CN117715072A - 信息传输方法、ai网络模型训练方法、装置和通信设备 - Google Patents
信息传输方法、ai网络模型训练方法、装置和通信设备 Download PDFInfo
- Publication number
- CN117715072A CN117715072A CN202211091643.2A CN202211091643A CN117715072A CN 117715072 A CN117715072 A CN 117715072A CN 202211091643 A CN202211091643 A CN 202211091643A CN 117715072 A CN117715072 A CN 117715072A
- Authority
- CN
- China
- Prior art keywords
- information
- matrix
- channel
- network model
- position information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 209
- 238000012549 training Methods 0.000 title claims abstract description 205
- 238000004891 communication Methods 0.000 title claims abstract description 37
- 230000005540 biological transmission Effects 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 159
- 238000012216 screening Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 428
- 238000006243 chemical reaction Methods 0.000 claims description 39
- 238000013139 quantization Methods 0.000 claims description 36
- 230000003247 decreasing effect Effects 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 16
- 238000010606 normalization Methods 0.000 description 13
- 230000006835 compression Effects 0.000 description 9
- 238000007906 compression Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 101150071746 Pbsn gene Proteins 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种信息传输方法、AI网络模型训练方法、装置和通信设备,属于通信技术领域,本申请实施例的信息传输方法包括:终端获取第一信息,第一信息包括目标下行信道的全部子带的第一信道信息;终端对第一信息进行第一处理,得到AI训练数据,其中,第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,第一AI网络模型用于将第二信道信息处理成第一信道特征信息,第二AI网络模型用于将第一信道特征信息恢复成第二信道信息,第二信道信息为目标下行信道的信道信息;终端向第一设备发送第二信息,第二信息包括AI训练数据。
Description
技术领域
本申请属于通信技术领域,具体涉及一种信息传输方法、人工智能(ArtificialIntelligence,AI)网络模型训练方法、装置和通信设备。
背景技术
在相关技术中,对借助AI网络模型来传输信道特征信息的方法进行了研究。
该AI网络模型可以包括编码部分(即编码AI网络模型)和解码部分(即解码AI网络模型),编码AI网络模型用于将信道信息编码成信道特征信息,解码AI网络模型用于将编码AI网络模型输出的信道特征信息恢复成信道信息,这样,为了使编码AI网络模型与解码AI网络模型匹配,该编码AI网络模型和解码AI网络模型通常在同一设备中进行联合训练,然后将联合训练得到的编码AI网络模型传输至终端,将联合训练得到解码AI网络模型传输至基站。
在相关技术中,基站根据预先获取的训练数据来训练编码AI网络模型和解码AI网络模型,由于预先获取的训练数据与实际信道并不一致,会造成训练得到的编码AI网络模型和解码AI网络模型的与实际信道的匹配程度比较低,从而降了编码AI网络模型和解码AI网络模型处理实际的信道信息的准确度。
发明内容
本申请实施例提供一种信息传输方法、AI网络模型训练方法、装置和通信设备,使得终端能够向基站上报实际估计的信道信息,以使基站根据该信道信息训练准确性更高的编码AI网络模型和解码AI网络模型。
第一方面,提供了一种信息传输方法,该方法包括:
终端获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;
所述终端对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;
所述终端向第一设备发送第二信息,所述第二信息包括所述AI训练数据。
第二方面,提供了一种信息传输装置,应用于终端,该装置包括:
获取模块,用于获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;
第一处理模块,用于对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;
第一发送模块,用于向第一设备发送第二信息,所述第二信息包括所述AI训练数据。
第三方面,提供了一种AI网络模型训练方法,包括:
第一设备接收来自终端的第二信息,其中,所述第二信息包括AI训练数据,所述AI训练数据基于对第一信息进行第一处理得到,所述第一信息包括目标下行信道的全部子带的第一信道信息;
所述第一设备根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
第四方面,提供了一种AI网络模型训练装置,应用于网络侧设备,该装置包括:
第一接收模块,用于接收来自终端的第二信息,其中,所述第二信息包括AI训练数据,所述AI训练数据基于对第一信息进行第一处理得到,所述第一信息包括目标下行信道的全部子带的第一信道信息;
训练模块,用于根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
第五方面,提供了一种通信设备,该通信设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面或第三方面所述的方法的步骤。
第六方面,提供了一种通信设备,包括处理器及通信接口,其中,所述通信接口用于获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;所述处理器用于对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;所述通信接口还用于向第一设备发送第二信息,所述第二信息包括所述AI训练数据;
或者,
所述通信接口用于接收来自终端的第二信息,其中,所述第二信息包括AI训练数据,所述AI训练数据基于对第一信息进行第一处理得到,所述第一信息包括目标下行信道的全部子带的第一信道信息;所述处理器用于根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
第七方面,提供了一种通信系统,包括:第一设备及第二设备,所述第一设备可用于执行如第一方面所述的信息传输方法的步骤,所述第二设备可用于执行如第三方面所述的AI网络模型训练方法的步骤。
第八方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤,或者实现如第三方面所述的方法的步骤。
第九方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法,或实现如第三方面所述的方法。
第十方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的信息传输方法的步骤,或者所述计算机程序/程序产品被至少一个处理器执行以实现如第三方面所述的AI网络模型训练方法的步骤。
在本申请实施例中,终端获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;所述终端对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;所述终端向第一设备发送第二信息,所述第二信息包括所述AI训练数据。终端在估计得到目标下行信道的各个子带的第一信道信息之后,对该信道信息进行筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理等处理中的至少一项,可以降低得到的AI训练数据的数据量,在终端将该AI训练数据发送给第一设备时,可以降低传输该AI训练数据所占用的资源量。此外,由于AI训练数据基于对目标下行信道的全部子带的信道信息进行第一处理得到,该AI训练数据能够反映目标下行信道的信道状态,在第一设备基于该AI训练数据训练编码AI网络模型(即第一AI网络模型)和/或解码AI网络模型(即第二AI网络模型)的过程中,能够提升训练得到的编码AI网络模型和/或解码AI网络模型与目标下行信道的匹配程度。在利用第一AI网络模型将目标下行信道的信道信息压缩成信道特征信息,和/或,利用第二AI网络模型将目标下行信道的信道特征信息恢复成信道信息的过程中,能够提升第一AI网络模型的压缩编码精确度和/或提升第二AI网络模型的解码精确度和/或提升第一AI网络模型和第二AI网络模型之间的匹配程度,进而能够降低信道信息上报过程占用的资源,以及提升该上报过程的精确度。
附图说明
图1是本申请实施例能够应用的一种无线通信系统的结构示意图;
图2是本申请实施例提供的一种信息传输方法的流程图;
图3是本申请实施例提供的一种AI网络模型训练方法的流程图;
图4是本申请实施例提供的一种信息传输装置的结构示意图;
图5是本申请实施例提供的一种AI网络模型训练装置的结构示意图;
图6是本申请实施例提供的一种通信设备的结构示意图;
图7是本申请实施例提供的一种终端的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)系统,还可用于其他无线通信系统,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access,SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的系统和无线电技术,也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)系统,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR系统应用以外的应用,如第6代(6th Generation,6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、移动上网装置(Mobile Internet Device,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(BasicServiceSet,BSS)、扩展服务集(Extended Service Set,ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例进行介绍,并不限定基站的具体类型。
人工智能目前在各个领域获得了广泛的应用。AI网络模型有多种实现方式,例如神经网络、决策树、支持向量机、贝叶斯分类器等。本申请以神经网络为例进行说明,但是并不限定AI网络模型的具体类型。
在相关技术中,在终端侧采用编码AI网络模型来对信道信息进行压缩编码,并上报压缩编码后的信道特征信息,在网络侧则可以采用解码AI网络模型来对接收的信道特征信息进行解码处理,以恢复信道信息。其中,编码AI网络模型需要与解码AI网络模型匹配,在相关技术中,通常是在网络侧联合训练编码AI网络模型和解码AI网络模型,以使两者达到合适的匹配度。
当然,本申请实施例中,还可能是终端已经具有解码AI网络模型,此时可以在网络侧训练解码AI网络模型以使训练后的解码AI网络模型与终端的解码AI网络模型匹配,在此对本申请实施例中如何训练编码AI网络模型和/或解码AI网络模型的过程不作具体限定。
在相关技术中,训练编码AI网络模型和解码AI网络模型的AI训练数据通常是预先获取的数据,或者是专用于采集训练数据的终端或网络侧设备所采集到的信道信息,基于该AI训练数据所训练得到编码AI网络模型和解码AI网络模型之后,网络侧设备再将编码AI网络模型下发给终端,以使终端基于网络侧设备下发的编码AI网络模型来编码信道信息。但是,网络侧设备基于预先获取的数据或专用于采集训练数据的终端或网络侧设备所采集到的信道信息所训练得到的编码AI网络模型和解码AI网络模型可能存在与终端的实际信道信息不匹配的情况,此时,可能出现编码AI网络模型对终端的实际信道信息的压缩程度较低,使得压缩后的信道特征信息占用资源较大,或者使得编码AI网络模型和解码AI网络模型对终端的实际信道信息的处理不够准确,降低了信道信息上报的精确度。
而本申请实施例中,终端会将估计到的实际信道的全部子带的信道信息进行筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,使得处理后的信道信息能够在准确描述目标下行信道的信道状态的情况下,尽可能的降低比特数。这样,终端在将处理后的信道信息作为AI训练数据上报给训练编码AI网络模型(即本申请实施例中的第一AI网络模型)和/或解码AI网络模型(即本申请实施例中的第二AI网络模型)的第一设备时,能够降低传输该AI训练数据的开销,且第一设备基于该AI训练数据训练得到的编码AI网络模型和/或解码AI网络模型能够与终端实际的信道状态相匹配,从而能够降低信道信息上报过程占用的资源,以及提升信道信息上报过程的精确度。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的信息传输方法、AI网络模型训练方法、信息传输装置、AI网络模型训练装置及通信设备等进行详细地说明。
请参阅图2,本申请实施例提供的一种信息传输方法,其执行主体是终端,例如:如图1中列举的各种类型的终端11。如图2所示,该终端执行的信息传输方法可以包括以下步骤:
步骤201、终端获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息。
其中,第一信道信息可以包括信道矩阵和预编码矩阵中的至少一项,为了便于说明,本申请实施例中,以第一信道信息为预编码矩阵为例进行举例说明,在此不构成具体限定。
步骤202、所述终端对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
步骤203、所述终端向第一设备发送第二信息,所述第二信息包括所述AI训练数据。
其中,上述第一处理主要用于降低AI训练数据的比特数,进而能够降低传输该AI训练数据时占用的资源量。
在一种可能的实现方式中,终端对第一信息进行筛选处理,可以是终端筛选出每个子带的预编码矩阵中的非零元素或者幅度大于预设值(如:0.5)的元素,并将筛选出的元素的幅度、相位、位置等信息作为AI训练数据。
值得提出的是,在预编码矩阵中没有零元素,即全部为非零元素的情况下,可以不上报各个元素的位置信息。
在一种可能的实现方式中,终端对第一信息进行量化处理,可以是终端对每个子带的预编码矩阵中的非零元素的幅度和相位进行量化处理,其中,量化处理可以包括:归一化处理、将幅度小于幅度量化的最小值的元素作为零元素、对于高秩(Rank)的目标下行信道,基于各个层(layer)的预编码矩阵之间正交的原则,减少实际上报的预编码矩阵的元素的数量。其中,对于高秩的目标下行信道,每个子带的预编码矩阵有多列,每一列代表一个层(layer),每个layer有N个元素,通过减少实际上报的预编码矩阵的元素的数量,可以是预编码矩阵中与同一个layer对应的元素数量可以少于或等于(N-1)。
在一种可能的实现方式中,终端对第一信息进行时延域转换处理,可以是终端将每个子带的预编码矩阵转换至时延域,选择幅度较大的至少一个时延域的预编矩阵进行上报。
值得说明的是,再将每个子带的预编码矩阵转换至时延域之后,还可以对该时延域的预编矩阵进行上述筛选处理和量化处理中的至少一项,并上报处理后的预编码矩阵。
在一种可能的实现方式中,终端对第一信息进行码本转换处理,可以是终端利用高精度码本对每个子带的预编码矩阵进行编码处理,并上报编码后的码本信息。
其中,高精度码本可以表示相较于相关技术中的R15码本或R16码本,具有更高精确度的码本,例如:所述AI训练数据包括基于第一码本对每个子带的预编码矩阵进行编码处理所得到的码本数据,所述第一码本的端口数、时延径个数、波束数量、非零系数比例中的至少一项大于R15码本或R16码本中对应的端口数、时延径个数、波束数量和非零系数比例。
例如:R16码本中的端口数、时延径个数、波束数量、非零系数比例如下表1所示:
表1
其中,如上表1中Pv用于计算时延径个数,且R16码本中最多支持32个端口。
本实施方式中,第一码本的端口数、时延径个数、波束数量和非零系数比例中的至少一项可以大于如上表1中任一种组合的端口数、时延径个数、波束数量、非零系数比例。例如:本实施方式中的第一码本的第一参数可以是如下表2所示的参数组合:
表2
也就是说,本实施方式中,可以采用比R15码本和R16码本的精确度更高的码本来上报AI训练数据,此时,该AI训练数据能够更加精确的描述目标下行信道的信道状态,从而基于该AI训练数据训练得到的AI网络模型与目标下行信道的实际信道状态更加匹配。
在一种可能的实现方式中,终端对第一信息进行正交化处理,可以是终端将预编码矩阵的任意两列的元素构成的向量进行正交化处理,此时,终端在上报该预编码矩阵的过程中,可以只上报其中的部分元素的幅度和相位,对于剩余的未上报幅度和相位的元素,网络侧设备可以基于预编码矩阵的任意两列的元素构成的向量相互正交的原则计算得到。也就是说,通过使预编码矩阵中的元素向量正交,可以减少终端上报的元素的数量。
作为一种可选的实施方式,在所述第一信道信息为预编码矩阵的情况下,所述终端对所述第一信息进行第一处理,得到AI训练数据,包括:
所述终端对所述预编码矩阵中的元素的幅度和相位进行量化处理,得到第一矩阵的第三信息;
其中,所述AI训练数据包括所述第三信息。
本实施方式中,分别对目标下行信道的全部子带的预编码矩阵中的元素的幅度和相位进行量化处理,所得到的第一矩阵的第三信息可以反映量化后的元素的幅度和相位,这样,第一设备基于该第一矩阵的第三信息可以确定目标下行信道的全部子带的预编码矩阵中的元素的幅度和相位。其中,第一矩阵可以表示量化后的预编码矩阵。
方式一
作为一种可选的实施方式,所述第三信息包括以下至少一项:
第一元素的位置信息和第二元素相对所述第一元素的幅度及相位差信息,其中,所述第一元素为所述第一矩阵中幅度最大的元素,所述第二元素为所述第一矩阵中除了所述第一元素之外的元素。
第三信息包括第一元素的位置信息和第二元素相对所述第一元素的幅度及相位差信息,可以表示,终端将第一矩阵中幅度最大的第一元素所在的位置上报给第一设备,并计算其他的第二元素与该第一元素的幅度和相位差,例如:将第二元素除以第一元素,得到第二元素相对给第一元素的幅度和相位差。最后终端上报量化后的幅度比值的和相位差,这样,第一元素不用上报,只上报其位置,可以节约上报第一元素时所占用的资源。
可选地,所述第一元素和所述第二元素为所述第一矩阵中的非零元素。
这样,只需要上报第一矩阵中的非零元素的幅度及相位差信息,对于非零元素,终端可以不上报,第一设备对于未接收到的幅度及相位差信息的元素,可以确定该元素为零元素。
需要说明的是,在实施中,若第一矩阵中既有零元素,又有非零元素,则第三信息还可以包括所述第一矩阵中的零元素的位置信息或非零元素的位置信息。当然,在第一矩阵中的元素全部是非零元素的情况下,第三信息可以不包括所述第一矩阵中的非零元素的位置信息。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一元素和所述第二元素为所述第一矩阵中与同一层对应的元素。
其中,在目标下行信道的秩(Rank)为K,且K大于1的情况下,所述目标下行信道的每个子带的预编码矩阵包括K列,且每一列对应一个层(layer),此时,可以对每个layer分别作归一化处理,即从每个layer中选择出幅度最大的元素,上报该元素的位置信息,并上报其他元素与该幅度最大的元素的幅度和相位差信息。
在另一种实施方式中,可以将K个layer作为一个整体,从中选择出幅度最大的元素,上报该元素的位置信息,并上报K个layer中的其他元素与该幅度最大的元素的幅度和相位差信息。
方式二
作为一种可选的实施方式,所述第三信息包括:
第三元素的幅度及相位,其中,所述第三元素为所述第一矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第一矩阵包括零元素和非零元素的情况下,所述第三信息还包括以下至少一项:
第一位置信息,所述第一位置信息为所述第一矩阵中的非零元素的位置信息;
第二位置信息,所述第二位置信息为所述第一矩阵中的零元素的位置信息。
其中,第三信息包括第三元素的幅度及相位,可以是终端直接将目标下行信道的各个子带的预编码矩阵的非零元素的幅度和相位进行量化后,反馈给第一设备,这样,第一设备在接收第三信息时,可以确定没有接收反馈的元素为0元素,从而确定目标下行信道的各个子带的预编码矩阵。
或者,终端将幅度大于或等于幅度量化的最小值(例如:幅度量化的最小值为0.5)的元素的幅度和相位进行量化后,反馈给第一设备,对于幅度小于幅度量化的最小值的元素,可以不上报。这样,第一设备在接收第三信息时,可以将没有接收反馈的元素视作为0元素,或者将其幅度视作为固定的取值(例如:0.5)。
需要说明的是,在本实施方式中,终端还可以上报零元素或幅度小于幅度量化的最小值的元素的位置信息,或者上报第三元素的位置信息,这样,第一设备可以根据该位置信息和接收到的各个元素的幅度和相位来确定目标下行信道的各个子带的预编码矩阵。当然,在第一矩阵中没有零元素的情况下,终端也可以不上报第三元素的位置信息,在此不作具体限定。
其中,在终端上报非零元素,且第一矩阵中存在零元素的情况下,终端可以上报非零元素的位置信息,则第一设备可以确定未上报的位置信息为零元素所在的位置;或者,终端也可以上报零元素的位置信息,则第一设备可以确定未上报的位置信息为非零元素所在的位置。
当然,在终端上报非零元素,且第一矩阵中不存在零元素的情况下,终端也可以不上报位置信息,此时,第一设备可以根据终端上报的各个非零元素的排列顺序或位置来确定该元素的含义。
方式三
作为一种可选的实施方式,在所述目标下行信道的秩大于1的情况下,所述第一矩阵包括至少两层,所述第三信息包括所述第一矩阵中的各个层的第四元素的幅度和相位;
其中,所述第一矩阵中与所述至少两层各自对应的第四元素的数量在N的基础上逐层递减,N为所述预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第四元素的数量均小于N。
其中,所述第一矩阵中与所述至少两层各自对应的第四元素的数量在N的基础上逐层递减,可以表示:对于高秩的信道信息反馈,每个子带的预编码矩阵有多列,每一列代表一个layer,且每个layer包括N个元素,此时,第一个layer(如layer 0)可以上报N个元素,第二个layer(如layer 1)可以上报(N-1)个元素,第三个layer(如layer 2)可以上报(N-2)个元素,并依次类推。
值得说明的是,第一设备在接收到上述第三信息时,可以基于目标下行信道的任意两个layer之间具有正交性的原则来确定终端未上报的元素的幅度和相位,例如:基于layer 0与layer 1之间的正交性来计算layer 1中未上报的元素的幅度和相位。
此外,上述未上报的元素可以是固定位置的元素,或者是固定位置的非零元素,例如:layer 1中的从后往前数的第一个非零元素、layer 2中的从后往前数的第一个和第二个非零元素,或者是layer 1中除了幅度最大的元素之外的从后往前数的第一个非零元素、layer 2中除了幅度最大的元素之外的从后往前数的第一个和第二个非零元素;或者,终端还可以上报该未上报的元素的位置信息。这样,第一设备能够获知终端未上报的是哪一个或哪一些元素。
需要说明的是,在实施中,所述第一矩阵包括的第四元素的数量在N的基础上逐层递减之外,还可以是其他组合,例如:假设K等于3,所述第三信息包括以下任一项:
所述第一矩阵中的与layer 0对应的N个元素的幅度和相位、所述第一矩阵中的与layer1对应的(N-1)个元素的幅度和相位,以及所述第一矩阵中的与layer 2对应的(N-2)个元素的幅度和相位;
所述第一矩阵中的与layer 0对应的N个元素的幅度和相位、所述第一矩阵中的与layer1对应的(N-2)个元素的幅度和相位,以及所述第一矩阵中的与layer 2对应的(N-3)个元素的幅度和相位;
所述第一矩阵中的与layer 0对应的(N-1)个元素的幅度和相位、所述第一矩阵中的与layer 1对应的(N-1)个元素的幅度和相位,以及所述第一矩阵中的与layer 2对应的(N-1)个元素的幅度和相位。
需要说明的是,上述方式一至方式三中的任意两个或者三个可以组合,例如:
在一种可能的实现方式中,方式一与方式三结合,此时,第四元素可以是第一元素和第二元素,即终端可以上报幅度最大的元素的幅度、相位和位置信息,并上报归一化处理后的其他元素的幅度和相位信息。
需要说明的是,在所述第三信息包括的第四元素的幅度和相位为归一化处理后的幅度和相位的情况下,此时需要上报每个layer的最大元素的位置,且第四元素的最少数量为:所述第一矩阵中的与layer 0对应的N个元素、所述第一矩阵中的与layer1对应的(N-1)个元素,以及所述第一矩阵中的与layer 2对应的(N-2)个元素,并依次类推。
需要说明的是,在所述第三信息包括的第四元素的幅度和相位并非归一化处理后的幅度和相位的情况下,此时不用上报每个layer最大系数的位置,且由于不做归一化处理,每个layer的预编码矩阵的模为1,基于该限制,可以进一步减少第四元素的数量。例如:第四元素包括:所述第一矩阵中的与layer 0对应的N个元素、所述第一矩阵中的与layer1对应的(N-2)个元素,以及所述第一矩阵中的与layer 2对应的(N-3)个元素,并依次类推。
在另一种可能的实现方式中,方式二与方式三结合,此时,第四元素可以是第三元素,即终端可以上报第一矩阵中的非零元素或幅度大于或等于幅度量化的最小值的元素的幅度、相位和位置信息。
当然,上述方式一也可以与方式二结合,即终端选择预编码矩阵中的非零元素作归一化处理,并上报归一化处理后的非零元素的幅度和相位,在此不做赘述。
可选地,所述第三信息还包括以下至少一项:
第三位置信息,所述第三位置信息为所述第四元素在所述第一矩阵中的位置信息,此时,所述第一矩阵中的除了所述第四元素之外的非零元素的位置信息可以通过协议约定或者由第一设备指示;
第四位置信息,所述第四位置信息为所述第一矩阵中的除了所述第四元素之外的非零元素的位置信息,此时,若预编码矩阵不包括零元素,则终端不需要上报第四元素在所述第一矩阵中的位置信息;
第五位置信息,所述第五位置信息为所述第一矩阵中的零元素的位置信息和第四元素的位置信息,此时,预编码矩阵包括零元素和非零元素,终端需要上报第四元素在所述第一矩阵中的位置信息,以及零元素的位置信息。
通过上述第三位置信息、第四位置信息和第五位置信息中的至少一项,可以使第一设备据此确定终端上报的第四元素位于预编码矩阵中的哪个位置,或者,确定终端未上报的元素为预编码矩阵中的哪个或哪些元素,或者,确定需要基于各layer之间的正交性或各layer对应的预编码矩阵的模等于1的原则来计算的是哪一个或哪一些元素。
作为一种可选的实施方式,在所述第一信道信息为预编码矩阵的情况下,所述终端对所述第一信息进行第一处理,得到AI训练数据,包括:
所述终端对所述预编码矩阵进行时延域转换处理,得到X个时延域的第二矩阵,X为正整数;
所述终端确定所述AI训练数据包括所述X个第二矩阵中的幅度最大的Y个第二矩阵的第四信息,Y为小于或等于X的正整数。
其中,上述第二矩阵与第一矩阵相似,区别在于第二矩阵为时延域的预编码矩阵,其中,对预编码矩阵进行时延域转换处理,以及选择最强的Y个时延域预编码矩阵的过程,与相关技术中进行时延域转换处理,以及选择最强的时延域预编码矩阵的过程相同,在此不再赘述。
可选地,所述第四信息包括:
第五元素的位置信息和第六元素相对所述第五元素的幅度及相位差信息,其中,所述第五元素为所述第二矩阵中幅度最大的元素,所述第六元素为所述第二矩阵中除了所述第五元素之外的元素。
本实施方式中,对第五元素和第六元素作归一化处理,该归一化处理的具体过程与如上实施例的方式一中对第一元素和第二元素作归一化处理的过程相同,在此不再赘述。
可选地,所述第五元素和所述第六元素为所述第二矩阵中的非零元素。
其中,在所述时域域的预编码矩阵包括零元素和非零元素的情况下,若终端只上报非零元素,则终端还需上报该时域域的预编码矩阵中的零元素或非零元素的位置信息。以使第一设备据此确定时域域的预编码矩阵。
可选地,在所述目标下行信道的秩大于1的情况下,所述第五元素和所述第六元素为所述第二矩阵中与同一层对应的元素。
本实施方式与如上实施例的方式一中分别对每一个layer的第一元素和第二元素进行归一化处理的过程相同,在此不再赘述。
当然,在实施中,终端也有可能将全部layer作为一个整体,并对全部layer中的第一元素和第二元素进行统一的归一化处理。
可选地,所述第四信息包括:
第七元素的幅度及相位,其中,所述第七元素为所述第二矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第二矩阵包括零元素和非零元素的情况下,所述第四信息还包括以下至少一项:
第六位置信息,所述第六位置信息为所述第二矩阵中的非零元素的位置信息;
第七位置信息,所述第七位置信息为所述第二矩阵中的零元素的位置信息。
上述第七元素的含义与如上实施例中的第三元素的含义相似,不同之处在于第七元素为时延域的预编码矩阵中的元素,上述第七元素、第六位置信息和第七位置信息的含义可以参考如上实施例的方式二中第三元素、第一位置信息和第二位置信息的含义,在此不做赘述。
可选地,在所述目标下行信道的秩大于1的情况下,所述第二矩阵包括至少两层,所述第四信息包括所述第二矩阵中的第八元素的幅度和相位;
其中,所述第二矩阵中与所述至少两层各自对应的第八元素的数量在L的基础上逐层递减,L为所述时延域的预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第八元素的数量均小于L。
本实施方式中,终端无需对每一个layer都上报完整的预编码矩阵,而是上报部分,剩余的可以由第一设备根据各个layer的预编码矩阵之间的正交性,以及各个layer的预编码矩阵的模等于1等原则计算得到,其具体说明可以参考如上实施例的方式三中对第四元素的解释说明,在此不再赘述。
可选地,所述第八元素包括第五元素和第六元素,或者所述第八元素包括第七元素。
与如上实施例中方式一、方式二和方式三中的至少一项可以结合的原理相同的,本实施方式中,也可以对时延域的预编码矩阵中的信道信息进行归一化、筛选零元素、减少上报元素等处理中的至少一项,在此不再赘述。
可选地,所述第四信息还包括以下至少一项:
第八位置信息,所述第八位置信息为所述第八元素在所述第二矩阵中的位置信息;
第九位置信息,所述第九位置信息为所述第二矩阵中的除了所述第八元素之外的非零元素的位置信息;
第十位置信息,所述第十位置信息为所述第二矩阵中的零元素的位置信息和第八元素的位置信息。
上述第八位置信息、第九位置信息和第十位置信息与如上实施方式中的第三位置信息、死地位置信息和第五位置信息的含义和作用均相似,在此不再赘述。
作为一种可选的实施方式,在所述终端具有所述第一AI网络模型的情况下,所述第二信息还包括以下至少一项:
第二信道特征信息,所述第二信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第二信道特征信息为未量化的特征信息;
量化后的所述第二信道特征信息,以及所述第二信道特征信息的量化信息;
第三信道特征信息,所述第三信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第三信道特征信息为量化后的特征信息。
在一种可能的实现方式中,在第一AI网络模型输出第二信道特征信息的情况下,终端可以将该未量化的第二信道特征信息发送给第一设备,此时,第一设备可以将所述第二信道特征信息输入至待训练的第二AI网络模型中,以使该第二AI网络模型能够输出该第二信道特征信息对应的第一信息为目的,训练得到最终的第二AI网络模型。
在另一种可能的实现方式中,在第一AI网络模型输出第二信道特征信息的情况下,终端可以对该第二信道特征信息进行量化处理,并将量化处理后的第二信道特征信息以及该第二信道特征信息的量化信息上报给第一设备。此时,第一设备可以根据第二信道特征信息的量化信息恢复所述第二信道特征信息,并将所述第二信道特征信息输入至待训练的第二AI网络模型中,以使该第二AI网络模型能够输出该第二信道特征信息对应的第一信息为目的,训练得到最终的第二AI网络模型。本实现方式相较于上述终端上报未量化的第二信道特征信息而言,能够降低传输第二信道特征信息的开销。
在一种可能的实现方式中,第一AI网络模型可能直接输出量化后的特征信息,即第三信道特征信息,此时,第一AI网络模型具有编码功能和量化功能。终端在将该第三信道特征信息上报给第一设备后,该第一设备待训练的第二AI网络模型的功能可能与第一AI网络模型相对应,这样,第一设备可以将第三信道特征信息输入待训练的第二AI网络模型,以使该第二AI网络模型能够输出该第三信道特征信息对应的第一信息为目的,训练得到最终的第二AI网络模型;或者,第一设备可以先按照预设规则对第三信道特征信息处理成未量化的信道特征信息,然后再将该未量化的信道特征信息输入待训练的第二AI网络模型,以使该第二AI网络模型能够输出第三信道特征信息对应的第一信息为目的,训练得到最终的第二AI网络模型,其中,预设规则与第一AI网络模型对信道特征信息的量化规则相对应,基于该预设规则能够将第一AI网络模型量化后的信道特征信息恢复成该第一AI网络模型量化前的信道特征信息。
本实施方式中,在终端具有第一AI网络模型的情况下,该终端可以将第一信息输入该第一AI网络模型,并获取该第一AI网络模型输出的信道特征信息,此时,该信道特征信息可以是量化后的特征信息,即第三信道特征信息,或者,该信道特征信息也可以是未量化的特征信息,即第二信道特征信息。此时,终端将该信道特征信息与对应的信道信息一同上报给第一设备,以使第一设备基于信道特征信息与对应的信道信息共同训练第二AI网络模型,此时,基于信道特征信息与对应的信道信息训练得到的第二AI网络模型与终端具有的第一AI网络模型匹配。
作为一种可选的实施方式,在所述第一信道信息为预编码矩阵,且所述第一信息包括K层预编码矩阵的情况下,K为正整数,所述AI训练数据包括以下至少一项:
所述K层预编码矩阵中最强的M层预编码矩阵,M为小于或等于K的正整数;
所述K层预编码矩阵;
所述K层预编码矩阵中,第一指示信息指示的预编码矩阵,所述第一指示信息来自所述第一设备;
所述K层预编码矩阵中,第二指示信息指示的预编码矩阵,所述第二指示信息为所述终端预先发送至所述第一设备的指示信息;
所述K层预编码矩阵中的,满足预设条件的预编码矩阵。
在目标下行信道的秩(Rank)K大于1,此时,该目标下行信道的预编码矩阵包括K层。
选项一,K层预编码矩阵中强度越大的层越能够有效反映目标下行信道的信道状态,这样,从该K层预编码矩阵中选择最强(如幅度最大)的M层作为AI训练数据,例如:终端上报最强层(layer)的预编码矩阵。
值得提出的是,终端在复用常规的CSI报告作为AI训练数据的情况下,可以将CSI报告中与layer 0对应的预编码矩阵作为AI训练数据。
其相较于选择整个K层预编码矩阵而言,能够降低AI训练数据的数据量,且尽可能的保留K层预编码矩阵中的有效信息。
选项二,终端也可以将K层预编码矩阵作为AI训练数据,这样,能够精确的反映目标下行信道的真实信道状态。
选项三,终端可以在发送第二信息之前,接收上述第一指示信息,该第一指示信息可以指示终端需要上报的预编码矩阵,这样,终端只需要按照第一设备的指示上报指定层的预编码矩阵即可。
选项四,终端可以选择上报哪些层的预编码矩阵,并上报第二指示信息,以指示终端上报的预编码矩阵是哪些层的。其中,终端可以在发送第二信息之前或者之后或者同时发送第二指示信息,在此不作具体限定。
选项五,终端可以根据K层预编码矩阵中的各层是否满足预设条件来选择需要上的预编码矩阵。其中,满足预设条件的预编码矩阵能够更有效的反映目标下行信道的信道状态。
可选地,所述预设条件包括以下至少一项:
信道质量指示(Channel Quality Indicator,CQI)大于或等于第一阈值;
信号与干扰加噪声比(Signal to Interference plus Noise Ratio,SINR)大于或等于第二阈值;
特征值大于或等于第三阈值;
奇异值大于或是等于第四阈值。
本实施方式中,终端能够根据预设条件来筛选上报哪些层或那一层的预编码矩阵,其相较于选择整个K层预编码矩阵而言,能够降低AI训练数据的数据量,且尽可能的保留K层预编码矩阵中的有效信息。
在本申请实施例中,终端获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;所述终端对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;所述终端向第一设备发送第二信息,所述第二信息包括所述AI训练数据。终端在估计得到目标下行信道的各个子带的第一信道信息之后,对该信道信息进行筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理等处理中的至少一项,可以降低得到的AI训练数据的数据量,在终端将该AI训练数据发送给第一设备时,可以降低传输该AI训练数据所占用的资源量。此外,由于AI训练数据基于对目标下行信道的全部子带的信道信息进行第一处理得到,该AI训练数据能够反映目标下行信道的信道状态,在第一设备基于该AI训练数据训练编码AI网络模型(即第一AI网络模型)和/或解码AI网络模型(即第二AI网络模型)的过程中,能够提升训练得到的编码AI网络模型和/或解码AI网络模型与目标下行信道的匹配程度。在利用第一AI网络模型将目标下行信道的信道信息压缩成信道特征信息,和/或,利用第二AI网络模型将目标下行信道的信道特征信息恢复成信道信息的过程中,能够提升第一AI网络模型的压缩编码精确度和/或提升第二AI网络模型的解码精确度和/或提升第与AI网络模型和第二AI网络模型之间的匹配程度,进而能够降低信道信息上报过程占用的资源,以及提升该上报过程的精确度。
请参阅图3,本申请实施例提供的一种AI网络模型训练方法,其执行主体是第一设备。该第一设备可以是网络侧设备,例如:如图1所示实施例中列举的网络侧设备12或者是核心网设备,为了便于说明,本申请实施例中以第一设备是基站为例进行举例说明。
如图3所示,该第一设备执行的AI网络模型训练方法可以包括以下步骤:
步骤301、第一设备接收来自终端的第二信息,其中,所述第二信息包括AI训练数据,所述AI训练数据基于对第一信息进行第一处理得到,所述第一信息包括目标下行信道的全部子带的第一信道信息。
步骤302、所述第一设备根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
在实施中,基站可以根据AI训练数据训练编码AI网络模型,或者根据AI训练数据训练解码AI网络模型,或者根据AI训练数据联合训练编码AI网络模型和解码AI网络模型。
本申请实施例中,基站能够从终端获取对目标下行信道进行信道估计得到的信道信息来训练适用于该目标下行信道的编码和/或解码AI网络模型,能够提升训练得到的第一AI网络模型和/或第二AI网络模型与目标下行信道的匹配程度。
作为一种可选的实施方式,在所述第一设备根据所述AI训练数据训练第一AI网络模型之后,所述方法还包括:
所述第一设备向所述终端发送所述第一AI网络模型的相关信息。
本实施方式中,基站在完成编码AI网络模型的训练之后,将训练得到的编码AI网络模型下发给终端,这样,终端在后续的信道状态信息(Channel State Information,CSI)上报过程中,可以利用该编码AI网络模型对估计到的信道信息进行压缩编码,并上报压缩编码后的信道特征信息,此后,基站可以采用与该编码AI网络模型相匹配的解码AI网络模型将该信道特征信息恢复成原始的信道信息,或者,基站也可以采用非AI的方式将该信道特征信息恢复成原始的信道信息,例如,在用于某种算法将该信道特征信息恢复成原始的信道信息。
作为一种可选的实施方式,在所述终端具有所述第一AI网络模型的情况下,所述第二信息还包括以下至少一项:
第二信道特征信息,所述第二信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第二信道特征信息为未量化的特征信息;
量化后的所述第二信道特征信息,以及所述第二信道特征信息的量化信息;
第三信道特征信息,所述第三信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第三信道特征信息为量化后的特征信息;
所述第一设备根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,包括:
所述第一设备根据所述第二信道特征信息或所述第三信道特征信息,以及所述AI训练数据,训练与所述第一AI网络模型匹配的第二AI网络模型。
本实施方式中,所述第一设备根据所述第二信道特征信息或所述第三信道特征信息,以及所述AI训练数据,训练与所述第一AI网络模型匹配的第二AI网络模型,可以是:所述AI训练数据包括与所述第二信道特征信息或所述第三信道特征信息对应的原始的信道信息,所述第一设备将所述第二信道特征信息或所述第三信道特征信息输入待训练的第二AI网络模型,并以所述第二AI网络模型输出该第二信道特征信息或第三信道特征信息对应的原始的信道信息为目标,训练该第二AI网络模型,这样,最终训练得到的第二AI网络模型能够与终端具有的第一AI网络模型匹配,即:终端将信道信息输入至第一AI网络模型,获取该第一AI网络模型输出信道特征信息,并将该信道特征信息作为CSI上报给基站,基站则将该信道特征信息输入至训练好的第二AI网络模型,并获取该第二AI网络模型输出的信道信息,即在终端实现对信道信息的压缩编码,在基站实现对压缩编码后的信道特征信息的恢复。
作为一种可选的实施方式,所述第一信道信息为预编码矩阵和信道矩阵中的至少一项。
作为一种可选的实施方式,在所述第一信道信息为预编码矩阵,且所述第一信息包括K层预编码矩阵的情况下,K为正整数,所述AI训练数据包括以下至少一项:
所述K层预编码矩阵中最强的M层预编码矩阵,M为小于或等于K的正整数;
所述K层预编码矩阵;
所述K层预编码矩阵中,第一指示信息指示的预编码矩阵,所述第一指示信息来自所述第一设备;
所述K层预编码矩阵中,第二指示信息指示的预编码矩阵,所述第二指示信息为所述终端预先发送至所述第一设备的指示信息;
所述K层预编码矩阵中的,满足预设条件的预编码矩阵。
可选地,所述预设条件包括以下至少一项:
信道质量指示CQI大于或等于第一阈值;
信号与干扰加噪声比SINR大于或等于第二阈值;
特征值大于或等于第三阈值;
奇异值大于或是等于第四阈值。
作为一种可选的实施方式,在所述第一信道信息为预编码矩阵的情况下,所述AI训练数据,包括:
第一矩阵的第三信息,所述第一矩阵的第三信息基于对所述预编码矩阵中的非零元素的幅度和相位进行量化处理得到。
其中,上述第三信息与如图2所示方法实施例中的第三信息具有相同的含义和作用,在此不做赘述。
作为一种可选的实施方式,所述第三信息包括:
第一元素的位置信息和第二元素相对所述第一元素的幅度及相位差信息,其中,所述第一元素为所述第一矩阵中幅度最大的元素,所述第二元素为所述第一矩阵中除了所述第一元素之外的元素。
可选地,所述第一元素和所述第二元素为所述第一矩阵中的非零元素。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一元素和所述第二元素为所述第一矩阵中与同一层对应的元素。
其中,上述第一元素和第二元素与如图2所示方法实施例中的第一元素和第二元素具有相同的含义,在此不做赘述。
作为一种可选的实施方式,所述第三信息包括:
第三元素的幅度及相位,其中,所述第三元素为所述第一矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第一矩阵包括零元素和非零元素的情况下,所述第三信息还包括以下至少一项:
第一位置信息,所述第一位置信息为所述第一矩阵中的非零元素的位置信息;
第二位置信息,所述第二位置信息为所述第一矩阵中的零元素的位置信息。
其中,上述第三元素、第一位置信息和第二位置信息与如图2所示方法实施例中的第三元素、第一位置信息和第二位置信息具有相同的含义,在此不做赘述。
作为一种可选的实施方式,在所述目标下行信道的秩大于1的情况下,所述第一矩阵包括至少两层;
所述第一矩阵中与所述至少两层各自对应的第四元素的数量在N的基础上逐层递减,N为所述预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第四元素的数量均小于N。
其中,上述第四元素与如图2所示方法实施例中的第四元素具有相同的含义,在此不做赘述。
可选地,所述第四元素包括第一元素和第二元素,或者所述第四元素包括第三元素。
可选地,所述第三信息还包括以下至少一项:
第三位置信息,所述第三位置信息为所述第四元素在所述第一矩阵中的位置信息;
第四位置信息,所述第四位置信息为所述第一矩阵中的除了所述第四元素之外的非零元素的位置信息;
第五位置信息,所述第五位置信息为所述第一矩阵中的零元素的位置信息和所述第四元素的位置信息。
其中,上述第三位置信息、第四位置信息和第五位置信息与如图2所示方法实施例中的第三位置信息、第四位置信息和第五位置信息具有相同的含义,在此不做赘述。
作为一种可选的实施方式,在所述第一信道信息为预编码矩阵的情况下,所述AI训练数据,包括:
Y个时延域的第二矩阵的第四信息,其中,所述Y个第二矩阵为X个第二矩阵中的幅度最大的Y个,所述X个第二矩阵基于对所述预编码矩阵进行时延域转换处理得到,X为正整数,Y为小于或等于X的正整数。
其中,上述第四信息以及时延域的第二矩阵与如图2所示方法实施例中的第四信息以及时延域的第二矩阵具有相同含义,在此不再赘述。
可选地,所述第四信息包括:
第五元素的位置信息和第六元素相对所述第五元素的幅度及相位差信息,其中,所述第五元素为所述第二矩阵中幅度最大的元素,所述第六元素为所述第二矩阵中除了所述第五元素之外的元素.
可选地,所述第五元素和所述第六元素相为所述第二矩阵中的非零元素。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一元素和所述第二元素为所述第一矩阵中与同一层对应的元素。
其中,上述第五元素和第六元素与如图2所示方法实施例中的第五元素和第六元素具有相同含义,在此不再赘述。
作为一种可选的实施方式,所述第四信息包括:
第七元素的幅度及相位,其中,所述第七元素为所述第二矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第二矩阵包括零元素和非零元素的情况下,所述第四信息还包括以下至少一项:
第六位置信息,所述第六位置信息为所述第二矩阵中的非零元素的位置信息;
第七位置信息,所述第七位置信息为所述第二矩阵中的零元素的位置信息。
其中,上述第七元素、第六位置信息和第七位置信息与如图2所示方法实施例中的第七元素、第六位置信息和第七位置信息具有相同含义,在此不再赘述。
作为一种可选的实施方式,在所述目标下行信道的秩大于1的情况下,所述第二矩阵包括至少两层,所述第四信息包括所述第二矩阵中的第八元素的幅度和相位;
所述第二矩阵中与所述至少两层各自对应的第八元素的数量在L的基础上逐层递减,L为所述时延域的预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第八元素的数量均小于L。
可选地,所述第八元素包括第五元素和第六元素,或者所述第八元素包括第七元素。
可选地,所述第四信息还包括以下至少一项:
第八位置信息,所述第八位置信息为所述第八元素在所述第二矩阵中的位置信息;
第九位置信息,所述第九位置信息为所述第二矩阵中的除了所述第八元素之外的非零元素的位置信息;
第十位置信息,所述第十位置信息为所述第二矩阵中的零元素的位置信息和第八元素的位置信息。
其中,上述第八元素、第八位置信息、第九位置信息和第十位置信息与如图2所示方法实施例中的第八元素、第八位置信息、第九位置信息和第十位置信息具有相同含义,在此不再赘述。
本申请实施例提供的第一设备执行的AI网络模型训练方法,与终端执行的信息传输方法相对应,均能够降低上报高精确度的AI训练数据,并降低传输该AI训练数据的资源消耗的作用,基于该AI训练数据训练第一AI网络模型和/或第二AI网络模型时,还能够提升训练得到的第一AI网络模型和/或第二AI网络模型与目标下行信道的匹配程度。
为了便于说明本申请实施例提供的信息传输方法,以第一设备是基站为例说明本申请实施例提供的信息传输方法和AI网络模型训练方法可以包括以下步骤:
步骤1、终端采用4个接收端口接收CSI-RS,基站采用32个发送端口发送CSI-RS,终端进行信道估计,在每个PRB获得维度为4*32的下行信道矩阵,一共有52个PRB,每个子带有4个PRB,共13个子带。在每个子带,终端根据4个PRB的4个32*4的信道矩阵,计算对应的预编码矩阵,得到最多4个layer的预编码矩阵,即32*4的预编码矩阵,每一列代表一个layer。
步骤2、终端可以将4个layer的预编码矩阵直接发送给基站,或者,对于第一个layer的32个元素,找到其中幅度最大的元素,假设第一个layer中幅度最大的元素在第3个,则用其他元素分别除以该第三个元素,得到归一化的第一个layer的预编码向量,将除了第三个元素以外的所有元素的幅度和相位量化之后,终端可以将幅度非零的元素上报给基站,同时上报非零元素的位置。可选地,如果没有非零元素,则终端上报所有的元素,此时无需上报位置,当然,终端始终需要上幅度最大的元素的位置在第三个。
步骤3、对于第二个layer的元素,终端同样找到其中幅度最大的元素,假设第二个layer中幅度最大的元素在第1个,则终端用其他所有元素除以最强元素后得到等效的归一化预编码向量,将除第一个以外的元素的幅度和相位量化。同上述第一layer的预编码矩阵,若第二个layer的预编码矩阵中没有非零元素,则上报第二个到第31个元素,即第32个元素不上报,方式同上,以此类推。
步骤4、基站接收到的预编码矩阵为:
其中,ui,j表示第i个layer的第j个元素。
由于每一列的特征向量都是正交的,即满足以下公式:
基站可以解出未知的u2,32。
由于第一列和第二列都与第三列正交,第三列可以有两个未知数,同理,第四列有三个,即最大第三列可以少报两个,最大第四列可以少报三个,具体少报多少个不做限定。
本申请实施例提供的信息传输方法,执行主体可以为信息传输装置。本申请实施例中以信息传输装置执行信息传输方法为例,说明本申请实施例提供的信息传输装置。
请参阅图4,本申请实施例提供的一种信息传输装置,可以是终端内的装置,如图4所示,该信息传输装置400可以包括以下模块:
获取模块401,用于获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;
第一处理模块402,用于对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;
第一发送模块403,用于向第一设备发送第二信息,所述第二信息包括所述AI训练数据。
可选地,在所述终端具有所述第一AI网络模型的情况下,所述第二信息还包括以下至少一项:
第二信道特征信息,所述第二信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第二信道特征信息为未量化的特征信息;
量化后的所述第二信道特征信息,以及所述第二信道特征信息的量化信息;
第三信道特征信息,所述第三信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第三信道特征信息为量化后的特征信息。
可选地,所述第一信道信息为预编码矩阵和信道矩阵中的至少一项。
可选地,在所述第一信道信息为预编码矩阵,且所述第一信息包括所述K层预编码矩阵的情况下,K为正整数,所述AI训练数据包括以下至少一项:
K层预编码矩阵中最强的M层预编码矩阵,M为小于或等于K的正整数;
所述K层预编码矩阵;
所述K层预编码矩阵中,第一指示信息指示的预编码矩阵,所述第一指示信息来自所述第一设备;
所述K层预编码矩阵中,第二指示信息指示的预编码矩阵,所述第二指示信息为所述终端预先发送至所述第一设备的指示信息;
所述K层预编码矩阵中的,满足预设条件的预编码矩阵。
可选地,所述预设条件包括以下至少一项:
信道质量指示CQI大于或等于第一阈值;
信号与干扰加噪声比SINR大于或等于第二阈值;
特征值大于或等于第三阈值;
奇异值大于或是等于第四阈值。
可选地,在所述第一信道信息为预编码矩阵的情况下,第一处理模块402,具体用于:
对所述预编码矩阵中的元素的幅度和相位进行量化处理,得到第一矩阵的第三信息;
其中,所述AI训练数据包括所述第三信息。
可选地,所述第三信息包括:
第一元素的位置信息和第二元素相对所述第一元素的幅度及相位差信息,其中,所述第一元素为所述第一矩阵中幅度最大的元素,所述第二元素为所述第一矩阵中除了所述第一元素之外的元素。
可选地,所述第一元素和所述第二元素为所述第一矩阵中的非零元素。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一元素和所述第二元素为所述第一矩阵中与同一层对应的元素。
可选地,所述第三信息包括:
第三元素的幅度及相位,其中,所述第三元素为所述第一矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第一矩阵包括零元素和非零元素的情况下,所述第三信息还包括以下至少一项:
第一位置信息,所述第一位置信息为所述第一矩阵中的非零元素的位置信息;
第二位置信息,所述第二位置信息为所述第一矩阵中的零元素的位置信息。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一矩阵包括至少两层,所述第三信息包括所述第一矩阵中的各个层的第四元素的幅度和相位;
其中,所述第一矩阵中与所述至少两层各自对应的第四元素的数量在N的基础上逐层递减,N为所述预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第四元素的数量均小于N。
可选地,所述第四元素包括第一元素和第二元素,或者所述第四元素包括第三元素。
可选地,所述第三信息还包括以下至少一项:
第三位置信息,所述第三位置信息为所述第四元素在所述第一矩阵中的位置信息;
第四位置信息,所述第四位置信息为所述第一矩阵中的除了所述第四元素之外的非零元素的位置信息;
第五位置信息,所述第五位置信息为所述第一矩阵中的零元素的位置信息和第四元素的位置信息。
可选地,在所述第一信道信息为预编码矩阵的情况下,第一处理模块402,包括:
第一处理单元,用于对所述预编码矩阵进行时延域转换处理,得到X个时延域的第二矩阵,X为正整数;
第一确定单元,用于确定所述AI训练数据包括所述X个第二矩阵中的幅度最大的Y个第二矩阵的第四信息,Y为小于或等于X的正整数。
可选地,所述第四信息包括:
第五元素的位置信息和第六元素相对所述第五元素的幅度及相位差信息,其中,所述第五元素为所述第二矩阵中幅度最大的元素,所述第六元素为所述第二矩阵中除了所述第五元素之外的元素。
可选地,所述第五元素和所述第六元素为所述第二矩阵中的非零元素。
可选地,在所述目标下行信道的秩大于1的情况下,所述第五元素和所述第六元素为所述第二矩阵中与同一层对应的元素。
可选地,所述第四信息包括:
第七元素的幅度及相位,其中,所述第七元素为所述第二矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第二矩阵包括零元素和非零元素的情况下,所述第四信息还包括以下至少一项:
第六位置信息,所述第六位置信息为所述第二矩阵中的非零元素的位置信息;
第七位置信息,所述第七位置信息为所述第二矩阵中的零元素的位置信息。
可选地,在所述目标下行信道的秩大于1的情况下,所述第二矩阵包括至少两层,所述第四信息包括所述第二矩阵中的第八元素的幅度和相位;
其中,所述第二矩阵中与所述至少两层各自对应的第八元素的数量在L的基础上逐层递减,L为所述时延域的预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第八元素的数量均小于L。
可选地,所述第八元素包括第五元素和第六元素,或者所述第八元素包括第七元素。
可选地,所述第四信息还包括以下至少一项:
第八位置信息,所述第八位置信息为所述第八元素在所述第二矩阵中的位置信息;
第九位置信息,所述第九位置信息为所述第二矩阵中的除了所述第八元素之外的非零元素的位置信息;
第十位置信息,所述第十位置信息为所述第二矩阵中的零元素的位置信息和第八元素的位置信息。
本申请实施例提供的信息传输装置400,能够实现如图2所示方法实施例中终端实现的各个过程,且能够取得相同的有益效果,为避免重复,在此不再赘述。
本申请实施例中的信息传输装置可以是电子设备,例如具有操作系统的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于上述所列举的终端11的类型,其他设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例提供的AI网络模型训练方法,执行主体可以为AI网络模型训练装置。本申请实施例中以AI网络模型训练装置执行AI网络模型训练方法为例,说明本申请实施例提供的AI网络模型训练装置。
请参阅图5,本申请实施例提供的一种AI网络模型训练装置,可以是第一设备内的装置,如图5所示,该AI网络模型训练装置500可以包括以下模块:
第一接收模块501,用于接收来自终端的第二信息,其中,所述第二信息包括AI训练数据,所述AI训练数据基于对第一信息进行第一处理得到,所述第一信息包括目标下行信道的全部子带的第一信道信息;
训练模块502,用于根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
可选地,AI网络模型训练装置500还包括:
第二发送模块,用于向所述终端发送所述第一AI网络模型的相关信息。
可选地,在所述终端具有所述第一AI网络模型的情况下,所述第二信息还包括以下至少一项:
第二信道特征信息,所述第二信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第二信道特征信息为未量化的特征信息;
量化后的所述第二信道特征信息,以及所述第二信道特征信息的量化信息;
第三信道特征信息,所述第三信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第三信道特征信息为量化后的特征信息;
所述第一设备根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,包括:
所述第一设备根据所述第二信道特征信息或所述第三信道特征信息,以及所述AI训练数据,训练与所述第一AI网络模型匹配的第二AI网络模型。
可选地,所述第一信道信息为预编码矩阵和信道矩阵中的至少一项。
可选地,在所述第一信道信息为预编码矩阵,且所述第一信息包括所述K层预编码矩阵的情况下,K为正整数,所述AI训练数据包括以下至少一项:
K层预编码矩阵中最强的M层预编码矩阵,M为小于或等于K的正整数;
所述K层预编码矩阵;
所述K层预编码矩阵中,第一指示信息指示的预编码矩阵,所述第一指示信息来自所述第一设备;
所述K层预编码矩阵中,第二指示信息指示的预编码矩阵,所述第二指示信息为所述终端预先发送至所述第一设备的指示信息;
所述K层预编码矩阵中的,满足预设条件的预编码矩阵。
可选地,所述预设条件包括以下至少一项:
信道质量指示CQI大于或等于第一阈值;
信号与干扰加噪声比SINR大于或等于第二阈值;
特征值大于或等于第三阈值;
奇异值大于或是等于第四阈值。
可选地,在所述第一信道信息为预编码矩阵的情况下,所述AI训练数据,包括:
第一矩阵的第三信息,所述第一矩阵的第三信息基于对所述预编码矩阵中的非零元素的幅度和相位进行量化处理得到。
可选地,所述第三信息包括:
第一元素的位置信息和第二元素相对所述第一元素的幅度及相位差信息,其中,所述第一元素为所述第一矩阵中幅度最大的元素,所述第二元素为所述第一矩阵中除了所述第一元素之外的元素。
可选地,所述第一元素和所述第二元素为所述第一矩阵中的非零元素。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一元素和所述第二元素为所述第一矩阵中与同一层对应的元素。
可选地,所述第三信息包括:
第三元素的幅度及相位,其中,所述第三元素为所述第一矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第一矩阵包括零元素和非零元素的情况下,所述第三信息还包括以下至少一项:
第一位置信息,所述第一位置信息为所述第一矩阵中的非零元素的位置信息;
第二位置信息,所述第二位置信息为所述第一矩阵中的零元素的位置信息。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一矩阵包括至少两层;
所述第一矩阵中与所述至少两层各自对应的第四元素的数量在N的基础上逐层递减,N为所述预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第四元素的数量均小于N。
可选地,所述第四元素包括第一元素和第二元素,或者所述第四元素包括第三元素。
可选地,所述第三信息还包括以下至少一项:
第三位置信息,所述第三位置信息为所述第四元素在所述第一矩阵中的位置信息;
第四位置信息,所述第四位置信息为所述第一矩阵中的除了所述第四元素之外的非零元素的位置信息;
第五位置信息,所述第五位置信息为所述第一矩阵中的零元素的位置信息和所述第四元素的位置信息。
可选地,在所述第一信道信息为预编码矩阵的情况下,所述AI训练数据,包括:
Y个时延域的第二矩阵的第四信息,其中,所述Y个第二矩阵为X个第二矩阵中的幅度最大的Y个,所述X个第二矩阵基于对所述预编码矩阵进行时延域转换处理得到,X为正整数,Y为小于或等于X的正整数。
可选地,所述第四信息包括:
第五元素的位置信息和第六元素相对所述第五元素的幅度及相位差信息,其中,所述第五元素为所述第二矩阵中幅度最大的元素,所述第六元素为所述第二矩阵中除了所述第五元素之外的元素。
可选地,所述第五元素和所述第六元素相为所述第二矩阵中的非零元素。
可选地,在所述目标下行信道的秩大于1的情况下,所述第五元素和所述第六元素为所述第二矩阵中与同一层对应的元素。
可选地,所述第四信息包括:
第七元素的幅度及相位,其中,所述第七元素为所述第二矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第二矩阵包括零元素和非零元素的情况下,所述第四信息还包括以下至少一项:
第六位置信息,所述第六位置信息为所述第二矩阵中的非零元素的位置信息;
第七位置信息,所述第七位置信息为所述第二矩阵中的零元素的位置信息。
可选地,在所述目标下行信道的秩大于1的情况下,所述第二矩阵包括至少两层,所述第四信息包括所述第二矩阵中的第八元素的幅度和相位;
所述第二矩阵中与所述至少两层各自对应的第八元素的数量在L的基础上逐层递减,L为所述时延域的预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第八元素的数量均小于L。
可选地,所述第八元素包括第五元素和第六元素,或者所述第八元素包括第七元素。
可选地,所述第四信息还包括以下至少一项:
第八位置信息,所述第八位置信息为所述第八元素在所述第二矩阵中的位置信息;
第九位置信息,所述第九位置信息为所述第二矩阵中的除了所述第八元素之外的非零元素的位置信息;
第十位置信息,所述第十位置信息为所述第二矩阵中的零元素的位置信息和第八元素的位置信息。
本申请实施例中的AI网络模型训练装置可以是电子设备,例如具有操作系统的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是网络侧设备。示例性的,终端可以包括但不限于上述所列举的网络侧设备12的类型,本申请实施例不作具体限定。
本申请实施例提供的AI网络模型训练装置500,能够实现如图3所示方法实施例中第一设备实现的各个过程,且能够取得相同的有益效果,为避免重复,在此不再赘述。
可选的,如图6所示,本申请实施例还提供一种通信设备600,包括处理器601和存储器602,存储器602上存储有可在所述处理器601上运行的程序或指令,例如,该通信设备600为终端时,该程序或指令被处理器601执行时实现如图2所示方法实施例的各个步骤,且能达到相同的技术效果。该通信设备600为第一设备时,该程序或指令被处理器601执行时实现如图3所示方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种终端,包括处理器和通信接口,通信接口用于获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;所述处理器用于对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;所述通信接口还用于向第一设备发送第二信息,所述第二信息包括所述AI训练数据。具体地,图7为实现本申请实施例的一种终端的硬件结构示意图。
该终端700包括但不限于:射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709以及处理器710等中的至少部分部件。
本领域技术人员可以理解,终端700还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器710逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元704可以包括图形处理单元(GraphicsProcessing Unit,GPU)7041和麦克风7042,图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元706可包括显示面板7 061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板7061。用户输入单元707包括触控面板7071以及其他输入设备7072中的至少一种。触控面板7071,也称为触摸屏。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元701接收来自网络侧设备的下行数据后,可以传输给处理器710进行处理;另外,射频单元701可以向网络侧设备发送上行数据。通常,射频单元701包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器709可用于存储软件程序或指令以及各种数据。存储器709可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器709可以包括易失性存储器或非易失性存储器,或者,存储器709可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本申请实施例中的存储器709包括但不限于这些和任意其它适合类型的存储器。
处理器710可包括一个或多个处理单元;可选地,处理器710集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器710中。
其中,射频单元701,用于获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;
处理器710,用于对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;
射频单元701,还用于向第一设备发送第二信息,所述第二信息包括所述AI训练数据。
可选地,在所述终端具有所述第一AI网络模型的情况下,所述第二信息还包括以下至少一项:
第二信道特征信息,所述第二信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第二信道特征信息为未量化的特征信息;
量化后的所述第二信道特征信息,以及所述第二信道特征信息的量化信息;
第三信道特征信息,所述第三信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第三信道特征信息为量化后的特征信息。
可选地,所述第一信道信息为预编码矩阵和信道矩阵中的至少一项。
可选地,在所述第一信道信息为预编码矩阵,且所述第一信息包括所述K层预编码矩阵的情况下,K为正整数,所述AI训练数据包括以下至少一项:
K层预编码矩阵中最强的M层预编码矩阵,M为小于或等于K的正整数;
所述K层预编码矩阵;
所述K层预编码矩阵中,第一指示信息指示的预编码矩阵,所述第一指示信息来自所述第一设备;
所述K层预编码矩阵中,第二指示信息指示的预编码矩阵,所述第二指示信息为所述终端预先发送至所述第一设备的指示信息;
所述K层预编码矩阵中的,满足预设条件的预编码矩阵。
可选地,所述预设条件包括以下至少一项:
信道质量指示CQI大于或等于第一阈值;
信号与干扰加噪声比SINR大于或等于第二阈值;
特征值大于或等于第三阈值;
奇异值大于或是等于第四阈值。
可选地,在所述第一信道信息为预编码矩阵的情况下,处理器710执行的所述对所述第一信息进行第一处理,得到AI训练数据,包括:
对所述预编码矩阵中的元素的幅度和相位进行量化处理,得到第一矩阵的第三信息;
其中,所述AI训练数据包括所述第三信息。
可选地,所述第三信息包括:
第一元素的位置信息和第二元素相对所述第一元素的幅度及相位差信息,其中,所述第一元素为所述第一矩阵中幅度最大的元素,所述第二元素为所述第一矩阵中除了所述第一元素之外的元素。
可选地,所述第一元素和所述第二元素为所述第一矩阵中的非零元素。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一元素和所述第二元素为所述第一矩阵中与同一层对应的元素。
可选地,所述第三信息包括:
第三元素的幅度及相位,其中,所述第三元素为所述第一矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第一矩阵包括零元素和非零元素的情况下,所述第三信息还包括以下至少一项:
第一位置信息,所述第一位置信息为所述第一矩阵中的非零元素的位置信息;
第二位置信息,所述第二位置信息为所述第一矩阵中的零元素的位置信息。
可选地,在所述目标下行信道的秩大于1的情况下,所述第一矩阵包括至少两层,所述第三信息包括所述第一矩阵中的各个层的第四元素的幅度和相位;
其中,所述第一矩阵中与所述至少两层各自对应的第四元素的数量在N的基础上逐层递减,N为所述预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第四元素的数量均小于N。
可选地,所述第四元素包括第一元素和第二元素,或者所述第四元素包括第三元素。
可选地,所述第三信息还包括以下至少一项:
第三位置信息,所述第三位置信息为所述第四元素在所述第一矩阵中的位置信息;
第四位置信息,所述第四位置信息为所述第一矩阵中的除了所述第四元素之外的非零元素的位置信息;
第五位置信息,所述第五位置信息为所述第一矩阵中的零元素的位置信息和第四元素的位置信息。
可选地,在所述第一信道信息为预编码矩阵的情况下,处理器710执行的所述对所述第一信息进行第一处理,得到AI训练数据,包括:
对所述预编码矩阵进行时延域转换处理,得到X个时延域的第二矩阵,X为正整数;
确定所述AI训练数据包括所述X个第二矩阵中的幅度最大的Y个第二矩阵的第四信息,Y为小于或等于X的正整数。
可选地,所述第四信息包括:
第五元素的位置信息和第六元素相对所述第五元素的幅度及相位差信息,其中,所述第五元素为所述第二矩阵中幅度最大的元素,所述第六元素为所述第二矩阵中除了所述第五元素之外的元素。
可选地,所述第五元素和所述第六元素为所述第二矩阵中的非零元素。
可选地,在所述目标下行信道的秩大于1的情况下,所述第五元素和所述第六元素为所述第二矩阵中与同一层对应的元素。
可选地,所述第四信息包括:
第七元素的幅度及相位,其中,所述第七元素为所述第二矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第二矩阵包括零元素和非零元素的情况下,所述第四信息还包括以下至少一项:
第六位置信息,所述第六位置信息为所述第二矩阵中的非零元素的位置信息;
第七位置信息,所述第七位置信息为所述第二矩阵中的零元素的位置信息。
可选地,在所述目标下行信道的秩大于1的情况下,所述第二矩阵包括至少两层,所述第四信息包括所述第二矩阵中的第八元素的幅度和相位;
其中,所述第二矩阵中与所述至少两层各自对应的第八元素的数量在L的基础上逐层递减,L为所述时延域的预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第八元素的数量均小于L。
可选地,所述第八元素包括第五元素和第六元素,或者所述第八元素包括第七元素。
可选地,所述第四信息还包括以下至少一项:
第八位置信息,所述第八位置信息为所述第八元素在所述第二矩阵中的位置信息;
第九位置信息,所述第九位置信息为所述第二矩阵中的除了所述第八元素之外的非零元素的位置信息;
第十位置信息,所述第十位置信息为所述第二矩阵中的零元素的位置信息和第八元素的位置信息。
本申请实施例提供的终端700能够实现如图3所示信息传输装置执行的各个过程,且能够取得相同的有益效果,为避免重复,在此不再赘述。
本申请实施例还提供一种网络侧设备,在该网络侧设备可以是接入网设备或核心网设备,该网络侧设备包括通信接口和处理器,其中,通信接口用于接收来自终端的第二信息,其中,所述第二信息包括AI训练数据,所述AI训练数据基于对第一信息进行第一处理得到,所述第一信息包括目标下行信道的全部子带的第一信道信息;所述处理器用于根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
该网络侧设备实施例与图3所示方法实施例对应,图3所示方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中,且能达到相同的技术效果。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现如图2或图3所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如图2或图3所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如图2或图3所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种通信系统,包括:终端和网络侧设备,所述终端可用于执行如图2所示的信息传输方法的步骤,所述网络侧设备可用于执行如图3所示的AI网络模型训练方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (47)
1.一种信息传输方法,其特征在于,包括:
终端获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;
所述终端对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;
所述终端向第一设备发送第二信息,所述第二信息包括所述AI训练数据。
2.根据权利要求1所述的方法,其特征在于,在所述终端具有所述第一AI网络模型的情况下,所述第二信息还包括以下至少一项:
第二信道特征信息,所述第二信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第二信道特征信息为未量化的特征信息;
量化后的所述第二信道特征信息,以及所述第二信道特征信息的量化信息;
第三信道特征信息,所述第三信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第三信道特征信息为量化后的特征信息。
3.根据权利要求1所述的方法,其特征在于,所述第一信道信息为预编码矩阵和信道矩阵中的至少一项。
4.根据权利要求3所述的方法,其特征在于,在所述第一信道信息为预编码矩阵,且所述第一信息包括K层预编码矩阵的情况下,K为正整数,所述AI训练数据包括以下至少一项:
所述K层预编码矩阵中最强的M层预编码矩阵,M为小于或等于K的正整数;
所述K层预编码矩阵;
所述K层预编码矩阵中,第一指示信息指示的预编码矩阵,所述第一指示信息来自所述第一设备;
所述K层预编码矩阵中,第二指示信息指示的预编码矩阵,所述第二指示信息为所述终端预先发送至所述第一设备的指示信息;
所述K层预编码矩阵中的,满足预设条件的预编码矩阵。
5.根据权利要求4所述的方法,其特征在于,所述预设条件包括以下至少一项:
信道质量指示CQI大于或等于第一阈值;
信号与干扰加噪声比SINR大于或等于第二阈值;
特征值大于或等于第三阈值;
奇异值大于或是等于第四阈值。
6.根据权利要求1至5中任一项所述的方法,其特征在于,在所述第一信道信息为预编码矩阵的情况下,所述终端对所述第一信息进行第一处理,得到AI训练数据,包括:
所述终端对所述预编码矩阵中的元素的幅度和相位进行量化处理,得到第一矩阵的第三信息;
其中,所述AI训练数据包括所述第三信息。
7.根据权利要求6所述的方法,其特征在于,所述第三信息包括:
第一元素的位置信息和第二元素相对所述第一元素的幅度及相位差信息,其中,所述第一元素为所述第一矩阵中幅度最大的元素,所述第二元素为所述第一矩阵中除了所述第一元素之外的元素。
8.根据权利要求7所述的方法,其特征在于,所述第一元素和所述第二元素为所述第一矩阵中的非零元素。
9.根据权利要求7所述的方法,其特征在于,在所述目标下行信道的秩大于1的情况下,所述第一元素和所述第二元素为所述第一矩阵中与同一层对应的元素。
10.根据权利要求6所述的方法,其特征在于,所述第三信息包括:
第三元素的幅度及相位,其中,所述第三元素为所述第一矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第一矩阵包括零元素和非零元素的情况下,所述第三信息还包括以下至少一项:
第一位置信息,所述第一位置信息为所述第一矩阵中的非零元素的位置信息;
第二位置信息,所述第二位置信息为所述第一矩阵中的零元素的位置信息。
11.根据权利要求6至10中任一项所述的方法,其特征在于,在所述目标下行信道的秩大于1的情况下,所述第一矩阵包括至少两层,所述第三信息包括所述第一矩阵中的各个层的第四元素的幅度和相位;
其中,所述第一矩阵中与所述至少两层各自对应的第四元素的数量在N的基础上逐层递减,N为所述预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第四元素的数量均小于N。
12.根据权利要求11所述的方法,其特征在于,所述第四元素包括第一元素和第二元素,或者所述第四元素包括第三元素。
13.根据权利要求11所述的方法,其特征在于,所述第三信息还包括以下至少一项:
第三位置信息,所述第三位置信息为所述第四元素在所述第一矩阵中的位置信息;
第四位置信息,所述第四位置信息为所述第一矩阵中的除了所述第四元素之外的非零元素的位置信息;
第五位置信息,所述第五位置信息为所述第一矩阵中的零元素的位置信息和第四元素的位置信息。
14.根据权利要求1至5中任一项所述的方法,其特征在于,在所述第一信道信息为预编码矩阵的情况下,所述终端对所述第一信息进行第一处理,得到AI训练数据,包括:
所述终端对所述预编码矩阵进行时延域转换处理,得到X个时延域的第二矩阵,X为正整数;
所述终端确定所述AI训练数据包括所述X个第二矩阵中的幅度最大的Y个第二矩阵的第四信息,Y为小于或等于X的正整数。
15.根据权利要求14所述的方法,其特征在于,所述第四信息包括:
第五元素的位置信息和第六元素相对所述第五元素的幅度及相位差信息,其中,所述第五元素为所述第二矩阵中幅度最大的元素,所述第六元素为所述第二矩阵中除了所述第五元素之外的元素。
16.根据权利要求15所述的方法,其特征在于,所述第五元素和所述第六元素为所述第二矩阵中的非零元素。
17.根据权利要求15所述的方法,其特征在于,在所述目标下行信道的秩大于1的情况下,所述第五元素和所述第六元素为所述第二矩阵中与同一层对应的元素。
18.根据权利要求14所述的方法,其特征在于,所述第四信息包括:
第七元素的幅度及相位,其中,所述第七元素为所述第二矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第二矩阵包括零元素和非零元素的情况下,所述第四信息还包括以下至少一项:
第六位置信息,所述第六位置信息为所述第二矩阵中的非零元素的位置信息;
第七位置信息,所述第七位置信息为所述第二矩阵中的零元素的位置信息。
19.根据权利要求14至18中任一项所述的方法,其特征在于,在所述目标下行信道的秩大于1的情况下,所述第二矩阵包括至少两层,所述第四信息包括所述第二矩阵中的第八元素的幅度和相位;
其中,所述第二矩阵中与所述至少两层各自对应的第八元素的数量在L的基础上逐层递减,L为所述时延域的预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第八元素的数量均小于L。
20.根据权利要求19所述的方法,其特征在于,所述第八元素包括第五元素和第六元素,或者所述第八元素包括第七元素。
21.根据权利要求19所述的方法,其特征在于,所述第四信息还包括以下至少一项:
第八位置信息,所述第八位置信息为所述第八元素在所述第二矩阵中的位置信息;
第九位置信息,所述第九位置信息为所述第二矩阵中的除了所述第八元素之外的非零元素的位置信息;
第十位置信息,所述第十位置信息为所述第二矩阵中的零元素的位置信息和第八元素的位置信息。
22.一种人工智能AI网络模型训练方法,其特征在于,包括
第一设备接收来自终端的第二信息,其中,所述第二信息包括AI训练数据,所述AI训练数据基于对第一信息进行第一处理得到,所述第一信息包括目标下行信道的全部子带的第一信道信息;
所述第一设备根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
23.根据权利要求22所述的方法,其特征在于,在所述第一设备根据所述AI训练数据训练第一AI网络模型之后,所述方法还包括:
所述第一设备向所述终端发送所述第一AI网络模型的相关信息。
24.根据权利要求22所述的方法,其特征在于,在所述终端具有所述第一AI网络模型的情况下,所述第二信息还包括以下至少一项:
第二信道特征信息,所述第二信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第二信道特征信息为未量化的特征信息;
量化后的所述第二信道特征信息,以及所述第二信道特征信息的量化信息;
第三信道特征信息,所述第三信道特征信息基于所述第一AI网络模型对所述第一信息进行处理得到,且所述第三信道特征信息为量化后的特征信息;
所述第一设备根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,包括:
所述第一设备根据所述第二信道特征信息或所述第三信道特征信息,以及所述AI训练数据,训练与所述第一AI网络模型匹配的第二AI网络模型。
25.根据权利要求22所述的方法,其特征在于,所述第一信道信息为预编码矩阵和信道矩阵中的至少一项。
26.根据权利要求25所述的方法,其特征在于,在所述第一信道信息为预编码矩阵,且所述第一信息包括K层预编码矩阵的情况下,K为正整数,所述AI训练数据包括以下至少一项:
所述K层预编码矩阵中最强的M层预编码矩阵,M为小于或等于K的正整数;
所述K层预编码矩阵;
所述K层预编码矩阵中,第一指示信息指示的预编码矩阵,所述第一指示信息来自所述第一设备;
所述K层预编码矩阵中,第二指示信息指示的预编码矩阵,所述第二指示信息为所述终端预先发送至所述第一设备的指示信息;
所述K层预编码矩阵中的,满足预设条件的预编码矩阵。
27.根据权利要求26所述的方法,其特征在于,所述预设条件包括以下至少一项:
信道质量指示CQI大于或等于第一阈值;
信号与干扰加噪声比SINR大于或等于第二阈值;
特征值大于或等于第三阈值;
奇异值大于或是等于第四阈值。
28.根据权利要求22至27中任一项所述的方法,其特征在于,在所述第一信道信息为预编码矩阵的情况下,所述AI训练数据,包括:
第一矩阵的第三信息,所述第一矩阵的第三信息基于对所述预编码矩阵中的非零元素的幅度和相位进行量化处理得到。
29.根据权利要求28所述的方法,其特征在于,所述第三信息包括:
第一元素的位置信息和第二元素相对所述第一元素的幅度及相位差信息,其中,所述第一元素为所述第一矩阵中幅度最大的元素,所述第二元素为所述第一矩阵中除了所述第一元素之外的元素。
30.根据权利要求29所述的方法,其特征在于,所述第一元素和所述第二元素为所述第一矩阵中的非零元素。
31.根据权利要求29所述的方法,其特征在于,在所述目标下行信道的秩大于1的情况下,所述第一元素和所述第二元素为所述第一矩阵中与同一层对应的元素。
32.根据权利要求28所述的方法,其特征在于,所述第三信息包括:
第三元素的幅度及相位,其中,所述第三元素为所述第一矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第一矩阵包括零元素和非零元素的情况下,所述第三信息还包括以下至少一项:
第一位置信息,所述第一位置信息为所述第一矩阵中的非零元素的位置信息;
第二位置信息,所述第二位置信息为所述第一矩阵中的零元素的位置信息。
33.根据权利要求28至32中任一项所述的方法,其特征在于,在所述目标下行信道的秩大于1的情况下,所述第一矩阵包括至少两层;
所述第一矩阵中与所述至少两层各自对应的第四元素的数量在N的基础上逐层递减,N为所述预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第四元素的数量均小于N。
34.根据权利要求33所述的方法,其特征在于,所述第四元素包括第一元素和第二元素,或者所述第四元素包括第三元素。
35.根据权利要求33所述的方法,其特征在于,所述第三信息还包括以下至少一项:
第三位置信息,所述第三位置信息为所述第四元素在所述第一矩阵中的位置信息;
第四位置信息,所述第四位置信息为所述第一矩阵中的除了所述第四元素之外的非零元素的位置信息;
第五位置信息,所述第五位置信息为所述第一矩阵中的零元素的位置信息和所述第四元素的位置信息。
36.根据权利要求22至27中任一项所述的方法,其特征在于,在所述第一信道信息为预编码矩阵的情况下,所述AI训练数据,包括:
Y个时延域的第二矩阵的第四信息,其中,所述Y个第二矩阵为X个第二矩阵中的幅度最大的Y个,所述X个第二矩阵基于对所述预编码矩阵进行时延域转换处理得到,X为正整数,Y为小于或等于X的正整数。
37.根据权利要求36所述的方法,其特征在于,所述第四信息包括:
第五元素的位置信息和第六元素相对所述第五元素的幅度及相位差信息,其中,所述第五元素为所述第二矩阵中幅度最大的元素,所述第六元素为所述第二矩阵中除了所述第五元素之外的元素。
38.根据权利要求37所述的方法,其特征在于,所述第五元素和所述第六元素相为所述第二矩阵中的非零元素。
39.根据权利要求37所述的方法,其特征在于,在所述目标下行信道的秩大于1的情况下,所述第五元素和所述第六元素为所述第二矩阵中与同一层对应的元素。
40.根据权利要求36所述的方法,其特征在于,所述第四信息包括:
第七元素的幅度及相位,其中,所述第七元素为所述第二矩阵中的非零元素,所述非零元素包括幅度大于或等于第一阈值的元素,或者幅度不等于0的元素;
在所述第二矩阵包括零元素和非零元素的情况下,所述第四信息还包括以下至少一项:
第六位置信息,所述第六位置信息为所述第二矩阵中的非零元素的位置信息;
第七位置信息,所述第七位置信息为所述第二矩阵中的零元素的位置信息。
41.根据权利要求36至40中任一项所述的方法,其特征在于,在所述目标下行信道的秩大于1的情况下,所述第二矩阵包括至少两层,所述第四信息包括所述第二矩阵中的第八元素的幅度和相位;
所述第二矩阵中与所述至少两层各自对应的第八元素的数量在L的基础上逐层递减,L为所述时延域的预编码矩阵中与每一层对应的元素的个数,或者,所述至少两层各自对应的第八元素的数量均小于L。
42.根据权利要求41所述的方法,其特征在于,所述第八元素包括第五元素和第六元素,或者所述第八元素包括第七元素。
43.根据权利要求41所述的方法,其特征在于,所述第四信息还包括以下至少一项:
第八位置信息,所述第八位置信息为所述第八元素在所述第二矩阵中的位置信息;
第九位置信息,所述第九位置信息为所述第二矩阵中的除了所述第八元素之外的非零元素的位置信息;
第十位置信息,所述第十位置信息为所述第二矩阵中的零元素的位置信息和第八元素的位置信息。
44.一种信息传输装置,其特征在于,应用于终端,所述装置包括:
获取模块,用于获取第一信息,所述第一信息包括目标下行信道的全部子带的第一信道信息;
第一处理模块,用于对所述第一信息进行第一处理,得到AI训练数据,其中,所述第一处理包括以下至少一项:筛选处理、量化处理、时延域转换处理、码本转换处理和正交化处理,所述AI训练数据用于训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息;
第一发送模块,用于向第一设备发送第二信息,所述第二信息包括所述AI训练数据。
45.一种人工智能AI网络模型训练装置,其特征在于,应用于第一设备,所述装置包括:
第一接收模块,用于接收来自终端的第二信息,其中,所述第二信息包括AI训练数据,所述AI训练数据基于对第一信息进行第一处理得到,所述第一信息包括目标下行信道的全部子带的第一信道信息;
训练模块,用于根据所述AI训练数据训练第一AI网络模型和/或第二AI网络模型,所述第一AI网络模型用于将第二信道信息处理成第一信道特征信息,所述第二AI网络模型用于将所述第一信道特征信息恢复成所述第二信道信息,所述第二信道信息为所述目标下行信道的信道信息。
46.一种通信设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至21中任一项所述的信息传输方法的步骤,或者实现如权利要求22至43中任一项所述的人工智能AI网络模型训练方法的步骤。
47.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至21中任一项所述的信息传输方法的步骤,或者实现如权利要求22至43中任一项所述的人工智能AI网络模型训练方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211091643.2A CN117715072A (zh) | 2022-09-07 | 2022-09-07 | 信息传输方法、ai网络模型训练方法、装置和通信设备 |
PCT/CN2023/116504 WO2024051594A1 (zh) | 2022-09-07 | 2023-09-01 | 信息传输方法、ai网络模型训练方法、装置和通信设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211091643.2A CN117715072A (zh) | 2022-09-07 | 2022-09-07 | 信息传输方法、ai网络模型训练方法、装置和通信设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117715072A true CN117715072A (zh) | 2024-03-15 |
Family
ID=90155740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211091643.2A Pending CN117715072A (zh) | 2022-09-07 | 2022-09-07 | 信息传输方法、ai网络模型训练方法、装置和通信设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117715072A (zh) |
WO (1) | WO2024051594A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020062022A1 (en) * | 2018-09-28 | 2020-04-02 | Intel Corporation | Machine learning-based link adaptation |
US11936452B2 (en) * | 2020-02-28 | 2024-03-19 | Qualcomm Incorporated | Neural network based channel state information feedback |
CN114079493A (zh) * | 2020-08-13 | 2022-02-22 | 华为技术有限公司 | 一种信道状态信息测量反馈方法及相关装置 |
CN114363921B (zh) * | 2020-10-13 | 2024-05-10 | 维沃移动通信有限公司 | Ai网络参数的配置方法和设备 |
CN114942415A (zh) * | 2022-05-17 | 2022-08-26 | 哈尔滨工程大学 | 一种基于自编码器的多频段子带信号融合方法 |
-
2022
- 2022-09-07 CN CN202211091643.2A patent/CN117715072A/zh active Pending
-
2023
- 2023-09-01 WO PCT/CN2023/116504 patent/WO2024051594A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024051594A1 (zh) | 2024-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021142631A1 (en) | Method, device and computer readable medium of communication | |
WO2023246618A1 (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
CN117715072A (zh) | 信息传输方法、ai网络模型训练方法、装置和通信设备 | |
WO2024037380A1 (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
CN116939650A (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
WO2023179476A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2023185995A1 (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
WO2023179474A1 (zh) | 信道特征信息辅助上报及恢复方法、终端和网络侧设备 | |
CN114499605B (zh) | 信号传输方法、装置、电子设备、存储介质 | |
CN117411527A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN117978218A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
CN117335849A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2023179570A1 (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
CN118316496A (zh) | 信息传输方法、装置和通信设备 | |
CN117998460A (zh) | 信道信息的上报和接收方法、终端及网络侧设备 | |
CN117715106A (zh) | 信息传输方法、ai网络模型训练方法、装置和通信设备 | |
CN116939705A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN117318773A (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
CN118338469A (zh) | 信息传输方法、装置、终端及网络侧设备 | |
CN117750395A (zh) | Cqi传输方法、装置、终端及网络侧设备 | |
CN108075813B (zh) | 一种预编码信息指示方法、ue及接入网实体 | |
CN116827481A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN118075120A (zh) | 更新ai网络模型的方法、装置和通信设备 | |
CN117411746A (zh) | Ai模型处理方法、装置、终端及网络侧设备 | |
CN117692032A (zh) | 信息传输方法、装置、设备、系统及存储介质 |
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 |