CN117763276A - 用于矩阵增强的方法和装置 - Google Patents

Abstract

提供了一种用于矩阵增强的方法和装置，其中，从接收信号的协方差矩阵生成向量。向量被输入到神经网络以获得增强型向量。增强型向量被转换成增强型矩阵。使用基于增强型矩阵的白化滤波器对接收信号执行干扰白化。

Description

用于矩阵增强的方法和装置

相关申请的交叉引用

本申请要求于2022年9月26日提交的美国临时申请No.63/409,940以及于2022年11月16日提交的美国临时申请No.17/988,244的优先权，其公开内容通过引用整体并入本文，如同在本文中完全阐述一样。

技术领域

本公开总体涉及无线网络中的用户设备(UE)处的同信道干扰(CCI)抑制。更具体地，本文公开的主题涉及在应用干扰白化(IW)以用于CCI抑制时对协方差矩阵估计的改进。

背景技术

在无线网络(例如，第五代(5G)或第六代(6G)网络)中，由于网络内的密集部署和高频率重用，UE处的CCI可能较高。

为了解决UE处的该问题，可以通过在多输入多输出(MIMO)接收器中应用空域IW来抑制CCI。MIMO接收器中的IW模块将空域白化滤波器应用于接收信号和估计的信道。空域白化滤波器是从干扰加噪声协方差矩阵计算的。为了实现低错误率，重要的是使用准确的协方差矩阵进行IW。协方差矩阵是使用在参考符号(RS)(例如，解调参考符号(DMRS))处的发送的导频以及在RS资源元素(RE)处的估计的信道的知识来估计的。

上述方法的一个问题是RS RE的数量在一个资源块(RB)中有限，这可能导致估计的协方差矩阵质量差。

发明内容

为了克服这些问题，本文描述了用于使用深度神经网络来增强估计的协方差矩阵的系统和方法。

上述方法改进了先前的方法，因为它不依赖于在大部分信号带宽上取干扰加噪声的平均值，并且当干扰是频率选择性的或存在于小部分带宽中时，不会受到估计质量差的影响。

在实施例中，提供了一种方法，其中，从接收信号的协方差矩阵生成向量。将所述向量输入到神经网络以获得增强型向量。将所述增强型向量转换成增强型矩阵。使用基于所述增强型矩阵的白化滤波器对所述接收信号执行干扰白化。

在实施例中，提供了一种UE，其包括处理器和存储指令的非暂态计算机可读存储介质。所述指令当被执行时使所述处理器进行以下操作：从接收信号的协方差矩阵生成向量，将所述向量输入到神经网络以获得增强型向量，将所述增强型向量转换成增强型矩阵，以及使用基于所述增强型矩阵的白化滤波器对所述接收信号执行干扰白化。

在实施例中，提供了一种方法，其中，从接收信号生成矩阵。使用基于学习的增强来生成增强型矩阵。使用基于所述增强型矩阵的逆矩阵的白化滤波器对所述接收信号执行干扰白化。在干扰白化之后，对来自所述接收信号的比特进行检测和解码。

附图说明

在以下部分中，将参考附图中所示的示例性实施例来描述本文公开的主题的各方面，其中：

图1是示出根据实施例的通信系统的示图；

图2是示出根据实施例的IW过程的示图；

图3是示出根据实施例的RB中的DMRS RE的示图；

图4是示出根据实施例的宽带IW的示图；

图5是示出根据实施例的数据辅助IW过程的示图；

图6A和图6B是示出根据实施例的利用深度学习的IW过程的示图；

图7是示出根据实施例的MIMO接收器中的基于学习的增强的示图；

图8是示出根据实施例的生成增强型协方差矩阵的基于学习的增强的示图；

图9是示出根据实施例的用于在MIMO接收器中利用深度学习进行矩阵增强的方法的流程图；以及

图10是根据实施例的网络环境中的电子设备的框图。

具体实施方式

在以下详细描述中，阐述了许多具体细节以便提供对本公开的透彻理解。然而，本领域技术人员将理解，可以在没有这些具体细节的情况下实践所公开的方面。在其他实例中，没有详细描述公知的方法、过程、组件和电路，以免模糊本文公开的主题。

贯穿本说明书对“一个实施例”或“实施例”的引用意味着结合该实施例描述的特定特征、结构或特性可以包括在本文公开的至少一个实施例中。因此，贯穿本说明书在各个地方出现的短语“在一个实施例中”或“在实施例中”或“根据一个实施例”(或具有类似含义的其他短语)可能不一定都指代相同的实施例。此外，特定特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。在这方面，如本文所使用的，词语“示例性”意味着“用作示例、实例或说明”。本文描述为“示例性”的任何实施例不应被解释为必须比其他实施例优选或有利。此外，取决于本文讨论的上下文，单数术语可以包括相应的复数形式，并且复数术语可以包括相应的单数形式。类似地，连字符术语(例如，“二-维”、“预-定”、“像素-特定”等)可以偶尔与对应的非连字符版本(例如，“二维”、“预定”、“像素特定”等)互换使用。这种偶尔的可互换使用不应被认为彼此不一致。

还应注意，本文示出和讨论的各种附图(包括组件图)仅用于说明目的，并且未按比例绘制。例如，为了清楚起见，一些元件的尺寸可能相对于其他元件被放大。此外，如果认为适当，则在附图中重复附图标记以指示对应和/或类似的元件。

本文使用的术语仅用于描述一些示例实施例的目的，并不旨在限制所要求保护的主题。如本文所使用的，单数形式旨在也包括复数形式，除非上下文另有明确说明。将进一步理解，术语“包括”和/或“包含”当在本说明书中被使用时指定所述特征、整数、步骤、操作、元件和/或组件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组合的存在或添加。

应当理解，当元件或层被称为在另一元件或层上、“连接到”或“耦接到”另一元件或层时，它可以直接在另一元件或层上、直接连接或耦接到另一元件或层，或者可以存在中间元件或层。相反，当元件被称为“直接在”另一元件或层“上”、“直接连接到”或“直接耦接到”另一元件或层时，不存在中间元件或层。相同的附图标记始终指代相同的元件。如本文所使用的，术语“和/或”包括一个或多个相关联的所列项目的任一个和所有组合。

如本文所使用的，术语“第一”、“第二”等用作它们之后的名词的标签，并且不暗示任何类型的排序(例如，空间、时间、逻辑等)，除非如此明确定义。此外，可以跨两个或更多个附图使用相同的附图标记来指代具有相同或相似功能的部分、组件、块、电路、单元或模块。然而，这种使用仅是为了简化说明和便于讨论；这并不意味着这样的组件或单元的构造或架构细节在所有实施例中是相同的，或者这样的共同引用的部分/模块是实现本文公开的一些示例实施例的唯一方式。

除非另有定义，否则本文使用的所有术语(包括技术和科学术语)具有与本主题所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解，诸如在常用词典中定义的那些术语应被解释为具有与其在相关领域的上下文中的含义一致的含义，并且将不以理想化或过度正式的意义解释，除非在本文中明确地如此定义。

如本文所使用的，术语“模块”是指被配置为提供本文结合模块描述的功能的软件、固件和/或硬件的任何组合。例如，软件可以被实现为软件包、代码和/或指令集或指令，并且如在本文描述的任何实施方式中使用的术语“硬件”可以例如单独地或以任何组合形式包括装配件、硬连线电路、可编程电路、状态机电路和/或存储由可编程电路执行的指令的固件。模块可以共同地或单独地被实现为形成较大系统的一部分的电路，例如但不限于集成电路(IC)、片上系统(SoC)、装配件等。

图1是示出根据实施例的通信系统的示图。在图1所示的架构中，控制路径102可以使得能够通过在gNodeB(gNB)104、第一UE 106和第二UE 108之间建立的网络来传输控制信息。数据路径110可以使得能够在第一UE 106和第二UE 108之间的旁路(SL)上传输数据(和一些控制信息)。控制路径102和数据路径110可以在相同的频率上或者可以在不同的频率上。

图2是示出根据实施例的IW过程的示图。可以对在UE处接收的信号执行IW处理。在协方差估计模块202处，可以使用DMRS RE处的发送信号x、接收信号y和信道来确定估计的干扰加噪声协方差矩阵/>(本文中也称为“协方差矩阵”)。具体地，在RS RE上协方差矩阵

图3是示出根据实施例的单个RB中的12个DMRS RE的示图。12个DMRS RE可以用于确定协方差矩阵。这里，y＝Hx+w是大小为M×1的接收信号向量，其中，M等于接收器天线的数量。

在模块204和206处执行白化滤波器计算。具体地，在Cholesky分解模块204处，可以对估计的协方差矩阵执行Cholesky分解以获得下三角矩阵/>使得/>在矩阵求逆模块206处，可以对下三角矩阵/>执行矩阵求逆以获得逆矩阵/>在IW模块208处，可以使用y、/>和/>在RB的数据RE处应用白化滤波器，从而得到/>IW模块208的该结果可以被输入到检测器210和解码器212以输出接收信号的解码比特。

图4是示出根据实施例的宽带IW的示图。可以通过对具有多个RB(RB₁到RB_n)的整个信号带宽402求平均来增加RS样本的数量。具体地，在带宽中的所有DMRS RE上协方差矩阵然而，如果干扰分布在信号带宽上变化，则宽带IW可能是无效的。例如，全频带干扰可能发生在频率选择性干扰信道上，干扰可能发生在窄带上，或者可能存在交织干扰。在这些情况下，对于带宽的所有RB，干扰加噪声分布可能不同。因此，在整个带宽上取平均值可能降低协方差矩阵的质量并且可能导致高错误率。

图5是示出根据实施例的数据辅助IW过程的示图。数据辅助IW可以通过在到协方差估计模块202的反馈回路中使用在检测器210处输出的检测数据符号或在解码器212处输出的解码数据符号/>来增加在求平均中使用的样本。这些数据符号由图3的RB中的数据RE表示。开关502可以设置在反馈回路中，用于选择检测数据符号/>或解码数据符号作为反馈。协方差矩阵的迭代版本表示为/>下三角矩阵的迭代版本表示为/>并且逆矩阵的迭代版本表示为/>因此，可以执行IW块208、检测器210和解码器212的至少第二次迭代。

图6A和图6B是示出根据实施例的IW过程的示图。通常，图6A和图6B的模块602、604、606、608、610和612分别对应于图2的模块202、204、206、208、210和212，并且以类似的方式进行操作。

首先参考图6A，在协方差估计模块602处，可以将协方差矩阵估计为正定矩阵。为了保持增强型矩阵的正定性，可以在Cholesky分解模块604处利用Cholesky因式分解将估计的协方差矩阵分解成下三角矩阵/>下三角矩阵/>的元素(例如，估计的协方差矩阵的下三角Cholesky因式分解)可以被设置为基于学习的增强模块614的输入。基于学习的增强模块614的输出可以是增强型下三角矩阵/>(例如，增强型下三角Cholesky因式分解)。为了保持协方差矩阵的正定性，可以适当地设置神经网络的输出的激活函数，以确保增强型下三角矩阵的对角元素保持为正。

增强型下三角矩阵可以被输入到矩阵求逆模块606。增强型下三角矩阵/>还可以用于重建增强型协方差矩阵，这在下面关于图8更详细地描述。可以使用增强型协方差矩阵或逆增强型下三角矩阵来配置白化滤波器。

虽然图6A描绘了在基于学习的增强模块614之后的矩阵求逆模块606，但是矩阵求逆模块606可以替代地在Cholesky分解模块604之后，如图6B所示。因此，在图6B的实施例中，矩阵求逆模块606计算下三角矩阵的逆矩阵。下三角矩阵/>的逆矩阵是白化滤波器，其可以用作对基于学习的增强模块614的输入，以直接获得增强型白化滤波器/>该过程的其余部分类似于图6A和图6B，如下所述。

在IW模块608处，可以使用基于逆增强型下三角矩阵配置的白化滤波器，或者使用增强型白化滤波器/>在数据RE处使用y、/>和/>或/>对接收信号执行干扰白化，从而生成/>或/>可以在检测器610和解码器612处使用IW模块608的该输出，用于输出接收信号的解码比特。

因此，可以在MIMO接收器中添加深度神经网络，从而提高增强型下三角矩阵和估计的干扰加噪声协方差矩阵的质量。可以使用来自带宽内的单个RB或RB块的估计的协方差矩阵来应用图6A和图6B的矩阵增强。

此外，本公开不依赖于在大部分信号带宽上取干扰加噪声的平均值。因此，当干扰是频率选择性的或者干扰存在于小部分信号带宽中时，它不会受到估计质量差的影响。本公开还不需要IW模块608、检测器610和解码器612的额外迭代。

图7是示出根据实施例的MIMO接收器中的基于学习的增强的示图。具体地，图7是图6A的基于学习的增强模块614的详细描述。从图6A的Cholesky分解模块604输出的下三角矩阵可以被输入到矩阵到向量模块702，矩阵到向量模块702输出下三角矩阵的向量化形式/>下三角矩阵的向量化形式/>可以被输入到已经应用了训练数据θ的神经网络模块704。神经网络模块704可以输出下三角矩阵的增强型向量化形式/>增强型向量化形式/>被输入到向量到矩阵模块706。向量到矩阵模块706可以将增强型下三角矩阵/>输出到图6A的矩阵求逆模块606。

输入到矩阵到向量模块702的下三角矩阵的示例如下面的等式(1)所阐述。

从矩阵到向量模块702输出并输入到神经网络模块704的下三角矩阵的向量化形式的示例如下面的等式(2)所述。

其中，Re(..)表示复数的实部，Im(..)表示复数的虚部。

从神经网络模块704输出并输入到向量到矩阵模块706的下三角矩阵的增强型向量化形式的示例如下面的等式(3)所述。

从向量到矩阵模块706输出的增强型下三角矩阵的示例如下面的等式(4)所述。

图8是示出根据实施例的生成增强型协方差矩阵的基于学习的增强的示图。大小为N×N的估计的协方差矩阵R_in可以被输入到Cholesky分解模块802，其中，N是接收器天线的数量。图8的实施例R_in对应于图6A的Cholesky分解模块802可以输出对应的下三角矩阵L_in，其是R_in的下三角Cholesky因式分解，使得/>图8的L_in对应于图6A的/>下三角矩阵L_in可以被输入到矩阵到向量模块804，矩阵到向量模块804可以输出下三角矩阵的向量化形式l_in，其对应于图7的/>下三角矩阵的向量化形式l_in可以被输入到神经网络模块806，神经网络模块806可以输出下三角矩阵的增强型向量化形式l_out，对应于图7的/>下三角矩阵的增强型向量化形式l_out可以被输入到向量到矩阵模块808，向量到矩阵模块808可以输出增强型下三角矩阵L_out(例如，Cholesky因式分解的增强版本)。图8的L_out对应于图7的/>在模块810处，可以将增强型下三角矩阵L_out转换成增强型协方差矩阵R_out。L_out是R_out的下三角Cholesky因式分解，使得/>

考虑到具有带宽部分(BWP)中的B个RB的接收信号，RB用“b”编索引。由于干扰可能不存在于BWP中的每个RB中，因此包含干扰的RB集合由S_I表示。集合S_I指示BWP中的干扰分布(例如，BWP内的哪些RB具有干扰)。第b个RB中的RE集合由S_b表示。因此，在第n个RE中在UE处的接收信号y_n如下面的等式(5)所述。

其中，H_n是发送器和UE之间的信道，x_n是发送信号，H_I，n是干扰信道，x_I，n是干扰符号，w_n是噪声向量。

可以通过对RS RE(例如，DMRS RE)处的干扰加噪声求平均来计算RB b的估计的协方差矩阵R_in，b，如下面的等式(6)中所述。

其中，S_DMRS，b是第b个RB中的DMRS RE的集合，|S_DMRS，b|是DMRS RE集合的基数，是DMRS RE处估计的信道，并且x_n是发送的DMRS导频。

理想的协方差矩阵R_ideal，b是在具有发送符号x_n的基本知识的情况下通过对物理下行链路共享信道(PDSCH)数据RE上的干扰加噪声求平均而计算出的矩阵，如下面的等式(7)所述。

其中，S_DATA，b是第b个RB中的PDSCH数据RE的集合，并且|S_DATA，b|是该PDSCH数据RE集合的基数。

可以在每个RB处分别执行协方差矩阵增强。因此，图8的公开内容可以应用于每个协方差R_in，b，以获得增强型Cholesky因式分解L_out，b和增强型协方差R_out，b。此外，可以利用白化滤波器来白化RB b内的PDSCH数据RE处的接收信号和估计的矩阵。

RB块被定义为M个连续RB的集合，其中，M＝1，2，…，并且C是BWP中RB块的总数。如下面的等式(8)所述估计RB块c的协方差矩阵。

其中，S_c是RB块c中的RB索引的集合。

块c的理想协方差矩阵针对每个块操作类似地被定义，如下面的等式(9)所述。

可以在每个RB块处单独执行协方差矩阵增强。因此，图8的过程可以应用于每个协方差矩阵R_in，c，以获得增强型Cholesky因子分解L_out，c和增强型协方差矩阵R_out，c。RB块c内的PDSCH数据RE处的接收信号和估计的矩阵用白化滤波器进行白化。

可以在符号检测器和解码器处进一步处理经白化的PDSCH数据RE处的接收信号向量和估计的矩阵，如上面关于图6A所描述的。

协方差矩阵是Hermitian矩阵和正定矩阵。由于不能自动保持神经网络的输出处的正定性质而不能在神经网络输出处直接获得增强型协方差矩阵，因此获得协方差矩阵的增强型下三角Cholesky因式分解。

通过确保L_out的对角元素是正的，确保矩阵是正定的。

在神经网络之前的预处理包括在Cholesky分解模块804处的Cholesky因式分解，其中，可以通过Cholesky因式分解获得下三角矩阵L_in，使得预处理还包括在矩阵到向量模块804处的矩阵到向量转换(向量化)，其中，矩阵L_in可以被转换成向量l_in。向量l_in可以如下面的等式(10)中所阐述的被获得。

其中，L_in(i，j)是下三角矩阵L_in中第i行和第j列处的元素，并且Re{..}和Im{..}指示复数的实部和虚部。

在等式(10)的向量化中，前N个元素是L_in的对角元素，它们是实数。向量的剩余元素是矩阵L_in中对角线下方的实部和虚部。如果L_in的大小为N×N，则向量l_in的大小为N²×1。

在向量到矩阵模块808处的向量到矩阵转换的后处理中，输出向量是大小为N²×1的l_out。向量l_out和矩阵L_out之间的关系与等式(10)中的l_in和L_in所示的相同。

在神经网络模块806处的神经网络结构中，隐藏层的数量可以≥2。例如，对于激活函数，在隐藏节点处，激活可以通过修正线性单元(reLU)或S形函数。然而，可以使用任何其他激活。在输出节点处，对于与L_out的对角元素对应的节点，可以应用softplus激活函数y＝1/(1+exp(-x))。这确保L_out的对角元素是正的并且矩阵R_out是正定的。对于与L_out的非对角元素对应的节点，使用恒等激活(y＝x)。

在训练深度神经网络时，对于每个RB操作，训练样本在神经网络的输入处是l_in，b且在输出处是l_ideal，b。通过Cholesky因式分解，然后进行R_ideal，b的矩阵到向量转换，获得向量l_ideal，b。

训练数据集在不同的干扰场景(例如，交织干扰、全频带干扰和窄带干扰)、信号干扰比(SIR)(例如，低到高)、信噪比(SNR)(例如，低到高)和/或信道模型(扩展行人A(EPA)-5、扩展车辆A(EVA)-30和抽头延迟线(TDL))下生成。训练神经网络以使均方误差(MSE)最小化，如下面的等式(11)所述。

其中，k指示第k个训练样本并且i指示向量的第i个元素。

图9是示出根据实施例的用于在MIMO接收器中利用深度学习进行矩阵增强的方法的流程图。

在902处，可以在UE处接收信号。在904处，可以估计接收信号的协方差矩阵。协方差矩阵是使用带宽中的一个或多个连续RB的RS RE的干扰加噪声估计的正定矩阵。在906处，可以将估计的协方差矩阵分解成下三角矩阵。下三角矩阵是Cholesky分解矩阵。

在908处，可以将下三角矩阵转换成向量。在910处，可以将神经网络应用于该向量以获得增强型向量。在912处，可以将增强型向量转换成增强型下三角矩阵。设置神经网络的激活函数，使得增强型下三角矩阵的对角元素保持为正。

在914处，可以使用基于下三角矩阵的白化滤波器对接收信号执行干扰白化。在916处，可以基于干扰白化对来自接收信号的比特进行检测和解码。

图10是根据实施例的网络环境1000中的电子设备的框图。

参考图10，网络环境1000中的电子设备1001可以经由第一网络1098(例如，短距离无线通信网络)与电子设备1002通信，或者经由第二网络1099(例如，长距离无线通信网络)与电子设备1004或服务器1008通信。电子设备1001可以经由服务器1008与电子设备1004通信。电子设备1001可以包括处理器1020、存储器1030、输入设备1050、声音输出设备1055、显示设备1060、音频模块1070、传感器模块1076、接口1077、触觉模块1079、相机模块1080、电力管理模块1088、电池1089、通信模块1090、用户识别模块(SIM)卡1096或天线模块1097。在一个实施例中，可以从电子设备1001中省略组件中的至少一个(例如，显示设备1060或相机模块1080)，或者可以将一个或多个其他组件添加到电子设备1001。一些组件可以被实现为单个集成电路(IC)。例如，传感器模块1076(例如，指纹传感器、虹膜传感器或照度传感器)可以嵌入在显示设备1060(例如，显示器)中。

处理器1020可以执行软件(例如，程序1040)以控制电子设备1001的与处理器1020耦接的至少一个其他组件(例如，硬件或软件组件)，并且可以执行各种数据处理或计算。处理器1020可以包括上面针对图6至图8描述的模块，并且可以启用针对每个模块描述的单独过程。

作为数据处理或计算的至少一部分，处理器1020可以将从另一组件(例如，传感器模块1076或通信模块1090)接收的命令或数据加载到易失性存储器1032中，处理存储在易失性存储器1032中的命令或数据，并将得到的数据存储在非易失性存储器1034中。处理器1020可以包括主处理器1021(例如，中央处理单元(CPU)或应用处理器(AP))和辅助处理器1023(例如，图形处理单元(GPU)、图像信号处理器(ISP)、传感器集线器处理器或通信处理器(CP))，辅助处理器1023可独立于主处理器1021操作或与主处理器1021结合操作。附加地或可选地，辅助处理器1023可以适于比主处理器1021消耗更少的功率，或者执行特定功能。辅助处理器1023可以被实现为与主处理器1021分离或者是主处理器1021的一部分。

辅助处理器1023可以在主处理器1021处于非活动(例如，睡眠)状态时代替主处理器1021来控制与电子设备1001的组件中的至少一个组件(例如，显示设备1060、传感器模块1076或通信模块1090)相关的功能或状态中的至少一些，或者在主处理器1021处于活动状态(例如，执行应用)时与主处理器1021一起控制与电子设备1001的组件中的至少一个组件(例如，显示设备1060、传感器模块1076或通信模块1090)相关的功能或状态中的至少一些。辅助处理器1023(例如，ISP或CP)可以被实现为在功能上与辅助处理器1023相关的另一组件(例如，相机模块1080或通信模块1090)的一部分。

存储器1030可以存储由电子设备1001的至少一个组件(例如，处理器1020或传感器模块1076)使用的各种数据。各种数据可以包括例如软件(例如，程序1040)和用于与其相关的命令的输入数据或输出数据。存储器1030可以包括易失性存储器1032或非易失性存储器1034。非易失性存储器1034可包括内部存储器1036和外部存储器1038。

程序1040可以作为软件存储在存储器1030中，并且可以包括例如操作系统(OS)1042、中间件1044或应用1046。

输入设备1050可以从电子设备1001的外部(例如，用户)接收要由电子设备1001的另一组件(例如，处理器1020)使用的命令或数据。输入设备1050可以包括例如麦克风、鼠标或键盘。

声音输出设备1055可以将声音信号输出到电子设备1001的外部。声音输出设备1055可以包括例如扬声器或接收器。扬声器可以用于通用目的，例如播放多媒体或进行记录，并且接收器可以用于接收呼入呼叫。接收器可以被实现为与扬声器分离或者是扬声器的一部分。

显示设备1060可以向电子设备1001的外部(例如，用户)可视地提供信息。显示设备1060可以包括例如显示器、全息图设备或投影仪以及用于控制显示器、全息图设备和投影仪中的对应一个的控制电路。显示设备1060可以包括适于检测触摸的触摸电路或适于测量由触摸引起的力的强度的传感器电路(例如，压力传感器)。

音频模块1070可以将声音转换为电信号，反之亦然。音频模块1070可以经由输入设备1050获得声音，或者经由声音输出设备1055或与电子设备1001直接(例如，有线)或无线耦接的外部电子设备1002的耳机输出声音。

传感器模块1076可以检测电子设备1001的操作状态(例如，功率或温度)或电子设备1001外部的环境状态(例如，用户的状态)，然后生成与检测到的状态对应的电信号或数据值。传感器模块1076可以包括例如手势传感器、陀螺仪传感器、大气压传感器、磁传感器、加速度传感器、握持传感器、接近传感器、颜色传感器、红外(IR)传感器、生物计量传感器、温度传感器、湿度传感器或照度传感器。

接口1077可以支持用于电子设备1001直接(例如，有线)或无线地与外部电子设备1002耦接的一个或多个指定协议。接口1077可以包括例如高清多媒体接口(HDMI)、通用串行总线(USB)接口、安全数字(SD)卡接口或音频接口。

连接端子1078可以包括连接器，电子设备1001可以经由该连接器与外部电子设备1002物理连接。连接端子1078可以包括例如HDMI连接器、USB连接器、SD卡连接器或音频连接器(例如，耳机连接器)。

触觉模块1079可以将电信号转换成可由用户经由触感或动觉感觉识别的机械刺激(例如，振动或移动)或电刺激。触觉模块1079可以包括例如电机、压电元件或电刺激器。

相机模块1080可以捕获静止图像或运动图像。相机模块1080可以包括一个或多个透镜、图像传感器、图像信号处理器或闪光灯。电力管理模块1088可以管理供应给电子设备1001的电力。电力管理模块1088可以被实现为例如功率管理集成电路(PMIC)的至少一部分。

电池1089可以向电子设备1001的至少一个组件供电。电池1089可以包括例如不可再充电的一次电池、可再充电的二次电池或燃料电池。

通信模块1090可以支持在电子设备1001与外部电子设备(例如，电子设备1002、电子设备1004或服务器1008)之间建立直接(例如，有线)通信信道或无线通信信道，并且经由建立的通信信道执行通信。通信模块1090可以包括一个或多个通信处理器，其可独立于处理器1020(例如，AP)操作并且支持直接(例如，有线)通信或无线通信。通信模块1090可以包括无线通信模块1092(例如，蜂窝通信模块、短距离无线通信模块或全球导航卫星系统(GNSS)通信模块)或有线通信模块1094(例如，局域网(LAN)通信模块或电力线通信(PLC)模块)。这些通信模块中的对应一个可以经由第一网络1098(例如，短距离通信网络，诸如蓝牙TM、无线保真(Wi-Fi)直连或红外数据协会(IrDA)的标准)或第二网络1099(例如，长距离通信网络，诸如蜂窝网络、互联网或计算机网络(例如，LAN或广域网(WAN)))与外部电子设备通信。这些各种类型的通信模块可以被实现为单个组件(例如，单个IC)，或者可以被实现为彼此分离的多个组件(例如，多个IC)。无线通信模块1092可以使用存储在用户识别模块1096中的用户信息(例如，国际移动用户身份(IMSI))来识别和认证通信网络(诸如第一网络1098或第二网络1099)中的电子设备1001。

天线模块1097可以向电子设备1001的外部(例如，外部电子设备)发送信号或电力或从电子设备1001的外部(例如，外部电子设备)接收信号或电力。天线模块1097可以包括一个或多个天线，并且从其中，可以例如由通信模块1090(例如，无线通信模块1092)选择适合于在通信网络(诸如第一网络1098或第二网络1099)中使用的通信方案的至少一个天线。然后，可以经由所选择的至少一个天线在通信模块1090与外部电子设备之间发送或接收信号或电力。

可以经由与第二网络1099耦接的服务器1008在电子设备1001与外部电子设备1004之间发送或接收命令或数据。电子设备1002和1004中的每一个可以是与电子设备1001相同类型或不同类型的设备。将在电子设备1001处执行的操作中的全部或一些操作可以在外部电子设备1002、1004或1008中的一个或多个处执行。例如，如果电子设备1001应当自动地或者响应于来自用户或另一设备的请求来执行功能或服务，则电子设备1001可以请求一个或多个外部电子设备执行所述功能或服务的至少一部分，而不是自己执行所述功能或服务，或者除了执行所述功能或服务之外，电子设备1001还可以请求一个或多个外部电子设备执行所述功能或服务的至少一部分。接收请求的一个或多个外部电子设备可以执行所请求的功能或服务的至少一部分，或者与请求相关的附加功能或附加服务，并将执行的结果传送到电子设备1001。电子设备1001可以在有或没有进一步处理结果的情况下提供结果，作为对请求的回复的至少一部分。为此，例如，可以使用云计算、分布式计算或客户端-服务器计算技术。

本说明书中描述的主题和操作的实施例可以在数字电子电路中实现，或者在计算机软件、固件或硬件中实现，包括本说明书中公开的结构及其结构等同物，或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即，计算机程序指令的一个或多个模块，其编码在计算机存储介质上以供数据处理装置执行或控制数据处理装置的操作。可选地或另外地，程序指令可以被编码在人工生成的传播信号上，例如，机器生成的电、光或电磁信号，其被生成用于对信息进行编码以传输到合适的接收器装置以供数据处理装置执行。计算机存储介质可以是计算机可读存储设备、计算机可读存储基板、随机或串行存取存储器阵列或设备、或其组合，或者被包括在计算机可读存储设备、计算机可读存储基板、随机或串行存取存储器阵列或设备、或其组合中。此外，虽然计算机存储介质不是传播信号，但是计算机存储介质可以是在人工生成的传播信号中编码的计算机程序指令的源或目的地。计算机存储介质还可以是一个或多个单独的物理组件或介质(例如，多个CD、磁盘或其他存储设备)，或者被包括在一个或多个单独的物理组件或介质(例如，多个CD、磁盘或其他存储设备)中。另外，本说明书中描述的操作可以被实现为由数据处理装置对存储在一个或多个计算机可读存储设备上或从其他源接收的数据执行的操作。

虽然本说明书可以包含许多具体的实现细节，但是实现细节不应被解释为对任何要求保护的主题的范围的限制，而是被解释为针对特定实施例的特征的描述。在本说明书中在单独实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。相反，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合形式在多个实施例中实现。此外，尽管上面可以将特征描述为以某些组合起作用并且甚至最初如此要求保护，但是在一些情况下可以从组合中去除来自所要求保护的组合的一个或多个特征，并且所要求保护的组合可以指向子组合或子组合的变型。

类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求以所示的特定顺序或按先后顺序执行这些操作，或者执行所有示出的操作，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统组件的分离不应被理解为在所有实施例中都需要这种分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中或封装到多个软件产品中。

因此，本文已经描述了主题的特定实施例。其它实施例在所附权利要求书的范围内。在一些情况下，权利要求中阐述的动作可以以不同的顺序执行并且仍然实现期望的结果。另外，附图中描绘的过程不一定需要所示的特定顺序或先后顺序来实现期望的结果。在某些实施方式中，多任务和并行处理可能是有利的。

如本领域技术人员将认识到的，本文描述的创新构思可以在广泛的应用范围内进行修改和变化。因此，所要求保护的主题的范围不应限于上面讨论的任何特定示例性教导，而是由所附权利要求限定。

Claims (20)

1.一种方法，包括：

从接收信号的协方差矩阵，生成向量；

将所述向量输入到神经网络以获得增强型向量；

将所述增强型向量转换成增强型矩阵；以及

使用基于所述增强型矩阵的白化滤波器对所述接收信号执行干扰白化。

2.根据权利要求1所述的方法，其中，所述协方差矩阵是正定矩阵。

3.根据权利要求1所述的方法，其中，生成所述向量包括：

估计所述接收信号的协方差矩阵；

将估计的协方差矩阵分解为下三角矩阵；以及

将所述下三角矩阵转换为所述向量。

4.根据权利要求3所述的方法，其中，所述协方差矩阵是使用带宽中的一个或多个连续资源块RB的参考信号RS资源元素RE的干扰加噪声估计的。

5.根据权利要求3所述的方法，其中，所述下三角矩阵是下三角Cholesky因式分解矩阵。

6.根据权利要求3所述的方法，其中，所述增强型矩阵包括增强型下三角矩阵，并且所述神经网络的激活函数被设置为使得所述增强型下三角矩阵的对角元素保持为正。

7.根据权利要求6所述的方法，还包括：生成所述增强型下三角矩阵的逆矩阵，其中，所述干扰白化是基于所述逆矩阵执行的。

8.根据权利要求7所述的方法，还包括：在干扰白化之后，对来自所述接收信号的比特进行检测和解码。

9.根据权利要求6所述的方法，还包括：将所述增强型下三角矩阵转换为增强型协方差矩阵，所述增强型协方差矩阵是正定矩阵。

10.根据权利要求1所述的方法，还包括：使用理想的增强型向量和数据集来训练所述神经网络，其中，所述数据集是在不同干扰场景、不同干扰比和不同信道模型中的至少一个下生成的。

11.一种用户设备UE，包括：

处理器；以及

非暂态计算机可读存储介质，存储指令，所述指令在被执行时使所述处理器进行以下操作：

从接收信号的协方差矩阵，生成向量；

将所述向量输入到神经网络以获得增强型向量；

将所述增强型向量转换成增强型矩阵；以及

使用基于所述增强型矩阵的白化滤波器对所述接收信号执行干扰白化。

12.根据权利要求11所述的UE，其中，所述协方差矩阵是正定矩阵。

13.根据权利要求11所述的UE，其中，在生成所述向量时，所述指令还使所述处理器进行以下操作：

估计所述接收信号的协方差矩阵；

将估计的协方差矩阵分解为下三角矩阵；以及

将所述下三角矩阵转换为所述向量。

14.根据权利要求13所述的UE，其中，所述协方差矩阵是使用带宽中的一个或多个连续资源块RB的参考信号RS资源元素RE的干扰加噪声估计的。

15.根据权利要求13所述的UE，其中，所述下三角矩阵是下三角Cholesky因式分解矩阵。

16.根据权利要求14所述的UE，其中，所述增强型矩阵包括增强型下三角矩阵，并且所述神经网络的激活函数被设置为使得所述增强型下三角矩阵的对角元素保持为正。

17.根据权利要求16所述的UE，其中，所述指令还使所述处理器进行以下操作：

生成所述增强型下三角矩阵的逆矩阵，其中，所述干扰白化是基于所述逆矩阵执行的；以及

在干扰白化之后，对来自所述接收信号的比特进行检测和解码。

18.根据权利要求16所述的UE，其中，所述指令还使所述处理器进行以下操作：将所述增强型下三角矩阵转换为增强型协方差矩阵，所述增强型协方差矩阵是正定矩阵。

19.根据权利要求11所述的UE，其中，所述指令还使所述处理器进行以下操作：使用理想增强型向量和数据集来训练所述神经网络，其中，所述数据集是在不同干扰场景、不同干扰比和不同信道模型中的至少一个下生成的。

20.一种方法，包括：

从接收信号生成矩阵；

使用基于学习的增强来生成增强型矩阵；

使用基于所述增强型矩阵的逆矩阵的白化滤波器，对所述接收信号执行干扰白化；以及

在干扰白化之后，对来自所述接收信号的比特进行检测和解码。