JP2023531397A - ワイヤレスチャネル推定および追跡のためのニューラルネットワーク拡張 - Google Patents

ワイヤレスチャネル推定および追跡のためのニューラルネットワーク拡張 Download PDF

Info

Publication number
JP2023531397A
JP2023531397A JP2022576141A JP2022576141A JP2023531397A JP 2023531397 A JP2023531397 A JP 2023531397A JP 2022576141 A JP2022576141 A JP 2022576141A JP 2022576141 A JP2022576141 A JP 2022576141A JP 2023531397 A JP2023531397 A JP 2023531397A
Authority
JP
Japan
Prior art keywords
time step
current time
channel estimate
residual
channel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022576141A
Other languages
English (en)
Other versions
JPWO2021257907A5 (ja
Inventor
アムジャド、ラナ・アリ
プラティク、クマール
ウェリング、マックス
ベーブーディ、アラシュ
ソリアガ、ジョセフ・ビナミラ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qualcomm Inc filed Critical Qualcomm Inc
Publication of JP2023531397A publication Critical patent/JP2023531397A/ja
Publication of JPWO2021257907A5 publication Critical patent/JPWO2021257907A5/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/021—Estimation of channel covariance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L2025/03592—Adaptation methods
    • H04L2025/03598—Algorithms
    • H04L2025/03611—Iterative algorithms
    • H04L2025/03656—Initialisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

通信デバイスによって実施される方法が、通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成することを含む。本方法は、ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論することをも含む。本方法は、残差に基づいて現在の時間ステップの初期チャネル推定値を更新することをさらに含む。【選択図】図７

Description

優先権の主張
関連出願の相互参照
[0001]本出願は、それらの全体が参照により明確に組み込まれる、２０２０年６月１９日に出願された、「NEURAL NETWORK AUGMENTATION FOR WIRELESS CHANNEL ESTIMATION AND TRACKING」と題する米国仮特許出願第６３／０４１，６３７号の利益を主張する、２０２１年６月１６日に出願された、「NEURAL NETWORK AUGMENTATION FOR WIRELESS CHANNEL ESTIMATION AND TRACKING」と題する米国特許出願第１７／３４９，７４４号の優先権を主張する。
[0002]本開示の態様は、一般にワイヤレス通信に関し、より詳細には、ニューラルネットワーク拡張（neural network augmentation）を用いたチャネル推定のための技法および装置に関する。
[0003]ワイヤレス通信システムは、電話、ビデオ、データ、メッセージング、およびブロードキャストなど、様々な電気通信サービスを提供するために広く展開されている。典型的なワイヤレス通信システムは、利用可能なシステムリソース（たとえば、帯域幅、送信電力など）を共有することによって複数のユーザとの通信をサポートすることが可能な多元接続技術を採用し得る。そのような多元接続技術の例は、符号分割多元接続（ＣＤＭＡ）システム、時分割多元接続（ＴＤＭＡ）システム、周波数分割多元接続（ＦＤＭＡ）システム、直交周波数分割多元接続（ＯＦＤＭＡ）システム、シングルキャリア周波数分割多元接続（ＳＣ－ＦＤＭＡ）システム、時分割同期符号分割多元接続（ＴＤ－ＳＣＤＭＡ）システム、およびロングタームエボリューション（ＬＴＥ（登録商標））を含む。ＬＴＥ／ＬＴＥアドバンストは、第３世代パートナーシッププロジェクト（３ＧＰＰ（登録商標））によって公表されたユニバーサルモバイルテレコミュニケーションズシステム（ＵＭＴＳ）モバイル規格の拡張のセットである。
[0004]ワイヤレス通信ネットワークは、いくつかのユーザ機器（ＵＥ）のための通信をサポートすることができるいくつかの基地局（ＢＳ）を含み得る。ＵＥは、ダウンリンクおよびアップリンクを介してＢＳと通信し得る。ダウンリンク（または順方向リンク）はＢＳからＵＥへの通信リンクを指し、アップリンク（または逆方向リンク）はＵＥからＢＳへの通信リンクを指す。より詳細に説明されるように、ＢＳは、ノードＢ、ｇＮＢ、アクセスポイント（ＡＰ）、ラジオヘッド、送信受信ポイント（ＴＲＰ）、新無線（ＮＲ）ＢＳ、５ＧノードＢなどと呼ばれることがある。
[0005]上記の多元接続技術は、異なるユーザ機器が都市、国家、地域、さらには地球規模で通信することを可能にする共通プロトコルを提供するために、様々な電気通信規格において採用されている。５Ｇと呼ばれることもある、新無線（ＮＲ）は、第３世代パートナーシッププロジェクト（３ＧＰＰ）によって公表されたＬＴＥモバイル規格の拡張のセットである。ＮＲは、スペクトル効率を改善すること、コストを下げること、サービスを改善すること、新しいスペクトルを利用すること、および、ダウンリンク（ＤＬ）上でサイクリックプレフィックス（ＣＰ）を伴う直交周波数分割多重化（ＯＦＤＭ）（ＣＰ－ＯＦＤＭ）を使用して、アップリンク（ＵＬ）上でＣＰ－ＯＦＤＭおよび／または（たとえば、離散フーリエ変換拡散ＯＦＤＭ（ＤＦＴ－ｓ－ＯＦＤＭ）としても知られる）ＳＣ－ＦＤＭを使用して、他のオープン規格とより良く統合すること、ならびに、ビームフォーミング、多入力多出力（ＭＩＭＯ）アンテナ技術、およびキャリアアグリゲーションをサポートすることによって、モバイルブロードバンドインターネットアクセスをより良くサポートするように設計されている。
[0006]人工ニューラルネットワークは、人工ニューロン（たとえば、ニューロンモデル）の相互結合されたグループを備え得る。人工ニューラルネットワークは、算出デバイスであるか、または算出デバイスによって実施されるべき方法として表され得る。深層畳み込みニューラルネットワークなど、畳み込みニューラルネットワークは、フィードフォワード人工ニューラルネットワークのタイプである。畳み込みニューラルネットワークは、タイリングされた受容野（a tiled receptive field）において構成され得るニューロンの層を含み得る。より高い効率を達成するためにニューラルネットワーク処理をワイヤレス通信に適用することが望ましいことがある。
[0007]本開示の一態様では、通信デバイスによって実施される方法が、通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成することを含む。本方法は、ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論することをさらに含む。本方法は、残差に基づいて現在の時間ステップの初期チャネル推定値を更新することをまたさらに含む。
[0008]本開示の別の態様は、通信デバイスにおける装置を対象とする。本装置は、通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成するための手段を含む。本装置は、ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論するための手段をさらに含む。本装置は、残差に基づいて現在の時間ステップの初期チャネル推定値を更新するための手段をまたさらに含む。
[0009]本開示の別の態様では、通信デバイスにおける、非一時的プログラムコードが記録された非一時的コンピュータ可読媒体が開示される。プログラムコードは、プロセッサによって実行され、通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成するためのプログラムコードを含む。プログラムコードは、ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論するためのプログラムコードをさらに含む。プログラムコードは、残差に基づいて現在の時間ステップの初期チャネル推定値を更新するためのプログラムコードをまたさらに含む。
[0010]本開示の別の態様は、通信デバイスにおける装置を対象とする。本装置は、プロセッサと、プロセッサに結合されたメモリと、メモリに記憶された命令とを含み、命令は、プロセッサによって実行されたとき、本装置に、通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成することを行わせるように動作可能である。命令の実行は、本装置に、ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論することをも行わせる。命令の実行は、本装置に、残差に基づいて現在の時間ステップの初期チャネル推定値を更新することをも行わせる。態様は、概して、添付の図面および明細書を参照しながら実質的に説明され、添付の図面および明細書によって示されるように、方法、装置、システム、コンピュータプログラム製品、非一時的コンピュータ可読媒体、ユーザ機器、基地局、ワイヤレス通信デバイス、および処理システムを含む。
[0011]上記は、以下の発明を実施するための形態がより良く理解され得るように、本開示による例の特徴および技術的利点をかなり広く概説している。追加の特徴および利点が以下で説明される。開示される概念および具体例は、本開示の同じ目的を実施するために他の構造を変更または設計するための基礎として容易に利用され得る。そのような等価な構成は、添付の特許請求の範囲から逸脱しない。開示される概念の特性、それらの編成と動作方法の両方は、関連する利点とともに、添付の図に関連して以下の説明を検討するとより良く理解されよう。図の各々は、例示および説明のために提供され、特許請求の範囲の限定の定義として提供されるものではない。
[0012]本開示の特徴が詳細に理解され得るように、添付の図面にその一部が示される態様を参照することによって、具体的な説明が得られ得る。ただし、その説明は他の等しく有効な態様に通じ得るので、添付の図面は、本開示のいくつかの態様のみを示し、したがって、本開示の範囲を限定するものと見なされるべきではないことに留意されたい。異なる図面中の同じ参照番号は、同じまたは同様の要素を識別し得る。
[0013]本開示の様々な態様による、ワイヤレス通信ネットワークの一例を概念的に示すブロック図。 [0014]本開示の様々な態様による、ワイヤレス通信ネットワークにおいてユーザ機器（ＵＥ）と通信している基地局の一例を概念的に示すブロック図。 [0015]本開示のいくつかの態様による、汎用プロセッサを含むシステムオンチップ（ＳＯＣ）を使用してニューラルネットワークを設計する例示的な実装形態を示す図。 [0016]本開示の態様による、ニューラルネットワークを示す図。 本開示の態様による、ニューラルネットワークを示す図。 本開示の態様による、ニューラルネットワークを示す図。 [0017]本開示の態様による、例示的な深層畳み込みネットワーク（ＤＣＮ）を示す図。 [0018]本開示の態様による、例示的な深層畳み込みネットワーク（ＤＣＮ）を示すブロック図。 [0019]本開示の態様による、リカレントニューラルネットワーク（ＲＮＮ）を示す概略図。 [0020]本開示の態様による、複数の時間ステップにおいてニューラル拡張ユニットを用いてカルマンフィルタ（ＫＦ）の出力を拡張することの一例を示すブロック図。 [0021]本開示の態様による、ニューラル拡張された（neurally-augmented）カルマンフィルタを用いてチャネルを推定し、チャネルを追跡するように構成された、ワイヤレス通信デバイスの一例を示すブロック図。 [0022]本開示の様々な態様による、たとえば、受信デバイスによって実施される例示的なプロセスを示す図。
[0023]添付の図面を参照しながら本開示の様々な態様が以下でより十分に説明される。ただし、本開示は、多くの異なる形態で実施され得、本開示全体にわたって提示される任意の特定の構造または機能に限定されるものと解釈されるべきではない。むしろ、これらの態様は、本開示が周到で完全になり、本開示の範囲を当業者に十分に伝えるように提供される。これらの教示に基づいて、本開示の範囲は、本開示の他の態様とは無関係に実装されるにせよ、本開示の他の態様と組み合わせられるにせよ、本開示のいかなる態様をもカバーするものであることを、当業者は諒解されたい。たとえば、記載された態様をいくつ使用しても、装置が実装され得、または方法が実施され得る。さらに、本開示の範囲は、記載される本開示の様々な態様に加えてまたはそれらの態様以外に、他の構造、機能、または構造および機能を使用して実施されるそのような装置または方法をカバーするものとする。開示される本開示のいずれの態様も、請求項の１つまたは複数の要素によって実施され得ることを理解されたい。
[0024]次に、様々な装置および技法を参照しながら電気通信システムのいくつかの態様が提示される。これらの装置および技法は、以下の発明を実施するための形態において説明され、（「要素」と総称される）様々なブロック、モジュール、構成要素、回路、ステップ、プロセス、アルゴリズムなどによって添付の図面に示される。これらの要素は、ハードウェア、ソフトウェア、またはそれらの組合せを使用して実装され得る。そのような要素がハードウェアとして実装されるのかソフトウェアとして実装されるのかは、特定の適用例および全体的なシステムに課される設計制約に依存する。
[0025]５Ｇ以降のワイヤレス技術に一般に関連する用語を使用して態様が以下で説明され得るが、本開示の態様は、３Ｇおよび／または４Ｇ技術など、ならびに３Ｇおよび／または４Ｇ技術を含む、他の世代ベースの通信システムにおいて適用され得ることに留意されたい。
[0026]ワイヤレス通信システムでは、送信機が、データシンボルを生成するためにデータを処理（たとえば、符号化および変調）し得る。いくつかの例では、送信機は、パイロットシンボルをデータシンボルと多重化し、ワイヤレスチャネルを介して、多重化された信号を送信する。いくつかのそのような例では、ワイヤレスチャネルは、多重化された信号をチャネル応答によってひずませ得る。さらに、チャネル雑音などの干渉が、信号の品質を低減し得る。そのようなワイヤレス通信システムでは、受信機が、多重化された信号を受信し、データを復調および復号するために、受信された信号を処理する。詳細には、いくつかの例では、受信機は、受信されたパイロットシンボルに基づいてチャネルを推定し得る。受信機は、チャネル推定値に基づいてデータシンボル推定値を取得し得る。データシンボル推定値は、送信機によって送られたデータシンボルの推定値であり得る。受信機は、元のデータを取得するためにデータシンボル推定値を処理（たとえば、復調および復号）し得る。
[0027]データを検出する受信機の能力、データシンボル推定値の品質、および復号されたデータの信頼性は、チャネル推定値の品質に基づき得る。いくつかの例では、データを検出する受信機の能力、データシンボル推定値の品質、および復号されたデータの信頼性は、チャネル推定値の品質が増加するにつれて増加する。したがって、高品質チャネル推定値を導出することが望ましいことがある。ワイヤレスチャネル条件が時間とともに変化することがある場合、チャネル推定が難しいことがある。たとえば、ワイヤレスチャネルは、ある瞬間において比較的静的であり、別の瞬間において動的であり得る。一例として、チャネルは、送信機および／または受信機のモビリティにより変化し得る。
[0028]いくつかの例では、受信機と送信機との間のチャネルが、離散確率過程によって推定され得、ここで、各時間ステップが１つの直交周波数分割多重（ＯＦＤＭ）シンボルに対応する。離散確率過程は、チャネル推定値を表すベクトルまたはテンソルを生成し得る。いくつかの場合には、カルマンフィルタ（ＫＦ）が、時間とともにチャネル推定を追跡する。
[0029]カルマンフィルタは、隠れマルコフモデル（ＨＭＭ）を仮定し、ここで、真のチャネルが隠れ過程であり、観測されたパイロットが、観測された過程である。カルマンフィルタは、隠れマルコフモデルに基づいてチャネルを追跡し得る。さらに、カルマンフィルタは、チャネルについて線形遷移ダイナミクスと線形観測ダイナミクスとを仮定する。カルマンフィルタについてのパラメータが、追跡されたチャネルデータに基づいて導出され得る。いくつかの場合には、パラメータは、ドップラースペクトルについてのＪａｋｅｓのモデルなど、追加の仮定に基づいて導出され得る。
[0030]カルマンフィルタの仮定は、チャネルの実際の発展ダイナミクス（evolution dynamics）から逸脱し、それにより、チャネル推定精度を低減し得る。本開示の態様は、ニューラル拡張されたＫＦ（ＮＡ－ＫＦ）を対象とする。ＮＡ－ＫＦは、カルマンフィルタにカプセル化されたチャネル発展の物理学を組み込み得る。さらに、ＮＡ－ＫＦは、カルマンフィルタの推定値に残差を加算することによって、実際のチャネルダイナミクスとカルマンフィルタの仮定との間のずれを補正し得る。伝達性（transferability）を向上させるために、チャネルを追跡するのではなく、残差が追跡され得る。
[0031]図１は、本開示の態様が実施され得るネットワーク１００を示す図である。ネットワーク１００は、５ＧネットワークまたはＮＲネットワーク、あるいはＬＴＥネットワークなど、いくつかの他のワイヤレスネットワークであり得る。ワイヤレスネットワーク１００は、（ＢＳ１１０ａ、ＢＳ１１０ｂ、ＢＳ１１０ｃ、およびＢＳ１１０ｄとして示されている）いくつかのＢＳ１１０と、他のネットワークエンティティとを含み得る。ＢＳは、ユーザ機器（ＵＥ）と通信するエンティティであり、基地局、ＮＲ ＢＳ、ノードＢ、ｇＮＢ、５ＧノードＢ（ＮＢ）、アクセスポイント、送信受信ポイント（ＴＲＰ）などと呼ばれることもある。各ＢＳは、特定の地理的エリアに通信カバレージを提供し得る。３ＧＰＰでは、「セル」という用語は、この用語が使用されるコンテキストに応じて、ＢＳのカバレージエリアおよび／またはこのカバレージエリアをサービスするＢＳサブシステムを指すことができる。
[0032]ＢＳは、マクロセル、ピコセル、フェムトセル、および／または別のタイプのセルに通信カバレージを提供し得る。マクロセルは、比較的大きい地理的エリア（たとえば、半径数キロメートル）をカバーし得、サービスに加入しているＵＥによる無制限アクセスを可能にし得る。ピコセルは、比較的小さい地理的エリアをカバーし得、サービスに加入しているＵＥによる無制限アクセスを可能にし得る。フェムトセルは、比較的小さい地理的エリア（たとえば、自宅）をカバーし得、フェムトセルとの関連付けを有するＵＥ（たとえば、限定加入者グループ（ＣＳＧ）中のＵＥ）による制限付きアクセスを可能にし得る。マクロセルのためのＢＳはマクロＢＳと呼ばれることがある。ピコセルのためのＢＳはピコＢＳと呼ばれることがある。フェムトセルのためのＢＳは、フェムトＢＳまたはホームＢＳと呼ばれることがある。図１に示されている例では、ＢＳ１１０ａがマクロセル１０２ａのためのマクロＢＳであり得、ＢＳ１１０ｂがピコセル１０２ｂのためのピコＢＳであり得、ＢＳ１１０ｃがフェムトセル１０２ｃのためのフェムトＢＳであり得る。ＢＳは、１つまたは複数（たとえば、３つ）のセルをサポートし得る。「ｅＮＢ」、「基地局」、「ＮＲ ＢＳ」、「ｇＮＢ」、「ＴＲＰ」、「ＡＰ」、「ノードＢ」、「５Ｇ ＮＢ」、および「セル」という用語は、互換的に使用され得る。
[0033]いくつかの態様では、セルは必ずしも固定であるとは限らないことがあり、セルの地理的エリアは、モバイルＢＳのロケーションに従って移動することがある。いくつかの態様では、ＢＳは、任意の好適なトランスポートネットワークを使用して、直接物理接続、仮想ネットワークなど、様々なタイプのバックホールインターフェースを通して、互いに、および／あるいはワイヤレスネットワーク１００中の１つまたは複数の他のＢＳまたはネットワークノード（図示せず）に相互接続され得る。
[0034]ワイヤレスネットワーク１００はまた、中継局を含み得る。中継局は、上流局（たとえば、ＢＳまたはＵＥ）からデータの送信を受信し、そのデータの送信を下流局（たとえば、ＵＥまたはＢＳ）に送ることができるエンティティである。中継局はまた、他のＵＥに対する送信を中継することができるＵＥであり得る。図１に示されている例では、中継局１１０ｄは、ＢＳ１１０ａとＵＥ１２０ｄとの間の通信を容易にするために、マクロＢＳ１１０ａおよびＵＥ１２０ｄと通信し得る。中継局は、中継ＢＳ、中継基地局、リレーなどと呼ばれることもある。
[0035]ワイヤレスネットワーク１００は、異なるタイプのＢＳ、たとえば、マクロＢＳ、ピコＢＳ、フェムトＢＳ、中継ＢＳなどを含む異種ネットワークであり得る。これらの異なるタイプのＢＳは、異なる送信電力レベル、異なるカバレージエリア、およびワイヤレスネットワーク１００における干渉に対する異なる影響を有し得る。たとえば、マクロＢＳは、高い送信電力レベル（たとえば、５～４０ワット）を有し得るが、ピコＢＳ、フェムトＢＳ、および中継ＢＳは、より低い送信電力レベル（たとえば、０．１～２ワット）を有し得る。
[0036]ネットワークコントローラ１３０は、ＢＳのセットに結合し得、これらのＢＳの協調および制御を行い得る。ネットワークコントローラ１３０は、バックホールを介してＢＳと通信し得る。ＢＳはまた、たとえば、ワイヤレスまたはワイヤラインバックホールを介して直接または間接的に互いに通信し得る。
[0037]ＵＥ１２０（たとえば、１２０ａ、１２０ｂ、１２０ｃ）は、ワイヤレスネットワーク１００全体にわたって分散され得、各ＵＥは固定または移動であり得る。ＵＥは、アクセス端末、端末、移動局、加入者ユニット、局などと呼ばれることもある。ＵＥは、セルラーフォン（たとえば、スマートフォン）、携帯情報端末（ＰＤＡ）、ワイヤレスモデム、ワイヤレス通信デバイス、ハンドヘルドデバイス、ラップトップコンピュータ、コードレスフォン、ワイヤレスローカルループ（ＷＬＬ）局、タブレット、カメラ、ゲームデバイス、ネットブック、スマートブック、ウルトラブック、医療デバイスまたは医療機器、生体センサー／生体デバイス、ウェアラブルデバイス（スマートウォッチ、スマート衣類、スマートグラス、スマートリストバンド、スマートジュエリー（たとえば、スマートリング、スマートブレスレット））、エンターテインメントデバイス（たとえば、音楽デバイスまたはビデオデバイス、あるいは衛星ラジオ）、車両構成要素または車両センサー、スマートメーター／スマートセンサー、工業用製造機器、全地球測位システムデバイス、あるいはワイヤレス媒体またはワイヤード媒体を介して通信するように構成された任意の他の好適なデバイスであり得る。
[0038]いくつかのＵＥは、マシンタイプ通信（ＭＴＣ）ＵＥあるいは発展型または拡張マシンタイプ通信（ｅＭＴＣ）ＵＥと見なされ得る。ＭＴＣ ＵＥおよびｅＭＴＣ ＵＥは、たとえば、基地局、別のデバイス（たとえば、リモートデバイス）、または何らかの他のエンティティと通信し得る、ロボット、ドローン、リモートデバイス、センサー、メーター、モニタ、ロケーションタグなどを含む。ワイヤレスノードは、たとえば、ワイヤード通信リンクまたはワイヤレス通信リンクを介した、ネットワーク（たとえば、インターネットまたはセルラーネットワークなど、ワイドエリアネットワーク）のための、またはネットワークへの接続性を提供し得る。いくつかのＵＥは、モノのインターネット（ＩｏＴ）デバイスと見なされ得、および／またはＮＢ－ＩｏＴ（狭帯域モノのインターネット）デバイスとして実装され得る。いくつかのＵＥは、顧客構内機器（ＣＰＥ）と見なされ得る。ＵＥ１２０は、プロセッサ構成要素、メモリ構成要素など、ＵＥ１２０の構成要素を格納するハウジング内に含まれ得る。
[0039]概して、任意の数のワイヤレスネットワークが所与の地理的エリア中に展開され得る。各ワイヤレスネットワークは、特定の無線アクセス技術（ＲＡＴ）をサポートし得、１つまたは複数の周波数上で動作し得る。ＲＡＴは、無線技術、エアインターフェースなどと呼ばれることもある。周波数は、キャリア、周波数チャネルなどと呼ばれることもある。各周波数は、異なるＲＡＴのワイヤレスネットワーク間の干渉を回避するために、所与の地理的エリア中の単一のＲＡＴをサポートし得る。いくつかの場合には、ＮＲまたは５Ｇ ＲＡＴネットワークが展開され得る。
[0040]いくつかの態様では、（たとえば、ＵＥ１２０ａおよびＵＥ１２０ｅとして示されている）２つまたはそれ以上のＵＥ１２０が、（たとえば、互いと通信するための媒介として基地局１１０を使用せずに）１つまたは複数のサイドリンクチャネルを使用して、直接、通信し得る。たとえば、ＵＥ１２０は、ピアツーピア（Ｐ２Ｐ）通信、デバイスツーデバイス（Ｄ２Ｄ）通信、（たとえば、ビークルツービークル（Ｖ２Ｖ）プロトコル、ビークルツーインフラストラクチャ（Ｖ２Ｉ）プロトコルなどを含み得る）ビークルツーエブリシング（Ｖ２Ｘ：vehicle-to-everything）プロトコル、メッシュネットワークなどを使用して通信し得る。この場合、ＵＥ１２０は、スケジューリング動作、リソース選択動作、および／または基地局１１０によって実施されるものとして他の場所で説明される他の動作を実施し得る。たとえば、基地局１１０は、ダウンリンク制御情報（ＤＣＩ）、無線リソース制御（ＲＲＣ）シグナリング、メディアアクセス制御－制御要素（ＭＡＣ－ＣＥ）を介して、またはシステム情報（たとえば、システム情報ブロック（ＳＩＢ））を介してＵＥ１２０を構成し得る。
[0041]上記のように、図１は一例として提供されるにすぎない。他の例は、図１に関して説明されるものとは異なり得る。
[0042]図２は、図１中の基地局のうちの１つであり得る基地局１１０および図１中のＵＥのうちの１つであり得るＵＥ１２０の設計２００のブロック図を示す。基地局１１０はＴ個のアンテナ２３４ａ～２３４ｔを装備し得、ＵＥ１２０はＲ個のアンテナ２５２ａ～２５２ｒを装備し得、ここで、概してＴ≧１およびＲ≧１である。
[0043]基地局１１０において、送信プロセッサ２２０が、１つまたは複数のＵＥについてデータソース２１２からデータを受信し、ＵＥから受信されたチャネル品質インジケータ（ＣＱＩ）に少なくとも部分的に基づいて各ＵＥのための１つまたは複数の変調およびコーディング方式（ＭＣＳ）を選択し、そのＵＥのために選択された（１つまたは複数の）ＭＣＳに少なくとも部分的に基づいて各ＵＥのためのデータを処理（たとえば、符号化および変調）し、すべてのＵＥについてデータシンボルを提供し得る。ＭＣＳを減少させることは、スループットを低下させるが、送信の信頼性を増加させる。送信プロセッサ２２０はまた、（たとえば、半静的リソース区分情報（ＳＲＰＩ）などのための）システム情報および制御情報（たとえば、ＣＱＩ要求、許可、上位レイヤシグナリングなど）を処理し、オーバーヘッドシンボルおよび制御シンボルを提供し得る。送信プロセッサ２２０はまた、基準信号（たとえば、セル固有基準信号（ＣＲＳ））および同期信号（たとえば、１次同期信号（ＰＳＳ）および２次同期信号（ＳＳＳ））のための基準シンボルを生成し得る。送信（ＴＸ）多入力多出力（ＭＩＭＯ）プロセッサ２３０は、適用可能な場合、データシンボル、制御シンボル、オーバーヘッドシンボル、および／または基準シンボルに対して空間処理（たとえば、プリコーディング）を実施し得、Ｔ個の出力シンボルストリームをＴ個の変調器（ＭＯＤ）２３２ａ～２３２ｔに提供し得る。各変調器２３２は、出力サンプルストリームを取得するために、（たとえば、ＯＦＤＭなどのための）それぞれの出力シンボルストリームを処理し得る。各変調器２３２は、さらに、ダウンリンク信号を取得するために、出力サンプルストリームを処理（たとえば、アナログに変換、増幅、フィルタ処理、およびアップコンバート）し得る。変調器２３２ａ～２３２ｔからのＴ個のダウンリンク信号は、それぞれＴ個のアンテナ２３４ａ～２３４ｔを介して送信され得る。以下でより詳細に説明される様々な態様によれば、同期信号は、追加の情報を伝達するためにロケーション符号化を用いて生成され得る。
[0044]ＵＥ１２０において、アンテナ２５２ａ～２５２ｒが、基地局１１０および／または他の基地局からダウンリンク信号を受信し得、受信信号をそれぞれ復調器（ＤＥＭＯＤ）２５４ａ～２５４ｒに提供し得る。各復調器２５４は、入力サンプルを取得するために、受信信号を調整（たとえば、フィルタ処理、増幅、ダウンコンバート、およびデジタル化）し得る。各復調器２５４は、さらに、受信シンボルを取得するために、（たとえば、ＯＦＤＭなどのための）入力サンプルを処理し得る。ＭＩＭＯ検出器２５６は、すべてのＲ個の復調器２５４ａ～２５４ｒから受信シンボルを取得し、適用可能な場合、受信シンボルに対してＭＩＭＯ検出を実施し、検出されたシンボルを提供し得る。受信プロセッサ２５８は、検出されたシンボルを処理（たとえば、復調および復号）し、ＵＥ１２０のための復号されたデータをデータシンク２６０に提供し、復号された制御情報およびシステム情報をコントローラ／プロセッサ２８０に提供し得る。チャネルプロセッサは、基準信号受信電力（ＲＳＲＰ）、受信信号強度インジケータ（ＲＳＳＩ）、基準信号受信品質（ＲＳＲＱ）、チャネル品質インジケータ（ＣＱＩ）などを決定し得る。いくつかの態様では、ＵＥ１２０の１つまたは複数の構成要素は、ハウジング中に含まれ得る。
[0045]アップリンク上では、ＵＥ１２０において、送信プロセッサ２６４が、データソース２６２からのデータと、コントローラ／プロセッサ２８０からの（たとえば、ＲＳＲＰ、ＲＳＳＩ、ＲＳＲＱ、ＣＱＩなどを備える報告のための）制御情報とを受信および処理し得る。送信プロセッサ２６４はまた、１つまたは複数の基準信号のための基準シンボルを生成し得る。送信プロセッサ２６４からのシンボルは、適用可能な場合、ＴＸ ＭＩＭＯプロセッサ２６６によってプリコーディングされ、（たとえば、ＤＦＴ－ｓ－ＯＦＤＭ、ＣＰ－ＯＦＤＭなどのために）変調器２５４ａ～２５４ｒによってさらに処理され、基地局１１０に送信され得る。基地局１１０において、ＵＥ１２０からのアップリンク信号は、アンテナ２３４によって受信され、復調器２５４によって処理され、適用可能な場合はＭＩＭＯ検出器２３６によって検出され、ＵＥ１２０によって送られた、復号されたデータおよび制御情報を取得するために、受信プロセッサ２３８によってさらに処理され得る。受信プロセッサ２３８は、復号されたデータをデータシンク２３９に提供し、復号された制御情報をコントローラ／プロセッサ２４０に提供し得る。基地局１１０は、通信ユニット２４４を含み、通信ユニット２４４を介してネットワークコントローラ１３０に通信し得る。ネットワークコントローラ１３０は、通信ユニット２９４と、コントローラ／プロセッサ２９０と、メモリ２９２とを含み得る。
[0046]基地局１１０のコントローラ／プロセッサ２４０、ＵＥ１２０のコントローラ／プロセッサ２８０、および／または図２の（１つまたは複数の）任意の他の構成要素は、他の場所でより詳細に説明されるように、非線形性のための機械学習に関連する１つまたは複数の技法を実施し得る。たとえば、図２の基地局１１０のコントローラ／プロセッサ２４０、ＵＥ１２０のコントローラ／プロセッサ２８０、および／または（１つまたは複数の）任意の他の構成要素は、たとえば、図６～図８のプロセスおよび／または説明されるような他のプロセスの動作を実施または指示し得る。メモリ２４２および２８２は、それぞれ、基地局１１０およびＵＥ１２０のためのデータおよびプログラムコードを記憶し得る。スケジューラ２４６は、ダウンリンク上および／またはアップリンク上のデータ送信のためにＵＥをスケジュールし得る。
[0047]いくつかの態様では、ＵＥ１２０は、カルマンフィルタを用いて現在の時間ステップについてのチャネル推定値を生成するための手段と、現在の時間ステップのチャネル推定値に基づいて残差を推論するための手段と、残差に基づいて現在の時間ステップのチャネル推定値を更新するための手段とを含み得る。そのような手段は、図２に関して説明されるＵＥ１２０または基地局１１０の１つまたは複数の構成要素を含み得る。
[0048]上記のように、図２は一例として提供されるにすぎない。他の例は、図２に関して説明されるものとは異なり得る。
[0049]いくつかの場合には、異なるタイプのアプリケーションおよび／またはサービスをサポートする異なるタイプのデバイスが、セル中に共存し得る。異なるタイプのデバイスの例は、ＵＥハンドセット、顧客構内機器（ＣＰＥ）、車両、モノのインターネット（ＩｏＴ）デバイスなどを含む。異なるタイプのアプリケーションの例は、超高信頼低レイテンシ通信（ＵＲＬＬＣ）アプリケーション、大規模マシンタイプ通信（ｍＭＴＣ）アプリケーション、拡張モバイルブロードバンド（ｅＭＢＢ）アプリケーション、ビークルツーエニシング（Ｖ２Ｘ：vehicle-to-anything）アプリケーションなどを含む。さらに、いくつかの場合には、単一のデバイスが、同時に、異なるアプリケーションまたはサービスをサポートし得る。
[0050]図３は、本開示のいくつかの態様による、カルマンフィルタ推定値を拡張するために構成された中央処理ユニット（ＣＰＵ）３０２またはマルチコアＣＰＵを含み得る、システムオンチップ（ＳＯＣ）３００の例示的な実装形態を示す。ＳＯＣ３００は、基地局１１０またはＵＥ１２０中に含まれ得る。変数（たとえば、ニューラル信号およびシナプス荷重）、算出デバイスに関連するシステムパラメータ（たとえば、重みをもつニューラルネットワーク）、遅延、周波数ビン情報、およびタスク情報が、ニューラル処理ユニット（ＮＰＵ）３０８に関連するメモリブロックに記憶されるか、ＣＰＵ３０２に関連するメモリブロックに記憶されるか、グラフィックス処理ユニット（ＧＰＵ）３０４に関連するメモリブロックに記憶されるか、デジタル信号プロセッサ（ＤＳＰ）３０６に関連するメモリブロックに記憶されるか、メモリブロック３１８に記憶され得るか、または複数のブロックにわたって分散され得る。ＣＰＵ３０２において実行される命令が、ＣＰＵ３０２に関連するプログラムメモリからロードされ得るか、またはメモリブロック３１８からロードされ得る。
[0051]ＳＯＣ３００はまた、ＧＰＵ３０４、ＤＳＰ３０６など、特定の機能に適合された追加の処理ブロックと、第５世代（５Ｇ）接続性、第４世代ロングタームエボリューション（４Ｇ ＬＴＥ）接続性、Ｗｉ－Ｆｉ（登録商標）接続性、ＵＳＢ接続性、Ｂｌｕｅｔｏｏｔｈ（登録商標）接続性などを含み得る接続性ブロック３１０と、たとえば、ジェスチャーを検出および認識し得るマルチメディアプロセッサ３１２とを含み得る。一実装形態では、ＮＰＵは、ＣＰＵ、ＤＳＰ、および／またはＧＰＵにおいて実装される。ＳＯＣ３００はまた、センサープロセッサ３１４、画像信号プロセッサ（ＩＳＰ）３１６、および／または全地球測位システムを含み得るナビゲーションモジュール３２０を含み得る。
[0052]ＳＯＣ３００はＡＲＭ命令セットに基づき得る。本開示の一態様では、汎用プロセッサ３０２にロードされる命令は、カルマンフィルタを用いて現在の時間ステップについてのチャネル推定値を生成することと、現在の時間ステップのチャネル推定値に基づいて残差を推論することと、残差に基づいて現在の時間ステップのチャネル推定値を更新することとを行うためのコードを備え得る。
[0053]深層学習アーキテクチャは、各層において連続的により高い抽象レベルで入力を表現するように学習し、それにより、入力データの有用な特徴表現を蓄積することによって、オブジェクト認識タスクを実施し得る。このようにして、深層学習は、旧来の機械学習の主要なボトルネックに対処する。深層学習の出現より前に、オブジェクト認識問題に対する機械学習手法は、場合によっては浅い分類器（shallow classifier）と組み合わせて、人的に設計された特徴に大きく依拠していることがある。浅い分類器は、たとえば、入力がどのクラスに属するかを予測するために、特徴ベクトル成分の重み付き和がしきい値と比較され得る２クラス線形分類器であり得る。人的に設計された特徴は、領域の専門知識をもつ技術者によって特定の問題領域に適合されたテンプレートまたはカーネルであり得る。対照的に、深層学習アーキテクチャは、人間の技術者が設計し得るものと同様である特徴を表現するように学習するが、トレーニングを通してそれを行い得る。さらに、深層ネットワークは、人間が考慮していないことがある新しいタイプの特徴を表現し、認識するように学習し得る。
[0054]深層学習アーキテクチャは特徴の階層を学習し得る。たとえば、視覚データが提示された場合、第１の層は、エッジなど、入力ストリーム中の比較的単純な特徴を認識するように学習し得る。別の例では、聴覚データが提示された場合、第１の層は、特定の周波数におけるスペクトル電力を認識するように学習し得る。第１の層の出力を入力として取る第２の層は、視覚データの場合の単純な形状、または聴覚データの場合の音の組合せなど、特徴の組合せを認識するように学習し得る。たとえば、上位層は、視覚データ中の複雑な形状、または聴覚データ中の単語を表現するように学習し得る。さらに上位の層は、共通の視覚オブジェクトまたは発話フレーズを認識するように学習し得る。
[0055]深層学習アーキテクチャは、自然階層構造を有する問題に適用されたとき、特にうまく機能し得る。たとえば、原動機付き車両の分類は、ホイール、フロントガラス、および他の特徴を認識するための第１の学習から恩恵を受け得る。これらの特徴は、車、トラック、および飛行機を認識するために、異なる方法で、上位層において組み合わせられ得る。
[0056]ニューラルネットワークは、様々な結合性パターンを用いて設計され得る。フィードフォワードネットワークでは、情報が下位層から上位層に受け渡され、所与の層における各ニューロンは、上位層におけるニューロンに通信する。上記で説明されたように、フィードフォワードネットワークの連続する層において、階層表現が蓄積され得る。ニューラルネットワークはまた、リカレントまたは（トップダウンとも呼ばれる）フィードバック結合を有し得る。リカレント結合では、所与の層におけるニューロンからの出力は、同じ層における別のニューロンに通信され得る。リカレントアーキテクチャは、ニューラルネットワークに順次配信される入力データチャンクのうちの２つ以上にわたるパターンを認識するのに役立ち得る。所与の層におけるニューロンから下位層におけるニューロンへの結合は、フィードバック（またはトップダウン）結合と呼ばれる。高レベルの概念の認識が、入力の特定の低レベルの特徴を弁別することを助け得るとき、多くのフィードバック結合をもつネットワークが役立ち得る。
[0057]ニューラルネットワークの層間の結合は全結合または局所結合であり得る。図４Ａは、全結合ニューラルネットワーク４０２の一例を示す。全結合ニューラルネットワーク４０２では、第１の層におけるニューロンは、第２の層における各ニューロンが第１の層におけるあらゆるニューロンから入力を受信するように、それの出力を第２の層におけるあらゆるニューロンに通信し得る。図４Ｂは、局所結合ニューラルネットワーク４０４の一例を示す。局所結合ニューラルネットワーク４０４では、第１の層におけるニューロンは、第２の層における限られた数のニューロンに結合され得る。より一般的には、局所結合ニューラルネットワーク４０４の局所結合層は、層における各ニューロンが同じまたは同様の結合性パターンを有するように構成されるが、異なる値を有し得る結合強度で構成され得る（たとえば、４１０、４１２、４１４、および４１６）。局所結合の結合性パターンは、所与の領域中の上位層ニューロンが、ネットワークへの総入力のうちの制限された部分のプロパティにトレーニングを通して調節された入力を受信し得るので、上位層において空間的に別個の受容野を生じ得る。
[0058]局所結合ニューラルネットワークの一例は、畳み込みニューラルネットワークである。図４Ｃは、畳み込みニューラルネットワーク４０６の一例を示す。畳み込みニューラルネットワーク４０６は、第２の層における各ニューロンのための入力に関連する結合強度が共有されるように構成され得る（たとえば、４０８）。畳み込みニューラルネットワークは、入力の空間ロケーションが有意味である問題に好適であり得る。
[0059]１つのタイプの畳み込みニューラルネットワークは、深層畳み込みネットワーク（ＤＣＮ）である。図４Ｄは、車載カメラなどの画像キャプチャデバイス４３０から入力された画像４２６から視覚特徴を認識するように設計されたＤＣＮ４００の詳細な例を示す。本例のＤＣＮ４００は、交通標識と、交通標識上で与えられた数とを識別するようにトレーニングされ得る。もちろん、ＤＣＮ４００は、車線マーキングを識別すること、または交通信号を識別することなど、他のタスクのためにトレーニングされ得る。
[0060]ＤＣＮ４００は、教師あり学習を用いてトレーニングされ得る。トレーニング中に、ＤＣＮ４００は、速度制限標識の画像４２６など、画像を提示され得、次いで、出力４２２を生成するために、フォワードパスが算出され得る。ＤＣＮ４００は、特徴抽出セクションと分類セクションとを含み得る。画像４２６を受信すると、畳み込み層４３２が、特徴マップ４１８の第１のセットを生成するために、畳み込みカーネル（図示せず）を画像４２６に適用し得る。一例として、畳み込み層４３２のための畳み込みカーネルは、２８×２８特徴マップを生成する５×５カーネルであり得る。本例では、４つの異なる特徴マップが、特徴マップ４１８の第１のセットにおいて生成されるので、４つの異なる畳み込みカーネルが、畳み込み層４３２において画像４２６に適用された。畳み込みカーネルは、フィルタまたは畳み込みフィルタと呼ばれることもある。
[0061]特徴マップ４１８の第１のセットは、特徴マップ４２０の第２のセットを生成するために、最大プーリング(pooling)層（図示せず）によってサブサンプリングされ得る。最大プーリング層は、特徴マップ４１８の第１のセットのサイズを低減する。すなわち、１４×１４などの特徴マップ４２０の第２のセットのサイズが、２８×２８などの特徴マップ４１８の第１のセットのサイズよりも小さい。低減されたサイズは、メモリ消費を低減しながら、後続の層に同様の情報を提供する。特徴マップ４２０の第２のセットは、特徴マップの１つまたは複数の後続のセット（図示せず）を生成するために、１つまたは複数の後続の畳み込み層（図示せず）を介して、さらに畳み込まれ得る。
[0062]図４Ｄの例では、特徴マップ４２０の第２のセットは、第１の特徴ベクトル４２４を生成するために畳み込まれる。さらに、第１の特徴ベクトル４２４は、第２の特徴ベクトル４２８を生成するために、さらに畳み込まれる。第２の特徴ベクトル４２８の各特徴は、「標識」、「６０」、および「１００」など、画像４２６の可能な特徴に対応する数を含み得る。ソフトマックス関数（図示せず）が、第２の特徴ベクトル４２８中の数を確率にコンバートし得る。したがって、ＤＣＮ４００の出力４２２は、画像４２６が１つまたは複数の特徴を含む確率である。
[0063]本例では、「標識」および「６０」についての出力４２２における確率は、「３０」、「４０」、「５０」、「７０」、「８０」、「９０」、および「１００」など、出力４２２の他のものの確率よりも高い。トレーニングの前に、ＤＣＮ４００によって生成される出力４２２は、不正確である可能性がある。したがって、誤差が、出力４２２とターゲット出力との間で計算され得る。ターゲット出力は、画像４２６（たとえば、「標識」および「６０」）のグランドトゥルース（ground truth）である。次いで、ＤＣＮ４００の重みは、ＤＣＮ４００の出力４２２がターゲット出力とより密接に整合されるように調整され得る。
[0064]重みを調整するために、学習アルゴリズムは、重みのための勾配ベクトルを算出し得る。勾配は、重みが調整された場合に、誤差が増加または減少する量を示し得る。最上層において、勾配は、最後から２番目の層におけるアクティブ化されたニューロンと出力層におけるニューロンとを結合する重みの値に直接対応し得る。下位層では、勾配は、重みの値と、上位層の算出された誤差勾配とに依存し得る。次いで、重みは、誤差を低減するために調整され得る。重みを調整するこの様式は、それがニューラルネットワークを通して「バックワードパス」を伴うので、「バックプロパゲーション（back propagation）」と呼ばれることがある。
[0065]実際には、重みの誤差勾配は、計算された勾配が真の誤差勾配を近似するように、少数の例にわたって計算され得る。この近似方法は、確率的勾配降下（stochastic gradient descent）と呼ばれることがある。システム全体の達成可能な誤差レートが減少しなくなるまで、または誤差レートがターゲットレベルに達するまで、確率的勾配降下が繰り返され得る。学習の後に、ＤＣＮは新しい画像（たとえば、画像４２６の速度制限標識）を提示され得、ネットワークを通したフォワードパスは、ＤＣＮの推論または予測と見なされ得る出力４２２をもたらし得る。
[0066]深層信念ネットワーク（ＤＢＮ：deep belief network）は、隠れノードの複数の層を備える確率モデルである。ＤＢＮは、トレーニングデータセットの階層表現を抽出するために使用され得る。ＤＢＮは、制限ボルツマンマシン（ＲＢＭ）の層を積層することによって取得され得る。ＲＢＭは、入力のセットにわたる確率分布を学習することができる人工ニューラルネットワークのタイプである。ＲＢＭは、各入力がそれにカテゴリー分類されるべきクラスに関する情報の不在下で確率分布を学習することができるので、ＲＢＭは、教師なし学習においてしばしば使用される。ハイブリッド教師なしおよび教師ありパラダイムを使用して、ＤＢＮの下部ＲＢＭは、教師なし様式でトレーニングされ得、特徴抽出器として働き得、上部ＲＢＭは、（前の層からの入力とターゲットクラスとの同時分布上で）教師あり様式でトレーニングされ得、分類器として働き得る。
[0067]深層畳み込みネットワーク（ＤＣＮ）は、追加のプーリング層および正規化層で構成された、畳み込みネットワークのネットワークである。ＤＣＮは、多くのタスクに関して最先端の性能を達成している。ＤＣＮは、入力と出力ターゲットの両方が、多くの標本について知られており、勾配降下方法の使用によってネットワークの重みを変更するために使用される、教師あり学習を使用してトレーニングされ得る。
[0068]ＤＣＮは、フィードフォワードネットワークであり得る。さらに、上記で説明されたように、ＤＣＮの第１の層におけるニューロンから次の上位層におけるニューロンのグループへの結合は、第１の層におけるニューロンにわたって共有される。ＤＣＮのフィードフォワードおよび共有結合は、高速処理のために活用され得る。ＤＣＮの算出負担は、たとえば、リカレントまたはフィードバック結合を備える同様のサイズのニューラルネットワークのそれよりもはるかに少ないことがある。
[0069]畳み込みネットワークの各層の処理は、空間的に不変のテンプレートまたは基底投射と見なされ得る。入力が、カラー画像の赤色、緑色、および青色チャネルなど、複数のチャネルに最初に分解された場合、その入力に関してトレーニングされた畳み込みネットワークは、画像の軸に沿った２つの空間次元と、色情報をキャプチャする第３の次元とをもつ、３次元であると見なされ得る。畳み込み結合の出力は、後続の層において特徴マップを形成すると考えられ、特徴マップ（たとえば、２２０）の各要素が、前の層（たとえば、特徴マップ２１８）における様々なニューロンから、および複数のチャネルの各々から入力を受信し得る。特徴マップにおける値は、整流（rectification）、ｍａｘ（０，ｘ）など、非線形性を用いてさらに処理され得る。隣接するニューロンからの値は、さらにプールされ得、これは、ダウンサンプリングに対応し、さらなる局所不変性と次元削減とを与え得る。白色化に対応する正規化はまた、特徴マップにおけるニューロン間のラテラル抑制によって適用され得る。
[0070]深層学習アーキテクチャの性能は、より多くのラベリングされたデータポイントが利用可能となるにつれて、または算出能力が増加するにつれて、向上し得る。現代の深層ニューラルネットワークは、ほんの１５年前に一般的な研究者にとって利用可能であったものより数千倍も大きいコンピューティングリソースを用いて、ルーチン的にトレーニングされる。新しいアーキテクチャおよびトレーニングパラダイムが、深層学習の性能をさらに高め得る。整流された線形ユニット（rectified linear unit）は、勾配消失（vanishing gradients）として知られるトレーニング問題を低減し得る。新しいトレーニング技法は、過学習（over-fitting）を低減し、したがって、より大きいモデルがより良い汎化を達成することを可能にし得る。カプセル化技法は、所与の受容野においてデータを抽出し、全体的性能をさらに高め得る。
[0071]図５は、本開示の態様による、深層畳み込みネットワーク５５０を示すブロック図である。深層畳み込みネットワーク５５０は、結合性および重み共有に基づく、複数の異なるタイプの層を含み得る。図５に示されているように、深層畳み込みネットワーク５５０は、畳み込みブロック５５４Ａ、５５４Ｂを含む。畳み込みブロック５５４Ａ、５５４Ｂの各々は、畳み込み層（ＣＯＮＶ）３５６と、正規化層（ＬＮｏｒｍ）５５８と、最大プーリング層（ＭＡＸ ＰＯＯＬ）５６０とで構成され得る。
[0072]畳み込み層５５６は、１つまたは複数の畳み込みフィルタを含み得、これは、特徴マップを生成するために入力データに適用され得る。畳み込みブロック５５４Ａ、５５４Ｂのうちの２つのみが示されているが、本開示はそのように限定しておらず、代わりに、設計選好に従って、任意の数の畳み込みブロック５５４Ａ、５５４Ｂが深層畳み込みネットワーク５５０中に含まれ得る。正規化層５５８は、畳み込みフィルタの出力を正規化し得る。たとえば、正規化層５５８は、白色化またはラテラル抑制を行い得る。最大プーリング層５６０は、局所不変性および次元削減のために、空間にわたってダウンサンプリングアグリゲーションを行い得る。
[0073]たとえば、深層畳み込みネットワークの並列フィルタバンクは、高性能および低電力消費を達成するために、ＳＯＣ３００のＣＰＵ３０２またはＧＰＵ３０４にロードされ得る。代替実施形態では、並列フィルタバンクは、ＳＯＣ３００のＤＳＰ３０６またはＩＳＰ３１６にロードされ得る。さらに、深層畳み込みネットワーク５５０は、それぞれ、センサーおよびナビゲーションに専用の、センサープロセッサ３１４およびナビゲーションモジュール３２０など、ＳＯＣ３００上に存在し得る他の処理ブロックにアクセスし得る。
[0074]深層畳み込みネットワーク５５０はまた、１つまたは複数の全結合層５６２（ＦＣ１およびＦＣ２）を含み得る。深層畳み込みネットワーク５５０は、ロジスティック回帰（ＬＲ）層５６４をさらに含み得る。深層畳み込みネットワーク５５０の各層５５６、５５８、５６０、５６２、５６４の間には、更新されるべき重み（図示せず）がある。層（たとえば、５５６、５５８、５６０、５６２、５６４）の各々の出力は、畳み込みブロック５５４Ａのうちの第１のものにおいて供給された入力データ５５２（たとえば、画像、オーディオ、ビデオ、センサーデータおよび／または他の入力データ）から階層特徴表現を学習するために、深層畳み込みネットワーク５５０中の層（たとえば、５５６、５５８、５６０、５６２、５６４）のうちの後続の層の入力として働き得る。深層畳み込みネットワーク５５０の出力は、入力データ５５２についての分類スコア５６６である。分類スコア５６６は、確率のセットであり得、ここで、各確率は、入力データが特徴のセットからの特徴を含む確率である。
[0075]図６は、本開示の態様による、リカレントニューラルネットワーク（ＲＮＮ）６００を示す概略図である。リカレントニューラルネットワーク６００は、入力層６０２と、リカレント結合をもつ隠れ層６０４と、出力層６０６とを含む。複数の入力ベクトルｘT（たとえば、Ｘ＝｛ｘ0，ｘ1，ｘ2．．．ｘt｝）をもつ入力シーケンスＸを仮定すれば、リカレントニューラルネットワーク６００は、出力シーケンスＺ（たとえば、Ｚ＝｛ｚ0．．．ｚT｝）の各出力ベクトルｚtのための分類ラベルｙtを予測することになる。図６に示されているように、Ｍ個のユニット（たとえば、ｈo．．．ｈt）をもつ隠れ層６０４が、入力層６０２と出力層６０６との間で指定される。隠れ層６０４のＭ個のユニットは、入力シーケンスＸの前の値（ｔ’＜ｔ）に関する情報を記憶する。Ｍ個のユニットは算出ノード（たとえば、ニューロン）であり得る。一構成では、リカレントニューラルネットワーク６００は、入力ｘTを受信し、以下の式を反復することによって、出力ｚTの分類ラベルｙtを生成する。
ここで、Ｗhx、Ｗhh、およびＷyhは重み行列であり、ｂhおよびｂyはバイアスであり、ｓtおよびｏtは、それぞれ、隠れ層６０４および出力層６０６への入力であり、ｆおよびｇは非線形関数である。関数ｆは、整流線形ユニット（ＲＥＬＵ：rectifier linear unit）を備え得、いくつかの態様では、関数ｇは、線形関数またはソフトマックス関数を備え得る。さらに、隠れ層ノードは、ｔ＝０においてｈo＝ｂｉであるような固定バイアスｂｉに初期化される。いくつかの態様では、ｂｉはゼロに設定され得る（たとえば、ｂｉ＝０）。単一のトレーニングペア（ｘ，ｙ）をもつリカレントニューラルネットワークのための、目的関数Ｃ（θ）は、Ｃ（θ）＝ΣtＬt（ｚ，ｙ（θ））として定義され、ここで、θは、リカレントニューラルネットワークにおけるパラメータのセット（重みおよびバイアス）を表す。
[0076]上記のように、図３～図６は例として与えられている。他の例は、図３～図６に関して説明されるものとは異なり得る。
[0077]説明されたように、受信機と送信機との間のチャネルが、離散確率過程によって推定され得、ここで、各時間ステップが１つの直交周波数分割多重（ＯＦＤＭ）シンボルに対応する。離散確率過程は、チャネル推定値を表すベクトルまたはテンソルを生成し得る。いくつかの実装形態では、チャネルは、ワイヤレス通信チャネルであり得る。いくつかの例では、ワイヤレス通信チャネルは、カルマンフィルタ（ＫＦ）によって追跡され得る。いくつかのそのような例では、カルマンフィルタは、時間とともにワイヤレス通信チャネルの推定を追跡し得る。
[0078]さらに、説明されたように、カルマンフィルタは、隠れマルコフモデル（ＨＭＭ）を仮定し、ここで、真のチャネルが隠れ過程に対応し、観測されたパイロットが、観測された過程に対応する。カルマンフィルタは、隠れマルコフモデルに基づいてチャネルを追跡し得る。カルマンフィルタについてのパラメータが、導出されるか、または、観測されたパイロットなど、観測されたデータに基づき得る。いくつかの場合には、パラメータは、ドップラースペクトルについてのＪａｋｅｓのモデルなど、追加の仮定に基づいて分析的に導出され得る。
[0079]いくつかの例では、カルマンフィルタは、チャネルについて線形遷移ダイナミクスならびに線形観測過程を仮定し得る。いくつかのそのような例では、カルマンフィルタの仮定は、チャネルの実際の発展ダイナミクスから逸脱し、それにより、チャネル推定値の精度を低減し得る。たとえば、チャネル推定値の精度は、高ドップラーシフト、または異なるドップラーシフトの組合せなど、いくつかのチャネル条件の下で低減され得る。別の例として、チャネル推定値の精度は、単一の追跡機能が様々な通信シナリオのために使用されるとき、低減され得る。したがって、カルマンフィルタから導出されたチャネル推定値の精度を向上させることが望ましいことがある。
[0080]本開示の態様は、チャネル推定値を向上させるために、リカレントニューラルネットワークなど、人工ニューラルネットワークを用いてカルマンフィルタを拡張することを対象とする。説明を簡単にするために、拡張されたカルマンフィルタは、ニューラル拡張されたカルマンフィルタ（ＮＡ－ＫＦ）と呼ばれることがある。さらに、ニューラルネットワークは、ニューラル拡張ユニットと呼ばれることがある。いくつかの例では、ＮＡ－ＫＦは、カルマンフィルタの出力にカプセル化された粗いチャネルダイナミクスを組み込み得る。ドップラー値が、粗いチャネルダイナミクスの一例である。いくつかの例では、ＮＡ－ＫＦは、追加の出力としてドップラー値を提供し得る。さらに、ＮＡ－ＫＦは、カルマンフィルタの推定値に残差を加算することによって、実際のチャネルダイナミクスとカルマンフィルタ仮定との間のずれを補正し得る。いくつかの例では、伝達性を向上させるために、チャネルを追跡するのではなく、残差誤差が追跡され得る。いくつかの実装形態では、ニューラル拡張ユニットのパターン学習機能が、チャネル推定値を向上させるために、カルマンフィルタによって生成されたチャネル分析と組み合わせられ得る。
[0081]説明されたように、カルマンフィルタは、ニューラル拡張ユニット（たとえば、リカレントニューラルネットワーク）を用いて拡張され得る。いくつかの実装形態では、各時間ステップにおいて、ニューラル拡張ユニットは、カルマンフィルタの出力に基づいて残差を生成し得る。いくつかの例では、各時間ステップにおいて、カルマンフィルタは、前の時間ステップの平均推定値と共分散推定値とに基づいて、平均推定値と共分散推定値とを出力し得る。残差は、残差補正された平均および残差補正された共分散など、残差補正された推定値を生成するためにカルマンフィルタと組み合わせられ得る。いくつかの例では、カルマンフィルタの出力は、チャネル観測値にも基づき得る。いくつかのそのような例では、チャネル観測値は、受信されたパイロットシンボル（たとえば、基準信号）から取得され得る。いくつかの例では、パイロットシンボルの不在下で、ニューラル拡張ユニットは、受信されたパイロットシンボルから導出された実際のパイロット観測値の不在下で合成パイロット観測値を生成し得る。
[0082]本開示の態様によれば、ニューラル拡張ユニットは、カルマンフィルタの直接入力または直接出力を変更しない。いくつかの例では、ニューラル拡張ユニットは、独立したカルマンフィルタを提供するために無効にされ得る。そのような例では、独立したカルマンフィルタは、従来のワイヤレス通信システムなど、従来の通信システムとの後方互換性があり得る。
[0083]いくつかの例では、カルマンフィルタは、以下の隠れマルコフモデル（ＨＭＭ）を仮定し得る。
ここで、パラメータｈtは、離散時間ステップｔにおける真のチャネルの状態のベクトル（たとえば、平坦化されたベクトル）を表し、パラメータｗtはプロセス雑音を表し、パラメータｖtは観測雑音を表し、パラメータＡおよびＢは係数を表す。多入力多出力チャネルなど、いくつかの場合には、パラメータｈtは、離散時間ステップｔにおけるチャネルの状態のテンソル（tensor）を表し得る。さらに、パラメータｏtは、パイロットシンボルから決定されたチャネルｈtの一部分の雑音の多い観測値を表す。パラメータｏtは、パイロット観測値と呼ばれることがある。
[0084]説明されたように、受信機は、チャネル上で受信されたパイロットシンボルに基づいてチャネルを推定し得る。チャネル推定値は、たとえば、最大比合成、等化、マッチドフィルタ処理、データ検出、または復調のために使用され得る。いくつかの例では、図１を参照しながら説明されたような基地局１１０など、送信機は、周期的間隔などの間隔においてパイロットシンボルを送信し得る。いくつかの他の例では、パイロットシンボルは、非同期的にも送信され得る。いくつかの場合には、送信波形は、復号されたデータまたは制御ペイロードに基づいて再構築され得る。送信波形は、チャネル推定のためのパイロットとして使用され得る。カルマンフィルタは、現在の状態におけるチャネル状態ｈtが、チャネル状態ｈt-1～ｈt-Nなど、１つまたは複数の前のチャネル状態におけるチャネル状態に依存すると仮定する。式５において、現在のチャネル状態ｈtは、前のチャネル状態ｈt-1とプロセス雑音ｗtとの線形変換に基づき得る。さらに、パイロット観測値ｏtの合成推定値が、現在のチャネル状態ｈtと観測された雑音ｖtとの線形変換に基づいて取得され得る。
[0085]カルマンフィルタのパラメータは、行列ＡおよびＢと、プロセス雑音ｗtと、観測雑音ｖtとを含み得る。パラメータは、Ｊａｋｅｓのモデルなどのモデルから学習または導出され得る。カルマンフィルタは、チャネル状態ｈtの平均
推定値と、共分散
推定値とを、前のチャネル状態ｈt-1についての観測値ｏt（利用可能なとき）と、平均
推定値と共分散
推定値とに基づいて、生成し得る。推定プロセスは２ステッププロセスであり得、ここで、各ステップは線形であり得る。
[0086]いくつかの例では、現在のチャネル状態ｈtの平均
推定値および共分散
推定値など、現在のチャネル推定値は、前のチャネル状態からの平均
～
推定値と共分散
および
推定値とに基づき得る。たとえば、前のチャネル状態ｈt-1のベクトルが、複数の前のチャネル状態ｈt-1～ｈt-Nの連結されたベクトルと交換され得る。一構成では、より高次の自己回帰チャネルモデルが、式５中のパラメータｈtを複数の前の時間ステップについてのチャネルベクトルの連結を表すパラメータｓtと交換することによって追跡され得る。いくつかの例では、チャネル推定は、時間領域において実施され得、したがって、さらなる制限が、独立したチャネルタップなど、さらなる事前情報を含めるために導入され得る。一例では、行列Ａは対角行列に制限され得る。
[0087]図７は、本開示の態様による、複数の時間ステップにおいてニューラル拡張ユニット７０４を用いてカルマンフィルタ（ＫＦ）７０２の出力を拡張することの例７００を示すブロック図である。図７の例では、カルマンフィルタ７０２とニューラル拡張ユニット７０４とは、図１および図２を参照しながら説明されたＵＥ１２０など、ＵＥの構成要素であり得る。いくつかのそのような例では、チャネル推定値は、図２を参照しながら説明されたようなコントローラ／プロセッサ２８０、送信プロセッサ２６４、および／または復調器２５４ａ～２５４ｒのうちの１つまたは複数によって使用され得る。いくつかの他の例では、カルマンフィルタ７０２とニューラル拡張ユニット７０４とは、図１および図２を参照しながら説明された基地局１１０など、基地局の構成要素であり得る。いくつかのそのような例では、チャネル推定値は、図２を参照しながら説明されたようなコントローラ／プロセッサ２４０、送信プロセッサ２２０、および／または復調器２３２ａ～２３２ｔのうちの１つまたは複数によって使用され得る。図７のカルマンフィルタ７０２とニューラル拡張ユニット７０４とは、ニューラル拡張されたカルマンフィルタ（ＮＡ－ＫＦ）の一例であり得る。
[0088]図７に示されているように、現在の時間ステップｔにおいて、カルマンフィルタ７０２は、前のチャネル推定値の平均
および共分散
と、現在の時間ステップｔの観測値ｏtとを受信する。説明されたように、時間ステップｔにおける観測値ｏtは、時間ステップｔにおいて受信されたパイロットシンボルに基づいて生成され得る。いくつかの例では、観測値ｏtは、瞬時チャネル推定値と呼ばれることがある。図７の例では、入力に基づいて、カルマンフィルタ７０２は、現在の時間ステップｔについての平均
と共分散
とを生成する。平均
と共分散
とは、現在の時間ステップｔについての初期チャネル推定値を表し得る。
[0089]各時間ステップにおいて、カルマンフィルタ７０２からの平均
と共分散
とは、ニューラル拡張ユニット７０４に入力され得る。図７に示されているように、ニューラル拡張ユニット７０４は、現在の時間ステップｔからの観測値ｏtをも受信し得る。ニューラル拡張ユニット７０４は、長短期記憶（ＬＳＴＭ）ネットワーク、ゲート付きリカレントユニット（ＧＲＵ）、または別のタイプのリカレントニューラルネットワークなど、リカレントネットワークであり得る。ニューラル拡張ユニット７０４は、現在の時間ステップｔについての平均の残差
と共分散の残差
とを生成し得る。図７に示されているように、平均の残差
と共分散の残差
とは、現在の時間ステップにおけるチャネル状態の平均
と共分散
との実際の推定値を取得するためにカルマンフィルタ７０２の平均
と共分散
とを更新し得る。いくつかの例では、平均の残差
は、平均
の実際の推定値を取得するためにカルマンフィルタの平均
に加算され得る。さらに、共分散の残差
は、共分散
の実際の推定値を取得するためにカルマンフィルタ７０２の共分散
に加算され得る。
[0090]従来のシステムでは、ある時間ステップについてカルマンフィルタ７０２によって生成された平均
と共分散
とは、後続の時間ステップについてのチャネル推定値を決定するためにカルマンフィルタ７０２に入力され得る。対照的に、本開示の態様は、カルマンフィルタ７０２の推定値を補正するために、平均の残差
と共分散の残差
とを用いて現在の時間ステップの平均
と共分散
とを拡張する（augment）。すなわち、カルマンフィルタ７０２の出力は、ニューラル拡張ユニット７０４の出力とインターリーブされる。補正された推定値は、後続の推定値のためにカルマンフィルタ７０２によって使用され得る。図７の例７００は、複数の時間ステップｔ－１、ｔ、およびｔ＋１についてのプロセスを示す。複数のカルマンフィルタ７０２とニューラル拡張ユニット７０４とが、複数の時間ステップにわたるタイムラインを示すために説明の目的で示される。本開示の態様は、各時間ステップについて単一のカルマンフィルタ７０２と単一のニューラル拡張ユニット７０４とを使用し得る。代替的に、複数のカルマンフィルタ７０２とニューラル拡張ユニット７０４とが、受信デバイスのために指定され得る。
[0091]図７に示されているように、現在の時間ステップｔに関して説明されるプロセスは、次の時間ステップｔ＋１など、後続の時間ステップについて繰り返され得る。一構成では、パイロットシンボルが受信されない（たとえば、観測値が欠落している）とき、ニューラル拡張ユニット７０４は、前の時間ステップｔ－１においてニューラル拡張ユニット７０４によって生成された、現在の時間ステップｔについての合成観測値
を使用し得る。たとえば、図７に示されているように、現在の時間ステップｔにおいて、ニューラル拡張ユニット７０４は、次の時間ステップｔ＋１についての合成観測値
を生成する。いくつかの実装形態では、あらゆる時間ステップにおいて、ニューラル拡張ユニット７０４は、カルマンフィルタ７０２のために残差をモデル化し、また、次のステップについての合成観測値
をモデル化し得る。観測値が欠落している場合には、ニューラル拡張ユニット７０４は、最近の時間ステップ中にそれ自体によってモデル化された、現在の時間ステップについての合成観測値
を入力として取る。代替的に、実パイロットが観測された場合には、ニューラル拡張ユニット７０４は、実観測値ｏを入力として使用し得る。図７の例７００では、随意のステップが破線で示される。合成観測値
は、カルマンフィルタ７０２またはニューラル拡張ユニット７０４のうちの一方または両方によって使用され得る。いくつかの実装形態では、ニューラル拡張ユニット７０４は、チャネル状態ｈtのグランドトゥルースまたは実際の観測値ｏtのグランドトゥルースに基づいて合成観測値
を生成するようにトレーニングされ得る。
[0092]いくつかの実装形態では、ニューラル拡張ユニット７０４は、（たとえば、ＬＳＴＭネットワークにおいて実施されるように）１つまたは複数の内部状態を維持し得る。いくつかの例では、独立したチャネルタップなど、追加の情報が、ニューラル拡張ユニット７０４によって学習されたパラメータに追加の制限を課し得る。
[0093]いくつかの実装形態では、カルマンフィルタ７０２とニューラル拡張ユニット７０４とは、同時にトレーニングされ得る。すなわち、カルマンフィルタ７０２とニューラル拡張ユニット７０４とは、１つのシステム（たとえば、機能）と見なされ得、カルマンフィルタ７０２とニューラル拡張ユニット７０４とのパラメータは、一緒にトレーニングされ得る。パラメータは、カルマンパラメータならびにニューラルネットワークパラメータを含む。
[0094]別の実装形態では、カルマンフィルタ７０２は、個々にトレーニングされ得る。カルマンフィルタをトレーニングした後に、カルマンフィルタ７０２とニューラル拡張ユニット７０４との組合せ（たとえば、ＮＡ－ＫＦ）が、全体としてトレーニングされ得る。この実装形態では、カルマンフィルタ７０２のパラメータは、カルマンフィルタ７０２とニューラル拡張ユニット７０４との組合せが全体としてトレーニングされるとき、固定され得る。カルマンフィルタ７０２を別個にトレーニングした後にカルマンフィルタ７０２とニューラル拡張ユニット７０４との組合せがトレーニングされるとき、トレーニングデータは、ニューラルネットワークパラメータをトレーニングし得る。一構成では、ニューラルネットワークパラメータは、チャネル推定値と実際のグランドトゥルースチャネルとの間の損失に基づいてトレーニングされ得る。そのような例では、チャネル推定値は、カルマンフィルタ７０２の推定値とニューラル拡張ユニット７０４から出力された残差との和であり得る。残差誤差は、次いで、ニューラル拡張ユニット７０４のためのグランドトゥルースとして使用され得る。代替的に、説明されたように、カルマンフィルタ７０２とニューラル拡張ユニット７０４との組合せを全体としてトレーニングするとき、カルマンフィルタ７０２のパラメータは固定され得、ニューラル拡張ユニット７０４のパラメータはトレーニングされ得る。すなわち、トレーニングは、カルマンフィルタ７０２が個々にトレーニングされ、次いで、ニューラルネットワークパラメータ（たとえば、重み）を学習するためにカルマンフィルタ７０２とニューラル拡張ユニット７０４との組合せに差し込まれる、２ステッププロセスであり得る。
[0095]合成観測値
は、トレーニング中に随意であり得る。微調整ステップが、オンラインまたはオフラインで実施され得る。微調整プロセスは、説明されたトレーニングプロセスに基づいて適用され得る。
[0096]図８は、本開示の態様による、ニューラル拡張されたカルマンフィルタを用いてチャネルを推定し、チャネルを追跡するように構成された、ワイヤレス通信デバイス８００の一例を示すブロック図である。ワイヤレス通信デバイス８００は、図１および図２を参照しながら説明された基地局１１０、または図１および図２を参照しながら説明されたＵＥ１２０の態様の一例であり得る。ワイヤレス通信デバイス８００は、（たとえば、１つまたは複数のバスを介して）互いに通信中であり得る、受信機８１０と、通信マネージャ８１５と、送信機８２０とを含み得る。いくつかの実装形態では、受信機８１０と送信機８２０。いくつかの例では、ワイヤレス通信デバイス８００は、図９を参照しながら以下で説明されるプロセス９００の動作を含む動作を実施するように構成される。
[0097]いくつかの例では、ワイヤレス通信デバイス８００は、少なくとも１つのプロセッサと少なくとも１つのモデム（たとえば、５Ｇモデムまたは他のセルラーモデム）とを含む、チップ、システムオンチップ（ＳｏＣ）、チップセット、パッケージ、またはデバイスを含むことができる。いくつかの例では、通信マネージャ８１５、またはそれの副構成要素は、別個で個別の構成要素であり得る。いくつかの例では、通信マネージャ８１５の少なくともいくつかの構成要素は、メモリに記憶されたソフトウェアとして少なくとも部分的に実装される。たとえば、通信マネージャ８１５の構成要素の１つまたは複数の部分は、それぞれの構成要素の機能または動作を実施するために、プロセッサによって実行可能な非一時的コードとして実装され得る。
[0098]受信機８１０は、制御チャネル（たとえば、物理ダウンリンク制御チャネル（ＰＤＣＣＨ））およびデータチャネル（たとえば、物理ダウンリンク共有チャネル（ＰＤＳＣＨ））を含む様々なチャネルを介して、１つまたは複数の他のワイヤレス通信デバイスから、パケットの形態においてなど、１つまたは複数の基準信号（たとえば、周期的に構成されたＣＳＩ－ＲＳ、非周期的に構成されたＣＳＩ－ＲＳ、またはマルチビーム固有基準信号）、同期信号（たとえば、同期信号ブロック（ＳＳＢ））、制御情報、および／またはデータ情報を受信し得る。他のワイヤレス通信デバイスは、限定はしないが、図１および図２を参照しながら説明された別の基地局１１０または別のＵＥ１２０を含み得る。
[0099]受信された情報は、ワイヤレス通信デバイス８００の他の構成要素に受け渡され得る。受信機８１０は、図２を参照しながら説明された受信プロセッサ２５８または２３８の態様の一例であり得る。受信機８１０は、アンテナのセットと結合されるか、または場合によってはアンテナのセットを利用し得る、無線周波数（ＲＦ）チェーンのセットを含み得る（たとえば、アンテナのセットは、図２を参照しながら説明された、アンテナ２５２ａ～２５２ｒまたはアンテナ２３４ａ～２３４ｔの態様の一例であり得る）。
[00100]送信機８２０は、通信マネージャ８１５またはワイヤレス通信デバイス８００の他の構成要素によって生成された信号を送信し得る。いくつかの例では、送信機８２０は、トランシーバにおいて受信機８１０とコロケートされ得る。送信機８２０は、図２を参照しながら説明された送信プロセッサ２６４の態様の一例であり得る。送信機８２０は、受信機８１０と共有されるアンテナ要素であり得る、アンテナのセットと結合されるか、または場合によってはアンテナのセットを利用し得る（たとえば、アンテナのセットは、図２を参照しながら説明された、アンテナ２５２ａ～２５２ｒまたはアンテナ２３４ａ～２３４ｔの態様の一例であり得る）。いくつかの例では、送信機８２０は、物理アップリンク制御チャネル（ＰＵＣＣＨ）において制御情報を送信し、物理アップリンク共有チャネル（ＰＵＳＣＨ）においてデータを送信するように構成される。
[00101]通信マネージャ８１５は、図２を参照しながら説明されたコントローラ／プロセッサ２４０または２８０の態様の一例であり得る。通信マネージャ８１５は、カルマンフィルタ８２５とニューラル拡張ユニット８３０とを含む。いくつかの例では、受信機８１０と連携して動作して、カルマンフィルタ８２５は、通信デバイスにおいて受信された第１の信号に基づいて、現在の時間ステップについてのチャネルの初期チャネル推定値を生成し得る。いくつかの例では、チャネルは、ワイヤレス通信チャネルであり得る。さらに、カルマンフィルタ８２５および受信機８１０と連携して動作して、ニューラル拡張ユニット８３０は、現在の時間ステップの初期チャネル推定値の残差を推論する。ニューラル拡張ユニット８３０は、図７を参照しながら説明されたニューラル拡張ユニット７０４など、リカレントニューラルネットワークであり得る。カルマンフィルタ８２５およびニューラル拡張ユニット８３０と連携して動作して、通信マネージャ８１５は、残差に基づいて現在の時間ステップの初期チャネル推定値を更新し得る。
[00102]図９は、本開示の態様による、ニューラル拡張されたカルマンフィルタを用いてチャネルを推定し、チャネルを追跡することをサポートする、ワイヤレス通信のための例示的なプロセス９００を示すフローチャートである。いくつかの実装形態では、プロセス９００は、図１および図２に関して上記で説明されたＵＥ１２０のうちの１つなどのＵＥとしてまたはＵＥ内で、あるいは図１および図２に関して上記で説明された基地局１１０のうちの１つなどの基地局としてまたは基地局内で動作するワイヤレス通信デバイスによって実施され得る。
[00103]図９に示されているように、プロセス９００は、通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成することによってブロック９０２において開始する。いくつかの例では、チャネルは、ワイヤレス通信チャネルであり得る。ブロック９０４において、プロセス９００は、ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論する。ニューラルネットワークは、図７を参照しながら説明されたニューラル拡張ユニット７０４など、リカレントニューラルネットワークであり得る。いくつかの例では、現在の時間ステップの初期チャネル推定値は、平均と共分散とを含み得る。そのような例では、残差は、初期チャネル推定値の平均に基づく残差平均と、初期チャネル推定値の共分散に基づく残差共分散とを含み得る。ブロック９０６において、プロセスは、残差に基づいて現在の時間ステップの初期チャネル推定値を更新する。いくつかの例では、プロセス９００は、初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成し、また、実際のチャネル推定値に基づいてチャネル上で受信された第２の信号を復号し得る。さらに、現在の時間ステップについての初期チャネル推定値は、前の時間ステップからの実際のチャネル推定値に基づき得る。
[00104]実装例が、以下の番号付けされた条項に記載される。
１． 通信デバイスによって実施される方法であって、
通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成することと、
ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論することと、
残差に基づいて現在の時間ステップの初期チャネル推定値を更新することと、
を備える、方法。
２． 現在の時間ステップの初期チャネル推定値が、平均と共分散とを備え、
残差が、初期チャネル推定値の平均に基づく残差平均と、初期チャネル推定値の共分散に基づく残差共分散とを備える、
条項１に記載の方法。
３． 現在の時間ステップの初期チャネル推定値を生成することと、現在の時間ステップのチャネル観測値に基づいて残差を推論することと、をさらに備える、条項１から２のいずれか１つに記載の方法。
４． パイロットシンボルまたはデータシンボルからチャネル観測値を生成することをさらに備え、ここにおいて、パイロットシンボルまたはデータシンボルの波形が、前のパイロットシンボルまたは前のデータシンボルを復号することから知られている、条項３に記載の方法。
５． 受信されたパイロットシンボルの不在下で、合成パイロット推定値に基づいてチャネル観測値を生成することをさらに備える、条項３に記載の方法。
６． 初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成することと、
実際のチャネル推定値に基づいてチャネル上で受信された第２の信号を復号することと
をさらに備える、条項１から５のいずれか１つに記載の方法。
７． 前の時間ステップからの実際のチャネル推定値に基づいて現在の時間ステップについての初期チャネル推定値を生成することをさらに備える、条項１から６のいずれか１つに記載の方法。
８． ニューラルネットワークがリカレントニューラルネットワークである、条項１から７のいずれか１つに記載の方法。
９． プロセッサと、
プロセッサに結合されたメモリと、
メモリに記憶された命令と
を備える、通信デバイスにおける装置であって、命令が、プロセッサによって実行されたとき、装置に、
通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成することと、
ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論することと、
残差に基づいて現在の時間ステップの初期チャネル推定値を更新することと、
を行わせるように動作可能である、装置。
１０． 現在の時間ステップの初期チャネル推定値が、平均と共分散とを備え、
残差が、初期チャネル推定値の平均に基づく残差平均と、初期チャネル推定値の共分散に基づく残差共分散とを備える、
条項９に記載の装置。
１１． 命令の実行が、装置に、現在の時間ステップの初期チャネル推定値を生成することと、現在の時間ステップのチャネル観測値に基づいて残差を推論することと、をさらに行わせる、条項９または１０に記載の装置。
１２． 命令の実行が、装置に、パイロットシンボルまたはデータシンボルからチャネル観測値を生成することをさらに行わせ、ここにおいて、パイロットシンボルまたはデータシンボルの波形が、前のパイロットシンボルまたは前のデータシンボルの復号から知られている、条項１１に記載の装置。
１３． 命令の実行が、装置に、受信されたパイロットシンボルの不在下で、合成パイロット推定値に基づいてチャネル観測値を生成することをさらに行わせる、条項１１に記載の装置。
１４． 命令の実行が、装置に、
初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成することと、
実際のチャネル推定値に基づいてチャネル上で受信された第２の信号を復号することと、
をさらに行わせる、条項９から１３のいずれかに記載の装置。
１５． 命令の実行が、装置に、前の時間ステップからの実際のチャネル推定値に基づいて現在の時間ステップについての初期チャネル推定値を生成することをさらに行わせる、条項９から１４のいずれかに記載の装置。
１６． ニューラルネットワークがリカレントニューラルネットワークである、条項９から１５のいずれかに記載の装置。
１７． 通信デバイスにおける、プログラムコードを記録した非一時的コンピュータ可読媒体であって、プログラムコードは、プロセッサによって実行され、
通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成するためのプログラムコードと、
ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論するためのプログラムコードと、
残差に基づいて現在の時間ステップの初期チャネル推定値を更新するためのプログラムコードと、
を備える、非一時的コンピュータ可読媒体。
１８． 現在の時間ステップの初期チャネル推定値が、平均と共分散とを備え、
残差が、初期チャネル推定値の平均に基づく残差平均と、初期チャネル推定値の共分散に基づく残差共分散とを備える、
条項１７に記載の非一時的コンピュータ可読媒体。
１９． プログラムコードが、現在の時間ステップの初期チャネル推定値を生成し、現在の時間ステップのチャネル観測値に基づいて残差を推論するためのプログラムコードをさらに備える、条項１７または１８に記載の非一時的コンピュータ可読媒体。
２０． プログラムコードが、パイロットシンボルまたはデータシンボルからチャネル観測値を生成するためのプログラムコードをさらに備え、ここにおいて、パイロットシンボルまたはデータシンボルの波形が、前のパイロットシンボルまたは前のデータシンボルの復号から知られている、条項１９に記載の非一時的コンピュータ可読媒体。
２１． プログラムコードが、受信されたパイロットシンボルの不在下で、合成パイロット推定値に基づいてチャネル観測値を生成するためのプログラムコードをさらに備える、条項１９に記載の非一時的コンピュータ可読媒体。
２２． プログラムコードが、
初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成するためのプログラムコードと、
実際のチャネル推定値に基づいてチャネル上で受信された第２の信号を復号するためのプログラムコードと、
をさらに備える、条項１７から２１のいずれかに記載の非一時的コンピュータ可読媒体。
２３． プログラムコードが、前の時間ステップからの実際のチャネル推定値に基づいて現在の時間ステップについての初期チャネル推定値を生成するためのプログラムコードをさらに備える、条項１７から２２のいずれかに記載の非一時的コンピュータ可読媒体。
２４． ニューラルネットワークがリカレントニューラルネットワークである、条項１７から２３のいずれかに記載の非一時的コンピュータ可読媒体。
２５． 通信デバイスにおける装置であって、
通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成するための手段と、
ニューラルネットワークを用いて、現在の時間ステップの初期チャネル推定値の残差を推論するための手段と、
残差に基づいて現在の時間ステップの初期チャネル推定値を更新するための手段と、
を備える、装置。
２６． 現在の時間ステップの初期チャネル推定値が、平均と共分散とを備え、
残差が、初期チャネル推定値の平均に基づく残差平均と、初期チャネル推定値の共分散に基づく残差共分散とを備える、
条項２５に記載の装置。
２７． 現在の時間ステップの初期チャネル推定値を生成し、現在の時間ステップのチャネル観測値に基づいて残差を推論するための手段をさらに備える、条項２５または２６に記載の装置。
２８． パイロットシンボルまたはデータシンボルからチャネル観測値を生成するための手段をさらに備え、ここにおいて、パイロットシンボルまたはデータシンボルの波形が、前のパイロットシンボルまたは前のデータシンボルの復号から知られている、条項２７に記載の装置。
２９． 受信されたパイロットシンボルの不在下で、合成パイロット推定値に基づいてチャネル観測値を生成するための手段をさらに備える、条項２７に記載の装置。
３０． 初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成するための手段と、
実際のチャネル推定値に基づいてチャネル上で受信された第２の信号を復号するための手段と、
をさらに備える、条項２５から２９のいずれかに記載の装置。
[00105]上記の開示は、例示および説明を与えるが、網羅的なものでも、開示された厳密な形態に態様を限定するものでもない。修正および変形が、上記の開示に照らして行われ得るか、または態様の実践から取得され得る。
[00106]使用される「構成要素」という用語は、ハードウェア、ファームウェア、および／またはハードウェアとソフトウェアとの組合せとして広く解釈されるものとする。使用されるプロセッサは、ハードウェア、ファームウェア、および／またはハードウェアとソフトウェアとの組合せで実装される。
[00107]しきい値に関していくつかの態様が説明される。使用されるしきい値を満たすことは、コンテキストに応じて、値が、しきい値よりも大きいこと、しきい値よりも大きいかまたはそれに等しいこと、しきい値よりも小さいこと、しきい値よりも小さいかまたはそれに等しいこと、しきい値に等しいこと、しきい値に等しくないことなどを指し得る。
[00108]説明されるシステムおよび／または方法は、ハードウェア、ファームウェア、および／またはハードウェアとソフトウェアとの組合せの異なる形態で実装され得ることが明らかであろう。これらのシステムおよび／または方法を実装するために使用される実際の特殊な制御ハードウェアまたはソフトウェアコードは、態様を限定するものではない。したがって、システムおよび／または方法の動作および挙動は、特定のソフトウェアコードと無関係に説明され、ソフトウェアおよびハードウェアは、説明に少なくとも部分的に基づいて、システムおよび／または方法を実装するように設計され得ることが理解される。
[00109]特徴の特定の組合せが特許請求の範囲において具陳されおよび／または本明細書で開示されたが、これらの組合せは、様々な態様の開示を限定するものではない。実際は、これらの特徴の多くは、詳細には、特許請求の範囲において具陳されずおよび／または本明細書で開示されない方法で、組み合わせられ得る。以下に記載される各従属請求項は、１つの請求項のみに直接従属し得るが、様々な態様の開示は、特許請求の範囲中のあらゆる他の請求項と組み合わせた各従属請求項を含む。項目のリスト「のうちの少なくとも１つ」を指す句は、単一のメンバーを含む、それらの項目の任意の組合せを指す。一例として、「ａ、ｂ、またはｃのうちの少なくとも１つ」は、ａ、ｂ、ｃ、ａ－ｂ、ａ－ｃ、ｂ－ｃ、およびａ－ｂ－ｃ、ならびに複数の同じ要素をもつ任意の組合せ（たとえば、ａ－ａ、ａ－ａ－ａ、ａ－ａ－ｂ、ａ－ａ－ｃ、ａ－ｂ－ｂ、ａ－ｃ－ｃ、ｂ－ｂ、ｂ－ｂ－ｂ、ｂ－ｂ－ｃ、ｃ－ｃ、およびｃ－ｃ－ｃ、またはａ、ｂ、およびｃの任意の他の順序）を包含するものとする。
[00110]使用されるいかなる要素、行為、または命令も、明示的にそのように説明されない限り、重要または必須と解釈されるべきではない。また、使用される冠詞「ａ」および「ａｎ」は、１つまたは複数の項目を含むものであり、「１つまたは複数」と互換的に使用され得る。さらに、使用される「セット」および「グループ」という用語は、１つまたは複数の項目（たとえば、関係する項目、無関係の項目、関係する項目と無関係の項目の組合せなど）を含むものであり、「１つまたは複数」と互換的に使用され得る。１つの項目のみが意図される場合、「１つの～のみ（only one）」という句または同様の言い回しが使用される。また、使用される「有する（has）」、「有する（have）」、「有する（having）」などの用語は、オープンエンド用語であるものとする。さらに、「に基づく」という句は、別段に明記されていない限り、「に少なくとも部分的に基づく」を意味するものである。

Claims (30)

  1. 通信デバイスによって実施される方法であって、
    前記通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成することと、
    ニューラルネットワークを用いて、前記現在の時間ステップの前記初期チャネル推定値の残差を推論することと、
    前記残差に基づいて前記現在の時間ステップの前記初期チャネル推定値を更新することと、
    を備える、方法。
  2. 前記現在の時間ステップの前記初期チャネル推定値は、平均と共分散とを備え、
    前記残差は、前記初期チャネル推定値の前記平均に基づく残差平均と、前記初期チャネル推定値の前記共分散に基づく残差共分散とを備える、
    請求項１に記載の方法。
  3. 前記現在の時間ステップの前記初期チャネル推定値を生成することと、前記現在の時間ステップのチャネル観測値に基づいて前記残差を推論することと、をさらに備える、請求項１に記載の方法。
  4. パイロットシンボルまたはデータシンボルから前記チャネル観測値を生成することをさらに備え、ここにおいて、前記パイロットシンボルまたは前記データシンボルの波形は、前のパイロットシンボルまたは前のデータシンボルの復号から知られている、請求項３に記載の方法。
  5. 受信されたパイロットシンボルの不在下で、合成パイロット推定値に基づいて前記チャネル観測値を生成することをさらに備える、請求項３に記載の方法。
  6. 前記初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成することと、
    前記実際のチャネル推定値に基づいて前記チャネル上で受信された第２の信号を復号することと、
    をさらに備える、請求項１に記載の方法。
  7. 前の時間ステップからの実際のチャネル推定値に基づいて前記現在の時間ステップについての前記初期チャネル推定値を生成することをさらに備える、請求項１に記載の方法。
  8. 前記ニューラルネットワークはリカレントニューラルネットワークである、請求項１に記載の方法。
  9. プロセッサと、
    前記プロセッサに結合されたメモリと、
    前記メモリに記憶された命令と、
    を備える、通信デバイスにおける装置であって、前記命令は、前記プロセッサによって実行されたとき、前記装置に、
    前記通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成することと、
    ニューラルネットワークを用いて、前記現在の時間ステップの前記初期チャネル推定値の残差を推論することと、
    前記残差に基づいて前記現在の時間ステップの前記初期チャネル推定値を更新することと、
    を行わせるように動作可能である、装置。
  10. 前記現在の時間ステップの前記初期チャネル推定値は、平均と共分散とを備え、
    前記残差は、前記初期チャネル推定値の前記平均に基づく残差平均と、前記初期チャネル推定値の前記共分散に基づく残差共分散とを備える、
    請求項９に記載の装置。
  11. 前記命令の実行は、前記装置に、前記現在の時間ステップの前記初期チャネル推定値を生成し、前記現在の時間ステップのチャネル観測値に基づいて前記残差を推論することをさらに行わせる、請求項９に記載の装置。
  12. 前記命令の実行は、前記装置に、パイロットシンボルまたはデータシンボルから前記チャネル観測値を生成することをさらに行わせ、ここにおいて、前記パイロットシンボルまたは前記データシンボルの波形が、前のパイロットシンボルまたは前のデータシンボルの復号から知られている、請求項１１に記載の装置。
  13. 前記命令の実行は、前記装置に、受信されたパイロットシンボルの不在下で、合成パイロット推定値に基づいて前記チャネル観測値を生成することをさらに行わせる、請求項１１に記載の装置。
  14. 前記命令の実行は、前記装置に、
    前記初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成することと、
    前記実際のチャネル推定値に基づいて前記チャネル上で受信された第２の信号を復号することと、
    をさらに行わせる、請求項９に記載の装置。
  15. 前記命令の実行は、前記装置に、前の時間ステップからの実際のチャネル推定値に基づいて前記現在の時間ステップについての前記初期チャネル推定値を生成することをさらに行わせる、請求項９に記載の装置。
  16. 前記ニューラルネットワークはリカレントニューラルネットワークである、請求項９に記載の装置。
  17. 通信デバイスにおける、プログラムコードを記録した非一時的コンピュータ可読媒体であって、前記プログラムコードは、プロセッサによって実行され、
    前記通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成するためのプログラムコードと、
    ニューラルネットワークを用いて、前記現在の時間ステップの前記初期チャネル推定値の残差を推論するためのプログラムコードと、
    前記残差に基づいて前記現在の時間ステップの前記初期チャネル推定値を更新するためのプログラムコードと、
    を備える、非一時的コンピュータ可読媒体。
  18. 前記現在の時間ステップの前記初期チャネル推定値は、平均と共分散とを備え、
    前記残差は、前記初期チャネル推定値の前記平均に基づく残差平均と、前記初期チャネル推定値の前記共分散に基づく残差共分散とを備える、
    請求項１７に記載の非一時的コンピュータ可読媒体。
  19. 前記プログラムコードは、前記現在の時間ステップの前記初期チャネル推定値を生成し、前記現在の時間ステップのチャネル観測値に基づいて前記残差を推論するためのプログラムコードをさらに備える、請求項１７に記載の非一時的コンピュータ可読媒体。
  20. 前記プログラムコードは、パイロットシンボルまたはデータシンボルから前記チャネル観測値を生成するためのプログラムコードをさらに備え、ここにおいて、前記パイロットシンボルまたは前記データシンボルの波形は、前のパイロットシンボルまたは前のデータシンボルの復号から知られている、請求項１９に記載の非一時的コンピュータ可読媒体。
  21. 前記プログラムコードは、受信されたパイロットシンボルの不在下で、合成パイロット推定値に基づいて前記チャネル観測値を生成するためのプログラムコードをさらに備える、請求項１９に記載の非一時的コンピュータ可読媒体。
  22. 前記プログラムコードは、
    前記初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成するためのプログラムコードと、
    前記実際のチャネル推定値に基づいて前記チャネル上で受信された第２の信号を復号するためのプログラムコードと、
    をさらに備える、請求項１７に記載の非一時的コンピュータ可読媒体。
  23. 前記プログラムコードは、前の時間ステップからの実際のチャネル推定値に基づいて前記現在の時間ステップについての前記初期チャネル推定値を生成するためのプログラムコードをさらに備える、請求項１７に記載の非一時的コンピュータ可読媒体。
  24. 前記ニューラルネットワークはリカレントニューラルネットワークである、請求項１７に記載の非一時的コンピュータ可読媒体。
  25. 通信デバイスにおける装置であって、
    前記通信デバイスにおいて受信された第１の信号に基づいて、カルマンフィルタを用いて現在の時間ステップについてのチャネルの初期チャネル推定値を生成するための手段と、
    ニューラルネットワークを用いて、前記現在の時間ステップの前記初期チャネル推定値の残差を推論するための手段と、
    前記残差に基づいて前記現在の時間ステップの前記初期チャネル推定値を更新するための手段と、
    を備える、装置。
  26. 前記現在の時間ステップの前記初期チャネル推定値は、平均と共分散とを備え、
    前記残差は、前記初期チャネル推定値の前記平均に基づく残差平均と、前記初期チャネル推定値の前記共分散に基づく残差共分散とを備える、
    請求項２５に記載の装置。
  27. 前記現在の時間ステップの前記初期チャネル推定値を生成し、前記現在の時間ステップのチャネル観測値に基づいて前記残差を推論するための手段をさらに備える、請求項２５に記載の装置。
  28. パイロットシンボルまたはデータシンボルから前記チャネル観測値を生成するための手段をさらに備え、ここにおいて、前記パイロットシンボルまたは前記データシンボルの波形は、前のパイロットシンボルまたは前のデータシンボルの復号から知られている、請求項２７に記載の装置。
  29. 受信されたパイロットシンボルの不在下で、合成パイロット推定値に基づいて前記チャネル観測値を生成するための手段をさらに備える、請求項２７に記載の装置。
  30. 前記初期チャネル推定値を更新することに基づいて実際のチャネル推定値を生成するための手段と、
    前記実際のチャネル推定値に基づいて前記チャネル上で受信された第２の信号を復号するための手段と、
    をさらに備える、請求項２５に記載の装置。
JP2022576141A 2020-06-19 2021-06-17 ワイヤレスチャネル推定および追跡のためのニューラルネットワーク拡張 Pending JP2023531397A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202063041637P 2020-06-19 2020-06-19
US63/041,637 2020-06-19
US17/349,744 US11616666B2 (en) 2020-06-19 2021-06-16 Neural network augmentation for wireless channel estimation and tracking
US17/349,744 2021-06-16
PCT/US2021/037938 WO2021257907A1 (en) 2020-06-19 2021-06-17 Neural network augmentation for wireless channel estimation and tracking

Publications (2)

Publication Number Publication Date
JP2023531397A true JP2023531397A (ja) 2023-07-24
JPWO2021257907A5 JPWO2021257907A5 (ja) 2024-05-28

Family

ID=79022149

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022576141A Pending JP2023531397A (ja) 2020-06-19 2021-06-17 ワイヤレスチャネル推定および追跡のためのニューラルネットワーク拡張

Country Status (8)

Country Link
US (1) US11616666B2 (ja)
EP (1) EP4169217A1 (ja)
JP (1) JP2023531397A (ja)
KR (1) KR20230026319A (ja)
CN (1) CN115702561A (ja)
BR (1) BR112022024903A2 (ja)
TW (1) TW202201935A (ja)
WO (1) WO2021257907A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230021835A1 (en) * 2021-07-26 2023-01-26 Qualcomm Incorporated Signaling for additional training of neural networks for multiple channel conditions

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180302213A1 (en) 2017-04-17 2018-10-18 Collision Communications, Inc. Methods, systems, and computer program products for communication channel prediction from received multipath communications in a wireless communications system
US20220166650A1 (en) * 2019-05-08 2022-05-26 Lg Electronics Inc. Method for tracking channel in wireless av system and wireless device using same
WO2021175444A1 (en) * 2020-03-06 2021-09-10 Nokia Technologies Oy Classes of nn parameters for channel estimation

Also Published As

Publication number Publication date
TW202201935A (zh) 2022-01-01
KR20230026319A (ko) 2023-02-24
WO2021257907A1 (en) 2021-12-23
CN115702561A (zh) 2023-02-14
BR112022024903A2 (pt) 2022-12-27
US11616666B2 (en) 2023-03-28
EP4169217A1 (en) 2023-04-26
US20210399924A1 (en) 2021-12-23

Similar Documents

Publication Publication Date Title
US20210326701A1 (en) Architecture for machine learning (ml) assisted communications networks
WO2022000365A1 (en) Machine learning based downlink channel estimation and prediction
WO2021208061A1 (en) Configurable neural network for channel state feedback (csf) learning
US20210264255A1 (en) Gradient feedback framework for joint transceiver neural network training
US20220070822A1 (en) Unsupervised learning for simultaneous localization and mapping in deep neural networks using channel state information
US11616582B2 (en) Neural network-based spatial inter-cell interference learning
US20240129844A1 (en) Cross-node deep learning methods of selecting machine learning modules in wireless communication systems
US20220124634A1 (en) Machine learning-based power control
EP4229557A1 (en) Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders
US11456834B2 (en) Adaptive demodulation reference signal (DMRS)
JP2023531397A (ja) ワイヤレスチャネル推定および追跡のためのニューラルネットワーク拡張
WO2023146862A1 (en) Equivariant generative prior for inverse problems with unknown rotation
US20220405602A1 (en) Channel feature extraction via model-based neural networks
WO2023070486A1 (en) Channel state feedback for reduced resource consumption reference signals
US11722921B2 (en) Secondary cell group selection based on primary frequency band measurements
US20230297825A1 (en) Weighted average federated learning based on neural network training loss
US20220335294A1 (en) Reporting for machine learning model updates
KR20230173664A (ko) 머신 러닝 모델 업데이트들을 위한 보고
KR20240099148A (ko) 감소된 리소스 소비 기준 신호들에 대한 채널 상태 피드백
CN117157647A (zh) 机器学习模型更新的报告

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20230104

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240517

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240517