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。
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,得到第二信道信息;
步骤2、终端通过编码AI网络模型将第二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。
本实施方式中,不再需要终端向网络侧设备上报信道信息或信道特征信息,以供网络侧设备训练AI网络模型,而是采用参考节点来辅助网络侧设备获取根据更加准确的信道信息训练得到的目标AI网络模型。
可选地,在所述网络侧设备根据所述H个参考节点的第二信息,将所述H个参考节点划分为L组参考节点,并根据来自所述L组参考节点的第一信息确定所述L组参考节点一一对应的L个目标AI网络模型的情况下,所述网络侧设备向终端配置第一AI网络模型,包括:
所述网络侧设备从所述L个目标AI网络模型中确定第一AI网络模型,其中,所述第一AI网络模型对应的参考节点组的第二信息与所述终端的第三信息匹配。
在实施中,上述第一AI网络模型对应的参考节点组的第二信息与所述终端的第三信息匹配可以是,分别获取终端的第三信息与所述L组参考节点中的每一组参考节点的第二信息之间的匹配程度(如:相似性、相关程度、是否属于同一个扇区等),并取所述L组参考节点中第二信息与终端的第三信息的匹配最高的一组对应的目标AI网络模型作为上述第一AI网络模型。例如:取与终端的位置最接近的一组参考节点或与终端接入同一个TRP的一组参考节点对应的目标AI网络模型作为第一AI网络模型。
可选地,所述第三信息包括以下至少一项:位置信息、运动方向信息、所在波束或波束组的信息、所属扇区的信息、所属发送接收点TRP的信息。
在实施中,所述终端的位置与参考节点组的位置之间的间距小于或者等于预设距离,和/或,终端与网络侧设备之间的信道与参考节点组的信道属于相同的波束或波束组,和/或,终端与参考节点组属于同一网络侧设备的相同扇区,和/或,终端与参考节点组接入相同的TRP,则可以表示参考节点组的第二信息与所述终端的第三信息匹配。
此外,在第三信息包括终端的运动方向信息的情况下,网络侧设备还可以基于该运动方向信息提前配置终端在移动过程中的目标AI网络模型,例如:假设终端在由参考节点组A对应的区域移动至参考节点组B对应的区域时,网络侧设备可以根据终端的运动方向信息,提前估计终端可能会移动至参考节点组B对应的区域,从而提前为终端配置该参考节点组B对应的目标AI网络模型,或者将配置给终端的第一AI网络模型由参考节点组A对应的目标AI网络模型更新为参考节点组B对应的目标AI网络模型。这样,可以使给移动终端配置的第一AI网络模型与其实际运动情况更加匹配。
可选地,所述网络侧设备接收来自参考节点的第一信息,包括:
所述网络侧设备通过有线传输的方式接收来自参考节点的第一信息。
可选地,在所述网络侧设备接收来自参考节点的第一信息之前,所述方法还包括:
所述网络侧设备向所述参考节点发送第一配置信息,其中,所述第一配置信息用于配置所述目标AI网络模型的结构信息和结构参数信息中的至少一项,所述目标AI网络模型的相关参数包括模型参数,所述模型参数由所述参考节点基于所述结构信息和结构参数信息中的至少一项训练得到。
可选地,所述方法还包括:
所述网络侧设备接收来自K个参考节点的测试集数据,其中,K为大于或者等于1的整数;
所述网络侧设备根据所述K个参考节点的测试集数据对目标AI网络模型进行验证。
在具体实施中,与如图4所示方法实施例相对应的:
在一种可能的实现方式中,所述网络侧设备根据所述K个参考节点的测试集数据对目标AI网络模型进行验证,可以是采用测试集数据对各个参考节点的对应的目标AI网络模型分别进行验证,例如:假设K等于10,网络侧设备分别获取10个参考节点对应的测试集数据和目标AI网络模型,则采用来自参考节点1的测试集数据对该参考节点1对应的目标AI网络模型进行验证,然后采用来自参考节点2的测试集数据对该参考节点2对应的目标AI网络模型进行验证,并依次类推,直至采用来自参考节点10的测试集数据对该参考节点10对应的目标AI网络模型进行验证.
