TW202410654A - 用於基於學習的通道矩陣預測的方法及系統、以及使用者設備 - Google Patents

Abstract

本發明提供其中使用在時槽處自基地台（BS）接收的參考信號來估計時槽處的通道矩陣的方法及設備。使用所估計的通道矩陣作為至基於過去及未來通道矩陣的已知集合訓練的神經網路（NN）的輸入來估計未來時槽處的通道矩陣序列。使用來自通道矩陣序列的至少一個通道矩陣來判定參數。

Description

用於基於學習的通道矩陣預測的方法及系統、以及使用者設備

本揭露大體上是有關於來自參考信號的通道矩陣估計。更特定言之，本文中所揭露的主題是有關於藉由應用機器學習（machine learning；ML）技術來預測未來時槽處的通道矩陣的改良。 [ 相關申請案的交叉參考 ]

本申請案主張2022年8月22日申請的美國臨時申請案第63/399,856號的優先權，所述申請案的揭露內容以全文引用的方式併入，如同在本文中完全闡述一般。

在諸如第5代（5 ^thgeneration；5G）新無線電（new radio；NR）的蜂巢式系統中，當在頻域雙工（frequency domain duplexing；FDD）模式下操作時，基地台（base station；BS）（NR中的gNodeB（gNB））可基於由使用者設備（user equipment；UE）報導的通道狀態資訊（channel state information；CSI）而應用預編碼矩陣。特定言之，在NR中，CSI報導可包含CSI參數，諸如，識別預定義碼簿內的預編碼矩陣的預編碼矩陣指示符（precoding matrix indicator；PMI）。

UE基於所量測的通道條件判定CSI參數。舉例而言，UE可執行所估計的通道矩陣（ H）的奇異值分解（singular value decomposition；SVD）且自預定義碼簿選擇對應於預編碼矩陣的PMI，所述PMI最佳接近通道矩陣 H的奇異向量。

通常自參考信號，諸如NR中的CSI參考信號（CSI reference signal；CSI-RS）估計通道矩陣 H，所述參考信號由gNB以週期性方式傳輸。在NR中，個別CSI-RS可藉由一組時槽間隔分隔。CSI-RS的可能週期性可包含5個、10個或20個時槽。

在自UE接收到CSI報導之後，gNB可基於所述報導應用預編碼矩陣。

以上方法的一個問題在於：前述CSI報導構架涉及UE估計通道矩陣 H的時間與gNB應用預編碼矩陣的時間之間的不可避免的延遲。此延遲產生過時CSI，且因此產生次最佳預編碼選擇。在通道快速變化（例如，具有高都卜勒頻率（Doppler frequency））時且在CSI-RS不頻繁地傳輸（例如，具有較長週期性）時，過時CSI問題更為嚴重。

用於預編碼矩陣及/或其他CSI參數的選擇的基於學習的通道預測可使用整個通道矩陣作為至神經網路（NN）的輸入及來自所述神經網路的輸出。然而，通常不考慮與不完整歷史的使用相關的問題。

即使在考慮與不完整歷史的使用相關的問題時，習知演算法亦僅考慮單一過去CSI-RS觀測。亦即，此類演算法估計CSI-RS週期內的所有時槽中的通道矩陣，且接著充分利用估計值來獲得後續CSI-RS週期中的所有時槽的估計值。因此，此等習知方法保持對錯誤傳播問題敏感，且因此並不足夠穩固。

為了解決此等問題，本文中描述藉由經由ML技術預測未來時槽處的通道矩陣來緩解過時CSI問題的系統及方法。

上述方法對先前方法進行改良，此是因為其藉由將過去觀測（例如，來自多個CSI-RS時槽的通道矩陣估計）視為輸入而以特定週期性來預測未來通道矩陣，且提供逐元素地執行通道矩陣預測而非使用整個通道矩陣作為輸入及輸出的低複雜度解決方案。

在實施例中，一種方法包含由UE使用在時槽處自BS接收的參考信號來估計時槽處的通道矩陣。UE使用所估計的通道矩陣作為至基於過去及未來通道矩陣的已知集合訓練的NN的輸入來估計未來時槽處的通道矩陣序列。UE使用來自通道矩陣序列的至少一個通道矩陣來判定參數。

在實施例中，UE包含處理器及儲存指令的非暫時性電腦可讀儲存媒體。在執行時，指令使處理器使用在時槽處自BS接收的參考信號來估計時槽處的通道矩陣。指令亦使處理器使用所估計的通道矩陣作為至基於過去及未來通道矩陣的已知集合訓練的NN的輸入來估計未來時槽處的通道矩陣序列。指令進一步使處理器使用來自通道矩陣序列的至少一個通道矩陣來判定參數。

在實施例中，一種系統包含：UE，經組態以接收參考信號；使用參考信號估計時槽處的通道矩陣；使用所估計的通道矩陣作為基於過去及未來通道矩陣的已知集合訓練的NN的輸入來預測未來時槽處的通道矩陣序列；使用來自通道矩陣序列的至少一個通道矩陣來判定參數；以及傳輸參數。系統亦包含BS，所述BS經組態以在時槽處將參考信號傳輸至UE，且從UE接收參數。

在以下詳細描述中，闡述眾多特定細節以便提供對本揭露的透徹理解。然而，所述領域中具有通常知識者將理解，可在無這些特定細節的情況下實踐所揭露的態樣。在其他情況下，為了不混淆本文中所揭露的主題，未詳細描述熟知方法、程序、組件以及電路。

貫穿本說明書對「一個實施例」或「一實施例」的參考意謂結合實施例所描述的特定特徵、結構或特性可包含於本文中所揭露的至少一個實施例中。因此，片語「在一個實施例中」或「在一實施例中」或「根據一個實施例」（或具有類似意思的其他片語）貫穿本說明書在各個位置的出現可能未必全部指同一實施例。此外，特定特徵、結構或特性可在一或多個實施例中以任何合適的方式組合。在此方面，如本文中所使用，詞語「例示性」意謂「充當實例、例子或說明」。本文中描述為「例示性」的任何實施例未必被解釋為較佳或優於其他實施例。另外，特定特徵、結構或特性可在一或多個實施例中以任何合適方式組合。此外，取決於本文中的論述的上下文，單數術語可包含對應複數形式，且複數術語可包含對應單數形式。類似地，加連字符的術語（例如，「二維（two-dimensional）」、「預定（pre-determined）」、「像素特定（pixel-specific）」等）可與對應不加連字符的版本（例如，「二維（two dimensional）」、「預定（predetermined）」、「像素特定（pixel specific）」等）間或互換地使用，且大寫項（例如，「計數器時鐘（Counter Clock）」、「列選擇（Row Select）」、「PIXOUT」等）可與對應非大寫版本（例如，「計數器時鐘（counter clock）」、「列選擇（row select）」、「pixout」等）互換使用。此等偶然可互換使用不應被視為彼此不一致。

此外，取決於本文中的論述的上下文，單數術語可包含對應複數形式，且複數術語可包含對應單數形式。應進一步注意，本文中所展示並論述的各種圖式（包含組件圖）僅用於說明性目的，且未按比例繪製。舉例而言，為清楚起見，可相對於其他組件放大一些組件的尺寸。此外，在認為適當時，已在諸圖當中重複參考數字以指示對應及/或類似元件。

本文中所使用的術語僅出於描述一些實例實施例的目的，且並不意欲限制所主張的主題。如本文中所使用，除非上下文另外清楚地指示，否則單數形式「一（a/an）」及「所述」意欲亦包含複數形式。應進一步理解，術語「包括（comprise/comprising）」當在本說明書中使用時指定所陳述特徵、整數、步驟、操作、元件及/或組件的存在，但並不排除一或多個其他特徵、整數、步驟、操作、元件、組件及/或其群組的存在或添加。

應理解，當將元件或層稱為在另一元件或層上、「連接至」或「耦接至」另一元件或層時，所述元件或層可直接在另一元件或層上、直接連接或耦接至另一元件或層，或可存在介入元件或層。相反，當元件稱為「直接在」另一元件或層「上」、「直接連接至」或「直接耦接至」另一元件或層時，不存在介入元件或層。類似數字始終是指類似元件。如本文中所使用，術語「及/或」包含相關聯所列項目中的一或多者中的任何及所有組合。

如本文中所使用的術語「第一（first）」、「第二（second）」等用作其先於的名詞的標籤，且不暗示任何類型的排序（例如，空間、時間、邏輯等），除非如此明確定義。此外，相同圖式元件符號可用於跨越兩個或多於兩個圖以指具有相同或類似功能性的部分、組件、區塊、電路、單元或模組。然而，此用法僅為簡化說明且易於論述起見；其不暗示此等組件或單元的構造或架構細節跨所有實施例而相同，或此等通常參考的部分/模組為實施本文中所揭露的實例實施例中的一些的唯一方式。

除非另外定義，否則本文中所使用的所有術語（包含技術及科學術語）均具有與本主題所屬技術領域中具有通常知識者通常所理解相同的含義。應進一步理解，諸如常用詞典中所定義的術語的術語應解釋為在相關技術的情況下具有與其含義一致的含義，且不應在理想化或過度正式意義上進行解釋，除非本文中明確地如此定義。

如本文中所使用，術語「模組」是指經組態以提供本文中結合模組所描述的功能性的軟體、韌體及/或硬體的任何組合。舉例而言，軟體可體現為軟體套件、程式碼及/或指令集或指令，且如本文中所描述的任何實施方案中所使用的術語「硬體」可單獨地或以任何組合包含例如總成、固線式電路系統、可程式化電路系統、狀態機電路系統及/或儲存由可程式化電路系統執行的指令的韌體。模組可共同地或個別地實施為形成較大系統的部分的電路系統，所述較大系統例如但不限於積體電路（integrated circuit；IC）、系統晶片（system on-chip；SoC）、總成等。

圖1為示出根據實施例的通信系統的圖。在圖1中所示出的架構中，控制路徑102可實現控制資訊經由建立於gNB 104、第一UE 106以及第二UE 108之間的網路的傳輸。資料路徑110可實現資料（及一些控制資訊）在第一UE 106與第二UE 108之間的側行鏈路（sidelink；SL）上的傳輸。控制路徑102及資料路徑110可在同一頻率上或可在不同頻率上。

在諸如5G NR的無線通信系統中，gNB 104可以 時槽的週期性將用於CSI估計的參考信號（例如，CSI-RS）傳輸至第一UE 106及/或第二UE 108。由第一UE 106及/或第二UE 108在某一時槽 處且針對某一副載波估計的未經預編碼的下行鏈路（downlink；DL）通道表示為 ，其中 分別為接收天線（UE處）的數目及傳輸天線（gNB處）的數目，且數學符號 指示 為具有尺寸 的複數矩陣。

根據實施例，基於ML為UE提供一種在給出 N個過去時槽處的所估計的通道矩陣序列的情況下預測 K個未來時槽處的通道矩陣序列的方法。所預測的通道矩陣可用於改良由UE發送至BS（或gNB）的CSI參數回饋（例如，預編碼矩陣或PMI）的準確度。

圖2為示出根據實施例的通道矩陣預測的圖。提供一種應用通道矩陣的逐元素預測的方法。特定言之，分別針對各傳輸/接收（Tx/Rx）天線及副載波執行預測。此導致相對較低的複雜度，此是因為NN接收 N個複數作為輸入202，且提供具有 K個複數的輸出204，而非通道係數的全矩陣。圖2示出 N=3且 K=2的實施例。

來自CSI-RS時槽的 個過去通道觀測的序列可在數據機處可用（例如，數據機將 個所估計的通道矩陣儲存於緩衝器中）。 表示過去時槽處的所估計的通道矩陣序列，其中 t為當前時槽索引， N為用作用於預測的輸入的過去時槽的數目，且 T為過去通道量測及CSI-RS傳輸的週期性。如圖2中所繪示，提供 作為至NN的輸入202。

過去觀測或通道量測並非在每一時槽處均可用，而是僅在具有週期性 T的某些時槽處可用。此是由於在5G NR系統中，未經預編碼的通道在時槽中可僅由UE量測，其中CSI-RS由gNB傳輸。CSI-RS週期性的典型值可為 T=5、 T=10或 T=20個時槽。換言之，根據實施例，利用過去觀測的不完整歷史來訓練用於通道預測的NN，而習知預測方法通常假定有完整歷史。

未來時槽處的通道矩陣序列由 表示，其中t為當前時槽索引， 為經考慮以用於通道預測的未來時槽的數目，且 為（時槽中的）固定延遲，其考慮由UE報導的PMI與由gNB應用的預編碼器之間的時間。舉例而言，可存在 時槽的固定延遲。如圖2中所繪示，NN提供 作為輸出204。

在執行預測之後，UE可利用所預測的通道矩陣序列 來判定CSI參數。舉例而言，可使用所預測的通道矩陣序列來判定預編碼矩陣且向gNB報導對應索引（例如，PMI）。然而，CSI參數亦可為階層指示符（rank indicator；RI）或通道品質指示符（channel quality indicator；CQI）。特定PMI選擇演算法可取決於系統組態（例如，隱式或顯式回饋、碼簿類型、量化/壓縮選項等）。舉例而言，可對最後預測的通道矩陣（亦即， ）執行SVD，且可由UE選擇最佳接近 的右奇異向量的PMI。

預期gNB在多個未來時槽期間基於UE的PMI報導而應用預編碼矩陣。出於此原因，考慮未來（所預測的）通道矩陣的PMI報導可比基於當前量測的通道矩陣的PMI報告更準確。

與習知PMI選擇（不進行通道矩陣預測）相比，本揭露中所描述的操作展示高達1.9分貝（dB）（依據在10%區塊錯誤率（block error rate；BLER）下的信雜比（signal-to-noise ratio；SNR）差來量測）的增益，同時具有比習知方法更低的複雜度。

可使用不同類型的NN進行通道預測，諸如多層感知器（multi-layer perceptron；MLP）NN、遞回神經網路（recurrent neural network；RNN）、長短期記憶體（long short-term memory；LSTM）網路、暫態卷積網路（temporal convolutional network；TCN）以及變壓器NN。

圖3為示出根據實施例的圖2的NN的圖。 經繪示為至NN 302的三個複合輸入 N，且 經繪示為來自NN 302的兩個複合輸出 K。圖3的NN 302經繪示具有三個輸入節點304、四個隱藏節點306以及兩個輸出節點308。然而，此實施例是出於說明性目的而提供且並不限制網路結構（例如，架構、隱藏層數目、節點數目等）。

圖3中所報導的輸入及輸出大小假定通道矩陣的逐元素處理（亦即，單獨地處理各Tx/Rx天線及副載波)，從而歸因於低輸入/輸出大小（ N個複數作為輸入， K個複數作為輸出）而引起低複雜度。 N個複數可作為2 N個實數（ N個實部及 N個虛部）輸入至NN 302，且 K個複數可作為2 K個實數（ K個實部及 K個虛部）自NN 302輸出。替代地，可僅使用具有 N個輸入及 K個輸出的實部或虛部來訓練NN 302。當僅考慮時間維度時，NN 302可不考慮頻域及/或空間域中的通道相關性，NN 302可學習且利用所述通道相關性進行預測。

可藉由包含 N個過去估計的通道矩陣（例如，來自CSI-RS時槽）的序列及 K個未來通道矩陣的對應序列的資料集來訓練NN 302，所述序列由電腦模擬或實驗資料產生以充當標記或實況。

NN訓練可離線及針對不同通道設定檔、都卜勒頻率、調變及編碼方案（modulation and coding scheme；MCS）、SNR以及其他系統參數單獨地執行。經由訓練過程，NN 302判定一組權重。當使用經訓練的NN 302進行通道矩陣預測時，NN 302應用針對最接近類似於當前操作條件的系統參數習得的權重，以在給出過去通道序列作為輸入的情況下預測未來通道序列。

圖4為示出根據實施例的用於通道預測及參數選擇的方法的流程圖。在402處，使用接收到的RS來估計過去時槽處的通道矩陣。RS可為用於CSI估計的CSI-RS，且過去時槽可藉由CSI間隔分隔。所估計的通道矩陣可包含在RS的過去時槽之間的時槽處的內插通道矩陣，如下文參考圖7及圖8更詳細地描述。所估計的通道矩陣可包含在各過去時槽處跨越頻帶的通道矩陣，如下文參考圖5及圖6更詳細地描述。所估計的通道矩陣可儲存於UE的緩衝器中。

在404處，經由NN使用所估計的通道矩陣來預測未來時槽處的通道矩陣序列。通道矩陣可作為對應複數、或對應複數的實部及虛部輸入至NN。通道矩陣序列可作為對應複數序列，或對應複數序列的實部及虛部自NN輸出。可基於當前通道條件與用於訓練NN的不同通道設定檔的比較而可在NN中應用一或多個權重。

在406處，使用來自通道矩陣序列的至少一個通道矩陣來判定參數。在408處，將參數傳輸至BS。BS可為gNB。未來時槽可與當前時槽分隔了將參數傳輸至BS且在BS處應用參數所需要的至少一段時間。

參數可為PMI，且可以不同方式自所預測的通道矩陣序列 選擇PMI。舉例而言，可使用最後預測的通道矩陣 （亦即，圖3中的 ）。根據此最後預測的通道矩陣，可藉由SVD或藉由其他信號處理技術來判定預編碼矩陣。此後，可藉由在碼簿內選擇最佳接近由SVD獲得的預編碼矩陣的PMI來從碼簿（例如，Type-I、Type-II、eType-II等）選擇對應PMI。

在其他實施例中，可使用整個所預測的通道矩陣序列 經由取平均或其他技術來判定PMI。

可增加至NN的輸入大小以包含PMI子頻帶的多個副載波（以擷取頻率相關性）及/或多個Tx/Rx天線（以擷取空間相關性）。

當僅考慮時間維度時，至NN的輸入/來自NN的輸出包含通道時間序列，且對於各Tx/Rx天線及各副載波存在單獨處理，如上文關於圖2及圖3所描述。

當考慮時間及頻率維度兩者時，至NN的輸入/來自NN的輸出包含用於多個頻率分量（例如，副載波或PMI子頻帶）的通道時間序列，且對於各Tx/Rx天線存在單獨處理。至NN的輸入為 複數，且來自NN的輸出為 複數，其中 為頻率分量數目。

當考慮時間、頻率以及空間維度時，至NN的輸入/來自NN的輸出包含用於多個副載波或PMI子頻帶及多個Tx/Rx天線的通道時間序列。至NN的輸入為 複數，且來自NN的輸出為 複數。

如上文所描述，預測可依賴於在CSI-RS時槽（具有週期性 T）中獲得的可用通道量測值。在替代實施例中，可藉由應用預處理以填充CSI-RS時槽之間的樣本（例如，諸如時域最小均方誤差（time-domain minimum mean square error；TD-MMSE）的內插技術）、應用非ML方法（例如，卡門濾波器（Kalman filter）、自回歸模型等）以估計丟失樣本以及應用ML方法（例如，自回歸積分移動平均（autoregressive integrated moving average；ARIMA）光梯度提昇機（light gradient-boosting machine；LightGBM）、極限梯度提昇（extreme gradient boosting；XGBoost）等以估計丟失樣本來緩解不完整歷史(亦即，CSI-RS時槽之間的丟失通道觀測）。

下文詳細描述四種方法，其在輸入維度（例如，時間與時間-頻率）及輸入樣本（例如，具有或不具有內插）方面不同。

圖5為示出根據實施例的不具有內插的一維NN輸入的圖。特定言之，僅考慮時間相依性。如圖5中所示出，至NN的輸入502在時間維度上包含三個通道矩陣，各通道矩陣藉由CSI週期分隔。來自NN的輸出504包含兩個通道矩陣。此方法類似於上文關於圖2及圖3所描述的方法。

圖6為示出根據實施例的不具有內插的二維NN輸入的圖。特定言之，考慮時間及頻率相依性兩者。提供滑動窗口操作以擷取輸入特徵與鄰近副載波的相關性。為了預測用於給定副載波的通道，至NN的輸入602包含通道矩陣的第一窗口606。第一窗口包含時間方向上的三個通道矩陣（各自藉由CSI週期分隔）及頻率方向上的七個通道矩陣。頻率方向上的七個通道矩陣以給定副載波為中心，所述給定副載波上方及下方均有三個副載波。來自NN的輸出604包含兩個通道矩陣610。

為了預測用於下一副載波的通道，使用第二窗口608作為至NN的輸入，所述第二窗口608與第一窗口606大小相同但在頻率方向上向下移位，使得移除第一窗口606的最頂部列的通道矩陣且新一列的通道矩陣作為第二窗口608的最底部列。因此，頻率方向上的七個通道矩陣以下一副載波為中心，所述下一副載波上方及下方均有三個副載波。當第二窗口608用作至NN的輸入時，輸出兩個通道矩陣612。儘管圖6示出窗口具有時間方向上的三個通道矩陣及頻率方向上的七個通道矩陣的大小，但此僅出於說明性目的，且實施例不限於所繪示的窗口大小。

圖7為示出根據實施例的具有內插的一維NN輸入的圖。除可藉由TD-MMSE內插來恢復CSI-RS時槽之間（例如，CSI週期內）樣本例如以緩解不完整歷史以外，圖7類似於圖5。因此，圖7的輸入通道矩陣702包含圖5的輸入通道矩陣502以及輸入通道矩陣502之間的內插通道矩陣。來自NN的輸出704包含兩個通道矩陣。

圖8為示出根據實施例的具有內插的二維NN輸入的圖。除可藉由TD-MMSE內插來恢復CSI-RS時槽之間（例如，CSI週期內）樣本例如以緩解不完整歷史以外，圖8類似於圖6。因此，對於各各別窗口，圖8的輸入通道矩陣802在各副載波列中包含圖6的輸入通道矩陣602以及輸入通道矩陣802之間的內插通道矩陣。來自NN的輸出804包含用於各輸入窗口的兩個通道矩陣。儘管圖8示出窗口具有時間方向上的三個通道矩陣及頻率方向上的七個通道矩陣的大小，但此僅出於說明性目的，且實施例不限於所繪示的窗口大小。

可在不進行任何壓縮/解壓縮的情況下執行樣本自數據機至神經處理單元（neural processing unit；NPU）的遞送，且反之亦然。然而，在一些實施例中，可針對樣本壓縮（自數據機至NPU）及解壓縮（自NPU至數據機）應用下取樣（例如，乘以兩倍）、基於矩陣的壓縮及/或資料集蒸餾/抽象。

干涉可隨時間變化，使得當前或過去時槽處的干涉可與未來時槽處的干涉不同。因此，可在CSI-RS估計的通道作為輸入提供至NN之前將干涉白化應用於所述CSI-RS估計的通道。在其他實施例中，可應用階層式或混合模型，其中使用分類器來發現，從而假定某些干涉是類似的且基數受到限制。此後，可藉由在NN處使用對應模型來減少不同干涉圖案。

用於通道預測的未來時槽數目（ K）可基於若干參數進行調整，所述參數包含NN架構、都卜勒頻率、UE與gNB之間的回饋延遲等。

多個UE可在聯合學習架構中聯合地執行通道預測。在此情境下，UE可與中心節點（例如，伺服器或gNB）通信。

圖9為示出根據實施例的網路環境中的電子裝置的方塊圖。

參考圖9，網路環境900中的電子裝置901可經由第一網路998（例如，短程無線通信網路）與電子裝置902通信，或經由第二網路999（例如，遠程無線通信網路）與電子裝置904或伺服器908通信。電子裝置902可實施為上文關於圖1至圖8所描述的UE，且可經由第二網路999與gNB通信。電子裝置901可經由伺服器908與電子裝置904通信。電子裝置901可包含處理器920、記憶體930、輸入裝置950、聲音輸出裝置955、顯示裝置960、音訊模組970、感測器模組976、介面977、觸覺模組979、攝影機模組980、功率管理模組988、電池989、通信模組990、用戶識別模組（subscriber identification module；SIM）卡996或天線模組994。在一個實施例中，可自電子裝置901省略組件中的至少一者（例如，顯示裝置960或攝影機模組980），或可將一或多個其他組件添加至電子裝置901。可將組件中的一些實施為單個積體電路（IC）。舉例而言，感測器模組976（例如，指紋感測器、虹膜感測器或照度感測器）可嵌入於顯示裝置960（例如，顯示器）中。

處理器920可執行軟體（例如，程式940）以控制與處理器920耦接的電子裝置901的至少一個其他組件（例如，硬體或軟體組件），且可執行各種資料處理或計算。處理器920可使用來自記憶體930的指令來執行上文關於圖4所描述的UE的操作。

作為資料處理或計算的至少部分，處理器920可在揮發性記憶體932中加載自另一組件（例如，感測器模組976或通信模組990）接收到的命令或資料、處理儲存於揮發性記憶體932中的命令或資料，且將所得資料儲存於非揮發性記憶體934中。處理器920可包含主處理器921（例如，中央處理單元（central processing unit；CPU）或應用程式處理器（application processor；AP））及輔助處理器923（例如，圖形處理單元（graphics processing unit；GPU）、影像信號處理器（image signal processor；ISP）、感測器集線器處理器或通信處理器（communication processor；CP）），所述輔助處理器923可獨立於主處理器921操作或與所述主處理器結合操作。另外或替代地，輔助處理器923可適用於消耗比主處理器921更少的功率，或執行特定功能。輔助處理器923可實施為主處理器921分離，或實施為主處理器921的一部分。

輔助處理器923可在主處理器921處於非激活（例如，睡眠）狀態時替代主處理器921或在主處理器921處於激活狀態（例如，執行應用程式）時與主處理器921一起控制與電子裝置901的組件當中的至少一個組件（例如，顯示裝置960、感測器模組976或通信模組990）相關的功能或狀態中的至少一些。輔助處理器923（例如，影像信號處理器或通信處理器）可實施為與輔助處理器923在功能上相關的另一組件（例如，攝影機模組980或通信模組990）的部分。

記憶體930可儲存由電子裝置901的至少一個組件（例如，處理器920或感測器模組976）使用的各種資料。各種資料可包含例如軟體（例如，程式940）及用於與其相關的命令的輸入資料或輸出資料。記憶體930可包含揮發性記憶體932或非揮發性記憶體934。

程式940可作為軟體儲存於記憶體930中，且可包含例如作業系統（operating system；OS）942、中間軟體944或應用程式946。

輸入裝置950可自電子裝置901的外部（例如使用者）接收待由電子裝置901的另一組件（例如處理器920）使用的命令或資料。輸入裝置950可包含例如麥克風、滑鼠或鍵盤。

聲音輸出裝置955可將聲音信號輸出至電子裝置901的外部。聲音輸出裝置955可包含例如揚聲器或接收器。揚聲器可用於一般目的，諸如播放多媒體或記錄，且接收器可用於接收來電通話。接收器可實施為與揚聲器分離，或實施為揚聲器的一部分。

顯示裝置960可在視覺上將資訊提供至電子裝置901的外部（例如，使用者）。顯示裝置960可包含例如顯示器、全息圖裝置或投影儀以及控制電路系統，所述控制電路系統用以控制顯示器、全息圖裝置以及投影儀中的對應一者。顯示裝置960可包含適於偵測觸摸的觸摸電路系統或適於量測由觸摸引發的力的強度的感測器電路系統（例如，壓力感測器）。

音訊模組970可將聲音轉換成電信號且反之亦然。音訊模組970可經由輸入裝置950獲得聲音，或經由聲音輸出裝置955或外部電子裝置902的頭戴式耳機輸出聲音，所述外部電子裝置902與電子裝置901直接（例如，有線）或以無線方式耦接。

感測器模組976可偵測電子裝置901的操作狀態（例如，功率或溫度）或電子裝置901外部的環境狀態（例如，使用者的狀態），且隨後產生對應於偵測到的狀態的電信號或資料值。感測器模組976可包含例如手勢感測器、陀螺感測器、大氣壓力感測器、磁感測器、加速度感測器、夾持感測器、近接感測器、色彩感測器、紅外線（infrared；IR）感測器、生物測定感測器、溫度感測器、濕度感測器或照度感測器。

介面977可支持待用於與外部電子裝置902直接（例如，有線）或無線地耦接的電子裝置901的一或多個特定協定。介面977可包含例如高清晰度多媒體介面（high definition multimedia interface；HDMI）、通用串列匯流排（universal serial bus；USB）介面、安全數位（secure digital；SD）卡介面或音訊介面。

連接端子978可包含連接器，電子裝置901可經由所述連接器與外部電子裝置902實體連接。連接端子978可包含例如HDMI連接器、USB連接器、SD卡連接器或音訊連接器（例如，頭戴式耳機連接器）。

觸覺模組979可將電信號轉換成機械刺激（例如，振動或移動）或電刺激，所述機械刺激或電刺激可由使用者經由觸覺或運動感覺識別。觸覺模組979可包含例如馬達、壓電元件或電刺激器。

攝影機模組980可捕獲靜態影像或移動影像。攝影機模組980可包含一或多個透鏡、影像感測器、影像信號處理器或閃光燈。功率管理模組988可管理供應至電子裝置901的功率。功率管理模組988可實施為例如功率管理積體電路（power management integrated circuit；PMIC）的至少一部分。

電池989可將功率供應至電子裝置901的至少一個組件。電池989可包含例如不可再充電的一次電池、可再充電的二次電池或燃料電池。

通信模組990可支援在電子裝置901與外部電子裝置（例如，電子裝置902、電子裝置904或伺服器908）之間建立直接（例如，有線）通信通道或無線通信通道，且經由所建立通信通道進行通信。通信模組990可包含可獨立於處理器920（例如，AP）操作的一或多個通信處理器，且支援直接（例如，有線）通信或無線通信。通信模組990可包含無線通信模組992（例如，蜂巢式通信模組、短程無線通信模組或全球導航衛星系統（global navigation satellite system；GNSS）通信模組）或有線通信模組994（例如，區域網路（local area network；LAN）通信模組或電源線通信（power line communication；PLC）模組）。此等通信模組中的對應一者可經由第一網路998（例如，短程通信網路，諸如藍牙（Bluetooth）TM、無線保真（wireless-fidelity；Wi-Fi）直連（direct）或紅外資料協會（Infrared Data Association；IrDA）標準）或第二網路999（例如，長程通信網路，諸如蜂巢式網路、網際網路或電腦網路（例如，LAN或廣域網路（wide area network；WAN））與外部電子裝置通信。此等各種類型的通信模組可實施為單個組件（例如，單個IC），或可實施為彼此分離的多個組件（例如，多個IC）。無線通信模組992可使用儲存於用戶識別模組996中的用戶資訊（例如，國際行動用戶識別碼（international mobile subscriber identity；IMSI））在通信網路（諸如第一網路998或第二網路999）中識別及驗證電子裝置901。

天線模組997可將信號或功率傳輸至電子裝置901的外部（例如，外部電子裝置）或自電子裝置901的外部接收信號或功率。天線模組997可包含一或多個天線，且可例如藉由通信模組990（例如，無線通信模組992）自其選擇適合於通信網路（諸如，第一網路998或第二網路999）中所使用的通信方案的至少一個天線。可接著經由所選擇的至少一個天線在通信模組990與外部電子裝置之間傳輸或接收信號或功率。

可經由與第二網路999耦接的伺服器908在電子裝置901與外部電子裝置904之間傳輸或接收命令或資料。電子裝置902及電子裝置904中的各者可為與電子裝置901相同類型或不同類型的裝置。可在外部電子裝置902、外部電子裝置904或外部電子裝置908中的一或多者處執行待在電子裝置901處執行的操作中的全部或一些。舉例而言，若電子裝置901應自動地或回應於來自使用者或另一裝置的請求而進行功能或服務，則替代或除進行功能或服務以外的電子裝置901可請求一或多個外部電子裝置以進行功能或服務的至少一部分。接收請求的一或多個外部電子裝置可執行所請求的功能或服務的至少部分或與所述請求相關的額外功能或額外服務，且將執行的結果傳遞至電子裝置901。電子裝置901可在進一步處理結果或不進一步處理結果的情況下將結果提供為對請求的回覆的至少一部分。為此，可使用例如雲計算、分怖式計算或主從式計算技術。

本說明書中所描述的主題及操作的實施例可以數位電子電路系統或以電腦軟體、韌體或硬體（包含本說明書中所揭露的結構及其結構等效物）或以其中的一或多者的組合實施。本說明書中所描述的主題的實施例可實施為一或多個電腦程式，亦即經編碼於電腦儲存媒體上以供資料處理設備執行或用以控制資料處理設備的操作的電腦程式指令的一或多個模組。替代地或另外，程式指令可經編碼於人工產生的傳播信號（例如，機器產生的電氣、光學或電磁信號）上，所述傳播信號經產生以編碼資訊以用於傳輸至適合的接收器設備以供資料處理設備執行。電腦儲存媒體可為或包含於電腦可讀儲存裝置、電腦可讀儲存基底、隨機或串行存取記憶體陣列或裝置或其組合中。此外，當電腦儲存媒體並非傳播信號時，電腦儲存媒體可為經編碼於人工產生的傳播信號中的電腦程式指令的來源或目的地。電腦儲存媒體亦可為一或多個個別實體組件或媒體（例如，多個CD、磁碟或其他儲存裝置）或包含於一或多個個別實體組件或媒體中。另外，本說明書中所描述的操作可實施為由資料處理設備對儲存於一或多個電腦可讀儲存裝置上或自其他來源接收到的資料執行的操作。

雖然本說明書可含有許多特定實施細節，但實施細節不應視為對任何所主張的主題的範疇的限制，而應視為對特定實施例特定的特徵的描述。在本說明書中描述於個別實施例的上下文中的某些特徵亦可在單一實施例中以組合形式實施。相反地，在單一實施例的上下文中所描述的各種特徵亦可分別在多個實施例中實施或以任何合適的子組合實施。此外，儘管上文可將特徵描述為以某些組合起作用且最初甚至按此來主張，但來自所主張組合的一或多個特徵在一些狀況下可自所述組合刪除，且所主張的組合可針對子組合或子組合的變化。

類似地，儘管在圖式中以特定次序來描繪操作，但不應將此理解為需要以所展示的特定次序或以依序次序執行此等操作，或執行所有所說明操作以達成合乎需要的結果。在某些情形下，多任務及並行處理可為有利的。此外，上述實施例中的各種系統組件的分離不應理解為在所有實施例中要求所述分離，且應理解，所描述程式組件及系統一般可一起整合於單個軟體產品中或封裝至多個軟體產品中。

因此，本文中已描述主題的特定實施例。其他實施例在以下申請專利範圍的範疇內。在一些情況下，申請專利範圍中所闡述的動作可以不同次序執行且仍達成合乎需要的結果。另外，隨附圖式中所描繪的過程未必需要所繪示的特定次序或順序次序來達成合乎需要的結果。在某些實施中，多任務及並行處理可為有利的。

如所屬技術領域中具有通常知識者將認識到，可跨廣泛範圍的應用修改及改變本文中所描述的新穎概念。因此，所要求保護的主題的範疇不應限於上文所論述的特定例示性教示中的任一者，而實際上由以下申請專利範圍界定。

102:控制路徑 104:gNB 106:第一UE 108:第二UE 110:資料路徑 202、502、602、702、802:輸入 204、504、604、704、804:輸出 302:NN 304:輸入節點 306:隱藏節點 308:輸出節點 402、404、406、408:步驟 606:第一窗口 608:第二窗口 610、612:通道矩陣 900:網路環境 901、902、904:電子裝置 908:伺服器 920:處理器 921:主處理器 923:輔助處理器 930:記憶體 932:揮發性記憶體 934:非揮發性記憶體 940:程式 942:作業系統 944:中間軟體 946:應用程式 950:輸入裝置 955:聲音輸出裝置 960:顯示裝置 970:音訊模組 976:感測器模組 977:介面 978:連接端子 979:觸覺模組 980:攝影機模組 988:功率管理模組 989:電池 990:通信模組 992:無線通信模組 994:天線模組 994:有線通信模組 996:用戶識別模組卡 998:第一網路 999:第二網路

在以下章節中，將參考圖式中所示出的例示性實施例描述本文中所揭露的主題的態樣，其中： 圖1為示出根據實施例的通信系統的圖。 圖2為示出根據實施例的通道矩陣預測的圖。 圖3為示出根據實施例的圖2的NN的圖。 圖4為示出根據實施例的用於通道預測及參數選擇的方法的流程圖。 圖5為示出根據實施例的不具有內插的一維NN輸入的圖。 圖6為示出根據實施例的不具有內插的二維NN輸入的圖。 圖7為示出根據實施例的具有內插的一維NN輸入的圖。 圖8為示出根據實施例的具有內插的二維NN輸入的圖。 圖9為示出根據實施例的網路環境中的電子裝置的方塊圖。

402、404、406、408:步驟

Claims (20)

1. 一種用於基於學習的通道矩陣預測的方法，包括： 由使用者設備（UE）使用在時槽之處自基地台（BS）接收的參考信號來估計所述時槽之處的通道矩陣； 由所述使用者設備使用所估計的所述通道矩陣作為至基於過去及未來通道矩陣的已知集合訓練的神經網路（NN）的輸入來預測未來時槽之處的通道矩陣序列；以及 由所述使用者設備使用來自所述通道矩陣序列的至少一個通道矩陣來判定參數。
2. 如請求項1所述的方法，更包括： 將所估計的所述通道矩陣儲存於所述使用者設備的緩衝器中；以及 將所述參數自所述使用者設備傳輸至所述基地台。
3. 如請求項1所述的方法，其中所述參考信號用於通道狀態資訊（CSI）估計，且所述時槽由通道狀態資訊間隔分隔。
4. 如請求項1所述的方法，其中所述未來時槽與當前時槽分隔了將所述參數自所述使用者設備傳輸至所述基地台且在所述基地台之處應用所述參數所需要的至少一段時間。
5. 如請求項1所述的方法，其中所述參數為預編碼矩陣指示符（PMI），且判定所述參數包括： 基於所述至少一個通道矩陣判定預編碼矩陣；以及 基於所述預編碼矩陣選擇所述預編碼矩陣指示符。
6. 如請求項1所述的方法，其中在預測所述通道矩陣序列時： 所估計的所述通道矩陣作為對應複數輸入至所述神經網路，且所述通道矩陣序列作為對應複數序列自所述神經網路輸出；或 所估計的所述通道矩陣作為所述對應複數的實部及虛部輸入至所述神經網路，且所述通道矩陣序列作為所述對應複數序列的實部及虛部自所述神經網路輸出。
7. 如請求項1所述的方法，其中估計所述通道矩陣包括： 在所述時槽之處自所述參考信號估計主要通道矩陣；以及 使用所估計的所述主要通道矩陣在所述時槽之間的時槽之處內插次要通道矩陣。
8. 如請求項1所述的方法，其中所估計的所述通道矩陣包括在各時槽之處跨越頻帶的多個通道矩陣。
9. 如請求項8所述的方法，其中： 在預測用於給定副載波的所述通道矩陣序列時，提供第一窗口作為至所述神經網路的輸入，且自所述神經網路輸出兩個通道矩陣，其中所述第一窗口橫跨所述時槽且多個副載波以所述給定副載波為中心；以及 在預測用於下一副載波的通道矩陣序列時，提供第二窗口作為至所述神經網路的輸入，且自所述神經網路輸出另外兩個通道矩陣，其中所述第二窗口橫跨所述時槽，且所述第二窗口中的所述多個副載波以所述下一副載波為中心且自所述第一窗口向下移位一個副載波。
10. 如請求項1所述的方法，更包括： 使用過去及未來通道矩陣的所述已知集合在不同通道設定檔下訓練所述神經網路；以及 判定所述不同通道設定檔的權重， 其中預測所述通道矩陣序列包括： 基於當前通道條件與所述不同通道設定檔的比較而在所述神經網路中應用所述權重中的一或多者。
11. 一種使用者設備（UE），包括： 處理器；以及 非暫時性電腦可讀儲存媒體，儲存在執行時使所述處理器進行以下操作的指令： 使用在時槽之處自基地台（BS）接收的參考信號來估計所述時槽之處的通道矩陣； 使用所估計的所述通道矩陣作為至基於過去及未來通道矩陣的已知集合訓練的神經網路（NN）的輸入來預測未來時槽之處的通道矩陣序列；以及 使用來自所述通道矩陣序列的至少一個通道矩陣來判定參數。
12. 如請求項11所述的使用者設備，其中所述指令進一步使所述處理器進行以下操作： 將所估計的所述通道矩陣儲存於所述使用者設備的緩衝器中；以及 將所述參數自所述使用者設備傳輸至所述基地台。
13. 如請求項11所述的使用者設備，其中所述參考信號用於通道狀態資訊（CSI）估計，且所述時槽由通道狀態資訊間隔分隔。
14. 如請求項11所述的使用者設備，其中所述未來時槽與當前時槽分隔了將所述參數自所述使用者設備傳輸至所述基地台且在所述基地台之處應用所述參數所需要的至少一段時間。
15. 如請求項11所述的使用者設備，其中所述參數為預編碼矩陣指示符（PMI），且在判定所述參數時，所述指令進一步使所述處理器進行以下操作： 基於所述至少一個通道矩陣判定預編碼矩陣；以及 基於所述預編碼矩陣選擇所述預編碼矩陣指示符。
16. 如請求項11所述的使用者設備，其中在預測所述通道矩陣序列時： 所估計的所述通道矩陣作為對應複數輸入至所述神經網路，且所述通道矩陣序列作為對應複數序列自所述神經網路輸出；或 所估計的所述通道矩陣作為所述對應複數的實部及虛部輸入至所述神經網路，且所述通道矩陣序列作為所述對應複數序列的實部及虛部自所述神經網路輸出。
17. 如請求項11所述的使用者設備，其中在估計所述通道矩陣時，所述指令進一步使所述處理器進行以下操作： 在所述時槽之處自所述參考信號估計主要通道矩陣；以及 使用所估計的所述主要通道矩陣在所述時槽之間的時槽之處內插次要通道矩陣。
18. 如請求項11所述的使用者設備，其中： 所估計的所述通道矩陣包括在各時槽之處跨越頻帶的多個通道矩陣； 在預測給定副載波的所述通道矩陣序列時，提供通道矩陣的第一窗口作為至所述神經網路的輸入，且自所述神經網路輸出兩個通道矩陣，其中所述第一窗口橫跨所述時槽且多個副載波以所述給定副載波為中心；以及 在預測下一副載波的通道矩陣序列時，提供通道矩陣的第二窗口作為至所述神經網路的輸入，且自所述神經網路輸出另外兩個通道矩陣，其中所述第二窗口橫跨所述時槽，且所述第二窗口中的所述多個副載波以所述下一副載波為中心且自所述第一窗口向下移位一個副載波。
19. 如請求項11所述的使用者設備，其中： 所述指令進一步使所述處理器進行以下操作： 使用過去及未來通道矩陣的先前判定的集合在不同通道設定檔下訓練所述神經網路；以及 判定所述不同通道設定檔的權重，以及 在預測所述通道矩陣序列時，所述指令進一步使所述處理器基於當前通道條件與所述不同通道設定檔的比較而在所述神經網路中應用所述權重中的一或多者。
20. 一種用於基於學習的通道矩陣預測的系統，包括： 使用者設備（UE），經組態以：接收參考信號；使用所述參考信號估計時槽之處的通道矩陣；使用所估計的所述通道矩陣作為至基於過去及未來通道矩陣的已知集合訓練的神經網路（NN）的輸入來預測未來時槽之處的通道矩陣序列；使用來自所述通道矩陣序列的至少一個通道矩陣來判定參數；以及傳輸所述參數；以及 基地台，經組態以在所述時槽之處將所述參考信號傳輸至所述使用者設備，且自所述使用者設備接收所述參數。