CN111698181A - 无线通信***以及操作无线通信***的方法 - Google Patents
无线通信***以及操作无线通信***的方法 Download PDFInfo
- Publication number
- CN111698181A CN111698181A CN202010089138.9A CN202010089138A CN111698181A CN 111698181 A CN111698181 A CN 111698181A CN 202010089138 A CN202010089138 A CN 202010089138A CN 111698181 A CN111698181 A CN 111698181A
- Authority
- CN
- China
- Prior art keywords
- detector
- wireless communication
- communication system
- class
- category
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000003550 marker Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 238000010187 selection method Methods 0.000 description 14
- 238000007476 Maximum Likelihood Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/37—Decoding methods or techniques, not specific to the particular type of coding provided for in groups H03M13/03 - H03M13/35
- H03M13/39—Sequence estimation, i.e. using statistical methods for the reconstruction of the original codes
- H03M13/3905—Maximum a posteriori probability [MAP] decoding or approximations thereof based on trellis or lattice decoding, e.g. forward-backward algorithm, log-MAP decoding, max-log-MAP decoding
- H03M13/3927—Log-Likelihood Ratio [LLR] computation by combination of forward and backward metrics into LLRs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03891—Spatial equalizers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/06—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection
- H04L25/067—Dc level restoring means; Bias distortion correction ; Decision circuits providing symbol by symbol detection providing soft decisions, i.e. decisions together with an estimate of reliability
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39311—Multilayer, MNN, four layer perceptron, sigmoidal neural network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Power Engineering (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
- Quality & Reliability (AREA)
- Radio Transmission System (AREA)
Abstract
本文中公开一种操作无线通信***的方法以及无线通信***。根据一个实施例,一种方法包含:产生特征和检测器标签的标记数据集;使用所产生的标记数据集来训练多层感知器(MLP)网络;以及基于所训练的多层感知器网络的输出从多个检测器类别中选择检测器类别。
Description
本申请是基于于2019年3月12日向美国专利商标局提交的且指定序列号为62/817,372的美国临时专利申请且请求其优先权,所述申请的全部内容以引用的方式并入本文中。
技术领域
本发明大体上涉及无线通信***。具体来说,本发明涉及使用神经网络的多输入多输出检测器选择。
背景技术
在无线通信***(例如,长期演进(Long Term Evolution,LTE)、第5代新无线电(5th generation new radio,5G NR))中,多输入多输出(multiple-input multiple-output,MIMO)符号检测器计算MIMO层中的编码比特的对数似然比(log-likelihood-ratio,LLR)。可使用各种类型的检测方法来确定LLR。此类检测方法的复杂度从极高复杂度(例如,最大似然(maximum likelihood,ML))到低复杂度(例如,最小均方差(minimum meansquare error,MMSE))变动。通常,以错误率衡量的检测方法的性能与复杂度成反比。因此,ML具有最小错误率,而MMSE具有最大错误率。
通常,使用一个检测器来获得所有资源元素(resource element,RE)的LLR,无论RE中的信道条件(channel condition)如何。当选择使用此静态检测器时,在复杂度与错误率之间存在折衷方案。如果期望低错误率,那么使用高复杂度检测器。另一方面,如果使用低复杂度检测器,那么错误率增加。
发明内容
根据一个实施例,一种操作无线通信***的方法。所述方法包含:产生特征和检测器标签的标记数据集;使用所产生的所述标记数据集来训练多层感知器(multi-layerperceptron,MLP)网络;以及基于所训练的所述MLP网络的输出从多个检测器类别中选择检测器类别。
根据一个实施例,一种无线通信***包含:多个检测器,所述多个检测器中的每一个与来自多个检测器类别的检测器类别相关联;存储器;以及处理器,所述处理器被配置以:产生特征和检测器标签的标记数据集;使用所产生的所述标记数据集来训练MLP网络;以及基于所训练的所述MLP网络的输出从所述多个检测器类别中选择检测器类别。
根据一个实施例,一种操作无线通信***的方法。所述方法包含:产生特征和检测器标签的标记数据集;基于所产生的所述标记数据集合并多个检测器类别的类别;使用所产生的所述标记数据集来训练MLP网络;以及基于所训练的所述MLP网络的输出从多个检测器类别中选择检测器类别。
附图说明
通过以下结合附图进行的详细描述,本发明的某些实施例的上述和其它方面、特征以及优点将更加显而易见,其中:
图1是根据实施例的用于MIMO检测器选择的***的图。
图2是根据实施例的用以计算MLP权重(MLP weight)和裕度(margin)的离线调谐(offline tuning)方法的流程图。
图3是根据实施例的类别合并的图。
图4是根据实施例的类别重新采样的图。
图5是根据实施例的MLP网络的图。
图6和图7是根据实施例的检测器选择方法的图。
图8是根据实施例的在线(online)检测器选择结果的曲线图。
图9是根据实施例的检测器利用率的图。
图10是根据一个实施例的网络环境中的电子装置的框图。
附图标号说明
100:***;
102:特征提取块;
104:MLP网络;
105:裕度;
106:检测器选择块;
108:信号向量;
110:资源元素的MIMO信道矩阵;
112:MLP权重;
114:检测器1;
116:检测器2;
118:检测器D;
200:流程图;
202、204、206、208、210、212、214:流程;
300、400、500、600、700、900:图;
302、304、402、404、800:曲线图;
502:输入层;
504:隐蔽层;
506:输出层;
508:softmax函数;
510:输出;
602、702:第一选择方法;
604、704:第二选择方法;
802:检测器类别1;
804:检测器类别2;
806:检测器类别3;
808:检测器类别4;
810:错误率;
1000:网络环境;
1001:电子装置;
1002、1004:电子装置;
1008:服务器;
1020:处理器;
1021:主处理器;
1023:辅助处理器;
1030:存储器;
1032:易失性存储器;
1034:非易失性存储器;
1036:内部存储器;
1038:外部存储器;
1040:程序;
1042:操作***;
1044:中间件;
1046:应用程序;
1050:输入装置;
1055:声音输出装置;
1060:显示装置;
1070:音频模块;
1076:传感器模块;
1077:接口;
1078:连接端子;
1079:触觉模块;
1080:相机模块;
1088:电源管理模块;
1089:电池;
1090:通信模块;
1092:无线通信模块;
1094:有线通信模块;
1096:用户识别模块;
1097:天线模块;
1098:第一网络;
1099:第二网络;
f1:特征;
f2:特征;
f3:特征;
P:节点。
具体实施方式
在下文中,将参考附图来详细描述本发明的实施例。应注意,尽管相同元件示出于不同附图中,但所述相同元件将由相同附图标号标示。在以下描述中,例如详细配置和组件的具体细节仅被提供用以帮助对本发明的实施例的总体理解。因此,对本领域的技术人员显而易见的是,可在不脱离本发明的范围的情况下对本文中所描述的实施例进行各种改变和修改。另外,出于清楚和简洁起见,省略对熟知功能和构造的描述。下文所描述的术语是考虑到本发明中的功能而定义的术语,且可根据用户、用户的意图或习惯而不同。因此,术语的定义应基于整个说明书中的内容来确定。
本发明可具有各种修改和各种实施例,在所述公开中,参考附图在下文详细描述实施例。然而,应理解,本发明不限于所述实施例,而是包含本发明的范围内的所有修改、等效物以及替代物。
尽管包含如第一和第二等序数的术语可用于描述各种元件,但结构元件不受术语限制。所述术语仅用以将一个元件与另一元件区分开。举例来说,在不脱离本发明的范围的情况下,第一结构元件可称作第二结构元件。类似地,第二结构元件也可称作第一结构元件。如本文中所使用的,术语“和/或”包含一个或多个相关联物件的任何和所有组合。
本文中所使用的术语仅用于描述本发明的各种实施例但并不旨在限制本发明。除非上下文另外明确指示,否则单数形式还旨在包含复数形式。在本发明中,应理解,术语“包含(include)”或“具有(have)”指示特征、数目、步骤、操作、结构元件、部分或其组合的存在,且不排除一个或多个其它特征、数目、步骤、操作、结构元件、部分或其组合的存在或添加所述一个或多个其它特征、数目、步骤、操作、结构元件、部分或其组合的可能性。
除非以不同方式定义,否则本文中所使用的所有术语具有与本发明所属的本领域的技术人员理解的那些相同的含义。如一般所使用的词典中所定义的那些术语的术语将被解释为具有与相关技术领域中的上下文含义相同的含义,且除非在本发明中清楚地定义,否则将不被解释为具有理想或过度正式的含义。
根据一个实施例的电子装置可以是各种类型的电子装置中的一种。电子装置可包含例如便携式通信装置(例如,智能手机)、计算机、便携式多媒体装置、便携式医疗装置、相机、可穿戴装置或家用电器。根据本发明的一个实施例,电子装置不限于上述的那些电子装置。
用于本发明中的术语并不旨在限制本发明,而是旨在包含用于对应实施例的各种变化、等效物或替代物。关于附图的描述,类似附图标号可用于指代类似或相关元件。除非相关上下文明确指示,否则与物件相对应的名词的单数形式可包含一个或多个所述事物。如本文中所使用,如“A或B”、“A和B中的至少一个”、“A或B中的至少一个”、“A、B或C”、“A、B以及C中的至少一个”以及“A、B或C中的至少一个”的这类短语中的每一个可包含连同所述短语中的对应一个一起列举的物件的所有可能组合。如本文中所使用的,如“第1”、“第2”、“第一”以及“第二”的术语可用于将对应组件与另一组件区分开,但并不旨在在其它方面(例如,重要性或顺序)限制组件。预期的是,如果元件(例如,第一元件)被称为(在具有或不具有术语“以操作方式”或“以通信方式”的情况下)“与……耦合”、“耦合到”、“与……连接”或“连接到”另一元件(例如,第二元件),那么其指示元件可直接地(例如,有线)、无线地或经由第三元件与另一元件耦合。
如本文中所使用的,术语“模块”可包含以硬件、软件或固件实施的单元,且可与例如“逻辑”、“逻辑块”、“部分”以及“电路***”的其它术语互换使用。模块可以是用以执行一个或多个功能的单个集成组件,或最小单元或其部分。举例来说,根据一个实施例,模块可以专用集成电路(application-specific integrated circuit,ASIC)形式实施。
本发明提供用于选择多输入多输出(MIMO)检测器来检测资源元素(RE)中的符号的***和方法。所述***和方法使用如多层感知器(MLP)的神经网络基于RE中的瞬时信道条件来选择检测器。MLP是在机器学习中广泛地用于进行分类和参数估计的一种类型的神经网络。所述***和方法使用MLP来视每个RE中的信道条件而动态地选择可靠的低复杂度检测器。所述***和方法允许调制解调器同时使检测器复杂度保持得较低并且通过动态地选择可靠的低复杂度检测器来实现最大似然(ML)的错误率以产生对数似然比(LLR)。
图1是根据实施例的用于MIMO检测器选择的***100的图。***100包含特征提取块102、MLP网络104、检测器选择块106以及多个检测器(例如,检测器1 114、检测器2116、……,检测器D118)。将接收到的信号向量108和RE的MIMO信道矩阵110发送到特征提取块102。将MLP权重112应用于MLP网络104中。
将特征作为输入提供到MLP网络104。所选择的特征可表示信道、接收到的信号、噪声变化以及其它特征。其它特征包含信道的特征值(eigenvalue)、信道矩阵的对角值(diagonal value)以及接收到的信号与信道的内积。***100将MLP网络104应用为分类器(classifier)以将每个RE基于其信道特征分类成不同类别,其中每种类别对应于一个检测器。对于每个RE,MLP网络104提供D个输出,其中D是检测器类别或候选检测器的数目。MLP网络104的第d个输出指示检测器d是否为可提供与ML检测器类似的性能的最低复杂度检测器。由MLP网络104做出的不准确预测可增加错误率。因此,在选择与ML的错误率相匹配的高度可靠的低复杂度检测器的检测器选择块106中进一步处理MLP网络104的输出。使用具有信道特征和检测器的对应标签的标记数据集来离线调谐MLP网络104的参数(即,MLP权重112)和检测器选择块106的参数(即,裕度105)。根据不同信道模型和信噪比(signal-to-noise ratio,SNR)收集标记数据集。
图2是根据实施例的用以计算MLP权重112和裕度105的离线调谐方法的流程图200。在流程202处,***提取信道特征。从RE的MIMO信道矩阵110提取瞬时信道特征(instantaneous channel feature)。也可以从一组RE的MIMO信道矩阵提取特征。MIMO信道矩阵110由H指示且接收到的信号向量108由y指示,其可以如在等式(1)中那样表示。
y=Hx+n (1)
在等式(1)中,x是含有所发射的符号的向量,且n是噪声向量。可假设噪声经过白化。矩阵y、矩阵H、矩阵x以及矩阵n的维度分别是R×1、R×T、T×1以及R×1,其中R是接收器天线的数目,且T是所发射的符号的数目。
信道特征可包含但不限于以下:
特征-1(f1):总信道功率:∑ij|hij|2,其中hij是矩阵H中的第i行和第j列处的元素;
特征-2(f2):对角与非对角信道功率(diagonal-to-off-diagonal channelpower)的比;
特征-3(f3):H*H的最大特征值与最小特征值的比,其中H*是H的复共轭;
特征-4(f4):信道矩阵的元素的实数部分和虚数部分;
特征-5(f5):信道矩阵的元素的量值平方(magnitude-square):|hij|2:
特征-6(f6):R的元素的实数部分和虚数部分,其中R是上三角矩阵或下三角矩阵,使得H=QR,其中Q是满足QQ*=I=Q*Q的酉矩阵(unitary matrix);
特征-7(f7):R矩阵的元素的量值平方:|rij|2,其中rij是矩阵R中的第i行和第j列处的元素;以及
特征-8(f8):y-h乘积:y*hi,其中hi是矩阵H的第i列。
在流程204处,***针对每个RE产生标签z。检测器标签可以是从1到D的任何整数。尽管可利用检测器的其它顺序,但可假设检测器标签以复杂度的升序排列,其中1指示最低复杂度检测器,且D指示最高复杂度ML检测器。xt指示MIMO层t中的RE中的所发射的符号。如在等式(2)中,符号xt由M个所发射的比特表示。
{bt1,bt2,…,btM} (2)
如在等式(3)中,所发射的符号向量是x。
如果使用检测器d,那么***使用y和H来计算MIMO层t中的第m个比特的是所发射的比特btm是1的概率与所发射的比特btm是0的概率的比的对数。对于每个候选检测器d∈{1,2,…,D},***获得每一层中的M个比特的对应LLR。LLR用于产生指示可以可靠地实现与ML相同的错误率的最低复杂度检测器的标签。***使用LLR符号或使用LLR符号和量值来产生标签z。
当使用LLR符号来产生标签时,将检测器LLR转换成如等式(4)中的比特。
当使用LLR符号和量值产生标签时,***使用LLR的符号和量值两者来确定检测器标签。LLR值用于计算MIMO层t中的所发射的符号xt等于由比特表示的符号的概率此标签产生方法使用在仅使用上述LLR符号的方法中计算出的相同比特根据此方法的标签z是最小检测器类别d,针对所述最小检测器类别,对于阈值ζ,
在流程206处,***针对RE产生特征和标签的标记数据集。标记数据集包含不同信道模型和SNR下的元组(tuple){f,z}。标记数据集包含N个元组,且每个元组含有信道特征f1,f2,…,f8和标签z。
在流程208处,***使用类别合并和类别重新采样来处理标记数据集。类别合并可在训练MLP来操控标记数据组之前执行以训练MLP,使得可准确地预测哪些RE需要较高复杂度检测器。举例来说,如果存在D=4种检测器类别,那么根据信道条件,一些RE需要检测器4以便达到对应错误率。因此,MLP应针对检测器类别4具有较高训练准确度。
图3是根据实施例的类别合并的图300。训练准确度取决于每种类别的样本的数目。如曲线图302中所示,如果类别4具有较少训练样本,那么MLP无法针对产生较高检测错误的类别4达到较高训练准确度。如曲线图304中所示,为了针对类别4达到较高训练准确度,***可通过将标签3改变为标签4来将类别3合并到类别4中。由于检测器以复杂度的升序排列,因此这是有效的。因此,如果可通过检测器3准确地侦测到符号,那么也可以通过检测器4准确地侦测到符号。
图4是根据实施例的类别重新采样的图400。如果一个特定检测器在数据集中具有明显更多数目的标签,那么使训练偏向所述检测器。如曲线图402中所示,检测器类别1和检测器类别2包含明显比其它类别更多数目的标签。这导致在数据集中具有较少标签的检测器的较低训练准确度。如曲线图404中所示,为了去除此偏差,***去除额外样本以确保大多数类别具有相等数目的训练样本。
在流程210处,***识别最具信息性(相关)特征。***可通过使用标签z与特征fi之间的交互信息来识别关于标签z的最具信息性特征。
在流程212处,***使用最具信息性特征和标签来训练MLP网络以找到MLP权重112。
图5是根据实施例的MLP网络的图500。MLP包含输入层502、一个隐蔽层(hiddenlayer)504、输出层506以及P个节点。隐藏节点使用S型激活函数(sigmoid activationfunction)。通过在包含D个节点的输出层506上应用softmax函数508来计算MLP的输出510。指示第l层中的第j个节点到层(l+1)中的第i个节点之间的权重,且层l=2中的节点i的输出如等式(5)。
在等式(8)中,I(zn=d)是恒等函数(identity function)(如果zn=d,那么其为1,否则其为0),zn是第n个训练元组中的标签,且rd,n是对应于第n个训练元组的MLP输出。
图6和图7是根据实施例的使用MLP输出r1,…rD的检测器选择方法的图600和图700。如下所述,z是真类别(true class),且是所选择的类别。在第一选择方法602和第一选择方法702中,如在等式(9)中,通过检查哪种类别具有最大rd输出值来选择类别。
在选择方法602和选择方法702中,低估错误可较高。当需要较高复杂度检测器(即,)时,低估错误在MLP估计较低复杂度检测器时出现。在第二选择方法604和第二选择方法704中,***通过使用裕度105使低估错误的概率保持为低于阈值∈来选择检测器类别。
在流程214处,***基于MLP输出和计算出的裕度来选择检测器类别。为了选择可靠的检测器类别,为rd提供选择裕度rd,使得MLP仅在rd在所有MLP输出当中最大且rd-rd+1>γd时选择检测器d。举例来说,在图6中,D=4、γ1=0.5以及MLP输出是r1=0.46、r2=0.44、r3=0.08以及r4=0.02。由于r1与r2之间的差较小,因此检测器1是不可靠的。在此场景中,第二选择方法604选择检测器2,而第一选择方法602选择检测器1。在这种情况下,检测器2比检测器1更可靠。此外,在图7中,MLP输出是r1=0.90、r2=0.07、r3=0.02以及r4=0.01。在这种情况下,由于r1与r2之间的差较大且第二选择方法704选择检测器1,因此检测器1本身是可靠的。
裕度γd,d=1,2,…,D被设计成使低估错误的概率保持为低于阈值∈。对于给定裕度γd,错误在rd-rd+1>γd时出现,而真类别是z=d+1且错误概率如等式(10)。
Pr(rd-rd+1>γd;z=d+1) (10)
如果裕度γd过高(例如,γd=1),那么第二选择方法始终选择类别d+1,即使真类别是d。这甚至在不需要较高复杂度检测器时也会导致较高复杂度检测器的利用。为了避免这种情况,使条件概率(conditional probability)Pr(rd-rd+1>γd|z=d)最大化。因此,通过针对d=1,2,…,D-1使用等式(11)中的错误阈值∈求解优化问题来确定裕度γ1,γ2,…,γD-1。
在Pr(rd-rd+1>γd;z=d+1)≤∈的条件下,
裕度可用于通过按照表1中的伪代码(pseudo code)来获得对类别的选择。
表1
本发明***和方法可用于根据不同SNR、调制编码方案(modulation and codingscheme,MCS)以及信道模型来选择检测器。获得覆盖这些场景(scenario)的组合标记数据集,且训练MLP以选择检测器。***和方法也可以被扩展为选择用于不同调制类型(如64-正交振幅调制(quadrature amplitude modulation,QAM)、256-QAM以及1024-QAM)的检测器。
举例来说,对于用于两种调制M1=64-QAM和调制M2=256-QAM的检测器选择,D1和D2分别是用于64-QAM和256-QAM的候选检测器类别的数目。使用64-QAM符号和256-QAM符号来产生包含来自RE的标记数据的组合数据集。在此数据集中,用于64-QAM的检测器标签介于范围1、2、……,D1内,而用于256-QAM的标签介于范围D1+1,D1+2,…,D1+D2内。用组合数据集训练MLP且计算选择裕度
表2
表3
图8是根据实施例的在线检测器选择结果的曲线图800。图8示出在检测器类别1(802)、检测器类别2(804)、检测器类别3(806)以及检测器类别4(808)用于所有RE时用于静态检测器选择的块差错率(block error rate)。类别4 808是具有最高复杂度和最低错误率的ML检测器,而类别1 802是具有最低复杂度和最高错误率的MMSE检测器。曲线图800还示出基于所提出的MLP的动态检测器选择的错误率810。
图9是根据实施例的检测器利用率(detector utilization)的图900。如图900中所示,***利用低复杂度检测器,同时提供与ML(类别4)检测器的错误率类似的错误率。
图10是根据一个实施例的网络环境1000中的电子装置1001的框图。参看图10,网络环境1000中的电子装置1001可经由第一网络1098(例如,短程无线通信网络)与电子装置1002通信,或经由第二网络1099(例如,远程无线通信网络)与电子装置1004或服务器1008通信。电子装置1001可经由服务器1008与电子装置1004通信。电子装置1001可包含处理器1020、存储器1030、输入装置1050、声音输出装置1055、显示装置1060、音频模块1070、传感器模块1076、接口1077、触觉模块1079、相机模块1080、电源管理模块1088、电池1089、通信模块1090、用户识别模块(subscriber identification module,SIM)1096或天线模块1097。在一个实施例中,可从电子装置1001中省略组件中的至少一个(例如,显示装置1060或相机模块1080),或可将一个或多个其它组件添加到电子装置1001。在一个实施例中,组件中的一些可实施为单个集成电路(integrated circuit,IC)。举例来说,可将传感器模块1076(例如,指纹传感器、虹膜传感器或照度传感器)嵌入于显示装置1060(例如,显示器)中。
处理器1020可执行例如软件(例如,程序1040)以控制与处理器1020耦合的电子装置1001的至少一个其它组件(例如,硬件或软件组件),且可执行各种数据处理或计算。作为数据处理或计算的至少部分,处理器1020可在易失性存储器1032中加载从另一组件(例如,传感器模块1076或通信模块1090)接收到的命令或数据,处理存储在易失性存储器1032中的命令或数据,且将所得数据存储在非易失性存储器1034中。处理器1020可包含主处理器1021(例如,中央处理单元(central processing unit,CPU)或应用处理器(applicationprocessor,AP))和可独立于主处理器1021或结合所述主处理器来操作的辅助处理器1023(例如,图形处理单元(graphics processing unit,GPU)、图像信号处理器(image signalprocessor,ISP)、传感器集线器处理器或通信处理器(communication processor,CP))。另外或可替代地,辅助处理器1023可用以消耗比主处理器1021更少的功率,或执行特定功能。辅助处理器1023可实施为与主处理器1021分离或实施为所述主处理器的一部分。
辅助处理器1023可在主处理器1021处于未激活(例如,休眠)状态时替代主处理器1021或在主处理器1021处于激活状态(例如,执行应用)时连同主处理器1021一起来控制与电子装置1001的组件当中的至少一个组件(例如,显示装置1060、传感器模块1076或通信模块1090)相关的功能或状态中的至少一些。根据一个实施例,辅助处理器1023(例如,图像信号处理器或通信处理器)可实施为在功能上与辅助处理器1023相关的另一组件(例如,相机模块1080或通信模块1090)的部分。
存储器1030可存储由电子装置1001中的至少一个组件(例如,处理器1020或传感器模块1076)使用的各种数据。所述各种数据可包含例如软件(例如,程序1040)和与所述软件相关的命令的输入数据或输出数据。存储器1030可包含易失性存储器1032或非易失性存储器1034。
程序1040可作为软件存储在存储器1030中,且可包含例如操作***(operatingsystem,OS)1042、中间件1044或应用程序1046。
输入装置1050可从电子装置1001的外部(例如,用户)接收待由电子装置1001的其它组件(例如,处理器1020)使用的命令或数据。输入装置1050可包含例如麦克风、鼠标或键盘。
声音输出装置1055可将声音信号输出到电子装置1001的外部。声音输出装置1055可包含例如扬声器或接收器。扬声器可用于一般目的,如播放多媒体或录音,且接收器可用于接收来电通话。根据一个实施例,接收器可实施为与扬声器分离,或为扬声器的一部分。
显示装置1060可以以视觉方式向电子装置1001的外部(例如,用户)提供信息。显示装置1060可包含例如显示器、全息图装置或投影仪以及用以控制显示器、全息图装置以及投影仪中的对应一个的控制电路***。根据一个实施例,显示装置1060可包含用以检测触摸的触摸电路***或用以测量由触摸所引发的力的强度的传感器电路***(例如,压力传感器)。
音频模块1070可将声音转换成电信号且反之亦然。根据一个实施例,音频模块1070可经由输入装置1050获得声音,或经由声音输出装置1055或与电子装置1001直接地(例如,有线)或无线耦合的外部电子装置1002的头戴式耳机输出声音。
传感器模块1076可检测电子装置1001的操作状态(例如,功率或温度)或电子装置1001外部的环境状态(例如,用户的状态),且接着产生对应于检测到的状态的电信号或数据值。传感器模块1076可包含例如手势传感器、陀螺传感器、大气压传感器、磁性传感器、加速度传感器、握持传感器、接近传感器、颜色传感器、红外(infrared;IR)传感器、生物计量传感器、温度传感器、湿度传感器或照度传感器。
接口1077可支持待用于要与外部电子装置1002直接地(例如,有线)或无线地耦合的电子装置1001的一个或多个指定协议。根据一个实施例,接口1077可包含例如高清晰多媒体接口(high definition multimedia interface,HDMI)、通用串行总线(universalserial bus,USB)接口、安全数字(secure digital,SD)卡接口或音频接口。
连接端子1078可包含连接器,电子装置1001可经由所述连接器与外部电子装置1002物理地连接。根据一个实施例,连接端子1078可包含例如HDMI连接器、USB连接器、SD卡连接器或音频连接器(例如,头戴式耳机连接器)。
触觉模块1079可将电信号转换成机械刺激(例如,振动或移动)或电刺激,所述刺激可由用户经由感触感觉或肌肉运动知觉的感觉来识别。根据一个实施例,触觉模块1079可包含例如电动机、压电式元件或电刺激器。
相机模块1080可捕获静态图像或移动图像。根据一个实施例,相机模块1080可包含一个或多个透镜、图像传感器、图像信号处理器或闪光灯。
电源管理模块1088可管理供应到电子装置1001的电力。电源管理模块1088可实施为例如电源管理集成电路(power management integrated circuit,PMIC)的至少部分。
电池1089可向电子装置1001的至少一个组件供应电力。根据一个实施例,电池1089可包含例如不可再充电的一次电池、可再充电的二次电池或燃料电池。
通信模块1090可支持在电子装置1001与外部电子装置(例如,电子装置1002、电子装置1004或服务器1008)之间建立直接(例如,有线)通信信道或无线通信信道以及经由所建立的通信信道执行通信。通信模块1090可包含一个或多个通信处理器,所述通信处理器可独立于处理器1020(例如,AP)操作且支持直接(例如,有线)通信或无线通信。根据一个实施例,通信模块1090可包含无线通信模块1092(例如,蜂窝式通信模块、短程无线通信模块或全球导航卫星***(global navigation satellite system,GNSS)通信模块)或有线通信模块1094(例如,局域网(local area network,LAN)通信模块或电力线通信(power linecommunication,PLC)模块)。这些通信模块中的对应一个可经由第一网络1098(例如,短程通信网络,如BluetoothTM、无线保真(wireless-fidelity,Wi-Fi)导入或国际红外数据协会(the Infrared Data Association,IrDA)标准)或第二网络1099(例如,远程通信网络,如蜂窝式网络、互联网或计算机网络(例如,LAN或广域网(wide area network,WAN)))与外部电子装置通信。这些不同类型通信模块可实施为单个组件(例如,单个IC),或可实施为彼此分离的多个组件(例如,多个IC)。无线通信模块1092可使用存储在用户识别模块1096中的用户信息(例如,国际移动用户识别码(international mobile subscriber identity,IMSI))来识别且认证通信网络(如第一网络1098或第二网络1099)中的电子装置1001。
天线模块1097可将信号或功率发射到电子装置1001的外部(例如,外部电子装置)或从所述电子装置的外部(例如,外部电子装置)接收信号或功率。根据一个实施例,天线模块1097可包含一个或多个天线,且可例如通过通信模块1090(例如,无线通信模块1092)从所述天线中选择适合于在通信网络(如第一网络1098或第二网络1099)中使用的通信方案的至少一个天线。接着可在通信模块1090与外部电子装置之间经由所选择的至少一个天线来发射或接收信号或功率。
上述组件中的至少一些可彼此耦合且经由***间通信方案(例如,总线、通用输入和输出(general purpose input and output,GPIO)、串行***接口(serial peripheralinterface,SPI)或移动行业处理器接口(mobile industry processor interface,MIPI))在其间传送信号(例如,命令或数据)。
根据一个实施例,可经由与第二网络1099耦合的服务器1008在电子装置1001与外部电子装置1004之间发射或接收命令或数据。电子装置1002和电子装置1004中的每一个可以是与电子装置1001相同类型或不同类型的装置。待在电子装置1001处执行的操作中的全部或一些可在外部电子装置1002、外部电子装置1004或外部电子装置1008中的一个或多个处执行。举例来说,如果电子装置1001应自动地或响应于来自用户或另一装置的请求而执行功能或服务,那么代替执行所述功能或所述服务或除执行所述功能或所述服务以外,电子装置1001可请求一个或多个外部电子装置来执行功能或服务中的至少一部分。接收请求的一个或多个外部电子装置可执行所请求的功能或服务或与请求相关的额外功能或额外服务的至少部分,并将执行的结果传输到电子装置1001。电子装置1001可在进一步处理所述结果或不进一步处理所述结果的情况下提供结果作为对请求的答复的至少部分。为此,例如,可使用云计算、分布式计算或用户端服务器计算技术。
一个实施例可实施为软件(例如,程序1040),所述软件包含存储在可由机器(例如,电子装置1001)读取的存储介质(例如,内部存储器1036或外部存储器1038)中的一个或多个指令。举例来说,电子装置1001的处理器可调用存储在存储介质中的一个或多个指令中的至少一个,且在使用或不使用处于处理器的控制下的一个或多个其它组件的情况下执行所述一个或多个指令中的至少一个。因此,可操作机器以根据所调用的至少一个指令来执行至少一种功能。一个或多个指令可包含由编译器产生的代码或可由解译器执行的代码。机器可读存储介质可以非暂时性存储介质的形式提供。术语“非暂时性”指示存储介质是有形装置,且不包含信号(例如,电磁波),但此术语并未区分将数据半永久地存储在存储介质中的情况与将数据暂时存储在存储介质中的情况。
根据一个实施例,本发明的方法可被包含且提供于计算机程序产品中。计算机程序产品可作为产品在卖家与买家之间交易。计算机程序产品可以机器可读存储介质(例如,只读光盘(compact disc read only memory,CD-ROM))形式分布或经由应用商店(例如,Play StoreTM)在线分布(例如,下载或上传)或直接地在两个用户装置(例如,智能手机)之间分布。如果在线分布,那么计算机程序产品的至少部分可暂时产生或至少暂时存储于机器可读存储介质(如制造商的服务器的存储器、应用商店的服务器或中继服务器)中。
根据一个实施例,上述组件中的每一组件(例如,模块或程序)可包含单个实体或多个实体。可省略上述组件中的一个或多个,或可添加一个或多个其它组件。可替代地或另外,可将多个组件(例如,模块或程序)集成到单个组件中。在这种情况下,集成组件仍可以与在集成之前由多个组件中的每一个执行多个组件中的对应一个的一个或多个功能相同或类似的方式来执行所述一个或多个功能。可依序、并行、反复地或启发式进行由模块、程序或另一组件执行的操作,或操作中的一个或多个可以不同顺序执行或省略,或可添加一个或多个其它操作。
尽管本发明的某些实施例已描述于本发明的详细描述中,但本发明可在不脱离本发明的范围的情况下以各种形式进行修改。因此,本发明的范围不应仅基于所描述的实施例确定,而应基于所附权利要求书和其等效物确定。
Claims (20)
1.一种操作无线通信***的方法,包括:
产生特征和检测器标签的标记数据集;
使用所产生的所述标记数据集来训练多层感知器网络;以及
基于所训练的所述多层感知器网络的输出从多个检测器类别中选择检测器类别。
2.根据权利要求1所述的方法,其中基于对数似然比符号产生所述标记数据集。
3.根据权利要求2所述的方法,其中进一步基于对数似然比量值产生所述标记数据集。
4.根据权利要求1所述的方法,还包括:基于所产生的所述标记数据集合并所述多个检测器类别的类别。
5.根据权利要求4所述的方法,其中合并所述类别还包括:将所述多个检测器类别的第一类别中的样本合并到所述多个检测器类别的第二类别中,其中所述第二类别包含比所述第一类别少的样本。
6.根据权利要求1所述的方法,其中所述选择检测器类别还包括:使检测器错误的概率最小化。
7.根据权利要求1所述的方法,其中基于与来自所述多层感知器网络的最大输出值相关联的计算出的裕度来选择所述检测器类别。
8.根据权利要求7所述的方法,其中基于来自所述多层感知器网络的所述最大输出值与来自所述多层感知器网络的第二输出值之间的差小于所述计算出的裕度来选择所述检测器类别。
9.根据权利要求7所述的方法,其中基于检测器错误的条件概率小于或等于概率阈值来确定所述计算出的裕度。
10.根据权利要求1所述的方法,其中所述特征包含信道的特征值、信道矩阵的对角值以及接收到的信号与所述信道的内积中的至少一个。
11.一种无线通信***,包括:
多个检测器,所述多个检测器中的每一个与来自多个检测器类别的检测器类别相关联;
存储器;以及
处理器,被配置以:
产生特征和检测器标签的标记数据集;
使用所产生的所述标记数据集来训练多层感知器网络;以及
基于所训练的所述多层感知器网络的输出从所述多个检测器类别中选择所述检测器类别。
12.根据权利要求11所述的无线通信***,其中基于对数似然比符号产生所述标记数据集。
13.根据权利要求12所述的无线通信***,其中进一步基于对数似然比量值产生所述标记数据集。
14.根据权利要求11所述的无线通信***,其中所述处理器进一步被配置以基于所产生的所述标记数据集合并所述多个检测器类别的类别。
15.根据权利要求14所述的无线通信***,其中所述处理器进一步被配置以将所述多个检测器类别的第一类别中的样本合并到所述多个检测器类别的第二类别中,其中所述第二类别包含比所述第一类别更少的样本。
16.根据权利要求11所述的无线通信***,其中所述处理器进一步被配置以通过使检测器错误的概率最小化来选择所述检测器类别。
17.根据权利要求11所述的无线通信***,其中基于与来自所述多层感知器网络的最大输出值相关联的选择裕度来选择所述检测器类别。
18.根据权利要求17所述的无线通信***,其中基于来自所述多层感知器网络的所述最大输出值与来自所述多层感知器网络的第二输出值之间的差小于所述选择裕度来选择所述检测器类别。
19.根据权利要求17所述的无线通信***,其中基于检测器错误的条件概率小于或等于概率阈值来确定所述选择裕度。
20.一种操作无线通信***的方法,包括:
产生特征和检测器标签的标记数据集;
基于所产生的所述标记数据集合并多个检测器类别的类别;
使用所产生的所述标记数据集来训练多层感知器网络;以及
基于所训练的所述多层感知器网络的输出从所述多个检测器类别中选择检测器类别。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962817372P | 2019-03-12 | 2019-03-12 | |
US62/817,372 | 2019-03-12 | ||
US16/429,856 US20200293894A1 (en) | 2019-03-12 | 2019-06-03 | Multiple-input multiple-output (mimo) detector selection using neural network |
US16/429,856 | 2019-06-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111698181A true CN111698181A (zh) | 2020-09-22 |
CN111698181B CN111698181B (zh) | 2024-05-10 |
Family
ID=72423064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010089138.9A Active CN111698181B (zh) | 2019-03-12 | 2020-02-12 | 无线通信***以及操作无线通信***的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200293894A1 (zh) |
KR (1) | KR20200110137A (zh) |
CN (1) | CN111698181B (zh) |
TW (1) | TWI834835B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11979822B2 (en) * | 2021-07-29 | 2024-05-07 | Qualcomm Incorporated | Machine learning based dynamic demodulator selection |
US20230422175A1 (en) * | 2022-06-23 | 2023-12-28 | Qualcomm Incorporated | Machine learning (ml)-based dynamic demodulator parameter selection |
US20230419101A1 (en) * | 2022-06-23 | 2023-12-28 | Qualcomm Incorporated | Machine learning (ml)-based dynamic demodulator selection |
CN114938248B (zh) * | 2022-07-26 | 2022-11-01 | 中国海洋大学三亚海洋研究院 | 一种水下无线光通信解调模型的搭建及解调方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060148506A1 (en) * | 2004-12-31 | 2006-07-06 | Broadcom Corporation | Adaptive detector for multiple-data-path systems |
US20070135069A1 (en) * | 2005-09-30 | 2007-06-14 | Kabushiki Kaisha Toshiba | Apparatus and method of mimo detection |
US20120134451A1 (en) * | 2010-05-28 | 2012-05-31 | Maxlinear, Inc. | Method and System for a Low-Complexity Soft-Output MIMO Detection |
CN105144203A (zh) * | 2013-03-15 | 2015-12-09 | 谷歌公司 | 信号处理*** |
CN107346326A (zh) * | 2016-05-05 | 2017-11-14 | 百度(美国)有限责任公司 | 用于生成神经网络模型的方法和*** |
CN108390705A (zh) * | 2018-03-29 | 2018-08-10 | 东南大学 | 基于bp算法构建的深度神经网络大规模mimo***检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230035145A (ko) * | 2017-05-26 | 2023-03-10 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 기초한 어시스트 피처 배치 |
CN111434049B (zh) * | 2017-06-19 | 2021-06-11 | 弗吉尼亚科技知识产权有限公司 | 使用多天线收发器无线传输的信息的编码和解码 |
US10594729B2 (en) * | 2017-10-31 | 2020-03-17 | International Business Machines Corporation | Dynamically configuring a honeypot |
US20190273510A1 (en) * | 2018-03-01 | 2019-09-05 | Crowdstrike, Inc. | Classification of source data by neural network processing |
US10637544B1 (en) * | 2018-04-24 | 2020-04-28 | Genghiscomm Holdings, LLC | Distributed radio system |
WO2019245931A1 (en) * | 2018-06-17 | 2019-12-26 | Genghiscomm Holdings, LLC | Distributed radio system |
-
2019
- 2019-06-03 US US16/429,856 patent/US20200293894A1/en active Pending
- 2019-11-21 KR KR1020190150257A patent/KR20200110137A/ko active Search and Examination
-
2020
- 2020-02-12 CN CN202010089138.9A patent/CN111698181B/zh active Active
- 2020-03-10 TW TW109107826A patent/TWI834835B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060148506A1 (en) * | 2004-12-31 | 2006-07-06 | Broadcom Corporation | Adaptive detector for multiple-data-path systems |
US20070135069A1 (en) * | 2005-09-30 | 2007-06-14 | Kabushiki Kaisha Toshiba | Apparatus and method of mimo detection |
US20120134451A1 (en) * | 2010-05-28 | 2012-05-31 | Maxlinear, Inc. | Method and System for a Low-Complexity Soft-Output MIMO Detection |
CN105144203A (zh) * | 2013-03-15 | 2015-12-09 | 谷歌公司 | 信号处理*** |
CN107346326A (zh) * | 2016-05-05 | 2017-11-14 | 百度(美国)有限责任公司 | 用于生成神经网络模型的方法和*** |
CN108390705A (zh) * | 2018-03-29 | 2018-08-10 | 东南大学 | 基于bp算法构建的深度神经网络大规模mimo***检测方法 |
Non-Patent Citations (1)
Title |
---|
NEEV SAMUEL等: "Deep MIMO detection", SIGNAL PROCESSING ADVANCES IN WIRELESS COMMUNICATIONS (SPAWC) * |
Also Published As
Publication number | Publication date |
---|---|
US20200293894A1 (en) | 2020-09-17 |
CN111698181B (zh) | 2024-05-10 |
KR20200110137A (ko) | 2020-09-23 |
TW202034648A (zh) | 2020-09-16 |
TWI834835B (zh) | 2024-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111698181B (zh) | 无线通信***以及操作无线通信***的方法 | |
CN111698006B (zh) | 使用神经网络的多输入多输出(mimo)检测器选择 | |
KR102632254B1 (ko) | 심볼 검출기 선택 방법 및 시스템 | |
US20230077972A1 (en) | System and method for providing channel recovery for angle domain sparse channels | |
US20220067582A1 (en) | Method and apparatus for continual few-shot learning without forgetting | |
CN111105012A (zh) | 通过共同表示的多个随机变量之间随机推断的方法和装置 | |
KR102632247B1 (ko) | 음성 처리 향상에 위한 가우시안 가중 셀프 어텐션에 대한 방법 및 시스템 | |
US20220337455A1 (en) | Enhancement of channel estimation in wireless communication based on supervised learning | |
US11211994B2 (en) | Angular sparse channel recovery using history measurements | |
US20200287600A1 (en) | System and method for analog beamforming for single-connected antenna array | |
US20230232075A1 (en) | Electronic device for providing content recommendation service, and method therefor | |
CN111835461B (zh) | 提供多输入多输出检测器选择的***和方法 | |
US11694441B2 (en) | Electronic device correcting meta information of image and operating method thereof | |
US20200395985A1 (en) | Method and apparatus for high rank multiple-input multiple-output (mimo) symbol detection | |
US11463539B2 (en) | Electronic device for transmitting and receiving data with server device | |
US20200351002A1 (en) | Method and apparatus for providing enhanced reference signal received power estimation | |
CN118485891A (zh) | 一种远距离非同源困难样本对学习方法、***、设备及存储介质 | |
KR20240086500A (ko) | 소형 및 이동형 gnss 수신기의 수신 환경을 판별하기 위한 장치 및 방법 | |
CN118485890A (zh) | 一种困难样本学习方法、***、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |