CN118160247A - 数据处理的方法及装置 - Google Patents
数据处理的方法及装置 Download PDFInfo
- Publication number
- CN118160247A CN118160247A CN202180103710.5A CN202180103710A CN118160247A CN 118160247 A CN118160247 A CN 118160247A CN 202180103710 A CN202180103710 A CN 202180103710A CN 118160247 A CN118160247 A CN 118160247A
- Authority
- CN
- China
- Prior art keywords
- channel
- data
- processing module
- channel data
- real
- 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
- 238000003672 processing method Methods 0.000 title description 7
- 238000012545 processing Methods 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 86
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 76
- 238000012360 testing method Methods 0.000 claims description 62
- 238000004590 computer program Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 33
- 230000006870 function Effects 0.000 description 39
- 238000004891 communication Methods 0.000 description 37
- 238000013528 artificial neural network Methods 0.000 description 30
- 230000004913 activation Effects 0.000 description 21
- 238000013527 convolutional neural network Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 20
- 238000011084 recovery Methods 0.000 description 14
- 238000011176 pooling Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
提供了一种处理数据的方法及其装置,该方法包括:利用信道生成器生成第一信道数据,信道生成器属于生成对抗网络,生成对抗网络还包括信道鉴别器,信道鉴别器用于根据真实信道数据鉴别第一信道数据。首先,本申请提供的信道生成器属于人工智能AI模型,该信道生成器生成信道数据的过程即可理解为基于AI进行信道建模的过程。因此,本申请能够很好地刻画各种不同的复杂信道环境,而不受限于某种特定的信道环境。进一步地,本申请提供的信道生成器属于生成对抗网络中的生成器。生成对抗网络基于博弈的思想,采用少量真实信道数据即可使得信道生成器生成大量的与真实信道数据相似度极高的伪信道数据,从而可以减少获取和采集真实信道数据所需的成本。
Description
本申请涉及通信技术领域,并且更为具体地,涉及一种数据处理的方法及装置。
随着技术的发展,传统信道建模方法(基于数学建模)遇到了诸多挑战。例如,大规模天线、水下通信、毫米波等会带来复杂的信道环境,而传统信道建模方法难以很好地刻画这种复杂信道环境。
人工智能(artificial intelligence,AI)可以在一定程度解决上述问题。但是,基于AI的信道建模方法需要大量的信道数据支持。信道数据需要人工使用专用且昂贵的设备在真实环境中获取。因此,基于AI的信道建模会消耗大量的人力、物力、财力和时间。
发明内容
本申请提供一种数据处理的方法及装置,以解决基于AI的信道建模需要大量信道数据的问题。
第一方面,提供了一种处理数据的方法,所述方法包括:利用信道生成器生成第一信道数据,所述信道生成器属于生成对抗网络,所述生成对抗网络还包括信道鉴别器,所述信道鉴别器用于根据真实信道数据鉴别所述第一信道数据。
第二方面,提供了一种数据处理装置,所述装置包括:生成单元,用于利用信道生成器生成第一信道数据,所述信道生成器属于生成对抗网络,所述生成对抗网络还包括信道鉴别器,所述信道鉴别器用于根据真实信道数据鉴别所述第一信道数据。
第三方面,提供一种数据处理装置,包括处理器、存储器、通信接口,所述存储器用于存储一个或多个计算机程序,所述处理器用于调用所述存储器中的计算机程序使得所述终端设备执行第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得终端设备执行上述第一方面的方法中的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使设备执行上述第一方面的方法中的部分或全部步骤。在一些实现方式中,该计算机程序产品可以为一个软件安装包。
第六方面,本申请实施例提供了一种芯片,该芯片包括存储器和处理器,处理器可以从存储器中调用并运行计算机程序,以实现上述第一方面或第二方面的方法中所描述的部分或全部步骤。
第七方面,提供一种计算机程序产品,包括程序,所述程序使得计算机执行第一方面所述的方法。
第八方面,提供一种计算机程序,所述计算机程序使得计算机执行第一方面所述的方法。
首先,本申请提供的信道生成器属于AI模型,该信道生成器生成信道数据的过程即可理解为基于AI进行信道建模的过程(信道数据用于描述信道,因此,生成信道数据相当于进行信道建模)。因此,与传统的基于数学的信道建模方式相比,本申请实施例能够很好地刻画各种不同的复杂信道环境,而不受限于某种特定的信道环境。进一步地,本申请 实施例提供的信道生成器属于生成对抗网络中的生成器。生成对抗网络基于博弈的思想,采用少量真实信道数据即可使得信道生成器生成大量的与真实信道数据相似度极高的伪信道数据,从而可以减少获取和采集真实信道数据所需的人力、物力、财力和时间。
图1是本申请实施例应用的无线通信系统。
图2是本申请实施例适用的信道估计及信号恢复的示意图。
图3是本申请实施例适用的神经网络的结构图。
图4是本申请实施例适用的卷积神经网络的结构图。
图5是基于自编码器的图像压缩过程示意图。
图6是基于AI的信道估计与恢复过程示意图。
图7是基于AI的信道反馈过程示意图。
图8是本申请实施例提出的一种处理数据的方法的示意性流程图。
图9是本申请实施例提供的一种数据处理方法的总体框架。
图10是本申请实施例提供的一种信道生成器的示意性结构图。
图11是本申请实施例提供的一种上采样块的示意性结构图。
图12是本申请实施例提供的一种信道鉴别器的示意性结构图。
图13是本申请实施例提供的一种下采样块的示意性结构图。
图14是本申请实施例提供的一种数据处理装置示意性结构图。
图15是本申请实施例提供的一种用于数据处理的装置的示意性结构图。
下面将结合附图,对本申请中的技术方案进行描述。
通信系统
图1是本申请实施例应用的无线通信系统100。该无线通信系统100可以包括网络设备110和终端设备120。网络设备110可以是与终端设备120通信的设备。网络设备110可以为特定的地理区域提供通信覆盖,并且可以与位于该覆盖区域内的终端设备120进行通信。
图1示例性地示出了一个网络设备和两个终端,可选地,该无线通信系统100可以包括多个网络设备并且每个网络设备的覆盖范围内可以包括其它数量的终端设备,本申请实施例对此不做限定。
可选地,该无线通信系统100还可以包括网络控制器、移动管理实体等其他网络实体,本申请实施例对此不作限定。
应理解,本申请实施例的技术方案可以应用于各种通信系统,例如:第五代(5th generation,5G)系统或新无线(new radio,NR)、长期演进(long term evolution,LTE)系统、LTE频分双工(frequency division duplex,FDD)系统、LTE时分双工(time division duplex,TDD)等。本申请提供的技术方案还可以应用于未来的通信系统,如第六代移动通信系统,又如卫星通信系统,等等。
本申请实施例中的终端设备也可以称为用户设备(user equipment,UE)、接入终端、用户单元、用户站、移动站、移动台(mobile station,MS)、移动终端(mobile terminal,MT)、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请实施例中的终端设备可以是指向用户提供语音和/或数据连通性的设备,可以用于连接人、物和机,例如具有无线连接功能的手持式设备、车载设备等。本申请的实施例中的终端设备可以是手机(mobile phone)、平板电脑(Pad)、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)、可穿戴设备,虚拟现实(virtual reality,VR)设备、增强现实(augmented reality,AR)设备、工业控制(industrial control)中的无 线终端、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等。可选地,UE可以用于充当基站。例如,UE可以充当调度实体,其在V2X或D2D等中的UE之间提供侧行链路信号。比如,蜂窝电话和汽车利用侧行链路信号彼此通信。蜂窝电话和智能家居设备之间通信,而无需通过基站中继通信信号。
本申请实施例中的网络设备可以是用于与终端设备通信的设备,该网络设备也可以称为接入网设备或无线接入网设备,如网络设备可以是基站。本申请实施例中的网络设备可以是指将终端设备接入到无线网络的无线接入网(radio access network,RAN)节点(或设备)。基站可以广义的覆盖如下中的各种名称,或与如下名称进行替换,比如:节点B(NodeB)、演进型基站(evolved NodeB,eNB)、下一代基站(next generation NodeB,gNB)、中继站、接入点、传输点(transmitting and receiving point,TRP)、发射点(transmitting point,TP)、主站MeNB、辅站SeNB、多制式无线(MSR)节点、家庭基站、网络控制器、接入节点、无线节点、接入点(access point,AP)、传输节点、收发节点、基带单元(base band unit,BBU)、射频拉远单元(Remote Radio Unit,RRU)、有源天线单元(active antenna unit,AAU)、射频头(remote radio head,RRH)、中心单元(central unit,CU)、分布式单元(distributed unit,DU)、定位节点等。基站可以是宏基站、微基站、中继节点、施主节点或类似物,或其组合。基站还可以指用于设置于前述设备或装置内的通信模块、调制解调器或芯片。基站还可以是移动交换中心以及设备到设备D2D、车辆外联(vehicle-to-everything,V2X)、机器到机器(machine-to-machine,M2M)通信中承担基站功能的设备、6G网络中的网络侧设备、未来的通信系统中承担基站功能的设备等。基站可以支持相同或不同接入技术的网络。本申请的实施例对网络设备所采用的具体技术和具体设备形态不做限定。
基站可以是固定的,也可以是移动的。例如,直升机或无人机可以被配置成充当移动基站,一个或多个小区可以根据该移动基站的位置移动。在其他示例中,直升机或无人机可以被配置成用作与另一基站通信的设备。
在一些部署中,本申请实施例中的网络设备可以是指CU或者DU,或者,网络设备包括CU和DU。gNB还可以包括AAU。
网络设备和终端设备可以部署在陆地上,包括室内或室外、手持或车载;也可以部署在水面上;还可以部署在空中的飞机、气球和卫星上。本申请实施例中对网络设备和终端设备所处的场景不做限定。
应理解,本申请中的通信设备的全部或部分功能也可以通过在硬件上运行的软件功能来实现,或者通过平台(例如云平台)上实例化的虚拟化功能来实现。
信道估计
由于无线信道环境的复杂性和时变性,在无线通信系统中,接收机需要基于对信道的估计结果对接收的信号进行恢复。接收机针对无线信道的估计及恢复直接影响着最终的数据恢复性能。图2是本申请实施例适用的信道估计及信号恢复的示意图。
如图2所示,在步骤S210中,发射机在时频资源上除了发射数据信号外,还会发射一系列接收机已知的导频信号,如信道状态信息参考信号(channel state information-reference signal,CSI-RS)、解调参考信号(demodulation reference signal,DMRS)等。
在步骤S211中,发射机通过信道向发射机发射上述数据信号和导频信号。
在步骤S212中,接收机接收到导频信号后可以进行信道估计。在一种可能的实现方式中,接收机可以基于预存的导频序列与接收到的导频序列,通过信道估计算法(例如,最小二乘(least squares method,LS)信道估计),估计出传输导频信号的信道的信道信息。
在步骤S213中,接收机可以根据传输导频序列的信道的信道信息,利用插值算法恢 复出全时频资源上的信道信息,用于后续的信道信息反馈或数据恢复等。
信道反馈
在无线通信系统中,主要是利用基于码本的方案来实现信道特征的提取与反馈,即在接收机进行信道估计后,根据信道估计的结果按照某种优化准则,从预先设定的预编码码本中选择与当前信道最匹配的预编码矩阵,并通过空口的反馈链路,将预编码矩阵索引(precoding matrix index,PMI)信息反馈给发射机,供发射机实现预编码。在一些实现方式中,接收机还可以将测量得出的信道质量指示(channel quality indication,CQI)反馈给发射机,供发射机实现自适应调制编码等。信道反馈也可以称为信道状态信息(channel state information-reference signal,CSI)反馈。
神经网络
近年来,人工智能研究在计算机视觉、自然语言处理等很多领域都取得了非常大的成果,其也将在未来很长一段时间内在人们的生产生活中起到重要的作用。通信领域也开始尝试利用AI技术寻求新的技术思路,以解决传统方法受限的技术难题。
神经网络为AI中常用的架构。常见的神经网络有卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)、深度神经网络(deep neural network,DNN)等。
下文结合图3介绍本申请实施例适用的神经网络。图3所示的神经网络按照不同层的位置划分可以分为三类:输入层310,隐藏层320和输出层330。一般来说,第一层是输入层310、最后一层是输出层330,第一层和最后一层之间的中间层都是隐藏层320。
输入层310用于输入数据。以通信系统为例,输入数据例如可以是接收机接收的接收信号。隐藏层320用于对输入数据进行处理,例如,对接收信号进行解压缩处理。输出层330用于输出处理后的输出数据,例如,输出解压后的信号。
如图3所示,神经网络包括多个层,每个层包括多个神经元,层与层之间的神经元可以是全连接的,也可以是部分连接的。对于连接的神经元而言,上一层的神经元的输出可以作为下一层的神经元的输入。
随着神经网络研究的不断发展,年来又提出了神经网络深度学习算法。神经网络深度学习算法在神经网络中引入了较多的隐层。通过多隐层的神经网络逐层训练进行特征学习,极大地提升了神经网络的学习和处理能力。这种神经网络模型广泛应用于模式识别、信号处理、优化组合、异常探测等方面。
CNN是一种带有卷积结构的深度神经网络,其结构如图4所示,可以包括输入层410、卷积层420、池化层430、全连接层440、以及输出层450。
每一个卷积层420可以包括很多个卷积核,卷积核也称为算子,其作用可以看作是一个从输入信号中提取特定信息的过滤器,卷积核本质上可以是一个权重矩阵,这个权重矩阵通常被预先定义。
这些权重矩阵中的权重值在实际应用中需要经过大量的训练得到,通过训练得到的权重值形成的各个权重矩阵可以从输入信号中提取信息,从而帮助CNN进行正确的预测。
当CNN有多个卷积层的时候,初始的卷积层往往提取较多的一般特征,该一般特征也可以称之为低级别的特征;随着CNN深度的加深,越往后的卷积层提取到的特征越来越复杂。
池化层430,由于常常需要减少训练参数的数量,因此卷积层之后常常需要周期性的引入池化层,例如,可以是图4所示的一层卷积层后面跟一层池化层,也可以是多层卷积层后面接一层或多层池化层。在信号处理过程中,池化层的唯一目的就是减少提取的信息的空间大小。
卷积层420和池化层430的引入,有效地控制了网络参数的剧增,限制了参数的个数并挖掘了局部结构的特点,提高了算法的鲁棒性。
全连接层440,在经过卷积层420、池化层430的处理后,CNN还不足以输出所需要的输出信息。因为如前所述,卷积层420、池化层430只会提取特征,并减少输入数据带来的参数。然而为了生成最终的输出信息(例如,发射端发射的原始信息的比特流),CNN还需要利用全连接层440。通常,全连接层440中可以包括多个隐含层,该多层隐含层中所包含的参数可以根据具体的任务类型的相关训练数据进行预先训练得到,例如,该任务类型可以包括对接收机接收的数据信号进行解码,又例如,该任务类型还可以包括基于接收机接收的导频信号进行信道估计。
在全连接层440中的多层隐含层之后,也就是整个CNN的最后层为输出层450,用于输出结果。通常,该输出层450设置有损失函数(例如,类似分类交叉熵的损失函数),用于计算预测误差,或者说用于评价CNN模型输出的结果(又称预测值)与理想结果(又称真实值)之间的差异程度。
为了使损失函数最小化,需要对CNN模型进行训练。在一些实现方式中,可以使用反向传播算法(backpropagation algorithm,BP)对CNN模型进行训练。BP的训练过程由正向传播过程和反向传播过程组成。在正向传播(如图4由410至450的传播为正向传播)过程中,输入数据输入CNN模型的上述各层,经过逐层处理并传向输出层。如果在输出层输出的结果与理想结果差异较大,则将上述损失函数最小化作为优化目标,转入反向传播(如图4由450至410的传播为反向传播),逐层求出优化目标对各神经元权值的偏导数,构成优化目标对权值向量的梯量,作为修改模型权重的依据,CNN的训练过程在权重修改过程中完成。当上述误差达到所期望值时,CNN的训练过程结束。
需要说明的是,如图4所示的CNN仅作为一种卷积神经网络的示例,在具体的应用中,卷积神经网络还可以以其他网络模型的形式存在,本申请实施例对此不作限定。
自编码器
自编码器是一类在半监督学习和非监督学习中使用的人工神经网络。自编码器是一种将输入信号作为训练目标的神经网络。自编码器可以包括编码器(encoder)和解码器(decoder)。
以图5所示的图像压缩为例,对自编码器进行说明。
编码器的输入可以为待压缩图像。图5所示的实施例中,待压缩图像占用28×28=784比特。待压缩图像经过编码器压缩后,输出码流(code)。编码器输出的码流占用的比特数通常小于待压缩图像占用的比特数。例如图5所示的编码器输出的码流占用的比特数可以小于784比特。由此可知,编码器可以实现输入编码器的实体的压缩表示。
解码器的输入可以为码流。该码流可以为编码器输出的码流。解码器的输出为解压缩后的图像。由图5可以看出,解压缩后的图像与输入编码器的待压缩图像是一致的。因此,解码器可以实现原始实体的重构。
在训练自编码器的过程中,可以将待压缩数据(例如图5中待压缩的图片)作为自编码器的输入(即编码器输入)和标签(即解码器输出),将编码器和解码器进行端到端联合训练。
基于神经网络的信道估计
目前,通信系统考虑利用AI实现信道估计与恢复,例如基于神经网络的信道估计与恢复。
图6为基于AI的信道估计与恢复过程的示意图。
基于AI的信道估计与恢复模块610可以为一个神经网络。基于AI的信道估计与恢复模块610的输入信息可以是参考信号,输出信息可以是信道估计与恢复的结果。
可以理解的是,基于AI的信道估计与恢复模块的输入信息还可以包括以下信息中的至少一项:对参考信号的特征提取、能量水平、时延特征以及噪声特征等。上述信息可以作为其他辅助信息,以用于提升基于AI的信道估计与恢复模块性能。
基于神经网络的信道反馈
与信道估计类似,也可以基于AI实现信道反馈,例如实现基于神经网络的信道反馈。网络设备侧可以通过神经网络尽可能地还原终端设备侧反馈的信道信息。这种基于神经网络的信道反馈可以实现信道信息的还原,还为终端设备侧降低信道反馈开销提供了可能性。
作为一个实施例,可以利用深度学习自编码器实现信道反馈。例如,基于AI的信道反馈模块可以基于自编码器实现。基于AI的信道反馈模块的输入可以为信道信息,也就是说,可以将信道信息视为输入自编码器的压缩图像。基于AI的信道反馈模块可以对信道信息进行压缩反馈。在发送端,基于AI的信道反馈模块可以对压缩后的信道信息进行重构,从而可以较大程度地保留信道信息。
图7为一种基于AI的信道反馈过程示意图。图7所示的信道反馈模块包括编码器和解码器。编码器和解码器分别部署在接收端(receive,Rx)和发送端(transmit,Tx)。接收端可以通过信道估计得到信道信息矩阵。该信道信息矩阵可以通过编码器的神经网络进行压缩编码,形成压缩后的比特流(codeword)。压缩后的比特流可以通过空口反馈链路反馈(feedback)给接收端。发送端可以通过解码器根据反馈的比特流对信道信息进行解码或恢复,从而获得完整的反馈信道信息。
基于AI的信道反馈模快可以为图7所示的结构。例如,编码器可以包括若干全连接层,解码器可以包括残差网络。可以理解的是,图7仅为示例,本申请不限制编码器和解码器内部的网络模型结构,网络模型的结构可以灵活设计。
由上文的介绍可以看出,信道对于通信系统而言具有重要的意义。随着技术的发展,通信系统及理论体系体现出了一些局限性,对信道建模提出了巨大挑战。
首先,基于数学建模的信道建模方法很难很好地刻画日益复杂的信道环境。例如,基于数学建模的信道建模方法对大规模天线、水下通信、毫米波等信道环境的描述不够准确。此外,信号处理器件的组合利用越来越多样,这给信号处理流程带来了非线性特征。针对非线性特征,基于数学建模的信号处理方法无法较好地满足通信的高可靠性要求。另外,通信系统中迭代算法(例如符号检测等)也具有较高复杂度,基于数学建模的方法也不能很好地满足高速率的通信要求。
由于AI模型并不受限于某种固定的数学理论或数学模型,因此基于AI的无线通信可以在一定程度上解决上述问题。由上文可知,AI的架构是基于数据驱动的,也就是说,AI模型的训练需要高质量、大数据量的训练数据支撑。因此,基于AI的信道建模方法需要大量的信道数据支持。信道数据需要人工使用专用且昂贵的设备在真实环境中获取。信道数据的获取和采集会消耗大量的人力、物力、财力和时间。
本申请提出了一种数据处理的方法,以解决基于AI的信道建模需要大量信道数据的问题。图8示出的是本申请实施例提供的一种数据处理的方法。图8所示的方法可以由具有AI处理能力的设备执行。该设备例如可以是前文提到的终端设备或网络设备。
参见图8,在步骤S810,利用信道生成器生成第一信道数据。
信道生成器可用于生成与第一信道数据。第一信道数据可用于对信道状态进行描述或刻画。因此,第一信道数据也可以理解成信道模型。由于第一信道数据并非在真实环境中采集到的信道数据,而是由信道生成器生成的信道数据。因此,第一信道数据也可成为伪信道数据或假信道数据。换句话说,第一信道数据可以是真实信道数据的模拟数据。
信道生成器属于生成对抗网络(generative adversarial network,GAN)。生成对抗网络是一种神经网络,常用于图像处理。生成对抗网络包括两套网络,分别为生成器(generator)和鉴别器(discriminator)。生成器可用于生成与真实数据类似的假数据。鉴别器可用于鉴别数据的真假。生成器和鉴别器的训练目标相互对抗。因此,生成对抗网络的训练过程是一个动态博弈的过程。在博弈过程中即可根据少量真实数据实现生成对抗网络的训练。
本申请实施例将生成对抗网络中的生成器作为信道生成器(即该生成器生成的是信道 数据或者该生成器用于信道建模),生成对抗网络中的鉴别器可以作为信道鉴别器。信道鉴别器可用于接收真实信道数据,信道鉴别器可用于生成第一信道数据(或伪信道数据)。信道鉴别器可以用于根据真实信道数据鉴别第一信道数据。
生成对抗网络的训练过程中,需要同时训练信道生成器和信道鉴别器。信道生成器的训练目标是:生成的第一信道数据更为逼真,使得信道鉴别器无法分辨第一信道数据的真实性。信道鉴别器的训练目标是:将第一信道数据与真实信道数据区分开。由此可知,信道生成器和信道鉴别器的训练目标是相互对抗的。因此,本申请的生成对抗网络的训练过程是信道生成器和信道鉴别器进行动态博弈的过程。当博弈达到均衡(例如纳什均衡),信道鉴别器会混淆真实信道数据和第一信道数据,也就是说,第一信道数据足以“以假乱真”。在这种情况下,信道生成器生成的伪信道分布可以较好地匹配真实信道分布,即完成信道建模过程。
首先,本申请提供的信道生成器属于AI模型,该信道生成器生成信道数据的过程即可理解为基于AI进行信道建模的过程(信道数据用于描述信道,因此,生成信道数据相当于进行信道建模)。因此,与传统的基于数学的信道建模方式相比,本申请实施例能够很好地刻画各种不同的复杂信道环境,而不受限于某种特定的信道环境。进一步地,本申请实施例提供的信道生成器属于生成对抗网络中的生成器。生成对抗网络基于博弈的思想,采用少量真实信道数据即可使得信道生成器生成大量的与真实信道数据相似度极高的伪信道数据,从而可以减少获取和采集真实信道数据所需的人力、物力、财力和时间。
在一些实施例中,可以将第一信道数据作为训练数据,对某个或某些基于AI的无线通信模型进行训练。该无线通信模型可以是基于AI(或基于神经网络)的信道处理模块。该信道处理模块可以是输入数据和/或输出数据包含信道数据的任意类型的模块。示例性地,该信道处理模块可以包括信道反馈模块和/或信道估计模块。
显然,与真实信道数据相比,使用第一信道数据作为基于AI的信道处理模块的训练数据具有诸多优势。一方面,第一信道数据通过生成器获取,比人工通过专用设备的获取真实信道数据更为便捷。另一方面,使用信道生成器可以节省采集信道数据的人力、设备等成本。再一方面,第一信道数据的采集效率更为高效,使用第一信道数据训练基于AI的信道处理模块,可以大大缩减模型训练的周期。
下面结合图9,详细介绍本申请实施例提供的一种数据处理方法的总体框架。
如图9所示,生成对抗网络包括信道生成器(可以用G(·)表示)以及信道鉴别器(可以用D(·)表示)。
信道生成器G(·)可以基于潜变量z生成第一信道数据H’。在一些实施例中,潜变量也被称作潜在变量。本申请不限制潜变量z的获取方式,例如潜变量z可以从潜在空间中随机采样获得。潜变量z的形式可以根据实际需求确定,例如,潜变量z可以为向量。潜变量z的大小也可以灵活选择,以潜变量z为向量为例,潜变量z可以为128×1维度的向量。
真实信道数据H可以从真实信道训练集中采样得到。可以理解的是,通过真实信道训练集,可以采样得到多个真实信道数据H。
本申请不限制信道数据的表示形式,例如信道数据可以为张量或矩阵等。作为一种实现方式,真实信道数据H可以为真实信道张量,第一信道数据H’可以为第一信道张量。
信道鉴别器D(·)用于判断输入信道鉴别器D(·)的信道数据是否为真实的,即信道鉴别器D(·)的输出为真或假。输入信道鉴别器D(·)的信道数据可以包括第一信道数据H’和/或真实信道数据H。例如,在训练生成对抗网络时,可以将第一信道数据H’和真实信道数据H均输入到信道鉴别器D(·)。或者,在使用生成对抗网络鉴别待鉴定的信道数据是否真实时,可以将待鉴定的信道数据输入到信道鉴别器,此时,待鉴定的信道数据可能为真实信道数据H,也可能为第一信道数据H’。
可选地,可以对输入信道鉴别器D(·)的信道数据进行预处理。预处理可以包括:归一化处理、补零处理或裁剪处理等。
归一化处理可以将信道数据的幅值限定在一定范围内。因此,归一化可以降低生成对抗网络计算的复杂度,从而提高对抗生成网络的处理效率。
以真实信道数据H为真实信道张量为例,可以通过如下公式将真实信道张量中元素的值限定在(-1,1)范围内:
其中,max(·)表示取输入张量所有元素中的最大幅值。N(H)表示归一化后的真实信道张量。
补零处理或裁剪处理可以将信道数据转换为预定的大小。例如,信道鉴别器D(·)要求的输入信道张量的大小为128×128×2。当信道张量的大小不足128×128×2时,可以进行补零处理,将信道张量转换为128×128×2的张量。或者,当输入的信道张量的大小大于128×128×2时,可以进行裁剪处理,将信道张量裁剪为128×128×2的张量。
下面将结合图10~图14详细介绍信道生成器和信道鉴别器的模型结构。可以理解的是,图10~图14仅为示例,本申请不限制信道生成器或信道鉴别器的模型结构。也就是说,信道生成器或信道鉴别器中的层数、每一层的类型、每一层的参数、神经元个数以及激活函数等均可以根据实际情况灵活选择。
图10是本申请实施例提供的一种信道生成器1000的模型结构示意图。信道生成器1000可以包括全连接层1010、批归一化层1020、维度转换层1030、上采样块1040以及裁剪层1050中的至少一个。
全连接层1010可以实现潜变量z的批归一化处理,以便于后续处理。
维度转换层1030可以将输入维度转换层的数据进行维度转换。可以理解的是,生成对抗网络常用于图像处理,图像数据通常为三维张量,即长×宽×通道数。因此,维度转换层1030可以将输入的数据转换为与图像数据类似的三维张量,则可以利用与基于生成对抗网络的图像处理技术类似的方法实现后续的处理。
上采样块1040可以包括上采样层,还可以包括卷积层等,因此,上采样块1040不仅可以对数据进行上采样处理,还可以对数据进行其他处理(如卷积处理)。信道生成器1000可以包括一个或多个上采样块1040。例如,图10所示的信道生成器1000可以包括5个上采样块1040a~1040e。当信道生成器1000包括多个上采样块1040时,各上采样块的参数可以相同或不同。例如,图10所示的上采样块1040a~1040e的滤波器个数N
f均不相同。下文将结合图11详细介绍上采样块1040的结构,此处不再赘述。
信道生成器1000还可以包括裁剪层1050。信道生成器1000还可以利用裁剪层1050将输出的第一信道数据H’的尺寸进行裁剪,以匹配真实信道数据H的大小。以信道数据为张量为例,如果真实信道张量H的大小为128×80×2,裁剪层1050可以进行二维裁剪,利用二维裁剪(0,24)可以将128×128×2的张量裁剪为128×80×2的张量,以匹配真实信道张量H的大小。
图11为本申请实施例提供的一种上采样块1040的结构示意图。上采样块1040可以包括上采样层1041、卷积层1042、批归一化层1043以及激活函数层1044中的至少一层。
上采样块1040中各层的参数可以灵活选择。例如步长可以灵活选择,如图11所示,上采样层1041的步长可以为2×2,卷积层1042的步长可以为1×1。
卷积层1042的卷积核可灵活选择,例如可以为3×3。卷积层1042的滤波器个数N
f可以由上采样块1040在信道生成器1000中所处的位置确定。滤波器个数N
f不同,上采样块输出的特征大小也不同。以图10为例,上采样块1040a的N
f=1024,输出的特征大小为8×8×1024;上采样块1040b的N
f=512,输出的特征大小为16×16×512;上采样块1040c 的N
f=256,输出的特征大小为32×32×256;上采样块1040d的N
f=128,输出的特征大小为64×64×128;上采样块1040e的N
f=2,输出的特征大小为128×128×2。
激活函数层1044可以包括激活函数。本申请不限制激活函数的类型,例如可以为LeakyReLU或tanh等函数。激活函数层1044可以包括一个或多个激活函数。当激活函数层1044包括多个激活函数时,可以根据需要选择合适的激活函数。以图11为例,激活函数层1044可以包括两个可选的激活函数,分别为LeakyReLU和tanh。对于多个可选的激活函数,可以根据标志A
f进行选择。继续以图11为例,A
f的取值例如可以为A
f∈{0,1},其中,A
f=0和A
f=1分别表示使用激活函数LeakyReLU或tanh。A
f的取值可以与上采样块1040在信道生成器1000中的位置有关。以图10所示的信道生成器1000为例,前四个上采样块1040a~1040d可以设置A
f=0,即上采样块1040a~1040d使用激活函数LeakyReLU,在最后一个上采样块1040e中可以配置A
f=1,即上采样块1040e使用激活函数tanh。tanh的输出的幅值范围为(-1,1),因此,在最后一个上采样块中使用激活函数tanh,可以将输出信道张量H’中元素的幅值限制在(-1,1)。
上文介绍了信道生成器的结构,下面将结合图12~图13介绍信道鉴别器的结构。
图12为本申请实施例提供的一种信道鉴别器1200的模型结构示意图。信道鉴别器1200可以包括:补零层1210、下采样块1220、维度转换层123以及全连接层1240中的至少一项。
信道鉴别器1200的输入可以为真实信道数据H和/或第一信道数据H’。补零层1210可以将输入信道鉴别器的信道数据补零为特定维度,以便信道鉴别器1200中后续层的处理。
下采样块1220可以为一个或多个,例如,图12所示的信道鉴别器1200包括6个下采样块1220a~1220f。当信道鉴别器1200包括多个下采样块1220时,各下采样块的参数可以相同或不同。如图12所示,下采样块1220a~1220f的滤波器个数N
f均不相同。
经过下采样块后,下采样块输出的特征图可以经过维度转换层1230被展平为一维向量。所述一维向量可以经过全连接层1240转换为单个元素的输出。所述单个元素即为判断结果(真或假)。
图13为本申请实施例提供的一种下采样块1220的模型结构示意图。下采样块1220可以包括卷积层1221、激活函数层1222以及批归一化层1223中的至少一项。
卷积层1221的卷积核可灵活选择,例如可以为5×5。卷积层1221的滤波器个数N
f可以由下采样块1220在信道鉴别器1200中所处的位置确定。滤波器个数N
f不同,下采样块输出的特征大小也不同。以图12为例,下采样块1220a的N
f=32,输出的特征大小为64×64×32;下采样块1220b的N
f=64,输出的特征大小为32×32×64;下采样块1220c的N
f=128,输出的特征大小为16×16×128;下采样块1220d的N
f=256,输出的特征大小为8×8×256;下采样块1220e的N
f=512,输出的特征大小为4×4×512;下采样块1220f的N
f=1024,输出的特征大小为2×2×1024。
激活函数层1222包括激活函数。本申请不限制激活函数的类型,例如可以为LeakyReLU函数。
上文详细介绍了本申请提出的生成对抗网络的结构,下面对生成对抗网络的训练以及测试方法进行说明。
在训练生成对抗网络的过程中,本申请实施例提出的处理数据的方法还可以包括:S820,根据信道鉴别器的鉴别结果,训练生成对抗网络。
在训练过程中,信道生成器和信道鉴别器进行对抗训练。作为一种实现方式,训练过程可以包括多个训练周期。在一个训练周期中,可以包括步骤S821和步骤S822。步骤S821,信道生成器的参数被冻结,信道鉴别器被训练以区分输入的信道数据的真假,即训练目标为提高信道鉴别器区分信道数据真假的鉴别精度。步骤S822,信道鉴别器的参数被冻结, 信道生成器被训练以“欺骗”信道鉴别器,即训练目标为降低信道鉴别器区分信道数据真假的鉴别精度。在训练周期中,步骤S821和步骤S822可以交替进行。当达到均衡状态时,训练完成。也就是说,当信道鉴别器完全混淆真实信道与信道生成器生成的信道时,生成的伪信道分布可以较好地匹配真实信道分布。
本申请不限制训练过程中使用的损失函数,例如可以使用下式作为损失函数:
其中,H为真实信道,z为潜变量,H”=αH+(1-α)G(z),α服从均匀分布U[0,1],λ>0。
本申请不限制训练过程中使用的优化器,例如可以使用Adam(adaptive momentum)优化器来进行生成对抗网络的训练。
如上文所述,信道生成器生成的第一信道数据可以作为信道处理模块的训练数据。在使用第一信道数据进行训练前,可以对第一信道数据进行测试,以确定第一信道数据的质量,即确定第一信道数据是否可以实现基于AI的信道处理模块的训练,或第一信道数据的准确性。
作为一种实现方式,可以根据第一真实信道数据训练信道处理模块,根据第一信道数据测试信道处理模块,得到第一测试性能。
第一真实信道数据可以为第一真实信道训练集中的任一信道数据。其中,第一真实信道训练集中可以包括n个真实信道数据,例如第一真实信道训练集可以表示为{H_1,…,H_n},n>0。
第一信道数据可以为伪信道测试集中的任一信道数据。其中,伪信道测试集中可以包括m个伪信道数据,例如伪信道测试集可以表示为{H’_1,…,H’_m},m>0。可以从潜在空间采样m个潜在变量构成集合Z={z_1,...z_m},利用生成器G(·)进行伪信道测试集生成,即{H’_1,…,H’_m}=G(Z)。
以测试信道处理模块为基于AI的信道反馈自编码器模型为例。可以使用真实信道训练集{H_1,…,H_n}训练该模型,并将该模型在伪信道测试集{H’_1,…,H’_m}上进行测试,以获得第一测试性能。在一些实施例中,第一测试性能也可以称为正向测试性能。
作为另一种实现方式,可以根据第一信道数据训练信道处理模块,根据第二真实信道数据测试信道处理模块,得到第二测试性能。
第一信道数据可以为伪信道训练集中的任一信道数据。其中,伪信道训练集中可以包括n个伪信道数据,例如伪信道测试集可以表示为{H’_1,…,H’_n},n>0。可以从潜在空间采样n个潜在变量构成集合Z={z_1,...z_n},利用生成器G(·)进行伪信道测试集生成,即{H’_1,…,H’_n}=G(Z)。
第二真实信道数据可以为第二真实信道测试集中的任一信道数据。其中,第二真实信道测试集中可以包括m个真实信道,例如第一真实信道训练集可以表示为{H_(n+1),...H_(n+m)},m>0。
以测试信道处理模块为基于AI的信道反馈自编码器模型为例。可以使用伪信道训练集{H’_1,…,H’_n}训练该模型,并将该模型在伪信道测试集{H_(n+1),...H_(n+m)}上进行测试,以获得二测试性能。在一些实施例中,第二测试性能也可以称为反向测试性能。
根据第一测试性能和/或第二测试性能,可以确定第一信道数据的质量。
可选地,本申请提出了一种获取测试性能基线的方法,以评判第一测试性能或第二测试性能。通过将第一测试性能或第二测试性能与测试性能基线比较,可以确定第一信道数据的质量。
作为一个实施例,可以根据第三真实信道数据,训练信道处理模块;并根据第四真实信道数据,测试信道处理模块,得到信道处理模块的测试性能的基线。第三真实信道数据可以为n个真实信道数据构成的第三真实信道训练集{H_1,...H_n}中的任意一个。第四真 实信道数据可以为m个真实信道数据构成的第四真实信道测试集{H_(n+1),...H_(n+m)}中的任意一个。可以根据第三真实信道训练集训练基于AI的信道反馈的自编码器模型,并将该模型在第四真实信道测试集上进行测试,从而获得测试性能基线。
可以理解的是,当第一测试性能与测试性能基线接近时,信道生成器生成的第一信道数据的有效性和精确性较高。当第二测试性能与测试性能基线接近时,信道生成器生成的第一信道数据可以支撑信道处理模块的训练。
上文结合图1至图13,详细描述了本申请的方法实施例,下面结合图14至图15,详细描述本申请的装置实施例。应理解,方法实施例的描述与装置实施例的描述相互对应,因此,未详细描述的部分可以参见前面方法实施例。
图14为本申请实施例提供的一种数据处理装置1400的示意性结构图。数据处理装置1400可以包括生成单元1410。
生成单元1410可以用于利用信道生成器生成第一信道数据,所述信道生成器属于生成对抗网络,所述生成对抗网络还包括信道鉴别器,所述信道鉴别器用于根据真实信道数据鉴别所述第一信道数据。
可选地,数据处理装置1400还包括:第一训练单元1420。第一训练单元1420可以用于根据所述信道鉴别器的鉴别结果,训练所述生成对抗网络。
可选地,数据处理装置1400还包括:第二训练单元,用于根据所述第一信道数据,训练基于AI的信道处理模块。
可选地,数据处理装置1400还包括:第三训练单元,用于根据第一真实信道数据,训练信道处理模块;第一测试单元,用于根据所述第一信道数据,测试所述信道处理模块,得到所述信道处理模块的第一测试性能。
可选地,数据处理装置1400还包括:第四训练单元,用于根据所述第一信道数据,训练信道处理模块;
第二测试单元,用于根据第二真实信道数据,测试所述信道处理模块,得到所述信道处理模块的第二测试性能。
可选地,数据处理装置1400还包括:第五训练单元,用于根据第三真实信道数据,训练所述信道处理模块;第三测试单元,用于根据第四真实信道数据,测试所述信道处理模块,得到所述信道处理模块的测试性能的基线。
可选地,所述信道处理模块包括:信道反馈模块和/或信道估计模块。
图15是本申请实施例的数据处理装置的示意性结构图。图15中的虚线表示该单元或模块为可选的。该装置1500可用于实现上述方法实施例中描述的方法。装置1500可以是芯片、终端设备或网络设备。
装置1500可以包括一个或多个处理器1510。该处理器1510可支持装置1500实现前文方法实施例所描述的方法。该处理器1510可以是通用处理器或者专用处理器。例如,该处理器可以为中央处理单元(central processing unit,CPU)。或者,该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
装置1500还可以包括一个或多个存储器1520。存储器1520上存储有程序,该程序可以被处理器1510执行,使得处理器1510执行前文方法实施例所描述的方法。存储器1520可以独立于处理器1510也可以集成在处理器1510中。
装置1500还可以包括收发器1530。处理器1510可以通过收发器1530与其他设备或芯片进行通信。例如,处理器1510可以通过收发器1530与其他设备或芯片进行数据收发。
本申请实施例还提供一种计算机可读存储介质,用于存储程序。该计算机可读存储介 质可应用于本申请实施例提供的终端或网络设备中,并且该程序使得计算机执行本申请各个实施例中的由终端或网络设备执行的方法。
本申请实施例还提供一种计算机程序产品。该计算机程序产品包括程序。该计算机程序产品可应用于本申请实施例提供的终端或网络设备中,并且该程序使得计算机执行本申请各个实施例中的由终端或网络设备执行的方法。
本申请实施例还提供一种计算机程序。该计算机程序可应用于本申请实施例提供的终端或网络设备中,并且该计算机程序使得计算机执行本申请各个实施例中的由终端或网络设备执行的方法。
应理解,本申请中术语“系统”和“网络”可以被可互换使用。另外,本申请使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
在本申请的实施例中,提到的“指示”可以是直接指示,也可以是间接指示,还可以是表示具有关联关系。举例说明,A指示B,可以表示A直接指示B,例如B可以通过A获取;也可以表示A间接指示B,例如A指示C,B可以通过C获取;还可以表示A和B之间具有关联关系。
在本申请实施例中,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
在本申请实施例中,术语“对应”可表示两者之间具有直接对应或间接对应的关系,也可以表示两者之间具有关联关系,也可以是指示与被指示、配置与被配置等关系。
本申请实施例中,“预定义”或“预配置”可以通过在设备(例如,包括终端设备和网络设备)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现,本申请对于其具体的实现方式不做限定。比如预定义可以是指协议中定义的。
本申请实施例中,所述“协议”可以指通信领域的标准协议,例如可以包括LTE协议、NR协议以及应用于未来的通信系统中的相关协议,本申请对此不做限定。
本申请实施例中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。 当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(digital video disc,DVD))或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (20)
- 一种处理数据的方法,其特征在于,包括:利用信道生成器生成第一信道数据,所述信道生成器属于生成对抗网络,所述生成对抗网络还包括信道鉴别器,所述信道鉴别器用于根据真实信道数据鉴别所述第一信道数据。
- 根据权利要求1所述的方法,其特征在于,还包括:根据所述信道鉴别器的鉴别结果,训练所述生成对抗网络。
- 根据权利要求1或2所述的方法,其特征在于,还包括:根据所述第一信道数据,训练基于人工智能AI的信道处理模块。
- 根据权利要求1或2所述的方法,其特征在于,还包括:根据第一真实信道数据,训练信道处理模块;根据所述第一信道数据,测试所述信道处理模块,得到所述信道处理模块的第一测试性能。
- 根据权利要求1或2所述的方法,其特征在于,还包括:根据所述第一信道数据,训练信道处理模块;根据第二真实信道数据,测试所述信道处理模块,得到所述信道处理模块的第二测试性能。
- 根据权利要求4或5所述的方法,其特征在于,还包括:根据第三真实信道数据,训练所述信道处理模块;根据第四真实信道数据,测试所述信道处理模块,得到所述信道处理模块的测试性能的基线。
- 根据权利要求3-6中任一项所述的方法,其特征在于,所述信道处理模块包括:信道反馈模块和/或信道估计模块。
- 一种数据处理装置,其特征在于,包括:生成单元,用于利用信道生成器生成第一信道数据,所述信道生成器属于生成对抗网络,所述生成对抗网络还包括信道鉴别器,所述信道鉴别器用于根据真实信道数据鉴别所述第一信道数据。
- 根据权利要求8所述的装置,其特征在于,还包括:第一训练单元,用于根据所述信道鉴别器的鉴别结果,训练所述生成对抗网络。
- 根据权利要求8或9所述的装置,其特征在于,还包括:第二训练单元,用于根据所述第一信道数据,训练基于人工智能AI的信道处理模块。
- 根据权利要求8或9所述的装置,其特征在于,还包括:第三训练单元,用于根据第一真实信道数据,训练信道处理模块;第一测试单元,用于根据所述第一信道数据,测试所述信道处理模块,得到所述信道处理模块的第一测试性能。
- 根据权利要求8或9所述的装置,其特征在于,还包括:第四训练单元,用于根据所述第一信道数据,训练信道处理模块;第二测试单元,用于根据第二真实信道数据,测试所述信道处理模块,得到所述信道处理模块的第二测试性能。
- 根据权利要求11或12所述的装置,其特征在于,还包括:第五训练单元,用于根据第三真实信道数据,训练所述信道处理模块;第三测试单元,用于根据第四真实信道数据,测试所述信道处理模块,得到所述信道处理模块的测试性能的基线。
- 根据权利要求10-13中任一项所述的装置,其特征在于,所述信道处理模块包括:信道反馈模块和/或信道估计模块。
- 一种数据处理装置,其特征在于,包括存储器和处理器,所述存储器用于存储程 序,所述处理器用于调用所述存储器中的程序,以执行如权利要求1-7中任一项所述的方法。
- 一种数据处理装置,其特征在于,包括处理器,用于从存储器中调用程序,以执行如权利要求1-7中任一项所述的方法。
- 一种芯片,其特征在于,包括处理器,用于从存储器调用程序,使得安装有所述芯片的设备执行如权利要求1-7中任一项所述的方法。
- 一种计算机可读存储介质,其特征在于,其上存储有程序,所述程序使得计算机执行如权利要求1-7中任一项所述的方法。
- 一种计算机程序产品,其特征在于,包括程序,所述程序使得计算机执行如权利要求1-7中任一项所述的方法。
- 一种计算机程序,其特征在于,所述计算机程序使得计算机执行如权利要求1-7中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/127990 WO2023070675A1 (zh) | 2021-11-01 | 2021-11-01 | 数据处理的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118160247A true CN118160247A (zh) | 2024-06-07 |
Family
ID=86159991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180103710.5A Pending CN118160247A (zh) | 2021-11-01 | 2021-11-01 | 数据处理的方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118160247A (zh) |
WO (1) | WO2023070675A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289927B (zh) * | 2019-07-01 | 2021-06-15 | 上海大学 | 基于条件生成对抗网络的信道模拟实现方法 |
CN110875790A (zh) * | 2019-11-19 | 2020-03-10 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
CN111355675B (zh) * | 2020-03-11 | 2021-05-18 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和系统 |
CN112422208B (zh) * | 2020-11-06 | 2021-10-19 | 西安交通大学 | 未知信道模型下基于对抗式学习的信号检测方法 |
AU2021101336A4 (en) * | 2021-03-15 | 2021-05-13 | Shandong University | A Classification System Of Modulation Signal Time-Frequency Image Based On Generative Adversarial Network And Its Operation Method |
CN113381952B (zh) * | 2021-06-09 | 2022-06-24 | 东南大学 | 基于深度学习的多天线系统信道估计方法 |
-
2021
- 2021-11-01 CN CN202180103710.5A patent/CN118160247A/zh active Pending
- 2021-11-01 WO PCT/CN2021/127990 patent/WO2023070675A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023070675A1 (zh) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022012257A1 (zh) | 通信的方法及通信装置 | |
CN113748614B (zh) | 一种信道估计模型训练方法及设备 | |
US20220070822A1 (en) | Unsupervised learning for simultaneous localization and mapping in deep neural networks using channel state information | |
US20220385336A1 (en) | Communication of Measurement Results in Coordinated Multipoint | |
CN112152741B (zh) | 信道模型的训练方法及装置 | |
EP4262121A1 (en) | Neural network training method and related apparatus | |
US11929853B2 (en) | Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders | |
EP4266603A1 (en) | Space division-based data processing method and communication device | |
US20230362039A1 (en) | Neural network-based channel estimation method and communication apparatus | |
CN114172615A (zh) | 传输方法、装置、设备及可读存储介质 | |
WO2023070675A1 (zh) | 数据处理的方法及装置 | |
CN115118566B (zh) | 改进无线通信中信息的发送 | |
WO2022037390A1 (zh) | 一种数据传输方法及装置 | |
WO2023123062A1 (zh) | 虚拟信道样本的质量评估方法和设备 | |
CN114501353B (zh) | 通信信息的发送、接收方法及通信设备 | |
WO2023283785A1 (zh) | 信号处理的方法及接收机 | |
WO2023097645A1 (zh) | 数据获取方法、装置、设备、介质、芯片、产品及程序 | |
CN114492784A (zh) | 神经网络的测试方法和装置 | |
WO2023115254A1 (zh) | 处理数据的方法及装置 | |
WO2024027682A1 (zh) | 特征信息传输方法、转换信息确定方法、装置和通信设备 | |
WO2023097636A1 (zh) | 数据处理的方法和装置 | |
US20240187052A1 (en) | Communication method and apparatus | |
WO2023092310A1 (zh) | 信息处理方法、模型生成方法及设备 | |
WO2023060503A1 (zh) | 信息处理方法、装置、设备、介质、芯片、产品及程序 | |
WO2023092307A1 (zh) | 通信方法、模型训练方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |