CN118140232A - 用于通信网络中的接收器的方法和系统 - Google Patents
用于通信网络中的接收器的方法和系统 Download PDFInfo
- Publication number
- CN118140232A CN118140232A CN202280070502.4A CN202280070502A CN118140232A CN 118140232 A CN118140232 A CN 118140232A CN 202280070502 A CN202280070502 A CN 202280070502A CN 118140232 A CN118140232 A CN 118140232A
- Authority
- CN
- China
- Prior art keywords
- receiver units
- inference model
- model
- sub
- logic unit
- 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 52
- 238000004891 communication Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
提供了一种针对通信网络中的装置的方法。该装置包括至少两个接收器单元和逻辑单元。至少两个接收单元被配置为从通信网络中的用户设备(UE)接收信号。逻辑单元通信地耦合到至少两个接收器单元中的每一个。逻辑单元从接收器单元中的每一个接收信号并且输出与所发送的数据序列对应的数据序列。该方法包括在至少两个接收器单元处接收信号并且基于推理模型的输出获取数据序列。该推理模型被训练以接收包括在至少两个接收器单元处接收到的信号的输入并且输出与从UE发送的数据序列对应的数据序列。该推理模型包括与至少两个接收单元中的每一个对应的子模型以及与逻辑单元对应的子模型。
Description
技术领域
本公开涉及用于在通信网络中的接收器处使用推理模型进行训练和推理的方法和系统。
背景技术
在现代电信网络中，无线电接入网络(RAN)使用多输入多输出(MIMO)技术来增强无线电链路的容量并且改善通信。在MIMO系统中，发射器和接收器处部署了多个天线。信号沿着多条路径在天线之间传播。由信号携带的数据在发射器处被分路成多个流，并且在接收器处重新组合。
最近，分布式MIMO(dMIMO)已被提议部署在第五代(5G)网络中。在dMIMO系统中，不是将天线共置在单个接收器中，而是从若干无线电单元(RU)收集单独信号流。特别是，在dMIMO系统中，天线阵列被空间地跨多个RU分布。
近年来的另一发展是RAN中机器学习(ML)技术的发展。在机器学习的应用中，神经网络(NN)被训练来学习接收器的组件。经学习的神经网络改善了接收器的性能和灵活性两者。
发明内容
本发明的目的是提供一种用于训练针对通信网络中的装置的推理模型的方法。
上述和其他目的是由独立权利要求的特征来实现的。进一步的实现形式从从属权利要求、描述和附图中是显而易见的。
提供了一种用于训练针对通信网络中的装置的推理模型的方法。该装置包括被配置为从通信网络中的用户设备(UE)接收信号的至少两个接收器单元和通信地耦合到至少两个接收器单元中的每一个的逻辑单元。逻辑单元被配置为从接收器单元中的每一个接收信号并且输出与所发送的数据序列对应的数据序列。该方法包括从训练数据集中获得样本，该训练数据集包括所发送的数据值序列和在各自的接收器单元处接收到的对应信号；基于样本评估推理模型，并且基于评估修改推理模型的一个或多个参数。推理模型包括与至少两个接收器单元中的每一个对应的子模型以及与逻辑单元对应的子模型。
在第一实现形式中，评估推理模型包括基于推理模型的输出和样本的所发送的数据值序列，评估损失函数。
在第二实现形式中，损失函数包括推理模型的输出和所发送的比特序列的交叉熵损失函数。
在第三实现形式中，修改推理模型的一个或多个参数包括在评估基础上执行随机梯度下降。
在第四实现形式中，推理模型包括神经网络。
在第五实现形式中，子模型中的每一个包括神经网络。
在第六实现形式中，损失函数还包括至少两个接收器单元的子模型的输出和参考信号的均方误差函数。
在第七实现形式中，参考信号包括参考前传信号。
在第八实现形式中，评估推理模型包括评估与至少两个接收器单元对应的子模型，以及基于评估修改推理模型的一个或多个参数包括基于各自的子模型的评估修改与至少两个接收器单元对应的子模型的参数。
在第九实现形式中，评估推理模型包括评估与逻辑单元对应的子模型，以及基于评估修改推理模型的一个或多个参数包括修改与逻辑单元对应的子模型的参数。
在第十实现形式中，至少两个接收器单元是分布式接收器单元并且逻辑单元是分布式MIMO系统中的分布式单元。
本发明的这些和其他方面将从下面描述的(多个)实施例中变得显而易见。
附图说明
为了更完整地理解本公开及其优点，现在参考结合附图进行以下描述，其中：
图1显示了根据示例的通信网络的接收器节点。
图2显示了根据示例的用于通信网络的推理模型。
图3显示了根据示例的针对推理模型的训练过程。
图4显示了根据示例的针对推理模型的训练过程。
图5显示了根据示例的用于训练推理模型的方法的框图。
图6显示了根据示例的计算系统的示意图。
具体实施方式
下面足够详细地描述示例实施例，以使本领域普通技术人员能够体现和实现本文描述的系统和处理。重要的是要理解实施例可以以许多备选形式提供并且不应被解释为限于本文中阐述的示例。
因此，虽然实施例可以以各种方式修改并且采取各种备选形式，但其具体实施例在附图中显示并且在下面作为示例详细描述。无意限制所公开的特定形式。相反，所附权利要求的范围内的所有修改、等同物和备选物都应包括在内。在适当的情况下，在整个附图和具体实施方式中，示例实施例的元素一致地由相同的附图标记表示。
本文中使用的术语来描述实施例并不旨在限制范围。冠词“一”、“一个”和“该”是单数，因为它们具有单个所指对象，然而，在本文件中单数形式的使用不应排除多于一个所指对象的存在。换句话说，以单数提及的元素可以有一个或多个，除非上下文另有明确说明。还应当理解的是，术语“包括”、“包含”、“包含”和/或“包含”在本文中使用时指定所陈述的特征、项目、步骤、操作、元素和/或组件的存在，但不排除一个或多个其他特征、项目、步骤、操作、元素、组件和/或其组的存在或添加。
除非另有定义，本文使用的所有术语(包括技术和科学术语)均应按照本领域的惯例进行解释。还应当理解，常用的术语应当被进一步解释为相关领域中惯用的，而不是理想化的或过于正式的含义，除非本文明示如此定义。
本文所描述的方法和系统提供分布式MIMO设置中的上行链路(UL)接收器。根据示例，通过针对dMIMO系统中的RU和分布式单元(DU)两者联合训练NN来提供完全学习的UL接收器。
经学习的UL接收器还可以被训练以符合开放无线电接入网络(ORAN)架构。ORAN是一个支持5G网络中更大供应商互操作性的框架。ORAN架构标准化了RAN元素诸如基带和RU组件之间的接口。
在跨供应商场景中，诸如由ORAN设想的场景，RU和分布式单元(DU)之间的前传通信必须使用来自具体接口的信号。对于完全学习的接收器来说，这可能不是通过前传发送的最佳信号，因为它取决于RU和DU的处理能力。根据示例，NN可以针对ORAN兼容系统进行训练。
图1是根据示例的RAN100中的上行链路通信的简化示意图。在图1中，用户设备(UE)110连接到RU 120。RU 120将在天线处从UE 110接收的无线电信号转换为数字信号。RU120与DU 130通信。DU 130可以实现无线电链路控制(RLC)、媒体访问控制(MAC)和物理(PHY)子层。
RU 120通过前传通信链路140与DU 130通信。前传通信链路140可以是有线增强型公共无线电接口链路(eCPRI)链路。DU 130通信地耦合到信道解码器150。信道解码器150可以是，例如，低密度奇偶校验(LPDC)解码器。信道解码器可以从DU 130接收软输出对数似然比(LLR)形式的数据，并且输出与在UE 110的传输中经编码的比特对应的解码信息比特。
根据本文描述的示例，方法可以在图1中所显示的系统100上实现。在示例中，方法包括推理模型的训练和推理，该推理模型是作为针对RU 120和DU 130的复合机器学习(ML)模型联合学习的。特别地，反向传播是在DU 130和RU 120两者上完成的。这确保了从数据中最佳地学习在所有不同设备中所执行的处理。
联合训练确保经学习的RAN 100能够优化实现高频谱效率的最终任务，而不受内部处理限制，超越前传容量和硬件要求的限制。根据示例，训练过程可以通过使用量化感知训练来考虑前传链路140的量化，以在有限精度和带宽下优化前传上的传输。此外，相同的架构可以支持ORAN兼容的前传分路以及任何专有分路。在这种情况下，训练可以包括附加的回归损失，以确保前传信号遵循所期望的规范。
图2显示了根据示例的推理模型200的简化示意图。推理模型200可以用在图1所示的RAN 100中，其中三个RU 120被连接到单个DU120。在其他示例中，可以存在更多或更少的RU 120。推理模型200包括本文中称为RU DeepRx 210的三个组件。RU DeepRx 210在单个时隙上接收时域正交频分复用(OFDM)符号211，由Nsymb个OFDM符号组成。OFDM符号211经历循环前缀(CP)去除212和快速傅立叶变换(FFT)213。
在CP去除212和FFT 213之后，基于ML的处理发生在频域中。除了频域信号之外，ML输入214还包括DMRS符号215和关于映射在每个资源元素(RE)中的层的信息，例如整数掩码。在图2所示的示例中，每个ML RU接收器由K个ResNet块216组成，使得第i块217具有Ni个输出信道。来自最后一个ResNet块的输出信道的数量是Q，即可以通过前传链路140发送到DU 130的每个RU的每个RE的预定义数目的流。这些流可以基于前传链路规范被量化。
推理模型200还包括针对DU 130的组件，在本文中DU 130被称为DU DeepRx 220。DU DeepRx 220从每个RU 120接收单独的流，并且在将输入流以及DMRS和层信息一起馈送到神经网络之前，通过串联221它们来继续处理。在示例实施例中，假设DU神经网络接收器由L个ResNet块222组成，使得第j块223具有Nj输出信道。
输出包括阵列224，阵列224包含用于所有RU 120的所有层的对数似然比(LLR)。如果层或比特少于允许的最大值，则可以使用二进制掩码将未使用的层和/或位位置设置为零。
图3是用于训练图2所示的分布式DeepRx网络的训练过程300的简化示意图。训练过程可以由计算设备执行。在图1中，前传连接140可能是带宽受限的。该限制可以作为RU120和DU 130之间的瓶颈连接被硬编码到总体推理模型中。另外，前传信号的量化被包括在推理模型200中并且也在训练期间。训练过程本身可以使用二元交叉熵(CE)作为损失函数，通过随机梯度下降(SGD)算法来执行。损失是在DU DeepRx的输出处被计算的，而输入是被馈送到RU DeepRx的信号。量化的影响被包含在前向传递中，而在后向传递中被旁路，以确保数值稳定的训练。
在图3中，在框310处获得训练数据。训练数据包括每个经连接的UE 110的所发送的比特序列和每个RU 120处的的对应的所接收的信号。在示例中，可以模拟训练数据。然后初始化推理模型。初始化推理模型可以包括初始化RU DeepRx 320和DU DeepRx 330的神经网络的可训练权重θ。根据示例，初始化可以包括将权重设置为随机值。从训练数据集中选择包括所发送的比特序列和对应的所接收的信号的一个或多个样本。所选择的样本的数目可以基于可用存储器或训练性能。
Rx信号的批次通过RU DeepRx 310和DU DeepRx 320进行解析，并且收集用于每个UE的输出LLR或比特概率。在图3中，前传数据在框340处被量化。
在框350处，DU DeepRx 330的输出与所发送的比特的序列之间的交叉熵损失被确定为
在公式(1)中，q是批次内的样本索引，biq是所发送的比特，是由DU DeepRx 330估计的比特，并且Wq是所发送的比特的总数目。在公式(1)中，biq中的比特包含由所有UE所发送的比特，尽管省略了UE索引。
在框350处，公式(1)的交叉熵在整个批次中求和
CE(θ)＝∑q∈batchCEq(θ).
在框360处，基于损失函数CE(θ)计算的梯度，使用例如使用预定义学习率的随机梯度下降(SGD)来更新用于RU DeepRx 320和DU DeepRx 330的网络参数θ。在一些示例中，可以使用Adam优化器。可以针对样本的批次迭代地重复训练过程300，直到满足预定义的停止条件，诸如被执行预定义的迭代次数或者一旦达到阈值交叉熵级别。
在一些情况下，要么(多个)RU 120要么DU 130是来自另一供应商时，可能期望ORAN兼容。在这种情况下，可以针对ORAN兼容系统修改图3中所显示的训练过程，其中根据所期望的ORAN分路，信号通过前传140被发送。
图4是根据示例的用于训练ORAN兼容系统的训练过程400的简化示意图。与图3所示的训练过程300类似，训练过程400可以使用作为损失函数的二元交叉熵(CE)，用随机梯度下降(SGD)算法来执行。然而，在训练过程400中，附加损失项被引入到用于通过前传链路40发送的信号的损失函数中。训练过程400产生针对RU 120和DU 130的经训练的网络，即使在跨供应商部署中可能只需要其中之一。
在图4中，在框410处获得训练数据。与过程300类似，训练数据包括每个所连接的UE 110的所发送的比特序列和每个RU 120处的对应的所接收的信号。另外，用传统的RU处理接收到的信号，并且收集输出作为用于前传链路140的参考信号。然后初始化推理模型。初始化推理模型可以包括初始化RU DeepRx 420和DU DeepRx 430的神经网络的可训练权重θ。初始化可训练权重可以包括将权重设置为随机值。然后从包括所接收的信号、所发送的比特以及RU 120和DU 130之间的前传信号的训练数据集中选择一个或多个样本。一批次样本中的样本数目可以基于可用存储器或观察到的训练性能。
Rx信号的批次通过RU DeepRx 420和DU DeepRx 430进行解析，并且收集用于每个UE的输出LLR或比特概率。还收集每个RU DeepRx 420的输出信号440。在图4中，前传数据在框450处被量化。
在框460处，DU DeepRx 430的输出与所发送的比特的序列之间的交叉熵损失被确定为：
在公式(2)中，q是批次内的样本索引，biq是所发送的比特，是由DU DeepRx330估计的比特，并且Wq是所发送的比特的总数目。
另外，在框460处，RU DeepRx与来自传统RU输出的参考信号之间的均方误差(MSE)被确定为：
在公式(3)中，yi表示所期望的前传信号，并且是RU DeepRx 420的输出440。在公式(3)中，输出信号440被串联成长度为Rq的一个向量，其中Rq是所有RU之间的前传样本的经组合的数目。交叉熵和MSE损失通过整批次样本被求和：
在公式(4)中，α表示MSE损失项的乘数。
在框470，可训练网络参数θ的集合基于所得批次损失函数L(θ)的经计算的梯度利用随机梯度下降进行更新。与过程300一样，训练过程400可以针对样本的批次迭代地重复，直到满足预定义的停止条件，诸如被执行预定义次数的迭代或者一旦达到阈值交叉熵极别。
在备选示例中，可以单独训练每个RU DeepRx 420以提供ORAN兼容的输出信号，而不需要联合训练整个系统。DU DeepRx也可以使用传统的ORAN RU输出信号进行单独训练。
图5是根据示例的用于针对训练通信网络中的装置的推理模型的方法的框图。该装置包括至少两个接收器单元，诸如图1所示的RU 120。接收器被配置为从通信网络中的用户设备(UE)接收信号。该装置包括逻辑单元，诸如图1所示的DU 130。逻辑单元通信地耦合到至少两个接收器单元中的每一个。逻辑单元从接收器单元中的每一个接收信号并且输出与所发送的数据序列对应的数据序列。推理模型包括与至少两个接收器单元中的每一个对应的子模型以及与逻辑单元对应的子模型。根据示例，推理模型可以包括图2中所示的模型200。
在框510处，方法包括从训练数据集中获取样本。训练数据集包括所发送的数据值序列和在各自的接收器单元处接收到的对应信号。
在框520处，基于样本，评估推理模型。在示例中，评估推理模型包括基于推理模型的输出和样本的所发送的数据值序列来评估损失函数。损失函数可以包括推理模型的输出和所发送的比特的序列的交叉熵损失函数。在一些情况下，损失函数还包括至少两个接收器单元的子模型的输出和参考信号的均方误差函数。参考信号可以包括诸如参考图4中所描述的前传信号。
在框530处，方法500包括基于评估，修改推理模型的一个或多个参数。根据示例，修改推理模型的一个或多个参数包括基于评估执行随机梯度下降。
在一些示例中，评估推理模型包括评估与至少两个接收器单元对应的子模型，并且基于评估修改推理模型的一个或多个参数包括基于各自的子模型的评估修改与至少两个接收器单元对应的子模型的参数。在其他示例中，评估推理模型包括评估与逻辑单元对应的子模型，并且基于评估修改推理模型的一个或多个参数包括修改与逻辑单元对应的子模型的参数。
本公开是参考根据本公开的示例的方法、设备和系统的流程图和/或框图来描述的。尽管上述流程图显示了特定的执行顺序，但是执行顺序可能与所描绘的不同。与一个流程图相关地描述的框可以与另一流程图的框组合。在一些示例中，流程图的一些框可能不是必需的和/或可以添加附加框。应理解的是，流程图和/或框图中的每个流程和/或框、以及流程图和/或框图中的流程和/或图的组合可以由机器可读指令来实现。
机器可读指令可以例如由通用计算机、专用计算机、嵌入式处理器或其他可编程数据处理设备的处理器来执行，以实现描述和图中描述的功能。特别地，处理器或处理装置可以执行机器可读指令。因此，装置的模块可以由执行存储在存储器中的机器可读指令的处理器或者根据嵌入在逻辑电路中的指令操作的处理器来实现。术语“处理器”应被广义地解释为包括CPU、处理单元、逻辑单元或可编程门集合等。方法和模块可以全部由单个处理器执行或者划分在若干个处理器之间。这样的机器可读指令还可以存储在计算机可读存储器中，其可以指导计算机或其他可编程数据处理设备在特定模式下操作。
这样的机器可读指令还可以被加载到计算机或其他可编程数据处理设备上，使得计算机或其他可编程数据处理设备执行一系列操作以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现由流程图中的(多个)流程和/或框图中的(多个)框指定的功能的操作。
图6显示了包括与存储器620相关联的处理器610的计算系统600的示例。存储器620包括可由处理器610执行的计算机可读指令630。指令630使处理器610从训练数据集中获得样本，该训练数据集包括发送的数据值序列和在通信网络的相应接收器单元处接收的对应信号。这些指令还使处理器基于样本来评估推理模型，并且基于评估来修改推理模型的一个或多个参数。
尽管已经详细描述了本公开及其优点，但是应当理解的是，在不脱离由所附权利要求限定的本公开的精神和范围的情况下，可以在本文中做出各种变化、替换和备选。
本发明可以体现在其他具体的装置和/或方法中。所描述的实施例在所有方面都应被视为说明性的而非限制性的。特别地，本发明的范围由所附的权利要求指示，而不是由本文的描述和附图指示。权利要求的含义和等效范围内的所有改变都应包含在其范围内。
Claims (14)
1.一种用于训练针对通信网络(100)中的装置的推理模型(200)的方法(300、400、500)，所述装置包括至少两个接收器单元RU(120)和逻辑单元(130)，所述至少两个接收器单元RU(120)被配置为从所述通信网络(100)中的用户设备UE(110)接收信号，所述逻辑单元(130)通信地耦合到所述至少两个接收器单元(120)中的每一个，所述逻辑单元(130)被配置为从所述接收器单元(120)中的每一个接收信号并且输出与所发送的数据序列对应的数据序列，所述方法包括：
从训练数据集获取(510)样本，所述训练数据集包括所发送的数据值序列和在各自的接收器单元处接收到的对应信号；
基于所述样本，评估(520)所述推理模型(200)；以及
基于所述评估，修改(530)所述推理模型的一个或多个参数，
其中所述推理模型(200)包括与所述至少两个接收器单元(120)中的每一个对应的子模型(320、330)以及与所述逻辑单元(130)对应的子模型(220)。
2.根据权利要求1所述的方法，其中评估(520)所述推理模型(200)包括基于所述推理模型的输出和所述样本的所发送的所述数据值序列，评估损失函数。
3.根据权利要求2所述的方法，其中所述损失函数包括所述推理模型的所述输出和所发送的比特序列的交叉熵损失函数。
4.根据权利要求2或3所述的方法，其中修改(530)所述推理模型(200)的一个或多个参数包括在所述评估基础上执行随机梯度下降。
5.根据权利要求2至4所述的方法，其中所述推理模型(200)包括神经网络。
6.根据权利要求5所述的方法，其中所述子模型(220、320、330)中的每一个包括神经网络。
7.根据权利要求6所述的方法，其中所述损失函数还包括所述至少两个接收器单元的所述子模型的输出和参考信号的均方误差函数。
8.根据权利要求7所述的方法，其中所述参考信号包括参考前传信号。
9.根据权利要求1至8所述的方法，其中评估(520)所述推理模型(200)包括评估与所述至少两个接收器单元(120)对应的所述子模型(320、330)；以及
其中基于所述评估修改所述推理模型(200)的一个或多个参数包括基于所述各自的子模型的所述评估修改与所述至少两个接收器单元对应的所述子模型的参数。
10.根据权利要求1至9所述的方法，其中评估(520)所述推理模型(200)包括评估与所述逻辑单元对应的所述子模型；以及
其中基于所述评估修改所述推理模型的一个或多个参数包括修改与所述逻辑单元对应的所述子模型的参数。
11.根据权利要求1所述的方法，其中所述至少两个接收器单元(120)是分布式接收器单元并且所述逻辑单元(130)是分布式MIMO系统中的分布式单元。
12.一种针对通信网络(100)中的装置的方法，所述装置包括至少两个接收器单元RU(120)和逻辑单元(130)，所述至少两个接收器单元RU(120)被配置为从所述通信网络中的用户设备UE(110)接收信号，所述逻辑单元(130)通信地耦合到所述至少两个接收器单元(120)中的每一个，所述逻辑单元被配置为从所述接收器单元中的每一个接收信号并且输出与所发送的数据序列对应的数据序列，所述方法包括：
在所述至少两个接收器单元(120)处接收信号；以及
基于推理模型(200)的输出获取数据序列，所述推理模型被训练以接收包括在所述至少两个接收器单元(120)处接收到的信号的输入，并且输出与从UE(110)发送的数据序列对应的数据序列；
其中所述推理模型(200)包括与所述至少两个接收器单元(120)中的每一个对应的子模型(320、330)以及与所述逻辑单元(130)对应的子模型(220)。
13.一种计算机可读存储介质(620)，包括指令(630)，所述指令(630)在由计算机执行时使所述计算机执行根据权利要求1至12中任一项所述的方法的所述步骤。
14.一种计算系统(600)包括用于执行根据权利要求1至12中任一项所述的方法的所述步骤的部件(610；620)。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20216080 | 2021-10-20 | ||
| FI20216080 | 2021-10-20 | ||
| PCT/EP2022/079089 WO2023066993A1 (en) | 2021-10-20 | 2022-10-19 | Method and system for a receiver in a communication network |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118140232A true CN118140232A (zh) | 2024-06-04 |
Family
ID=84358279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280070502.4A Pending CN118140232A (zh) | 2021-10-20 | 2022-10-19 | 用于通信网络中的接收器的方法和系统 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4420042A1 (zh) |
| CN (1) | CN118140232A (zh) |
| WO (1) | WO2023066993A1 (zh) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10833785B1 (en) * | 2019-04-23 | 2020-11-10 | DeepSig Inc. | Processing communications signals using a machine-learning network |
-
2022
- 2022-10-19 EP EP22803007.8A patent/EP4420042A1/en active Pending
- 2022-10-19 WO PCT/EP2022/079089 patent/WO2023066993A1/en active Application Filing
- 2022-10-19 CN CN202280070502.4A patent/CN118140232A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4420042A1 (en) | 2024-08-28 |
| WO2023066993A1 (en) | 2023-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108075857B (zh) | 用于稀疏码多址接入的系统和方法 | |
| JP6009717B2 (ja) | 低複雑度受信機および低密度シグネチャ変調のための方法 | |
| CN114051701A (zh) | 用于机器学习辅助预编码的设备和方法 | |
| CN105721106A (zh) | 基于串行策略的scma上行通信系统多用户检测方法 | |
| CN103905149B (zh) | 码本设计方法、通信设备以及码本训练方法 | |
| EP4210252A1 (en) | Neural network-based communication method and related apparatus | |
| WO2014090205A1 (en) | System and method for low density spreading modulation detection | |
| WO2016150246A1 (zh) | 一种信号检测方法及装置 | |
| WO2021155744A1 (zh) | 基于深度学习的无线通信物理层收发端的联合优化方法、电子设备和存储介质 | |
| US11664859B2 (en) | Method and device for switching transmission methods in massive MIMO system | |
| WO2017071540A1 (zh) | 非正交多址接入中信号检测方法及装置 | |
| Xie et al. | Massive unsourced random access for massive MIMO correlated channels | |
| CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
| CN107276725B (zh) | 一种改进基于门限的scma低复杂度并行多用户检测方法 | |
| Wen et al. | An enhanced fixed-complexity LLL algorithm for MIMO detection | |
| Haq et al. | Deep neural network augmented wireless channel estimation for preamble-based ofdm phy on zynq system on chip | |
| Brennsteiner et al. | A real-time deep learning OFDM receiver | |
| JP2014165915A (ja) | 無線周波数受信機において信号を復号化する方法 | |
| CN118140232A (zh) | 用于通信网络中的接收器的方法和系统 | |
| WO2023237182A1 (en) | Radio receiver with multi-stage equalization | |
| Yang et al. | Efficient hardware architecture of deterministic MPA decoder for SCMA | |
| CN113746511B (zh) | 一种快速mimo信号搜索方法、系统、设备及存储介质 | |
| CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
| CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
| CN113132277A (zh) | 一种对齐迭代计算方法、装置、存储介质和计算机设备 |
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 |