CN117856846A - 无线通信装置的方法和基站的方法 - Google Patents
无线通信装置的方法和基站的方法 Download PDFInfo
- Publication number
- CN117856846A CN117856846A CN202311287584.0A CN202311287584A CN117856846A CN 117856846 A CN117856846 A CN 117856846A CN 202311287584 A CN202311287584 A CN 202311287584A CN 117856846 A CN117856846 A CN 117856846A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- intelligence model
- wireless communication
- base station
- communication device
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 270
- 239000011159 matrix material Substances 0.000 description 36
- 238000013528 artificial neural network Methods 0.000 description 30
- 238000012549 training Methods 0.000 description 19
- 238000013139 quantization Methods 0.000 description 16
- 239000000284 extract Substances 0.000 description 15
- 230000015654 memory Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000007906 compression Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006835 compression Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101100391179 Dictyostelium discoideum forF gene Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000005406 washing Methods 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
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
- H04B7/0636—Feedback format
- H04B7/0639—Using selective indices, e.g. of a codebook, e.g. pre-distortion matrix index [PMI] or for beam selection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
- H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了一种无线通信装置的方法和基站的方法。所述无线通信装置的所述方法包括:从所述基站接收参考信号,基于所述参考信号来估计无线通信装置与基站之间的第一信道,基于第一人工智能模型从第一信道提取包括分组的属性的特征,其中,第一人工智能模型被训练以减小由无线通信装置估计的第一信道与由基站估计的第二信道之间的差,使用基于第二人工智能模型的码本并通过针对每一个组属性生成码本的一个或更多个索引,对所述分组的属性进行量化,并且向基站发送比特流,其中,所述比特流包括所述码本的所述索引的组合信息。
Description
本申请基于并要求于2022年10月7日在韩国知识产权局提交的第10-2022-0129035号韩国专利申请以及于2023年1月12日在韩国知识产权局提交的第10-2023-0004977号韩国专利申请的优先权和权益,它们的内容通过引用整体并入本文。
技术领域
本公开涉及一种用于发送信道状态信息的方法和设备。
背景技术
已经开发了下一代通信系统(诸如,新无线电(NR)通信系统)以匹配由于长期演进(LTE)通信系统的商业化和多媒体服务的增加而增加的无线数据业务的使用。在一些情况下,可在NR通信系统中的整个频带的宽范围内执行通信。
例如,基站(BS)可向用户设备(UE)发送参考信号以找到BS与UE之间的信道信息。例如,BS可发送信道状态信息参考信号(CSI-RS)以找到BS与UE之间的信道信息。UE可基于从BS接收的CSI-RS来识别BS与UE之间的信道。此外,UE可向BS报告关于估计的信道的反馈信息。例如,反馈信息可包括预编码矩阵指示符(PMI)、秩指示符(RI)和信道质量指示符(CQI)。BS可通过使用反馈信息来设计用于下行链路信道的预编码器。
在一些情况下,通信系统可使用上行链路资源向BS发送压缩的反馈信息,这导致有限的性能(即,压缩的信道信息的有限性能)。因此,本领域需要通过高效地使用上行链路资源来向BS发送关于由UE估计的信道的信息的系统和方法。
发明内容
本公开提供了一种用于无线通信的方法和设备。本公开的实施例包括被配置为发送信道状态信息的无线通信装置。
根据本公开的一方面,提供了一种无线通信装置的方法,所述方法包括:从基站接收参考信号,基于所述参考信号来估计所述无线通信装置与所述基站之间的第一信道;基于第一人工智能模型从第一信道提取包括分组的属性的特征,其中,第一人工智能模型被训练以减小由所述无线通信装置估计的第一信道与由所述基站估计的第二信道之间的差,使用基于第二人工智能模型的码本并且通过针对每一组属性生成所述码本的一个或更多个索引,对所述分组的属性进行量化;并且向所述基站发送包括所述码本的所述索引的组合信息的比特流。所述码本可包括多个向量码字和多个标量码字,并且第二人工智能模型可包括这样的人工智能模型:被训练以减小所述码本的所述多个向量码字和所述多个标量码字的组合与量化的属性之间的差。
根据本公开的另一方面,提供了一种无线通信装置的方法,所述方法包括:从基站接收参考信号,基于所述参考信号估计所述无线通信装置与所述基站之间的第一信道,基于第一人工智能模型从第一信道提取包括分组的属性的特征,其中,第一人工智能模型被训练以减小由所述无线通信装置估计的第一信道与由所述基站估计的第二信道之间的差,通过使用基于第二人工智能模型的码本对属性进行量化,来针对每一组属性生成所述码本的一个或更多个索引,并且向所述基站发送包括所述码本的所述索引的比特流。所述码本可包括多个向量码字,并且第二人工智能模型可包括这样的人工智能模型:被训练以减小所述码本的所述多个向量码字的组合与量化的属性之间的差。
根据本公开的另一方面,提供了一种基站的方法,所述方法包括:从无线通信装置接收比特流,其中,所述比特流包括关于与量化的分组的属性相关的一个或更多个码本索引的信息;由所述基站使用第二人工智能模型对所述比特流进行分段,并使用基于第二人工智能模型的码本从所述分段的比特流中提取所述量化的属性;并且由所述基站通过使用第一人工智能模型来从所述量化的属性获得第二信道,其中,第一人工智能模型用于减小由无线通信装置估计的第一信道与由基站估计的关于第一信道的第二信道之间的差。所述码本可包括多个向量码字和多个标量码字,并且第二人工智能模型可包括用于减小所述码本的所述多个向量码字和所述多个标量码字的组合与量化的属性之间的差的人工智能模型。
根据以下详细描述、附图和权利要求,其他特征和方面将是显而易见的。
附图说明
从以下结合附图的详细描述中可理解本公开的实施例:
图1示出根据实施例的基站与无线通信装置之间的信号发送和信号接收操作;
图2是根据实施例的基站和无线通信装置的框图;
图3是根据实施例的基站和无线通信装置的框图;
图4是根据实施例的无线通信装置的操作过程的流程图;
图5示出根据实施例的从由无线通信装置估计的信道中提取的特征的示例;
图6示出根据实施例的无线通信装置的操作过程的示例;
图7示出根据实施例的无线通信装置的操作过程的示例;
图8示出根据实施例的分组的特征的量化;
图9是根据实施例的无线通信装置的操作过程的流程图;
图10A示出根据实施例的量化处理的示例;
图10B示出根据实施例的基于其重要性被分组和对角化的属性;
图10C示出根据实施例的量化处理的示例;
图11是根据实施例的基站的操作过程的流程图;
图12示出根据实施例的无线通信装置和基站的过程;
图13是示出根据实施例的无线通信装置的框图;以及
图14是示出根据实施例的电子装置的框图。
具体实施方式
本公开提供一种用于无线通信的方法和设备。本公开的实施例包括被配置为发送信道状态信息的无线通信装置。无线通信装置可在用户设备处从基站接收参考信号。根据一些实施例,无线通信装置可在执行压缩操作之后向基站发送信道状态信息。在一些情况下,无线通信装置可基于参考信号来估计无线通信装置与基站之间的第一信道。
传统的无线通信装置可使用信道信息压缩技术,来通过使用上行链路资源向基站发送信道状态信息。例如,无线通信装置可通过利用包括大量信道分量(channelcomponent)的线性子空间对信道信息进行压缩。然而,当无线通信装置仅通过使用线性子空间对信道信息进行压缩时,压缩性能可能受到限制。
因此,本公开的实施例包括无线通信装置基于人工智能来使用非线性子空间对信道信息进行压缩以报告信道信息。如参照本公开所描述的,无线通信装置可从基站接收参考信号,并且基于参考信号来估计无线通信装置与基站之间的第一信道。
在一些情况下,可基于第一人工智能模型从估计的第一信道中提取包括分组的属性的特征。例如,人工智能模型可被训练以减小由无线通信装置估计的第一信道与由基站估计的关于第一信道的第二信道之间的差。另外,无线通信装置可通过使用基于第二人工智能模型的码本对包括分组的属性的特征进行量化。因此,通过减小第一信道与第二信道之间的差并且通过基于码本对包括分组的属性的特征进行量化,本公开的实施例能够针对每一个分组的特征生成码本的索引的组合。
根据本发明的一些实施例,基于第二人工智能模型的码本可包括多个向量码字和多个标量码字。第二人工智能模型可以是这样的人工智能模型:被训练以减小码本的多个向量码字和多个标量码字的组合与量化的特征之间的差。
本公开的实施例包括一种无线通信装置的方法,其中,方法包括从基站接收参考信号。无线通信装置(即,用户设备)基于参考信号来估计无线通信装置与基站之间的第一信道,然后基于第一人工智能模型从第一信道提取包括分组的属性的特征,其中,第一人工智能模型被训练以减小由无线通信装置估计的第一信道与由基站估计的关于第一信道的第二信道之间的差并对属性进行分组。此外,无线通信装置通过使用基于第二人工智能模型的码本对分组的属性进行量化,并针对每一组分组的属性生成码本的索引。最后,无线通信装置将包括码本的索引的组合信息的比特流发送到基站。在一些情况下,码本包括多个向量码字和多个标量码字,并且第二人工智能模型包括这样的人工智能模型:被训练以减小码本的多个向量码字和多个标量码字的组合与量化的属性之间的差。
本公开的实施例包括一种用于无线通信的设备,其中,设备包括基站,其中,基站被配置为向包括在无线通信装置中的处理器发送参考信号(CSI-RS)。在一些情况下,处理器被配置为基于参考信号和人工智能模型来估计无线通信装置与基站之间的下行链路信道。另外,处理器可将估计的信道信息发送到基站。无线通信装置还包括用于存储估计的信道信息和人工智能模型的存储器。
因此,通过减小第一信道与第二信道之间的差并且通过基于码本对包括分组的属性的特征进行量化,本公开的实施例能够针对每一个分组的特征生成码本的索引的组合。因此,人工智能模型使得能够将包括码本的索引的组合信息的比特流发送到基站。在一些情况下,无线通信装置可通过对具有高相关性的属性进行分组来高效地从信道状态信息中提取特征,并且可通过向量-标量量化来减少在量化处理时可能发生的损失。
提供以下详细描述以帮助读者获得对本文描述的方法、设备和/或系统的全面理解。然而,在理解本申请的公开之后,本文描述的方法、设备和/或系统的各种改变、修改和等同物将是显而易见的。例如,本文描述的操作序列仅仅是示例,并且不限于本文阐述的操作序列,而是如在理解本申请的公开之后将显而易见的,除了必需按照特定顺序发生的操作之外,可改变操作序列。本文描述的特征可按照不同的形式体现,并且不应被解释为限于本文描述的示例实施例。相反,提供本文描述的示例实施例仅仅是为了说明实施本文描述的方法、设备和/或系统的许多可能方式中的一些,这些方式在理解本申请的公开之后将是显而易见的。
本公开可按照多种替代形式进行修改,因此,将在附图中举例说明并详细描述具体实施例。在本说明书中,当组件(或区域、层、部分等)被称为“在”另一组件“上”、“连接到”另一组件、或“结合到”另一组件时,意味着该组件可直接布置在另一组件上/连接到另一组件/结合到另一组件,或者第三组件可布置在其间。
在整个说明书和附图中,相同的附图标记可指代相同的组件。应当注意,虽然附图旨在示出本说明书的特定实施例的实际相对尺寸,但本公开不一定限于所示的实施例。术语“和/或”包括相关联的配置可定义的一个或更多个的所有组合。
应当理解,尽管本文可使用术语“第一”、“第二”等来描述各组件,但这些组件不应一定受这些术语的限制。这些术语仅用于将一个组件与另一组件区分开。例如,在不脱离本发明构思的范围的情况下,第一组件可被称为第二组件,并且类似地,第二组件可被称为第一组件。除非上下文另有明确说明,否则单数形式的术语可包括复数形式。
另外,诸如“下方”、“下面”、“上”和“上方”之类的术语可以用于描述附图中所示出的组件之间的关系。这些术语用作相对概念,并且参照附图中指示的方向被描述。应当理解的是,术语“包括”、“包含”或“具有”旨在指定本公开中存在所述特征、整数、步骤、操作、组件、部分或者特征、整数、步骤、操作、组件、部分的组合,但不排除一个或更多个其他特征、整数、步骤、操作、组件、部分或者特征、整数、步骤、操作、组件、部分的组合的存在或添加。
本公开的实施例包括一种无线通信装置,其中,无线通信装置被配置为从基站接收参考信号,并且基于参考信号来估计无线通信装置与基站之间的第一信道。本公开不限于任何特定的无线网络,并且可应用于具有类似技术背景或信道配置的无线通信系统。
在下文中,将参照附图详细描述本公开的实施例的无线通信系统,其中,无线通信装置使用深度学习技术来执行用于信道信息报告的非线性建模。
图1示出根据实施例的基站与无线通信装置之间的信号发送和信号接收操作。
参照图1,无线通信系统100可包括基站110和无线通信装置120。为了便于描述,无线通信系统100被示为仅包括一个基站110和一个无线通信装置120。然而,这仅是实施例,并且实施例不限于此。因此,无线通信系统可被实现为包括多个基站和多个无线通信装置。
基站(BS)可以是与无线通信装置通信的站,并且是向无线通信装置分配通信网络资源的主体。例如,每一个基站可针对特定地理区域提供通信覆盖。在3GPP中,术语“小区”可指代基站的覆盖区域和/或根据使用该术语的上下文的覆盖区域。基站可包括小区、基站(BS)、节点B(NodeB,NB)、演进型节点B(eNodeB,eNB)、下一代无线电接入网络(NGRAN)、无线电接入单元、基站控制器、网络上的节点、和下一代节点B(gNodeB,gNB)中的至少一个。在NR系统中,术语“小区”和NB、下一代NB(gNB)、5GNB、接入点(AP)、BS、NR BS或发送接收点(TRP)可以是可互换的。在一些示例中,小区可以不必是静止,并且小区的地理区域可根据移动基站的位置来移动。在一些示例中,基站可通过各种类型的回程接口(诸如,直接物理连接、虚拟网络、或使用任何合适的传输网络的类似物)来彼此互连和/或互连到无线网络中的一个或更多个其他基站或网络节点。基站可向其覆盖范围内的用户设备提供无线宽带接入。
无线通信装置是与基站或另一无线通信装置通信的主体,并且可包括节点、用户设备(UE)、下一代UE(NG UE)、移动站(MS)、移动设备(ME)、装置和终端中的至少一个。用户设备可以是移动的,并且可指能够与基站通信以发送和接收数据和/或控制信息的任何装置。
另外,无线通信装置可包括智能电话、平板个人计算机(PC)、移动电话、视频电话、电子书阅读器、桌上型PC、膝上型PC、上网本计算机、个人数字助理(PDA)、便携式多媒体播放器(PMP)、MP3播放器、医疗装置、相机或可穿戴装置中的至少一个。另外,无线通信装置可包括电视、数字视频盘(DVD)播放器、音频系统、冰箱、空调、真空吸尘器、烤箱、微波炉、洗衣机、空气净化器、机顶盒、家庭自动化控制面板、安全控制面板、媒体盒(例如,SamsungHomeSyncTM、Apple TVTM或Google TVTM)、游戏控制台(例如,XboxTM、PlayStationTM)、电子词典、电子钥匙、摄像机、和电子相框中的至少一个。
此外,无线通信装置可包括各种医疗装置(例如,各种便携式医疗测量装置(血糖仪、心率监测器、血压监测器或温度计)、磁共振血管造影(MRA)机、磁共振成像(MRI)机、计算机断层扫描(CT)机、相机或超声设备)、导航系统、全球导航卫星系统(GNSS)、事件数据记录器(EDR)、飞行数据记录器(FDR)、汽车信息娱乐装置、船用电子设备(例如,用于船舶的导航系统、回转罗盘等)、航空电子设备、安全装置、用于车辆的头单元、工业或家庭机器人、无人机、金融机构中的自动柜员机(ATM)、商店中的销售点(POS)或物联网(IoT)装置(例如,灯泡、各种传感器、喷水器、火警报警器、恒温器、路灯、烤箱、健身设备、热水箱、加热器、锅炉等)中的至少一个。无线通信装置可包括能够执行通信功能的各种类型的多媒体系统。
基站110可通过无线电信道连接到无线通信装置120以提供各种通信服务。基站110可通过用于用户业务的共享信道来提供服务,并且通过收集无线通信装置120的状况信息(诸如,缓冲器状况、可用传输功率状况和信道状态)来执行调度。按照无线电接入技术,无线通信系统100可通过使用正交频分复用(OFDM)来支持波束成形技术。另外,无线通信系统100可支持自适应调制和编码(AMC)方案,其中,AMC方案用于根据无线通信装置120的信道条件来确定调制方案和信道编码率。
波束成形是指用于定向信号发送或接收的信号处理中的技术。在一些情况下,可通过组合天线阵列中的元件来执行波束成形,使得特定角度的信号经历相长干涉并且其余信号经历相消干涉。可在发射侧和接收侧执行波束成形,以控制每一个发送器处的信号的相位和相对幅度。因此,在波前中实现相长干涉和相消干涉的图样,从而产生了空间选择性。
在蜂窝通信系统中,由UE接收到的信号的质量取决于诸如期望基站与干扰基站之间的距离、路径损耗指数、对数正态阴影、短期衰落和噪声的因素。为了提高系统容量、峰值数据速率和覆盖可靠性,通过称为链路自适应的处理修改发送到特定用户和由特定用户发送的信号,以考虑信号质量变化。自适应调制和编码(AMC)提供了一种增加整个系统容量的链路自适应方法。AMC提供了使调制编码方案与针对每一个用户的平均信道条件相匹配的灵活性。在AMC的情况下,发送信号的功率在帧间隔上恒定,并且改变调制和编码格式以匹配当前接收信号质量或信道条件。自适应调制系统使用发送器处的信道状态信息。自适应调制系统通过使用发送器处存在的信道状态信息来改进传输速率和/或误码率。
另外,无线通信系统100可通过使用在6GHz或更高的频带中的宽频带来发送和接收信号。例如,无线通信系统100可通过使用毫米波频带(诸如,28GHz频带或60GHz频带)来增加数据传输速率。因为毫米波频带每距离具有相对大的信号衰减,因此无线通信系统100可支持基于使用多个天线生成的定向波束的发送和接收,以确保覆盖。
天线是指可包括单个天线或多于一个天线的无线装置。例如,天线可以能够同时地发送或接收多个无线传输。在一些情况下,无线通信装置可包括天线阵列。
无线通信系统100可包括支持多输入多输出(MIMO)的系统,并且因此,基站110和无线通信装置120可支持波束成形技术。波束成形技术可被分类为数字波束成形、模拟波束成形、混合波束成形等。
在下文中,基于无线通信系统支持混合波束成形技术的实施例来描述本公开,但本公开的实施例可适用于其他波束成形技术。
再次参照图1,基站110可向无线通信装置120发送信道状态信息参考信号(CSI-RS)。无线通信装置120可通过使用CSI-RS来估计下行链路信道。无线通信装置120可向基站110发送比特流,其中,比特流包括基于人工智能模型(在本文中,也被称为人工智能学习模型)的信道信息。无线通信装置120可基于人工智能模型对无线通信装置120与基站110之间的信道信息进行高效压缩,并将压缩的信道信息发送到基站110。
无线通信装置120可利用信道信息压缩技术,来使用相对小的上行链路资源向基站准确地发送信道状态信息。例如,无线通信装置120可通过使用包括大量信道分量的线性子空间对信道信息进行压缩。然而,当无线通信装置120仅使用线性子空间对信道信息进行压缩时,无线通信装置120的压缩性能可能有限。根据本公开的实施例,通过使用用于信道信息报告的深度学习来考虑非线性特性,提供了一种提供信道信息的最大化压缩性能的方法。
图2是根据实施例的基站和无线通信装置的框图。
参照图2,无线通信装置120可包括基于第一人工智能模型的编码器121和基于第二人工智能模型的编码器122。基站110可包括基于第三人工智能模型的解码器111和基于第四人工智能模型的解码器112。
第一人工智能模型至第四人工智能模型中的每一个可以是各种类型的人工智能模型。也就是说,第一人工智能模型至第四人工智能模型中的每一个可包括各种类型的神经网络。例如,第一人工智能模型至第四人工智能模型中的每一个可包括人工神经网络(ANN)、卷积神经网络(CNN)、递归神经网络(RNN)、密集神经网络(DNN)和全连接神经网络中的至少一个。另外,第一人工智能模型至第四人工智能模型可对非线性关系建模。
ANN是一种包括与人脑中的神经元松散地相应的多个连接节点(即,人工神经元)的硬件组件或软件组件。每一个连接或边(edge)将信号从一个节点发送到另一节点(就像大脑中的物理突触)。当节点接收到信号时,它对信号进行处理,然后将处理的信号发送到其他连接的节点。
在一些情况下,节点之间的信号包括实数,并且每一个节点的输出通过对节点的输入求和的函数来计算。在一些示例中,节点可使用其他数学算法(诸如,从输入中选择最大值作为输出)或者用于激活节点的任何其他合适的算法来确定其输出。每一个节点和边与一个或更多个节点权重相关联,其中,一个或更多个节点权重确定如何处理和发送信号。
在ANN中,隐藏(或中间)层包括隐藏节点,并且位于输入层与输出层之间。隐藏层对进入到网络中的输入执行非线性变换。每一个隐藏层被训练以产生有助于ANN的输出层的联合输出的定义的输出。隐藏表示是输入的机器可读数据表示,该机器可读数据是从ANN的隐藏层学习并由输出层产生的。由于ANN对输入的理解随着ANN被训练而改善,隐藏表示逐渐与较早的迭代区分开。
在ANN的训练处理中,节点权重被调整(即,通过使在某种程度上与当前结果和目标结果之间的差相应的损失最小化)以提高结果的准确性。边的权重增加或减少节点之间发送的信号的强度。在一些情况下,节点具有阈值,其中,低于该阈值完全不发送信号。在一些示例中,节点被聚合成层。不同的层对其输入执行不同的变换。初始层被称为输入层,并且最后一层被称为输出层。在一些情况下,信号多次遍历某些层。
CNN是通常在计算机视觉或图像分类系统中使用的一类ANN。在一些情况下,CNN可使得能够以最小化的预处理来对数字图像进行处理。CNN可通过使用卷积(或互相关)隐藏层来表征。这些层在将结果用信号传送到下一层之前对输入应用卷积运算。每一个卷积节点可处理针对输入的有限野(即,感受野)的数据。在CNN的前向传递期间,可在输入量(input volume)上对每一层处的滤波器进行卷积,从而计算滤波器与输入之间的点积。在训练处理期间,可修改滤波器,使得它们在检测到输入内的特定特征时激活。
根据本公开的实施例,第一人工智能模型可指由无线通信装置120用于从信道状态信息中提取特征的人工智能模型。第二人工智能模型可指在无线通信装置120通过使用码本对特征进行量化的处理中使用的人工智能模型。第三人工智能模型可指在基站110从特征获得信道状态信息的处理中使用的人工智能模型。第四人工智能模型可指在基站110从量化的特征的码本索引信息获得量化的特征的处理中使用的人工智能模型。
第一人工智能模型至第四人工智能模型可基于不同的神经网络。例如,第一人工智能模型和第二人工智能模型可基于不同的神经网络,并且第一人工智能模型和第三人工智能模型可基于不同的神经网络。此外,第三人工智能模型和第四人工智能模型可基于不同的神经网络。
根据另一示例,第一人工智能模型和第三人工智能模型可基于相同的神经网络。也就是说,第一人工智能模型和第三人工智能模型可彼此相同。第二人工智能模型和第四人工智能模型可基于相同的神经网络。也就是说,第二人工智能模型和第四人工智能模型可彼此相同。
因此,第一人工智能模型至第四人工智能模型可基于不同或相同的神经网络。此外,第一人工智能模型至第四人工智能模型所基于的神经网络的组合可变化。
无线通信装置120可从基站110接收CSI-RS。无线通信装置120可通过使用接收到的CSI-RS来估计无线通信装置120与基站110之间的下行链路信道。由无线通信装置120估计的信道可具有矩阵形式。由无线通信装置120估计的信道的矩阵可被称为第一信道矩阵。可将第一信道矩阵输入到基于第一人工智能模型的编码器121。
基于第一人工智能模型的编码器121可接收第一信道矩阵作为输入。基于第一人工智能模型的编码器121可基于第一人工智能模型输出特征变量z,其中,特征变量z包括来自第一信道矩阵的一个或更多个属性。也就是说,无线通信装置120可基于第一人工智能模型从估计的信道信息中提取特征变量z。
例如,基于第一人工智能模型的编码器121可基于反映两个目的的第一人工智能模型来提取特征变量z。基于第一人工智能模型的编码器121可基于第一人工智能模型来提取特征变量z,其中,通过反映减小由无线通信装置120估计的第一信道矩阵与由基站110基于从无线通信装置120接收的信道信息来估计的第二信道矩阵之间的差的目的,并且反映对特征变量的属性进行分组的目的,来训练第一人工智能模型。特征变量z可具有向量或矩阵的形式。特征变量可被称为特征。参照图6和图7描述提取特征的处理。
根据另一示例,基于第一人工智能模型的编码器121可基于第一人工智能模型提取特征z,其中,除了反映减少信道矩阵的差的目的或分组的目的之外,还通过反映基于重要性选择属性的目的和基于密度选择属性的目的来训练第一人工智能模型。因此,无线通信装置120可通过使用有限的上行链路资源来高效地对信道状态信息进行压缩,并且向基站110发送信道状态信息。参照图10A至图10C描述属性选择的处理。
基于第二人工智能模型的编码器122可接收特征z作为输入。基于第二人工智能模型的编码器122可通过基于第二人工智能模型对特征z进行量化来将特征z转换为比特流形式。无线通信装置120可通过使用上行链路资源来向基站110发送比特流。
例如,基于第二人工智能模型的编码器122可通过使用基于第二人工智能模型的码本对特征的成组的属性(或分组的属性)进行量化。根据一些实施例,量化的特征可表示为zq。基于第二人工智能模型的编码器122可通过使用上行链路资源将比特流发送到基站110,其中,比特流包括关于量化的特征zq的码本索引信息(例如,码本的索引的组合信息)。参照图8详细描述量化处理。
基站110可从无线通信装置120接收比特流。基于第四人工智能模型的解码器112可基于第四人工智能模型对比特流进行分段。此外,基于第四人工智能模型的解码器112可通过使用基于第四人工智能模型的码本,从分段的比特流中获得包括量化的属性的特征zq。基于第四人工智能模型的解码器112可将量化的特征zq发送到基于第三人工智能模型的解码器111。
基于第三人工智能模型的解码器111可基于第三人工智能模型从量化的特征zq获得第二信道矩阵。第三人工智能模型的神经网络可被训练以减小第一信道矩阵与第二信道矩阵之间的差。
第一人工智能模型的参数的集合可表示为φE。第三人工智能模型的参数的集合可表示为θD。
无线通信装置120和基站110可通过重复所描述的过程来训练第一人工智能模型至第四人工智能模型(即,以减小信道矩阵之间的差)。在完成训练之后,无线通信装置120和基站110可基于训练完成后的第一人工智能模型至第四人工智能模型来执行处理。
例如,基于第一人工智能模型的编码器121和基于第三人工智能模型的解码器111可被训练以减小第一信道矩阵与第二信道矩阵之间的差。另外,基于第一人工智能模型的编码器121和基于第三人工智能模型的解码器111可被训练,使得从第一信道矩阵提取的特征的属性之中的具有高相关性的属性被分组到同一组中。
图3是根据实施例的基站和无线通信装置的框图。将参照图1和图2描述图3。
参照图3,无线通信装置120可包括信道状态信息编码器123。基站110可包括信道状态信息解码器113。
信道状态信息编码器123可执行基于第一人工智能模型的编码器121和基于第二人工智能模型的编码器122的操作。
例如,信道状态信息编码器123可基于第一人工智能模型提取包括根据信道状态而分组的属性的特征,并且通过使用基于第二人工智能模型的码本来对包括分组的属性的特征进行量化。
信道状态信息解码器113可执行基于第三人工智能模型的解码器111和基于第四人工智能模型的解码器112的操作。
例如,信道状态信息解码器113可基于第四人工智能模型对从无线通信装置120接收的比特流进行分段,并通过使用基于第四人工智能模型的码本从分段的比特流中获得量化的特征,并且可基于第三人工智能模型从量化的特征中获得信道状态信息。
图4是根据实施例的无线通信装置的操作过程的流程图。
参照图4,在操作S401,无线通信装置120可从基站110接收参考信号并估计无线通信装置120与基站110之间的信道。例如,无线通信装置120可接收CSI-RS、同步信号块(SSB)、解调参考信号(DM-RS)和跟踪参考信号(TRS)中的一个,并且通过使用接收的信号来估计无线通信装置120与基站110之间的信道。
在操作S402,无线通信装置120可通过使用第一人工智能模型来提取包括针对估计的信道被分组的属性的特征。第一人工智能模型可被训练以减少由无线通信装置120估计的第一信道与由基站110估计的关于第一信道的第二信道之间的差以及对属性进行分组。参照图6和图7提供了关于训练的进一步细节。
在操作S403,无线通信装置120可通过使用基于第二人工智能模型的码本对属性(例如,分组的属性)进行量化。码本可包括多个向量码字和多个标量码字。第二人工智能模型可以是用于减小码本的多个向量码字和多个标量码字的组合与量化的属性之间的差的人工智能模型。参照图8描述量化处理。
在操作S404,无线通信装置120可向基站110发送比特流,其中,比特流包括针对量化的属性的码本索引(例如,码本的索引的组合信息)。无线通信装置120可在上行链路信道上向基站110发送比特流。也就是说,无线通信装置120可在控制信道和数据信道中的至少一个信道上向基站110发送比特流。
例如,无线通信装置120可在物理上行链路控制信道(PUCCH)上向基站110发送比特流。作为另一示例,无线通信装置120可在物理上行链路共享信道(PUSCH)上发送比特流。作为另一示例,无线通信装置120可在PUCCH和PUSCH上向基站120发送比特流。
图5示出根据实施例的从由无线通信装置估计的信道中提取的特征的示例。将参照图2和图3描述图5。
基于第一人工智能模型的编码器121可接收第一信道矩阵作为输入。基于第一人工智能模型的编码器121可基于第一人工智能模型对第一信道矩阵进行压缩。参照图5,基于第一人工智能模型的编码器121可输出包括各种属性的特征变量z。特征变量可被称为特征。特征可被定义为将被学习的属性的集合。在压缩处理期间,在特征变量中可反映属性。参照图5,特征的形式以2D来表示。然而,这仅是实施例,并且特征的形式可以以各种维度表示。总大小可等于将被学习的属性的数量。
图6示出根据实施例的无线通信装置的操作过程的示例。可参照图1、图2和图3描述图6的实施例。
参照图6,在操作S601,无线通信装置120可将构成特征的属性划分为G个组(例如,组#1、组#2、……、组#G)。无线通信装置120可从基站110接收参考信号,并且通过使用接收的参考信号来估计信道。无线通信装置120可基于第一人工智能模型从估计的信道中提取特征。无线通信装置120可在提取特征的同时对特征进行分组。
无线通信装置120可基于具有如等式1所示的目标函数的第一人工智能模型,从第一信道矩阵中提取分组的特征。
[等式1]
在等式1中,φE可表示第一人工智能模型的神经网络的参数的集合。θD可表示第三人工智能模型的神经网络的参数的集合。H可表示由无线通信装置120估计的基站110与无线通信装置120之间的下行链路信道的第一信道矩阵。可表示由基站110基于从无线通信装置120接收的特征来估计的基站110与无线通信装置120之间的下行链路信道的第二信道矩阵。在一些情况下,第三人工智能模型的目标函数可与等式1相同。
参照等式1,双线可指示范数。也就是说,对于F可指示F范数。等式1的第一项可被设置使得基站110准确地估计无线通信装置120与基站110之间的下行链路信道。也就是说,第一项可被设置为减小第一信道矩阵与第二信道矩阵之间的差。第一项可与基站110的信道矩阵恢复性能相应,并且可使用诸如均方误差(MSE)的各种指标。然而,第一项不限于所描述的实施例。
等式1的第二项包括作为超参数的λ,并且可在神经网络的训练处理中调整等式1的第二项。λ可确定第一项和第二项中的每一个的权重。
等式1的第二项可被设置以减少组之间的相关性。例如,等式1的第二项可表示为等式2。
[等式2]
fr(z)=Σi≠j||z(t)Tz(j)||F
在等式2中,z(i)可指示特征中的第i组(例如,组#i)。
在无线通信装置120(即,基于等式1和等式2)完成对第一人工智能模型的训练并且基站110(即,基于等式1和等式2)完成对第三人工智能模型的训练之后,在由无线通信装置120基于第一人工智能模型输出的特征之中,具有高相关性的属性可被分组到同一组中,并且各个组之间的相关性可相对低。
在操作S602,无线通信装置120可针对每一个组执行量化。在操作S603,无线通信装置120可生成用于CSI报告的上行链路控制信息(UCI)比特序列。
图7示出根据实施例的无线通信装置的操作过程的示例。可参照图1、图2和图3描述图7。这里可省略参照图6的细节描述。
参照图7,在操作S701,无线通信装置120可将构成特征的属性划分为G个组(例如,组#1、组#2、……、组#G)。在操作S702,无线通信装置120可针对每一个组执行量化。
在无线通信装置120通过对特征进行分组来对特征进行划分之后,当无线通信装置120通过使用码本对特征进行量化时,反馈开销可根据码本大小而增加。
在操作S703,无线通信装置120可基于位图(bitmap)来确定是否向基站110发送每一个组。根据实施例,无线通信装置120可基于位图从G个组中选择一些组。也就是说,无线通信装置120可确定是否提供针对每一个组的反馈。无线通信装置120可开启/关闭位图。例如,可通过下面的等式3来执行开启/关闭操作。在等式3中,δ为预设值,并且∈为预设值。
[等式3]
在操作S704,无线通信装置120可生成用于CSI报告的UCI比特序列。例如,无线通信装置120可仅对与位图开启的位置相应的组进行量化。另外,无线通信装置120可向基站110发送比特流,其中,比特流包括量化的组的码本索引信息(例如,码本的索引的组合信息)。根据实施例,码本索引信息可包括与选择的组中的一个或更多个组相应的信息。
图8示出根据实施例的分组的特征的量化。可参照图1、图2和图3描述图8的实施例。
首先,参照图2,无线通信装置120可通过基于第一人工智能模型的编码器121提取包括分组的属性的特征。无线通信装置120可通过使用基于第二人工智能模型的码本对特征进行量化。
根据本公开的实施例,码本可指包括一个或更多个向量码字和一个或更多个标量码字的码本。向量码字的集合可被称为向量码本,并且标量码字的集合可被称为标量码本。参照图8,码本可包括N个向量码字(例如,针对N个基的向量码字)和N个标量码字(例如,针对N个线性组合系数(LCC)的标量码字)。N可被设置为包括1的任何整数。可由无线通信装置120和基站110中的至少一个根据无线通信装置120的反馈信息量和上行链路资源量中的至少一个来自适应地调整N。N对于每一个组可以不同。
参照图8,示出针对第g组(例如,组#g)的码本索引选择,第一个选择的向量码字的索引是3,并且第N个选择的向量码字的索引是2。另外,第一个选择的标量码字的索引为与最后一个索引相应的数字,并且第N个选择的标量码字的索引为1。然而,N对于每一个组可以不同,并且不限于所描述的实施例。
无线通信装置120可通过使用基于第二人工智能模型的码本来选择最接近特征的码本索引。也就是说,无线通信装置120的基于第二人工智能模型的编码器122可选择码本的索引,使得N个向量码字和N个标量码字的线性组合的结果与特征z之间的差最小。
用于码本索引选择的第二人工智能模型的目标函数可表示为下面的等式4。
[等式4]
参照等式4,c可定义标量码本中的码字。v可定义向量码本中的码字。z(g)可指示由包括在无线通信装置120中并且基于第一人工智能模型的编码器121输出的特征。量化的输出可包括选择的索引的组合。无线通信装置120可将索引的组合打包成比特流形式。无线通信装置120可通过使用上行链路资源来向基站110发送比特流。基站110可通过使用与无线通信装置120商定的码本来获得量化的特征。可使用等式5来表示被选为量化的输出的索引的组合。第四人工智能模型的目标函数也可表示为等式4。
[等式5]
zq(g)=Σncn(g)vn(g)
可在无线通信装置120和基站110之间共享预先设计的码本信息。例如,可在第一人工智能模型至第四人工智能模型的训练处理期间更新码本的参数,并且在训练完成之后,无线通信装置120和基站110可共享包括更新的参数的码本。
与包括一个或更多个向量码字和一个或更多个标量码字的码本不同,无线通信装置120可通过使用仅包括一个或更多个向量码字的码本来执行量化。例如,无线通信装置120可通过考虑信道状态和上行链路资源等,来确定使用包括一个或更多个向量码字和一个或更多个标量码字的码本以及仅包括一个或更多个向量码字的码本之中的哪个码本。当无线通信装置120使用仅包括一个或更多个向量码字的码本时,等式5中的c可始终为1。
图9是根据实施例的无线通信装置的操作过程的流程图。可参照图1、图2和图3描述图9。
参照图9,在操作S901,无线通信装置120可从基站110接收CSI-RS,并且无线通信装置120可估计无线通信装置120与基站110之间的信道。
在操作S902,无线通信装置120可通过使用第一人工智能模型来提取包括针对估计的信道被分组的属性的特征。
在操作S903,无线通信装置120可通过使用第一人工智能模型从每一组分组的属性中选择一个或更多个属性。
在操作S904,无线通信装置120可通过使用基于第二人工智能模型的码本对选择的属性进行量化。此外,无线通信装置120可基于第二人工智能模型来生成针对量化的属性的比特流。可基于码本更新和比特流生成来训练第二人工智能模型的神经网络。
在操作S905,无线通信装置120可向基站110发送比特流,其中,比特流包括针对量化的属性的码本索引信息和选择的属性的位置信息。
图10A示出根据实施例的量化的示例。图10B示出根据实施例的根据重要性进行分组和对角化的属性。可参照图1、图2和图9描述图10A的实施例。
无线通信装置120可训练第一人工智能模型以对信道状态的属性进行分组。参照图10A,特征(例如,特征向量)z可具有包括一个或更多个属性的一个组。无线通信装置120可训练第一人工智能模型以从该一个组的一个或更多个属性之中选择一些属性。
根据实施例,无线通信装置120可选择第一属性和第五属性,并且向基站110发送比特流,其中,比特流包括选择的属性的位置信息和选择的属性的量化值的索引信息。在操作S1001a,无线通信装置120可执行位置编码。即,无线通信装置120可将关于选择的属性的位置信息包括在比特流中。在操作S1002a,无线通信装置120可执行量化。例如,无线通信装置120可计算与选择的属性的量化值相应的码本索引的组合信息,并且将码本索引的组合信息包括在比特流中。
无线通信装置120可以以块为单位选择K个属性。K是正整数。无线通信装置120可向基站110发送包括选择的K个属性的标量-向量量化值和位置信息的比特流。块单位可以是在无线通信装置120与基站110之间商定的信息。
无线通信装置120可在训练处理中出于各种目的选择属性。无线通信装置120使用等式6在训练处理中基于第一人工智能模型来选择属性。
[等式6]
在等式6中,第一项具有与等式1的第一项相同的目标。也就是说,第一项用于减小由基站110估计的第二信道矩阵与由无线通信装置120估计的第一信道矩阵之间的差。等式6的第二项可具有与等式1的第二项相同的目标。也就是说,第二项用于在第一人工智能模型中反映具有高相关性的属性的分组。第二项可以是各种形式,例如,第二项可具有如等式7或等式8的形式。这里,λ1、λ2和λ3可表示每一个项的权重。在一些情况下,可使用等式6来表示第三人工智能模型的目标函数。
[等式7]
λ1fr1(z)=∑i≠j|[zTz]i,j|
[等式8]
fr1(z)=maxi≠j[zTz]i,j
参照等式6,第三项是将特征内的属性的重要性反映到第一人工智能模型。也就是说,无线通信装置120可基于重要性从每一个组中选择属性。无线通信装置120和基站110中的至少一个可设置重要性。例如,无线通信装置120可在训练处理中反映属性的平均功率。在一些情况下,第三项可具有例如如等式9中所示的形式。
[等式9]
fr2(z)=∑i|[zTz]i,i-[D]i,i|
参照等式9,第三项可将属性的平均功率误差反映到第一人工智能模型。[D]i,i可指示对角矩阵。[D]i,i的对角分量可以是由无线通信装置120或基站110设置的属性。
参照图10B和等式6,在无线通信装置120和基站110基于第一项、第二项和第三项完成训练之后,无线通信装置120可识别从第一信道矩阵提取的特征的矩阵(例如,协方差矩阵或自相关矩阵)的形式。也就是说,组之间的相关性低,并且可按照对角矩阵的形式推导组。
再次参照图10A,无线通信装置120可使用等式6的第四项来训练第一人工智能模型,使得特征具有稀疏属性。也就是说,无线通信装置120可考虑属性的密度来训练第一人工智能模型。第四项可具有如等式10、等式11、等式12和等式13中所示的形式。然而,第四项的形式不限于这些等式,并且第四项可具有各种形式,而不限于这些形式的实施例。
无线通信装置120可训练第一人工智能模型以选择组中的非零值。例如,无线通信装置120可通过使用等式10来从组中选择非零值。根据实施例,第一人工智能模型可被训练以从每一组分组的属性中选择大于0的属性。
[等式10]
fr3(z)=||z||0
参照等式10,双线可指示范数。也就是说,对于||z||0,0可指示L0范数。除了0之外的值可被称为激活的属性,并且无线通信装置120可使用等式10在第一人工智能模型的训练处理中反映激活的属性的数量。
[等式11]
fr3(z)=||z||1
参照等式11,双条可指示范数。也就是说,对于||z||1,1可指示L1范数。无线通信装置120可使用等式11在第一人工智能模型的训练处理中反映激活的属性值的总和。
[等式12]
fr3(z)=||z-supp_K(z)||2
参照等式12,双条可指示范数。也就是说,对于||z-supp_K(z)||2,2可指示L2范数。另外,supp_K(z)可以是这样的函数:近似值为0的属性被认为是0。无线通信装置120可通过基于等式12反映具有相对大的值的属性来训练第一人工智能模型。
[等式13]
fr3(z)=||[||z(1)||2,...,||z(B)||2]T||0
参照等式13,双条可指示范数。B是大于1的整数。属性块可包括一个或更多个属性。无线通信装置120可通过基于等式13反映激活的属性块的数量来训练第一人工智能模型。
[等式14]
fr3(z)=||[||z(1)||2,...,||z(B)||2]T||1
参照等式14,双条可指示范数。无线通信装置120可通过基于等式14反映激活的属性块的总和来训练第一人工智能模型。
[等式15]
fr3(z)=||z-supp_block_K(z)||2
参照等式15,双条可指示范数。另外,supp_block_K(z)可以是这样的函数:近似值为0的属性块被视为0。无线通信装置120可通过基于等式15反映具有相对大的值的属性块来训练第一人工智能模型。
无线通信装置120和基站110可使用学习处理,通过考虑以下两个目的来训练第一人工智能模型和第三人工智能模型:即,减小第一信道矩阵与第二信道矩阵之间的差以及基于每一个属性的相关性进行分组的目的。无线通信装置120和基站110可通过考虑选择分组的属性中的一些属性的目的来另外训练第一人工智能模型和第三人工智能模型,并且可参照等式10至等式15多方面地描述用于选择分组的属性中的一些属性的标准。
无线通信装置120可从等式6的第二项至第四项之中选择并使用项。也就是说,无线通信装置120可基于反馈开销和上行链路资源来确定第一人工智能模型的目标函数。
例如,无线通信装置120可通过仅选择如等式1所示的第一项和第二项来仅对属性执行分组。作为另一示例,无线通信装置120可通过选择第一项、第二项和第四项来对属性进行分组,并且在每一个组中选择具有非零值的属性。无线通信装置120可向基站110发送比特流,其中,比特流包括关于选择的属性的位置信息和关于选择的属性的量化值的索引信息。
图10C示出根据实施例的量化的示例。可参照图1、图2、图3、图10A和图10B来描述图10C。
参照图10C,无线通信装置120可训练第一人工智能模型以对信道状态的属性进行分组。特征向量z可具有包括一个或更多个属性的一个组。无线通信装置120可训练第一人工智能模型以从所述一个组的一个或更多个属性之中选择一些属性。因此,无线通信装置120可选择连续的属性。参照图10C,无线通信装置120可选择第四属性至第六属性。无线通信装置120可向基站110发送比特流,其中,比特流包括选择的属性的位置信息和选择的属性的量化值的索引信息。
在操作S1001c,无线通信装置120可执行位置编码。即,无线通信装置120可将关于选择的属性的位置信息包括在比特流中。在操作S1002c,无线通信装置120可执行量化。例如,无线通信装置120可计算与选择的连续的属性的量化值相应的码本索引的组合信息,并且将码本索引的组合信息包括在比特流中。
图11是根据实施例的基站的操作过程的流程图。
参照图11,在操作S1101,基站110可从无线通信装置120接收针对量化的属性的比特流。例如,基站110可从无线通信装置120接收比特流,其中,比特流包括关于针对量化的属性的码本索引的组合的信息(例如,关于针对量化的属性的一个或更多个码本索引的信息)。
在操作S1102,基站110可通过使用第四人工智能模型对比特流进行分段。例如,基站110可基于第四人工智能模型对比特流进行分段。在一些示例中,可针对比特流段和码本更新来训练第四人工智能模型。
在操作S1103,基站110可通过使用基于第四人工智能模型的码本,从分段的比特流中提取量化的属性。
在操作S1104,基站110可通过使用第三人工智能模型,从量化的属性估计关于由无线通信装置120估计的信道的信道。
基站110可通过重复所描述的过程来训练第三人工智能模型和第四人工智能模型。在训练完成之后,基站110可使用完成参数更新的第三人工智能模型和第四人工智能模型。
图12示出根据实施例的无线通信装置和基站的学习过程。可参照图1、图2和图3描述图12的实施例。
参照图12,S1201表示第i学习步骤,S1202表示第i+1学习步骤,S1203表示第i+2学习步骤。
在每一个操作中,基于第一人工智能模型的编码器121和基于第三人工智能模型的解码器111可在训练处理中通过考虑减小第一信道矩阵与第二信道矩阵之间的差的目的以及基于每一个属性的相关性进行分组的目的来训练第一人工智能模型和第三人工智能模型。基于第一人工智能模型的编码器121和基于第三人工智能模型的解码器111可分别更新第一人工智能模型和第三人工智能模型的神经网络的参数。第一人工智能模型和第三人工智能模型可彼此相同或不同。
基于第一人工智能模型的编码器121和基于第三人工智能模型的解码器111可通过考虑选择分组的属性中的一些属性的目的来另外训练第一人工智能模型和第三人工智能模型。可以不同地描述用于选择一些分组的属性的标准。
基于第二人工智能模型的编码器122和基于第四人工智能模型的解码器112可在训练处理中通过考虑减少特征z与向量-标量码字的组合之间的差的目的来训练第二人工智能模型和第四人工智能模型。基于第二人工智能模型的编码器122和基于第四人工智能模型的解码器112可分别更新第二人工智能模型和第四人工智能模型的神经网络的参数。也就是说,基于第二人工智能模型的编码器122和基于第四人工智能模型的解码器112可各自更新码本。第二人工智能模型和第四人工智能模型可彼此相同或不同。
参照图12,可并行地更新第一人工智能模型和第三人工智能模型的网络以及第二人工智能模型和第四人工智能模型的网络。第二人工智能模型和第四人工智能模型的网络可以是用于码本更新的神经网络。
图13是示出根据实施例的无线通信装置的框图。可参照图1、图2和图3描述图13。
参照图13,无线通信装置20可包括处理器210、射频集成电路(RFIC)220和存储器230。为了便于解释,示出一个处理器210、一个RFIC 220和一个存储器230。然而,无线通信装置中的处理器、RFIC和存储器可以是多个,并且不限于所描述的实施例。处理器210可控制RFIC 220和存储器230,并且可被配置为实现无线通信装置20的操作方法和操作流程图。
无线通信装置20可包括多个天线,并且RFIC 220可通过一个或更多个天线发送和接收无线电信号。多个天线中的至少一些天线可与发送天线相应。发送天线可将无线电信号发送到除了无线通信装置20之外(例如,除了UE或BS之外)的外部装置。其余天线中的至少一些可与接收天线相应。接收天线可从外部装置接收无线电信号。
根据本公开的实施例,无线通信装置20的处理器210可通过RFIC 220从基站接收参考信号。在一些情况下,无线通信装置20可与如参照图1至图3描述的无线通信装置120相应。处理器210可基于参考信号来估计无线通信装置20与基站110之间的第一信道。处理器210可减小由无线通信装置20估计的第一信道与由基站110估计的关于第一信道的第二信道之间的差,并且基于被训练为对属性进行分组的第一人工智能模型,从第一信道中提取包括分组的属性的特征。
被训练以减少由无线通信装置20估计的第一信道与由基站110估计的关于第一信道的第二信道之间差以及对属性进行分组的第一人工智能模型可被存储在存储器230中。处理器210可通过使用基于第二人工智能模型的码本对属性进行量化,并且针对每一组属性生成码本的索引的组合。处理器210可通过RFIC 20向基站110发送比特流,其中,比特流包括码本的索引的组合信息。码本可包括多个向量码字和多个标量码字。第二人工智能模型可以是这样的人工智能模型:被训练以减小码本的多个向量码字和多个标量码字的组合与量化的属性之间的差。训练的第二人工智能模型可被存储在存储器230中。
根据示例实施例,无线通信装置20的处理器210可通过RFIC 220从另一无线通信装置120接收比特流,其中,比特流包括关于针对量化的属性的码本索引的组合的信息。在一些情况下,无线通信装置20可与基站110相应。处理器210可减小由无线通信装置120估计的第一信道与由无线通信装置20估计的关于第一信道的第二信道之间差,并且通过使用被训练为对属性进行分组的第三人工智能模型来对比特流进行分段。RFIC 220可通过使用基于第四人工智能模型的码本从分段的比特流中提取量化的属性。处理器210可通过使用第三人工智能模型从量化的属性获得第二信道。量化的属性可以是基于第一人工智能模型从第一信道提取并且根据基于第二人工智能模型的码本进行量化的分组的属性。码本可包括多个向量码字和多个标量码字。第二人工智能模型可以是这样的人工智能模型:用于减小码本的多个向量码字和多个标量码字的组合与量化的属性之间的差。
图14是示出根据实施例的电子装置的框图。参照图14,电子装置300可包括存储器310、处理器单元320、输入/输出控制器340、显示单元350、输入装置360和通信处理单元390。这里,可包括多个存储器310。
存储器310可包括用于存储控制电子装置的操作的程序的程序存储单元311以及用于存储在程序执行期间生成的数据的数据存储单元312。数据存储单元312可存储用于应用程序313和信道信息反馈程序314的操作的数据。程序存储单元311可包括应用程序313和信道信息反馈程序314。在一些情况下,包括在程序存储单元311中的程序可被表达为指令集。
应用程序313包括在电子装置中进行操作的应用程序。也就是说,应用程序313可包括由处理器322驱动的应用的指令。信道信息反馈程序314可以是用于发送如参照图1至图12所描述的信道状态信息的程序。
外围装置接口323可控制基站的输入/输出外围装置与处理器322和存储器接口321之间的连接。处理器322控制基站通过使用至少一个软件程序来提供相应的服务。在一些情况下,处理器322可执行存储在存储器310中的至少一个程序,以提供与相应程序相应的服务。
输入/输出控制器340可提供输入/输出装置(诸如,显示单元350和输入装置360)与外围装置接口323之间的接口。显示单元350显示状态信息、输入文本、运动图片、静止图片等。例如,显示单元350可显示由处理器322驱动的应用程序信息。
输入装置360可通过输入/输出控制器340向处理器单元320提供通过电子装置的选择而生成的输入数据。在一些情况下,输入装置360可包括包括至少一个硬件按钮的小键盘和检测触摸信息的触摸板。例如,输入装置360可通过输入/输出控制器340向处理器322提供触摸信息,诸如,通过触摸板检测到的触摸、触摸移动或触摸释放。电子装置300可包括执行用于语音通信和数据通信的通信功能的通信处理单元390。
虽然已经参考本发明的示例性实施例具体示出和描述了本发明构思,但本领域普通技术人员将理解的是,在不脱离由所附权利要求限定的本发明构思的精神和范围的情况下,可在其中进行形式和细节上的各种改变。
上面讨论的处理旨在是说明性的而非限制性的。本领域技术人员将理解的是,在不脱离本发明的范围的情况下,可省略、修改、组合和/或重新布置本文讨论的处理的步骤,并且可执行任何附加步骤。更通常地,上述公开旨在是示例性的而非限制性的。仅所附权利要求书意在设定关于本发明所包括的内容的界限。此外,应当注意的是,在任何一个实施例中描述的特征和限制可应用于本文的任何其他实施例,并且与一个实施例相关的流程图或示例可按照合适的方式与任何其他实施例组合,可按照不同的顺序完成,或者可并行完成。另外,本文描述的系统和方法可实时执行。还应当注意的是,上述系统和/或方法可应用于其他系统和/或方法,或者根据其他系统和/或方法使用。
Claims (20)
1.一种无线通信装置的方法,所述方法包括:
从基站接收参考信号;
基于所述参考信号来估计所述无线通信装置与所述基站之间的第一信道;
基于第一人工智能模型从第一信道提取包括分组的属性的特征,其中,第一人工智能模型被训练以减小由所述无线通信装置估计的第一信道与由所述基站估计的第二信道之间的差;
通过使用基于第二人工智能模型的码本对所述分组的属性进行量化,来针对每一组分组的属性生成所述码本的一个或更多个索引;并且
向所述基站发送比特流,其中,所述比特流包括所述码本的所述一个或更多个索引的组合信息,
其中,所述码本包括多个向量码字和多个标量码字,并且第二人工智能模型包括被训练以减小所述码本的所述多个向量码字和所述多个标量码字的组合与量化的属性之间的差的人工智能模型。
2.根据权利要求1所述的方法,其中,第一人工智能模型被训练以将具有高相关性的属性分组到同一组中。
3.根据权利要求1所述的方法,其中,第一人工智能模型基于所述分组的属性的重要性被训练。
4.根据权利要求1所述的方法,其中,第一人工智能模型基于所述分组的属性的密度被训练。
5.根据权利要求4所述的方法,其中,第一人工智能模型被训练以从每一组分组的属性中选择大于0的属性。
6.根据权利要求4所述的方法,还包括:基于第一人工智能模型,从每一组分组的属性中选择一个或更多个属性,
其中,所述码本的所述一个或更多个索引的所述组合信息基于从每一组分组的属性中选择的所述一个或更多个属性的量化值和选择的所述一个或更多个属性的位置信息。
7.根据权利要求1所述的方法,还包括:基于位图从所述分组的属性的组组中选择一些组,
其中,所述码本的所述一个或更多个索引的所述组合信息包括与选择的组中的一个或更多个组相应的信息。
8.根据权利要求1所述的方法,其中,所述比特流在上行链路信道上被发送。
9.根据权利要求1所述的方法,还包括:
由所述基站接收所述比特流;
由所述基站使用第四人工智能模型对所述比特流进行分段;
由所述基站使用基于第四人工智能模型的码本来获得所述量化的属性;
由所述基站使用第三人工智能模型从所述量化的属性获得关于第一信道的第二信道;
其中,在所述无线通信装置与所述基站执行操作之前,
当所述无线通信装置训练第一人工智能模型和第二人工智能模型时,更新第一人工智能模型和第二人工智能模型的参数,以及
当所述基站训练第三人工智能模型和第四人工智能模型时,更新第三人工智能模型和第四人工智能模型的参数。
10.根据权利要求9所述的方法,其中,第一人工智能模型和第二人工智能模型被并行地训练,并且
第三人工智能模型和第四人工智能模型被并行地训练。
11.根据权利要求1至10中任意一项所述的方法,其中,所述参考信号包括以下项中的任一项:信道状态信息参考信号CSI-RS、同步信号块SSB、解调参考信号DM-RS、以及跟踪参考信号TRS。
12.根据权利要求1至10中任意一项所述的方法,其中,第一人工智能模型和第二人工智能模型包括非线性关系。
13.一种无线通信装置的方法,包括:
从基站接收参考信号;
基于所述参考信号来估计所述无线通信装置与所述基站之间的第一信道;
基于第一人工智能模型从第一信道提取包括分组的属性的特征,其中,第一人工智能模型被训练以减小由所述无线通信装置估计的第一信道与由所述基站估计的第二信道之间的差;
通过使用基于第二人工智能模型的码本对所述分组的属性进行量化,来针对每一组分组的属性生成码本的一个或更多个索引;并且
向所述基站发送比特流,其中,所述比特流包括所述码本的所述一个或更多个索引,
其中,所述码本包括多个向量码字,其中,第二人工智能模型包括被训练以减小所述码本的所述多个向量码字的组合与量化的属性之间的差的人工智能模型。
14.根据权利要求13所述的方法,其中,第一人工智能模型被训练以将具有高相关性的属性分组到同一组中。
15.根据权利要求13所述的方法,其中,第一人工智能模型基于所述分组的属性的重要性被训练。
16.根据权利要求13所述的方法,其中,第一人工智能模型基于所述分组的属性的密度被训练。
17.根据权利要求16所述的方法,其中,第一人工智能模型被训练以从每一组分组的属性中选择大于0的属性。
18.根据权利要求16所述的方法,还包括:基于第一人工智能模型从每一组分组的属性中选择一个或更多个属性,
其中,所述码本的所述一个或更多个索引的组合信息基于从每一组分组的属性中选择的所述一个或更多个属性的量化值和选择的所述一个或更多个属性的位置信息。
19.根据权利要求13所述的方法,还包括:基于位图从所述分组的属性的组中选择一些组,
其中,所述码本的所述一个或更多个索引的组合信息基于选择的组中的至少一个组。
20.一种基站的方法,包括:
从无线通信装置接收比特流,其中,所述比特流包括关于针对量化的属性的一个或更多个码本索引的信息;
由所述基站使用第二人工智能模型对所述比特流进行分段;
由所述基站使用基于第二人工智能模型的码本从所述分段的比特流中提取所述量化的属性;以及
由所述基站使用第一人工智能模型从所述量化的属性获得第二信道,其中,第一人工智能模型用于减小由所述无线通信装置估计的第一信道与由所述基站估计的第二信道之间的差,
其中,所述码本包括多个向量码字和多个标量码字,并且第二人工智能模型包括用于减小所述码本的所述多个向量码字和所述多个标量码字的组合与所述量化的属性之间的差的人工智能模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2022-0129035 | 2022-10-07 | ||
KR1020230004977A KR20240049112A (ko) | 2022-10-07 | 2023-01-12 | 채널 상태 정보 전달 방법 및 장치 |
KR10-2023-0004977 | 2023-01-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117856846A true CN117856846A (zh) | 2024-04-09 |
Family
ID=90540831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287584.0A Pending CN117856846A (zh) | 2022-10-07 | 2023-10-07 | 无线通信装置的方法和基站的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117856846A (zh) |
-
2023
- 2023-10-07 CN CN202311287584.0A patent/CN117856846A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109617584B (zh) | 一种基于深度学习的mimo系统波束成形矩阵设计方法 | |
CN113938232A (zh) | 通信的方法及通信装置 | |
US9425876B2 (en) | Apparatus and method for channel feedback in multiple input multiple output system | |
Guo et al. | Deep learning for joint channel estimation and feedback in massive MIMO systems | |
Elbir et al. | Federated learning for physical layer design | |
KR102510513B1 (ko) | 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치 | |
CN113169777A (zh) | 波束对准 | |
US20230412430A1 (en) | Inforamtion reporting method and apparatus, first device, and second device | |
CN116248156A (zh) | 基于深度学习的大规模mimo信道状态信息反馈及重建方法 | |
EP4367793A1 (en) | Classification of csi compression quality | |
WO2023246618A1 (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
CN117856846A (zh) | 无线通信装置的方法和基站的方法 | |
EP4351030A1 (en) | Method and apparatus for transmitting channel state information | |
WO2022151900A1 (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
CN114501353B (zh) | 通信信息的发送、接收方法及通信设备 | |
CN116939705A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
KR20240049112A (ko) | 채널 상태 정보 전달 방법 및 장치 | |
EP4369620A1 (en) | Communication method and apparatus | |
WO2024037380A1 (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
WO2023179476A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2023179473A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2023115254A1 (zh) | 处理数据的方法及装置 | |
WO2024125770A1 (en) | Transmission channel representation | |
US20230291457A1 (en) | Wireless communication device transmitting and receiving data using channel state information feedback and operating method thereof | |
Lee et al. | Deep Learning for Wireless Dynamics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |