CN117675145A - 一种反馈处理方法、装置、存储介质及电子装置 - Google Patents
一种反馈处理方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN117675145A CN117675145A CN202211068191.6A CN202211068191A CN117675145A CN 117675145 A CN117675145 A CN 117675145A CN 202211068191 A CN202211068191 A CN 202211068191A CN 117675145 A CN117675145 A CN 117675145A
- Authority
- CN
- China
- Prior art keywords
- target
- csi
- csi data
- data
- packet
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 37
- 230000005540 biological transmission Effects 0.000 claims description 30
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 abstract description 12
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006835 compression Effects 0.000 description 20
- 238000007906 compression Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000003044 adaptive effect Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000012937 correction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006837 decompression Effects 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例提供了一种反馈处理方法、装置、存储介质及电子装置,该方法包括:接收目标分组中UE根据对应的上报配置信息上报的CSI数据;若在上报配置信息指示的预设上报时隙中未接收到所述目标分组中目标UE上报的所述CSI数据,基于训练好的信道预测模型,使用目标分组中除目标UE之外的其他UE上报的CSI数据与目标UE预设时间段内上报的CSI数据进行信道预测,得到优化后的CSI数据;根据优化后的CSI数据确定下行数据发送使用的下行资源,可以解决相关技术中在反馈流程异常时造成的短时反馈中断会造成基于反馈的通信系统稳定性降低的问题,通过信道预测结果配置下行资源,避免基站再次配置反馈资源,有效降低5G系统反馈上报负载,提升系统整体鲁棒性。
Description
技术领域
本申请实施例涉及通信领域,具体而言,涉及一种反馈处理方法、装置、存储介质及电子装置。
背景技术
5G系统采用了大规模天线阵列以及波束赋型技术来提高系统性能。基于大规模天线阵列的波束赋型技术要求在发送端能够准确的获得信道状态信息(Channel StateInformation,简称为CSI),并依据该信道信息选择最优的波束对数据进行发射。信道状态信息需要通过处于接收端的UE(User Equipment)来向发送端进行反馈,这些信息包括信道状态信息-参考信号(CSI Reference Signals,简称为CSI-RS)、资源指示CRI(CSI-RSResource Indicator)、信道矩阵的秩(rank indicator,简称为RI)、预编码码本索引(Precoding Matrix Index,简称为PMI)和信道质量指示(Channel Quality Indicator,简称为CQI)。UE利用信道估计获得信道系数矩阵H及噪声系数No,再根据基站配置的码本类型和反馈参数计算并上报对应的参数。
随着基站对UE反馈精度的要求提升,越来越复杂的码本被设计出来,但是这也同时增加了反馈上报的负载,一种解决方法是使用人工智能的方法(自适应学习)对反馈需要上报的数据进行编码,并在基站进行解码,该方法一定程度上解决了反馈上报负载的问题,但是在高精度要求下减小的程度有效,同时在反馈流程异常时(特别是在毫米波下,出现探测CSI-RS波束被阻挡,上行发送数据被遮挡等)造成的短时反馈中断也会造成基于反馈的通信系统稳定性降低,当前系统为了恢复基于反馈的通信而采用的波束恢复方法流程耗时较长,也会造成系统鲁棒性的降低。
针对相关技术中在反馈流程异常时造成的短时反馈中断会造成基于反馈的通信系统稳定性降低的问题,尚未提出解决方案。
发明内容
本申请实施例提供了一种反馈处理方法、装置、存储介质及电子装置,以至少解决相关技术中在反馈流程异常时造成的短时反馈中断会造成基于反馈的通信系统稳定性降低的问题。
根据本申请的一个实施例,提供了一种反馈处理方法,应用于基站,所述方法包括:
接收目标分组中UE根据对应的上报配置信息上报的CSI数据,其中,所述上报配置信息用于指示所述目标分组内的UE在预设上报时隙中上报所述CSI数据;
若在所述预设上报时隙中未接收到所述目标分组中目标UE上报的所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;
根据所述优化后的CSI数据确定下行数据发送使用的下行资源。
根据本申请的另一个实施例,还提供了一种反馈处理方法,应用于目标UE,所述方法包括:
确定信道状态信息CSI数据,其中,所述CSI数据为计算出的CSI数据或对所述计算出的CSI进行优化后的CSI数据;
根据所在目标分组对应的上报配置信息向基站上报所述CSI数据,以使所述基站若在所述上报配置信息指示的预设上报时隙中未接收到所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;根据所述优化后的CSI数据确定下行数据发送使用的下行资源,其中,所述上报配置信息用于用于指示所述目标分组内的UE在所述预设上报时隙中上报所述CSI数据。
根据本申请的另一个实施例,还提供了一种反馈处理装置,应用于基站,所述装置包括:
接收数据模块,用于接收目标分组中UE根据对应的上报配置信息上报的CSI数据,其中,所述上报配置信息用于指示所述目标分组内的UE在预设上报时隙中上报所述CSI数据;
第一信道预测模块,用于若在所述预设上报时隙中未接收到所述目标分组中目标UE上报的所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;
确定资源模块,用于根据所述优化后的CSI数据确定下行数据发送使用的下行资源。
根据本申请的另一个实施例,还提供了一种UE分组处理装置,应用于目标UE,所述装置包括:
确定数据模块,用于确定信道状态信息CSI数据,其中,所述CSI数据为计算出的CSI数据或对所述计算出的CSI进行优化后的CSI数据;
上报模块,用于根据所在目标分组对应的上报配置信息向基站上报所述CSI数据,以使所述基站若在所述上报配置信息指示的预设上报时隙中未接收到所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;根据所述优化后的CSI数据确定下行数据发送使用的下行资源,其中,所述上报配置信息用于用于指示所述目标分组内的UE在预设上报时隙中上报所述CSI数据。
根据本申请的又一个实施例,还提供了一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
本申请实施例,接收目标分组中UE根据对应的上报配置信息上报的CSI数据,若在上报配置信息指示的预设上报时隙中未接收到所述目标分组中目标UE上报的所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;根据所述优化后的CSI数据确定下行数据发送使用的下行资源,可以解决相关技术中在反馈流程异常时造成的短时反馈中断会造成基于反馈的通信系统稳定性降低的问题,在未接收到目标UE上报的CSI数据时,通过预设时间段内上报的CSI数据与分组内其他UE上报的CSI数据进行信道预测,通过信道预测结果配置下行资源,避免基站再次配置反馈资源,有效降低5G系统反馈上报负载,提升系统整体鲁棒性。
附图说明
图1是本申请实施例的反馈处理方法的移动终端的硬件结构框图;
图2是根据本申请实施例的反馈处理方法的流程图一;
图3是根据本申请实施例的反馈处理方法的流程图二;
图4是根据本申请实施例的5G系统的主要应用场景的示意图;
图5是根据本申请实施例的WIFI系统与接收机系统的框图;
图6是根据本申请实施例的分组决策与分组信道预测的流程图;
图7是根据本申请实施例的反馈处理装置的框图一;
图8是根据本申请实施例的反馈处理装置的框图二。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请的实施例。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本申请实施例的反馈处理方法的移动终端的硬件结构框图,如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的反馈处理方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及业务链地址池切片处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端或网络架构的反馈处理方法,图2是根据本申请实施例的反馈处理方法的流程图一,如图2所示,应用于基站,该流程包括如下步骤:
步骤S202,接收目标分组中UE根据对应的上报配置信息上报的CSI数据,其中,所述上报配置信息用于指示所述目标分组内的UE在预设上报时隙中上报所述CSI数据;
步骤S204,若在预设上报时隙中未接收到所述目标分组中目标UE上报的所述CSI数据,基于训练好的信道预测模型,使用目标分组中除目标UE之外的其他UE上报的CSI数据与目标UE预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;
步骤S206,根据优化后的CSI数据确定下行数据发送使用的下行资源。
通过上述步骤S202至S206,可以解决相关技术中在反馈流程异常时造成的短时反馈中断会造成基于反馈的通信系统稳定性降低的问题,在未接收到目标UE上报的CSI数据时,通过预设时间段内上报的CSI数据与分组内其他UE上报的CSI数据进行信道预测,通过信道预测结果配置下行资源,避免基站再次配置反馈资源,有效降低5G系统反馈上报负载,提升系统整体鲁棒性。
在一实施例中,若在所述预设上报时隙中接收到所述目标分组中目标UE上报的CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE的CSI数据进行信道预测,得到所述优化后的CSI数据;和/或若在所述预设上报时隙中接收到所述目标分组中目标UE上报的CSI数据,根据所述CSI数据判断所述目标UE是否保留在所述目标分组中;在判断结果为所述目标UE不保留在所述目标分组中的情况下,将所述目标UE从所述目标分组内剔除,以更新所述目标分组;在判断结果为所述目标UE保留在所述目标分组中的情况下,将所述目标UE保留在所述目标分组中。
在一可选的实施例中,上述根据所述CSI数据判断所述目标UE是否保留在所述目标分组中具体可以包括:根据所述目标分组对应的训练好的信道预测模型对所述目标UE上报的所述CSI数据进行信道预测,得到所述优化后的CSI数据,进一步的,将所述CSI数据中的信道进行SVD分解,得到所述目标UE在子带上的特征值与特征向量,可选的,还可以使用所述目标UE上报的CSI数据中的子带信道质量指示以及UE调度子带权重对所述目标UE的CSI数据对应的特征值与特征向量进行修正;将所述目标UE的CSI数据对应的特征值与特征向量,以及所述目标分组内其他UE的CSI数据对应的特征值和特征向量值输入所述训练好的信道预测模型中,得到所述训练好的信道预测模型输出的所述优化后的CSI数据,所述优化后的CSI数据为优化后的所述目标UE在子带上的特征值与特征向量;根据所述优化后的CSI数据判断所述目标UE是否保留在所述目标分组中。
在一可选的实施例中,上述根据所述CSI数据判断所述目标UE是否保留在所述目标分组中具体可以包括:根据所述CSI数据确定所述目标UE的分组,进一步的,分别根据所述目标UE的CSI数据与除所述目标UE之外的每个UE的CSI数据确定所述目标UE与除所述目标UE之外的每个UE组成的UE对的加权相关值,确定所述相关值大于预设阈值的UE对组成的分组为所述目标UE的分组;或者将所述CSI数据输入训练好的分组决策模型中,得到所述训练好的分组决策模型输出的所述目标UE的分组;判断所述目标UE的分组与所述目标分组是否相同;在所述目标UE的分组与所述目标分组相同的情况下,确定所述判断结果为所述目标UE保留在所述目标分组中;在所述目标UE的分组与所述目标分组不相同的情况下,确定所述判断结果为所述目标UE不保留在所述目标分组中。
在一可选的实施例中,所述方法还包括:在所述判断结果为目标UE不保留在所述目标分组中的情况下,将所述目标UE设置为未分组用户;在所述判断结果为目标UE保留在所述目标分组中的情况下,根据所述目标UE的CSI数据与所述目标分组内除所述目标UE之外其他UE的CSI数据对所述训练好的分组决策模型进行训练,以更新所述训练好的分组决策模型。
在另一实施例中,所述方法还包括:若在所述预设上报时隙中接收到所述目标UE上报的CSI数据,根据所述目标UE的CSI数据与存储的所述目标分组内除所述目标UE之外其他UE的CSI数据对所述训练好的信道预测模型进行训练,以更新所述训练好的信道预测模型。
在另一实施例中,所述方法还包括:在所述目标UE不属于任一分组的情况下,根据所述目标UE上报的CSI数据确定所述目标UE的分组结果,其中,所述分组结果包括:所述目标UE加入已有的某一分组,或者所述目标UE与其他未分组用户组成新的分组。
在另一实施例中,在上述步骤S202之前,所述方法还包括:获取覆盖范围内的多个UE上报的CSI数据,其中,所述目标UE为所述多个UE中的任一UE;根据所述多个UE的CSI数据对所述多个UE进行初始分组,得到所述多个分组,其中,所述目标分组为所述多个分组中的任一分组;分别为所述多个分组选择对应的训练好的信道预测模型,并将所述训练好的信道预测模型、分组参数及所述上报配置信息反馈给所述多个UE。
根据本申请的另一个实施例,还提供了一种反馈处理方法,图3是根据本申请实施例的反馈处理方法的流程图二,如图3所示,应用于目标UE,所述方法包括:
步骤S302,确定信道状态信息CSI数据,其中,所述CSI数据为计算出的CSI数据或对所述计算出的CSI进行优化后的CSI数据;
步骤S304,根据所在目标分组对应的上报配置信息向基站上报CSI数据,以使基站若在上报配置信息指示的预设上报时隙中未接收到CSI数据,基于训练好的信道预测模型,使用目标分组中除所述目标UE之外的其他UE上报的CSI数据与预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;根据所述优化后的CSI数据确定下行数据发送使用的下行资源,其中,所述上报配置信息用于用于指示所述目标分组内的UE在预设上报时隙中上报CSI数据。
通过上述步骤S302至S304,可以解决相关技术中在反馈流程异常时造成的短时反馈中断会造成基于反馈的通信系统稳定性降低的问题,在未接收到目标UE上报的CSI数据时,通过预设时间段内上报的CSI数据与分组内其他UE上报的CSI数据进行信道预测,通过信道预测结果配置下行资源,避免基站再次配置反馈资源,有效降低5G系统反馈上报负载,提升系统整体鲁棒性。
在一实施例中,在上述步骤S302之前,所述方法还包括:接收所述基站下发的CSI-RS探测信号;判断所述CSI-RS探测信息的接收质量是否满足预设条件;在判断结果为是的情况下,计算CSI数据,得到所述计算出的CSI数据,根据所述CSI数据与所述基站下发的所述目标分组内其他UE的CSI数据对训练好的信道预测模型进行训练,以更新所述训练好的信道预测模型;
在判断结果为否的情况下,计算CSI数据,得到所述计算出的CSI数据,根据训练好的信道预测模型对所述计算出的CSI数据进行信道预测,得到所述优化后的CSI数据。
进一步的,根据训练好的信道预测模型对所述计算出的CSI数据进行预测,得到所述优化后的CSI数据具体可以包括:对所述CSI数据中的信道进行SVD分解,得到在子带上的特征值和特征向量;将所述CSI数据对应的特征值和特征向量值,以及所述目标分组内其他UE的CSI数据对应的特征值和特征向量值输入所述训练好的信道预测模型中,得到所述训练好的信道预测模型输出的所述优化后的CSI数据。可选的,还可以使用所述CSI数据中的子带信道质量指示以及UE调度子带权重对所述CSI数据对应的特征值与特征向量进行修正。
在一实施例中,所述方法还包括:接收所述基站下发的为所述目标分组选择的所述训练好的信道预测模型与分组参数;和/或根据所述上报配置信息设置所述CSI数据的上报周期。
本实施例基于自适应学习与UE分组技术的反馈方法,在传统的AI编译码器反馈流程的基础上通过基站根据UE反馈上报结果进行基于自适应学习的UE信道相关性分组;基站再进一步的针对每个UE分组下发group-DCI控制每个UE分组进行周期轮流上报;之后基站对于每个分组中正常上报的反馈UE数据放入训练数据集合中,对于上报异常或本次无上报的UE使用组中其余UE上报数据基于自适应学习进行上报重构;相应的UE也可以根据基站决定的分组在UE侧进行前述的模型训练以及上报重构,从而进一步降低上报负载,提高系统反馈鲁棒性。
图4是根据本申请实施例的5G系统的主要应用场景的示意图,如图4所示,一个gNB覆盖范围内可以存在多个UE,gNB与每个UE进行基于3GPP协议的物理层数据传输、反馈、控制等流程。每个UE的反馈等相关行为由gNB进行控制与调度。
目前主流的5G系统反馈方法为基于码本的反馈上报、基于AI编译码器的压缩CSI上报等。这些方法的基本流程是基站针对每个UE发送相应的NZP CSI-RS探测信号,UE根据该信号的信道估计结果使用不同方法(码本,AI编译码器等)计算CSI上报信息并通过上行信道将这些信息传输给gNB,gNB得到这些CSI上报信息后对每个用户进行自适应调度(包含波束、预编码、MCS调度等)。
考虑到信道的时频特性,CSI上报往往是一个周期或者出发式的非周期过程,对UE调度的精度要求越高,gNB就需要越频繁的要求UE进行CSI上报,这样往往会给上行带来较大的负担。同时在毫米波频段,探测及上报往往也是基于波束赋形进行的传输,短时的遮挡可能造成反馈流程的中断,在现用协议框架下,这种中断往往需要gNB与UE间进行重建波束连接流程后,再重新进入CSI上报流程,这又增加了系统开销,同时在频繁中断后可能造成系统不稳定。
图5是根据本申请实施例的WIFI系统与接收机系统的框图,如图5所示,其主要模块功能为:
CSI数据集合/UE分组集合模块501,主要负责存储更新各个UE解压缩后的CSI信息;根据分组结果、UECSI接收评估结果推送对应UECSI集合数据到模块503-506。
CSI解压缩编码模块502,主要负责将接收到的压缩CSI信息进行解压缩。
UE分组决策模块503,根据模块501推送的UE CSI集合数据计算当前UE集合的分组决策结果,输出UE分组、组内CSI压缩编解码模型等。
UE分组决策模型训练模块504,根据模块501推送的数据对UE分组决策模型进行训练,将训练后的升级模型推送给模块503。
组内信道预测模型训练模块505,根据模块501推送的数据与分组结果对本组的信道预测模型进行训练,将训练后的升级模型推送给模块506。
组内信道预测计算模块506,根据模块501推送的本组CSI集合数据计算当前UE的预测CSI,输出CSI预测结果。
信道预测结果保存模块507,保存预测结果,用于后需下行发送预编码计算,下行CSI压缩传输等。
分组与模型选择保存模块508,保存模块503的输出,并按照各个模块需求将对应的分组和/或模型选择结果传输给需要的模块。
CSI压缩编码模块509,根据模块508选择的压缩模型对模块507提供的信道数据进行压缩并传输至模块515。
下行数据发送模块510,按照协议发送相应UE的数据或者参考信号等。
CSI压缩编码模块511,主要负责将接收到的CSI信息进行压缩。
组内信道预测计算模块512,根据模块513推送的本组CSI集合数据计算当前UE的预测CSI,输出CSI预测结果。
组内CSI数据集合模块513,保存被UECSI估计结果与gNB下发的组内CSI信息,同时控制数据输出给对应模块。
组内信道预测模型训练模块514,根据模块513推送的本组CSI集合数据训练UECSI预测模型,输出模型结果。
下行数据接收/处理模块515,接收解码gNB下发的数据并输出结果,接收gNB下发的CSI参考信号并输出CSI估计结果。
上行数据发送模块516,发送下行数据解码结果/上行数据。
上行数据接收/处理模块517,接收处理上行数据。
链路质量评估模块518,根据UE上报的解码结果等评估UE的链路质量。
本实施例基于自适应学习与UE分组技术的反馈方法,图6是根据本申请实施例的分组决策与分组信道预测的流程图,如图6所示,包括以下步骤:
步骤601,短周期上报,gNB调度覆盖范围内的UE进行CSI上报,该上报结果作为UE分组选择的初始数据。
步骤602,gNB分组决策与分组配置,具体的,根据初始数据对所有UE进行基于自适应学习的初始分组,并选择每个分组的分组反馈学习模型,每个分组内每个UE的上报周期与上报偏移。
步骤603,长周期上报,gNB通知每个UE其分组反馈学习模型,上报周期与上报偏移的等分组参数,UE根据上述参数使用对应的学习模型在特定的时间进行周期上报。
gNB收到某个UE的基于自适应学习的反馈上报后,将上报信息作为其所在组内信道预测模型的训练数据,用于判断分组是否继续成立,如果成立则该数据还将用于升级组内信道预测模型并作为全UE分组模型的训练数据升级分组模型;如果不成立,则该数据作为全UE分组模型的输入数据,gNB使用该数据对当前没有分组的UE重新进行分组。
步骤604,UE侧分组信道预测,UE在收到gNB下发的分组参数以及组内其他UE的CSI信息后,可以使用该CSI信息通过UE侧组内信道预测模型对本UE CSI估计进行加强或训练UE侧预测模型。
步骤605,gNB侧分组信道预测,具体的,如果gNB在某个UE的CSI上报时隙没有收到该UE的上报信息,则使用该UE所在分组内其他UE以及该UE最近一次CSI上报信息作为组内信道预测模型输入,输出该UE的预测信道结果,并使用预测结果继续后续波束、码本选择流程。如果使用预测信道结果还是没有保持该UE的正常数据通信,则进入协议规定的波束失败流程重选波束,同时将该UE从分组中删除,待波束重建后使用新的CSI上报进行重新分组。
UE在应该进行反馈CSI的时隙没有接收到对应的在CSI-RS信号,此时使用最新的组内CSI信息和本UE CSI信息输入UE侧组内信道预测模型,输出对应的CSI信息作为本次上报的CSI。
具体的,以一个如图4所示的一个gNB范围内存在6个UE为例对本实施例的UE分组和组内预测方法进行说明。
在某个时刻,gNB配置UE0-5进行CSI上报,UE0-5按照gNB配置的时间、压缩模型等在特定时刻使用压缩模型(可使用协议规定的码本,基于AI的自适应压缩编译码等)对CSI进行压缩后上报给gNB,gNB接收到对应的CSI信息后进行基于压缩模型的解压缩处理,并将解压缩后的CSI信息存入模块501中。
gNB收集完UE0-5的CSI信息后,将所有UE的CSI信息输入UE分组决策模块,该模块根据已经训练完成的UE分组决策模型对输入的CSI信息进行处理,输出UE分组决策结果,将UE信道关联性高于一定门限的UE分到一组内,同时为每个UE分组选择一个信道预测模型。gNB完成UE分组后将分组结果传递给模块501,将分组结果和预测模型选择结果模块505,同时通过下行DCI将对应的分组结果、预测模型、CSI上报配置等信息通知给UE模块512。该DCI使用UE指定的CSI DCI format进行传输,其包含的字段如下表1所示。
表1
相应的将该UE分组内除了本UE外其他的UE的CSI信息通过模块509进行压缩后传输给UE。gNB通过组播方式将组内最新更新UE的压缩CSI信息传输给组内所有UE。
UE接收分组结果、预测模型、CSI上报配置等信息后,解析对应信息,设置模块512预测模型,同时设置上报周期等。UE接收本组其他UE的CSI信息后先解压缩对应CSI,再将对应的数据存入模块513中。
经过上述步骤,gNB和UE完成了初始CSI信息存储,初始UE分组以及gNB和UE间的信令互传,本实施例下,UE0为独立UE,UE1-3为用户分组0,UE4-5为UE分组2.
UE0不会得到分组相关信息,其CSI上报流程使用传统流程。
用户分组0中包含3个UE(UE1-3),gNB配置分组0内的UE使用相同的周期在不同的时隙进行CSI上报,例如上报周期为10,三个UE分别在时隙号%10=0,3,6这三个不同时隙偏移进行上报CSI,同时gNB通知分组0内每个UE其预测模型选择结果、分组中其他UE ID以及对应UE的CSI信息,例如gNB会通知UE1其预测模型,告知组内还有UE2与UE3,并发送UE2与UE3的CSI给UE1。
用户分组1中包含2个UE(UE4-5),gNB配置分组1内的UE使用相同的周期在不同的时隙进行CSI上报,例如上报周期为20,2个UE分别在时隙号%10=0,10这2个不同时隙偏移进行上报CSI,同时gNB通知分组1内每个UE其预测模型选择结果、分组中其他UE ID以及对应UE的CSI信息,例如gNB会通知UE4其预测模型,告知组内还有UE5,并发送UE5的CSI给UE4。
在接下来进入正常周期CSI上报流程。
未加入分组的UE0接收到gNB下发的CSI-RS探测信号且本次CSI-RS接收质量良好(可已探测信号SNR为参考,设置门限,高于某个门限认为质量较好)则计算出对应的CSI信息存入模块513,模块513将本次计算出来的CSI与之前保存的UE0的CSI信息输入模块514进行信道预测模型训练,模块514输出升级后模型到模块512,后续CSI压缩上报也直接使用本次计算出来的CSI信息。
用户分组0中的UE1接收到gNB下发的CSI-RS探测信号且本次CSI-RS接收质量良好则计算出对应的CSI信息存入模块513,模块513将本次计算出来的UE1 CSI信息、之前保存的UE1及用户分组0内其他用户(UE2/3,gNB下发给UE1)的CSI信息输入模块514进行信道预测模型训练,模块514输出升级后模型到模块512,后续CSI压缩上报也直接使用本次计算出来的CSI信息。如果本次CSI-RS接收质量较差,则模块513将本次计算出来的UE1 CSI、之前保存的UE1及用户分组0内其他用户(UE2/3,gNB下发给UE1)的CSI信息输入模块512进行信道预测与修正,模块512输出计算后的CSI信息到模块511进行压缩上报。用户分组0中的UE1接收到gNB下发的分组内其他UE(例如UE2)的CSI压缩信息后,首先进行CSI解压缩,将解压缩后的CSI信息存入模块513,模块513将之前保存的UE1 CSI、UE3 CSI输入模块514进行信道预测模型训练,模块514输出升级后模型到模块512。
用户分组0中的其他用户接收后gNB下发的CSI-RS探测信号或分组内其他UE的CSI压缩信息后处理方法同UE1。
用户分组1中的UE4接收到gNB下发的CSI-RS探测信号且本次CSI-RS接收质量良好则计算出对应的CSI信息存入模块513,模块513将本次计算出来的UE4 CSI信息、之前保存的UE4及用户分组1内其他用户(UE5,gNB下发给UE4)的CSI信息输入模块514进行信道预测模型训练,模块514输出升级后模型到模块512,后续CSI压缩上报也直接使用本次计算出来的CSI信息.用户分组1中的UE4接收到gNB下发的分组内其他UE(例如UE5)的CSI压缩信息后,首先进行CSI解压缩,将解压缩后的CSI信息存入模块513,模块513将之前保存的UE4CSI输入模块514进行信道预测模型训练,模块514输出升级后模型到模块512。
gNB接收UE0的上报CSI后,先进行CSI解压缩,由于UE0不在任何用户分组内,可以直接将接收的CSI信息存储到模块501中。后续UE0的下行数据发送使用的预编码矩阵,层数,MCS等也直接使用其最新上报结果计算得到。由于UE0不属于任何用户分组,此时模块501会将UE0本次CSI信息与当前分组策略输入模块503中进程分组决策,决定UE0是否加入当前某个用户分组或者和其他未分组用户组成新的用户分组。
gNB接收UE1的上报CSI后,先进行CSI解压缩,由于UE1在用户分组0内,gNB先将接收的CSI信息存储到模块501中。101模块判断选择使用更新后的数据进行训练还是测试。如果选择进行测试则将更新后的UE1 CSI信息与存储的UE2/3CSI信息同时输入模块506,根据模型预测结果判断当前UE0是否能够继续保留在用户分组0中,如果不能保留,则通知模块501刷新分组策略,将用户分组0中UE调整为UE2/3,将UE1放入未分组用户;如果保留,则通知模块501该结果,模块501会将UE0的最新CSI数据作为模块504的训练数据,升级分组决策模型。如果选择进行训练则将更新后的UE1 CSI信息与存储的UE2/3CSI信息同时输入模块505,输出训练后模型。UE1的下行数据发送使用的预编码矩阵,层数,MCS等也直接使用其最新上报结果计算得到。
gNB接收到UE2/3的上报CSI后,后续步骤同UE1接收。
gNB接收UE4的上报CSI后,先进行CSI解压缩,由于UE4在用户分组1内,gNB先将接收的CSI信息存储到模块501中。101模块判断选择使用更新后的数据进行训练还是测试。如果选择进行测试则将更新后的UE4 CSI信息与存储的UE5 CSI信息同时输入模块506,根据模型预测结果判断当前UE4是否能够继续保留在用户分组1中,如果不能保留,则通知模块501刷新分组策略,由于用户分组1仅有UE4/5两个用户,此时101模块会解散用户分组1,将UE4/5均放入未分组用户集合;如果保留,则通知模块501该结果,模块501会将UE4的最新CSI数据作为模块504的训练数据,升级分组决策模型。如果选择进行训练则将更新后的UE4CSI信息与存储的UE5 CSI信息同时输入模块505,输出训练后模型。UE4的下行数据发送使用的预编码矩阵,层数,MCS等也直接使用其最新上报结果计算得到。
如果在周期上报过程中出现UE接收CSI-RS探测信号异常:
未加入分组的UE0如果在周期CSI-RS子帧接收到的CSI-RS信号质量较差,则UE0进入异常处理流程,模块513将之前保存的UE0的CSI信息输入模块512进行信道预测与修正,模块512输出计算后的CSI信息到模块511进行压缩上报。
用户分组0中的UE1如果在周期CSI-RS子帧接收到的CSI-RS信号质量较差,则模块513将之前保存的UE1及用户分组0内其他用户(UE2/3,gNB下发给UE1)的CSI信息输入模块512进行信道预测与修正,模块512输出计算后的CSI信息到模块511进行压缩上报。
用户分组0中的其他用户接收后gNB下发的CSI-RS探测信号或分组内其他UE的CSI压缩信息后处理方法同UE1。
用户分组1中的UE4如果在周期CSI-RS子帧接收到的CSI-RS信号质量较差,则模块513将之前保存的UE4及用户分组1内其他用户(UE5,gNB下发给UE4)的CSI信息输入模块512进行信道预测与修正,模块512输出计算后的CSI信息到模块511进行压缩上报。
用户分组1中的其他用户接收后gNB下发的CSI-RS探测信号或分组内其他UE的CSI压缩信息后处理方法同UE4。
gNB如果在规定的CSI信息上报时隙中没有接收到UE0的上报CSI信息,则模块501将UE0之前保存的CSI信息输入模块506进行UE0 CSI信息的预测,输出预测CSI结果。UE0的下行数据发送使用的预编码矩阵,层数,MCS等也直接使用其最新预测结果计算得到。
gNB如果在规定的CSI信息上报时隙中没有接收到UE1的上报CSI信息,由于UE1属于用户分组0,则模块501将UE1之前保存的CSI信息与用户分组0中其他用户(UE2/3)最新上报的CSI信息同时输入模块506进行UE1 CSI信息的预测,输出预测CSI结果。UE1的下行数据发送使用的预编码矩阵,层数,MCS等也直接使用其最新预测结果计算得到。
gNB如果在规定的CSI信息上报时隙中没有接收到UE2/3的上报CSI,后续步骤同UE0。
gNB如果在规定的CSI信息上报时隙中没有接收到UE4的上报CSI信息,由于UE4属于用户分组1,则模块501将UE4之前保存的CSI信息与用户分组1中其他用户(UE5)最新上报的CSI信息同时输入模块506进行UE4 CSI信息的预测,输出预测CSI结果。UE4的下行数据发送使用的预编码矩阵,层数,MCS等也直接使用其最新预测结果计算得到。
gNB如果在规定的CSI信息上报时隙中没有接收到UE5的上报CSI,后续步骤同UE4。
本实施例中的gNB侧用户分组决策可以使用基于UE信道特征向量的相关性决策,包括:
首先对所有UE解压缩后的信道H进行SVD分解,具体的在本实施例中gNB使用16port NZP CSI-RS对UR0-5进行探测,则UE i在子带s上解压缩后的H为:
进行SVD分解后,得到则UE i在子带s上的特征值和特征向量:
其中,Rx,i表示UEi的接收天线数,Tx,gNB表示gNB发送的探测信号端口数。
2.对每个UE的上报信号进行上述计算后,再针对进行两两加权相关计算,比如对于UEi和j,两者加权相关值Ri,j为:
3.对于相关值大于门限(门限可通过仿真得到)的UE对,则认为可分为一组,如果分组间出现重叠,比如UE0与UE1相关值大于门限,且UE1与UE2相关值也大于门限,则UE0,1,2分为一组。
还可以使用基于UE信道特征向量的修正相关性决策,包括,
首先对所有UE解压缩后的信道H进行SVD分解,具体的在本实施例中gNB使用16port NZP CSI-RS对UR0-5进行探测,则UE i在子带s上解压缩后的H为:
进行SVD分解后,得到则UE i在子带s上的特征值和特征向量:
其中,Rx,i表示UE i的接收天线数,Tx,gNB表示gNB发送的探测信号端口数。
2.对每个UE的上报信号进行上述计算后,再针对进行两两修正加权相关计算,使用UE上报的CSI信息中的子带CQIqs以及UE调度子带权重ws修正比如对于UE i和j,两者加权相关值Ri,j为:
其中,qi,s表示子带CQI等效权重,可以使用下列公式得到,设当前子带CQI对应的调制系数为x,其中x取值如下表2所示。
表2
调制 | X |
QPSK | 1.0 |
16QAM | 3.0 |
64QAM | 8.0 |
256QAM | 32.0 |
设当前子带CQI对应的码率为e,则:
其中,wi,s表示本次计算前T秒内UEi在子带s内平均调度率,在(0,1]区间内。
对于相关值大于门限(门限可通过仿真得到)的UE对,则认为可分为一组,如果分组间出现重叠,比如UE0与UE1相关值大于门限,且UE1与UE2相关值也大于门限,则UE0,1,2分为一组。
还可以使用基于自适应学习的用户分组决策,包括,
首先对所有UE解压缩后的信道H进行预处理(一般为SVD分解提取特征值),具体的在本实施例中gNB使用16port NZP CSI-RS对UR0-5进行探测,则UE i在子带s上解压缩后的H为:进行SVD分解后,得到则UE i在子带s上的特征值和特征向量:
其中,Rx,i表示UE i的接收天线数,Tx,gNB表示gNB发送的探测信号端口数。
对每个UE的信道信息进行预处理后将预处理的特征值S,特征向量V,(也可以包含其他的权重参数,比如子带质量参数,调度参数等),将这些参数输入训练后的分组决策模型,模型计算得到最终的分组结果。
分组决策模型算法可以使用自适应机器学习算法、自适应强化学习算法、自适应深度学习算法、策略优化增强学习算法等自适应学习算法;分组决策模型可以使用部分观察的马尔可夫决策过程(POMDP)、人工神经网络(包含深度信念网络(DBN)、深度卷积网络(DCN),循环神经网络(RNN),多层感知神经网络(MLPCN),卷积神经网络(CNN)等)。
分组决策模型的计算可以通过仿真环境进行离线训练产生,也可以通过系统实时接收到的CSI信息进行在线训练升级。
本实施例中的UE侧用户分组信道预测方法包括:
首先对本UE信道估计后得到的信道H进行预处理(一般为SVD分解提取特征值),具体的在本实施例中gNB使用16port NZP CSI-RS进行探测,则UE i在时隙t子带s上信道估计后的H为:进行SVD分解后,得到则UE i在子带s上的特征值和特征向量:/>
其中,Rx,i表示UE i的接收天线数,Tx,gNB表示gNB发送的探测信号端口数,t表示时隙号。
再接收gNB下发的其他UE的压缩CSI信息,解压缩后得到H,SVD分解后保存UE j的信道特征值和特征向量:
如果在时隙t+n,本UE i接收到的gNB下发的探测CSI-RS质量很差,则将UE i时隙t+n,t,t-n,....上保存的特征值与特征向量,分组中其他UE(UE j)最新保存的特征值与特征向量(比如最新在时隙t+x保存了UE j的CSI),将上述数据:
输入到分组信道预测计算中,得出UE i本次预测修正后的信道特征值与特征向量。
分组信道预测算法可以使用自适应机器学习算法、自适应强化学习算法、自适应深度学习算法、策略优化增强学习算法等自适应学习算法;分组信道预测可以使用部分观察的马尔可夫决策过程(POMDP)、人工神经网络(包含深度信念网络(DBN)、深度卷积网络(DCN),循环神经网络(RNN),多层感知神经网络(MLPCN),卷积神经网络(CNN)等)。
分组信道预测的计算可以通过仿真环境进行离线训练产生,也可以通过系统实时接收到的CSI信息进行在线训练升级。
本方法所述的gNB侧用户分组信道预测方法描述如下:
首先对分组内所有UE解压缩后的信道H进行预处理(一般为SVD分解提取特征值),具体的在本实施例中gNB使用16port NZP CSI-RS进行探测,则UE i在时隙t子带s上解压缩CSI后的H为:
进行SVD分解后,得到则UE i在子带s上的特征值和特征向量:
其中,Rx,i表示UE i的接收天线数,Tx,gNB表示gNB发送的探测信号端口数,t表示时隙号。
如果在时隙t+n,未接收到UE i上报的CSI信息,则将UE i时隙t,t-n,....上保存的特征值与特征向量,分组中其他UE(UE j)最新保存的特征值与特征向量(比如最新在时隙t+x保存了UE j的CSI),将上述数据:
输入到分组信道预测计算中,得出UE i本次预测修正后的信道特征值与特征向量。
分组信道预测算法可以使用自适应机器学习算法、自适应强化学习算法、自适应深度学习算法、策略优化增强学习算法等自适应学习算法;分组信道预测可以使用部分观察的马尔可夫决策过程(POMDP)、人工神经网络(包含深度信念网络(DBN)、深度卷积网络(DCN),循环神经网络(RNN),多层感知神经网络(MLPCN),卷积神经网络(CNN)等)。
gNB侧分组信道预测的计算可以通过仿真环境进行离线训练产生,也可以通过系统实时接收到的CSI信息进行在线训练升级。
gNB侧分组信道预测还支持使用接收到的UE的CSI信息测试,设UE i在时隙t+n子带s上解压缩CSI后的H为:
进行SVD分解后,得到UEi对应子带的特征值与特征向量。
此时使用则将UE i时隙t,t-n,....上保存的特征值与特征向量,分组中其他UE(UE j)最新保存的特征值与特征向量(比如最新在时隙t+x保存了UE j的CSI),将上述数据:
输入到分组信道预测计算中,得出UE i本次预测修正后的信道特征值与特征向量,记为:
将其与
计算上述两者G与G’的MMSE,如果误差高于设定门限值则本次测试失败,将UEi从分组中删除;如果低于设定门限,则本次测试成功,保留分组。
本实施例中的UE侧和gNB侧的分组信道预测可以二选一的实现(仅保留一侧)或者两侧均保留,可根据gNB和UE能力灵活配置。
根据本申请的另一个实施例,还提供了一种反馈处理装置,图7是根据本申请实施例的反馈处理装置的框图一,如图7所示,应用于基站,所述装置包括:
接收数据模块72,用于接收目标分组中UE根据对应的上报配置信息上报的CSI数据,其中,所述上报配置信息用于指示所述目标分组内的UE在预设上报时隙中上报所述CSI数据;
第一信道预测模块74,用于若在所述预设上报时隙中未接收到所述目标分组中目标UE上报的所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;
确定资源模块76,用于根据所述优化后的CSI数据确定下行数据发送使用的下行资源。
在一实施例中,所述装置还包括:
第二信道预测模块,用于若在所述预设上报时隙中接收到所述目标分组中目标UE上报的CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE的CSI数据进行信道预测,得到所述优化后的CSI数据;和/或
判断模块,用于若在所述预设上报时隙中接收到所述目标分组中目标UE上报的CSI数据,根据所述CSI数据判断所述目标UE是否保留在所述目标分组中;在判断结果为所述目标UE不保留在所述目标分组中的情况下,将所述目标UE从所述目标分组内剔除,以更新所述目标分组;在判断结果为所述目标UE保留在所述目标分组中的情况下,将所述目标UE保留在所述目标分组中。
在一实施例中,所述判断模块包括:
信道预测子模块,用于根据所述目标分组对应的训练好的信道预测模型对所述目标UE上报的所述CSI数据进行信道预测,得到所述优化后的CSI数据;
第一判断子模块,用于根据所述优化后的CSI数据判断所述目标UE是否保留在所述目标分组中。
在一实施例中,所述信道预测子模块,还用于将所述CSI数据中的信道进行SVD分解,得到所述目标UE在子带上的特征值与特征向量;将所述目标UE的CSI数据对应的特征值与特征向量,以及所述目标分组内其他UE的CSI数据对应的特征值和特征向量值输入所述训练好的信道预测模型中,得到所述训练好的信道预测模型输出的所述优化后的CSI数据,所述优化后的CSI数据为优化后的所述目标UE在子带上的特征值与特征向量。
在一实施例中,所述装置还包括:
修正子模块,用于使用所述目标UE上报的CSI数据中的子带信道质量指示以及UE调度子带权重对所述目标UE的CSI数据对应的特征值与特征向量进行修正。
在一实施例中,所述判断模块包括:
第一确定子模块,用于根据所述CSI数据确定所述目标UE的分组;
第二判断子模块,用于判断所述目标UE的分组与所述目标分组是否相同;
第二确定子模块,用于在所述目标UE的分组与所述目标分组相同的情况下,确定所述判断结果为所述目标UE保留在所述目标分组中;
第三确定子模块,用于在所述目标UE的分组与所述目标分组不相同的情况下,确定所述判断结果为所述目标UE不保留在所述目标分组中。
在一实施例中,所述第一确定子模块,还用于分别根据所述目标UE的CSI数据与除所述目标UE之外的每个UE的CSI数据确定所述目标UE与除所述目标UE之外的每个UE组成的UE对的加权相关值,确定所述相关值大于预设阈值的UE对组成的分组为所述目标UE的分组;或者将所述CSI数据输入训练好的分组决策模型中,得到所述训练好的分组决策模型输出的所述目标UE的分组。
在一实施例中,所述装置还包括:
设置子模块,用于在所述判断结果为目标UE不保留在所述目标分组中的情况下,将所述目标UE设置为未分组用户;
训练子模块,用于在所述判断结果为目标UE保留在所述目标分组中的情况下,根据所述目标UE的CSI数据与所述目标分组内除所述目标UE之外其他UE的CSI数据对所述训练好的分组决策模型进行训练,以更新所述训练好的分组决策模型。
在一实施例中,所述装置还包括:
训练模块,用于若在所述预设上报时隙中接收到所述目标UE上报的CSI数据,根据所述目标UE的CSI数据与存储的所述目标分组内除所述目标UE之外其他UE的CSI数据对所述训练好的信道预测模型进行训练,以更新所述训练好的信道预测模型。
在一实施例中,所述装置还包括:
确定分组模块,用于在所述目标UE不属于任一分组的情况下,根据所述目标UE上报的CSI数据确定所述目标UE的分组结果,其中,所述分组结果包括:所述目标UE加入已有的某一分组,或者所述目标UE与其他未分组用户组成新的分组。
在一实施例中,所述装置还包括:
获取模块,用于获取覆盖范围内的多个UE上报的CSI数据,其中,所述目标UE为所述多个UE中的任一UE;
分组模块,用于根据所述多个UE的CSI数据对所述多个UE进行初始分组,得到所述多个分组,其中,所述目标分组为所述多个分组中的任一分组;
反馈模块,用于分别为所述多个分组选择对应的训练好的信道预测模型,并将所述训练好的信道预测模型、分组参数及所述上报配置信息反馈给所述多个UE。
根据本申请的另一个实施例,还提供了一种UE分组处理装置,图8是根据本申请实施例的反馈处理装置的框图二,如图8所示,应用于目标UE,所述装置包括:
确定数据模块82,用于确定信道状态信息CSI数据,其中,所述CSI数据为计算出的CSI数据或对所述计算出的CSI进行优化后的CSI数据;
上报模块84,用于根据所在目标分组对应的上报配置信息向基站上报所述CSI数据,以使所述基站若在所述上报配置信息指示的预设上报时隙中未接收到所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;根据所述优化后的CSI数据确定下行数据发送使用的下行资源,其中,所述上报配置信息用于用于指示所述目标分组内的UE在预设上报时隙中上报所述CSI数据。
在一实施例中,所述装置还包括:
接收信号模块,用于接收所述基站下发的CSI-RS探测信号;
第二判断模块,用于判断所述CSI-RS探测信息的接收质量是否满足预设条件;
第三训练模块,用于在判断结果为是的情况下,计算CSI数据,得到所述计算出的CSI数据,根据所述CSI数据与所述基站下发的所述目标分组内其他UE的CSI数据对训练好的信道预测模型进行训练,以更新所述训练好的信道预测模型;
第四训练模块,用于在判断结果为否的情况下,计算CSI数据,得到所述计算出的CSI数据,根据训练好的信道预测模型对所述计算出的CSI数据进行信道预测,得到所述优化后的CSI数据。
在一实施例中,所述第四训练模块,还用于对所述CSI数据中的信道进行SVD分解,得到在子带上的特征值和特征向量;将所述CSI数据对应的特征值和特征向量值,以及所述目标分组内其他UE的CSI数据对应的特征值和特征向量值输入所述训练好的信道预测模型中,得到所述训练好的信道预测模型输出的所述优化后的CSI数据。
在一实施例中,所述装置还包括:
第二修正模块,用于使用所述CSI数据中的子带信道质量指示以及UE调度子带权重对所述CSI数据对应的特征值与特征向量进行修正。
在一实施例中,所述装置还包括:
接收参数模块,用于接收所述基站下发的为所述目标分组选择的所述训练好的信道预测模型与分组参数;和/或
设置模块,用于根据所述上报配置信息设置所述CSI数据的上报周期。
本申请的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (20)
1.一种反馈处理方法,应用于基站,其特征在于,所述方法包括:
接收目标分组中UE根据对应的上报配置信息上报的信道状态信息CSI数据,其中,所述上报配置信息用于指示所述目标分组内的UE在预设上报时隙中上报所述CSI数据;
若在所述预设上报时隙中未接收到所述目标分组中目标UE上报的所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE预设时间段内上报的CSI数据进行信道预测,得到优化后的CSI数据;
根据所述优化后的CSI数据确定下行数据发送使用的下行资源。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若在所述预设上报时隙中接收到所述目标分组中目标UE上报的CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE的CSI数据进行信道预测,得到所述优化后的CSI数据;和/或
若在所述预设上报时隙中接收到所述目标分组中目标UE上报的CSI数据,根据所述CSI数据判断所述目标UE是否保留在所述目标分组中;在判断结果为所述目标UE不保留在所述目标分组中的情况下,将所述目标UE从所述目标分组内剔除,以更新所述目标分组。
3.根据权利要求2所述的方法,其特征在于,根据所述CSI数据判断所述目标UE是否保留在所述目标分组中包括:
根据所述目标分组对应的训练好的信道预测模型对所述目标UE上报的所述CSI数据进行信道预测,得到所述优化后的CSI数据;
根据所述优化后的CSI数据判断所述目标UE是否保留在所述目标分组中。
4.根据权利要求3所述的方法,其特征在于,根据所述目标分组对应的训练好的信道预测模型对所述目标UE上报的所述CSI数据进行信道预测,得到所述优化后的CSI数据包括:
将所述CSI数据中的信道进行SVD分解,得到所述目标UE在子带上的特征值与特征向量;
将所述目标UE的CSI数据对应的特征值与特征向量,以及所述目标分组内其他UE的CSI数据对应的特征值和特征向量值输入所述训练好的信道预测模型中,得到所述训练好的信道预测模型输出的所述优化后的CSI数据,所述优化后的CSI数据为优化后的所述目标UE在子带上的特征值与特征向量。
5.根据权利要求4所述的方法,其特征在于,在将所述CSI数据中的信道进行SVD分解,得到所述目标UE在子带上的特征值与特征向量之后,所述方法还包括:
使用所述目标UE上报的CSI数据中的子带信道质量指示以及UE调度子带权重对所述目标UE的CSI数据对应的特征值与特征向量进行修正。
6.根据权利要求2所述的方法,其特征在于,根据所述CSI数据判断所述目标UE是否保留在所述目标分组中包括:
根据所述CSI数据确定所述目标UE的分组;
判断所述目标UE的分组与所述目标分组是否相同;
在所述目标UE的分组与所述目标分组相同的情况下,确定所述判断结果为所述目标UE保留在所述目标分组中;
在所述目标UE的分组与所述目标分组不相同的情况下,确定所述判断结果为所述目标UE不保留在所述目标分组中。
7.根据权利要求6所述的方法,其特征在于,根据所述CSI数据确定所述目标UE的分组包括:
分别根据所述目标UE的CSI数据与除所述目标UE之外的每个UE的CSI数据确定所述目标UE与除所述目标UE之外的每个UE组成的UE对的加权相关值,确定所述相关值大于预设阈值的UE对组成的分组为所述目标UE的分组;或者
将所述CSI数据输入训练好的分组决策模型中,得到所述训练好的分组决策模型输出的所述目标UE的分组。
8.根据权利要求7所述的方法,其特征在于,在将所述CSI数据输入训练好的分组决策模型中,得到所述训练好的分组决策模型输出的所述目标UE的分组之后,所述方法还包括:
在所述判断结果为目标UE不保留在所述目标分组中的情况下,将所述目标UE设置为未分组用户;
在所述判断结果为目标UE保留在所述目标分组中的情况下,根据所述目标UE的CSI数据与所述目标分组内除所述目标UE之外其他UE的CSI数据对所述训练好的分组决策模型进行训练,以更新所述训练好的分组决策模型。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若在所述预设上报时隙中接收到所述目标UE上报的CSI数据,根据所述目标UE的CSI数据与存储的所述目标分组内除所述目标UE之外其他UE的CSI数据对所述训练好的信道预测模型进行训练,以更新所述训练好的信道预测模型。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述目标UE不属于任一分组的情况下,根据所述目标UE上报的CSI数据确定所述目标UE的分组结果,其中,所述分组结果包括:所述目标UE加入已有的某一分组,或者所述目标UE与其他未分组用户组成新的分组。
11.根据权利要求1至10中任一项所述的方法,其特征在于,在接收目标分组中UE根据对应的上报配置信息上报的CSI数据之前,所述方法还包括:
获取覆盖范围内的多个UE上报的CSI数据,其中,所述目标UE为所述多个UE中的任一UE;
根据所述多个UE的CSI数据对所述多个UE进行初始分组,得到所述多个分组,其中,所述目标分组为所述多个分组中的任一分组;
分别为所述多个分组选择对应的训练好的信道预测模型,并将所述训练好的信道预测模型、分组参数及所述上报配置信息反馈给所述多个UE。
12.一种反馈处理方法,应用于目标UE,其特征在于,所述方法包括:
确定信道状态信息CSI数据,其中,所述CSI数据为计算出的CSI数据或对所述计算出的CSI进行优化后的CSI数据;
根据所在目标分组对应的上报配置信息向基站上报所述CSI数据,以使所述基站若在所述上报配置信息指示的预设上报时隙中未接收到所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE预设时间段内上报的CSI数据进行信道预测,得到优化后的CSI数据;根据所述优化后的CSI数据确定下行数据发送使用的下行资源,其中,所述上报配置信息用于指示所述目标分组内UE在预设上报时隙中上报所述CSI数据。
13.根据权利要求12所述的方法,其特征在于,在确定信道状态信息CSI数据之前,所述方法还包括:
接收所述基站下发的CSI-RS探测信号;
判断所述CSI-RS探测信息的接收质量是否满足预设条件;
在判断结果为是的情况下,计算CSI数据,得到所述计算出的CSI数据,根据所述CSI数据与所述基站下发的所述目标分组内其他UE的CSI数据对训练好的信道预测模型进行训练,以更新所述训练好的信道预测模型;
在判断结果为否的情况下,计算CSI数据,得到所述计算出的CSI数据,根据训练好的信道预测模型对所述计算出的CSI数据进行信道预测,得到所述优化后的CSI数据。
14.根据权利要求13所述的方法,其特征在于,根据训练好的信道预测模型对所述计算出的CSI数据进行预测,得到所述优化后的CSI数据包括:
对所述CSI数据中的信道进行SVD分解,得到在子带上的特征值和特征向量;
将所述CSI数据对应的特征值和特征向量值,以及所述目标分组内其他UE的CSI数据对应的特征值和特征向量值输入所述训练好的信道预测模型中,得到所述训练好的信道预测模型输出的所述优化后的CSI数据。
15.根据权利要求14所述的方法,其特征在于,在对所述CSI数据中的信道进行SVD分解,得到在子带上的特征值和特征向量之后,所述方法还包括:
使用所述CSI数据中的子带信道质量指示以及UE调度子带权重对所述CSI数据对应的特征值与特征向量进行修正。
16.根据权利要求12至15中任一项所述的方法,其特征在于,所述方法还包括:
接收所述基站下发的为所述目标分组选择的所述训练好的信道预测模型与分组参数;和/或
根据所述上报配置信息设置所述CSI数据的上报周期。
17.一种反馈处理装置,应用于基站,其特征在于,所述装置包括:
接收数据模块,用于接收目标分组中UE根据对应的上报配置信息上报的信道状态信息CSI数据,其中,所述上报配置信息用于指示所述目标分组内的UE在预设上报时隙中上报所述CSI数据;
第一信道预测模块,用于若在所述预设上报时隙中未接收到所述目标分组中目标UE上报的所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与所述目标UE预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;
确定资源模块,用于根据所述优化后的CSI数据确定下行数据发送使用的下行资源。
18.一种UE分组处理装置,应用于目标UE,其特征在于,所述装置包括:
确定数据模块,用于确定信道状态信息CSI数据,其中,所述CSI数据为计算出的CSI数据或对所述计算出的CSI进行优化后的CSI数据;
上报模块,用于根据所在目标分组对应的上报配置信息向基站上报所述CSI数据,以使所述基站若在所述上报配置信息指示的预设上报时隙中未接收到所述CSI数据,基于训练好的信道预测模型,使用所述目标分组中除所述目标UE之外的其他UE上报的CSI数据与目标UE预设时间段上报的CSI数据进行信道预测,得到优化后的CSI数据;根据所述优化后的CSI数据确定下行数据发送使用的下行资源,其中,所述上报配置信息用于指示所述目标分组内UE在预设上报时隙中上报所述CSI数据。
19.一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至11、12至16任一项中所述的方法。
20.一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至11、12至16任一项中所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211068191.6A CN117675145A (zh) | 2022-08-31 | 2022-08-31 | 一种反馈处理方法、装置、存储介质及电子装置 |
PCT/CN2023/113645 WO2024046140A1 (zh) | 2022-08-31 | 2023-08-18 | 一种反馈处理方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211068191.6A CN117675145A (zh) | 2022-08-31 | 2022-08-31 | 一种反馈处理方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117675145A true CN117675145A (zh) | 2024-03-08 |
Family
ID=90066958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211068191.6A Pending CN117675145A (zh) | 2022-08-31 | 2022-08-31 | 一种反馈处理方法、装置、存储介质及电子装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117675145A (zh) |
WO (1) | WO2024046140A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220417776A1 (en) * | 2019-10-17 | 2022-12-29 | Qualcomm Incorporated | Configuration of csi reference resource and csi target resource for predictive estimation of channel state information |
CN113541892A (zh) * | 2020-04-15 | 2021-10-22 | 维沃移动通信有限公司 | 一种csi处理方法、处理装置及ue |
CN114760654A (zh) * | 2021-01-08 | 2022-07-15 | 北京紫光展锐通信技术有限公司 | Csi的上报方法及装置 |
CN114765509B (zh) * | 2021-01-15 | 2024-01-05 | 大唐移动通信设备有限公司 | 信息上报、接收方法、终端设备及网络设备 |
-
2022
- 2022-08-31 CN CN202211068191.6A patent/CN117675145A/zh active Pending
-
2023
- 2023-08-18 WO PCT/CN2023/113645 patent/WO2024046140A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024046140A1 (zh) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101612287B1 (ko) | 셀간 간섭 경감에 대한 하향링크 무선전송 스킴들 | |
KR101578133B1 (ko) | 하향 링크 송신을 위한 셀간 간섭 회피 | |
US11558094B2 (en) | Information transmission and receiving method and device, storage medium and electronic device | |
US8588164B2 (en) | Method and apparatus for estimating downlink channel quality | |
US10419094B2 (en) | Channel state information measurement method, channel state information acquisition method, terminal and network device | |
US11290163B2 (en) | Downlink user equipment selection | |
CN106465408A (zh) | Mimo系统中多用户调度的方法和装置 | |
CN111756457B (zh) | 信道预测方法、装置及计算机存储介质 | |
CN102932114B (zh) | 一种上行预编码发射方法及装置 | |
US10735057B1 (en) | Uplink user equipment selection | |
CN115280682A (zh) | 通信方法及装置 | |
US20230198640A1 (en) | Channel state information values-based estimation of reference signal received power values for wireless networks | |
CN113852986A (zh) | 信息上报方法、装置、电子设备及可读存储介质 | |
KR102579905B1 (ko) | 대규모 mimo 시스템에서의 전송 방법 전환 방법 및 디바이스 | |
CN117675145A (zh) | 一种反馈处理方法、装置、存储介质及电子装置 | |
KR20230138538A (ko) | 정보 리포팅 방법, 장치, 제1 장치 및 제2 장치 | |
WO2024002003A1 (zh) | 信道反馈模型确定方法、终端及网络侧设备 | |
WO2023179473A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2024037380A1 (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
CN115189740A (zh) | 信道状态信息反馈系统及方法 | |
WO2023179476A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
EP4150861B1 (en) | Determining cell upgrade | |
WO2023077274A1 (zh) | Csi反馈方法、装置、设备及存储介质 | |
US20240162957A1 (en) | Method and device for reporting csi based on ai model in wireless communication system | |
CN117955593A (zh) | 信道状态信息的发送、接收方法、通信装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |