WO2024011456A1 - 数据处理方法、通信方法及装置、终端设备和网络设备 - Google Patents

数据处理方法、通信方法及装置、终端设备和网络设备 Download PDF

Info

Publication number
WO2024011456A1
WO2024011456A1 PCT/CN2022/105504 CN2022105504W WO2024011456A1 WO 2024011456 A1 WO2024011456 A1 WO 2024011456A1 CN 2022105504 W CN2022105504 W CN 2022105504W WO 2024011456 A1 WO2024011456 A1 WO 2024011456A1
Authority
WO
WIPO (PCT)
Prior art keywords
matrix
data
csi
csi data
target
Prior art date
Application number
PCT/CN2022/105504
Other languages
English (en)
French (fr)
Inventor
肖寒
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 PCT/CN2022/105504 priority Critical patent/WO2024011456A1/zh
Publication of WO2024011456A1 publication Critical patent/WO2024011456A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information

Definitions

  • the present application relates to the field of communication, and more specifically, to a data processing method, communication method and device, terminal equipment and network equipment.
  • Embodiments of the present application provide a data processing method, communication method and device, terminal equipment and network equipment, which can perform data enhancement on real CSI data, and the CSI data obtained after data enhancement processing retains the spatial characteristics and characteristics of the original CSI data. /or frequency domain features.
  • the embodiment of this application provides a data processing method, including:
  • the characteristic information includes at least one of the following: spatial domain characteristics and/or frequency domain characteristics;
  • At least the first CSI data and the plurality of second CSI data are used as CSI sample data.
  • the embodiment of the present application provides a communication method, including:
  • the terminal device sends the first information, which is obtained by inputting the target channel state information CSI data into the first target model for encoding processing; the first target model is the pair of the CSI sample data obtained based on the above method.
  • a preset model is obtained after model training.
  • the embodiment of this application provides a communication method, including:
  • the network device receives the first information, inputs the first information into the second target model for decoding processing, and obtains the target CSI data corresponding to the first information; wherein the second target model is obtained based on the above method. It is obtained by training the second preset model with the CSI sample data.
  • An embodiment of the present application provides a data processing device, including:
  • a data enhancement processing unit configured to perform data enhancement on the first CSI data based on the characteristic information of the first channel state information CSI data to obtain a plurality of second CSI data;
  • the characteristic information includes at least one of the following: spatial domain characteristics and/or frequency domain characteristics;
  • a sample data determining unit is configured to use at least the first CSI data and the plurality of second CSI data as CSI sample data.
  • An embodiment of the present application provides a terminal device, including:
  • a sending unit configured to send first information, which is obtained by inputting target channel state information CSI data into a first target model for encoding processing; the first target model is a CSI sample obtained based on the above method.
  • the data is obtained after model training of the first preset model.
  • This embodiment of the present application provides a network device, including:
  • the receiving unit is configured to receive the first information, input the first information into the second target model for decoding processing, and obtain the target CSI data corresponding to the first information; wherein the second target model is based on The CSI sample data obtained by the above method is obtained by training the second preset model.
  • An embodiment of the present application provides a terminal device, including a processor and a memory.
  • the memory is used to store computer programs, and the processor is used to call and run the computer program stored in the memory, so that the terminal device executes the above-mentioned communication method applied to the terminal device side.
  • An embodiment of the present application provides a network device, including a processor and a memory.
  • the memory is used to store computer programs
  • the processor is used to call and run the computer programs stored in the memory, so that the network device executes the above-mentioned communication method applied to the network device side.
  • An embodiment of the present application provides a chip for implementing the above data processing method or communication method.
  • the chip includes: a processor, configured to call and run a computer program from the memory, so that the device installed with the chip executes the above-mentioned data processing method or communication method.
  • Embodiments of the present application provide a computer-readable storage medium for storing a computer program.
  • the computer program When the computer program is run by a device, it causes the device to perform the above-mentioned data processing method or communication method.
  • Embodiments of the present application provide a computer program product, including computer program instructions, which cause the computer to execute the above-mentioned data processing method or communication method.
  • An embodiment of the present application provides a computer program that, when run on a computer, causes the computer to execute the above-mentioned data processing method or communication method.
  • data enhancement can be performed on real CSI data (such as real CSI data as the first CSI data), and the CSI data obtained after data enhancement processing (such as the second CSI data) retains the original CSI data (such as First CSI data) spatial domain features and/or frequency domain features, thus laying the foundation for effectively solving the problem that the existing sample size is too small to support model training.
  • Figure 1 is a schematic diagram of an application scenario according to an embodiment of the present application.
  • Figure 2 is a schematic diagram of a neuron structure according to an embodiment of the present application.
  • Figure 3 is a schematic diagram of a feedback system for channel state information according to another embodiment of the present application.
  • Figure 4 is a schematic flow chart of a data processing method 400 according to an embodiment of the present application.
  • Figure 5 is a schematic flow chart of a communication method 500 according to an embodiment of the present application.
  • Figure 6 is a schematic flowchart of a communication method 600 according to an embodiment of the present application.
  • Figure 7 is a schematic diagram of a first DFT vector space according to an embodiment of the present application.
  • Figure 8 is a schematic block diagram 1 of a data processing device 800 according to an embodiment of the present application.
  • Figure 9 is a second schematic block diagram of a data processing device 800 according to an embodiment of the present application.
  • Figure 10 is a schematic block diagram of a terminal device 1000 according to an embodiment of the present application.
  • Figure 11 is a schematic block diagram of a network device 1100 according to an embodiment of the present application.
  • Figure 12 is a schematic block diagram of a communication device 1200 according to an embodiment of the present application.
  • Figure 13 is a schematic block diagram of a chip 1300 according to an embodiment of the present application.
  • Figure 14 is a schematic block diagram of a communication system 1400 according to an embodiment of the present application.
  • GSM Global System of Mobile communication
  • CDMA Code Division Multiple Access
  • WCDMA broadband code division multiple access
  • GPRS General Packet Radio Service
  • LTE Long Term Evolution
  • LTE-A Advanced long term evolution
  • NR New Radio
  • NTN Non-Terrestrial Networks
  • UMTS Universal Mobile Telecommunication System
  • WLAN Wireless Local Area Networks
  • WiFi wireless fidelity
  • 5G fifth-generation communication
  • the communication system in the embodiment of the present application can be applied to a carrier aggregation (Carrier Aggregation, CA) scenario, a dual connectivity (Dual Connectivity, DC) scenario, or a standalone (Standalone, SA)Network scene.
  • Carrier Aggregation, CA Carrier Aggregation, CA
  • DC Dual Connectivity
  • SA Standalone
  • the communication system in the embodiment of the present application can be applied to unlicensed spectrum, where the unlicensed spectrum can also be considered as shared spectrum; or, the communication system in the embodiment of the present application can also be applied to licensed spectrum , among which, licensed spectrum can also be considered as non-shared spectrum.
  • the embodiments of this application describe various embodiments in combination with network equipment and terminal equipment.
  • the terminal equipment may also be called user equipment (User Equipment, UE), access terminal, user unit, user station, mobile station, mobile station, remote station, remote terminal, mobile device, user terminal, terminal, wireless communication equipment, user agent or user device, etc.
  • User Equipment User Equipment
  • the terminal device can be a station (ST) in the WLAN, a cellular phone, a cordless phone, a Session Initiation Protocol (SIP) phone, a wireless local loop (Wireless Local Loop, WLL) station, or a personal digital processing unit.
  • ST station
  • SIP Session Initiation Protocol
  • WLL Wireless Local Loop
  • PDA Personal Digital Assistant
  • the terminal device can be deployed on land, including indoor or outdoor, handheld, wearable or vehicle-mounted; it can also be deployed on water (such as ships, etc.); it can also be deployed in the air (such as aircraft, balloons and satellites). superior).
  • the terminal device may be a mobile phone (Mobile Phone), a tablet computer (Pad), a computer with a wireless transceiver function, a virtual reality (Virtual Reality, VR) terminal device, or an augmented reality (Augmented Reality, AR) terminal.
  • Equipment wireless terminal equipment in industrial control, wireless terminal equipment in self-driving, wireless terminal equipment in remote medical, wireless terminal equipment in smart grid , wireless terminal equipment in transportation safety, wireless terminal equipment in smart city, or wireless terminal equipment in smart home, etc.
  • the terminal device may also be a wearable device.
  • Wearable devices can also be called wearable smart devices. It is a general term for applying wearable technology to intelligently design daily wear and develop wearable devices, such as glasses, gloves, watches, clothing and shoes, etc.
  • a wearable device is a portable device that is worn directly on the body or integrated into the user's clothing or accessories. Wearable devices are not just hardware devices, but also achieve powerful functions through software support, data interaction, and cloud interaction.
  • wearable smart devices include full-featured, large-sized devices that can achieve complete or partial functions without relying on smartphones, such as smart watches or smart glasses, and those that only focus on a certain type of application function and need to cooperate with other devices such as smartphones.
  • the network device may be a device used to communicate with mobile devices.
  • the network device may be an access point (Access Point, AP) in WLAN, or a base station (Base Transceiver Station, BTS) in GSM or CDMA.
  • BTS Base Transceiver Station
  • it can be a base station (NodeB, NB) in WCDMA, or an evolutionary base station (Evolutional Node B, eNB or eNodeB) in LTE, or a relay station or access point, or a vehicle-mounted device, a wearable device, and an NR network network equipment (gNB) or network equipment in the future evolved PLMN network or network equipment in the NTN network, etc.
  • AP Access Point
  • BTS Base Transceiver Station
  • NodeB, NB base station
  • Evolutional Node B, eNB or eNodeB evolution base station
  • gNB NR network network equipment
  • the network device may have mobile characteristics, for example, the network device may be a mobile device.
  • the network device can be a satellite or balloon station.
  • the satellite can be a low earth orbit (LEO) satellite, a medium earth orbit (MEO) satellite, a geosynchronous orbit (geostationary earth orbit, GEO) satellite, a high elliptical orbit (High Elliptical Orbit, HEO) satellite ) satellite, etc.
  • the network device may also be a base station installed on land, water, etc.
  • network equipment can provide services for a cell, and terminal equipment communicates with the network equipment through transmission resources (for example, frequency domain resources, or spectrum resources) used by the cell.
  • the cell can be a network equipment ( For example, the cell corresponding to the base station), the cell can belong to the macro base station, or it can belong to the base station corresponding to the small cell (Small cell).
  • the small cell here can include: urban cell (Metro cell), micro cell (Micro cell), pico cell ( Pico cell), femto cell (Femto cell), etc. These small cells have the characteristics of small coverage and low transmission power, and are suitable for providing high-rate data transmission services.
  • Figure 1 illustrates a communication system 100.
  • the communication system includes a network device 110 and two terminal devices 120.
  • the communication system 100 may include multiple network devices 110 , and the coverage of each network device 110 may include other numbers of terminal devices 120 , which is not limited in this embodiment of the present application.
  • the communication system 100 may also include other network entities such as Mobility Management Entity (MME), Access and Mobility Management Function (AMF), etc.
  • MME Mobility Management Entity
  • AMF Access and Mobility Management Function
  • network equipment may include access network equipment and core network equipment. That is, the wireless communication system also includes multiple core networks used to communicate with access network equipment.
  • the access network equipment can be a long-term evolution (long-term evolution, LTE) system, a next-generation (mobile communication system) (next radio, NR) system or authorized auxiliary access long-term evolution (LAA- Evolutionary base station (evolutional node B, abbreviated as eNB or e-NodeB) macro base station, micro base station (also known as "small base station"), pico base station, access point (access point, AP), Transmission point (TP) or new generation base station (new generation Node B, gNodeB), etc.
  • LTE long-term evolution
  • NR next-generation
  • LAA- Evolutionary base station evolutional node B, abbreviated as eNB or e-NodeB
  • eNB next-generation
  • NR next-generation
  • LAA- Evolutionary base station evolutional node B, abbre
  • the communication equipment may include network equipment and terminal equipment with communication functions.
  • the network equipment and terminal equipment may be specific equipment in the embodiments of the present application, which will not be described again here; the communication equipment also It may include other devices in the communication system, such as network controllers, mobility management entities and other network entities, which are not limited in the embodiments of this application.
  • the "instruction” mentioned in the embodiments of this application may be a direct instruction, an indirect instruction, or an association relationship.
  • a indicates B which can mean that A directly indicates B, for example, B can be obtained through A; it can also mean that A indirectly indicates B, for example, A indicates C, and B can be obtained through C; it can also mean that there is an association between A and B. relation.
  • correlate can mean that there is a direct correspondence or indirect correspondence between the two, it can also mean that there is an associated relationship between the two, or it can mean indicating and being instructed, configuration and being. Configuration and other relationships.
  • codebook-based methods can be used to achieve channel feature extraction and feedback. That is, after the transmitter performs channel estimation and obtains the corresponding precoding matrix based on the channel estimation result, it selects the coding matrix that best matches the precoding matrix from the preset codebook according to a certain optimization criterion, and uses feedback from the air interface. The link feeds back relevant information such as the index of the coding matrix that best matches the precoding matrix to the receiving end for the receiving end to implement precoding.
  • the codebook can be divided into three schemes: TypeI, TypeII, and eTypeII.
  • Neural network is a computing model composed of multiple neuron nodes connected to each other.
  • the connection between nodes represents the weighted value from the input signal to the output signal, which is called weight (such as w1 to wn); as shown in Figure 2,
  • Each node performs a weighted sum (Sum) on different input signals (such as a1 to an) and outputs it through a specific activation function.
  • the neural network can be specifically a fully connected neural network, a convolutional neural network, a recurrent neural network, etc.
  • the neural network architecture commonly used in deep learning is nonlinear and data-driven. It can extract features from the actual channel state information and restore the channel state information compressed and fed back by the UE as much as possible on the base station side, while ensuring that the channel state information is restored. It provides the possibility to reduce CSI data feedback overhead on the UE side.
  • the channel state information feedback system can be divided into two parts: an encoder (such as a CSI encoder) and a decoder (such as a CSI decoder), and these two parts are deployed on the UE side and the base station (Base Station, respectively).
  • BS base station
  • the UE side obtains the channel state information through channel estimation, it compresses and codes the matrix of channel state information through the encoder's neural network, and feeds back the compressed bit stream (that is, compressed CSI data) through the air interface feedback link
  • the BS side uses a decoder to restore or reconstruct the channel state information based on the feedback bit stream to obtain the feedback complete channel state information.
  • the structure shown in Figure 3 can use several fully connected layers on the encoder side for encoding, and accordingly, a convolutional neural network structure can be used on the decoder side for decoding.
  • the existing data enhancement methods for image data in the field of computer vision are not suitable for CSI data.
  • the matrix of CSI data is different from the image matrix, it contains the spatial domain, frequency domain and other characteristics in the communication field. Scaling, flipping, cropping and other operations on CSI data like images will affect or even erase the physical features inside the CSI data. Meaning information, even though it can generate a large amount of data, cannot support the training of AI-based CSI data feedback models.
  • the disclosed solution provides a method for data enhancement based on a small amount of data, thus solving the problem that the existing sample size is too small to support the training of the AI-based CSI data feedback model.
  • FIG. 4 is a schematic flow chart of a data processing method 400 according to an embodiment of the present application. This method can optionally be applied to the system shown in Figure 1, but is not limited thereto. The method includes at least part of the following.
  • the characteristic information includes at least one of the following: spatial domain characteristics and/or frequency domain feature.
  • S420 Use at least the first CSI data and the plurality of second CSI data as CSI sample data.
  • data processing method of the present disclosure can be executed in any entity in the system shown in Figure 1, or in other entities with computing capabilities outside the system shown in Figure 1, such as personal computers, servers, and server clusters. It is executed in other electronic devices, and the disclosed solution does not limit this.
  • the first CSI data is CSI data estimated by the terminal device, which may also be called real CSI data.
  • the second CSI data is CSI data obtained by performing data enhancement on real CSI data.
  • the second CSI data is obtained by data enhancement of the first CSI data based on the spatial domain characteristics and/or frequency domain characteristics of the first CSI data, the second CSI data can effectively retain the original CSI data. , that is, the communication physical characteristics of the first CSI data, thus providing training data for model training of the AI-based CSI data feedback model, effectively solving the problem of insufficient real data to support model training. At the same time, it also lays the foundation for improving the accuracy of prediction results of the AI-based CSI data feedback model.
  • the AI-based CSI data feedback model can also be model trained based on the CSI sample data; specifically, the method also includes training in at least one of the following:
  • Training 2 Train the preset model used for decoding processing on the receiving end, such as the base station side; specifically, based on the CSI sample data, perform model training on the second preset model to obtain the second target model, where, The second target model is used to decode the target CSI data to obtain the CSI corresponding to the target CSI data.
  • the above-mentioned training one and training two can be executed selectively, or both of them can be executed, and the disclosed solution does not limit this; furthermore, the disclosed solution does not limit the execution order of the above two trainings, for example, training at the same time, or Individual training, or training of another model after completion of training of one model, etc.; as long as the CSI sample data of the disclosed solution is used to train the model, it is within the protection scope of the disclosed solution.
  • the first target model and the second target model are different templates in the AI-based CSI data feedback model.
  • the first target model is used for encoding processing in the AI-based CSI data feedback model.
  • the above two trainings can be performed jointly, or after one model training is completed, the trained model is used to perform model training on another model, such as training the first preset model.
  • the first target model such as the output result of the first target model, is used to train the second preset model, thereby effectively improving the accuracy of model prediction.
  • the model training of the second preset model based on the CSI sample data can be understood as: indirectly based on the CSI sample data
  • the second preset model performs model training. It should be noted that whether the CSI sample data obtained by the disclosed scheme is directly used for model training (such as directly using the CSI sample data as the input of the model to be trained), or the CSI sample data obtained by the disclosed scheme is indirectly used for model training.
  • Training (such as using the data obtained after processing the CSI sample data as the input of the model to be trained), all belong to the category of "carrying out model training on the first preset model or the second preset model based on the CSI sample data" , that is, they are all within the protection scope of the present disclosure.
  • model training based on the sample data of the disclosed scheme has no overfitting phenomenon, and the performance of the obtained model is good.
  • This disclosed solution provides two methods for data enhancement of the first CSI data.
  • the two methods are described in detail below, specifically:
  • the first data enhancement method use the codebook method to perform data enhancement on the first CSI data, such as real CSI data, as follows:
  • data enhancement of the first CSI data can be implemented based on the first basis vector group.
  • the method further includes:
  • step S410 specifically includes: performing data enhancement on the first CSI data based on at least the first basis vector group characterizing the spatial domain characteristics of the first CSI data to obtain a plurality of second CSI data.
  • the first CSI data can be represented by a matrix, for example, the matrix W ⁇ C Nt ⁇ Nsb , where C represents the complex space, Nt represents the number of ports of the transmitting antenna, and Nsb represents the frequency domain corresponding to the transmitting end.
  • the number of subbands In this way, quantitatively expressing the spatial domain characteristics of the first CSI data based on the matrix W provides support for effectively extracting the communication physical characteristics of the first CSI data and realizing data enhancement, and this method is simple and highly interpretable.
  • the above is only an example of matrix expression.
  • the rows and columns of the matrix can also be adjusted based on requirements. The present disclosure does not limit the specific expression form of the matrix.
  • the first basis vector group can represent the spatial domain characteristics of the first CSI data
  • the second CSI data obtained after data enhancement based on the first basis vector group can also at least represent the original CSI data. , that is, the spatial characteristics of the first CSI data.
  • the data enhancement method of the disclosed solution can effectively retain the physical meaning information inside the original CSI data and provide data support for subsequent model training. At the same time, it also lays the foundation for improving the accuracy of model training results.
  • the preset codebook can be any one of the three solutions: TypeI, TypeII, and eTypeII.
  • This disclosed solution does not limit this.
  • the DFT space vector can be constructed based on the preset codebook, all the DFT space vectors can be obtained in this solution. within the protection scope of the public scheme.
  • this disclosure does not specifically limit the method of constructing the first DFT vector space based on the preset codebook.
  • the following specific example provides a method of constructing the first DFT vector space based on eTypeII. Refer to the following description, which will not be repeated here; it can be understood that this method is only an example and is not used to limit the disclosed solution.
  • the first basis vector group can be obtained in the following manner; specifically, the above-mentioned first DFT vector space constructed based on the preset codebook determines the first basis vector group that represents the first CSI
  • the first basis vector group of the spatial characteristics of the data specifically including:
  • the L orthogonal basis vectors are the L vectors selected from the first DFT vector space and have the highest correlation with the spatial domain features of the first CSI data
  • the L is greater than A natural number equal to 1
  • the first basis vector group is obtained based on the selected L orthogonal basis vectors; that is, the L orthogonal basis vectors constitute the first basis vector group.
  • the magnitude of correlation can be measured by the similarity between vectors.
  • the L is a natural number greater than or equal to 1 and smaller than the dimension of the spatial domain feature of the first CSI data; for example, in the matrix W ⁇ C Nt ⁇ Nsb of the first CSI data, at this time, the L is a natural number greater than or equal to 1 and less than Nt/2.
  • the average correlation can also be used as an index to select L orthogonal basis vectors from the first DFT vector space.
  • the L orthogonal basis vectors can also be specifically selected from the first DFT vector space. The L vectors selected from a DFT vector space and having the highest average correlation with the spatial domain features of the first CSI data.
  • the first preset condition can be set based on actual needs, and the disclosed solution does not impose specific limitations on this.
  • the target orthogonal basis vector group can also be selected first from the multiple orthogonal basis vector groups included in the first DFT vector space, and then the target orthogonal basis vector group can be selected from the target orthogonal basis vector group.
  • the method also includes:
  • a target orthogonal basis vector group whose correlation with the spatial domain feature of the first CSI data satisfies a second preset condition (such as Select the group with the strongest correlation as the target orthogonal basis vector group);
  • the above-mentioned selection of L orthogonal basis vectors from the orthogonal basis vector group included in the first DFT vector space specifically includes: selecting all the target orthogonal basis vector groups from the target orthogonal basis vector group. Describe L orthogonal basis vectors.
  • the correlation in this example can also be specifically the average correlation.
  • the target orthogonal basis vector group can be specifically: from a plurality of orthogonal basis vector groups included in the first DFT vector space. Among them, a group with the highest average correlation with the spatial domain features of the first CSI data is selected, and the group with the highest average correlation with the spatial domain features of the first CSI data is selected as the target orthogonal basis vector group.
  • the second preset condition can be set based on actual needs, and the disclosed solution does not impose specific limitations on this.
  • the following method can be used to select a target orthogonal basis vector group from a plurality of orthogonal basis vector groups included in the first DFT vector space; that is, the above-mentioned method selects a target orthogonal basis vector group from the first DFT vector space. From multiple orthogonal basis vector groups included in the DFT vector space, select a target orthogonal basis vector group whose correlation with the spatial domain feature of the first CSI data satisfies the second preset condition, specifically including:
  • the first CSI data (such as the matrix of the first CSI data) into the vector space spanned by the diagonal block matrix to obtain the first projection information matrix corresponding to each of the orthogonal basis vector groups, where, The diagonal block matrix is obtained based on the orthogonal basis vector group included in the first DFT vector space; the elements in the first projection information matrix represent the spatial domain features of the first CSI data projected onto the pair Information about the projection coefficients after the corner block matrix;
  • an orthogonal basis vector group it corresponds to a diagonal block matrix.
  • a first projection information matrix can also be obtained based on the above method.
  • each orthogonal basis vector can be obtained
  • the target orthogonal basis vector group is selected from the plurality of orthogonal basis vector groups based on the first projection information matrix corresponding to each orthogonal basis vector group.
  • the first projection information matrix may be specifically a first projection coefficient absolute value matrix.
  • the elements in the first projection coefficient absolute value matrix represent the spatial domain characteristics of the first CSI data.
  • each first projection information matrix can be processed in the following manner, so that L first target elements corresponding to each group are obtained (for example, L maximum value elements), and then determine the target orthogonal basis vector group based on the L first target elements corresponding to each group; specifically, the method also includes:
  • the first vector can represent the frequency domain characteristics of the first CSI data.
  • the total relevant information of the corresponding projection coefficients for example, the sum of the projection coefficients corresponding to the frequency domain characteristics of the first CSI data; specifically, for the first CSI data matrix W ⁇ C Nt ⁇ Nsb as an example,
  • the first vector is obtained by summing the first projection information matrix by column, and represents the sum of projection coefficients corresponding to the frequency domain characteristics of the first CSI data.
  • the second vector perform data processing on some elements in the first vector and other elements in the first vector to obtain a second vector corresponding to the orthogonal basis vector group, wherein the second vector
  • the total relevant information of the projection coefficients corresponding to the spatial characteristics of the first CSI data can be characterized; for example, for the matrix of the first CSI data is W ⁇ C Nt ⁇ Nsb , at this time, the second vector is The first Nt/2 elements in the first vector are added to the last Nt/2 elements.
  • L first target elements corresponding to the orthogonal basis vector group are selected from the second vector; in this way, based on the above method, the L first target elements corresponding to each group can be obtained.
  • the L first target elements may be specifically the L maximum value elements in the second vector.
  • the target orthogonal basis vector group whose correlation of spatial features meets the second preset condition includes:
  • the target orthogonal basis vector group is selected from the plurality of orthogonal basis vector groups.
  • the target orthogonal basis vector group is selected from the plurality of orthogonal basis vector groups.
  • the said orthogonal basis vector group is selected from the plurality of orthogonal basis vector groups.
  • the target orthogonal basis vector group specifically includes: based on the L first target elements corresponding to each of the orthogonal basis vector groups, obtaining the target sum corresponding to each of the orthogonal basis vector groups; and then obtaining the target sum from the multiple target sums Select a target value from , and use the orthogonal basis vector group corresponding to the selected target value as the target orthogonal basis vector group.
  • the maximum value sum corresponding to each of the orthogonal basis vector groups is obtained; and then the largest value is selected from the multiple maximum value sums. group, and the selected orthogonal basis vector group with the largest value is used as the target orthogonal basis vector group.
  • the L first target elements in the target orthogonal basis vector group can be directly used as the finally selected L orthogonal basis vectors. . Or, based on other rules, select L orthogonal basis vectors from the target orthogonal basis vector group.
  • the following example takes the matrix of the first CSI data as W ⁇ C Nt ⁇ Nsb as an example.
  • the rows and columns of the matrix of the first CSI data can also be reversed.
  • the specific processing methods given below only need to make corresponding data changes based on the principle of matrix multiplication.
  • data enhancement of the first CSI data can also be jointly implemented based on the first basis vector group and the second basis vector group, so that the second CSI data obtained after data enhancement has both Spatial domain characteristics and frequency domain characteristics of the first CSI data.
  • the method also includes:
  • the second basis vector group Based on the second DFT vector space constructed by the preset codebook and the first basis vector group characterizing the spatial domain characteristics of the first CSI data, determine at least the frequency domain characteristics of the first CSI data.
  • the second basis vector group
  • the above-mentioned data enhancement is performed on the first CSI data based on at least the first basis vector group characterizing the spatial domain characteristics of the first CSI data to obtain a plurality of second CSI data, including:
  • data enhancement is performed on the first CSI data to obtain a plurality of second CSI data.
  • the second CSI data obtained after data enhancement processing has both the spatial domain characteristics and the frequency domain characteristics of the original CSI data, that is, the first CSI data.
  • this disclosure does not specifically limit the construction method of the second DFT vector space based on the preset codebook.
  • the following specific example provides a method of constructing the second DFT vector space based on eTypeII. , please refer to the following description and will not be repeated here; it can be understood that this method is only an example and is not used to limit the disclosed solution.
  • the following method can also be used to obtain the second basis vector group.
  • the above-mentioned second DFT vector space constructed based on the preset codebook and the representation of the The first basis vector group of the spatial domain characteristics of the first CSI data is determined to determine a second basis vector group that at least characterizes the frequency domain characteristics of the first CSI data, specifically including:
  • the element represents the projection coefficient of the spatial domain feature of the first CSI data in the space spanned by the first basis vector group;
  • M orthogonal basis vectors are selected from the orthogonal basis vectors included in the second DFT vector space constructed by the preset codebook, wherein the M orthogonal basis vectors are The correlation between the basis vector and the projection coefficient corresponding to the frequency domain feature of the first CSI data in the first projection coefficient matrix satisfies the third preset condition (for example, the M orthogonal basis vectors are: the second DFT vector In space, the M vectors with the highest correlation with the projection coefficients corresponding to the frequency domain features of the first CSI data in the first projection coefficient matrix); the M is a natural number greater than or equal to 1;
  • the second basis vector group is obtained based on the selected M orthogonal basis vectors. That is, the M orthogonal basis vectors constitute the second basis vector group.
  • the magnitude of correlation can be measured by the similarity between vectors.
  • the M is a natural number greater than or equal to 1 and smaller than the dimension of the frequency domain feature of the first CSI data; for example, in the matrix W ⁇ C Nt ⁇ Nsb of the first CSI data, at this time, the M is a natural number greater than or equal to 1 and less than Nsb.
  • the average correlation can also be used as an index to select M orthogonal basis vectors from the second DFT vector space.
  • the M orthogonal basis vectors can also be specifically selected from the second DFT vector space.
  • the M orthogonal basis vectors can better represent the original CSI data, that is, the frequency domain characteristics of the first CSI data.
  • the third preset condition can be set based on actual needs, and the disclosed solution does not impose specific restrictions on this.
  • the following method may be used to project the first CSI data.
  • the above-mentioned method of projecting the first CSI data to the first basis vector group is In the space spanned by the first basis vector matrix
  • the method specifically includes: projecting the first CSI data into the space spanned by the first basis vector matrix, wherein the first basis vector matrix is formed based on the first basis vector group. diagonal block matrix.
  • M orthogonal basis vectors can also be obtained in the following manner; specifically, the method also includes:
  • the elements in the second projection information matrix represent the first
  • the frequency domain features of the first CSI data corresponding to a projection coefficient matrix are related information of the projection coefficients in the space spanned by the orthogonal basis vectors of the second DFT vector space; in other words, in the second projection information matrix
  • the elements represent the relevant information of the projection coefficients of the frequency domain features of the first CSI data in the space spanned by the orthogonal basis vectors of the second DFT vector space;
  • M orthogonal basis vectors can be selected from the orthogonal basis vectors included in the second DFT vector space constructed by the preset codebook. Specifically, it includes: based on the second projection information matrix, selecting M orthogonal basis vectors from the orthogonal basis vectors included in the second DFT vector space.
  • the second projection information matrix may be specifically a second projection coefficient absolute value matrix.
  • the elements in the second projection coefficient absolute value matrix represent the first projection coefficient matrix corresponding to The absolute value of the projection coefficient of a frequency domain feature of CSI data in the space spanned by the orthogonal basis vectors of the second DFT vector space, that is, the elements in the second projection coefficient absolute value matrix represent the first The absolute value of the projection coefficient of the frequency domain feature of the CSI data in the space spanned by the orthogonal basis vectors of the second DFT vector space.
  • M orthogonal basis vectors are selected from the orthogonal basis vectors included in the second DFT vector space, include:
  • the third vector represents the total correlation information of the projection coefficients corresponding to the frequency domain features of the first CSI data; for example, The sum of the projection coefficients corresponding to the frequency domain characteristics of the first CSI data; specifically, taking the matrix of the first CSI data as W ⁇ C Nt ⁇ Nsb as an example, at this time, the third vector is the The elements in the absolute value matrix of the two projection coefficients are calculated by summing the columns;
  • M second target elements are selected from the third vector; orthogonal basis vectors corresponding to the M second target elements are selected from the second DFT vector space to obtain the M orthogonal basis vectors.
  • the M second target elements may be specifically M maximum value elements in the third vector.
  • the first M maximum value elements in the third vector are taken, and then the orthogonal basis vectors corresponding to the selected M maximum value elements in the second DFT vector space are used as the finally selected M elements. Orthogonal basis vectors.
  • step b in the following example, which will not be repeated here. Repeat.
  • the following example takes the matrix of the first CSI data as W ⁇ C Nt ⁇ Nsb as an example.
  • the rows and columns of the matrix of the first CSI data can also be reversed.
  • the specific processing methods given below only need to make corresponding data changes based on the principle of matrix multiplication.
  • the method further includes:
  • the above-mentioned data enhancement is performed on the first CSI data based on the first basis vector group and the second basis vector group to obtain a plurality of second CSI data, including:
  • a plurality of second CSI data are obtained; wherein the first basis vector matrix is based on the first basis vector group, and the The second basis vector matrix is a matrix formed based on the second basis vector group.
  • a plurality of second CSI data are obtained based on the matrix product of the second projection coefficient matrix, the first basis vector matrix and the second basis vector matrix. In this way, through matrix product processing, the first CSI data can be obtained.
  • Data enhancement is a simple and interpretable method for data.
  • step c in the following example, which will not be described again here.
  • the following example takes the matrix of the first CSI data as W ⁇ C Nt ⁇ Nsb as an example.
  • the rows and columns of the matrix of the first CSI data can also be reversed.
  • the specific processing methods given below only need to make corresponding data changes based on the principle of matrix multiplication.
  • the second projection coefficient matrix may also be scrambled.
  • the method further includes:
  • a plurality of second CSI data are obtained based on the second projection coefficient matrix, the first basis vector matrix and the second basis vector matrix, specifically including:
  • a plurality of second CSI data are obtained.
  • the above-mentioned multiple second CSI data are obtained based on the plurality of third projection coefficient matrices, the first basis vector matrix and the second basis vector matrix, specifically including:
  • multiple vectors to be processed are obtained; the multiple vectors to be processed are normalized to obtain multiple second vectors.
  • CSI data Based on the matrix product of the third projection coefficient matrix, the first basis vector matrix and the second basis vector matrix, multiple vectors to be processed are obtained; the multiple vectors to be processed are normalized to obtain multiple second vectors.
  • the following method can be used to perform scrambling processing on the second projection coefficient matrix.
  • the above-mentioned phase or amplitude adjustment is performed on the elements in the second projection coefficient matrix. , specifically including: taking the element in the second projection coefficient matrix as the center, adjusting the center in terms of phase and/or amplitude.
  • the disclosed solution adopts at least one of two methods, for example, only phase perturbation, or only amplitude adjustment, or phase perturbation and amplitude perturbation, to scramble the second projection coefficient matrix. , to achieve data enhancement of the first CSI data.
  • the following example takes the matrix of the first CSI data as W ⁇ C Nt ⁇ Nsb as an example.
  • the rows and columns of the matrix of the first CSI data can also be reversed.
  • the specific processing methods given below only need to make corresponding data changes based on the principle of matrix multiplication.
  • the codebook method is used to perform data enhancement on the real CSI data to obtain multiple second CSI data; compared with existing enhancement methods for image data in the computer field, the disclosed solution fully considers the communication physics of the real CSI data. characteristics, therefore, the disclosed solution is more suitable for data enhancement of CSI data.
  • the second data enhancement method use the singular value decomposition method to enhance the first CSI data, such as real CSI data.
  • the method further includes:
  • the target autocorrelation matrix can characterize the spatial domain characteristics and frequency domain characteristics of the first CSI data
  • the singular value decomposition result includes a singular vector matrix characterizing the spatial domain characteristics and frequency domain characteristics of the first CSI data, and a singular value decomposition result. value matrix;
  • the above-mentioned feature information based on the first CSI data is used to perform data enhancement on the first CSI data to obtain a plurality of second CSI data, including:
  • the constructed target random matrix is used to process the singular value decomposition results to obtain a plurality of second CSI data after data enhancement.
  • the following example takes the matrix of the first CSI data as W ⁇ C Nt ⁇ Nsb as an example.
  • the rows and columns of the matrix of the first CSI data can also be reversed.
  • the specific processing methods given below only need to make corresponding data changes based on the principle of matrix multiplication.
  • the following method can be used to obtain the target autocorrelation matrix; specifically, the method also includes:
  • the first autocorrelation matrix can characterize the spatial domain characteristics of the first CSI data; for example, the matrix of the first CSI data is W ⁇ C Nt ⁇ Nsb is taken as an example.
  • the first autocorrelation matrix R 1 WW H ⁇ C Nt ⁇ Nt .
  • the first autocorrelation matrix R 1 can represent the spatial domain characteristics of the first CSI data, such as the spatial domain statistical characteristics.
  • the second autocorrelation matrix of the first CSI data can characterize the frequency domain characteristics of the first CSI data; for example, continue to use the matrix of the first CSI data as W ⁇ C Nt ⁇ Nsb is an example.
  • the second autocorrelation matrix R 2 W H W ⁇ C Nsb ⁇ Nsb .
  • the second autocorrelation matrix R 2 can represent the frequency domain characteristics of the first CSI data, such as frequency domain statistical characteristics. .
  • the above-described method of obtaining the target autocorrelation matrix of the first CSI data specifically includes: obtaining the target autocorrelation matrix based on the first autocorrelation matrix and the second autocorrelation matrix. For example, continuing to take the matrix of the first CSI data as W ⁇ C Nt ⁇ Nsb , at this time, the target autocorrelation matrix R 3 can characterize the spatial domain characteristics (such as spatial domain statistical characteristics) and frequency domain characteristics (such as frequency domain statistical characteristics) of the first CSI data.
  • the target random matrix is used to process the singular value decomposition result to obtain a plurality of second CSI data after data enhancement, which specifically includes:
  • the singular value decomposition result can be expressed as: [V, D, U];
  • V ⁇ C NsbNt ⁇ NsbNt and U ⁇ C NsbNt ⁇ NsbNt are the left singular vector matrix and the right singular vector matrix respectively, and the diagonal matrix D ⁇ C NsbNt ⁇ NsbNt is the singular value matrix, in which the diagonal elements are singular values;
  • the first matrix is the right singular vector matrix among the singular vector matrices, such as U ⁇ C NsbNt ⁇ NsbNt ;
  • the second matrix is the left singular vector matrix among the singular vector matrices, such as V ⁇ C NsbNt ⁇ NsbNt .
  • the V U H .
  • the target random matrix, the second matrix in the singular vector matrix, and the singular value matrix are subjected to matrix product processing to obtain a plurality of second CSI data, specifically including:
  • the target random matrix, the second matrix in the singular vector matrix, and the singular value matrix are subjected to matrix product processing to obtain an enhanced data matrix; based on the vector dimension of the first CSI data, the enhanced data matrix is Arrange them to obtain multiple second CSI data after data enhancement.
  • the enhanced data matrix is arranged as described above to obtain a plurality of second CSI data after data enhancement, which specifically includes:
  • the enhanced data matrix is arranged to obtain an arranged enhanced data matrix; the arranged enhanced data matrix is normalized to obtain a plurality of second CSI data.
  • the singular value decomposition method is used to perform data enhancement on the real CSI data to obtain multiple second CSI data; compared with existing enhancement methods for image data in the computer field, the disclosed solution fully considers the communication of real CSI data The physical properties are, therefore, more suitable for the enhancement of CSI data.
  • the disclosed solution designs a data enhancement method for the AI-based CSI data feedback model, using a small amount of real data that cannot support model training as a seed to generate a large amount of data. Moreover, compared with existing enhancement methods for image data in the computer field, the disclosed solution is more suitable for data enhancement of CSI data.
  • Figure 5 is a schematic flow chart of a communication method 500 according to an embodiment of the present application. This method can optionally be applied to the system shown in Figure 1, but is not limited thereto. The method includes at least part of the following.
  • the terminal device sends the first information.
  • the first information is obtained by inputting the channel state information CSI data into the first target model for encoding processing; the first target model is the CSI sample obtained based on the above data processing method.
  • the data is obtained after model training of the first preset model.
  • Figure 6 is a schematic flowchart of a communication method 600 according to an embodiment of the present application. This method can optionally be applied to the system shown in Figure 1, but is not limited thereto. The method includes at least part of the following.
  • the network device receives the first information, inputs the first information into the second target model for decoding processing, and obtains the CSI data corresponding to the first information; wherein the second target model is the above data processing
  • the CSI sample data obtained by the method is obtained by training the second preset model.
  • the disclosed solution performs data enhancement on a small amount of real CSI data (i.e., the first CSI data, hereinafter collectively referred to as real CSI data), that is, a small amount of real CSI data is used as a seed. , to generate a large amount of data for model training of the AI-based CSI data feedback model, so as to solve the problem of less real data that cannot support model training.
  • real CSI data i.e., the first CSI data, hereinafter collectively referred to as real CSI data
  • the disclosed solution can implement data enhancement based on the following methods, including: method one, using the codebook method to perform data enhancement on real CSI data; method two, using the singular value decomposition method to perform data enhancement on real CSI data.
  • the disclosed solution fully considers the communication physical characteristics of real CSI data, and therefore is more suitable for data enhancement of real CSI data in communication scenarios.
  • the data set constructed based on the disclosed scheme can support model training, thus providing data support for improving the accuracy of model training; at the same time, since the disclosed scheme can generate a large amount of data based on a small number of real samples, it greatly reduces In order to reduce the corresponding cost of obtaining real data, the cost of model training is reduced.
  • Example 1 Use the codebook method to perform data enhancement on real CSI data:
  • codebook-based methods are mainly used to achieve channel feature extraction and feedback. That is, after the transmitter performs channel estimation and obtains the corresponding precoding matrix (i.e., real CSI data) based on the channel estimation result, it selects the code that best matches the precoding matrix from the preset codebook according to a certain optimization criterion. matrix, and feeds back relevant information such as the index of the coding matrix that best matches the precoding matrix to the receiving end through the feedback link of the air interface, so that the receiving end can implement precoding.
  • the codebook can be divided into three solutions: TypeI, TypeII, and eTypeII. This disclosed solution takes the DFT vector space constructed by eTypeII as an example for detailed explanation.
  • the real CSI data can be represented by the matrix W, that is, the precoding matrix to be fed back by the transmitter is represented as the matrix W ⁇ C Nt ⁇ Nsb , where C represents the complex space and Nt represents the number of ports of the transmitting antenna.
  • the transmitting antenna at the end is a two-dimensional array antenna as an example.
  • Nt 2N 1 N 2
  • N 1 and N 2 respectively represent a two-dimensional array antenna such as a two-dimensional planar array dual-polarized antenna. In the first dimension and the third Number of ports in two dimensions.
  • Nsb represents the number of frequency domain subbands corresponding to the transmitter; further, each column of the matrix W represents a vector used for precoding that is shared by multiple subcarriers on each frequency domain subband. Each row of matrix W represents the vector corresponding to the port of the transmitting antenna.
  • the first DFT vector space can be constructed in the following manner; specifically, generally speaking, there are at most Nt orthogonal two-dimensional DFT vectors of length Nt, which can be expressed as:
  • b m and n are orthogonal to each other, c m and p n are one-dimensional DFT vectors respectively, Represents the Kronecker product; the expressions of c m and p n are as follows:
  • p n [1,...,exp(j2 ⁇ (N 2 -1)m)/N 2 ] T .
  • oversampling can be used to increase the number of two-dimensional DFT vectors.
  • the oversampling factors of the two-dimensional array antenna in the first and second dimensions are set to O 1 and O 2 respectively.
  • the total number of oversampled two-dimensional DFT vectors can be increased to N 1 O 1 N 2 O 2 , can be expressed as:
  • v m and u n respectively represent the oversampled one-dimensional DFT vector, represents the Kronecker product, that is:
  • v m [1,...,exp(j2 ⁇ (N 1 -1)m)/N 1 O 1 ] T ,
  • u n [1,...,exp(j2 ⁇ (N 2 -1)m)/N 2 O 2 ] T .
  • N 1 O 1 N 2 O 2 DFT vectors are the first DFT vector space constructed by the disclosed solution; further, the first DFT vector space contains O 1 O 2 groups , where the first dimension corresponds to O 1 groups, and the second dimension corresponds to O 2 groups. There are a total of N 1 N 2 DFT vectors in each group, and each pair is orthogonal.
  • v m [1,...,exp(j2 ⁇ (N 1 -1)m)/N 1 O 1 ] T ,
  • u n [1,...,exp(j2 ⁇ (N 2 -1)m)/N 2 O 2 ] T .
  • the second DFT vector space can be constructed in the following manner; here, the construction method is similar to the above method, and the second DFT vector space can be expressed as:
  • the second DFT vector space contains Nsb orthogonal basis vectors with a length of Nsb.
  • Performing data enhancement specifically includes the following steps:
  • Step a From the O 1 O 2 group of the first DFT vector space (that is, the O 1 O 2 orthogonal basis vector group), select a group of target orthogonal basis vectors containing N 1 N 2 orthogonal basis vectors. Group Q, select L orthogonal basis vectors from the selected target orthogonal basis vector group Q to obtain the first basis vector group Q′.
  • step a can be divided into the following sub-steps:
  • each dot represents DFT.
  • the line frame (including the dashed line frame and the solid line frame) is a selected group of orthogonal basis vector groups; and the real ones among them are
  • the wireframe is the final selected L orthogonal basis vectors.
  • Sub-step a2 Project the matrix W of the real CSI data into the space spanned by the column vector of the diagonal block matrix W′ 1 , and obtain the first projection coefficient absolute value matrix (that is, the first projection information matrix mentioned above )
  • ( ⁇ ) H represents the conjugate transpose
  • abs( ⁇ ) represents the absolute value of the matrix element
  • Sub-step a3 Sum the first projection coefficient absolute value matrix (that is, the first projection information matrix) W′ 2 by columns to obtain the first vector w′ 2 ⁇ R Nt ⁇ 1 , where R represents the real number space;
  • Sub-step a6 Execute sub-steps a1 to a5 for each of the O 1 O 2 groups to obtain O 1 O 2 index sets, recorded as At the same time, the sum of the first L maximum elements of each group of O 1 O 2 is obtained, recorded as
  • Sub-step a7 Get the index p corresponding to the maximum value in C.
  • the group corresponding to index p is the target orthogonal basis vector group Q.
  • the target orthogonal basis vector group Q contains N 1 N 2 basis vectors;
  • Substep a8 Get the set IP in I all corresponding to index p , select L orthogonal basis vectors from the target orthogonal basis vector group Q according to the index contained in the set IP , and add the target orthogonal basis vector group Q The L orthogonal basis vectors selected from are used as the first basis vector group Q′.
  • each real CSI data can be represented by a matrix.
  • the Nsb columns of the matrix W ⁇ C Nt ⁇ Nsb are vectors corresponding to Nsb frequency domain subbands
  • the Nt rows are vectors corresponding to Nt transmitting antennas, that is,
  • the rows and columns of matrix W correspond to spatial domain features and frequency domain features respectively.
  • step a can be understood as:
  • L orthogonal basis vectors with the highest average correlation with vectors corresponding to Nsb frequency domain subbands in the first DFT vector space Specifically, first, find a group with the highest average correlation (that is, the target orthogonal basis vector group) from O 1 O 2 orthogonal basis vector groups (corresponding to sub-steps a1 to a7); secondly, from the found Find the L orthogonal basis vectors with the highest average correlation with the vectors corresponding to the Nsb frequency domain subbands in the group (that is, the target orthogonal basis vector group) (corresponding to sub-step a8). Since the found L orthogonal basis vectors are the basis vectors with the highest correlation, the L orthogonal basis vectors can better represent the spatial domain characteristics of the real CSI data.
  • Step b Select M orthogonal basis vectors from the Nsb orthogonal basis vectors in the second DFT vector space to obtain the second basis vector group P.
  • step b is divided into the following sub-steps:
  • Sub-step b3 Project the first projection coefficient matrix W 2temp into the space spanned by Nsb orthogonal basis vectors of the second DFT vector space to obtain the second projection coefficient absolute value matrix (that is, the second projection information matrix )
  • W f ' is a matrix composed of Nsb basis vectors of the second DFT vector space arranged in columns, ( ⁇ ) T represents non-conjugate transpose;
  • Sub-step b4 Sum the elements in the second projection coefficient absolute value matrix W′′ 2 by columns to obtain the third vector w′′′ 2 ⁇ R Nsb ⁇ 1 ;
  • step c can be understood as: projecting the real CSI data into the space formed by the found column vectors of the first basis vector matrix and the found column vectors of the second basis vector matrix, and obtaining the projection coefficients.
  • the matrix W of the real CSI data is left multiplied by the conjugate transpose of the first basis vector matrix, and then right multiplied by the conjugate transpose of the second basis vector matrix to obtain the second projection coefficient matrix.
  • Step d Scramble the amplitude or phase of the elements in the second projection coefficient matrix W 2 to obtain multiple third projection coefficient matrices W 2aug ⁇ C Nsb ⁇ 2L ; for example, perform g times of scrambling to obtain g third projection coefficient matrices;
  • scrambling can be performed in the following manner:
  • Method 1 Amplitude disturbance, that is, amplitude disturbance.
  • Each element in W 2 is multiplied by a random number ⁇ 1 , where ⁇ 1 obeys the uniform distribution of U 1 ⁇ [1- ⁇ ,1- ⁇ ].
  • this method can resample each element to obtain a random number ⁇ 1 .
  • the random number ⁇ 1 multiplied by each element is different.
  • Method 2 Phase disturbance. Each element in W 2 is multiplied by a random number ⁇ 2 , where ⁇ 2 is sampled from the interval exp( ⁇ j) and ⁇ obeys the uniform distribution of U 2 ⁇ [- ⁇ , ⁇ ]. In practical applications, this method can resample each element to obtain a random number ⁇ 2 . At this time, the random number ⁇ 2 multiplied by each element is different.
  • step d can be understood as: taking each coefficient in the second projection coefficient matrix as the center, scrambling from the amplitude dimension or phase dimension; further, it can be understood as: the second projection coefficient matrix is based on the first basis vector A point in the space spanned by the column vectors of the matrix or the second basis vector matrix. At this time, after amplitude and phase scrambling, it can be expanded from a point to a sphere.
  • step e can be understood as: the coefficient corresponding to each point in the sphere obtained in step d is multiplied by the first basis vector matrix and the second basis vector matrix. Since the first basis vector matrix and the second basis vector matrix can be better Therefore, step e achieves data amplification while retaining the spatial domain characteristics and frequency domain characteristics of the real CSI data.
  • the disclosed solution fully considers the communication physical characteristics of real CSI data. Therefore, the disclosed solution is more suitable for data enhancement of CSI data.
  • the codebook method of the disclosed solution can also be used to construct a sample set to be trained on the model, thereby effectively supporting model training.
  • the codebook method of the disclosed solution can greatly reduce the human and material costs of obtaining real data, reduce the cost of model training, and at the same time, it also lays the foundation for improving model processing efficiency and accuracy.
  • the embodiments of this application further consider using the singular value decomposition method for data enhancement.
  • the singular vector matrix after singular value decomposition of the sample can better represent the physical characteristics corresponding to the matrix of the original CSI data. Based on this, using the singular vector matrix as the starting point can achieve data enhancement while retaining the corresponding physical properties.
  • K CSI data i.e., K real CSI data samples.
  • Each real CSI data is expressed as a matrix W ⁇ C Nt ⁇ Nsb , where C represents the complex space. , Nt represents the number of ports of the transmitting antenna.
  • Nt 2N 1 N 2 , and N 1 and N 2 respectively represent a two-dimensional array antenna such as a two-dimensional array antenna.
  • Planar array dual polarization antenna number of ports in the first and second dimensions.
  • Nsb represents the number of frequency domain subbands corresponding to the transmitter;
  • each column of the matrix W represents a vector used for precoding that is shared by multiple subcarriers on each frequency domain subband.
  • Each row of matrix W represents the vector corresponding to the port of the transmitting antenna.
  • R 1 retains the original CSI data, that is, the spatial statistical characteristics of the matrix of real CSI data.
  • R2 retains the original CSI data, that is, the frequency domain statistical characteristics of the matrix of real CSI data.
  • Step c Obtain the target autocorrelation matrix of the real CSI data in represents the Kronecker product
  • the target autocorrelation matrix R 3 retains the spatial domain statistical characteristics and frequency domain statistical characteristics of the original CSI data, that is, the matrix of real CSI data.
  • Vector matrix, the diagonal matrix D ⁇ C NsbNt ⁇ NsbNt is a singular value matrix, in which the diagonal elements are singular values;
  • Step e Construct the target random matrix U′ ⁇ C NsbNt ⁇ S , where each element in the target random matrix U′ obeys a complex normal distribution, and S represents the number of enhanced samples; further, the enhanced sample set matrix (also That is, the enhanced data matrix)W aug,all :
  • Step g Normalize the unnormalized enhanced samples according to frequency domain subbands to obtain the final enhanced samples.
  • norm( ⁇ ) represents the two norm
  • the method in this case considers the utilization of the communication physical characteristics of CSI data, making the method in this case more suitable for the enhancement of CSI data.
  • the data set constructed by using the singular value decomposition method can support model training. At the same time, because only a small number of real samples are used, the manpower, material resources and other costs of obtaining real data can be greatly reduced.
  • FIG. 8 is a schematic block diagram 1 of a data processing device 800 according to an embodiment of the present application.
  • the terminal device 800 may include:
  • the data enhancement processing unit 810 is configured to perform data enhancement on the first CSI data based on the characteristic information of the first channel state information CSI data to obtain a plurality of second CSI data;
  • the characteristic information includes at least one of the following: spatial domain characteristics and/or frequency domain characteristics;
  • the sample data determining unit 820 is configured to use at least the first CSI data and the plurality of second CSI data as CSI sample data.
  • the data enhancement processing unit is also used to:
  • data enhancement is performed on the first CSI data to obtain a plurality of second CSI data.
  • the data enhancement processing unit is specifically used for:
  • the first basis vector group is obtained based on the selected L orthogonal basis vectors.
  • the data enhancement processing unit is also used to:
  • the L orthogonal basis vectors are selected from the target orthogonal basis vector group.
  • the data enhancement processing unit is specifically used for:
  • the elements in the first projection information matrix represent the correlation of the projection coefficients after the spatial characteristics of the first CSI data are projected onto the diagonal block matrix information;
  • the data enhancement processing unit is also used to:
  • the target orthogonal basis vector group is selected from the plurality of orthogonal basis vector groups.
  • the data enhancement processing unit is specifically used for:
  • a target value is selected from multiple target sums, and an orthogonal basis vector group corresponding to the selected target value is used as the target orthogonal basis vector group.
  • the data enhancement processing unit is also used to:
  • the second basis vector group Based on the second DFT vector space constructed by the preset codebook and the first basis vector group characterizing the spatial domain characteristics of the first CSI data, determine at least the frequency domain characteristics of the first CSI data.
  • the second basis vector group
  • data enhancement is performed on the first CSI data to obtain a plurality of second CSI data.
  • the data enhancement processing unit is specifically used for:
  • M orthogonal basis vectors are selected from the orthogonal basis vectors contained in the second DFT vector space constructed by the preset codebook, wherein the M orthogonal basis vectors are The correlation between the basis vector and the projection coefficient corresponding to the frequency domain feature of the first CSI data in the first projection coefficient matrix satisfies a third preset condition; the M is a natural number greater than or equal to 1;
  • the second basis vector group is obtained based on the selected M orthogonal basis vectors.
  • the data enhancement processing unit is specifically used for:
  • the first CSI data is projected into a space spanned by the first basis vector matrix, wherein the first basis vector matrix is a diagonal block matrix formed based on the first basis vector group.
  • the data enhancement processing unit is also used to:
  • the elements in the second projection information matrix represent the first Information related to the projection coefficients of the frequency domain features of the first CSI data corresponding to a projection coefficient matrix in the space spanned by the orthogonal basis vectors of the second DFT vector space;
  • M orthogonal basis vectors are selected from the orthogonal basis vectors included in the second DFT vector space.
  • the data enhancement processing unit is specifically used for:
  • the orthogonal basis vectors corresponding to the M second target elements are selected from the second DFT vector space to obtain the M orthogonal basis vectors.
  • the data enhancement processing unit is also used to:
  • a plurality of second CSI data are obtained; wherein the first basis vector matrix is based on the first basis vector group, and the The second basis vector matrix is a matrix formed based on the second basis vector group.
  • the data enhancement processing unit is also used to:
  • a plurality of second CSI data are obtained.
  • the data enhancement processing unit is specifically used for:
  • the plurality of vectors to be processed are normalized to obtain a plurality of second CSI data.
  • the data enhancement processing unit is specifically used for:
  • the center is adjusted in terms of phase and/or amplitude.
  • the data enhancement processing unit is also used to:
  • the target autocorrelation matrix can characterize the spatial domain characteristics and frequency domain characteristics of the first CSI data
  • the singular value decomposition result includes a singular vector matrix characterizing the spatial domain characteristics and frequency domain characteristics of the first CSI data, and a singular value decomposition result. value matrix;
  • the constructed target random matrix is used to process the singular value decomposition results to obtain a plurality of second CSI data after data enhancement.
  • the data enhancement processing unit is also used to:
  • first autocorrelation matrix of the first CSI data wherein the first autocorrelation matrix can characterize the spatial domain characteristics of the first CSI data
  • the target autocorrelation matrix is obtained.
  • the data enhancement processing unit is specifically used for:
  • the data enhancement processing unit is specifically used for:
  • the enhanced data matrix is arranged to obtain a plurality of second CSI data after data enhancement.
  • the data enhancement processing unit is specifically used for:
  • the arranged enhanced data matrix is normalized to obtain a plurality of second CSI data.
  • Figure 9 is a second schematic block diagram of a data processing device 800 according to an embodiment of the present application.
  • the data processing device 800 may include:
  • the model training unit 910 is configured to perform model training on a first preset model based on the CSI sample data to obtain a first target model, where the first target model is used to encode and process the channel state information CSI data. Obtain target CSI data; and/or,
  • model training is performed on the second preset model to obtain a second target model, where the second target model is used to decode the target CSI data to obtain the CSI corresponding to the target CSI data.
  • FIG. 10 is a schematic block diagram of a terminal device 1000 according to an embodiment of the present application.
  • the terminal device 1000 may include:
  • the sending unit 1010 is configured to send the first information, which is obtained by inputting the channel state information CSI data into the first target model for encoding processing; the first target model is based on the above embodiments of the present application.
  • the CSI sample data obtained by the above method is obtained by performing model training on the first preset model.
  • the terminal device 1000 in the embodiment of the present application can implement the corresponding functions of the terminal device in the foregoing method embodiment.
  • each module (sub-module, unit or component, etc.) in the terminal device 1000 please refer to the corresponding description in the above method embodiment, and will not be described again here.
  • the functions described with respect to each module (sub-module, unit or component, etc.) in the terminal device 1000 in the embodiment of the application may be implemented by different modules (sub-module, unit or component, etc.), or may be implemented by the same Module (submodule, unit or component, etc.) implementation.
  • FIG 11 is a schematic block diagram of a network device 1100 according to an embodiment of the present application.
  • the network device 1100 may include:
  • the receiving unit 1110 is configured to receive the first information, input the first information into the second target model for decoding processing, and obtain the CSI data corresponding to the first information; wherein the second target model is based on The CSI sample data obtained by the method in the embodiment of the present application is obtained by training the second preset model.
  • the network device 1100 in the embodiment of the present application can implement the corresponding functions of the network device in the foregoing method embodiment.
  • each module (sub-module, unit or component, etc.) in the network device 1100 please refer to the corresponding description in the above method embodiment, and will not be described again here.
  • the functions described for each module (sub-module, unit or component, etc.) in the network device 1100 of the application embodiment can be implemented by different modules (sub-module, unit or component, etc.), or can be implemented by the same module. Module (submodule, unit or component, etc.) implementation.
  • Figure 12 is a schematic structural diagram of a communication device 1200 according to an embodiment of the present application.
  • the communication device 600 includes a processor 1210, and the processor 1210 can call and run a computer program from the memory, so that the communication device 1200 implements the method in the embodiment of the present application.
  • communication device 1200 may also include memory 1220.
  • the processor 1210 can call and run the computer program from the memory 1220, so that the communication device 1200 implements the method in the embodiment of the present application.
  • the memory 1220 may be a separate device independent of the processor 1210, or may be integrated into the processor 1210.
  • the communication device 1200 may further include a transceiver 1230, and the processor 1210 may control the transceiver 1230 to communicate with other devices. Specifically, the communication device 1200 may send information or data to other devices, or receive information sent by other devices. information or data.
  • the transceiver 1230 may include a transmitter and a receiver.
  • the transceiver 1230 may further include an antenna, and the number of antennas may be one or more.
  • the communication device 1200 may be a network device according to the embodiment of the present application, and the communication device 1200 may implement the corresponding processes implemented by the network device in the various methods of the embodiment of the present application. For the sake of brevity, the communication device 1200 will not be mentioned here. Again.
  • the communication device 1200 can be a terminal device in the embodiment of the present application, and the communication device 1200 can implement the corresponding processes implemented by the terminal device in the various methods of the embodiment of the present application. For the sake of simplicity, these processes are not mentioned here. Again.
  • Figure 13 is a schematic structural diagram of a chip 1300 according to an embodiment of the present application.
  • the chip 1300 includes a processor 1310, and the processor 1310 can call and run a computer program from the memory to implement the method in the embodiment of the present application.
  • chip 1300 may also include memory 1320.
  • the processor 1310 can call and run the computer program from the memory 1320 to implement the method executed by the terminal device or network device in the embodiment of the present application.
  • the memory 1320 may be a separate device independent of the processor 1310, or may be integrated into the processor 1310.
  • the chip 1300 may also include an input interface 1330.
  • the processor 1310 can control the input interface 1330 to communicate with other devices or chips, and specifically, can obtain information or data sent by other devices or chips.
  • the chip 1300 may also include an output interface 1340.
  • the processor 1310 can control the output interface 1340 to communicate with other devices or chips. Specifically, it can output information or data to other devices or chips.
  • the chip can be applied to the network device in the embodiment of the present application, and the chip can implement the corresponding processes implemented by the network device in the various methods of the embodiment of the present application. For the sake of simplicity, they will not be described again. .
  • the chip can be applied to the terminal device in the embodiment of the present application, and the chip can implement the corresponding processes implemented by the terminal device in each method of the embodiment of the present application. For the sake of brevity, details will not be repeated here. .
  • the chips used in network equipment and terminal equipment can be the same chip or different chips.
  • chips mentioned in the embodiments of this application may also be called system-on-chip, system-on-a-chip, system-on-chip or system-on-chip, etc.
  • the processor mentioned above can be a general-purpose processor, a digital signal processor (DSP), an off-the-shelf programmable gate array (FPGA), an application specific integrated circuit (ASIC), or Other programmable logic devices, transistor logic devices, discrete hardware components, etc.
  • DSP digital signal processor
  • FPGA off-the-shelf programmable gate array
  • ASIC application specific integrated circuit
  • the above-mentioned general processor may be a microprocessor or any conventional processor.
  • non-volatile memory may be volatile memory or non-volatile memory, or may include both volatile and non-volatile memory.
  • non-volatile memory can be read-only memory (ROM), programmable ROM (PROM), erasable programmable read-only memory (erasable PROM, EPROM), electrically removable memory. Erase electrically programmable read-only memory (EPROM, EEPROM) or flash memory.
  • Volatile memory can be random access memory (RAM).
  • the memory in the embodiment of the present application can also be a static random access memory (static RAM, SRAM), a dynamic random access memory (dynamic RAM, DRAM), Synchronous dynamic random access memory (synchronous DRAM, SDRAM), double data rate synchronous dynamic random access memory (double data rate SDRAM, DDR SDRAM), enhanced synchronous dynamic random access memory (enhanced SDRAM, ESDRAM), synchronous connection Dynamic random access memory (synch link DRAM, SLDRAM) and direct memory bus random access memory (Direct Rambus RAM, DR RAM) and so on. That is, memories in embodiments of the present application are intended to include, but are not limited to, these and any other suitable types of memories.
  • FIG. 14 is a schematic block diagram of a communication system 1400 according to an embodiment of the present application.
  • the communication system 800 includes a terminal device 1410 and a network device 1420. in,
  • the terminal device 1410 sends the first information, which is obtained by inputting the channel state information CSI data into the first target model for encoding processing; the first target model is the CSI sample data obtained based on the above method. Obtained after model training on the first preset model.
  • the network device 1420 receives the first information, inputs the first information into the second target model for decoding processing, and obtains the CSI data corresponding to the first information; wherein the second target model is based on the above
  • the CSI sample data obtained by the method is obtained by training the second preset model.
  • the terminal device 1410 can be used to implement the corresponding functions implemented by the terminal device in the above method
  • the network device 1420 can be used to implement the corresponding functions implemented by the network device in the above method.
  • no further details will be given here.
  • the computer program product includes one or more computer instructions.
  • the computer may be a general purpose computer, a special purpose computer, a computer network, or other programmable device.
  • the computer instructions may be stored in or transmitted from one computer-readable storage medium to another computer-readable storage medium, for example, the computer instructions may be transmitted over a wired connection from a website, computer, server, or data center (such as coaxial cable, optical fiber, Digital Subscriber Line (DSL)) or wireless (such as infrared, wireless, microwave, etc.) means to transmit to another website, computer, server or data center.
  • the computer-readable storage medium can be any available medium that can be accessed by a computer or a data storage device such as a server or data center integrated with one or more available media.
  • the available media may be magnetic media (eg, floppy disk, hard disk, tape), optical media (eg, DVD), or semiconductor media (eg, Solid State Disk (SSD)), etc.
  • the size of the sequence numbers of the above-mentioned processes does not mean the order of execution.
  • the execution order of each process should be determined by its functions and internal logic, and should not be used in the embodiments of the present application.
  • the implementation process constitutes any limitation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请涉及一种数据处理方法、通信方法及装置、终端设备和网络设备；其中数据处理方法包括：基于第一信道状态信息CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据；所述特征信息包括以下至少之一：空域特征和/或频域特征；至少将所述第一CSI数据以及所述多个第二CSI数据作为CSI样本数据。如此，实现对真实CSI数据进行数据增强。

Description

数据处理方法、通信方法及装置、终端设备和网络设备 技术领域
本申请涉及通信领域，更具体地，涉及一种数据处理方法、通信方法及装置、终端设备和网络设备。
背景技术
利用神经网络的非线性拟合能力对信道状态信息进行压缩反馈，可以大大提高压缩效率和反馈精度。然而，该方案实现的前提是需要海量的训练数据支撑模型的构建，但是，若要采集如此海量的信道状态信息从实际采集成本上、采集难度上来说，均具有一定的挑战。
发明内容
本申请实施例提供一种数据处理方法、通信方法及装置、终端设备和网络设备，可以对真实CSI数据进行数据增强，且数据增强处理后所得到的CSI数据保留有原CSI数据的空域特征和/或频域特征。
本申请实施例提供一种数据处理方法，包括：
基于第一信道状态信息CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据；所述特征信息包括以下至少之一：空域特征和/或频域特征；
至少将所述第一CSI数据以及所述多个第二CSI数据作为CSI样本数据。
本申请实施例提供一种通信方法，包括：
终端设备发送第一信息，所述第一信息是将目标信道状态信息CSI数据输入至第一目标模型中进行编码处理后所得；所述第一目标模型为基于以上方法所得的CSI样本数据对第一预设模型进行模型训练后所得。
本申请实施例提供通信方法，包括：
网络设备接收第一信息，将所述第一信息输入至第二目标模型中进行解码处理，得到所述第一信息所对应的目标CSI数据；其中，所述第二目标模型为基于以上方法所得的CSI样本数据对第二预设模型进行模型训练后所得。
本申请实施例提供一种数据处理装置，包括：
数据增强处理单元，用于基于第一信道状态信息CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据；所述特征信息包括以下至少之一：空域特征和/或频域特征；
样本数据确定单元，用于至少将所述第一CSI数据以及所述多个第二CSI数据作为CSI样本数据。
本申请实施例提供一种终端设备，包括：
发送单元，用于发送第一信息，所述第一信息是将目标信道状态信息CSI数据输入至第一目标模型中进行编码处理后所得；所述第一目标模型为基于以上方法所得的CSI样本数据对第一预设模型进行模型训练后所得。
本申请实施例提供一种网络设备，包括：
接收单元，用于接收第一信息，将所述第一信息输入至第二目标模型中进行解码处理，得到所述第一信息所对应的目标CSI数据；其中，所述第二目标模型为基于以上方法所得的CSI样本数据对第二预设模型进行模型训练后所得。
本申请实施例提供一种终端设备，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，以使该终端设备执行上述的应用于终端设备侧的通信方法。
本申请实施例提供一种网络设备，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，以使该网络设备执行上述的应用于网络设备侧的通信方法。
本申请实施例提供一种芯片，用于实现上述的数据处理方法或通信方法。
具体地，该芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片的设备执行上述的数据处理方法或通信方法。
本申请实施例提供一种计算机可读存储介质，用于存储计算机程序，当该计算机程序被设备运行时使得该设备执行上述的数据处理方法或通信方法。
本申请实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行上述的数据处理方法或通信方法。
本申请实施例提供一种计算机程序，当其在计算机上运行时，使得计算机执行上述的数据处理方法或通信方法。
本申请实施例，可以对真实CSI数据(如将真实CSI数据作为第一CSI数据)进行数据增强，且 数据增强处理后所得到的CSI数据(比如第二CSI数据)保留有原CSI数据(如第一CSI数据)的空域特征和/或频域特征，如此，为有效解决现有样本量少无法支持模型训练的问题奠定了基础。
附图说明
图1是根据本申请实施例的应用场景的示意图。
图2是根据本申请一实施例的神经元结构的示意图。
图3是根据本申请另一实施例信道状态信息的反馈系统的示意图。
图4是根据本申请一实施例的数据处理方法400的示意性流程图。
图5是根据本申请一实施例的通信方法500的示意性流程图。
图6是根据本申请一实施例的通信方法600的示意性流程图。
图7是根据本申请一实施例中第一DFT向量空间的示意图。
图8是根据本申请一实施例的数据处理装置800的示意性框图一。
图9是根据本申请一实施例的数据处理装置800的示意性框图二。
图10是根据本申请一实施例的终端设备1000的示意性框图。
图11是根据本申请一实施例的网络设备1100的示意性框图。
图12是根据本申请实施例的通信设备1200示意性框图。
图13是根据本申请实施例的芯片1300的示意性框图。
图14是根据本申请实施例的通信系统1400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。
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、新无线(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。
在一种实施方式中，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。
在一种实施方式中，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(STAION，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、个人数字处理(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(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。可选地，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。可选地，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。
图1示例性地示出了一种通信系统100。该通信系统包括一个网络设备110和两个终端设备120。在一种实施方式中，该通信系统100可以包括多个网络设备110，并且每个网络设备110的覆盖范围内可以包括其它数量的终端设备120，本申请实施例对此不做限定。
在一种实施方式中，该通信系统100还可以包括移动性管理实体(Mobility Management Entity，MME)、接入与移动性管理功能(Access and Mobility Management Function，AMF)等其他网络实体，本申请实施例对此不作限定。
其中，网络设备又可以包括接入网设备和核心网设备。即无线通信系统还包括用于与接入网设备进行通信的多个核心网。接入网设备可以是长期演进(long-term evolution，LTE)系统、下一代(移动通信系统)(next radio，NR)系统或者授权辅助接入长期演进(authorized auxiliary access long-term evolution，LAA-LTE)系统中的演进型基站(evolutional node B，简称可以为eNB或e-NodeB)宏基站、微基站(也称为“小基站”)、微微基站、接入站点(access point，AP)、传输站点(transmission point，TP)或新一代基站(new generation Node B，gNodeB)等。
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示出的通信系统为例，通信设备可包括具有通信功能的网络设备和终端设备，网络设备和终端设备可以为本申请实施例中的具体设备，此处不再赘述；通信设备还可包括通信系统中的其他设备，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。
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。
为便于理解本申请实施例的技术方案，以下对本申请实施例的相关技术进行说明，以下相关技术作 为可选方案与本申请实施例的技术方案可以进行任意结合，其均属于本申请实施例的保护范围。
第一，基于码本的CSI数据反馈
对于5G新无线(New Radio，NR)系统来说，信道状态信息(Channel State Information，CSI数据)反馈设计中，可以利用基于码本的方法来实现信道特征的提取与反馈。即在发送端进行信道估计、并根据信道估计结果获得对应的预编码矩阵后，按照某种优化准则从预先设定的码本中选择与预编码矩阵最匹配的编码矩阵，并通过空口的反馈链路将与预编码矩阵最匹配的编码矩阵的索引等相关信息反馈给接收端，供接收端实现预编码。这里，码本可分为TypeI、TypeII、eTypeII三种方案。
第二，神经网络
神经网络是一种由多个神经元节点相互连接构成的运算模型，其中节点间的连接代表从输入信号到输出信号的加权值，称为权重(如w1至wn)；如图2所示，每个节点对不同的输入信号(如a1至an)进行加权求和(Sum)，并通过特定的激活函数输出。这里，实际应用中，神经网络可以具体为全连接神经网络、卷积神经网络、循环神经网络等。
第三，基于人工智能(Artificial Intelligence，AI)的CSI数据反馈
鉴于AI技术在计算机视觉、自然语言处理等方面取得了巨大的成功，通信领域开始尝试利用AI技术来寻求新的技术思路来解决传统方法受限的技术难题，例如深度学习。深度学习中常用的神经网络架构是非线性且是数据驱动的，可以对实际信道状态信息进行特征提取并在基站侧尽可能还原UE端压缩反馈的信道状态信息，在保证还原信道状态信息的同时也为UE侧降低CSI数据反馈开销提供了可能性。
如图3所示，信道状态信息的反馈系统可分为编码器(如CSI编码器)及解码器(如CSI解码器)两部分，且该两部分分别部署在UE侧与基站(Base Station，BS)侧。UE侧通过信道估计得到信道状态信息后，并通过编码器的神经网络对信道状态信息的矩阵进行压缩编码，并将压缩后的比特流(也即压缩后的CSI数据)通过空口反馈链路反馈给BS侧，BS侧通过解码器根据反馈的比特流对信道状态信息进行恢复或重构，以获得反馈的完整的信道状态信息。图3所示的结构在编码器侧，可使用若干全连接层进行编码，相应地，在解码器侧可使用卷积神经网络结构进行解码。
可以理解的是，在编解码框架不变的情况下，编码器和解码器内部的模型结构可采用其他模型进行灵活设计，本公开方案对此不作具体限制。
第四，数据增强
现有的计算机视觉领域的数据增强方法主要是针对图像数据进行类似翻转、旋转、裁剪、缩放等操作，以将少量图像数据扩增为大量数据。值得注意的是，在上述方法中，图像并不会被因相应的操作而发生含义上的扭曲，即本身所呈现的内容仍然保留在生成的数据中。
这里，利用神经网络的非线性拟合能力对信道状态信息进行压缩反馈，可以大大提高压缩效率和反馈精度。然而，该方案实现的前提是需要海量的训练数据支撑模型的构建，但是，若要采集如此海量的信道状态信息从实际采集成本上、采集难度上来说，均具有一定的挑战。
而且，目前计算机视觉领域已有的面向图像数据的数据增强方法也并不适用于CSI数据。因为，CSI数据的矩阵与图像矩阵不同，其内部包含通信领域中的空域、频域等特征，对CSI数据进行如图像一样的缩放、翻转、裁剪等操作会影响甚至抹除CSI数据内部的物理含义信息，纵使可以生成大量数据，但不能支持基于AI的CSI数据反馈模型的训练。
基于此，本公开方案提供了一种基于少量数据进行数据增强的方法，如此，来解决现有样本量少无法支持基于AI的CSI数据反馈模型的训练的问题。
具体地，图4是根据本申请一实施例的数据处理方法400的示意性流程图。该方法可选地可以应用于图1所示的系统，但并不仅限于此。该方法包括以下内容的至少部分内容。
S410、基于第一信道状态信息CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据；所述特征信息包括以下至少之一：空域特征和/或频域特征。
S420、至少将所述第一CSI数据以及所述多个第二CSI数据作为CSI样本数据。
可以理解的是，本公开方案的数据处理方法可以在图1所示系统中的任意实体中执行，或者，在图1所示系统之外的其他具有计算能力的如个人电脑、服务器、服务器集群等电子设备中执行，本公开方案对此不作限制。
在一种实施方式中，所述第一CSI数据是终端设备估计得到的CSI数据，也可称为真实CSI数据。相应地，所述第二CSI数据，即为对真实CSI数据进行数据增强后所得的CSI数据。
这样，由于所述第二CSI数据是基于第一CSI数据的空域特征和/或频域特征，对第一CSI数据进行数据增强后所得，所以，所述第二CSI数据能够有效保留原CSI数据，也即第一CSI数据的通信物理特性，如此，为对基于AI的CSI数据反馈模型进行模型训练提供了训练数据，有效解决了真实数据 较少无法支持模型训练的问题。同时，也为提升基于AI的CSI数据反馈模型的预测结果的准确度奠定了基础。
在本公开方案的一具体示例中，在得到CSI样本数据后，还可以基于该CSI样本数据对基于AI的CSI数据反馈模型进行模型训练；具体地，该方法还包括以下至少之一的训练：
训练一：对发送端，比如终端设备侧的用于编码处理的预设模型进行训练；具体地，基于所述CSI样本数据，对第一预设模型进行模型训练，得到第一目标模型，其中，所述第一目标模型用于对信道状态信息CSI数据进行编码处理并得到目标CSI数据。
训练二：对接收端，比如基站侧的用于解码处理的预设模型进行训练；具体地，基于所述CSI样本数据，对第二预设模型进行模型训练，得到第二目标模型，其中，所述第二目标模型用于对目标CSI数据进行解码处理，得到目标CSI数据所对应的CSI。
上述训练一和训练二可以择一而执行，或者，两者均执行，本公开方案对此不作限制；而且，本公开方案对上述两种训练的执行顺序也不作限制，比如，同时训练，或者单独训练，或者，在一个模型训练完成后，进行另一模型的训练等；只要采用本公开方案的CSI样本数据对模型进行训练，均在本公开方案的保护范围内。
在一示例中，所述第一目标模型和第二目标模型为基于AI的CSI数据反馈模型中的不同模板，比如，所述第一目标模型为基于AI的CSI数据反馈模型中用于编码处理的子模型；相应地，所述第一目标模型为基于AI的CSI数据反馈模型中用于解码处理的子模型；进一步地，如图3所示，所述第一目标模型可以具体位于终端设备侧的编码器中；相应地，所述第二目标模型可以具体位于基站侧的解码器中。在一示例中，该场景中，上述两种训练可以联合进行，或者，在一个模型训练完成后，利用训练完成的模型，来对另一模型进行模型训练，如在对第一预设模型训练完成得到第一目标模型后，利用第一目标模型，如第一目标模型的输出结果，对第二预设模型进行训练，如此，来有效提升模型预测的准确率。
这里，在第二目标模型基于第一目标模型的输出结果进行模型训练的场景中，所述基于所述CSI样本数据对第二预设模型进行模型训练，可以理解为：间接基于CSI样本数据对第二预设模型进行模型训练。需要说明的是，无论是直接利用本公开方案所得到的CSI样本数据进行模型训练(如直接将CSI样本数据作为待训练模型的输入)，还是间接利用本公开方案所得到的CSI样本数据进行模型训练(如将对CSI样本数据进行处理后得到的数据作为待训练模型的输入)，均属于“基于所述CSI样本数据，对第一预设模型或第二预设模型进行模型训练”的范畴，也即均在本公开方案的保护范围内。
这样，由于能够基于本公开方案所得的CSI样本数据进行相应地模型训练，所以，有效解决了真实数据较少无法支持模型训练的问题，大大减少了获取真实数据的人力、物力等成本；同时，也为提升基于AI的CSI数据反馈模型的预测结果的准确度奠定了基础。
需要说明的是，从实验上看，基于本公开方案的样本数据进行模型训练，无过拟合现象，且得到的模型的性能较好。
本公开方案提供了两种对第一CSI数据进行数据增强的方式，以下分别对两种方式进行详细说明，具体地：
第一种数据增强方式：利用码本的方法对第一CSI数据，比如真实CSI数据进行数据增强，具体如下：
在本公开方案的一具体示例中，可以基于第一基向量组来实现对第一CSI数据的数据增强，具体地，该方法还包括：
基于预设码本所构建的第一离散傅立叶变换DFT向量空间，确定出表征所述第一CSI数据的空域特征的第一基向量组；
基于此，步骤S410具体包括：至少基于表征所述第一CSI数据的空域特征的所述第一基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据。
实际应用中，所述第一CSI数据可以通过矩阵来表示，比如，矩阵W∈C Nt×Nsb，其中，C表示复数空间，Nt表示发送天线的端口数，Nsb表示发送端所对应的频域子带的数量。如此，基于矩阵W来量化地表达第一CSI数据的空域特征，为有效提取第一CSI数据的通信物理特性、实现数据增强提供了支持，且该方式简便、可解释性强。这里，可以理解的是，以上仅是一种矩阵表达示例，实际应用中，矩阵的行、列还可以基于需求而调整，本公开方案对矩阵的具体表达形式不作限制。
这里，由于所述第一基向量组能够表征所述第一CSI数据的空域特征，所以，基于所述第一基向量组进行数据增强后所得到的第二CSI数据也至少能够表征原CSI数据，也即第一CSI数据的空域特征，相比于现有图像数据的方法而言，本公开方案的数据增强方式能够有效保留原CSI数据内部的物理含义信息，为后续模型训练提供数据支持的同时，也为提升模型训练结果的准确度奠定了基础。
在一具体示例中，所述预设码本可以为TypeI、TypeII、eTypeII三种方案中任意一种，本公开方案对此不作限制，只要能够基于预设码本构建得到DFT空间向量均在本公开方案的保护范围内。进一步地，本公开方案对基于预设码本构建得到第一DFT向量空间的构建方式也不作具体限制，下述具体示例中给出了一种基于eTypeII构建得到第一DFT向量空间的方法，可以参见下述描述，此处不再赘述；可以理解的是，该方式仅为一种示例，并非用于限制本公开方案。
在本公开方案的一具体示例中，可以采用如下方式得到第一基向量组；具体地，以上所述的基于预设码本所构建的第一DFT向量空间，确定出表征所述第一CSI数据的空域特征的第一基向量组，具体包括：
从所述第一DFT向量空间所包含的正交基向量组中，选取出L个正交基向量，其中，所述L个正交基向量与所述第一CSI数据的空域特征的相关性满足第一预设条件(比如，L个正交基向量为从第一DFT向量空间中选取出的、与第一CSI数据的空域特征的相关性最高的L个向量)，所述L为大于等于1的自然数；基于选取出的所述L个正交基向量得到所述第一基向量组；也即所述L个正交基向量组成第一基向量组。
可以理解的是，相关性的大小可通过向量之间相似度来度量。进一步地，所述L为大于等于1，且小于第一CSI数据的空域特征的维度的自然数；举例来说，在所述第一CSI数据的矩阵W∈C Nt×Nsb，此时，所述L为大于等于1且小于Nt/2的自然数。
进一步地，在一示例中，还可以将平均相关性作为指标来从第一DFT向量空间中选取出L个正交基向量，此时，所述L个正交基向量还可以具体为从第一DFT向量空间中选取出的、与第一CSI数据的空域特征的平均相关性最高的L个向量。
需要说明的是，实际应用中，第一预设条件可基于实际需求而设置，本公开方案对此不作具体限制。
进一步地，在本公开方案的一具体示例中，还可以首先从第一DFT向量空间所包含的多个正交基向量组中，选取出目标正交基向量组，进而再从目标正交基向量组中选取出L个正交基向量。具体地，该方法还包括：
从所述第一DFT向量空间所包含的多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组(比如选取出相关性最强的一组作为目标正交基向量组)；
基于此，以上所述的从所述第一DFT向量空间所包含的正交基向量组中，选取出L个正交基向量，具体包括：从所述目标正交基向量组中选取出所述L个正交基向量。
可以理解的是，该示例中的相关性也可具体为平均相关性，此时，所述目标正交基向量组可以具体为：从第一DFT向量空间所包含的多个正交基向量组中，选取出的与第一CSI数据的空域特征的平均相关性最高的一组，并将该与第一CSI数据的空域特征的平均相关性最高的一组作为目标正交基向量组。
需要说明的是，实际应用中，第二预设条件可基于实际需求而设置，本公开方案对此不作具体限制。
在本公开方案的一具体示例中，可采用如下方式从第一DFT向量空间所包含的多个正交基向量组中选取出目标正交基向量组；即以上所述的从所述第一DFT向量空间所包含的多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组，具体包括：
将所述第一CSI数据(比如第一CSI数据的矩阵)投影到对角块矩阵所张成的向量空间中，得到各所述正交基向量组所对应的第一投影信息矩阵，其中，所述对角块矩阵是基于所述第一DFT向量空间所包含的所述正交基向量组所得；所述第一投影信息矩阵中的元素表征第一CSI数据的空域特征投影到所述对角块矩阵后的投影系数的相关信息；
基于各所述正交基向量组所对应的第一投影信息矩阵，从所述多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组。
可以理解的是，对于一个正交基向量组而言，均对应一个对角块矩阵，相应地，基于上述方式也可得到一个第一投影信息矩阵，如此，即可得到每个正交基向量组所对应的第一投影信息矩阵，进而基于每个正交基向量组所对应的第一投影信息矩阵，来从所述多个正交基向量组中选取出目标正交基向量组。
进一步地，在一具体示例中，所述第一投影信息矩阵可以具体为第一投影系数绝对值矩阵，此时，所述第一投影系数绝对值矩阵中的元素表征第一CSI数据的空域特征投影到所述对角块矩阵后的投影系数的绝对值。
在本公开方案的一具体示例中，对于每个第一投影信息矩阵而言，均可以采用如下方式进行处理，如此，得到每组所对应的L个第一目标元素(比如，得到L个最大值元素)，进而基于每组所对应的L个第一目标元素，确定出目标正交基向量组；具体地，该方法还包括：
对所述第一投影信息矩阵中的元素进行数据处理，得到所述正交基向量组所对应的第一向量，其中，所述第一向量能够表征所述第一CSI数据的频域特征所对应的投影系数的总相关信息，比如，表征所述第一CSI数据的频域特征所对应的投影系数的总和；具体地，对于第一CSI数据的矩阵为W∈C Nt×Nsb为例，此时，所述第一向量是将第一投影信息矩阵按列求和后所得，表征所述第一CSI数据的频域特征所对应的投影系数的总和。
进一步地，将所述第一向量中部分元素，与所述第一向量中的另外部分元素进行数据处理，得到所述正交基向量组所对应的第二向量，其中，所述第二向量能够表征所述第一CSI数据的空域特征所对应的投影系数的总相关信息；比如，对于第一CSI数据的矩阵为W∈C Nt×Nsb为例，此时，所述第二向量是将第一向量中的前Nt/2个元素与后Nt/2个元素相加所得。
进一步地，从所述第二向量中选取出所述正交基向量组所对应的L个第一目标元素；如此，基于上述方式，即可得到每一组所对应的L个第一目标元素。这里，为了最大化提取第一CSI数据的通信物理特性，该L个第一目标元素可以具体为第二向量中的L个最大值元素。
进一步地，基于此，以上所述的基于各所述正交基向量组所对应的第一投影信息矩阵，从所述多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组，包括：
基于各所述正交基向量组所对应的L个第一目标元素，从所述多个正交基向量组中，选取出所述目标正交基向量组。
比如，基于各所述正交基向量组所对应的L个最大值元素，从所述多个正交基向量组中，选取出所述目标正交基向量组。
进一步地，在本公开方案的一具体示例中，所述基于各所述正交基向量组所对应的L个第一目标元素，从所述多个正交基向量组中，选取出所述目标正交基向量组，具体包括：基于各所述正交基向量组所对应的L个第一目标元素，得到各所述正交基向量组所对应的目标总和；进而从多个目标总和中选取出目标值，将选取出的目标值所对应的正交基向量组作为所述目标正交基向量组。比如，基于各所述正交基向量组所对应的L个最大值元素，得到各所述正交基向量组所对应的最大值总和；进而从多个最大值总和中选取出数值最大的一组，并将选取出的数值最大一组正交基向量组作为所述目标正交基向量组。
在一示例中，在得到目标正交基向量组之后，即可直接将该目标正交基向量组中的所述L个第一目标元素作为最终所选取出的所述L个正交基向量。或者，基于其他规则，从所述目标正交基向量组中选取出L个正交基向量。
需要说明的是，以下给出了一具体示例来详细说明基于预设码本所构建的第一DFT向量空间得到第一基向量组，具体可参见下述示例中的步骤a，此处不再赘述。
这里，可以理解的是，下述示例是以第一CSI数据的矩阵为W∈C Nt×Nsb为例进行说明的，实际应用中，第一CSI数据的矩阵的行和列还可以对调，此时，下述给出的具体处理方式只需基于矩阵乘法的原理做相应的数据变化即可。
在本公开方案的一具体示例中，还可以基于第一基向量组以及第二基向量组来共同实现对第一CSI数据的数据增强，如此，使得数据增强后得到的第二CSI数据兼具第一CSI数据的空域特征和频域特征。具体地，该方法还包括：
基于所述预设码本所构建的第二DFT向量空间以及表征所述第一CSI数据的空域特征的所述第一基向量组，确定出至少表征所述第一CSI数据的频域特征的第二基向量组；
基于此，以上所述的至少基于表征所述第一CSI数据的空域特征的所述第一基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据，包括：
基于所述第一基向量组以及所述第二基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据。
这样，使得数据增强处理后得到的第二CSI数据兼具原CSI数据，也即第一CSI数据的空域特征和频域特征。
需要说明的是，本公开方案对基于预设码本构建得到第二DFT向量空间的构建方式也不作具体限制，下述具体示例中给出了一种基于eTypeII构建得到第二DFT向量空间的方法，可以参见下述描述，此处不再赘述；可以理解的是，该方式仅为一种示例，并非用于限制本公开方案。
进一步地，在本公开方案的一具体示例中，还可以采用如下方法得到第二基向量组，具体地，以上所述的基于所述预设码本所构建的第二DFT向量空间以及表征所述第一CSI数据的空域特征的所述第一基向量组，确定出至少表征所述第一CSI数据的频域特征的第二基向量组，具体包括：
将所述第一CSI数据(比如第一CSI数据的矩阵)投影至所述第一基向量组所张成的空间中，得 到第一投影系数矩阵；其中，所述第一投影系数矩阵中的元素表示所述第一CSI数据的空域特征在所述第一基向量组所张成的空间中的投影系数；
基于所述第一投影系数矩阵，从所述预设码本所构建的第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量，其中，所述M个正交基向量与所述第一投影系数矩阵中所述第一CSI数据的频域特征所对应的投影系数的相关性满足第三预设条件(比如，M个正交基向量为：第二DFT向量空间中，与所述第一投影系数矩阵中所述第一CSI数据的频域特征所对应的投影系数的相关性最高的M个向量)；所述M为大于等于1的自然数；
进一步地，基于选取出的所述M个正交基向量得到所述第二基向量组。也即所述M个正交基向量组成第二基向量组。
可以理解的是，相关性的大小可通过向量之间相似度来度量。进一步地，所述M为大于等于1，且小于第一CSI数据的频域特征的维度的自然数；举例来说，在所述第一CSI数据的矩阵W∈C Nt×Nsb，此时，所述M为大于等于1且小于Nsb的自然数。
进一步地，在一示例中，还可以将平均相关性作为指标来从第二DFT向量空间中选取出M个正交基向量，此时，所述M个正交基向量还可以具体为从第二DFT向量空间中选取出的、与所述第一投影系数矩阵中所述第一CSI数据的频域特征所对应的投影系数的平均相关性最高的M个向量。此时，所述M个正交基向量能够较好地表示原CSI数据，也即第一CSI数据的频域特征。
需要说明的是，实际应用中，第三预设条件可基于实际需求而设置，本公开方案对此不作具体限制。
进一步地，在本公开方案的一具体示例中，可采用如下方式，将第一CSI数据进行投影，具体地，以上所述的将所述第一CSI数据投影至所述第一基向量组所张成的空间中，具体包括：将所述第一CSI数据投影至所述第一基向量矩阵所张成的空间中，其中，所述第一基向量矩阵为基于第一基向量组所构成的对角块矩阵。
在本公开方案的一具体示例中，还可以采用如下方式得到M个正交基向量；具体地，该方法还包括：
将所述第一投影系数矩阵投影至所述第二DFT向量空间的正交基向量所张成的空间中，得到第二投影信息矩阵；所述第二投影信息矩阵中的元素表征所述第一投影系数矩阵对应的第一CSI数据的频域特征在所述第二DFT向量空间的正交基向量所张成的空间中的投影系数的相关信息；换言之，所述第二投影信息矩阵中的元素表征的是所述第一CSI数据的频域特征在所述第二DFT向量空间的正交基向量所张成的空间中的投影系数的相关信息；
进一步地，以上所述的基于所述第一投影系数矩阵，从所述预设码本所构建的第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量，可具体包括：基于所述第二投影信息矩阵，从所述第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量。
在一具体示例中，所述第二投影信息矩阵可以具体为第二投影系数绝对值矩阵，此时，所述第二投影系数绝对值矩阵中的元素表征所述第一投影系数矩阵对应的第一CSI数据的频域特征在所述第二DFT向量空间的正交基向量所张成的空间中的投影系数的绝对值，也即所述第二投影系数绝对值矩阵中的元素表征第一CSI数据的频域特征在所述第二DFT向量空间的正交基向量所张成的空间中的投影系数的绝对值。
进一步对，在本公开方案的一具体示例中，所述基于所述第二投影信息矩阵，从所述第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量，包括：
对所述第二投影信息矩阵中的元素进行数据处理，得到第三向量，其中，所述第三向量表征所述第一CSI数据的频域特征所对应的投影系数的总相关信息；比如，表征所述第一CSI数据的频域特征所对应的投影系数的总和；具体地，对于第一CSI数据的矩阵为W∈C Nt×Nsb为例，此时，所述第三向量是将第二投影系数绝对值矩阵中的元素按列求和所得；
进一步地，从所述第三向量中选取出M个第二目标元素；从所述第二DFT向量空间中选取出所述M个第二目标元素所对应的正交基向量，得到所述M个正交基向量。
在一示例中，为了最大化提取第一CSI数据的通信物理特性，该M个第二目标元素可以具体为第三向量中的M个最大值元素。具体地，取所述第三向量中前M个最大值元素，进而将第二DFT向量空间中与选出的M个最大值元素所对应的正交基向量，作为最终所选取出的M个正交基向量。
需要说明的是，以下给出了一具体示例来详细说明基于预设码本所构建的第二DFT向量空间得到第二基向量组，具体可参见下述示例中的步骤b，此处不再赘述。
这里，可以理解的是，下述示例是以第一CSI数据的矩阵为W∈C Nt×Nsb为例进行说明的，实际应用中，第一CSI数据的矩阵的行和列还可以对调，此时，下述给出的具体处理方式只需基于矩阵乘法的原理做相应的数据变化即可。
在本公开方案的一具体示例中，在得到第一基向量组和第二基向量组之后，所述方法还包括：
将所述第一投影系数矩阵投影至所述第二基向量组所张成的空间中，得到第二投影系数矩阵，其中，所述第二投影系数矩阵中的元素表示所述第一CSI数据的空域特征对应的投影系数在所述第二基向量组所张成的空间中的投影系数；
进一步地，以上所述的基于所述第一基向量组以及所述第二基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据，包括：
基于所述第二投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据；其中，所述第一基向量矩阵为基于所述第一基向量组，所述第二基向量矩阵为基于所述第二基向量组所形成的矩阵。
在一具体示例中，基于第二投影系数矩阵、第一基向量矩阵以及第二基向量矩阵的矩阵乘积，得到多个第二CSI数据，如此，通过矩阵乘积处理，即可实现对第一CSI数据的数据增强，该方式简便、可解释性强。
需要说明的是，以下给出了一具体示例来详细说明得到第二投影系数矩阵的方式，具体可参见下述示例中的步骤c，此处不再赘述。
这里，可以理解的是，下述示例是以第一CSI数据的矩阵为W∈C Nt×Nsb为例进行说明的，实际应用中，第一CSI数据的矩阵的行和列还可以对调，此时，下述给出的具体处理方式只需基于矩阵乘法的原理做相应的数据变化即可。
在本公开方案的一具体示例中，在得到第二投影系数矩阵之后，还可对该第二投影系数矩阵进行加扰处理，具体地，该方法还包括：
对所述第二投影系数矩阵中的元素进行相位调整和/或振幅调整，得到多个第三投影系数矩阵；
进一步地，以上所述的基于所述第二投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据，具体包括：
基于所述多个第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据。
进一步地，在一示例中，以上所述的基于所述多个第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据，具体包括：
基于所述第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵的矩阵乘积，得到多个待处理向量；对所述多个待处理向量进行归一化处理，得到多个第二CSI数据。
在本公开方案的一具体示例中，可以采用如下方式，对该第二投影系数矩阵进行加扰处理，具体地，以上所述的对所述第二投影系数矩阵中的元素进行相位或振幅调整，具体包括：以所述第二投影系数矩阵中的元素为中心，从相位和/或振幅上，对中心进行调整。
也就是说，本公开方案采用两种方式中的至少一种，比如，仅进行相位扰动，或仅进行振幅调整，或者相位扰动以及振幅扰动，如此，来对第二投影系数矩阵进行加扰处理，实现对第一CSI数据的数据增强。
需要说明的是，以下给出了一具体示例来详细说明如何对第二投影系数矩阵进行加扰处理，具体可参见下述示例中的步骤d，此处不再赘述。
这里，可以理解的是，下述示例是以第一CSI数据的矩阵为W∈C Nt×Nsb为例进行说明的，实际应用中，第一CSI数据的矩阵的行和列还可以对调，此时，下述给出的具体处理方式只需基于矩阵乘法的原理做相应的数据变化即可。
这样，利用码本的方法对真实CSI数据进行数据增强，得到多个第二CSI数据；相比于计算机领域已有的针对图像数据的增强方法，本公开方案充分考虑了真实CSI数据的通信物理特性，因此，本公开方案更适于CSI数据的数据增强。
第二种数据增强方式：利用奇异值分解的方法对第一CSI数据，比如真实CSI数据进行数据增强
在本公开方案的一具体示例中，该方法还包括：
得到所述第一CSI数据的目标自相关矩阵，其中，所述目标自相关矩阵能够表征所述第一CSI数据的空域特征和频域特征；
对所述目标自相关矩阵进行奇异值分解，得到奇异值分解结果，其中，所述奇异值分解结果中包含有表征所述第一CSI数据的空域特征和频域特征的奇异向量矩阵，以及奇异值矩阵；
基于此，以上所述的基于第一CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据，包括：
利用构造的目标随机矩阵，对所述奇异值分解结果进行处理，得到数据增强后的多个第二CSI数据。
需要说明的是，以下给出了一具体示例来详细说明利用构造的目标随机矩阵，对所述奇异值分解结 果进行处理，并得到多个第二CSI数据的步骤，具体可参见下述示例中的步骤d和步骤e，此处不再赘述。
这里，可以理解的是，下述示例是以第一CSI数据的矩阵为W∈C Nt×Nsb为例进行说明的，实际应用中，第一CSI数据的矩阵的行和列还可以对调，此时，下述给出的具体处理方式只需基于矩阵乘法的原理做相应的数据变化即可。
在本公开方案的一具体示例中，可以采用如下方法得到目标自相关矩阵；具体地，该方法还包括：
得到所述第一CSI数据的第一自相关矩阵，其中，所述第一自相关矩阵能够表征所述第一CSI数据的空域特征；比如，以第一CSI数据的矩阵为W∈C Nt×Nsb为例，此时，第一自相关矩阵R 1＝WW H∈C Nt×Nt，该第一自相关矩阵R 1能够表征第一CSI数据的空域特征，比如空域统计特征。
得到所述第一CSI数据的第二自相关矩阵，其中，所述第二自相关矩阵能够表征所述第一CSI数据的频域特征；比如，继续以第一CSI数据的矩阵为W∈C Nt×Nsb为例，此时，第二自相关矩阵R 2＝W HW∈C Nsb×Nsb，该第二自相关矩阵R 2能够表征第一CSI数据的频域特征，比如频域统计特征。
基于此，以上所述的得到所述第一CSI数据的目标自相关矩阵，具体包括：基于第一自相关矩阵和第二自相关矩阵，得到所述目标自相关矩阵。比如，继续以第一CSI数据的矩阵为W∈C Nt×Nsb为例，此时，目标自相关矩阵
Figure PCTCN2022105504-appb-000001
该目标自相关矩阵R 3能够表征第一CSI数据的空域特征(如空域统计特征)和频域特征，(如频域统计特征)。
在本公开方案的一具体示例中，所述利用所述目标随机矩阵，对所述奇异值分解结果进行处理，得到数据增强后的多个第二CSI数据，具体包括：
利用所述目标随机矩阵，替换所述奇异向量矩阵中的第一矩阵；
将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到多个第二CSI数据；其中，所述目标自相关矩阵为对称矩阵，所述第一矩阵和所述第二矩阵之间满足对称关系。
在一具体示例中，奇异值分解结果可表示为：[V,D,U]；
这里，V∈C NsbNt×NsbNt与U∈C NsbNt×NsbNt分别为左奇异向量矩阵、右奇异向量矩阵，对角阵D∈C NsbNt×NsbNt为奇异值矩阵，其中对角线元素为奇异值；
此时，所述第一矩阵为奇异向量矩阵中的右奇异向量矩阵，如为U∈C NsbNt×NsbNt；所述第二矩阵为奇异向量矩阵中的左奇异向量矩阵，如为V∈C NsbNt×NsbNt。此时，所述V＝U H。
进一步地，所述将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到多个第二CSI数据，具体包括：
将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到增强数据矩阵；基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到数据增强后的多个第二CSI数据。
进一步地，以上所述的基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到数据增强后的多个第二CSI数据，具体包括：
基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到排列后的增强数据矩阵；对所述排列后的增强数据矩阵归一化处理，得到多个第二CSI数据。
这样，利用奇异值分解的方法对真实CSI数据进行数据增强，得到多个第二CSI数据；相比于计算机领域已有的针对图像数据的增强方法，本公开方案充分考虑了真实CSI数据的通信物理特性，因此，更适合CSI数据的增强。
这样，本公开方案设计了一种面向基于AI的CSI数据反馈模型的数据增强的方法，以数量无法支持模型训练的少量真实数据为种子生成大量数据。而且，相比于计算机领域已有的针对图像数据的增强方法，本公开方案更适合CSI数据的数据增强。
图5是根据本申请一实施例的通信方法500的示意性流程图。该方法可选地可以应用于图1所示的系统，但并不仅限于此。该方法包括以下内容的至少部分内容。
S510、终端设备发送第一信息，所述第一信息是将信道状态信息CSI数据输入至第一目标模型中进行编码处理后所得；所述第一目标模型为基于以上数据处理方法所得的CSI样本数据对第一预设模型进行模型训练后所得。
本实施例中CSI样本数据的获得方法可参见上述方法400中的相关描述，为了简洁，在此不再赘述。
图6是根据本申请一实施例的通信方法600的示意性流程图。该方法可选地可以应用于图1所示的系统，但并不仅限于此。该方法包括以下内容的至少部分内容。
S610、网络设备接收第一信息，将所述第一信息输入至第二目标模型中进行解码处理，得到所述第 一信息所对应的CSI数据；其中，所述第二目标模型为以上数据处理方法所得的CSI样本数据对第二预设模型进行模型训练后所得。
本实施例中CSI样本数据的获得方法可参见上述方法400中的相关描述，为了简洁，在此不再赘述。
以下结合具体示例，对本公开方案进行详细说明；具体地，本公开方案针对少量真实CSI数据(也即第一CSI数据，以下统一称为真实CSI数据)进行数据增强，即将少量真实CSI数据作为种子，来生成用于对基于AI的CSI数据反馈模型进行模型训练的大量数据，如此，来解决真实数据较少无法支持模型训练的问题。
具体地，本公开方案可基于如下方式来实现数据增强，包括：方式一，利用码本的方法对真实CSI数据进行数据增强；方式二，利用奇异值分解的方法对真实CSI数据进行数据增强。相比于现有数据增强方法，比如针对图像数据的增强方法，本公开方案充分考虑了真实CSI数据的通信物理特性，因此，更适于通信场景中真实CSI数据的数据增强。而且，基于本公开方案所构建的数据集能够支撑模型训练，如此，为提升模型训练的准确度提供了数据支持；同时，由于本公开方案基于少量真实样本即可生成大量数据，所以，大大减少了获取真实数据的相应成本，降低了模型训练的成本。
以下的实施例涉及高维向量空间投影等步骤较为抽象，为准确表达，考虑尽量采取数学公式化、辅以相应物理解释的方法进行阐述。
示例一：利用码本的方法对真实CSI数据进行数据增强：
对于5G NR系统来说，CSI数据反馈设计中，主要是利用基于码本的方法来实现信道特征的提取与反馈。即在发送端进行信道估计、并根据信道估计结果获得对应的预编码矩阵(也即真实CSI数据)后，按照某种优化准则从预先设定的码本中选择与预编码矩阵最匹配的编码矩阵，并通过空口的反馈链路将与预编码矩阵最匹配的编码矩阵的索引等相关信息反馈给接收端，供接收端实现预编码。具体来说，码本可分为TypeI、TypeII、eTypeII三种方案。本公开方案以eTypeII所构建的DFT向量空间为例来进行详细说明。
这里，真实CSI数据可通过矩阵W表示，也即将发送端待反馈的预编码矩阵表示为矩阵W∈C Nt×Nsb，其中，C表示复数空间，Nt表示发送天线的端口数，比如，以发送端的发送天线为二维阵列天线为例，此时，Nt＝2N 1N 2，所述N 1、N 2分别表示二维阵列天线比如二维平面阵列双极化天线，在第一维度、第二维度的端口数。Nsb表示发送端所对应的频域子带的数量；进一步地，矩阵W的每一列表示各频域子带上多个子载波共用的用于进行预编码的向量。矩阵W的每一行表示发送天线的端口所对应的向量。
首先，可以采用如下方式，构造得到第一DFT向量空间；具体地，一般来讲，长度为Nt的正交的二维DFT向量的个数最多有Nt个，可以表示为：
Figure PCTCN2022105504-appb-000002
其中b m,n两两正交，c m和p n分别是一维DFT向量，
Figure PCTCN2022105504-appb-000003
表示克罗内克积；c m和p n表达式如下：
c m＝[1,...,exp(j2π(N 1-1)m)/N 1] T，
p n＝[1,...,exp(j2π(N 2-1)m)/N 2] T。
这里，为了提高码本的量化精度，增多DFT向量空间中基向量的数量，可以采用过采样的方式来增加二维DFT向量的数量。比如，二维阵列天线在第一维度和第二维度上的过采样因子分别设为O 1和O 2，此时，过采样的二维DFT向量总共可增加到N 1O 1N 2O 2个，可以表示为：
Figure PCTCN2022105504-appb-000004
其中，v m和u n分别表示过采样的一维DFT向量，
Figure PCTCN2022105504-appb-000005
表示克罗内克积，即：
v m＝[1,...,exp(j2π(N 1-1)m)/N 1O 1] T，
u n＝[1,...,exp(j2π(N 2-1)m)/N 2O 2] T。
N 1O 1N 2O 2个DFT向量，即a m,n，即为本公开方案所构造的第一DFT向量空间；进一步地，所述第一DFT向量空间中包含有O 1O 2组，其中，第一维度对应O 1组，第二维度对应O 2组，每组中共N 1N 2个DFT向量，且两两正交。第一维度中的第o 1(o 1＝1,...,O 1)组、第二维度中的第o 2(o 2＝1,...,O 2)组中的N 1N 2个向量可表示为：
Figure PCTCN2022105504-appb-000006
Figure PCTCN2022105504-appb-000007
其中，
v m＝[1,...,exp(j2π(N 1-1)m)/N 1O 1] T，
u n＝[1,...,exp(j2π(N 2-1)m)/N 2O 2] T。
其次，可以采用如下方式，构造得到第二DFT向量空间；这里，构造方式与上述方式类似，该第二DFT向量空间可以表示为：
q m＝[1,...,exp(j2π(Nsb-1)m)/Nsb] T,m＝0,1,2,...,Nsb-1；
其中，所述第二DFT向量空间中包含有Nsb个长度为Nsb的正交基向量。
可以理解的是，以上构造第一DFT向量空间和第二DFT向量空间的方式仅为示例性说明，并非用于限制本公开方案，实际应用中，还可以有其他构造方式，本公开方案对此不做限制。
进一步地，在得到第一DFT向量空间和第二DFT向量空间的基础上，可采用如下方式，来针对每个真实CSI数据(也可称为真实CSI数据样本)的矩阵W∈C Nt×Nsb进行数据增强，具体包括以下几个步骤：
步骤a：从第一DFT向量空间的O 1O 2组(也即O 1O 2个正交基向量组)中，选择一组包含N 1N 2个正交基向量的目标正交基向量组Q，从选择的所述目标正交基向量组Q中选择L个正交基向量，得到第一基向量组Q′。
这里，步骤a可分为以下几个子步骤：
子步骤a1：从O 1O 2组中选择一组，将该组中的各元素，也即DFT向量a′ m,n按列构成矩阵B′，进而构成对角块矩阵W′ 1＝[B′,0；0,B′]；
举例来说，以N 1＝N 2＝O 1＝O 2＝4，且L＝4为例进行说明，如图7所示，每个圆点(包括实心圆点和空心圆点)表示DFT向量空间中的一个向量，其中，实心圆点可表示为无过采样的DFT向量b m,n，共有16个无过采样DFT向量；空心圆点表示过采样的二维DFT向量，共15×16个；基于此，所有采样得到的二维DFT向量a m,n，共N 1O 1N 2O 2＝256个。
进一步地，从O 1O 2＝16个组中选取一组正交基向量组，如线框(包括虚线框和实线框)为选取出的一组正交基向量组；而其中的实线框为最终选取出的L个正交基向量。
子步骤a2：将真实CSI数据的矩阵W投影到对角块矩阵W′ 1的列向量所张成的空间中，获得第一投影系数绝对值矩阵(也即以上所述的第一投影信息矩阵)
Figure PCTCN2022105504-appb-000008
这里，(·) H表示共轭转置，abs(·)表示矩阵元素取绝对值；
子步骤a3：将第一投影系数绝对值矩阵(也即第一投影信息矩阵)W′ 2，按列求和，得到第一向量w′ 2∈R Nt×1，其中R表示实数空间；
子步骤a4：将第一向量w′ 2中的前Nt/2＝N 1N 2个元素与后Nt/2＝N 1N 2个元素相加，得到第二向量w″ 2∈R Nt/2×1；
子步骤a5：将第二向量w″ 2中的元素进行排序，并将前L个最大值元素对应的索引记为I＝{i 1,i 2,...,i L}，将前L个最大值元素的和记为c；
子步骤a6：对O 1O 2个组中的每一组都执行子步骤a1至a5，获得O 1O 2个索引集合，记为
Figure PCTCN2022105504-appb-000009
Figure PCTCN2022105504-appb-000010
同时获得O 1O 2个每一组的前L个最大值元素和，记为
Figure PCTCN2022105504-appb-000011
子步骤a7：取C中的最大值所对应的索引p，索引p对应的组即为目标正交基向量组Q。该目标正交基向量组Q中包含有N 1N 2个基向量；
子步骤a8：取索引p对应的I all中的集合I P，按集合I P中包含的索引从目标正交基向量组Q中选择L个正交基向量，将目标正交基向量组Q中选择的L个正交基向量作为第一基向量组Q′。
本申请方案中，每个真实CSI数据可通过矩阵来表示，如矩阵W∈C Nt×Nsb的Nsb个列为Nsb个频域子带对应的向量，Nt行为Nt个发送天线对应的向量，即矩阵W的行列分别对应空域特征与频域特征。
进一步地，步骤a可以理解为：
在第一DFT向量空间中寻找与Nsb个频域子带对应的向量的平均相关性最高的L个正交基向量。具体地，首先，从O 1O 2个正交基向量组中寻找一个平均相关性最高的组(也即目标正交基向量组)(对应子步骤a1至a7)；其次，从找出的组(也即目标正交基向量组)中寻找与Nsb个频域子带对应的向量的平均相关性最高的L个正交基向量(对应子步骤a8)。由于找出的L个正交基向量为相关性最高的基向量，所以，该L个正交基向量可以较好地表示真实CSI数据的空域特性。
步骤b：从第二DFT向量空间的Nsb个正交基向量中，选择M个正交基向量，得到第二基向量组P。
这里，步骤b分为以下几个子步骤：
子步骤b1：将第一基向量组Q′中的元素按列排列构成矩阵B，进而构成第一基向量矩阵W 1＝[B,0；0,B]；
子步骤b2：将真实CSI数据的矩阵W投影到所述第一基向量矩阵W 1列向量所张成的空间中，得到第一投影系数矩阵W 2temp＝W 1 HW∈C 2L×Nsb；
子步骤b3：将第一投影系数矩阵W 2temp，投影到第二DFT向量空间的Nsb个正交基向量所张成的空间中，得到第二投影系数绝对值矩阵(也即第二投影信息矩阵)
Figure PCTCN2022105504-appb-000012
其中，W f’为第二DFT向量空间的Nsb个基向量按列排列构成的矩阵，(·) T表示非共轭转置；
子步骤b4：将第二投影系数绝对值矩阵W″ 2中的元素按列求和，得到第三向量w″′ 2∈R Nsb×1；
子步骤b5：取第三向量w″′ 2中前M个最大值元素对应的索引记为J＝{j 1,...,j M}，基于J中包含的索引，从第二DFT向量空间中选择M个正交基向量，得到第二基向量组P。
这里，步骤b可以理解为：真实CSI数据在第一基向量矩阵W 1上的第一投影系数矩阵W 2temp＝W 1 HW∈C 2L×Nsb中的每列，表示真实CSI数据所对应的频域子带(也即空域特征)在第一基向量矩阵W 1上的投影系数，且各列间仍然存在真实CSI数据的频域特征。进一步地，与步骤a类似，步骤b从第二DFT向量空间中寻找与第一投影系数矩阵W 2temp的多个行向量平均相关性最大的M个正交基向量(对应子步骤b1至b5)。这里，由于找出的M个正交基向量为相关性最高的基向量，所以，该M个正交基向量可以较好地表示所述真实CSI数据的频域特征。
步骤c：将第一投影系数矩阵W 2temp投影到第二基向量组P的M个正交基向量(也即第二基向量矩阵)所张成的空间中，获得第二投影系数矩阵W 2＝W f HW 2temp T∈C Nsb×2L，其中W f为所述第二基向量矩阵，即第二向量组P的M个正交基向量按列排列构成的矩阵。
这里，步骤c可以理解为：将真实CSI数据投影到找出的第一基向量矩阵的列向量和第二基向量矩阵的列向量所张成的空间中，获得投影系数。比如，将所述真实CSI数据的矩阵W，左乘法第一基向量矩阵的共轭转置，然后再右乘第二基向量矩阵的共轭转置，得到第二投影系数矩阵。
步骤d：对第二投影系数矩阵W 2中的元素的振幅或相位进行加扰处理，获得多个第三投影系数矩阵W 2aug∈C Nsb×2L；比如，进行g次加扰，即可获得g个第三投影系数矩阵；
进一步地，可采用如下方式进行加扰处理：
方式1：振幅扰动，也即幅值扰动。W 2中的每个元素乘以随机数λ 1，其中，λ 1服从U 1～[1-ε,1-ε]的均匀分布。实际应用中，该方式针对每个元素可重新采样，得到随机数λ 1，此时，每个元素所乘的随机数λ 1不同。
方式2：相位扰动。W 2中的每个元素乘以随机数λ 2，其中λ 2从区间exp(αj)中采样，α服从U 2～[-θ,θ]的均匀分布。实际应用中，该方式针对每个元素可重新采样，得到随机数λ 2，此时，每个元素所乘的随机数λ 2不同。
可以理解的是，实际应用中，上述两种方式可以择一来实现加扰处理，或者，使用两种方式来共同实现加扰处理，本公开方案对此不作限制。
这里，步骤d可以理解为：以第二投影系数矩阵中的各系数为中心，从振幅维度，或者相位维度进行加扰；进一步地，可以理解为：第二投影系数矩阵为在第一基向量矩阵或第二基向量矩阵的列向量所张成的空间上的一个点，此时，进行振幅和相位加扰后即可从一个点扩展为一个球体。
步骤e：将每一个第三投影系数矩阵与第一基向量矩阵W 1、第二基向量矩阵W f相乘，获得未归一化的增强的样本W aug,raw＝W 1W 2aug TW f H；
这里，步骤e可以理解为：步骤d得到的球体中的每个点对应的系数乘以第一基向量矩阵和第二基向量矩阵，由于第一基向量矩阵和第二基向量矩阵可以较好地表示真实CSI数据的空域特征、频域特征，所以，步骤e在保留了真实CSI数据的空域特征、频域特征的情况下，实现了数据的扩增。
步骤f：对未归一化的增强的样本W aug,raw按频域子带进行归一化，获得最终的增强的样本W aug＝[w aug,1/norm(w aug,1),...,w aug,Nsb/norm(w aug,Nsb]，其中norm(·)表示二范数，w aug,t，t＝1,...,Nsb表示W aug中不同列向量。
因此，相比于计算机领域已有的针对图像数据的增强方法，本公开方案充分考虑了真实CSI数据的通信物理特性，因此，本公开方案更适于CSI数据的数据增强。
进一步地，还可以利用本公开方案码本的方法来构建待进行模型训练的样本集，进而来有效支撑模型训练，这里，由于仅使用少量真实数据即可得到用于模型训练的大量样本数据，所以，能够大大减少获取真实数据的人力、物力等成本，降低了模型训练的成本，同时，也为提升模型处理效率、精度奠定了基础。
示例二：利用奇异值分解的方法进行数据增强：
本申请实施例进一步考虑利用奇异值分解的方法进行数据增强。总的来说，对样本进行奇异值分解后的奇异向量矩阵可以较好地表示原CSI数据的矩阵对应的物理特性。基于此，以奇异向量矩阵为起点可以在保留对应物理特性的情况下，实现数据增强。考虑已有的基于AI的CSI数据反馈的数据集中包含K个CSI数据(也即K个真实CSI数据样本)，每个真实CSI数据表示为矩阵W∈C Nt×Nsb，其中，C表示复数空间，Nt表示发送天线的端口数，比如，以发送端的发送天线为二维阵列天线为例，此时，Nt＝2N 1N 2，所述N 1、N 2分别表示二维阵列天线比如二维平面阵列双极化天线，在第一维度、第二维度的端口数。Nsb表示发送端所对应的频域子带的数量；进一步地，矩阵W的每一列表示各频域子带上多个子载波共用的用于进行预编码的向量。矩阵W的每一行表示发送天线的端口所对应的向量。
进一步地，针对每个真实CSI数据，利用奇异值分解的方法进行数据增强具体可分为以下几个步骤。
步骤a：求得真实CSI数据的第一自相关矩阵R 1＝WW H∈C Nt×Nt；
注8：R 1中保留了原CSI数据，也即真实CSI数据的矩阵的空域统计特征。
步骤b：求得真实CSI数据的第二自相关矩阵R 2＝W HW∈C Nsb×Nsb；
注9：R 2中保留了原CSI数据，也即真实CSI数据的矩阵的频域统计特征。
步骤c：求得真实CSI数据的目标自相关矩阵
Figure PCTCN2022105504-appb-000013
其中
Figure PCTCN2022105504-appb-000014
表示克罗内克积；
注10：目标自相关矩阵R 3中保留了原CSI数据，也即真实CSI数据的矩阵的空域统计特征、频域统计特征。
步骤d：对目标自相关矩阵做奇异值分解，[V,D,U]＝svd(R 3)，其中V∈C NsbNt×NsbNt与U∈C NsbNt×NsbNt分别为左奇异向量矩阵、右奇异向量矩阵，对角阵D∈C NsbNt×NsbNt为奇异值矩阵，其中对角线元素为奇异值；
注11：由于R 3为对称矩阵，因此V＝U H。且V中的多个奇异向量保留了原CSI数据，也即真实CSI数据的矩阵的空域统计特征、频域统计特征。
步骤e：构造目标随机矩阵U′∈C NsbNt×S，这里，目标随机矩阵U′中的每个元素服从复正态分布，S表示增强的样本数量；进一步地，得到增强样本集合矩阵(也即增强数据矩阵)W aug,all：
W aug,all＝Vsqrt(D)U′＝[w aug,1′,w aug,2′,...,w aug,S′]∈C NsbNt×S；
其中，w aug,d′∈C NsbNt×1(d＝1,2,...,S)表示增强后的每个样本(也即第二CSI数据)，sqrt(·)表示对矩阵的每个元素开方；
注12：由于是基于V中的奇异向量进行增强，所以增强的样本仍然保留原CSI数据，也即真实CSI数据的空域统计特征和频域统计特征。
步骤f：针对增强样本集合矩阵中的每列w aug,d′∈C NsbNt×1(d＝1,2,...,S)的元素重新排列为原CSI数据，也即真实CSI数据的维度，获得增强的样本W aug,d∈C Nt×Nsb(d＝1,2,...,S)。
步骤g：对未归一化的增强的样本按频域子带进行归一化，获得最终的增强的样本
Figure PCTCN2022105504-appb-000015
Figure PCTCN2022105504-appb-000016
其中norm(·)表示二范数，w aug,d,t(t＝1,2,...,Nsb)表示W aug,d中不同列向量。
这样，相比于计算机领域已有的针对图像数据的增强方法，本案的方法考虑了对CSI数据的通信物理特性的利用，使本案的方法更适合CSI数据的增强。而且，通过利用奇异值分解的方法构建的数据集，可以支撑模型训练，同时由于仅使用了少量真实样本，可以大大减少获取真实数据的人力、物力等成本。
图8是根据本申请一实施例的数据处理装置800的示意性框图一。该终端设备800可以包括：
数据增强处理单元810，用于基于第一信道状态信息CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据；所述特征信息包括以下至少之一：空域特征和/或频域特征；
样本数据确定单元820，用于至少将所述第一CSI数据以及所述多个第二CSI数据作为CSI样本数据。
在本公开方案的一具体示例中，所述数据增强处理单元，还用于：
基于预设码本所构建的第一离散傅立叶变换DFT向量空间，确定出表征所述第一CSI数据的空域 特征的第一基向量组；
至少基于表征所述第一CSI数据的空域特征的所述第一基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
从所述第一DFT向量空间所包含的正交基向量组中，选取出L个正交基向量，其中，所述L个正交基向量与所述第一CSI数据的空域特征的相关性满足第一预设条件，所述L为大于等于1的自然数；
基于选取出的所述L个正交基向量得到所述第一基向量组。
在本公开方案的一具体示例中，所述数据增强处理单元，还用于：
从所述第一DFT向量空间所包含的多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组；
从所述目标正交基向量组中选取出所述L个正交基向量。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
将所述第一CSI数据投影到对角块矩阵所张成的向量空间中，得到各所述正交基向量组所对应的第一投影信息矩阵，其中，所述对角块矩阵是基于所述第一DFT向量空间所包含的所述正交基向量组所得；所述第一投影信息矩阵中的元素表征第一CSI数据的空域特征投影到所述对角块矩阵后的投影系数的相关信息；
基于各所述正交基向量组所对应的第一投影信息矩阵，从所述多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组。
在本公开方案的一具体示例中，所述数据增强处理单元，还用于：
对所述第一投影信息矩阵中的元素进行数据处理，得到所述正交基向量组所对应的第一向量，其中，所述第一向量能够表征所述第一CSI数据的频域特征所对应的投影系数的总相关信息；
将所述第一向量中部分元素，与所述第一向量中的另外部分元素进行数据处理，得到所述正交基向量组所对应的第二向量，其中，所述第二向量能够表征所述第一CSI数据的空域特征所对应的投影系数的总相关信息；
从所述第二向量中选取出所述正交基向量组所对应的L个第一目标元素；
基于各所述正交基向量组所对应的L个第一目标元素，从所述多个正交基向量组中，选取出所述目标正交基向量组。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
基于各所述正交基向量组所对应的L个第一目标元素，得到各所述正交基向量组所对应的目标总和；
从多个目标总和中选取出目标值，将选取出的目标值所对应的正交基向量组作为所述目标正交基向量组。
在本公开方案的一具体示例中，所述数据增强处理单元，还用于：
基于所述预设码本所构建的第二DFT向量空间以及表征所述第一CSI数据的空域特征的所述第一基向量组，确定出至少表征所述第一CSI数据的频域特征的第二基向量组；
基于所述第一基向量组以及所述第二基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
将所述第一CSI数据投影至所述第一基向量组所张成的空间中，得到第一投影系数矩阵；其中，所述第一投影系数矩阵中的元素表示所述第一CSI数据的空域特征在所述第一基向量组所张成的空间中的投影系数；
基于所述第一投影系数矩阵，从所述预设码本所构建的第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量，其中，所述M个正交基向量与所述第一投影系数矩阵中所述第一CSI数据的频域特征所对应的投影系数的相关性满足第三预设条件；所述M为大于等于1的自然数；
基于选取出的所述M个正交基向量得到所述第二基向量组。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
将所述第一CSI数据投影至所述第一基向量矩阵所张成的空间中，其中，所述第一基向量矩阵为基于第一基向量组所构成的对角块矩阵。
在本公开方案的一具体示例中，所述数据增强处理单元，还用于：
将所述第一投影系数矩阵投影至所述第二DFT向量空间的正交基向量所张成的空间中，得到第二投影信息矩阵；所述第二投影信息矩阵中的元素表征所述第一投影系数矩阵对应的第一CSI数据的频域特征在所述第二DFT向量空间的正交基向量所张成的空间中的投影系数的相关信息；
基于所述第二投影信息矩阵，从所述第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
对所述第二投影信息矩阵中的元素进行数据处理，得到第三向量，其中，所述第三向量表征所述第一CSI数据的频域特征所对应的投影系数的总相关信息；
从所述第三向量中选取出M个第二目标元素；
从所述第二DFT向量空间中选取出所述M个第二目标元素所对应的正交基向量，得到所述M个正交基向量。
在本公开方案的一具体示例中，其中，所述数据增强处理单元，还用于：
将所述第一投影系数矩阵投影至所述第二基向量组所张成的空间中，得到第二投影系数矩阵，其中，所述第二投影系数矩阵中的元素表示所述第一CSI数据的空域特征对应的投影系数在所述第二基向量组所张成的空间中的投影系数；
基于所述第二投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据；其中，所述第一基向量矩阵为基于所述第一基向量组，所述第二基向量矩阵为基于所述第二基向量组所形成的矩阵。
在本公开方案的一具体示例中，所述数据增强处理单元，还用于：
对所述第二投影系数矩阵中的元素进行相位调整和/或振幅调整，得到多个第三投影系数矩阵；
基于所述多个第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
基于所述第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵的矩阵乘积，得到多个待处理向量；
对所述多个待处理向量进行归一化处理，得到多个第二CSI数据。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
以所述第二投影系数矩阵中的元素为中心，从相位和/或振幅上，对中心进行调整。
在本公开方案的一具体示例中，所述数据增强处理单元，还用于：
得到所述第一CSI数据的目标自相关矩阵，其中，所述目标自相关矩阵能够表征所述第一CSI数据的空域特征和频域特征；
对所述目标自相关矩阵进行奇异值分解，得到奇异值分解结果，其中，所述奇异值分解结果中包含有表征所述第一CSI数据的空域特征和频域特征的奇异向量矩阵，以及奇异值矩阵；
利用构造的目标随机矩阵，对所述奇异值分解结果进行处理，得到数据增强后的多个第二CSI数据。
在本公开方案的一具体示例中，所述数据增强处理单元，还用于：
得到所述第一CSI数据的第一自相关矩阵，其中，所述第一自相关矩阵能够表征所述第一CSI数据的空域特征；
得到所述第一CSI数据的第二自相关矩阵，其中，所述第二自相关矩阵能够表征所述第一CSI数据的频域特征；
基于第一自相关矩阵和第二自相关矩阵，得到所述目标自相关矩阵。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
利用所述目标随机矩阵，替换所述奇异向量矩阵中的第一矩阵；
将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到多个第二CSI数据；其中，所述目标自相关矩阵为对称矩阵，所述第一矩阵和所述第二矩阵之间满足对称关系。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到增强数据矩阵；
基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到数据增强后的多个第二CSI数据。
在本公开方案的一具体示例中，所述数据增强处理单元，具体用于：
基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到排列后的增强数据矩阵；
对所述排列后的增强数据矩阵归一化处理，得到多个第二CSI数据。
图9是根据本申请一实施例的数据处理设备800的示意性框图二。该数据处理设备800可以包括：
模型训练单元910，用于基于所述CSI样本数据，对第一预设模型进行模型训练，得到第一目标模 型，其中，所述第一目标模型用于对信道状态信息CSI数据进行编码处理并得到目标CSI数据；和/或，
基于所述CSI样本数据，对第二预设模型进行模型训练，得到第二目标模型，其中，所述第二目标模型用于对目标CSI数据进行解码处理，得到目标CSI数据所对应的CSI。
图10是根据本申请一实施例的终端设备1000的示意性框图。该终端设备1000可以包括：
发送单元1010，用于发送第一信息，所述第一信息是将信道状态信息CSI数据输入至第一目标模型中进行编码处理后所得；所述第一目标模型为基于本申请实施例以上所述方法所得的CSI样本数据对第一预设模型进行模型训练后所得。
本申请实施例的终端设备1000能够实现前述的方法实施例中的终端设备的对应功能。该终端设备1000中的各个模块(子模块、单元或组件等)对应的流程、功能、实现方式以及有益效果，可参见上述方法实施例中的对应描述，在此不再赘述。需要说明，关于申请实施例的终端设备1000中的各个模块(子模块、单元或组件等)所描述的功能，可以由不同的模块(子模块、单元或组件等)实现，也可以由同一个模块(子模块、单元或组件等)实现。
图11是根据本申请一实施例的网络设备1100的示意性框图。该网络设备1100可以包括：
接收单元1110，用于接收第一信息，将所述第一信息输入至第二目标模型中进行解码处理，得到所述第一信息所对应的CSI数据；其中，所述第二目标模型为基于本申请实施例中的方法所得的CSI样本数据对第二预设模型进行模型训练后所得。
本申请实施例的网络设备1100能够实现前述的方法实施例中的网络设备的对应功能。该网络设备1100中的各个模块(子模块、单元或组件等)对应的流程、功能、实现方式以及有益效果，可参见上述方法实施例中的对应描述，在此不再赘述。需要说明，关于申请实施例的网络设备1100中的各个模块(子模块、单元或组件等)所描述的功能，可以由不同的模块(子模块、单元或组件等)实现，也可以由同一个模块(子模块、单元或组件等)实现。
图12是根据本申请实施例的通信设备1200示意性结构图。该通信设备600包括处理器1210，处理器1210可以从存储器中调用并运行计算机程序，以使通信设备1200实现本申请实施例中的方法。
在一种实施方式中，通信设备1200还可以包括存储器1220。其中，处理器1210可以从存储器1220中调用并运行计算机程序，以使通信设备1200实现本申请实施例中的方法。
其中，存储器1220可以是独立于处理器1210的一个单独的器件，也可以集成在处理器1210中。
在一种实施方式中，通信设备1200还可以包括收发器1230，处理器1210可以控制该收发器1230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1230可以包括发射机和接收机。收发器1230还可以进一步包括天线，天线的数量可以为一个或多个。
在一种实施方式中，该通信设备1200可为本申请实施例的网络设备，并且该通信设备1200可以实现本申请实施例的各个方法中由网络设备实现的相应流程，为了简洁，在此不再赘述。
在一种实施方式中，该通信设备1200可为本申请实施例的终端设备，并且该通信设备1200可以实现本申请实施例的各个方法中由终端设备实现的相应流程，为了简洁，在此不再赘述。
图13是根据本申请实施例的芯片1300的示意性结构图。该芯片1300包括处理器1310，处理器1310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。
在一种实施方式中，芯片1300还可以包括存储器1320。其中，处理器1310可以从存储器1320中调用并运行计算机程序，以实现本申请实施例中由终端设备或者网络设备执行的方法。
其中，存储器1320可以是独立于处理器1310的一个单独的器件，也可以集成在处理器1310中。
在一种实施方式中，该芯片1300还可以包括输入接口1330。其中，处理器1310可以控制该输入接口1330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。
在一种实施方式中，该芯片1300还可以包括输出接口1340。其中，处理器1310可以控制该输出接口1340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。
在一种实施方式中，该芯片可应用于本申请实施例中的网络设备，并且该芯片可以实现本申请实施例的各个方法中由网络设备实现的相应流程，为了简洁，在此不再赘述。
在一种实施方式中，该芯片可应用于本申请实施例中的终端设备，并且该芯片可以实现本申请实施例的各个方法中由终端设备实现的相应流程，为了简洁，在此不再赘述。
应用于网络设备和终端设备的芯片可以是相同的芯片或不同的芯片。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
上述提及的处理器可以是通用处理器、数字信号处理器(digital signal processor，DSP)、现成可编程门阵列(field programmable gate array，FPGA)、专用集成电路(application specific integrated circuit，ASIC)或者其他可编程逻辑器件、晶体管逻辑器件、分立硬件组件等。其中，上述提到的通用处理器可 以是微处理器或者也可以是任何常规的处理器等。
上述提及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)。
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。
图14是根据本申请实施例的通信系统1400的示意性框图。该通信系统800包括终端设备1410和网络设备1420。其中，
终端设备1410发送第一信息，所述第一信息是将信道状态信息CSI数据输入至第一目标模型中进行编码处理后所得；所述第一目标模型为基于以上所述方法得到的CSI样本数据对第一预设模型进行模型训练后所得。
网络设备1420接收第一信息，将所述第一信息输入至第二目标模型中进行解码处理，得到所述第一信息所对应的CSI数据；其中，所述第二目标模型为基于以上所述方法得到的CSI样本数据对第二预设模型进行模型训练后所得。
其中，该终端设备1410可以用于实现上述方法中由终端设备实现的相应的功能，以及该网络设备1420可以用于实现上述方法中由网络设备实现的相应的功能。为了简洁，在此不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例中的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
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。
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以该权利要求的保护范围为准。

Claims (55)

  1. 一种数据处理方法，包括：
    基于第一信道状态信息CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据；所述特征信息包括以下至少之一：空域特征和/或频域特征；
    至少将所述第一CSI数据以及所述多个第二CSI数据作为CSI样本数据。
  2. 根据权利要求1所述的方法，还包括：
    基于预设码本所构建的第一离散傅立叶变换DFT向量空间，确定出表征所述第一CSI数据的空域特征的第一基向量组；
    其中，所述基于第一CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据，包括：
    至少基于表征所述第一CSI数据的空域特征的所述第一基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据。
  3. 根据权利要求2所述的方法，其中，所述基于预设码本所构建的第一DFT向量空间，确定出表征所述第一CSI数据的空域特征的第一基向量组，包括：
    从所述第一DFT向量空间所包含的正交基向量组中，选取出L个正交基向量，其中，所述L个正交基向量与所述第一CSI数据的空域特征的相关性满足第一预设条件，所述L为大于等于1的自然数；
    基于选取出的所述L个正交基向量得到所述第一基向量组。
  4. 根据权利要求3所述的方法，还包括：
    从所述第一DFT向量空间所包含的多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组；
    其中，所述从所述第一DFT向量空间所包含的正交基向量组中，选取出L个正交基向量，包括：
    从所述目标正交基向量组中选取出所述L个正交基向量。
  5. 根据权利要求4所述的方法，其中，所述从所述第一DFT向量空间所包含的多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组，包括：
    将所述第一CSI数据投影到对角块矩阵所张成的向量空间中，得到各所述正交基向量组所对应的第一投影信息矩阵，其中，所述对角块矩阵是基于所述第一DFT向量空间所包含的所述正交基向量组所得；所述第一投影信息矩阵中的元素表征第一CSI数据的空域特征投影到所述对角块矩阵后的投影系数的相关信息；
    基于各所述正交基向量组所对应的第一投影信息矩阵，从所述多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组。
  6. 根据权利要求5所述的方法，还包括：
    对所述第一投影信息矩阵中的元素进行数据处理，得到所述正交基向量组所对应的第一向量，其中，所述第一向量能够表征所述第一CSI数据的频域特征所对应的投影系数的总相关信息；
    将所述第一向量中部分元素，与所述第一向量中的另外部分元素进行数据处理，得到所述正交基向量组所对应的第二向量，其中，所述第二向量能够表征所述第一CSI数据的空域特征所对应的投影系数的总相关信息；
    从所述第二向量中选取出所述正交基向量组所对应的L个第一目标元素；
    其中，所述基于各所述正交基向量组所对应的第一投影信息矩阵，从所述多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组，包括：
    基于各所述正交基向量组所对应的L个第一目标元素，从所述多个正交基向量组中，选取出所述目标正交基向量组。
  7. 根据权利要求6所述的方法，其中，所述基于各所述正交基向量组所对应的L个第一目标元素，从所述多个正交基向量组中，选取出所述目标正交基向量组，包括：
    基于各所述正交基向量组所对应的L个第一目标元素，得到各所述正交基向量组所对应的目标总和；
    从多个目标总和中选取出目标值，将选取出的目标值所对应的正交基向量组作为所述目标正交基向量组。
  8. 根据权利要求2至7任一项所述的方法，还包括：
    基于所述预设码本所构建的第二DFT向量空间以及表征所述第一CSI数据的空域特征的所述第一基向量组，确定出至少表征所述第一CSI数据的频域特征的第二基向量组；
    其中，所述至少基于表征所述第一CSI数据的空域特征的所述第一基向量组，对所述第一CSI数 据进行数据增强，得到多个第二CSI数据，包括：
    基于所述第一基向量组以及所述第二基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据。
  9. 根据权利要求8所述的方法，其中，所述基于所述预设码本所构建的第二DFT向量空间以及表征所述第一CSI数据的空域特征的所述第一基向量组，确定出至少表征所述第一CSI数据的频域特征的第二基向量组，包括：
    将所述第一CSI数据投影至所述第一基向量组所张成的空间中，得到第一投影系数矩阵；其中，所述第一投影系数矩阵中的元素表示所述第一CSI数据的空域特征在所述第一基向量组所张成的空间中的投影系数；
    基于所述第一投影系数矩阵，从所述预设码本所构建的第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量，其中，所述M个正交基向量与所述第一投影系数矩阵中所述第一CSI数据的频域特征所对应的投影系数的相关性满足第三预设条件；所述M为大于等于1的自然数；
    基于选取出的所述M个正交基向量得到所述第二基向量组。
  10. 根据权利要求9所述的方法，其中，所述将所述第一CSI数据投影至所述第一基向量组所张成的空间中，包括：
    将所述第一CSI数据投影至所述第一基向量矩阵所张成的空间中，其中，所述第一基向量矩阵为基于第一基向量组所构成的对角块矩阵。
  11. 根据权利要求9或10所述的方法，还包括：
    将所述第一投影系数矩阵投影至所述第二DFT向量空间的正交基向量所张成的空间中，得到第二投影信息矩阵；所述第二投影信息矩阵中的元素表征所述第一投影系数矩阵对应的第一CSI数据的频域特征在所述第二DFT向量空间的正交基向量所张成的空间中的投影系数的相关信息；
    其中，所述基于所述第一投影系数矩阵，从所述预设码本所构建的第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量，包括：
    基于所述第二投影信息矩阵，从所述第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量。
  12. 根据权利要求11所述的方法，其中，所述基于所述第二投影信息矩阵，从所述第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量，包括：
    对所述第二投影信息矩阵中的元素进行数据处理，得到第三向量，其中，所述第三向量表征所述第一CSI数据的频域特征所对应的投影系数的总相关信息；
    从所述第三向量中选取出M个第二目标元素；
    从所述第二DFT向量空间中选取出所述M个第二目标元素所对应的正交基向量，得到所述M个正交基向量。
  13. 根据权利要求9至12任一项所述的方法，还包括：
    将所述第一投影系数矩阵投影至所述第二基向量组所张成的空间中，得到第二投影系数矩阵，其中，所述第二投影系数矩阵中的元素表示所述第一CSI数据的空域特征对应的投影系数在所述第二基向量组所张成的空间中的投影系数；
    其中，所述基于所述第一基向量组以及所述第二基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据，包括：
    基于所述第二投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据；其中，所述第一基向量矩阵为基于所述第一基向量组，所述第二基向量矩阵为基于所述第二基向量组所形成的矩阵。
  14. 根据权利要求13所述的方法，还包括：
    对所述第二投影系数矩阵中的元素进行相位调整和/或振幅调整，得到多个第三投影系数矩阵；
    其中，所述基于所述第二投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据，包括：
    基于所述多个第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据。
  15. 根据权利要求14所述的方法，其中，所述基于所述多个第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据，包括：
    基于所述第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵的矩阵乘积，得到多个待处理向量；
    对所述多个待处理向量进行归一化处理，得到多个第二CSI数据。
  16. 根据权利要求14或15所述的方法，其中，所述对所述第二投影系数矩阵中的元素进行相位或 振幅调整，包括：
    以所述第二投影系数矩阵中的元素为中心，从相位和/或振幅上，对中心进行调整。
  17. 根据权利要求1至16任一项所述的方法，还包括：
    得到所述第一CSI数据的目标自相关矩阵，其中，所述目标自相关矩阵能够表征所述第一CSI数据的空域特征和频域特征；
    对所述目标自相关矩阵进行奇异值分解，得到奇异值分解结果，其中，所述奇异值分解结果中包含有表征所述第一CSI数据的空域特征和频域特征的奇异向量矩阵，以及奇异值矩阵；
    其中，所述基于第一CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据，包括：
    利用构造的目标随机矩阵，对所述奇异值分解结果进行处理，得到数据增强后的多个第二CSI数据。
  18. 根据权利要求17所述的方法，还包括：
    得到所述第一CSI数据的第一自相关矩阵，其中，所述第一自相关矩阵能够表征所述第一CSI数据的空域特征；
    得到所述第一CSI数据的第二自相关矩阵，其中，所述第二自相关矩阵能够表征所述第一CSI数据的频域特征；
    其中，所述得到所述第一CSI数据的目标自相关矩阵，包括：
    基于第一自相关矩阵和第二自相关矩阵，得到所述目标自相关矩阵。
  19. 根据权利要求17或18所述的方法，其中，所述利用所述目标随机矩阵，对所述奇异值分解结果进行处理，得到数据增强后的多个第二CSI数据，包括：
    利用所述目标随机矩阵，替换所述奇异向量矩阵中的第一矩阵；
    将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到多个第二CSI数据；其中，所述目标自相关矩阵为对称矩阵，所述第一矩阵和所述第二矩阵之间满足对称关系。
  20. 根据权利要求19所述的方法，其中，所述将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到多个第二CSI数据，包括：
    将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到增强数据矩阵；
    基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到数据增强后的多个第二CSI数据。
  21. 根据权利要求20所述的方法，其中，所述基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到数据增强后的多个第二CSI数据，包括：
    基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到排列后的增强数据矩阵；
    对所述排列后的增强数据矩阵归一化处理，得到多个第二CSI数据。
  22. 根据权利要求1至21任一项所述的方法，还包括：
    基于所述CSI样本数据，对第一预设模型进行模型训练，得到第一目标模型，其中，所述第一目标模型用于对信道状态信息CSI数据进行编码处理并得到目标CSI数据；
    和/或，
    基于所述CSI样本数据，对第二预设模型进行模型训练，得到第二目标模型，其中，所述第二目标模型用于对目标CSI数据进行解码处理，得到目标CSI数据所对应的CSI。
  23. 一种通信方法，包括：
    终端设备发送第一信息，所述第一信息是将信道状态信息CSI数据输入至第一目标模型中进行编码处理后所得；所述第一目标模型为基于权利要求1至21任一项所得的CSI样本数据对第一预设模型进行模型训练后所得。
  24. 一种通信方法，包括：
    网络设备接收第一信息，将所述第一信息输入至第二目标模型中进行解码处理，得到所述第一信息所对应的CSI数据；其中，所述第二目标模型为基于权利要求1至21任一项所得的CSI样本数据对第二预设模型进行模型训练后所得。
  25. 一种数据处理装置，包括：
    数据增强处理单元，用于基于第一信道状态信息CSI数据的特征信息，对所述第一CSI数据进行数据增强，得到多个第二CSI数据；所述特征信息包括以下至少之一：空域特征和/或频域特征；
    样本数据确定单元，用于至少将所述第一CSI数据以及所述多个第二CSI数据作为CSI样本数据。
  26. 根据权利要求25所述的装置，其中，所述数据增强处理单元，还用于：
    基于预设码本所构建的第一离散傅立叶变换DFT向量空间，确定出表征所述第一CSI数据的空域特征的第一基向量组；
    至少基于表征所述第一CSI数据的空域特征的所述第一基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据。
  27. 根据权利要求26所述的装置，其中，所述数据增强处理单元，具体用于：
    从所述第一DFT向量空间所包含的正交基向量组中，选取出L个正交基向量，其中，所述L个正交基向量与所述第一CSI数据的空域特征的相关性满足第一预设条件，所述L为大于等于1的自然数；
    基于选取出的所述L个正交基向量得到所述第一基向量组。
  28. 根据权利要求27所述的装置，其中，所述数据增强处理单元，还用于：
    从所述第一DFT向量空间所包含的多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组；
    从所述目标正交基向量组中选取出所述L个正交基向量。
  29. 根据权利要求28所述的装置，其中，所述数据增强处理单元，具体用于：
    将所述第一CSI数据投影到对角块矩阵所张成的向量空间中，得到各所述正交基向量组所对应的第一投影信息矩阵，其中，所述对角块矩阵是基于所述第一DFT向量空间所包含的所述正交基向量组所得；所述第一投影信息矩阵中的元素表征第一CSI数据的空域特征投影到所述对角块矩阵后的投影系数的相关信息；
    基于各所述正交基向量组所对应的第一投影信息矩阵，从所述多个正交基向量组中，选取出与所述第一CSI数据的空域特征的相关性满足第二预设条件的目标正交基向量组。
  30. 根据权利要求29所述的装置，其中，所述数据增强处理单元，还用于：
    对所述第一投影信息矩阵中的元素进行数据处理，得到所述正交基向量组所对应的第一向量，其中，所述第一向量能够表征所述第一CSI数据的频域特征所对应的投影系数的总相关信息；
    将所述第一向量中部分元素，与所述第一向量中的另外部分元素进行数据处理，得到所述正交基向量组所对应的第二向量，其中，所述第二向量能够表征所述第一CSI数据的空域特征所对应的投影系数的总相关信息；
    从所述第二向量中选取出所述正交基向量组所对应的L个第一目标元素；
    基于各所述正交基向量组所对应的L个第一目标元素，从所述多个正交基向量组中，选取出所述目标正交基向量组。
  31. 根据权利要求30所述的装置，其中，所述数据增强处理单元，具体用于：
    基于各所述正交基向量组所对应的L个第一目标元素，得到各所述正交基向量组所对应的目标总和；
    从多个目标总和中选取出目标值，将选取出的目标值所对应的正交基向量组作为所述目标正交基向量组。
  32. 根据权利要求26至31任一项所述的装置，其中，所述数据增强处理单元，还用于：
    基于所述预设码本所构建的第二DFT向量空间以及表征所述第一CSI数据的空域特征的所述第一基向量组，确定出至少表征所述第一CSI数据的频域特征的第二基向量组；
    基于所述第一基向量组以及所述第二基向量组，对所述第一CSI数据进行数据增强，得到多个第二CSI数据。
  33. 根据权利要求32所述的装置，其中，所述数据增强处理单元，具体用于：
    将所述第一CSI数据投影至所述第一基向量组所张成的空间中，得到第一投影系数矩阵；其中，所述第一投影系数矩阵中的元素表示所述第一CSI数据的空域特征在所述第一基向量组所张成的空间中的投影系数；
    基于所述第一投影系数矩阵，从所述预设码本所构建的第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量，其中，所述M个正交基向量与所述第一投影系数矩阵中所述第一CSI数据的频域特征所对应的投影系数的相关性满足第三预设条件；所述M为大于等于1的自然数；
    基于选取出的所述M个正交基向量得到所述第二基向量组。
  34. 根据权利要求33所述的装置，其中，所述数据增强处理单元，具体用于：
    将所述第一CSI数据投影至所述第一基向量矩阵所张成的空间中，其中，所述第一基向量矩阵为基于第一基向量组所构成的对角块矩阵。
  35. 根据权利要求33或34所述的装置，其中，所述数据增强处理单元，还用于：
    将所述第一投影系数矩阵投影至所述第二DFT向量空间的正交基向量所张成的空间中，得到第二 投影信息矩阵；所述第二投影信息矩阵中的元素表征所述第一投影系数矩阵对应的第一CSI数据的频域特征在所述第二DFT向量空间的正交基向量所张成的空间中的投影系数的相关信息；
    基于所述第二投影信息矩阵，从所述第二DFT向量空间所包含的正交基向量中，选取出M个正交基向量。
  36. 根据权利要求35所述的装置，其中，所述数据增强处理单元，具体用于：
    对所述第二投影信息矩阵中的元素进行数据处理，得到第三向量，其中，所述第三向量表征所述第一CSI数据的频域特征所对应的投影系数的总相关信息；
    从所述第三向量中选取出M个第二目标元素；
    从所述第二DFT向量空间中选取出所述M个第二目标元素所对应的正交基向量，得到所述M个正交基向量。
  37. 根据权利要求33至36任一项所述的装置，其中，所述数据增强处理单元，还用于：
    将所述第一投影系数矩阵投影至所述第二基向量组所张成的空间中，得到第二投影系数矩阵，其中，所述第二投影系数矩阵中的元素表示所述第一CSI数据的空域特征对应的投影系数在所述第二基向量组所张成的空间中的投影系数；
    基于所述第二投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据；其中，所述第一基向量矩阵为基于所述第一基向量组，所述第二基向量矩阵为基于所述第二基向量组所形成的矩阵。
  38. 根据权利要求37所述的装置，其中，所述数据增强处理单元，还用于：
    对所述第二投影系数矩阵中的元素进行相位调整和/或振幅调整，得到多个第三投影系数矩阵；
    基于所述多个第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵，得到多个第二CSI数据。
  39. 根据权利要求38所述的装置，其中，所述数据增强处理单元，具体用于：
    基于所述第三投影系数矩阵、第一基向量矩阵以及第二基向量矩阵的矩阵乘积，得到多个待处理向量；
    对所述多个待处理向量进行归一化处理，得到多个第二CSI数据。
  40. 根据权利要求38或39所述的装置，其中，所述数据增强处理单元，具体用于：
    以所述第二投影系数矩阵中的元素为中心，从相位和/或振幅上，对中心进行调整。
  41. 根据权利要求25至40任一项所述的装置，其中，所述数据增强处理单元，还用于：
    得到所述第一CSI数据的目标自相关矩阵，其中，所述目标自相关矩阵能够表征所述第一CSI数据的空域特征和频域特征；
    对所述目标自相关矩阵进行奇异值分解，得到奇异值分解结果，其中，所述奇异值分解结果中包含有表征所述第一CSI数据的空域特征和频域特征的奇异向量矩阵，以及奇异值矩阵；
    利用构造的目标随机矩阵，对所述奇异值分解结果进行处理，得到数据增强后的多个第二CSI数据。
  42. 根据权利要求41所述的装置，其中，所述数据增强处理单元，还用于：
    得到所述第一CSI数据的第一自相关矩阵，其中，所述第一自相关矩阵能够表征所述第一CSI数据的空域特征；
    得到所述第一CSI数据的第二自相关矩阵，其中，所述第二自相关矩阵能够表征所述第一CSI数据的频域特征；
    基于第一自相关矩阵和第二自相关矩阵，得到所述目标自相关矩阵。
  43. 根据权利要求41或42所述的装置，其中，所述数据增强处理单元，具体用于：
    利用所述目标随机矩阵，替换所述奇异向量矩阵中的第一矩阵；
    将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到多个第二CSI数据；其中，所述目标自相关矩阵为对称矩阵，所述第一矩阵和所述第二矩阵之间满足对称关系。
  44. 根据权利要求43所述的装置，其中，所述数据增强处理单元，具体用于：
    将所述目标随机矩阵、所述奇异向量矩阵中第二矩阵，以及所述奇异值矩阵进行矩阵乘积处理，得到增强数据矩阵；
    基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到数据增强后的多个第二CSI数据。
  45. 根据权利要求44所述的装置，其中，所述数据增强处理单元，具体用于：
    基于所述第一CSI数据的向量维度，对所述增强数据矩阵进行排列，得到排列后的增强数据矩阵；
    对所述排列后的增强数据矩阵归一化处理，得到多个第二CSI数据。
  46. 根据权利要求25至45任一项所述的装置，还包括：模型训练单元，其中，所述模型训练单元，用于
    基于所述CSI样本数据，对第一预设模型进行模型训练，得到第一目标模型，其中，所述第一目标模型用于对信道状态信息CSI数据进行编码处理并得到目标CSI数据；
    和/或，
    基于所述CSI样本数据，对第二预设模型进行模型训练，得到第二目标模型，其中，所述第二目标模型用于对目标CSI数据进行解码处理，得到目标CSI数据所对应的CSI。
  47. 一种终端设备，包括：
    发送单元，用于发送第一信息，所述第一信息是将信道状态信息CSI数据输入至第一目标模型中进行编码处理后所得；所述第一目标模型为基于权利要求1至21任一项所得的CSI样本数据对第一预设模型进行模型训练后所得。
  48. 一种网络设备，包括：
    接收单元，用于接收第一信息，将所述第一信息输入至第二目标模型中进行解码处理，得到所述第一信息所对应的CSI数据；其中，所述第二目标模型为基于权利要求1至21任一项所得的CSI样本数据对第二预设模型进行模型训练后所得。
  49. 一种终端设备，包括：处理器和存储器，该存储器用于存储计算机程序，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，以使所述终端设备执行如权利要求23所述的方法。
  50. 一种网络设备，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，以使所述网络设备执行如权利要求24所述的方法。
  51. 一种芯片，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24中任一项所述的方法。
  52. 一种计算机可读存储介质，用于存储计算机程序，当所述计算机程序被设备运行时使得所述设备执行如权利要求1至24中任一项所述的方法。
  53. 一种计算机程序产品，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24中任一项所述的方法。
  54. 一种计算机程序，所述计算机程序使得计算机执行如权利要求1至24中任一项所述的方法。
  55. 一种通信系统，包括：
    终端设备，用于执行如权利要求23所述的方法；
    网络设备，用于执行如权利要求24所述的方法。
PCT/CN2022/105504 2022-07-13 2022-07-13 数据处理方法、通信方法及装置、终端设备和网络设备 WO2024011456A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/105504 WO2024011456A1 (zh) 2022-07-13 2022-07-13 数据处理方法、通信方法及装置、终端设备和网络设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/105504 WO2024011456A1 (zh) 2022-07-13 2022-07-13 数据处理方法、通信方法及装置、终端设备和网络设备

Publications (1)

Publication Number Publication Date
WO2024011456A1 true WO2024011456A1 (zh) 2024-01-18

Family

ID=89535297

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/105504 WO2024011456A1 (zh) 2022-07-13 2022-07-13 数据处理方法、通信方法及装置、终端设备和网络设备

Country Status (1)

Country Link
WO (1) WO2024011456A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128679A (zh) * 2020-01-14 2021-07-16 诺基亚技术有限公司 在通信系统中进行训练
CN113705823A (zh) * 2020-05-22 2021-11-26 华为技术有限公司 基于联邦学习的模型训练方法和电子设备
CN113906719A (zh) * 2019-04-23 2022-01-07 迪普西格有限公司 使用机器学习网络处理通信信号
CN114004336A (zh) * 2021-10-29 2022-02-01 上海科技大学 基于增强变分自编码器的三维射线重构方法
US20220060917A1 (en) * 2020-08-18 2022-02-24 Qualcomm Incorporated Online training and augmentation of neural networks for channel state feedback
US20220123807A1 (en) * 2020-10-20 2022-04-21 Nokia Technologies Oy Channel state information reporting

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113906719A (zh) * 2019-04-23 2022-01-07 迪普西格有限公司 使用机器学习网络处理通信信号
CN113128679A (zh) * 2020-01-14 2021-07-16 诺基亚技术有限公司 在通信系统中进行训练
CN113705823A (zh) * 2020-05-22 2021-11-26 华为技术有限公司 基于联邦学习的模型训练方法和电子设备
US20220060917A1 (en) * 2020-08-18 2022-02-24 Qualcomm Incorporated Online training and augmentation of neural networks for channel state feedback
US20220123807A1 (en) * 2020-10-20 2022-04-21 Nokia Technologies Oy Channel state information reporting
CN114004336A (zh) * 2021-10-29 2022-02-01 上海科技大学 基于增强变分自编码器的三维射线重构方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CAICT, OPPO: "Introduction of the 1st Wireless communication AI competition(WAIC) CAICT, OPPO", 3GPP RWS-210236, 7 June 2021 (2021-06-07), XP052025794 *
TCL COMMUNICATION: "Views on the AI/ML for NR Air-interface in Rel-18", 3GPP TSG RAN MEETING #94E RP-213194, 26 November 2021 (2021-11-26), XP052081714 *

Similar Documents

Publication Publication Date Title
WO2022033456A1 (zh) 一种信道状态信息测量反馈方法及相关装置
US11956031B2 (en) Communication of measurement results in coordinated multipoint
US20240030980A1 (en) Data transmission method and apparatus
Bi et al. A novel approach using convolutional transformer for massive MIMO CSI feedback
WO2024011456A1 (zh) 数据处理方法、通信方法及装置、终端设备和网络设备
WO2022217506A1 (zh) 信道信息反馈的方法、发送端设备和接收端设备
US20230136416A1 (en) Neural network obtaining method and apparatus
WO2023123062A1 (zh) 虚拟信道样本的质量评估方法和设备
WO2022236785A1 (zh) 信道信息的反馈方法、收端设备和发端设备
WO2022012256A1 (zh) 通信的方法及通信装置
WO2024098259A1 (zh) 生成样本集的方法和设备
WO2024108356A1 (zh) Csi反馈的方法、发端设备和收端设备
WO2023133886A1 (zh) 信道信息反馈的方法、发端设备和收端设备
WO2024077621A1 (zh) 信道信息反馈的方法、发端设备和收端设备
WO2023115254A1 (zh) 处理数据的方法及装置
EP4398527A1 (en) Model processing method, electronic device, network device, and terminal device
WO2024020793A1 (zh) 信道状态信息csi反馈的方法、终端设备和网络设备
WO2023092310A1 (zh) 信息处理方法、模型生成方法及设备
US20240120971A1 (en) Information transmission method and apparatus
WO2023092307A1 (zh) 通信方法、模型训练方法和设备
Sande et al. Fast convergence for efficient beamforming in massive MIMO heterogeneous networks
WO2023006096A1 (zh) 一种通信方法及装置
US11677590B2 (en) Method and apparatus for distributed communication based on reception signal quantization in wireless communication system
WO2023004638A1 (zh) 信道信息反馈的方法、发端设备和收端设备
WO2023174108A1 (zh) 一种通信方法及装置

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: 22950582

Country of ref document: EP

Kind code of ref document: A1