CN117479182A - 信息传输的方法与通信装置 - Google Patents
信息传输的方法与通信装置 Download PDFInfo
- Publication number
- CN117479182A CN117479182A CN202210867601.7A CN202210867601A CN117479182A CN 117479182 A CN117479182 A CN 117479182A CN 202210867601 A CN202210867601 A CN 202210867601A CN 117479182 A CN117479182 A CN 117479182A
- Authority
- CN
- China
- Prior art keywords
- neural network
- radio frame
- station
- time
- information
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 126
- 238000004891 communication Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims abstract description 208
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000009471 action Effects 0.000 claims description 118
- 230000006978 adaptation Effects 0.000 claims description 21
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 description 27
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 17
- 238000013461 design Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000000977 initiatory effect Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种信息传输的方法与通信装置,该方法包括:第一站点在第一时刻发送第一无线帧,第一无线帧包括第一站点在第一时刻之前发送的无线帧的传输信息;第一站点接收来自接入点的神经网络数据,该神经网络数据与该无线帧的传输信息有关。通过在第一时刻发送的无线帧的里面携带在第一时刻之前发送的无线帧的传输信息,AP可以获取站点在第一时刻之前发送的无线帧的传输信息,并可以基于该无线帧的传输信息进行学习得到神经网络数据,并下发该神经网络数据,AP可以通过该神经网络数据帮助第一站点降低无线帧丢失的频率,还可以在降低无线帧丢失的频率之后,获取更为丰富的用于神经网络训练的数据,更好地完成神经网络数据的学习与更新。
Description
技术领域
本申请涉及Wi-Fi技术领域,更具体地,涉及一种信息传输的方法与通信装置。
背景技术
随着智能终端设备数量的高速增长以及物联网(thing of internet,IoT)设备的普及,虚拟现实(virtual reality,VR)、增强现实(augmented reality,AR)以及全息影像等新型无线应用正源源不断地涌现出来。这些不断涌现出来的新型无线应用正使得无线网络变得极为复杂。为了顺应无线网络高复杂性的发展趋势,业界在将人工智能(artificialintelligence,AI)应用于无线网络的设计与管理方面已达成普遍共识。
现有的基于AI的无线网络的设计与管理不能适用于复杂度更高的无线网络环境。这是由于无线网络环境具有极高的可变性,一套既有的神经网络参数很难应对所有的无线网络环境。例如,终端在休眠一段时间或者切换到别的小区之后,其所处的无线网络环境可能已经发生了变化。因此,神经网络参数需要随无线网络环境的变化而不断更新。
然而,在开放的无线网络环境中,不同终端之间可能会因冲突而导致无线帧丢失等现象,其会影响到神经网络参数的学习与更新。
发明内容
本申请提供一种信息传输的方法与通信装置,通过在第一时刻发送的无线帧的里面携带在第一时刻之前发送的无线帧的传输信息,AP可以获取站点在第一时刻之前发送的无线帧的传输信息,并可以基于该无线帧的传输信息进行学习得到神经网络数据(可以理解为神经网络数据),并下发该神经网络数据,如此,AP可以通过该神经网络数据帮助第一站点降低无线帧丢失的频率,还可以在降低无线帧丢失的频率之后,获取更为丰富的用于神经网络训练的数据,更好地完成神经网络数据(包括神经网络参数)的学习与更新。
第一方面,提供了一种信息传输的方法,包括:第一站点在第一时刻发送第一无线帧,该第一无线帧的里面包括第一站点在第一时刻之前发送的无线帧的传输信息;第一站点接收来自接入点的神经网络数据,该神经网络数据与该无线帧的传输信息有关。
具体地,上述的第一站点在第一时刻之前发送的无线帧可以理解为第一站点的发送失败的无线帧,或者,第一站点的因冲突而丢失的无线帧。
通过在第一时刻发送的第一无线帧的里面携带其在第一时刻之前发送的无线帧的传输信息,AP可以获取第一站点在第一时刻之前发送的无线帧的传输信息,并可以基于该无线帧的传输信息进行学习得到神经网络数据(可以理解为神经网络数据),并下发该神经网络数据。站点可以根据AP下发的神经网络数据降低无线帧丢失的频率,还可以在降低无线帧丢失的频率之后,向AP上报更为丰富的用于神经网络训练的数据,更好地帮助AP完成神经网络数据(包括神经网络参数)的学习与更新。
结合第一方面,在第一方面的某些实现方式中,该传输信息包括以下至少一项:动作信息,时间信息,或者,动作的特征信息。
通过上报上述的一项或者多项信息,AP可以基于这些上报的信息进行神经网络数据的学习与更新,并将其学习与更新后的神经网络数据下发给站点,站点可以基于AP下发的神经网络数据调整或者保持动作,从而可以降低无线帧丢失的频率,进而可以向AP上报更为丰富的用于神经网络训练的数据。
结合第一方面,在第一方面的某些实现方式中,该动作包括以下至少一项:信道接入,速率自适应,信道绑定,或者,信道聚合。
结合第一方面,在第一方面的某些实现方式中,该动作包括所述信道接入时,该特征信息包括接入时长。
通过向AP上报更为丰富的关于信道接入动作的信息,AP可以基于站点上报的这些信息确定更为合适的神经网络数据,站点可以基于AP下发的神经网络数据调整或者保持信道接入动作,从而可以降低因信道接入不合理而导致无线帧丢失的频率,进而可以向AP上报更为丰富的用于神经网络训练的数据。
结合第一方面,在第一方面的某些实现方式中,该神经网络数据包括以下至少一项:
神经网络参数或者神经网络训练数据。
结合第一方面,在第一方面的某些实现方式中,第一站点在第一时刻之前发送的无线帧包括第一站点连续发送的多个无线帧。
如此,当多个无线帧隐含的动作相同时,STA#A可以在无线帧S1中可以通过仅指示一个无线帧隐含的动作来指示剩余的多个无线帧隐含的动作,如此,可以节约信令开销。
结合第一方面,在第一方面的某些实现方式中,该神经网络训练数据是接入点根据该无线帧的传输信息与第二站点发送的无线帧的传输信息确定的。
通过上述技术方案,本申请实施例可以使得AP综合其他STA上报的无线帧的传输信息为STA#A确定更为合理的神经网络数据,从而去指导或者协调STA#A的动作,从而降低无线帧丢失的频率,进一步地,其可以在降低无线帧丢失的频率之后,获取更为丰富的训练数据,更好地完成神经网络数据(包括神经网络参数)的学习与更新。
第二方面,提供了一种信息传输的方法,包括:接入点接收第一站点在第一时刻发送的第一无线帧,该第一无线帧包括第一站点在第一时刻之前发送的无线帧的传输信息;接入点向第一站点发送神经网络数据,该神经网络数据与该无线帧的传输信息有关。
