CN117614569A - 用于基于学习的信道矩阵预测的方法和装置 - Google Patents

用于基于学习的信道矩阵预测的方法和装置 Download PDF

Info

Publication number
CN117614569A
CN117614569A CN202310756654.6A CN202310756654A CN117614569A CN 117614569 A CN117614569 A CN 117614569A CN 202310756654 A CN202310756654 A CN 202310756654A CN 117614569 A CN117614569 A CN 117614569A
Authority
CN
China
Prior art keywords
channel
matrices
sequence
channel matrix
matrix
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
CN202310756654.6A
Other languages
English (en)
Inventor
权赫准
穆罕默德·马哈茂德
费德里科·佩纳
周衍霖
雷米·E·阿里
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics 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
Priority claimed from US18/091,641 external-priority patent/US20240063852A1/en
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN117614569A publication Critical patent/CN117614569A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • 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
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

公开了一种用于基于学习的信道矩阵预测的方法和装置。提供了使用在时隙处从基站(BS)接收的参考信号来估计所述时隙处的信道矩阵的方法和装置。使用估计的信道矩阵作为基于已知的过去信道矩阵集合和未来信道矩阵集合训练的神经网络(NN)的输入来估计未来时隙处的信道矩阵的序列。使用来自信道矩阵的序列的至少一个信道矩阵来确定参数。

Description

用于基于学习的信道矩阵预测的方法和装置
相关申请的交叉引用
本申请要求于2022年8月22日提交的申请号为63/399,856的美国临时申请以及于2022年12月30日提交的申请号为18/091,641的美国临时申请的优先权权益，其公开内容通过引用整体并入本文，如同在本文中完全阐述一样。
技术领域
本公开总体涉及根据参考信号的信道矩阵估计。更具体地，本文公开的主题涉及通过应用机器学习(ML)技术对预测未来时隙处的信道矩阵的改进。
背景技术
在诸如第五代(5G)新无线电(NR)的蜂窝系统中，当在频域双工(FDD)模式下操作时，基站(BS)(NR中的gNodeB(gNB))可以基于由用户设备(UE)报告的信道状态信息(CSI)来应用预编码矩阵。具体地，在NR中，CSI报告可以包括CSI参数，例如，标识预定义码本内的预编码矩阵的预编码矩阵指示符(PMI)。
UE基于测量的信道状况来确定CSI参数。例如，UE可以执行估计信道矩阵(H)的奇异值分解(SVD)并且从预定义码本中选择与和信道矩阵H的奇异向量最近似的预编码矩阵对应的PMI。
信道矩阵H通常根据参考信号估计，例如，NR中的CSI参考信号(CSI-RS)，其由gNB以周期性方式发送。在NR中，各个CSI-RS可以分隔开设定的时隙间隔。CSI-RS的可能周期可以包括5、10或20个时隙。
在从UE接收到CSI报告时，gNB可以基于该报告来应用预编码矩阵。
上述方法的一个问题是上述CSI报告框架涉及UE估计信道矩阵H的时间与gNB应用预编码矩阵的时间之间的不可避免的延迟。该延迟导致过时的CSI，并且因此导致次优的预编码选择。当信道快速变化(例如，具有高多普勒频率)时，以及当CSI-RS不被频繁地发送(例如，具有长周期)时，过时的CSI问题更严重。
用于选择预编码矩阵和/或其他CSI参数的基于学习的信道预测可以使用整个信道矩阵作为神经网络(NN)的输入和输出。然而，通常不考虑与不完整历史的使用相关的问题。
即使当考虑与不完整历史的使用相关的问题时，常规算法也仅考虑单个过去CSI-RS观察。也就是说，这样的算法估计CSI-RS周期内的所有时隙中的信道矩阵，然后利用估计值来获得后续CSI-RS周期中的所有时隙的估计。因此，这些常规方法仍然对误差传播问题敏感，并且因此不是足够鲁棒的。
发明内容
为了克服这些问题，本文描述了通过ML技术预测未来时隙处的信道矩阵来缓解过时CSI问题的系统和方法。
上述方法改进了先前的方法，因为上述方法通过以特定周期将过去的观察(例如，来自多个CSI-RS时隙的信道矩阵估计)作为输入来预测未来的信道矩阵，并且提供了低复杂度的解决方案，其中信道矩阵预测是逐元素执行的，而不是使用整个信道矩阵作为输入和输出。
在实施例中，一种方法包括由UE使用在时隙处从BS接收的参考信号来估计所述时隙处的信道矩阵。UE使用估计的信道矩阵作为基于已知的过去信道矩阵集合和未来信道矩阵集合训练的NN的输入来预测未来时隙处的信道矩阵的序列。UE使用来自信道矩阵的序列的至少一个信道矩阵来确定参数。
在实施例中，一种UE包括处理器和存储指令的非暂态计算机可读存储介质。当指令被执行时，指令使处理器使用在时隙处从BS接收的参考信号来估计所述时隙处的信道矩阵。指令还使处理器使用估计的信道矩阵作为基于已知的过去信道矩阵集合和未来信道矩阵集合训练的NN的输入来预测未来时隙处的信道矩阵的序列。指令还使处理器使用来自信道矩阵的序列的至少一个信道矩阵来确定参数。
在实施例中，一种系统包括UE，被配置为接收参考信号，使用参考信号估计时隙处的信道矩阵，使用估计的信道矩阵作为基于已知的过去信道矩阵集合和未来信道矩阵集合训练的NN的输入来预测未来时隙处的信道矩阵的序列，使用来自信道矩阵的序列的至少一个信道矩阵来确定参数，以及发送所述参数。该系统还包括BS，被配置为在时隙处向UE发送参考信号，并从UE接收所述参数。
附图说明
在以下部分中，将参考附图中所示的示例性实施例来描述本文公开的主题的各方面，其中：
图1是示出根据实施例的通信系统的示图；
图2是示出根据实施例的信道矩阵预测的示图；
图3是示出根据实施例的图2的NN的示图；
图4是示出根据实施例的用于信道预测和参数选择的方法的流程图；
图5是示出根据实施例的没有插值的一维NN输入的示图；
图6是示出根据实施例的没有插值的二维NN输入的示图；
图7是示出根据实施例的具有插值的一维NN输入的示图；
图8是示出根据实施例的具有插值的二维NN输入的示图；以及
图9是根据实施例的网络环境中的电子设备的框图。
具体实施方式
在以下详细描述中，阐述了许多具体细节以便提供对本公开的透彻理解。然而，本领域技术人员将理解，可以在没有这些具体细节的情况下实践所公开的方面。在其他实例中，没有详细描述公知的方法、过程、组件和电路，以免模糊本文公开的主题。
贯穿本说明书对“一个实施例”或“实施例”的引用意味着结合该实施例描述的特定特征、结构或特性可以包括在本文公开的至少一个实施例中。因此，贯穿本说明书在各个地方出现的短语“在一个实施例中”或“在实施例中”或“根据一个实施例”(或具有类似含义的其他短语)可能不一定都指代相同的实施例。此外，特定特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。在这方面，如本文所使用的，词语“示例性”意味着“用作示例、实例或说明”。本文描述为“示例性”的任何实施例不应被解释为必须比其他实施例优选或有利。此外，取决于本文讨论的上下文，单数术语可以包括相应的复数形式，并且复数术语可以包括相应的单数形式。类似地，连字符术语(例如，“二-维”、“预-定”、“像素-特定”等)可以偶尔与对应的非连字符版本(例如，“二维”、“预定”、“像素特定”等)互换使用。这种偶尔的可互换使用不应被认为彼此不一致。
还应注意，本文示出和讨论的各种附图(包括组件图)仅用于说明目的，并且未按比例绘制。例如，为了清楚起见，一些元件的尺寸可能相对于其他元件被放大。此外，如果认为适当，则在附图中重复附图标记以指示对应和/或类似的元件。
本文使用的术语仅用于描述一些示例实施例的目的，并不旨在限制所要求保护的主题。如本文所使用的，单数形式旨在也包括复数形式，除非上下文另有明确说明。将进一步理解，术语“包括”和/或“包含”当在本说明书中被使用时指定所述特征、整数、步骤、操作、元件和/或组件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组合的存在或添加。
应当理解，当元件或层被称为在另一元件或层上、“连接到”或“耦接到”另一元件或层时，它可以直接在另一元件或层上、直接连接或耦接到另一元件或层，或者可以存在中间元件或层。相反，当元件被称为“直接在”另一元件或层“上”、“直接连接到”或“直接耦接到”另一元件或层时，不存在中间元件或层。相同的附图标记始终指代相同的元件。如本文所使用的，术语“和/或”包括一个或多个相关联的所列项目的任一个和所有组合。
如本文所使用的，术语“第一”、“第二”等用作它们之后的名词的标签，并且不暗示任何类型的排序(例如，空间、时间、逻辑等)，除非如此明确定义。此外，可以跨两个或更多个附图使用相同的附图标记来指代具有相同或相似功能的部分、组件、块、电路、单元或模块。然而，这种使用仅是为了简化说明和便于讨论；这并不意味着这样的组件或单元的构造或架构细节在所有实施例中是相同的，或者这样的共同引用的部分/模块是实现本文公开的一些示例实施例的唯一方式。
除非另有定义，否则本文使用的所有术语(包括技术和科学术语)具有与本主题所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解，诸如在常用词典中定义的那些术语应被解释为具有与其在相关领域的上下文中的含义一致的含义，并且将不以理想化或过度正式的意义解释，除非在本文中明确地如此定义。
如本文所使用的，术语“模块”是指被配置为提供本文结合模块描述的功能的软件、固件和/或硬件的任何组合。例如，软件可以被实现为软件包、代码和/或指令集或指令，并且如在本文描述的任何实施方式中使用的术语“硬件”可以例如单独地或以任何组合形式包括装配件、硬连线电路、可编程电路、状态机电路和/或存储由可编程电路执行的指令的固件。模块可以共同地或单独地被实现为形成较大系统的一部分的电路，例如但不限于集成电路(IC)、片上系统(SoC)、装配件等。
图1是示出根据实施例的通信系统的示图。在图1所示的架构中，控制路径102可以使得能够通过在gNB 104、第一UE 106和第二UE 108之间建立的网络来传输控制信息。数据路径110可以使得能够在第一UE 106和第二UE 108之间的旁路(SL)上传输数据(和一些控制信息)。控制路径102和数据路径110可以在相同的频率上或者可以在不同的频率上。
在无线通信系统(例如，5G NR)中，gNB 104可以以T个时隙为周期向第一UE 106和/或第二UE 108发送用于CSI估计的参考信号(例如，CSI-RS)。由第一UE 106和/或第二UE 108在某个时隙t处并且针对某个子载波估计的未预编码下行链路(DL)信道被表示为其中NR、NT分别是接收天线(在UE处)的数量和发送天线(在gNB处)的数量，并且数学符号指示A是具有维度a×b的复数矩阵。
根据实施例，提供了一种基于ML的方法，用于UE在给定N个过去时隙处的估计的信道矩阵的序列的情况下预测K个未来时隙处的信道矩阵的序列。预测的信道矩阵可以用于提高由UE向BS(或gNB)发送的CSI参数反馈(例如，预编码矩阵或PMI)的准确性。
图2是示出根据实施例的信道矩阵预测的示图。提供了一种应用信道矩阵的逐元素预测的方法。具体地，分别对每个发送/接收(Tx/Rx)天线和子载波执行预测。这导致相对低的复杂度，因为与信道系数的完整矩阵相反，NN接收N个复数作为输入202并且提供K个复数的输出204。图2示出了N＝3且K＝2的实施例。
来自CSI-RS时隙的N个过去信道观察的序列可以在调制解调器处可用(例如，调制解调器将N个估计的信道矩阵存储在缓冲器中)。{Ht,Ht-T,…,Ht-(N-1)T}表示过去时隙处的估计的信道矩阵的序列，其中，t是当前时隙索引，N是用作预测输入的过去时隙的数量，并且T是过去信道测量和CSI-RS传输的周期。如图2中所示，*Ht,Ht-T,Ht-2T}被提供作为NN的输入202。
过去的观察或信道测量不是在每个时隙处可用，而是仅在具有周期T的某些时隙处可用。这是由于以下事实导致：在5G NR系统中，未预编码信道只能由UE在gNB发送CSI-RS的时隙中测量。CSI-RS周期的典型值可以是T＝5、T＝10或T＝20个时隙。换句话说，根据实施例，利用过去观察的不完整历史来训练用于信道预测的NN，而常规预测方法通常假设完整的历史。
未来时隙处的信道矩阵的序列由*Ht+D+1,Ht+D+2,…,Ht+D+K}表示，其中t是当前时隙索引，K是被考虑用于信道预测的未来时隙的数量，并且D是固定延迟(以时隙为单位)，其考虑由UE报告PMI与由gNB应用预编码器之间的时间。例如，可以存在D＝10个时隙的固定延迟。如图2所示，NN提供{Ht+D+1,Ht+D+2}作为输出204。
在执行预测之后，UE可以利用预测的信道矩阵的序列{Ht+D+1,Ht+D+2,…,Ht+D+K}来确定CSI参数。例如，预测的信道矩阵的序列可以用于确定预编码矩阵并向gNB报告相应的索引(例如，PMI)。然而，CSI参数还可以是秩指示符(RI)或信道质量指示符(CQI)。特定PMI选择算法可以取决于系统配置(例如，隐式或显式反馈、码本类型、量化/压缩选项等)。例如，可以对最后预测的信道矩阵(即，Ht+D+K)执行SVD，并且可以由UE选择最接近Ht+D+K的右奇异向量的PMI。
期望gNB在多个未来时隙期间基于UE的PMI报告来应用预编码矩阵。出于这个原因，考虑未来(预测的)信道矩阵的PMI报告可能比基于当前测量的信道矩阵的PMI报告更准确。
与常规PMI选择(没有信道矩阵预测)相比，本公开中描述的操作示出了高达1.9分贝(dB)的增益(根据信噪比(SNR)差以10％块错误率(BLER)测量的)，同时具有比常规方法更低的复杂度。
不同类型的NN可以用于信道预测，例如多层感知器(MLP)NN、递归神经网络(RNN)、长短期记忆(LSTM)网络、时间卷积网络(TCN)和变换器NN。
图3是示出根据实施例的图2的NN的示图。{Ht,Ht-T,Ht-2T}被示出为NN 302的三个复数输入N，并且{Ht+D+1,Ht+D+2}被示出为NN 302的两个复数输出K。图3的NN 302被示出为具有三个输入节点304、四个隐藏节点306和两个输出节点308。然而，该实施例是出于说明性目的而提供的，并且不限制网络结构(例如，架构、隐藏层的数量、节点的数量等)。
图3中报告的输入和输出大小假设信道矩阵的逐元素处理(即，单独处理每个Tx/Rx天线和子载波)，由于低输入/输出大小(N个复数作为输入，K个复数作为输出)而导致低复杂度。N个复数可以作为2N个实数(N个实部和N个虚部)被输入到NN 302，并且K个复数可以作为2K个实数(K个实部和K个虚部)从NN 302输出。或者，可以仅使用具有N个输入和K个输出的实部或虚部来训练NN 302。当仅考虑时间维度时，NN 302可以不考虑频域和/或空间域中的信道相关性，NN 302可以学习并利用该信道相关性进行预测。
NN 302可以由数据集训练，该数据集包括N个过去估计的信道矩阵(例如，来自CSI-RS时隙)的序列以及通过计算机模拟或实验数据生成的K个未来信道矩阵的对应序列，以用作标签或基准真值。
NN训练可以针对不同的信道配置文件、多普勒频率、调制和编码方案(MCS)、SNR和其它系统参数离线地且单独地执行。通过训练过程，NN 302确定一组权重。当在信道矩阵预测中使用训练好的NN 302时，NN 302应用针对最接近于当前操作状况的系统参数学习的权重，以在给定过去信道序列作为输入的情况下预测未来信道序列。
图4是示出根据实施例的用于信道预测和参数选择的方法的流程图。在402处，使用接收到的RS来估计过去时隙处的信道矩阵。RS可以是用于CSI估计的CSI-RS，并且过去的时隙可以分隔开CSI间隔。可根据时隙处的参考信号来估计主信道矩阵，并且使用估计的主信道矩阵在所述时隙之间的时隙处插值次信道矩阵。估计的信道矩阵可以包括RS的过去时隙之间的时隙处的插值的信道矩阵，如下面参照图7和图8更详细地描述的。估计的信道矩阵可以包括在每个过去时隙处跨频带的信道矩阵，如下面参照图5和图6更详细地描述的。估计的信道矩阵可以存储在UE的缓冲器中。
在404处，使用估计的信道矩阵经由NN预测未来时隙处的信道矩阵的序列。信道矩阵可以作为对应的复数或对应复数的实部和虚部被输入到NN。信道矩阵的序列可以作为相应复数序列或相应复数序列的实部和虚部从NN输出。基于当前信道状况与用于训练NN的不同信道配置文件的比较，可以在NN中应用一个或多个权重。
在406处，使用来自信道矩阵的序列的至少一个信道矩阵来确定参数。在408处，将参数发送到BS。BS可以是gNB。未来时隙可以与当前时隙分隔开至少将参数发送到BS并在BS处应用参数所需的时间。
参数可以是PMI，并且可以以不同的方式从预测的信道矩阵的序列{Ht+D+1,Ht+D+2,…,Ht+D+K}中选择PMI。例如，可以使用最后预测的信道矩阵Ht+D+K(即，图3中的Ht+D+2)。根据该最后预测的信道矩阵，可以通过SVD或通过其他信号处理技术来确定预编码矩阵。此后，可以通过在码本(例如，类型I、类型II、类型II等)内选择最接近通过SVD获得的预编码矩阵的PMI来从该码本中选择对应的PMI。
在其他实施例中，预测的信道矩阵的整个序列{Ht+D+1,Ht+D+2,…,Ht+D+K}可以用于通过平均或其他技术来确定PMI。
可以增加NN的输入大小以包括PMI子带的多个子载波(以捕获频率相关性)和/或多个Tx/Rx天线(以捕获空间相关性)。
当仅考虑时间维度时，NN的输入/输出包括信道时间序列，并且对于每个Tx/Rx天线和每个子载波存在单独的处理，如上面关于图2和图3所述。
当考虑时间维度和频率维度两者时，NN的输入/输出包括用于多个频率分量(例如，子载波或PMI子带)的信道时间序列，并且对于每个Tx/Rx天线存在单独的处理。NN的输入是N×Nf个复数，NN的输出是K×Nf个复数，其中N是频率分量的数量。
当考虑时间维度、频率维度和空间维度时，NN的输入/输出包括用于多个子载波或PMI子带和多个Tx/Rx天线的信道时间序列。NN的输入是N×Nf×NR×NT个复数，NN的输出是K×Nf×NR×NT个复数。
如上所述，预测可以依赖于在CSI-RS时隙(具有周期T)中获得的可用信道测量。在可选实施例中，可以通过应用预处理来填充CSI-RS时隙之间的样本(例如，诸如时域最小均方误差(TD-MMSE)的插值技术)、应用非ML方法(例如，卡尔曼滤波器、自回归模型等)来估计丢失的样本、以及应用ML方法(例如，自回归集成移动平均(ARIMA)、轻梯度提升机(LightGBM)、极端梯度提升(XGBoost)等)来估计丢失的样本，减轻不完整的历史(即，CSI-RS时隙之间丢失的信道观察)的影响。
下面详细描述四种方法，其在输入维度(例如，时间与时间和频率)和输入样本(例如，具有插值或没有插值)方面不同。
图5是示出根据实施例的没有插值的一维NN输入的示图。具体地，仅考虑时间依赖性。如图5所示，NN的输入502包括时间维度上的三个信道矩阵，每个信道矩阵分割开CSI周期。NN的输出504包括两个信道矩阵。该方法类似于上面关于图2和图3描述的方法。
图6是示出根据实施例的没有插值的二维NN输入的示图。具体地，考虑时间依赖性和频率依赖性两者。提供滑动窗口操作以捕获输入特征与相邻子载波的相关性。为了预测给定子载波的信道，NN的输入602包括信道矩阵的第一窗口606。第一窗口在时间方向上包括三个信道矩阵(每个信道矩阵分隔开CSI周期)并且在频率方向上包括七个信道矩阵。频率方向上的七个信道矩阵以给定子载波为中心，其中上面和下面有三个子载波。NN的输出604包括两个信道矩阵610。
为了预测下一个子载波的信道，第二窗口608被用作NN的输入，其与第一窗口606的大小相同，但是在频率方向上向下移位，使得第一窗口606的信道矩阵的最顶部行被移除，并且信道矩阵的新行被添加作为第二窗口608的最底部行。因此，频率方向上的七个信道矩阵以下一个子载波为中心，其中上面和下面有三个子载波。当第二窗口608用作NN的输入时，输出两个信道矩阵612。虽然图6示出了在时间方向上具有三个信道矩阵的大小并且在频率方向上具有七个信道矩阵的大小的窗口，但是这仅用于说明性目的，并且实施例不限于所示的窗口大小。
图7是示出根据实施例的具有插值的一维NN输入的示图。图7类似于图5，除了CSI-RS时隙之间(例如，在CSI周期内)的样本可以通过TD-MMSE插值来恢复，例如，以减轻不完整的历史的影响。因此，图7的输入信道矩阵702包括图5的输入信道矩阵502以及输入信道矩阵502之间的插值的信道矩阵。NN的输出704包括两个信道矩阵。
图8是示出根据实施例的具有插值的二维NN输入的示图。图8类似于图6，但是CSI-RS时隙之间(例如，在CSI周期内)的样本可以通过TD-MMSE插值来恢复，例如，以减轻不完整的历史的影响。因此，对于每个相应的窗口，图8的输入信道矩阵802包括图6的输入信道矩阵602以及每个子载波行中的输入信道矩阵802之间的插值的信道矩阵。NN的输出804包括针对每个输入窗口的两个信道矩阵。虽然图8示出了在时间方向上具有三个信道矩阵的大小并且在频率方向上具有七个信道矩阵的大小的窗口，但是这仅用于说明性目的，并且实施例不限于所示的窗口大小。
可以在没有任何压缩/解压缩的情况下执行从调制解调器到神经处理单元(NPU)的样本传送，反之亦然。然而，在一些实施例中，下采样(例如，以2为因子)、基于矩阵的压缩和/或数据集蒸馏/提取可以应用于样本压缩(从调制解调器到NPU)和解压缩(从NPU到调制解调器)。
干扰可以随时间变化，使得当前时隙或过去时隙处的干扰可以与未来时隙处的干扰不同。因此，在将CSI-RS估计的信道作为输入提供给NN之前，可以将干扰白化应用于CSI-RS估计的信道。在其他实施例中，假设一些干扰是相似的并且基数是有限的，可以应用分层模型或混合模型，其中使用分类器来找到干扰图案。此后，可以通过在NN处使用对应的模型来减轻不同的干扰图案的影响。
可以基于若干参数(包括NN架构、多普勒频率、UE与gNB之间的反馈延迟等)来调整用于信道预测的未来时隙的数量(K)。
多个UE可以在联合学习框架中联合执行信道预测。在该场景中，UE可以与中央节点(例如，服务器或gNB)进行通信。
图9是根据实施例的网络环境中的电子设备的框图。
参考图9，网络环境900中的电子设备901可以经由第一网络998(例如，短距离无线通信网络)与电子设备902通信，或者经由第二网络999(例如，长距离无线通信网络)与电子设备904或服务器908通信。电子设备902可以被实现为上面关于图1至图8描述的UE，并且可以经由第二网络999与gNB通信。电子设备901可以经由服务器908与电子设备904通信。电子设备901可以包括处理器920、存储器930、输入设备950、声音输出设备955、显示设备960、音频模块970、传感器模块976、接口977、触觉模块979、相机模块980、电力管理模块988、电池989、通信模块990、用户识别模块(SIM)卡996或天线模块997。在一个实施例中，可以从电子设备901中省略组件中的至少一个(例如，显示设备960或相机模块980)，或者可以将一个或多个其他组件添加到电子设备901。一些组件可以被实现为单个集成电路(IC)。例如，传感器模块976(例如，指纹传感器、虹膜传感器或照度传感器)可以嵌入在显示装置960(例如，显示器)中。
处理器920可以执行软件(例如，程序940)以控制电子设备901的与处理器920耦接的至少一个其他组件(例如，硬件或软件组件)，并且可以执行各种数据处理或计算。处理器920可以使用来自存储器930的指令来执行上面关于图4描述的UE的操作。
作为数据处理或计算的至少一部分，处理器920可以将从另一组件(例如，传感器模块976或通信模块990)接收的命令或数据加载到易失性存储器932中，处理存储在易失性存储器932中的命令或数据，并将得到的数据存储在非易失性存储器934中。处理器920可以包括主处理器921(例如，中央处理单元(CPU)或应用处理器(AP))和辅助处理器923(例如，图形处理单元(GPU)、图像信号处理器(ISP)、传感器集线器处理器或通信处理器(CP))，辅助处理器923可独立于主处理器921操作或与主处理器921结合操作。附加地或可选地，辅助处理器923可以适于比主处理器921消耗更少的功率，或者执行特定功能。辅助处理器923可以被实现为与主处理器921分离或者是主处理器921的一部分。
辅助处理器923可以在主处理器921处于非活动(例如，睡眠)状态时代替主处理器921来控制与电子装置901的组件中的至少一个组件(例如，显示设备960、传感器模块976或通信模块990)相关的功能或状态中的至少一些，或者在主处理器921处于活动状态(例如，执行应用)时与主处理器921一起控制与电子装置901的组件中的至少一个组件(例如，显示设备960、传感器模块976或通信模块990)相关的功能或状态中的至少一些。辅助处理器923(例如，图像信号处理器或通信处理器)可以被实现为在功能上与辅助处理器923相关的另一组件(例如，相机模块980或通信模块990)的一部分。
存储器930可以存储由电子设备901的至少一个组件(例如，处理器920或传感器模块976)使用的各种数据。各种数据可以包括例如软件(例如，程序940)和用于与其相关的命令的输入数据或输出数据。存储器930可以包括易失性存储器932或非易失性存储器934。非易失性存储器934可包括内部存储器936和外部存储器938。
程序940可以作为软件存储在存储器930中，并且可以包括例如操作系统(OS)942、中间件944或应用946。
输入设备950可以从电子设备901的外部(例如，用户)接收要由电子设备901的另一组件(例如，处理器920)使用的命令或数据。输入设备950可以包括例如麦克风、鼠标或键盘。
声音输出设备955可以将声音信号输出到电子设备901的外部。声音输出设备955可以包括例如扬声器或接收器。扬声器可以用于通用目的，例如播放多媒体或进行记录，并且接收器可以用于接收呼入呼叫。接收器可以被实现为与扬声器分离或者是扬声器的一部分。
显示设备960可以向电子设备901的外部(例如，用户)可视地提供信息。显示设备960可以包括例如显示器、全息图设备或投影仪以及用于控制显示器、全息图设备和投影仪中的对应一个的控制电路。显示设备960可以包括适于检测触摸的触摸电路或适于测量由触摸引起的力的强度的传感器电路(例如，压力传感器)。
音频模块970可以将声音转换为电信号，反之亦然。音频模块970可以经由输入设备950获得声音，或者经由声音输出设备955或与电子设备901直接(例如，有线)或无线耦接的外部电子设备902的耳机输出声音。
传感器模块976可以检测电子装置901的操作状态(例如，功率或温度)或电子装置901外部的环境状态(例如，用户的状态)，然后生成与检测到的状态对应的电信号或数据值。传感器模块976可以包括例如手势传感器、陀螺仪传感器、大气压传感器、磁传感器、加速度传感器、握持传感器、接近传感器、颜色传感器、红外(IR)传感器、生物计量传感器、温度传感器、湿度传感器或照度传感器。
接口977可以支持用于电子设备901直接(例如，有线)或无线地与外部电子设备902耦接的一个或多个指定协议。接口977可以包括例如高清多媒体接口(HDMI)、通用串行总线(USB)接口、安全数字(SD)卡接口或音频接口。
连接端子978可以包括连接器，电子设备901可以经由该连接器与外部电子设备902物理连接。连接端子978可以包括例如HDMI连接器、USB连接器、SD卡连接器或音频连接器(例如，耳机连接器)。
触觉模块979可以将电信号转换成可由用户经由触感或动觉感觉识别的机械刺激(例如，振动或移动)或电刺激。触觉模块979可以包括例如电机、压电元件或电刺激器。
相机模块980可以捕获静止图像或运动图像。相机模块980可以包括一个或多个透镜、图像传感器、图像信号处理器或闪光灯。电力管理模块988可以管理供应给电子设备901的电力。电力管理模块988可以被实现为例如功率管理集成电路(PMIC)的至少一部分。
电池989可以向电子设备901的至少一个组件供电。电池989可以包括例如不可再充电的一次电池、可再充电的二次电池或燃料电池。
通信模块990可以支持在电子设备901与外部电子设备(例如，电子设备902、电子设备904或服务器908)之间建立直接(例如，有线)通信信道或无线通信信道，并且经由建立的通信信道执行通信。通信模块990可以包括一个或多个通信处理器，其可独立于处理器920(例如，AP)操作并且支持直接(例如，有线)通信或无线通信。通信模块990可以包括无线通信模块992(例如，蜂窝通信模块、短距离无线通信模块或全球导航卫星系统(GNSS)通信模块)或有线通信模块994(例如，局域网(LAN)通信模块或电力线通信(PLC)模块)。这些通信模块中的对应一个可以经由第一网络998(例如，短距离通信网络，诸如蓝牙TM、无线保真(Wi-Fi)直连或红外数据协会(IrDA)的标准)或第二网络999(例如，长距离通信网络，诸如蜂窝网络、互联网或计算机网络(例如，LAN或广域网(WAN)))与外部电子设备通信。这些各种类型的通信模块可以被实现为单个组件(例如，单个IC)，或者可以被实现为彼此分离的多个组件(例如，多个IC)。无线通信模块992可以使用存储在用户识别模块996中的用户信息(例如，国际移动用户身份(IMSI))来识别和认证通信网络(诸如第一网络998或第二网络999)中的电子设备901。
天线模块997可以向电子设备901的外部(例如，外部电子设备)发送信号或电力或从电子设备901的外部(例如，外部电子设备)接收信号或电力。天线模块997可以包括一个或多个天线，并且从其中，可以例如由通信模块990(例如，无线通信模块992)选择适合于在通信网络(诸如第一网络998或第二网络999)中使用的通信方案的至少一个天线。然后，可以经由所选择的至少一个天线在通信模块990与外部电子设备之间发送或接收信号或电力。
可以经由与第二网络999耦接的服务器908在电子设备901与外部电子设备904之间发送或接收命令或数据。电子设备902和904中的每一个可以是与电子设备901相同类型或不同类型的设备。将在电子设备901处执行的操作中的全部或一些操作可以在外部电子设备902、904或908中的一个或多个处执行。例如，如果电子设备901应当自动地或者响应于来自用户或另一设备的请求来执行功能或服务，则电子设备901可以请求一个或多个外部电子设备执行所述功能或服务的至少一部分，而不是自己执行所述功能或服务，或者除了执行所述功能或服务之外，电子设备901还可以请求一个或多个外部电子设备执行所述功能或服务的至少一部分。接收请求的一个或多个外部电子设备可以执行所请求的功能或服务的至少一部分，或者与请求相关的附加功能或附加服务，并将执行的结果传送到电子设备901。电子设备901可以在有或没有进一步处理结果的情况下提供结果，作为对请求的回复的至少一部分。为此，例如，可以使用云计算、分布式计算或客户端-服务器计算技术。
本说明书中描述的主题和操作的实施例可以在数字电子电路中实现，或者在计算机软件、固件或硬件中实现，包括本说明书中公开的结构及其结构等同物，或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即，计算机程序指令的一个或多个模块，其编码在计算机存储介质上以供数据处理装置执行或控制数据处理装置的操作。可选地或另外地，程序指令可以被编码在人工生成的传播信号上，例如，机器生成的电、光或电磁信号，其被生成用于对信息进行编码以传输到合适的接收器装置以供数据处理装置执行。计算机存储介质可以是计算机可读存储设备、计算机可读存储基板、随机或串行存取存储器阵列或设备、或其组合，或者被包括在计算机可读存储设备、计算机可读存储基板、随机或串行存取存储器阵列或设备、或其组合中。此外，虽然计算机存储介质不是传播信号，但是计算机存储介质可以是在人工生成的传播信号中编码的计算机程序指令的源或目的地。计算机存储介质还可以是一个或多个单独的物理组件或介质(例如，多个CD、磁盘或其他存储设备)，或者被包括在一个或多个单独的物理组件或介质(例如，多个CD、磁盘或其他存储设备)中。另外，本说明书中描述的操作可以被实现为由数据处理装置对存储在一个或多个计算机可读存储设备上或从其他源接收的数据执行的操作。
虽然本说明书可以包含许多具体的实现细节，但是实现细节不应被解释为对任何要求保护的主题的范围的限制，而是被解释为针对特定实施例的特征的描述。在本说明书中在单独实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。相反，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合形式在多个实施例中实现。此外，尽管上面可以将特征描述为以某些组合起作用并且甚至最初如此要求保护，但是在一些情况下可以从组合中去除来自所要求保护的组合的一个或多个特征，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求以所示的特定顺序或按先后顺序执行这些操作，或者执行所有示出的操作，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统组件的分离不应被理解为在所有实施例中都需要这种分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中或封装到多个软件产品中。
因此，本文已经描述了主题的特定实施例。其它实施例在所附权利要求书的范围内。在一些情况下，权利要求中阐述的动作可以以不同的顺序执行并且仍然实现期望的结果。另外，附图中描绘的过程不一定需要所示的特定顺序或先后顺序来实现期望的结果。在某些实施方式中，多任务和并行处理可能是有利的。
如本领域技术人员将认识到的，本文描述的创新构思可以在广泛的应用范围内进行修改和变化。因此，所要求保护的主题的范围不应限于上面讨论的任何特定示例性教导，而是由所附权利要求限定。

Claims (20)

1.一种方法，包括：
由用户设备UE使用在时隙处从基站BS接收到的参考信号来估计所述时隙处的信道矩阵；
由所述UE使用估计的信道矩阵作为神经网络NN的输入来预测未来时隙处的信道矩阵的序列，其中，所述NN是基于已知的过去信道矩阵集合和未来信道矩阵集合训练的；以及
由所述UE使用来自所述信道矩阵的序列的至少一个信道矩阵来确定参数。
2.根据权利要求1所述的方法，还包括：
将估计的信道矩阵存储在所述UE的缓冲器中；以及
从所述UE向所述BS发送所述参数。
3.根据权利要求1所述的方法，其中，所述参考信号用于信道状态信息CSI估计，并且所述时隙分隔开CSI间隔。
4.根据权利要求1所述的方法，其中，所述未来时隙与当前时隙分隔开至少从所述UE向所述BS发送所述参数并在所述BS处应用所述参数所需的时间。
5.根据权利要求1所述的方法，其中，所述参数是预编码矩阵指示符PMI，并且确定所述参数的步骤包括：
基于所述至少一个信道矩阵来确定预编码矩阵；以及
基于所述预编码矩阵来选择所述PMI。
6.根据权利要求1所述的方法，其中，在预测所述信道矩阵的序列时：
所述估计的信道矩阵作为相应的复数被输入到所述NN，并且所述信道矩阵的序列作为相应的复数序列从所述NN输出；或者
所述估计的信道矩阵作为相应复数的实部和虚部被输入到所述NN，并且所述信道矩阵的序列作为相应复数序列的实部和虚部从所述NN输出。
7.根据权利要求1所述的方法，其中，估计所述信道矩阵的步骤包括：
根据所述时隙处的所述参考信号来估计主信道矩阵；以及
使用估计的主信道矩阵在所述时隙之间的时隙处插值次信道矩阵。
8.根据权利要求1所述的方法，其中，所述估计的信道矩阵包括在每个时隙处跨频带的多个信道矩阵。
9.根据权利要求8所述的方法，其中：
在预测给定子载波的信道矩阵的序列时，提供第一窗口作为所述NN的输入，并且从所述NN输出两个信道矩阵，其中，所述第一窗口跨越所述时隙，并且多个子载波以所述给定的子载波为中心；以及
在预测下一个子载波的信道矩阵的序列时，提供第二窗口作为所述NN的输入，并且从所述NN输出另外两个信道矩阵，其中，所述第二窗口跨越所述时隙，并且所述第二窗口中的多个子载波以所述下一个子载波为中心并且从所述第一窗口向下移动一个子载波。
10.根据权利要求1所述的方法，还包括：
按照不同信道配置文件使用已知的过去信道矩阵集合和未来信道矩阵集合来训练所述NN；以及
确定所述不同信道配置文件的权重，
其中，预测所述信道矩阵的序列包括：
基于当前信道状况与所述不同信道配置文件的比较来应用所述NN中的所述权重中的一个或多个权重。
11.一种用户设备UE，包括：
处理器；以及
非暂态计算机可读存储介质，存储指令，所述指令在被执行时使所述处理器执行以下操作：
使用在时隙处从基站BS接收到的参考信号来估计所述时隙处的信道矩阵；
使用估计的信道矩阵作为神经网络NN的输入来预测未来时隙处的信道矩阵的序列，其中，所述NN是基于已知的过去信道矩阵集合和未来信道矩阵集合训练的；以及
使用来自所述信道矩阵的序列的至少一个信道矩阵来确定参数。
12.根据权利要求11所述的UE，其中，所述指令还使所述处理器执行以下操作：
将估计的信道矩阵存储在所述UE的缓冲器中；以及
从所述UE向所述BS发送所述参数。
13.根据权利要求11所述的UE，其中，所述参考信号用于信道状态信息CSI估计，并且所述时隙分隔开CSI间隔。
14.根据权利要求11所述的UE，其中，所述未来时隙与当前时隙分隔开至少从所述UE向所述BS发送所述参数并在所述BS处应用所述参数所需的时间。
15.根据权利要求11所述的UE，其中，所述参数是预编码矩阵指示符PMI，并且在确定所述参数时，所述指令还使所述处理器进行以下操作：
基于所述至少一个信道矩阵来确定预编码矩阵；以及
基于所述预编码矩阵来选择所述PMI。
16.根据权利要求11所述的UE，其中，在预测所述信道矩阵的序列时：
所述估计的信道矩阵作为相应的复数被输入到所述NN，并且所述信道矩阵的序列作为相应的复数序列从所述NN输出；或者
所述估计的信道矩阵作为相应复数的实部和虚部被输入到所述NN，并且所述信道矩阵的序列作为相应复数序列的实部和虚部从所述NN输出。
17.根据权利要求11所述的UE，其中，在估计所述信道矩阵时，所述指令还使所述处理器执行以下操作：
根据所述时隙处的所述参考信号来估计主信道矩阵；以及
使用估计的主信道矩阵在所述时隙之间的时隙处插值次信道矩阵。
18.根据权利要求11所述的UE，其中：
所述估计的信道矩阵包括在每个时隙处跨频带的多个信道矩阵；
在预测给定子载波的信道矩阵的序列时，提供信道矩阵的第一窗口作为所述NN的输入，并且从所述NN输出两个信道矩阵，其中，所述第一窗口跨越所述时隙，并且多个子载波以所述给定的子载波为中心；以及
在预测下一个子载波的信道矩阵的序列时，提供信道矩阵的第二窗口作为所述NN的输入，并且从所述NN输出另外两个信道矩阵，其中，所述第二窗口跨越所述时隙，并且所述第二窗口中的多个子载波以所述下一个子载波为中心并且从所述第一窗口向下移动一个子载波。
19.根据权利要求11所述的UE，其中：
所述指令还使所述处理器执行以下操作：
按照不同信道配置文件使用先前确定的过去信道矩阵集合和未来信道矩阵集合来训练所述NN；以及
确定所述不同信道配置文件的权重，以及
在预测所述信道矩阵的序列时，所述指令还使所述处理器基于当前信道状况与所述不同信道配置文件的比较来应用所述NN中的所述权重中的一个或多个权重。
20.一种系统，包括：
用户设备UE，被配置为接收参考信号，使用所述参考信号来估计时隙处的信道矩阵，使用估计的信道矩阵作为神经网络NN的输入来预测未来时隙处的信道矩阵的序列，使用来自所述信道矩阵的序列的至少一个信道矩阵来确定参数，以及发送所述参数，其中，所述NN是基于已知的过去信道矩阵集合和未来信道矩阵集合训练的；以及
基站，被配置为在所述时隙处向所述UE发送所述参考信号，并且从所述UE接收所述参数。
CN202310756654.6A 2022-08-22 2023-06-26 用于基于学习的信道矩阵预测的方法和装置 Pending CN117614569A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US63/399,856 2022-08-22
US18/091,641 US20240063852A1 (en) 2022-08-22 2022-12-30 Method and apparatus for learning-based channel matrix prediction
US18/091,641 2022-12-30

Publications (1)

Publication Number Publication Date
CN117614569A true CN117614569A (zh) 2024-02-27

Family

ID=89956651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310756654.6A Pending CN117614569A (zh) 2022-08-22 2023-06-26 用于基于学习的信道矩阵预测的方法和装置

Country Status (1)

Country Link
CN (1) CN117614569A (zh)

Similar Documents

Publication Publication Date Title
US9088872B2 (en) Hybrid codebook design for wireless systems
US11625610B2 (en) Multiple-input multiple-output (MIMO) detector selection using neural network
US11539424B2 (en) System and method for providing channel recovery for angle domain sparse channels
CN107529691B (zh) 一种无线通信中的方法和装置
TW202241080A (zh) 電子裝置
CN113497647B (zh) 由通信网络中的电子装置执行的方法和电子装置
WO2023185978A1 (zh) 信道特征信息上报及恢复方法、终端和网络侧设备
CN114762265A (zh) 将窗口化fd基础映射到用于pmi报告和使用的组合指示
WO2024021620A1 (zh) Mimo系统的性能优化方法、装置、设备及存储介质
CN117614569A (zh) 用于基于学习的信道矩阵预测的方法和装置
US20240063852A1 (en) Method and apparatus for learning-based channel matrix prediction
CN111211821A (zh) 用于单连接天线阵列的模拟波束成形的系统和方法
WO2022184009A1 (zh) 量化的方法、装置、设备及可读存储介质
JP2024512358A (ja) 情報報告方法、装置、第１機器及び第２機器
TW202410654A (zh) 用於基於學習的通道矩陣預測的方法及系統、以及使用者設備
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
Elbir et al. Implicit channel learning for machine learning applications in 6g wireless networks
US20240113759A1 (en) Method and apparatus for matrix enhancement in mimo receiver with deep learning
US20230336225A1 (en) Reporting of channel state information
CN117763276A (zh) 用于矩阵增强的方法和装置
KR20230170975A (ko) 채널 상태 피드백을 위한 신경망을 사용하는 무선 네트워크
WO2023179540A1 (zh) 信道预测方法、装置及无线通信设备
US20230412230A1 (en) Systems, methods, and apparatus for artificial intelligence and machine learning based reporting of communication channel information
US20230155704A1 (en) Generative wireless channel modeling
WO2023281671A1 (ja) 通信品質予測装置および通信品質予測方法ならびに通信品質予測プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication