CN117652128A - 信道估计方法及装置 - Google Patents
信道估计方法及装置 Download PDFInfo
- Publication number
- CN117652128A CN117652128A CN202280002429.7A CN202280002429A CN117652128A CN 117652128 A CN117652128 A CN 117652128A CN 202280002429 A CN202280002429 A CN 202280002429A CN 117652128 A CN117652128 A CN 117652128A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- dmrs
- model
- estimation model
- training
- 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 244
- 238000004891 communication Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 392
- 238000004088 simulation Methods 0.000 claims description 156
- 238000012545 processing Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 29
- 238000013106 supervised machine learning method Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 abstract description 24
- 238000013473 artificial intelligence Methods 0.000 abstract description 20
- 230000003595 spectral effect Effects 0.000 abstract description 6
- 230000011664 signaling Effects 0.000 description 25
- 230000006870 function Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000005540 biological transmission Effects 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 10
- 238000013107 unsupervised machine learning method Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 229910044991 metal oxide Inorganic materials 0.000 description 5
- 150000004706 metal oxides Chemical class 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 229910000577 Silicon-germanium Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- LEVVHYCKPQWKOP-UHFFFAOYSA-N [Si].[Ge] Chemical compound [Si].[Ge] LEVVHYCKPQWKOP-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012014 frustrated Lewis pair Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例公开了一种信道估计方法及装置,通过接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS,根据第一DMRS,基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
Description
本申请涉及通信技术领域,尤其涉及一种信道估计方法及装置。
随着5G和人工智能(Artificial Intelligence,AI)技术的不断发展和成熟,基于AI辅助的无线通信也正逐步发展起来。比如,AI辅助调制解调及射频技术,包括AI辅助信道状态信息(Channel State Information,CSI)反馈和AI辅助波束管理,能够提升5G网络的速度和覆盖,提高系统的移动性以及稳健性。将AI技术将结合到无线通信系统的设计中,也是未来6G的重要发展方向。
发明内容
本申请第一方面实施例提出了一种信道估计方法,所述方法由终端设备执行,所述方法包括:接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS;根据所述第一DMRS,基于信道估计模型进行信道估计。
本申请第二方面实施例提出了一种信道估计方法,所述方法由网络设备执行,所述方法包括:基于第一解调参考信号DMRS图样向终端设备发送第一DMRS;所述第一DMRS用于基于信道估计模型进行信道估计。
本申请第三方面实施例提出了一种信道估计方法,所述方法由网络设备执行,所述方法包括:接收终端设备基于第一解调参考信号DMRS图样发送的第一DMRS;根据所述第一DMRS,基于信道估计模型进行信道估计。
本申请第四方面实施例提出了一种信道估计方法,所述方法由终端设备执行,所述方法包括:基于第一解调参考信号DMRS图样向网络设备发送第一DMRS;所述第一DMRS用于基于信道估计模型进行信道估计。
本申请第五方面实施例提出了一种信道估计装置,所述装置包括:
收发单元,用于接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS;
处理单元,用于根据所述第一DMRS,基于所述信道估计模型进行信道估计。
本申请第六方面实施例提出了一种信道估计装置,所述装置包括:
收发单元,用于基于第一解调参考信号DMRS图样向终端设备发送第一DMRS;
所述第一DMRS用于基于信道估计模型进行信道估计。
本申请第七方面实施例提出了一种信道估计装置,所述装置包括:
收发单元,用于接收终端设备发送的基于第一解调参考信号DMRS图样发送的第一DMRS;
处理单元,用于根据所述第一DMRS,基于信道估计模型进行信道估计。
本申请第八方面实施例提出了一种信道估计装置,所述装置包括:
收发单元,用于基于第一解调参考信号DMRS图样向网络设备发送第一DMRS;
所述第一DMRS用于基于信道估计模型进行信道估计。
本申请第九方面实施例提出了一种通信装置,所述装置包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器执行所述存储器中存储的计算机程序,以使所述装置执行上述第一方面实施例所述的信道估计方法,或者执行上述第二方面实施例所述的信道估计方法。
本申请第十方面实施例提出了一种通信装置,所述装置包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器执行所述存储器中存储的计算机程序,以使所述装置执行上述第三方面实施例所述的信道估计方法,或者执行上述第四方面实施例所述的信道估计方法。
本申请第十一方面实施例提出了一种通信装置,该装置包括处理器和接口电路,该接口电路用于接收代码指令并传输至该处理器,该处理器用于运行所述代码指令以使该装置执行上述第一方面实施例所述的信道估计方法,或者执行上述第二方面实施例所述的信道估计方法。
本申请第十二方面实施例提出了一种通信装置,该装置包括处理器和接口电路,该接口电路用于接收代码指令并传输至该处理器,该处理器用于运行所述代码指令以使该装置执行上述第三方面实施例所 述的信道估计方法,或者执行上述第四方面实施例所述的信道估计方法。
本申请第十三方面实施例提出了一种计算机可读存储介质,用于存储有指令,当所述指令被执行时,使上述第一方面实施例所述的信道估计方法被实现,或者使上述第二方面实施例所述的信道估计方法被实现。
本申请第十四方面实施例提出了一种计算机可读存储介质,用于存储有指令,当所述指令被执行时,使上述第三方面实施例所述的信道估计方法被实现,或者使上述第四方面实施例所述的信道估计方法被实现。
本申请第十五方面实施例提出了一种计算机程序,当其在计算机上运行时,使得计算机执行第一方面实施例所述的信道估计方法,或者执行第二方面实施例所述的信道估计方法。
本申请第十六方面实施例提出了一种计算机程序,当其在计算机上运行时,使得计算机执行第三方面实施例所述的信道估计方法,或者执行第四方面实施例所述的信道估计方法。
本申请实施例提供的一种信道估计方法及装置,通过接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例提供的一种通信系统的架构示意图;
图2是本申请实施例提供的一种信道估计方法的流程示意图;
图3是本申请实施例提供的一种信道估计方法的流程示意图;
图4为本申请实施例提供的一种信道估计方法的流程示意图;
图5为本申请实施例提供的一种信道估计方法的流程示意图;
图6为本申请实施例提供的一种信道估计方法的流程示意图;
图7为本申请实施例提供的一种信道估计方法的流程示意图;
图8为本申请实施例提供的一种信道估计方法的流程示意图;
图9为本申请实施例提供的一种信道估计方法的流程示意图;
图10为本申请实施例提供的一种信道估计方法的流程示意图;
图11为本申请实施例提供的一种信道估计方法的流程示意图;
图12为本申请实施例提供的一种信道估计装置的结构示意图;
图13为本申请实施例提供的一种信道估计装置的结构示意图;
图14为本申请实施例提供的一种信道估计装置的结构示意图;
图15为本申请实施例提供的一种信道估计装置的结构示意图;
图16为本申请实施例提供的另一种信道估计装置的结构示意图;
图17为本公开实施例提供的一种芯片的结构示意图。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请实施例的一些方面相一致的装置和方法的例子。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列 出项目的任何或所有可能组合。
应当理解,尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
为了更好的理解本申请实施例公开的一种信道估计方法,下面首先对本申请实施例适用的通信系统进行描述。
请参见图1,图1为本申请实施例提供的一种通信系统的架构示意图。该通信系统可包括但不限于一个网络设备和一个终端设备,图1所示的设备数量和形态仅用于举例并不构成对本申请实施例的限定,实际应用中可以包括两个或两个以上的网络设备和两个或两个以上的终端设备。图1所示的通信系统以包括一个网络设备101和一个终端设备102为例。
需要说明的是,本申请实施例的技术方案可以应用于各种通信系统。例如:长期演进(Long Term Evolution,LTE)系统、第五代移动通信系统、5G新空口系统,或者其他未来的新型移动通信系统等。
本申请实施例中的网络设备101是网络侧的一种用于发射或接收信号的实体。例如,网络设备101和可以为演进型基站(Evolved NodeB,eNB)、传输点(Transmission Reception Point,TRP)、NR系统中的下一代基站(Next Generation NodeB,gNB)、其他未来移动通信系统中的基站或无线保真(Wireless Fidelity,WiFi)系统中的接入节点等。本申请实施例中的网络设备101可以是网络设备本身,也可以是运营商、基站厂商或者第三方维护的网络上层(Over The Top,OTT)服务器(OTT server),还可以是操作维护管理(Operation Administration and Maintenance,OAM)、定位管理功能(Location Management Function,LMF)等。本申请的实施例对网络设备所采用的具体技术和具体设备形态不做限定。本申请实施例提供的网络设备可以是由集中单元(Central Unit,CU)与分布式单元(Distributed Unit,DU)组成的,其中,CU也可以称为控制单元(Control Unit),采用CU-DU的结构可以将网络设备,例如基站的协议层拆分开,部分协议层的功能放在CU集中控制,剩下部分或全部协议层的功能分布在DU中,由CU集中控制DU。
本申请实施例中的终端设备102是用户侧的一种用于接收或发射信号的实体,如手机。终端设备也可以称为终端设备(terminal)、用户设备(user equipment,UE)、移动台(Mobile Station,MS)、移动终端设备(Mobile Terminal,MT)等,也可以是降低能力终端设备(RedCap UE)、演进的降低能力终端设备(eRedCap UE)等。终端设备可以是具备通信功能的汽车、智能汽车、手机(Mobile Phone)、穿戴式设备、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(Virtual Reality,VR)终端设备、增强现实(Augmented Reality,AR)终端设备、工业控制(Industrial Control)中的无线终端设备、无人驾驶(Self-Driving)中的无线终端设备、远程手术(Remote Medical Surgery)中的无线终端设备、智能电网(Smart Grid)中的无线终端设备、运输安全(Transportation Safety)中的无线终端设备、智慧城市(Smart City)中的无线终端设备、智慧家庭(Smart Home)中的无线终端设备等等。本申请实施例中的终端设备102可以是终端设备本身,也可以是用户设备的供货商(UE vendor)、芯片厂商或者第三方维护的OTT服务器。本申请的实施例对终端设备所采用的具体技术和具体设备形态不做限定。
随着5G和人工智能(Artificial Intelligence,AI)技术的不断发展和成熟,基于AI辅助的无线通信也正逐步发展起来。比如,AI辅助调制解调及射频技术,包括AI辅助信道状态信息(Channel State Information,CSI)反馈和AI辅助波束管理,能够提升5G网络的速度和覆盖,提高系统的移动性以及稳健性。将AI技术将结合到无线通信系统的设计中,也是未来6G的重要发展方向。
在典型的AI应用场景中,比如图像处理、自动驾驶等,通常可以通过FLOPs/mW、FLOPs/W或者GFLOPs/mW进行AI算法的功耗的评估。其中,FLOPs是floating point operations的缩写,意指浮点运算数,可以理解为计算量,能够用来衡量算法或者模型的复杂度。GFLOPs也就是10亿次的浮点运算数。
可以理解,通信设备使用AI模型执行一次推理的功耗=该AI模型计算复杂度(FLOPs)/该通信设 备的能力(FLOPs/mW)。
对于通信设备来说,FLOPs/mW作为一种硬件能力,跟具体CPU工艺设计以及散热设计等具有很大关系。在一些场景中,当终端的运算能耗较高,或者支持的计算能力低于一定的门限之后,可能无法快速完成AI模型训练,导致模型训练不得不在网络侧进行。
对于基于AI的下行信道估计方法,模型训练尽量还是在终端侧执行。但是,也可能存在一些终端设备没有进行AI模型训练的能力,需要网络设备辅助进行训练。
可以理解的是,本申请实施例描述的通信系统是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
下面结合附图对本申请所提供的信道估计方法及其装置进行详细地介绍。
请参见图2,图2是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由终端设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图2所示,该方法可以包括如下步骤:
步骤201,接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS。
在本申请实施例中,终端设备能够接收网络设备发送的第一解调参考信号(Demodulation Reference Sgnal,DMRS),该第一DMRS是网络设备基于第一DMRS图样(pattern)发送的。终端设备接收到该第一DMRS之后,能够基于训练好的信道估计模型,根据该第一DMRS进行信道估计。
在一些实施方式中,终端设备能够向网络设备发送第一指示信息,该第一指示信息用于指示终端设备是否具有模型训练能力。
可选地,该第一指示信息可以包括以下至少一种:该终端设备的模型训练能力指示信息;该终端设备的硬件处理能力信息;该终端设备的计算能力信息;该终端设备的功耗能力信息。
其中,终端设备的模型训练能力指示信息,能够指示该终端设备是否具有模型训练能力。该模型训练能力指示信息可以为至少1比特(bit)。
在一些可能的实现方式中,终端设备还能够向网络设备发送该终端设备的模型推理能力指示信息,该终端设备的模型推理能力指示信息能够指示该终端设备是否具有使用信道估计模型进行模型推理的能力。该模型推理能力指示信息也可以为至少1bit。
可以理解,在本申请各实施例中,终端设备具有模型推理能力,能够基于训练好的信道估计模型,进行信道估计。
可选地,终端设备可以基于网络设备配置的或者协议规定的模型训练和推理相关的门限值,比如训练时延门限值,训练功耗门限值,训练计算复杂度门限值等,来判断自身有无模型训练能力;根据推理时延门限值,推理功耗门限值,推理计算复杂度门限值,来判断自身有无模型推理能力,然后上报该终端设备的模型训练能力指示信息和/或模型推理能力指示信息。也可以直接根据自身的能力,比如有无图像处理器(Graphics Processing Unit,GPU),有无神经网络处理器(Neural network Processing Unit,NPU)以及电量存储等,判断自身有无模型训练能力,以及有无模型推理能力,然后上报该终端设备的模型训练能力指示信息和/或模型推理能力指示信息。
可选地,该终端设备可以直接向网络设备发送该终端设备的模型训练能力指示信息和模型推理能力指示信息,来指示该终端设备有无模型训练能力以及有无模型推理能力。也可以是,如果该终端设备具有模型训练能力,可以向网络设备发送指示终端设备具有模型训练能力的指示信息,上报具有模型训练能力;如果该终端设备不具有模型训练能力,可以直接向网络设备发送模型推理能力指示信息,上报是否具有模型推理能力。作为一种示例,终端设备可以向网络设备发送指示具有模型训练能力的指示信息,上报终端设备具有模型训练能力,隐式指示了该终端设备同时具有模型推理能力。作为另一种示例,终端设备向网络设备发送指示具有模型推理能力的指示信息,上报终端设备具有模型推理能力,隐式指示了该终端设备不具有模型训练能力。
在一些实施方式中,终端设备能够向网络设备发送硬件处理能力信息,计算能力信息以及功耗能力信息等等,网络设备能够根据业务的时延需求或协议规定的一些阈值等,比如时延阈值,功耗阈值,计算复杂度阈值等,自行判定该终端设备是否具有模型训练能力以及是否具有模型推理能力。
可选地,该第一指示信息可以包括在以下至少一种信令中:能力上报信令(UE capability);用户辅助信息(UE Assistance Information,UAI);无限资源控制(Radio Resource Control,RRC)信令;媒体接入控制层(Medium Access Control,MAC)控制元素(Control Element,CE,或称控制单元);上行控制信息(Uplink Control Information,UCI)。还可以通过物理上行共享信道(Physical Uplink Shared Channel,PUSCH)发送该第一指示信息。
步骤202,根据第一DMRS,基于信道估计模型进行信道估计。
在本申请实施例中,终端设备能够基于训练好的信道估计模型,根据接收到的该第一DMRS进行信道估计。
可以理解的是,在本申请实施例中,终端设备可以直接将接收到的DMRS信号作为信道估计模型的输入,也可以获取基于该DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的输入,本申请对此不进行限定。基于该DMRS进行估计得到的DMRS处的信道估计值,可以采用最小二乘法(least squares,LS)进行估计,也可以采用最小均方误差法(minimum mean square error,MMSE)进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在本申请实施例中,信道估计模型的训练可以由终端设备进行,也可以由网络设备进行;可以使用实际数据进行训练,也可以使用仿真数据进行训练;可以是离线进行训练,也可以是在线进行训练。
在一些实施方式中,终端设备能够接收网络设备基于第二DMRS图样发送的第二DMRS,并根据该第二DMRS,确定该信道估计模型的训练数据。
可选地,该终端设备能够采用确定的该训练数据,对该信道估计模型进行训练。
可选地,该终端设备能够将该训练数据发送给网络设备,由网络设备使用该训练数据对该信道估计模型进行训练。
可选地,终端设备在确定发送给网络设备的训练数据之前,还能够接收网络设备发送的第四指示信息,该第四指示信息用于指示该训练数据的类型。比如,可以指示该训练数据为该第二DMRS对应的接收信号,也可以指示该训练数据为基于该第二DMRS估计出的信道估计值等等。终端设备能够根据第四指示信息的指示,确定网络设备进行模型训练需要何种训练数据,并根据接收到的第二DMRS确定该训练数据并发送给网络设备。
在一些实施方式中,终端设备能够获取仿真信道中终端设备接收的仿真信号,其中,该仿真信号为网络设备在仿真信道中基于第二DMRS图样发送的第二DMRS,终端设备能够根据该仿真信号,确定信道估计模型的仿真训练数据,并采用该仿真训练数据对信道估计模型进行训练。
在一些实施方式中,该信道估计模型是由网络设备采用仿真训练数据进行训练的。网络设备也能够获取仿真信道中终端设备接收的仿真信号,其中,该仿真信号为网络设备在仿真信道中基于第二DMRS图样发送的第二DMRS。网络设备也能够根据该仿真信号,确定信道估计模型的仿真训练数据,并采用该仿真训练数据对信道估计模型进行训练。
在本申请实施例中,对于信道估计模型是由网络设备进行训练的情况,终端设备能够接收网络设备发送的训练完成的信道估计模型。
在本申请实施例的一些实施方式中,对于信道估计模型是由终端设备进行训练的情况,终端设备还能够向网络设备发送第二指示信息,该第二指示信息用于指示该信道估计模型训练完成。
可选地,该第二指示信息中还可以包括以下至少一种信息:该信道估计模型的能力信息,该信道估计模型的处理时延信息。
其中,该信道估计模型的能力信息,是指该信道估计模型与传统的信道估计方法相比所具有的能力,比如,该模型能够采用与传统图样相比更低密度的DMRS进行信道估计,或者能够获得与传统信道估计方法相比更高精度的信道估计结果等等。该信道估计模型的处理时延信息,是指采用该模型时终端设备的处理时延,可以包括模型的加载时间,以及采用该模型进行推理的时间等等。
网络设备能够根据该第二指示信息,确定信道估计模型已训练完毕,同时,还可以获取该模型的能力信息和/或该模型的处理时延信息,能够根据能力信息以及处理时延信息对该终端设备进行合理的调度。
可选地,该第二指示信息可以包括在以下至少一种信令中:能力上报信令(UE capability);用户辅助信息UAI;无限资源控制RRC信令;媒体接入控制层控制元素MAC CE;上行控制信息UCI。还 可以通过PUSCH发送该第二指示信息。
在一些实施方式中,对于信道估计模型是由终端设备进行训练的情况,终端设备还能够接收网络设备发送的第三指示信息,该第三指示信息用于指示终端设备开始该信道估计模型的训练。该第三指示信息可以为至少1bit。
在一些实施方式中,对于信道估计模型是由终端设备进行训练的情况,终端设备也可以直接开始该信道估计模型的训练,或者也可以在发送该第一指示信息超过预设时间之后开始模型的训练。该预设时间可以是网络设备配置的,也可以是协议约定或规定的。
在一些实施方式中,网络设备也可以根据业务需要和情况等,向终端设备发送去使能的信令,用于指示终端设备不开始模型的训练。
在一些实施方式中,如果信道估计模型采用有监督的机器学习方法进行训练,终端设备还能够接收网络设备发送的冲激信号,并根据该冲激信号来获取信道的理想信道估计标签,该理想信道估计标签用于该信道估计模型的训练。
在一些实施方式中,对于信道估计模型是由终端设备进行训练的情况,如果信道估计模型采用有监督的机器学习方法进行训练,终端设备还需要向网络设备发送辅助信息,来请求网络设备下发冲激信号。终端设备能够根据该冲激信号来获取信道的理想信道估计标签,并采用该理想信道估计标签进行该信道估计模型的训练。
在一些实施方式中,该信道估计模型具有采用低密度的DMRS进行信道估计的能力,该第一DMRS图样的密度低于该第二DMRS图样的密度。其中,该第二DMRS图样可以为legacy DMRS图样。终端设备能够采用与legacy DMRS图样相比更低密度的DMRS,基于该信道估计模型获得信道估计结果。
在一些实施方式中,该信道估计模型具有高精度的信道估计结果的能力,该第一DMRS图样的密度与该第二DMRS图样的密度相同。其中,该第二DMRS图样可以为legacy DMRS图样,终端设备能够采用与legacy DMRS图样密度相同的DMRS,基于该信道估计模型获得与传统信道估计方法相比更高精度的信道估计结果。
在一些实施方式中,终端设备还能够接收网络设备发送的第五指示信息,该第五指示信息用于指示终端设备基于该信道估计模型进行信道估计。只有当终端设备接收到该第五指示信息时,才会启用该训练好的信道估计模型进行信道估计。
可选地,该第五指示信息可以为至少1bit信息,直接指示终端设备启用该训练好的信道估计模型进行信道估计。该第五指示信息也可以是网络设备发送给终端设备的第一DMRS图样配置,以减少导频开销。
综上,通过接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS,根据第一DMRS,基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图3,图3是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由终端设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图3所示,该方法可以包括如下步骤:
步骤301,向网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力。
在本申请实施例中,终端设备向网络设备发送第一指示信息,用于上报自身是否具有模型训练能力。
可选地,该第一指示信息可以包括以下至少一种:该终端设备的模型训练能力指示信息;该终端设备的硬件处理能力信息;该终端设备的计算能力信息;该终端设备的功耗能力信息。
其中,终端设备的模型训练能力指示信息,能够指示该终端设备是否具有模型训练能力。该模型训练能力指示信息可以为至少1bit。作为一种示例,可以用“0”代表该终端设备不具有模型训练能力,“1”代表该终端设备具有模型训练能力。
在一些可能的实现方式中,终端设备还能够向网络设备发送该终端设备的模型推理能力指示信息,该终端设备的模型推理能力指示信息能够指示该终端设备是否具有使用信道估计模型进行模型推理的 能力。该模型推理能力指示信息也可以为至少1bit。作为一种示例,可以用“0”代表该终端设备不具有模型推理能力,“1”代表该终端设备具有模型推理能力。
可以理解,在本申请各实施例中,终端设备具有模型推理能力,能够基于训练好的信道估计模型,进行信道估计。
可选地,终端设备可以基于网络设备配置的或者协议规定的模型训练和推理相关的门限值,比如训练时延门限值,训练功耗门限值,训练计算复杂度门限值等,来判断自身有无模型训练能力;根据推理时延门限值,推理功耗门限值,推理计算复杂度门限值,来判断自身有无模型推理能力,然后上报该终端设备的模型训练能力指示信息和/或模型推理能力指示信息。也可以直接根据自身的能力,比如有GPU,有无NPU以及电量存储等,判断自身有无模型训练能力,以及有无模型推理能力,然后上报该终端设备的模型训练能力指示信息和/或模型推理能力指示信息。
可选地,该终端设备可以直接向网络设备发送该终端设备的模型训练能力指示信息和模型推理能力指示信息,来指示该终端设备有无模型训练能力以及有无模型推理能力。也可以是,如果该终端设备具有模型训练能力,可以向网络设备发送指示终端设备具有模型训练能力的指示信息,上报具有模型训练能力;如果该终端设备不具有模型训练能力,可以直接向网络设备发送模型推理能力指示信息,上报是否具有模型推理能力。作为一种示例,终端设备可以向网络设备发送指示具有模型训练能力的指示信息,上报终端设备具有模型训练能力,隐式指示了该终端设备同时具有模型推理能力。作为另一种示例,终端设备向网络设备发送指示具有模型推理能力的指示信息,上报终端设备具有模型推理能力,隐式指示了该终端设备不具有模型训练能力。
在一些实施方式中,终端设备能够向网络设备发送硬件处理能力信息,计算能力信息以及功耗能力信息等等,网络设备能够根据业务的时延需求或协议规定的一些阈值等,比如时延阈值,功耗阈值,计算复杂度阈值等,自行判定该终端设备是否具有模型训练能力以及是否具有模型推理能力。
在一些实施方式中,终端设备可以具有至少一种模型训练能力和/或至少一种模型推理能力,第一指示信息能够用于确定该终端设备的模型训练能力和/或模型推理能力。作为一种示例,第一指示信息为模型训练能力指示信息,模型训练能力指示信息为“00”代表该终端设备不具有模型训练能力,模型训练能力指示信息为“01”、“02”、“03”均代表该终端设备具有模型训练能力,不同的数值代表具有不同等级的模型训练能力,数值越大可以代表训练能力越强。同样,模型推理能力指示信息也可以采用类似的方式进行上报。可以理解,也可以采用其他的方式确定终端设备的模型训练能力,本申请对此不进行限定。
可选地,该第一指示信息可以包括在以下至少一种信令中:能力上报信令(UE capability);用户辅助信息UAI;无限资源控制RRC信令;媒体接入控制层控制元素MACCE;上行控制信息UCI。还可以通过PUSCH发送该第一指示信息。
可以理解的是,在本申请实施例中,该终端设备具有模型训练能力和模型推理能力。
步骤302,接收网络设备基于第二DMRS图样发送的第二DMRS。
在本申请实施例中,终端设备能够接收网络设备基于第二DMRS图样发送的第二DMRS,并能够根据该第二DMRS确定信道估计模型的训练数据,采用该训练数据进行信道估计模型的训练。
其中,第二DMRS图样可以为legacy DMRS图样。
在本申请实施例中,网络设备基于该第二DMRS图样,向终端设备发送参考信号,终端设备根据接收到的实际的参考信号,采集实际的数据作为训练数据,进行模型的训练。
步骤303,根据该第二DMRS,确定信道估计模型的训练数据。
在本申请实施例中,终端设备能够根据接收到的第二DMRS,确定信道估计模型的训练数据,该训练数据为经过实际信道传输得到的实际数据。
可选地,在本申请实施例中,终端设备可以直接将接收到的第二DMRS的信号作为信道估计模型的训练数据,也可以获取基于该第二DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的训练数据,还可以基于该信道估计模型的配置得到其他训练数据,本申请对此不进行限定。基于该第二DMRS进行信道的估计得到的DMRS处的信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,终端设备采用有监督的机器学习方法对信道估计模型进行训练,终端设备还能 够接收网络设备发送的冲激信号,并能够根据该冲激信号获得信道的理想信道标签,用于信道估计模型的训练。
可选地,该冲激信号可以使用半静态调度的传输方式,终端设备还能够接收网络设备发送的冲激信号的配置信息,其中可以包括该冲激信号的发送周期,以及占用的时频资源等等。该冲激信号也可以使用动态调度的传输方式,终端设备还能够接收网络设备发送的冲激信号的调度信息,其中可以包括该冲激信号发送占用的时频域资源以及该DCI的作用指示域等(如专门用于调度冲激信号)。
步骤304,采用训练数据对该信道估计模型进行训练。
在本申请实施例中,终端设备能够采用前述步骤确定的训练数据,对该信道估计模型进行训练。
在本申请实施例中,该信道估计模型可以采用有监督的机器学习方法进行训练,也可以采用无监督的机器学习方法进行训练。
需要说明的是,本申请实施例中的信道估计模型,可以基于任意一种机器学习方法进行模型的构建和训练,比如卷积神经网络(Convolutional Neural Networks,CNN)等等,本申请对此不进行限定。
在一些实施方式中,终端设备采用有监督的机器学习方法对信道估计模型进行训练,终端设备还能够采用根据接收到的冲激信号获得的该信道的理想信道标签,进行信道估计模型的训练。
需要说明的是,网络设备发送的该冲激信号,可以和第二DMRS分别发送,也可以和第二DMRS一起发送,本申请对此不进行限定。
在一些实施方式中,终端设备采用有监督的机器学习方法对信道估计模型进行训练,该终端设备还能够向网络设备发送辅助信息,该辅助信息用于请求该冲激信号,网络设备接收到该辅助信息,向终端设备发送该冲激信号。
可选地,该辅助信息可以是请求消息,也可以是指示该信道估计模型的训练方法的指示信息(比如,指示该模型采用有监督/无监督的机器学习方法进行训练)。
在一些实施方式中,终端设备还能够接收网络设备发送的第三指示信息,该第三指示信息用于指示该终端设备开始进行模型的训练。
可选地,该第三指示信息可以为取值为“0”或“1”比特信息,用于指示终端设备是否开启模型的训练(比如,第三指示信息为“0”表示去使能,终端设备不开始模型训练,第三指示信息为“1”表示使能,终端设备开始模型训练)。该第三指示信息也可以为网络设备发送的冲激信号,或者是冲激信号的相应配置,接收到该信号或者该信号相应的配置则表示使能了终端设备开始模型训练,终端设备能够在接收到该冲激信号或者该冲激信号的相应配置之后,开始进行该信道估计模型的训练。
在一些实施方式中,终端设备能够直接开始该信道估计模型的训练,或者在发送前述第一指示信息超过预设时间之后开始该信道估计模型的训练。该预设时间可以是由网络设备配置的,也可以是由协议预先约定或规定的。
需要说明的是,在本申请实施例中,该模型的训练可以是在线进行的,也可以是离线进行的,本申请对此不进行限定。
步骤305,向网络设备发送第二指示信息,该第二指示信息用于指示该信道估计模型训练完成。
在本申请实施例中,终端设备在完成了该信道估计模型的训练之后,还能够向网络设备发送第二指示信息,网络设备根据该第二指示信息能够确定该信道估计模型训练完成。
可选地,该第二指示信息除包含模型训练结束指示信息外,还可以包括以下至少一种信息:该信道估计模型的能力信息,该信道估计模型的处理时延信息。或者,模型训练结束指示信息通过以上两种信息的至少一种信息来隐式指示。
其中,该信道估计模型的能力信息,是指该信道估计模型与传统的信道估计方法相比所具有的能力,比如,该模型能够采用与传统图样相比更低密度的DMRS进行信道估计,或者能够获得与传统信道估计方法相比更高精度的信道估计结果等等。该信道估计模型的处理时延信息,是指采用该模型时终端设备的处理时延,可以包括模型的加载时间,以及采用该模型进行推理的时间等等。
网络设备能够根据该第二指示信息,确定信道估计模型已训练完毕,同时,还可以获取该模型的能力信息和/或该模型的处理时延/模型复杂度/模型推理功耗等信息,能够根据能力信息以及处理时延信息对该终端设备进行合理的调度;并且,可以根据模型的处理时延/模型复杂度/模型推理功耗等信息,决定是否启用AI模型。
可选地,该第二指示信息可以包括在以下至少一种信令中:能力上报信令(UE capability);用户辅助信息UAI;无限资源控制RRC信令;媒体接入控制层控制元素MAC CE;上行控制信息UCI。还可以通过PUSCH发送该第二指示信息。
步骤306,接收网络设备基于第一DMRS图样发送的第一DMRS。
在本申请实施例中,终端设备能够接收网络设备发送的第一DMRS,该第一DMRS是网络设备基于第一DMRS图样发送的。网络设备能够基于该信道估计模型的能力,确定该第一DMRS图样。终端设备接收到该第一DMRS之后,能够基于训练好的信道估计模型,根据该第一DMRS进行信道估计。
在一些实施方式中,该信道估计模型具有采用低密度的DMRS进行信道估计的能力,该第一DMRS图样的密度低于该第二DMRS图样的密度。其中,该第二DMRS图样可以为legacy DMRS图样。终端设备能够采用与legacy DMRS图样相比更低密度的DMRS,基于该信道估计模型获得信道估计结果。
在一些实施方式中,该信道估计模型具有高精度的信道估计结果的能力,该第一DMRS图样的密度与该第二DMRS图样的密度相同。其中,该第二DMRS图样可以为legacy DMRS图样,终端设备能够采用与legacy DMRS图样密度相同的DMRS,基于该信道估计模型获得与传统信道估计方法相比更高精度的信道估计结果。
可以理解的是,在本申请实施例中,终端设备可以直接将接收到的第一DMRS的信号作为信道估计模型的输入,也可以获取基于该第一DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的输入,还可以该信道估计模型的配置得到其他数据作为输入,本申请对此不进行限定。基于该第一DMRS进行信道的估计得到信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
步骤307,根据该第一DMRS,基于信道估计模型进行信道估计。
在本申请实施例中,终端设备能够根据接收到的第一DMRS,基于训练好的该信道估计模型,进行信道估计。
可以理解的是,在本申请实施例中,终端设备可以直接将接收到的第一DMRS的信号作为信道估计模型的输入,也可以获取基于该第一DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的输入,还可以基于该信道估计模型的配置得到其他数据作为输入,本申请对此不进行限定。基于该第一DMRS进行信道的估计得到信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,终端设备还能够接收网络设备发送的第五指示信息,该第五指示信息用于指示终端设备基于该信道估计模型进行信道估计。只有当终端设备接收到该第五指示信息时,才会启用该训练好的信道估计模型进行信道估计。
可选地,该第五指示信息可以为至少1bit信息,直接指示终端设备启用该训练好的信道估计模型进行信道估计(比如,第五指示信息为“0”表示去使能,终端设备不启用该信道估计模型进行信道估计,第五指示信息为“1”表示使能,终端设备启用该信道估计模型进行信道估计)。该第五指示信息也可以是网络设备发送给终端设备的第一DMRS图样配置,以减少导频开销。
可以理解的是,如果终端设备不启用该信道估计模型进行信道估计,则该第一DMRS图样和第二DMRS图样的密度相同,终端设备能够采用传统的信道估计算法,根据接收到的DMRS进行信道估计。
综上,通过向网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力,接收网络设备基于第二DMRS图样发送的第二DMRS,根据该第二DMRS,确定信道估计模型的训练数据,采用训练数据对该信道估计模型进行训练,向网络设备发送第二指示信息,该第二指示信息用于指示该信道估计模型训练完成,接收网络设备基于第一DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图4,图4是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由终端设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图4所示,该方法可以包括如下步骤:
步骤401,向网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力。
在本申请实施例中,步骤401可以采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
步骤402,获取仿真信道中该终端设备接收的仿真信号,该仿真信号为该网络设备在该仿真信道中基于第二DMRS图样发送的第二DMRS。
在本申请实施例中,终端设备能够获取仿真信道中该终端设备接收的仿真信号,该仿真信号为该网络设备在该仿真信道中基于第二DMRS图样发送的第二DMRS。并能够根据该仿真信号确定信道估计模型的训练数据,采用该训练数据进行信道估计模型的训练。
其中,第二DMRS图样可以为legacy DMRS图样。
在本申请实施例中,在仿真信道模型中网络设备基于该第二DMRS图样向终端设备发送DMRS,终端设备能够获取仿真信道中接收的该仿真信号,并确定仿真数据作为训练数据,进行模型的训练。
步骤403,根据该仿真信号,确定信道估计模型的仿真训练数据。
在本申请实施例中,终端设备能够根据获取到的该仿真信号,确定信道估计模型的训练数据,该训练数据为在仿真信道中传输得到的仿真数据。
可选地,在本申请实施例中,终端设备可以直接将接收到的第二DMRS的仿真信号作为信道估计模型的训练数据,也可以获取基于该第二DMRS的仿真信号估计出的信道估计值,将该信道估计值作为该信道估计模型的训练数据,还可以基于该信道估计模型的配置得到其他训练数据,本申请对此不进行限定。基于该第二DMRS进行信道的估计得到的DMRS处的信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,终端设备采用有监督的机器学习方法对信道估计模型进行训练,终端设备还能够获取该仿真信道的理想信道标签,用于信道估计模型的训练。
步骤404,采用该仿真训练数据对该信道估计模型进行训练。
在本申请实施例中,终端设备能够采用前述步骤确定的仿真训练数据,对该信道估计模型进行训练。
在本申请实施例中,该信道估计模型可以采用有监督的机器学习方法进行训练,也可以采用无监督的机器学习方法进行训练。
需要说明的是,本申请实施例中的信道估计模型,可以基于任意一种机器学习方法进行模型的构建和训练,比如卷积神经网络CNN等等,本申请对此不进行限定。
在一些实施方式中,终端设备采用有监督的机器学习方法对信道估计模型进行训练,终端设备还能够获取该仿真信道的理想信道标签,进行信道估计模型的训练。可以理解的是,在仿真信道模型中,该仿真信道的理想信道标签,可以通过建立该仿真信道模型的信道参数获得。
在一些实施方式中,终端设备还能够接收网络设备发送的第三指示信息,该第三指示信息用于指示该终端设备开始进行模型的训练。
可选地,该第三指示信息可以为取值为“0”或“1”比特信息,用于指示终端设备是否开启模型的训练(比如,第三指示信息为“0”表示去使能,终端设备不开始模型训练,第三指示信息为“1”表示使能,终端设备开始模型训练)。该第三指示信息也可以是其他信息,通过隐式指示的方式,来指示终端设备开始模型训练。
在一些实施方式中,终端设备能够直接开始该信道估计模型的训练,或者在发送前述第一指示信息超过预设时间之后开始该信道估计模型的训练。该预设时间可以是由网络设备配置的,也可以是由协议预先约定或规定的。
需要说明的是,在本申请实施例中,该模型的训练可以是在线进行的,也可以是离线进行的,本申请对此不进行限定。
在一些实施方式中,终端设备还能够向网络设备发送训练数据的指示信息,该训练数据的指示信息用于指示该终端设备基于仿真数据还是实际数据进行模型训练。也可以是由网络设备显示或者隐式地配置或指示终端设备采用仿真数据还是实际数据进行模型训练(比如,可以通过发送冲激信号隐式指示采用实际数据进行模型训练等等)。
步骤405,向网络设备发送第二指示信息,该第二指示信息用于指示该信道估计模型训练完成。
步骤406,接收网络设备基于第一DMRS图样发送的第一DMRS。
步骤407,根据该第一DMRS,基于信道估计模型进行信道估计。
在本申请实施例中,步骤405至步骤407可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
综上,通过向网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力,获取仿真信道中该终端设备接收的仿真信号,该仿真信号为该网络设备在该仿真信道中基于第二DMRS图样发送的第二DMRS,根据该仿真信号,确定信道估计模型的仿真训练数据,采用该仿真训练数据对该信道估计模型进行训练,向网络设备发送第二指示信息,该第二指示信息用于指示该信道估计模型训练完成,接收网络设备基于第一DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图5,图5是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由终端设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图5所示,该方法可以包括如下步骤:
步骤501,向网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力。
在本申请实施例中,步骤501可以采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
可以理解的是,在本申请实施例中,该信道估计模型由网络设备进行训练,可以是该终端设备不具有模型训练能力,也可以是终端设备具有模型训练能力,但网络设备根据业务情况等,选择不在终端设备侧进行模型训练。
在本申请实施例中,如果该第一指示信息为终端设备的模型训练能力指示信息,终端设备可能还需要向网络设备发送存储能力信息,硬件处理能力信息,计算能力信息以及功耗能力信息等,用于网络设备确定与该终端设备相匹配的信道估计模型。或者,终端设备还可以基于自身硬件的能力,向网络设备发送模型推荐信息,用于网络设备确定与该终端设备相匹配的信道估计模型。
步骤502,接收网络设备发送的第四指示信息,该第四指示信息用于指示信道估计模型的训练数据的类型。
在本申请实施例中,终端设备能够接收网络设备发送的第四指示信息,该第四指示信息用于指示该训练数据的类型。比如,可以指示该训练数据为该第二DMRS对应的接收信号,也可以指示该训练数据为基于该第二DMRS估计出的DMRS处的信道估计值,还可以基于该信道估计模型的配置指示其他类型的训练数据等等,本申请对此不进行限定。
终端设备能够根据第四指示信息的指示,确定网络设备进行模型训练需要何种训练数据,并根据接收到的第二DMRS确定该训练数据并发送给网络设备。
步骤503,接收网络设备基于第二DMRS图样发送的第二DMRS。
在本申请实施例中,终端设备能够接收网络设备基于第二DMRS图样发送的第二DMRS,并能够根据该第二DMRS确定信道估计模型的训练数据,该训练数据是网络设备进行模型训练所需要的数据。
其中,第二DMRS图样可以为legacy DMRS图样。
步骤504,根据该第二DMRS,确定信道估计模型的训练数据。
在本申请实施例中,终端设备能够根据接收到的第二DMRS,确定信道估计模型的训练数据,该训练数据为经过实际信道传输得到的实际数据。
在本申请实施例中,终端设备能够基于接收到的第四指示信息指示的训练数据的类型,确定该训练数据。比如,基于第四指示信息确定该训练数据为该第二DMRS对应的接收信号,也可以基于第四指示信息确定该训练数据为基于该第二DMRS估计出的信道估计值等等。其中,基于该第二DMRS进行信道的估计得到的DMRS处的信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误 差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,该网络设备采用有监督的机器学习方法对信道估计模型进行训练,终端设备还能够接收网络设备发送的冲激信号,并能够根据该冲激信号获得信道的理想信道标签,并将该理想信道标签和训练数据一起发送给网络设备,该理想信道标签用于信道估计模型的训练。
可选地,该冲激信号可以使用半静态调度的传输方式,终端设备还能够接收网络设备发送的冲激信号的配置信息,其中可以包括该冲激信号的发送周期,以及占用的时频资源等等。该冲激信号也可以使用动态调度的传输方式,该终端设备还能够接收网络设备发送的冲激信号的调度信息,其中可以包括该冲激信号发送占用的时频域资源以及该DCI的作用指示域(如专门用于调度冲激信号)。
在一些实施方式中,终端设备还能够接收网络设备发送的训练数据上报的配置信息或指示信息,用于配置或指示终端设备上报训练数据的周期,上报的训练数据的维度,上报训练数据的数量,以及上报训练数据所采用的时频资源等等。
可以理解,如果该网络设备采用有监督的机器学习方法对信道估计模型进行训练,终端设备还需要将通过接收冲激信号获得的理想信道标签和训练数据一起发送给网络设备,比如一个样本中包含的{训练输入值,标签}为{DMRS的接收信号,数据和DMRS处的理想信道估计值}或{DMRS处的信道估计值,数据和DMRS处的理想信道估计值}。
步骤505,向网络设备发送该训练数据,该训练数据用于对该信道估计模型进行训练。
在本申请实施例中,终端设备能够将确定的训练数据发送给网络设备,由网络设备采用该训练数据进行该信道估计模型的训练。
在本申请实施例中,该信道估计模型可以采用有监督的机器学习方法进行训练,也可以采用无监督的机器学习方法进行训练。
需要说明的是,本申请实施例中的信道估计模型,可以基于任意一种机器学习方法进行模型的构建和训练,比如卷积神经网络CNN等等,本申请对此不进行限定。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,终端设备还能够向网络设备发送该信道的理想信道标签,其中,该理想信道标签是根据接收到的网络设备发送的冲激信号获得的。
需要说明的是,网络设备发送的该冲激信号,可以和第二DMRS分别发送,也可以和第二DMRS一起发送,本申请对此不进行限定。
在一些实施方式中,终端设备还能够根据接收到的网络设备发送的训练数据上报的配置信息或指示信息,根据其中配置或指示的上报训练数据的周期,上报的训练数据的维度,上报训练数据的数量,以及上报训练数据所采用的时频资源等等,发送该训练数据和/或理想信道标签。
步骤506,接收网络设备发送的训练完成的该信道估计模型。
在本申请实施例中,终端设备能够接收网络设备发送的训练完成的信道估计模型。
可选地,网络设备可以通过RRC信令、新的无线信令承载(Signaling Radio Bearer,SRB)或者唯一的逻辑信道标识符(Logical Channel Identify,LCID)所标识的信道等形式,向终端设备发送该训练完成的信道估计模型。
在本申请实施例中,网络设备能够采用终端设备发送的实际的信道数据作为训练数据,对信道估计模型进行训练。网络设备可以是通过自己本身进行模型训练,也可以是通过OTT服务器或者OAM或者LMF等进行模型训练。
在本申请实施例中,网络设备进行训练的模型,可以是根据终端设备上报的模型推荐信息确定的;也可以是网络设备自己确定的,与终端设备的能力相匹配的模型(比如,是网络设备根据终端设备上报的存储能力,硬件处理能力信息,计算能力信息以及功耗能力信息等等确定的,与该终端设备相匹配的模型);还可以是网络设备不基于终端设备的能力而直接确定的。
需要说明的是,在本申请实施例中,该模型的训练可以是在线进行的,也可以是离线进行的,本申请对此不进行限定。
步骤507,接收网络设备基于第一DMRS图样发送的第一DMRS。
步骤508,根据该第一DMRS,基于信道估计模型进行信道估计。
在本申请实施例中,步骤507至步骤508可以分别采用本申请的各实施例中的任一种方式实现,本 申请实施例并不对此作出限定,也不再赘述。
综上,通过向网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力,接收网络设备发送的第四指示信息,该第四指示信息用于指示信道估计模型的训练数据的类型,接收网络设备基于第二DMRS图样发送的第二DMRS,根据该第二DMRS,确定信道估计模型的训练数据,向网络设备发送该训练数据,该训练数据用于对该信道估计模型进行训练,接收网络设备发送的训练完成的该信道估计模型,接收网络设备基于第一DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图6,图6是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由终端设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图6所示,该方法可以包括如下步骤:
步骤601,向网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力。
在本申请实施例中,步骤601可以采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
可以理解的是,在本申请实施例中,该信道估计模型由网络设备进行训练,可以是该终端设备不具有模型训练能力,也可以是终端设备具有模型训练能力,但网络设备根据业务情况等,选择不在终端设备侧进行模型训练。
在本申请实施例中,如果该第一指示信息为终端设备的模型训练能力指示信息,终端设备可能还需要向网络设备发送存储能力信息,硬件处理能力信息,计算能力信息以及功耗能力信息等,用于网络设备确定与该终端设备相匹配的信道估计模型。或者,终端设备还可以基于自身硬件的能力,向网络设备发送模型推荐信息,用于网络设备确定与该终端设备相匹配的信道估计模型。
步骤602,接收网络设备发送的训练完成的该信道估计模型。
在本申请实施例中,终端设备能够接收网络设备发送的训练完成的信道估计模型。
可选地,网络设备可以通过RRC信令、新的无线信令承载SRB或者唯一的LCID所标识的信道等形式,向终端设备发送该训练完成的信道估计模型。
在本申请实施例中,网络设备能够获取仿真信道中该终端设备接收的仿真信号,该仿真信号为该网络设备在该仿真信道中基于第二DMRS图样发送的第二DMRS。并能够根据该仿真信号确定信道估计模型的训练数据,采用该训练数据进行信道估计模型的训练。
其中,第二DMRS图样可以为legacy DMRS图样。
在本申请实施例中,在仿真信道模型中网络设备基于该第二DMRS图样向终端设备发送DMRS,终端设备能够获取仿真信道中接收的该仿真信号,并确定仿真数据作为训练数据,进行模型的训练。
可选地,在本申请实施例中,网络设备设备可以直接将接收到的第二DMRS的仿真信号作为信道估计模型的训练数据,也可以获取基于该第二DMRS的仿真信号估计出的信道估计值,将该信道估计值作为该信道估计模型的训练数据,还可以基于该信道估计模型的配置得到其他训练数据,本申请对此不进行限定。基于该第二DMRS进行信道的估计得到的DMRS处的信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,网络设备还能够获取该仿真信道的理想信道标签,进行信道估计模型的训练。可以理解的是,在仿真信道模型中,该仿真信道的理想信道标签,可以通过建立该仿真信道模型的信道参数获得。
在本申请实施例中,网络设备可以是通过自己本身进行模型训练,也可以是通过OTT服务器或者OAM或者LMF等进行模型训练。
在本申请实施例中,网络设备进行训练的模型,可以是根据终端设备上报的模型推荐信息确定的;也可以是网络设备自己确定的,与终端设备的能力相匹配的模型(比如,是网络设备根据终端设备上报 的存储能力,硬件处理能力信息,计算能力信息以及功耗能力信息等等确定的,与该终端设备相匹配的模型);还可以是网络设备不基于终端设备的能力而直接确定的。
需要说明的是,在本申请实施例中,该模型的训练可以是在线进行的,也可以是离线进行的,本申请对此不进行限定。
步骤603,接收网络设备基于第一DMRS图样发送的第一DMRS。
步骤604,根据该第一DMRS,基于信道估计模型进行信道估计。
在本申请实施例中,步骤603至步骤604可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
综上,通过向网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力,接收网络设备发送的训练完成的该信道估计模型,接收网络设备基于第一DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图7,图7是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由网络设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图7所示,该方法可以包括如下步骤:
步骤701,基于第一DMRS图样向终端设备发送第一DMRS,该第一DMRS用于基于信道估计模型进行信道估计。
在本申请实施例中,网络设备能够基于第一DMRS图样向终端设备发送第一DMRS。终端设备接收到该第一DMRS之后,能够基于训练好的信道估计模型,根据该第一DMRS进行信道估计。
在一些实施方式中,网络设备能够接收终端设备发送的第一指示信息,网络设备能够根据该第一指示信息确定终端设备是否具有模型训练能力。
可选地,该第一指示信息可以包括以下至少一种:该终端设备的模型训练能力指示信息;该终端设备的硬件处理能力信息;该终端设备的计算能力信息;该终端设备的功耗能力信息。
其中,终端设备的模型训练能力指示信息,能够指示该终端设备是否具有模型训练能力。该模型训练能力指示信息可以为至少1比特(bit)。
在一些可能的实现方式中,终端设备还能够向网络设备发送该终端设备的模型推理能力指示信息,该终端设备的模型推理能力指示信息能够指示该终端设备是否具有使用信道估计模型进行模型推理的能力。该模型推理能力指示信息也可以为至少1bit。
可以理解,在本申请各实施例中,终端设备具有模型推理能力,能够基于训练好的信道估计模型,进行信道估计。
可选地,该第一指示信息可以包括在以下至少一种信令中:能力上报信令(UE capability);用户辅助信息UAI;无限资源控制RRC信令;媒体接入控制层控制元素MACCE;上行控制信息UCI。还可以通过物理上行共享信道PUSCH发送该第一指示信息。
在本申请实施例中,终端设备能够基于训练好的信道估计模型,根据接收到的该第一DMRS进行信道估计。
可以理解的是,在本申请实施例中,终端设备可以直接将接收到的DMRS信号作为信道估计模型的输入,也可以获取基于该DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的输入,本申请对此不进行限定。基于该DMRS进行信道的估计得到地DMRS处的信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在本申请实施例中,信道估计模型的训练可以由终端设备进行,也可以由网络设备进行;可以使用实际数据进行训练,也可以使用仿真数据进行训练;可以是离线进行训练,也可以是在线进行训练。
在一些实施方式中,网络设备能够基于第二DMRS图样向终端设备发送第二DMRS,该第二DMRS用于确定该信道估计模型的训练数据。
可选地,该终端设备能够采用确定的该训练数据,对该信道估计模型进行训练。
可选地,该终端设备能够将该训练数据发送给网络设备,由网络设备使用该训练数据对该信道估计模型进行训练。
可选地,在终端设备确定发送给网络设备的训练数据之前,网络设备还能够向终端设备发送第四指示信息,该第四指示信息用于指示该训练数据的类型。比如,可以指示该训练数据为该第二DMRS对应的接收信号,也可以指示该训练数据为基于该第二DMRS估计出的信道估计值等等。终端设备能够根据第四指示信息的指示,确定网络设备进行模型训练需要何种训练数据,并根据接收到的第二DMRS确定该训练数据并发送给网络设备。
在一些实施方式中,该信道估计模型是由终端设备采用仿真训练数据进行训练的。终端设备能够获取仿真信道中终端设备接收的仿真信号,其中,该仿真信号为网络设备在仿真信道中基于第二DMRS图样发送的第二DMRS,终端设备能够根据该仿真信号,确定信道估计模型的仿真训练数据,并采用该仿真训练数据对信道估计模型进行训练。
在一些实施方式中,该信道估计模型是由网络设备采用仿真训练数据进行训练的。网络设备也能够获取仿真信道中终端设备接收的仿真信号,其中,该仿真信号为网络设备在仿真信道中基于第二DMRS图样发送的第二DMRS。网络设备也能够根据该仿真信号,确定信道估计模型的仿真训练数据,并采用该仿真训练数据对信道估计模型进行训练。
在本申请实施例中,对于信道估计模型是由网络设备进行训练的情况,网络设备能够向终端设备发送训练完成的信道估计模型。
在本申请实施例的一些实施方式中,对于信道估计模型是由终端设备进行训练的情况,网络设备还能够接收终端设备发送的第二指示信息,该第二指示信息用于指示该信道估计模型训练完成。
可选地,该第二指示信息除包含模型训练结束指示信息外,还可以包括以下至少一种信息:该信道估计模型的能力信息,该信道估计模型的处理时延信息。或者,模型训练结束指示信息通过以上两种信息的至少一种信息来隐式指示。
其中,该信道估计模型的能力信息,是指该信道估计模型与传统的信道估计方法相比所具有的能力,比如,该模型能够采用与传统图样相比更低密度的DMRS进行信道估计,或者能够获得与传统信道估计方法相比更高精度的信道估计结果等等。该信道估计模型的处理时延信息,是指采用该模型时终端设备的处理时延,可以包括模型的加载时间,以及采用该模型进行推理的时间等等。
网络设备能够根据该第二指示信息,确定信道估计模型已训练完毕,同时,还可以获取该模型的能力信息和/或该模型的处理时延信息/模型复杂度/模型推理功耗等,能够根据能力信息以及处理时延信息对该终端设备进行合理的调度;并且,根据模型的处理时延/模型复杂度/模型推理功耗等信息,决定是否启用AI模型。
可选地,该第二指示信息可以包括在以下至少一种信令中:能力上报信令(UE capability);用户辅助信息UAI;无限资源控制RRC信令;媒体接入控制层控制元素MAC CE;上行控制信息UCI。还可以通过PUSCH发送该第二指示信息。
在一些实施方式中,对于信道估计模型是由终端设备进行训练的情况,网络设备还能够向终端设备发送第三指示信息,该第三指示信息用于指示终端设备开始该信道估计模型的训练。该第三指示信息可以为至少1bit。
在一些实施方式中,对于信道估计模型是由终端设备进行训练的情况,终端设备也可以直接开始该信道估计模型的训练,或者也可以在发送该第一指示信息超过预设时间之后开始模型的训练。该预设时间可以是网络设备配置的,也可以是协议约定或规定的。
在一些实施方式中,网络设备也可以根据业务需要和情况等,向终端设备发送去使能的信令,用于指示终端设备不开始模型的训练。
在一些实施方式中,如果信道估计模型采用有监督的机器学习方法进行训练,网络设备还能够向终端设备发送冲激信号,终端设备能够根据该冲激信号来获取信道的理想信道估计标签,该理想信道估计标签用于该信道估计模型的训练。
在一些实施方式中,对于信道估计模型是由终端设备进行训练的情况,如果信道估计模型采用有监督的机器学习方法进行训练,网络设备还可以接收终端设备发送的辅助信息,来请求网络设备下发冲激信号。终端设备能够根据该冲激信号来获取信道的理想信道估计标签,并采用该理想信道估计标签进行 该信道估计模型的训练。
在一些实施方式中,该信道估计模型具有采用低密度的DMRS进行信道估计的能力,该第一DMRS图样的密度低于该第二DMRS图样的密度。其中,该第二DMRS图样可以为legacy DMRS图样。终端设备能够采用与legacy DMRS图样相比更低密度的DMRS,基于该信道估计模型获得信道估计结果。
在一些实施方式中,该信道估计模型具有高精度的信道估计结果的能力,该第一DMRS图样的密度与该第二DMRS图样的密度相同。其中,该第二DMRS图样可以为legacy DMRS图样,终端设备能够采用与legacy DMRS图样密度相同的DMRS,基于该信道估计模型获得与传统信道估计方法相比更高精度的信道估计结果。
在一些实施方式中,网络设备还能够向终端设备发送第五指示信息,该第五指示信息用于指示终端设备基于该信道估计模型进行信道估计。只有当终端设备接收到该第五指示信息时,才会启用该训练好的信道估计模型进行信道估计。
可选地,该第五指示信息可以为至少1bit信息,直接指示终端设备启用该训练好的信道估计模型进行信道估计。该第五指示信息也可以是网络设备发送给终端设备的第一DMRS图样配置,以减少导频开销。
综上,通过基于第一DMRS图样向终端设备发送第一DMRS,该第一DMRS用于基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
另外,可选地,在本申请各个实施例中,对于在线的模型训练,还可以进行模型更新,以及可以定义一个模型更新周期。在该模型更新周期结束之前,终端设备需要完成新一轮的模型训练和/或模型测试,并将重新训练好的模型进行重部署(re-deployment)。其中,在一些实施方式中,考虑到模型的重部署等模型加载可能需要一定的时间,在该时间内终端设备根据自身的存储能力,可以使用原模型进行推理(比如终端设备能同时存储至少两个模型,且新模型不会覆盖原模型),也可以使用传统方法进行信道估计(比如终端设备存储的新模型会覆盖原模型)。该时间可以由网络设备配置或者指示,也可以由协议进行规定。
该模型更新周期可以由网络设备进行配置;或者由终端设备上报支持的最短模型更新周期,网络设备基于终端设备的上报进行合理的模型更新周期的配置;或者网络设备基于终端设备上报的更新周期对在线模型训练功能进行使能或去使能(考虑到如果模型更新(re-development)的时间太长,依据更新开始时的信道数据训练好的模型可能已经不能满足当前信道环境等,因此可以对模型训练功能去使能,以避免做无意义的工作);或者,协议规定最短模型训练/更新周期,由终端设备根据自身实际情况决定是否进行在线模型训练与更新。
请参见图8,图8是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由网络设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图8所示,该方法可以包括如下步骤:
步骤801,接收终端设备基于第一DMRS图样发送的第一DMRS。
在本申请实施例中,网络设备能够接收终端设备发送的第一DMRS,该第一DMRS是终端设备基于第一DMRS图样发送的。网络设备接收到该第一DMRS之后,能够基于训练好的信道估计模型,根据该第一DMRS进行上行信道估计。
在一些实施方式中,网络设备能够接收终端设备基于第二DMRS图样发送的第二DMRS,并能够根据该第二DMRS确定信道估计模型的训练数据,采用该训练数据进行信道估计模型的训练。其中,第二DMRS图样可以为legacy DMRS图样。
可选地,在本申请实施例中,网络设备可以直接将接收到的第二DMRS的信号作为信道估计模型的训练数据,也可以获取基于该第二DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的训练数据,还可以基于该信道估计模型的配置得到其他训练数据,本申请对此不进行限定。基于该第二DMRS进行信道的估计得到信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,网络设备还能够向终端设备发送指示信息,该指示信息用于指示终端设备发送冲激信号,网络设备接收终端设备发送的该冲激信号,并能够根据该冲激信号获得信道的理想信道标签,进行信道估计模型的训练。
其中,该冲激信号的发送周期和占用的时频资源等等,可以是由网络设备配置的,也可以是由网络设备动态地调度和指示的。
需要说明的是,终端设备发送的该冲激信号,可以和第二DMRS分别发送,也可以和第二DMRS一起发送,本申请对此不进行限定。
在一些实施方式中,网络设备能够获取仿真信道中该网络设备接收的仿真信号,其中,该仿真信号为终端设备在仿真信道中基于第二DMRS图样发送的第二DMRS。网络设备能够根据该仿真信号,确定信道估计模型的仿真训练数据,并采用该仿真训练数据对信道估计模型进行训练。
在本申请实施例中,该信道估计模型可以采用有监督的机器学习方法进行训练,也可以采用无监督的机器学习方法进行训练。
需要说明的是,本申请实施例中的信道估计模型,可以基于任意一种机器学习方法进行模型的构建和训练,比如卷积神经网络CNN等等,本申请对此不进行限定。
在本申请实施例中,信道估计模型的训练可以使用实际数据进行训练,也可以使用仿真数据进行训练;可以是离线进行训练,也可以是在线进行训练。
可以理解的是,在本申请实施例中,该第一DMRS图样和该第二DMRS图样,都是终端设备基于网络设备的配置和/或指示确定的。
步骤802,根据该第一DMRS,基于信道估计模型进行信道估计。
在本申请实施例中,网络设备能够基于训练好的信道估计模型,根据接收到的该第一DMRS进行信道估计。
可以理解的是,在本申请实施例中,网络设备可以直接将接收到的DMRS信号作为信道估计模型的输入,也可以获取基于该DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的输入,本申请对此不进行限定。基于该DMRS进行信道的估计得到信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,该信道估计模型具有采用低密度的DMRS进行信道估计的能力,该第一DMRS图样的密度低于该第二DMRS图样的密度。其中,该第二DMRS图样可以为legacy DMRS图样。网络设备能够采用与legacy DMRS图样相比更低密度的DMRS,基于该信道估计模型获得上行信道估计结果。网络设备能够基于自身训练好的模型的能力,配置或指示终端设备降低DMRS图样的密度。
在一些实施方式中,该信道估计模型具有高精度的信道估计结果的能力,该第一DMRS图样的密度与该第二DMRS图样的密度相同。其中,该第二DMRS图样可以为legacy DMRS图样,网络设备能够采用与legacy DMRS图样密度相同的DMRS,基于该信道估计模型获得与传统信道估计方法相比更高精度的上行信道估计结果。
在一些实施方式中,对于在线的模型训练和模型更新情况,如果网络设备在进行模型更新时使用传统方法进行上行信道估计,在网络设备已经配置或指示了终端设备降低DMRS图样的密度的情况下,可能还需要向终端设备配置或指示高密度的DMRS图样(比如legacy DMRS图样)。
可以理解的是,网络设备对该信道估计模型的训练结束之后,也可以根据实际情况,灵活选择是否使用该信道估计模型进行信道估计。如果网络设备使用该信道模型进行信道估计,能够基于该模型的能力,向终端设备配置或指示与传统图样相比降低密度的DMRS图样,或者向终端设备配置或指示legacy DMRS图样。如果网络设备不使用该信道模型进行信道估计,能够向终端设备配置或指示高密度的DMRS图样(比如legacy DMRS图样)。
综上,通过接收终端设备基于第一DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得网络设备能够进行基于人工智能技术的上行信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图9,图9是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请 实施例的信道估计方法由网络设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图9所示,该方法可以包括如下步骤:
步骤901,接收终端设备基于第二DMRS图样发送的第二DMRS。
在本申请实施例中,网络设备能够接收终端设备基于第二DMRS图样发送的第二DMRS,并能够根据该第二DMRS确定信道估计模型的训练数据,采用该训练数据进行信道估计模型的训练。其中,第二DMRS图样可以为legacy DMRS图样。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,网络设备还能够向终端设备发送指示信息,该指示信息用于指示终端设备发送冲激信号,网络设备接收终端设备发送的该冲激信号,并能够根据该冲激信号获得信道的理想信道标签,进行信道估计模型的训练。
其中,该冲激信号的发送周期和占用的时频资源等等,可以是由网络设备配置的,也可以是由网络设备动态地调度和指示的。
需要说明的是,终端设备发送的该冲激信号,可以和第二DMRS分别发送,也可以和第二DMRS一起发送,本申请对此不进行限定。
步骤902,根据该第二DMRS,确定信道估计模型的训练数据。
在本申请实施例中,网络设备能够根据接收到的第二DMRS,确定信道估计模型的训练数据,该训练数据为经过实际信道传输得到的实际数据。
可选地,在本申请实施例中,网络设备可以直接将接收到的第二DMRS的信号作为信道估计模型的训练数据,也可以获取基于该第二DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的训练数据,还可以基于该信道估计模型的配置得到其他训练数据,本申请对此不进行限定。基于该第二DMRS进行信道的估计得到信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,网络设备还能够向终端设备发送指示信息,该指示信息用于指示终端设备发送冲激信号,网络设备接收终端设备发送的该冲激信号。
需要说明的是,终端设备发送的该冲激信号,可以和第二DMRS分别发送,也可以和第二DMRS一起发送,本申请对此不进行限定。
步骤903,采用该训练数据对该信道估计模型进行训练。
在本申请实施例中,网络设备能够采用前述步骤确定的训练数据,对该信道估计模型进行训练。
在本申请实施例中,该信道估计模型可以采用有监督的机器学习方法进行训练,也可以采用无监督的机器学习方法进行训练。
需要说明的是,本申请实施例中的信道估计模型,可以基于任意一种机器学习方法进行模型的构建和训练,比如卷积神经网络CNN等等,本申请对此不进行限定。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,网络设备还能够采用根据接收到的冲激信号获得的该信道的理想信道标签,进行信道估计模型的训练。
步骤904,接收终端设备基于第一DMRS图样发送的第一DMRS。
步骤905,根据该第一DMRS,基于该信道估计模型进行信道估计。
在本申请实施例中,步骤904至步骤905可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
综上,通过接收终端设备基于第二DMRS图样发送的第二DMRS,根据该第二DMRS,确定信道估计模型的训练数据,采用该训练数据对该信道估计模型进行训练,接收终端设备基于第一DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得网络设备能够进行基于人工智能技术的上行信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图10,图10是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由网络设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图10所示,该方法可以包括如下步骤:
步骤1001,获取仿真信道中该网络设备接收的仿真信号,该仿真信号为该终端设备在该仿真信道中基于第二DMRS图样发送的第二DMRS。
在本申请实施例中,网络设备能够获取仿真信道中该网络设备接收的仿真信号,该仿真信号为该终端设备在该仿真信道中基于第二DMRS图样发送的第二DMRS。并能够根据该仿真信号确定信道估计模型的训练数据,采用该训练数据进行信道估计模型的训练。
其中,第二DMRS图样可以为legacy DMRS图样。
在本申请实施例中,在仿真信道模型中终端设备基于该第二DMRS图样向网络设备发送DMRS,网络设备能够获取仿真信道中接收的该仿真信号,并确定仿真数据作为训练数据,进行模型的训练。
步骤1002,根据该仿真信号,确定信道估计模型的仿真训练数据。
在本申请实施例中,网络设备能够根据获取到的该仿真信号,确定信道估计模型的训练数据,该训练数据为在仿真信道中传输得到的仿真数据。
可选地,在本申请实施例中,网络设备可以直接将接收到的第二DMRS的仿真信号作为信道估计模型的训练数据,也可以获取基于该第二DMRS的仿真信号估计出的信道估计值,将该信道估计值作为该信道估计模型的训练数据,还可以基于该信道估计模型的配置得到其他训练数据,本申请对此不进行限定。基于该第二DMRS进行信道的估计得到的DMRS处的信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,网络设备还能够获取该仿真信道的理想信道标签,用于信道估计模型的训练。
步骤1003,采用该仿真训练数据对该信道估计模型进行训练。
在本申请实施例中,网络设备能够采用前述步骤确定的仿真训练数据,对该信道估计模型进行训练。
在本申请实施例中,该信道估计模型可以采用有监督的机器学习方法进行训练,也可以采用无监督的机器学习方法进行训练。
需要说明的是,本申请实施例中的信道估计模型,可以基于任意一种机器学习方法进行模型的构建和训练,比如卷积神经网络CNN等等,本申请对此不进行限定。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,网络设备还能够获取该仿真信道的理想信道标签,进行信道估计模型的训练。可以理解的是,在仿真信道模型中,该仿真信道的理想信道标签,可以通过建立该仿真信道模型的信道参数获得。
步骤1004,接收终端设备基于第一DMRS图样发送的第一DMRS。
步骤1005,根据该第一DMRS,基于该信道估计模型进行信道估计。
在本申请实施例中,步骤1004至步骤1005可以分别采用本申请的各实施例中的任一种方式实现,本申请实施例并不对此作出限定,也不再赘述。
综上,通过获取仿真信道中该网络设备接收的仿真信号,该仿真信号为该终端设备在该仿真信道中基于第二DMRS图样发送的第二DMRS,根据该仿真信号,确定信道估计模型的仿真训练数据,采用该仿真训练数据对该信道估计模型进行训练,接收终端设备基于第一DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得网络设备能够进行基于人工智能技术的上行信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图11,图11是本申请实施例提供的一种信道估计方法的流程示意图。需要说明的是,本申请实施例的信道估计方法由终端设备执行。该方法可以独立执行,也可以结合本申请任意一个其他实施例一起被执行。如图11所示,该方法可以包括如下步骤:
步骤1101,基于第一DMRS图样向网络设备发送第一DMRS,该第一DMRS用于基于信道估计模型进行信道估计。
在本申请实施例中,终端设备能够基于第一DMRS图样向网络设备发送第一DMRS。网络设备接收到该第一DMRS之后,能够基于训练好的信道估计模型,根据该第一DMRS进行上行信道估计。其中,该第一DMRS图样,是终端设备基于网络设备的配置和/或指示确定的。
在一些实施方式中,终端设备能够基于第二DMRS图样向网络设备发送第二DMRS,网络设备能够根据该第二DMRS确定信道估计模型的训练数据,采用该训练数据进行信道估计模型的训练。其中,第二DMRS图样可以为legacy DMRS图样。该第二DMRS图样,也是终端设备基于网络设备的配置和/或指示确定的。
可选地,在本申请实施例中,网络设备可以直接将接收到的第二DMRS的信号作为信道估计模型的训练数据,也可以获取基于该第二DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的训练数据,还可以基于该信道估计模型的配置得到其他训练数据,本申请对此不进行限定。基于该第二DMRS进行信道的估计得到的DMRS处的信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,网络设备采用有监督的机器学习方法对信道估计模型进行训练,终端设备还能够接收网络设备发送的指示信息,该指示信息用于指示终端设备发送冲激信号。网络设备接收终端设备发送的该冲激信号,并能够根据该冲激信号获得信道的理想信道标签,进行信道估计模型的训练。
其中,该冲激信号的发送周期和占用的时频资源等等,可以是由网络设备配置的,也可以是由网络设备动态地调度和指示的。
需要说明的是,终端设备发送的该冲激信号,可以和第二DMRS分别发送,也可以和第二DMRS一起发送,本申请对此不进行限定。
在一些实施方式中,网络设备能够获取仿真信道中该网络设备接收的仿真信号,其中,该仿真信号为终端设备在仿真信道中基于第二DMRS图样发送的第二DMRS。网络设备能够根据该仿真信号,确定信道估计模型的仿真训练数据,并采用该仿真训练数据对信道估计模型进行训练。
在本申请实施例中,该信道估计模型可以采用有监督的机器学习方法进行训练,也可以采用无监督的机器学习方法进行训练。
需要说明的是,本申请实施例中的信道估计模型,可以基于任意一种机器学习方法进行模型的构建和训练,比如卷积神经网络CNN等等,本申请对此不进行限定。
在本申请实施例中,信道估计模型的训练可以使用实际数据进行训练,也可以使用仿真数据进行训练;可以是离线进行训练,也可以是在线进行训练。
在本申请实施例中,网络设备能够基于训练好的信道估计模型,根据接收到的该第一DMRS进行信道估计。
可以理解的是,在本申请实施例中,网络设备可以直接将接收到的DMRS信号作为信道估计模型的输入,也可以获取基于该DMRS估计出的信道估计值,将该信道估计值作为该信道估计模型的输入,本申请对此不进行限定。基于该DMRS进行信道的估计得到的DMRS处的信道估计值,可以采用最小二乘法LS进行估计,也可以采用最小均方误差法MMSE进行估计,还可以采用其他估计算法等等,本申请对此也不进行限定。
在一些实施方式中,该信道估计模型具有采用低密度的DMRS进行信道估计的能力,该第一DMRS图样的密度低于该第二DMRS图样的密度。其中,该第二DMRS图样可以为legacy DMRS图样。网络设备能够采用与legacy DMRS图样相比更低密度的DMRS,基于该信道估计模型获得上行信道估计结果。网络设备能够基于自身训练好的模型的能力,配置或指示终端设备降低DMRS图样的密度。
在一些实施方式中,该信道估计模型具有高精度的信道估计结果的能力,该第一DMRS图样的密度与该第二DMRS图样的密度相同。其中,该第二DMRS图样可以为legacy DMRS图样,网络设备能够采用与legacy DMRS图样密度相同的DMRS,基于该信道估计模型获得与传统信道估计方法相比更高精度的上行信道估计结果。
在一些实施方式中,对于在线的模型训练和模型更新情况,如果网络设备在进行模型更新时使用传统方法进行上行信道估计,在网络设备已经配置或指示了终端设备降低DMRS图样的密度的情况下,可能还需要向终端设备配置或指示高密度的DMRS图样(比如legacy DMRS图样)。终端设备根据网络设备的配置或指示,发送DMRS。
综上,通过基于第一DMRS图样向网络设备发送第一DMRS,该第一DMRS用于基于信道估计模型进行信道估计,使得网络设备能够进行基于人工智能技术的上行信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
与上述几种实施例提供的信道估计方法相对应,本申请还提供一种信道估计装置,由于本申请实施例提供的信道估计装置与上述几种实施例提供的方法相对应,因此在信道估计方法的实施方式也适用于下述实施例提供的信道估计装置,在下述实施例中不再详细描述。
请参见图12,图12为本申请实施例提供的一种信道估计装置的结构示意图。
如图12所示,该信道估计装置1200包括:收发单元1210和处理单元1220,其中:
收发单元1210,用于接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS;
处理单元1220,用于根据该第一DMRS,基于该信道估计模型进行信道估计。
可选地,该收发单元1210还用于:
向该网络设备发送第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力。
可选地,该收发单元1210还用于:
接收该网络设备基于第二DMRS图样发送的第二DMRS;
根据该第二DMRS,确定该信道估计模型的训练数据。
可选地,该处理单元1220还用于:
采用该训练数据对该信道估计模型进行训练。
可选地,该收发单元1210还用于:
向该网络设备发送该训练数据,该训练数据用于对该信道估计模型进行训练。
可选地,该处理单元1220还用于:
获取仿真信道中该终端设备接收的仿真信号,该仿真信号为该网络设备在该仿真信道中基于第二DMRS图样发送的第二DMRS;
根据该仿真信号,确定该信道估计模型的仿真训练数据;
采用该仿真训练数据对该信道估计模型进行训练。
可选地,该收发单元1210还用于:
接收该网络设备发送的训练完成的该信道估计模型。
可选地,该收发单元1210还用于:
向该网络设备发送第二指示信息,该第二指示信息用于指示该信道估计模型训练完成。
可选地,该第二指示信息包括以下至少一种:该信道估计模型的能力信息,该信道估计模型的处理时延信息。
可选地,该收发单元1210还用于:
接收该网络设备发送的第三指示信息,该第三指示信息用于指示该终端设备开始该信道估计模型的训练。
可选地,该收发单元1210还用于:
接收该网络设备发送的第四指示信息,该第四指示信息用于指示该训练数据的类型。
可选地,该第一DMRS图样的密度低于该第二DMRS图样的密度;
其中,该信道估计模型的能力信息为,具有采用低密度的DMRS进行信道估计的能力。
可选地,该第一DMRS图样的密度与该第二DMRS图样的密度相同;
其中,该信道估计模型的能力信息为,具有高精度的信道估计结果的能力。
可选地,该收发单元1210还用于:
接收该网络设备发送的冲激信号;
根据该冲激信号,确定该信道的理想信道估计标签,该理想信道估计标签用于该信道估计模型的训练;
其中,该信道估计模型采用有监督的机器学习装置进行训练。
可选地,该收发单元1210还用于:
向该网络设备发送辅助信息,该辅助信息用于请求该冲激信号;
其中,该终端设备采用该理想信道估计标签进行该信道估计模型的训练。
可选地,该第一指示信息包括以下至少一种:
该终端设备的模型训练能力指示信息;
该终端设备的硬件处理能力信息;
该终端设备的计算能力信息;
该终端设备的功耗能力信息。
可选地,该收发单元1210还用于:
接收该网络设备发送的第五指示信息,该第五指示信息用于指示该终端设备基于该信道估计模型进行信道估计。
本实施例的信道估计装置,可以通过接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS,根据第一DMRS,基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图13,图13为本申请实施例提供的一种信道估计装置的结构示意图。
如图13所示,该信道估计装置1300包括:收发单元1310,其中:
收发单元1310,用于基于第一解调参考信号DMRS图样向终端设备发送第一DMRS;
该第一DMRS用于基于信道估计模型进行信道估计。
可选地,该收发单元1310还用于:
接收该终端设备发送的第一指示信息,该第一指示信息用于指示该终端设备是否具有模型训练能力。
可选地,该收发单元1310还用于:
基于第二DMRS图样向该终端设备发送第二DMRS;
该第二DMRS用于确定该信道估计模型的训练数据。
可选地,该收发单元1310还用于:
接收该终端设备发送的该训练数据;
采用该训练数据对该信道估计模型进行训练。
可选地,该收发单元1310还用于:
获取仿真信道中该终端设备接收的仿真信号,该仿真信号为该网络设备在该仿真信道中基于第二DMRS图样发送的第二DMRS;
根据该仿真信号,确定该信道估计模型的仿真训练数据;
采用该仿真训练数据对该信道估计模型进行训练。
可选地,该收发单元1310还用于:
接收该网络设备发送的训练完成的该信道估计模型。
可选地,该收发单元1310还用于:
接收该终端设备发送的第二指示信息,该第二指示信息用于指示该信道估计模型训练完成。
可选地,该第二指示信息包括以下至少一种:该信道估计模型的能力信息,该信道估计模型的处理时延信息。
可选地,该收发单元1310还用于:
向该终端设备发送第三指示信息,该第三指示信息用于指示该终端设备开始该信道估计模型的训练。
可选地,该收发单元1310还用于:
向该终端设备发送第四指示信息,该第四指示信息用于指示该训练数据的类型。
可选地,该第一DMRS图样的密度低于该第二DMRS图样的密度;
其中,该信道估计模型的能力信息为,具有采用低密度的DMRS进行信道估计的能力。
可选地,该第一DMRS图样的密度与该第二DMRS图样的密度相同;
其中,该信道估计模型的能力信息为,具有高精度的信道估计结果的能力。
可选地,该收发单元1310还用于:
向该终端设备发送冲激信号;
该冲激信号用于确定该信道的理想信道估计标签,该理想信道估计标签用于该信道估计模型的训练;
其中,该信道估计模型采用有监督的机器学习装置进行训练。
可选地,该收发单元1310还用于:
接收该终端设备发送的辅助信息,该辅助信息用于请求该冲激信号;
其中,该终端设备采用该理想信道估计标签进行该信道估计模型的训练。
可选地,该第一指示信息包括以下至少一种:
该终端设备的模型训练能力指示信息;
该终端设备的硬件处理能力信息;
该终端设备的计算能力信息;
该终端设备的功耗能力信息。
可选地,该收发单元1310还用于:
向该终端设备发送第五指示信息,该第五指示信息用于指示该终端设备基于该信道估计模型进行信道估计。
本实施例的信道估计装置,可以通过基于第一DMRS图样向终端设备发送第一DMRS,该第一DMRS用于基于信道估计模型进行信道估计,使得不同能力的终端设备均能够支持基于人工智能技术的信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图14,图14为本申请实施例提供的一种信道估计装置的结构示意图。
如图14所示,该信道估计装置1400包括:收发单元1410和处理单元1420,其中:
收发单元1410,用于接收终端设备发送的基于第一解调参考信号DMRS图样发送的第一DMRS;
处理单元1420,用于根据该第一DMRS,基于信道估计模型进行信道估计。
可选地,该收发单元1410还用于:
接收该终端设备基于第二DMRS图样发送的第二DMRS;
根据该第二DMRS,确定该信道估计模型的训练数据;
采用该训练数据对该信道估计模型进行训练。
可选地,该收发单元1410还用于:
向该终端设备发送指示信息,该指示信息用于指示该终端设备发送冲激信号;
接收该终端设备发送的该冲激信号;
根据该冲激信号,确定该信道的理想信道估计标签,该理想信道估计标签用于该信道估计模型的训练;
其中,该信道估计模型采用有监督的机器学习装置进行训练。
可选地,该处理单元1420还用于:
获取仿真信道中该网络设备接收的仿真信号,该仿真信号为该终端设备在该仿真信道中基于第二DMRS图样发送的第二DMRS;
根据该仿真信号,确定该信道估计模型的仿真训练数据;
采用该仿真训练数据对该信道估计模型进行训练。
可选地,该第一DMRS图样的密度低于该第二DMRS图样的密度;
其中,该信道估计模型的能力信息为,具有采用低密度的DMRS进行信道估计的能力。
可选地,该第一DMRS图样的密度与该第二DMRS图样的密度相同;
其中,该信道估计模型的能力信息为,具有高精度的信道估计结果的能力。
本实施例的信道估计装置,可以通过接收终端设备基于第一DMRS图样发送的第一DMRS,根据该第一DMRS,基于信道估计模型进行信道估计,使得网络设备能够进行基于人工智能技术的上行信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
请参见图15,图15为本申请实施例提供的一种信道估计装置的结构示意图。
如图15所示,该信道估计装置1500包括:收发单元1510,其中:
收发单元1510,用于基于第一解调参考信号DMRS图样向网络设备发送第一DMRS;
该第一DMRS用于基于信道估计模型进行信道估计。
可选地,该收发单元1510还用于:
基于第二DMRS图样向该网络设备发送第二DMRS;
该第二DMRS用于确定该信道估计模型的训练数据。
可选地,该收发单元1510还用于:
接收该网络设备发送的指示信息,该指示信息用于指示该终端设备发送冲激信号;
向该网络设备发送该冲激信号;
根据该冲激信号,确定该信道的理想信道估计标签,该理想信道估计标签用于该信道估计模型的训练;
其中,该信道估计模型采用有监督的机器学习装置进行训练。
可选地,该第一DMRS图样的密度低于该第二DMRS图样的密度;
其中,该信道估计模型的能力信息为,具有采用低密度的DMRS进行信道估计的能力。
可选地,该第一DMRS图样的密度与该第二DMRS图样的密度相同;
其中,该信道估计模型的能力信息为,具有高精度的信道估计结果的能力。
本实施例的信道估计装置,可以通过基于第一DMRS图样向网络设备发送第一DMRS,该第一DMRS用于基于信道估计模型进行信道估计,使得网络设备能够进行基于人工智能技术的上行信道估计,有效提高了信道估计的精确度,从而大幅提高解码的成功率,有效提高通信系统的频谱效率,节约系统的导频开销。
为了实现上述实施例,本申请实施例还提出一种通信装置,包括:处理器和存储器,存储器中存储有计算机程序,处理器执行所述存储器中存储的计算机程序,以使装置执行图2至图6实施例所示的方法。
为了实现上述实施例,本申请实施例还提出一种通信装置,包括:处理器和存储器,存储器中存储有计算机程序,处理器执行所述存储器中存储的计算机程序,以使装置执行图7实施例所示的方法。
为了实现上述实施例,本申请实施例还提出一种通信装置,包括:处理器和存储器,存储器中存储有计算机程序,处理器执行所述存储器中存储的计算机程序,以使装置执行图8至图10实施例所示的方法。
为了实现上述实施例,本申请实施例还提出一种通信装置,包括:处理器和存储器,存储器中存储有计算机程序,处理器执行所述存储器中存储的计算机程序,以使装置执行图11实施例所示的方法。
为了实现上述实施例,本申请实施例还提出一种通信装置,包括:处理器和接口电路,接口电路,用于接收代码指令并传输至处理器,处理器,用于运行所述代码指令以执行图2至图6实施例所示的方法。
为了实现上述实施例,本申请实施例还提出一种通信装置,包括:处理器和接口电路,接口电路,用于接收代码指令并传输至处理器,处理器,用于运行所述代码指令以执行图7实施例所示的方法。
为了实现上述实施例,本申请实施例还提出一种通信装置,包括:处理器和接口电路,接口电路,用于接收代码指令并传输至处理器,处理器,用于运行所述代码指令以执行图8至图10实施例所示的方法。
为了实现上述实施例,本申请实施例还提出一种通信装置,包括:处理器和接口电路,接口电路,用于接收代码指令并传输至处理器,处理器,用于运行所述代码指令以执行图11实施例所示的方法。
请参见图16,图16是本公开实施例提供的另一种信道估计装置的结构示意图。信道估计装置1600可以是网络设备,也可以是终端设备,也可以是支持网络设备实现上述方法的芯片、芯片系统、或处理器等,还可以是支持终端设备实现上述方法的芯片、芯片系统、或处理器等。该装置可用于实现上述方法实施例中描述的方法,具体可以参见上述方法实施例中的说明。
信道估计装置1600可以包括一个或多个处理器1601。处理器1601可以是通用处理器或者专用处理器等。例如可以是基带处理器或中央处理器。基带处理器可以用于对通信协议以及通信数据进行处理,中央处理器可以用于对信道估计装置(如,基站、基带芯片,终端设备、终端设备芯片,DU或CU等)进行控制,执行计算机程序,处理计算机程序的数据。
可选的,信道估计装置1600中还可以包括一个或多个存储器1602,其上可以存有计算机程序1603, 处理器1601执行计算机程序1603,以使得信道估计装置1600执行上述方法实施例中描述的方法。计算机程序1603可能固化在处理器1601中,该种情况下,处理器1601可能由硬件实现。
可选的,存储器1602中还可以存储有数据。信道估计装置1600和存储器1602可以单独设置,也可以集成在一起。
可选的,信道估计装置1600还可以包括收发器1605、天线1606。收发器1605可以称为收发单元、收发机、或收发电路等,用于实现收发功能。收发器1605可以包括接收器和发送器,接收器可以称为接收机或接收电路等,用于实现接收功能;发送器可以称为发送机或发送电路等,用于实现发送功能。
可选的,信道估计装置1600中还可以包括一个或多个接口电路1607。接口电路1607用于接收代码指令并传输至处理器1601。处理器1601运行代码指令以使信道估计装置1600执行上述方法实施例中描述的方法。
在一种实现方式中,处理器1601中可以包括用于实现接收和发送功能的收发器。例如该收发器可以是收发电路,或者是接口,或者是接口电路。用于实现接收和发送功能的收发电路、接口或接口电路可以是分开的,也可以集成在一起。上述收发电路、接口或接口电路可以用于代码/数据的读写,或者,上述收发电路、接口或接口电路可以用于信号的传输或传递。
在一种实现方式中,信道估计装置1600可以包括电路,电路可以实现前述方法实施例中发送或接收或者通信的功能。本公开中描述的处理器和收发器可实现在集成电路(integrated circuit,IC)、模拟IC、射频集成电路RFIC、混合信号IC、专用集成电路(application specific integrated circuit,ASIC)、印刷电路板(printed circuit board,PCB)、电子设备等上。该处理器和收发器也可以用各种IC工艺技术来制造,例如互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)、N型金属氧化物半导体(nMetal-oxide-semiconductor,NMOS)、P型金属氧化物半导体(positive channel metal oxide semiconductor,PMOS)、双极结型晶体管(bipolar junction transistor,BJT)、双极CMOS(BiCMOS)、硅锗(SiGe)、砷化镓(GaAs)等。
以上实施例描述中的信道估计装置可以是网络设备或者终端设备,但本公开中描述的信道估计装置的范围并不限于此,而且信道估计装置的结构可以不受图12-图15的限制。信道估计装置可以是独立的设备或者可以是较大设备的一部分。例如信道估计装置可以是:
(1)独立的集成电路IC,或芯片,或,芯片系统或子系统;
(2)具有一个或多个IC的集合,可选的,该IC集合也可以包括用于存储数据,计算机程序的存储部件;
(3)ASIC,例如调制解调器(Modem);
(4)可嵌入在其他设备内的模块;
(5)接收机、终端设备、智能终端设备、蜂窝电话、无线设备、手持机、移动单元、车载设备、网络设备、云设备、人工智能设备等等;
(6)其他等等。
对于信道估计装置可以是芯片或芯片系统的情况,可参见图17所示的芯片的结构示意图。图17所示的芯片包括处理器1701和接口1702。其中,处理器1701的数量可以是一个或多个,接口1702的数量可以是多个。
对于芯片用于实现本公开实施例中网络设备的功能的情况:
接口1702,用于代码指令并传输至处理器;
处理器1701,用于运行代码指令以执行如图2至图6的方法,或者执行如图11的方法。
对于芯片用于实现本公开实施例中终端设备的功能的情况:
接口1702,用于代码指令并传输至处理器;
处理器1701,用于运行代码指令以执行如图7的方法,或者执行如图8至图10的方法。
可选的,芯片还包括存储器1703,存储器1703用于存储必要的计算机程序和数据。
本领域技术人员还可以了解到本公开实施例列出的各种说明性逻辑块(illustrative logical block)和步骤(step)可以通过电子硬件、电脑软件,或两者的结合进行实现。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现的功能,但这种实现不应被理解为超出本公开实施例保护的范围。
本公开实施例还提供一种通信系统,该系统包括前述图8-图9实施例中作为终端设备的信道估计装置和作为网络设备的信道估计装置,或者,该系统包括前述图10实施例中作为终端设备的信道估计装置和作为网络设备的信道估计装置。
本公开还提供一种可读存储介质,其上存储有指令,该指令被计算机执行时实现上述任一方法实施例的功能。
本公开还提供一种计算机程序产品,该计算机程序产品被计算机执行时实现上述任一方法实施例的功能。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行计算机程序时,全部或部分地产生按照本公开实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机程序可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以理解:本公开中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本公开实施例的范围,也表示先后顺序。
本公开中的至少一个还可以描述为一个或多个,多个可以是两个、三个、四个或者更多个,本公开不做限制。在本公开实施例中,对于一种技术特征,通过“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”等区分该种技术特征中的技术特征,该“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”描述的技术特征间无先后顺序或者大小顺序。
本公开中各表所示的对应关系可以被配置,也可以是预定义的。各表中的信息的取值仅仅是举例,可以配置为其他值,本公开并不限定。在配置信息与各参数的对应关系时,并不一定要求必须配置各表中示意出的所有对应关系。例如,本公开中的表格中,某些行示出的对应关系也可以不配置。又例如,可以基于上述表格做适当的变形调整,例如,拆分,合并等等。上述各表中标题示出参数的名称也可以采用通信装置可理解的其他名称,其参数的取值或表示方式也可以通信装置可理解的其他取值或表示方式。上述各表在实现时,也可以采用其他的数据结构,例如可以采用数组、队列、容器、栈、线性表、指针、链表、树、图、结构体、类、堆、散列表或哈希表等。
本公开中的预定义可以理解为定义、预先定义、存储、预存储、预协商、预配置、固化、或预烧制。
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公开的范围。
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。
应当理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开实施例中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (50)
- 一种信道估计方法,其特征在于,所述方法由终端设备执行,所述方法包括:接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS;根据所述第一DMRS,基于信道估计模型进行信道估计。
- 根据权利要求1所述的方法,其特征在于,所述方法还包括:向所述网络设备发送第一指示信息,所述第一指示信息用于指示所述终端设备是否具有模型训练能力。
- 根据权利要求2所述的方法,其特征在于,所述方法还包括:接收所述网络设备基于第二DMRS图样发送的第二DMRS;根据所述第二DMRS,确定所述信道估计模型的训练数据。
- 根据权利要求3所述的方法,其特征在于,所述方法还包括:采用所述训练数据对所述信道估计模型进行训练。
- 根据权利要求3所述的方法,其特征在于,所述方法还包括:向所述网络设备发送所述训练数据。
- 根据权利要求2所述的方法,其特征在于,所述方法还包括:获取仿真信道中所述终端设备接收的仿真信号,所述仿真信号为所述网络设备在所述仿真信道中基于第二DMRS图样发送的第二DMRS;根据所述仿真信号,确定所述信道估计模型的仿真训练数据;采用所述仿真训练数据对所述信道估计模型进行训练。
- 根据权利要求2或5所述的方法,其特征在于,所述方法还包括:接收所述网络设备发送的训练完成的所述信道估计模型。
- 根据权利要求4或6所述的方法,其特征在于,所述方法还包括:向所述网络设备发送第二指示信息,所述第二指示信息用于指示所述信道估计模型训练完成。
- 根据权利要求8所述的方法,其特征在于,所述第二指示信息包括以下至少一种:所述信道估计模型的能力信息,所述信道估计模型的处理时延信息。
- 根据权利要求4或6所述的方法,其特征在于,所述方法还包括:接收所述网络设备发送的第三指示信息,所述第三指示信息用于指示所述终端设备开始所述信道估计模型的训练。
- 根据权利要求5所述的方法,其特征在于,所述方法还包括:接收所述网络设备发送的第四指示信息,所述第四指示信息用于指示所述训练数据的类型。
- 根据权利要求4-7任一项所述的方法,其特征在于,所述第一DMRS图样的密度低于所述第二DMRS图样的密度;其中,所述信道估计模型的能力信息为,具有采用低密度的DMRS进行信道估计的能力。
- 根据权利要求4-7任一项所述的方法,其特征在于,所述第一DMRS图样的密度与所述第二DMRS图样的密度相同;其中,所述信道估计模型的能力信息为,具有高精度的信道估计结果的能力。
- 根据权利要求4或5所述的方法,其特征在于,所述方法还包括:接收所述网络设备发送的冲激信号;根据所述冲激信号,确定所述信道的理想信道估计标签,所述理想信道估计标签用于所述信道估计模型的训练;其中,所述信道估计模型采用有监督的机器学习方法进行训练。
- 根据权利要求14所述的方法,其特征在于,所述方法还包括:向所述网络设备发送辅助信息,所述辅助信息用于请求所述冲激信号;其中,所述终端设备采用所述理想信道估计标签进行所述信道估计模型的训练。
- 根据权利要求2所述的方法,其特征在于,所述第一指示信息包括以下至少一种:所述终端设备的模型训练能力指示信息;所述终端设备的硬件处理能力信息;所述终端设备的计算能力信息;所述终端设备的功耗能力信息。
- 根据权利要求1-16任一项所述的方法,其特征在于,所述方法还包括:接收所述网络设备发送的第五指示信息,所述第五指示信息用于指示所述终端设备基于所述信道估计模型进行信道估计。
- 一种信道估计方法,其特征在于,所述方法由网络设备执行,所述方法包括:基于第一解调参考信号DMRS图样向终端设备发送第一DMRS;所述第一DMRS用于基于信道估计模型进行信道估计。
- 根据权利要求18所述的方法,其特征在于,所述方法还包括:接收所述终端设备发送的第一指示信息,所述第一指示信息用于指示所述终端设备是否具有模型训练能力。
- 根据权利要求19所述的方法,其特征在于,所述方法还包括:基于第二DMRS图样向所述终端设备发送第二DMRS;所述第二DMRS用于确定所述信道估计模型的训练数据。
- 根据权利要求20所述的方法,其特征在于,所述方法还包括:接收所述终端设备发送的所述训练数据;采用所述训练数据对所述信道估计模型进行训练。
- 根据权利要求19所述的方法,其特征在于,所述方法还包括:获取仿真信道中所述终端设备接收的仿真信号,所述仿真信号为所述网络设备在所述仿真信道中基于第二DMRS图样发送的第二DMRS;根据所述仿真信号,确定所述信道估计模型的仿真训练数据;采用所述仿真训练数据对所述信道估计模型进行训练。
- 根据权利要求21或22所述的方法,其特征在于,所述方法还包括:接收所述网络设备发送的训练完成的所述信道估计模型。
- 根据权利要求19或20所述的方法,其特征在于,所述方法还包括:接收所述终端设备发送的第二指示信息,所述第二指示信息用于指示所述信道估计模型训练完成。
- 根据权利要求24所述的方法,其特征在于,所述第二指示信息包括以下至少一种:所述信道估计模型的能力信息,所述信道估计模型的处理时延信息。
- 根据权利要求19或20所述的方法,其特征在于,所述方法还包括:向所述终端设备发送第三指示信息,所述第三指示信息用于指示所述终端设备开始所述信道估计模型的训练。
- 根据权利要求21所述的方法,其特征在于,所述方法还包括:向所述终端设备发送第四指示信息,所述第四指示信息用于指示所述训练数据的类型。
- 根据权利要求19-22任一项所述的方法,其特征在于,所述第一DMRS图样的密度低于所述第二DMRS图样的密度;其中,所述信道估计模型的能力信息为,具有采用低密度的DMRS进行信道估计的能力。
- 根据权利要求19-22任一项所述的方法,其特征在于,所述第一DMRS图样的密度与所述第二DMRS图样的密度相同;其中,所述信道估计模型的能力信息为,具有高精度的信道估计结果的能力。
- 根据权利要求20或21所述的方法,其特征在于,所述方法还包括:向所述终端设备发送冲激信号;所述冲激信号用于确定所述信道的理想信道估计标签,所述理想信道估计标签用于所述信道估计模型的训练;其中,所述信道估计模型采用有监督的机器学习方法进行训练。
- 根据权利要求30所述的方法,其特征在于,所述方法还包括:接收所述终端设备发送的辅助信息,所述辅助信息用于请求所述冲激信号;其中,所述终端设备采用所述理想信道估计标签进行所述信道估计模型的训练。
- 根据权利要求19所述的方法,其特征在于,所述第一指示信息包括以下至少一种:所述终端设备的模型训练能力指示信息;所述终端设备的硬件处理能力信息;所述终端设备的计算能力信息;所述终端设备的功耗能力信息。
- 根据权利要求18-32任一项所述的方法,其特征在于,所述方法还包括:向所述终端设备发送第五指示信息,所述第五指示信息用于指示所述终端设备基于所述信道估计模型进行信道估计。
- 一种信道估计方法,其特征在于,所述方法由网络设备执行,所述方法包括:接收终端设备基于第一解调参考信号DMRS图样发送的第一DMRS;根据所述第一DMRS,基于信道估计模型进行信道估计。
- 根据权利要求34所述的方法,其特征在于,所述方法还包括:接收所述终端设备基于第二DMRS图样发送的第二DMRS;根据所述第二DMRS,确定所述信道估计模型的训练数据;采用所述训练数据对所述信道估计模型进行训练。
- 根据权利要求35所述的方法,其特征在于,所述方法还包括:向所述终端设备发送指示信息,所述指示信息用于指示所述终端设备发送冲激信号;接收所述终端设备发送的所述冲激信号;根据所述冲激信号,确定所述信道的理想信道估计标签,所述理想信道估计标签用于所述信道估计模型的训练;其中,所述信道估计模型采用有监督的机器学习方法进行训练。
- 根据权利要求34所述的方法,其特征在于,所述方法还包括:获取仿真信道中所述网络设备接收的仿真信号,所述仿真信号为所述终端设备在所述仿真信道中基于第二DMRS图样发送的第二DMRS;根据所述仿真信号,确定所述信道估计模型的仿真训练数据;采用所述仿真训练数据对所述信道估计模型进行训练。
- 根据权利要求35-37任一项所述的方法,其特征在于,所述第一DMRS图样的密度低于所述第二DMRS图样的密度;其中,所述信道估计模型的能力信息为,具有采用低密度的DMRS进行信道估计的能力。
- 根据权利要求35-37任一项所述的方法,其特征在于,所述第一DMRS图样的密度与所述第二DMRS图样的密度相同;其中,所述信道估计模型的能力信息为,具有高精度的信道估计结果的能力。
- 一种信道估计方法,其特征在于,所述方法由终端设备执行,所述方法包括:基于第一解调参考信号DMRS图样向网络设备发送第一DMRS;所述第一DMRS用于基于信道估计模型进行信道估计。
- 根据权利要求40所述的方法,其特征在于,所述方法还包括:基于第二DMRS图样向所述网络设备发送第二DMRS;所述第二DMRS用于确定所述信道估计模型的训练数据。
- 根据权利要求41所述的方法,其特征在于,所述方法还包括:接收所述网络设备发送的指示信息,所述指示信息用于指示所述终端设备发送冲激信号;向所述网络设备发送所述冲激信号;根据所述冲激信号,确定所述信道的理想信道估计标签,所述理想信道估计标签用于所述信道估计模型的训练;其中,所述信道估计模型采用有监督的机器学习方法进行训练。
- 根据权利要求41或42所述的方法,其特征在于,所述第一DMRS图样的密度低于所述第二DMRS图样的密度;其中,所述信道估计模型的能力信息为,具有采用低密度的DMRS进行信道估计的能力。
- 根据权利要求41或42所述的方法,其特征在于,所述第一DMRS图样的密度与所述第二DMRS图样的密度相同;其中,所述信道估计模型的能力信息为,具有高精度的信道估计结果的能力。
- 一种信道估计装置,其特征在于,所述装置包括:收发单元,用于接收网络设备基于第一解调参考信号DMRS图样发送的第一DMRS;处理单元,用于根据所述第一DMRS,基于所述信道估计模型进行信道估计。
- 一种信道估计装置,其特征在于,所述装置包括:收发单元,用于基于第一解调参考信号DMRS图样向终端设备发送第一DMRS;所述第一DMRS用于基于信道估计模型进行信道估计。
- 一种信道估计装置,其特征在于,所述装置包括:收发单元,用于接收终端设备发送的基于第一解调参考信号DMRS图样发送的第一DMRS;处理单元,用于根据所述第一DMRS,基于信道估计模型进行信道估计。
- 一种信道估计装置,其特征在于,所述装置包括:收发单元,用于基于第一解调参考信号DMRS图样向网络设备发送第一DMRS;所述第一DMRS用于基于信道估计模型进行信道估计。
- 一种通信装置,其特征在于,所述装置包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器执行所述存储器中存储的计算机程序,以使所述装置执行如权利要求1至44中任一项所述的方法。
- 一种计算机可读存储介质,用于存储有指令,当所述指令被执行时,使如权利要求1至44中任一项所述的方法被实现。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/104000 WO2024007172A1 (zh) | 2022-07-05 | 2022-07-05 | 信道估计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117652128A true CN117652128A (zh) | 2024-03-05 |
Family
ID=89454714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280002429.7A Pending CN117652128A (zh) | 2022-07-05 | 2022-07-05 | 信道估计方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117652128A (zh) |
WO (1) | WO2024007172A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104125186B (zh) * | 2013-04-28 | 2019-08-30 | 中兴通讯股份有限公司 | 一种解调参考信号图样信息的选取方法、系统及装置 |
CN112134661B (zh) * | 2019-06-24 | 2021-12-21 | 华为技术有限公司 | 一种通信方法及装置 |
CN113852583B (zh) * | 2021-09-18 | 2024-01-26 | 江苏亨鑫科技有限公司 | 一种解调参考信号动态配置方法 |
-
2022
- 2022-07-05 WO PCT/CN2022/104000 patent/WO2024007172A1/zh active Application Filing
- 2022-07-05 CN CN202280002429.7A patent/CN117652128A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2024007172A1 (zh) | 2024-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023206179A1 (zh) | 一种确定传输配置指示状态的方法及装置 | |
CN115336191B (zh) | 一种最大传输层数的调整的方法及其装置 | |
CN114208354A (zh) | 物理下行共享信道pdsch配置方法及装置 | |
CN117652128A (zh) | 信道估计方法及装置 | |
CN115735350A (zh) | 一种信息确定方法/装置/设备及存储介质 | |
CN115299007A (zh) | 一种传输配置指示tci状态使用时间的确定方法及其装置 | |
CN114026907B (zh) | 一种上行波束的测量方法及其装置 | |
CN116886475B (zh) | 一种信道估计方法、设备及系统 | |
CN115336221B (zh) | 一种信道状态信息csi反馈的确定方法及其装置 | |
WO2024016363A1 (zh) | 异构人工智能ai框架的模型交互方法、装置及系统 | |
WO2024086979A1 (zh) | 一种传输配置指示tci状态的确定方法及装置 | |
EP4319256A1 (en) | Non-serving cell measurement enabling control method and apparatus | |
WO2023184450A1 (zh) | 一种基于非码本的pusch接收/发送信息的方法及其装置 | |
WO2024031718A1 (zh) | 支持8Tx的基于非码本的PUSCH传输的预编码指示方法及装置 | |
EP4383789A1 (en) | Serving cell measurement method and apparatus thereof | |
WO2023230794A1 (zh) | 一种定位方法及装置 | |
US20240211770A1 (en) | Communication method and apparatus | |
WO2024092833A1 (zh) | 一种确定信道状态信息csi的方法及其装置 | |
CN117859297A (zh) | 基于人工智能ai的信道估计方法和装置 | |
CN116998174A (zh) | 测量方法及装置 | |
CN117859304A (zh) | 一种数据类型确定方法/装置/设备及存储介质 | |
CN113767696A (zh) | 准共址配置方法、准共址qcl信息确定方法及其装置 | |
CN116171551A (zh) | 一种控制信令的执行方法及其装置 | |
CN115997459A (zh) | 切换时延的确定方法和装置 | |
CN117178579A (zh) | 终端设备使用的模型的确定方法和装置 |
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 |