通过在第一时刻发送的无线帧的里面携带在第一时刻之前发送的无线帧的传输信息,AP可以获取站点在第一时刻之前发送的无线帧的传输信息,并可以基于该无线帧的传输信息进行学习得到神经网络数据,并下发该神经网络数据,如此,AP可以通过该神经网络数据帮助第一站点降低无线帧丢失的频率,还可以在降低无线帧丢失的频率之后,获取更为丰富的用于神经网络训练的数据,更好地完成神经网络数据的学习与更新。
结合第二方面,在第二方面的某些实现方式中,该传输信息包括以下至少一项:动作信息,时间信息,或者,动作的特征信息。
结合第二方面,在第二方面的某些实现方式中,该动作包括以下至少一项:信道接入,速率自适应,信道绑定,或者,信道聚合。
结合第二方面,在第二方面的某些实现方式中,该动作包括所述信道接入时,该特征信息包括接入时长。
结合第二方面,在第二方面的某些实现方式中,该神经网络数据包括以下至少一项:神经网络参数或者神经网络训练数据。
结合第二方面,在第二方面的某些实现方式中,第一站点在该第一时刻之前发送的无线帧包括第一站点连续发送的多个无线帧。
如此,当多个无线帧隐含的动作相同时,STA#A可以在无线帧S1中可以通过仅指示一个无线帧隐含的动作来指示剩余的多个无线帧隐含的动作,如此,可以节约信令开销。
结合第二方面,在第二方面的某些实现方式中,该神经网络训练数据是接入点根据该无线帧的传输信息与第二站点发送的无线帧的传输信息确定的。
通过上述技术方案,本申请实施例可以使得AP综合其他STA上报的无线帧的传输信息为STA#A确定更为合理的神经网络数据,从而去指导或者协调STA#A的动作,从而降低无线帧丢失的频率,进一步地,其可以在降低无线帧丢失的频率之后,获取更为丰富的训练数据,更好地完成神经网络数据(包括神经网络参数)的学习与更新。
第三方面,提供了一种通信装置,包括:收发单元,用于在第一时刻发送第一无线帧,该第一无线帧包括该通信装置在该第一时刻之前发送的无线帧的传输信息;收发单元,还用于接收来自接入点的神经网络数据,该神经网络数据与该无线帧的传输信息有关。
结合第三方面,在第三方面的某些实现方式中,该传输信息包括以下至少一项:动作信息,时间信息,或者,动作的特征信息。
结合第三方面,在第三方面的某些实现方式中,该动作包括以下至少一项:信道接入,速率自适应,信道绑定,或者,信道聚合。
结合第三方面,在第三方面的某些实现方式中,该动作包括所述信道接入时,该特征信息包括接入时长。
结合第三方面,在第三方面的某些实现方式中,该神经网络数据包括以下至少一项:神经网络参数或者神经网络训练数据。
结合第三方面,在第三方面的某些实现方式中,该通信装置在该第一时刻之前发送的无线帧包括该通信装置连续发送的多个无线帧。
结合第三方面,在第三方面的某些实现方式中,该神经网络训练数据是接入点根据该无线帧的传输信息与第二站点发送的无线帧的传输信息确定的。
第四方面,提供了一种通信装置,包括:收发单元,用于接收第一站点在第一时刻发送的第一无线帧,该第一无线帧包括第一站点在第一时刻之前发送的无线帧的传输信息;收发单元,用于向第一站点发送神经网络数据,该神经网络数据与该无线帧的传输信息有关。
结合第四方面,在第四方面的某些实现方式中,该传输信息包括以下至少一项:动作信息,时间信息,或者,动作的特征信息。
结合第四方面,在第四方面的某些实现方式中,该动作包括以下至少一项:信道接入,速率自适应,信道绑定,或者,信道聚合。
结合第四方面,在第四方面的某些实现方式中,该动作包括所述信道接入时,该特征信息包括接入时长。
结合第四方面,在第四方面的某些实现方式中,该神经网络数据包括以下至少一项:神经网络参数或者神经网络训练数据。
结合第四方面,在第四方面的某些实现方式中,该第一站点在该第一时刻之前发送的无线帧包括第一站点连续发送的多个无线帧。
结合第四方面,在第四方面的某些实现方式中,该神经网络训练数据是该通信装置根据该无线帧的传输信息与第二站点发送的无线帧的传输信息确定的。
第五方面,提供了一种通信装置,包括处理器,所述处理器与存储器耦合,所述处理器用于执行计算机程序或指令,使得所述通信装置执行如第一方面以及第一方面的任一种可能实现方式中所述的方法;或者,使得所述计算机执行如第二方面以及第二方面的任一种可能实现方式中所述的方法。
第六方面,提供了一种通信装置,包括逻辑电路和输入输出接口,所述逻辑电路用于执行计算机程序或指令,使得所述通信装置执行如第一方面以及第一方面的任一种可能实现方式中所述的方法;或者,使得所述计算机执行如第二方面以及第二方面的任一种可能实现方式中所述的方法。
第七方面,提供了一种计算机可读存储介质,包括计算机程序或指令,当所述计算机程序或所述指令在计算机上运行时,使得所述计算机执行如第一方面以及第一方面的任一种可能实现方式中所述的方法;或者,使得所述计算机执行如第二方面以及第二方面的任一种可能实现方式中所述的方法。
第八方面,提供了一种计算机程序产品,包含指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面以及第一方面的任一种可能实现方式中所述的方法;或者,使得所述计算机执行如第二方面以及第二方面的任一种可能实现方式中所述的方法。
附图说明
图1是本申请实施例的应用场景100的示意图。
图2是深度神经网络的模型示意图。
图3是神经元根据输入计算输出的示意图。
图4是深度强化学习的示意图。
图5是神经网络参数的学习方法500示意图。
图6是本申请实施例的无线帧冲突的示意图。
图7是本申请实施例的信息传输的方法700的交互流程图。
图8是本申请实施例的信息传输的方法800的交互流程图。
图9是本申请实施例的通信装置900的示意性框图。
图10是本申请实施例的通信装置1000的示意性框图。
图11是本申请实施例的通信装置1100的示意性框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
本申请实施例的技术方案可以适用于无线局域网(wireless local areanetwork,WLAN)场景,例如可以适用于IEEE 802.11系统标准,例如802.11a/b/g标准、802.11n标准、802.11ac标准、802.11ax标准,或其下一代,例如802.11be标准或更下一代的标准中。
虽然本申请实施例主要以部署WLAN网络,尤其是应用IEEE 802.11系统标准的网络为例进行说明,本领域技术人员容易理解,本申请实施例涉及的各个方面可以扩展到采用各种标准或协议的其它网络,例如,蓝牙(bluetooth),高性能无线局域网(highperformance radio local area network,HIPERLAN)以及广域网(wide are network,WAN)、个人区域网(personal area network,PAN)或其它现在已知或以后发展起来的网络。因此,无论使用的覆盖范围和无线接入协议如何,本申请实施例的各种方面可以适用于任何合适的无线网络。
本申请实施例的技术方案还可以应用于各种通信系统,例如:全球移动通讯(global system for mobile communication,GSM)系统、码分多址(code divisionmultiple access,CDMA)系统、宽带码分多址(wideband code division multipleaccess,WCDMA)系统、通用分组无线业务(general packet radio service,GPRS)、长期演进(long term evolution,LTE)系统、LTE频分双工(frequency division duplex,FDD)系统、LTE时分双工(time division duplex,TDD)、通用移动通信系统(universal mobiletelecommunication system,UMTS)、全球互联微波接入(worldwide interoperabilityfor microwave access,WiMAX)通信系统、第五代(5th generation,5G)系统或新无线(newradio,NR)、未来第六代(6th generation,6G)系统、IoT网络或车联网(vehicle to x,V2X)等无线局域网系统等。
应理解,上述适用本申请的通信系统仅是举例说明,适用本申请的通信系统不限于此,在此统一说明,以下不再赘述。
本申请实施例中的终端可以指用户设备(user equipment,UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。终端还可以是蜂窝电话、无绳电话、会话启动协议(sessioninitiation protocol,SIP)电话、无线本地环路(wireless local loop,WLL)站、个人数字处理(personal digital assistant,PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备,5G网络中的终端,未来6G网络中的终端或者公用陆地移动通信网络(public land mobile network,PLMN)中的终端等,本申请实施例并不限定。
本申请实施例中的网络设备可以是用于与终端通信的设备,该网络设备可以是全球移动通讯(global system of mobile communication,GSM)系统或码分多址(codedivision multiple access,CDMA)中的基站(base transceiver station,BTS),也可以是宽带码分多址(wideband code division multiple access,WCDMA)系统中的基站(nodeB,NB),还可以是LTE系统中的演进型基站(evolutional nodeB,eNB或eNodeB),还可以是云无线接入网络(cloud radio access network,CRAN)场景下的无线控制器,或者该网络设备可以为中继站、接入点、车载设备、可穿戴设备、5G网络中的网络设备以及未来6G网络中的网络设备或者PLMN网络中的网络设备等,本申请实施例不限定。
图1是本申请实施例的应用场景100的示意图。如图1所示,接入点(access point,AP)可以是通信服务器、路由器、交换机,也可以是上述的网络设备的任一种。站点(station,STA)可以是手机、计算机,也可以是上述的终端的任一种,本申请实施例不做限定。
应理解,本申请实施例的技术方案不仅适用于AP与一个或多个STA通信,也适用于AP之间的相互通信,也还适用于STA之间的相互通信。为便于描述,本申请实施例仅以AP与一个或多个STA通信为例进行说明,但是该描述方式对本申请实施例的实际应用范围不具备任何的限定作用。在此统一说明,后文不再赘述。
其中,接入点可以为终端(如手机)进入有线(或无线)网络的接入点,主要部署于家庭、大楼内部以及园区内部,典型覆盖半径为几十米至上百米,当然,也可以部署于户外。接入点相当于一个连接有线网和无线网的桥梁,主要作用是将各个无线网络客户端连接到一起,然后将无线网络接入以太网。
具体的,接入点可以是带有Wi-Fi芯片的终端(如手机)或者网络设备(如路由器)。接入点可以为支持802.11be制式的设备。接入点也可以为支持802.11ax、802.11ac、802.11n、802.11g、802.11b、802.11a以及802.11be下一代等802.11家族的多种WLAN制式的设备。本申请中的接入点可以是HE AP或EHT AP,还可以是适用未来某代Wi-Fi标准的接入点。
站点可以为无线通讯芯片、无线传感器或无线通信终端等,也可称为用户。例如,站点可以为支持Wi-Fi通讯功能的移动电话、支持Wi-Fi通讯功能的平板电脑、支持Wi-Fi通讯功能的机顶盒、支持Wi-Fi通讯功能的智能电视、支持Wi-Fi通讯功能的智能可穿戴设备、支持Wi-Fi通讯功能的车载通信设备和支持Wi-Fi通讯功能的计算机等等。
可选地,站点可以支持802.11be制式。站点也可以支持802.11ax、802.11ac、802.11n、802.11g、802.11b、802.11a、802.11be下一代等802.11家族的WLAN制式。
例如,接入点和站点可以是应用于车联网中的设备、IoT中的物联网节点、传感器等,智慧家居中的智能摄像头、智能遥控器、智能水表电表以及智慧城市中的传感器等。
下文将对与本申请实施例揭示的技术方案的相关术语以及概念作简单的介绍。
第一、神经网络
神经网络(neural network,NN)是由神经元组成的。神经元可以是指以xs为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经元的偏置。f为神经元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经元中的输入信号变换为输出信号。该激活函数的输出信号可以作为下一层的输入。
NN是将多个上述单一的神经元联结在一起形成的网络,即一个神经元的输出可以是另一个神经元的输入。每个神经元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经元组成的区域。
第二、深度神经网络
深度神经网络(deep neural network,DNN),也称多层神经网络,可以理解为具有多层隐藏层的神经网络。具体可以参看图2。图2是深度神经网络的模型示意图。如图2所示,按照不同层的位置对DNN进行划分,DNN内部的神经网络可以分为三类:输入层,中间层,输出层。一般来说,第一层是输入层,最后一层是输出层,中间的层数都是中间层(也可以理解为隐藏层)。层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。
另外,由图2可知,每个神经元可能有多条输入连线,每个神经元根据输入可以计算输出。具体可以参见图3。图3是神经元根据输入计算输出的示意图。如图3所示,示例性地,一个神经元包含3个输入、1个输出以及2个计算功能,因此,输出的计算公式则可以表示为:
输出=激活函数(输入1*权重1+输入2*权重2+输入3*权重3+偏置)…(2)
其中,符号“*”表示数学运算“乘”或“乘以”。
具体地,每个神经元可能有多条输出连线,一个神经元的输出作为下一个神经元的输入。其中,输入层只有输出连线,输入层的每个神经元是输入神经网络的值,每个神经元的输出值可以直接作为所有输出连线的输入。输出层只有输入连线,并可以采用公式(2)计算输出层的输出。
可选地,输出层可以没有激活函数的计算,即:公式(2)变换成:输出=输入1*权重1+输入2*权重2+输入3*权重3+偏置。
示例性地,k层神经网络可以表示为:
y=fk(fk-1(…(f1(w1*x+b1)))…(3)
其中,x表示神经网络的输入,y表示神经网络的输出,wi表示第i层神经网络的权重,bi表示第i层神经网络的偏置,fi表示第i层神经网络的激活函数,i=1,2,…,k。
总体而言,DNN每一层的工作可以通过线性关系表达式:表示,其中,/>是输入向量,/>是输出向量,/>是偏移向量,W是权重矩阵(也称系数),α()是激活函数。由于DNN层数为多个,系数W和偏移向量/>的数量是多个。这些参数在DNN中的定义如下所述:以系数W为例:假设在一个三层的DNN中,第二层的第4个神经元到第三层的第2个神经元的线性系数定义为/>上标3代表系数W所在的层数,而下标对应的是输出的第三层索引2和输入的第二层索引4。
综上,第L-1层的第k个神经元到第L层的第j个神经元的系数定义为
在DNN中,更多的隐藏层让网络更能够刻画现实世界中的复杂情形。理论上而言,参数越多的模型复杂度越高,“容量”也就越大,也就意味着它能完成更复杂的学习任务。训练DNN的也就是学习权重矩阵的过程,其最终目的是得到训练好的DNN的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
需要注意的是,输入层是没有W参数的。在DNN中,更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言,参数越多的模型复杂度越高,“容量”也就越大,也就意味着它能完成更复杂的学习任务。训练DNN的也就是学习权重矩阵的过程,其最终目的是得到训练好的DNN的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
第三、AI与无线网络
随着智能终端设备数量的高速增长以及IoT设备的普及,VR、AR以及全息影像等新型无线应用正源源不断地涌现出来。这些不断地涌现出来的新型无线应用会使得无线网络变得极为复杂。为了顺应无线网络高复杂性的发展趋势,业界在将AI应用于无线网络的设计与管理方面已达成普遍共识。
其中,AI在无线网络中的应用优势可以体现在以下四个方面:
1)解决没有数学模型的复杂网络问题;
2)解决搜索空间大的无线网络管理问题;
3)跨层与跨节点的网络级全局优化问题;
4)通过AI的预测能力主动优化无线网络参数。
具体而言,AI在无线网络的设计与管理的应用实例可以包括:信道接入、速率自适应、信道聚合和信道预测等。
一般而言,传统的无线网络的设计与管理是基于规则的(rule-based),设计者通过设计算法或函数(可表示为f(·))达成设计目标。其中,设计者需要明确地给出每一步的运算规则,例如,y=f(x),设计者需要给出从输入x到输出y的每一步计算过程。但在引入AI之后,f(·)不再是基于规则的,而是基于神经网络结构与神经网络参数的,其可以表示为f(θ,·),θ表示神经网络参数。因此,设计者可以通过设计神经网络结构与训练神经网络参数达成设计目标。
另外,应用于无线网络的设计与管理中的AI可以用于执行预测任务类型与决策任务类型等。例如,预测任务可以包括:业务预测和信道质量预测等。决策任务类型可以包括:信道接入、速率自适应、功率控制和信道绑定等。
应理解,本申请实施例虽然主要以AI的决策任务类型为例描述技术方案,但并不限定其所揭示的技术方案在其他任务类型当中的应用。
具体而言,应用于无线网络中的AI可以通过深度强化学习(deep reinforcementlearning,DRL)算法实现与无线网络环境进行交互并积累经验,继而完成神经网络参数的训练与更新。具体可以参看图4。
图4是深度强化学习的示意图。如图4所示,网络节点根据从观测无线网络环境得来的环境观测确定动作,并且可以为每次的动作赋予相应的回报值。具体来说,网络节点根据环境观测决策动作这一行为与神经网络参数相关,即:神经网络参数决定了从环境观测St到动作At的映射,即:网络节点根据神经网络参数实现由St决策At。例如,对于信道接入而言,网络节点可以根据接收信号能量、历史接入是否成功等环境观测来决策当前时刻是否执行信道接入等。
为了有效地学习神经网络参数,网络节点可以对每一次的动作进行评价,即:计算动作的回报值Rt(reward)。总体来说,神经网络参数的学习就是从一系列环境中的样本参数(例如,St,At,Rt,St+1,At+1,…)中获取经验的过程。
由于无线网络环境具有极高的可变性,一套既有的神经网络参数很难应对所有的无线网络环境。例如,终端在休眠一段时间或者切换到别的小区之后,其所处的无线网络环境可能已经发生了变化。因此,神经网络参数需要随无线网络环境的变化而不断更新。这可以通过训练节点获取其他节点上报的信息的方式来实现该目的。具体可以参看图5。
图5是神经网络参数的学习方法500的示意图。如图5所示,AP作为训练节点,其通过获取STA#A与STA#B各自上报的信息来完成神经网络参数的学习与更新。其中,该信息包括STA的St与At。AP根据STA#A与STA#B各自上报的信息进行神经网络参数的学习与更新,并将训练后得到的神经网络参数下发给相应的STA。
例如,AP向STA#A下发NNA(可以理解为神经网络参数),向STA#B下发NNB(可以理解为神经网络参数)。STA#A可以基于AP下发的NNA在St,A的环境中进行更合理的At,A选择,STA#B可以基于AP下发的NNB在St,B的环境中进行更合理的At,B选择。
然而,在开放的无线网络环境中,不同设备之间可能会因冲突而导致无线帧丢失等现象,其会影响到神经网络参数的学习与更新。具体可以参看图6。
图6是本申请实施例的无线帧冲突的示意图。如图6所示,STA#A向AP发送的无线帧A1与STA#B向AP发送的无线帧B1发生冲突,STA#A向AP发送的无线帧A2与STA#B向AP发送的无线帧B2发生冲突。因此,STA#A无法成功地向AP发送无线帧A1与无线帧A2,STA#B也无法成功地向AP发送无线帧B1与无线帧B2。
相应地,AP无法获取无线帧A1、无线帧A2、无线帧B1与无线帧B2等各自的传输信息。另外,STA#A成功地向AP发送无线帧A3,AP可以获取无线帧A3的传输信息。
综上,STA#A与STA#B之间可能由于冲突而导致无线帧的丢失,AP无法获取丢失的无线帧的传输信息。但是,这些丢失的无线帧的传输信息对于神经网络参数的学习而言是非常重要的,其可以通过学习这些丢失的无线帧的传输信息更好地协调或者指导不同的STA,从而能够降低站点的无线帧丢失的频率。进一步地,其可以在降低站点的无线帧丢失的频率之后,获取更为丰富的用于神经网络训练的数据,更好地完成神经网络参数的学习与更新。因此,如何使AP获取丢失的无线帧的传输信息是亟待解决的技术问题。
鉴于该技术问题,本申请提供一种信息传输的方法与通信装置,通过在第一时刻发送的无线帧的里面携带在第一时刻之前发送的无线帧的传输信息,AP可以获取站点在第一时刻之前发送的无线帧的传输信息,并可以基于该无线帧的传输信息进行学习得到神经网络数据,并下发该神经网络数据,如此,AP可以通过该神经网络数据帮助站点降低无线帧丢失的频率,还可以在降低无线帧丢失的频率之后,获取更为丰富的用于神经网络训练的数据,更好地完成神经网络数据(包括神经网络参数)的学习与更新。
下文将结合附图对本申请实施例的信息传输的方法进行描述。
图7是本申请实施例的信息传输方法700的交互流程图。图7中的方法流程可以由STA/AP执行,或者由安装于STA/AP中的具有相应功能的模块和/或器件(例如,芯片或集成电路等)执行,本申请实施例不限定。下文以STA/AP为例进行说明。如图7所示,方法700包括:
S710、STA#A在第一时刻发送无线帧S1,无线帧S1包括STA#A在第一时刻之前发送的无线帧的传输信息。
相应地,AP接收STA#A在第一时刻发送的无线帧S1。
具体而言,STA#A在第一时刻发送无线帧S1时,STA#A在第一时刻之前已向AP发送一个或者多个无线帧,但是该一个或者多个无线帧由于无线帧的冲突而发送失败(可以参见图6),AP无法获取到上述的一个或者多个无线帧的里面所包括的传输信息。
因此,STA#A可以通过在第一时刻发送的无线帧S1的里面携带STA#A在第一时刻之前发送的无线帧的传输信息,从而使得AP基于无线帧S1就可以获取到STA#A在第一时刻之前发送的无线帧的传输信息。
一个可能的实现方式,传输信息可以包括以下至少一项:
动作信息、时间信息,或者,动作的特征信息。
通过上报上述的一项或者多项信息,AP可以基于这些上报的信息进行神经网络数据的学习与更新,并将其学习与更新后的神经网络数据下发给站点,站点可以基于AP下发的神经网络数据调整或者保持动作,从而可以降低无线帧丢失的频率,进而可以向AP上报更为丰富的用于神经网络训练的数据。
一个可能的实现方式,动作可以包括以下至少一项:
信道接入(channel access)、速率自适应、信道绑定(channel bonding),或者,信道聚合(channel aggregation)。
在本申请实施例中,为便于描述,本申请实施例以动作为信道接入与速率自适应为例进行说明,但不限定本申请实施例揭示的技术方案在其他动作中的应用。
具体地,动作信息用于指示无线帧隐含的动作。其中,动作信息可以指示无线帧隐含的一个动作,也可以指示无线帧隐含的多个动作。例如,无线帧Y1隐含的动作可以包括信道接入,可以包括信道接入与速率自适应,也可以包括信道接入、速率选择与功率控制,等等,本申请实施例不限定。时间信息用于指示动作的发生时间。在本申请实施例中,动作信息与时间信息可以相互关联。例如,动作信息用于指示时间信息的具体动作,时间信息用于指示动作的发生时间。
另外,动作的特征信息用于指示动作的特征。例如,动作为信道接入时,其特征信息包括接入信道时长,其可以使用IEEE 802.11协议中的传输机会(transmissionopportunity,TXOP)进行指示。动作为速率自适应时,其特征信息包括具体的速率值。动作为信道聚合时,其特征信息包括具体的带宽数值,等等。
通过向AP上报更为丰富的关于动作的信息,AP可以基于站点上报的这些信息确定更为合适的神经网络数据,站点可以基于AP下发的神经网络数据调整或者保持动作,从而可以降低无线帧丢失的频率,进而可以向AP上报更为丰富的用于神经网络训练的数据。
更为具体地,通过向AP上报更为丰富的关于信道接入动作的信息,AP可以基于站点上报的这些信息确定更为合适的神经网络数据,站点可以基于AP下发的神经网络数据调整或者保持信道接入动作,从而可以降低因信道接入不合理而导致无线帧丢失的频率,进而可以向AP上报更为丰富的用于神经网络训练的数据。
示例性地,传输信息可以采用表格的形式进行指示。具体可以参看表1~表4。
表1
表1中,aA,1表示STA#A的动作m1。aA,2表示STA#A的动作m2。其中,“…”表示未显示的其他信息。由表1可以看出,传输信息包括动作信息。
表2
/>
表2中,表示在时刻t-1,STA#A的动作为m1。/>表示动作m1发生的相对时间。T(t-1)表示动作m1发生的绝对时间。/>表示在时刻t-2,STA#A的动作为m2。/>表示动作m2发生的相对时间。T(t-2)表示动作m2发生的绝对时间。其中,“…”表示未显示的其他信息。
举例来说,STA#A的动作m1发生在9:15分,则9:15分是动作m1的绝对时间;动作m1发生在第一时刻之前的20分钟,则20分钟是动作m1的相对时间。由表2可以看出,传输信息包括动作信息与时间信息。或者说,绝对时间是指隐含动作m1的无线帧的发送时间,相对时间是指隐含动作m1的无线帧的发送时间与第一时刻之间的间隔时间。
表3
表3中,表示信道接入发生的相对时间,T(t-1)表示信道接入发生的绝对时间,5s是指信道接入的接入信道时长。/>表示信道接入发生的相对时间,T(t-2)表示信道接入发生的绝对时间,1s是指信道接入的接入信道时长。/>表示速率自适应发生的相对时间。T(t-3)表示速率自适应发生的绝对时间,30000b/s是指速率自适应的速率值。其中,“…”表示未显示的其他信息。由表3可以看出,传输信息包括动作信息、时间信息以及动作的特征信息。
一个可能的实现方式,传输信息还可以包括回报值。具体可以参看表4。
表4
表4中,表示STA#A的动作m1的回报值。/>表示STA#A的动作m2的回报值。其中,该回报值是STA#A自行确定的,其用于辅助AP得到神经网络数据。
应理解,上述的表1~表4均作为示例性理解,并不作为最终的限定。例如,基于表1~表4的变型均应纳入本申请实施例揭示的技术方案的内容。
S720、AP向STA#A发送神经网络数据,该神经网络数据与该无线帧的传输信息有关。
相应地,STA#A接收来自AP的神经网络数据。
具体而言,AP基于STA#A发送的无线帧S1获取到STA#A在第一时刻之前发送的无线帧的传输信息之后,可以基于该无线帧的传输信息进行学习得到神经网络数据。
一个可能的实现方式,该神经网络数据包括以下至少一项:
神经网络参数或者神经网络训练数据。
具体地,AP向STA#A发送的神经网络数据包括神经网络参数时,STA#A可以基于该神经网络参数调整或者保持原来的动作。具体可以参看表5。
表5
结合图4可知,STA#A可以根据神经网络参数实现从环境观测St到动作At的映射。在接收AP下发的神经网络参数之前,在环境观测为St1,其决策的动作At是发起信道接入;在环境观测为St2,其决策的动作At是发起信道接入;在环境观测为St3,其决策的动作At是速率自适应A,但是上述的环境观测所决策的动作使得STA#A在第一时刻前发送的无线帧不能被AP接收。
在接收AP下发的神经网络参数之后,STA#A可以根据AP下发的神经网络参数实现环境观测St决策动作At的映射。例如,在相同或者类似的环境观测为St1时,其决策的动作At是发起信道接入;在相同或者类似的环境观测为St2时,其决策的动作At是不发起信道接入;在相同或者类似的环境观测为St3时,其决策的动作At是速率自适应B。
如此,STA#A能够根据AP下发的神经网络参数调整或者保持动作,从而能够降低无线帧丢失的频率,继而向AP上报更为丰富的用于神经网络训练的数据,帮助AP更好地完成神经网络数据(包括神经网络参数)的学习与更新。
具体地,AP向STA#A发送的神经网络数据包括神经网络训练数据时,STA#A可以基于该神经网络训练数据与该无线帧S1中的传输信息进行训练,并得到神经网络参数,从而基于学习得到的神经网络参数保持或者调整动作。具体可以参看表6。
在本申请实施例中,神经网络训练数据可以理解为回报值(reward),为便于描述,本申请实施例以回报值为例进行描述。其中,AP也需要基于STA#A上报的无线帧S1中的传输信息与该回报值进行训练,才能得到该神经网络参数。换言之,AP先基于STA#A上报的传输信息确定相应的回报值,并基于该回报值与传输信息进行训练,得到神经网络参数。在此做统一说明,后文不再赘述。
表6
由表6可知,AP对STA#A上报的无线帧的传输信息中的每个动作分别赋予不同的回报值。例如,T1时刻的信道接入的回报值为-100;T2时刻的信道接入的回报值为10;T3时刻的信道接入的回报值为500,速率自适应的回报值为-200。应理解,负值回报值表示AP对该动作的惩罚,正值回报值表示AP对该动作的奖励或者激励。
可以理解的是,上述的T1~T3时刻是在第一时刻之前或者可以包括第一时刻。STA#A可以根据该传输信息与AP下发的回报值进行训练,并得到相应的神经网络参数。
进一步地,STA#A可以基于自身学习得到的神经网络参数调整或者保持原来的动作。具体可以参看表7。
表7
在接收AP下发的回报值之前,在环境观测为St1,其决策的动作At是发起信道接入;在环境观测为St2,其决策的动作At是发起信道接入;在环境观测为St3,其决策的动作At是发起信道接入与速率自适应A,但是上述的环境观测所决策的动作使得STA#A在第一时刻前发送的无线帧不能被AP接收。
在接收AP下发的回报值之后,STA#A可以根据AP下发的回报值进行训练,得到神经网络参数,并基于该神经网络参数实现环境观测St决策动作At的映射。例如,在相同或者类似的环境观测为St1时,其决策的动作At是不发起信道接入;在相同或者类似的环境观测为St2时,其决策的动作At是发起信道接入;在相同或者类似的环境观测为St3时,其决策的动作At是发起信道接入与速率自适应B。
如此,STA#A根据AP下发的回报值进行训练,得到神经网络参数,实现调整或者保持动作,从而能够降低无线帧丢失的频率,进一步地,STA#A能够向AP上报更为丰富的用于神经网络训练的数据,帮助AP更好地完成神经网络数据(包括神经网络参数)的学习与更新。
通过在第一时刻发送的无线帧的里面携带在第一时刻之前发送的无线帧的传输信息,AP可以获取站点在第一时刻之前发送的无线帧的传输信息,并可以基于该无线帧的传输信息进行学习得到神经网络数据,并下发该神经网络数据,如此,AP可以通过该神经网络数据帮助第一站点降低无线帧丢失的频率,还可以在降低无线帧丢失的频率之后,获取更为丰富的用于神经网络训练的数据,更好地完成神经网络数据(包括神经网络参数)的学习与更新。
一个可能的实现方式,STA#A在第一时刻之前发送的无线帧包括STA#A连续发送的多个无线帧。如此,当多个无线帧隐含的动作相同时,STA#A可以在无线帧S1中可以通过仅指示一个无线帧隐含的动作来指示剩余的多个无线帧隐含的动作,如此,可以节约信令开销。
一个可能的实现方式,AP向STA#A下发的神经网络数据是AP根据上述的无线帧的传输信息与STA#B发送的无线帧的传输信息确定的。
具体来说,AP也接收到来自STA#B发送的无线帧S2,该无线帧S2包括STA#B发送的无线帧的传输信息。其中,STA#B发送的无线帧S2的时刻可以为第一时刻,也可以早于第一时刻,也可以晚于第一时刻,本申请实施例不限定。
可选地,STA#B发送的无线帧的包括STA#B在第一时刻之前发送的无线帧。
可选地,STA#B在第一时刻之前发送的无线帧可以理解为STA#B在第一时刻之前发送失败的无线帧,也可以理解为STA#B在第一时刻之前发送成功的无线帧,本申请实施例不限定。为便于描述,本申请实施例以STA#B在第一时刻之前发送失败的无线帧为例进行描述。具体可以见图8。
图8是本申请实施例的信息传输的方法800的交互流程图。图8中的方法流程可以由STA/AP执行,或者由安装于STA/AP中的具有相应功能的模块和/或器件(例如,芯片或集成电路等)执行,本申请实施例不限定。下文以STA/AP为例进行说明。如图8所示,方法800包括:
S810、STA#A在第一时刻发送无线帧S1,无线帧S1包括STA#A在第一时刻发送的无线帧的传输信息;STA#B发送无线帧S2,无线帧S2包括STA#B发送的无线帧的传输信息。
相应地,AP接收来自STA#A的无线帧S1与来自STA#B的无线帧S2。
具体描述可以参看前述的S710,在此不再赘述。
S820、AP根据无线帧S1包括的无线帧的传输信息与无线帧S2包括的无线帧的传输信息确定神经网络数据。
应理解,上述的神经网络数据是AP为STA#A进行训练的。
可选地,AP也可以根据无线帧S1包括的无线帧的传输信息与无线帧S2包括的无线帧的传输信息确定为STA#B训练的神经网络数据。
其中,AP根据无线帧S1包括的无线帧的传输信息与无线帧S2包括的无线帧的传输信息确定神经网络数据的大致过程可以参看表8。
表8
由表8可知,在T1时刻,STA#A与STA#B均发起信道接入;在T2时刻,STA#A与STA#B均发起信道接入;在T3时刻,STA#A发起信道接入与速率自适应;在T4时刻,STA#A与STA#B均发起速率自适应。其中,AP可以综合表8为STA#A与STA#B各自的动作的回报值赋予不同的数值。具体可以参看表9。
表9
由表9可知,AP为STA#A在T1时刻的信道接入的回报值赋值-100,AP为STA#B在T1时刻的信道接入的回报值赋值-500。AP为STA#A在T2时刻的信道接入的回报值赋值-100,AP为STA#B在T2时刻的信道接入的回报值赋值10。AP为STA#A在T3时刻的信道接入的回报值赋值100,为STA#A在T3时刻的速率自适应的回报值赋值-100。AP为STA#A在T4时刻的速率自适应的回报值赋值400,AP为STA#B在T4时刻的速率自适应的回报值赋值-500。
其中,AP为STA#A在T3时刻的信道接入的回报值赋值正100的原因是STA#B在T3时刻没有发起信道接入,AP可以认为STA#A在T3时刻的无线帧丢失是由于本身链路/信道条件不稳定而导致的,而非由信道接入冲突导致的,因此AP可以为STA#A在T3时刻的信道接入的回报值赋予正值,且为T3时刻的速率自适应的回报值赋予负值。
S830、AP向STA#A发送神经网络数据。
相应地,STA#A接收来自AP下发的神经网络数据。
具体描述可以参看S720,在此不再赘述。
通过上述技术方案,本申请实施例可以使得AP综合其他STA上报的无线帧的传输信息为STA#A确定更为合理的神经网络数据,从而去指导或者协调STA#A的动作,从而降低无线帧丢失的频率,进一步地,其可以在降低无线帧丢失的频率之后,获取更为丰富的训练数据,更好地完成神经网络数据(包括神经网络参数)的学习与更新。
需要说明的是,在本申请实施例中,涉及神经网络参数的训练部分的内容可以参看现有的神经网络参数的训练方法,本申请不再赘述。
以上描述了本申请实施例的方法实施例,下面对相应的装置实施例进行介绍。
图9是本申请实施例的通信装置900的示意图。通信装置900包括处理器901与通信接口903。可选地,通信装置900还可以包括存储器902与总线904。其中,处理器901、存储器902和通信接口903通过总线904相互连接。应理解,图9所示的通信装置900可以是接入点,也可以是站点。
存储器902包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmableread only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器902用于相关指令及数据。
处理器901可以是一个或多个中央处理器(central processing unit,CPU),在处理器901是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
当通信装置900是接入点时,该通信装置中的处理器901用于读取该存储器902中存储的程序代码,执行以下操作:
通过所述通信接口接收站点发送的无线帧S1,无线帧S1包括STA#A在第一时刻之前发送的无线帧的传输信息;
通过所述通信接口向站点发送神经网络数据,该神经网络数据与该无线帧的传输信息有关。
具体内容可以参见上述的方法实施例的描述,在此不再赘述。
当通信装置900是站点时,该通信装置中的处理器901用于读取该存储器902中存储的程序代码,执行以下操作:
通过所述通信接口发送无线帧S1,无线帧S1包括STA#A在第一时刻之前发送的无线帧的传输信息;
通过所述通信接口接收接入点发送的神经网络数据,该神经网络数据与该无线帧的传输信息有关。
具体内容可以参见上述的方法实施例的描述,在此不再赘述。
另外,图9中的各个操作的实现还可以对应参照图7或图8所示的方法实施例的相应描述。
图10是本申请实施例的通信装置1000的示意图,通信装置1000应用与接入点,也可以应用于站点,可以用于实现上述的方法实施例。通信装置1000包括收发单元1001。下面对该收发单元1001进行介绍。
当通信装置1000是接入点时,收发单元1001用于接收站点发送的无线帧S1,无线帧S1包括STA#A在第一时刻之前发送的无线帧的传输信息;收发单元1001还用于向站点发送神经网络数据,该神经网络数据与该无线帧的传输信息有关。
可选地,通信装置1000还可以包括处理单元1002,处理单元1002用于执行在上述方法实施例中涉及决策、判断等动作。例如,接入点确定神经网络数据等。
当通信装置1000是站点时,收发单元1001用于向接入点发送无线帧S1,无线帧S1包括STA#A在第一时刻之前发送的无线帧的传输信息;收发单元1001还用于接收来自接入点的神经网络数据,该神经网络数据与该无线帧的传输信息有关。
可选地,通信装置1000还可以包括处理单元1002,处理单元1002用于执行在上述方法实施例中涉及决策、判断等动作。例如,站点根据接入点下发的神经网络训练数据确定神经网络参数等。
另外,图10中的各个操作的实现还可以对应参照上述实施例所示的方法相应描述,在此不再赘述。
图11是本申请实施例的通信装置1100的示意图。通信装置1100应用与接入点,也可以应用于站点,可以用于实现上述的方法实施例。通信装置1100包括中央处理器、媒体介入控制(media access control,MAC)单元、收发机、天线以及神经网络处理单元(neuralnetwork processing unit,NPU)。
其中,NPU包括推理模块。可选地,NPU还可以包括训练模块。其中,训练模块的输入为前述的神经网络训练数据,训练模块的输出为神经网络参数。训练模块将其训练好的神经网络参数会反馈给推理模块。另外,NPU可以作用到网络节点的各个其他模块,包括中央处理器、MAC单元、收发机和天线。NPU可以作用到各个模块的决策类任务,例如和收发机交互,决策收发机的开关用于节能,例如与天线交互,控制天线的朝向,例如与MAC单元交互,控制信道接入,信道选择和空间复用决策等。对于计算受限的节点,训练模块是可选地。
本申请实施例还提供了一种芯片,包括处理器,用于从存储器中调用并运行所述存储器中存储的指令,使得安装有所述芯片的通信设备执行上述各示例中的方法。
本申请实施例还提供另一种芯片,包括:输入接口、输出接口、处理器和存储器,所述输入接口、输出接口、所述处理器以及所述存储器之间通过内部连接通路相连,所述处理器用于执行所述存储器中的代码,当所述代码被执行时,所述处理器用于执行上述各示例中的方法。
本申请实施例还提供了一种处理器,用于与存储器耦合,用于执行上述各实施例中任一实施例中涉及卫星或用户设备的方法和功能。
在本申请的另一实施例中提供一种计算机程序产品,当该计算机程序产品在计算机上运行时,前述实施例的方法得以实现。
在本申请的另一实施例中提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被计算机执行时实现前述实施例所述的方法。
在本申请实施例的描述中,除非另有说明,"多个"是指两个或多于两个。"以下至少一项(个)"或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。同时,在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。
本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用"示例性的"或者"例如"等词旨在以具体方式呈现相关概念,便于理解。
在本申请实施例的描述中,除非另有说明,“/”表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。
因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
可以理解,说明书通篇中提到的“实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。
因此,在整个说明书各个实施例未必指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。可以理解,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (32)
1.一种信息传输的方法,其特征在于,包括:
第一站点在第一时刻发送第一无线帧,所述第一无线帧包括所述第一站点在所述第一时刻之前发送的无线帧的传输信息;
所述第一站点接收来自接入点的神经网络数据,所述神经网络数据与所述无线帧的传输信息有关。
2.根据权利要求1所述的方法,其特征在于,所述传输信息包括以下至少一项:
动作信息,时间信息,或者,动作的特征信息。
3.根据权利要求2所述的方法,其特征在于,所述动作包括以下至少一项:
信道接入,速率自适应,信道绑定,或者,信道聚合。
4.根据权利要求3所述的方法,其特征在于,所述动作包括所述信道接入时,所述特征信息包括接入信道时长。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述神经网络数据包括以下至少一项:
神经网络参数或者神经网络训练数据。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述第一站点在所述第一时刻之前发送的无线帧包括所述第一站点连续发送的多个无线帧。
7.根据权利要求5或6所述的方法,其特征在于,所述神经网络训练数据是所述接入点根据所述无线帧的传输信息与第二站点发送的无线帧的传输信息确定的。
8.一种信息传输的方法,其特征在于,包括:
接入点接收第一站点在第一时刻发送的第一无线帧,所述第一无线帧包括所述第一站点在所述第一时刻之前发送的无线帧的传输信息;
所述接入点向所述第一站点发送神经网络数据,所述神经网络数据与所述无线帧的传输信息有关。
9.根据权利要求8所述的方法,其特征在于,所述传输信息包括以下至少一项:
动作信息,时间信息,或者,动作的特征信息。
10.根据权利要求9所述的方法,其特征在于,所述动作包括以下至少一项:
信道接入,速率自适应,信道绑定,或者,信道聚合。
11.根据权利要求10所述的方法,其特征在于,所述动作包括所述信道接入时,所述特征信息包括接入信道时长。
12.根据权利要求8至11中任一项所述的方法,其特征在于,所述神经网络数据包括以下至少一项:
神经网络参数或者神经网络训练数据。
13.根据权利要求8至12中任一项所述的方法,其特征在于,所述第一站点在所述第一时刻之前发送的无线帧包括所述第一站点连续发送的多个无线帧。
14.根据权利要求12或13所述的方法,其特征在于,所述神经网络训练数据是所述接入点根据所述无线帧的传输信息与第二站点发送的无线帧的传输信息确定的。
15.一种通信装置,其特征在于,包括:
收发单元,用于在第一时刻发送第一无线帧,所述第一无线帧包括所述通信装置在所述第一时刻之前发送的无线帧的传输信息;
所述收发单元,还用于接收来自接入点的神经网络数据,所述神经网络数据与所述无线帧的传输信息有关。
16.根据权利要求15所述的通信装置,其特征在于,所述传输信息包括以下至少一项:
动作信息,时间信息,或者,动作的特征信息。
17.根据权利要求16所述的通信装置,其特征在于,所述动作包括以下至少一项:
信道接入,速率自适应,信道绑定,或者,信道聚合。
18.根据权利要求17所述的通信装置,其特征在于,所述动作包括所述信道接入时,所述特征信息包括接入信道时长。
19.根据权利要求15至18中任一项所述的通信装置,其特征在于,所述神经网络数据包括以下至少一项:
神经网络参数或者神经网络训练数据。
20.根据权利要求15至19中任一项所述的通信装置,其特征在于,所述通信装置在所述第一时刻之前发送的无线帧包括所述通信装置连续发送的多个无线帧。
21.根据权利要求19或20所述的通信装置,其特征在于,所述神经网络训练数据是所述接入点根据所述无线帧的传输信息与第二站点发送的无线帧的传输信息确定的。
22.一种通信装置,其特征在于,包括:
收发单元,用于接收第一站点在第一时刻发送的第一无线帧,所述第一无线帧包括所述第一站点在所述第一时刻之前发送的无线帧的传输信息;
所述收发单元,用于向所述第一站点发送神经网络数据,所述神经网络数据与所述无线帧的传输信息有关。
23.根据权利要求22所述的通信装置,其特征在于,所述传输信息包括以下至少一项:
动作信息,时间信息,或者,动作的特征信息。
24.根据权利要求23所述的通信装置,其特征在于,所述动作包括以下至少一项:
信道接入,速率自适应,信道绑定,或者,信道聚合。
25.根据权利要求24所述的通信装置,其特征在于,所述动作包括所述信道接入时,所述特征信息包括接入信道时长。
26.根据权利要求22至25中任一项所述的通信装置,其特征在于,所述神经网络数据包括以下至少一项:
神经网络参数或者神经网络训练数据。
27.根据权利要求22至26中任一项所述的通信装置,其特征在于,所述第一站点在所述第一时刻之前发送的无线帧包括所述第一站点连续发送的多个无线帧。
28.根据权利要求26或27所述的通信装置,其特征在于,所述神经网络训练数据是所述通信装置根据所述无线帧的传输信息与第二站点发送的无线帧的传输信息确定的。
29.一种通信装置,其特征在于,包括处理器,所述处理器与存储器耦合,所述处理器用于执行计算机程序或指令,使得所述通信装置执行权利要求1-14中任一项所述的方法。
30.一种通信装置,其特征在于,包括逻辑电路和输入输出接口,所述逻辑电路用于执行计算机程序或指令,使得所述通信装置执行权利要求1-14中任一项所述的方法。
31.一种计算机可读存储介质,其特征在于,包括计算机程序或指令,当所述计算机程序或所述指令在计算机上运行时,使得所述计算机执行权利要求1-14中任意一项所述的方法。
32.一种计算机程序产品,其特征在于,包含指令,当所述指令在计算机上运行时,使得所述计算机执行权利要求1-14中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867601.7A CN117479182A (zh) | 2022-07-22 | 2022-07-22 | 信息传输的方法与通信装置 |
PCT/CN2023/103288 WO2024016974A1 (zh) | 2022-07-22 | 2023-06-28 | 信息传输的方法与通信装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867601.7A CN117479182A (zh) | 2022-07-22 | 2022-07-22 | 信息传输的方法与通信装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117479182A true CN117479182A (zh) | 2024-01-30 |
Family
ID=89617021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210867601.7A Pending CN117479182A (zh) | 2022-07-22 | 2022-07-22 | 信息传输的方法与通信装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117479182A (zh) |
WO (1) | WO2024016974A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106376093B (zh) * | 2015-07-24 | 2021-02-09 | 中兴通讯股份有限公司 | 一种避免数据碰撞的传输控制方法及装置 |
EP3883149A1 (en) * | 2020-03-20 | 2021-09-22 | Volkswagen Ag | Method, apparatus and computer program for predicting a future quality of service of a wireless communication link |
US11290977B1 (en) * | 2020-07-21 | 2022-03-29 | Amazon Technolgies, Inc. | System for localizing wireless transmitters with an autonomous mobile device |
CN114679355A (zh) * | 2020-12-24 | 2022-06-28 | 华为技术有限公司 | 通信方法和装置 |
CN114764610A (zh) * | 2021-01-15 | 2022-07-19 | 华为技术有限公司 | 一种基于神经网络的信道估计方法及通信装置 |
-
2022
- 2022-07-22 CN CN202210867601.7A patent/CN117479182A/zh active Pending
-
2023
- 2023-06-28 WO PCT/CN2023/103288 patent/WO2024016974A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024016974A1 (zh) | 2024-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110809306B (zh) | 一种基于深度强化学习的终端接入选择方法 | |
WO2022022334A1 (zh) | 基于人工智能的通信方法和通信装置 | |
US20230019669A1 (en) | Systems and methods for enhanced feedback for cascaded federated machine learning | |
CN109729528B (zh) | 一种基于多智能体深度强化学习的d2d资源分配方法 | |
Zhou et al. | A deep-learning-based radio resource assignment technique for 5G ultra dense networks | |
CN109862610B (zh) | 一种基于深度强化学习ddpg算法的d2d用户资源分配方法 | |
Su et al. | Cooperative communications with relay selection based on deep reinforcement learning in wireless sensor networks | |
WO2021233053A1 (zh) | 计算卸载的方法和通信装置 | |
US20210326701A1 (en) | Architecture for machine learning (ml) assisted communications networks | |
US20210326695A1 (en) | Method and apparatus employing distributed sensing and deep learning for dynamic spectrum access and spectrum sharing | |
CN111967605A (zh) | 无线电接入网中的机器学习 | |
WO2023125660A1 (zh) | 一种通信方法及装置 | |
CN113115451A (zh) | 基于多智能体深度强化学习的干扰管理和资源分配方案 | |
Guo et al. | Radio resource management for C-V2X: From a hybrid centralized-distributed scheme to a distributed scheme | |
CN114268348A (zh) | 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法 | |
Iturria-Rivera et al. | Cooperate or not Cooperate: Transfer Learning with Multi-Armed Bandit for Spatial Reuse in Wi-Fi | |
CN115150847A (zh) | 模型处理的方法、通信装置和系统 | |
CN110505604B (zh) | 一种d2d通信系统接入频谱的方法 | |
CN116506918A (zh) | 一种基于缓存区预测的中继选择方法 | |
CN117479182A (zh) | 信息传输的方法与通信装置 | |
US20240155383A1 (en) | Reinforcement learning for son parameter optimization | |
Hassan et al. | Artificial intelligence techniques over the fifth generation (5G) mobile networks | |
CN114423070A (zh) | 一种基于d2d的异构无线网络功率分配方法及系统 | |
Ge et al. | Access point selection for WLANs with cognitive radio: A restless bandit approach | |
CN109219101B (zh) | 无线体域网中基于二次移动平均预测法的路由建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |