TW202145047A - 終端的操作方法及終端 - Google Patents
終端的操作方法及終端 Download PDFInfo
- Publication number
- TW202145047A TW202145047A TW110109870A TW110109870A TW202145047A TW 202145047 A TW202145047 A TW 202145047A TW 110109870 A TW110109870 A TW 110109870A TW 110109870 A TW110109870 A TW 110109870A TW 202145047 A TW202145047 A TW 202145047A
- Authority
- TW
- Taiwan
- Prior art keywords
- cell
- terminal
- cells
- data
- classification
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
- H04J11/0069—Cell search, i.e. determining cell identity [cell-ID]
- H04J11/0079—Acquisition of downlink reference signals, e.g. detection of cell-ID
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
- H04J11/0069—Cell search, i.e. determining cell identity [cell-ID]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
- H04J11/0069—Cell search, i.e. determining cell identity [cell-ID]
- H04J11/0086—Search parameters, e.g. search strategy, accumulation length, range of search, thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/042—Public Land Mobile systems, e.g. cellular systems
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一種終端被配置成與多個小區中的至少一者進行通訊,所述終端的操作方法包括:針對所述多個小區產生第一小區搜索訓練資料;基於第一小區搜索訓練資料確定至少一個訓練候選小區;基於第一小區搜索訓練資料之中的第二小區搜索訓練資料及關於終端的網路資訊來更新分類,以獲得經更新分類,所述第二小區搜索訓練資料對應於所述至少一個訓練候選小區;以及基於經更新分類確定所述多個小區之中的有效小區。
Description
示例性實施例是有關於一種用於改善小區偵測效能的終端的操作方法及終端。
對於與最佳或期望小區(或基地台)的網路通訊,終端可針對多個小區實行小區搜索操作。終端藉由使用自所述多個小區中的每一者接收的同步訊號來計算接收訊號與參考訊號之間的關聯度,且基於所述關聯度自所述多個小區確定有效小區。然而,當將上述有效小區確定的方法應用於終端時,例如關聯度等索引的準確度在其中訊號電場弱的雜訊環境中會降低。換言之,當用於有效小區確定的關聯度參考值被設定為高時,錯誤地將有效小區確定為故障小區的機率減小,但丟失被確定為有效小區的候選小區的機率增大。另一方面,當用於有效小區確定的關聯度參考值被設定為低時,錯誤地將有效小區確定為故障小區的機率減小,但將故障小區確定為有效小區的機率增大。使改善的有效小區確定效能在不受終端的通訊環境影響的情況下維持恆定的有效小區確定的參考設計將是所期望的。
示例性實施例提供一種終端及終端的操作方法,所述終端能夠藉由基於機器學習設計有效小區的確定參考來使改善的小區搜索效能在終端的各種通訊環境中維持恆定。
根據示例性實施例,提供一種終端的操作方法,所述終端被配置成與多個小區中的至少一者進行通訊,所述方法包括:針對所述多個小區產生第一小區搜索訓練資料;基於所述第一小區搜索訓練資料確定至少一個訓練候選小區;基於所述第一小區搜索訓練資料之中的第二小區搜索訓練資料及關於所述終端的網路資訊來更新分類,以獲得經更新分類,所述第二小區搜索訓練資料對應於所述至少一個訓練候選小區;以及基於所述經更新分類確定所述多個小區之中的有效小區。
根據示例性實施例,提供一種終端的操作方法,所述終端被配置成與多個小區中的至少一者進行通訊,所述方法包括:針對所述多個小區產生第一小區搜索訓練資料;基於所述第一小區搜索訓練資料確定多個訓練候選小區;基於關於所述終端的網路資訊將所述第一小區搜索訓練資料之中的第二小區搜索訓練資料分類至有效小區資料集及故障小區資料集中,所述第二小區搜索訓練資料對應於所述多個訓練候選小區;以及基於所述有效小區資料集與所述故障小區資料集之間的線性分隔來更新分類,以獲得經更新分類。
根據示例性實施例,提供一種終端,所述終端被配置成與多個小區中的至少一者進行通訊,所述終端包括:多個天線,被配置成接收所述多個小區中的每一者的高頻訊號;射頻積體電路,被配置成將所述高頻訊號處理成基頻訊號;以及處理電路系統,被配置成:自所述基頻訊號偵測所述多個小區的多個同步訊號;使用所述多個同步訊號產生第一小區搜索訓練資料;基於所述第一小區搜索訓練資料而自所述多個小區之中確定訓練有效小區候選群組;以及基於所述第一小區搜索訓練資料之中的第二小區搜索訓練資料及關於所述終端的網路資訊來更新分類,所述第二小區搜索訓練資料對應於所述訓練有效小區候選群組。
基地台可與終端進行通訊且向終端分配通訊網路資源。基地台可包括以下中的至少一者:小區、基地台(base station,BS)、節點B(NodeB,NB)、演進節點B(evolved-Node B,eNB)、下一代無線電存取網路(Next Generation Radio Access Network,NG RAN)、無線連接單元、基地台控制器及/或網路的節點。在下文中,為便於說明,基地台可被稱為小區。
終端(或通訊終端)可與小區或另一終端進行通訊。終端可被稱為節點、使用者設備(user equipment,UE)、下一代UE(NG UE)、行動台(mobile station,MS)、行動設備(mobile equipment,ME)裝置或終端。
另外,終端可包括以下中的至少一者:智慧型電話、平板個人電腦(Personal Computer,PC)、行動電話、視訊電話、電子書(electronic book,e-book)閱讀器、桌上型PC、膝上型PC、上網本電腦(netbook computer)、個人數位助理(Personal Digital Assistant,PDA)、可攜式多媒體播放機(Portable Multimedia Player,PMP)、動態影像專家組壓縮標準音訊層3(Moving Picture Experts Group-1 audio layer 3,MP3)播放機、醫療裝置、照相機及可穿戴裝置(wearable device)。另外,終端可包括以下中的至少一者:電視機(television set,TV set)、數位視訊光碟(Digital Video Disk,DVD)播放機、音訊裝置、冰箱(refrigerator)、空氣調節器(air conditioner)、真空吸塵器(vacuum cleaner)、烘箱(oven)、微波爐、洗滌機(washing machine)、空氣淨化器(air cleaner)、機上盒(set-top box)、家庭自動化控制面板、安全控制面板、媒體盒(例如,三星HomeSyncTM、蘋果TVTM或穀歌TVTM)、遊戲控制台(例如,XboxTM或PlayStationTM)、電子詞典、電子鑰匙、攝錄影機及電子相框。另外,終端可包括以下中的至少一者:各種醫療裝置(例如,各種可攜式醫療量測裝置(血糖計、心率計、血壓計、體溫計等))、磁共振血管造影(Magnetic Resonance Angiography,MRA)、磁共振成像(Magnetic Resonance Imaging,MRI)、電腦斷層攝影(Computed Tomography,CT)、照相機或超音波裝置、導航裝置、全球導航衛星系統(Global Navigation Satellite System,GNSS)、事件資料記錄器(Event Data Recorder,EDR)、飛行資料記錄器(Flight Data Recorder,FDR)、汽車資訊娛樂裝置、海軍電子設備(例如,海軍導航裝置、陀螺羅盤等)、航空電子裝置、安全裝置、車輛的加熱單元(heat unit)、工業機器人或家用機器人、無人機、自動櫃員機(Automated Teller Machine,ATM)(例如,在金融機構中)、銷售點(Point of Sale,POS)(例如,在商店中)及/或物聯網(Internet of Things,IoT)裝置(例如,燈泡(light bulb)、各種感測器、灑水器(sprinkler)裝置、火警警報器(fire alarm)、恆溫器(thermostat)、路燈、烤麵包機(toaster)、運動設備、熱水箱、加熱器、鍋爐等)。另外,終端可包括能夠進行通訊功能的各種類型的多媒體系統。
