TWI834835B - 無線通信系統以及操作無線通信系統的方法 - Google Patents

無線通信系統以及操作無線通信系統的方法 Download PDF

Info

Publication number
TWI834835B
TWI834835B TW109107826A TW109107826A TWI834835B TW I834835 B TWI834835 B TW I834835B TW 109107826 A TW109107826 A TW 109107826A TW 109107826 A TW109107826 A TW 109107826A TW I834835 B TWI834835 B TW I834835B
Authority
TW
Taiwan
Prior art keywords
detector
category
wireless communication
communication system
categories
Prior art date
Application number
TW109107826A
Other languages
English (en)
Other versions
TW202034648A (zh
Inventor
權赫準
莎麗斯 喬杜哈里
宋基逢
Original Assignee
南韓商三星電子股份有限公司
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 南韓商三星電子股份有限公司 filed Critical 南韓商三星電子股份有限公司
Publication of TW202034648A publication Critical patent/TW202034648A/zh
Application granted granted Critical
Publication of TWI834835B publication Critical patent/TWI834835B/zh

Links

Images

Classifications

    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L25/0204—Channel estimation of multiple channels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/37—Decoding methods or techniques, not specific to the particular type of coding provided for in groups H03M13/03 - H03M13/35
    • H03M13/39—Sequence estimation, i.e. using statistical methods for the reconstruction of the original codes
    • H03M13/3905—Maximum a posteriori probability [MAP] decoding or approximations thereof based on trellis or lattice decoding, e.g. forward-backward algorithm, log-MAP decoding, max-log-MAP decoding
    • H03M13/3927—Log-Likelihood Ratio [LLR] computation by combination of forward and backward metrics into LLRs
    • 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
    • H04L25/03165—Arrangements for removing intersymbol interference using neural 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
    • H04L25/03891—Spatial equalizers
    • 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
    • H04L25/06—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection
    • H04L25/067—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection providing soft decisions, i.e. decisions together with an estimate of reliability
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39311—Multilayer, MNN, four layer perceptron, sigmoidal neural network

Landscapes

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

Abstract

本文中公開一種操作無線通信系統的方法以及無線通信系統。根據一個實施例，一種方法包含：產生特徵和檢測器標籤的標記資料集；使用所產生的標記資料集來訓練多層感知器（MLP）網路；以及基於所訓練的多層感知器網路的輸出從多個檢測器類別中選擇檢測器類別。

Description

無線通信系統以及操作無線通信系統的方法
本發明大體上涉及無線通信系統。具體來說，本發明涉及使用神經網路的多輸入多輸出檢測器選擇。 本申請是基於於2019年3月12日向美國專利商標局提交的且指定序號為62/817,372的美國臨時專利申請且請求其優先權，所述申請的全部內容以引用的方式併入本文中。
在無線通信系統（例如，長期演進(Long Term Evolution，LTE)、第5代新無線電（5th generation new radio，5G NR））中，多輸入多輸出（multiple-input multiple-output，MIMO）符號檢測器計算MIMO層中的編碼位元的對數似然比（log-likelihood-ratio，LLR）。可使用各種類型的檢測方法來確定LLR。此類檢測方法的複雜度從極高複雜度（例如，最大似然（maximum likelihood，ML））到低複雜度（例如，最小均方差（minimum mean square error，MMSE））變動。通常，以錯誤率衡量的檢測方法的性能與複雜度成反比。因此，ML具有最小錯誤率，而MMSE具有最大錯誤率。
通常，使用一個檢測器來獲得所有資源元素（resource element，RE）的LLR，無論RE中的通道條件（channel condition）如何。當選擇使用此靜態檢測器時，在複雜度與錯誤率之間存在折衷方案。如果期望低錯誤率，那麼使用高複雜度檢測器。另一方面，如果使用低複雜度檢測器，那麼錯誤率增加。
根據一個實施例，一種操作無線通信系統的方法。所述方法包含：產生特徵和檢測器標籤的標記資料集；使用所產生的所述標記資料集來訓練多層感知器（multi-layer perceptron，MLP）網路；以及基於所訓練的所述MLP網路的輸出從多個檢測器類別中選擇檢測器類別。
根據一個實施例，一種無線通信系統包含：多個檢測器，所述多個檢測器中的每一個與來自多個檢測器類別的檢測器類別相關聯；記憶體；以及處理器，所述處理器被配置以：產生特徵和檢測器標籤的標記資料集；使用所產生的所述標記資料集來訓練MLP網路；以及基於所訓練的所述MLP網路的輸出從所述多個檢測器類別中選擇檢測器類別。
根據一個實施例，一種操作無線通信系統的方法。所述方法包含：產生特徵和檢測器標籤的標記資料集；基於所產生的所述標記資料集合並多個檢測器類別的類別；使用所產生的所述標記資料集來訓練MLP網路；以及基於所訓練的所述MLP網路的輸出從多個檢測器類別中選擇檢測器類別。
在下文中，將參考附圖來詳細描述本發明的實施例。應 注意，儘管相同元件示出於不同附圖中，但所述相同元件將由相同附圖標號標示。在以下描述中，例如詳細配置和元件的具體細節僅被提供用以幫助對本發明的實施例的總體理解。因此，對本領域的技術人員顯而易見的是，可在不脫離本發明的範圍的情況下對本文中所描述的實施例進行各種改變和修改。另外，出於清楚和簡潔起見，省略對熟知功能和構造的描述。下文所描述的術語是考慮到本發明中的功能而定義的術語，且可根據使用者、使用者的意圖或習慣而不同。因此，術語的定義應基於整個說明書中的內容來確定。
本發明可具有各種修改和各種實施例，在所述公開中，參考附圖在下文詳細描述實施例。然而，應理解，本發明不限於所述實施例，而是包含本發明的範圍內的所有修改、等效物以及替代物。
儘管包含如第一和第二等序數的術語可用於描述各種元件，但結構元件不受術語限制。所述術語僅用以將一個元件與另一元件區分開。舉例來說，在不脫離本發明的範圍的情況下，第一結構元件可稱作第二結構元件。類似地，第二結構元件也可稱作第一結構元件。如本文中所使用的，術語“和/或”包含一個或多個相關聯物件的任何和所有組合。
本文中所使用的術語僅用於描述本發明的各種實施例但並不旨在限制本發明。除非上下文另外明確指示，否則單數形式還旨在包含複數形式。在本發明中，應理解，術語“包含（include）”或“具有（have）”指示特徵、數目、步驟、操作、結構元件、部分或其組合的存在，且不排除一個或多個其它特徵、數目、步驟、操作、結構元件、部分或其組合的存在或添加所述一個或多個其它特徵、數目、步驟、操作、結構元件、部分或其組合的可能性。
除非以不同方式定義，否則本文中所使用的所有術語具有與本發明所屬的本領域的技術人員理解的那些相同的含義。如一般所使用的詞典中所定義的那些術語的術語將被解釋為具有與相關技術領域中的上下文含義相同的含義，且除非在本發明中清楚地定義，否則將不被解釋為具有理想或過度正式的含義。
根據一個實施例的電子裝置可以是各種類型的電子裝置中的一種。電子裝置可包含例如可攜式通信裝置（例如，智慧手機）、電腦、可攜式多媒體裝置、可攜式醫療裝置、相機、可穿戴裝置或家用電器。根據本發明的一個實施例，電子裝置不限於上述的那些電子裝置。
用於本發明中的術語並不旨在限制本發明，而是旨在包含用於對應實施例的各種變化、等效物或替代物。關於附圖的描述，類似附圖標號可用於指代類似或相關元件。除非相關上下文明確指示，否則與物件相對應的名詞的單數形式可包含一個或多個所述事物。如本文中所使用，如“A或B”、“A和B中的至少一個”、“A或B中的至少一個”、“A、B或C”、“A、B以及C中的至少一個”以及“A、B或C中的至少一個”的這類短語中的每一個可包含連同所述短語中的對應一個一起列舉的物件的所有可能組合。如本文中所使用的，如“第1”、“第2”、“第一”以及“第二”的術語可用於將對應元件與另一元件區分開，但並不旨在在其它方面（例如，重要性或順序）限制元件。預期的是，如果元件（例如，第一元件）被稱為（在具有或不具有術語“以操作方式”或“以通信方式”的情況下）“與……耦合”、“耦合到”、“與……連接”或“連接到”另一元件（例如，第二元件），那麼其指示元件可直接地（例如，有線）、無線地或經由第三元件與另一元件耦合。
如本文中所使用的，術語“模組”可包含以硬體、軟體或固件實施的單元，且可與例如“邏輯”、“邏輯塊”、“部分”以及“電路系統”的其它術語互換使用。模組可以是用以執行一個或多個功能的單個集成元件，或最小單元或其部分。舉例來說，根據一個實施例，模組可以專用積體電路（application-specific integrated circuit，ASIC）形式實施。
本發明提供用於選擇多輸入多輸出（MIMO）檢測器來檢測資源元素（RE）中的符號的系統和方法。所述系統和方法使用如多層感知器（MLP）的神經網路基於RE中的暫態通道條件來選擇檢測器。MLP是在機器學習中廣泛地用於進行分類和參數估計的一種類型的神經網路。所述系統和方法使用MLP來視每個RE中的通道條件而動態地選擇可靠的低複雜度檢測器。所述系統和方法允許數據機同時使檢測器複雜度保持得較低並且通過動態地選擇可靠的低複雜度檢測器來實現最大似然（ML）的錯誤率以產生對數似然比（LLR）。
圖1是根據實施例的用於MIMO檢測器選擇的系統100的圖。系統100包含特徵提取塊102、MLP網路104、檢測器選擇塊106以及多個檢測器（例如，檢測器1 114、檢測器2 116、……，檢測器D 118）。將接收到的信號向量108和RE的MIMO通道矩陣110發送到特徵提取塊102。將MLP權重112應用於MLP網路104中。
將特徵作為輸入提供到MLP網路104。所選擇的特徵可表示通道、接收到的信號、雜訊變化以及其它特徵。其它特徵包含通道的特徵值（eigenvalue）、通道矩陣的對角值（diagonal value）以及接收到的信號與通道的內積。系統100將MLP網路104應用為分類器（classifier）以將每個RE基於其通道特徵分類成不同類別，其中每種類別對應於一個檢測器。對於每個RE，MLP網路104提供個輸出，其中是檢測器類別或候選檢測器的數目。MLP網路104的第個輸出指示檢測器是否為可提供與ML檢測器類似的性能的最低複雜度檢測器。由MLP網路104做出的不準確預測可增加錯誤率。因此，在選擇與ML的錯誤率相匹配的高度可靠的低複雜度檢測器的檢測器選擇塊106中進一步處理MLP網路104的輸出。使用具有通道特徵和檢測器的對應標籤的標記資料集來離線調諧MLP網路104的參數（即，MLP權重112）和檢測器選擇塊106的參數（即，裕度105）。根據不同通道模型和信號雜訊比（signal-to-noise ratio，SNR）收集標記資料集。
圖2是根據實施例的用以計算MLP權重112和裕度105的離線調諧方法的流程圖200。在流程202處，系統提取通道特徵。從RE的MIMO通道矩陣110提取暫態通道特徵（instantaneous channel feature）。也可以從一組RE的MIMO通道矩陣提取特徵。MIMO通道矩陣110由H指示且接收到的信號向量108由y指示，其可以如在等式（1）中那樣表示。(1)
在等式（1）中，x是含有所發射的符號的向量，且n是雜訊向量。可假設雜訊經過白化。矩陣y、矩陣H、矩陣x以及矩陣的維度分別是以及，其中是接收器天線的數目，且是所發射的符號的數目。
通道特徵可包含但不限於以下：
特徵-1()：總通道功率：，其中是矩陣中的第行和第列處的元素；
特徵-2 ()：對角與非對角通道功率（diagonal-to-off-diagonal channel power）的比；
特徵-3 ()：的最大特徵值與最小特徵值的比，其中是的複共軛；
特徵-4 ()：通道矩陣的元素的實數部分和虛數部分；
特徵-5 ()：通道矩陣的元素的量值平方（magnitude-square）：：
特徵-6 ()：的元素的實數部分和虛數部分，其中是上三角矩陣或下三角矩陣，使得，其中是滿足的酉矩陣（unitary matrix）；
特徵-7 ()：矩陣的元素的量值平方：，其中是矩陣中的第行和第列處的元素；以及
特徵-8 ()：y-h乘積：，其中是矩陣的第列。
在流程204處，系統針對每個RE產生標籤。檢測器標籤可以是從1到的任何整數。儘管可利用檢測器的其它順序，但可假設檢測器標籤以複雜度的升冪排列，其中1指示最低複雜度檢測器，且指示最高複雜度ML檢測器。指示MIMO層中的RE中的所發射的符號。如在等式（2）中，符號由個所發射的位元表示。
（2）
如在等式（3）中，所發射的符號向量是x。
（3）
如果使用檢測器，那麼系統使用和來計算MIMO層中的第個位元的LLR。LLR是所發射的位元是1的概率與所發射的位元是0的概率的比的對數。對於每個候選檢測器{1,2, …,，系統獲得每一層中的個位元的對應LLR。LLR用於產生指示可以可靠地實現與ML相同的錯誤率的最低複雜度檢測器的標籤。系統使用LLR符號或使用LLR符號和量值來產生標籤。
當使用LLR符號來產生標籤時，將檢測器LLR轉換成如等式（4）中的位元。
                               （4）
標籤是最小檢測器類別，針對所述最小檢測器類別，。因此，根據此方法，是LLR的符號與真位元（true bit）相匹配的最低複雜度檢測器。
當使用LLR符號和量值產生標籤時，系統使用LLR的 符號和量值兩者來確定檢測器標籤。LLR值用於計算MIMO層中的所發射的符號等於由位元表示的符號的概率。此標籤產生方法使用在僅使用上述LLR符號的方法中計算出的相同位元。根據此方法的標籤是最小檢測器類別，針對所述最小檢測器類別，對於閾值，。
在流程206處，系統針對RE產生特徵和標籤的標記數 據集。標記資料集包含不同通道模型和SNR下的元組（tuple）。標記資料集包含個元組，且每個元組含有通道特徵和標籤。
在流程208處，系統使用類別合併和類別重新採樣來處 理標記資料集。類別合併可在訓練MLP來操控標記資料組之前執行以訓練MLP，使得可準確地預測哪些RE需要較高複雜度檢測器。舉例來說，如果存在種檢測器類別，那麼根據通道條件，一些RE需要檢測器4以便達到對應錯誤率。因此，MLP應針對檢測器類別4具有較高訓練準確度。
圖3是根據實施例的類別合併的圖300。訓練準確度取 決於每種類別的樣本的數目。如曲線圖302中所示，如果類別4具有較少訓練樣本，那麼MLP無法針對產生較高檢測錯誤的類別4達到較高訓練準確度。如曲線圖304中所示，為了針對類別4達到較高訓練準確度，系統可通過將標籤3改變為標籤4來將類別3合併到類別4中。由於檢測器以複雜度的升冪排列，因此這是有效的。因此，如果可通過檢測器3準確地偵測到符號，那麼也可以通過檢測器4準確地偵測到符號。
另外，系統可對類別進行重新採樣。類別重新採樣確保 訓練資料集不含有具有一種檢測器類別的大量樣本。考慮到訓練資料集針對檢測器包含個樣本，使得，成本函數取決於且又取決於。
圖4是根據實施例的類別重新採樣的圖400。如果一個 特定檢測器在資料集中具有明顯更多數目的標籤，那麼使訓練偏向所述檢測器。如曲線圖402中所示，檢測器類別1和檢測器類別2包含明顯比其它類別更多數目的標籤。這導致在資料集中具有較少標籤的檢測器的較低訓練準確度。如曲線圖404中所示，為了去除此偏差，系統去除額外樣本以確保大多數類別具有相等數目的訓練樣本。
在流程210處，系統識別最具資訊性（相關）特徵。系 統可通過使用標籤與特徵之間的交互資訊來識別關於標籤的最具資訊性特徵。
在流程212處，系統使用最具資訊性特徵和標籤來訓練 MLP網路以找到MLP權重112。
圖5是根據實施例的MLP網路的圖500。MLP包含輸 入層502、一個隱蔽層（hidden layer）504、輸出層506以及P個節點。隱藏節點使用S型啟動函數（sigmoid activation function）。通過在包含個節點的輸出層506上應用softmax函數508來計算MLP的輸出510。指示第層中的第個節點到層中的第個節點之間的權重，且層中的節點的輸出如等式（5）。
（5）
在等式（5）中，是S型啟動函數，且是 偏差項（bias term）。層中的節點的輸出如等式（6）。
（6）
如在等式（7）中，通過在上應用softmax 來計算MLP的輸出。
（7）
為了獲得權重和偏差項，系統使用擬牛頓法 （quasi-Newton method）來訓練MLP網路以使等式（8）中的交叉熵成本函數（cross-entropy cost function）最小化。
（8）
在等式（8）中，是恆等函數（identity function） （如果，那麼其為1，否則其為0），是第個訓練元組中的標籤，且是對應於第個訓練元組的MLP輸出。
圖6和圖7是根據實施例的使用MLP輸出的檢 測器選擇方法的圖600和圖700。如下所述，是真類別（true class），且是所選擇的類別。在第一選擇方法602和第一選擇方法702中，如在等式（9）中，通過檢查哪種類別具有最大輸出值來選擇類別。
（9）
在選擇方法602和選擇方法702中，低估錯誤可較高。 當需要較高複雜度檢測器（即，）時，低估錯誤在MLP估計較低複雜度檢測器時出現。在第二選擇方法604和第二選擇方法704中，系統通過使用裕度105使低估錯誤的概率保持為低於閾值來選擇檢測器類別。
在流程214處，系統基於MLP輸出和計算出的裕度來 選擇檢測器類別。為了選擇可靠的檢測器類別，為提供選擇裕度，使得MLP僅在在所有MLP輸出當中最大且時選擇檢測器。舉例來說，在圖6中，、以及MLP輸出是、、以及。由於與之間的差較小，因此檢測器1是不可靠的。在此場景中，第二選擇方法604選擇檢測器2，而第一選擇方法602選擇檢測器1。在這種情況下，檢測器2比檢測器1更可靠。此外，在圖7中，MLP輸出是、、以及。在這種情況下，由於與之間的差較大且第二選擇方法704選擇檢測器1，因此檢測器1本身是可靠的。
裕度被設計成使低估錯誤的概率保持為 低於閾值。對於給定裕度，錯誤在時出現，而真類別是且錯誤概率如等式（10）。
（10）
如果裕度過高（例如，），那麼第二選擇方法始 終選擇類別，即使真類別是。這甚至在不需要較高複雜度檢測器時也會導致較高複雜度檢測器的利用。為了避免這種情況，使條件概率（conditional probability）最大化。因此，通過針對使用等式（11）中的錯誤閾值求解優化問題來確定裕度。
              （11）
裕度可用於通過按照表1中的偽代碼（pseudo code）來 獲得對類別的選擇。
表1 初始化且 IF FOR IF BREAK ENDIF ENDFOR ENDIF
本發明系統和方法可用於根據不同SNR、調製編碼方案（modulation and coding scheme，MCS）以及通道模型來選擇檢測器。獲得覆蓋這些場景（scenario）的組合標記資料集，且訓練MLP以選擇檢測器。系統和方法也可以被擴展為選擇用於不同調製類型（如64-正交振幅調製（quadrature amplitude modulation，QAM）、256-QAM以及1024-QAM）的檢測器。
舉例來說，對於用於兩種調製= 64-QAM和調製=256-QAM的檢測器選擇，和分別是用於64-QAM和256-QAM的候選檢測器類別的數目。使用64-QAM符號和256-QAM符號來產生包含來自RE的標記資料的組合資料集。在此資料集中，用於64-QAM的檢測器標籤介於範圍1、2、……，內，而用於256-QAM的標籤介於範圍內。用組合資料集訓練MLP且計算選擇裕度。
表2 初始化且 IF FOR IF BREAK ENDIF ENDFOR ENDIF
如表3中的偽代碼中所示，為了針對具有來自的所發 射的符號的RE選擇檢測器，使用MLP輸出以及裕度。
表3 初始化且 IF FOR IF BREAK ENDIF ENDFOR ENDIF
圖8是根據實施例的線上檢測器選擇結果的曲線圖800。圖8示出在檢測器類別1（802）、檢測器類別2（804）、檢測器類別3（806）以及檢測器類別4（808）用於所有RE時用於靜態檢測器選擇的塊差錯率（block error rate）。類別4 808是具有最高複雜度和最低錯誤率的ML檢測器，而類別1 802是具有最低複雜度和最高錯誤率的MMSE檢測器。曲線圖800還示出基於所提出的MLP的動態檢測器選擇的錯誤率810。
圖9是根據實施例的檢測器利用率（detector utilization）的圖900。如圖900中所示，系統利用低複雜度檢測器，同時提供與ML（類別4）檢測器的錯誤率類似的錯誤率。
圖10是根據一個實施例的網路環境1000中的電子裝置1001的方塊圖。參看圖10，網路環境1000中的電子裝置1001可經由第一網路1098（例如，短程無線通信網路）與電子裝置1002通信，或經由第二網路1099（例如，遠端無線通信網路）與電子裝置1004或伺服器1008通信。電子裝置1001可經由伺服器1008與電子裝置1004通信。電子裝置1001可包含處理器1020、記憶體1030、輸入裝置1050、聲音輸出裝置1055、顯示裝置1060、音訊模組1070、感測器模組1076、介面1077、觸覺模組1079、相機模組1080、電源管理模組1088、電池1089、通信模組1090、使用者識別模組（subscriber identification module，SIM）1096或天線模組1097。在一個實施例中，可從電子裝置1001中省略元件中的至少一個（例如，顯示裝置1060或相機模組1080），或可將一個或多個其它元件添加到電子裝置1001。在一個實施例中，元件中的一些可實施為單個積體電路（integrated circuit，IC）。舉例來說，可將感測器模組1076（例如，指紋感測器、虹膜感測器或照度感測器）嵌入於顯示裝置1060（例如，顯示器）中。
處理器1020可執行例如軟體（例如，程式1040）以控制與處理器1020耦合的電子裝置1001的至少一個其它元件（例如，硬體或軟體元件），且可執行各種資料處理或計算。作為資料處理或計算的至少部分，處理器1020可在揮發性記憶體1032中載入從另一元件（例如，感測器模組1076或通信模組1090）接收到的命令或資料，處理儲存在揮發性記憶體1032中的命令或資料，且將所得資料儲存在非揮發性記憶體1034中。處理器1020可包含主處理器1021（例如，中央處理單元（central processing unit，CPU）或應用處理器（application processor，AP））和可獨立於主處理器1021或結合所述主處理器來操作的輔助處理器1023（例如，圖形處理單元（graphics processing unit，GPU）、圖像信號處理器（image signal processor，ISP）、感測器集線器處理器或通信處理器（communication processor，CP））。另外或可替代地，輔助處理器1023可用以消耗比主處理器1021更少的功率，或執行特定功能。輔助處理器1023可實施為與主處理器1021分離或實施為所述主處理器的一部分。
輔助處理器1023可在主處理器1021處於未啟動（例如，休眠）狀態時替代主處理器1021或在主處理器1021處於啟動狀態（例如，執行應用）時連同主處理器1021一起來控制與電子裝置1001的元件當中的至少一個元件（例如，顯示裝置1060、感測器模組1076或通信模組1090）相關的功能或狀態中的至少一些。根據一個實施例，輔助處理器1023（例如，圖像信號處理器或通信處理器）可實施為在功能上與輔助處理器1023相關的另一元件（例如，相機模組1080或通信模組1090）的部分。
記憶體1030可儲存由電子裝置1001中的至少一個元件（例如，處理器1020或感測器模組1076）使用的各種資料。所述各種資料可包含例如軟體（例如，程式1040）和與所述軟體相關的命令的輸入資料或輸出資料。記憶體1030可包含揮發性記憶體1032或非揮發性記憶體1034。
程式1040可作為軟體儲存在記憶體1030中，且可包含例如作業系統（operating system，OS）1042、中介軟體1044或應用程式1046。
輸入裝置1050可從電子裝置1001的外部（例如，使用者）接收待由電子裝置1001的其它元件（例如，處理器1020）使用的命令或資料。輸入裝置1050可包含例如麥克風、滑鼠或鍵盤。
聲音輸出裝置1055可將聲音信號輸出到電子裝置1001的外部。聲音輸出裝置1055可包含例如揚聲器或接收器。揚聲器可用於一般目的，如播放多媒體或錄音，且接收器可用於接收來電通話。根據一個實施例，接收器可實施為與揚聲器分離，或為揚聲器的一部分。
顯示裝置1060可以以視覺方式向電子裝置1001的外部（例如，使用者）提供資訊。顯示裝置1060可包含例如顯示器、全息圖裝置或投影儀以及用以控制顯示器、全息圖裝置以及投影儀中的對應一個的控制電路系統。根據一個實施例，顯示裝置1060可包含用以檢測觸摸的觸摸電路系統或用以測量由觸摸所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1070可將聲音轉換成電信號且反之亦然。根據一個實施例，音訊模組1070可經由輸入裝置1050獲得聲音，或經由聲音輸出裝置1055或與電子裝置1001直接地（例如，有線）或無線耦合的外部電子裝置1002的頭戴式耳機輸出聲音。
感測器模組1076可檢測電子裝置1001的操作狀態（例如，功率或溫度）或電子裝置1001外部的環境狀態（例如，使用者的狀態），且接著產生對應於檢測到的狀態的電信號或資料值。感測器模組1076可包含例如手勢感測器、陀螺感測器、大氣壓感測器、磁性感測器、加速度感測器、握持感測器、接近感測器、顏色感測器、紅外（infrared；IR）感測器、生物計量感測器、溫度感測器、濕度感測器或照度感測器。
介面1077可支援待用於要與外部電子裝置1002直接地（例如，有線）或無線地耦合的電子裝置1001的一個或多個指定協議。根據一個實施例，介面1077可包含例如高清晰多媒體介面（high definition multimedia interface，HDMI）、通用序列匯流排（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1078可包含連接器，電子裝置1001可經由所述連接器與外部電子裝置1002物理地連接。根據一個實施例，連接端子1078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1079可將電信號轉換成機械刺激（例如，振動或移動）或電刺激，所述刺激可由用戶經由感觸感覺或肌肉運動知覺的感覺來識別。根據一個實施例，觸覺模組1079可包含例如電動機、壓電式元件或電刺激器。
相機模組1080可捕獲靜態圖像或移動圖像。根據一個實施例，相機模組1080可包含一個或多個透鏡、圖像感測器、圖像信號處理器或閃光燈。
電源管理模組1088可管理供應到電子裝置1001的電力。電源管理模組1088可實施為例如電源管理積體電路（power management integrated circuit，PMIC）的至少部分。
電池1089可向電子裝置1001的至少一個元件供應電力。根據一個實施例，電池1089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1090可支援在電子裝置1001與外部電子裝置（例如，電子裝置1002、電子裝置1004或伺服器1008）之間建立直接（例如，有線）通信通道或無線通信通道以及經由所建立的通信通道執行通信。通信模組1090可包含一個或多個通信處理器，所述通信處理器可獨立於處理器1020（例如，AP）操作且支援直接（例如，有線）通信或無線通信。根據一個實施例，通信模組1090可包含無線通信模組1092（例如，蜂窩式通信模組、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1094（例如，局域網（local area network，LAN）通信模組或電力線通信（power line communication，PLC）模組）。這些通信模組中的對應一個可經由第一網路1098（例如，短程通信網路，如BluetoothTM、無線保真(wireless-fidelity，Wi-Fi）導入或國際紅外資料協會（the Infrared Data Association，IrDA）標準）或第二網路1099（例如，遠端通信網路，如蜂窩式網路、互聯網或電腦網路（例如，LAN或廣域網路（wide area network，WAN）））與外部電子裝置通信。這些不同類型通信模組可實施為單個元件（例如，單個IC），或可實施為彼此分離的多個元件（例如，多個IC）。無線通信模組1092可使用儲存在使用者識別模組1096中的使用者資訊（例如，國際移動用戶識別碼（international mobile subscriber identity，IMSI））來識別且認證通信網路（如第一網路1098或第二網路1099）中的電子裝置1001。
天線模組1097可將信號或功率發射到電子裝置1001的外部（例如，外部電子裝置）或從所述電子裝置的外部（例如，外部電子裝置）接收信號或功率。根據一個實施例，天線模組1097可包含一個或多個天線，且可例如通過通信模組1090（例如，無線通信模組1092）從所述天線中選擇適合於在通信網路（如第一網路1098或第二網路1099）中使用的通信方案的至少一個天線。接著可在通信模組1090與外部電子裝置之間經由所選擇的至少一個天線來發射或接收信號或功率。
上述元件中的至少一些可彼此耦合且經由週邊間通信方案（例如，匯流排、通用輸入和輸出（general purpose input and output，GPIO）、串列週邊介面(serial peripheral interface，SPI）或移動行業處理器介面（mobile industry processor interface，MIPI））在其間傳送信號（例如，命令或資料）。
根據一個實施例，可經由與第二網路1099耦合的伺服器1008在電子裝置1001與外部電子裝置1004之間發射或接收命令或資料。電子裝置1002和電子裝置1004中的每一個可以是與電子裝置1001相同類型或不同類型的裝置。待在電子裝置1001處執行的操作中的全部或一些可在外部電子裝置1002、外部電子裝置1004或外部電子裝置1008中的一個或多個處執行。舉例來說，如果電子裝置1001應自動地或回應於來自使用者或另一裝置的請求而執行功能或服務，那麼代替執行所述功能或所述服務或除執行所述功能或所述服務以外，電子裝置1001可請求一個或多個外部電子裝置來執行功能或服務中的至少一部分。接收請求的一個或多個外部電子裝置可執行所請求的功能或服務或與請求相關的額外功能或額外服務的至少部分，並將執行的結果傳輸到電子裝置1001。電子裝置1001可在進一步處理所述結果或不進一步處理所述結果的情況下提供結果作為對請求的答覆的至少部分。為此，例如，可使用雲計算、分散式運算或用戶端伺服器計算技術。
一個實施例可實施為軟體（例如，程式1040），所述套裝軟體含儲存在可由機器（例如，電子裝置1001）讀取的儲存介質（例如，內部記憶體1036或外部記憶體1038）中的一個或多個指令。舉例來說，電子裝置1001的處理器可調用儲存在儲存介質中的一個或多個指令中的至少一個，且在使用或不使用處於處理器的控制下的一個或多個其它元件的情況下執行所述一個或多個指令中的至少一個。因此，可操作機器以根據所調用的至少一個指令來執行至少一種功能。一個或多個指令可包含由編譯器產生的代碼或可由解譯器執行的代碼。機器可讀儲存介質可以非暫時性儲存介質的形式提供。術語“非暫時性”指示儲存介質是有形裝置，且不包含信號（例如，電磁波），但此術語並未區分將資料半永久地儲存在儲存介質中的情況與將資料暫時儲存在儲存介質中的情況。
根據一個實施例，本發明的方法可被包含且提供於電腦程式產品中。電腦程式產品可作為產品在賣家與買家之間交易。電腦程式產品可以機器可讀儲存介質（例如，唯讀光碟（compact disc read only memory，CD-ROM））形式分佈或經由應用商店（例如，Play StoreTM)線上分佈（例如，下載或上傳）或直接地在兩個使用者裝置（例如，智慧手機）之間分佈。如果線上分佈，那麼電腦程式產品的至少部分可暫時產生或至少暫時儲存於機器可讀儲存介質（如製造商的伺服器的記憶體、應用商店的伺服器或中繼伺服器）中。
根據一個實施例，上述元件中的每一元件（例如，模組或程式）可包含單個實體或多個實體。可省略上述元件中的一個或多個，或可添加一個或多個其它元件。可替代地或另外，可將多個元件（例如，模組或程式）集成到單個元件中。在這種情況下，集成元件仍可以與在集成之前由多個元件中的每一個執行多個元件中的對應一個的一個或多個功能相同或類似的方式來執行所述一個或多個功能。可依序、並行、反復地或啟發式進行由模組、程式或另一元件執行的操作，或操作中的一個或多個可以不同循序執行或省略，或可添加一個或多個其它操作。
儘管本發明的某些實施例已描述于本發明的詳細描述中，但本發明可在不脫離本發明的範圍的情況下以各種形式進行修改。因此，本發明的範圍不應僅基於所描述的實施例確定，而應基於所附申請專利範圍書和其等效物確定。
100:系統 102:特徵提取塊 104:MLP網路 105:裕度 106:檢測器選擇塊 108:信號向量 110:資源元素的MIMO通道矩陣 112:MLP權重 114:檢測器1 116:檢測器2 118:檢測器D 200:流程圖 202、204、206、208、210、212、214:流程 300、400、500、600、700、900:圖 302、304、402、404、800:曲線圖 502:輸入層 504:隱蔽層 506:輸出層 508:softmax函數 510:輸出 602、702:第一選擇方法 604、704:第二選擇方法 802:檢測器類別1 804:檢測器類別2 806:檢測器類別3 808:檢測器類別4 810:錯誤率 1000:網路環境 1001:電子裝置 1002、1004:電子裝置 1008:伺服器 1020:處理器 1021:主處理器 1023:輔助處理器 1030:記憶體 1032:揮發性記憶體 1034:非揮發性記憶體 1036:內部記憶體 1038:外部記憶體 1040:程式 1042:作業系統 1044:中介軟體 1046:應用程式 1050:輸入裝置 1055:聲音輸出裝置 1060:顯示裝置 1070:音訊模組 1076:感測器模組 1077:介面 1078:連接端子 1079:觸覺模組 1080:相機模組 1088:電源管理模組 1089:電池 1090:通信模組 1092:無線通信模組 1094:有線通信模組 1096:使用者識別模組 1097:天線模組 1098:第一網路 1099:第二網路:特徵:特徵:特徵 P:節點
通過以下結合附圖進行的詳細描述，本發明的某些實施例的上述和其它方面、特徵以及優點將更加顯而易見，其中： 圖1是根據實施例的用於MIMO檢測器選擇的系統的圖。 圖2是根據實施例的用以計算MLP權重（MLP weight）和裕度（margin）的離線調諧（offline tuning）方法的流程圖。 圖3是根據實施例的類別合併的圖。 圖4是根據實施例的類別重新採樣的圖。 圖5是根據實施例的MLP網路的圖。 圖6和圖7是根據實施例的檢測器選擇方法的圖。 圖8是根據實施例的線上（online）檢測器選擇結果的曲線圖。 圖9是根據實施例的檢測器利用率的圖。 圖10是根據一個實施例的網路環境中的電子裝置的方塊圖。
200:流程圖
202~214:流程

Claims (19)

  1. 一種操作無線通信系統的方法，包括：接收信號向量以及多輸入多輸出(MIMO)通道矩陣；自所述信號向量以及所述多輸入多輸出通道矩陣中提取通道特徵；產生每一個資源元素(RE)的所述通道特徵和檢測器標籤的標記資料集；使用所產生的所述標記資料集來訓練多層感知器網路；以及基於所訓練的所述多層感知器網路的輸出從多個檢測器類別中選擇檢測器類別。
  2. 如請求項1所述的方法，其中基於對數似然比符號產生所述標記資料集。
  3. 如請求項2所述的方法，其中進一步基於對數似然比量值產生所述標記資料集。
  4. 如請求項1所述的方法，還包括：基於所產生的所述標記資料集合並所述多個檢測器類別的類別。
  5. 如請求項4所述的方法，其中合併所述類別還包括：將所述多個檢測器類別的第一類別中的樣本合併到所述多個檢測器類別的第二類別中，其中所述第二類別包含比所述第一類別少的樣本。
  6. 如請求項1所述的方法，其中所述選擇檢測器類別還包括：使檢測器錯誤的概率最小化。
  7. 如請求項1所述的方法，其中基於與來自所述多層感知器網路的最大輸出值相關聯的計算出的裕度來選擇所述檢測器類別。
  8. 如請求項7所述的方法，其中基於來自所述多層感知器網路的所述最大輸出值與來自所述多層感知器網路的第二輸出值之間的差小於所述計算出的裕度來選擇所述檢測器類別。
  9. 如請求項7所述的方法，其中基於檢測器錯誤的條件概率小於或等於概率閾值來確定所述計算出的裕度。
  10. 如請求項1所述的方法，其中所述通道特徵包含通道的特徵值、通道矩陣的對角值以及接收到的信號與所述通道的內積中的至少一個。
  11. 一種無線通信系統，包括：多個檢測器，所述多個檢測器中的每一個與來自多個檢測器類別的檢測器類別相關聯；記憶體；以及處理器，被配置以：接收信號向量以及多輸入多輸出(MIMO)通道矩陣；自所述信號向量以及所述多輸入多輸出通道矩陣中提取通道特徵；產生每一個資源元素(RE)的所述通道特徵和檢測器標籤的標記資料集；使用所產生的所述標記資料集來訓練多層感知器網路；以及 基於所訓練的所述多層感知器網路的輸出從所述多個檢測器類別中選擇所述檢測器類別。
  12. 如請求項11所述的無線通信系統，其中基於對數似然比符號產生所述標記資料集。
  13. 如請求項12所述的無線通信系統，其中進一步基於對數似然比量值產生所述標記資料集。
  14. 如請求項11所述的無線通信系統，其中所述處理器進一步被配置以基於所產生的所述標記資料集合並所述多個檢測器類別的類別。
  15. 如請求項14所述的無線通信系統，其中所述處理器進一步被配置以將所述多個檢測器類別的第一類別中的樣本合併到所述多個檢測器類別的第二類別中，其中所述第二類別包含比所述第一類別更少的樣本。
  16. 如請求項11所述的無線通信系統，其中所述處理器進一步被配置以通過使檢測器錯誤的概率最小化來選擇所述檢測器類別。
  17. 如請求項11所述的無線通信系統，其中基於與來自所述多層感知器網路的最大輸出值相關聯的選擇裕度來選擇所述檢測器類別。
  18. 如請求項17所述的無線通信系統，其中基於來自所述多層感知器網路的所述最大輸出值與來自所述多層感知器網 路的第二輸出值之間的差小於所述選擇裕度來選擇所述檢測器類別。
  19. 如請求項17所述的無線通信系統，其中基於檢測器錯誤的條件概率小於或等於概率閾值來確定所述選擇裕度。
TW109107826A 2019-03-12 2020-03-10 無線通信系統以及操作無線通信系統的方法 TWI834835B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962817372P 2019-03-12 2019-03-12
US62/817,372 2019-03-12
US16/429,856 US20200293894A1 (en) 2019-03-12 2019-06-03 Multiple-input multiple-output (mimo) detector selection using neural network
US16/429,856 2019-06-03

Publications (2)

Publication Number Publication Date
TW202034648A TW202034648A (zh) 2020-09-16
TWI834835B true TWI834835B (zh) 2024-03-11

Family

ID=72423064

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109107826A TWI834835B (zh) 2019-03-12 2020-03-10 無線通信系統以及操作無線通信系統的方法

Country Status (4)

Country Link
US (1) US20200293894A1 (zh)
KR (1) KR20200110137A (zh)
CN (1) CN111698181B (zh)
TW (1) TWI834835B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11979822B2 (en) 2021-07-29 2024-05-07 Qualcomm Incorporated Machine learning based dynamic demodulator selection
US20230422175A1 (en) * 2022-06-23 2023-12-28 Qualcomm Incorporated Machine learning (ml)-based dynamic demodulator parameter selection
US20230419101A1 (en) * 2022-06-23 2023-12-28 Qualcomm Incorporated Machine learning (ml)-based dynamic demodulator selection
CN114938248B (zh) * 2022-07-26 2022-11-01 中国海洋大学三亚海洋研究院 一种水下无线光通信解调模型的搭建及解调方法
WO2024162948A1 (en) * 2023-01-30 2024-08-08 Zeku, Inc. Apparatus and method for multiple-input multiple-output detection adaptation

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201901285A (zh) * 2017-05-26 2019-01-01 荷蘭商Ａｓｍｌ荷蘭公司 基於機器學習之輔助特徵置放

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7433432B2 (en) * 2004-12-31 2008-10-07 Broadcom Corporation Adaptive detector for multiple-data-path systems
GB2431076B (en) * 2005-09-30 2008-04-09 Toshiba Res Europ Ltd Apparatus and method of MIMO detection
US8670508B2 (en) * 2010-05-28 2014-03-11 Maxlinear, Inc. Method and system for a low-complexity soft-output MIMO detection
GB2513105A (en) * 2013-03-15 2014-10-22 Deepmind Technologies Ltd Signal processing systems
US11288573B2 (en) * 2016-05-05 2022-03-29 Baidu Usa Llc Method and system for training and neural network models for large number of discrete features for information rertieval
KR102530000B1 (ko) * 2017-06-19 2023-05-08 버지니아 테크 인터렉추얼 프라퍼티스, 인크. 다중 안테나 송수신기를 이용한 무선 송신을 위한 정보의 인코딩 및 디코딩
US10594729B2 (en) * 2017-10-31 2020-03-17 International Business Machines Corporation Dynamically configuring a honeypot
US20190273510A1 (en) * 2018-03-01 2019-09-05 Crowdstrike, Inc. Classification of source data by neural network processing
CN108390705A (zh) * 2018-03-29 2018-08-10 东南大学 基于bp算法构建的深度神经网络大规模mimo系统检测方法
US10637544B1 (en) * 2018-04-24 2020-04-28 Genghiscomm Holdings, LLC Distributed radio system
WO2019245931A1 (en) * 2018-06-17 2019-12-26 Genghiscomm Holdings, LLC Distributed radio system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201901285A (zh) * 2017-05-26 2019-01-01 荷蘭商Ａｓｍｌ荷蘭公司 基於機器學習之輔助特徵置放

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
網路文獻 Chanho Yoon and Hoojin Lee, "Implementation of low-complexity MIMO detector and efficient soft-output demapper for MIMO-OFDM-based wireless LAN systems", EURASIP Journal on Wireless Communications and Networking, 2013/05/29 https://doi.org/10.1186/1687-1499-2013-143 *
網路文獻 Neev Samuel, Tzvi Diskin and Ami Wiesel, "Deep MIMO detection", 2017 IEEE 18th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). IEEE, 2017/06/04 https://arxiv.org/abs/1706.01151; *

Also Published As

Publication number Publication date
CN111698181A (zh) 2020-09-22
CN111698181B (zh) 2024-05-10
US20200293894A1 (en) 2020-09-17
TW202034648A (zh) 2020-09-16
KR20200110137A (ko) 2020-09-23

Similar Documents

Publication Publication Date Title
TWI834835B (zh) 無線通信系統以及操作無線通信系統的方法
TWI834837B (zh) 用於訓練神經網路的方法及系統
US11031011B2 (en) Electronic device and method for determining electronic device to perform speech recognition
US20220058524A1 (en) Distributed training of machine learning models for personalization
KR102632254B1 (ko) 심볼 검출기 선택 방법 및 시스템
US11455471B2 (en) System and method for explaining and compressing deep learning natural language understanding (NLU) models
US10581465B2 (en) Special node (constituent code) processing for fast/simplified polar successive cancellation list (SCL) decoder
JP6977715B2 (ja) 情報処理装置、及び情報処理方法
CN113497647B (zh) 由通信网络中的电子装置执行的方法和电子装置
US20230232075A1 (en) Electronic device for providing content recommendation service, and method therefor
KR102632247B1 (ko) 음성 처리 향상에 위한 가우시안 가중 셀프 어텐션에 대한 방법 및 시스템
TW202241080A (zh) 電子裝置
US20200287600A1 (en) System and method for analog beamforming for single-connected antenna array
US10560288B2 (en) Apparatus and method of non-iterative singular-value decomposition
TWI775951B (zh) 非疊代奇異值分解的裝置與方法
CN111835461B (zh) 提供多输入多输出检测器选择的系统和方法
US11463539B2 (en) Electronic device for transmitting and receiving data with server device
TWI812754B (zh) 進行非迭代性奇異值分解的裝置及方法
TWI798533B (zh) 用於提供增強的參考訊號接收功率估計的方法及電子裝置
US20230055848A1 (en) Electronic device and method for providing personalized user context aware service
US20230409571A1 (en) Electronic device for providing search service, and operating method therefor
TWI855008B (zh) 用於單連接天線陣列的類比波束成形的系統及方法
TW202037104A (zh) 電子器件及其操作方法和多輸入多輸出符號檢測器