CN117978304A - 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
- CN117978304A CN117978304A CN202211313926.7A CN202211313926A CN117978304A CN 117978304 A CN117978304 A CN 117978304A CN 202211313926 A CN202211313926 A CN 202211313926A CN 117978304 A CN117978304 A CN 117978304A
- Authority
- CN
- China
- Prior art keywords
- information
- floating point
- quantization parameter
- quantization
- channel
- 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 177
- 230000005540 biological transmission Effects 0.000 title claims abstract description 47
- 238000004891 communication Methods 0.000 title claims abstract description 37
- 230000010365 information processing Effects 0.000 title claims abstract description 37
- 238000013139 quantization Methods 0.000 claims abstract description 763
- 238000012545 processing Methods 0.000 claims abstract description 146
- 238000007906 compression Methods 0.000 claims abstract description 30
- 230000006835 compression Effects 0.000 claims abstract description 29
- 238000007667 floating Methods 0.000 claims description 464
- 230000011218 segmentation Effects 0.000 claims description 56
- 238000003672 processing method Methods 0.000 claims description 17
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 15
- 238000010606 normalization Methods 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
- 238000005516 engineering process Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002441 reversible 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
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 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
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 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
- Compression, Expansion, Code Conversion, And Decoders (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:终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;所述终端向网络侧设备发送所述第一信息。
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网络模型的编码部分用于压缩和量化,压缩是将输入的预编码信息或信道信息压缩为浮点数形式的神经元信息,然后通过量化得到二进制的bit流。
常见的量化方式包括标量量化和矢量量化,标量量化是将每个浮点数量化为固定的bit数,矢量量化是将一定长度的浮点数序列通过一个双方已知的码本量化为固定长度的bit序列,且终端和基站都已知这个码本。但是,无论是哪一种量化方式,量化后的bit数都是固定的,即同一个AI网络模型输出的bit流的长度是固定的,当需要不同精度的信道状态信息(Channel State Information,CSI)反馈的时候,只能更新AI网络模型,以实现输出bit数的更新,这样会增加训练新的AI网络模型的计算量,且增加传输新的AI网络模型的开销。
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,能够调节压缩后的信道特征信息的量化方式,以调节AI网络模型输出的bit数。
第一方面,提供了一种信息传输方法,该方法包括:
终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
所述终端向网络侧设备发送所述第一信息。
第二方面,提供了一种信息传输装置,应用于终端,该装置包括:
第一处理模块,用于根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
第一发送模块,用于向网络侧设备发送所述第一信息。
第三方面,提供了一种信息传输方法,包括:
网络侧设备接收来自终端的第一信息;
所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的信道特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
所述网络侧设备基于第二AI网络模型对所述第一信道特征信息进行解压缩处理,得到所述第一信道信息。
第四方面,提供了一种信息传输装置,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第一信息;
第二处理模块,用于根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的信道特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
第三处理模块,用于基于第二AI网络模型对所述第一信道特征信息进行解压缩处理,得到所述第一信道信息。
第五方面,提供了一种通信设备,该通信设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面或第三方面所述的方法的步骤。
第六方面,提供了一种终端,包括处理器及通信接口,其中,所述处理器用于根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;所述通信接口用于向网络侧设备发送所述第一信息。
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第一信息;所述处理器用于根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的信道特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;所述处理器还用于基于第二AI网络模型对所述第一信道特征信息进行解压缩处理,得到所述第一信道信息。
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,终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;所述终端向网络侧设备发送所述第一信息。这样,通过目标量化参数调节第一AI网络模型输出的第一信道特征信息的bit数,以实现对第一信道特征信息进行变长量化,能够在采用相同的AI网络模型的基础上,满足不同精度或payload需求的CSI反馈。
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编码AI网络模型得到编码结果,将编码结果发送给基站,基站接收编码后的结果,输入到解码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编码,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码,从而恢复信道信息,此时基站的解码AI网络模型和终端的编码AI网络模型需要联合训练,达到合理的匹配度。编码AI网络模型的输入是信道信息,输出是编码信息,即信道特征信息,解码AI网络模型的输入是编码信息,输出是恢复的信道信息。
在相关技术中,对于不同信道质量,基站需要的CSI准确度不同,该CSI对应的负载开销(payload)不同。但是,同一个编码AI网络模型的输出维度是固定的,这样,每一个payload需要采用对应的编码AI网络模型对信道信息进行编码处理,这样,需要训练与多个payload一一对应的编码AI网络模型,训练以及传递AI网络模型的开销过大。
而本申请实施例中,通过目标量化参数来调节编码AI网络模型输出的第一信道特征信息的比特数,使得同一个编码AI网络模型能够适用于不同payload的CSI反馈,能够降低训练AI网络模型的复杂度,以及降低部署和更新AI网络模型的复杂度。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的信息传输方法、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、终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息。
其中,上述第一信息可以是第一比特数的bit流,上述第一AI网络模型可以是编码AI网络模型和/或压缩AI网络模型,即在终端侧对信道信息进行处理得到CSI相关信息的网络模型,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网络模型是编码AI网络模型为例进行举例说明,该编码AI网络模型与网络侧设备的解码AI网络模型和/或解压缩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网络模型是解码AI网络模型为例进行举例说明。一种实施方式中,该第一AI网络模型包括压缩和量化功能,即第一AI网络模型用于压缩和量化第一信道信息,得到所述第一信息。与之相对应的,第二AI网络模型用于解量化和解压缩第一信道特征信息,以恢复所述第一信道信息。
具体地,压缩处理是将输入的预编码信息或信道信息通过一些神经元传导,转换成一些特征信息,用来描述输入的预编码信息或信道信息的特征,这些特征信息都是浮点数的形式,然后,这些浮点数形式的信道特征信息通过量化处理得到二进制的bit流,发送给基站,基站将二进制的bit流解量化为对应的浮点数,再通过第二AI网络模型解压缩,得到预编码信息或信道信息。
本实施方式中,量化处理可以作为编码AI网络模型的一部分,并与编码AI网络模型一起训练,解量化处理可以作为解码AI网络模型的一部分,并与解码AI网络模型一起训练。
一种实施方式中,该第一AI网络模型包括编码和量化功能,即第一AI网络模型用于编码和量化第一信道信息,得到所述第一信息。与之相对应的,第二AI网络模型用于解量化和解编码第一信道特征信息,以恢复所述第一信道信息。
一种实施方式中,量化处理和/或解量化处理可以是与第一AI网络模型和第二AI网络模型独立的部分,例如:可以在训练AI网络模型的阶段,独立训练量化AI网络模型和解量化AI网络模型,以及独立训练第一AI网络模型和第二AI网络模型;或者,量化AI网络模型和解量化AI网络模型,与第一AI网络模型和第二AI网络模型是一起训练的,但是,量化AI网络模型和解量化AI网络模型可以独立使用;或者,量化处理和/或解量化处理是与AI网络模型训练无关的处理过程。
步骤202、所述终端向网络侧设备发送所述第一信息。
一种实施方式中,终端可以通过CSI反馈的方式向网络侧设备发送所述第一信息。
一种实施方式中,所述量化处理可以包括标量量化处理,即将每个浮点数按照量化比特数量化为固定的bit数,例如:假设量化比特数等于3,则一个浮点数量化为3bit,80个浮点数量化为240bits。此时,目标量化参数包括该量化比特数。与之相对应的,网络侧设备在解量化第一信息的过程中,每个浮点数对应的比特数可以单独解量化,即基于上述240bits中的80个3bits,分别解出80个浮点数。
一种实施方式中,所述量化处理可以包括矢量量化处理,即将一定长度的浮点数序列通过一个量化码本量化为固定长度的bit序列,例如:80个浮点数,按照每20个一组的方式分为4组,每组基于量化码本量化为50bits,则4组分别基于量化码本进行量化,一共得到200bits的bit流。与之相对应的,网络侧设备在解量化第一信息的过程中,每组浮点数对应的比特数可以单独解量化,即同组内的20个浮点数对应的50个bits数一起解量化,得出20个浮点数。
本实施方式中,量化码本是终端和网络侧设备已知的,可以在训练第一AI网络模型和/或所述第二AI网络模型的过程中确定量化码本,或者可以将量化码本与第一AI网络模型和/或所述第二AI网络模型绑定,如量化码本与第一AI网络模型和/或所述第二AI网络模型一起传输,或者量化码本是网络侧设备指示的,或者量化码本是终端从预先配置的量化码本池中选择的。
作为一种可选的实施方式,所述终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,包括:
终端将所述第一信道特征信息划分为至少两个分段;
所述终端根据所述至少两个分段按照各自对应的量化参数对所述至少两个分段进行量化处理,得到第一信息,其中,所述目标量化参数包括所述至少两个分段各自对应的量化参数。
一种实施方式中,所述至少两个分段各自对应不同的量化参数,如对应不同的量化比特数或对应不同的量化码本,或者,一部分分段使用标量量化,另一部分分段使用矢量量化。
可选地,所述目标量化参数还包括分段方式,所述终端将所述第一信道特征信息划分为至少两个分段,包括:
所述终端按照所述分段方式将所述第一信道特征信息划分为至少两个分段。
其中,所述分段方式包括以下至少一项:
基于绝对浮点数个数进行划分;
基于浮点数比例进行划分。
方式一:基于绝对浮点数个数进行划分
一种实施方式中,可以根据每个分段内包含的浮点数个数,对第一信道特征信息进行分段,例如:假设分段方式指示每一个分段包括40个浮点,第一信道特征信息的总浮点数为80,则将所述第一信道特征信息中的前40个浮点数划分为一个分段,将41~80个浮点数划分为另一个分段;或者,在剩余浮点数不足40的情况下,可以将剩余的浮点数划分为一个分段,例如:若第一信道特征信息的总浮点数为70,则将所述第一信道特征信息中的前40个浮点数划分为第一个分段,将剩余的30个浮点数划分为另一个分段。
另一种实施方式中,可以明确指示每个分段的浮点数的起始位置和/或终止位置,具体可以包括以下指示方式:
1)明确指示部分分段的结束位置,例如:第一信道特征信息分为3个分段,则目标量化参数可以包括结束位置:20,40,表示第0~20个浮点数为一个分段,第21~40个浮点数为一个分段,41至第一信道特征信息中的最后一个浮点数为一个分段,其中,最后一个分段的结束位置可以省略;
2)明确指示部分分段的开始位置,例如:第一信道特征信息分为3个分段,则目标量化参数可以包括开始位置:20,40,表示第0~19个浮点数为一个分段,第20~39个浮点数为一个分段,40至第一信道特征信息中的最后一个浮点数为一个分段,其中,第一个分段的开始位置可以省略;
3)明确指示每一个分段的开始位置和结束位置。
一种实施方式中,在上述方式1)的基础上,用于指示结束位置的量化参数可以与分段一一对应,例如:每一个分段分别采用6bit来指示该分段的结束位置,则该6bit可以指示该分段的结束位置为1~64之间的任一浮点数。
一种实施方式中,在上述方式2)的基础上,用于指示开始位置的量化参数可以与分段一一对应,例如:每一个分段分别采用6bit来指示该分段的结束位置,则该6bit可以指示该分段的开始位置为1~64之间的任一浮点数。
另一种实施方式中,可以明确指示每个分段具体包含哪些浮点数,例如:将第一信道特征信息中的第1、3、5、7个浮点数划分为一个分段,此时,同一个分段内的浮点数可以是不连续的。
方式二:基于浮点数比例进行划分
一种实施方式中,可以根据每个分段内包含的浮点数占第一信道特征信息的总浮点数的比例来划分,例如:将所述第一信道特征信息中的前25%的浮点数划分为第一个分段,将前25%至50%划分为第二个分段,将50%至100%划分为第三个分段。
其中,每一个浮点数比例乘以第一信道特征信息的总浮点数后,向上或向下取整得到该浮点数比例对应的浮点数。
一种实施方式中,在上述方式一或方式二所述的分段方式的基础上,可以仅指示部分分段的量化参数,例如:对于最后一个分段的量化参数,可以由协议约定或默认使用1bit的标量量化。
可选地,上述每一个分段各自对应的量化参数可以根据该分段的排列位置确定,例如:对于标量量化,越靠前的分段对应的量化比特数越多,或者越靠后的分段对应的量化比特数越多。特别地,可以将第一信道特征信息中的前一半浮点数使用高bit量化,后一半浮点数使用低bit量化。
需要说明的是,所述至少两个分段各自对应的量化参数可以相同,在此不作具体限定。
除了上述对第一信道特征信息进行分段,并采用各自对应的量化参数来量化每一个分段之外,还可以基于浮点数的强弱来进行有针对性的量化处理。
作为一种可选的实施方式,所述终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,包括:
终端获取所述第一信道特征信息中的每一个浮点数的幅度;
所述终端基于第一量化参数对第一浮点数进行量化,得到第一子信息,其中,所述目标量化参数包括所述第一量化参数;
所述终端基于第二量化参数对第二浮点数进行量化,得到第二子信息,其中,所述目标量化参数包括所述第二量化参数;
所述终端基于所述第一子信息和所述第二子信息,确定所述第一信息;
其中,所述第一浮点数为所述第一信道特征信息中幅度大于或等于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于所述第一预设阈值的浮点数;或者,所述第一浮点数为所述第一信道特征信息中幅度大于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于或等于所述第一预设阈值的浮点数。
一种实施方式中,上述浮点数的幅度,可以是浮点数本身,或者是标量量化后的浮点数,例如:假设某一浮点数为0.88,则浮点数本身即为0.88,而标量量化后的浮点数为0.9。
一种实施方式中,第一量化参数的量化精度可以高于第二量化参数的量化精度,此时,对幅度较大的第一浮点数的量化精度大于幅度较弱的第二浮点数的量化精度。例如:对于标量量化,第一量化参数对应的量化比特数大于第二量化参数对应的量化比特数。
一种实施方式中,第一预设阈值可以是最小量化幅度,或者是基于量化精度需求和/或CSI反馈精度需求和/或网络侧设备指示的CSI反馈的payload等确定的阈值,例如:若量化精度需求和/或CSI反馈精度需求和/或网络侧设备指示的CSI反馈的payload越高,则第一预设阈值的取值越小。
一种实施方式中,第二量化参数可以是将第二浮点数置0,即不上报第二浮点数。
本实施方式中,能够更加有针对性的对第一信道特征信息中的浮点数按照幅度大小来使用的对应的量化参数,例如:对第一浮点数采用高比特数量化,以提升第一浮点数的量化精度,对第二浮点数采用低比特数量化,以降低第二浮点数量化后的比特数,从而在确保量化精度的情况下,能够尽可能地缩小量化后的第一信息的比特数。
作为一种可选的实施方式,所述终端基于第二量化参数对第二浮点数进行量化,得到第二子信息,包括:
所述终端基于所述第一预设阈值对所述第二浮点数进行归一化处理,并基于第二量化参数对所述归一化处理后的第二浮点数进行量化,得到第二子信息。
一种实施方式中,基于所述第一预设阈值对所述第二浮点数进行归一化处理,可以是将每一个第二浮点数分别与第一预设阈值进行相除,例如:假设最小量化幅度是0.5,则将每一个第二浮点数分别除以0.5。
本实施方式中,基于所述第一预设阈值对所述第二浮点数进行归一化处理,可以增大归一化处理后的第二浮点数的幅度,例如:归一化处理后的第二浮点数的幅度大于或等于最小量化幅度,这样,可以使对归一化处理后的第二浮点数的量化处理能够实现。
作为一种可选的实施方式,所述信息传输方法还包括:
所述终端向所述网络侧设备发送第一指示信息,所述第一指示信息指示所述第一浮点数使用所述第一量化参数量化,和/或,指示所述第二浮点数使用所述第二量化参数量化。
一种实施方式中,第一指示信息可以是比特图(bitmap),该bitmap指示哪一些比特是使用第一量化参数量化得到的,哪一些比特是使用第二量化参数量化得到的,或者,该bitmap指示哪一些浮点数使用第一量化参数量化,哪一些浮点数使用第二量化参数量化。
当然,上述第一指示信息还可以是除了bitmap之外的任意类型的指示信息,在此不作具体限定。
本实施方式中,终端向网络侧设备上报哪一些浮点数是使用第一量化参数量化,哪一些浮点数是使用第二量化参数量化,这样,基站在解量化第一信息的时候,就知道各个比特数对应的解量化参数,从而提升了解量化第一信息的准确度。
作为一种可选的实施方式,所述目标量化参数满足以下至少一项:
由所述网络侧设备指示;
由所述终端选择;
由协议约定;
与所述第一AI网络模型关联。
一种实施方式中,目标量化参数与所述第一AI网络模型关联,可以是目标量化参数作为第一AI网络模型的一部分,与第一AI网络模型绑定和/或一起传递,或者,多个目标量化参数组成的集合与AI模型绑定或一起传输,终端在上报第一信息的场景下,可以自行选择使用的量化参数index,或者使用网络侧设备指示的量化参数index。
可选地,第一AI网络模型可以对应多种目标量化参数,训练所述第一AI网络模型的时候,可以确定每种目标量化参数的准确度,且,每种目标量化参数的准确度与第一AI网络模型一起传递。
一种实施方式中,可以由协议约定分段方式和每个分段对应的量化bit数或量化码本标识(index)。
一种实施方式中,可以由协议约定分段方式,由网络侧设备指示每个分段对应的量化bit数或量化码本index。
一种实施方式中,可以由网络侧设备指示分段方式和每个分段对应的量化bit数或量化码本index。
一种实施方式中,可以由网络侧设备指示分段个数,终端根据网络侧设备指示的分段个数,以及第一信道特征信息的长度确定分段方式以及每一个分段的量化参数。
一种实施方式中,目标量化参数可以是一个量化等级。
可选地,一个量化等级对应一个分段方式以及各个分段对应的量化bit数或量化码本。此时,量化等级与分段方式以及各个分段对应的量化bit数或量化码本之间的对应关系可以由协议约定,基站只需要指示或配置终端采用其中哪一个量化等级即可。
可选地,一个量化等级对应一个分段方式,且量化等级与分段方式之间的对应关系由协议约定,基站指示或配置终端采用其中哪一个量化等级,以及指示或配置其中每一个分段对应的量化bit数或量化码本index或量化码本。
作为一种可选的实施方式,在所述目标量化参数由所述终端选择的情况下,所述方法还包括:
所述终端向所述网络侧设备发送第三指示信息,所述第三指示信息指示所述目标量化参数或第一标识或量化等级,所述第一标识或量化等级与所述目标量化参数对应。
本实施方式中,终端选择目标量化参数,并上报目标量化参数或或第一标识或量化等级,可以使网络侧设备获知第一信息使用的目标量化参数,从而据此对第一信息进行解量化。
可选地,所述第三指示信息满足以下至少一项:
所述终端在对所述第一信道信息进行压缩处理之前,预先上报所述网络侧设备的;
携带于所述第一信息对应的CSI报告。
一种实施方式中,终端可以在上报第一信息之前,预先上报一个第三指示信息,以指示网络侧设备:后续上报的第一信息都是采用第三指示信息指示的目标量化参数量化的。
一种实施方式中,终端可以在向网络侧设备上报能力信息的时候,一同上报第三指示信息,此时,第三指示信息作为终端能力信息的一部分。
可选地,终端可以周期性的发送所述第三指示信息,以周期性地更新目标量化参数。
一种实施方式中,第三指示信息可以是与第一信息一起上报的,例如:第一信息和第三指示信息携带于CSI报告。这样,第三指示信息用于指示一同上报的第一信息使用的目标量化参数。
这样,每一次CSI上报可以使用不同的量化参数。
一种实施方式中,终端可以预先上报一个第三指示信息,且还可以与第一信息一起上报一个第三指示信息,此时,以与第一信息一起上报的第三指示信息为准,当某一第一信息未与第三指示信息一同上报的情况下,以预先上报的第三指示信息为准。
作为一种可选的实施方式,在所述目标量化参数由所述网络侧设备指示的情况下,所述方法还包括:
所述终端接收来自所述网络侧设备的第四指示信息;
所述终端根据所述第四指示信息确定所述目标量化参数;
其中,所述第四指示信息指示以下至少一项:
所述目标量化参数,如,标量量化的比特数;
第一标识,所述第一标识与所述目标量化参数对应;
第二标识,所述第二标识用于标识量化码本池中的量化码本,所述目标量化参数包括所述第二标识对应的量化码本;
至少两个分段各自对应的第二标识,所述第一信道特征信息包括所述至少两个分段,所述目标量化参数包括所述至少两个分段各自对应的量化码本;
第三标识,所述第三标识与分段方式以及每一个分段的量化参数对应,如,协议中约定一个表格,该表格中的标签包括第三标识,以及与该标识对应的以下至少一项:每一个分段包含的浮点数个数、分段数量、分段方式、量化方式(标量量化或矢量量化)、payload,这样,基于网络侧设备指示的第三标识,可以通过查表法确定该第三标识关联的以下至少一项:每一个分段包含的浮点数个数、分段数量、分段方式、量化方式和payload。可选地,协议中可以约定至少两个表格,每一个表格适用于不同的场景,每一个表格所适用的场景可以是网络侧设备提前配置的,或者是通过其他参数隐式表明的,如,高可靠和低延迟通信(Ultra-reliable and Low Latency Communications,URLLC)与增强型移动宽带(Enhanced Mobile Broadband,eMBB)对应不同的表格;
量化等级,所述量化等级与所述目标量化参数对应;
第五信息,所述第五信息包括负载开销payload或payload最大值,所述第一比特数等于所述payload,或为小于或等于所述payload最大值的最大比特数。
方式一,网络侧设备可以通过第四指示信息明确的指示所述目标量化参数,或者是指示所述目标量化参数的第一标识,其中,第一标识与目标量化参数之间的对应关系可以是协议约定的或网络侧设备预先指示或配置的。
方式二,网络侧设备可以通过第四指示信息指示量化码本池中的量化码本的第二标识,其中,量化码本池可以是协议约定的,或者是网络侧设备预先指示或配置的,或者是与第一AI网络模型关联的。例如:第一AI网络模型关联了至少两个量化参数,每一个量化参数对应一个第二标识,则网络侧设备指示其中一个作为目标量化参数。
可选地,在将第一信道特征信息划分为至少两个分段的情况下,第四指示信息可以指示全部分段共用的一个目标量化参数,或者,第四指示信息可以指示每一个分段的量化参数。例如:网络侧设备可以通过第四指示信息从量化码本池中指示每一个分段的量化码本的第二标识。
方式三,可以通过协议约定的或网络侧设备预先指示或配置的方式,使终端获知每一个量化等级所对应的目标量化参数,例如:一个量化等级对应一个分段方式和各个分段对应的量化比特数。此时,网络侧设备可以指示一个量化等级,便可以指示终端使用的目标量化参数。
方式四,网络侧设备可以直接指示终端上报第一信道特征信息的Payload或payload最大值。此时,终端可以根据采用的第一AI网络模型所输出的第一信道特征信息的长度与Payload的数量关系来确定目标量化参数。例如:基于目标量化参数将第一信道特征信息量化成与Payload值对应的比特数,或者基于目标量化参数将第一信道特征信息量化成小于或等于Payload最大值的比特数。
可选地,所述第四指示信息满足以下至少一项:
在所述终端在对所述第一信道信息进行压缩处理之前,由所述网络侧设备预先配置或指示所述终端的;
携带于所述第一信息对应的CSI报告配置(report config)。
一种实施方式中,在网络侧设备预先配置或指示所述第四指示信息的情况下,该第四指示信息指示:后续上报的第一信息都是采用第四指示信息指示的目标量化参数量化的。
可选地,网络侧设备可以周期性的发送所述第四指示信息,以周期性地更新目标量化参数。
一种实施方式中,第四指示信息可以是与CSI report config一起下发的,该CSIreport config用于配置终端上报第一信息。这样,第四指示信息用于指示本次CSI上报的第一信息使用的目标量化参数。
这样,每一次CSI上报可以使用不同的量化参数。
一种实施方式中,网络侧设备可以预先配置或指示一个第四指示信息,且还可以在CSI report config中携带一个第四指示信息,此时,以与CSI report config一中携带的第四指示信息为准,当某一CSI report config未携带第四指示信息的情况下,以网络侧设备预先配置或指示的第四指示信息为准。
可选地,在所述第四指示信息指示所述第五信息的情况下,所述终端根据所述第四指示信息确定所述目标量化参数,包括:
所述终端根据预设对应关系,确定与所述第五信息对应的所述目标量化参数;和/或,
所述终端根据所述第五信息和所述第一信道特征信息的浮点数个数,基于预设规则确定所述第一比特数,以及确与所述第一比特数对应的目标量化参数;
所述终端确定将所述第一信道特征信息量化处理成所述第一比特数的所述目标量化参数。
上述预设对应关系或预设规则可以是协议约定的或网络侧设备预先指示或配置的。
一种实施方式中,预设对应关系指示每一个Payload值各自对应的分段方式和量化比特数或量化码本,例如:若Payload值小于100bit,则将第一信道特征信息划分为两个分段,若Payload值大于或等于100bit,且小于200bit,则将第一信道特征信息划分为三个分段,若Payload值大于或等于200bit,则将第一信道特征信息划分为四个分段。
一种实施方式中,所述预设规则可以与终端使用的第一AI网络模型关联的,例如:同一个第一AI网络模型输出的第一信道特征信息的长度是固定的,假设为第二长度,此时,将该第二长度的第一信道特征信息量化成第一长度的第一信息,其使用的目标量化参数可以是基于预设规则确定的。例如:假设第二长度为100个浮点数,网络侧指示的Payload值为400bit,则可以基于预设规则,确定将所述第一信道特征信息平均划分为两个分段,其中,前一个分段中的每个浮点数采用3bit量化,后一个分段中的每个浮点数采用1bit量化,最终得到400bit的第一信息。
本实施方式中,终端可以根据网络侧设备指示的目标量化参数来量化第一信道特征信息。
作为一种可选的实施方式,所述信息传输方法还包括:
所述终端根据所述网络侧设备指示的分段个数M,确定第六信息,M为正整数;
其中,在M等于1的情况下,所述第六信息包括所述第一信道特征信息使用的目标量化参数;
在M大于1的情况下,所述第六信息包括以下至少一项:
所述分段方式;
所述至少两个分段中的每一个分段的长度;
所述至少两个分段各自使用的目标量化参数。
本实施方式中,由网络侧设备指示分段个数M,终端则根据M的取值来确定具体的量化参数,具体地,在M等于1时,终端不需要对第一信道特征信息进行分段,该第一信道特征信息作为一个整体,使用一种目标量化参数进行量化即可;在M大于1时,终端需要对第一信道特征信息进行分段,具体的分段方式(如:等长度分段、不等长度分段、等间隔分段、不等间隔分段等方式)和/或每一个分段使用的量化参数由终端选择。
作为一种可选的实施方式,所述至少两个分段中的每一个分段的长度相等,且L=U/M,其中,L表示所述至少两个分段中的每一个分段的长度,U为所述第一信道特征信息的总浮点数;或者,
所述至少两个分段中的每一个分段的长度与协议约定的分段规则相关。
一种实施方式中,分段规则可以约定各个分段的浮点数比例或浮点数个数。
一种实施方式中,分段规则还可以包括:在N/M不能够整除的时候,对于N/M的余数的处理规则,例如:将该余数并入第一个分段或最后一个分段。例如:假设M等于3,N等于160,则L等于53,且剩余的1个并入第1个分段。此时,第一个分段包括54个浮点数,其他分段包括53个浮点数。
作为一种可选的实施方式,所述至少两个分段包括第一分段和第二分段,所述第一分段对应第五量化比特数,所述第二分段对应第六量化比特数;
所述终端根据所述至少两个分段按照各自对应的量化参数对所述至少两个分段进行量化处理,得到第一信息,包括:
所述终端根据所述第五量化比特数对所述第一分段进行量化处理,得到第五子信息;
所述终端根据所述第六量化比特数对所述第二分段进行量化处理,得到第六子信息;
所述终端根据所述第五子信息和所述第六子信息,确定第一信息。
本实施方式中,不同的分段可以采用不同的量化比特数进行标量量化处理。
可选地,在所述第一分段的重要程度大于所述第二分段的重要程度的情况下,所述第五量化比特数大于所述第六量化比特数,或者,所述第五量化比特数小于所述第六量化比特数。
在实施中,可以由协议约定重要程度高的量化比特数越大,或者越大重要程度高的量化比特数越小,在此不作具体限定。
其中,在重要程度高的量化比特数越大的情况下,可以对第一信道特征信息中重要程度高的分段进行高精度量化,提升量化精度控制的针对性。
一种实施方式中,上述每一个分段的重要程度可以与该分段在第一信道信息中的排列位置有关。例如:排列越靠前的分段,其重要程度越高。
一种实施方式中,上述每一个分段的重要程度可以与该分段中的浮点数的幅度大小有关。例如:该分段中的浮点数的幅度均值越大,则该分段的重要程度越高。
作为一种可选的实施方式,所述目标量化参数携带于第二信息,所述第二信息还包括所述第一AI网络模型的相关参数,所述目标量化参数包括所述第一AI网络模型输出的每一个浮点数各自对应的量化参数;或者,
所述目标量化参数携带于第三信息,所述第三信息还携带所述第一AI网络模型的标识;或者,
在所述网络侧设备训练所述第一AI网络模型的情况下,所述目标量化参数不传输。
在实施中,可以在AI网络模型训练的过程中,确定第一AI网络模型所关联的目标量化参数,例如:在网络侧设备训练AI网络模型(包括编码AI网络模型和解码AI网络模型)的情况下,可以在AI网络模型训练的过程中确定每一个AI网络模型关联的目标量化参数。例如:训练节点在训练AI网络模型的时候,可以将编码AI网络模型的输出权重进行倾斜,使得编码AI网络模型的部分节点权重高,以指示该部分节点对应的编码后的输出结果的重要性高,从而在分段时,可以据此将重要的浮点数放在与高精度量化参数对应的分段内,或者,将输出权重值高的分段的量化比特数增大。
一种实施方式中,第二信息携带目标量化参数和第一AI网络模型的相关参数,此时,目标量化参数与第一AI网络模型一同传递。
一种实施方式中,目标量化参数可以单独传递,此时,通过第三信息中迭代的第一AI网络模型的标识,来将所述目标量化参数与所述第一AI网络模型的标识关联。
一种实施方式中,在训练所述第一AI网络模型的节点是网络侧设备的话,网络侧设备在AI网络模型训练的过程中,已经获知了目标量化参数,此时,终端可以不上报目标量化参数。
可选地,所述目标量化参数与所述第一AI网络模型一起训练得到;和/或,
所述目标量化参数与所述第一AI网络模型的相关参数一起传输;和/或,
第一准确度与所述第一AI网络模型的相关参数一起传输,所述第一准确度为基于所述目标量化参数对所述第一AI网络模型输出的第一信道特征信息进行量化的准确度。
一种实施方式中,在训练第一AI网络模型和第二AI网络模型的过程中,可以将第一AI网络模型输出的第一信道特征信息,采用至少两种量化参数分别进行量化,以及采用第二AI网络模型分别对量化后的第一信息分别进行解量化,然后将解量化的第二信道特征信息与量化前的第一信道特征信息进行匹配,根据匹配结果得到每一种量化参数的第一准确度。通过将第一准确度与所述第一AI网络模型的相关参数一起传输传递,可以使终端能够优先选择准确度较高的量化参数来作为第一信道特征信息的目标量化参数。
作为一种可选的实施方式,所述第一信道信息是一层信道信息,或者,所述第一信道信息包括X层信道信息,X为所述第一信道信息对应的信道的秩。
一种实施方式中,可以以layer为单位,分别对每一个layer的信道信息独立进行量化处理。此时,每一个layer的信道特征信息可以采用各自对应的量化参数进行量化处理。
例如:每个layer可以使用各自对应的分段方式,以及各自对应的量化比特数或量化码本;或者,
全部layer可以使用相同的分段方式,以及各自对应的量化比特数或量化码本,此时,终端在上报每一个分段对应的量化比特数或量化码本index的时候,可以每个layer独立上报;或者,
一种实施方式中,可以将整个信道的全部layer的信道特征信息作为一个整体,同时进行量化处理。此时,全部layer的信道特征信息可以使用相同的量化参数进行量化处理,或者,每一个layer的信道特征信息使用各自对应的量化参数进行量化处理。
例如:将全部layer的信道信息输入至第一AI网络模型中,该第一AI网络模型的输入维度与总layer数的信道信息的长度匹配。
可选地,目标量化参数可以与秩(rank)对应,例如:终端在选择rank之后,上报对应rank的分段方式,和/或,对应的量化比特数或量化码本index。或者,网络侧设备可以配置每个rank对应的分段方式,和/或,对应的量化比特数或量化码本index,终端在选择rank之后,基于该rank对应的分段方式,和/或,对应的量化比特数或量化码本index确定目标量化参数。
一种实施方式中,每一个码字(code word)对应各自对应的量化参数,此时,同一个码字对应的4个layer的信道特征信息可以使用相同的量化参数进行量化处理,不同码字对应的layer的信道特征信息可以使用不同的量化参数进行量化处理。
作为一种可选的实施方式,所述终端根据目标量化参数对第一信道特征信息进行量化处理,包括:
终端根据目标量化参数对第一信道特征信息中的每一个浮点数分别与第三浮点数的比值进行量化处理,其中,所述第三浮点数为所述第一信道特征信息中最大的浮点数;或者,
终端根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理,其中,所述第四浮点数和所述第五浮点数为所述第一信道特征信息中位于同一分段的浮点数,且所述第五浮点数为位于所述同一分段的浮点数中最大的浮点数;
所述方法还包括:
所述终端向所述网络侧设备发送第四信息,所述第四信息包括以下至少一项:
所述第三浮点数在所述第一信道特征信息中的位置信息;
所述第三浮点数所在的分段的标识,以及所述第三浮点数在所在分段中的位置信息;
所述第五浮点数在所在分段中的位置信息。
本实施方式中,对第一信道特征信息进行最大值归一化处理,或者,分别对第一信道特征信息的每一个分段进行最大值归一化处理。这样,可以实现对归一化后的信道特征信息进行量化处理,降低量化处理的复杂度,以及降低量化后的第一信息的比特数,向网络侧设备传递归一化后的第一信息,能够降低传递开销。
在网络侧,当接收到上述第四信息的情况下,网络侧设备可以根据其中指示的最大浮点数来实现恢复第一信道特征信息的真值,例如:网络侧设备先基于目标量化参数对第一信息进行解量化,得到归一化后的第一信道特征信息,然后根据第四信息恢复第一信道特征信息中的各个浮点数的真值。
作为一种可选的实施方式,在终端根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理的情况下,所述方法还包括:
所述终端向所述网络侧设备发送第五信息,所述第五信息包括以下至少一项:
N个第五浮点数,其中,N为所述第一信道特征信息的分段数目;
N-1个第五浮点数,其中,所述N-1个第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中除目标第五浮点数之外的N-1个,所述目标第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中最大的一个;
N-1个第五浮点数分别与所述目标第五浮点数的比值。
一种实施方式中,上述第三浮点数或第五浮点数可以不上报,只需要上报第三浮点数或第五浮点数的位置。
一种实施方式中,在终端根据目标量化参数对第一信道特征信息中的每一个浮点数分别与第三浮点数的比值进行量化处理,且未向网络侧设备上报第三浮点数的情况下,网络侧设备可以将第三浮点数当做1处理,或者是将第三浮点数确定为与第一AI网络模型关联的固定值,并根据该第三浮点数的取值,以及第一信道特征信息中的每一个浮点数分别与第三浮点数的比值恢复第一信道特征信息。
一种实施方式中,在终端根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理,且未向网络侧设备上报第五浮点数的情况下,网络侧设备可以将第五浮点数确定为与第一AI网络模型关联的固定值,并根据该第五浮点数的取值,以及与该第五浮点数位于同一分段内的每一个第四浮点数分别与第五浮点数的比值恢复该分段的第一信息。
一种实施方式中,在终端根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理,且向网络侧设备上报了N-1个第五浮点数的情况下,其中,未上报的第五浮点数为全部分段内值最大的一个,即第三浮点数,网络侧设备可以将该未上报的一个第五浮点数当做1处理,其他的N-1个第五浮点数按照上报的值处理。
可选地,网络侧设备向网络侧设备上报的N-1个第五浮点数可以是该N-1个第五浮点数分别与第三浮点数的比值。此时,终端还向网络侧设备上报所述第三浮点数所在分段的标识,这样,网络侧设备可以根据该第三浮点数所在分段的标识确定第三浮点数,并根据N-1个第五浮点数分别与第三浮点数的比值来恢复上述N-1个第五浮点数的真值,然后,再分别根据每一个分段内的第五浮点数的真值,以及该分段内的第四浮点数与第五浮点数的比值来恢复该分段的第一信息。
可选地,终端对第一信道特征信息进行标量量化处理的情况下,N-1个第五浮点数分别与第三浮点数的比值的量化比特数,可以大于每个分段内的第四浮点数与第五浮点数的比值的量化比特数。这样,可以有针对性的提升对N-1个第五浮点数的量化精度。
值得提出的是,在一种实施方式中,终端也可以直接对第一信道信息进行量化处理,例如:在第一AI网络模型输出的第一信道特征信息本身就是归一化之后的信道特征信息的情况下,该第一信道特征信息中的浮点数的值位于0~1之间,此时,终端可以不再对第一信道特征信息进行归一化处理,而是基于查表法确定第一信道特征信息中的每一个浮点数量化后的比特序列。
在本申请实施例中,终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;所述终端向网络侧设备发送所述第一信息。这样,通过目标量化参数调节第一AI网络模型输出的第一信道特征信息的bit数,以实现对第一信道特征信息进行变长量化,能够满足不同精度需求的CSI反馈。
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第一信息。
其中,上述第一信息与如图2所示方法实施例中的第一信息的含义相同,在此不再赘述。
步骤302、所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的信道特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息。
其中,上述目标量化参数与如图2所示方法实施例中的目标量化参数的含义相同,上述解量化处理为如图2所示方法实施例中的量化处理的逆向处理,用于将第一信息恢复成所述第一信道特征信息,在此不再赘述。
步骤303、所述网络侧设备基于第二AI网络模型对所述第一信道特征信息进行解压缩处理,得到所述第一信道信息。
其中,上述解压缩处理为如图2所示方法实施例中的压缩处理的逆向处理,用于将第一信道特征信息恢复成所述第一信道信息,其中,得到所述第一信道特征信息的第一AI网络模型,与用于将该第一信道特征信息恢复成信道信息的第二AI网络侧模型,为相互匹配的AI网络模型或联合训练得到的AI网络模型,如:第一AI网络模型为编码AI网络模型或AI网络模型的编码部分,第二AI网络模型为解码AI网络模型或AI网络模型的解码部分。
作为一种可选的实施方式,所述目标量化参数包括以下至少一项:
量化比特数;
量化码本。
作为一种可选的实施方式,所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,包括:
所述网络侧设备根据至少两个子信息各自对应的量化参数对所述至少两个子信息进行解量化处理,得到第一信道特征信息,其中,所述目标量化参数包括所述至少两个分段各自对应的量化参数,所述第一信息包括所述至少两个子信息。
本实施方式中,每一个分段具有各自对应的量化参数,则网络侧设备在解量化的过程中,也使用各个分段对应的量化参数来解量化该分段。
作为一种可选的实施方式,所述信息处理方法还包括:
所述网络侧设备接收来自所述终端的第一指示信息,所述第一指示信息指示第一浮点数使用第一量化参数量化,和/或,指示第二浮点数使用第二量化参数量化,所述目标量化参数包括所述第一量化参数和所述第二量化参数;
其中,所述第一浮点数为所述第一信道特征信息中幅度大于或等于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于所述第一预设阈值的浮点数;或者,所述第一浮点数为所述第一信道特征信息中幅度大于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于或等于所述第一预设阈值的浮点数。
本实施方式中,网络侧设备根据终端的指示确定哪一些浮点数是使用第一量化参数量化的,哪一些浮点数是使用第二量化参数量化的,从而在解量化的过程中,使用各个浮点数对应的量化参数来解量化该浮点数。
作为一种可选的实施方式,所述目标量化参数满足以下至少一项:
由所述网络侧设备指示;
由所述终端选择;
由协议约定;
与所述第一AI网络模型关联。
作为一种可选的实施方式,在所述目标量化参数由所述终端选择的情况下,所述信息处理方法还包括:
所述网络侧设备接收来自所述终端的第三指示信息,所述第三指示信息指示所述目标量化参数或第一标识或量化等级,所述第一标识或量化等级与所述目标量化参数对应;
所述网络侧设备根据所述第三指示信息确定所述目标量化参数。
作为一种可选的实施方式,所述第三指示信息满足以下至少一项:
所述网络侧设备在接收所述第一信息之前接收到的;
携带于所述第一信息对应的CSI报告。
作为一种可选的实施方式,在所述目标量化参数由所述网络侧设备指示的情况下,所述信息处理方法还包括:
所述网络侧设备向所述终端发送第四指示信息,所述第四指示信息指示以下至少一项:
所述目标量化参数;
第一标识,所述第一标识与所述目标量化参数对应;
第二标识,所述第二标识用于标识量化码本池中的量化码本,所述目标量化参数包括所述第二标识对应的量化码本;
至少两个分段各自对应的第二标识,所述第一信道特征信息包括所述至少两个分段,所述目标量化参数包括所述至少两个分段各自对应的量化码本;
第三标识,所述第三标识与分段方式以及每一个分段的量化参数对应;
量化等级,所述量化等级与所述目标量化参数对应;
第五信息,所述第五信息包括负载开销payload或payload最大值,所述第一比特数等于所述payload,或为小于或等于所述payload最大值的最大比特数。
作为一种可选的实施方式,所述第四指示信息满足以下至少一项:
所述网络侧设备在接收所述第一信息之前配置或指示所述终端的;
携带于所述第一信息对应的CSI报告配置。
作为一种可选的实施方式,所述至少两个子信息包括第五子信息和第六子信息,所述第五子信息对应第五量化比特数,所述第六子信息对应第六量化比特数;
所述网络侧设备根据至少两个子信息各自对应的量化参数对所述至少两个子信息进行解量化处理,得到第一信道特征信息,包括:
所述网络侧设备根据所述第五量化比特数对所述第五子信息进行解量化处理,得到第一信道特征信息的第一分段;
所述终端根据所述第六量化比特数对所述第六子信息进行解量化处理,得到所述第一信道特征信息的第二分段;
所述终端根据所述第一分段和所述第二分段,确定所述第一信道特征信息。
作为一种可选的实施方式,所述目标量化参数与所述第一AI网络模型一起训练得到;和/或,
所述目标量化参数与所述第一AI网络模型的相关参数一起传输;和/或,
第一准确度与所述第一AI网络模型的相关参数一起传输,所述第一准确度为基于所述目标量化参数对所述第一AI网络模型输出的第一信道特征信息进行量化的准确度。
作为一种可选的实施方式,所述第一信道信息是一层信道信息,或者,所述第一信道信息包括X层信道信息,X为所述第一信道信息对应的信道的秩。
作为一种可选的实施方式,在所述第一信道信息是一层信道信息的情况下,所述目标量化参数包括所述一层信道信息各自对应的量化参数;
在所述第一信道信息包括X层信道信息的情况下,所述目标量化参数包括所述X层信道信息对应的一个量化参数或所述X层信道信息各自对应的量化参数。
作为一种可选的实施方式,所述第一信息包括根据目标量化参数对第一信道特征信息中的每一个浮点数分别与第三浮点数的比值进行量化处理得到的量化信息;或者,所述第一信息包括根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理得到的量化信息,其中,所述第四浮点数和所述第五浮点数为所述第一信道特征信息中位于同一分段的浮点数,且所述第五浮点数为位于所述同一分段的浮点数中最大的浮点数;
所述信息处理方法还包括:
所述网络侧设备接收来自所述终端的第四信息,所述第四信息包括以下至少一项:
第三浮点数在所述第一信道特征信息中的位置信息;
所述第三浮点数所在的分段的标识,以及所述第三浮点数在所在分段中的位置信息;
第五浮点数在所在分段中的位置信息
所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,包括:
所述网络侧设备根据所述第四信息和所述目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息。
其中,所述网络侧设备根据所述第四信息和所述目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,具体可以是:网络侧设备根据目标量化参数对第一信息进行解量化处理,得到归一化处理后的第一信道特征信息,其中,归一化处理可以是将每一个浮点数分别除以第三浮点数,或者将第四浮点数除以第五浮点数。然后,根据第四信息,将恢复第一信道特征信息中的每一个浮点数在归一化之前的真值。
可选地,在所述第一信息包括根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理得到的量化信息的情况下,所述方法还包括:
所述网络侧设备接收来自所述终端的第五信息,所述第五信息包括以下至少一项:
N个第五浮点数,其中,N为所述第一信道特征信息的分段数目;
N-1个第五浮点数,其中,所述N-1个第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中除目标第五浮点数之外的N-1个,所述目标第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中最大的一个;
N-1个第五浮点数分别与所述目标第五浮点数的比值;
所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,包括:
所述网络侧设备根据所述第四信息、所述第五信息和所述目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息。
一种实施方式中,所述网络侧设备根据所述第四信息、所述第五信息和所述目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,可以是,网络侧设备根据第五信息确定N个第五浮点数,然后,网络侧设备根据各个分段内的第四浮点数与第五浮点数的比值,分别恢复N个分段的第一信息,最后,网络侧设备根据所述目标量化参数对N个分段的第一信息进行解量化处理,得到第一信道特征信息
在本申请实施例中,网络侧设备接收来自终端的第一信息,并根据目标量化参数,将第一信息解量化为第一信道特征信息,并使用第二AI网络模型将第一信道特征信息恢复成信道信息,从而实现信道特征信息的接收、恢复和解量化过程,其中,通过目标量化参数量化后的第一信道的bit数与目标量化参数相关,从而实现了对第一信道特征信息进行变长量化,能够在采用相同的AI网络模型的基础上,满足不同精度或payload需求的CSI反馈。
为了便于说明,以如下实施例为例对本申请实施例提供的信息传输方法和信息处理方法进行举例说明:
终端将信道预编码矩阵输入AI模型的编码部分(即第一AI网络模型),得到93个浮点数的第一信道特征信息,基站指示一个分段等级,该分段等级直至对第一信道特征信息中0-30%的部分使用4bit量化,30%-50%的部分使用3bit量化,50%-100%的部分使用1bit量化,终端据此计算93*0.3=27.9,向下取整为27,即将第一信道特征信息中的前27个浮点数作为第一个分段,计算93*0.5=46.5,向下取整为46,即将第一信道特征信息中的第28个浮点数至第46个浮点数作为第二个分段,将剩余的47个浮点数作为第三个分段。
其中,第一个分段中的27个浮点数分别采用4bit量化,第二个分段中的21个浮点数分别采用3bit量化,第三个分段中的47个浮点数分别采用1bit量化,根据公式:27*4+21*3+47=218bits,最终得到218bits的第一信息。然后,终端将量化后的第一信息发送给基站。基站根据分段方式,将第一个分段对应的108个bit按照4bit截取并恢复第一个分段的浮点数,将第二个分段对应的63bit按照3bit截取并恢复第二个分段的浮点数,将第三个分段对应的47bit按照1bit截取并恢复第三个分段的浮点数,然后将恢复的浮点数输入到AI模型的解码部分(即第二AI网络模型),以恢复信道预编码信息。
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:
第一处理模块401,用于根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
第一发送模块402,用于向网络侧设备发送所述第一信息。
可选地,所述目标量化参数包括以下至少一项:
量化比特数;
量化码本。
可选地,第一处理模块401,包括:
第一划分单元,用于将所述第一信道特征信息划分为至少两个分段;
第一量化单元,用于根据所述至少两个分段按照各自对应的量化参数对所述至少两个分段进行量化处理,得到第一信息,其中,所述目标量化参数包括所述至少两个分段各自对应的量化参数。
可选地,所述目标量化参数还包括分段方式,所述第一划分单元具体用于:
按照所述分段方式将所述第一信道特征信息划分为至少两个分段。
可选地,所述分段方式包括以下至少一项:
基于绝对浮点数个数进行划分;
基于浮点数比例进行划分。
可选地,第一处理模块401,包括:
获取模块,用于获取所述第一信道特征信息中的每一个浮点数的幅度;
第二量化单元,用于基于第一量化参数对第一浮点数进行量化,得到第一子信息,其中,所述目标量化参数包括所述第一量化参数;
第三量化单元,用于基于第二量化参数对第二浮点数进行量化,得到第二子信息,其中,所述目标量化参数包括所述第二量化参数;
第一确定单元,用于基于所述第一子信息和所述第二子信息,确定所述第一信息;
其中,所述第一浮点数为所述第一信道特征信息中幅度大于或等于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于所述第一预设阈值的浮点数;或者,所述第一浮点数为所述第一信道特征信息中幅度大于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于或等于所述第一预设阈值的浮点数。
可选地,所述第三量化单元,具体用:
基于所述第一预设阈值对所述第二浮点数进行归一化处理,并基于第二量化参数对所述归一化处理后的第二浮点数进行量化,得到第二子信息。
可选地,信息传输装置400还包括:
第二发送模块,用于向所述网络侧设备发送第一指示信息,所述第一指示信息指示所述第一浮点数使用所述第一量化参数量化,和/或,指示所述第二浮点数使用所述第二量化参数量化。
可选地,所述目标量化参数满足以下至少一项:
由所述网络侧设备指示;
由所述终端选择;
由协议约定;
与所述第一AI网络模型关联。
可选地,在所述目标量化参数由所述终端选择的情况下,信息传输装置400还包括:
第三发送模块,用于向所述网络侧设备发送第三指示信息,所述第三指示信息指示所述目标量化参数或第一标识或量化等级,所述第一标识或量化等级与所述目标量化参数对应。
可选地,所述第三指示信息满足以下至少一项:
所述终端在对所述第一信道信息进行压缩处理之前,预先上报所述网络侧设备的;
携带于所述第一信息对应的CSI报告。
可选地,在所述目标量化参数由所述网络侧设备指示的情况下,信息传输装置400还包括:
第二接收模块,用于接收来自所述网络侧设备的第四指示信息;
第一确定模块,用于根据所述第四指示信息确定所述目标量化参数;
其中,所述第四指示信息指示以下至少一项:
所述目标量化参数;
第一标识,所述第一标识与所述目标量化参数对应;
第二标识,所述第二标识用于标识量化码本池中的量化码本,所述目标量化参数包括所述第二标识对应的量化码本;
至少两个分段各自对应的第二标识,所述第一信道特征信息包括所述至少两个分段,所述目标量化参数包括所述至少两个分段各自对应的量化码本;
第三标识,所述第三标识与分段方式以及每一个分段的量化参数对应;
量化等级,所述量化等级与所述目标量化参数对应;
第五信息,所述第五信息包括负载开销payload或payload最大值,所述第一比特数等于所述payload,或为小于或等于所述payload最大值的最大比特数。
可选地,在所述第四指示信息指示所述第五信息的情况下,所述第一确定模块,包括:
第二确定单元,用于根据预设对应关系,确定与所述第五信息对应的所述目标量化参数;和/或,
第三确定单元,用于根据所述第五信息和所述第一信道特征信息的浮点数个数,基于预设规则确定所述第一比特数;
第四确定单元,用于确定将所述第一信道特征信息量化处理成所述第一比特数的所述目标量化参数。
可选地,所述第四指示信息满足以下至少一项:
在所述终端在对所述第一信道信息进行压缩处理之前,由所述网络侧设备预先配置或指示所述终端的;
携带于所述第一信息对应的CSI报告配置。
可选地,信息传输装置400还包括:
第二确定模块,用于根据所述网络侧设备指示的分段个数M,确定第六信息,M为正整数;
其中,在M等于1的情况下,所述第六信息包括所述第一信道特征信息使用的目标量化参数;
在M大于1的情况下,所述第六信息包括以下至少一项:
所述分段方式;
所述至少两个分段中的每一个分段的长度;
所述至少两个分段各自使用的目标量化参数。
可选地,所述至少两个分段中的每一个分段的长度相等,且L=U/M,其中,L表示所述至少两个分段中的每一个分段的长度,U为所述第一信道特征信息的总浮点数;或者,
所述至少两个分段中的每一个分段的长度与协议约定的分段规则相关。
可选地,所述至少两个分段包括第一分段和第二分段,所述第一分段对应第五量化比特数,所述第二分段对应第六量化比特数;
所述第一量化单元,包括:
第一量化子单元,用于根据所述第五量化比特数对所述第一分段进行量化处理,得到第五子信息;
第二量化子单元,用于根据所述第六量化比特数对所述第二分段进行量化处理,得到第六子信息;
第一确定子单元,用于根据所述第五子信息和所述第六子信息,确定第一信息。
可选地,在所述第一分段的重要程度大于所述第二分段的重要程度的情况下,所述第五量化比特数大于所述第六量化比特数,或者,所述第五量化比特数小于所述第六量化比特数。
可选地,所述重要程度与对应的分段在所述第一信道特征信息中的排列位置相关。
可选地,所述目标量化参数携带于第二信息,所述第二信息还包括所述第一AI网络模型的相关参数,所述目标量化参数包括所述第一AI网络模型输出的每一个浮点数各自对应的量化参数;或者,
所述目标量化参数携带于第三信息,所述第三信息还携带所述第一AI网络模型的标识;或者,
在所述网络侧设备训练所述第一AI网络模型的情况下,所述目标量化参数不传输。
可选地,所述目标量化参数与所述第一AI网络模型一起训练得到;和/或,
所述目标量化参数与所述第一AI网络模型的相关参数一起传输;和/或,
第一准确度与所述第一AI网络模型的相关参数一起传输,所述第一准确度为基于所述目标量化参数对所述第一AI网络模型输出的第一信道特征信息进行量化的准确度。
可选地,所述第一信道信息是一层信道信息,或者,所述第一信道信息包括X层信道信息,X为所述第一信道信息对应的信道的秩。
可选地,在所述第一信道信息是一层信道信息的情况下,所述目标量化参数包括所述一层信道信息对应的量化参数;
在所述第一信道信息包括X层信道信息的情况下,所述目标量化参数包括所述X层信道信息对应的一个量化参数或所述X层信道信息各自对应的量化参数。
可选地,第一处理模块401,包括:
第四量化单元,用于根据目标量化参数对第一信道特征信息中的每一个浮点数分别与第三浮点数的比值进行量化处理,其中,所述第三浮点数为所述第一信道特征信息中最大的浮点数;或者,
第五量化单元,用于根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理,其中,所述第四浮点数和所述第五浮点数为所述第一信道特征信息中位于同一分段的浮点数,且所述第五浮点数为位于所述同一分段的浮点数中最大的浮点数;
信息传输装置400还包括:
第四发送模块,用于向所述网络侧设备发送第四信息,所述第四信息包括以下至少一项:
所述第三浮点数在所述第一信道特征信息中的位置信息;
所述第三浮点数所在的分段的标识,以及所述第三浮点数在所在分段中的位置信息;
所述第五浮点数在所在分段中的位置信息。
可选地,在第一处理模块401用于根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理的情况下,信息传输装置400还包括:
第五发送模块,用于向所述网络侧设备发送第五信息,所述第五信息包括以下至少一项:
N个第五浮点数,其中,N为所述第一信道特征信息的分段数目;
N-1个第五浮点数,其中,所述N-1个第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中除目标第五浮点数之外的N-1个,所述目标第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中最大的一个;
N-1个第五浮点数分别与所述目标第五浮点数的比值。
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第一信息;
第二处理模块502,用于根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的信道特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
第三处理模块503,用于基于第二AI网络模型对所述第一信道特征信息进行解压缩处理,得到所述第一信道信息。
可选地,所述目标量化参数包括以下至少一项:
量化比特数;
量化码本。
可选地,第二处理模块502具体用于:
根据至少两个子信息各自对应的量化参数对所述至少两个子信息进行解量化处理,得到第一信道特征信息,其中,所述目标量化参数包括所述至少两个分段各自对应的量化参数,所述第一信息包括所述至少两个子信息。
可选地,信息处理装置500还包括:
第三接收模块,用于接收来自所述终端的第一指示信息,所述第一指示信息指示第一浮点数使用第一量化参数量化,和/或,指示第二浮点数使用第二量化参数量化,所述目标量化参数包括所述第一量化参数和所述第二量化参数;
其中,所述第一浮点数为所述第一信道特征信息中幅度大于或等于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于所述第一预设阈值的浮点数;或者,所述第一浮点数为所述第一信道特征信息中幅度大于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于或等于所述第一预设阈值的浮点数。
可选地,所述目标量化参数满足以下至少一项:
由所述网络侧设备指示;
由所述终端选择;
由协议约定;
与所述第一AI网络模型关联。
可选地,在所述目标量化参数由所述终端选择的情况下,信息处理装置500还包括:
第四接收模块,用于接收来自所述终端的第三指示信息,所述第三指示信息指示所述目标量化参数或第一标识或量化等级,所述第一标识或量化等级与所述目标量化参数对应;
第三确定模块,用于根据所述第三指示信息确定所述目标量化参数。
可选地,所述第三指示信息满足以下至少一项:
所述网络侧设备在接收所述第一信息之前接收到的;
携带于所述第一信息对应的CSI报告。
可选地,在所述目标量化参数由所述网络侧设备指示的情况下,信息处理装置500还包括:
第六发送模块,用于向所述终端发送第四指示信息,所述第四指示信息指示以下至少一项:
所述目标量化参数;
第一标识,所述第一标识与所述目标量化参数对应;
第二标识,所述第二标识用于标识量化码本池中的量化码本,所述目标量化参数包括所述第二标识对应的量化码本;
至少两个分段各自对应的第二标识,所述第一信道特征信息包括所述至少两个分段,所述目标量化参数包括所述至少两个分段各自对应的量化码本;
第三标识,所述第三标识与分段方式以及每一个分段的量化参数对应;
量化等级,所述量化等级与所述目标量化参数对应;
第五信息,所述第五信息包括负载开销payload或payload最大值,所述第一比特数等于所述payload,或为小于或等于所述payload最大值的最大比特数。
可选地,所述第四指示信息满足以下至少一项:
所述网络侧设备在接收所述第一信息之前配置或指示所述终端的;
携带于所述第一信息对应的CSI报告配置。
可选地,所述至少两个子信息包括第五子信息和第六子信息,所述第五子信息对应第五量化比特数,所述第六子信息对应第六量化比特数;
第二处理模块502,包括:
第一解量化单元,用于根据所述第五量化比特数对所述第五子信息进行解量化处理,得到第一信道特征信息的第一分段;
第二解量化单元,用于根据所述第六量化比特数对所述第六子信息进行解量化处理,得到所述第一信道特征信息的第二分段;
第五确定单元,用于根据所述第一分段和所述第二分段,确定所述第一信道特征信息。
可选地,所述目标量化参数与所述第一AI网络模型一起训练得到;和/或,
所述目标量化参数与所述第一AI网络模型的相关参数一起传输;和/或,
第一准确度与所述第一AI网络模型的相关参数一起传输,所述第一准确度为基于所述目标量化参数对所述第一AI网络模型输出的第一信道特征信息进行量化的准确度。
可选地,所述第一信道信息是一层信道信息,或者,所述第一信道信息包括X层信道信息,X为所述第一信道信息对应的信道的秩。
可选地,在所述第一信道信息是一层信道信息的情况下,所述目标量化参数包括所述一层信道信息各自对应的量化参数;
在所述第一信道信息包括X层信道信息的情况下,所述目标量化参数包括所述X层信道信息对应的一个量化参数或所述X层信道信息各自对应的量化参数。
可选地,所述第一信息包括根据目标量化参数对第一信道特征信息中的每一个浮点数分别与第三浮点数的比值进行量化处理得到的量化信息;或者,所述第一信息包括根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理得到的量化信息,其中,所述第四浮点数和所述第五浮点数为所述第一信道特征信息中位于同一分段的浮点数,且所述第五浮点数为位于所述同一分段的浮点数中最大的浮点数;
信息处理装置500还包括:
第五接收模块,用于接收来自所述终端的第四信息,所述第四信息包括以下至少一项:
第三浮点数在所述第一信道特征信息中的位置信息;
所述第三浮点数所在的分段的标识,以及所述第三浮点数在所在分段中的位置信息;
第五浮点数在所在分段中的位置信息
第二处理模块502具体用于:
根据所述第四信息和所述目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息。
可选地,在所述第一信息包括根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理得到的量化信息的情况下,信息处理装置500还包括还包括:
第六接收模块,用于接收来自所述终端的第五信息,所述第五信息包括以下至少一项:
N个第五浮点数,其中,N为所述第一信道特征信息的分段数目;
N-1个第五浮点数,其中,所述N-1个第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中除目标第五浮点数之外的N-1个,所述目标第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中最大的一个;
N-1个第五浮点数分别与所述目标第五浮点数的比值;
第二处理模块502具体用于:
根据所述第四信息、所述第五信息和所述目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息。
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,所述处理器用于根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;所述通信接口用于向网络侧设备发送所述第一信息。
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,用于根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
射频单元701,用于向网络侧设备发送所述第一信息。
可选地,所述目标量化参数包括以下至少一项:
量化比特数;
量化码本。
可选地,处理器710执行的所述根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,包括:
将所述第一信道特征信息划分为至少两个分段;
根据所述至少两个分段按照各自对应的量化参数对所述至少两个分段进行量化处理,得到第一信息,其中,所述目标量化参数包括所述至少两个分段各自对应的量化参数。
可选地,所述目标量化参数还包括分段方式,处理器710执行的所述将所述第一信道特征信息划分为至少两个分段,包括:
按照所述分段方式将所述第一信道特征信息划分为至少两个分段。
可选地,所述分段方式包括以下至少一项:
基于绝对浮点数个数进行划分;
基于浮点数比例进行划分。
可选地,处理器710执行的所述根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,包括:
获取所述第一信道特征信息中的每一个浮点数的幅度;
基于第一量化参数对第一浮点数进行量化,得到第一子信息,其中,所述目标量化参数包括所述第一量化参数;
基于第二量化参数对第二浮点数进行量化,得到第二子信息,其中,所述目标量化参数包括所述第二量化参数;
基于所述第一子信息和所述第二子信息,确定所述第一信息;
其中,所述第一浮点数为所述第一信道特征信息中幅度大于或等于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于所述第一预设阈值的浮点数;或者,所述第一浮点数为所述第一信道特征信息中幅度大于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于或等于所述第一预设阈值的浮点数。
可选地,处理器710执行的所述基于第二量化参数对第二浮点数进行量化,得到第二子信息,包括:
基于所述第一预设阈值对所述第二浮点数进行归一化处理,并基于第二量化参数对所述归一化处理后的第二浮点数进行量化,得到第二子信息。
可选地,射频单元701,还用于向所述网络侧设备发送第一指示信息,所述第一指示信息指示所述第一浮点数使用所述第一量化参数量化,和/或,指示所述第二浮点数使用所述第二量化参数量化。
可选地,所述目标量化参数满足以下至少一项:
由所述网络侧设备指示;
由所述终端选择;
由协议约定;
与所述第一AI网络模型关联。
可选地,在所述目标量化参数由所述终端选择的情况下,射频单元701,还用于向所述网络侧设备发送第三指示信息,所述第三指示信息指示所述目标量化参数或第一标识或量化等级,所述第一标识或量化等级与所述目标量化参数对应。
可选地,所述第三指示信息满足以下至少一项:
所述终端在对所述第一信道信息进行压缩处理之前,预先上报所述网络侧设备的;
携带于所述第一信息对应的CSI报告。
可选地,在所述目标量化参数由所述网络侧设备指示的情况下,射频单元701,还用于接收来自所述网络侧设备的第四指示信息;
处理器710,还用于根据所述第四指示信息确定所述目标量化参数;
其中,所述第四指示信息指示以下至少一项:
所述目标量化参数;
第一标识,所述第一标识与所述目标量化参数对应;
第二标识,所述第二标识用于标识量化码本池中的量化码本,所述目标量化参数包括所述第二标识对应的量化码本;
至少两个分段各自对应的第二标识,所述第一信道特征信息包括所述至少两个分段,所述目标量化参数包括所述至少两个分段各自对应的量化码本;
第三标识,所述第三标识与分段方式以及每一个分段的量化参数对应;
量化等级,所述量化等级与所述目标量化参数对应;
第五信息,所述第五信息包括负载开销payload或payload最大值,所述第一比特数等于所述payload,或为小于或等于所述payload最大值的最大比特数。
可选地,在所述第四指示信息指示所述第五信息的情况下,处理器710执行的所述根据所述第四指示信息确定所述目标量化参数,包括:
根据预设对应关系,确定与所述第五信息对应的所述目标量化参数;和/或,
根据所述第五信息和所述第一信道特征信息的浮点数个数,基于预设规则确定所述第一比特数;
确定将所述第一信道特征信息量化处理成所述第一比特数的所述目标量化参数。
可选地,所述第四指示信息满足以下至少一项:
在所述终端在对所述第一信道信息进行压缩处理之前,由所述网络侧设备预先配置或指示所述终端的;
携带于所述第一信息对应的CSI报告配置。
可选地,处理器710,还用于根据所述网络侧设备指示的分段个数M,确定第六信息,M为正整数;
其中,在M等于1的情况下,所述第六信息包括所述第一信道特征信息使用的目标量化参数;
在M大于1的情况下,所述第六信息包括以下至少一项:
所述分段方式;
所述至少两个分段中的每一个分段的长度;
所述至少两个分段各自使用的目标量化参数。
可选地,所述至少两个分段中的每一个分段的长度相等,且L=U/M,其中,L表示所述至少两个分段中的每一个分段的长度,U为所述第一信道特征信息的总浮点数;或者,
所述至少两个分段中的每一个分段的长度与协议约定的分段规则相关。
可选地,所述至少两个分段包括第一分段和第二分段,所述第一分段对应第五量化比特数,所述第二分段对应第六量化比特数;
处理器710执行的所述根据所述至少两个分段按照各自对应的量化参数对所述至少两个分段进行量化处理,得到第一信息,包括:
根据所述第五量化比特数对所述第一分段进行量化处理,得到第五子信息;
根据所述第六量化比特数对所述第二分段进行量化处理,得到第六子信息;
根据所述第五子信息和所述第六子信息,确定第一信息。
可选地,在所述第一分段的重要程度大于所述第二分段的重要程度的情况下,所述第五量化比特数大于所述第六量化比特数,或者,所述第五量化比特数小于所述第六量化比特数。
可选地,所述重要程度与对应的分段在所述第一信道特征信息中的排列位置相关。
可选地,所述目标量化参数携带于第二信息,所述第二信息还包括所述第一AI网络模型的相关参数,所述目标量化参数包括所述第一AI网络模型输出的每一个浮点数各自对应的量化参数;或者,
所述目标量化参数携带于第三信息,所述第三信息还携带所述第一AI网络模型的标识;或者,
在所述网络侧设备训练所述第一AI网络模型的情况下,所述目标量化参数不传输。
可选地,所述目标量化参数与所述第一AI网络模型一起训练得到;和/或,
所述目标量化参数与所述第一AI网络模型的相关参数一起传输;和/或,
第一准确度与所述第一AI网络模型的相关参数一起传输,所述第一准确度为基于所述目标量化参数对所述第一AI网络模型输出的第一信道特征信息进行量化的准确度。
可选地,所述第一信道信息是一层信道信息,或者,所述第一信道信息包括X层信道信息,X为所述第一信道信息对应的信道的秩。
可选地,在所述第一信道信息是一层信道信息的情况下,所述目标量化参数包括所述一层信道信息对应的量化参数;
在所述第一信道信息包括X层信道信息的情况下,所述目标量化参数包括所述X层信道信息对应的一个量化参数或所述X层信道信息各自对应的量化参数。
可选地,处理器710执行的所述根据目标量化参数对第一信道特征信息进行量化处理,包括:
根据目标量化参数对第一信道特征信息中的每一个浮点数分别与第三浮点数的比值进行量化处理,其中,所述第三浮点数为所述第一信道特征信息中最大的浮点数;或者,
根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理,其中,所述第四浮点数和所述第五浮点数为所述第一信道特征信息中位于同一分段的浮点数,且所述第五浮点数为位于所述同一分段的浮点数中最大的浮点数;
射频单元701,还用于向所述网络侧设备发送第四信息,所述第四信息包括以下至少一项:
所述第三浮点数在所述第一信道特征信息中的位置信息;
所述第三浮点数所在的分段的标识,以及所述第三浮点数在所在分段中的位置信息;
所述第五浮点数在所在分段中的位置信息。
可选地,在处理器710用于根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理的情况下,射频单元701,还用于向所述网络侧设备发送第五信息,所述第五信息包括以下至少一项:
N个第五浮点数,其中,N为所述第一信道特征信息的分段数目;
N-1个第五浮点数,其中,所述N-1个第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中除目标第五浮点数之外的N-1个,所述目标第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中最大的一个;
N-1个第五浮点数分别与所述目标第五浮点数的比值。
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第一信息;所述处理器用于根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的信道特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;所述处理器还用于基于第二AI网络模型对所述第一信道特征信息进行解压缩处理,得到所述第一信道信息。
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,本发明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 (44)
1.一种信息传输方法,其特征在于,包括:
终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
所述终端向网络侧设备发送所述第一信息。
2.根据权利要求1所述的方法,其特征在于,所述目标量化参数包括以下至少一项:
量化比特数;
量化码本。
3.根据权利要求1所述的方法,其特征在于,所述终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,包括:
终端将所述第一信道特征信息划分为至少两个分段;
所述终端根据所述至少两个分段按照各自对应的量化参数对所述至少两个分段进行量化处理,得到第一信息,其中,所述目标量化参数包括所述至少两个分段各自对应的量化参数。
4.根据权利要求3所述的方法,其特征在于,所述目标量化参数还包括分段方式,所述终端将所述第一信道特征信息划分为至少两个分段,包括:
所述终端按照所述分段方式将所述第一信道特征信息划分为至少两个分段。
5.根据权利要求4所述的方法,其特征在于,所述分段方式包括以下至少一项:
基于绝对浮点数个数进行划分;
基于浮点数比例进行划分。
6.根据权利要求1所述的方法,其特征在于,所述终端根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,包括:
终端获取所述第一信道特征信息中的每一个浮点数的幅度;
所述终端基于第一量化参数对第一浮点数进行量化,得到第一子信息,其中,所述目标量化参数包括所述第一量化参数;
所述终端基于第二量化参数对第二浮点数进行量化,得到第二子信息,其中,所述目标量化参数包括所述第二量化参数;
所述终端基于所述第一子信息和所述第二子信息,确定所述第一信息;
其中,所述第一浮点数为所述第一信道特征信息中幅度大于或等于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于所述第一预设阈值的浮点数;或者,所述第一浮点数为所述第一信道特征信息中幅度大于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于或等于所述第一预设阈值的浮点数。
7.根据权利要求6所述的方法,其特征在于,所述终端基于第二量化参数对第二浮点数进行量化,得到第二子信息,包括:
所述终端基于所述第一预设阈值对所述第二浮点数进行归一化处理,并基于第二量化参数对所述归一化处理后的第二浮点数进行量化,得到第二子信息。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
所述终端向所述网络侧设备发送第一指示信息,所述第一指示信息指示所述第一浮点数使用所述第一量化参数量化,和/或,指示所述第二浮点数使用所述第二量化参数量化。
9.根据权利要求1至8中任一项所述的方法,其特征在于,所述目标量化参数满足以下至少一项:
由所述网络侧设备指示;
由所述终端选择;
由协议约定;
与所述第一AI网络模型关联。
10.根据权利要求9所述的方法,其特征在于,在所述目标量化参数由所述终端选择的情况下,所述方法还包括:
所述终端向所述网络侧设备发送第三指示信息,所述第三指示信息指示所述目标量化参数或第一标识或量化等级,所述第一标识或量化等级与所述目标量化参数对应。
11.根据权利要求10所述的方法,其特征在于,所述第三指示信息满足以下至少一项:
所述终端在对所述第一信道信息进行压缩处理之前,预先上报所述网络侧设备的;
携带于所述第一信息对应的CSI报告。
12.根据权利要求9所述的方法,其特征在于,在所述目标量化参数由所述网络侧设备指示的情况下,所述方法还包括:
所述终端接收来自所述网络侧设备的第四指示信息;
所述终端根据所述第四指示信息确定所述目标量化参数;
其中,所述第四指示信息指示以下至少一项:
所述目标量化参数;
第一标识,所述第一标识与所述目标量化参数对应;
第二标识,所述第二标识用于标识量化码本池中的量化码本,所述目标量化参数包括所述第二标识对应的量化码本;
至少两个分段各自对应的第二标识,所述第一信道特征信息包括所述至少两个分段,所述目标量化参数包括所述至少两个分段各自对应的量化码本;
第三标识,所述第三标识与分段方式以及每一个分段的量化参数对应;
量化等级,所述量化等级与所述目标量化参数对应;
第五信息,所述第五信息包括负载开销payload或payload最大值,所述第一比特数等于所述payload,或为小于或等于所述payload最大值的最大比特数。
13.根据权利要求12所述的方法,其特征在于,在所述第四指示信息指示所述第五信息的情况下,所述终端根据所述第四指示信息确定所述目标量化参数,包括:
所述终端根据预设对应关系,确定与所述第五信息对应的所述目标量化参数;和/或,
所述终端根据所述第五信息和所述第一信道特征信息的浮点数个数,基于预设规则确定所述第一比特数;
所述终端确定将所述第一信道特征信息量化处理成所述第一比特数的所述目标量化参数。
14.根据权利要求12所述的方法,其特征在于,所述第四指示信息满足以下至少一项:
在所述终端在对所述第一信道信息进行压缩处理之前,由所述网络侧设备预先配置或指示所述终端的;
携带于所述第一信息对应的CSI报告配置。
15.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述终端根据所述网络侧设备指示的分段个数M,确定第六信息,M为正整数;
其中,在M等于1的情况下,所述第六信息包括所述第一信道特征信息使用的目标量化参数;
在M大于1的情况下,所述第六信息包括以下至少一项:
所述分段方式;
所述至少两个分段中的每一个分段的长度;
所述至少两个分段各自使用的目标量化参数。
16.根据权利要求15所述的方法,其特征在于,所述至少两个分段中的每一个分段的长度相等,且L=U/M,其中,L表示所述至少两个分段中的每一个分段的长度,U为所述第一信道特征信息的总浮点数;或者,
所述至少两个分段中的每一个分段的长度与协议约定的分段规则相关。
17.根据权利要求3所述的方法,其特征在于,所述至少两个分段包括第一分段和第二分段,所述第一分段对应第五量化比特数,所述第二分段对应第六量化比特数;
所述终端根据所述至少两个分段按照各自对应的量化参数对所述至少两个分段进行量化处理,得到第一信息,包括:
所述终端根据所述第五量化比特数对所述第一分段进行量化处理,得到第五子信息;
所述终端根据所述第六量化比特数对所述第二分段进行量化处理,得到第六子信息;
所述终端根据所述第五子信息和所述第六子信息,确定第一信息。
18.根据权利要求17所述的方法,其特征在于,在所述第一分段的重要程度大于所述第二分段的重要程度的情况下,所述第五量化比特数大于所述第六量化比特数,或者,所述第五量化比特数小于所述第六量化比特数。
19.根据权利要求17所述的方法,其特征在于,所述重要程度与对应的分段在所述第一信道特征信息中的排列位置相关。
20.根据权利要求19所述的方法,其特征在于:
所述目标量化参数携带于第二信息,所述第二信息还包括所述第一AI网络模型的相关参数,所述目标量化参数包括所述第一AI网络模型输出的每一个浮点数各自对应的量化参数;或者,
所述目标量化参数携带于第三信息,所述第三信息还携带所述第一AI网络模型的标识;或者,
在所述网络侧设备训练所述第一AI网络模型的情况下,所述目标量化参数不传输。
21.根据权利要求1至8中任一项所述的方法,其特征在于:
所述目标量化参数与所述第一AI网络模型一起训练得到;和/或,
所述目标量化参数与所述第一AI网络模型的相关参数一起传输;和/或,
第一准确度与所述第一AI网络模型的相关参数一起传输,所述第一准确度为基于所述目标量化参数对所述第一AI网络模型输出的第一信道特征信息进行量化的准确度。
22.根据权利要求1至8中任一项所述的方法,其特征在于,所述第一信道信息是一层信道信息,或者,所述第一信道信息包括X层信道信息,X为所述第一信道信息对应的信道的秩。
23.根据权利要求22所述的方法,其特征在于:
在所述第一信道信息是一层信道信息的情况下,所述目标量化参数包括所述一层信道信息对应的量化参数;
在所述第一信道信息包括X层信道信息的情况下,所述目标量化参数包括所述X层信道信息对应的一个量化参数或所述X层信道信息各自对应的量化参数。
24.根据权利要求1至8中任一项所述的方法,其特征在于,所述终端根据目标量化参数对第一信道特征信息进行量化处理,包括:
终端根据目标量化参数对第一信道特征信息中的每一个浮点数分别与第三浮点数的比值进行量化处理,其中,所述第三浮点数为所述第一信道特征信息中最大的浮点数;或者,
终端根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理,其中,所述第四浮点数和所述第五浮点数为所述第一信道特征信息中位于同一分段的浮点数,且所述第五浮点数为位于所述同一分段的浮点数中最大的浮点数;
所述方法还包括:
所述终端向所述网络侧设备发送第四信息,所述第四信息包括以下至少一项:
所述第三浮点数在所述第一信道特征信息中的位置信息;
所述第三浮点数所在的分段的标识,以及所述第三浮点数在所在分段中的位置信息;
所述第五浮点数在所在分段中的位置信息。
25.根据权利要求24所述的方法,其特征在于,在终端根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理的情况下,所述方法还包括:
所述终端向所述网络侧设备发送第五信息,所述第五信息包括以下至少一项:
N个第五浮点数,其中,N为所述第一信道特征信息的分段数目;
N-1个第五浮点数,其中,所述N-1个第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中除目标第五浮点数之外的N-1个,所述目标第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中最大的一个;
N-1个第五浮点数分别与所述目标第五浮点数的比值。
26.一种信息处理方法,其特征在于,包括:
网络侧设备接收来自终端的第一信息;
所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的信道特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
所述网络侧设备基于第二AI网络模型对所述第一信道特征信息进行解压缩处理,得到所述第一信道信息。
27.根据权利要求26所述的方法,其特征在于,所述目标量化参数包括以下至少一项:
量化比特数;
量化码本。
28.根据权利要求26所述的方法,其特征在于,所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,包括:
所述网络侧设备根据至少两个子信息各自对应的量化参数对所述至少两个子信息进行解量化处理,得到第一信道特征信息,其中,所述目标量化参数包括所述至少两个分段各自对应的量化参数,所述第一信息包括所述至少两个子信息。
29.根据权利要求26所述的方法,其特征在于,所述方法还包括:
所述网络侧设备接收来自所述终端的第一指示信息,所述第一指示信息指示第一浮点数使用第一量化参数量化,和/或,指示第二浮点数使用第二量化参数量化,所述目标量化参数包括所述第一量化参数和所述第二量化参数;
其中,所述第一浮点数为所述第一信道特征信息中幅度大于或等于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于所述第一预设阈值的浮点数;或者,所述第一浮点数为所述第一信道特征信息中幅度大于第一预设阈值的浮点数,且所述第二浮点数为所述第一信道特征信息中幅度小于或等于所述第一预设阈值的浮点数。
30.根据权利要求26至29中任一项所述的方法,其特征在于,所述目标量化参数满足以下至少一项:
由所述网络侧设备指示;
由所述终端选择;
由协议约定;
与所述第一AI网络模型关联。
31.根据权利要求30所述的方法,其特征在于,在所述目标量化参数由所述终端选择的情况下,所述方法还包括:
所述网络侧设备接收来自所述终端的第三指示信息,所述第三指示信息指示所述目标量化参数或第一标识或量化等级,所述第一标识或量化等级与所述目标量化参数对应;
所述网络侧设备根据所述第三指示信息确定所述目标量化参数。
32.根据权利要求31所述的方法,其特征在于,所述第三指示信息满足以下至少一项:
所述网络侧设备在接收所述第一信息之前接收到的;
携带于所述第一信息对应的CSI报告。
33.根据权利要求30所述的方法,其特征在于,在所述目标量化参数由所述网络侧设备指示的情况下,所述方法还包括:
所述网络侧设备向所述终端发送第四指示信息,所述第四指示信息指示以下至少一项:
所述目标量化参数;
第一标识,所述第一标识与所述目标量化参数对应;
第二标识,所述第二标识用于标识量化码本池中的量化码本,所述目标量化参数包括所述第二标识对应的量化码本;
至少两个分段各自对应的第二标识,所述第一信道特征信息包括所述至少两个分段,所述目标量化参数包括所述至少两个分段各自对应的量化码本;
第三标识,所述第三标识与分段方式以及每一个分段的量化参数对应;
量化等级,所述量化等级与所述目标量化参数对应;
第五信息,所述第五信息包括负载开销payload或payload最大值,所述第一比特数等于所述payload,或为小于或等于所述payload最大值的最大比特数。
34.根据权利要求33所述的方法,其特征在于,所述第四指示信息满足以下至少一项:
所述网络侧设备在接收所述第一信息之前配置或指示所述终端的;
携带于所述第一信息对应的CSI报告配置。
35.根据权利要求28所述的方法,其特征在于,所述至少两个子信息包括第五子信息和第六子信息,所述第五子信息对应第五量化比特数,所述第六子信息对应第六量化比特数;
所述网络侧设备根据至少两个子信息各自对应的量化参数对所述至少两个子信息进行解量化处理,得到第一信道特征信息,包括:
所述网络侧设备根据所述第五量化比特数对所述第五子信息进行解量化处理,得到第一信道特征信息的第一分段;
所述终端根据所述第六量化比特数对所述第六子信息进行解量化处理,得到所述第一信道特征信息的第二分段;
所述终端根据所述第一分段和所述第二分段,确定所述第一信道特征信息。
36.根据权利要求26至29中任一项所述的方法,其特征在于:
所述目标量化参数与所述第一AI网络模型一起训练得到;和/或,
所述目标量化参数与所述第一AI网络模型的相关参数一起传输;和/或,
第一准确度与所述第一AI网络模型的相关参数一起传输,所述第一准确度为基于所述目标量化参数对所述第一AI网络模型输出的第一信道特征信息进行量化的准确度。
37.根据权利要求26至29中任一项所述的方法,其特征在于,所述第一信道信息是一层信道信息,或者,所述第一信道信息包括X层信道信息,X为所述第一信道信息对应的信道的秩。
38.根据权利要求37所述的方法,其特征在于:
在所述第一信道信息是一层信道信息的情况下,所述目标量化参数包括所述一层信道信息各自对应的量化参数;
在所述第一信道信息包括X层信道信息的情况下,所述目标量化参数包括所述X层信道信息对应的一个量化参数或所述X层信道信息各自对应的量化参数。
39.根据权利要求26至29中任一项所述的方法,其特征在于,所述第一信息包括根据目标量化参数对第一信道特征信息中的每一个浮点数分别与第三浮点数的比值进行量化处理得到的量化信息;或者,所述第一信息包括根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理得到的量化信息,其中,所述第四浮点数和所述第五浮点数为所述第一信道特征信息中位于同一分段的浮点数,且所述第五浮点数为位于所述同一分段的浮点数中最大的浮点数;
所述方法还包括:
所述网络侧设备接收来自所述终端的第四信息,所述第四信息包括以下至少一项:
第三浮点数在所述第一信道特征信息中的位置信息;
所述第三浮点数所在的分段的标识,以及所述第三浮点数在所在分段中的位置信息;
第五浮点数在所在分段中的位置信息
所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,包括:
所述网络侧设备根据所述第四信息和所述目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息。
40.根据权利要求39所述的方法,其特征在于,在所述第一信息包括根据目标量化参数对第一信道特征信息中的第四浮点数分别与第五浮点数的比值进行量化处理得到的量化信息的情况下,所述方法还包括:
所述网络侧设备接收来自所述终端的第五信息,所述第五信息包括以下至少一项:
N个第五浮点数,其中,N为所述第一信道特征信息的分段数目;
N-1个第五浮点数,其中,所述N-1个第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中除目标第五浮点数之外的N-1个,所述目标第五浮点数为所述第一信道特征信息的N分段各自对应的第五浮点数中最大的一个;
N-1个第五浮点数分别与所述目标第五浮点数的比值;
所述网络侧设备根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,包括:
所述网络侧设备根据所述第四信息、所述第五信息和所述目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息。
41.一种信息传输装置,其特征在于,应用于终端,所述装置包括:
第一处理模块,用于根据目标量化参数对第一信道特征信息进行量化处理,得到第一信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
第一发送模块,用于向网络侧设备发送所述第一信息。
42.一种信息处理装置,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第一信息;
第二处理模块,用于根据目标量化参数对所述第一信息进行解量化处理,得到第一信道特征信息,其中,所述第一信道特征信息是基于第一AI网络模型对第一信道信息进行压缩处理得到的信道特征信息,所述第一信息为第一比特数的信息,所述目标量化参数包括与所述第一比特数对应的量化信息;
第三处理模块,用于基于第二AI网络模型对所述第一信道特征信息进行解压缩处理,得到所述第一信道信息。
43.一种通信设备,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25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26至40中任一项所述的信息处理方法的步骤。
44.一种可读存储介质,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25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26至40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 |
---|---|---|---|
CN202211313926.7A CN117978304A (zh) | 2022-10-25 | 2022-10-25 | 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 |
---|---|---|---|
CN202211313926.7A CN117978304A (zh) | 2022-10-25 | 2022-10-25 | 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 |
---|---|
CN117978304A true CN117978304A (zh) | 2024-05-03 |
Family
ID=90858559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211313926.7A Pending CN117978304A (zh) | 2022-10-25 | 2022-10-25 | 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) | CN117978304A (zh) |
-
2022
- 2022-10-25 CN CN202211313926.7A patent/CN117978304A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8023457B2 (en) | Feedback reduction for MIMO precoded system by exploiting channel correlation | |
KR100952351B1 (ko) | 유한 레이트 채널 상태 정보 피드백을 가지는 2×2 mimo사전-코더들을 위한 교호 채널 델타 양자화기를 위한 방법및 시스템 | |
US20140050275A1 (en) | Reference Signaling Scheme using Compressed Feedforward Codebooks for MU-MIMO Systems | |
WO2004040690A2 (en) | Low complexity beamformers for multiple transmit and receive antennas | |
CN109936396B (zh) | 多天线系统中预编码的方法及装置 | |
WO2023246618A1 (zh) | 信道矩阵处理方法、装置、终端及网络侧设备 | |
CN116939705A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN117978304A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
CN118075120A (zh) | 更新ai网络模型的方法、装置和通信设备 | |
WO2024088161A1 (zh) | 信息传输方法、信息处理方法、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 | |
WO2023179570A1 (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
CN117411527A (zh) | 信道特征信息上报及恢复方法、终端和网络侧设备 | |
CN117978218A (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
WO2024037380A1 (zh) | 信道信息处理方法、装置、通信设备及存储介质 | |
CN117997396A (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 | |
WO2023179473A1 (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 | |
CN116939650A (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
CN117750395A (zh) | Cqi传输方法、装置、终端及网络侧设备 | |
WO2023179460A1 (zh) | 信道特征信息传输方法、装置、终端及网络侧设备 | |
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 | |
CN117692032A (zh) | 信息传输方法、装置、设备、系统及存储介质 | |
CN118316496A (zh) | 信息传输方法、装置和通信设备 |
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 |