在另一种可能的实现方式中,所述网络侧设备根据所述K个参考节点的测试集数据对目标AI网络模型进行验证,可以是将来自各个测试集数据作为一个整体,用来对各个参考节点的对应的目标AI网络模型进行联合验证,例如:假设K等于10,网络侧设备在分别获取10个参考节点对应的测试集数据和目标AI网络模型之后,可以从这10个目标AI网络模型中选择最优的一个,或者直接把这10个目标AI网络模型合并成一个,然后将来自10个参考节点的测试集数据作为一个整体,用来验证已选择的或合并的一个AI网络模型对于10个参考节点的信道是否都适用。
可选地,在所述网络侧设备接收来自参考节点的第一信息或目标参考信号之前,所述方法还包括:
所述网络侧设备接收来自所述参考节点的目标能力信息,其中,所述目标能力信息用于指示以下至少一项:
所述参考节点支持的上报能力;
所述参考节点支持的AI网络模型训练能力;
所述参考节点支持训练的AI网络模型的复杂度;
所述参考节点支持的AI网络模型的数量;
所述参考节点支持的上报频率;
所述参考节点支持的上报方式;
所述参考节点支持的用于获取所述目标信道信息的参考信号;
所述参考节点支持上报的发送接收点TRP数量。
其中,上述目标能力信息与如图4所示方法实施例中的目标能力信息具有相同的含义和作用,在此不再赘述。
可选地,在所述网络侧设备接收来自参考节点的第一信息或目标参考信号之前,所述方法还包括:
所述网络侧设备向所述参考节点发送第一指示信息,其中,所述第一指示信息用于指示所述参考节点上报所述第一信息或目标参考信号。
其中,上述第一指示信息与如图4所示方法实施例中的第一指示信息具有相同的含义和作用,在此不再赘述。
可选地,在所述参考节点为终端的情况下,所述方法还包括:
所述网络侧设备接收来自所述参考节点的与所述第一指示信息对应的第二响应信息;
其中,所述第二响应信息包括用户层信息和物理层信息中的至少一项,且在所述第二响应信息用于指示所述参考节点同意且支持上报所述第一信息或目标参考信号的情况下,执行所述网络侧设备接收来自参考节点的第一信息或目标参考信号的步骤。
其中,上述第二响应信息与如图4所示方法实施例中的第二响应信息具有相同的含义和作用,在此不再赘述。
本申请实施例中,网络侧设备能够获取基于更加准确的信道信息训练得到的目标AI网络模型,从而能够提升网络侧设备为终端配置的第一AI网络模型的准确程度,从而提升通信性能。
为了便于说明本申请实施例提供的参考节点和网络侧设备执行的AI网络模型确定方法,以如下应用场景例为例对本申请实施例的AI网络模型确定方法进行举例说明:
在一个区域内均匀的布置若干个参考UE,对于室内场景,可以在每一层都布置对应的参考UE。
当基站没有业务的时候,或者业务率低的时候(例如:夜晚),基站发送高频域密度的CSI-RS,参考UE接收CSI-RS,得到下行信道信息,参考用户将估计到的下行信道信息通过奇异值分解(singular value decomposition,SVD)获得对应的预编码矩阵,作为训练集进行训练。
训练的AI网络模型的网络结构是基站事先配置好的,或者是参考UE本身已知的,AI网络模型的输入是训练集里的数据,输出的目标与输入相同,即AI网络模型的目标是完整恢复输入的下行信道信息的预编码矩阵。
终端训练完成后,对AI网络模型进行验证,验证无误后,终端通知基站AI网络模型训练成功,基站指示用户是否可以上报AI网络模型,以及在什么时域和/或频域位置上报,终端根据网络指示上报网络模型的权重参数。
需要注意的是,终端的信道估计、训练以及上报是相互独立的,即信道估计的结果一直在更新,需要继续优化AI网络模型的训练的时候,使用最新的训练集,然后当发现新收集的数据在旧的网络模型上的性能不满足预设条件的时候,终端申请更新AI网络模型,经过基站确认后,发送新训练的AI网络模型。
此外,对于边缘参考UE,其处在多个小区的边缘,可以同时接收多个小区的CSI-RS,从而能够获得更大的训练集,该边缘参考UE在训练完成之后,可以向所有连接的小区上报训练的AI网络模型。
基站也可以接收所有参考UE的AI网络模型,当实际用户接入之后,根据实际用户的位置,选择与实际用户最近的参考UE上报的AI网络模型作为这个实际用户使用的AI网络模型,并将对应的AI网络模型的权重参数发送给这个实际用户。对于室内用户,可以使用与其处在同一楼层的参考UE训练的网络模型。
本申请实施例提供的AI网络模型确定方法,执行主体可以为AI网络模型确定装置。本申请实施例中以AI网络模型确定装置执行AI网络模型确定方法为例,说明本申请实施例提供的AI网络模型确定装置。
请参阅图6,本申请实施例提供的一种AI网络模型确定装置,可以是参考节点内的装置,如图6所示,该AI网络模型确定装置600可以包括以下模块:
第一发送模块601,用于向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
可选的,所述目标信道信息包括以下至少一项:,
为第二类型TypeII码本信息,或者,扩展的TypeII码本信息;
原始的信道信息;
所述原始的信道信息对应的预编码信息。
可选的,所述参考节点与所述网络侧设备有线连接,第一发送模块601具体用于:
通过有线传输的方式向所述网络侧设备发送第一信息。
可选的,AI网络模型确定装置600还包括:
第一获取模块,用于获取所述目标AI网络模型的结构信息和结构参数信息中的至少一项;
第一训练模块,用于基于所述结构信息和结构参数信息中的至少一项,训练得到所述目标AI网络模型的模型参数,其中,所述目标AI网络模型的相关参数包括所述模型参数。
可选的,所述目标AI网络模型的结构信息和结构参数信息中的至少一项是预配置的;或者,
所述第一获取模块,具体用于:
接收来自所述网络侧设备的第一配置信息,其中,所述第一配置信息用于配置所述目标AI网络模型的结构信息和结构参数信息中的至少一项。
可选的,在所述第一信息包括目标信道信息的情况下,所述目标信道信息包括X个信道的信道信息,X个大于或者等于1的整数。
可选的,在X大于1的情况下,所述目标AI网络模型包括基于所述X个信道的信道信息训练得到的一个AI网络模型;
第一发送模块601,具体用于:
向所述参考节点的服务小区对应的网络侧设备发送第一信息,其中,所述X个信道对应的Y个网络侧设备包括所述服务小区对应的网络侧设备,Y为大于或者等于1的整数。
可选的,在X大于1的情况下,所述目标AI网络模型包括基于所述X个信道中的每一个信道的信道信息分别训练得到的X个AI网络模型;
第一发送模块601,具体用于:
向Y个网络侧设备中的每一个发送各自对应的AI网络模型,其中,所述X个AI网络模型包括Y个网络侧设备各自对应的AI网络模型,Y为大于或者等于1的整数。
可选的,AI网络模型确定装置600还包括:
第二发送模块,用于向所述网络侧设备发送目标信道的标识信息,其中,所述目标信道信息为所述目标信道的信道信息。
可选的,第一发送模块601,具体用于执行以下至少一项:
周期性地向网络侧设备发送最新训练的目标AI网络模型的相关参数;
向网络侧设备发送差分信息,其中,所述差分信息包括最新训练的目标AI网络模型的相关参数与历史上报的目标AI网络模型的相关参数之差;
根据来自网络侧设备的第一信令,向所述网络侧设备发送最新训练的目标AI网络模型的相关参数或预设时间段内训练得到的目标AI网络模型的相关参数;
在预设情况下,向网络侧设备发送最新训练的目标AI网络模型的相关参数。
可选的,所述预设情况包括以下至少一项:
所述最新训练的目标AI网络模型的输出结果与历史训练的目标AI网络模型的输出结果不同;
基于历史训练的目标AI网络模型对所述目标信道信息进行处理得到的信道信息的准确度小于预设准确度。
可选的,第一发送模块601,包括:
第一发送单元,用于在预设情况下,向网络侧设备发送第一请求信息,其中,所述第一请求信息用于请求所述网络侧设备允许所述参考节点上报最新训练的目标AI网络模型的相关参数;
第一传输单元,用于在接收到与所述第一请求信息对应的第一响应信息的情况下,向所述网络侧设备发送最新训练的目标AI网络模型的相关参数。
可选的,AI网络模型确定装置600还包括:
第三发送模块,用于向所述网络侧设备发送测试集数据,其中,所述测试集数据用于验证所述目标AI网络模型。
可选的,AI网络模型确定装置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,其中,所述目标能力信息用于指示以下至少一项:
所述参考节点支持的上报能力;
所述参考节点支持的AI网络模型训练能力;
所述参考节点支持训练的AI网络模型的复杂度;
所述参考节点支持的AI网络模型的数量;
所述参考节点支持的上报频率;
所述参考节点支持的上报方式;
所述参考节点支持的用于获取所述目标信道信息的参考信号;
所述参考节点支持上报的发送接收点TRP数量。
可选的,AI网络模型确定装置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,其中,所述第一指示信息用于指示所述参考节点上报所述第一信息或目标参考信号。
可选的,在所述参考节点为终端的情况下,AI网络模型确定装置600还包括:
第五发送模块,用于向所述网络侧设备发送与所述第一指示信息对应的第二响应信息;
其中,所述第二响应信息包括用户层信息和物理层信息中的至少一项,且在所述第二响应信息用于指示所述参考节点同意且支持上报所述第一信息或目标参考信号的情况下,执行所述参考节点向网络侧设备发送第一信息或目标参考信号的步骤。
本申请实施例中的AI网络模型确定装置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,其他设备可以为与网络侧设备有线连接的设备(如:基站的部分)等,本申请实施例不作具体限定。
本申请实施例提供的AI网络模型确定装置600能够实现图4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。
请参阅图7,本申请实施例提供的另一种AI网络模型确定装置,可以是网络侧设备内的装置,如图7所示,该AI网络模型确定装置700可以包括以下模块:
第一接收模块701,用于接收来自参考节点的第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项;
第一确定模块702,用于根据所述目标AI网络模型的相关参数确定目标AI网络模型,或者基于所述目标信道信息训练目标AI网络模型,或者基于目标下行信道信息训练目标AI网络模型,其中,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,所述目标下行信道信息与目标上行信道信息对应,所述目标上行信道信息由所述网络侧设备对所述目标参考信号进行信道估计得到。
可选的,所述目标信道信息包括以下至少一项:
为第二类型TypeII码本信息,或者,扩展的TypeII码本信息;
原始的信道信息;
所述原始的信道信息对应的预编码信息。
可选的,第一接收模块701,具体用于:
接收H个参考节点的第一信息,H为大于或者等于1的整数。
可选的,第一确定模块702,具体用于:
根据所述H个参考节点的第一信息,确定所述H个参考节点一一对应的H个目标AI网络模型;
或者,
根据所述H个参考节点的第一信息,确定所述H个参考节点共用的至少一个目标AI网络模型;
或者,
根据所述H个参考节点的第二信息,将所述H个参考节点划分为L组参考节点,并根据来自所述L组参考节点的第一信息确定所述L组参考节点一一对应的L个目标AI网络模型,L为大于或者等于1的整数。
可选的,所述第二信息包括以下至少一项:位置信息、所述网络侧设备与参考节点之间的信道为视距LOS传播或非视距NLOS传播的信息、参考节点处于室内或室外的信息、参考节点所处的楼层信息。
可选的,AI网络模型确定装置700还包括:
配置模块,用于向终端配置第一AI网络模型,其中,所述目标AI网络模型包括所述第一AI网络模型。
可选的,在第一确定模块702,用于根据所述H个参考节点的第二信息,将所述H个参考节点划分为L组参考节点,并根据来自所述L组参考节点的第一信息确定所述L组参考节点一一对应的L个目标AI网络模型的情况下,所述配置模块,还用于:
从所述L个目标AI网络模型中确定第一AI网络模型,其中,所述第一AI网络模型对应的参考节点组的第二信息与所述终端的第三信息匹配。
可选的,所述第三信息包括以下至少一项:位置信息、运动方向信息、所在波束或波束组的信息、所属扇区的信息、所属发送接收点TRP的信息。
可选的,在第一确定模块702,用于根据所述H个参考节点的第一信息,确定所述H个参考节点一一对应的H个目标AI网络模型的情况下,所述配置模块,还用于:
从所述H个目标AI网络模型中确定第一AI网络模型,其中,所述第一AI网络模型对应的参考节点的第二信息与所述终端的第三信息匹配。
可选的,第一接收模块701,具体用于:
通过有线传输的方式接收来自参考节点的第一信息。
可选的,AI网络模型确定装置700还包括:
第六发送模块,用于向所述参考节点发送第一配置信息,其中,所述第一配置信息用于配置所述目标AI网络模型的结构信息和结构参数信息中的至少一项,所述目标AI网络模型的相关参数包括模型参数,所述模型参数由所述参考节点基于所述结构信息和结构参数信息中的至少一项训练得到。
可选的,AI网络模型确定装置700还包括:
第三接收模块,用于接收来自K个参考节点的测试集数据,其中,K为大于或者等于1的整数;
验证模块,用于根据所述K个参考节点的测试集数据对目标AI网络模型进行验证。
可选的,AI网络模型确定装置700还包括:
第四接收模块,用于接收来自所述参考节点的目标能力信息,其中,所述目标能力信息用于指示以下至少一项:
所述参考节点支持的上报能力;
所述参考节点支持的AI网络模型训练能力;
所述参考节点支持训练的AI网络模型的复杂度;
所述参考节点支持的AI网络模型的数量;
所述参考节点支持的上报频率;
所述参考节点支持的上报方式;
所述参考节点支持的用于获取所述目标信道信息的参考信号;
所述参考节点支持上报的发送接收点TRP数量。
可选的,AI网络模型确定装置700还包括:
第七发送模块,用于向所述参考节点发送第一指示信息,其中,所述第一指示信息用于指示所述参考节点上报所述第一信息或目标参考信号。
可选的,在所述参考节点为终端的情况下,AI网络模型确定装置700还包括:
第五接收模块,用于接收来自所述参考节点的与所述第一指示信息对应的第二响应信息;
其中,所述第二响应信息包括用户层信息和物理层信息中的至少一项,且在所述第二响应信息用于指示所述参考节点同意且支持上报所述第一信息或目标参考信号的情况下,执行所述网络侧设备接收来自参考节点的第一信息或目标参考信号的步骤。
本申请实施例中的AI网络模型确定装置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,网络侧设备可以包括但不限于上述所列举的网络侧设备12的类型,本申请实施例不作具体限定。
本申请实施例提供的AI网络模型确定装置能够实现图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为参考节点时,该程序或指令被处理器801执行时实现如图4所示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执行时实现如图5所示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参考节点,包括处理器和通信接口,通信接口用于向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
该终端实施例与上述参考节点侧方法实施例对应,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参考节点实施例中,且能达到相同的技术效果。具体地,该参考节点可以是事先部署在网络中的参考UE,或者是终端,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和接口单元908中的至少一项,用于向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
可选地,所述目标信道信息包括以下至少一项:
为第二类型TypeII码本信息,或者,扩展的TypeII码本信息;
原始的信道信息;
所述原始的信道信息对应的预编码信息。
可选地,所述参考节点与所述网络侧设备有线连接;
接口单元908,用于通过有线传输的方式向所述网络侧设备发送第一信息。
可选地,射频单元901和接口单元908中的至少一项在执行所示向所述网络侧设备发送第一信息之前,还用于获取所述目标AI网络模型的结构信息和结构参数信息中的至少一项;
处理器910,用于基于所述结构信息和结构参数信息中的至少一项,训练得到所述目标AI网络模型的模型参数,其中,所述目标AI网络模型的相关参数包括所述模型参数。
可选地,所述目标AI网络模型的结构信息和结构参数信息中的至少一项是预配置的;或者,
射频单元901和接口单元908中的至少一项执行的所述获取所述目标AI网络模型的结构信息和结构参数信息中的至少一项,包括:
接收来自所述网络侧设备的第一配置信息,其中,所述第一配置信息用于配置所述目标AI网络模型的结构信息和结构参数信息中的至少一项。
可选地,在所述第一信息包括目标信道信息的情况下,所述目标信道信息包括X个信道的信道信息,X个大于或者等于1的整数。
可选地,在X大于1的情况下,所述目标AI网络模型包括基于所述X个信道的信道信息训练得到的一个AI网络模型;
射频单元901和接口单元908中的至少一项执行的所述向网络侧设备发送第一信息,包括:
向所述参考节点的服务小区对应的网络侧设备发送第一信息,其中,所述X个信道对应的Y个网络侧设备包括所述服务小区对应的网络侧设备,Y为大于或者等于1的整数。
可选地,在X大于1的情况下,所述目标AI网络模型包括基于所述X个信道中的每一个信道的信道信息分别训练得到的X个AI网络模型;
射频单元901和接口单元908中的至少一项执行的所述向网络侧设备发送第一信息,包括:
向Y个网络侧设备中的每一个发送各自对应的AI网络模型,其中,所述X个AI网络模型包括Y个网络侧设备各自对应的AI网络模型,Y为大于或者等于1的整数。
可选地,在X等于1的情况下,射频单元901和接口单元908中的至少一项,还用于向所述网络侧设备发送目标信道的标识信息,其中,所述目标信道信息为所述目标信道的信道信息。
可选地,射频单元901和接口单元908中的至少一项执行的所述向网络侧设备发送第一信息,包括以下至少一项:
周期性地向网络侧设备发送最新训练的目标AI网络模型的相关参数;
向网络侧设备发送差分信息,其中,所述差分信息包括最新训练的目标AI网络模型的相关参数与历史上报的目标AI网络模型的相关参数之差;
根据来自网络侧设备的第一信令,向所述网络侧设备发送最新训练的目标AI网络模型的相关参数或预设时间段内训练得到的目标AI网络模型的相关参数;
在预设情况下,向网络侧设备发送最新训练的目标AI网络模型的相关参数。
可选地,所述预设情况包括以下至少一项:
所述最新训练的目标AI网络模型的输出结果与历史训练的目标AI网络模型的输出结果不同;
基于历史训练的目标AI网络模型对所述目标信道信息进行处理得到的信道信息的准确度小于预设准确度。
可选地,射频单元901和接口单元908中的至少一项执行的所述在预设情况下,向网络侧设备发送最新训练的目标AI网络模型的相关参数,包括:
在预设情况下,向网络侧设备发送第一请求信息,其中,所述第一请求信息用于请求所述网络侧设备允许所述参考节点上报最新训练的目标AI网络模型的相关参数;
在接收到与所述第一请求信息对应的第一响应信息的情况下,向所述网络侧设备发送最新训练的目标AI网络模型的相关参数。
可选地,射频单元901和接口单元908中的至少一项,还用于向所述网络侧设备发送测试集数据,其中,所述测试集数据用于验证所述目标AI网络模型。
可选地,射频单元901和接口单元908中的至少一项在执行所述向网络侧设备发送第一信息或目标参考信号之前,还用于向所述网络侧设备发送目标能力信息,其中,所述目标能力信息用于指示以下至少一项:
所述参考节点支持的上报能力;
所述参考节点支持的AI网络模型训练能力;
所述参考节点支持训练的AI网络模型的复杂度;
所述参考节点支持的AI网络模型的数量;
所述参考节点支持的上报频率;
所述参考节点支持的上报方式;
所述参考节点支持的用于获取所述目标信道信息的参考信号;
所述参考节点支持上报的发送接收点TRP数量。
可选地,射频单元901和接口单元908中的至少一项在执行所述向网络侧设备发送第一信息或目标参考信号之前,还用于:
接收来自所述网络侧设备的第一指示信息,其中,所述第一指示信息用于指示所述参考节点上报所述第一信息或目标参考信号。
可选地,在所述参考节点为终端的情况下,射频单元901,还用于:
向所述网络侧设备发送与所述第一指示信息对应的第二响应信息;
其中,所述第二响应信息包括用户层信息和物理层信息中的至少一项,且在所述第二响应信息用于指示所述参考节点同意且支持上报所述第一信息或目标参考信号的情况下,执行所述参考节点向网络侧设备发送第一信息或目标参考信号的步骤。
本申请实施例提供的终端900,能够执行如图6所示AI网络模型确定装置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参考节点的第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项;所述处理器用于根据所述目标AI网络模型的相关参数确定目标AI网络模型,或者基于所述目标信道信息训练目标AI网络模型,或者基于目标下行信道信息训练目标AI网络模型,其中,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,所述目标下行信道信息与目标上行信道信息对应,所述目标上行信道信息由所述网络侧设备对所述目标参考信号进行信道估计得到。
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4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4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4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 (36)
1.一种AI网络模型确定方法,其特征在于,包括:
参考节点向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
2.根据权利要求1所述的方法,其特征在于,所述目标信道信息包括以下至少一项:
第二类型TypeII码本信息,或者,扩展的TypeII码本信息;
原始的信道信息;
所述原始的信道信息对应的预编码信息。
3.根据权利要求1或2所述的方法,其特征在于,所述参考节点与所述网络侧设备有线连接,所述参考节点向所述网络侧设备发送第一信息,包括:
所述参考节点通过有线传输的方式向所述网络侧设备发送第一信息。
4.根据权利要求1或2所述的方法,其特征在于,在所述参考节点向所述网络侧设备发送第一信息之前,所述方法还包括:
所述参考节点获取所述目标AI网络模型的结构信息和结构参数信息中的至少一项;
所述参考节点基于所述结构信息和结构参数信息中的至少一项,训练得到所述目标AI网络模型的模型参数,其中,所述目标AI网络模型的相关参数包括所述模型参数。
5.根据权利要求4所述的方法,其特征在于,所述目标AI网络模型的结构信息和结构参数信息中的至少一项是预配置的;或者,
所述参考节点获取所述目标AI网络模型的结构信息和结构参数信息中的至少一项,包括:
所述参考节点接收来自所述网络侧设备的第一配置信息,其中,所述第一配置信息用于配置所述目标AI网络模型的结构信息和结构参数信息中的至少一项。
6.根据权利要求1或2所述的方法,其特征在于,在所述第一信息包括目标信道信息的情况下,所述目标信道信息包括X个信道的信道信息,X个大于或者等于1的整数。
7.根据权利要求6所述的方法,其特征在于,在X大于1的情况下,所述目标AI网络模型包括基于所述X个信道的信道信息训练得到的一个AI网络模型;
所述参考节点向网络侧设备发送第一信息,包括:
所述参考节点向所述参考节点的服务小区对应的网络侧设备发送第一信息,其中,所述X个信道对应的Y个网络侧设备包括所述服务小区对应的网络侧设备,Y为大于或者等于1的整数。
8.根据权利要求6所述的方法,其特征在于,在X大于1的情况下,所述目标AI网络模型包括基于所述X个信道中的每一个信道的信道信息分别训练得到的X个AI网络模型;
所述参考节点向网络侧设备发送第一信息,包括:
所述参考节点向Y个网络侧设备中的每一个发送各自对应的AI网络模型,其中,所述X个AI网络模型包括Y个网络侧设备各自对应的AI网络模型,Y为大于或者等于1的整数。
9.根据权利要求6所述的方法,其特征在于,在X等于1的情况下,所述方法还包括:
所述参考节点向所述网络侧设备发送目标信道的标识信息,其中,所述目标信道信息为所述目标信道的信道信息。
10.根据权利要求1所述的方法,其特征在于,所述参考节点向网络侧设备发送第一信息,包括以下至少一项:
所述参考节点周期性地向网络侧设备发送最新训练的目标AI网络模型的相关参数;
所述参考节点向网络侧设备发送差分信息,其中,所述差分信息包括最新训练的目标AI网络模型的相关参数与历史上报的目标AI网络模型的相关参数之差;
所述参考节点根据来自网络侧设备的第一信令,向所述网络侧设备发送最新训练的目标AI网络模型的相关参数或预设时间段内训练得到的目标AI网络模型的相关参数;
所述参考节点在预设情况下,向网络侧设备发送最新训练的目标AI网络模型的相关参数。
11.根据权利要求10所述的方法,其特征在于,所述预设情况包括以下至少一项:
所述最新训练的目标AI网络模型的输出结果与历史训练的目标AI网络模型的输出结果不同;
基于历史训练的目标AI网络模型对所述目标信道信息进行处理得到的信道信息的准确度小于预设准确度。
12.根据权利要求10所述的方法,其特征在于,所述参考节点在预设情况下,向网络侧设备发送最新训练的目标AI网络模型的相关参数,包括:
所述参考节点在预设情况下,向网络侧设备发送第一请求信息,其中,所述第一请求信息用于请求所述网络侧设备允许所述参考节点上报最新训练的目标AI网络模型的相关参数;
所述参考节点在接收到与所述第一请求信息对应的第一响应信息的情况下,向所述网络侧设备发送最新训练的目标AI网络模型的相关参数。
13.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述参考节点向所述网络侧设备发送测试集数据,其中,所述测试集数据用于验证所述目标AI网络模型。
14.根据权利要求1所述的方法,其特征在于,在所述参考节点向网络侧设备发送第一信息或目标参考信号之前,所述方法还包括:
所述参考节点向所述网络侧设备发送目标能力信息,其中,所述目标能力信息用于指示以下至少一项:
所述参考节点支持的上报能力;
所述参考节点支持的AI网络模型训练能力;
所述参考节点支持训练的AI网络模型的复杂度;
所述参考节点支持的AI网络模型的数量;
所述参考节点支持的上报频率;
所述参考节点支持的上报方式;
所述参考节点支持的用于获取所述目标信道信息的参考信号;
所述参考节点支持上报的发送接收点TRP数量。
15.根据权利要求1或14所述的方法,其特征在于,在所述参考节点向网络侧设备发送第一信息或目标参考信号之前,所述方法还包括:
所述参考节点接收来自所述网络侧设备的第一指示信息,其中,所述第一指示信息用于指示所述参考节点上报所述第一信息或目标参考信号。
16.根据权利要求15所述的方法,其特征在于,在所述参考节点为终端的情况下,所述方法还包括:
所述参考节点向所述网络侧设备发送与所述第一指示信息对应的第二响应信息;
其中,所述第二响应信息包括用户层信息和物理层信息中的至少一项,且在所述第二响应信息用于指示所述参考节点同意且支持上报所述第一信息或目标参考信号的情况下,执行所述参考节点向网络侧设备发送第一信息或目标参考信号的步骤。
17.一种AI网络模型确定装置,其特征在于,用于参考节点,所述装置包括:
第一发送模块,用于向网络侧设备发送第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,或者,所述目标信道信息作为所述网络侧设备训练目标AI网络模型的依据之一,或者,所述目标参考信号用于供所述网络侧设备进行信道估计,得到用于训练目标AI网络模型的信道信息。
18.一种AI网络模型确定方法,其特征在于,所述方法包括:
网络侧设备接收来自参考节点的第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项;
所述网络侧设备根据所述目标AI网络模型的相关参数确定目标AI网络模型,或者基于所述目标信道信息训练目标AI网络模型,或者基于目标下行信道信息训练目标AI网络模型,其中,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,所述目标下行信道信息与目标上行信道信息对应,所述目标上行信道信息由所述网络侧设备对所述目标参考信号进行信道估计得到。
19.根据权利要求18所述的方法,其特征在于,所述目标信道信息包括以下至少一项:
为第二类型TypeII码本信息,或者,扩展的TypeII码本信息;
原始的信道信息;
所述原始的信道信息对应的预编码信息。
20.根据权利要求18所述的方法,其特征在于,所述网络侧设备接收来自参考节点的第一信息,包括:
所述网络侧设备接收H个参考节点的第一信息,H为大于或者等于1的整数。
21.根据权利要求20所述的方法,其特征在于,所述网络侧设备根据所述第一信息确定目标AI网络模型,包括:
所述网络侧设备根据所述H个参考节点的第一信息,确定所述H个参考节点一一对应的H个目标AI网络模型;
或者,
所述网络侧设备根据所述H个参考节点的第一信息,确定所述H个参考节点共用的至少一个目标AI网络模型;
或者,
所述网络侧设备根据所述H个参考节点的第二信息,将所述H个参考节点划分为L组参考节点,并根据来自所述L组参考节点的第一信息确定所述L组参考节点一一对应的L个目标AI网络模型,L为大于或者等于1的整数。
22.根据权利要求21所述的方法,其特征在于,所述第二信息包括以下至少一项:位置信息、所述网络侧设备与参考节点之间的信道为视距LOS传播或非视距NLOS传播的信息、参考节点处于室内或室外的信息、参考节点所处的楼层信息。
23.根据权利要求18至22中任一项所述的方法,其特征在于,所述方法还包括:
所述网络侧设备向终端配置第一AI网络模型,其中,所述目标AI网络模型包括所述第一AI网络模型。
24.根据权利要求23所述的方法,其特征在于,在所述网络侧设备根据所述H个参考节点的第二信息,将所述H个参考节点划分为L组参考节点,并根据来自所述L组参考节点的第一信息确定所述L组参考节点一一对应的L个目标AI网络模型的情况下,所述网络侧设备向终端配置第一AI网络模型,包括:
所述网络侧设备从所述L个目标AI网络模型中确定第一AI网络模型,其中,所述第一AI网络模型对应的参考节点组的第二信息与所述终端的第三信息匹配。
25.根据权利要求24所述的方法,其特征在于,所述第三信息包括以下至少一项:位置信息、运动方向信息、所在波束或波束组的信息、所属扇区的信息、所属发送接收点TRP的信息。
26.根据权利要求23所述的方法,其特征在于,在所述网络侧设备根据所述H个参考节点的第一信息,确定所述H个参考节点一一对应的H个目标AI网络模型的情况下,所述网络侧设备向终端配置第一AI网络模型,包括:
所述网络侧设备从所述H个目标AI网络模型中确定第一AI网络模型,其中,所述第一AI网络模型对应的参考节点的第二信息与所述终端的第三信息匹配。
27.根据权利要求18或19所述的方法,其特征在于,所述网络侧设备接收来自参考节点的第一信息,包括:
所述网络侧设备通过有线传输的方式接收来自参考节点的第一信息。
28.根据权利要求27所述的方法,其特征在于,在所述网络侧设备接收来自参考节点的第一信息之前,所述方法还包括:
所述网络侧设备向所述参考节点发送第一配置信息,其中,所述第一配置信息用于配置所述目标AI网络模型的结构信息和结构参数信息中的至少一项,所述目标AI网络模型的相关参数包括模型参数,所述模型参数由所述参考节点基于所述结构信息和结构参数信息中的至少一项训练得到。
29.根据权利要求18所述的方法,其特征在于,所述方法还包括:
所述网络侧设备接收来自K个参考节点的测试集数据,其中,K为大于或者等于1的整数;
所述网络侧设备根据所述K个参考节点的测试集数据对目标AI网络模型进行验证。
30.根据权利要求18所述的方法,其特征在于,在所述网络侧设备接收来自参考节点的第一信息或目标参考信号之前,所述方法还包括:
所述网络侧设备接收来自所述参考节点的目标能力信息,其中,所述目标能力信息用于指示以下至少一项:
所述参考节点支持的上报能力;
所述参考节点支持的AI网络模型训练能力;
所述参考节点支持训练的AI网络模型的复杂度;
所述参考节点支持的AI网络模型的数量;
所述参考节点支持的上报频率;
所述参考节点支持的上报方式;
所述参考节点支持的用于获取所述目标信道信息的参考信号;
所述参考节点支持上报的发送接收点TRP数量。
31.根据权利要求18或30所述的方法,其特征在于,在所述网络侧设备接收来自参考节点的第一信息或目标参考信号之前,所述方法还包括:
所述网络侧设备向所述参考节点发送第一指示信息,其中,所述第一指示信息用于指示所述参考节点上报所述第一信息或目标参考信号。
32.根据权利要求31所述的方法,其特征在于,在所述参考节点为终端的情况下,所述方法还包括:
所述网络侧设备接收来自所述参考节点的与所述第一指示信息对应的第二响应信息;
其中,所述第二响应信息包括用户层信息和物理层信息中的至少一项,且在所述第二响应信息用于指示所述参考节点同意且支持上报所述第一信息或目标参考信号的情况下,执行所述网络侧设备接收来自参考节点的第一信息或目标参考信号的步骤。
33.一种AI网络模型确定装置,其特征在于,用于网络侧设备,所述装置包括:
第一接收模块,用于接收来自参考节点的第一信息或目标参考信号,其中,所述第一信息包括目标AI网络模型的相关参数和目标信道信息中的至少一项;
第一确定模块,用于根据所述目标AI网络模型的相关参数确定目标AI网络模型,或者基于所述目标信道信息训练目标AI网络模型,或者基于目标下行信道信息训练目标AI网络模型,其中,所述目标AI网络模型的相关参数基于所述目标信道信息训练得到,所述目标下行信道信息与目标上行信道信息对应,所述目标上行信道信息由所述网络侧设备对所述目标参考信号进行信道估计得到。
34.一种参考节点,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16中任一项所述的AI网络模型确定方法的步骤。
35.一种网络侧设备,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18至32中任一项所述的AI网络模型确定方法的步骤。
36.一种可读存储介质,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16中任一项所述的AI网络模型确定方法,或者实现如权利要求18至32中任一项所述的AI网络模型确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411582.7A CN116996898A (zh) | 2022-04-19 | 2022-04-19 | Ai网络模型确定方法、装置、参考节点和网络侧设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411582.7A CN116996898A (zh) | 2022-04-19 | 2022-04-19 | Ai网络模型确定方法、装置、参考节点和网络侧设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116996898A true CN116996898A (zh) | 2023-11-03 |
Family
ID=88527116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411582.7A Pending CN116996898A (zh) | 2022-04-19 | 2022-04-19 | Ai网络模型确定方法、装置、参考节点和网络侧设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116996898A (zh) |
-
2022
- 2022-04-19 CN CN202210411582.7A patent/CN116996898A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2024512358A (ja) | 情報報告方法、装置、第1機器及び第2機器 | |
WO2023185978A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2023246618A1 (zh) | 信道矩阵处理方法、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 | |
CN116488747A (zh) | 信息交互方法、装置及通信设备 | |
WO2023179473A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2023179476A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2024037380A1 (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
WO2024032606A1 (zh) | 信息传输方法、装置、设备、系统及存储介质 | |
CN117335849A (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 | |
WO2023179474A1 (zh) | 信道特征信息辅助上报及恢复方法、终端和网络侧设备 | |
WO2023174325A1 (zh) | Ai模型的处理方法及设备 | |
WO2024041420A1 (zh) | 测量反馈处理方法、装置、终端及网络侧设备 | |
CN118316496A (zh) | 信息传输方法、装置和通信设备 | |
WO2023134628A1 (zh) | 传输方法、装置和设备 | |
CN117978218A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
CN117834427A (zh) | 更新ai模型参数的方法、装置及通信设备 | |
CN116939647A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN116846493A (zh) | 信道预测方法、装置及无线通信设备 | |
CN117060959A (zh) | 信道特征信息的获取方法、终端及网络侧设备 | |
CN117692954A (zh) | 测量反馈处理方法、装置、终端及网络侧设备 | |
CN117835262A (zh) | Ai模型的处理方法、装置及通信设备 | |
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 | |
CN118249935A (zh) | 一种通信的方法和通信装置 |
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 |