CN117978218A - 信息传输方法、信息处理方法、装置和通信设备 - Google Patents
信息传输方法、信息处理方法、装置和通信设备 Download PDFInfo
- Publication number
- CN117978218A CN117978218A CN202211321326.5A CN202211321326A CN117978218A CN 117978218 A CN117978218 A CN 117978218A CN 202211321326 A CN202211321326 A CN 202211321326A CN 117978218 A CN117978218 A CN 117978218A
- Authority
- CN
- China
- Prior art keywords
- information
- channel
- network model
- target
- network
- 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 126
- 230000005540 biological transmission Effects 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 title claims abstract description 36
- 230000010365 information processing Effects 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims description 235
- 239000013598 vector Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 18
- 238000003672 processing method Methods 0.000 claims description 12
- 239000010410 layer Substances 0.000 description 241
- 230000006870 function Effects 0.000 description 16
- 230000006835 compression Effects 0.000 description 12
- 238000007906 compression Methods 0.000 description 12
- 230000006837 decompression Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 229920006934 PMI Polymers 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000013016 learning Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000011664 signaling Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种信息传输方法、信息处理方法、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:终端基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将所述第一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第二信道信息,所述目标CQI与所述第二信道信息关联;所述终端向所述网络侧设备发送所述目标CQI。
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、信息处理方法、装置和通信设备。
背景技术
在相关技术中,对借助人工智能(Artificial Intelligence,AI)网络模型来传输信道特征信息的方法进行了研究。
该AI网络模型可以包括压缩部分(即压缩AI网络模型)和解压缩部分(即解压缩AI网络模型),终端使用压缩AI网络模型将信道信息压缩成信道特征信息,并将信道特征信息上报给基站,基站使用解压缩AI网络模型将该信道特征信息恢复成信道信息。
相关技术中,终端没有基站使用的解压缩AI网络模型,或者终端的解压缩AI网络模型和基站使用的解压缩AI网络模型不同,终端不能够使用解压缩AI网络模型恢复得到基站实际获取的预编码矩阵,这样,终端在计算信道质量指示(Channel quality indicator,CQI)的过程中,会使计算得到的CQI与基站获取的预编码矩阵不匹配,降低了终端计算得到的CQI的准确性。
发明内容
本申请实施例提供一种信息传输方法、信息处理方法、装置和通信设备,基站能够向终端发送与解压缩AI网络模型相关的系数,终端基于该系数能够计算得到与基站获取的预编码矩阵相匹配的CQI。
第一方面,提供了一种信道信息传输方法,该方法包括:
终端基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联;
所述终端向所述网络侧设备发送所述目标CQI。
第二方面,提供了一种信道信息传输装置,应用于终端,该装置包括:
第一确定模块,用于基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联;
第一发送模块,用于向所述网络侧设备发送所述目标CQI。
第三方面,提供了一种信道信息传输方法,包括:
网络侧设备接收来自终端的目标信道质量指示CQI;
所述网络侧设备根据所述目标CQI确定第二信道信息的CQI;
其中,所述目标CQI是基于第一信息确定的CQI,第一信道信息通过所述终端具有的第一AI网络模型处理成第一信道特征信息,所述网络侧设备具有的第二AI网络模型用于将所第一信道特征信息恢复成所述第二信道信息,所述目标CQI与所述第二信道信息关联。
第四方面,提供了一种信道信息传输装置,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目标信道质量指示CQI;
第二确定模块,用于根据所述目标CQI确定第二信道信息的CQI;
其中,所述目标CQI是基于第一信息确定的CQI,第一信道信息通过所述终端具有的第一AI网络模型处理成第一信道特征信息,所述网络侧设备具有的第二AI网络模型用于将所第一信道特征信息恢复成所述第二信道信息,所述目标CQI与所述第二信道信息关联。
第五方面,提供了一种通信设备,该通信设备终端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,提供了一种终端,包括处理器及通信接口,其中,所述处理器用于基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联;所述通信接口用于向所述网络侧设备发送所述目标CQI。
第七方面,提供了一种网络侧设备,包括处理器及通信接口,其中,所述通信接口用于接收来自终端的目标信道质量指示CQI;所述处理器用于根据所述目标CQI确定第二信道信息的CQI;其中,所述目标CQI是基于第一信息确定的CQI,第一信道信息通过所述终端具有的第一AI网络模型处理成第一信道特征信息,所述网络侧设备具有的第二AI网络模型用于将所第一信道特征信息恢复成所述第二信道信息,所述目标CQI与所述第二信道信息关联。
第八方面,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第一方面所述的信息传输方法的步骤,所述网络侧设备可用于执行如第三方面所述的信息处理方法的步骤。
第九方面,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。
第十方面,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。
第十一方面,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信息处理方法的步骤。
在本申请实施例中,终端能够计算与网络侧设备实际获取的第二信道信息相关的目标CQI,能够降低目标CQI与第二信道信息对应的CQI之间的差异,其中,网络侧设备实际获取的信道信息是该第二信道信息,这样,可以使终端上报的目标CQI与网络侧设备实际获取的第二信道信息更加匹配,从而能够提升CSI上报的准确性。
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信息处理方法的流程图;
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信息处理装置的结构示意图;
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
图8是本申请实施例提供的一种网络侧设备的结构示意图。
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(BasicService Set,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。
由信息论可知,准确的信道状态信息(channel state information,CSI)对信道容量的至关重要。尤其是对于多天线系统来讲,发送端可以根据CSI优化信号的发送,使其更加匹配信道的状态。如:信道质量指示(channel quality indicator,CQI)可以用来选择合适的调制编码方案(modulation and coding scheme,MCS)实现链路自适应;预编码矩阵指示(precoding matrix indicator,PMI)可以用来实现特征波束成形(eigenbeamforming)从而最大化接收信号的强度,或者用来抑制干扰(如小区间干扰、多用户之间干扰等)。因此,自从多天线技术(multi-input multi-output,MIMO)被提出以来,CSI获取一直都是研究热点。
通常,基站在在某个时隙(slot)的某些时频资源上发送CSI参考信号(CSIReference Signal,CSI-RS),终端根据CSI-RS进行信道估计,计算这个slot上的信道信息,通过码本将PMI反馈给基站,基站根据终端反馈的码本信息组合出信道信息,在下一次CSI上报之前,基站以此进行数据预编码及多用户调度。
为了进一步减少CSI反馈开销,终端可以将每个子带上报PMI改成按照时延(delay)上报PMI,由于delay域的信道更集中,用更少的delay的PMI就可以近似表示全部子带的PMI,即将delay域信息压缩之后再上报。
同样,为了减少开销,基站可以事先对CSI-RS进行预编码,将编码后的CSI-RS发送个终端,终端看到的是经过编码之后的CSI-RS对应的信道,终端只需要在网络侧指示的端口中选择若干个强度较大的端口,并上报这些端口对应的系数即可。
进一步,为了更好的压缩信道信息,可以使用神经网络或机器学习的方法。
人工智能目前在各个领域获得了广泛的应用。AI模块有多种实现方式,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模块的具体类型。
神经网络的参数通过优化算法进行优化。优化算法就是一种能够帮我们最小化或者最大化目标函数(有时候也叫损失函数)的一类算法。而目标函数往往是模型参数和数据的数学组合。例如给定数据X和其对应的标签Y,我们构建一个神经网络模型f(.),有了模型后,根据输入x就可以得到预测输出f(x),并且可以计算出预测值和真实值之间的差距(f(x)-Y),这个就是损失函数。我们的目的是找到合适的权值和偏置,使上述的损失函数的值达到最小,损失值越小,则说明我们的模型越接近于真实情况。
目前常见的优化算法,基本都是基于误差反向传播(error Back Propagation,BP)算法。BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。
常见的优化算法有梯度下降(Gradient Descent)、随机梯度下降(StochasticGradient Descent,SGD)、小批量梯度下降(mini-batch gradient descent)、动量法(Momentum)、Nesterov(其表示带动量的随机梯度下降)、自适应梯度下降(Adaptivegradient descent,Adagrad)、自适应学习率调整(Adadelta)、均方根误差降速(root meansquare prop,RMSprop)、自适应动量估计(Adaptive Moment Estimation,Adam)等。
这些优化算法在误差反向传播时,都是根据损失函数得到的误差/损失,对当前神经元求导数/偏导,加上学习速率、之前的梯度/导数/偏导等影响,得到梯度,将梯度传给上一层。
CSI压缩恢复流程为:终端估计CSI-RS,计算信道信息,将计算的信道信息或者原始的估计到的信道信息通过压缩AI网络模型得到编码结果,将压缩结果发送给基站,基站接收压缩后的结果,输入到解压缩AI网络模型中,恢复信道信息。
具体的,基于神经网络的CSI压缩反馈方案是,在终端对信道信息进行压缩,将压缩后的内容发送给基站,在基站对压缩后的内容进行解压缩,从而恢复信道信息,此时基站的解压缩AI网络模型和终端的压缩AI网络模型需要联合训练,达到合理的匹配度。压缩AI网络模型的输入是信道信息,输出是压缩后的信道特征信息,解压缩AI网络模型的输入是信道特征信息,输出是恢复的信道信息。
在终端使用基于码本的CSI反馈的情况下,终端将预编码矩阵投影在选择的正交基上,将较强的系数上报给基站,终端可以根据上报的内容计算出基站恢复的预编码矩阵,使用恢复后的预编码矩阵计算信噪比得到CQI,从而使CQI与上报的预编码矩阵匹配。
但是,在终端使用基于AI网络模型的CSI反馈的情况下,终端通常只有压缩AI网络模型,没有解压缩AI网络模型,或者终端的解压缩AI网络模型和基站实际使用的解压缩AI网络模型不同,因此,终端无法获得基站恢复的信道信息,而基于信道特征信息恢复的信道信息与终端输入压缩AI网络模型的信道信息可能不同。此时,若终端基于输入压缩AI网络模型的信道信息来计算CQI,则该CQI与基站恢复的信道信息可能并不匹配,从而造成终端上报的CSI不准确。
而本申请实施例中,终端基于与网络侧设备使用的第二AI网络模型相关的第一信息来计算目标CQI,能够降低目标CQI与基站恢复的信道信息对应的CQI之间的差异,这样,终端上报目标CQI,可以使基站接收到的CQI与基站实际获取的信道信息更加匹配,从而能够提升CSI上报的准确性。
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、信息处理方法、信息传输装置、信息处理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,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、终端基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联。
一种实施方式中,上述第一AI网络模型是终端侧对信道信息进行处理得到CSI相关信息的AI网络模型,其可以用于对第一信道信息进行压缩、编码、量化等处理中的至少一项,该第一AI网络模型也可以称之为:压缩AI网络模型,或编码AI网络模型,或压缩和编码AI网络模型等,在此对第一AI网络模型的名称不作具体限定。为了便于说明,本申请实施例中,以第一AI网络模型是压缩AI网络模型为例进行举例说明,该压缩AI网络模型与网络侧设备的解压缩AI网络模型和/或解编码AI网络模型(即本申请实施例中的第二AI网络模型)匹配,和/或,该第一AI网络模型与网络侧设备的第二AI网络模型联合训练。与之相对应的,第二AI网络模型可以是基站侧用于处理信道特征信息的AI网络模型,在此对第二AI网络模型的名称不作具体限定。为了便于说明,本申请实施例中,以第二AI网络模型是解压缩AI网络模型为例进行举例说明。
一个第一AI网络模型与一个第二AI网络模型是匹配或联合训练的,上述目标CQI与所述第二信道信息关联,可以是用于计算目标CQI的第一信息与网络侧设备使用的第二AI网络模型关联,也可以是第一信息与第二AI网络模型所对应的第一AI网络模型关联,或者是,第一信息与第一AI网络模型和第二AI网络模型关联,或者是,在多layer场景下,多layer的信道信息在通过编码-解码处理后,layer间的正交性被破坏,此时,第一信息可以与layer关联,这样,基于第一信息可以得到第二信道信息,或者得到与第二信道信息接近的信道信息,在此不作具体限定。
一种实施方式中,第一信道信息可以是以下至少一项:
预编码矩阵、信道矩阵、预编码向量、信道向量、经过预编码处理的等效信道矩阵、经过预编码处理的等效信道向量。
例如:第一信道信息是基于终端测量得到的信道矩阵,或者基于该信道矩阵计算得到的预编码矩阵等,该第一信道信息能够准确反映信道状态。为了便于说明,本申请实施例中,以第一信道信息是第一预编码矩阵为例进行举例说明,即第一信道信息为第一预编码矩阵,第二信道信息为第二预编码矩阵,第三信道信息为第三预编码矩阵,第四信道信息为第四预编码矩阵,在此不构成具体限定。
一种实施方式中,终端可以基于第一信息和第一预编码矩阵,确定目标信道质量指示CQI。例如:终端基于第一信息可以将第一预编码矩阵转换为与网络侧设备使用的第二AI网络模型相对应的预编码矩阵或信道矩阵等,并基于该与第二AI网络模型相对应的预编码矩阵或信道矩阵来计算目标CQI,其中,与第二AI网络模型相对应的预编码矩阵或信道矩阵可以反映网络侧设备实际恢复的信道信息,因此,目标CQI与网络侧设备实际恢复的信道信息相匹配。
作为一种可选的实施方式,所述第一信息包括以下至少一项:
第一系数,所述第一系数指示第三预编码矩阵与第四预编码矩阵之间的相关信息,所述第三预编码矩阵经过所述第一AI网络模型进行第一处理得到第二信道特征信息,所述第四预编码矩阵为基于所述第二AI网络模型对所述第二信道特征信息进行第二处理得到的预编码矩阵;
第二系数,所述第二系数指示两个第四预编码矩阵之间的正交性关系,其中,两个相互正交的第三预编码矩阵分别经过相同的或不同的目标AI网络模型处理后,得到所述两个第四预编码矩阵,一个目标AI网络模型包括一个第一AI网络模型和一个第二AI网络模型;
第三系数,所述第三系数指示至少两个第五信道信息之间的正交性关系,其中,第一组信道信息经过目标AI网络模型处理后,得到第二组信道信息,其中,所述第一组信道信息包括至少两个相互正交的第六信道信息,所述第二组信道特征信息包括所述至少两个第五信道信息;
第三AI网络模型,所述第三AI网络模型用于将所述第一信道特征信息解码成第五预编码矩阵,所述目标CQI是基于所述第五预编码矩阵确定的CQI。
其中,上述第三预编码矩阵可以是AI网络模型训练阶段的训练样本,其中,第三预编码矩阵的含义与第一预编码矩阵的含义相似,第四预编码矩阵的含义与第二预编码矩阵的含义相似,在此不做赘述。
选项一,第一系数可以反映压缩-解压缩过程的准确度,其中,第三预编码矩阵可以是基于信道矩阵计算得到的预编码矩阵,第四预编码矩阵是第三预编码矩阵依次经过第一AI网络模型和第二AI网络模型的处理后得到的恢复后的预编码矩阵,通过比对第三预编码矩阵与第四预编码矩阵的相关性,便可以得出压缩-解压缩过程的准确度。
一种实施方式中,上述第三预编码矩阵和第四预编码矩阵可以是一个layer的预编码矩阵。
一种实施方式中,上述第一系数的值越大,表示压缩-解压缩过程的准确度越高,此时,目标CQI与基于第一预编码矩阵计算的CQI的差异值可以约小;或者,上述第一系数的值越小,表示压缩-解压缩过程的准确度越高,此时,目标CQI与基于第一预编码矩阵计算的CQI的差异值可以约小。
一种实施方式中,所述第一系数与目标下行信道的每一个层(layer)一一对应,此时,第一系数反映对应的layer的预编码矩阵与其在经过AI网络模型进行压缩-解压缩后得到的预编码矩阵之间的相关性,即第一系数反映对应的layer的预编码矩阵的压缩-解压缩过程的准确度。例如:每一个layer独立进行CSI上报,此时,该CSI报告中携带一个layer的预编码矩阵,以及该layer的目标CQI。
一种实施方式中,所述第一系数与第二AI网络模型集合中的每一个第二AI网络模型一一对应,此时,第一系数反映对应的第二AI网络模型处理后的预编码矩阵,与该第二AI网络模型对应的第一AI网络模型输入的预编码矩阵之间的相关性,即第一系数反映对应的第二AI网络模型所恢复的预编码矩阵的准确度。其中,第二AI网络模型集合可以是网络侧设备具有的第二AI网络模型的集合。
可选地,第二AI网络模型集合中的不同AI网络模型可以适用于不用的预编码矩阵或不同的场景,例如:同一信道的不同layer的预编码矩阵可以使用不同的第二AI网络模型。可以在协议中约定每一个第二AI网络模型的适用范围,或者,由网络侧设备指示每一个预编码矩阵所使用的第二AI网络模型,或者,由终端在第二AI网络模型集合中选择每一个预编码矩阵所使用的第二AI网络模型。可选地,终端可以根据每个layer的信道信息实际使用的AI网络模型来确定对应layer的信道信息的压缩-解压缩过程的准确程度。
选项二,第二系数可以反映至少两个相互正交的预编码矩阵在经过AI网络模型进行压缩-解压缩后得到的预编码矩阵之间的正交性。
在目标下行信道的秩(rank)大于1的情况下,基于信道矩阵计算的预编码矩阵中,任意两个layer对应的矩阵向量之间是相互正交的,由于预编码矩阵在经过AI网络模型进行压缩-解压缩后,每个layer的预编码矩阵都会有一定的信息缺失,导致layer之间的正交性被破坏了。
一种实施方式中,上述第二系数的值越大,表示layer之间的正交性被破坏的程度越低,此时,目标CQI与基于第一预编码矩阵计算的CQI的差异值可以越小;或者,上述第二系数的值越小,表示layer之间的正交性被破坏的程度越低,此时,目标CQI与基于第一预编码矩阵计算的CQI的差异值可以越小。
一种实施方式中,所述第二系数与目标下行信道的每一组layer一一对应,其中,一组layer包括至少两个不同的layer。
本实施方式中,目标下行信道的不同layer的预编码矩阵之间是相互正交的,在通过AI网络模型的压缩-解压缩处理后,不同layer的预编码矩阵之间的正交性可能被破坏,此时,上述第二系数表示一组layer内的不同的layer之间的正交性。
一种实施方式中,在未进行layer分组的情况下,上述第四信道信息和第三信道信息可以是一个layer的信道信息。
一种实施方式中,在进行layer分组的情况下,一个第四信道信息可以是同一组layer内的全部layer的信道信息。可选地,上述第二系数可以是一个系数值,即第一组layer内的任一layer的信道信息与第二组layer内的任一layer的信道信息的正交性关系是相同的。或者,上述第二系数可以一组系数值,该一组系数值分别指示第一组layer内的任一layer的信道信息与第二组layer内的任一layer的信道信息的正交性关系,例如:假设第一组layer中的一个layer与第二组layer中的一个layer具有4种组合,则第二系数可以包括4个系数值,与这4种组合一一对应。
一种实施方式中,所述第二系数与第二AI网络模型集合中的每一组第二AI网络模型一一对应,其中,一组第二AI网络模型包括两个相同或不同的第二AI网络模型。
本实施方式中,对相同的预编码矩阵进行处理时,不同的AI网络模型对预编码矩阵的正交性的影响程度不同,在一种实施方式中,可以通过将两个相互正交的预编码矩阵采用两个相同或不同的AI网络模型进行压缩和解压缩处理,并比较解压缩处理后得到的两个预编码矩阵之间的正交性来确定两个相同或不同的第二AI网络模型的第二系数。
其中,两个相同的第二AI网络模型的第二系数,可以表示一个第二AI网络模型的自正交系数,两个不相同的第二AI网络模型的第二系数,可以表示两个第二AI网络模型的互正交系数。
一种实施方式中,在目标下行信道的rank大于1的情况下,每一个layer的预编码矩阵可以采用各自对应的AI网络模型进行压缩-解压缩处理。此时,上述第二系数可以包括目标下行信道的全部layer中至少两个layer的预编码矩阵对应的AI网络模型的正交性相关系数。
可选地,第一系数可以与一组layer对应,该一组layer包括至少两个layer,此时,第一系数可以包括对应的一组layer中的每个layer的预编码矩阵的压缩-解压缩处理的准确程度。
其中,一组layer中全部layer的预编码矩阵的压缩-解压缩处理的准确程度可以联合指示,即一组layer中全部layer的预编码矩阵的压缩-解压缩处理的准确程度相同;或者,一组layer中全部layer的预编码矩阵的压缩-解压缩处理的准确程度可以分别指示,即一组layer中全部layer的预编码矩阵的压缩-解压缩处理的准确程度可以不同。
一种实施方式中,在目标下行信道的rank大于1的情况下,可以将目标下行信道的layer进行分组,每组layer可以包括至少一个layer,且每组layer对应各自的第一系数和第二系数。其中,layer的分组方式可以与计算信道特征信息的分组方式相同或者不同。
例如:假设目标下行信道包括4个layer。在计算信道特征信息的过程中,每一个layer的信道信息可以采用各自对应的一个AI网络模型进行计算,且每一个layer的信道信息使用的AI网络模型可以是相同的。在计算目标CQI的过程中,可以采用以下方式中的任一种layer分组方式来计算目标CQI:
1)每个layer计算一个目标CQI,即计算目标CQI时的layer分组方式与计算信道特征信息时的layer分组方式一致,此时,每一组layer对应一个第一系数,且不同组的layer之间可以有第二系数或没有第二系数;
2)可以将layer 1和layer 2划分为一组,将layer 3和layer 4划分为一组,每一组layer具有对应的第一系数和第二系数。此时,不同组的layer之间可以独立计算目标CQI。
一种实施方式中,在目标下行信道的rank大于1的情况下,目标下行信道的全部layer可以一起采用AI网络模型进行压缩-解压缩处理。此时,上述第二系数可以省略,或者第二系数包括至少两个layer对应的第二系数。
一种实施方式中,在目标下行信道的rank等于1的情况下,上述第二系数可以省略。
选项三,上述第三系数与上述第二系数的区别包括:在对layer进行分组,每一组layer一起进行编码-解码处理的场景下,第二系数用于指示不同组layer内的不同layer之间的正交性关系,第三系数用于指示同一组layer内的不同layer之间的正交性关系。例如:假设由两组layer,一组layer包括layer 1和layer 2,另一组layer包括layer 3和layer4,在编码-解编码过程中,将layer 1和layer 2一起输入AI网络模型,将layer 3和layer 4一起输入AI网络模型。在计算目标CQI的过程中,第二系数包括4个,分别指示layer 1和layer 3、layer 1和layer 4、layer 2和layer 3、layer 2和layer 4之间的正交性关系;第三系数包括2个,分别layer 1和layer 2、layer 3和layer 4之间的正交性关系。
一种实施方式中,所述第三系数与同一组layer内的不同layer组合一一对应。
一种实施方式中,上述第五信道信息和第六信道信息可以是一个layer的信道信息。
选项四,第一信息还可以是第三AI网络模型,该第三AI网络模型满足以下至少一项:
与所述第二AI网络模型为相同或不同的AI网络模型;
是所述终端训练得到的AI网络模型,或者是所述网络侧设备指示的AI网络模型,或者是协议约定的AI网络模型。
一种实施方式中,终端可以基于第三AI网络模型来将第一AI网络模型输出的第一信道特征信息恢复成第五预编码矩阵,该第五预编码矩阵可以模拟网络侧设备使用的第二AI网络模型对第一信道特征信息的恢复结果,这样,终端可以基于该第五预编码矩阵来计算目标CQI,以模拟第二AI网络模型对第一信道特征信息的恢复结果对应的CQI。
可选地,在实施中目标CQI还与以下至少一项对应:
信道状态信息参考信号资源指示(CSI-RS Resource Indicator,CRI);
秩标识(Rank Indicator,RI);
选项一,目标CQI的取值可以与CRI相关,例如:第一预编码矩阵为基于与CRI对应的CSI资源上传输的CSI参考信号(CSI Reference Signal,CSI-RS)所测量得到的信道信息计算得到的预编码矩阵,假设某一CSI-RS资源的通信质量好,则基于该CSI-RS资源上传输的CSI-RS所测量得到的信道信息的CQI的取值较高。
选项二,目标CQI可以与目标下行信道RI相关,例如:若每一个layer独立进行CSI上报,则rank数为N的目标下行信道,具有N个layer,每一个layer对应上报一个目标CQI,其中,与layer对应的目标CQI是基于该layer的预编码矩阵和该layer对应的第一信息确定的CQI。
此外,CQI计算的结果与RI的取值有关,不同的RI和不同的layer组合方式会影响最后CQI的计算。
例如:在RI>4的情况下,可以将目标下行信道的layer划分为2个码字,每个码字计算一个目标CQI;或者,将目标下行信道的layer划分为至少两组layer,其中,每一组layer包括至少一个layer,此时,可以每组layer计算一个目标CQI;或者,可以每个layer计算一个目标CQI,此时,可以仅根据第一系数计算CQI。在RI≤4的情况下,可以只用1个码字,并计算该码字对应的一个目标CQI;或者,将目标下行信道的layer划分为至多两组layer,其中,每一组layer包括至少一个layer,此时,可以每组layer计算一个目标CQI;或者,可以每个layer计算一个目标CQI,此时,可以仅根据第一系数计算CQI。由此可见,RI的选择会影响CQI与layer的对应关系,以及第一系数和第二系数在CQI计算过程中的使用方法。
步骤202、所述终端向所述网络侧设备发送所述目标CQI。
一种实施方式中,终端可以通过CSI反馈的方式上报目标CQI,即CSI报告中携带目标CQI和上述第一信道特征信息。
一种实施方式中,终端可以采用信令的方式上报目标CQI,该携带目标CQI的信令可以复用现有的终端到网络侧设备信令,或者是新的信令,在此不作具体限定。
作为一种可选的实施方式,在所述终端基于第一信息,确定目标CQI之前,所述方法还包括:
所述终端接收来自第一节点的第三信息,所述第一节点训练得到所述第二AI网络模型,和/或,所述第一节点是所述网络侧设备,所述第三信息指示以下至少一项:
所述第一信息或所述第一信息的标识;
所述第二AI网络模型或所述第二AI网络模型的第一标识;
所述第二AI网络模型的第二标识,所述第二标识与所述第一信息关联。
一种实施方式中,第一节点可以是所述网络侧设备,例如:所述网络侧设备在训练所述第二AI网络模型的过程中,确定上述第三信息,从而将该第三信息发送给终端;或者,所述网络侧设备可以从训练得到所述第二AI网络模型的节点,如核心网网元等,接收上述第一信息和第二AI网络模型的相关参数,并向终端发送第三信息。
可选地,当终端从网络侧设备接收第二AI网络模型的情况下,终端可以将接收的第二AI网络模型作为第三AI网络模型使用。一种可能的实现方式中,当基站向终端发送第二AI网络模型后,基站可以更新第二AI网络模型,终端侧可以使用收到的第二AI网络模型作为第三AI网络模型,即终端侧与基站侧的解码AI网络模型的更新可以不同步。
在一种可选的实施方式中,可能由终端训练第一AI网络模型,由网络侧设备训练第二AI网络模型,或者由网络侧设备训练第一AI网络模型和第二AI网络模型。此时,网络侧设备可以在训练的过程中确定上述第一信息,并向终端指示该第一信息。
可选地,网络侧设备可能训练至少两个第二AI网络模型,并确定每一个第二AI网络模型各自对应的第一信息,然后,网络侧设备可以将至少两个第二AI网络模型与第一信息之间的对应关系下发给终端,在CSI上报过程中,网络侧设备可以指示使用的一个第二AI网络模型的第一标识,终端可以根据至少两个第二AI网络模型与第一信息之间的对应关系使用该第二AI网络模型所对应的一个第一信息。
可选地,网络侧设备可能训练至少两个第二AI网络模型,并确定每一个第二AI网络模型各自对应的第一信息,然后,网络侧设备可以将至少两个第二AI网络模型各自对应的第一信息与第二标识之间的对应关系下发给终端,在CSI上报过程中,网络侧设备可以指示使用的一个第二AI网络模型所对应的第一信息的第二标识,终端可以使用该第二标识所对应的一个第一信息。
值得提出的是,在一种可选的实施方式中,也可能由终端训练第一AI网络模型和第二AI网络模型,此时,终端可以在训练过程中确定上述第一信息,以及将训练得到第二AI网络模型传递至网络侧设备,在此不做赘述。
可选地,上述第三信息可以是CSI report config或信令中的信息。
一种实施方式中,上述第一标识可以用于通知终端:网络侧设备使用的第二AI网络模型,这样,终端可以根据网络侧设备使用的第二AI网络模型来确定第一信息。
一种实施方式中,上述第二标识可以用于通知终端:网络侧设备使用的第二AI网络模型所关联的第一信息,这样,终端可以直接根据该第一信息来计算CQI。
一种实施方式中,上述第三信息可以是在进行CSI上报之前配置的,该第三信息中可以包括至少两个第二AI网络模型各自对应的第一信息,此时,终端还可以根据实际上报的layer数,使用的AI网络模型等,从中确定实际使用的第一信息。
可选地,所述第三信息指示至少一个第二AI网络模型的第二标识,所述方法还包括:
所述终端根据目标下行信道的秩数以及所述目标下行信道的每一个layer的第一信道信息使用的第一AI网络模型,确定每一个layer的第一信道信息各自对应的第二AI网络模型;
所述终端确定所述每一个第一信道信息各自对应的第二AI网络模型关联的所述第一信息。
本实施方式中,以第一信道信息是第一预编码矩阵为例,不同的秩数下,每一个layer的第一预编码矩阵使用的第一AI网络模型和第二AI网络模型可能不同,终端根据实际的目标下行信道的秩数来确定每一个layer的第一预编码矩阵使用的第一AI网络模型和第二AI网络模型,并确定所述每一个第一预编码矩阵各自对应的第二AI网络模型关联的所述第一信息,并据此来计算每一个layer的第一预编码矩阵的目标CQI。
作为一种可选的实数方式,所述第一信道信息为同一层(layer)的信道信息,所述第一信道信息的数量为N,N为所述第一信道信息对应的目标信道的秩,M个第一AI网络模型用于将N个第一信道信息处理成第一信道特征信息,M满足以下任一项:
M等于N;
M等于1;
M为大于1且小于N的正整数。
以第一信道信息是预编码矩阵为例:
一种实施方式中,M等于N,此时,layer与第一AI网络模型一一对应,每一layer的预编码矩阵分别采用各自对应的第一AI网络模型处理成第一信道特征信息。与之相对应的,第一AI网络模型与第二AI网络模型可以是一一对应的,此时,第一AI网络模型输出的第一信道特征信息,使用与该第一AI网络模型对应的第二AI网络模型进行解压缩处理,此时,第一信息可以包括第一系数和第二系数,如:N个第二AI网络模型各自对应的第一系数,以及任意两个不同的第二AI网络模型对应的第二系数。
一种实施方式中,M等于1,N个layer与同一个第一AI网络模型对应,每一layer的预编码矩阵分别采用相同的第一AI网络模型处理成第一信道特征信息。与之相对应的,第一AI网络模型与第二AI网络模型可以是一一对应的,此时,与N个layer对应的第一信道特征信息分别使用同一个第二AI网络模型进行解压缩处理,此时,第一信息包括第一系数,如N个layer各自对应的第一系数,或者是第二AI网络模型对应的第一系数。可选地,第一信息可以包括第一系数和第二系数,其中,第二系数可以是不同layer之间的第二系数或者第二AI网络模型对应的一个第二系数。
一种实施方式中,在M等于1的情况下,可以将全部layer的预编码矩阵输入一个第一AI网络模型,得到整个目标下行信道的第一信道特征信息。与之相对应的,该第一信道特征信息同时输入第二AI网络模型进行解压缩处理,此时,第一信息可以包括第一系数和第二系数,如:N个layer各自对应的第一系数,以及任意两个layer对应的第二系数。
一种实施方式中,M为大于1且小于N的正整数,此时,有一部分layer与同一个第一AI网络模型对应,有一部分layer与不同的第一AI网络模型对应,例如:将layer划分为两组,组内的layer对应相同的第一AI网络模型,不同组的layer对应不相同的第一AI网络模型,此时,与N个layer对应的第一信道特征信息分别使用各自对应的第二AI网络模型进行解压缩处理。此时,第一信息包括第一系数和第二系数,如包括每一个第二AI网络模型的第一系数,以及包括任意两个相同或不同的第二AI网络模型之间的第二系数。
可选地,在第一信息包括第一系数和第二系数,且M等于N,且M大于1的情况下,第一系数最多有N个,第二系数最多有个,其中,/>表示从N个layer或第二AI网络模型中选择任意的两个不同的layer或第二AI网络模型的组合情况数目。/>
其中,N个第一系数可以与N个layer一一对应,或者,N个第一系数可以与N个layer各自对应的第二AI网络模型一一对应,其中,相互对应的layer和第二AI网络模型,与同一个第一AI网络模型对应。个第二系数可以与/>个layer组合一一对应,或者,/>个第二系数可以与/>个layer组合各自对应的第二AI网络模型一一对应。
作为一种可选的实施方式,所述第一系数包括以下至少一项:
平方余弦相似度(Squared Generalized Cosine Similarity,)SGCS或(1-SGCS);
余弦相似度(Generalized Cosine Similarity,GCS)或(1-GCS);
内积系数;
和/或,
所述第二系数包括以下至少一项:
SGCS或(1-SGCS);
GCS或(1-GCS);
内积系数;
和/或,
所述第三系数包括以下至少一项:
SGCS或(1-SGCS);
GCS或(1-GCS);
内积系数。
一种实施方式中,在第一系数为SGCS的情况下,可以采用以下公式计算得到第一系数:
其中,表示Wi的共轭矩阵,Wi表示输入第一AI网络模型的第三预编码矩阵,Wr表示第二AI网络模型输出的与Wi对应的第四预编码矩阵。
一种实施方式中,在第一系数为GCS的情况下,可以采用以下公式计算得第一系数:
一种实施方式中,在第一系数为内积系数τ的情况下,可以采用以下公式计算得到第一系数:
可选地,τ可以是一个复数,在指示或传递的时候可以分成实部和虚部,也可以是幅度和相位。
一种实施方式中,在第二系数为内积系数τr的情况下,可以采用以下公式计算得到第二系数:
其中,表示Wr,1的共轭矩阵,Wr,1表示第1个第四预编码矩阵,Wr,2表示第2个第四预编码矩阵,即τr可以表示任意两个第四预编码矩阵之间的正交性系数。
可选地,τr是基站或训练第二AI网络模型的节点指示给终端的,该τr可以与AI模型绑定的,训练AI模型的时候可以得到这个τr。可选地,τr可以是分成实部和虚部进行指示和/或传递,或者τr也可以包括幅度和相位。
对于第三预编码矩阵的第二系数,满足以下公式:
其中,表示Wi,1的共轭矩阵,Wi,1表示第1个第三预编码矩阵,Wi,2表示第2个第三预编码矩阵。即τi可以表示任意两个第三预编码矩阵之间的正交性系数。
在第二系数为SGCS或GCS的情况下,可以采用与上述内积系数τr相似的方式计算得到第二系数,在此不再赘述。
作为一种可选的实施方式,所述终端向所述网络侧设备发送目标CQI,包括以下任一项:
所述终端向所述网络侧设备发送与layer对应的目标CQI;
所述终端向所述网络侧设备发送与码字对应的目标CQI;
所述终端向所述网络侧设备发送与第一AI网络模型对应的目标CQI。
一种实施方式中,终端可以以layer为单位计算每个layer对应的目标CQI,此时,第一信息可以不包括第二系数,即按照只包括一个layer的方式计算该layer对应的目标CQI,然后,每个layer独立上报各自的目标CQI。
一种实施方式中,终端可以目标下行信道的全部layer作为一个整体,计算得到目标CQI,但是,每个layer独立进行CSI上报,即此时不做layer间的抽象。
一种实施方式中,终端可以以码字(code word)为单位,每个code word独立上报各自的目标CQI。例如:每一个code word对应一个第二AI网络模型和一个第一信息,并基于该第一信息计算该code word对应的layer(通常最多为4个layer)的目标CQI。
一种实施方式中,终端可以将同一个第一AI网络模型对应的全部layer作为一个整体,上报该第一AI网络模型对应的全部layer的目标CQI。此时,第一信息可以包括与该第一AI网络模型对应的第二AI网络模型的第一系数和第二系数,即不考虑不同AI网络模型之间的正交性影响。例如:对应同一个第一AI网络模型的layer一起计算目标CQI并上报,也就是说,按照layer与第一AI网络模型的对应关系上报每个第一AI网络模型对应的全部layer的目标CQI。
作为一种可选的实施方式,所述终端基于第一信息和所述第一信道信息,确定目标CQI,包括:
所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵确定目标CQI。
其中,等效信道矩阵H可以表示为以下公式:
H=U S VH
其中,VH表示V的共轭矩阵,V表示列向量;U表示U阵,表示行空间的特征向量;S表示奇异值矩阵。
上述第一等效信道矩阵可以是基于第二等效信道矩阵,按照第一信道信息进行转换后得到的等效信道矩阵,即网络侧设备实际获取到的第二预编码矩阵对应的等效信道矩阵,其中,第二等效信道矩阵可以是理想的等效信道矩阵,即基于终端测量得到的第一信道信息确定的等效信道矩阵。
可选地,在所述第一信道信息为信道矩阵或向量的情况下,所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
所述终端基于所述第一信道信息确定第一预编码矩阵;
所述终端基于所述第一预编码矩阵和所述第一信道信息确定第二等效信道矩阵;
所述终端基于所述第二等效信道矩阵和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI;
在所述第一信道信息为预编码矩阵或向量的情况下,所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
所述终端基于所述第一信道信息对应的原始信道矩阵或向量以及所述第一信道信息,确定第二等效信道矩阵;
所述终端基于所述第二等效信道矩阵和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI;
在所述第一信道信息为等效信道矩阵或向量的情况下,所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI。
在一种实施方式中,在目标下行信道的秩等于1的情况下,VH和V′满足以下公式:
VHV′=x
其中,V′表示经第二AI网络模型解压缩得到的预编码矩阵;x可以是SGCS,该x位于0至1之间,在计算目标CQI的过程中,上述第一等效信道矩阵可以表示为:
Heff,e=U S VH V′=xU S
其中,最理想的等效信道矩阵(即基于第一预编码矩阵确定的等效信道矩阵,本申请实施例中将最理想的等效信道矩阵称之为第二等效信道矩阵)可以表示为以下公式:
Heff,o=U S VH V=U S
由于x小于1,则Heff,e的等效信道功率小于Heff,o的等效信道功率,即目标CQI低于基于Heff,o确定的CQI。此时,由于layer数为1,不存在layer间干扰,因此,实际的信号与干扰噪声比(Signal to Interference plus Noise Ratio,SINR)回退为-10logx dB。
在一种实施方式中,在目标下行信道的秩等于N,且N大于1的情况下,第一预编码矩阵为同一layer的预编码矩阵,该第一预编码矩阵可以表示为以下公式:
V=[V1,V2,……VN]
其中,Vi表示第i个layer的第一预编码矩阵,i为1至N之间的整数。
与之相对应的,第二预编码矩阵V’可以表示为以下公式:
V=[V1,V2,……VN]
其中,Vj′表示第j个layer的第二预编码矩阵,j为1至N之间的整数。
此时,上述第一等效信道矩阵可以表示为以下公式:
其中,Heff,o表示第二等效信道矩,该第二等效信道矩阵为基于第一预编码矩阵确定的等效信道矩阵,Δi,j表示第一等效信道中第i行第j列的元素的等效信道矩阵因子,该等效信道矩阵因子可以基于第一系数、第二系数和第三系数中的至少一项确定。
例如:中位于对角线上的元素为每个layer的SGCS,其他元素Δi,j为第i个layer与第j个layer的第二预编码矩阵之间的SGCS。
可选地,在N个layer分别使用各自对应的第一AI网络模型和第二AI网络模型进行压缩-解压缩处理的情况下,终端需要所有layer使用的AI模型的第一系数和第二系数。例如:假设有4个第二AI网络模型:模型1、模型2、模型3和模型4,则第一信息可以包括:模型1的第一系数、模型1与模型1的第二系数、模型1和模型3的第二系数、模型1和模型4的第二系数、模型2的第一系数、模型2与模型2的第二系数、模型2和模型3的第二系数、模型2和模型4的第二系数、模型3的第一系数、模型3和模型3的第二系数、模型3和模型4的第二系数、模型4的第一系数、模型4和模型4的第二系数。
可选地,在N个layer分别使用相同的第一AI网络模型和第二AI网络模型进行压缩-解压缩处理的情况下,目标下行信道的全部layer的SGCS相等,且任意两个不同layer的第二预编码矩阵之间的SGCS相等,此时,第一系数和第二系数的个数均为1,上述第一等效信道矩阵可以表示为以下公式:
其中,x为第一系数,该第一系数对应AI网络模型的压缩-恢复准确度信息;σ为第二系数,该第二系数对应AI网络模型的压缩-恢复的正交性准确度信息。
需要说明的是,本申请实施例中,基于第一系数和第二系数计算目标CQI的方式,并不限定为基于第一系数和第二系数确定第二等效信道矩阵,并基于第一等效信道矩阵和第二等效信道矩阵来计算目标CQI的方式,例如:还可以在上述公式中增加乘性系数和/或加性系数,在此不作具体限定。
在本申请实施例中,终端基于与网络侧设备使用的第二AI网络模型相关的第一信息和第一预编码矩阵来计算目标CQI,能够降低目标CQI与第二预编码矩阵对应的CQI之间的差异,其中,网络侧设备实际获取的预编码矩阵是该第二预编码矩阵,这样,终端上报目标CQI,可以使网络侧设备获取与恢复的预编码矩阵更加匹配的CQI,从而能够提升CSI上报的准确性。
请参阅图3,本申请实施例提供的信息处理方法,其执行主体可以是网络侧设备,如图3所示,该信息处理方法可以包括以下步骤:
步骤301、网络侧设备接收来自终端的目标信道质量指示CQI。
步骤302、所述网络侧设备根据所述目标CQI确定第二信道信息的CQI。
其中,所述目标CQI是基于第一信息确定的CQI,第一信道信息通过所述终端具有的第一AI网络模型处理成第一信道特征信息,所述网络侧设备具有的第二AI网络模型用于将所第一信道特征信息恢复成所述第二信道信息,所述目标CQI与所述第二信道信息关联。
其中,上述第一信息、第一信道信息、目标CQI、第一信道特征信息、第二信道信息、第一AI网络模型和第二AI网络模型与如图2所示方法实施例中的第一信息、第一信道信息、目标CQI、第一信道特征信息、第二信道信息、第一AI网络模型和第二AI网络模型的含义相同,在此不再赘述。
所述网络侧设备能够从终端获取与第二信道信息更加匹配的目标CQI。
作为一种可选的实施方式,所述第一信息包括以下至少一项:
第一系数,所述第一系数指示第三信道信息与第四信道信息之间的相关信息,所述第三信道信息经过所述第一AI网络模型进行第一处理得到第二信道特征信息,所述第四信道信息为基于所述第二AI网络模型对所述第二信道特征信息进行第二处理得到的信道信息;
第二系数,所述第二系数指示两个第四信道信息之间的正交性关系,其中,所述两个第四信道信息是基于两个相互正交的第三信道信息分别经过相同的或不同的目标AI网络模型处理后,得到所述两个第四信道信息,一个目标AI网络模型包括一个第一AI网络模型和一个第二AI网络模型;
第三系数,所述第三系数指示至少两个第五信道信息之间的正交性关系,其中,第一组信道信息经过目标AI网络模型处理后,得到第二组信道信息,其中,所述第一组信道信息包括至少两个相互正交的第六信道信息,所述第二组信道特征信息包括所述至少两个第五信道信息;
第三AI网络模型,所述第三AI网络模型用于将所述第一信道特征信息解码成第五信道信息,所述目标CQI是基于所述第五信道信息确定的CQI。
作为一种可选的实施方式,所述第三AI网络模型满足以下至少一项:
与所述第二AI网络模型为相同或不同的AI网络模型;
是所述终端训练得到的AI网络模型,或者是所述网络侧设备指示的AI网络模型,或者是协议约定的AI网络模型。
作为一种可选的实施方式,所述第一系数与目标下行信道的每一个层layer一一对应,或者,所述第一系数与第二AI网络模型集合中的每一个第二AI网络模型一一对应,所述目标下行信道为所述第一信道信息对应的信道;
和/或,
所述第二系数与目标下行信道的每一组layer一一对应,或者,所述第二系数与第二AI网络模型集合中的每一组第二AI网络模型一一对应,其中,所述一组layer包括至少两个不同的layer,所述一组第二AI网络模型包括两个相同或不同的第二AI网络模型;
和/或,
所述第三系数与同一组layer内的不同layer组合一一对应。
作为一种可选的实施方式,在所述网络侧设备接收来自终端的目标CQI之前,所述方法还包括:
所述网络侧设备向所述终端发送第三信息,所述第三信息指示以下至少一项:
所述第一信息或所述第一信息的标识;
所述第二AI网络模型或所述第二AI网络模型的第一标识;
所述第二AI网络模型的第二标识,所述第二标识与所述第一信息关联。
作为一种可选的实施方式,在所述网络侧设备向所述终端发送所述第一信息之前,所述方法还包括:
所述网络侧设备接收来自第一节点的第五信息,所述第一节点为训练所述第二AI网络模型的节点,所述第五信息包括所述第二AI网络模型的相关参数和所述第二AI网络模型关联的所述第一信息。
作为一种可选的实施方式,所述网络侧设备接收来自终端的目标信道质量指示CQI,包括以下任一项:
所述网络侧设备接收来自终端的与layer对应的目标CQI;
所述网络侧设备接收来自终端的与码字对应的目标CQI;
所述网络侧设备接收来自终端的与第一AI网络模型对应的目标CQI。
作为一种可选的实施方式,所述目标CQI携带于第二信息,所述第二信息还包括所述第一信道特征信息;或者,
所述目标CQI携带于第三信息,所述第三信息不包括所述第一信道特征信息。
本申请实施例中,网络侧设备在利用第二AI网络模型恢复终端上报的第一信道特征信息的情况下,能够从终端获取与恢复得到的第二预编码矩阵相匹配的目标CQI,提升获取的CQI的准确性。
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:
第一确定模块401,用于基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联;
第一发送模块402,用于向所述网络侧设备发送所述目标CQI。
可选地,第一确定模块401具体用于:
基于第一信息和所述第一信道信息,确定目标CQI;
其中,所述第一信道信息包括以下至少一项:预编码矩阵、信道矩阵、预编码向量、信道向量、经过预编码处理的等效信道矩阵、经过预编码处理的等效信道向量。
可选地,所述第一信息包括以下至少一项:
第一系数,所述第一系数指示第三信道信息与第四信道信息之间的相关信息,所述第三信道信息经过所述第一AI网络模型进行第一处理得到第二信道特征信息,所述第四信道信息为基于所述第二AI网络模型对所述第二信道特征信息进行第二处理得到的信道信息;
第二系数,所述第二系数指示两个第四信道信息之间的正交性关系,其中,两个相互正交的第三信道信息分别经过相同的或不同的目标AI网络模型处理后,得到所述两个第四信道信息,一个目标AI网络模型包括一个第一AI网络模型和一个第二AI网络模型;
第三系数,所述第三系数指示至少两个第五信道信息之间的正交性关系,其中,第一组信道信息经过目标AI网络模型处理后,得到第二组信道信息,其中,所述第一组信道信息包括至少两个相互正交的第六信道信息,所述第二组信道特征信息包括所述至少两个第五信道信息;
第三AI网络模型,所述第三AI网络模型用于将所述第一信道特征信息解码成第五信道信息,所述目标CQI是基于所述第五信道信息确定的CQI。
可选地,所述第三AI网络模型满足以下至少一项:
与所述第二AI网络模型为相同或不同的AI网络模型;
是所述终端训练得到的AI网络模型,或者是所述网络侧设备指示的AI网络模型,或者是协议约定的AI网络模型。
可选地,所述第一系数与目标下行信道的每一个层layer一一对应,或者,所述第一系数与第二AI网络模型集合中的每一个第二AI网络模型一一对应,所述目标下行信道为所述第一信道信息对应的信道;
和/或,
所述第二系数与目标下行信道的每一组layer一一对应,或者,所述第二系数与第二AI网络模型集合中的每一组第二AI网络模型一一对应,其中,所述一组layer包括至少两个不同的layer,所述一组第二AI网络模型包括两个相同或不同的第二AI网络模型;
和/或,
所述第三系数与同一组layer内的不同layer组合一一对应。
可选地,信息传输装置400还包括:
第二接收模块,用于接收来自第一节点的第三信息,所述第一节点训练得到所述第二AI网络模型,和/或,所述第一节点是所述网络侧设备,所述第三信息指示以下至少一项:
所述第一信息或所述第一信息的标识;
所述第二AI网络模型或所述第二AI网络模型的第一标识;
所述第二AI网络模型的第二标识,所述第二标识与所述第一信息关联。
可选地,所述第三信息指示至少一个第二AI网络模型的第二标识,信息传输装置400还包括:
第三确定模块,用于根据目标下行信道的秩数以及所述目标下行信道的每一个layer的第一信道信息使用的第一AI网络模型,确定每一个layer的第一信道信息各自对应的第二AI网络模型;
第四确定模块,用于确定所述每一个第一信道信息各自对应的第二AI网络模型关联的所述第一信息。
可选地,所述第一信道信息为同一层layer的信道信息,所述第一信道信息的数量为N,N为所述第一信道信息对应的目标信道的秩,M个第一AI网络模型用于将N个第一信道信息处理成第一信道特征信息,M满足以下任一项:
M等于N;
M等于1;
M为大于1且小于N的正整数。
可选地,在M等于1或N等于1的情况下,所述第一系数和/或所述第二系数的数量为1个;
和/或,
在M等于N,且M大于1的情况下,所述第一系数的数量为N个,所述第二系数的数量为
可选地,所述第一系数包括以下至少一项:
平方余弦相似度SGCS或(1-SGCS);
余弦相似度GCS或(1-GCS);
内积系数;
和/或,
所述第二系数包括以下至少一项:
SGCS或(1-SGCS);
GCS或(1-GCS);
内积系数;
和/或,
所述第三系数包括以下至少一项:
SGCS或(1-SGCS);
GCS或(1-GCS);
内积系数。
可选地,第一发送模块402,用于执行以下任一项:
向所述网络侧设备发送与layer对应的目标CQI;
向所述网络侧设备发送与码字对应的目标CQI;
向所述网络侧设备发送与第一AI网络模型对应的目标CQI。
可选地,第一确定模块401,具体用于:
基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵;
基于所述第一等效信道矩阵确定目标CQI。
可选地,在所述第一信道信息为信道矩阵或向量的情况下,第一确定模块401,具体用于:
所述终端基于所述第一信道信息确定第一预编码矩阵;
所述终端基于所述第一预编码矩阵和所述第一信道信息确定第二等效信道矩阵;
所述终端基于所述第二等效信道矩阵和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI;
在所述第一信道信息为预编码矩阵或向量的情况下,第一确定模块401,具体用于:
所述终端基于所述第一信道信息对应的原始信道矩阵或向量以及所述第一信道信息,确定第二等效信道矩阵;
所述终端基于所述第二等效信道矩阵和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI;
在所述第一信道信息为等效信道矩阵或向量的情况下,第一确定模块401,具体用于:
所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI。
可选地,所述目标CQI携带于第二信息,所述第二信息还包括所述第一信道特征信息;或者,
所述目标CQI携带于第三信息,所述第三信息不包括所述第一信道特征信息。
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。
本申请实施例提供的信息处理方法,执行主体可以为信息处理装置。本申请实施例中以信息处理装置执行信息处理方法为例,说明本申请实施例提供的信息处理装置。
请参阅图5,本申请实施例提供的一种信息处理装置,可以是网络侧设备内的装置,如图5所示,该信息处理装置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目标信道质量指示CQI;
第二确定模块502,用于根据所述目标CQI确定第二信道信息的CQI;
其中,所述目标CQI是基于第一信息确定的CQI,第一信道信息通过所述终端具有的第一AI网络模型处理成第一信道特征信息,所述网络侧设备具有的第二AI网络模型用于将所第一信道特征信息恢复成所述第二信道信息,所述目标CQI与所述第二信道信息关联。
可选地,所述第一信息包括以下至少一项:
第一系数,所述第一系数指示第三信道信息与第四信道信息之间的相关信息,所述第三信道信息经过所述第一AI网络模型进行第一处理得到第二信道特征信息,所述第四信道信息为基于所述第二AI网络模型对所述第二信道特征信息进行第二处理得到的信道信息;
第二系数,所述第二系数指示两个第四信道信息之间的正交性关系,其中,所述两个第四信道信息是基于两个相互正交的第三信道信息分别经过相同的或不同的目标AI网络模型处理后,得到所述两个第四信道信息,一个目标AI网络模型包括一个第一AI网络模型和一个第二AI网络模型;
第三系数,所述第三系数指示至少两个第五信道信息之间的正交性关系,其中,第一组信道信息经过目标AI网络模型处理后,得到第二组信道信息,其中,所述第一组信道信息包括至少两个相互正交的第六信道信息,所述第二组信道特征信息包括所述至少两个第五信道信息;
第三AI网络模型,所述第三AI网络模型用于将所述第一信道特征信息解码成第五信道信息,所述目标CQI是基于所述第五信道信息确定的CQI。
可选地,所述第三AI网络模型满足以下至少一项:
与所述第二AI网络模型为相同或不同的AI网络模型;
是所述终端训练得到的AI网络模型,或者是所述网络侧设备指示的AI网络模型,或者是协议约定的AI网络模型。
可选地,所述第一系数与目标下行信道的每一个层layer一一对应,或者,所述第一系数与第二AI网络模型集合中的每一个第二AI网络模型一一对应,所述目标下行信道为所述第一信道信息对应的信道;
和/或,
所述第二系数与目标下行信道的每一组layer一一对应,或者,所述第二系数与第二AI网络模型集合中的每一组第二AI网络模型一一对应,其中,所述一组layer包括至少两个不同的layer,所述一组第二AI网络模型包括两个相同或不同的第二AI网络模型;
和/或,
所述第三系数与同一组layer内的不同layer组合一一对应。
可选地,信息处理装置500还包括:
第二发送模块,用于向所述终端发送第三信息,所述第三信息指示以下至少一项:
所述第一信息或所述第一信息的标识;
所述第二AI网络模型或所述第二AI网络模型的第一标识;
所述第二AI网络模型的第二标识,所述第二标识与所述第一信息关联。
可选地,信息处理装置500还包括:
第三接收模块,用于接收来自第一节点的第五信息,所述第一节点为训练所述第二AI网络模型的节点,所述第五信息包括所述第二AI网络模型的相关参数和所述第二AI网络模型关联的所述第一信息。
可选地,第一接收模块501用于执行以下任一项:
接收来自终端的与layer对应的目标CQI;
接收来自终端的与码字对应的目标CQI;
接收来自终端的与第一AI网络模型对应的目标CQI。
可选地,所述目标CQI携带于第二信息,所述第二信息还包括所述第一信道特征信息;或者,
所述目标CQI携带于第三信息,所述第三信息不包括所述第一信道特征信息。
本申请实施例提供的信息处理装置500,能够实现如图3所示方法实施例中网络侧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为网络侧设备时,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,所述处理器用于基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,所述网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联;所述通信接口用于向所述网络侧设备发送所述目标CQI。
该终端实施例能够实现如图4所示信息传输装置400执行的各个过程,且能达到相同的技术效果,在此不再赘述。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7061,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,处理器710,用于基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,所述网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联;
射频单元701,用于向所述网络侧设备发送所述目标CQI。
可选地,处理器710执行的所述第一信息,确定目标信道质量指示CQI,包括:
基于第一信息和所述第一信道信息,确定目标CQI;
其中,所述第一信道信息包括以下至少一项:预编码矩阵、信道矩阵、预编码向量、信道向量、经过预编码处理的等效信道矩阵、经过预编码处理的等效信道向量。
可选地,所述第一信息包括以下至少一项:
第一系数,所述第一系数指示第三信道信息与第四信道信息之间的相关信息,所述第三信道信息经过所述第一AI网络模型进行第一处理得到第二信道特征信息,所述第四信道信息为基于所述第二AI网络模型对所述第二信道特征信息进行第二处理得到的信道信息;
第二系数,所述第二系数指示两个第四信道信息之间的正交性关系,其中,两个相互正交的第三信道信息分别经过相同的或不同的目标AI网络模型处理后,得到所述两个第四信道信息,一个目标AI网络模型包括一个第一AI网络模型和一个第二AI网络模型;
第三系数,所述第三系数指示至少两个第五信道信息之间的正交性关系,其中,第一组信道信息经过目标AI网络模型处理后,得到第二组信道信息,其中,所述第一组信道信息包括至少两个相互正交的第六信道信息,所述第二组信道特征信息包括所述至少两个第五信道信息;
第三AI网络模型,所述第三AI网络模型用于将所述第一信道特征信息解码成第五信道信息,所述目标CQI是基于所述第五信道信息确定的CQI。
可选地,所述第三AI网络模型满足以下至少一项:
与所述第二AI网络模型为相同或不同的AI网络模型;
是所述终端训练得到的AI网络模型,或者是所述网络侧设备指示的AI网络模型,或者是协议约定的AI网络模型。
可选地,所述第一系数与目标下行信道的每一个层layer一一对应,或者,所述第一系数与第二AI网络模型集合中的每一个第二AI网络模型一一对应,所述目标下行信道为所述第一信道信息对应的信道;
和/或,
所述第二系数与目标下行信道的每一组layer一一对应,或者,所述第二系数与第二AI网络模型集合中的每一组第二AI网络模型一一对应,其中,所述一组layer包括至少两个不同的layer,所述一组第二AI网络模型包括两个相同或不同的第二AI网络模型;
和/或,
所述第三系数与同一组layer内的不同layer组合一一对应。
可选地,在处理器710执行所述基于第一信息和第一信道信息,确定目标信道质量指示CQI之前,射频单元701,还用于接收来自第一节点的第三信息,所述第一节点训练得到所述第二AI网络模型,和/或,所述第一节点是所述网络侧设备,所述第三信息指示以下至少一项:
所述第一信息或所述第一信息的标识;
所述第二AI网络模型或所述第二AI网络模型的第一标识;
所述第二AI网络模型的第二标识,所述第二标识与所述第一信息关联。
可选地,所述第三信息指示至少一个第二AI网络模型的第二标识,处理器710,还用于根据目标下行信道的秩数以及所述目标下行信道的每一个layer的第一信道信息使用的第一AI网络模型,确定每一个layer的第一信道信息各自对应的第二AI网络模型;以及确定所述每一个第一信道信息各自对应的第二AI网络模型关联的所述第一信息。
可选地,所述第一信道信息为同一层layer的信道信息,所述第一信道信息的数量为N,N为所述第一信道信息对应的目标信道的秩,M个第一AI网络模型用于将N个第一信道信息处理成第一信道特征信息,M满足以下任一项:
M等于N;
M等于1;
M为大于1且小于N的正整数。
可选地,在M等于1或N等于1的情况下,所述第一系数和/或所述第二系数的数量为1个;
和/或,
在M等于N,且M大于1的情况下,所述第一系数的数量为N个,所述第二系数的数量为
可选地,所述第一系数包括以下至少一项:
平方余弦相似度SGCS或(1-SGCS);
余弦相似度GCS或(1-GCS);
内积系数;
和/或,
所述第二系数包括以下至少一项:
SGCS或(1-SGCS);
GCS或(1-GCS);
内积系数;
和/或,
所述第三系数包括以下至少一项:
SGCS或(1-SGCS);
GCS或(1-GCS);
内积系数。
可选地,射频单元701执行的所述向所述网络侧设备发送目标CQI,包括以下任一项:
所述终端向所述网络侧设备发送与layer对应的目标CQI;
所述终端向所述网络侧设备发送与码字对应的目标CQI;
所述终端向所述网络侧设备发送与第一AI网络模型对应的目标CQI。
可选地,处理710执行的所述基于第一信息和第一信道信息,确定目标CQI,包括:
基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI。
可选地,在所述第一信道信息为信道矩阵或向量的情况下,处理器710执行的所述基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
基于所述第一信道信息确定第一预编码矩阵;
基于所述第一预编码矩阵和所述第一信道信息确定第二等效信道矩阵;
基于所述第二等效信道矩阵和所述第一信息,确定第一等效信道矩阵;
基于所述第一等效信道矩阵,确定目标CQI;
在所述第一信道信息为预编码矩阵或向量的情况下,处理器710执行的所述基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
基于所述第一信道信息对应的原始信道矩阵或向量以及所述第一信道信息,确定第二等效信道矩阵;
基于所述第二等效信道矩阵和所述第一信息,确定第一等效信道矩阵;
基于所述第一等效信道矩阵,确定目标CQI;
在所述第一信道信息为等效信道矩阵或向量的情况下,处理器710执行的所述基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵;
基于所述第一等效信道矩阵,确定目标CQI。
可选地,所述目标CQI携带于第二信息,所述第二信息还包括所述第一信道特征信息;或者,
所述目标CQI携带于第三信息,所述第三信息不包括所述第一信道特征信息。
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,包括处理器和通信接口,所述通信接口用于接收来自终端的目标信道质量指示CQI;所述处理器用于根据所述目标CQI确定第二信道信息的CQI;其中,所述目标CQI是基于第一信息和第一信道信确定的CQI,第一信道信息通过所述终端具有的第一AI网络模型处理成第一信道特征信息,所述网络侧设备具有的第二AI网络模型用于将所第一信道特征信息恢复成所述第二信道信息,所述目标CQI与所述第二信道信息关联。
该网络侧设备实施例能够实现如图5所示信息处理装置500执行的各个过程,且能达到相同的技术效果,在此不再赘述。具体地,本申请实施例还提供了一种网络侧设备。如图8所示,该网络侧设备800包括:天线801、射频装置802、基带装置803、处理器804和存储器805。天线801与射频装置802连接。在上行方向上,射频装置802通过天线801接收信息,将接收的信息发送给基带装置803进行处理。在下行方向上,基带装置803对要发送的信息进行处理,并发送给射频装置802,射频装置802对收到的信息进行处理后经过天线801发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置803中实现,该基带装置803包括基带处理器。
基带装置803例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图8所示,其中一个芯片例如为基带处理器,通过总线接口与存储器805连接,以调用存储器805中的程序,执行以上方法实施例中所示的网络设备操作。
该网络侧设备还可以包括网络接口806,该接口例如为通用公共无线接口(CommonPublic Radio Interface,CPRI)。
具体地,本申请实施例的网络侧设备800还包括:存储在存储器805上并可在处理器804上运行的指令或程序,处理器804调用存储器805中的指令或程序执行图5所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
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所示的信息处理方法的步骤。
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 (26)
1.一种信息传输方法,其特征在于,包括:
终端基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联;
所述终端向所述网络侧设备发送所述目标CQI。
2.根据权利要求1所述的方法,其特征在于,所述终端基于第一信息,确定目标CQI,包括:
所述终端基于第一信息和所述第一信道信息,确定目标CQI;
其中,所述第一信道信息包括以下至少一项:预编码矩阵、信道矩阵、预编码向量、信道向量、经过预编码处理的等效信道矩阵、经过预编码处理的等效信道向量。
3.根据权利要求2所述的方法,其特征在于,所述第一信息包括以下至少一项:
第一系数,所述第一系数指示第三信道信息与第四信道信息之间的相关信息,所述第三信道信息经过所述第一AI网络模型进行第一处理得到第二信道特征信息,所述第四信道信息为基于所述第二AI网络模型对所述第二信道特征信息进行第二处理得到的信道信息;
第二系数,所述第二系数指示两个第四信道信息之间的正交性关系,其中,两个相互正交的第三信道信息分别经过相同的或不同的目标AI网络模型处理后,得到所述两个第四信道信息,一个目标AI网络模型包括一个第一AI网络模型和一个第二AI网络模型;
第三系数,所述第三系数指示至少两个第五信道信息之间的正交性关系,其中,第一组信道信息经过目标AI网络模型处理后,得到第二组信道信息,其中,所述第一组信道信息包括至少两个相互正交的第六信道信息,所述第二组信道特征信息包括所述至少两个第五信道信息;
第三AI网络模型,所述第三AI网络模型用于将所述第一信道特征信息解码成第五信道信息,所述目标CQI是基于所述第五信道信息确定的CQI。
4.根据权利要求3所述的方法,其特征在于,所述第三AI网络模型满足以下至少一项:
与所述第二AI网络模型为相同或不同的AI网络模型;
是所述终端训练得到的AI网络模型,或者是所述网络侧设备指示的AI网络模型,或者是协议约定的AI网络模型。
5.根据权利要求3所述的方法,其特征在于,所述第一系数与目标下行信道的每一个层layer一一对应,或者,所述第一系数与第二AI网络模型集合中的每一个第二AI网络模型一一对应,所述目标下行信道为所述第一信道信息对应的信道;
和/或,
所述第二系数与目标下行信道的每一组layer一一对应,或者,所述第二系数与第二AI网络模型集合中的每一组第二AI网络模型一一对应,其中,所述一组layer包括至少两个不同的layer,所述一组第二AI网络模型包括两个相同或不同的第二AI网络模型;
和/或,
所述第三系数与同一组layer内的不同layer组合一一对应。
6.根据权利要求3所述的方法,其特征在于,在所述终端基于第一信息,确定目标信道质量指示CQI之前,所述方法还包括:
所述终端接收来自第一节点的第三信息,所述第一节点训练得到所述第二AI网络模型,和/或,所述第一节点是所述网络侧设备,所述第三信息指示以下至少一项:
所述第一信息或所述第一信息的标识;
所述第二AI网络模型或所述第二AI网络模型的第一标识;
所述第二AI网络模型的第二标识,所述第二标识与所述第一信息关联。
7.根据权利要求6所述的方法,其特征在于,所述第三信息指示至少一个第二AI网络模型的第二标识,所述方法还包括:
所述终端根据目标下行信道的秩数以及所述目标下行信道的每一个layer的第一信道信息使用的第一AI网络模型,确定每一个layer的第一信道信息各自对应的第二AI网络模型;
所述终端确定所述每一个第一信道信息各自对应的第二AI网络模型关联的所述第一信息。
8.根据权利要求3所述的方法,其特征在于,所述第一信道信息为同一层layer的信道信息,所述第一信道信息的数量为N,N为所述第一信道信息对应的目标信道的秩,M个第一AI网络模型用于将N个第一信道信息处理成第一信道特征信息,M满足以下任一项:
M等于N;
M等于1;
M为大于1且小于N的正整数。
9.根据权利要求8所述的方法,其特征在于,在M等于1或N等于1的情况下,所述第一系数和/或所述第二系数的数量为1个;
和/或,
在M等于N,且M大于1的情况下,所述第一系数的数量为N个,所述第二系数的数量为
10.根据权利要求3所述的方法,其特征在于,所述第一系数包括以下至少一项:
平方余弦相似度SGCS或(1-SGCS);
余弦相似度GCS或(1-GCS);
内积系数;
和/或,
所述第二系数包括以下至少一项:
SGCS或(1-SGCS);
GCS或(1-GCS);
内积系数;
和/或,
所述第三系数包括以下至少一项:
SGCS或(1-SGCS);
GCS或(1-GCS);
内积系数。
11.根据权利要求1至10中任一项所述的方法,其特征在于,所述终端向所述网络侧设备发送目标CQI,包括以下任一项:
所述终端向所述网络侧设备发送与layer对应的目标CQI;
所述终端向所述网络侧设备发送与码字对应的目标CQI;
所述终端向所述网络侧设备发送与第一AI网络模型对应的目标CQI。
12.根据权利要求2至10中任一项所述的方法,其特征在于,所述终端基于第一信息和所述第一信道信息,确定目标CQI,包括:
所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵确定目标CQI。
13.根据权利要求12所述的方法,其特征在于:
在所述第一信道信息为信道矩阵或向量的情况下,所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
所述终端基于所述第一信道信息确定第一预编码矩阵;
所述终端基于所述第一预编码矩阵和所述第一信道信息确定第二等效信道矩阵;
所述终端基于所述第二等效信道矩阵和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI;
在所述第一信道信息为预编码矩阵或向量的情况下,所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
所述终端基于所述第一信道信息对应的原始信道矩阵或向量以及所述第一信道信息,确定第二等效信道矩阵;
所述终端基于所述第二等效信道矩阵和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI;
在所述第一信道信息为等效信道矩阵或向量的情况下,所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵,以及基于所述第一等效信道矩阵确定目标CQI,包括:
所述终端基于所述第一信道信息和所述第一信息,确定第一等效信道矩阵;
所述终端基于所述第一等效信道矩阵,确定目标CQI。
14.根据权利要求1至10中任一项所述的方法,其特征在于,所述目标CQI携带于第二信息,所述第二信息还包括所述第一信道特征信息;或者,
所述目标CQI携带于第三信息,所述第三信息不包括所述第一信道特征信息。
15.一种信息处理方法,其特征在于,包括:
网络侧设备接收来自终端的目标信道质量指示CQI;
所述网络侧设备根据所述目标CQI确定第二信道信息的CQI;
其中,所述目标CQI是基于第一信息确定的CQI,第一信道信息通过所述终端具有的第一AI网络模型处理成第一信道特征信息,所述网络侧设备具有的第二AI网络模型用于将所第一信道特征信息恢复成所述第二信道信息,所述目标CQI与所述第二信道信息关联。
16.根据权利要求15所述的方法,其特征在于,所述第一信息包括以下至少一项:
第一系数,所述第一系数指示第三信道信息与第四信道信息之间的相关信息,所述第三信道信息经过所述第一AI网络模型进行第一处理得到第二信道特征信息,所述第四信道信息为基于所述第二AI网络模型对所述第二信道特征信息进行第二处理得到的信道信息;
第二系数,所述第二系数指示两个第四信道信息之间的正交性关系,其中,所述两个第四信道信息是基于两个相互正交的第三信道信息分别经过相同的或不同的目标AI网络模型处理后,得到所述两个第四信道信息,一个目标AI网络模型包括一个第一AI网络模型和一个第二AI网络模型;
第三系数,所述第三系数指示至少两个第五信道信息之间的正交性关系,其中,第一组信道信息经过目标AI网络模型处理后,得到第二组信道信息,其中,所述第一组信道信息包括至少两个相互正交的第六信道信息,所述第二组信道特征信息包括所述至少两个第五信道信息;
第三AI网络模型,所述第三AI网络模型用于将所述第一信道特征信息解码成第五信道信息,所述目标CQI是基于所述第五信道信息确定的CQI。
17.根据权利要求16所述的方法,其特征在于,所述第三AI网络模型满足以下至少一项:
与所述第二AI网络模型为相同或不同的AI网络模型;
是所述终端训练得到的AI网络模型,或者是所述网络侧设备指示的AI网络模型,或者是协议约定的AI网络模型。
18.根据权利要求16所述的方法,其特征在于,所述第一系数与目标下行信道的每一个层layer一一对应,或者,所述第一系数与第二AI网络模型集合中的每一个第二AI网络模型一一对应,所述目标下行信道为所述第一信道信息对应的信道;
和/或,
所述第二系数与目标下行信道的每一组layer一一对应,或者,所述第二系数与第二AI网络模型集合中的每一组第二AI网络模型一一对应,其中,所述一组layer包括至少两个不同的layer,所述一组第二AI网络模型包括两个相同或不同的第二AI网络模型;
和/或,
所述第三系数与同一组layer内的不同layer组合一一对应。
19.根据权利要求15所述的方法,其特征在于,在所述网络侧设备接收来自终端的目标CQI之前,所述方法还包括:
所述网络侧设备向所述终端发送第三信息,所述第三信息指示以下至少一项:
所述第一信息或所述第一信息的标识;
所述第二AI网络模型或所述第二AI网络模型的第一标识;
所述第二AI网络模型的第二标识,所述第二标识与所述第一信息关联。
20.根据权利要求19所述的方法,其特征在于,在所述网络侧设备向所述终端发送所述第一信息之前,所述方法还包括:
所述网络侧设备接收来自第一节点的第五信息,所述第一节点为训练所述第二AI网络模型的节点,所述第五信息包括所述第二AI网络模型的相关参数和所述第二AI网络模型关联的所述第一信息。
21.根据权利要求15所述的方法,其特征在于,所述网络侧设备接收来自终端的目标信道质量指示CQI,包括以下任一项:
所述网络侧设备接收来自终端的与layer对应的目标CQI;
所述网络侧设备接收来自终端的与码字对应的目标CQI;
所述网络侧设备接收来自终端的与第一AI网络模型对应的目标CQI。
22.根据权利要求15至21中任一项所述的方法,其特征在于,所述目标CQI携带于第二信息,所述第二信息还包括所述第一信道特征信息;或者,
所述目标CQI携带于第三信息,所述第三信息不包括所述第一信道特征信息。
23.一种信息传输装置,其特征在于,应用于终端,所述装置包括:
第一确定模块,用于基于第一信息,确定目标信道质量指示CQI,其中,所述终端具有第一AI网络模型,网络侧设备具有第二AI网络模型,所述第一AI网络模型用于将第一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第二信道信息,所述目标CQI与所述第二信道信息关联;
第一发送模块,用于向所述网络侧设备发送所述目标CQI。
24.一种信息处理装置,其特征在于,应用于网络侧设备,所述装置包括:
第一接收模块,用于接收来自终端的目标信道质量指示CQI;
第二确定模块,用于根据所述目标CQI确定第二信道信息的CQI;
其中,所述目标CQI是基于第一信息确定的CQI,第一信道信息通过所述终端具有的第一AI网络模型处理成第一信道特征信息,所述网络侧设备具有的第二AI网络模型用于将所第一信道特征信息恢复成所述第二信道信息,所述目标CQI与所述第二信道信息关联。
25.一种通信设备,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14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15至22中任一项所述的信息处理方法的步骤。
26.一种可读存储介质,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14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15至22中任一项所述的信息处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321326.5A CN117978218A (zh) | 2022-10-26 | 2022-10-26 | 信息传输方法、信息处理方法、装置和通信设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321326.5A CN117978218A (zh) | 2022-10-26 | 2022-10-26 | 信息传输方法、信息处理方法、装置和通信设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117978218A true CN117978218A (zh) | 2024-05-03 |
Family
ID=90850071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211321326.5A Pending CN117978218A (zh) | 2022-10-26 | 2022-10-26 | 信息传输方法、信息处理方法、装置和通信设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117978218A (zh) |
-
2022
- 2022-10-26 CN CN202211321326.5A patent/CN117978218A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230412430A1 (en) | Inforamtion reporting method and apparatus, first device, and second device | |
WO2023246618A1 (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
WO2023185978A1 (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 | |
CN118316496A (zh) | 信息传输方法、装置和通信设备 | |
WO2023179476A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2023179473A1 (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN117411527A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2024088161A1 (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
CN117641446A (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
CN116828496A (zh) | 信道特征信息辅助上报及恢复方法、终端和网络侧设备 | |
CN117997396A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
CN116939650A (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
CN117335849A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN116939647A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
WO2024104126A1 (zh) | 更新ai网络模型的方法、装置和通信设备 | |
WO2023179570A1 (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
WO2024032606A1 (zh) | 信息传输方法、装置、设备、系统及存储介质 | |
CN117978304A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
WO2023185995A1 (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
WO2024055974A1 (zh) | Cqi传输方法、装置、终端及网络侧设备 | |
CN117318773A (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
CN118042450A (zh) | 信息传输方法、更新ai网络模型的方法、装置和通信设备 | |
CN117715072A (zh) | 信息传输方法、ai网络模型训练方法、装置和通信设备 | |
CN116996898A (zh) | Ai网络模型确定方法、装置、参考节点和网络侧设备 |
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 |