WO2022222116A1 - 信道恢复的方法及收端设备 - Google Patents

信道恢复的方法及收端设备 Download PDF

Info

Publication number
WO2022222116A1
WO2022222116A1 PCT/CN2021/089099 CN2021089099W WO2022222116A1 WO 2022222116 A1 WO2022222116 A1 WO 2022222116A1 CN 2021089099 W CN2021089099 W CN 2021089099W WO 2022222116 A1 WO2022222116 A1 WO 2022222116A1
Authority
WO
WIPO (PCT)
Prior art keywords
pilot
channel
training sample
neural network
end device
Prior art date
Application number
PCT/CN2021/089099
Other languages
English (en)
French (fr)
Inventor
肖寒
田文强
刘文东
Original Assignee
Oppo广东移动通信有限公司
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 Oppo广东移动通信有限公司 filed Critical Oppo广东移动通信有限公司
Priority to EP21937354.5A priority Critical patent/EP4329251A1/en
Priority to PCT/CN2021/089099 priority patent/WO2022222116A1/zh
Priority to CN202180097088.1A priority patent/CN117136528A/zh
Publication of WO2022222116A1 publication Critical patent/WO2022222116A1/zh
Priority to US18/382,104 priority patent/US20240048413A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/025—Channel estimation channel estimation algorithms using least-mean-square [LMS] method
    • 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

Landscapes

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

Abstract

本申请实施例提供了一种信道恢复的方法及收端设备，能够基于神经网络进行信道恢复，提高了信道恢复性能，进而提高了数据恢复及信道反馈的性能。该信道恢复的方法包括：收端设备接收发端设备发送的导频信号和数据信号；该收端设备通过第一神经网络对目标信息进行信道相关性特征提取，得到目标特征图；其中，该目标信息包括该数据信号和该导频信号，或者，该目标信息包括该数据信号和基于该导频信号确定的导频位置信道；该收端设备通过第二神经网络对该目标特征图和该导频位置信道进行信道恢复处理，得到恢复之后的信道信息。

Description

信道恢复的方法及收端设备 技术领域
本申请实施例涉及通信领域，并且更具体地，涉及一种信道恢复的方法及收端设备。
背景技术
在无线通信中，收端设备可以利用最小二乘(Least Squares，LS)、最小均方误差(Minimum Mean Square Error，MMSE)等算法实现基于参考信号的信道估计及恢复。然而，由于实际信道的复杂性、时变性等特征，LS、MMSE等算法难以满足信道估计及恢复的要求，进而影响后续的数据恢复及信道信息反馈等性能。如何提高信道恢复性能，是一个亟待解决的技术问题。
发明内容
本申请实施例提供了一种信道恢复的方法及收端设备，能够基于神经网络进行信道恢复，提高了信道恢复性能，进而提高了数据恢复及信道反馈的性能。
第一方面，提供了一种信道恢复的方法，该方法包括：
收端设备接收发端设备发送的导频信号和数据信号；
该收端设备通过第一神经网络对目标信息进行信道相关性特征提取，得到目标特征图；其中，该目标信息包括该数据信号和该导频信号，或者，该目标信息包括该数据信号和基于该导频信号确定的导频位置信道；
该收端设备通过第二神经网络对该目标特征图和该导频位置信道进行信道恢复处理，得到恢复之后的信道信息。
第二方面，提供了一种信道恢复的方法，该方法包括：
收端设备接收发端设备发送的导频信号和数据信号；
该收端设备通过神经网络对目标信息进行信道恢复处理，得到恢复之后的信道信息；其中，该目标信息至少包括该数据信号和该导频信号。
第三方面，提供了一种收端设备，用于执行上述第一方面中的方法。
具体地，该收端设备包括用于执行上述第一方面中的方法的功能模块。
第四方面，提供了一种收端设备，用于执行上述第二方面中的方法。
具体地，该收端设备包括用于执行上述第二方面中的方法的功能模块。
第五方面，提供了一种收端设备，包括处理器和存储器。该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行上述第一方面中的方法。
第六方面，提供了一种收端设备，包括处理器和存储器。该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行上述第二方面中的方法。
第七方面，提供了一种装置，用于实现上述第一方面至第二方面中的任一方面中的方法。
具体地，该装置包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该装置的设备执行如上述第一方面至第二方面中的任一方面中的方法。
第八方面，提供了一种计算机可读存储介质，用于存储计算机程序，该计算机程序使得计算机执行上述第一方面至第二方面中的任一方面中的方法。
第九方面，提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令使得计算机执行上述第一方面至第二方面中的任一方面中的方法。
第十方面，提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面至第二方面中的任一方面中的方法。
通过上述技术方案，能够基于神经网络进行信道恢复，提高了信道恢复性能，进而提高了数据恢复及信道反馈的性能。
附图说明
图1是本申请实施例应用的一种通信系统架构的示意性图。
图2是本申请提供的一种无线通信系统的示意性图。
图3是本申请提供的一种信道估计及信道恢复的示意性图。
图4是本申请提供的一种神经网络的示意性图。
图5是本申请提供的一种卷积神经网络的示意性图。
图6是根据本申请实施例提供的一种信道恢复的方法的示意性流程图。
图7至图16分别是本申请实施例提供的第一神经网络的示意性图。
图17是根据本申请实施例提供的一种信道恢复的示意性图。
图18是根据本申请实施例提供的另一种信道恢复的方法的示意性流程图。
图19是根据本申请实施例提供的另一种信道恢复的示意性图。
图20是根据本申请实施例提供的一种收端设备的示意性框图。
图21是根据本申请实施例提供的另一种收端设备的示意性框图。
图22是根据本申请实施例提供的一种通信设备的示意性框图。
图23是根据本申请实施例提供的一种装置的示意性框图。
图24是根据本申请实施例提供的一种通信系统的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。针对本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例的技术方案可以应用于各种通信系统，例如：全球移动通讯(Global System of Mobile communication，GSM)系统、码分多址(Code Division Multiple Access，CDMA)系统、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)系统、通用分组无线业务(General Packet Radio Service，GPRS)、长期演进(Long Term Evolution，LTE)系统、先进的长期演进(Advanced long term evolution，LTE-A)系统、新空口(New Radio，NR)系统、NR系统的演进系统、非授权频谱上的LTE(LTE-based access to unlicensed spectrum，LTE-U)系统、非授权频谱上的NR(NR-based access to unlicensed spectrum，NR-U)系统、非地面通信网络(Non-Terrestrial Networks，NTN)系统、通用移动通信系统(Universal Mobile Telecommunication System，UMTS)、无线局域网(Wireless Local Area Networks，WLAN)、无线保真(Wireless Fidelity，WiFi)、第五代通信(5th-Generation，5G)系统或其他通信系统等。
通常来说，传统的通信系统支持的连接数有限，也易于实现，然而，随着通信技术的发展，移动通信系统将不仅支持传统的通信，还将支持例如，设备到设备(Device to Device，D2D)通信，机器到机器(Machine to Machine，M2M)通信，机器类型通信(Machine Type Communication，MTC)，车辆间(Vehicle to Vehicle，V2V)通信，或车联网(Vehicle to everything，V2X)通信等，本申请实施例也可以应用于这些通信系统。
在一些实施例中，本申请实施例中的通信系统可以应用于载波聚合(Carrier Aggregation，CA)场景，也可以应用于双连接(Dual Connectivity，DC)场景，还可以应用于独立(Standalone，SA)布网场景。
在一些实施例中，本申请实施例中的通信系统可以应用于非授权频谱，其中，非授权频谱也可以认为是共享频谱；或者，本申请实施例中的通信系统也可以应用于授权频 谱，其中，授权频谱也可以认为是非共享频谱。
本申请实施例结合网络设备和终端设备描述了各个实施例，其中，终端设备也可以称为用户设备(User Equipment，UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置等。
终端设备可以是WLAN中的站点(STATION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session Initiation Protocol，SIP)电话、无线本地环路(Wireless Local Loop，WLL)站、个人数字助理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备、下一代通信系统例如NR网络中的终端设备，或者未来演进的公共陆地移动网络(Public Land Mobile Network，PLMN)网络中的终端设备等。
在本申请实施例中，终端设备可以部署在陆地上，包括室内或室外、手持、穿戴或车载；也可以部署在水面上(如轮船等)；还可以部署在空中(例如飞机、气球和卫星上等)。
在本申请实施例中，终端设备可以是手机(Mobile Phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(Virtual Reality，VR)终端设备、增强现实(Augmented Reality，AR)终端设备、工业控制(industrial control)中的无线终端设备、无人驾驶(self driving)中的无线终端设备、远程医疗(remote medical)中的无线终端设备、智能电网(smart grid)中的无线终端设备、运输安全(transportation safety)中的无线终端设备、智慧城市(smart city)中的无线终端设备或智慧家庭(smart home)中的无线终端设备等。
作为示例而非限定，在本申请实施例中，该终端设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，例如：智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。
在本申请实施例中，网络设备可以是用于与移动设备通信的设备，网络设备可以是WLAN中的接入点(Access Point，AP)，GSM或CDMA中的基站(Base Transceiver Station，BTS)，也可以是WCDMA中的基站(NodeB，NB)，还可以是LTE中的演进型基站(Evolutional Node B，eNB或eNodeB)，或者中继站或接入点，或者车载设备、可穿戴设备以及NR网络中的网络设备或者基站(gNB)或者未来演进的PLMN网络中的网络设备或者NTN网络中的网络设备等。
作为示例而非限定，在本申请实施例中，网络设备可以具有移动特性，例如网络设备可以为移动的设备。在一些实施例中，网络设备可以为卫星、气球站。例如，卫星可以为低地球轨道(low earth orbit，LEO)卫星、中地球轨道(medium earth orbit，MEO)卫星、地球同步轨道(geostationary earth orbit，GEO)卫星、高椭圆轨道(High Elliptical Orbit，HEO)卫星等。在一些实施例中，网络设备还可以为设置在陆地、水域等位置的基站。
在本申请实施例中，网络设备可以为小区提供服务，终端设备通过该小区使用的传输资源(例如，频域资源，或者说，频谱资源)与网络设备进行通信，该小区可以是网络设备(例如基站)对应的小区，小区可以属于宏基站，也可以属于小小区(Small cell)对应的基站，这里的小小区可以包括：城市小区(Metro cell)、微小区(Micro cell)、微微小区(Pico cell)、毫微微小区(Femto cell)等，这些小小区具有覆盖范围小、发射功率低的特点，适用于提供高速率的数据传输服务。
示例性的，本申请实施例应用的通信系统100如图1所示。该通信系统100可以包括网络设备110，网络设备110可以是与终端设备120(或称为通信终端、终端)通信的设备。网络设备110可以为特定的地理区域提供通信覆盖，并且可以与位于该覆盖区域内的终端设备进行通信。
图1示例性地示出了一个网络设备和两个终端设备，在一些实施例中，该通信系统100可以包括多个网络设备并且每个网络设备的覆盖范围内可以包括其它数量的终端设备，本申请实施例对此不做限定。
在一些实施例中，该通信系统100还可以包括网络控制器、移动管理实体等其他网络实体，本申请实施例对此不作限定。
应理解，本申请实施例中网络/系统中具有通信功能的设备可称为通信设备。以图1示出的通信系统100为例，通信设备可包括具有通信功能的网络设备110和终端设备120，网络设备110和终端设备120可以为上文所述的具体设备，此处不再赘述；通信设备还可包括通信系统100中的其他设备，例如网络控制器、移动管理实体等其他网络实体，本申请实施例中对此不做限定。
应理解，本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。
应理解，在本申请的实施例中提到的“指示”可以是直接指示，也可以是间接指示，还可以是表示具有关联关系。举例说明，A指示B，可以表示A直接指示B，例如B可以通过A获取；也可以表示A间接指示B，例如A指示C，B可以通过C获取；还可以表示A和B之间具有关联关系。
在本申请实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
本申请实施例中，“预定义”可以通过在设备(例如，包括终端设备和网络设备)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现，本申请对于其具体的实现方式不做限定。比如预定义可以是指协议中定义的。
本申请实施例中，所述“协议”可以指通信领域的标准协议，例如可以包括LTE协议、NR协议以及应用于未来的通信系统中的相关协议，本申请对此不做限定。
为便于更好的理解本申请实施例，对本申请相关的无线通信系统进行说明。
在无线通信系统之中，基本的工作流程是发送机在发送端对信源进行编码、调制等操作，形成待传输的发送信号。发送信号通过无线空间信道传输至接收端，接收端对收到的接收信息进行解码、解密解调等操作，最终恢复信源信息，如图2所示。
上述图2所示的通信过程中，传统通信系统的编码、调制等模块，解码、解调等模块，以及其他未列举的资源映射、预编码、信道估计、干扰消除等模块都是单独设计实现，然后将各个独立模块整合成一个完整的无线通信系统。
为便于更好的理解本申请实施例，对本申请相关的信道估计与信道恢复进行说明。
由于无线信道环境的复杂性和时变性，在上述无线通信系统中，接收机针对无线信道的估计及恢复直接影响着最终的数据恢复性能。通信系统中的信道估计及恢复过程可以如图3所示。发射机在时频资源上除了信息数据符号外，还会发送一系列接收机已知的特定导频符号，如信道状态信息参考信号(Channel State Information Reference Signal， CSI-RS)信号、解调参考信号(Demodulation Reference Signal，DMRS)信号等。针对信道估计阶段，接收机可根据真实导频与接收导频利用最小二乘(Least Squares，LS)等方法估计出该参考信号位置上的信道信息；针对信道恢复阶段，接收机根据导频位置上估计出的信道信息利用插值算法恢复出全时频资源上的信道信息，用于后续的信道信息反馈或数据恢复等。
为便于更好的理解本申请实施例，对本申请相关的神经网络进行说明。
一个简单的神经网络的基本结构包括：输入层，隐藏层和输出层，如图4所示。输入层负责接收数据，隐藏层对数据的处理，最后的结果在输出层产生。在这其中，各个节点代表一个处理单元，可以认为是模拟了一个神经元，多个神经元组成一层神经网络，多层的信息传递与处理构造出一个整体的神经网络。
随着神经网络研究的不断发展，引入了神经网络深度学习算法，较多的隐层被引入，通过多隐层的神经网络逐层训练进行特征学习，极大地提升了神经网络的学习和处理能力，并在模式识别、信号处理、优化组合、异常探测等方面广泛被应用。
同样，随着深度学习的发展，卷积神经网络(Convolutional Neural Network，CNN)也被进一步研究。在一个卷积神经网络中，其基本结构包括：输入层、多个卷积层、多个池化层、全连接层及输出层，如图5所示。卷积层和池化层的引入，有效地控制了网络参数的剧增，限制了参数的个数并挖掘了局部结构的特点，提高了算法的鲁棒性。
为便于更好的理解本申请实施例，对本申请需要解决的技术问题进行说明。
虽然利用如LS、最小均方误差(Minimum Mean Square Error，MMSE)等传统算法可以实现基于参考信号的信道估计与信道恢复，但是，由于实际信道的复杂性、时变性等特征，传统的方案常常难以达到最佳的信道估计及信道恢复效果，进而影响后续的数据恢复及信道信息反馈等性能。同时，传统方案经过信道估计后，需要利用导频位置估计后的信道进行插值来恢复全时频资源上的信道。而目前的插值算法需要导频位置信道与数据位置信道相关性等统计量作为先验信息，例如利用功率时延谱(Power Delay Profile，PDP)等信息来辅助信道插值恢复。通常来讲，该信息需要提前利用相位参考信号(Tracking Reference Signal，TRS)来获取，而实际系统中，TRS会占据一定的系统资源，带来额外的开销。
基于上述技术问题，本申请提出了一种基于神经网络的信道恢复方案，能够基于神经网络进行信道恢复，提高了信道恢复性能，进而提高了数据恢复及信道反馈的性能。
以下通过具体实施例详述本申请的技术方案。
图6是根据本申请实施例的信道恢复的方法200的示意性流程图，如图6所示，该信道恢复的方法200可以包括如下内容中的至少部分内容：
S210，收端设备接收发端设备发送的导频信号和数据信号；
S220，该收端设备通过第一神经网络对目标信息进行信道相关性特征提取，得到目标特征图；其中，该目标信息包括该数据信号和该导频信号，或者，该目标信息包括该数据信号和基于该导频信号确定的导频位置信道；
S230，该收端设备通过第二神经网络对该目标特征图和该导频位置信道进行信道恢复处理，得到恢复之后的信道信息。
在本申请实施例中，发端设备在配置的时频资源上放置导频符号和数据符号，并通过空口发送给收端设备，收端设备接收到的信号可以如公式1所示。
Figure PCTCN2021089099-appb-000001
其中，Y表示收端设备接收到的信号，X表示发端设备发送的全部符号，P表示导频 符号，D表示数据符号，H_p表示导频位置信道，即导频符号位置对应的信道信息，H_d表示数据位置信道，即数据符号位置对应的信道信息，Y_p表示导频信号，Y_d表示数据信号，N表示加性噪声，H表示全时频资源上的信道信息。
具体的，Y_p＝H_p*p，p表示导频符号向量；Y_d＝H_d*d，d表示数据符号向量。信道恢复过程考虑利用收端设备接收到的信号Y(Y_p和Y_d)与已知的导频符号向量p估计恢复出全时频资源上的信道信息H。
在本申请实施例中，Y_p＝H_p*p，其中Y_p与p为收端设备已知量；Y_d＝H_d*d，其中Y_d为收端设备已知量，且数据符号向量d中的每个元素都是从数据调制符号集合S中选取的，即数据符号向量d也在具有一定星座点特征的向量空间中。因此Y_d包含数据符号位置的信道特征及数据符号的星座点集合特征，可以作为数据位置信道的某种表示用于提取相关性特征。
需要说明的是，数据调制符号集合S是由调制符号构成的有限集合。
在一些实施例中，该收端设备是终端设备，以及该发端设备是网络设备；或者，该收端设备是网络设备，以及该发端设备是终端设备。
在一些实施例中，该收端设备是一个终端设备，以及该发端设备是另一个终端设备。
在又一些实施例中，该发端设备为网络设备，该收端设备为另一网络设备。
应理解，根据发端设备和收端设备的不同，参考信号也相应的不同。例如若发端设备为终端设备，收端设备为网络设备，参考信号可以为DMRS。
在一些实施例中，该第一神经网络例如可以是CNN，或者其他特征提取性能较优的神经网络，本申请对此并不限定。
例如，第一神经网络包括但不限于基于全连接层、卷积层、循环神经网络层、激活函数层等基本神经网络结构中的一种或者多种进行构造实现。
在一些实施例中，该第二神经网络例如可以是CNN，或者其他信号处理性能较优的神经网络，本申请对此并不限定。
例如，第二神经网络包括但不限于基于全连接层、卷积层、循环神经网络层、激活函数层等基本神经网络结构中的一种或者多种进行构造实现。
在一些实施例中，该第一神经网络与该第二神经网络可以是相同类型的神经网络，也可以是不同类型的神经网络，本申请对此并不限定。
在一些实施例中，在该目标信息包括该数据信号和该导频信号的情况下，该目标信息还包括数据调制符号集合和/或导频符号向量。
在一些实施例中，在该目标信息包括该数据信号和该导频位置信道的情况下，该目标信息还包括数据调制符号集合。
在一些实施例中，该导频符号向量为预配置或协议约定的，或者，该导频符号向量为网络设备配置的。也即，该导频符号向量对于该收端设备来说是已知量。
在一些实施例中，该数据调制符号集合为预配置或协议约定的，或者，该数据调制符号集合为网络设备配置的。也即，该数据调制符号集合对于该收端设备来说是已知量。
在一些实施例中，该收端设备根据该导频信号和导频符号向量，确定该导频位置信道。例如，收端设备采用LS或MMSE算法实现基于导频信号(Y_p)和导频符号向量(p)，确定导频位置信道(H_p)。
在一些实施例中，该收端设备通过第三神经网络对该导频信号进行信道估计，得到该导频位置信道；或者，该收端设备通过第三神经网络对该导频信号和导频符号向量进行信道估计，得到该导频位置信道。
在一些实施例中，该第三神经网络例如可以是CNN，或者其他信号处理性能较优的神经网络，本申请对此并不限定。
例如，第三神经网络包括但不限于基于全连接层、卷积层、循环神经网络层、激活函数层等基本神经网络结构中的一种或者多种进行构造实现。
在一些实施例中，在该收端设备通过该第三神经网络对该导频信号进行信道估计的情况下，可以通过如下方式训练该第三神经网络：
获取第一训练样本集，该第一训练样本集中的各个训练样本包括导频信号以及导频位置信道；
根据该第一训练样本集训练该第三神经网络。
需要说明的是，上述第一训练样本集中训练样本的数量可以根据需求设置。导频信号以及导频位置信道是指：导频信号是需要进行信道估计的信号，而导频位置信道是利用第三神经网络对导频信号进行信道估计处理之后所期望得到的结果。
具体的，模型训练的目标是得到更好的模型参数，以提高信道估计的效果。在进行训练时，将导频信号输入到第三神经网络中，然后根据第三神经网络输出的信道估计结果与导频位置信道的差异调整模型参数，使得根据调整后的模型参数进行信道估计得到的结果征越来越接近导频位置信道，直至满足模型收敛条件，并最终得到训练好的第三神经网络。
在一些实施例中，在该收端设备通过该第三神经网络对该导频信号和该导频符号向量进行信道估计的情况下，可以通过如下方式训练该第三神经网络：
获取第二训练样本集，该第二训练样本集中的各个训练样本包括导频信号、导频符号向量以及导频位置信道；
根据该第二训练样本集训练该第三神经网络。
需要说明的是，上述第二训练样本集中训练样本的数量可以根据需求设置。导频信号、导频符号向量以及导频位置信道是指：导频信号、导频符号向量是需要进行信道估计的信号，而导频位置信道是利用第三神经网络对导频信号进行信道估计处理之后所期望得到的结果。
具体的，模型训练的目标是得到更好的模型参数，以提高信道估计的效果。在进行训练时，将导频信号和导频符号向量输入到第三神经网络中，然后根据第三神经网络输出的信道估计结果与导频位置信道的差异调整模型参数，使得根据调整后的模型参数进行信道估计得到的结果征越来越接近导频位置信道，直至满足模型收敛条件，并最终得到训练好的第三神经网络。
示例1，上述目标信息包括数据信号和导频信号。也即，收端设备通过第一神经网络对数据信号(Y_d)和导频信号(Y_p)进行信道相关性特征提取，得到目标特征图。如图7所示，收端设备将数据信号(Y_d)和导频信号(Y_p)作为第一神经网络的输入，以及第一神经网络的输出即为目标特征图。
示例2，上述目标信息包括数据信号和基于导频信号确定的导频位置信道。也即，收端设备通过第一神经网络对数据信号(Y_d)和导频位置信道(H_p)进行信道相关性特征提取，得到目标特征图。如图8或图9或图10所示，收端设备将数据信号(Y_d)和导频位置信道(H_p)作为第一神经网络的输入，以及第一神经网络的输出即为目标特征图。
例如，如图8所示，收端设备采用LS或MMSE算法实现基于导频信号(Y_p)和导频符号向量(p)，确定导频位置信道(H_p)。
又例如，如图9所示，收端设备通过第三神经网络对导频信号(Y_p)进行信道估计，得到导频位置信道(H_p)。
再例如，如图10所示，收端设备通过第三神经网络对导频信号(Y_p)和导频符号向量(p)进行信道估计，得到导频位置信道(H_p)。
示例3，上述目标信息包括数据信号、导频信号和数据调制符号集合。也即，收端设备通过第一神经网络对数据信号(Y_d)、导频信号(Y_p)和数据调制符号集合(S)进行信道相关性特征提取，得到目标特征图。如图11所示，收端设备将数据信号(Y_d)、导频信号(Y_p)和数据调制符号集合(S)作为第一神经网络的输入，以及第一神经网 络的输出即为目标特征图。
需要说明的是，在实际应用阶段和训练阶段的导频符号向量(p)与数据调制符号集合(S)不变的情况下，上述示例1中的第一神经网络可在训练阶段适应性地学习到导频符号向量(p)与数据调制符号集合(S)信息，即第一神经网络仅针对单一固定的导频符号向量(p)与数据调制符号集合(S)适配。在实际应用中，当通信系统引入自适应调制时，即数据调制符号集合(S)可能发生变化时，可以利用示例3中的第一神经网络，模型训练可以适应在实际应用中数据调制符号集合(S)发生变化情况的第一神经网络。
示例4，上述目标信息包括数据信号、导频信号和导频符号向量。也即，收端设备通过第一神经网络对数据信号(Y_d)、导频信号(Y_p)和导频符号向量(p)进行信道相关性特征提取，得到目标特征图。如图12所示，收端设备将数据信号(Y_d)、导频信号(Y_p)和导频符号向量(p)作为第一神经网络的输入，以及第一神经网络的输出即为目标特征图。
需要说明的是，在导频符号向量(p)与数据调制符号集合(S)不变的情况下，上述示例1中的第一神经网络可在训练阶段适应性地学习到导频符号向量(p)与数据调制符号集合(S)信息，即第一神经网络仅针对单一固定的导频符号向量(p)与数据调制符号集合(S)适配。在实际应用中当导频符号向量(p)发生变化时，可以利用示例4中的第一神经网络，模型训练可以适应在实际应用中导频符号向量(p)发生变化情况的第一神经网络。
示例5，上述目标信息包括数据信号、导频信号、导频符号向量和数据调制符号集合。也即，收端设备通过第一神经网络对数据信号(Y_d)、导频信号(Y_p)、导频符号向量(p)和数据调制符号集合(S)进行信道相关性特征提取，得到目标特征图。如图13所示，收端设备将数据信号(Y_d)、导频信号(Y_p)、导频符号向量(p)和数据调制符号集合(S)作为第一神经网络的输入，以及第一神经网络的输出即为目标特征图。
需要说明的是，在导频符号向量(p)与数据调制符号集合(S)不变的情况下，上述示例1中的第一神经网络可在训练阶段适应性地学习到导频符号向量(p)与数据调制符号集合(S)信息，即第一神经网络仅针对单一固定的导频符号向量(p)与数据调制符号集合(S)适配。在实际应用中当导频符号向量(p)与数据调制符号集合(S)发生变化时，可以利用示例5中的第一神经网络，模型训练可以适应在实际应用中导频符号向量(p)与数据调制符号集合(S)发生变化情况的第一神经网络。
示例6，上述目标信息包括数据信号、导频位置信道和数据调制符号集合。也即，收端设备通过第一神经网络对数据信号(Y_d)、导频位置信道(H_p)和数据调制符号集合(S)进行信道相关性特征提取，得到目标特征图。如图14或图15或图16所示，收端设备将数据信号(Y_d)、导频位置信道(H_p)和数据调制符号集合(S)作为第一神经网络的输入，以及第一神经网络的输出即为目标特征图。
例如，如图14所示，收端设备采用LS或MMSE算法实现基于导频信号(Y_p)和导频符号向量(p)，确定导频位置信道(H_p)。
又例如，如图15所示，收端设备通过第三神经网络对导频信号(Y_p)进行信道估计，得到导频位置信道(H_p)。
再例如，如图16所示，收端设备通过第三神经网络对导频信号(Y_p)和导频符号向量(p)进行信道估计，得到导频位置信道(H_p)。
在一些实施例中，该第一神经网络和该第二神经网络可以通过联合训练得到，具体例如，可以通过如下方式训练该第一神经网络和该第二神经网络：
获取第三训练样本集；
根据该第三训练样本集对该第一神经网络和该第二神经网络进行联合训练。
在一些实现方式中，该第三训练样本集中的各个训练样本包括数据信号、导频信号、导频位置信道以及恢复之后的信道信息。
在一些实现方式中，该第三训练样本集中的各个训练样本包括数据信号、导频位置信道以及恢复之后的信道信息。
在一些实现方式中，该第三训练样本集中的各个训练样本包括数据信号、导频位置信道、数据调制符号集合以及恢复之后的信道信息。
在一些实现方式中，该第三训练样本集中的各个训练样本包括数据信号、导频信号、数据调制符号集合、导频位置信道以及恢复之后的信道信息。
在一些实现方式中，该第三训练样本集中的各个训练样本包括数据信号、导频信号、导频符号向量、导频位置信道以及恢复之后的信道信息。
在一些实现方式中，该第三训练样本集中的各个训练样本包括数据信号、导频信号、数据调制符号集合、导频符号向量、导频位置信道以及恢复之后的信道信息。
需要说明的是，上述第三训练样本集中训练样本的数量可以根据需求设置。假设该第三训练样本集中的各个训练样本包括数据信号、导频信号、导频位置信道以及恢复之后的信道信息，数据信号、导频信号、导频位置信道以及恢复之后的信道信息是指：数据信号、导频信号、导频位置信道是需要进行信道恢复的信号，而恢复之后的信道信息是利用第一神经网络和第二神经网络对数据信号、导频信号、导频位置信道进行信道恢复处理之后所期望得到的结果。
应理解，第三训练样本集中的各个训练样本包括其他信息也类似，描述类似，在此不再赘述。
在一些实施例中，如图17所示，收端设备可以基于第一神经网络和第二神经网络进行信道恢复。第一神经网络输入为导频信号(Y_p)、数据信号(Y_d)、导频符号序列(p)、数据调制符号集合(S)、导频位置信道(H_p)中的至少之一，输出为目标特征图，具体参见上述图7至图16对应的描述。第二神经网络输入为目标特征图和导频位置信道(H_p)，输出为恢复之后的信道信息(即全时频资源上的信道信息H)。
如图17所示，收端设备可以采用LS或MMSE算法实现基于导频信号(Y_p)和导频符号向量(p)，确定导频位置信道(H_p)。或者，收端设备可以通过第三神经网络对导频信号(Y_p)进行信道估计，得到导频位置信道(H_p)。或者，收端设备通过第三神经网络对导频信号(Y_p)和导频符号向量(p)进行信道估计，得到导频位置信道(H_p)。
因此，在本申请实施例中，能够基于神经网络进行信道恢复，提高了信道恢复性能，进而提高了数据恢复及信道反馈的性能。
进一步地，在本申请实施例中，可以减少现有方法中需要参考信号获取信道相关特征而带来的额外开销；与现有的只将导频作为信道估计及恢复网络输入的方案相比，可进一步提高信道恢复性能。
图18是根据本申请实施例的信道恢复的方法300的示意性流程图，如图18所示，该信道恢复的方法300可以包括如下内容中的至少部分内容：
S310，收端设备接收发端设备发送的导频信号和数据信号；
S320，该收端设备通过神经网络对目标信息进行信道恢复处理，得到恢复之后的信道信息；其中，该目标信息至少包括该数据信号和该导频信号。
在本申请实施例中，发端设备在配置的时频资源上放置导频符号和数据符号，并通过空口发送给收端设备，收端设备接收到的信号可以如公式1所示。
Figure PCTCN2021089099-appb-000002
其中，Y表示收端设备接收到的信号，X表示发端设备发送的全部符号，P表示导频 符号，D表示数据符号，H_p表示导频位置信道，即导频符号位置对应的信道信息，H_d表示数据位置信道，即数据符号位置对应的信道信息，Y_p表示导频信号，Y_d表示数据信号，N表示加性噪声，H表示全时频资源上的信道信息。
具体的，Y_p＝H_p*p，p表示导频符号向量；Y_d＝H_d*d，d表示数据符号向量。信道恢复过程考虑利用收端设备接收到的信号Y(Y_p和Y_d)与已知的导频符号向量p估计恢复出全时频资源上的信道信息H。
在本申请实施例中，Y_p＝H_p*p，其中Y_p与p为收端设备已知量；Y_d＝H_d*d，其中Y_d为收端设备已知量，且数据符号向量d中的每个元素都是从数据调制符号集合S中选取的，即数据符号向量d也在具有一定星座点特征的向量空间中。因此Y_d包含数据符号位置的信道特征及数据符号的星座点集合特征，可以作为数据位置信道的某种表示用于提取相关性特征。
需要说明的是，数据调制符号集合S是由调制符号构成的有限集合。
在一些实施例中，该收端设备是终端设备，以及该发端设备是网络设备；或者，该收端设备是网络设备，以及该发端设备是终端设备。
在一些实施例中，该收端设备是一个终端设备，以及该发端设备是另一个终端设备。
在又一些实施例中，该发端设备为网络设备，该收端设备为另一网络设备。
应理解，根据发端设备和收端设备的不同，参考信号也相应的不同。例如若发端设备为终端设备，收端设备为网络设备，参考信号可以为DMRS。
在一些实施例中，该神经网络例如可以是CNN，或者其他特征提取性能较优的神经网络，本申请对此并不限定。
例如，神经网络包括但不限于基于全连接层、卷积层、循环神经网络层、激活函数层等基本神经网络结构中的一种或者多种进行构造实现。
在一些实施例中，该目标信息还包括数据调制符号集合和/或导频符号向量。
在一些实施例中，该导频符号向量为预配置或协议约定的，或者，该导频符号向量为网络设备配置的。也即，该导频符号向量对于该收端设备来说是已知量。
在一些实施例中，该数据调制符号集合为预配置或协议约定的，或者，该数据调制符号集合为网络设备配置的。也即，该数据调制符号集合对于该收端设备来说是已知量。
在本申请实施例中，神经网络为端到端网络，以目标信息为神经网络的输入，神经网络输出恢复之后的信道信息(即全时频资源上的信道信息H)。与上述信道恢复的方法200中的方案相比，利用端到端神经网络可自适应地训练和提取相关特征，供神经网络学习的自由度更高。
在一些实施例中，可以通过如下方式训练该神经网络：
获取训练样本集；
根据该训练样本集对该神经网络进行训练。
在一些实现方式中，该训练样本集中的各个训练样本包括数据信号、导频信号以及恢复之后的信道信息。
在一些实现方式中，该训练样本集中的各个训练样本包括数据信号、导频信号、数据调制符号集合以及恢复之后的信道信息。
在一些实现方式中，该训练样本集中的各个训练样本包括数据信号、导频信号、导频符号向量以及恢复之后的信道信息。
在一些实现方式中，该训练样本集中的各个训练样本包括数据信号、导频信号、导频符号向量、数据调制符号集合以及恢复之后的信道信息。
需要说明的是，上述训练样本集中训练样本的数量可以根据需求设置。假设该训练样本集中的各个训练样本包括数据信号、导频信号以及恢复之后的信道信息，数据信号、导频信号以及恢复之后的信道信息是指：数据信号和导频信号是需要进行信道恢复的信号，而恢复之后的信道信息是利用神经网络对数据信号和导频信号进行信道恢复处理之 后所期望得到的结果。
具体的，模型训练的目标是得到更好的模型参数，以提高信道恢复的效果。在进行训练时，将数据信号和导频信号输入到神经网络中，然后根据神经网络输出的信道恢复结果与恢复之后的信道信息的差异调整模型参数，使得根据调整后的模型参数进行信道估计得到的结果征越来越接近该数据信号和恢复之后的信道信息，直至满足模型收敛条件，并最终得到训练好的神经网络。
应理解，训练样本集中的各个训练样本包括其他信息也类似，描述类似，在此不再赘述。
在一些实施例中，如图19所示，收端设备可以基于神经网络进行信道恢复。该神经网络的必要输入为导频信号(Y_p)和数据信号(Y_d)，可选输入为导频符号序列(p)和数据调制符号集合(S)，输出为恢复之后的信道信息(即全时频资源上的信道信息H)。
例如，在实际应用中导频符号序列(p)发生变化，也将导频符号序列(p)作为该神经网络的输入。
又例如，在实际应用中数据调制符号集合(S)发生变化，也将数据调制符号集合(S)作为该神经网络的输入。
再例如，在实际应用中导频符号序列(p)和数据调制符号集合(S)发生变化，也将导频符号序列(p)和数据调制符号集合(S)作为该神经网络的输入。
因此，在本申请实施例中，能够基于神经网络进行信道恢复，提高了信道恢复性能，进而提高了数据恢复及信道反馈的性能。
进一步地，在本申请实施例中，可以减少现有方法中需要参考信号获取信道相关特征而带来的额外开销；与现有的只将导频作为信道估计及恢复网络输入的方案相比，可进一步提高信道恢复性能。
上文结合图6至图19，详细描述了本申请的方法实施例，下文结合图20至图24，详细描述本申请的装置实施例，应理解，装置实施例与方法实施例相互对应，类似的描述可以参照方法实施例。
图20示出了根据本申请实施例的收端设备400的示意性框图。如图5所示，该收端设备400包括：
通信单元410，用于接收发端设备发送的导频信号和数据信号；
处理单元420，用于通过第一神经网络对目标信息进行信道相关性特征提取，得到目标特征图；其中，该目标信息包括该数据信号和该导频信号，或者，该目标信息包括该数据信号和基于该导频信号确定的导频位置信道；
该处理单元420，还用于通过第二神经网络对该目标特征图和该导频位置信道进行信道恢复处理，得到恢复之后的信道信息。
在一些实施例中，在该目标信息包括该数据信号和该导频信号的情况下，该目标信息还包括数据调制符号集合和/或导频符号向量。
在一些实施例中，在该目标信息包括该数据信号和该导频位置信道的情况下，该目标信息还包括数据调制符号集合。
在一些实施例中，该数据调制符号集合为预配置或协议约定的，或者，该数据调制符号集合为网络设备配置的。
在一些实施例中，该处理单元420还用于根据该导频信号和导频符号向量，确定该导频位置信道。
在一些实施例中，该处理单元420还用于通过第三神经网络对该导频信号进行信道估计，得到该导频位置信道；或者，该处理单元420还用于通过第三神经网络对该导频信号和导频符号向量进行信道估计，得到该导频位置信道。
在一些实施例中，该导频符号向量为预配置或协议约定的，或者，该导频符号向量为网络设备配置的。
在一些实施例中，在该收端设备通过该第三神经网络对该导频信号进行信道估计的情况下，
该通信单元410还用于获取第一训练样本集，该第一训练样本集中的各个训练样本包括导频信号以及导频位置信道；
该处理单元420还用于根据该第一训练样本集训练该第三神经网络。
在一些实施例中，在该收端设备通过该第三神经网络对该导频信号和该导频符号向量进行信道估计的情况下，
该通信单元410还用于获取第二训练样本集，该第二训练样本集中的各个训练样本包括导频信号、导频符号向量以及导频位置信道；
该处理单元420还用于根据该第二训练样本集训练该第三神经网络。
在一些实施例中，该通信单元410还用于获取第三训练样本集，该第三训练样本集中的各个训练样本包括数据信号、导频信号、导频位置信道以及恢复之后的信道信息，或者，该第三训练样本集中的各个训练样本包括数据信号、导频位置信道以及恢复之后的信道信息；
该处理单元420还用于根据该第三训练样本集对该第一神经网络和该第二神经网络进行联合训练。
在一些实施例中，上述通信单元可以是通信接口或收发器，或者是通信芯片或者片上系统的输入输出接口。上述处理单元可以是一个或多个处理器。
应理解，根据本申请实施例的收端设备400可对应于本申请方法实施例中的收端设备，并且收端设备400中的各个单元的上述和其它操作和/或功能分别为了实现图6所示方法200中收端设备的相应流程，为了简洁，在此不再赘述。
图21示出了根据本申请实施例的收端设备500的示意性框图。如图21所示，该收端设备500包括：
通信单元510，用于接收发端设备发送的导频信号和数据信号；
处理单元520，用于通过神经网络对目标信息进行信道恢复处理，得到恢复之后的信道信息；其中，该目标信息至少包括该数据信号和该导频信号。
在一些实施例中，该目标信息还包括数据调制符号集合和/或导频符号向量。
在一些实施例中，该导频符号向量为预配置或协议约定的，或者，该导频符号向量为网络设备配置的。
在一些实施例中，该数据调制符号集合为预配置或协议约定的，或者，该数据调制符号集合为网络设备配置的。
在一些实施例中，该通信单元510还用于获取训练样本集，该训练样本集中的各个训练样本包括数据信号、导频信号以及恢复之后的信道信息；
该处理单元520还用于根据该训练样本集对该神经网络进行训练。
在一些实施例中，上述通信单元可以是通信接口或收发器，或者是通信芯片或者片上系统的输入输出接口。上述处理单元可以是一个或多个处理器。
应理解，根据本申请实施例的收端设备500可对应于本申请方法实施例中的收端设备，并且收端设备500中的各个单元的上述和其它操作和/或功能分别为了实现图18所示方法300中收端设备的相应流程，为了简洁，在此不再赘述。
图22是本申请实施例提供的一种通信设备600示意性结构图。图22所示的通信设备600包括处理器610，处理器610可以从存储器中调用并运行计算机程序，以实现本申请实施例中的方法。
在一些实施例中，如图22所示，通信设备600还可以包括存储器620。其中，处理器610可以从存储器620中调用并运行计算机程序，以实现本申请实施例中的方法。
其中，存储器620可以是独立于处理器610的一个单独的器件，也可以集成在处理器610中。
在一些实施例中，如图22所示，通信设备600还可以包括收发器630，处理器610可以控制该收发器630与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。
其中，收发器630可以包括发射机和接收机。收发器630还可以进一步包括天线，天线的数量可以为一个或多个。
在一些实施例中，该通信设备600具体可为本申请实施例的收端设备，并且该通信设备600可以实现本申请实施例的各个方法中由收端设备实现的相应流程，为了简洁，在此不再赘述。
图23是本申请实施例的装置的示意性结构图。图23所示的装置700包括处理器710，处理器710可以从存储器中调用并运行计算机程序，以实现本申请实施例中的方法。
在一些实施例中，如图23所示，装置700还可以包括存储器720。其中，处理器710可以从存储器720中调用并运行计算机程序，以实现本申请实施例中的方法。
其中，存储器720可以是独立于处理器710的一个单独的器件，也可以集成在处理器710中。
在一些实施例中，该装置700还可以包括输入接口730。其中，处理器710可以控制该输入接口730与其他设备或芯片进行通信，具体地，可以获取其他设备或芯片发送的信息或数据。
在一些实施例中，该装置700还可以包括输出接口740。其中，处理器710可以控制该输出接口740与其他设备或芯片进行通信，具体地，可以向其他设备或芯片输出信息或数据。
在一些实施例中，该装置可应用于本申请实施例中的收端设备，并且该装置可以实现本申请实施例的各个方法中由收端设备实现的相应流程，为了简洁，在此不再赘述。
在一些实施例中，本申请实施例提到的装置也可以是芯片。例如可以是系统级芯片，系统芯片，芯片系统或片上系统芯片等。
图24是本申请实施例提供的一种通信系统800的示意性框图。如图24所示，该通信系统800包括收端设备810和发端设备820。
其中，该收端设备810可以用于实现上述方法中由收端设备实现的相应的功能，以及该发端设备820可以用于实现上述方法中由发端设备实现的相应的功能，为了简洁，在此不再赘述。
应理解，本申请实施例的处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
可以理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access  Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，上述存储器为示例性但不是限制性说明，例如，本申请实施例中的存储器还可以是静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)以及直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)等等。也就是说，本申请实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本申请实施例还提供了一种计算机可读存储介质，用于存储计算机程序。
在一些实施例中，该计算机可读存储介质可应用于本申请实施例中的收端设备，并且该计算机程序使得计算机执行本申请实施例的各个方法中由收端设备实现的相应流程，为了简洁，在此不再赘述。
本申请实施例还提供了一种计算机程序产品，包括计算机程序指令。
在一些实施例中，该计算机程序产品可应用于本申请实施例中的收端设备，并且该计算机程序指令使得计算机执行本申请实施例的各个方法中由收端设备实现的相应流程，为了简洁，在此不再赘述。
本申请实施例还提供了一种计算机程序。
在一些实施例中，该计算机程序可应用于本申请实施例中的收端设备，当该计算机程序在计算机上运行时，使得计算机执行本申请实施例的各个方法中由收端设备实现的相应流程，为了简洁，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是 各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。针对这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (35)

  1. 一种信道恢复的方法，其特征在于，包括：
    收端设备接收发端设备发送的导频信号和数据信号；
    所述收端设备通过第一神经网络对目标信息进行信道相关性特征提取，得到目标特征图；其中，所述目标信息包括所述数据信号和所述导频信号，或者，所述目标信息包括所述数据信号和基于所述导频信号确定的导频位置信道；
    所述收端设备通过第二神经网络对所述目标特征图和所述导频位置信道进行信道恢复处理，得到恢复之后的信道信息。
  2. 如权利要求1所述的方法，其特征在于，在所述目标信息包括所述数据信号和所述导频信号的情况下，所述目标信息还包括数据调制符号集合和/或导频符号向量。
  3. 如权利要求1所述的方法，其特征在于，在所述目标信息包括所述数据信号和所述导频位置信道的情况下，所述目标信息还包括数据调制符号集合。
  4. 如权利要求2或3所述的方法，其特征在于，所述数据调制符号集合为预配置或协议约定的，或者，所述数据调制符号集合为网络设备配置的。
  5. 如权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
    所述收端设备根据所述导频信号和导频符号向量，确定所述导频位置信道。
  6. 如权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：
    所述收端设备通过第三神经网络对所述导频信号进行信道估计，得到所述导频位置信道；
    或者，
    所述收端设备通过第三神经网络对所述导频信号和导频符号向量进行信道估计，得到所述导频位置信道。
  7. 如权利要求2、5和6中任一项所述的方法，其特征在于，所述导频符号向量为预配置或协议约定的，或者，所述导频符号向量为网络设备配置的。
  8. 如权利要求6所述的方法，其特征在于，在所述收端设备通过所述第三神经网络对所述导频信号进行信道估计的情况下，所述方法还包括：
    获取第一训练样本集，所述第一训练样本集中的各个训练样本包括导频信号以及导频位置信道；
    根据所述第一训练样本集训练所述第三神经网络。
  9. 如权利要求6所述的方法，其特征在于，在所述收端设备通过所述第三神经网络对所述导频信号和所述导频符号向量进行信道估计的情况下，所述方法还包括：
    获取第二训练样本集，所述第二训练样本集中的各个训练样本包括导频信号、导频符号向量以及导频位置信道；
    根据所述第二训练样本集训练所述第三神经网络。
  10. 如权利要求1至9中任一项所述的方法，其特征在于，所述方法还包括：
    获取第三训练样本集，所述第三训练样本集中的各个训练样本包括数据信号、导频信号、导频位置信道以及恢复之后的信道信息，或者，所述第三训练样本集中的各个训练样本包括数据信号、导频位置信道以及恢复之后的信道信息；
    根据所述第三训练样本集对所述第一神经网络和所述第二神经网络进行联合训练。
  11. 一种信道恢复的方法，其特征在于，包括：
    收端设备接收发端设备发送的导频信号和数据信号；
    所述收端设备通过神经网络对目标信息进行信道恢复处理，得到恢复之后的信道信息；其中，所述目标信息至少包括所述数据信号和所述导频信号。
  12. 如权利要求11所述的方法，其特征在于，所述目标信息还包括数据调制符号集合和/或导频符号向量。
  13. 如权利要求12所述的方法，其特征在于，所述导频符号向量为预配置或协议约 定的，或者，所述导频符号向量为网络设备配置的。
  14. 如权利要求12所述的方法，其特征在于，所述数据调制符号集合为预配置或协议约定的，或者，所述数据调制符号集合为网络设备配置的。
  15. 如权利要求11至14中任一项所述的方法，其特征在于，所述方法还包括：
    获取训练样本集，所述训练样本集中的各个训练样本包括数据信号、导频信号以及恢复之后的信道信息；
    根据所述训练样本集对所述神经网络进行训练。
  16. 一种收端设备，其特征在于，包括：
    通信单元，用于接收发端设备发送的导频信号和数据信号；
    处理单元，用于通过第一神经网络对目标信息进行信道相关性特征提取，得到目标特征图；其中，所述目标信息包括所述数据信号和所述导频信号，或者，所述目标信息包括所述数据信号和基于所述导频信号确定的导频位置信道；
    所述处理单元，还用于通过第二神经网络对所述目标特征图和所述导频位置信道进行信道恢复处理，得到恢复之后的信道信息。
  17. 如权利要求16所述的收端设备，其特征在于，在所述目标信息包括所述数据信号和所述导频信号的情况下，所述目标信息还包括数据调制符号集合和/或导频符号向量。
  18. 如权利要求16所述的收端设备，其特征在于，在所述目标信息包括所述数据信号和所述导频位置信道的情况下，所述目标信息还包括数据调制符号集合。
  19. 如权利要求17或18所述的收端设备，其特征在于，所述数据调制符号集合为预配置或协议约定的，或者，所述数据调制符号集合为网络设备配置的。
  20. 如权利要求16至19中任一项所述的收端设备，其特征在于，
    所述处理单元还用于根据所述导频信号和导频符号向量，确定所述导频位置信道。
  21. 如权利要求16至20中任一项所述的收端设备，其特征在于，
    所述处理单元还用于通过第三神经网络对所述导频信号进行信道估计，得到所述导频位置信道；
    或者，
    所述处理单元还用于通过第三神经网络对所述导频信号和导频符号向量进行信道估计，得到所述导频位置信道。
  22. 如权利要求17、20和21中任一项所述的收端设备，其特征在于，所述导频符号向量为预配置或协议约定的，或者，所述导频符号向量为网络设备配置的。
  23. 如权利要求21所述的收端设备，其特征在于，在所述收端设备通过所述第三神经网络对所述导频信号进行信道估计的情况下，
    所述通信单元还用于获取第一训练样本集，所述第一训练样本集中的各个训练样本包括导频信号以及导频位置信道；
    所述处理单元还用于根据所述第一训练样本集训练所述第三神经网络。
  24. 如权利要求21所述的收端设备，其特征在于，在所述收端设备通过所述第三神经网络对所述导频信号和所述导频符号向量进行信道估计的情况下，
    所述通信单元还用于获取第二训练样本集，所述第二训练样本集中的各个训练样本包括导频信号、导频符号向量以及导频位置信道；
    所述处理单元还用于根据所述第二训练样本集训练所述第三神经网络。
  25. 如权利要求16至24中任一项所述的收端设备，其特征在于，
    所述通信单元还用于获取第三训练样本集，所述第三训练样本集中的各个训练样本包括数据信号、导频信号、导频位置信道以及恢复之后的信道信息，或者，所述第三训练样本集中的各个训练样本包括数据信号、导频位置信道以及恢复之后的信道信息；
    所述处理单元还用于根据所述第三训练样本集对所述第一神经网络和所述第二神经 网络进行联合训练。
  26. 一种收端设备，其特征在于，包括：
    通信单元，用于接收发端设备发送的导频信号和数据信号；
    处理单元，用于通过神经网络对目标信息进行信道恢复处理，得到恢复之后的信道信息；其中，所述目标信息至少包括所述数据信号和所述导频信号。
  27. 如权利要求26所述的收端设备，其特征在于，所述目标信息还包括数据调制符号集合和/或导频符号向量。
  28. 如权利要求27所述的收端设备，其特征在于，所述导频符号向量为预配置或协议约定的，或者，所述导频符号向量为网络设备配置的。
  29. 如权利要求27所述的收端设备，其特征在于，所述数据调制符号集合为预配置或协议约定的，或者，所述数据调制符号集合为网络设备配置的。
  30. 如权利要求26至29中任一项所述的收端设备，其特征在于，
    所述通信单元还用于获取训练样本集，所述训练样本集中的各个训练样本包括数据信号、导频信号以及恢复之后的信道信息；
    所述处理单元还用于根据所述训练样本集对所述神经网络进行训练。
  31. 一种收端设备，其特征在于，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至10中任一项所述的方法，或者，执行如权利要求11至15中任一项所述的方法。
  32. 一种芯片，其特征在于，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求1至10中任一项所述的方法，或者，执行如权利要求11至15中任一项所述的方法。
  33. 一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1至10中任一项所述的方法，或者，执行如权利要求11至15中任一项所述的方法。
  34. 一种计算机程序产品，其特征在于，包括计算机程序指令，该计算机程序指令使得计算机执行如权利要求1至10中任一项所述的方法，或者，执行如权利要求11至15中任一项所述的方法。
  35. 一种计算机程序，其特征在于，所述计算机程序使得计算机执行如权利要求1至10中任一项所述的方法，或者，执行如权利要求11至15中任一项所述的方法。
PCT/CN2021/089099 2021-04-22 2021-04-22 信道恢复的方法及收端设备 WO2022222116A1 (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP21937354.5A EP4329251A1 (en) 2021-04-22 2021-04-22 Channel recovery method and receiving end device
PCT/CN2021/089099 WO2022222116A1 (zh) 2021-04-22 2021-04-22 信道恢复的方法及收端设备
CN202180097088.1A CN117136528A (zh) 2021-04-22 2021-04-22 信道恢复的方法及收端设备
US18/382,104 US20240048413A1 (en) 2021-04-22 2023-10-20 Channel restoration method and receiving device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/089099 WO2022222116A1 (zh) 2021-04-22 2021-04-22 信道恢复的方法及收端设备

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/382,104 Continuation US20240048413A1 (en) 2021-04-22 2023-10-20 Channel restoration method and receiving device

Publications (1)

Publication Number Publication Date
WO2022222116A1 true WO2022222116A1 (zh) 2022-10-27

Family

ID=83723608

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/089099 WO2022222116A1 (zh) 2021-04-22 2021-04-22 信道恢复的方法及收端设备

Country Status (4)

Country Link
US (1) US20240048413A1 (zh)
EP (1) EP4329251A1 (zh)
CN (1) CN117136528A (zh)
WO (1) WO2022222116A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807383A (zh) * 2024-03-01 2024-04-02 深圳市大数据研究院 信道状态信息恢复方法及装置、设备、存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108566257A (zh) * 2018-04-27 2018-09-21 电子科技大学 一种基于反向传播神经网络的信号恢复方法
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
WO2019171141A2 (en) * 2018-03-07 2019-09-12 Telefonaktiebolaget Lm Ericsson (Publ) Transmissions between a baseband unit and a radio unit of transformed signals in a beam space
CN110611627A (zh) * 2018-06-15 2019-12-24 维沃移动通信有限公司 一种信号检测方法和接收端
WO2020092391A1 (en) * 2018-10-29 2020-05-07 Board Of Regents, The University Of Texas System Low resolution ofdm receivers via deep learning
CN111464465A (zh) * 2020-03-11 2020-07-28 重庆邮电大学 一种基于集成神经网络模型的信道估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019171141A2 (en) * 2018-03-07 2019-09-12 Telefonaktiebolaget Lm Ericsson (Publ) Transmissions between a baseband unit and a radio unit of transformed signals in a beam space
CN108566257A (zh) * 2018-04-27 2018-09-21 电子科技大学 一种基于反向传播神经网络的信号恢复方法
CN110611627A (zh) * 2018-06-15 2019-12-24 维沃移动通信有限公司 一种信号检测方法和接收端
WO2020092391A1 (en) * 2018-10-29 2020-05-07 Board Of Regents, The University Of Texas System Low resolution ofdm receivers via deep learning
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN111464465A (zh) * 2020-03-11 2020-07-28 重庆邮电大学 一种基于集成神经网络模型的信道估计方法

Also Published As

Publication number Publication date
EP4329251A1 (en) 2024-02-28
US20240048413A1 (en) 2024-02-08
CN117136528A (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
EP4262121A1 (en) Neural network training method and related apparatus
US20240048413A1 (en) Channel restoration method and receiving device
JP7452540B2 (ja) 電子機器、通信方法、及び記憶媒体
WO2017115127A1 (en) Method and apparatus for information transmission in a wireless communication system and method and apparatus for facilitating information transmission
WO2022198432A1 (zh) 无线通信的方法及设备
WO2023092310A1 (zh) 信息处理方法、模型生成方法及设备
WO2023097645A1 (zh) 数据获取方法、装置、设备、介质、芯片、产品及程序
WO2023240566A1 (zh) 生成序列的方法和设备
WO2022087970A1 (zh) 无线通信的方法和通信设备
WO2023092307A1 (zh) 通信方法、模型训练方法和设备
WO2022077346A1 (zh) 信道传输的方法、终端设备和网络设备
WO2023283785A1 (zh) 信号处理的方法及接收机
WO2023245530A1 (zh) 无线感知的方法和设备
WO2023197154A1 (zh) 无线通信的方法、终端设备和网络设备
WO2023010411A1 (zh) 无线通信的方法、终端设备和网络设备
WO2024077446A1 (zh) 无线通信的方法、终端设备和网络设备
WO2023004638A1 (zh) 信道信息反馈的方法、发端设备和收端设备
WO2023207783A1 (zh) 一种通信方法、装置及系统
WO2023004563A1 (zh) 获取参考信号的方法及通信设备
WO2024098259A1 (zh) 生成样本集的方法和设备
WO2024011579A1 (zh) 无线通信的方法、终端设备和网络设备
US20230379949A1 (en) Apparatus and method for signal transmission in wireless communication system
WO2022109881A1 (zh) 重复传输控制信道的方法、终端设备和网络设备
WO2023123409A1 (zh) 无线通信的方法、终端设备和网络设备
WO2023070459A1 (zh) 无线通信的方法、终端设备和网络设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21937354

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2021937354

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021937354

Country of ref document: EP

Effective date: 20231121