CN117917021A - 用于波束管理的方法及设备 - Google Patents

用于波束管理的方法及设备 Download PDF

Info

Publication number
CN117917021A
CN117917021A CN202180101687.6A CN202180101687A CN117917021A CN 117917021 A CN117917021 A CN 117917021A CN 202180101687 A CN202180101687 A CN 202180101687A CN 117917021 A CN117917021 A CN 117917021A
Authority
CN
China
Prior art keywords
beamforming
model
bss
csi
matrix
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
Application number
CN202180101687.6A
Other languages
English (en)
Inventor
张鸿涛
陈尧
汪海明
雷海鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Publication of CN117917021A publication Critical patent/CN117917021A/zh
Pending legal-status Critical Current

Links

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
    • H04B7/0621—Feedback content
    • H04B7/0634—Antenna weights or vector/matrix coefficients
    • 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
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开的实施例涉及一种用于波束管理的方法及设备。根据本公开的一些实施例，一种由UE执行的方法可包含：从多个基站(BS)接收导频信号；测量所述UE与所述多个BS中的每一者之间的信道状态信息(CSI)；基于所述UE与所述多个BS之间的所述经测量CSI而产生CSI矩阵；对所述CSI矩阵进行编码；及将所述经编码CSI矩阵传输到所述多个BS中的一者。

Description

用于波束管理的方法及设备
技术领域
本公开的实施例总体上涉及无线通信技术，且更特定来说涉及无线通信系统中的波束管理。
背景技术
无线通信系统被广泛地部署以提供各种电信服务，例如电话、视频、数据、消息接发、广播等。无线通信系统可采用能够通过共享可用的系统资源(例如，时间、频率及功率)来支持与多个用户进行通信的多种接入技术。无线通信系统的实例可包含例如长期演进(LTE)系统、高级LTE(LTE-A)系统或LTE-A Pro系统等第四代(4G)系统，以及还可被称为新无线电(NR)系统的第五代(5G)系统。
随着用户(例如，用户装备(UE))及基站(BS)数量的增加，用户当中的干扰变得越来越严重且BS资源的调度变得相当复杂。
在现有的波束成形算法当中，非线性及目标函数优化算法具有较高复杂度且难以在实践中部署，而线性算法具有较低复杂度，但性能不令人满意。随着用户及BS数量的增加，这些问题变得越来越明显。本行业期望可提供高性能同时维持低计算复杂度的解决方案。
发明内容
本公开的一些实施例提供一种用户装备(UE)。所述UE可包含：收发器；及处理器，其耦合到所述收发器。所述处理器可经配置以：从多个基站(BS)接收导频信号；测量所述UE与所述多个BS中的每一者之间的信道状态信息(CSI)；基于所述UE与所述多个BS之间的所述经测量CSI而产生CSI矩阵；对所述CSI矩阵进行编码；及将所述经编码CSI矩阵传输到所述多个BS中的一者。
所述处理器可进一步经配置以基于所述UE与所述多个BS之间的信号强度或距离而选择所述多个BS中的所述一者。所述CSI矩阵可指示：与所述多个BS相关联的信道振幅信息；与所述多个BS相关联的信道相位信息；及与所述信道振幅信息相关联的正规化因子。
为了对所述CSI矩阵进行编码，所述处理器可经配置以：根据与码本相关联的准确度来量化所述CSI矩阵；及将所述经量化CSI矩阵与所述码本中的元素进行比较以确定所述经量化CSI矩阵的索引。为了将所述经量化CSI矩阵与所述码本中的所述元素进行比较，所述处理器可经配置以通过以下各项中的一者来确定所述经量化CSI矩阵与所述码本中的所述元素的相似度：计算所述经量化CSI矩阵与所述码本中的对应元素之间的闵可夫斯基(Minkowski)距离；计算所述经量化CSI矩阵与所述码本中的所述对应元素之间的余弦相似度；计算所述经量化CSI矩阵与所述码本中的所述对应元素之间的皮尔逊(Pearson)相关系数；计算所述经量化CSI矩阵与所述码本中的所述对应元素之间的马哈拉诺比斯(Mahalanobis)距离；计算所述经量化CSI矩阵与所述码本中的所述对应元素之间的杰卡德(Jaccard)系数；以及计算所述经量化CSI矩阵与所述码本中的所述对应元素之间的库尔贝克-莱布勒(Kullback-Leibler)散度。为了对所述CSI矩阵进行编码，所述处理器可进一步经配置以压缩所述经量化CSI矩阵的所述索引，且其中传输所述经编码CSI矩阵包括向所述多个BS中的一者传输所述经压缩索引。
本公开的一些实施例提供一种BS。所述BS可包含：收发器；及处理器，其耦合到所述收发器。所述处理器可经配置以：从由所述BS服务的UE接收与所述UE和包含所述BS在内的多个BS之间的信道状态信息(CSI)相关联的信息；将与所述CSI相关联的所述信息传输到云设备；响应于与所述CSI相关联的所述信息的所述传输，从所述云设备接收波束成形矩阵；及根据所述波束成形矩阵执行波束成形操作。
所述UE与所述多个BS中的每一者之间的所述CSI可指示：与所述UE和对应BS之间的信道相关的振幅信息；与所述UE和所述对应BS之间的所述信道相关的相位信息；及与所述振幅信息相关联的正规化因子。所述处理器可进一步经配置以在所述传输之前将所述BS的ID添加到与所述CSI相关联的所述信息中。
本公开的一些实施例提供一种云设备。所述云设备可包含：收发器；及处理器，其耦合到所述收发器。所述处理器可经配置以：接收与多个用户装备(UE)和多个基站(BS)之间的信道状态信息(CSI)相关联的第一信息，其中所述云设备管理所述多个BS，且所述多个UE中的每一者接入所述多个BS中的对应BS；通过部署在所述云设备上的波束成形模型基于所述第一信息而产生波束成形矩阵；及将所述波束成形矩阵传输到所述多个BS。
本公开的一些实施例提供一种由用户装备(UE)执行的用于无线通信的方法。所述方法可包含：从多个基站(BS)接收导频信号；测量所述UE与所述多个BS中的每一者之间的信道状态信息(CSI)；基于所述UE与所述多个BS之间的所述经测量CSI而产生CSI矩阵；对所述CSI矩阵进行编码；及将所述经编码CSI矩阵传输到所述多个BS中的一者。
本公开的一些实施例提供一种由BS执行的用于无线通信的方法。所述方法可包含：从由所述BS服务的UE接收与所述UE和包含所述BS在内的多个BS之间的信道状态信息(CSI)相关联的信息；将与所述CSI相关联的所述信息传输到云设备；响应于与所述CSI相关联的所述信息的所述传输，从所述云设备接收波束成形矩阵；及根据所述波束成形矩阵执行波束成形操作。
本公开的一些实施例提供一种由云设备执行的用于无线通信的方法。所述方法可包含：接收与多个用户装备(UE)和多个基站(BS)之间的信道状态信息(CSI)相关联的第一信息，其中所述云设备管理所述多个BS，且所述多个UE中的每一者接入所述多个BS中的对应BS；通过部署在所述云设备上的波束成形模型基于所述第一信息而产生波束成形矩阵；及向所述多个BS传输所述波束成形矩阵。
本公开的一些实施例提供一种设备。所述设备可为UE、BS或云设备。根据本公开的一些实施例，所述设备可包含：至少一个非暂时性计算机可读媒体，其在上面存储有计算机可执行指令；至少一个接收电路；至少一个传输电路；以及至少一个处理器，其耦合到所述至少一个非暂时性计算机可读媒体、所述至少一个接收电路及所述至少一个传输电路，其中所述至少一个非暂时性计算机可读媒体及所述计算机可执行指令可经配置以与所述至少一个处理器一起致使所述设备执行根据本公开的一些实施例的方法。
附图说明
为了描述可获得本公开的优点及特征的方式，通过参考其特定实施例对本公开进行描述，所述特定实施例在所附图式中图解说明。这些图式仅描绘本公开的示范性实施例，且因此不应被认为是对其范围的限制。
图1图解说明根据本公开的一些实施例的无线通信系统的示意图；
图2图解说明根据本公开的一些实施例的示范性CSI矩阵及示范性全局CSI矩阵；
图3图解说明根据本公开的一些实施例的波束成形模型的示意性架构；
图4到6图解说明根据本公开的一些实施例的示范性模拟结果；
图7图解说明根据本公开的一些实施例的由UE执行的示范性程序的流程图；
图8图解说明根据本公开的一些实施例的由BS执行的示范性程序的流程图；
图9图解说明根据本公开的一些实施例的由云设备执行的示范性程序的流程图；及
图10图解说明根据本公开的一些实施例的示范性设备的框图。
具体实施方式
所附图式的详细描述章节打算作为对本公开的优选实施例的描述且并不打算表示可实践本公开的唯一形式。应理解，相同或等效功能可由打算囊括于本公开的精神及范围内的不同实施例来实现。
现在将详细地参考本公开的一些实施例，其实例图解说明于所附图式中。为了促进理解，在例如第三代合作伙伴计划(3GPP)5G(NR)、3GPP长期演进(LTE)版本8等特定网络架构及新服务情景下提供实施例。请考虑，随着网络架构及新服务情景的发展，本公开中的所有实施例也适用于类似技术问题；且此外，本公开中陈述的术语可改变，这不应影响本公开的原理。
举例来说，在本公开的上下文中，用户装备(UE)可包含计算装置，例如桌上型计算机、膝上型计算机、个人数字助理(PDA)、平板计算机、智能电视(例如，连接至因特网的电视)、机顶盒、游戏控制台、安全系统(包含安全摄像机)、车载计算机、网络装置(例如，路由器、交换机及调制解调器)等。根据本公开的一些实施例，UE可包含便携式无线通信装置、智能电话、蜂窝电话、翻盖电话、具有订户识别模块的装置、个人计算机、选择性呼叫接收器或者能够在无线网络上发送及接收通信信号的任何其它装置。在本公开的一些实施例中，UE包含可穿戴式装置，例如智能手表、健身带、光学头戴式显示器等。此外，UE可被称为订户单元、移动装置、移动站、用户、终端、移动终端、无线终端、固定终端、订户站、用户终端或装置，或者使用此项技术中使用的其它术语来描述。本公开不打算限制于任何特定UE的实施方案。
在本公开的上下文中，基站(BS)也可被称为接入点、接入终端、基地、基地单元、宏小区、节点B、演进节点B(eNB)、gNB、家庭节点B、中继节点或装置，或者使用此项技术中使用的其它术语来描述。BS通常为无线电接入网络的一部分，其可包含可通信地耦合到一或多个对应BS的一或多个控制器。本公开不打算限制于任何特定BS的实施方案。
在本公开的上下文中，UE可经由上行链路(UL)通信信号与BS进行通信。BS可经由下行链路(DL)通信信号与UE进行通信。
图1图解说明根据本公开的一些实施例的无线通信系统100的示意图。
无线通信系统100可与能够发送及接收无线通信信号的任何类型的网络兼容。举例来说，无线通信系统100可与无线通信网络、蜂窝电话网络、基于时分多址(TDMA)的网络、基于码分多址(CDMA)的网络、基于正交频分多址(OFDMA)的网络、LTE网络、基于3GPP的网络、3GPP 5G网络、卫星通信网络、高空平台网络及/或其它通信网络兼容。本公开不打算限制于任何特定无线通信系统架构或协议的实施方案。
如图1中所展示，无线通信系统100可包含一些UE 101(例如，UE 101A到101C)及一些BS(例如，BS103、102A及102B)。虽然在图1中描绘特定数量的UE及BS，但请考虑，无线通信系统100中可包含任何数量的UE及BS。
BS103可为管理BS102A及102B的大型BS(MBS)或逻辑中心(例如，锚点)。在一些实例中，BS102也可被称为小型BS、微型BS、超微型BS、低功率节点(LPN)、远程射频头(RRH)或者使用此项技术中使用的其它术语来描述。
BS102的覆盖范围(例如，BS102A的覆盖范围111及BS102B的覆盖范围112)可位于BS103的覆盖范围113内。BS103与BS102可经由回程链路彼此交换数据、信令(例如，控制信令)或此两者。BS103可被用作分布式锚点。BS102可与用户(例如，UE 101)具有连接。每一UE101可由BS102服务。举例来说，参考图1，UE 101A可由BS102A服务。UE 101B及UE 101C可由BS102B服务。
为满足快速增长的无线数据服务的需求，无线通信系统100可支持大规模多输入多输出(MIMO)技术，所述MIMO技术在增强频谱及能量效率、支持大数据及提供高速且可靠的数据通信方面具有显著优势。
然而，这可引起一些问题。举例来说，可存在多用户干扰。举例来说，用户的性能可由于来自其它用户的此干扰而显著降级。为解决此问题，可采用干扰减少或消除技术，例如用于上行链路的最大似然多用户检测、用于下行链路的脏纸编码(DPC)技术或者干扰对准。然而，这些技术是复杂的且具有较高计算复杂度。
信道状态信息(CSI)的获取也可存在问题。举例来说，为实现高空间多路复用增益，BS可需要相干地处理所接收信号。这需要准确且及时地获取CSI，这可具有挑战性，尤其是在高移动性情景中。
BS配备的天线越多，提供的自由度越多，且因此更多用户可在相同的时间-频率资源中同时通信。因此，可获得巨大的吞吐量。对于较大天线阵列，常规信号处理技术由于较高信号维度而变得极其复杂。将难以利用低复杂度信号处理及低成本硬件实施方案来获得巨大的多路复用增益。
在一些实例中，可采用例如加权最小均方误差(WMMSE)及DPC等线性或非线性技术，且可通过有效地重新使用空间资源来增强信道容量。然而，由于迭代中涉及的大量复杂操作，这些算法的计算复杂度随着网络变量的数量而显著增加。虽然这些传统迭代算法可实现令人满意的性能，但其无法满足实时应用的要求。
在一些实例中，可采用深度学习(也称为“机器学习(ML)”)方法以通过简单的线性或非线性变换算子而满足低复杂度及高性能要求。在基于深度学习的资源分配的一些工作中，模型被设计为简单的，这导致模型表示能力随着系统复杂度增加而降低。简单地增加模型层的数量(例如，深度)无法有效地改进模型性能，且还可由于梯度消失及/或爆炸而导致模型性能降级。本公开的实施例提供增强型深度学习模型来解决上述问题。
在一些实例中，用于波束成形的深度学习模型可被分类为监督式学习、非监督式学习及强化学习。
监督式学习用于拟合经标记数据，在此情景中是用于拟合通过特定数学方法计算的波束成形结果。然而，监督式学习具有两个缺点。一个缺点是模型训练需要经标记数据，这是昂贵的，且难以使模型超越通过数学方法实现的性能。另一缺点是随着场景规模增加，波束成形矩阵中的每一元素的值将逐渐减小，且模型训练所依赖的误差值将因此变小，从而使得模型难以训练并使性能降级。已知的非监督式学习模型可不需要经标记数据，但可遭受上文所描述的模型在大规模情景中适用性较差的问题。已知的强化学习模型为了简化模型设计而主要使用码本作为输出。这使得模型性能在很大程度上相依于人工设定的码本的设计，从而增加模型部署的成本。
本公开的实施例提供了解决上述问题的解决方案。举例来说，提供一种可以很好地平衡实时性与性能的基于深度学习的波束成形方法。所述方法可使用信道状态信息(CSI)作为模型输入，且所述模型可直接输出最终波束成形结果，所述最终波束成形结果可由系统直接使用且比从所确定的波束中进行选择更好。
此外，与已知的基于人工智能(AI)的波束成形方法相比，本公开的实施例可直接使用AI进行波束成形设计，借此减少由多层级设定导致的性能损失。本公开的实施例可基于快速且准确的波束管理而考虑波束的性能。本公开的实施例可应用于但不限于大规模MIMO网络。将在下文中结合所附图式来图解说明关于本公开的实施例的更多细节。
在本公开的一些实施例中，应用用于波束成形的深度学习模型来平衡实时性与性能。采用非监督式学习来训练模型，以减少训练成本并改进模型在面对大规模情景时的性能。另外，现有深度学习模型的结构设计在大规模情景中具有梯度消失的问题。为解决此问题，采用Inception结构以设计基于非监督式学习的波束成形模型。Inception结构扩展模型的宽度，且可使用捷径(shortcut)将相距较远的两个层连接以减轻在模型加深的情形中的梯度消失问题。
波束成形模型可部署在云设备(例如，所述设备的计算单元)上。云设备可为用于小区资源分配的MBS或逻辑中心(锚点)，例如图1中所展示的BS103。如上所述，波束成形模型基于非监督式学习，且因此不需要经标记数据。波束成形模型使用Inception结构，与其它模型相比，其可保证在大规模情景中具有更好的性能，同时具有更好的计算结果。本公开的实施例提出模型结构设计方法，而非固定模型结构。所述方法可更好地匹配实际情景需求，且使得模型在各种(包含未来)网络中具有取代数学方法的潜力。
应用情景可包含云(例如，作为用于小区资源分配的逻辑中心)及连接到用户(例如，UE)的若干个BS，每一用户可由BS服务。云(例如，图1中所展示的BS103)可管理本地网络，包含所有BS(例如，图1中所展示的BS102A及BS102B)。波束成形方案可如下概述：
·模型训练
(1)云可获得从所有UE到所有可达BS的CSI。CSI可包含振幅及相位信息，且可被划分成训练集及测试集。
(2)模型可在无监督的情况下学习训练集的CSI，直到收敛。然后，可使用测试集来评估模型。所评估模型可被部署在云中以用于BS的波束成形。
·模型部署
(1)经训练模型可被部署在云(例如，计算单元)中。所述模型可根据策略(例如，固定时间更新或其它策略)来更新(例如，微调谐)。
(2)UE可测量所有可达BS的CSI。用户可根据特定原则(例如信号强度原则)来接入对应BS，且可向其服务BS报告经测量CSI。
(3)BS可整理所收集CSI并将其报告给云。
(4)云可将所收集CSI组织成全局CSI矩阵，所述全局CSI矩阵可用作向经部署模型的输入。所述模型可计算全局波束成形矩阵。所计算矩阵可被分成子矩阵，所述子矩阵可被传输到对应BS。
(5)BS可基于所接收波束成形结果而执行对应波束成形操作。
细节将在下文中描述。
在本公开的一些实施例中，UE(例如，图1中的UE 101)可从多个BS(例如，图1中的BS102)接收导频信号。UE可从其接收导频信号的多个BS还被称为可达BS。UE可测量UE与多个BS中的每一者之间的信道状态信息(CSI)。举例来说，所述测量可包含与UE和多个BS之间的对应信道相关联的振幅信息及相位信息。
UE可从可达BS中选择一BS作为其服务BS。举例来说，参考图1，UE 101A可选择BS102A作为其服务BS，且UE 101B及UE 101C可选择BS102B作为其服务BS。UE可根据各种方法选择其服务BS。举例来说，UE可基于信号强度或UE与可达BS之间的距离而选择其服务BS。
在一些实例中，UE可选择具有最强信号强度(例如，参考信号接收功率(RSRP))的BS作为其服务BS。如果存在具有相同最强信号强度的两个或更多个BS，那么UE可选择最接近UE的一个BS。在一些实例中，UE可选择与UE距离最近的BS作为服务BS。如果存在具有相同最近距离的两个或更多个BS，那么UE可选择具有最强信号强度的一个BS。如果存在具有相同最强信号强度及距UE的相同最近距离的两个或更多个BS，那么UE可从所述两个或更多个BS中随机选择BS。当用户在移动时，可根据依照3GPP规范规定的移动用户切换方案A3来执行BS切换。
UE可基于经测量CSI而产生CSI矩阵H。UE可利用正规化因子C(还被称为“振幅缩放因子”)对振幅进行正规化，以获得经正规化振幅A。CSI矩阵可指示经正规化振幅A、相位B及正规化因子C。UE可向其服务BS传输所产生的CSI矩阵。
举例来说，假定UE从N个BS接收导频信号，图2的左部分展示由UE产生的示范性CSI矩阵H1-HN。H1-HN中的每一者与N个BS中的对应BS相关联。Hi表示与N个BS的BSi对应的CSI矩阵，Ai及Bi表示与BSi相关联的经正规化信道振幅及信道相位，且Ci表示与Ai相关联的正规化因子。可根据预定义次序(例如，与N个BS相关联的次序)来布置CSI矩阵H1-HN。所属领域的技术人员将理解，UE可以其它方式布置与可达BS相关联的CSI。
在本公开的一些实施例中，UE可对所产生的CSI矩阵进行编码。举例来说，UE可根据与码本相关联的准确度来量化CSI矩阵，且将经量化CSI矩阵与码本中的元素进行比较以确定CSI矩阵的索引。码本也可存储在云处。以此方式，可改进计算效率且还可减小码本的大小。
在本公开的一些实施例中，量化CSI矩阵可包含量化CSI矩阵中的元素，例如经正规化振幅及相位。在本公开的一些实施例中，将经量化CSI矩阵与码本中的元素进行比较可包含将经量化CSI矩阵元素与码本中的元素进行比较以确定经量化CSI矩阵元素的相应索引。
可根据相似度计算算法执行所述比较，所述相似度计算算法包含但不限于：闵可夫斯基距离；余弦相似度；皮尔逊相关系数；马哈拉诺比斯距离；杰卡德系数；或库尔贝克-莱布勒散度。举例来说，当确定CSI矩阵元素与码本元素最相似时，CSI矩阵元素可由码本元素的索引来指示。CSI矩阵可由其元素的若干索引来指示。举例来说，其元素的若干索引可被串接作为CSI矩阵的索引。在本公开的一些实施例中，向服务BS传输所产生的CSI矩阵可包含向服务BS传输CSI矩阵的索引。
在本公开的一些实施例中，为了减少报告开销，UE可压缩CSI矩阵的索引。举例来说，可执行无损数据压缩来压缩CSI矩阵的索引。无损数据压缩算法可包含但不限于游程编码、LZF算法、霍夫曼(Huffman)编码、LZ77算法及LZ78算法。在一些实例中，UE可根据预定义次序(例如，与BS相关联的次序)将所有CSI矩阵索引扩展到一维中，且然后执行无损数据压缩。在本公开的一些实施例中，向服务BS传输所产生的CSI矩阵可包含向服务BS传输经压缩索引。
在本公开的一些实施例中，可基于实际应用情况及先验知识而确定码本及压缩算法。在一些实例中，可经由无线电资源控制(RRC)信令在服务BS与UE之间交换码本、压缩算法或此两者。在一些实例中，码本、压缩算法或此两者可例如在标准中被预定义。原则上，网络及UE应具有相同的压缩算法及码本，且因此在UE侧产生的CSI矩阵可被网络侧理解。举例来说，网络(例如，云或BS)可基于码本对所接收的经编码CSI进行解码。
在本公开的一些实施例中，BS(例如，BS102A)可从由BS服务的UE(例如，UE 101A)收集与UE和UE的可达BS之间的CSI相关联的信息(例如，CSI矩阵的索引)。BS可将所收集信息传输到管理BS的云。在本公开的一些实施例中，BS可例如在传输之前、在所收集信息的开始处将BS的ID添加到所收集信息。响应于所收集信息，BS可从云接收波束成形矩阵。然后，BS可根据波束成形矩阵执行波束成形操作。
在本公开的一些实施例中，云可管理多个BS，每一BS可服务多个UE。云可接收与多个UE和多个BS之间的CSI相关联的信息(例如，CSI矩阵的索引)。云可将所接收CSI组合成全局CSI矩阵。可根据预定义次序(例如，与多个BS相关联的次序)布置来自多个BS的所接收CSI，以形成全局CSI矩阵。举例来说，可根据BS的ID来布置CSI。
假定云管理服务于M个UE(例如，UE1-UEM)的N个BS(例如，BS1-BSN)，图2的右部分展示由云产生的示范性全局CSI矩阵。到/>可分别表示UE1与BS1到BSN之间的CSI矩阵，且到/>可分别表示UEM与BS1到BSN之间的CSI矩阵。所属领域的技术人员将理解，全局CSI矩阵可以其它方式布置。
可在云(例如，云的计算单元)中部署波束成形模型。波束成形模型的设计及训练将在下文中详细描述。云可基于来自多个BS的CSI(例如，全局CSI矩阵)而产生波束成形矩阵，且可向多个BS传输波束成形矩阵。举例来说，可将全局CSI矩阵输入到波束成形模型中，所述波束成形模型可输出波束成形矩阵。以此方式，云可基于全局CSI矩阵而实时计算波束成形矩阵。
在本公开的一些实施例中，云可将波束成形矩阵分成多个波束成形子矩阵。多个波束成形子矩阵中的每一者可与多个BS中的对应BS相关联。向多个BS传输波束成形矩阵可包含向多个BS中的对应BS传输多个波束成形子矩阵中的波束成形子矩阵。BS可根据对应波束成形子矩阵来执行波束成形操作。
在本公开的一些实施例中，云可周期性地接收由多个BS传输的CSI。云可响应于接收到CSI而执行上述操作(例如，产生全局CSI矩阵、产生波束成形矩阵并将其传输到BS)。
在本公开的一些实施例中，可根据特定准则来更新经部署波束成形模型。举例来说，可周期性地(例如，每周或每月一次)更新经部署波束成形模型。举例来说，可例如基于波束成形模型的性能下降而动态地更新经部署波束成形模型。举例来说，当波束成形模型的性能下降达到特定阈值(例如，由WMMSE算法实现的性能的特定百分比(例如，80％))时，可更新波束成形模型。更新波束成形模型可包含微调谐波束成形模型的参数(例如，波束成形模型的层的权重)。
波束成形模型的设计及训练过程的细节将在下文中描述。
在波束成形之前，云可建构精细的卷积神经网络以构成波束成形模型。波束成形模型的每一层可被指派有对应权重，所述权重可在训练过程期间通过反向传播来更新。
在本公开的一些实施例中，波束成形模型可包含至少一个Inception结构。Inception结构的数量可由实际应用情景确定。Inception结构可将每一层的原始单一结构转换成多维结构的拼接组合以增强模型提取特征的能力。
Inception结构可包含多层，例如卷积层、批量正规化层及激活层。激活层可包含在Inception结构的卷积层及批量正规化层中。Inception结构可包含至少两个分支，每一分支可包含至少一个卷积层。分支的数量还被称为结构的宽度。由卷积层提供的宽度可降低模型的计算成本。分支中的卷积层的数量还可被称为分支或Inception结构的深度。不同分支中的卷积层的数量可为相同或不同的。Inception结构中的卷积层(在不同或同一分支内)可具有相同或不同的卷积核大小。Inception结构中的分支及各种层的数量以及各种层的参数(例如，包含例如1×1、2×2、3×3或4×4的卷积核大小)可由实际应用情景来确定。
Inception结构可包含用于对输入数据进行筛选的至多一个池化层，所述池化层包含在至少两个分支中的一者中。Inception结构中的池化层的数量(例如，0或1)以及池化层的参数(例如，池化层大小及保持窗口大小)可由实际应用情景来确定。
Inception结构可包含捷径。捷径的存在可在一定程度上减轻梯度消失问题且使模型更好地执行。在一些实例中，捷径可连接inception结构块的输入与inception结构块的输出。在一些实例中，捷径可连接inception结构块的两个内部功能层。Inception结构中的捷径的数量以及捷径的连接关系可由实际应用情景来确定。在一些实例中，当inception结构的内部结构简单时，由捷径带来的性能增益可为不明显的，且因此可被省略。
在本公开的一些实施例中，波束成形模型可包含用于输出波束成形矩阵的输出激活层。输出激活层可确保波束成形矩阵满足多个BS的功率约束，同时确保非线性不丢失。在本公开的一些实施例中，波束成形模型可根据损失函数来输出系统速率(例如，多个UE的总和速率)，这可用作用于确定训练完成的基础。
图3图解说明根据本公开的一些实施例的示范性波束成形模型300的示意性架构。如图3中所展示，示范性波束成形模型300可包含两个Inception结构310A及310B。虽然在图3中描绘特定数量的Inception结构及功能层，但请考虑，在波束成形模型300中可包含任何数量的Inception结构及功能层。
示范性波束成形模型300可被输入有输入311且可输出有输出313及315。输入311可为CSI，例如全局CSI矩阵。在一些实例中，输入可被处理为两个信道的二维矩阵，所述二维矩阵通过具有例如2×2卷积核的卷积层，且然后通过激活层(举例来说，包含在卷积层中)，其输出可通过Inception结构。输出313及315可分别是负系统速率及波束成形矩阵。
在建构波束成形模型之后，可使用所收集CSI来离线训练波束成形模型。举例来说，所收集CSI(例如，在部署模型之前收集的全局CSI矩阵)可被划分成训练集及测试集。举例来说，所收集CSI的70％、80％或90％可用作训练集，而剩余的所收集CSI可用作测试集。
可将训练集迭代地馈送到波束成形模型中。波束成形模型的参数(例如，模型的层的权重)可在模型的训练期间通过反向传播来更新，这可连续地增加从模型预测波束成形矩阵获得的系统速率(或降低负系统速率)直到满足结束条件。举例来说，可将训练集成批地输入到波束成形模型中。举例来说，训练集可包含约100,000个全局CSI矩阵，每64个全局CSI矩阵可被布置为一批以被输入到波束成形模型中。对于每一批，模型的层的权重可通过反向传播来更新。云可迭代地将训练集输入到波束成形模型中，直到满足结束条件。举例来说，在所有训练集被输入到波束成形模型中(还可被称为单次迭代)且不满足结束条件之后，云可开始另一次迭代，直到满足结束条件。
存在用于设定结束条件的数种选项。在一些实例中，可响应于以下各项中的至少一者来确定结束条件：迭代次数达到训练阈值；以及系统速率的改进小于或等于改进阈值。举例来说，系统速率不再增加或损失函数不再减小可意味着模型的算法收敛。
在本公开的一些实施例中，响应于满足结束条件，云可确定波束成形模型的性能是否满足性能需求。性能需求可为波束成形模型相对于数学方法(例如，WMMSE算法或迫零(zero force)(ZF)算法)的性能值。举例来说，云可将测试集输入到波束成形模型中以确定模型性能，当模型性能达到(即，大于或等于)WMMSE算法的特定百分比(例如，80％)时，确定模型性能满足性能需求。
云可响应于确定波束成形模型的性能满足性能需求而确定训练的完成。然后，云可部署经训练波束成形模型以针对多个BS确定波束成形管理方案。
响应于确定波束成形模型的性能未能满足性能需求，在一些实例中，云可更新波束成形模型的参数以满足性能需求。举例来说，可微调谐模型的层的权重。在一些实例中，云可重构波束成形模型并训练经重构波束成形模型以满足性能需求。
在本公开的一些其它实施例中，所有所收集CSI可用于训练，且模型训练响应于满足结束条件而完成。
下文描述基于非监督式学习的波束管理的实例。为方便起见，将单基站大规模MIMO情景作为实例来对此进行图解说明。
在配备有P个天线的BS处的传输器可服务于K个UE(例如，UE1到UEK)，每一UE具有Q个接收天线。UEk(∈UE1到UEK)与BS之间的信道可表示为矩阵Hk∈C[Q×P]，其可包含不同收发器天线对之间的信道增益。UEk处的所接收信号可表示为：
yk＝Hksk+nk
其中sk∈C[P×M]表示经传输向量，M表示由BS传输的数据流的数量，且nk∈C[Q×1]表示UEk处的具有协方差的白高斯噪声向量。
传输向量Sk可表示为通过M个线性滤波器的数据向量x1，...，xM∈C[Q×M]：
其中矩阵Vk＝[v1，...，vM]，vm∈C[P×M]是用户k的波束成形矩阵，且xm是输入向量。假定由每一UE接收的数据流是独立的，使得对于i≠m，且/>
在此实例中，采用具有一个视线(LoS)路径及(L-1)非LoS(NLoS)路径的Hk的萨利赫-巴伦苏埃拉(Saleh-Valenzuela)毫米波信道模型。因此，Hk可表示为：
其中d表示天线间距，Nt表示传输天线的数量，Nr表示接收天线的数量，αl表示第l路径的路径损失及相移，αr表示接收器的阵列响应或导引向量，αt表示传输器的阵列响应或导引向量，λ表示载波频率的波长，及θl分别表示第l路径的被建模为在/>内均匀分布的到达角及离去角。所属领域的技术人员将理解，也可采用其它信道模型。
波束成形模型的目标是通过设计波束成形矩阵V1,…VK而使系统中所有UE的经加权总和速率最大化。因此，效用最大化问题可用公式表示为：
[V1,…VK]＝max∑kukRk
其中
Rk表示UEk的频谱效率，uk≥0表示对应权重并可根据实际情景进行设定，且Pmax表示由BS支持的最大功率。
模型的输入是指示在云管理下的UE与所有BS之间的CSI(举例来说，如上文所描述的全局CSI矩阵)的矩阵H。模型的输出可为波束成形矩阵V。损失函数可表示为：
其中Θ表示模型的参数。
模型可在用于输出波束成形矩阵的层之后包含λ层(例如，图3中的“λ层速率”)以将模型输出变换为约束：
其中b是确保每一样本中的信号满足传输功率约束的增益因子。
在数次训练迭代之后，模型损失函数可例如不再减小。在模型通过测试集之后，模型训练完成。
本公开中提出的基于非监督式学习的波束成形模型在各种方面中是有利的。举例来说，与监督式学习模型相比，所提出模型的训练成本较低且训练过程更容易及简单。另外，与已知的非监督式学习模型相比，所提出模型具有新颖及更好的模型结构设计，且可在大规模情景中维持更好的系统性能。
图4到6图解说明根据本公开的一些实施例的示范性模拟结果。这些图比较了针对不同数量的BS及用户天线的模型性能。在这些图中，WMMSE算法的停止迭代准确度是1e-6，停止迭代步骤的数量是5000，“UE”表示用户(例如，UE)的数量，“BS”表示基站的数量，“Nr”表示基站天线的数量，“Nr”表示用户天线的数量，且“L”表示路径的数量。
图4展示在其中UE＝5、BS＝1、Nt＝32、Nr＝2且L＝3的不同情景中的频谱效率(SE)的累积分布函数(CDF)曲线。图5展示在其中UE＝5、BS＝1、Nt＝64、Nr＝16且L＝3的不同情景中的SE的CDF曲线。图6展示在其中UE＝10、BS＝1、Nt＝64、Nr＝16且L＝3的不同情景中的SE的CDF曲线。
图4到6将本公开的波束成形方法与不同情景中的其它解决方案的频谱性能进行比较，所述其它解决方案包含：1)针对同一模型的监督式学习训练方法；2)深度神经网络模型；3)卷积神经网络模型；4)ResNet神经网络模型；5)由本发明设计的非监督式学习模型；以及6)WMMSE算法。
从图4到6可得出结论，随着场景大小的增加，已知AI解决方案的性能严重降低。这是因为随着场景大小的增加，现有模型将具有梯度消失的问题。监督式学习的性能随着场景大小的增加而严重降低，这是因为场景大小的增加伴随着波束成形中每一元素值的减小，且当计算与标签数据的差异的反向传播时，差异值将较小，这不利于模型的反向传播。
ResNet神经网络模型的性能也不如本公开的模型，这是因为ResNet模型的每一层的结构单一且在大规模情景中捕获场景结构的能力降低。因此，本公开的结构更好。
以下表1展示针对不同方案的频谱效率及计算性能。
/>
从以上表中可得出结论，由ML模型消耗的计算时间随着场景大小增加而缓慢地增加，而由WMMSE算法消耗的时间快速地增加，因此基于ML的模型可更好地保证实时计算结果。
还可得出结论，所有算法的性能均随着用户数量的增加而降低。然而，在最大情景中(例如，UE＝10、Nt＝64且Nr＝16)，本公开中提出的模型仍实现高于WMMSE算法的96％的性能，而其它模型的性能已低于70％。这表明本公开中提出的模型结构可很好地保证模型在大规模情景中的性能。
综上所述，本公开综合考虑了波束成形管理方法及服务过程设计，且改进大规模MIMO中的性能，这具有普适性并可更实际地应用。
图7图解说明根据本公开的一些实施例的由UE执行的示范性程序700的流程图。在本公开的所有前述实施例中描述的细节适用于图7中所展示的实施例。在一些实例中，所述程序可由图1中的UE 101执行。
参考图7，在操作711中，UE可从多个BS接收导频信号。在一些实施例中，UE可根据上文所描述方法中的一者从多个BS中选择BS作为其服务BS。举例来说，所述选择可基于信号强度或UE与多个BS之间的距离。
在操作713中，UE可测量UE与多个BS中的每一者之间的CSI。举例来说，CSI可包含与相应BS相关联的信道振幅及信道相位信息。
在操作715中，UE可基于UE与所述多个BS之间的经测量CSI而产生CSI矩阵。在一些实施例中，CSI矩阵可指示与所述多个BS相关联的信道振幅信息，以及与所述多个BS相关联的信道相位信息。UE可针对与每一BS相关联的信道振幅信息选择适合的正规化因子。CSI矩阵可进一步指示与信道振幅信息相关联的正规化因子。
在操作717中，UE可对CSI矩阵进行编码。举例来说，UE可根据与码本相关联的准确度来量化CSI矩阵。所述码本可由UE与网络共享。UE可量化CSI矩阵中的元素，例如振幅及相位信息。
然后，UE可将经量化CSI矩阵与码本进行比较以确定经量化CSI矩阵的索引。举例来说，UE可将CSI矩阵中的经量化元素与码本中的元素进行比较以确定CSI矩阵中的经量化元素的索引，所述索引可用作经量化CSI矩阵的索引。
在一些实施例中，为了将经量化CSI矩阵与码本中的元素进行比较，UE可确定经量化CSI矩阵(例如，CSI矩阵中的经量化元素)与码本中的元素的相似度。可采用各种方法来确定所述相似度。举例来说，可计算经量化CSI矩阵与码本中的对应元素之间的闵可夫斯基距离、余弦相似度、皮尔逊相关系数、马哈拉诺比斯距离、杰卡德系数或库尔贝克-莱布勒散度。
在一些实施例中，为了减少开销，UE可压缩经量化CSI矩阵的索引。可采用各种数据压缩算法。举例来说，可采用无损数据压缩算法，例如游程编码、LZF算法、霍夫曼编码、LZ77算法或LZ78算法。网络及UE应对数据压缩算法具有相同的理解。举例来说，数据压缩算法可被预定义或者经由例如RRC信令在UE与网络之间传递。
在操作719中，UE可将经编码CSI矩阵传输到所述多个BS中的一者，例如UE的服务BS。在一些实施例中，传输经编码CSI矩阵可包含向服务BS传输经量化CSI矩阵的索引或者经压缩索引。
所属领域的技术人员应了解，在不背离本公开的精神及范围的情况下，可改变示范性程序700中的操作的序列，且可取消或修改示范性程序700中的一些操作。
图8图解说明根据本公开的一些实施例的由BS执行的示范性程序800的流程图。在本公开的所有前述实施例中描述的细节适用于图8中所展示的实施例。在一些实例中，所述程序可由图1中的BS102执行。
参考图8，在操作811中，BS可从由BS服务的UE接收与UE和包含所述BS在内的多个BS之间的CSI相关联的信息。UE与多个BS中的每一者之间的CSI可指示与UE和对应BS之间的信道相关的振幅信息、与UE和对应BS之间的信道相关的相位信息以及与振幅信息相关联的正规化因子。举例来说，与UE和多个BS之间的CSI相关联的信息可为如上文所描述的经编码CSI矩阵(例如，CSI矩阵的索引)。
在操作813中，BS可向云设备(例如，图1中的MBS103)传输与CSI相关联的信息。在本公开的一些实施例中，BS可在传输之前将BS的ID添加到与CSI相关联的信息中。
在操作815中，BS可响应于与CSI相关联的信息的传输而从云设备接收波束成形矩阵。在操作817，BS可根据波束成形矩阵来执行波束成形操作。
所属领域的技术人员应了解，在不背离本公开的精神及范围的情况下，可改变示范性程序800中的操作的序列，且可取消或修改示范性程序800中的一些操作。
图9图解说明根据本公开的一些实施例的由BS执行的示范性程序900的流程图。在本公开的所有前述实施例中描述的细节适用于图9中所展示的实施例。在一些实例中，所述程序可由图1中的MBS103执行。
参考图9，在操作911中，云设备可接收与多个UE和多个BS之间的CSI相关联的第一信息。云设备可管理所述多个BS。所述多个UE中的每一者可接入所述多个BS中的对应BS。
在一些实施例中，所述多个UE与所述多个BS之间的CSI可指示：与对应UE和对应BS之间的信道相关的振幅信息；与对应UE和对应BS之间的信道相关的相位信息；及与振幅信息相关联的正规化因子。在一些实例中，云设备可将所接收信息组合成全局CSI矩阵。举例来说，云设备可对经编码CSI矩阵的索引进行解码且可基于经解码信息而形成全局CSI矩阵。
在操作913中，云设备可通过部署在云设备上的波束成形模型基于第一信息而产生波束成形矩阵。云设备可根据各种策略来更新经部署波束成形模型。
在一些实例中，云设备可周期性地更新经部署波束成形模型。在一些实例中，举例来说，当波束成形模型的性能下降达到阈值时，云设备可根据模型的性能来更新经部署波束成形模型。举例来说，云设备可周期性地存储第一信息及计算结果(例如，系统速率)，并使用数学方法来评估当前模型在离线状态中的性能。当模型性能下降到阈值时，云设备可微调谐模型参数，例如权重。
在一些实施例中，在部署波束成形模型之前，云设备可根据实际应用情景来设计波束成形模型。云设备可利用预先收集的第一信息来训练模型。
举例来说，云设备可建构波束成形模型以用于确定针对所述多个BS的波束成形管理方案。云设备可基于多个第一信息(例如，多个全局CSI矩阵)来训练波束成形模型。在一些实例中，多个第一信息可为如上文所描述的训练集。云设备可响应于训练的完成而在云设备上部署经训练波束成形模型。
在一些实施例中，波束成形模型可包含inception结构块，所述inception结构块可包含至少两个分支以及用于对输入数据进行筛选的至多一个池化层。至多一个池化层可包含在至少两个分支中的一者中。每一分支可包含至少一个卷积层。在一些实施例中，inception结构块可进一步包含捷径。在一些实例中，捷径可连接inception结构块的输入与inception结构块的输出。在一些实例中，捷径可连接inception结构块的两个内部功能层。在一些实施例中，波束成形模型可进一步包含用于输出波束成形矩阵的输出激活层(例如，图3中的λ层V)。输出激活层可确保波束成形矩阵满足所述多个BS的功率约束。
在一些实施例中，训练波束成形模型可包含将所述多个第一信息迭代地输入到波束成形模型中，直到满足结束条件。在一些实施例中，对于每次迭代，云设备可将所述多个第一信息成批地输入到波束成形模型中，且可根据反向传播算法来更新波束成形模型的参数(例如，功能层的权重)以改进所述多个UE的总和速率。
在一些实施例中，结束条件可包含以下各项中的一者：所述多个UE的总和速率的改进小于或等于改进阈值；及迭代次数达到训练阈值。在一些实施例中，响应于满足结束条件，云设备可确定波束成形模型的性能是否满足性能需求。云设备可响应于确定波束成形模型的性能满足性能需求而确定训练的完成。在一些实例中，可基于如上文所描述的测试集而执行性能需求确定。
在一些实施例中，响应于确定波束成形模型的性能未能满足性能需求，云设备可执行以下各项中的至少一者：更新波束成形模型的一(若干)参数(例如，功能层的权重)以满足性能需求；以及重构波束成形模型并训练经重构波束成形模型以满足性能需求。
在操作915中，云设备可将波束成形矩阵传输到所述多个BS。在一些实施例中，云设备可将波束成形矩阵分成多个波束成形子矩阵，每一波束成形子矩阵可与所述多个BS中的对应BS相关联。向所述多个BS传输波束成形矩阵可包含向所述多个BS中的对应BS传输所述多个波束成形子矩阵中的波束成形子矩阵。然后，BS可根据所接收波束成形子矩阵来执行波束成形操作。
所属领域的技术人员应了解，在不背离本公开的精神及范围的情况下，可改变示范性程序900中的操作的次序，并可取消或修改示范性程序900中的一些操作。
图10图解说明根据本公开的一些实施例的示范性设备1000的框图。
如图10中所展示，设备1000可包含至少一个处理器1006及耦合到处理器1006的至少一个收发器1002。设备1000可为UE、BS(例如，图1中的BS102)或云设备(例如，图1中的MBS103)。
虽然在此图中，以单数形式描述例如至少一个收发器1002及处理器1006等元件，但除非明确陈述仅限于单数形式，否则也考虑复数形式。在本申请的一些实施例中，收发器1002可被划分成两个装置，例如接收电路及传输电路。在本申请的一些实施例中，设备1000可进一步包含输入装置、存储器及/或其它组件。
在本申请的一些实施例中，设备1000可为UE。收发器1002与处理器1006可彼此交互以执行关于图1到9中所描述的UE的操作。在本申请的一些实施例中，设备1000可为BS(例如，图1中的BS102)。收发器1002与处理器1006可彼此交互以执行关于图1到9中所描述的BS的操作。在本申请的一些实施例中，设备1000可为云设备(例如，图1中的MBS 103)。收发器1002与处理器1006可彼此交互以执行关于图1到9中所描述的云或云设备的操作。
在本申请的一些实施例中，设备1000可进一步包含至少一个非暂时性计算机可读媒体。
举例来说，在本公开的一些实施例中，非暂时性计算机可读媒体可在上面存储有计算机可执行指令，以致使处理器1006实施如上文所描述的关于UE的方法。举例来说，计算机可执行指令在被执行时致使处理器1006与收发器1002交互以执行关于图1到9中所描述的UE的操作。
在本公开的一些实施例中，非暂时性计算机可读媒体可在上面存储有计算机可执行指令，以致使处理器1006实施如上文所描述的关于BS(例如，图1中的BS102)的方法。举例来说，计算机可执行指令在被执行时致使处理器1006与收发器1002交互以执行关于图1到9中所描述的BS的操作。
在本公开的一些实施例中，非暂时性计算机可读媒体可在上面存储有计算机可执行指令，以致使处理器1006实施如上文所描述的关于云设备(例如，图1中的MBS103)的方法。举例来说，计算机可执行指令在被执行时致使处理器1006与收发器1002交互以执行关于图1到9中的云或云设备的操作。
所属领域的技术人员将理解，结合本文中所公开的方面描述的方法的操作或步骤可直接体现在硬件、由处理器执行的软件模块或两者的组合中。软件模块可驻存在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可装卸式磁盘、CD-ROM或此项技术中已知的任何其它形式的存储媒体中。另外，在一些方面中，方法的操作或步骤可作为代码及/或指令的一个或任何组合或集合驻存在非暂时性计算机可读媒体上，所述非暂时性计算机可读媒体可并入到计算机程序产品中。
尽管已利用特定实施例对本公开进行描述，但很明显，许多替代、修改及变化对所属领域的技术人员而言是显而易见的。举例来说，实施例的各种组件可在其它实施例中互换、添加或替换。此外，每一图的所有元件对于所公开的实施例的操作来说均不是必需的。举例来说，所公开实施例领域的技术人员将能够通过简单地采用独立权利要求的要素来做出及使用本公开的教示。因此，本文中所陈述的本公开的实施例打算为说明性的，而非限制性的。可做出各种改变而并不背离本公开的精神及范围。
在此文件中，术语“包含(includes、including)”或其任何其它变化形式打算涵盖非排他性包含，使得包含元件列表的过程、方法、物品或设备并非仅包含那些元件，而是可包含未明确列出或此过程、方法、物品或设备所固有的其它元件。在不具有更多约束的情况下，以“一(a、an)”等开头的元件不排除在包含所述元件的过程、方法、物品或设备中存在额外相同元件。此外，术语“另一”被定义为至少第二个或更多。如本文中所使用的术语“具有”等被定义为“包含”。例如“A及/或B”或“A及B中的至少一者”等表达可包含与所述表达一起列举的词语的任何及所有组合。举例来说，表达“A及/或B”或“A及B中的至少一者”可包含A、B或A及B两者。措辞“第一”、“第二”等仅用于清楚地说明本申请的实施例，而非用于限制本申请的实质。

Claims (15)

1.一种用户装备(UE)，其包括：
收发器；以及
处理器，其耦合到所述收发器，其中所述处理器经配置以：
从多个基站(BS)接收导频信号；
测量所述UE与所述多个BS中的每一者之间的信道状态信息(CSI)；
基于所述UE与所述多个BS之间的所述经测量CSI而产生CSI矩阵；
对所述CSI矩阵进行编码；及
将所述经编码CSI矩阵传输到所述多个BS中的一者。
2.一种基站(BS)，其包括：
收发器；以及
处理器，其耦合到所述收发器，其中所述处理器经配置以：
从由所述BS服务的用户装备(UE)接收与所述UE和包含所述BS在内的多个BS之间的信道状态信息(CSI)相关联的信息；
将与所述CSI相关联的所述信息传输到云设备；
响应于与所述CSI相关联的所述信息的所述传输而从所述云设备接收波束成形矩阵；及
根据所述波束成形矩阵执行波束成形操作。
3.一种云设备，其包括：
收发器；以及
处理器，其耦合到所述收发器，其中所述处理器经配置以：
接收与多个用户装备(UE)和多个基站(BS)之间的信道状态信息(CSI)相关联的第一信息，其中所述云设备管理所述多个BS，且所述多个UE中的每一者接入所述多个BS中的对应BS；
通过部署在所述云设备上的波束成形模型基于所述第一信息而产生波束成形矩阵；及
向所述多个BS传输所述波束成形矩阵。
4.根据权利要求3所述的云设备，其中所述多个UE与所述多个BS之间的所述CSI指示：
与对应UE和对应BS之间的信道相关的振幅信息；
与所述对应UE和所述对应BS之间的所述信道相关的相位信息；及
与所述振幅信息相关联的正规化因子。
5.根据权利要求3所述的云设备，其中所述处理器进一步经配置以：
将所述波束成形矩阵分成多个波束成形子矩阵，其中所述多个波束成形子矩阵中的每一者与所述多个BS中的对应BS相关联；且
其中向所述多个BS传输所述波束成形矩阵包括向所述多个BS中的对应BS传输所述多个波束成形子矩阵中的波束成形子矩阵。
6.根据权利要求3所述的云设备，其中所述处理器进一步经配置以：
建构所述波束成形模型以确定用于所述多个BS的波束成形管理方案；
基于多个所述第一信息而训练所述波束成形模型；及
响应于所述训练的完成，在所述云设备上部署所述经训练波束成形模型。
7.根据权利要求3所述的云设备，其中所述波束成形模型包括inception结构块，所述inception结构块包括至少两个分支以及用于对输入数据进行筛选的至多一个池化层，所述至多一个池化层包含在所述至少两个分支中的一者中，每一分支包含至少一个卷积层。
8.根据权利要求7所述的云设备，其中所述inception结构块进一步包括捷径，且其中所述捷径连接所述inception结构块的输入与所述inception结构块的输出，或者所述捷径连接所述inception结构块的两个内部功能层。
9.根据权利要求7所述的云设备，其中所述波束成形模型进一步包括用于输出所述波束成形矩阵的输出激活层，所述输出激活层确保所述波束成形矩阵满足所述多个BS的功率约束。
10.根据权利要求6所述的云设备，其中为了训练所述波束成形模型，所述处理器经配置以：
迭代地将所述多个所述第一信息输入到所述波束成形模型中，直到满足结束条件。
11.根据权利要求10所述的云设备，其中对于每次迭代，所述处理器经配置以：
将所述多个所述第一信息成批地输入到所述波束成形模型中；及
根据反向传播算法更新所述波束成形模型的参数，以改进所述多个UE的总和速率。
12.根据权利要求10所述的云设备，其中所述结束条件包括以下各项中的一者：
所述多个UE的总和速率的改进小于或等于改进阈值；及
迭代次数达到训练阈值。
13.根据权利要求10所述的云设备，其中所述处理器经配置以：
响应于满足所述结束条件，确定所述波束成形模型的性能是否满足性能需求；及
响应于确定所述波束成形模型的所述性能满足所述性能需求，确定所述训练的所述完成。
14.根据权利要求13所述的云设备，其中所述处理器经配置以响应于确定所述波束成形模型的所述性能未能满足所述性能需求而执行以下各项中的至少一者：
更新所述波束成形模型的参数以满足所述性能需求，及
重构所述波束成形模型并训练所述经重构波束成形模型以满足所述性能需求。
15.根据权利要求3所述的云设备，其中所述处理器进一步经配置以：
周期性地更新部署在所述云设备上的所述波束成形模型；或
当所述波束成形模型的性能下降达到阈值时，更新部署在所述云设备上的所述波束成形模型。
CN202180101687.6A 2021-09-17 2021-09-17 用于波束管理的方法及设备 Pending CN117917021A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/119102 WO2023039843A1 (en) 2021-09-17 2021-09-17 Method and apparatus for beam management

Publications (1)

Publication Number Publication Date
CN117917021A true CN117917021A (zh) 2024-04-19

Family

ID=85602317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180101687.6A Pending CN117917021A (zh) 2021-09-17 2021-09-17 用于波束管理的方法及设备

Country Status (2)

Country Link
CN (1) CN117917021A (zh)
WO (1) WO2023039843A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018009577A1 (en) * 2016-07-05 2018-01-11 Idac Holdings, Inc. Hybrid beamforming based network mimo in millimeter wave ultra dense network
CN110463072B (zh) * 2017-01-31 2023-09-26 Lg 电子株式会社 在无线通信系统中报告信道状态信息的方法和设备
WO2021147078A1 (en) * 2020-01-23 2021-07-29 Qualcomm Incorporated Precoding matrix indicator feedback for multiple transmission hypotheses
WO2021159460A1 (en) * 2020-02-14 2021-08-19 Qualcomm Incorporated Indication of information in channel state information (csi) reporting

Also Published As

Publication number Publication date
WO2023039843A1 (en) 2023-03-23

Similar Documents

Publication Publication Date Title
KR101612287B1 (ko) 셀간 간섭 경감에 대한 하향링크 무선전송 스킴들
US9537556B2 (en) Systems and methods for optimized beamforming and compression for uplink MIMO cloud radio access networks
EP2229740B1 (en) Zero-forcing linear beamforming for coordinated cellular networks with distributed antennas
KR20110025838A (ko) 하향 링크 송신을 위한 셀간 간섭 회피
US11956031B2 (en) Communication of measurement results in coordinated multipoint
KR101732837B1 (ko) 공동 압축 및 포워드 중계 시스템
EP3915200B1 (en) Design and adaptation of hierarchical codebooks
US20230275787A1 (en) Capability and configuration of a device for providing channel state feedback
US20150146565A1 (en) Method and apparatus for downlink transmission in a cloud radio access network
JP2013187913A (ja) 干渉アラインメントに基づくプリコーディング方法、送信機およびデバイス
Liu et al. An uplink-downlink duality for cloud radio access network
CN114614955A (zh) 一种传输数据的方法和装置
CN113273106A (zh) 上行链路数据流的处理
WO2023039843A1 (en) Method and apparatus for beam management
CN116419257A (zh) 一种通信方法及装置
Nezafati et al. MSE minimized joint transmission in coordinated multipoint systems with sparse feedback and constrained backhaul requirements
CN114492784A (zh) 神经网络的测试方法和装置
US20220286324A1 (en) Channel prediction framework for radio communication
US11811474B2 (en) Indicating a predicted angle of departure
US20230318881A1 (en) Beam selection using oversampled beamforming codebooks and channel estimates
WO2023197298A1 (en) Method, device and computer storage medium of communication
US20240063856A1 (en) Interference-aware dimension reduction via orthonormal basis selection
US11677590B2 (en) Method and apparatus for distributed communication based on reception signal quantization in wireless communication system
US20240048203A1 (en) Mobility classification and channel state information prediction
WO2023065150A1 (en) Channel state based beamforming enhancement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication