TW202145005A - 多輸入輸出系統之參數估測方法 - Google Patents
多輸入輸出系統之參數估測方法 Download PDFInfo
- Publication number
- TW202145005A TW202145005A TW109117528A TW109117528A TW202145005A TW 202145005 A TW202145005 A TW 202145005A TW 109117528 A TW109117528 A TW 109117528A TW 109117528 A TW109117528 A TW 109117528A TW 202145005 A TW202145005 A TW 202145005A
- Authority
- TW
- Taiwan
- Prior art keywords
- user equipment
- base station
- real
- channel information
- time channel
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0417—Feedback systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/10—Connection setup
Abstract
一種多輸入輸出系統之參數估測方法,係執行於包含一基地台及一使用者設備的一通訊系統中,該方法包含:當該使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立一連線;該使用者設備傳送一即時通道資訊至該基地台;根據所接收的該即時通道資訊,該基地台以深度學習演算法對一參數進行優化,並將優化後的參數傳送給該使用者設備;以及該使用者設備套用該優化後的參數。在具有數個使用者設備的另一實施例中,基地台儲存所有使用者設備的即時通道資訊及優化後的參數,並挑選通道相似性高的優化參數供新的使用者設備使用。
Description
本發明係有關於一種多輸入輸出系統之參數估測方法,尤其是一種基於深度學習,且使用即時連線資訊進行訓練的多輸入輸出系統之參數估測方法。
為了提高通道的容量及符合使用者對於高效率的要求,遂發展出多輸入輸出之天線系統。多天線技術能夠在不增加頻寬的前提下提升頻譜之使用效率,因此獲得廣泛的採用,目前已成為行動通訊系統中重要的配置。然而,隨著現代通訊系統規模的愈發龐大,最佳訊號檢測方法(最大似然率檢測)的複雜度會呈指數的上升。再者,在訊號檢測的過程中,基於成本和演算法的效能,會使用不同的演算法來進行訊號的估測,而對於部分非線性檢測器演算法而言,會需要一些人工制定的參數,這些參數通常由多次的實驗嘗試及基於經驗而獲得,然而,這些人工制定的參數不一定可以達到最佳的效能。
在另外一種參數的估測方法中,整個通訊網路的訓練係採用隨機產生的通道進行學習,進而達到檢測器的優化。然而,這樣的方式並未使用即時之連線資訊做為學習之用,且亦具有較高的演算複雜度。類似的參數估測方法,係揭示於韓國公開第101944678B1號專利案中。
在另外一種參數的估測方法中,係針對整個通訊網路進行離線訓練,再用訓練完畢之神經網路進行在線檢測,進而達到訓練程序的優化。然而,這樣的方式亦未使用即時建立之連線資訊做為訓練之用,且同樣具有較高的演算複雜度。類似的參數估測方法,係揭示於中國公開第108390705A號專利案中。
有鑑於此,習知的參數估測方法確實有加以改善之必要。
為解決上述問題,本發明的目的係提供一種多輸入輸出系統之參數估測方法,其利用基地台與使用者設備之間所建立的即時連線資訊進行參數的深度學習,以快速估測出該多輸入輸出系統之參數。
在一實施例中,本發明之多輸入輸出系統之參數估測方法,係執行於包含一基地台及一使用者設備的一通訊系統中。該方法包含:當該使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立一連線;該使用者設備透過該連線傳送一即時通道資訊至該基地台;根據所接收的該即時通道資訊,該基地台以深度學習演算法對一參數進行優化,並將優化後的參數傳送給該使用者設備;以及該使用者設備套用該優化後的參數,以進行該多輸入輸出系統的訊號檢測。其中,該即時通道資訊為該連線建立後,該使用者設備的通道狀態。
在另一實施例中,本發明之多輸入輸出系統之參數估測方法,係執行於包含一基地台及數個使用者設備的一通訊系統中。該方法包含:當該數個使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立各別之連線;該數個使用者設備透過各該連線分別傳送一即時通道資訊至該基地台;針對所接收的各該即時通道資訊,該基地台分別以深度學習演算法對一參數進行優化,並將各該即時通道資訊及優化後的該數個參數皆儲存於該基地台的一儲存裝置;當另一使用者設備進入該基地台之涵蓋範圍時,於該基地台與該另一使用者設備之間建立另一連線;該另一使用者設備透過該另一連線傳送另一即時通道資訊至該基地台;該基地台讀取該儲存裝置,將該另一即時通道資訊與所儲存的該數個即時通道資訊比對其通道相似性,並將具有最高通道相似性之該即時通道資訊所對應的該優化後的參數傳送至該另一使用者設備;該另一使用者設備套用所接收到的該參數,以進行該多輸入輸出系統的訊號檢測;該基地台判斷該另一使用者設備是否離開其涵蓋範圍,若否,則該另一使用者設備將其最新之通道資訊傳送給該基地台;根據所接收的該最新即時通道資訊,該基地台以該深度學習演算法對該參數進行再優化,並將再優化後的參數傳送給該另一使用者設備;以及該另一使用者設備套用該再優化後的參數,以進行該多輸入輸出系統的訊號檢測。其中,該即時通道資訊為該連線建立後,各該使用者設備的通道狀態。
在再一實施例中,本發明之多輸入輸出系統之參數估測方法,係執行於包含一基地台及一使用者設備的一通訊系統中。該方法包含:當該使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立一連線;該使用者設備透過該連線傳送一即時通道資訊至該基地台;根據所接收的該即時通道資訊,該基地台以深度學習演算法對一參數進行優化;該基地台將該深度學習演算法之訓練網路的權重值傳送至該使用者設備;以及該使用者設備根據所接收的該權重值產生該參數,並套用該參數進行該多輸入輸出系統的訊號檢測。其中,該即時通道資訊為該連線建立後,該使用者設備的通道狀態。
在又一實施例中,本發明之多輸入輸出系統之參數估測方法,係執行於包含一基地台及數個使用者設備的一通訊系統中。該方法包含:當該數個使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立各別之連線;該數個使用者設備透過各該連線分別傳送一即時通道資訊至該基地台;針對所接收的各該即時通道資訊,該基地台分別以深度學習演算法對一參數進行優化,並將優化後的該數個參數儲存於該基地台的一儲存裝置;當另一使用者設備進入該基地台之涵蓋範圍時,於該基地台與該另一使用者設備之間建立另一連線;該另一使用者設備透過該另一連線傳送另一即時通道資訊至該基地台;該基地台讀取該儲存裝置,將該另一即時通道資訊與所儲存的該數個即時通道資訊比對其通道相似性,並將具有最高通道相似性之該即時通道資訊所對應的該優化後的參數傳送至該另一使用者設備;該另一使用者設備套用所接收到的該參數,以進行該多輸入輸出系統的訊號檢測;該基地台判斷該另一使用者設備是否離開其涵蓋範圍,若否,則該另一使用者設備將其最新之通道資訊傳送給該基地台;根據所接收的該最新即時通道資訊,該基地台以該深度學習演算法對該參數進行再優化;該基地台將該深度學習演算法之訓練網路的權重值傳送至該另一使用者設備;以及該另一使用者設備根據所接收的該權重值產生該參數,並套用該參數進行該多輸入輸出系統的訊號檢測。其中,該即時通道資訊為該連線建立後,各該使用者設備的通道狀態。
據此,本發明的參數估測方法利用短時間內所接收到的少量即時資料,基於鄰近環境中通道統計分佈相似性高的特性,而將估測得到的環境資訊結合傳輸資訊和雜訊,於本地產生大量和真實分佈相近的數據,作為深度學習演算法的訓練資料集,並將訓練所得到的參數套用在演算法中,進而加快演算法的計算速度。因此,本發明確實能夠提升訊號檢測效果並降低檢測器的複雜度,使通訊系統的效益獲得提升,更符合現代化的高速需求。
其中,該使用者設備利用期望值傳播法進行該多輸入輸出系統的訊號檢測。如此,可以近似真實的訊號機率分佈,具有提升參數估測精準度的功效。
其中,該使用者設備利用疊代式干擾消除演算法進行該多輸入輸出系統的訊號檢測。如此,可以近似真實的訊號機率分佈,具有提升參數估測精準度的功效。
其中,該參數係為阻尼因子。如此,可使參數的更新趨於平滑,具有提升演算法收斂穩定性的功效。
其中,該即時通道資訊係為奇異值或該奇異值之特徵。如此,可以僅用短時間內收到的少量資訊,基於鄰近環境中通道統計分佈相似性高的特性,將估測得到的環境資訊結合傳輸資訊和雜訊,進而於本地產生大量和真實分佈相近的數據作為深度學習演算法的訓練資料集,並將訓練所得到的參數套用在演算法中,因此具有提升演算法速度的功效。
其中,該奇異值之特徵為該奇異值之最大值、最小值或平均值。如此,可以僅用短時間內收到的少量資訊,基於鄰近環境中通道統計分佈相似性高的特性,將估測得到的環境資訊結合傳輸資訊和雜訊,進而於本地產生大量和真實分佈相近的數據作為深度學習演算法的訓練資料集,並將訓練所得到的參數套用在演算法中,因此具有提升演算法速度的功效。
其中,該即時通道資訊係為通道增益。如此,可用以僅用短時間內收到的少量資訊,基於鄰近環境中通道統計分佈相似性高的特性,將估測得到的環境資訊結合傳輸資訊和雜訊,進而於本地產生大量和真實分佈相近的數據作為深度學習演算法的訓練資料集,並將訓練所得到的參數套用在演算法中,因此具有提升演算法速度的功效。
其中,該即時通道資訊係為通道延遲。如此,可用以僅用短時間內收到的少量資訊,基於鄰近環境中通道統計分佈相似性高的特性,將估測得到的環境資訊結合傳輸資訊和雜訊,進而於本地產生大量和真實分佈相近的數據作為深度學習演算法的訓練資料集,並將訓練所得到的參數套用在演算法中,因此具有提升演算法速度的功效。
其中,該多輸入輸出系統之參數估測方法另包含對該使用者設備之一即時通道做雜訊的正規化,以及進行奇異值分解,以獲得該奇異值或該奇異值之特徵。如此,基地台就能產生相似分布的矩陣,進行訓練和優化,同時亦可以針對所接收到的奇異值分佈,比對不同使用者設備之間的通道特性來加速參數的優化,具有提升運算速度的功效。
其中,該使用者設備係為一行動裝置。如此,可提升行動通訊的通訊品質。
為讓本發明之上述及其他目的、特徵及優點能更明顯易懂,下文特舉本發明之較佳實施例,並配合所附圖式,作詳細說明如下:
第1圖顯示一無線通訊系統,其由數個基地台BS(Base Station)及數個使用者設備UE(User Equipment)構成。該使用者設備可為一行動裝置,例如手持裝置、平板電腦、個人數位助理(Personal Digital Assistant,PDA)等等,但不以此為限。換言之,只要是任何能夠移動的裝置,均屬於本發明涵蓋之範疇。另,該無線通訊架構使用多輸入輸出(Multi-input Multi-output,MIMO)系統作為資訊之傳輸機制。其中,該多輸入輸出系統係為本領域具有通常知識者所能理解,因此在此不多贅述。
第2圖顯示根據本發明之一實施例所述之MIMO系統之參數估測方法的流程圖。起初,當一個使用者設備UE(顯示於第1圖)由原先的細胞(Cell)轉移到相鄰的細胞時,該所屬細胞的基地台BS(顯示於第1圖)就會與該使用者設備UE建立連線(步驟S1),該連線包含上行連線(Up Link)及下行連線(Down Link)。在這情況下,由於該使用者設備UE轉移到相鄰的細胞時,其通道狀態與在原先的細胞時不相同,且檢測器內適合的參數設置亦有所不同,因此,需要依據當前的通道分佈去做調整。再且,有鑑於深度學習演算法訓練主要是針對該基地台BS,而該使用者設備UE與該基地台BS之前尚未建立過連線,因此才需要進行即時通道的回傳,即由該基地台BS接收由該使用者設備UE傳回之即時通道資訊(步驟S2),例如該多輸入輸出系統之通道增益、通道延遲、奇異值等等。接著,該基地台BS比對由該使用者設備UE所接收到的即時通道資訊與先前已儲存的數個即時通道資訊之間的通道相似性(步驟S3)。其中,相似性的比對係藉由通道的特徵,例如通道增益、通道延遲、奇異值等等。接著,判斷該使用者設備UE是否首次與之連線(步驟S4)。若判斷是首次連線,由於該基地台BS不具有該使用者設備UE已訓練完成的資料可供比對,因此該基地台BS由其他使用者設備UE之前已訓練完成的參數中,提供與該使用者設備UE具有最近似之通道特性的參數給該使用者設備UE使用(步驟S5)。詳言之,該基地台BS在該使用者設備UE進入其涵蓋範圍之前,曾經與其他使用者設備UE建立連線且接收其即時通道資訊,再根據所接收的即時通道資訊對各該使用者設備UE的參數進行優化。然而,這些所接收到的即時通道資訊與訓練完成的參數都會儲存在基地台BS的儲存裝置內,以利後續進入其涵蓋範圍的使用者設備UE使用。據此,在步驟S4中,若判斷是首次連線,則基地台BS由這些已儲存的先前使用者設備UE已訓練完成的參數中,找出與目前使用者設備UE具有最相似通道特性的參數給該使用者設備UE使用。而在步驟S4中,若判斷不是首次連線(使用者設備UE首次進入其涵蓋範圍),則該基地台BS根據該使用者設備UE所傳回的通道分佈,對參數進行在線的訓練及優化,並將優化的參數傳送給使用者設備UE(步驟S6)。此處的參數,可以為阻尼因子,但本發明並不限定於此。另,使用者設備UE收到參數之後,即可套用經訓練優化之參數值(步驟S7);據此,使用者設備UE可以根據該優化後的參數,提升訊號檢測的效能,進而降低訊號檢測錯誤率、增加吞吐量及通道容量等等。接著,該基地台BS判斷該使用者設備UE是否離開其涵蓋範圍(步驟S8);若是,則流程結束,若否,則流程回到步驟S2,持續進行參數的優化。必須注意的是,由於在步驟S5中該使用者設備UE係接收先前已訓練好的具有最近似通道特性的參數,因此,在該使用者設備UE後續的參數優化迴圈中(步驟S6),將能夠更快速地獲得最真實的通道分佈。
由上述可知,本發明與傳統不同之處在於該參數估測方法會使用到即時連線的通道資訊,並產生大量的訓練集供訓練之用,進而藉由深度學習針對不同通道特徵進行參數的訓練及優化。以8x8的MIMO系統為例,若使用傳統的通道估測方法,一筆通道就會需要64個參數才能把整個系統的通道資訊回傳給基地台BS,因此,計算量非常龐大,難以快速地即時回傳。而在本發明中,通道資訊可用估測出的通道增益和延遲表示,如此所回傳的參數量就能少於習知全部回傳的量。又,若萃取通道的奇異值,則在8TX的系統中,一組的通道就只需要8個參數,回傳的參數量將能更進一步減少。其中,其萃取方式是將即時通道,對於估測出的雜訊正規化後做奇異值分解(Sigular Value Decomposition,SVD),如下:
其中,U和為么正矩陣,可自行隨機產生,如此一來,在該使用者設備UE回傳奇異值後,基地台BS就能產生相似分布的矩陣H,進行訓練和優化,同時亦可以針對所接收到的奇異值分佈,比對不同使用者設備UE之間的通道特性來加速參數的優化。然而,要知道的是,收到的通道也可以先做奇異值分解,再對雜訊做正規化,本發明並不限定於何種實施方式。另,在另一種實施例中,該即時通道資訊並不一定是奇異值本身,也可以為奇異值的特徵,例如最大值、最小值、平均值,或其他等等。
本發明在上述的參數優化過程中,係使用深度學習演算法訓練參數,而訓練的過程在基地台端實現。據此,使用者裝置利用期望值傳播法(Expectation Propagation,EP)進行訊號的檢測,期望值傳播法為一種非線性的訊號檢測器,透過演算法L次的疊代來近似真實的訊號機率分佈,疊代的次數愈多,求得的機率分佈就愈準確,然而,所耗費的時間也會愈多,造成時間成本的增加及提高檢測器的複雜度。因此,為了增加演算法的魯棒性和穩定度,係利用所述阻尼因子克服演算法不完全收斂的問題。阻尼因子具有引入低通濾波器的效果,可使參數的更新趨於平滑,進而提升演算法的收斂穩定性。阻尼因子係依據經驗做調整,屬於人工制定的參數。另,使用者裝置亦可利用疊代式干擾消除演算法(Iteratively Interference Cancellation Algorithm)進行訊號的檢測。
表一顯示在不同訊雜比的模擬環境中,在人工方式輸入參數的情況下,針對未使用在線通道資訊(習知)及使用在線通道資訊(本發明)兩種情況使用期望值傳播法所獲得的位元錯誤率(Bit Error Rate)比較圖。其中,模擬的系統為8x8的MIMO及16QAM(正交振幅調變),通道為瑞利衰落通道。訊雜比愈高表示雜訊愈低,訊號的能量較強。
表一:習知與本發明之模擬比較圖
在表一中,傳統的方法使用L=5、L=10及L=15等三種疊代次數,當訊雜比愈高的時候,訊號檢測錯誤率愈低,而疊代次數愈多的時候,訊號檢測錯誤率亦愈低。如前所述,本發明係利用深度學習法於基地台端離線訓練阻尼因子,由表中所示,當本發明疊代到第5次的時候,就能達到傳統方法疊代15次的效果,甚至更佳。據此,可以證明透過本發明深度學習來訓練阻尼因子,確實可以以較短的時間達到傳統方法花費較長時間所訓練出來的效果,進而降低使用者設備端之檢測器的複雜度。此外,在另一實施例中,亦可於該使用者設備端訓練該阻尼因子。
第3圖顯示本發明該實施例所述之MIMO系統之參數估測方法於一室內環境的模擬情境。該室內環境具有一張辦公桌,長度約為3.5公尺,而該模擬空間的寬度為4.5公尺。據此,本發明提供了六種模擬情境,第一種情境係將接收端(RX)設置於如圖所示的位置,而發射端(TX)設置於圖中(1)的位置。第二種情境係天線的位置不變,但量測過程中有人走動。第三種情境係天線的位置不變,量測長達30分鐘的數據。第四種情境係天線的位置不變,但改變發射天線的角度為第一角度。第五種情境係天線的位置不變,但改變發射天線的角度為第二角度。第六種情境係將發射端(TX)改設置於圖中(2)的位置,量測長距離的情境。這六種量測情境得到的訊號檢測錯誤率結果如表二所示:
表二:本發明各種模擬情境之量測結果圖
在上述模擬中,有使用渦輪(Turbo)編碼;其中,EP為純演算法,EPNet (1)是使用情境1訓練完成的參數代入所有量測數據,而EPNet為加入相對應情境的數據。由表二可知,若如本發明所述採用即時連線的資料分布進行優化時,確實可以在不增加檢測器複雜度的情況下提升訊號檢測的效能。
在上述的實施例中,係由基地台接收使用者設備回傳的即時通道資訊後,根據該即時通道資訊對參數進行訓練及優化,並將訓練好的參數傳送給該使用者設備,使該使用者設備套用該參數進行訊號的檢測。然而,在本發明的另一實施例中,基地台在接收到該即時通道資訊後,亦可利用深度學習演算法對少量的參數進行訓練及優化,並將深度學習演算法之訓練網路的權重值傳送至該使用者設備。據此,該使用者設備可以根據該等權重值自行產生所需的參數,並加以套用於訊號的檢測,其具體流程如第4圖所示。
第4圖顯示根據本發明之另一實施例所述之MIMO系統之參數估測方法的流程圖。在步驟S1時,當使用者設備UE由原先的細胞轉移到相鄰的細胞時,該所屬細胞的基地台BS會與該使用者設備UE建立連線。同樣地,在步驟S2中,該基地台BS接收由該使用者設備UE傳回之即時通道資訊。接著,在步驟S3中,該基地台BS比對由該使用者設備UE所接收到的即時通道資訊與先前已儲存的數個即時通道資訊之間的通道相似性。在步驟S4中,判斷該使用者設備UE是否首次與之連線。若是首次連線,由於該基地台BS不具有該使用者設備UE已訓練完成的資料可供比對,因此該基地台BS由其他使用者設備UE之前已訓練完成的參數中,提供與該使用者設備UE具有最近似之通道特性的參數給該使用者設備UE使用(步驟S5)。若不是首次連線,則該基地台BS根據該使用者設備UE所傳回的通道分佈,對參數進行在線的訓練及優化,並將深度學習演算法之訓練網路的權重值傳送至該使用者設備(步驟S6’)。據此,使用者設備UE根據所接收的該權重值產生該參數,並套用該參數進行該多輸入輸出系統的訊號檢測(步驟S7’)。在步驟S8中,基地台BS判斷使用者設備UE是否已離開其涵蓋範圍。若是,則流程結束,若否,則流程回到步驟S2,持續進行參數的優化。必須注意的是,由於在步驟S5中該使用者設備UE係套用先前已訓練好的具有最近似通道特性的參數,因此,在該使用者設備UE後續的參數優化迴圈中(步驟S6’、S7’),將能夠更快速地獲得最真實的通道分佈。與第2圖的前述實施例相比,前述實施例在進行深度學習演算法的同時,該使用者設備UE仍不斷地進行訊號檢測,同時通道的狀態也會改變,而在本實施例使用權重產生參數的方法中,能夠依據當前環境的通道特徵去產生相應的參數,且由使用者設備UE自行產生所述參數,因此,亦能達到以較少的時間得到更佳訊號檢測效果的功效。
綜上所述,本發明的參數估測方法利用短時間內所接收到的少量即時資料(通道奇異值),基於鄰近環境中通道統計分佈相似性高的特性,而將估測得到的環境資訊結合傳輸資訊和雜訊,於本地產生大量和真實分佈相近的數據,作為深度學習演算法的訓練資料集,並將訓練所得到的參數套用在演算法中,進而加快演算法的計算速度。因此,本發明確實能夠提升訊號檢測效果並降低使用者端之檢測器的複雜度,使通訊系統的效益獲得提升,更符合現代化的高速需求。
雖然本發明已利用上述較佳實施例揭示,然其並非用以限定本發明,任何熟習此技藝者在不脫離本發明之精神和範圍之內,相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
﹝本發明﹞
BS:基地台
UE:使用者設備
S1, S2, S3, S4, S5, S6, S6’, S7, S7’, S8:步驟
[第1圖] 一種習知之通訊架構。
[第2圖] 本發明一實施例所述之多輸入輸出系統之參數估測方法的流程圖。
[第3圖] 本發明該多輸入輸出系統之參數估測方法於一室內環境的模擬情境。
[第4圖] 本發明另一實施例所述之多輸入輸出系統之參數估測方法的流程圖。
S1,S2,S3,S4,S5,S6,S7,S8:步驟
Claims (13)
- 一種多輸入輸出系統之參數估測方法,係執行於包含一基地台及一使用者設備的一通訊系統中,該方法包含: 當該使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立一連線; 該使用者設備透過該連線傳送一即時通道資訊至該基地台,其中,該即時通道資訊為該連線建立後,該使用者設備的通道狀態; 根據所接收的該即時通道資訊,該基地台以深度學習演算法對一參數進行優化,並將優化後的參數傳送給該使用者設備;以及 該使用者設備套用該優化後的參數,以進行該多輸入輸出系統的訊號檢測。
- 一種多輸入輸出系統之參數估測方法,係執行於包含一基地台及數個使用者設備的一通訊系統中,該方法包含: 當該數個使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立各別之連線; 該數個使用者設備透過各該連線分別傳送一即時通道資訊至該基地台,其中,該即時通道資訊為該連線建立後,各該使用者設備的通道狀態; 針對所接收的各該即時通道資訊,該基地台分別以深度學習演算法對一參數進行優化,並將各該即時通道資訊及優化後的該數個參數儲皆存於該基地台的一儲存裝置; 當另一使用者設備進入該基地台之涵蓋範圍時,於該基地台與該另一使用者設備之間建立另一連線; 該另一使用者設備透過該另一連線傳送另一即時通道資訊至該基地台,其中,該另一即時通道資訊為該另一連線建立後,該另一使用者設備的通道狀態; 該基地台讀取該儲存裝置,將該另一即時通道資訊與所儲存的該數個即時通道資訊比對其通道相似性,並將具有最高通道相似性之該即時通道資訊所對應的該優化後的參數傳送至該另一使用者設備; 該另一使用者設備套用所接收到的該參數,以進行該多輸入輸出系統的訊號檢測; 該基地台判斷該另一使用者設備是否離開其涵蓋範圍,若否,則該另一使用者設備將其最新之通道資訊傳送給該基地台; 根據所接收的該最新即時通道資訊,該基地台以該深度學習演算法對該參數進行再優化,並將再優化後的參數傳送給該另一使用者設備;以及 該另一使用者設備套用該再優化後的參數,以進行該多輸入輸出系統的訊號檢測。
- 一種多輸入輸出系統之參數估測方法,係執行於包含一基地台及一使用者設備的一通訊系統中,該方法包含: 當該使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立一連線; 該使用者設備透過該連線傳送一即時通道資訊至該基地台,其中,該即時通道資訊為該連線建立後,該使用者設備的通道狀態; 根據所接收的該即時通道資訊,該基地台以深度學習演算法對一參數進行優化; 該基地台將該深度學習演算法之訓練網路的權重值傳送至該使用者設備;以及 該使用者設備根據所接收的該權重值產生該參數,並套用該參數進行該多輸入輸出系統的訊號檢測。
- 一種多輸入輸出系統之參數估測方法,係執行於包含一基地台及數個使用者設備的一通訊系統中,該方法包含: 當該數個使用者設備進入該基地台之涵蓋範圍時,於該基地台與該使用者設備之間建立各別之連線; 該數個使用者設備透過各該連線分別傳送一即時通道資訊至該基地台,其中,該即時通道資訊為該連線建立後,各該使用者設備的通道狀態; 針對所接收的各該即時通道資訊,該基地台分別以深度學習演算法對一參數進行優化,並將優化後的該數個參數儲存於該基地台的一儲存裝置; 當另一使用者設備進入該基地台之涵蓋範圍時,於該基地台與該另一使用者設備之間建立另一連線; 該另一使用者設備透過該另一連線傳送另一即時通道資訊至該基地台,其中,該另一即時通道資訊為該另一連線建立後,該另一使用者設備的通道狀態; 該基地台讀取該儲存裝置,將該另一即時通道資訊與所儲存的該數個即時通道資訊比對其通道相似性,並將具有最高通道相似性之該即時通道資訊所對應的該優化後的參數傳送至該另一使用者設備; 該另一使用者設備套用所接收到的該參數,以進行該多輸入輸出系統的訊號檢測; 該基地台判斷該另一使用者設備是否離開其涵蓋範圍,若否,則該另一使用者設備將其最新之通道資訊傳送給該基地台; 根據所接收的該最新即時通道資訊,該基地台以該深度學習演算法對該參數進行再優化; 該基地台將該深度學習演算法之訓練網路的權重值傳送至該另一使用者設備;以及 該另一使用者設備根據所接收的該權重值產生該參數,並套用該參數進行該多輸入輸出系統的訊號檢測。
- 2、3或4之多輸入輸出系統之參數估測方法,其中,該使用者設備利用期望值傳播法進行該多輸入輸出系統的訊號檢測。
- 2、3或4之多輸入輸出系統之參數估測方法,其中,該使用者設備利用疊代式干擾消除演算法進行該多輸入輸出系統的訊號檢測。
- 2、3或4之多輸入輸出系統之參數估測方法,其中,該參數係為阻尼因子。
- 2、3或4之多輸入輸出系統之參數估測方法,其中,該即時通道資訊係為奇異值或該奇異值之特徵。
- 如請求項8之多輸入輸出系統之參數估測方法,其中,該奇異值之特徵為該奇異值之最大值、最小值或平均值。
- 2、3或4之多輸入輸出系統之參數估測方法,其中,該即時通道資訊係為通道增益。
- 2、3或4之多輸入輸出系統之參數估測方法,其中,該即時通道資訊係為通道延遲。
- 如請求項8所述之多輸入輸出系統之參數估測方法,另包含對該使用者設備之一即時通道做雜訊的正規化,以及進行奇異值分解,以獲得該奇異值或該奇異值之特徵。
- 2、3或4之多輸入輸出系統之參數估測方法,其中,該使用者設備係為一行動裝置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109117528A TWI741619B (zh) | 2020-05-26 | 2020-05-26 | 多輸入輸出系統之參數估測方法 |
US16/990,062 US11489560B2 (en) | 2020-05-26 | 2020-08-11 | Method of parameter estimation for a multi-input multi-output system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109117528A TWI741619B (zh) | 2020-05-26 | 2020-05-26 | 多輸入輸出系統之參數估測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI741619B TWI741619B (zh) | 2021-10-01 |
TW202145005A true TW202145005A (zh) | 2021-12-01 |
Family
ID=78705690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109117528A TWI741619B (zh) | 2020-05-26 | 2020-05-26 | 多輸入輸出系統之參數估測方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11489560B2 (zh) |
TW (1) | TWI741619B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI741619B (zh) * | 2020-05-26 | 2021-10-01 | 國立中山大學 | 多輸入輸出系統之參數估測方法 |
CN117527830B (zh) * | 2023-11-30 | 2024-04-30 | 上海烜翊科技有限公司 | 嵌入式系统中多个子系统间的数据流同步通信方法及系统 |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6678640B2 (en) * | 1998-06-10 | 2004-01-13 | Matsushita Electric Industrial Co., Ltd. | Method and apparatus for parameter estimation, parameter estimation control and learning control |
CN105846870B (zh) * | 2015-01-12 | 2020-10-23 | 索尼公司 | 用于多输入多输出无线通信系统的装置和方法 |
US10694526B2 (en) * | 2016-09-30 | 2020-06-23 | Drexel University | Adaptive pursuit learning method to mitigate small-cell interference through directionality |
US10396919B1 (en) * | 2017-05-12 | 2019-08-27 | Virginia Tech Intellectual Properties, Inc. | Processing of communications signals using machine learning |
KR102174659B1 (ko) * | 2017-06-19 | 2020-11-05 | 버지니아 테크 인터렉추얼 프라퍼티스, 인크. | 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩 |
WO2019196036A1 (en) * | 2018-04-11 | 2019-10-17 | Nokia Shanghai Bell Co., Ltd. | Method and apparatus for signal detection in wireless communication system |
TWI669921B (zh) * | 2018-04-23 | 2019-08-21 | 國立中山大學 | 基於深度學習作為通道狀態資訊之回饋方法 |
US10911266B2 (en) * | 2018-05-18 | 2021-02-02 | Parallel Wireless, Inc. | Machine learning for channel estimation |
WO2020080989A1 (en) * | 2018-10-19 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of machine learning to improve performance of a wireless communications network |
WO2020092391A1 (en) * | 2018-10-29 | 2020-05-07 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
US10756860B2 (en) * | 2018-11-05 | 2020-08-25 | XCOM Labs, Inc. | Distributed multiple-input multiple-output downlink configuration |
US11259191B2 (en) * | 2018-11-26 | 2022-02-22 | Samsung Electronics Co., Ltd. | Methods and apparatus for coverage prediction and network optimization in 5G new radio networks |
US10778298B1 (en) * | 2019-03-29 | 2020-09-15 | At&T Intellectual Property I, L.P. | Context-based precoding matrix computations for radio access network for 5G or other next generation network |
US10931360B2 (en) * | 2019-04-23 | 2021-02-23 | Samsung Electronics Co., Ltd | System and method for providing multiple input multiple output (MIMO) detector selection with reinforced learning neural network |
CN110071881B (zh) * | 2019-04-26 | 2020-12-15 | 北京理工大学 | 一种自适应开销的活跃用户检测和信道估计方法 |
US10666342B1 (en) * | 2019-05-01 | 2020-05-26 | Qualcomm Incorporated | Beam management using adaptive learning |
US11153179B2 (en) * | 2019-09-09 | 2021-10-19 | Qualcomm Incorporated | Neural-network-based link-level performance prediction |
KR20210042717A (ko) * | 2019-10-10 | 2021-04-20 | 삼성전자주식회사 | 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치 |
WO2021112360A1 (ko) * | 2019-12-01 | 2021-06-10 | 엘지전자 주식회사 | 무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치 |
US11689940B2 (en) * | 2019-12-13 | 2023-06-27 | Google Llc | Machine-learning architectures for simultaneous connection to multiple carriers |
CN110830133B (zh) * | 2019-12-23 | 2020-12-01 | 华中科技大学 | 一种基于多阶信道预测方法、预测系统及应用 |
EP3852326B1 (en) * | 2020-01-15 | 2022-06-29 | Nokia Technologies Oy | Transmitter |
US11277284B2 (en) * | 2020-04-03 | 2022-03-15 | Samsung Electronics Co., Ltd. | PDP estimation for bundle-based channel estimation via learning approach |
JP2021170696A (ja) * | 2020-04-14 | 2021-10-28 | 日本電気株式会社 | 無線受信装置 |
JP2021170697A (ja) * | 2020-04-14 | 2021-10-28 | 日本電気株式会社 | コンピュータシステム及びそのための方法 |
US11258473B2 (en) * | 2020-04-14 | 2022-02-22 | Micron Technology, Inc. | Self interference noise cancellation to support multiple frequency bands with neural networks or recurrent neural networks |
US20210326701A1 (en) * | 2020-04-16 | 2021-10-21 | Qualcomm Incorporated | Architecture for machine learning (ml) assisted communications networks |
TWI741619B (zh) * | 2020-05-26 | 2021-10-01 | 國立中山大學 | 多輸入輸出系統之參數估測方法 |
-
2020
- 2020-05-26 TW TW109117528A patent/TWI741619B/zh active
- 2020-08-11 US US16/990,062 patent/US11489560B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20210376886A1 (en) | 2021-12-02 |
TWI741619B (zh) | 2021-10-01 |
US11489560B2 (en) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goutay et al. | Deep hypernetwork-based MIMO detection | |
CN111953391A (zh) | 智能反射面辅助的多用户mimo上行能效谱效联合优化方法 | |
CN107124245B (zh) | 基于联合收发波束成形的全双工单向中继自干扰抑制方法 | |
CN109194378B (zh) | 基于线性神经网络的物理层安全波束赋形方法 | |
KR102334011B1 (ko) | 무선 통신 시스템에서 머신 러닝 기반 제한된 피드백 방법 및 장치 | |
US8369438B2 (en) | Iterative tree search-based precoding technique for multiuser MIMO communication system | |
CN104393964B (zh) | 基于信道信息协方差的预编码方法和协作通信方法 | |
CN104702390A (zh) | 分布式压缩感知信道估计中的导频分配方法 | |
US20150146565A1 (en) | Method and apparatus for downlink transmission in a cloud radio access network | |
CN105471775B (zh) | 一种大规模mimo系统中低复杂度的信道估计方法 | |
CN114285444B (zh) | 一种去蜂窝大规模mimo系统的功率优化方法 | |
US6999538B2 (en) | Dynamic diversity combiner with associative memory model for recovering signals in communication systems | |
TWI741619B (zh) | 多輸入輸出系統之參數估測方法 | |
US11962362B2 (en) | Wireless telecommunications network | |
CN109067446B (zh) | 一种多天线多用户大规模天线的混合预编码方法 | |
CN111107023A (zh) | 在大规模mimo中基于光滑范数的压缩感知信道估计方法 | |
CN108111439B (zh) | 双向mimo中继系统中一种非迭代的信道估计方法 | |
CN112039568B (zh) | 基于不完全信道状态信息的大规模mimo系统跨层设计方法 | |
CN117240331A (zh) | 一种基于图神经网络的无蜂窝网络下行预编码设计方法 | |
CN115622595B (zh) | 一种实现自适应大规模urllc的高能效组网方法 | |
CN116321236A (zh) | Ris辅助的安全无蜂窝大规模mimo系统能效优化方法 | |
CA2179496C (en) | Tetherless access to communication networks | |
CN114710187A (zh) | 一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法 | |
CN114665930A (zh) | 去蜂窝大规模mimo系统的下行链路盲信道估计方法 | |
CN110868244A (zh) | 一种基于信道穿刺的低复杂度通信信号检测方法 |