DE102022101283A1

DE102022101283A1 - Systeme, Verfahren und Vorrichtung für eine auf maschinellem Lernen basierte Symboltiming-Wiederherstellung

Info

Publication number: DE102022101283A1
Application number: DE102022101283.2A
Authority: DE
Inventors: Hyukjoon Kwon; Yacong Ding
Original assignee: Samsung Electronics Co Ltd
Current assignee: Samsung Electronics Co Ltd
Priority date: 2021-04-13
Filing date: 2022-01-20
Publication date: 2022-10-13
Also published as: KR20220141736A; TW202241101A; US11677480B2; CN115208729A; US20220329329A1

Abstract

Ein Verfahren kann ein Erzeugen eines geschätzten Zeitversatzes basierend auf einem Referenzsignal in einem Kommunikationssystem und ein Anpassen eines Transformationsfensters in dem Kommunikationssystem basierend auf dem geschätzten Zeitversatz beinhalten, wobei der geschätzte Zeitversatz basierend auf maschinellem Lernen erzeugt wird. Das Erzeugen des geschätzten Zeitversatzes kann ein Anwenden des maschinellen Lernens auf eine oder mehrere Kanalschätzungen beinhalten. Das Erzeugen des geschätzten Zeitversatzes kann ein Extrahieren von einem oder mehreren Merkmalen von einer oder mehreren Kanalschätzungen und ein Erzeugen des geschätzten Zeitversatzes basierend auf dem einen oder den mehreren Merkmalen beinhalten. Das Extrahieren des einen oder der mehreren Merkmale kann ein Bestimmen einer Korrelation zwischen einem ersten Kanal und einem zweiten Kanal beinhalten. Die Korrelation kann eine Frequenzbereichskorrelation zwischen dem ersten Kanal und dem zweiten Kanal beinhalten. Das Extrahieren des einen oder der mehreren Merkmale kann ein Extrahieren eines Teilsatzes von einem Satz von Merkmalen der einen oder der mehreren Kanalschätzungen beinhalten.

Description

Querverweis auf verwandte Anmeldung
Die vorliegende Anmeldung beansprucht die Priorität der am 13. April 2021 eingereichten vorläufigen US-Patentanmeldung der fortlaufenden Nummer 63/174,530 mit dem Titel „Systems, Methods, Apparatus for Symbol Timing Recovery Based on Supervised Learning“, die hierin durch Bezugnahme aufgenommen ist.
Technisches Gebiet
Die vorliegende Offenbarung bezieht sich im Allgemeinen auf Kommunikationssysteme und im Besonderen auf Systeme, Verfahren und eine Vorrichtung für eine auf maschinellem Lernen basierte Symboltiming-Wiederherstellung.
Hintergrund
Ein Kommunikationssystem kann eine Transformation wie eine schnelle Fourier-Transformation (FFT) verwenden, um den Frequenzinhalt von einem Signal zu bestimmen. Eine FFT kann an Abtastwerten eines Signals in einem Timing-Fenster, welches driften kann, durchgeführt werden.
Die obige, in diesem Hintergrund-Abschnitt offenbarte Information ist nur zur Verbesserung des Verständnisses des Hintergrunds der Erfindung und kann daher Information enthalten, welche keinen Stand der Technik bildet.
Kurzfassung
Ein Verfahren kann ein Erzeugen eines geschätzten Zeitversatzes basierend auf einem Referenzsignal in einem Kommunikationssystem und ein Anpassen eines Transformationsfensters in dem Kommunikationssystem basierend auf dem geschätzten Zeitversatz beinhalten, wobei der geschätzte Zeitversatz basierend auf maschinellem Lernen erzeugt wird. Das Erzeugen des geschätzten Zeitversatzes kann ein Anwenden des maschinellen Lernens auf eine oder mehrere Kanalschätzungen beinhalten. Das Erzeugen des geschätzten Zeitversatzes kann ein Extrahieren von einem oder mehreren Merkmalen von einer oder mehreren Kanalschätzungen und das Erzeugen des geschätzten Zeitversatzes basierend auf dem einen oder den mehreren Merkmalen beinhalten. Das Extrahieren des einen oder der mehreren Merkmale kann ein Bestimmen einer Korrelation zwischen einem ersten Kanal und einem zweiten Kanal beinhalten. Die Korrelation kann eine Frequenzbereichskorrelation zwischen dem ersten Kanal und dem zweiten Kanal beinhalten. Das Extrahieren des einen oder der mehreren Merkmale kann ein Extrahieren eines Teilsatzes von einem Satz von Merkmalen der einen oder der mehreren Kanalschätzungen beinhalten. Der Satz von Merkmalen kann einen Satz von Frequenzbereichs-Kanalkorrelationen beinhalten. Der Satz von Frequenzbereichs-Kanalkorrelationen kann basierend auf Frequenzbereichskanälen berechnet werden, die durch Δ Zwischenträger getrennt sind. Der Satz von Frequenzbereichs-Kanalkorrelationen kann auf Kanalkorrelationen basieren, die einer Reihe von Δ entsprechen, und der Teilsatz kann Frequenzbereichs-Kanalkorrelationen basierend auf einem oder mehreren höchsten Δ und einem oder mehreren niedrigsten Δ beinhalten. Ein neuronales Netzwerk kann den geschätzten Zeitversatz basierend auf dem einen oder den mehreren Merkmalen erzeugen. Das Erzeugen des geschätzten Zeitversatzes basierend auf dem einen oder den mehreren Merkmalen kann, zumindest teilweise, durch ein neuronales Netzwerk durchgeführt werden. Das neuronale Netzwerk kann eine oder mehreren Klassifikationsausgaben basierend auf dem einen oder den mehreren Merkmalen erzeugen. Das Erzeugen des geschätzten Zeitversatzes kann ein Kombinieren von zwei oder mehr Klassifikationsausgaben von dem neuronalen Netzwerk beinhalten. Das Referenzsignal kann ein erstes Referenzsignal beinhalten, der geschätzte Zeitversatz kann einen ersten geschätzten Zeitversatz beinhalten, und das Verfahren kann ferner ein Erzeugen eines zweiten geschätzten Zeitversatzes basierend auf einem zweiten Referenzsignal, das weniger häufig als das erste Referenzsignal erzeugt werden kann, und ein Anpassen des Transformationsfensters basierend auf einer Kombination des ersten geschätzten Zeitversatzes und des zweiten geschätzten Zeitversatzes beinhalten.
Ein Verfahren kann ein Schätzen eines Zeitversatzes in einem Kommunikationssystem basierend auf einem ersten Referenzsignal, ein Schätzen eines ersten Ankunftswegs basierend auf einem zweiten Referenzsignal, das weniger häufig als das erste Referenzsignal übertragen werden kann, und ein Anpassen eines Transformationsfensters basierend auf dem Zeitversatz und dem ersten Ankunftsweg beinhalten. Das Schätzen eines Zeitversatzes basierend auf dem ersten Referenzsignal kann ein Erzeugen von einer oder mehreren Kanalschätzungen basierend auf dem ersten Referenzsignal, ein Extrahieren von einem oder mehreren Merkmalen von der einen oder den mehreren Kanalschätzungen und ein Erzeugen, durch einen maschinellen Lernprozess, des Zeitversatzes basierend auf dem einen oder den mehreren Merkmalen beinhalten. Die eine oder die mehreren Kanalschätzungen können einen Satz von Frequenzbereichs-Kanalkorrelationen zwischen Kanälen bereitstellen, die durch Δ Zwischenträger getrennt sind, wobei das Extrahieren des einen oder der mehreren Merkmale ein Extrahieren eines Teilsatzes des Satzes von Frequenzbereichs-Kanalkorrelationen beinhalten kann. Eine Anzahl von KandidatenFrequenzbereichs-Kanalkorrelationen kann auf einer Referenzsignalkonfiguration und einer Ressourcenblock-Bündelungskonfiguration basieren. Der maschinelle Lernprozess kann auf einem neuronalen Netzwerk basieren.
Eine Vorrichtung kann einen Merkmalsextraktor, der so konfiguriert ist, dass er ein oder mehrere Merkmale von einer oder mehreren Kanalabschätzungen basierend auf einem Referenzsignal extrahiert, eine trainierte Logik, die so konfiguriert ist, dass sie einen geschätzten Zeitversatz basierend auf dem einen oder den mehreren Merkmalen erzeugt, und einen Fensterprozessor beinhalten, der so konfiguriert ist, dass er ein Transformationsfenster basierend auf dem geschätzten Zeitversatz anpasst. Der Merkmalsextraktor kann einen Kanalkorrelator beinhalten, und die trainierte Logik kann ein neuronales Netzwerk beinhalten.
Figurenliste
Die Figuren sind nicht notwendigerweise maßstabsgetreu wiedergegeben, wobei Elemente mit ähnlichen Strukturen oder Funktionen zu Anschauungszwecken in der gesamten Zeichnung im Allgemeinen durch identische Bezugszeichen oder Abschnitte derselben dargestellt sind. Die Figuren sollen lediglich die Beschreibung der verschiedenen hierin erläuterten Ausführungsformen vereinfachen. Die Figuren beschreiben nicht jeden Aspekt der hierin offenbarten Lehren, wobei sie den Schutzbereich der Ansprüche nicht einschränken. Um eine unübersichtliche Darstellung der Zeichnung zu vermeiden, können nicht alle Komponenten, Verbindungen und dergleichen gezeigt und auch nicht alle Komponenten mit Bezugszeichen versehen werden. Muster von Komponentenkonfigurationen sind der Zeichnung ohne Weiteres entnehmbar. Die beigefügte Zeichnung veranschaulicht zusammen mit der Spezifikation beispielhafte Ausführungsformen der vorliegenden Offenbarung und dient zusammen mit der Beschreibung der Erläuterung der Grundsätze der vorliegenden Offenbarung.

1A ist ein Zeitsteuerungsdiagramm, das ein Timing-Fenster für eine FFT mit einem positiven Zeitversatz in einem Kommunikationssystem unter Verwendung eines orthogonalen Frequenzmultiplexverfahrens (OFDM) gemäß beispielhaften Ausführungsformen der Offenbarung darstellt.
1B ist ein Zeitsteuerungsdiagramm, das ein Timing-Fenster für eine FFT mit einem negativen Zeitversatz in einem Kommunikationssystem unter Verwendung des OFDM gemäß beispielhaften Ausführungsformen der Offenbarung darstellt.
2 stellt eine Ausführungsform eines Systems zum Schätzen eines Zeitversatzes gemäß der Offenbarung dar.
3 stellt eine beispielhaften Ausführungsform eines Systems zum Schätzen eines Zeitversatzes unter Verwendung von Kanalkorrelationen gemäß der Offenbarung dar.
4A - 4E stellen Beispiele von Teilsätzen von Kanalkorrelationen, die als Eingaben in ein neuronales Netzwerk verwendet werden können, gemäß beispielhaften Ausführungsformen der Offenbarung dar.
5 stellt eine beispielhafte Ausführungsform eines mehrlagigen Perzeptrons gemäß der Offenbarung dar.
6 stellt eine weitere beispielhafte Ausführungsform eines mehrlagigen Perzeptrons gemäß der Offenbarung dar.
7 stellt eine beispielhafte Ausführungsform eines Systems zum Anpassen des Timing eines Transformationsfensters gemäß der Offenbarung dar.
8 ist ein Zeitsteuerungsdiagramm, das den Betrieb einer Ausführungsform eines Systems, welches Zeitsteuerungsschätzungen von mehreren Quellen kombiniert, gemäß der Offenbarung darstellt.
9 stellt eine beispielhaften Ausführungsform einer Benutzervorrichtung gemäß der Offenbarung dar.
10 stellt eine beispielhafte Ausführungsform einer Basisstation gemäß der Offenbarung dar.
11 stellt eine Ausführungsform eines Verfahrens zum Anpassen des Timing eines Transformationsfensters gemäß der Offenbarung dar.

Ausführliche Beschreibung
Übersicht
In einigen Kommunikationssystemen gemäß beispielhaften Ausführungsformen der Offenbarung kann eine Transformation wie eine schnelle Fourier-Transformation (FFT) an einem Signal durchgeführt werden, um den Frequenzinhalt eines Symbols zu bestimmen, welches in dem Signal übertragen werden kann. Die Transformation kann in einem Timing-Fenster durchgeführt werden, das nach dem Symbol ausgerichtet sein kann. Timing-Drifts können bewirken, dass das Fenster sich relativ zu dem Symbol verschiebt, was zu Fehlern in der Transformation führen kann. Somit können eine oder mehrere Symboltiming-Wiederherstellungs- (STR-) Techniken verwendet werden, um das Timing des Transformationsfensters so anzupassen, dass es synchron mit einem Symbol bleibt.
In einigen Ausführungsformen kann eine STR-Technik auf einem periodischen Breitbandreferenzsignal (RS) basieren, wie z. B. einem Synchronisierungssignalblock (SSB) in einem drahtlosen 5G-Netzwerk. Ein SSB kann zum Schätzen eines ersten Ankunftswegs (FAP) verwendet werden, der dann zum Anpassen des Fenster-Timing verwendet werden kann. Jedoch können solche Referenzsignale relativ selten übertragen werden. Daher kann es schwierig sein, eines von diesen Referenzsignalen zum Anpassen eines Timing-Fensters zu verwenden, welches während der Zeit zwischen den selten übertragenen Referenzsignalen rasch driften kann.
In einigen Ausführungsformen kann eine STR-Technik auf einem häufiger übertragenen Referenzsignal basieren, wie z. B. einem Demodulations-Referenzsignal (DMRS) für einen gemeinsam benutzten Kanal der physikalischen Abwärtsstrecke (PDSCH) in einem drahtlosen 5G-Netzwerk. Einige Ausführungsformen können z. B. ein Timing-Fenster basierend auf der Differenz zwischen Schätzungen von zwei Massenmittelpunkten (COM) für eine Frequenzbereichskorrelation zwischen Kanälen anpassen. Einige COM-Techniken können jedoch Genauigkeits-, Stabilitäts- und/oder Rest-Versatzprobleme aufweisen sowie eine vorherige COM-Schätzung voraussetzen, die zum Berechnen von Differenzen zu speichern ist.
In einigen STR-Schemata gemäß beispielhaften Ausführungsformen der Offenbarung kann eine maschinelle Lerntechnik zum Schätzen eines Zeitversatzes verwendet werden, um ein Transformationsfenster anzupassen. In einigen Ausführungsformen kann beispielsweise ein neuronales Netzwerk trainiert werden, um einen geschätzten Zeitversatz basierend auf einem oder mehreren Merkmalen zu erzeugen, welche aus den Kanalschätzungen extrahiert wurden. Die Kanalschätzungen können Timing-Informationen basierend auf einem relativ häufigen Referenzsignal beinhalten, wie z. B. einem PDSCH-DMRS. Wenn auch in einigen Ausführungsformen keine Beschränkung auf spezielle Merkmale vorliegt, können eine oder mehreren Frequenzbereichs- (FD-) Kanalkorrelationen als Eingabemerkmale in ein neuronales Netzwerk verwendet werden.
Abhängig von den Implementierungsdetails kann ein STR-Schema gemäß beispielhaften Ausführungsformen der Offenbarung eine direkte Schätzung eines Zeitversatzes bereitstellen, und daher können vorherige Zeitschätzungen nicht verwendet werden. Zusätzlich oder alternativ beinhalten einige Ausführungsformen einen Rest-Zeitversatz innerhalb eines geschätzten Zeitversatzes. Da einige Ausführungsformen zusätzlich oder alternativ Zeitversätze basierend auf mehreren FD-Kanalkorrelationen schätzen können, können sie Schätzungen bereitstellen, die stabiler, genauer und/oder robuster sein können.
In einigen Ausführungsformen kann eine unter Verwendung eines maschinellen Lernens erzeugte Zeitschätzung basierend auf einem relativ häufigen Referenzsignal mit einer Zeitschätzung basierend auf einem relativ seltenen Referenzsignal kombiniert werden. Abhängig von den Implementierungsdetails können dabei eine bestehende Vorrichtung und/oder bestehende Verarbeitungsabläufe genutzt werden, wodurch Kosten, Aufwand, Energieverbrauch, Verarbeitungszeit und/oder dergleichen reduziert werden.
In einigen Ausführungsformen können die Merkmale, die als Eingaben in ein neuronales Netzwerk verwendet werden, als ein Teilsatz einer größeren Anzahl von Kandidatenmerkmalen ausgewählt werden. In einer Ausführungsform, welche FD-Kanalkorrelationen als Eingabemerkmale verwendet, kann es z. B. eine Gesamtanzahl von Kandidaten-FD-Kanalkorrelationen basierend auf z. B. einer Referenzsignalkonfiguration und/oder einer Ressourcenblock-Bündelungsgröße geben. Durch Verwendung von nur einem Teilsatz der Kandidaten-FD-Kanalkorrelationen können einige Ausführungsformen Kosten, Aufwand, Verarbeitungszeit, Speicherplatz, integrierten Schaltungs-(IC-) Fläche, Leistungsaufnahme und/oder dergleichen des neuronales Netzwerks und/oder einer zugeordneten Vorrichtung reduzieren.
Abhängig von den Implementierungsdetails können einige Ausführungsformen, ungeachtet von einer Systembandbreite, Kanalselektivität und/oder dergleichen, auf jeder Art von Kanal arbeiten.
Die vorliegende Offenbarung umfasst zahlreiche erfinderische Grundsätze, sie sich auf eine Symboltiming-Wiederherstellung beziehen. Diese Grundsätze können einen eigenständigen Nutzen aufweisen und individuell verkörpert sein, wobei sich nicht jede Ausführungsform jeden Grundsatz zunutze macht. Die Grundsätze können außerdem auch in verschiedenen Kombinationen verkörpert sein, wobei einige die Vorteile der einzelnen Grundsätze auf synergistische Weise verstärken können.
Beispielhafte Ausführungsformen
Einige beispielhafte Ausführungsformen von Systemen, Vorrichtungen, Prozessen, Verfahren und/oder dergleichen, welche einige mögliche Implementierungsdetails gemäß dieser Offenbarung darstellen, sind hierin beschrieben. Diese Beispiele sind zur Veranschaulichung der Grundsätze der vorliegenden Offenbarung vorgesehen, jedoch sind die Grundsätze nicht auf diese Ausführungsformen, Implementierungsdetails und/oder dergleichen beschränkt oder durch diese definiert. Einige Ausführungsformen können z. B. im Zusammenhang mit drahtlosen 5G- und/oder New Radio- (NR-) Kommunikationssystemen beschrieben sein, jedoch können die Grundsätze auch auf beliebige andere Arten von drahtgebundenen und/oder drahtlosen Systemen, welche 3G, 4G und/oder zukünftige Generationen von drahtlosen Netzwerken beinhalten, und/oder andere Kommunikationssysteme angewendet werden, welche eine Symboltiming-Wiederherstellung, eine Frequenztransformations-Fensteranpassung und/oder dergleichen implementieren können.
Zeitversatz
1A und 1B stellen Timing-Fenster für eine FFT mit jeweils einem positiven Zeitversatz (TO) und einem negativen TO in einem Kommunikationssystem unter Verwendung eines orthogonalen Frequenzmultiplexverfahrens (OFDM) gemäß beispielhaften Ausführungsformen der Offenbarung dar. Jedes OFDM-Symbol kann einen Datenabschnitt und einen zyklischen Präfix- (CP-) Abschnitt beinhalten. In einigen Ausführungsformen kann ein CP als eine Kopie eines endgültigen Abschnitts der Daten implementiert sein.
Der Term l_idx kann den Ausgangspunkt eines korrekten FFT-Timing-Fensters für ein OFDM-Symbol darstellen, und der Term l_TO kann den absoluten Wert des TO darstellen, der beispielsweise in Bezug auf FFT-Abtastwerte gemessen werden kann. Für einen positiven TO-Fall, wie in 1A gezeigt, kann der Ausgangspunkt des FFT-Fensters durch l_idx - l_TO angegeben sein. Für einen negativen TO-Fall, wie in 1B gezeigt, kann der Ausgangspunkt des FFT-Fensters durch l_idx + l_TO angegeben werden.
In einem negativen TO-Fall kann die Intersymbolinterferenz (ISI) auftreten, weil das FFT-Fenster einen Abschnitt des nächsten OFDM-Symbols (in dem in 1B dargestellten Beispiel, den CP-Abschnitt des nächste OFDM-Symbols) belegen kann.
In einem positiven TO-Fall kann das Vorhandensein des CP verhindern, dass die ISI von der Größe des TO abhängig ist. Der Term l_CP kann die CP-Länge darstellen, und l_DS kann die Verzögerungsverbreiterung (DS) des Kanals darstellen. Wenn l_idx - l_TO > l_idx - l_CP + l_DS (d. h. l_CP > l_TO + l_DS), kann im Wesentlichen keine ISI vorliegen.
In einigen Ausführungsformen kann die Abtastposition auf einige wenige Abtastwerte vor der geschätzten Abtastposition eingestellt werden, um eine negative TO-Situation zu vermeiden. Wenn jedoch der TO zu groß ist, oder die Verzögerungsverbreiterung des Kanals zu groß ist, so dass l_CP > L_TO + l_DS, kann das FFT-Fenster einen Abschnitt eines vorherigen OFDM-Symbols belegen und eine ISI auftreten. Ungeachtet der Quelle kann die ISI die Leistung des Systems verschlechtern.
Effekte des Zeitversatzes
Zur Veranschaulichung der Effekte eines Zeitversatzes kann das empfangene Signal an Zeitabtastwerten n dargestellt werden als y_n, n = 0, ..., N - 1. Nach einer FFT kann das empfangene Signal am Zwischenträger k dargestellt werden als Y_k, k = 0, ..., N - 1. Das übertragene Referenzsignalsymbol und der übertragene Frequenzbereichskanal am Zwischenträger k kann als jeweils dargestellt sein als X_k und H_k. Somit kann das empfangene Signal gegeben sein durch $Y_{k} = H_{k} X_{k} + W_{k}$
wobei W_k das Rauschen am Zwischenträger k darstellen kann. Der Zeitversatz kann als l_TO Abtastwerte dargestellt werden, l_cp kann die zyklische Präfix- (CP-) Länge darstellen, und l_DS kann die Kanalverzögerungsverbreiterungslänge darstellen. Wenn im Wesentlichen keine ISI von einem vorherigen oder nächsten OFDM-Symbol (d. h. 0 < l_TO < l_cp - l_DS) vorliegt, dann kann das empfangene Signal am k. Zwischenträger mit dem Zeitversatz l_TO gegeben sein durch $Y_{k}^{'} = \sum_{n = 0}^{N - 1} y_{n - l_{T O}} e^{- \frac{j 2 π k n}{N}} = e^{- \frac{j 2 π k l_{T O}}{N}} Y_{k},$
und daher kann die Kanalschätzung am k. Zwischenträger gegeben sein durch ${\hat{H}}_{k}^{'} = Y_{k}^{'} \cdot X_{k}^{*} = e^{- \frac{j 2 π k l_{T O}}{N}} H_{k} + e^{- \frac{j 2 π k l_{T O}}{N}} W_{k} X_{k}^{*}$
was eine phasenrotierte Version des ursprünglichen Kanals plus Rauschen sein kann. Somit können Informationen über einen Zeitversatz l_TO in den Kanalschätzungen ${\hat{H}}_{k}^{'}$
eingebettet sein.
Symboltiming-Wiederherstellung basierend auf einen Leistungsverzögerungsprofil
Weil die Kanalschätzungen Informationen über einen Zeitversatz enthalten können, können einige STR-Techniken gemäß beispielhaften Ausführungsformen der Offenbarung Timing-Informationen aus einer oder mehreren Kanalschätzungen (die Referenzsignalinformationen beinhalten können) extrahieren, um das Timing eines FFT-Fensters anzupassen. In einigen Ausführungsformen kann z. B. eine STR-Technik auf einem periodischen Breitbandreferenzsignal basieren, wie z. B. ein Synchronisierungssignalblock (SSB) oder ein Tracking-Referenzsignal (TRS) in einem drahtlosen 5G-Netzwerk. Das Leistungsverzögerungsprofil (PDP) kann anhand von einer oder mehreren Kanalschätzungen basierend auf dem Breitbandreferenzsignal berechnet werden. Die PDP-Informationen können zur Schätzung eines ersten Ankunftswegs (FAP) verwendet werden, der dann zum Anpassen des Timing des FFT-Fensters verwendet werden kann.
In einigen Ausführungsformen kann ein Breitbandreferenzsignal, wie z. B. ein SSB oder ein TRS, relativ selten übertragen werden. Wenn somit der Zeitversatz für das FFT-Fenster zwischen den Referenzsignalübertragungen, z. B. aufgrund eines großen Abtasttaktfehlers, zu stark driftet, dann kann ein PDP-basierter STR-Algorithmus das Timing des FFT-Fensters nicht mit angemessener Genauigkeit anpassen.
Symboltiming-Wiederherstellung basierend auf dem Massenmittelpunkt
Einige STR-Techniken gemäß beispielhaften Ausführungsformen der Offenbarung können eine Timing-Drift basierend auf einem häufiger übertragenen Referenzsignal, wie z. B. einem PDSCH-DRMRS-Signal in einem drahtlosen 5G-System, nachverfolgen. Einige Ausführungsformen können einen Massenmittelpunkt (COM) basierend auf einer Frequenzbereichskorrelation zwischen Kanälen schätzen. In einigen Ausführungsformen kann jedoch eine einzelne COM-Schätzung nicht direkt zum Anpassen eines Timing-Fensters verwendet werden. Stattdessen kann auf eine vorherige COM-Schätzung verzichtet werden, und die Differenz zwischen zwei aufeinanderfolgenden COM-Schätzungen können verwendet werden, um den Zeitversatz zu bestimmen. Auch können in einigen Ausführungsformen die COM-Schätzungstechniken nicht in der Lage sein, Restzeitversätze zu berücksichtigen. Weil darüber hinaus eine COM-Schätzung auf einer einzelnen FD-Kanalkorrelation basieren kann, können die COM-Schätzungen instabil sein. Weil eine COM-basierte Zeitversatzschätzung nur eine Veränderung in dem Zeitversatz anzeigen kann, bedarf es möglicherweise einer zusätzlichen STR-Technik, wie z. B. einer PDP-basierten Technik, um eine vollständige Referenzzeitsteuerung bereitzustellen.
Lernbasiertes Symboltiming-Wiederherstellung
Einige STR-Techniken gemäß beispielhaften Ausführungsformen der Offenbarung können ein maschinelles Lernen verwenden, um einen Zeitversatz zum Anpassen eines Transformationsfensters zu schätzen. Eine auf maschinellem Lernen basierte Logik kann als eine Abbildungsfunktion zum Abbilden von einem oder mehreren Eingabemerkmalen mit Referenzsignal-Timing-Informationen auf einen oder mehrere Zeitversätze dienen. Die Logik kann z. B. basierend auf Daten, die über einen weiten Bereich von Kanaltypen, Signal-Rauschverhältnissen (SNRs) und/oder dergleichen gesammelt werden, trainiert werden.
In einigen Ausführungsformen kann die lernbasierte STR als eine datengetriebene Technik bezeichnet werden, wohingegen die PDP- und/oder COM-basierten Techniken, die vorstehend erläutert wurden, als modellgetrieben bezeichnet werden können.
2 stellt eine Ausführungsform eines Systems zum Schätzen eines Zeitversatzes gemäß der Offenbarung dar. Die in 2 dargestellte Ausführungsform kann einen Merkmalsextraktor 202 und eine Logik 204 basierend auf einem maschinellen Lernen beinhalten. In einigen Ausführungsformen kann die auf dem maschinellen Lernen basierte Logik 204 als eine trainierte Logik bezeichnet werden. Der Merkmalsextraktor 202 kann eine oder mehrere Kanalschätzungen ${\hat{H}}_{k}^{'}$
(z. B. Frequenzbereichs-Kanalschätzungen) empfangen, die basierend auf einem Referenzsignal geschätzt werden können. Beispiele für Referenzsignale können einen SSB, ein TRS, ein PDSCH-DMRS und/oder dergleichen beinhalten. In einigen Ausführungsformen kann durch die Verwendung eines Referenzsignals, das relativ häufig übertragen werden kann, wie z. B. ein PDSCH-DMRS, dem System ermöglicht werden, schnelle Timing-Veränderungen in einem Transformationsfenster nachzuverfolgen.
Der Merkmalsextraktor 202 kann ein oder mehrere Merkmale g aus der einen oder den mehreren Kanalschätzungen ${\hat{H}}_{k}^{'}$
extrahieren. Beispiele für Merkmale können Frequenzbereichs- (FD-) Kanalkorrelationen, Verzögerungsverbreiterungsschätzungen (DSE) und/oder dergleichen beinhalten. In einigen Ausführungsformen kann der Merkmalsextraktor 202, abhängig von einem Zwischenträgerabstand, mehrere FD-Kanalkorrelationen als Kandidatenmerkmale berechnen.
Die Logik 204 kann eine beliebige Art von maschinellem Lernen implementieren, um eine oder mehrere Zeitversätze l_TO basierend auf einem oder mehreren Eingabemerkmalen zu schätzen. In einigen Ausführungsformen kann z. B. ein überwachtes Lernen verwendet werden, um der Logik 204 zu ermöglichen, eine Abbildungsfunktion von einer oder mehreren Frequenzbereichs-Kanalkorrelationen (Eingabemerkmalen) auf einen oder mehrere Zeitversätze (Ausgabemarkierungen) zu lernen. In einigen Ausführungsformen können andere Arten des maschinellen Lernens, wie z. B. ein unüberwachtes Lernen und/oder ein verstärktes Lernen (z. B. Lernen aus Erfahrung), verwendet werden, um die Logik 204 zu trainieren.
In einigen Ausführungsformen kann die Logik 204 offline (z. B. vor dem Betrieb), online (z. B. während eines Echtzeitbetriebs) oder in einer Hybridkombination mit einem anfänglichen Offline-Training, welches basierend auf einem Online-Training verfeinert oder verbessert werden kann, trainiert werden. In einigen Ausführungsformen kann die Logik 204 mit einem oder mehreren neuronalen Netzwerken eines beliebigen Typs, wie z. B. einem Convolutional-Neural-Network (CNN), einem Deep-Neural-Network (DNN), einem Perzeptron, einem mehrlagigen Perzeptron (MLP) (z. B. einem Feed-Forward-MLP) und/oder dergleichen, implementiert sein.
Frequenzbereichs-Kanalkorrelation
In einigen Ausführungsformen können die Frequenzbereichs- (FD-) Kanalkorrelationen als Eingabemerkmale für eine lernbasierte STR verwendet werden, weil Zeitversätze eine lineare Phasenrotation an unterschiedlichen Zwischenträgern verursachen können. Somit kann ein Zeitversatz unter Verwendung von FD-Kanalkorrelationen zwischen Kanalschätzungen von einem Referenzsignal bestimmt werden.
3 stellt eine beispielhafte Ausführungsform eines Systems zum Schätzen eines Zeitversatzes unter Verwendung von Kanalkorrelationen gemäß der Offenbarung dar. Das in 3 dargestellt System kann einige beispielhafte Implementierungsdetails darstellen, die beispielsweise zur Implementierung des in 2 dargestellten Systems verwendet werden können.
Das in 3 dargestellte System kann einen Kanalschätzungsblock 300, einen Kanalkorrelator 302 und ein neuronales Netzwerk beinhalten, welche, in diesem Beispiel, als ein MLP 304 implementiert sein können. Der Kanalschätzungsblock 300 kann eine beliebige Anzahl von Kanalschätzungen ${\hat{H}}_{k}^{'}$
bereitstellen, wobei k eine Anzahl von Zwischenträgern anzeigen kann, z. B. k = 0, ..., N - 1. Der Kanalkorrelator 320, der als ein Merkmalsextraktor arbeiten kann, kann eine beliebige Anzahl von Kanalkorrelationen ${\hat{F}}_{Δ}$
basierend auf den Kanalschätzungen ${\hat{H}}_{k}^{'}$
erzeugen. Die Kanalkorrelationen ${\hat{F}}_{Δ}$
können als Eingabemerkmale in das MLP 304 angewendet werden, welches einen geschätzten Zeitversatz l_TO basierend auf einer Abbildung erzeugen kann, die z. B. während eines Trainingsvorgangs gelernt werden kann.
In einigen Ausführungsformen können eine oder mehrere unterschiedliche Vorkodierungsmatrizen auf ein PDSCH-DMRS in unterschiedlichen Bündeln angewendet werden. Somit können in einigen Ausführungsformen die Frequenzbereichs-Kanalkorrelationen auf einer Pro-Bündel-Basis berechnet werden.
In einigen Ausführungsformen kann sich ${\hat{F}}_{Δ, m}$
auf eine Frequenzbereichs- (FD-) Kanalkorrelation zwischen Kanälen beziehen, die durch Δ Zwischenträger getrennt sind, welche beispielsweise basierend auf PDSCH-DMRS-Kanälen in dem m. Bündel geschätzt werden können. Somit kann ${\hat{F}}_{Δ, m}$
berechnet werden als ${\hat{F}}_{Δ, m} = \frac{1}{| K_{Δ} |} \sum_{k \in K_{Δ}} {\hat{H}}_{m, k}^{'^{*}} \cdot {\hat{H}}_{m, k + Δ}^{'}$
wobei ${\hat{H}}_{m, k}^{'}$
sich auf die Frequenzbereichs-Kanalschätzung an dem k. Zwischenträger in dem m. Bündel beziehen kann, und K_Δ sich auf einen Satz beziehen kann, der Zwischenträgerindizes beinhaltet, die zwei Bedingungen erfüllen können: (1) Der Zwischenträgerindex entspricht einer PDSCH-DMRS-Position, und (2) sowohl der Zwischenträgerindex k als auch der Zwischenträgerindex k + Δ gehören zu dem gleichen Bündel.
In einer beispielhaften Ausführungsform können Ressourcen für einen DMRS-Konfigurationstyp 1 zugeordnet sein, das DMRS kann vom 0. Zwischenträger starten, und die Bündelgröße kann auf 2 konfiguriert sein. In diesem Beispiel kann ein Satz von möglichen Zwischenträgerindizes entsprechend den PDSCH-DMRS-Positionen in einem Bündel {0, 2,4,6,8,10,12,14,16,18,20,22} betragen. In einigen Ausführungsformen kann es angemessen sein, den letzten Eintrag wegzulassen. Zu Anschauungszwecken kann somit in dieser beispielhaften Ausführungsform der Satz von möglichen Zwischenträgerindizes entsprechend den PDSCH-DMRS-Positionen in einem Bündel {0, 2,4,6,8,10,12,14,16,18, 20} betragen. Führt man dieses Beispiel fort, gilt für K_Δ mit Δ = 2m, da der Zwischenträgerindex k und der Zwischenträgerindex k + Δ beide zu dem gleichen Bündel gehören, K₂ = {0, 2,4,6,8,10,12,14,16, 18}. Desgleichen gilt für K_Δ mit Δ = 20, K₂₀ = {0}. In anderen Ausführungsformen können jedoch unterschiedliche Werte für den DMRS-Konfigurationstyp, Werte von Δ und/oder andere Parameter verwendet werden.
Nachdem F̂_Δ,m für das m Bündel berchnet worden ist, kann die endgültige Frequenzbereichs-Kanalkorrelationen F̂_Δ gegeben sein durch ${\hat{F}}_{Δ} = \frac{1}{M} \sum_{m = 1}^{M} {\hat{F}}_{Δ, m}$
wobei M die Gesamtanzahl von konfigurierten Bündeln darstellen kann. Eine oder mehrere endgültige Frequenzbereichs-Kanalkorrelationen F̂_Δ können dann als Eingabemerkmale in das neuronale Netzwerk verwendet werden, welches, in diesem Beispiel, als ein MLP 304 implementiert sein kann.
Merkmalsauswahl - Teilsatz von Kanalkorrelationen
In einigen Ausführungsformen kann die Gesamtanzahl von Kandidaten-Kanalkorrelationen F̂_Δ von dem DRMS-Typ und/oder der Bündelgröße abhängig sein. In einem Beispiel, in dem das DMRS als Typ 1 konfiguriert ist und die Bündelgröße als 2 konfiguriert ist, kann der Kandidatensatz von Δ {2,4,6,8,10,12,14,16,18,20} betragen, so dass die Gesamtanzahl von möglichen Δ Werten 10 sein kann. Da F̂_Δ eine komplexe Zahl sein kann, können der reelle und der imaginäre Teil von F̂_Δseparat als Eingaben in das neuronale Netzwerk behandelt werden. Somit können insgesamt 20 Kandidaten-Merkmale vorliegen, so dass $r e a l {{\hat{F}}_{Δ}}, i m a g {{\hat{F}}_{Δ}}, Δ = 2,4,6,8,10,12,14,16,18,20.$
In einigen Ausführungsformen kann jedoch auf einige der Kandidaten-Merkmale verzichtet werden, während immer noch eine annehmbare Leistung bereitgestellt werden kann. Durch Verwendung von nur einem Teilsatz des Satzes von möglichen (z. B. verfügbaren) Eingabemerkmalen, kann die Anzahl von Eingaben in das neuronale Netzwerk reduziert werden. Abhängig von den Implementierungsdetails können dadurch die Abmessungen sowie Kosten, Aufwand, Rechenlast, Leistungsaufnahme, Speicherplatz und/oder dergleichen des neuronales Netzwerk reduziert werden.
4A bis 4E stellen einige Beispiele für Teilsätze von Kanalkorrelationen F̂_Δ dar, die als Eingaben in ein neuronales Netzwerk gemäß den beispielhaften Ausführungsformen der Offenbarung verwendet werden können. In den in 4A bis 4E dargestellten Ausführungsformen zeigen schattierte Blöcke Werte von Δ an, für welche Kanalkorrelationen F̂_Δ berechnet werden können und als Eingaben in ein neuronales Netzwerk angewendet werden können, wohingegen nichtschattierte Blöcke Werte von Δ anzeigen, für die auf die Kanalkorrelationen F̂_Δ verzichtetet werden kann.
4A stellt eine Ausführungsform dar, in der alle verfügbaren Kanalkorrelationen F̂_Δ berechnet und als Eingaben in ein neuronales Netzwerk angewendet werden können. 4B stellt eine Ausführungsform dar, in der nur einige der äußersten Kanalkorrelationen F̂_Δ (z. B. zwei Endabschnitte, für die Δ = 2,4,6,16,18,20 gilt) berechnet und als Eingaben in ein neuronales Netzwerk angewendet werden können. 4C stellt eine Ausführungsform dar, in der nur einige der linken Kanalkorrelationen F̂_Δ (z. B. linke Abschnitte, für die Δ = 2,4,6,8,10,12 gilt) berechnet und als Eingaben in ein neuronales Netzwerk angewendet werden können. 4D stellt eine Ausführungsform dar, in der nur einige der rechten Kanalkorrelationen F̂_Δ (z. B. rechte Abschnitte, für die Δ = 10,12,14,16,18,20 gilt) berechnet und als Eingaben in das neuronale Netzwerk angewendet werden können. 4E stellt eine Ausführungsform dar, in der nur einige der innersten Kanalkorrelationen F̂_Δ (z. B. mittlerer Abschnitt, für den Δ = 6,8,10,12,14,16 gilt) berechnet und als Eingaben in das neuronale Netzwerk angewendet werden können.
In einigen Ausführungsformen kann durch Verwendung von Merkmalen, die nur zwei Endabschnitte von einem Satz von FD-Kanalkorrelationen beinhalten, eine Leistung bereitstellen können, die derjenigen nahekommt, die durch den vollen Satz von Korrelationen bereitgestellt wird, während die Anzahl von Eingabemerkmalen in das neuronale Netzwerk reduziert wird. Die Anzahl von Eingabemerkmalen kann z. B. von 20 Merkmalen (z. B. real{F̂_Δ}, imag{F̂_Δ}, Δ = 2,4,6,8,10,12,14,16,18,20) auf 12 Merkmale (z. B., real{F̂_Δ}, imag{F̂_Δ}, Δ = 2,4,6,16,18,20) reduziert werden, während immer noch eine angemessene Leistung bereitgestellt wird. Somit können einige der nachstehend erläuterten Ausführungsformen im Zusammenhang mit einer Implementierung beschrieben sein, in der nur die äußersten FD-Kanalkorrelationen (z. B. Endabschnitte) verwendet werden können, während in anderen Ausführungsformen der volle Satz von verfügbaren Kanalkorrelationen, oder ein beliebiger Teilsatz derselben, verwendet werden kann. Desgleich können beliebige andere Arten von Merkmalen, wie z. B. eine DSE, verwendet werden.
Merkmalsauswahl - Eingabemerkmale für unterschiedliche DMRS-Typen
In einigen beispielhaften Ausführungsformen, die für den DRMS-Typ 1 konfiguriert sind, können die folgenden 12 Merkmale real(F̂_Δ} imag{F̂_Δ},Δ = 2,4,6,16,18,20 als Eingaben in ein neuronales Netzwerk ungeachtet dessen angewendet werden, ob die Bündelgröße auf 2 oder 4 konfiguriert ist.
In einigen beispielhaften Ausführungsformen, die für den DMRS-Typ 2 konfiguriert sind, kann das DMRS vom 0. Zwischenträger starten, und die Bündelgröße kann auf 2 konfiguriert sein. In dieser Konfiguration kann ein Satz von allen möglichen Zwischenträgerindizes, der den PDSCH-DMRS-Positionen in einem Bündel entsprechen kann, {0,1, 6,7,12,13,18,19} sein. In einigen Ausführungsformen kann es angemessen sein, einige der Zwischenträgerindizes wegzulassen und {0, 6,12,18} als den Satz von allen möglichen Zwischenträgerindizes zu verwenden. Somit kann der Kandidat Δ für den DMRS-Typ 2 (6, 12, 18). sein. Die reellen und imaginären Teile von F̂_Δ können separat behandelt werden. Da in diesem Beispiel jedoch nur eine Gesamtanzahl von drei Kandidaten Δ sein kann, mag es nicht vorteilhaft oder machbar sein, nur einen Teilsatz des Satzes von möglichen Eingabemerkmalen zu verwenden, wobei die Gesamtheit des Kandidaten Δ kann als Eingabemerkmale für den DMRS-Typ 2 enthalten sein kann. Somit können in einigen beispielhaften Ausführungsformen die Eingabemerkmale für ein neuronales Netzwerk mit dem DRMS-Typ 2 real{F̂_Δ} imag{F̂_Δ), Δ = 6,12,18 sein. Dieser Satz von sechs Merkmalen kann als Eingaben in ein neuronales Netzwerk ungeachtet dessen angewendet werden, ob die Bündelgröße auf 2 oder 4 konfiguriert ist.
Tabelle 1 stellt einige beispielhafte Eingabemerkmale für ein neuronales Netzwerk für unterschiedliche DMRS-Typen basierend auf den vorstehend beschriebenen beispielhaften Ausführungsform dar. Diese Einzelheiten werden nur zu Zwecken der Veranschaulichung der Grundsätze der vorliegenden Offenbarung bereitgestellt, wobei beliebige andere Werte verwendet werden können. Tabelle 1

DMRS-Typ Eingabemerkmale

Typ 1 real{F̂_Δ}, imag{F̂_Δ}, Δ = 2,4,6,16,18,20

Typ 2 real{F̂_Δ}, imag(F̂_Δ), Δ = 6,12,18
Mehrlagiges Perzeptron
5 stellt eine beispielhafte Ausführungsform eines MLP gemäß der Offenbarung dar. Das in 5 dargestellte MLP kann beispielsweise verwendet werden, um das MLP 304 zu implementieren, das in 3 für das DMRS dargestellt ist, welches als Typ 1 konfiguriert ist, wie in Tabelle 1 gezeigt ist. Das MLP kann eine Eingabeschicht beinhalten, die Eingabeknoten 5A-1, 5A-2, ..., 5A-12 beinhaltet, welche jeweils eine jeweilige der eingegebenen FD-Kanalkorrelationen real{F̂Δ}, imag{F̂_Δ}, Δ = 2,4,6,16,18,20 empfangen kann.
Das MLP kann zudem eine Ausgabeschicht beinhalten, die Ausgabeknoten 5C-1, 5C-2, ..., 5C-5 beinhaltet, die jeweils eine Ausgabemarkierung bereitstellen können, die einer Wahrscheinlichkeit entspricht, dass der Zeitversatz ein bestimmter Wert ist. In dem in 5 dargestellten Beispiel kann jede Ausgabemarkierung einer Wahrscheinlichkeit P entsprechen, dass der Zeitversatz l_TO x ist, so dass P(l_TO = x), wobei x ∈ {-4, -2, 0, 2, 4}.
Das MLP kann zudem eine verborgene Schicht beinhalten, die verborgene Knoten 5B-1, 5B-2, ..., 5B-N beinhaltet, die jeweils eine oder mehrere Eingaben von einem oder mehreren der Eingabeknoten 5A-1, 5A-2, ..., 5A-12 empfangen und eine Ausgabe an einen oder mehrere der Ausgabeknoten 5C-1, 5C-2, ..., 5C-5 bereitstellen können. In verschiedenen Ausführungsformen kann eine verborgene Schicht eine beliebige Anzahl von Knoten, z. B. 64 Knoten, beinhalten.
6 stellt eine weitere beispielhafte Ausführungsform eines MLP gemäß der Offenbarung dar. Die in 6 dargestellte Ausführungsform kann beispielweise zum Implementieren des MLP 304 verwendet werden, das in 3 für das DMRS dargestellt ist, das als Typ 2 konfiguriert ist, wie in Tabelle 1 gezeigt ist. Das MLP kann eine Eingabeschicht beinhalten, die Eingabeknoten 6A-1, 6A-2, ..., 6A-6 beinhaltet, die jeweils eine jeweilige der eingegebenen FD-Kanalkorrelationen real{F̂_Δ}, imag{F̂_Δ}, Δ = 6,12,20 empfangen können.
Das MLP kann zudem eine Ausgabeschicht beinhalten, die Ausgabeknoten 6C1-, 6C-2, ..., 6C-5 beinhaltet, die jeweils eine Ausgabemarkierung bereitstellen können, die einer Wahrscheinlichkeit entspricht, dass der Zeitversatz ein bestimmter Wert ist. In dem in 6 dargestellten Beispiel kann jede Ausgabemarkierung einer Wahrscheinlichkeit P entsprechen, dass der Zeitversatz l_TO x ist, so dass P(l_TO = x) wobei x ∈ {-4, -2, 0, 2, 4}.
Das MLP kann zudem eine verborgene Schicht beinhalten, die verborgene Knoten 6B-1, 6B-2, ..., 6B-N beinhaltet, die jeweils eine oder mehrere Eingaben von einem oder mehreren der Eingabeknoten 6A-1, 6A-2, ..., 6A-6 empfangen und eine Ausgabe an einen oder mehrere der Ausgabeknoten 6c-1, 6C-2, ..., 6C-5 bereitstellen können.
Zu Zwecken der Veranschaulichung der Grundsätze der Offenbarung sind einige Ausführungsformen mit beispielhaften Implementierungsdetails beschrieben worden, wobei die Grundsätze sich jedoch mit beliebigen anderen Implementierungsdetails realisiert lassen. Eine beliebige Art von neuronalem Netzwerk oder anderer Logik basierend auf maschinellem Lernen, wie z. B. ein CNN, ein DNN und/oder dergleichen, kann wie oben erwähnt verwendet werden. In den mit einem MLP oder anderen neuronalen Netzwerk implementierten Ausführungsformen kann eine beliebige Anzahl von Schichten, die verborgene Schichten beinhalten, verwendet werden, wobei eine beliebige Anzahl von Knoten in einer beliebigen Schicht verwendet werden kann. Die Ausgaben der Logik basierend auf maschinellem Lernen können als kontinuierliche Ausgaben (z. B. für eine Regression), diskrete Ausgaben oder hybride Kombination aus denselben implementiert sein. In einigen Ausführungsformen, in welchen das Timing in Einheiten von Abtastwerten implementiert sein kann, kann eine Implementierung mit diskreten Ausgaben von Vorteil sein, weil ein oder mehrere Werte bereits in diskreter Form vorliegen können.
Als ein weiteres Beispiel können beliebige Sätze und/oder Teilsätze von Eingabemerkmalen auf ein neuronales Netzwerk angewendet werden. Von einigen Ausführungsformen ist in der Beschreibung beispielsweise behauptet worden, dass sie 12 FD-Kanalkorrelationen verwenden, die Δ = 2,4,6,16,18,20 (für den DMRS-Typ 1) entsprechen, wobei jedoch andere Teilsätze, wie z. B. Δ = 2,4,6,8,14,16,18,20 oder Δ = 2,4,18,20, sowie andere Teilsätze von allen Seiten, der Mitte, den Enden, der rechten Seite, der linken Seite und/oder dergleichen verwendet werden können.
Zeitversatzschätzung
In einigen Ausführungsformen kann ein lembasierter STR-Algorithmus gemäß der Offenbarung als ein Klassifizierungsproblem formuliert sein. In den in 5 und 6 dargestellten Ausführungsformen kann z. B. ein neuronales Netzwerk (z. B. ein MLP) eine Ausgabeschicht mit 5 Knoten entsprechend den Zeitversätzen von -4, -2, 0, 2 oder 4 aufweisen und somit eine Gesamtheit von 5 Klassen bereitstellen. (In einigen Ausführungsformen können diese Zeitversätze in Bezug auf Abtasttaktzyklen implementiert sein). In als ein Klassifizierungsproblem implementierten Ausführungsformen kann eine Kreuzentropie-Kostenfunktion verwendet und eine soft-max-Funktion nach den Knoten in der Ausgabeschicht angewendet werden. Folglich kann die Ausgabe des MLP der Wahrscheinlichkeit entsprechen, dass das Eingabemerkmal zu einer jeden Klasse gehört, z. B. die Wahrscheinlichkeit, dass der Zeitversatz gleich -4, -2, 0, 2 oder 4 ist.
In einigen Ausführungsformen kann der endgültige geschätzte Zeitversatz unter Verwendung einer mittleren Kombiniertechnik erhalten werden, in der der endgültige Zeitversatz durch Mitteln von einem oder mehreren der ausgegebenen Zeitversätze mit einem Gewicht geschätzt werden kann, das wie folgt gleich der Ausgabe des MLP-Netzwerks sein kann: ${\hat{l}}_{T O} = \sum_{x \in {- 4, - 2,0,2,4}} P (l_{T O} = x) \cdot x$
wobei P eine Wahrscheinlichkeit darstellen kann, dass der Zeitversatz l_TO ein bestimmter Wert x ist.
In einigen Ausführungsformen kann der endgültige geschätzte Zeitversatz unter Verwendung einer maximalen Kombiniertechnik erhalten werden, in der der endgültige Zeitversatz als die Zeitversatzmarkierung geschätzt werden kann, die wie folgt der größten Ausgabe des MLP-Netzwerks entspricht: ${\hat{l}}_{T O} = \underset{x \in {- 4, - 2,0,2,4}}{arg max} P (l_{T O} = x) .$
Auch wenn einige beispielhafte Ausführungsformen so dargestellt worden sind, als weisen sie fünf Ausgabemarkierungen auf, die Zeitversätzen von -4, -2, 0, 2, 4 Abtastwerten entsprechen, kann eine beliebige Anzahl von Markierungen mit beliebigen Werten von Zeitversätzen, die kleinere oder größere Bereiche abdecken, verwendet werden. Zum Beispiel können einige Ausführungsformen drei Ausgabemarkierungen, die Zeitversätzen -2, 0, 2 entsprechen, fünf Ausgabemarkierungen, die Zeitversätzen -8, -4, 0, 4, 8 und/oder dergleichen entsprechen, implementieren.
Kombinierte Schätzungen
In einigen Ausführungsformen kann ein geschätzter Zeitversatz, der durch eine auf maschinellem Lernen basierte Logik erzeugt wird, zum direkten Anpassen an das Timing-Fenster einer FFT oder anderen Transformation verwendet werden. In einigen Ausführungsformen jedoch kann es jedoch von Vorteil sein, Zeitschätzungen von mehreren Quellen zu kombinieren. Zum Beispiel kann ein neuronales Netzwerk abhängig von einem Bereich von Zeitversätzen, die für eine spezifische Implementierung verwendet werden, ein relative große Anzahl von Markierungen verwenden, um den Bereich mit einer angemessenen Auflösung (z. B. 17 Ausgabemarkierungen entsprechend den Zeitversätzen -16, -14, -12, -10, -8, -6, -4, -2, 0, 2, 4, 6, 8, 10, 12, 14, 16) abzudecken Dies wiederum kann die Verwendung einer relativ großen Ressourcenmenge für das neuronales Netzwerk, wie z. B. Speicher, Verarbeitungsressourcen, Trainingsressourcen und/oder dergleichen, mit sich bringen.
In einigen Ausführungsformen kann ein geschätzter Zeitversatz, der durch die trainierte Logik erzeugt wird, mit einer anderen Timing-Schätzung kombiniert werden, z. B. ein geschätzter FA, basierend auf einem PDP von einer oder mehreren Kanalschätzungen. Abhängig von den Implementierungsdetails kann diese Art von Kombination einem STR-System ermöglichen, weite Bereich von Zeitversätzen abzudecken, während die Menge der durch die trainierte Logik verwendeten Ressourcen reduziert wird.
7 stellt eine beispielhaften Ausführungsform eines Systems zum Anpassen des Timing einer FFT oder eines anderen Transformationsfensters gemäß der Offenbarung dar. Die in 7 dargestellte Ausführungsform kann einen ersten Verarbeitungsweg, der einen Merkmalsextraktor 702 und eine trainierte Logik 704 aufweist, einen zweiten Verarbeitungsweg, der einen PDP-Prozessor 706 und einen STR-Block 708 beinhaltet, und einen Fensterprozessor 710 beinhalten.
In einigen Ausführungsformen können der Merkmalsextraktor 702 und die trainierte Logik 704 in einer Weise ähnlich jener in der in 2 dargestellten Ausführungsform arbeiten, um eine lernbasierte STR zu implementieren. Der Merkmalsextraktor kann eine oder mehrere FD-Kanalschätzungen ${\hat{H}}_{k}^{'}$
basierend auf einem Referenzsignal empfangen, das relativ häufig übertragen werden kann, wie z. B. das PDSCH-DMRS. Der Merkmalsextraktor 702 kann eine oder mehrere Eingabemerkmale g erzeugen, die auf die trainierte Logik 704 angewendet werden können, welche einen geschätzten Zeitversatz l_TO erzeugen können.
Der PDP-Prozessor 706 kann PDP-Informationen von einer oder mehreren FD-Kanalschätzungen ${\hat{H}}_{k}^{'}$
basierend auf einem Referenzsignal erzeugen, das relativ selten übertragen werden kann, z. B. ein periodisches Breitbandreferenzsignal, wie z. B. ein SSB oder ein TRS. Der STR-Block 708 kann die PDP-Informationen zum Schätzen eines FAP verwenden.
Der Fensterprozessor 710 kann den geschätzten FAP und den geschätzten Zeitversatz l_TO zum Anpassen des Timing-Fensters von einer FFT oder anderen Transformation kombinieren.
In der in 7 dargestellten Ausführungsform kann die trainierte Logik 704 mit einem relativ kleinen neuronalen Netzwerk (z. B. einem MLP) implementiert sein, das so trainiert sein kann, dass es eine relative geringe Anzahl von Ausgabemarkierungen (z. B. fünf Markierungen, die Zeitversätze l_TO = -4, - 2, 0, 2, 4 darstellen können) bereitstellt, so dass der maximale Zeitversatz, den die lernbasierte STR kompensieren kann, +/- 4 sein kann. Diese relativ geringe Anzahl von Ausgabemarkierungen kann jedoch auf synergistische Weise mit dem zugrundeliegenden PDP-basierten STR-Algorithmus kombiniert werden, so dass ein vollständiges Referenz-Timing über einen weiten Bereich von Zeitversätzen bereitgestellt wird. Da der Merkmalsextraktor 702 und die trainierte Logik 704 außerdem basierend auf einem Referenzsignal arbeiten können, welches relativ häufig übertragen werden kann, wie z. B. das PDSCH-DRMS, können diese relative schnelle Timing-Veränderungen nachverfolgen, die sich zwischen den Übertragungen der Breitbandreferenzsignale ereignen können, wie z. B. der SSB oder das TRS.
8 ist ein Zeitdiagramm, das den Betrieb einer Ausführungsform eines System darstellt, das Timing-Schätzungen von mehreren Quellen gemäß der Offenbarung kombinieren kann. Das in 8 gezeigte Zeitdiagramm kann z. B. einige Aspekte des Betriebs des in 7 dargestellten Systems darstellen.
8 stellt Zeitperioden für die beiden unterschiedlichen STR-Algorithmen dar. Die PDP-basierte STR, die durch den PDP-Prozessor 706 implementiert wird, und der STR-Block 708 können beispielsweise auf einer Zeitperiode T₂ operieren, während die lernbasierte STR, die durch den Merkmalsextraktor 702 implementiert wird, und die trainierte Logik 704 auf einer Zeitperiode T₁ operieren können.
Die Zeitperiode T₂ für die PDP-basierte STR kann von den Konfigurationen der Periode des zugrundeliegenden Referenzsignals abhängen. Für ein SSB-Referenzsignal mit einer Periode 10ms kann die PDP-basierte STR beispielswiese eine Periode T₂ = 10 ms aufweisen, die 80 Zeitschlitzen für eine Zwischenträgerbeabstandung (SCS) entsprechen kann, die auf 120 KHz eingestellt ist. Wenn jedoch der Zeitversatz während der Periode zwischen Übertragungen des Breitbandreferenzsignals driftet, z. B. aufgrund eines großen Abtasttaktfehlers, kann der PDP-basierte STR-Algorithmus nicht in der Lage sein, die schnelle Zeitversatzdrift vollständig nachzuverfolgen, weil das nächste Referenzsignal noch nicht übertragen worden ist.
Zur Nachverfolgung der schnellen Timing-Drift kann die lernbasierte STR Kanalschätzungen von einem PDSCH-DMRS-Referenzsignal verwenden, das häufiger übertragen werden kann (das z. B. eine kürzere Periode T₁ aufweist). In einigen Ausführungsformen kann das PDSCH-DMRS in jedem Zeitschlitz übertragen werden, in welchem PDSCH-Daten übertragen werden. In einigen Ausführungsformen kann die Periode T₁ der lernbasierten STR als ein konfigurierbarer Parameter implementiert sein, der basierend auf der vorhergesehenen Geschwindigkeit der Timing-Drift eingestellt sein kann, welche das System seiner Konfiguration gemäß nachverfolgen kann. Wenn z. B. die schnellste Timing-Drift, welche das System seiner Konfiguriert gemäß nachverfolgen kann, 1 Abtastwert/ms ist, kann die Periode T₁ der lernbasierten STR auf T₁ = 1 ms eingestellt sein, was 8 Zeitschlitzen entsprechen kann, wenn die SCS auf 120 KHz eingestellt ist.
Iteratives Bereinigen
In einigen Ausführungsformen kann ein iteratives Bereinigen verwendet werden, um die Anzahl von Parametern in der trainierten Logik zu reduzieren, z. B. die Anzahl von Gewichten in einem neuronalen Netzwerk. Abhängig von den Implementierungsdetails können dadurch Kosten, Aufwand, Verarbeitungszeit, Speicherplatz, IC-Fläche, Leistungsaufnahme und/oder dergleichen des neuronalen Netzwerks und/oder der zugeordneten Vorrichtung reduziert werden.
In einer beispielhaften Ausführungsform eines iterativen Bereinigungsvorgangs gemäß der Offenbarung kann bei jeder Iteration ein Training mit einer Maske durchgeführt werden, die auf die Gewichte und/oder Gradienten des neuronalen Netzwerks angelegt wird, wodurch einige Elemente der Gewichte auf null forciert werden, wenn jene Elemente kleiner sind als die Vervielfachung einer vordefinierten Schwelle und die Standardabweichung von einigen oder allen Gewichten. Der Maskensatz kann nach einer oder mehreren Iterationen vergrößert werden, und die ausgegebenen Gewichte in der letzten Iteration können als die endgültigen Ausgabegewichte für das trainierte neuronale Netzwerk verwendet werden.
Benutzervorrichtung
9 stellt eine beispielhafte Ausführungsform einer Benutzervorrichtung (UE) gemäß der Offenbarung dar. Die in 9 dargestellte Ausführungsformen 900 kann einen Funk-Sendeempfänger 902 und einen Controller 904, der den Betrieb des Sendeempfängers 902 steuern kann, und/oder beliebige andere Komponenten in der UE 900 beinhalten. Die UE 900 kann z. B. zum Implementieren einer beliebigen in dieser Offenbarung beschrieben Funktionalität verwendet werden, welche die lernbasierte STR, die PDP-basierte STR, die Merkmalsextraktion, die FD-Kanalkorrelation, das neuronale Netzwerktraining und/oder -Inferenz, die Schätzung der Zeitversätze, das Kombinieren der Zeitschätzungen und/oder -versätze und/oder dergleichen beinhaltet.
Der Sendeempfänger 902 kann ein oder mehrere Signale an die / von der Basisstation übertragen/empfangen, und kann eine Schnittstelleneinheit für solche Übertragungen/Empfänge beinhalten. Der Sendeempfänger 902 kann z. B. PDSCH-Signale und/oder Referenzsignale, wie z. B. den SSB, das TRS, das PDSCH-DMRS und/oder dergleichen, von einer Basisstation empfangen.
Der Controller 904 kann z. B. einen oder mehrere Prozessoren 906 und einen Speicher 908 beinhalten, der Anweisungen für den einen oder die mehreren Prozessoren 906 zum Ausführen eines Codes zur Implementierung einer beliebigen der in diese Offenbarung beschriebenen Funktionalität speichern kann. Der Controller 904 kann z. B. zur Implementierung der lernbasierten STR, der PDP-basierten STR, der Merkmalsextraktion, der FD-Kanalkorrelationen, des neuronalen Netzwerktrainings und/oder -inferenz, der Schätzung von Zeitversätzen, des Kombinierens von Zeitschätzungen und/oder -versätzen und/oder dergleichen verwendet werden.
Basisstation
10 stellt eine beispielhafte Ausführungsform einer Basisstation gemäß der Offenbarung dar. Die in 10 dargestellte Ausführungsform 1000 kann einen Funk-Sendeempfänger 1002 und einen Controller 1004 beinhalten, der den Betrieb des Sendeempfängers 1002 und/oder beliebiger anderen Komponente in der Basisstation 1000 steuern kann. Die Basisstation 1000 kann z. B. zum Implementieren einer beliebigen in diese Offenbarung beschriebenen Funktionalität verwendet werden, welche die lernbasierte STR, die PDP-basierte STR, die Merkmalsextraktion, die FD-Kanalkorrelation, das neuronale Netzwerktraining und/oder -inferenz, die Schätzung von Zeitversätzen, das Kombinieren von Zeitschätzungen und/oder -versätzen und/oder dergleichen beinhaltet.
Der Sendeempfänger 1002 kann ein oder mehrere Signale an/von einer Benutzervorrichtung übertragen/empfangen, und kann eine Schnittstelleneinheit für solche Übertragungen/Empfänge beinhalten. Der Sendeempfänger 1002 kann z. B. PDSCH-Signale und/oder Referenzsignale, wie z. B. den SSB, das TRS, das PDSCH-DMRS und/oder dergleichen, an eine UE übertragen.
Der Controller 1004 kann z. B. einen oder mehrere Prozessoren 1006 und einen Speicher 1008 beinhalten, der Anweisungen für den einen oder die mehreren Prozessoren 1006 speichern kann, um einen Code zum Implementieren einer beliebigen Funktionalität der Basisstation auszuführen, die in dieser Offenbarung beschrieben ist. Der Controller 1004 kann z. B. zum Implementieren der lernbasierten STR, der PDP-basierten STR, der Merkmalsextraktion, der FD-Kanalkorrelationen, des neuronalen Netzwerktrainings/ -inferenz, der Schätzung von Zeitversätzen, des Kombinierens von Zeitschätzungen und/oder -versätzen und/oder dergleichen verwendet werden.
In den in 9 und 10 dargestellten Ausführungsformen können die Sendeempfänger 902 und 1002 mit verschiedenen Komponenten zum Empfangen und/oder Senden von RF-Signalen implementiert sein, wie z. B. Verstärkern, Filtern, Modulatoren und/oder Demodulatoren, A/D und DA-Wandlern, Antennen, Schaltern, Phasenschiebern, Detektoren, Kopplern, Leitern, Übertragungsleitungen und/oder dergleichen. Die Controller 904 und 1004 können mit einer Hardware, Software und/oder einer Kombination aus denselben implementiert sein. Vollständige oder teilweise Hardware-Implementierungen können z. B. eine kombinatorische Logik, eine sequenzielle Logik, Zeitgeber, Zähler, Register, Gate-Arrays, Verstärker, Synthesizer, Multiplexer, Modulatoren, Demodulatoren, Filter, Vektorprozessoren, komplexe programmierbare logische Vorrichtungen (CPLD), feldprogrammierbare Gate-Arrays (FPGAs), anwendungsspezifische integrierte Schaltungen (ASICs), Ein-Chip-Systeme (SOC), Zustandsmaschinen, Datenwandler, wie z. B. ADCs und DACs, und/oder dergleichen beinhalten. Vollständige oder teilweise Software-Implementierungen können einen oder mehrere Prozessorkerne, Speicher, Programm- und/oder Datenspeicher und/oder dergleichen beinhalten, die lokal und/oder entfernt positioniert sein können, und die so programmiert sein können, dass sie Anweisungen zum Durchführen von einer oder mehreren Funktionen der Controller ausführen. Einige Ausführungsformen können eine oder mehrere CPUs, wie z. B. Complex-Instruction-Set-Computer- (CISC-) Prozessoren, wie z. B. x86-Prozessoren, und/oder Reduced-Instruction-Set-Computer- (RISC-) Prozessoren, wie z. B. ARM-Prozessoren und/oder dergleichen, beinhalten, welche Anweisungen ausführen, die in einer beliebigen Art von Speicher, graphischen Verarbeitungseinheiten (GPUs), neuronalen Verarbeitungseinheiten (NPUs), Tensorverarbeitungseinheiten (TPUs) und/oder dergleichen gespeichert sind.
Zusätzliche Ausführungsformen
11 stellt eine Ausführungsforme von einem Verfahren zum Anpassen des Timing eines Transformationsfensters gemäß der Offenbarung dar. Das Verfahren kann bei Verfahrensschritt 1102 beginnen. Bei Verfahrensschritt 1104 kann das Verfahren einen geschätzten Zeitversatz basierend auf einem Referenzsignal in einem Kommunikationssystem erzeugen. Bei Verfahrensschritt 1106 kann das Verfahren ein Transformationsfenster in dem Kommunikationssystem basierend auf dem geschätzten Zeitversatz anpassen, wobei der geschätzte Zeitversatz basierend auf dem maschinellen Lernen erzeugt werden kann. Das Verfahren kann bei Verfahrensschritt 1108 enden.
In der in 11 dargestellten Ausführungsform sind die dargestellten Komponenten und/oder Verfahrensschritte nur beispielhaft. Einige Ausführungsformen können verschiedene zusätzliche Komponenten und/oder Verfahrensschritte beinhalten, die nicht dargestellt sind, wobei bei einigen Ausführungsformen auf einige Komponenten und/oder Verfahrensschritte verzichtet wurde. Außerdem kann in einigen Ausführungsformen die Anordnung der Komponenten und/oder die zeitliche Reihenfolge der Verfahrensschritte variieren. Obwohl in einigen Ausführungsformen einige Komponenten als individuelle Komponenten dargestellt sein können, können einige separat dargestellte Komponenten in Einzelkomponenten integriert sein, und/oder es können einige Komponenten, die als Einzelkomponenten gezeigt sind, mit mehreren Komponenten implementiert sein.
Die hierin offenbarten Ausführungsformen könne im Kontext verschiedener Implementierungsdetails beschrieben sein, jedoch sind die Grundsätze der vorliegenden Offenbarung nicht auf diese oder andere spezifische Details beschränkt. Ein Teil der Funktionalität ist als eine solche beschrieben worden, welche durch bestimmte Komponenten implementiert ist, jedoch kann die Funktionalität in anderen Ausführungsformen zwischen unterschiedlichen Systemen und Komponenten in unterschiedlichen Positionen verteilt sein. Eine Bezugnahme auf eine Komponente oder ein Element kann sich nur auf einen Abschnitt der Komponente oder des Elements beziehen. Die Verwendung von Begriffen wie „erste/r/s“ und „zweite/r/s“ dient in dieser Offenbarung und den Ansprüchen nur dem Zweck der Unterscheidung der Dinge, die sie modifizieren, und kann keine räumliche oder zeitliche Reihenfolge implizieren, sofern aus dem Kontext nichts anderes hervorgeht. Eine Bezugnahme auf ein erstes Ding kann nicht die Existenz eines zweiten Dings implizieren. Außerdem können die verschiedenen vorstehend beschriebenen Details und Ausführungsformen kombiniert werden, um zusätzliche Ausführungsformen gemäß den erfindungsgemäßen Grundsätzen dieser Patentoffenbarung zu schaffen. Verschiedene organisatorische Hilfen, wie z. B. Zwischenüberschriften und dergleichen, können der Übersichtlichkeit halber vorgesehen sein, jedoch ist der gemäß diesen Hilfen und Grundsätzen der vorliegenden Offenbarung angeordnete Gegenstand nicht durch diese organisatorischen Hilfen definiert oder eingeschränkt.
Da die erfindungsgemäßen Grundsätze dieser Patentoffenbarung in ihrer Anordnung und im Detail modifiziert werden können, ohne vom erfinderischen Gedanken abzuweichen, gelten solche Veränderungen und Modifizierungen als vom Schutzbereich der nachstehenden Ansprüche umfasst.

Claims

Verfahren, das folgende Schritte aufweist: Erzeugen eines geschätzten Zeitversatzes basierend auf einem Referenzsignal in einem Kommunikationssystem; und Anpassen eines Transformationsfensters in dem Kommunikationssystem basierend auf dem geschätzten Zeitversatz; wobei der geschätzte Zeitversatz basierend auf einem maschinellen Lernen erzeugt wird.
Verfahren nach Anspruch 1, wobei das Erzeugen des geschätzten Zeitversatzes ein Anwenden des maschinellen Lernens auf eine oder mehrere Kanalschätzungen aufweist.
Verfahren nach Anspruch 1, wobei das Erzeugen des geschätzten Zeitversatzes folgende Schritte aufweist: Extrahieren von einem oder mehreren Merkmalen aus einer oder mehreren Kanalschätzungen; und Erzeugen des geschätzten Zeitversatzes basierend auf dem einem oder den mehreren Merkmalen.
Verfahren nach Anspruch 3, wobei das Extrahieren des einen oder der mehreren Merkmale ein Bestimmen einer Korrelation zwischen einem ersten Kanal und einem zweiten Kanal aufweist.
Verfahren nach Anspruch 4, wobei die Korrelation eine Frequenzbereichskorrelation zwischen dem ersten Kanal und dem zweiten Kanal aufweist.
Verfahren nach Anspruch 4, wobei das Extrahieren von dem einen oder den mehreren Merkmalen ein Extrahieren eines Teilsatzes von einem Satz von Merkmalen der einen oder der mehreren Kanalschätzungen aufweist.
Verfahren nach Anspruch 6, wobei der Satz von Merkmalen einen Satz von Frequenzbereichs-Kanalkorrelationen aufweist.
Verfahren nach Anspruch 7, wobei: der Satz von Frequenzbereichs-Kanalkorrelationen basierend auf Frequenzbereichskanälen berechnet wird, die durch Δ Zwischenträger getrennt sind; der Satz von Frequenzbereichs-Kanalkorrelationen auf Kanalkorrelationen basiert, die einer Reihe von Δ entsprechen; und der Teilsatz Frequenzbereichs-Kanalkorrelationen basierend auf einem oder mehreren höchsten Δ und einem oder mehreren niedrigsten Δ aufweist.
Verfahren nach Anspruch 3, wobei ein neuronales Netzwerk den geschätzten Zeitversatz basierend auf dem einen oder den mehreren Merkmalen erzeugt.
Verfahren nach Anspruch 9, wobei das Erzeugen des geschätzten Zeitversatzes basierend auf dem einen oder den mehreren Merkmalen, zumindest teilweise, durch ein neuronales Netzwerk durchgeführt wird.
Verfahren nach Anspruch 10, wobei das neuronale Netzwerk eine oder mehrere Klassifikationsausgaben basierend auf dem einen oder den mehreren Merkmalen erzeugt.
Verfahren nach Anspruch 11, wobei das Erzeugen des geschätzten Zeitversatzes ein Kombinieren von zwei oder mehreren Klassifikationsausgaben aus dem neuronalen Netzwerk aufweist.
Verfahren nach Anspruch 1, wobei das Referenzsignal ein erstes Referenzsignal aufweist, der geschätzte Zeitversatz einen ersten geschätzten Zeitversatz aufweist, wobei das Verfahren ferner folgende Schritte aufweist: Erzeugen eines zweiten geschätzten Zeitversatzes basierend auf einem zweiten Referenzsignal, das weniger häufig erzeugt wird als das erste Referenzsignal; und Anpassen des Transformationsfensters basierend auf einer Kombination des ersten geschätzten Zeitversatzes und des zweiten geschätzten Zeitversatzes.
Verfahren, das folgende Schritte aufweist: Schätzen eines Zeitversatzes in einem Kommunikationssystem basierend auf einem ersten Referenzsignal; Schätzen eines ersten Ankunftswegs basierend auf einem zweiten Referenzsignal, das weniger häufig übertragen wird als das erste Referenzsignal; und Anpassen eines Transformationsfensters basierend auf dem Zeitversatz und dem ersten Ankunftsweg.
Verfahren nach Anspruch 14, wobei das Schätzen eines Zeitversatzes basierend auf dem ersten Referenzsignal folgende Schritte aufweist: Erzeugen von einer oder mehreren Kanalschätzungen basierend auf dem ersten Referenzsignal; Extrahieren von einem oder mehreren Merkmalen aus der einem oder den mehreren Kanalschätzungen; und Erzeugen, durch einen maschinellen Lernprozess, des Zeitversatzes basierend auf dem einen oder den mehreren Merkmalen.
Verfahren nach Anspruch 15, wobei: die eine oder die mehreren Kanalschätzungen einen Satz von Frequenzbereichs-Kanalkorrelationen zwischen Kanälen bereitstellen, die durch Δ Zwischenträger getrennt sind; und Extrahieren des einen Merkmals oder der mehreren Merkmale das ein Extrahieren von einem Teilsatz des Satzes von Frequenzbereichs-Kanalkorrelationen aufweist.
Verfahren nach Anspruch 16, wobei eine Anzahl von Kandidatsfrequenzbereichs-Kanalkorrelationen auf einer Referenzsignalkonfiguration und einer Ressourcenblock-Bündelungskonfiguration basiert.
Verfahren nach Anspruch 15, wobei der maschinelle Lernprozess auf einem neuronalen Netzwerk basiert.
Vorrichtung, aufweisend: einen Merkmalsextrahierer, der so konfiguriert ist, dass er ein oder mehrere Merkmale aus einer oder mehreren Kanalschätzungen basierend auf einem Referenzsignal extrahiert; eine trainierte Logik, die so konfiguriert ist, dass sie einen geschätzten Zeitversatz basierend auf dem einen oder den mehreren Merkmalen erzeugt; und einen Fensterprozessor, der so konfiguriert ist, dass er ein Transformationsfenster basierend auf dem geschätzten Zeitversatz anpasst.
Vorrichtung nach Anspruch 19, wobei: der Merkmalsextrahierer einen Kanalkorrelator aufweist, und die trainierte Logik ein neuronales Netzwerk aufweist.