在下文中,參照附圖詳細闡述示例性實施例。
圖1是根據示例性實施例的無線通訊系統1的圖。
參照圖1,無線通訊系統1可包括第一小區10至第七小區70(例如,第一小區10、第二小區20、第三小區30、第四小區40、第五小區50、第六小區60及/或第七小區70)及/或終端100。
終端100可藉由向第一小區10至第七小區70及自第一小區10至第七小區70收發訊號來存取無線通訊系統1。終端100能夠連接至的無線通訊系統1可被稱為無線電存取技術(Radio Access Technology,RAT),且作為非限制性實例可包括使用蜂巢式網路的無線通訊系統,例如第五代(fifth-Generation,5G)通訊系統、長期演進(Long Term Evolution,LTE)通訊系統、進階(Advanced,A)長期演進(LTE-A)通訊系統、分碼多重存取(Code Division Multiple Access,CDMA)通訊系統及全球行動通訊系統(Global System for Mobile communication,GSM)通訊系統及/或無線局部區域網路(Wireless Local Area Network,WLAN)通訊系統或其他任意無線通訊系統。
無線通訊系統1的無線通訊網路可藉由共享可用的網路資源來支援包括終端100在內的多個無線通訊裝置的通訊。舉例而言,在無線通訊網絡中,可以例如以下各種多重連接方法傳送資訊:CDMA、分頻多重存取(Frequency Division Multiple Access,FDMA)、分時多重存取(Time Division Multiple Access,TDMA)、正交分頻多重存取(Orthogonal Frequency Division Multiple Access,OFDMA)、單載波分頻多重存取(Single Carrier Frequency Division Multiple Access,SC-FDMA)、正交分頻多工(Orthogonal Frequency Division Multiplexing,OFDM)-FDMA、OFDM-TDMA及OFDM-CDMA。
第一小區10至第七小區70一般可被稱為與終端100及/或其他小區進行通訊的固定台,且可藉由與終端100及其他小區進行通訊來交換資料及控制資訊。舉例而言,第一小區10至第七小區70中的每一者可被稱為基地台、節點B、演進節點B(eNB)、下一代節點B(next generation node B,gNB)、扇區(sector)、站點(site)、基地收發器系統(Base Transceiver System,BTS)、存取點(Access Point,AP)、中繼節點(relay node)、遠程無線電頭(Remote Radio Head,RRH)、無線電單元(Radio Unit,RU)、小小區(small cell)等。在本說明書中,小區可在廣義上被解釋成表示由CMDA中的基地台控制器(Base Station Controller,BSC)、寬頻分碼多重存取(Wideband CDMA,WCDMA)中的節點B、LTE中的eNB、扇區等覆蓋的某一區域或功能,且可涵蓋所有的各種覆蓋區域,例如巨小區(megacell)、宏小區(macrocell)、微小區(microcell)、微微小區(picocell)、毫微微小區(femtocell)、中繼節點、RRH、RU及/或小小區通訊範圍。
第一小區10至第七小區70可經由無線通道連接至終端100且提供各種通訊服務。第一小區10至第七小區70可經由共享通道服務於所有使用者訊務(traffic)且可藉由收集終端100的狀態資訊(例如,緩衝器狀態、可用發射功率狀態及/或通道狀態)來實行排程。無線通訊系統1可藉由使用正交分頻多工(OFDM)作為無線電存取技術來支援波束成形技術(beamforming technology)。另外,無線通訊系統1可支援自適應調變及編碼(Adaptive Modulation and Coding,AMC)方法,以根據終端100的通道狀態來確定調變方案及/或通道編碼率。
第一小區10至第七小區70可為環繞終端100及/或與終端100相鄰的鄰近小區,且可根據終端100的位置而變化。終端100可實行小區搜索操作,以連接至第一小區10至第七小區70中的任一者且與第一小區10至第七小區70中的任一者進行通訊。小區搜索操作可包括小區辨識及小區量測。舉例而言,終端100可在實行小區辨識時偵測並記錄第一小區10至第七小區70(例如,第一小區10至第七小區70中的每一者的小區辨識碼(identification,ID)),且可在實行小區量測時量測與已辨識出的第一小區10至第七小區70中的每一者對應的訊號功率等。
在下文中,詳細闡述終端100的小區搜索操作。終端100可藉由使用自第一小區10至第七小區70接收的訊號來產生小區搜索資料。舉例而言,終端100可自第一小區10至第七小區70中的每一者接收同步訊號且基於對同步訊號的偵測結果產生小區搜索資料。終端100可基於小區搜索資料及分類器自第一小區10至第七小區70確定有效小區候選群組。分類器可將第一小區10至第七小區70之中可能被確定為有效小區的小區分類為候選小區。舉例而言,分類器可設定與分類器對應的分類函數,將藉由將小區搜索資料應用於分類函數而產生的輸出與參考值進行比較,且基於比較結果確定有效小區候選群組。舉例而言,當藉由輸入與第一小區對應的小區搜索資料而產生的分類函數的輸出符合第一參考時,終端100可將第一小區分類為候選小區,且當所述輸出符合第二參考時可將第一小區分類為故障小區。小區搜索資料可包括來自第一小區10至第七小區70的接收訊號與參考訊號之間的關聯度、所述關聯度的量值及自所述關聯度獲得的相位,且分類器可將藉由應用包括上述關聯度相關資料在內的小區搜索資料而產生的輸出中的每一者與參考值進行比較,且可基於比較結果確定有效小區候選群組。
然而,如上所述,由於例如關聯度等索引的準確度在其中訊號電場弱或強的雜訊環境中會發生變化,因此可能期望非固定分類器(或分類函數及分類參考)的設計即使是在各種雜訊環境中亦能夠準確地確定有效小區。
根據示例性實施例的終端100可藉由持續更新分類器而使改善的小區搜索效能即使在變化的雜訊環境中亦可維持恆定。作為示例性實施例,終端100可針對第一小區10至第七小區70產生第一小區搜索訓練資料。第一小區搜索訓練資料可更新分類器,且終端100可與小區搜索操作分開地週期性產生第一小區搜索訓練資料。此外,終端100可與小區搜索操作並行地(例如,同時或同期)產生第一小區搜索訓練資料來更新分類器,且此外,終端100可藉由使用在小區搜索操作中產生的小區搜索資料來更新分類器。另一方面,在示例性實施例中,第一小區10至第七小區70可包括實際上不存在的小區或偽小區(fake cell),且終端100可針對實際上不存在的小區或偽小區產生第一小區搜索訓練資料。
作為示例性實施例,終端100可基於第一小區搜索訓練資料來確定包括至少一個訓練候選小區的訓練有效小區候選群組。訓練候選小區可被定義為用於更新分類器的小區。終端100可將第一小區搜索訓練資料中所包括的每一小區的接收訊號與參考訊號之間的關聯度的量值和關聯度參考值進行比較,且基於比較結果確定訓練有效小區候選群組。舉例而言,第一小區搜索訓練資料可包括來自第一小區10至第七小區70的接收訊號與參考訊號之間的關聯度、所述關聯度的量值及/或自所述關聯度獲得的相位。此外,第一小區搜索訓練資料可更包括第一小區10至第七小區70中的每一者的小區辨識號碼(identification number,ID)、訊號定時及/或接收功率中的至少一者。
終端100可藉由選擇性地使用第一小區搜索訓練資料之中與訓練有效小區候選群組對應的第二小區搜索訓練資料(根據示例性實施例,在本文中亦可被稱為第二訓練小區搜索資料)來更新分類器(例如,更新分類函數及/或分類)。作為示例性實施例,終端100可基於第二小區搜索訓練資料及關於終端100的網路資訊來更新分類器。關於終端100的網路資訊可包括關於當前連接至終端100的小區的資訊以及關於終端100的當前網路連接狀態(根據示例性實施例,在本文中亦可被稱為當前網路狀態)的資訊中的至少一者。稍後闡述藉由使用第二小區搜索訓練資料及網路資訊對終端100的分類器進行的更新操作的細節。舉例而言,終端100可基於各種機器學習技術對分類器實行更新操作。
對於在實行小區搜索操作之前的初始化,終端可在先前擬定的雜訊環境中使用當施加有效訊號時產生的初始第一小區搜索訓練資料以及當施加故障訊號時產生的初始第一小區搜索訓練資料。終端可藉由使用初始第一小區搜索訓練資料實行初始學習來在開始時對分類器進行設定。根據示例性實施例,初始第一小區搜索訓練資料可儲存於終端的記憶體中,以用於將分類器初始化。
根據示例性實施例的終端100可藉由持續更新用於自可彼此相鄰的第一小區10至第七小區70確定有效小區的分類器而在各種雜訊環境中穩定地提供改善的小區搜索效能。此外,終端100亦可藉由減小對無效小區的連接操作的頻率來減少過度的資源消耗。
圖2是示出根據示例性實施例的終端100的方塊圖。
參照圖2,終端100可包括多個天線110、射頻積體電路(Radio Frequency Integrated Circuit,RFIC)120、訊號偵測器130、小區搜索控制器140、分類器150、記憶體160及/或處理器170。在示例性實施例中,所述多個天線110及RFIC 120可被配置為前端模組,且訊號偵測器130、小區搜索控制器140、分類器150、記憶體160及處理器170可被配置為後端模組。此外,在圖2中,訊號偵測器130、小區搜索控制器140、分類器150及處理器170被示出為被劃分成具有各種作用的配置,但並非僅限於此,且可使用一個基頻處理器來實施訊號偵測器130、小區搜索控制器140、分類器150及/或處理器170。
天線110可經由無線通道傳送經RFIC 120處理的訊號及/或經由無線通道接收自小區傳送的訊號。RFIC 120可放大自天線110接收的具有低雜訊的訊號,且對放大的訊號實行降頻轉換(frequency down-conversion)以將所述放大的訊號轉換成基頻訊號。
訊號偵測器130可偵測自與終端100相鄰的小區接收的同步訊號。舉例而言,同步訊號可包括主同步訊號(primary synchronization signal,PSS)及輔助同步訊號(secondary synchronization signal,SSS),且訊號偵測器130可依序偵測PSS及SSS且針對相鄰的小區產生第一小區搜索訓練資料。訊號偵測器130可偵測任意相鄰小區的PSS,自偵測到的PSS獲得小區的特定定時資訊(例如,5毫秒),且獲得SSS的位置及小區的小區ID群組中的小區ID。接下來,訊號偵測器130可偵測SSS,自偵測到的SSS獲得小區的幀定時,且獲得所述小區所屬的小區群組ID及與所述小區對應的參考訊號。訊號偵測器130可向小區搜索控制器140輸出第一小區搜索訓練資料,所述第一小區搜索訓練資料包括藉由計算自小區接收的訊號與參考訊號之間的關聯度而產生的關聯度、所述關聯度的量值及/或自所述關聯度獲得的相位。
小區搜索控制器140可藉由使用第一小區搜索訓練資料來確定包括至少一個訓練候選小區的訓練有效小區候選群組。舉例而言,小區搜索控制器140可基於第一小區搜索訓練資料中所包括的每一小區的接收訊號與參考訊號之間的關聯度的量值來確定訓練有效小區候選群組。
小區搜索控制器140可自第一小區搜索訓練資料提取與訓練有效小區候選群組對應的第二小區搜索訓練資料。小區搜索控制器140可基於終端100的網路資訊將第二小區搜索訓練資料分類至有效小區資料集及故障小區資料集中。作為示例性實施例,終端100的網路資訊可包括關於終端100當前連接至的小區的資訊(例如,當前連接的小區ID),且小區搜索控制器140可將與具有和當前連接的小區ID匹配的ID的訓練候選小區對應的第二訓練小區搜索資料分類至有效小區資料集中,且將與具有和當前連接的小區ID不一致的ID的訓練候選小區對應的第二訓練小區搜索資料分類至故障小區資料集中。在下文中,故障小區可被定義為不適於連接至終端100的弱小區。此外,故障小區可包括不存在的小區且可被稱為假像小區(ghost cell)。
在示例性實施例中,小區搜索控制器140可基於有效小區資料集與故障小區資料集之間的線性分隔來更新分類器150。當有效小區資料集及故障小區資料集被應用於與分類器150(例如,分類)對應的分類函數時,輸出結果可具有線性分隔,且稍後闡述其細節。
由於有效小區資料集是基於當前連接的小區的資訊進行分類,因此當有效小區資料集被輸入至分類器150(例如,被應用於分類及/或被輸入至分類函數)時,分類器150輸出的輸入結果可預期符合第一參考。當搜索小區時,第一參考可為預先設定的或者作為另外一種選擇可為給定的參考,以將多個小區之中的至少一個小區分類至候選小區或有效小區中。當與有效小區資料集對應的分類器150的輸入結果不符合第一參考時,小區搜索控制器140可適當地更新分類器150。另外,由於故障小區資料集是基於關於當前連接的小區的資訊進行分類,因此當故障小區資料集被輸入至分類器150(例如,被應用於分類及/或被輸入至分類函數)時,分類器150輸出的輸入結果可預期符合第二參考。第二參考可為預先設定的或者作為另外一種選擇可為給定的參考,以用於在搜索小區的同時自所述多個小區移除故障小區。當與故障小區資料集對應的分類器150的輸入結果不符合第二參考時,小區搜索控制器140可適當地更新分類器150。根據示例性實施例,第一參考及/或第二參考可為藉由經驗研究確定的設計參數。
在示例性實施例中,小區搜索控制器140對分類器150進行的更新操作可包括調整與分類器150對應的分類函數中的至少一個參數(例如,調整分類及/或分類標準)的操作。作為實例,分類函數可包括斜率及/或偏置項中的至少一者且可對應於線性函數。作為非限制性實例,分類函數可為支援向量機(SVM)分類函數。另外,小區搜索控制器140可包括用於以上述方式持續更新分類器150的機器學習引擎。
在示例性實施例中,在將有效小區資料集及故障小區資料集輸入至分類器150之前,小區搜索控制器140可慮及記憶體160的儲存容量而選擇性地將有效小區資料集及故障小區資料集儲存於記憶體160中。記憶體160可包括第一記憶體區域及第二記憶體區域,有效小區資料集可儲存於第一記憶體區域中,且故障小區資料集可儲存於第二記憶體區域中。另一方面,由於第一記憶體區域及第二記憶體區域具有有限的儲存容量,且週期性產生及新產生的有效小區資料集及故障小區資料集二者皆可不被儲存,因此小區搜索控制器140可屬於有效小區資料集及故障小區資料集之中的特定有效範圍,選擇與分類器150的分類參考相鄰的資料,且將所選擇的資料儲存於第一記憶體區域及第二記憶體區域中的每一者中。稍後闡述此種情形的細節。小區搜索控制器140可藉由使用經更新的分類器150來實行小區搜索操作且確定所述多個小區之中的有效小區。
作為示例性實施例,當在搜索小區的同時自小區搜索控制器140輸入小區搜索資料時,分類器150可基於輸入結果來確定有效小區候選群組。在示例性實施例中,當輸入與自小區搜索控制器140確定的有效小區候選群組對應的小區搜索資料時,分類器150可基於輸入結果移除有效小區候選群組中所包括的故障小區。在示例性實施例中,當自小區搜索控制器140輸入小區搜索資料時,分類器150可基於輸入結果立即或迅速地確定有效小區。在下文中,主要基於其中藉由使用分類器150來確定準確的有效小區候選群組的示例性實施例給出說明,但並非僅限於此。在示例性實施例中,可移除藉由使用分類器150確定的有效小區候選群組中所包括的故障小區,或者可藉由使用小區搜索資料實行確定有效小區的操作。處理器170可控制與由小區搜索控制器140確定的有效小區進行無線通訊的各種操作。
圖3是示出根據示例性實施例的小區搜索控制器140的方塊圖。在圖3中,根據小區搜索控制器140的特定作用來劃分配置,但此是為了便於說明且示例性實施例並非僅限於此,且應清楚地理解,可以各種方式(例如硬體或者軟體與硬體的組合)實施小區搜索控制器140。
參照圖3,小區搜索控制器140可包括訓練資料收集器142、資料預處理器144、學習機(learning machine)146及/或分類器更新器148。訓練資料收集器142可藉由使用自所述多個小區接收的訊號來收集第一小區搜索訓練資料。在示例性實施例中,第一小區搜索訓練資料可包括所述多個小區中的每一者的接收訊號與參考訊號之間的關聯度、所述關聯度的量值及/或自所述關聯度獲得的相位,且可更包括小區ID、訊號定時及/或接收功率中的至少一者。另一方面,第一小區搜索訓練資料的所述多個小區中的每一者的關聯度的量值及/或自關聯度獲得的相位可對應於被應用於與稍後將闡述的分類器對應的分類函數的變數。稍後闡述此種情形的細節。
訓練資料收集器142可自第一小區搜索訓練資料確定訓練有效小區候選群組,且可藉由使用關於當前連接至終端的小區的資訊來將第二小區搜索訓練資料分類至有效小區資料集及故障小區資料集中。僅當終端與當前連接的小區之間的網路電場等於或大於參考電場時,訓練資料收集器142可實行對故障小區資料集進行分類的操作。換言之,當網路電場小於參考電場時,有效小區可能會被誤認為故障小區,且因此故障小區資料集的可靠性可能會劣化,且訓練資料收集器142可基於上述條件實行故障小區資料集的分類操作。不論網路電場的狀態如何皆可實行對有效小區資料集進行分類的操作。根據示例性實施例,參考電場可為藉由經驗研究確定的設計參數。
在藉由使用有效小區資料集及故障小區資料集(例如,第二小區搜索訓練資料)更新分類器之前,資料預處理器144可基於終端的當前網路狀態對有效小區資料集及故障小區資料集實行預處理操作。舉例而言,終端的當前網路狀態可包括終端的網路連接起始狀態(例如,終端的網路連接狀態)及/或終端的交遞狀態(handover state)中的至少一者。終端的網路連接起始狀態可意指當終端接通時第一次開始與小區連接的網路狀態。終端的交遞狀態可意指由於終端的移動等而將連接自一個小區切換至另一小區的網路狀態。資料預處理器144可藉由對有效小區資料集及故障小區資料集實行預處理而向分類器反映終端的當前網路狀態(例如,可基於終端的當前網路狀態更新分類器)。舉例而言,資料預處理器144可藉由將特定旋轉矩陣應用於有效小區資料集及故障小區資料集來實行預處理操作。稍後闡述此種情形的細節。另一方面,在示例性實施例中,可省略預處理器144的操作。根據示例性實施例,本文中所使用的用語資料預處理器及預處理操作可具有不反映預處理操作及/或資料預處理器的操作相對於終端100的其他操作的時序或次序的含義。
學習機146可將有效小區資料集及故障小區資料集輸入至分類器,且基於自分類器輸出的輸入結果對與分類器對應的分類函數實行機械學習(例如,機器學習)。學習機146可基於分類器的分類函數來學習有效小區資料集與故障小區資料集的線性分隔,且可導出能夠區分有效小區資料集與故障小區資料集的最佳或期望的分類函數。根據示例性實施例,學習機146可藉由以下方式來確定線性分隔:將有效小區資料集輸入於分類器中並將輸出與第一參考進行比較,且將故障小區資料集輸入於分類器中並將輸出與第二參考進行比較。在示例性實施例中,終端100的處理電路系統可藉由人工智慧及/或機器學習實行一些操作(例如,在本文中被闡述為由學習機146實行的操作)。作為實例,處理電路系統可實施例如經監督式學習模型、無監督式學習模型及/或加強學習模型在訓練資料集(例如,有效小區資料集及/或故障小區資料集)上訓練的人工神經網路,且其中處理電路系統可處理特徵向量以基於所述訓練提供輸出。此種人工神經網路可利用各種人工神經網路組織及處理模型,例如卷積神經網路(convolutional neural network,CNN)、可選地包括長短期記憶體(long short-term memory,LSTM)單元及/或閘控遞歸單元(gated recurrent unit,GRU)的遞歸神經網路(recurrent neural network,RNN)、基於堆疊的深度神經網路(stacking-based deep neural network,S-DNN)、狀態空間動態神經網路(state-space dynamic neural network,S-SDNN)、反卷積網路(deconvolution network)、深度信念網路(deep belief network,DBN)及/或受限波茲曼機(restricted Boltzmann machine,RBM)。作為另外一種選擇或另外地,處理電路系統可包括其他形式的人工智慧及/或機器學習,例如(舉例而言)線性及/或邏輯迴歸、統計聚類(statistical clustering)、貝葉斯分類(Bayesian classification)、決策樹、例如主成分分析的降維(dimensionality reduction)以及專家系統;及/或其組合,包括例如隨機森林等系集(ensemble)。本揭露中所使用的用語「處理電路系統」可指例如:硬體,包括邏輯電路;硬體/軟體組合,例如執行軟體的處理器;或者其組合。舉例而言,處理電路系統更具體而言可包括但不限於中央處理單元(central processing unit,CPU)、算術邏輯單元(arithmetic logic unit,ALU)、數位訊號處理器、微電腦、現場可程式化閘陣列(field programmable gate array,FPGA)、系統晶片(System-on-Chip,SoC)、可程式化邏輯單元、微處理器、特殊應用積體電路(application-specific integrated circuit,ASIC)等。
分類器更新器148可基於學習機146的學習結果來調整分類器的分類函數的至少一個參數。分類函數可被實施為線性函數,且分類函數的參數可包括分類函數的斜率及/或偏置項。
圖4是根據示例性實施例的終端的小區搜索方法的流程圖。
參照圖4,終端100可針對所述多個小區產生第一小區搜索訓練資料(S100)。舉例而言,終端可偵測自所述多個小區接收的同步訊號,且產生包括特有資訊以及每一小區的接收訊號與參考訊號之間的關聯度的第一小區搜索訓練資料,所述特有資訊包括小區ID。終端可藉由使用第一小區搜索訓練資料來確定包括至少一個訓練候選小區的訓練有效小區候選群組(S200)。舉例而言,終端可將第一小區搜索訓練資料的每一小區的接收訊號與參考訊號之間的關聯度的量值和關聯度參考值進行比較,且在檢查每一小區的比較結果之後自所述多個小區確定訓練候選小區。終端可基於與訓練有效小區候選群組對應的第二小區搜索訓練資料及終端的網路資訊來更新分類器(S300)。舉例而言,終端可基於網路資訊中關於連接至終端的小區的資訊來將第二小區搜索訓練資料分類至有效小區資料集及故障小區資料集中。另外,終端可將網路資訊之中關於終端的當前網路連接狀態的資訊反映至分類器中。由於適當的分類函數根據終端的當前網路連接狀態而變化,因此藉由根據當前網路連接狀態對將輸入至分類器中的有效小區資料集及故障小區資料集實行預處理操作,終端可間接調整分類器的分類函數的至少一個參數,使得所述至少一個參數符合終端的當前網路連接狀態。終端可將有效小區資料集及故障小區資料集輸入至分類器,且基於自分類器輸出的輸入結果更新分類器。舉例而言,當有效小區資料集被應用於分類器的分類函數且輸出不符合第一參考的結果時,或者當故障小區資料集被應用於分類器的分類函數且輸出不符合第二參考的結果時,終端可藉由調整分類函數的至少一個參數來更新分類器。終端可基於經更新的分類器實行小區搜索操作(S400)。舉例而言,終端可在小區搜索期間針對所述多個小區產生小區搜索資料,且可藉由將小區搜索資料應用於經更新的分類器來確定有效小區候選群組。終端可將有效小區候選群組中的候選小區中的每一者的所量測的多個接收功率之中具有最大接收功率的候選小區確定為有效小區。舉例而言,接收功率可對應於與小區特定參考訊號相關聯的參考訊號接收功率(Reference Signal Received Power,RSRP)、與同步訊號相關聯的同步接收功率(Synchronization Received Power,SCH_RP)、參考訊號接收品質(Reference Signal Received Quality,RSRQ)、訊號對干擾及雜訊比(Signal-to-Interference-and-Noise Ratio,SINR)、接收訊號強度指示器(Received Signal Strength Indicator,RSSI)等中的至少一者。
在操作S400的示例性實施例中,終端可在小區搜索操作期間針對所述多個小區產生小區搜索資料,且基於小區搜索資料確定有效小區候選群組。終端可藉由將與有效小區候選群組對應的小區搜索資料應用於經更新的分類器來移除有效小區候選群組中所包括的故障小區。在操作S400的示例性實施例中,當與基於小區搜索資料確定的有效小區候選群組對應的小區搜索資料被應用於經更新的分類器時,終端可基於分類器的輸入結果立即或迅速地確定有效小區。根據示例性實施例,在操作S400之後,終端100可與有效小區候選群組中所包括的有效小區連接且實行與有效小區的通訊(例如,傳送及/或接收資料)。
圖5是根據示例性實施例的圖4中的操作S100的詳細流程圖。
參照圖5,終端可自所述多個小區接收同步訊號且偵測每一小區的同步訊號中的PSS(S110)。終端可藉由使用每一小區的PSS偵測結果來偵測每一小區的SSS(S120)。終端可藉由使用每一小區的PSS偵測結果及SSS偵測結果來產生第一小區搜索訓練資料(S130)。舉例而言,第一小區搜索訓練資料可具有適用於分類器的應用的資料格式,且第一小區搜索訓練資料可包括所述多個小區的特有資訊。
圖6是根據示例性實施例的圖4中的操作S200的詳細流程圖。
參照圖6,在圖4中的操作S100之後,可判斷與所述多個小區之中的第n(其中n是1或大於1的整數)小區對應的接收訊號之間的關聯度的量值是否大於參考值(S210)。根據示例性實施例,「n」在實行圖6中所繪示的操作之前被初始化成具有值「1」。當操作S210的結果為「是(Yes)」時,終端可將第n小區分類為訓練候選小區(S220)且繼續進行至操作S230。否則,當操作S210的結果為「否(No)」時,可判斷「n」是否等於和與終端相鄰的小區的總數目對應的「m」(S230)。當操作S230的結果為「否」時,終端可對「n」進行向上計數(例如,遞增)且實行(例如,重複進行)操作S210(S240)。否則,當操作S230的結果為「是」時,終端可確定包括先前已被分類的至少一個訓練候選小區的訓練有效小區候選群組(S250)。
圖7A及圖7B是根據示例性實施例的圖4中的操作S300的詳細流程圖。
參照圖7A,終端可將訓練候選小區的具有與連接至當前終端的小區的ID匹配的ID的第二訓練小區搜索資料(例如,第二訓練搜索資料的第一部分)分類為有效小區資料集(S310)。終端可將訓練候選小區的具有不與連接至當前終端的小區的ID匹配的ID的第二訓練小區搜索資料(例如,第二訓練小區搜索資料的第二部分)分類為故障小區資料集(S320)。終端可基於有效小區資料集及故障小區資料集更新分類器(S330)。
參照圖7B,在圖7A中的操作S310之後,終端可判斷當前網路電場是否大於參考電場(S315)。當操作S315的結果為「是」時,隨後可進行圖7A中的操作S320。否則,當操作S315的結果為「否」時,可省略圖7A中的操作S320,且隨後可立即或依序進行操作S330。換言之,當操作S315的結果為「否」時,終端可藉由僅使用除故障小區資料集之外的有效小區資料集(例如,在不使用故障小區資料集的情況下)來對分類器實行更新操作。
圖8A是用於闡釋根據示例性實施例的基於SVM的分類器的曲線圖,且圖8B是基於參照圖8A給出的說明的圖4中的操作S300的詳細流程圖。在下文中,主要根據基於SVM實施的示例性實施例來闡述分類器,但此僅為示例性實施例且示例性實施例並非僅限於此。顯而易見的是,可對分類器應用能夠將與有效小區資料集對應的有效小區和與故障小區資料集對應的故障小區分隔的各種分類技術。根據示例性實施例,本文中所使用的用語分類器是指以下處理電路系統:所述處理電路系統被配置成調整(例如,更新)及/或管理分類函數(例如,分類及/或分類標準)及/或使用分類函數計算分類。根據示例性實施例,本文中提及的將資料輸入至分類器中可指使用輸入資料作為分類函數中的參數來計算解及/或分類。根據示例性實施例,本文中提及的分類器輸出的資料可指分類函數的解及/或使用分類函數計算的分類。
根據示例性實施例的分類器可基於SVM。SVM可為機器學習引擎,所述機器學習引擎提供能夠將訓練資料集分類成任意兩個群組的分類器。假設存在能夠在所述兩個群組之間進行線性分隔的分類器,可藉由提供解決方案(例如,對於最佳化問題)增大所述兩個群組之間的裕度(例如,有效小區資料集與故障小區資料集之間的裕度)。與基於SVM的分類器(或SVM分類器)對應的分類函數可由方程式1定義。根據示例性實施例,分類器可確定及/或調整在有效小區資料集與故障小區資料集之間提供最大線性分隔(例如,裕度)及/或確定的線性分隔的分類函數的參數(例如,分類函數的斜率及/或偏置項)(例如,可基於線性分隔更新分類器)。
[方程式1]
在方程式1中,作為分類函數的斜率,可為與裕度相關的對稱矩陣參數,且作為被輸入至分類函數的參數,可對應於第一小區搜索訓練資料、有效小區資料集及/或故障小區資料集中的任一者。可為分類函數的偏置項。可由方程式2定義。
[方程式2]
可表示與第i小區(其中i是1或大於1的整數)對應的接收訊號之間的關聯度的量值,且可為由與第i小區對應的關聯度的實部(real component)及虛部(imaginary component)確定的相位。可按小區進行分類且被輸入至分類函數。終端可將有效小區資料集及故障小區資料集輸入至分類函數,且可藉由將自分類函數輸出的輸入結果與特定參考進行比較來調整分類函數的斜率及/或偏置項中的至少一者。
如圖8A中所示,與有效小區資料集對應的有效小區和與故障小區資料集對應的故障小區彼此可具有線性分隔,且可調整與基於SVM的分類器對應的斜率及偏置項中的至少一者,使得有效小區及故障小區可被分類至最佳或期望的裕度中。
在示例性實施例中,終端可將有效小區資料集輸入至分類函數中且判斷是否滿足方程式3的條件。
[方程式3]
當與第k訓練候選小區(其中k是1或大於1的整數)對應的第k資料被輸入至有效小區資料集中的分類函數且輸入結果大於特定參考值時,終端可確定分類函數是適當的。另一方面,當輸入結果等於或小於時,終端可確定分類函數是不適當的且可調整分類函數的斜率及偏置項中的至少一者。舉例而言,終端可將分類函數的斜率及/或偏置項調整得較以前低。
在示例性實施例中,終端可將故障小區資料集輸入至分類函數中且判斷是否滿足方程式4的條件。
[方程式4]
當與第j(其中j是1或大於1的整數)訓練候選小區對應的第j資料被輸入至有效小區資料集中的分類函數且輸入結果小於特定參考值時,終端可確定分類函數是適當的。另一方面,當輸入結果等於或大於時,終端可確定分類函數是不適當的且可調整分類函數的斜率及/或偏置項中的至少一者。舉例而言,終端可將分類函數的斜率及/或偏置項調整得較以前高。
進一步參照圖8B,終端可將有效小區資料集中與第k訓練候選小區對應的第k資料輸入至分類器中(S321a)。根據示例性實施例,「k」及「j」在實行圖8B中所繪示的操作之前被初始化成具有值「1」。終端可判斷分類器因應於第k資料的輸出是否符合(例如,滿足)第一參考(S322a)。當操作S322a的結果為「否」時,終端可調整分類函數中的至少一個參數(S323a)且繼續進行至操作S324a。否則,當操作S322a的結果為「是」時,終端可判斷作為與有效小區資料集對應的訓練候選小區的總數目的「p1」是否與「k」相同(S324a)。當操作S324a的結果為「否」時,終端可對「k」進行向上計數(例如,遞增)(S325a)且接著隨後可進行(例如,重複進行)操作S321a。否則,當操作S324a的結果為「是」時,終端可將故障小區資料集中與第j訓練候選小區對應的第j資料輸入至分類器中(S321b)。終端可判斷分類器因應於第j資料的輸出是否符合(例如,滿足)第二參考(S322b)。當操作S322b的結果為「否」時,終端可調整分類功能中的至少一個參數(S323b)且繼續進行至操作S324b。否則,當操作S322b的結果為「是」時,終端可判斷作為與故障小區資料集對應的訓練候選小區的總數目的「p2」是否與「j」相同(S324b)。當操作S324b的結果為「否」時,終端可對「j」進行向上計數(例如,遞增)(S325b),且接著隨後可進行(例如,重複進行)操作S321b。否則,當操作S324b的結果為「是」時,終端可完成分類器的更新操作(S326)。
圖9是根據示例性實施例的圖4中的操作S300的詳細流程圖。
參照圖9,終端可獲得當前網路連接狀態(S327)。舉例而言,終端可辨別當前網路連接狀態是網路連接起始狀態還是交遞狀態。終端可向分類器反映當前網路連接狀態(S328)。舉例而言,終端可藉由根據當前網路連接狀態對有效小區資料集及故障小區資料集實行預處理操作來向分類器反映終端的當前網路連接狀態。
圖10A是根據示例性實施例的圖9中的操作S328的詳細流程圖,且圖10B是用於闡釋圖10A中所揭露的示例性實施例的曲線圖。
參照圖10A,在圖9中的操作S327之後,終端可判斷當前網路連接狀態是否為網路連接起始狀態(S328a)。當操作S328a的結果為「是」時,終端可對有效小區資料集及故障小區資料集實行預處理操作,以間接調整分類函數的斜率且使分類函數的斜率更高(S328b)。否則,當操作S328a的結果為「否」時,終端可判斷當前網路連接狀態是否為交遞狀態(S328c)。當操作S328c的結果為「是」時,終端可對有效小區資料集及故障小區資料集實行預處理操作,以間接調整分類函數的斜率且使分類函數的斜率更低(S328d)。否則,當操作S328c的結果為「否」時,終端可省略預處理操作(S328e)。在下文中,隨後可進行圖8B中的操作S321a。
進一步參照圖10B,終端可根據當前網路連接狀態間接調整與SVM分類器對應的分類函數的斜率。舉例而言,當終端處於第一種情形(情形1)中的網路連接起始狀態時,終端可對有效小區資料集及故障小區資料集實行第一預處理操作,使得與SVM分類器對應的分類函數的斜率可間接增大。另外,當終端處於第二種情形(情形2)中的交遞狀態時,終端可對有效小區資料集及故障小區資料集實行第二預處理操作,使得與SVM分類器對應的分類函數的斜率可間接減小。
儘管已闡述了其中終端藉由基於當前網路連接狀態對有效小區資料集及故障小區資料集進行預處理來間接調整分類器的分類函數的至少一個參數的示例性實施例,然而此僅為示例性實施例且示例性實施例並非僅限於此。在示例性實施例中,終端可基於當前網路連接狀態直接調整分類函數的至少一個參數。
圖11A及圖11B分別是根據示例性實施例的慮及記憶體的有限儲存容量的終端的有效小區資料集及故障小區資料集的儲存方法的流程圖。
參照圖11A,終端可設定有效小區資料集的有效範圍(S500a)。舉例而言,如以上參照圖8A所述,當有效小區資料集包括接收訊號與參考訊號之間的關聯度的量值以及自關聯度的實部及虛部確定的相位時,可基於相位設定有效範圍。終端可將有效範圍劃分成z(其中,z是1或大於1的整數)個區(例如,區段(zone))(S510a)。終端可自有效小區資料集提取與每一區對應的資料(S520a)。根據示例性實施例,終端可自符合參考值的有效小區資料集提取包括每一區中的偵測資料在內的資料。終端可在第一方法中選擇性地將所提取的資料儲存於針對每一區劃分的第一記憶體區域中(S530a)。
參照圖11B,終端可設定故障小區資料集的有效範圍(S500b)。終端可將有效範圍劃分成z個區(S510b)。然而,當使用圖11A中的操作S500a及S510a的結果時,可省略操作S500b及S510b。終端可自故障小區資料集提取與每一區對應的資料(S520b)。根據示例性實施例,終端可自符合參考值的故障小區資料集提取包括每一區中的偵測資料在內的資料。終端可在第二種方法中選擇性地將所提取的資料儲存於針對每一區劃分的第二記憶體區域中(S530b)。
可在圖7A中的操作S320之後實行操作S500a至S530a及操作S500b至S530b,且終端可藉由使用分別儲存於第一記憶體區域及第二記憶體區域中的有效小區資料集及故障小區資料集實行圖7A中的操作S330。
進一步參照圖12,當終端在第一記憶體區域MA1中儲存有效小區資料集VCDS時,第一記憶體區域MA1可被劃分成z個區或者第一區R1至第z區Rz,且有效小區資料集VCDS可被儲存為資料小區資料(即C_11a至C_1ta、C_21a至C_2ta、…、C_z1a至C_zta),資料小區資料中的每一者對應於每一區段(例如,區)。舉例而言,第一區段(例如,區)R1至第z區段Rz中的每一者可具有僅儲存「t」個資料(例如,資料的位元、位元組等)的有限空間(其中t是2或大於2的整數),藉由應用特定優先權首先儲存具有高優先權的資料,且刪除具有相對低的優先權的資料而不保存所述資料。舉例而言,當有效小區資料集VCDS中的資料被輸入至分類函數時,終端可估測輸出的輸入結果與圖8A中的方程式3中的參考值之間的接近程度且確定資料的儲存優先權。舉例而言,終端可按照第一區段至第z區段(即第一區段R1至第z區段Rz)中的每一者中的資料中所包括的小的關聯度大小的次序來設定儲存優先權,且將有效小區資料集VCDS儲存於第一記憶體區域MA1中。
終端可參照第一記憶體區域MA1的第一索引Index_11至第t索引Index_1t來存取儲存於第一記憶體區域MA1中的有效小區資料集VCDS,且在機器學習中使用所存取的有效小區資料集VCDS來更新分類器。
當終端在第二記憶體區域MA2中儲存故障小區資料集FCDS時,第二記憶體區域MA2可被劃分成z個區段(在本文中亦可被稱為區)(即第一區段R1至第z區段Rz),且故障小區資料集FCDS中的每一者可被儲存為資料(即C_11b至C_1tb、C_21b至C_2tb、…、C_z1b至C_ztb),所述資料中的每一者對應於每一區段。舉例而言,第一區段R1至第z區段Rz中的每一者可具有僅儲存「t」個資料(例如,資料的位元、位元組等)的有限空間(其中t是2或大於2的整數),藉由應用特定優先權首先儲存具有高優先權的資料,且刪除具有相對低的優先權的資料而不保存所述資料。舉例而言,當故障小區資料集FCDS中的資料被輸入至分類函數時,終端可估測輸出的輸入結果與圖8A中的方程式4中的參考值之間的接近程度且確定資料的儲存優先權。舉例而言,終端可按照z個區段(即第一區段R1至第z區段Rz)中的每一者中的資料中所包括的大的關聯度大小的次序來設定儲存優先權,且將故障小區資料集FCDS儲存於第二記憶體區域MA2中。
終端可參照第二記憶體區域MA2的第一索引Index_21至第t索引Index_2t來存取儲存於第二記憶體區域MA2中的故障小區資料集FCDS,且在機器學習中使用所存取的故障小區資料集FCDS來更新分類器。
圖13是根據示例性實施例的終端的小區搜索方法的圖。
參照圖13,終端可產生用於小區搜索的小區搜索資料(S600)。舉例而言,終端可自多個小區接收同步訊號且產生與所述多個小區中的每一者對應的小區搜索資料。終端可藉由應用參照圖1至圖12闡述的示例性實施例而基於經更新的分類器來確定有效小區候選群組(S610)。作為實例,終端可將小區搜索資料應用於經更新的分類器,並且藉由將符合與圖8A相關聯的方程式3的條件的那些小區搜索資料分類為候選小區且將符合與圖8A相關聯的方程式4的條件滿足的那些小區搜索資料分類為故障小區,可確定有效小區候選群組。終端可基於與來自有效小區候選群組的每一候選小區對應的接收功率來確定一個有效小區(S620)。
在示例性實施例中,終端可與分類器更新操作並行地實行包括操作S600至S620的小區搜索操作,且可使用在操作S600中產生的小區搜索資料作為第一小區搜索訓練資料來更新分類器。
圖14是根據示例性實施例的電子裝置1000的方塊圖。
參照圖14,電子裝置1000可包括記憶體1010、處理器單元1020、輸入/輸出控制器1040、顯示單元1050、輸入裝置1060及/或通訊處理單元1090。可存在多個記憶體1010。以下示出各種組件。
記憶體1010可包括用於儲存用於控制電子裝置1000的操作的程式的程式儲存單元1011及用於儲存在程式執行期間產生的資料的資料儲存單元1012。資料儲存單元1012可儲存用於應用程式1013及有效小區確定程式1014的操作的資料。程式儲存單元1011可包括應用程式1013及有效小區區分程式1014。此處,程式儲存單元1011中所包括的程式可為指令的集合且可被表達為指令集。
應用程式1013可包括可在電子裝置1000中操作的應用程式。換言之,應用程式1013可包括由處理器1022執行的應用指令。根據本揭露的示例性實施例,有效小區區分程式1014可控制分類器更新操作。換言之,電子裝置1000可藉由使用有效小區區分程式1014來產生小區搜索訓練資料,且藉由使用小區搜索訓練資料對即使在各種雜訊環境中亦能夠區分最佳或期望的有效小區的分類器實行機器學習。
周邊裝置介面1023可控制基地台的輸入/輸出周邊裝置與處理器1022及記憶體介面1021的連接。處理器1022可藉由使用至少一個軟體程式來控制基地台提供可應用服務。在此種情形中,處理器1022可執行儲存於記憶體1010中的至少一個程式,以提供與可應用程式對應的服務。
輸入/輸出控制器1040可在輸入/輸出裝置(例如顯示單元1050及輸入裝置1060)與周邊裝置介面1023之間提供介面。顯示單元1050可顯示狀態資訊、輸入字元(moving picture)、移動圖像、靜止圖像等。舉例而言,顯示單元1050可顯示關於由處理器1022執行的應用程式的資訊。
輸入裝置1060可經由輸入/輸出控制器1040向處理器單元1020提供由電子裝置1000的選擇產生的輸入資料。在此種情形中,輸入裝置1060可包括鍵盤,所述鍵盤包括至少一個硬體按鈕及用於感測觸控資訊的觸控板。舉例而言,輸入裝置1060可經由輸入/輸出控制器1040向處理器1022提供觸控資訊,例如觸控板已感測到的觸控、觸控移動及觸摸釋放。電子裝置1000可包括實行用於語音通訊及資料通訊的通訊功能的通訊處理單元1090。
用於與多個小區進行通訊的傳統裝置及方法基於固定的關聯度參考值來確定有效小區。然而,此種固定的關聯度參考值在各種雜訊環境(例如,弱訊號電場的增加的雜訊環境)中是不可靠且不準確的。由於該些傳統裝置及方法缺乏可靠性及準確度,因此與無效小區的嘗試連接的發生率增大,導致過度資源消耗(例如,功率、處理器、記憶體、延遲等)。
然而,示例性實施例提供用於與多個小區進行通訊的改善的終端及方法,所述終端及方法使用可更新的分類器來確定有效小區。可對分類器進行更新,以在各種雜訊環境(包括弱訊號電場的增加的雜訊環境)中提供改善的效能。因此,改善的終端及方法克服了傳統裝置及方法的缺陷,以相較於傳統裝置及方法提供改善的可靠性及準確度且因此提供減少的過度資源消耗(例如,功率、處理器、記憶體、延遲等)。
根據示例性實施例,本文中闡述由無線通訊系統1、第一小區10至第七小區70、終端100、RFIC 120、訊號偵測器130、小區搜索控制器140、分類器150、處理器170、訓練資料收集器142、資料預處理器144、學習機146、分類器更新器148、電子裝置1000、處理器單元1020、輸入/輸出控制器1040、通訊處理單元1090、處理器1022、周邊裝置介面1023及/或記憶體介面1021實行的操作可由處理電路系統實行。
根據示例性實施例,可使用與用於實施終端100、RFIC 120、訊號偵測器130、小區搜索控制器140、處理器170、訓練資料收集器142、資料預處理器144、分類器更新器148、電子裝置1000、處理器單元1020、輸入/輸出控制器1040、通訊處理單元1090、處理器1022、周邊裝置介面1023及/或記憶體介面1021的處理電路系統分開的處理電路系統實施分類器150及/或學習機146中的一者或兩者。舉例而言,可使用分類器處理電路系統來實施分類器150,及/或可使用學習機處理電路系統來實施學習機145。根據示例性實施例,所有終端100、RFIC 120、訊號偵測器130、小區搜索控制器140、分類器150、處理器170、訓練資料收集器142、資料預處理器144、學習機146、分類器更新器148、電子裝置1000、處理器單元1020、輸入/輸出控制器1040、通訊處理單元1090、處理器1022、周邊裝置介面1023及記憶體介面1021可由同一處理電路系統(例如,終端100內部的處理電路系統)實施。
上述方法的各種操作可由能夠實行所述操作的任何適合的裝置(例如上述處理電路系統)來實行。舉例而言,如上所述,上述方法的操作可由以某種形式的硬體(例如,處理器、ASIC等)實施的各種硬體及/或軟體來實行。
所述軟體可包括用於實施邏輯功能的可執行指令的有序列表,且可被實施於任何「處理器可讀取媒體」中以供指令執行系統、器具(apparatus)或裝置(例如單核處理器或多核處理器或者包含處理器的系統)使用或者與指令執行系統、器具或裝置(例如單核處理器或多核處理器或者包含處理器的系統)結合使用。
結合本文中揭露的示例性實施例所闡述的方法或演算法及功能的方塊或操作可直接以硬體、以由處理器執行的軟體模組或以此二者的組合來實施。若以軟體實作,則功能可作為一或多個指令或碼儲存於有形非暫時性電腦可讀取媒體上或者在有形非暫時性電腦可讀取媒體上傳送。軟體模組可駐存於隨機存取記憶體(Random Access Memory,RAM)、快閃記憶體、唯讀記憶體(Read Only Memory,ROM)、電可程式化ROM(Electrically Programmable ROM,EPROM)、電可抹除可程式化ROM(Electrically Erasable Programmable ROM,EEPROM)、暫存器、硬碟、可抽換式磁碟、光碟唯讀記憶體(Compact Disc Read Only Memory,CD ROM)或此項技術中已知的任何其他形式的儲存媒體中。
可參照可結合以下更詳細論述的單元及/或裝置來實施的操作的動作及符號表示(例如,呈流程圖、流程圖式、資料流程圖式、結構圖、方塊圖等形式)闡述示例性實施例。儘管以特定方式進行了論述,然而在特定方塊中指定的功能或操作可以與流程圖、流程圖式等中指定的流程不同的流程來實行。舉例而言,被示出為在兩個連續的方塊中串列實行的功能或操作實際上可同步、同時、同期實行或者在一些情形下以相反的次序實行。
儘管已參照示例性實施例的實例具體示出並闡述了示例性實施例,然而應理解,在不背離以下申請專利範圍的精神及範圍的條件下可在本文中作出形式及細節上的各種改變。
1:無線通訊系統
10:第一小區
20:第二小區
30:第三小區
40:第四小區
50:第五小區
60:第六小區
70:第七小區
100:終端
110:天線
120:射頻積體電路(RFIC)
130:訊號偵測器
140:小區搜索控制器
142:訓練資料收集器
144:資料預處理器
146:學習機
148:分類器更新器
150:分類器
160、1010:記憶體
170、1022:處理器
1000:電子裝置
1011:程式儲存單元
1012:資料儲存單元
1013:應用程式
1014:有效小區確定程式
1020:處理器單元
1021:記憶體介面
1023:周邊裝置介面
1040:輸入/輸出控制器
1050:顯示單元
1060:輸入裝置
1090:通訊處理單元
C_11a、C_1ta、C_12a、C_21a、C_22a、C_2ta、C_z1a、C_z2a、C_zta、C_11b、C_12b、C_1tb、C_21b、C_22b、C_2tb、C_z1b、C_z2b、C_ztb:資料
FCDS:故障小區資料集
Index_11、Index_21:第一索引
Index_12、Index_22:第二索引
Index_1t、Index_2t:第t索引
MA1:第一記憶體區域
MA2:第二記憶體區域
R1:第一區/第一區段
R2:第二區/第二區段
Rz:第z區/第z區段
VCDS:有效小區資料集
S100、S110、S120、S130、S200、S210、S220、S230、S240、S250、S300、S310、S315、S320、S321a、S321b、S322a、S322b、S323a、S323b、S324a、S324b、S325a、S325b、S326、S327、S328、S328a、S328b、S328c、S328d、S328e、S330、S400、S500a、S500b、S510a、S510b、S520a、S520b、S530a、S530b、S600、S610、S620:操作
結合附圖閱讀以下詳細說明,將更清楚地理解示例性實施例,在附圖中:
圖1是示出根據示例性實施例的無線通訊系統的圖。
圖2示出根據示例性實施例的示出終端的方塊圖。
圖3是示出根據示例性實施例的小區搜索控制器的方塊圖。
圖4是根據示例性實施例的終端的小區搜索方法的流程圖。
圖5是詳細示出根據示例性實施例的圖4中的操作S100的流程圖。
圖6是詳細示出根據示例性實施例的圖4中的操作S200的流程圖。
圖7A及圖7B是詳細示出根據示例性實施例的圖4中的操作S300的流程圖。
圖8A是用於闡釋根據示例性實施例的基於支援向量機(support vector machine,SVM)的分類器的曲線圖,且圖8B是基於參照圖8A給出的說明的圖4中的操作S300的詳細流程圖。
圖9是根據示例性實施例的圖4中的操作S300的詳細流程圖。
圖10A是根據示例性實施例的圖9中的操作S328的詳細流程圖,且圖10B是用於闡釋圖10A中所揭露的示例性實施例的曲線圖。
圖11A及圖11B是根據示例性實施例的分別用於闡釋慮及記憶體的有限儲存容量的終端的有效小區資料集及故障小區資料集的儲存方法的流程圖。
圖12是用於詳細闡釋根據示例性實施例的終端的資料儲存方法的圖。
圖13是用於闡釋根據示例性實施例的終端的小區搜索方法的圖。
圖14是根據示例性實施例的電子裝置的方塊圖。
100:終端
110:天線
120:射頻積體電路(RFIC)
130:訊號偵測器
140:小區搜索控制器
150:分類器
160:記憶體
170:處理器
Claims (20)
- 一種終端的操作方法,所述終端被配置成與多個小區中的至少一者進行通訊,所述方法包括: 針對所述多個小區產生第一小區搜索訓練資料; 基於所述第一小區搜索訓練資料確定至少一個訓練候選小區; 基於所述第一小區搜索訓練資料之中的第二小區搜索訓練資料及關於所述終端的網路資訊來更新分類,以獲得經更新分類,所述第二小區搜索訓練資料對應於所述至少一個訓練候選小區;以及 基於所述經更新分類確定所述多個小區之中的有效小區。
- 如請求項1所述的方法,其中所述第一小區搜索訓練資料包括: 所述多個小區中的每一者的接收訊號與參考訊號之間的關聯度, 所述關聯度的量值,以及 自所述關聯度獲得的相位。
- 如請求項1所述的方法,其中確定所述至少一個訓練候選小區包括: 判斷所述多個小區中的每一者的接收訊號與參考訊號之間的關聯度的量值是否符合參考值,以獲得判斷結果,所述多個小區中的每一者的所述接收訊號與所述參考訊號之間的所述關聯度包括於所述第一小區搜索訓練資料中;以及 基於所述判斷的結果而自所述多個小區之中確定所述至少一個訓練候選小區。
- 如請求項1所述的方法,其中 關於所述終端的所述網路資訊包括關於所述多個小區之中當前連接至所述終端的小區的資訊;且 更新所述分類包括 基於關於當前連接至所述終端的所述小區的所述資訊來將所述第二小區搜索訓練資料分類至有效小區資料集及故障小區資料集中, 將所述有效小區資料集及所述故障小區資料集應用於所述分類,以獲得應用結果,以及 基於所述應用的結果更新所述分類。
- 如請求項4所述的方法,其中 所述至少一個訓練候選小區包括多個訓練候選小區;且 對所述第二小區搜索訓練資料進行分類包括 將所述第二小區搜索訓練資料的與所述多個訓練候選小區之中的第一訓練候選小區對應的第一部分分類至所述有效小區資料集中,所述第一訓練候選小區具有與當前連接至所述終端的所述小區的辨識碼匹配的辨識碼,或者 將所述第二小區搜索訓練資料的與所述多個訓練候選小區之中的第二訓練候選小區對應的第二部分分類至所述故障小區資料集中,所述第二訓練候選小區具有不與當前連接至所述終端的所述小區的所述辨識碼匹配的辨識碼。
- 如請求項4所述的方法,其中將所述有效小區資料集及所述故障小區資料集應用於所述分類包括: 藉由將所述有效小區資料集輸入至與所述分類對應的分類函數來產生第一輸出;以及 藉由將所述故障小區資料集輸入至所述分類函數來產生第二輸出。
- 如請求項6所述的方法,其中基於所述應用的所述結果更新所述分類包括: 基於所述第一輸出是否滿足第一參考來調整所述分類函數的至少一個參數;以及 基於所述第二輸出是否滿足第二參考來調整所述分類函數的所述至少一個參數。
- 如請求項7所述的方法,其中所述分類函數的所述至少一個參數包括所述分類函數的斜率或所述分類函數的偏置項中的至少一者。
- 如請求項4所述的方法,其中對所述第二小區搜索訓練資料進行分類是基於所述終端與當前連接至所述終端的所述小區之間的網路電場等於或大於參考電場而將所述第二小區搜索訓練資料分類至所述故障小區資料集中。
- 如請求項4所述的方法,更包括: 基於與所述分類的分類參考的接近度而將所述有效小區資料集之中的資料儲存於所述終端的第一記憶體區中;以及 基於與所述分類參考的接近度而將所述故障小區資料集之中的資料儲存於所述終端的第二記憶體區中。
- 如請求項1所述的方法,其中 關於所述終端的所述網路資訊包括所述終端的當前網路連接狀態;且 其中更新所述分類包括基於所述終端的所述當前網路連接狀態更新所述分類。
- 如請求項1所述的方法,其中確定所述多個小區之中的所述有效小區包括: 針對所述多個小區產生小區搜索資料; 基於所述小區搜索資料及所述經更新分類而自所述多個小區之中確定有效小區候選群組;以及 自所述有效小區候選群組之中確定所述有效小區。
- 如請求項12所述的方法,其中所述小區搜索資料被用作經更新第一小區搜索訓練資料來更新所述分類。
- 如請求項12所述的方法,其中產生所述第一小區搜索訓練資料是與產生所述小區搜索資料分開地週期性實行。
- 如請求項1所述的方法,更包括: 基於儲存於所述終端的記憶體中的初始小區搜索訓練資料將所述分類初始化。
- 一種終端的操作方法,所述終端被配置成與多個小區中的至少一者進行通訊,所述方法包括: 針對所述多個小區產生第一小區搜索訓練資料; 基於所述第一小區搜索訓練資料確定多個訓練候選小區; 基於關於所述終端的網路資訊將所述第一小區搜索訓練資料之中的第二小區搜索訓練資料分類至有效小區資料集及故障小區資料集中,所述第二小區搜索訓練資料對應於所述多個訓練候選小區;以及 基於所述有效小區資料集與所述故障小區資料集之間的線性分隔來更新分類,以獲得經更新分類。
- 如請求項16所述的方法,其中 關於所述終端的所述網路資訊包括關於所述多個小區之中當前連接至所述終端的小區的資訊;且 對所述第二小區搜索訓練資料進行分類包括 將所述第二小區搜索訓練資料的與所述多個訓練候選小區之中的第一訓練候選小區對應的第一部分分類至所述有效小區資料集中,所述第一訓練候選小區具有與當前連接至所述終端的所述小區的辨識碼匹配的辨識碼,以及 將所述第二小區搜索訓練資料的與所述多個訓練候選小區之中的第二訓練候選小區對應的第二部分分類至所述故障小區資料集中,所述第二訓練候選小區具有不與當前連接至所述終端的所述小區的所述辨識碼匹配的辨識碼。
- 如請求項16所述的方法,其中更新所述分類包括: 藉由將所述有效小區資料集輸入至與所述分類對應的分類函數來產生第一輸出; 藉由將所述故障小區資料集輸入至所述分類函數來產生第二輸出;以及 藉由將所述第一輸出及所述第二輸出中的每一者與相應的參考輸出進行比較來確定所述線性分隔。
- 如請求項18所述的方法,其中更新所述分類包括: 基於所述線性分隔調整所述分類函數的斜率或所述分類函數的偏置項中的至少一者。
- 一種終端,被配置成與多個小區中的至少一者進行通訊,所述終端包括: 多個天線,被配置成接收所述多個小區中的每一者的高頻訊號; 射頻積體電路,被配置成將所述高頻訊號處理成基頻訊號;以及 處理電路系統,被配置成 自所述基頻訊號偵測所述多個小區的多個同步訊號, 使用所述多個同步訊號產生第一小區搜索訓練資料, 基於所述第一小區搜索訓練資料而自所述多個小區之中確定訓練有效小區候選群組,以及 基於所述第一小區搜索訓練資料之中的第二小區搜索訓練資料及關於所述終端的網路資訊來更新分類,所述第二小區搜索訓練資料對應於所述訓練有效小區候選群組。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200035817A KR20210119202A (ko) | 2020-03-24 | 2020-03-24 | 단말의 동작 방법 및 이를 위한 단말 |
KR10-2020-0035817 | 2020-03-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202145047A true TW202145047A (zh) | 2021-12-01 |
Family
ID=77659331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110109870A TW202145047A (zh) | 2020-03-24 | 2021-03-19 | 終端的操作方法及終端 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210306935A1 (zh) |
KR (1) | KR20210119202A (zh) |
CN (1) | CN113452467A (zh) |
DE (1) | DE102020129317B4 (zh) |
TW (1) | TW202145047A (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8897772B2 (en) * | 2009-06-26 | 2014-11-25 | Electronics And Telecommunications Research Institute | Terminal and method for controlling cell searching thereof |
DE102013015167B4 (de) * | 2013-09-11 | 2017-04-27 | Intel IP Corporation | Verfahren zum Filtern von Kandidatenzellen |
US9763177B1 (en) | 2016-02-08 | 2017-09-12 | Mbit Wireless, Inc. | False cell filtering during cell search |
US9609585B1 (en) * | 2016-03-30 | 2017-03-28 | Intel IP Corporation | Devices and method for cell search and detection |
KR102136755B1 (ko) | 2019-02-18 | 2020-08-13 | (주)민예 | 단열패널유닛 및 이에 초슬림석재판과 결합된 외장용 복합패널을 이용한 벽체의 하부 결합구조 |
-
2020
- 2020-03-24 KR KR1020200035817A patent/KR20210119202A/ko active Search and Examination
- 2020-10-01 US US17/060,694 patent/US20210306935A1/en active Pending
- 2020-11-06 DE DE102020129317.8A patent/DE102020129317B4/de active Active
-
2021
- 2021-03-11 CN CN202110266680.1A patent/CN113452467A/zh active Pending
- 2021-03-19 TW TW110109870A patent/TW202145047A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CN113452467A (zh) | 2021-09-28 |
KR20210119202A (ko) | 2021-10-05 |
DE102020129317B4 (de) | 2023-01-26 |
DE102020129317A1 (de) | 2021-09-30 |
US20210306935A1 (en) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9224104B2 (en) | Generating data from imbalanced training data sets | |
US20190019036A1 (en) | Electronic device for classifying video and operating method thereof | |
WO2020098606A1 (zh) | 节点分类方法、模型训练方法、装置、设备及存储介质 | |
Cao et al. | Self-optimizing IoT wireless video sensor node with in-situ data analytics and context-driven energy-aware real-time adaptation | |
WO2021089013A1 (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN108605205B (zh) | 用于确定电子装置的位置的设备和方法 | |
Zhang et al. | Multilayer probability extreme learning machine for device-free localization | |
US9613319B1 (en) | Method and system for information retrieval effectiveness estimation in e-discovery | |
CN108875610B (zh) | 一种基于边界查找的用于视频中动作时间轴定位的方法 | |
CN106464526A (zh) | 检测异常的系统与方法 | |
Jiang et al. | FSELM: fusion semi-supervised extreme learning machine for indoor localization with Wi-Fi and Bluetooth fingerprints | |
Haseeb et al. | Wisture: RNN-based learning of wireless signals for gesture recognition in unmodified smartphones | |
US11528067B2 (en) | Wireless communication device capable of fast beam selection and method of operation thereof | |
US20220214729A1 (en) | System and method for user equipment-side thermal mitigation | |
KR20190107610A (ko) | 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법 | |
Wu et al. | Semi-supervised multi-label collective classification ensemble for functional genomics | |
Rao et al. | Device-free passive wireless localization system with transfer deep learning method | |
TW202145047A (zh) | 終端的操作方法及終端 | |
Nikoloska et al. | Data selection scheme for energy efficient supervised learning at IoT nodes | |
US9883347B2 (en) | Specific velocity estimation of wireless network devices | |
CN109583583B (zh) | 神经网络训练方法、装置、计算机设备及可读介质 | |
Zhu et al. | Edge Sensing‐Enabled Multistage Hierarchical Clustering Deredundancy Algorithm in WSNs | |
Pasha et al. | Enhanced fingerprinting based indoor positioning using machine learning | |
Sarikhani et al. | Deep Cooperative Spectrum Sensing Utilizing Recurrent Convolutional Neural Networks | |
Preetha et al. | Performance evaluation of immune-inspired support vector machine |