CN112956146A - 协作无线电网络中的特征检测 - Google Patents
协作无线电网络中的特征检测 Download PDFInfo
- Publication number
- CN112956146A CN112956146A CN201880094094.XA CN201880094094A CN112956146A CN 112956146 A CN112956146 A CN 112956146A CN 201880094094 A CN201880094094 A CN 201880094094A CN 112956146 A CN112956146 A CN 112956146A
- Authority
- CN
- China
- Prior art keywords
- node
- scheme
- parameter
- mac
- electrical signal
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title description 15
- 238000000034 method Methods 0.000 claims abstract description 264
- 238000004891 communication Methods 0.000 claims description 112
- 238000005516 engineering process Methods 0.000 claims description 68
- 238000010801 machine learning Methods 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013467 fragmentation Methods 0.000 claims description 7
- 238000006062 fragmentation reaction Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 description 18
- 238000001228 spectrum Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 16
- 238000013473 artificial intelligence Methods 0.000 description 15
- 239000000523 sample Substances 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000011664 signaling Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 108700026140 MAC combination Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000005266 circulating tumour cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005404 monopole Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
- H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0041—Arrangements at the transmitter end
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
- H04L27/183—Multiresolution systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/3488—Multiresolution systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- 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
- H04W28/04—Error control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0808—Non-scheduled access, e.g. ALOHA using carrier sensing, e.g. carrier sense multiple access [CSMA]
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种方法可以由第一节点执行来用于确定第二节点的物理(PHY)层电路的参数。该方法可以包括实现技术的级联分层,以基于来自第二节点的电信号确定第二节点的PHY层电路的参数;以及使第一节点的天线发送与所确定的参数一致的电磁波。
Description
技术领域
本文描述的各方面总体涉及识别特征(例如,物理层(PHY)或链路层(有时称为介质访问控制(MAC)))。在一些方面,特征检测可以包括一个或多个神经网络或其他技术来识别层的特征。在一个或多个方面,可以将技术级联以识别层的特征。
背景技术
在协作智能无线电网络(CIRN)中,在参与者在网络中进行操作之前,参与者之间不共享先验信息。用于每个参与者网络的一个节点充当网关,并且在连接到用于所有团队的网关节点的类似因特网的基础结构上实现协作。多种类型的IP流量被提供给每个节点,其中源和目的地被包含在同一团队的网络中。
当与CIRN中的其他参与者协作时,检测传入无线信号的PHY层特征非常重要。除了准确检测预期信号之外,感测技术还可能需要学习并适应可能会出现未知无线信号的新环境。在下文中,我们提出了一种新颖的感测技术,该感测技术允许使用级联/分层算法设计进行精确检测和快速学习。
与频谱感测有关的文献非常广泛。在对不同频谱感测的调查中,提出了专家算法。针对不同无线***条件下的频谱感测,提出了不同ML算法。近来,已经引入了DL算法来解决频谱感测问题。
直到最近,频谱感测算法仍依赖于专家/机器学习算法。所提出的算法通常被设计为检测特定类型的无线信号的特征,并且不可扩展以适应新的信号类型和/或特征。
附图说明
在不一定按比例绘制的附图中,相似的数字可以在不同的视图中描述相似的组件。具有不同字母后缀的相似数字可以代表相似组件的不同实例。在附图的各图中通过示例而非限制的方式示出了一些方面,其中:
图1通过示例的方式示出了用于具有异构通信协议的节点之间的共存或协作的***的一方面的图;
图2通过示例的方式示出了协作无线电网络(CRN)的一方面的框图;
图3通过示例的方式示出了用于识别PHY层参数的级联分层ML/专家技术的一方面的逻辑图;
图4通过示例的方式示出了用于识别PHY层电路参数的级联技术的一方面的图;
图5通过示例的方式示出了被配置为执行用于PHY层电路参数识别的级联分层技术的处理电路的一方面的图;
图6通过示例的方式示出了用于PHY参数识别的方法的一方面的图;
图7通过示例的方式示出了用于MAC方案识别的方法的一方面的图;和
图8是示出了根据示例方面的以计算机***的示例形式的机器的框图,在该计算机***中,可以执行指令集或指令序列以使该机器执行本文所讨论的任何一种方法。
具体实施方式
在下面的描述中,出于解释的目的,阐述了许多具体细节以便提供对一些示例方面的透彻理解。然而,对于本领域技术人员显而易见的是,可以在没有这些具体细节的情况下实践本公开。
本公开的方面涉及用于识别另一通信耦合设备的PHY或MAC层的特征的各种设备、***和方法。在一些方面,可以采用技术的级联分层来识别PHY层的各个特征。在其他方面,人工智能(AI)或机器学习(ML)技术可以用于确定MAC方案的参数。
接下来是对MAC参数识别和通信的讨论。这些方面可以与稍后讨论的PHY层电路参数识别方面结合使用或与之分离。
现有频谱(例如5.8GHz)和新的未许可频谱(例如,6-7GHz)和共享频谱频带正在成为多个无线通信***的目标,包括下一代WiFi/IEEE 802.11、5G新空口(NR)和LTE标准。使用不同协议进行通信的通信***之间将出现共存。用于LTE和WiFi之间的共存的现有方法是基于先听后说,无需***之间的任何合作或学习。
现有方法很慢,并且在某些情况下可能是无效的。此外,尚未提出针对5G NR***和现有***(例如,WiFi、LTE或其他无线网络通信***)的共存/合作机制。如果没有用于共享带宽的智能,则不同方案之间的干扰可能会很高。服务质量(QoS)和吞吐量因此会受到影响。
具有不同MAC方案的新***(例如,国防高级研究计划局(DARPA)固定无线等)可能不为其他***所知,因此可能会导致干扰和其他不可预测的问题。LTE和未许可的设备可以在同一频谱上竞争,并且当前对此进行处理的方法是无效的。MAC方案提供了流控制、多路复用等中的一个或多个。
图1通过示例的方式示出了用于具有异构通信协议的节点之间的共存或协作的***100的一方面的图。节点102A-102C和107A-107C有时被称为用户设备(UE)、接入点(AP)、无线通信设备等。节点102A-102C、107A-107C可以包括电视、传感器设备、智能电话、智能家电、车辆、物联网(IoT)设备等。节点102A-102C、107A-107C可以包括物理层电路(PHY)104,用于使用一个或多个天线101向其他节点102A-102C、107A-107C或其他设备发送信号和从其接收信号。节点102-102C、107A-107C可以包括用于控制对无线介质的接入的介质访问控制层(MAC)电路106。节点102A-102C、107A-107C还可以包括处理电路111和存储器110,其被布置为执行用于PHY或MAC参数检测的操作。节点102A-102C、107A-107C可以包括网络电路105(有时被称为无线电),用于接收或发送(例如,收发器)以控制天线101。
天线101可以包括一个或多个定向的或全向天线,包括例如偶极天线、单极天线、贴片天线、环形天线、微带天线或适合于发送RF信号的其他类型天线。在一些多输入多输出(MIMO)方面,天线101可以被有效地分离以利用空间分集和可能产生的不同信道特性。
尽管节点102A-102C、107A-107C均被示为具有若干单独的功能元件,但是一个或多个功能元件可以被组合并且可以通过软件配置的元件(诸如包括数字信号处理器(DSP)的处理元件)和/或其他硬件元件的组合来实现。例如,一些元件可以包括一个或多个微处理器、DSP、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、射频集成电路(RFIC)以及各种硬件和逻辑电路的组合,用于至少执行本文描述的功能。在一些方面,功能元件可以指在一个或多个处理元件上操作的一个或多个过程。
各方面可以在硬件、固件和软件之一或其组合中实现。各方面也可以被实现为存储在计算机可读存储设备上的指令,其可以由至少一个处理器或其他处理电路读取和运行以执行本文描述的操作。计算机可读存储设备可以包括用于以机器(例如计算机)可读的形式存储信息的任何非暂态机制。例如,计算机可读存储设备可以包括只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存设备以及其他存储设备和介质。一些方面可以包括一个或多个处理器,并且可以配置有存储在计算机可读存储设备上的指令。
根据各方面,节点102A-102C、107A-107C可以被配置为执行本文所讨论的用于PHY层参数识别或MAC层参数识别的一种或多种方法。
***100包括在第一组节点103中的一个或多个节点102A、102B或102C和在第二组节点108中的一个或多个节点107A、107B或107C。第一组节点103使用由MAC电路106A实现的第一方案进行通信,该第一方案与第二组节点108所使用的MAC电路106B实现的第二方案不同。
各方面可以包括在节点102A-102C中的一者或多者处检测在通信范围内由节点107A-107C使用的MAC方案,并且识别用于在要在通信中使用的多址方案上合并的协作/合作技术(这也可以是MAC团队内(MAC intra team)相对于MAC团队间(MAC inter team))。各方面可以通过AL/ML电路609学习,并且可以基于环境、节点的密度、流量模式、负载等来适应于合并的MAC方案。节点102A-102C可以使用主动探测(例如,通过进行几次发送来了解其他节点107A-107C的反应)。AI/ML电路109可以使用强化学习技术。
与现有的MAC协商和通信技术相比,各方面更稳健且更快捷,并且具有改进的吞吐量和QoS。AI/ML电路109可以帮助学习新的MAC方案(例如,DARPA、LTE、Wi-Fi、NR、它们的组合、或者它们之间的一些MAC协议、或尚未开发的其他协议)。AI/ML电路109可以帮助提高当前LTE和未许可频谱共享技术的稳健性。
根据各方面,***100可以提供改进的频谱效率。各方面可以应用在CIRN中,诸如在任何环境中与(一个或多个)任何网络共享频谱,并且不需要先验知识。
图1中的***100可以帮助说明可以如何使用AI/ML电路109(诸如在CIRN中)来学习要在通信中使用的MAC电路106B的MAC参数或协议。
每组节点103、108分别包括一个或多个节点102A-102C或107A-107C。节点组103、108可以操作来确定用于与彼此通信的MAC方案。每组节点103、108的一个节点102A-102C、107A-107C可以用作网关。其他非网关节点可以通过该网关与另一组的节点通信。可以在连接到用于所有节点组103、108的网关节点的类似因特网的基础结构上实现协作。可以向每个节点提供(多种类型的)IP流量,其源和目的地被包含在相同的节点组103、108中。所有节点组103、108可以在如下RF环境中操作:该RF环境使用AI/ML电路109或处理电路111对路径损耗、多路径、多普勒、信道相关或非协作无线电(在位者(incumbent)、***(jammer))建模。
对节点组103、108的性能的评分诸如可以由处理电路111确定,可以是一个或多个分数的函数:(1)性能分数:实际吞吐量(单位时间内一组节点向某一目的地递送的有用信息比特数)、公平性(节点102A-102C、107A-107C是否正在接收统一的***资源接入)、服务质量(QoS)等的函数;(2)协作分数:是其他节点组103、108的一个或多个性能分数、对***的抵抗或对在位者的干扰的函数。
AI/ML电路109可以生成指示多个MAC方案中的最可能被另一组节点103、108使用的MAC方案的数据。处理电路111可以基于由AI/ML电路109指示的MAC方案和由MAC电路106A实现的方案,识别用于合并在与另一组节点103、108相同的MAC方案上的协作/合作技术。这些方法可以在团队内或团队间的基础上实现,诸如在节点102A-102C之间或在节点102A-102C和107A-107C之间。AI/ML电路109可以基于环境、节点的密度、流量模式、负载、它们的组合等来学习并适应合并的MAC方案。根据各方面的***和方法可以执行主动探测(例如,通过进行几次发送来了解其他团队的反应)。在其他方面,可以应用强化学习技术。
如前面所讨论的,现有的(5.8GHz)和新的未许可(6-7GHz)以及共享的频谱频带正在成为多个无线通信***的目标,包括下一代Wi-Fi/IEEE 802.11、5G新空口(NR)和LTE标准。用于LTE和Wi-Fi之间的共存的现有方法仅基于先听后说,而无需***之间的任何协作或学习。此外,尚未提出针对5G NR未许可***和现有***(Wi-Fi和LTE)的共存/合作机制。一个示例场景是企业网络或工厂网络,其中操作者可以在相同空间中部署不同的技术来覆盖不同的应用(IT、自动化、传感器网络)。通常,5G NR、LTE和WiFi***的频带不会在相同频带上重叠。然而,在许可辅助接入(LAA)中,LTE被部署在与WiFi相同的未许可频带中,并且5G NR未许可频谱与当前LTE、WiFi或其他频带有很大的重叠可能。
AI/ML电路109可以通过学习波形来检测共存***的存在。AI/ML电路109可以在一个或多个方面中实现深度学习或其他神经网络(NN)。NN可以对示例波形进行训练。然后,NN可以使用入射波形作为输入来对波形进行分类。以此方式,可以检测由MAC 106A、106B使用的MAC方案的类型。
在一些方面,学习波形可以包括在存储器110中维护可用于通信的***及其波形118的全局列表。可以在部署之前或之后,诸如通过使用存储器110中的全局列表对AI/ML电路109进行训练,以使其能够将在天线101上入射的波形分类到一***/通信类型。
在一些方面,协作信道(CC)(例如,一个或多个专用子信道)可以用于具有异构MAC方案的节点组103、108之间的通信。在一些方面,可以使用跨技术通信(cross-technologycommunication,CTC)。CTC可以补充控制信道,其中异构技术正直接使用多种方案进行通信,诸如可以包括波形仿真、周期信标帧的定时移位等。
各方面可以允许由现有/遗留Wi-Fi/LTE无线电通过(新)向后兼容信号发现5G NR无线电。允许***间发现的新信令可以被包括在未来的标准中。此种信令可以被定义为控制消息(例如,802.11中的信标帧等)或已知参考信号(例如,如在LTE和3GPP***中的解调参考信号(DMRS)、小区特定参考信号(CRS)、信道状态信息参考信号(CSI-RS)等)。类似地,可以诸如通过使用信标和前导码来检测WiFi信号。可以使用同步信号(例如,主同步信号(PSS)或辅同步信号(SSS)等)来检测LTE信号。
在一些方面,该信令可以基于Zadoff-Chu序列。Zadoff-Chu序列可以向后兼容现有LTE无线电。此外,这些序列可以使用另一代码来调制,该另一代码仅可由属于同一组节点103、108的节点102A-102C、107A-107C解码。此种调制的示例可以诸如使用其中民用代码叠加在军用代码上的全球定位***(GPS)来完成。军用代码只能由军用接收器解码,而民用代码可以由商用GPS接收器和军用接收器解码。
在一些方面,网络电路105可以基于由AI/ML电路109从共存***习得的通信模式来调整先听后说参数(例如,调整用于清晰信道评估的时间、调整退避程序、调整分组大小/片段分组以利用无冲突的空闲信道时间等)。
一些方面可能会限制所有节点102A-102C、107A-107C或节点组103、108都可以使用来彼此通信的可能方案(MAC方案/PHY方案)集。一些常见的MAC方案类型包括:(i)基于随机接入:CSMA、Aloha等;(ii)无冲突方法:时域多址(TDMA)、码分多址(CDMA)、频域多址(FDMA)、正交频域多址(OFDMA)等。
数据结构/特征可以用于描述/表征节点当前正在使用的通用MAC框架。一些参数可以包括:a)无冲突或基于竞争(例如,Boolean);b)基于冲突的类型(例如,无符号整数):载波侦听多接入/冲突避免(CSMA/CA)、载波侦听多接入/冲突检测(CSMA/CD)、Aloha、时隙Aloha;c)无冲突类型(例如,无符号整数):TDMA、CDMA、FDMA、OFDMA等;d)时隙单元(例如,无符号整数):整个***基本单元的整数倍;e)频率/子载波间隔(无符号整数):整个***基本单元的倍数;或f)重传尝试(例如,无符号整数)。
节点102A-102C、107A-107C可以识别波形的参数115(有时称为至少关于NN方面的特征),例如以帮助描述/表征发送节点所使用的MAC方案116。参数115可以包括以下中的一项或多项:a)CDMA接入方法中的代码集布置(例如,接入码字如何划分成子集);b)波束成形码字子集(例如,波束成形向量如何划分成用于空间接入的子集),在多输入多输出(MIMO)或空分多址(SDMA)中,i)信道带宽接入行为和使用统计(例如,在802.11,设备取决于它们基于CCA(清晰信道评估)的可用性,可以使用不同的信道带宽20/40/80/160MHz);或c)通常,节点可以组合空间、时间和频率接入参数。
因为仅有有限数量的用于介质接入的机制(TDD、FDD等),所以可以使用第一检测来检测该机制。一旦该机制被确定,就可以使用另一测试来检测MAC周围的各种参数(或有限数量的关键参数)(退避范围、分时周期(针对TDD)、频率(针对FDD)等)。级联技术架构(如本文其他地方所描述的)可以用于确定这些MAC特性。
节点102A-102C、107A-107C可以周期性地执行MAC检测,或者在通电时执行一次MAC检测并且此后周期性地执行MAC检测,或者在检测到条件恶化等时执行MAC检测。各方面可以使用预选的通信简档117,并且基于检测到的信令与简档之一进行匹配。通信简档117与如上所定义的方案有关。这些简档117可以被存储在存储器110中。简档117定义了用于异构节点之间的通信的MAC方案,而MAC方案116指示了另一节点102A-102C、107A-107C使用的MAC方案。
可以根据所识别或检测到的方案进行通信。例如,AL/ML电路109可以基于波形来识别方案。然后,处理电路111可以基于所识别的方案来查找简档。然后,节点102A-102C、107A-107C可以使用所识别的方案进行通信(例如,节点组103、108的网关)。在一些方面,只有网关需要确定利用其进行通信的MAC方案以及从节点组103、108的节点102A-102C、107A-107C到节点组103、108之外的目的地的所有通信。在其他方面,一个以上的节点102A-102C、107A-107C可以改变它们的MAC方案以直接与另一节点组103、108的节点102A-102C、107A-107C通信。
可以基于已知的方案来执行对AI/ML电路109的训练,诸如通过将观察到的参数与已知的方案参数115进行比较。如果不是通过协作信道,则一个或多个节点102A-102C、107A-107C可以通过分类来确定另一组节点103、108正在使用什么信道。在一些方面,MAC简档117的一个或多个参数可以被全局固定或商定,或者MAC简档117的一个或多个参数可以被习得。
协作信道是专用信道。专用信道可以包括专用频带。可以预先确定用于协作信道上的通信的协议。接入协作信道的节点可能知道该通信协议。用于协作信道的频带可能与PHY在其上操作的频带不同。协作信道可以用于直接共享关于如下参数的信息:诸如技术类型(例如,LTE、WiFi、NR、DARPA等)、带宽、中心频率等。在一些方面,可以使用协作信道来代替学习参数。使用协作信道可以更快地识别用于通信的MAC或PHY方案。协作信道可以是指定的频带,诸如在未许可的空间中。协作信道可用于以某种周期发送关于MAC或PHY协议的信息,诸如使用通用广播协议。
针对跨组通信具有更多的全局参数还是更多习得参数的权衡是灵活性与速度的权衡。例如,如果所有参数都是全局固定的,则学习将非常快(接近于零),但没有或只有很小的灵活性。在一些方面,一个或多个参数是全局固定的,以便可以执行最少的通信和学习。例如,可以在全局设置使用时域方案还是频域方案,否则将无法进行学习,因为甚至无法进行基本通信。如果大多参数是习得的,而不是全局固定的,则信令开销可能会很高,学习参数可能会变得计算量大。其他全局固定的参数可以包括测量单位、资源单位、最小时隙持续时间(或其他最小值)等。还应该考虑到协作信道可以具有相对较低的带宽或吞吐量能力,因此可能需要在全局固定的参数和习得的参数之间做出折衷。
在一些方面,代替(或除了使用)协作信道,可以部署促进信息共享的数据库,其将暴露应用编程接口(API)以提供与现有设备的MAC方案有关的一组操作参数。当节点102A-102C、107A-107C开始操作时,可以调用API来联系数据库以读取这些参数。通过标准化或通用协定,可以定义一组操作参数:特定频带中的每个设备共享频谱必须存储在协作数据库中。API可以是固件119或软件112的一部分。
频谱共享设备可以通过协作信道或使用跨技术的通信方法进行通信,或使用数据库。数据库可以包括由AI/ML电路109学习的习得参数,其可以加速当前部署环境中其他设备的频谱感测引擎。
在各方面中,节点102A-102C、107A-107C可以在探测或正常传输时主动侦听信号,因为通过使用全双工操作来学习其传输对其他节点的影响的能力提高了。这样可以加快学习,并帮助节点更快地反应。全双工也可以允许设备连续地适应传输。
在一些方面中,节点102A-102C、107A-107C可以使用具有公共接口(具有基于无线接入技术(RAT)的潜在差异)的API来探测其他节点并确定何时接入各种信道。
节点102A-102C、107A-107C可以使用一个或多个专家技术或一个或多个机器学习(ML)技术来实现感测技术以确定PHY或MAC参数。这些技术可以被级联(例如,按分层),以提供低复杂度的特征检测。待检测的特征可以是已知信号的特征或来自已知/未知无线信号的新特征。已知/未知是从节点102A-102C、107A-107C的角度来看的。节点102A-102C、107A-107C可以被编程以检测某些信号参数,这些信号参数对于节点102A-102C、107A-107C是已知的。在部署之前节点102A-102C、107A-107C未被训练来检测的任何事物都是未知的。
与其他技术相比,级联/分层PHY参数识别技术可以减少推理和学习时间。级联技术可以由调制解调器设计启发。级联技术可以在NN设计中合并调制解调器架构,从而有可能产生更好的性能。附加地或可替代地,与更传统的ML技术相比,各方面可以降低功耗。各方面可以允许从已知/未知无线信号中学习新特征。
在各方面中,可以使用不同的ML/专家技术来学习接收的无线信号的特征。可以训练一个或多个技术来学习关于信号的特定特征(调制方案、调制阶数、前向纠错(FEC)编码、信道编码等)并被分组到层。
图2通过示例的方式示出了协作无线电网络(CRN)200的一部分的一方面的框图。如所示的,CRN 200包括通信耦合的节点102A、102B和106C。
各方面可以允许各种感兴趣的用例,诸如允许在CIRN节点中进行频谱感测。使用各方面,节点102A-102C之间的可靠通信可以通过中间的中继节点来实现。为了实现更可靠的通信,可以将CIRN中的一个或多个节点配置作为其他CIRN的中继节点。例如,考虑图1的节点102A-102C。
在图1中示出了其中源节点102a试图通过信道A与目的地节点102C通信的网络的示例。然而,信道A有可能不足以处理通信。通过包括中继节点102B,即使当信道A中的中断概率很高时,也可以通过信道B和C在源和目的地之间通信。
在各方面中,中继节点102B可能不具有在某一时刻接收到的无线传输的先验知识。因此,级联技术(参见图3-5)可以用于确定所接收的传输的细节,例如支持中继方法,诸如“解码并转发”(中继操作)。
使用级联的ML/专家技术,中继节点102B可以选择性地转发消息而不需要完全解码所接收的分组。例如,节点102B可以仅转发多载波OFDM传输。另一种中继方法(诸如“放大并转发”)也可以从级联的ML/专家技术中受益,因为它将允许优化功率放大器(PA)的工作模式。例如,可以基于接收信号的类型调整PA的波峰因子。
图3通过示例的方式示出了用于识别PHY层参数的级联分层ML/专家技术300的一方面的逻辑图。所示的技术300包括多层技术,包括第一层204、第二层210和第三层218。尽管技术300被示为包括三层,但是可以使用两层或更多层技术。
第一层204包括诸如从PHY层电路104的采样器电路接收样本202的第一技术206。样本202可以是正交样本,有时称为同相和正交(I-Q)样本。技术206可以包括使用样本202来确定生成信号的PHY层电路104的第一参数的ML或专家技术。例如,节点102B的PHY层电路104可以将电磁波发送到节点102A。天线101可以将波转换为信号,该信号可以被网络电路105采样以生成样本202。可以将样本202提供给可以实现技术206、212A-212B和220A-220B的处理电路111。技术206可以确定例如用于生成样本202的调制方案。
技术206、212A-212B、220A-220B可以包括ML或专家技术来确定参数。ML是计算机科学的领域,其使用统计技术为计算机***提供使用数据学习的能力,而无需被显式编程。ML有两种通用类型,监督学习和无监督学习。在监督学习中,示例输入和输出以学习如下通用规则为目标被提供:该通用规则将输入映射到输出或将输入映射到输入对应于离散输出的似然性。在无监督学习中,没有给出标签,其留下一程序以在输入中查找结构。无监督学习可以用于学习输入的特征。
例如,ML技术可以包括经过训练的神经网络(NN),以将调制技术与相应的似然分数相关联。与最高似然分数(例如,并且高于指定阈值)相关联的调制技术可以被处理电路111假定为PHY层电路104的调制技术,从而识别该调制技术。在一些方面,似然分数不够高(例如,大于或等于指定阈值)。这可以指示信号没有使用任何调制技术,并且NN可能会受益于训练以检测新的调制技术。在调制技术确定中,训练NN可以包括使用I-Q样本输入的输入输出示例以及相应的已知调制技术。
专家技术是显式编程技术。显式编程技术可以包括启发式、规则等,以确定PHY层电路104的参数。专家技术的示例包括使用循环前缀来确定正交频域多路复用(OFDM)边界的时间相关性、如恒定模量算法(CMA)的盲信号处理技术、或最大似然估计(MLE)。MLE可以基于已知无线技术的规范来识别具有已知子载波间隔数值的MAC方案(例如,用于LTE/802.11ac的OFDM、前导或同步信号)。
技术206可以生成输出,该输出被包括作为到具有技术212A-212B的下一第二层210的输入208。第二层210可以包括用于每个输入208的技术。在一方面,第二层210可以包括用于识别调制阶数的(一个或多个)技术。技术212A-212B的数量可以等于或大于可能的调制阶数的数量。包括比可能的调制阶数的数量更多的技术允许对技术进行训练或编程以识别未来的、当前未知的调制阶数。
技术212A-212B可以生成输出,该输出被包括在到层3 218中的技术220A-220B的输入214、216中。到层3 218的输入214可以包括来自每个先前层的输出(例如,层N可以包括来自层1到层N-1全部层的输出)。在一些方面,到层204、210和218中的每一个的输入可以包括样本202。
第三层218可以包括技术220A-220B,用于确定例如样本202的FEC。技术220A-220B的数量可以包括用于每个可能的FEC的技术以及用于将来的、当前未知的或不切实际的FEC的可选附加技术。第三层218中的技术220A-220B可以生成输出222、224。输出222、224可以包括每个层204、210和218的结果,或者来自每个层的输出可以被独立地提供。类似地,输入208、214、216和样本202中的一个或多个可以被聚合并作为单个输入提供,或者可以被独立地提供给每个层204、210和218。
第K层中的技术可以通过使用层1、...、-1中的技术提取的信息来提高它们的学习能力。在PHY参数识别的示例中,第一层204首先从所接收的样本202中检测无线信号的数字调制。在下一层210中,ML/专家技术212A-212B使用样本202并且在第一层204检测的某种数字调制的假设下检测调制阶数。在层3 218中,可以基于第一层204技术206、层2 210技术212A-212B和样本202的输出来检测FEC编码方案。
因为每个级联层204、210、218具有局部输入和输出并被训练用于唯一特征分类,所以有可能使用非同构层204、210、218创建级联的ML/专家技术。在级联的ML/专家技术中使用异构层204、210、218可以允许针对特定类型的分类问题优化每一层的性能,例如检测PHY层电路104的单个参数。
这类级联技术的动机来自调制解调器中PHY层电路104的底层设计。例如,根据调制技术(例如,正交频域复用(OFDM)、单载波频域复用(SCFDM)、相移键控(PSK)、频移键控(FSK)、幅移键控(ASK))、开-关键控(OOK)、正交幅度调制(QAM)、连续相位调制(CPM)等),调制阶数的确定可能会发生很大变化,并要求对神经网络的输入进行适当的修改。例如,如果已确定调制是OFDM,然后检测调制阶数,则在频域中操作可能是有益的。有可能训练足够大的NN来确定时域中的调制阶数,但这可能会显著增加复杂度。通过结合通信调制解调器架构的知识,可以降低技术的复杂性并且可以提高***100的检测能力。
图4通过示例的方式示出了用于识别PHY层电路参数的级联技术400的一方面的图。技术400类似于技术300,其中技术400包括要由每个层204、210和218(为了不模糊视图,在图3中未示出的这些层)检测的特定参数。在技术400中,I-Q样本302被提供给技术304,以用于识别调制方案是多载波调制方案还是单载波调制方案。响应于技术304确定该调制方案更可能是多载波调制方案而不是单载波调制方案,样本302和指示该调制方案更可能是多载波调制方案的数据可以被提供来作为到技术308的输入306。
在一些方面,处理电路111可以包括被配置为基于前一层的结果来选择或过滤后一层中的一个或多个技术的逻辑或电路。例如,被配置为确定用于单载波调制方案的调制阶数的技术不需要对被确定为对应于多载波调制方案的输入进行操作。图5通过示例的方式示出了这种滤波器组件的一方面的图。
在图4的方面,由于样本302被确定为对应于多载波调制方案,因此来自技术304的样本和参数未被提供给单载波调制阶数技术。技术308确定样本302的调制阶数。技术308(或该层中的其他电路)可以提供指示调制方案、调制阶数和样本302的结果以作为下一层的输入310。
技术312可以确定用于生成样本302的FEC,诸如可以是基于样本302、技术304的输出或技术308的输出。与技术308所驻留的层如何过滤向其提供输入306的技术类似,技术312所驻留的层可以过滤哪个或哪些技术接收输入310。
考虑了其中PHY层电路104的参数是未知的情况。仅在所接收的无线信号(样本302)中存在新特征的层中才需要对技术304、308或312进行训练。考虑到出于说明目的,FEC参数对于节点102A-102C是未知的。这意味着节点102A-102C不具有如下技术:该技术被配置为检测由生成传输的PHY层电路104所使用的特定FEC。例如,这可以通过如下操作来确定:确定与相应的先前层中的(一个或多个)技术的输出相关联的最大分数小于阈值,或确定来自在先的(一个或多个)层的输出的组合在该层中未考虑。
例如,图4示出了已经接收到多载波16QAM信号的方面。层1和层2中的技术304和308已经被训练以检测这些参数(为简单起见,图4假设所有技术均由图4中的NN形成)。然而,层3尚未被训练以检测新型的FEC编码方案。然而,为了完成检测,在给定先前习得的特征的情况下,将仅需要训练层的一个技术来检测FEC方案。这与其他尝试使用单个NN或单个NN中的多个参数来确定传输的所有参数的技术或NN形成对比。
因此,各方面允许检测与未知的新型无线信号相对应的参数子集。当节点102A-102C关于这种新型信号进行了学习时,它们可以使用该部分信息及时地改进它们的整体网络性能。
图5通过示例的方式示出了被配置为执行用于PHY层电路参数识别的级联分层技术的处理电路111的一方面的图。处理电路111可以从PHY层电路104接收样本202,或基于从PHY层电路104接收的信号来生成样本202。技术206可以对样本202进行操作以生成指示一种或多种类别的结果。该结果可以指示相应的值,该值指示相关联的类别是样本202的正确分类的似然性。
比较器330可以确定哪个类别对应于最高值。比较器330可以生成输出,该输出指示技术206识别了哪个类别(例如,哪个类别对应于最高值)。比较器330的输出可以用于确定下一层中的哪个或哪些技术212A-212B要对样本202、技术206的输出或其他输入中的一个或多个进行操作。在一些方面,处理电路111可以使用查找表(LUT)332,例如可以被存储在存储器110中。在其他方面,开关网络,例如可以包括数字开关、数字逻辑(例如,与(AND)、或(OR)、异或(XOR)、取反、缓冲等)、多路复用器等,其被配置为将样本202或其他输入引导到适当的技术212A-212B。
层218可以从层210的(一个或多个)技术212A-212B接收一个或多个输出。类似于层210,层218可以包括比较器334(类似于比较器330)和LUT 336(类似于LUT 332或与LUT332相同)。比较器334可以识别来自技术212A-212B的对应于最高值的结果。来自层210的结果(例如,利用/不利用来自层204的结果)可以用于确定层218的一个或多个技术220A-220F,以提供来自层204的结果、来自层210的结果或样本202中的一个或多个。以这种方式,这些结果被过滤到仅与输入有关的(一个或多个)技术212A-212B、220A-220F。对于给定标识、功耗和计算时间,这降低了计算复杂度。
考虑到要识别的信号的性质和可能被识别的PHY层电路104参数的先验知识,除了原始的I和Q样本外,还可以生成提供给NN的输入。例如,在OFDM***中,使用循环前缀。因此,信号的自相关可以产生以OFDM符号持续时间间隔开的周期性尖峰。因此,样本的自相关函数可以是NN的输入。基于此,到技术206、212A-212B、220A-220F、304、308或312的输入可以包括以下中的一个或多个:时域I-Q样本、I-Q样本的快速傅里叶变换(FFT)、I-Q样本的自相关、IQ样本的小波系数(例如,Haar小波、Dabauchies小波等)、I-Q样本的FFT的小波系数或I-Q样本到标准代码上的投影(projection)(例如,Walsh-Hadamard代码等)。在一些方面,到NN的输入可以包括代表I样本和Q样本的复数,并且NN的神经元的权重是复数。在其他方面,到NN的输入可以是实数,并且可以分别处理样本的I值和Q值,例如通过向量的单独维度或单独的输入。与对实数样本进行操作的(一个或多个)NN相比,包括复数权重并接收复数输入的NN在神经元数量、计算时间或功耗方面可能更高效。
I-Q样本的小波系数可以提供对时域调制或频域调制技术的指示,因为小波系数是时频局部基础投影。I-Q样本的FFT的小波系数有助于检测跳频调制方案(例如,跳频扩频(FHSS)),因为小波系数在频率和时间中是局部的。在标准代码上的投影可以帮助识别类似码分多址(CDMA)的调制方案,其中信号是通过代码调制的。存储器110或其他存储器设备可以包括所使用的标准代码。将信号投影到这些标准代码之一上可以为识别提供更好的特征集。
一个或多个方面可以帮助检测从未见过的PHY层电路参数,例如,电子和电气工程师协会(IEEE)802.11或其他无线通信标准当前不支持的子载波间隔、当前未知的编码方案、自定义信号或新的FEC,以及其他PHY层电路参数。使用各方面的级联技术,第一层中的技术的推理精度可以比下游层中的技术更快地提高。
在传统的ML/DL技术中,无论输入信号的类型如何,特征检测都需要相同的功耗和/或推理时间。由于各方面的性质,取决于异构级联技术中使用的技术,一些信号的特征检测可能比其他信号需要更大的功率和/或延迟。
在一个或多个方面,可以预测CIRN干扰模式。每个节点可以监视不同的频带以在传输之前识别潜在的干扰。每个节点可以学习每个频率信道中的干扰模式,并在数据传输中将其考虑在内。还可以识别干扰的相关特征/规范,诸如:(i)方向:多输入多输出(MIMO)节点可以在不同方向上监视不同的信道,通过定向测量,可以识别每个方向上的干扰程度;(ii)相关性:节点可以计算已知节点传输调度器与所接收的干扰的相关性。所有上述参数都可以成为干扰模式的一部分,这有助于数据在干扰最小的最佳信道中传输。
在一些方面,协作信道(CC)可以如下用于在节点之间交换参数和信息:(i)可以引导节点在CC中发送控制分组以用信号通知节点的活动信道;比特位可以与每个信道相关联,并在节点处于活动状态时被设置为1;其他节点可以监视这些控制分组以测量每个信道的活动性;(ii)如果一个节点在一个信道中持续观察到高水平的干扰,则可以在CC中为该频率信道设置警告标志以警告其他节点;(iii)如果一个节点具有任务关键型任务,则可以在CC中设置标志以向其他节点请求空闲信道。
图6通过示例的方式示出了用于PHY参数识别的方法600的一方面的图。方法600可以由节点102A-102C、107A-107C中的一个或多个来执行。如图示的方法600包括:在操作602,由天线101将第二节点的电磁波(来自网络电路105)转换为电信号;以及在操作604,基于该电信号确定第二节点的PHY层电路104的参数;并且在操作606,(通过网络电路105并且基于来自处理电路111的信号)使天线101发送与所确定的参数一致的电磁波。操作604可以使用处理电路111来实现,诸如通过实现技术的级联分层。
方法600还可以包括,其中技术的级联分层包括技术层,该技术层包括具有一个或多个技术的第一层,以及具有两个或多个技术的第二层。方法600还可以包括,其中第一层用于基于电信号来识别PHY层电路的第一参数,并且第二层用于基于第一参数和电信号来识别PHY层电路的第二不同参数。方法600还可以包括,其中技术包括一个或多个机器学习技术。
方法600还可以包括,其中第一参数是调制方案。方法600还可以包括,其中第二参数是调制阶数。方法600还可以包括,其中技术层还包括具有用于确定PHY层电路的第三参数的技术的第三层。方法600还可以包括,其中第三参数是前向纠错方案。方法600还可以包括,其中仅第二层中的技术子集对电信号进行操作,该技术子集是基于第一参数确定的。方法600还可以包括训练技术中的一技术以识别新参数。
图7通过示例的方式示出了用于MAC参数识别的方法700的一方面的图。方法700可以使用节点102A-102C、107A-107C中的一个或多个来实现。如图示的方法700包括:在操作702,(通过天线101)将第二节点的电磁波(来自网络电路105)转换为电信号;在操作704,由被配置为实现机器学习技术的处理电路基于电信号来确定第二节点的第一介质访问控制(MAC)方案的参数;在操作706,基于所确定的参数识别第二MAC方案;并且在操作708,(通过网络电路105)使天线101发送与所识别的第二MAC方案一致的电磁波。
方法700可以包括,其中通信节点被配置作为网关,从包括无线通信节点的第一组通信节点到第二组通信节点的通信/从第二组通信节点到包括无线通信节点的第一组通信节点的通信必须通过该网关。方法700还可以包括,其中第一组通信节点中的每个通信节点被配置为使用与第一MAC方案和第二MAC方案不同的第三MAC方案进行通信。
方法700还可以包括,其中第一参数包括以下各项中的一项或多项:代码集布置,其指示接入码字如何在码分多址MAC方案中划分成子集;波束成形码字子集,其指示波束成形向量如何针对空间接入MAC方案划分成子集;以及信道带宽接入使用统计。方法700还可以包括,其中,网络电路被配置为通过使天线发送第二电磁波来实现主动探测,并且向处理电路提供来自第二节点的与对第二电磁波的响应相对应的电信号。方法700还可以包括,(通过处理电路111)确定指示无线通信节点与第二节点之间的通信质量的性能分数,并且响应于所确定的性能分数低于指定阈值而调整所实现的MAC方案。
方法700还可以包括,其中,调整MAC方案包括对用于清晰信道评估的时间的调整、对退避过程的调整或对分组大小/片段的调整。方法700还可以包括使用神经网络来实现该技术。方法700还可以包括,其中,MAC方案包括随机接入方案或无冲突MAC方案。方法700还可以包括,其中机器学习技术的输入包括以下各项中的至少一项:(i)电信号的I值和Q值的幅度值;(ii)与电信号的I值和Q值相对应的复数值;(iii)电信号的快速傅里叶变换;(iv)电信号的小波系数;以及(v)电信号到代码的投影。
图8是示出了根据示例方面的以计算机***800的示例形式的机器的框图,在该计算机***800中,可以执行指令集或指令序列以使该机器执行本文所讨论的任何一种方法。例如,以上参考图1至图7描述的方法或由节点102、107中的一个或多个实现的技术可以使用计算机***800的至少一部分来执行。
在替代方面,该机器作为独立设备操作,或者可以连接(例如,联网)到其他机器。在联网部署中,计算机可以在服务器-客户端网络环境中以服务器或客户端计算机的能力操作,或者可以在对等(或分布式)网络环境中充当对等机器。该机器可以是车载***、ADAS、自动驾驶车辆的装置、可穿戴设备、个人计算机(PC)、平板PC、混合平板、个人数字助理(PDA)、移动电话(例如,智能手机)或任何能够(顺序地或以其他方式)执行指令的机器,这些指令指定该机器要采取的动作。此外,虽然仅示出了单个机器,但是术语“机器”也应被理解为包括机器的任何集合,这些机器单独地或联合地运行一组(或多组)指令以执行本文讨论的任何一个或多个方法。类似地,术语“基于处理器的***”应被认为包括由处理器(例如,计算机)控制或操作的一个或多个机器的任何集合,以单独或联合地运行指令以执行本文讨论的任何一个或多个方法。例如,计算机***800的一部分可以运行指令以执行上面参考图6至图7描述的方法。
示例计算机***800包括至少一个处理器802(例如,中央处理单元(CPU)、图形处理单元(GPU)或这两者、处理器核、计算节点等)、主存储器804和静态存储器806,其通过链路808(例如,总线)彼此通信。计算机***800还可以包括视频显示设备810、输入设备812(例如,诸如键盘或小键盘的字母数字输入设备、触摸板、麦克风、相机、或诸如按钮的虚拟现实/VR耳机的组件)、用户界面(UI)导航设备814(例如,鼠标、手写笔或指向设备)。在一方面,视频显示设备810、输入设备812和UI导航设备814被结合到触摸屏显示器(例如,触敏显示设备)中。
计算机***800可以附加地包括存储设备816(例如,驱动单元)、信号生成设备818(例如,扬声器)、网络接口设备820以及一个或多个传感器821,诸如RFID读取器、全球定位***(GPS)传感器、相机、指南针、加速计、陀螺仪、磁力计或其他传感器。计算机***800还可以包括输出控制器832,诸如串行(例如,通用串行总线(USB))、并行或其他有线或无线(例如,IR、近场通信(NFC)等)连接以进行通信或控制一个或多个***设备(例如,打印机、读卡器等)。在一些方面,处理器802或指令824(例如,图8中所示的示例中的软件)可以包括处理电路或收发器电路。处理电路可以包括一个或多个电气或电子组件,诸如一个或多个晶体管、电阻器、电容器、电感器、二极管、调节器、模数转换器、数模转换器、逻辑门(例如,与(AND)、或(OR)、与非(NAND)、或非(NOR)、异或(XOR)或其他逻辑门)、多路复用器、调制器、开关、电源等。
存储设备816包括机器可读介质822,该机器可读介质822上存储有一组或多组数据结构和指令824(例如,软件),这些数据结构和指令824体现本文描述的任何一种或多种方法或功能或被本文描述的任何一种或多种方法或功能所利用。例如,计算机***800可以运行指令824以执行以上参考图5和图7描述的方法。
在计算机***800运行指令期间,指令824也可以全部或至少部分地驻留在主存储器804、静态存储器806内、或处理器802内,其中主存储器804、静态存储器806和处理器802还构成机器可读介质822。
尽管在示例方面中将机器可读介质822示为单个介质,但是术语“机器可读介质”可以包括存储一个或多个指令824的单个介质或多个介质(例如,集中式或分布式数据库或关联的缓存和服务器)。术语“机器可读介质”也应被认为包括能够存储、编码或携带由机器运行的指令824并且使机器执行本公开的任何一种或多种方法,或能够存储、编码或携带由此类指令824使用或与之相关联的数据结构的任何有形介质。因此,术语“机器可读介质”应被认为包括但不限于固态存储器以及光和磁介质。机器可读介质822的特定示例包括非易失性存储器,作为示例,包括但不限于,半导体存储设备(例如,电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪存设备;磁盘,诸如内部硬盘和可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM磁盘。
指令824还可以经由使用多种众所周知的传输协议(例如,HTTP)中的任一种的网络接口设备820使用传输介质在通信网络826上被发送或接收。通信网络的示例包括局域网(LAN)、广域网(WAN)、互联网、移动电话网络、老式旧电话(POTS)网络和无线数据网络(例如,蓝牙、Wi-Fi、3G、以及4G LTE/LTE-A或WiMAX网络)。网络接口设备820可以在传输介质上向网络826发送和接收数据,该传输介质可以是有线的或无线的(例如,射频、红外或可见光谱等)、光纤等。
根据各个方面,网络接口设备820可以采用任何合适的形状因子。在一个此种方面,网络接口设备820是网络接口卡(NIC)的形式,其通过链路808与处理器802接口连接。在一个示例中,链路808包括PCI Express(PCIe)总线,该PCI Express总线包括NIC形状因子可以可移除地接合到其中的插槽。在另一方面,网络接口设备820是与本地链路电路、处理器接口电路、其他输入/输出电路、存储器电路、存储设备和***控制器电路等一起布置在主板上的网络接口电路。在另一方面,网络接口设备820是经由***输入/输出端口(诸如通用串行总线(USB)端口)与链路808接口连接的***设备。
示例:
示例1是无线通信节点,该无线通信节点包括天线,所述天线用于将来自第二节点的网络(NET)电路的电磁波转换为电信号;处理电路,所述处理电路用于实现技术的级联分层,以基于所述电信号确定所述第二节点的物理(PHY)层电路的参数;以及网络电路,所述网络电路用于基于来自所述处理电路的信号,使所述天线发送与所确定的参数一致的电磁波。
在示例2中,示例1还包括,其中所述技术的级联分层包括技术层,所述技术层包括具有一个或多个技术的第一层以及具有两个或更多个技术的第二层。
在示例3中,示例2还包括,其中所述第一层用于基于所述电信号来识别所述PHY层电路的第一参数,并且所述第二层用于基于所述第一参数和所述电信号来识别所述PHY层电路的第二参数,所述第二参数与所述第一参数不同。
在示例4中,示例3还包括,其中所述技术包括一个或多个机器学习技术。
在示例5中,示例1-4中的至少一个还包括,其中所述第一参数是调制方案。
在示例6中,示例5还包括,其中所述第二参数是调制阶数。
在示例7中,示例6还包括,其中所述技术层还包括第三层,所述第三层具有用于确定所述PHY层电路的第三参数的技术。
在示例8中,示例7还包括,其中所述第三参数是前向纠错方案。
在示例9中,示例2-8中的至少一个还包括,其中仅所述第二层中的技术子集对所述电信号进行操作,所述技术子集是基于所述第一参数确定的。
在示例10中,示例1-9中的至少一个还包括,其中所述处理电路还用于训练所述技术中的技术以识别新参数。
示例11包括一种无线通信节点,该无线通信包括天线,所述天线用于将来自第二节点的网络(NET)电路的电磁波转换为电信号;处理电路,所述处理电路用于实现机器学习技术,以基于所述电信号确定第二节点的第一介质访问控制(MAC)方案的参数,并基于所述参数识别第二MAC方案;以及网络电路,所述网络电路用于使所述天线发送与所识别的第二MAC方案一致的电磁波。
在示例12中,示例11还包括,其中所述无线通信节点被配置作为网关,从包括所述无线通信节点的第一组通信节点到第二组通信节点的通信/从所述第二组通信节点到包括所述无线通信节点的所述第一组通信节点的通信必须通过所述网关。
在示例13中,示例12还包括,其中所述第一组通信节点中的每个通信节点被配置为使用与所述第一MAC方案和所述第二MAC方案不同的第三MAC方案进行通信。
在示例14中,示例11-13中的至少一个还包括,其中所述第一参数包括以下各项中的一项或多项:代码集布置,所述代码集布置指示接入码字如何在码分多址MAC方案中划分成子集;波束成形码字子集,所述波束成形码字子集指示波束成形向量如何针对空间接入MAC方案划分成子集;以及信道带宽接入使用统计。
在示例15中,示例11-14中的至少一个还包括,其中所述网络电路被配置为通过使所述天线发送第二电磁波来实现主动探测,并且向所述处理电路提供来自所述第二节点的与对所述第二电磁波的响应相对应的电信号。
在示例16中,示例11-15中的至少一个还包括,其中所述处理电路还用于确定指示所述无线通信节点与所述第二节点之间的通信质量的性能分数,并且响应于所确定的性能分数低于指定阈值而调整所实现的MAC方案。
在示例17中,示例16还包括,其中对所述MAC方案的所述调整包括:对用于清晰信道评估的时间的调整、对退避过程的调整或对分组大小/片段的调整。
在示例18中,示例11-17中的至少一个还包括,其中所述处理电路使用神经网络来实现机器学习技术。
在示例19中,示例11-18中的至少一个还包括,其中所述MAC方案包括随机接入方案或无冲突MAC方案。
在示例20中,示例11-19中的至少一个还包括,其中所述机器学习技术的输入包括以下各项中的至少一项:(i)所述电信号的I值和Q值的幅度值;(ii)与所述电信号的I值和Q值相对应的复数值;(iii)所述电信号的快速傅里叶变换;(iv)所述电信号的小波系数;以及(v)所述电信号到代码的投影。
示例21包括至少一种非暂态机器可读介质,包括指令,所述指令在由第一节点执行时将所述第一节点配置为执行用于确定物理(PHY)层电路参数的操作,所述操作包括:实现技术的级联分层,以基于来自第二节点的电信号确定所述第二节点的PHY层电路的参数;以及使所述第一节点的天线发送与所确定的参数一致的电磁波。
在示例22中,示例21还包括,其中所述技术的级联分层包括技术层,所述技术层包括具有一个或多个技术的第一层以及具有两个或更多个技术的第二层。
在示例23中,示例22还包括,其中所述第一层用于基于所述电信号来识别所述PHY层电路的第一参数,并且所述第二层用于基于所述第一参数和所述电信号来识别所述PHY层电路的第二参数,所述第二参数与所述第一参数不同。
在示例24中,示例23还包括,其中所述技术包括一个或多个机器学习技术。
在示例25中,示例24还包括,其中所述第一参数是调制方案。
在示例26中,示例25还包括,其中所述第二参数是调制阶数。
在示例27中,示例26还包括,其中所述技术层还包括第三层,所述第三层具有用于确定所述PHY层电路的第三参数的技术。
在示例28中,示例27还包括,其中所述第三参数是前向纠错方案。
在示例29中,示例22-28中的至少一个还包括:其中仅所述第二层中的技术子集对所述电信号进行操作,所述技术子集是基于所述第一参数确定的。
在示例30中,示例21-29中的至少一个还包括,其中所述操作还包括训练所述技术中的技术以识别新参数。
示例31包括至少一种非暂态机器可读介质,包括指令,所述指令在由第一节点执行时将所述第一节点配置为执行用于确定介质访问控制(MAC)方案的操作,所述操作包括:实现机器学习技术,以基于来自第二节点的电信号确定所述第二节点的第一MAC方案的参数,并基于所述参数识别第二MAC方案;以及使所述第一节点的天线发送与所识别的第二MAC方案一致的电磁波。
在示例32中,示例31还包括,其中所述至少一种非暂态机器可读介质是被配置作为网关的节点的一部分,从包括所述第一节点的第一组通信节点到第二组通信节点的通信/从所述第二组通信节点到包括所述第一节点的所述第一组通信节点的通信必须通过所述网关。
在示例33中,示例32还包括,其中所述第一组通信节点中的每个所述通信节点被配置为使用与所述第一MAC方案和所述第二MAC方案不同的第三MAC方案进行通信。
在示例34中,示例31-33中的至少一个还包括,其中所述第一参数包括以下各项中的一项或多项:代码集布置,所述代码集布置指示接入码字如何在码分多址MAC方案中划分成子集;波束成形码字子集,所述波束成形码字子集指示波束成形向量如何针对空间接入MAC方案划分成子集;以及信道带宽接入使用统计。
在示例35中,示例31-34中的至少一个还包括,其中所述操作还包括:通过使所述天线发送第二电磁波来实现主动探测,并且从所述第二节点接收与对所述第二电磁波的响应相对应的电信号。
在示例36中,示例31-35中的至少一个还包括,其中所述操作还包括:确定指示所述第一节点与所述第二节点之间的通信质量的性能分数,并且响应于所确定的性能分数低于指定阈值而调整所实现的MAC方案。
在示例37中,示例36还包括,其中对所述MAC方案的所述调整包括:对用于清晰信道评估的时间的调整、对退避过程的调整或对分组大小/片段的调整。
在示例38中,示例31-37中的至少一个还包括,其中所述机器学习技术是使用神经网络来实现的。
在示例39中,示例31-38中的至少一个还包括,其中所述MAC方案包括随机接入方案或无冲突MAC方案。
在示例40中,示例31-39中的至少一个还包括,其中所述机器学习技术的输入包括以下各项中的至少一项:(i)所述电信号的I值和Q值的幅度值;(ii)与所述电信号的I值和Q值相对应的复数值;(iii)所述电信号的快速傅里叶变换;(iv)所述电信号的小波系数;以及(v)所述电信号到代码的投影。
示例41包括一种由第一节点执行的用于确定第二节点的物理(PHY)层电路的参数的方法,所述方法包括:实现技术的级联分层,以基于来自所述第二节点的电信号确定所述第二节点的PHY层电路的参数;以及使所述第一节点的天线发送与所确定的参数一致的电磁波。
在示例42中,示例41还包括,其中所述技术的级联分层包括技术层,所述技术层具有包括一个或多个技术的第一层以及具有两个或更多个技术的第二层。
在示例43中,示例42还包括,其中所述第一层用于基于所述电信号来识别所述PHY层电路的第一参数,并且所述第二层用于基于所述第一参数和所述电信号来识别所述PHY层电路的第二参数,所述第二参数与所述第一参数不同。
在示例44中,示例43还包括,其中所述技术包括一个或多个机器学习技术。
在示例45中,示例44还包括,其中所述第一参数是调制方案。
在示例46中,示例45还包括,其中所述第二参数是调制阶数。
在示例47中,示例46还包括,其中所述技术层还包括第三层,所述第三层具有用于确定所述PHY层电路的第三参数的技术。
在示例48中,示例47还包括,其中所述第三参数是前向纠错方案。
在示例49中,示例42-48中的至少一个还包括,其中仅所述第二层中的技术子集对所述电信号进行操作,所述技术子集是基于所述第一参数确定的。
在示例50中,示例41-49中的至少一个还包括训练所述技术中的技术以识别新参数。
示例51包括一种由第一节点执行的用于确定介质访问控制(MAC)方案的方法,所述方法包括:实现机器学习技术,以基于来自第二节点的电信号确定所述第二节点的第一MAC方案的参数,并基于所述参数识别第二MAC方案;以及使所述第一节点的天线发送与所识别的第二MAC方案一致的电磁波。
在示例52中,示例51还包括,其中所述第一节点被配置作为网关,从包括所述第一节点的第一组通信节点到第二组通信节点的通信/从所述第二组通信节点到包括所述第一节点的所述第一组通信节点的通信必须通过所述网关。
在示例53中,示例52还包括,其中所述第一组通信节点中的每个通信节点被配置为使用与所述第一MAC方案和所述第二MAC方案不同的第三MAC方案进行通信。
在示例54中,示例51-53中的至少一个还包括,其中所述第一参数包括以下各项中的一项或多项:代码集布置,所述代码集布置指示接入码字如何在码分多址MAC方案中划分成子集;波束成形码字子集,所述波束成形码字子集指示波束成形向量如何针对空间接入MAC方案划分成子集;以及信道带宽接入使用统计。
在示例55中,示例51-54中的至少一个还包括:通过使所述天线发送第二电磁波来实现主动探测,并且从所述第二节点接收与对所述第二电磁波的响应相对应的电信号。
在示例56中,示例51-55中的至少一个还包括:确定指示所述第一节点与所述第二节点之间的通信质量的性能分数,并且响应于所确定的性能分数低于指定阈值而调整所实现的MAC方案。
在示例57中,示例56还包括,其中对所述MAC方案的所述调整包括:对用于清晰信道评估的时间的调整、对退避过程的调整或对分组大小/片段的调整。
在示例58中,示例51-57中的至少一个还包括,其中所述机器学习技术是使用神经网络实现的。
在示例59中,示例51-58中的至少一个还包括,其中所述MAC方案包括随机接入方案或无冲突MAC方案。
在示例60中,示例51-59中的至少一个还包括,其中所述机器学习技术的输入包括以下各项中的至少一项:(i)所述电信号的I值和Q值的幅度值;(ii)与所述电信号的I值和Q值相对应的复数值;(iii)所述电信号的快速傅里叶变换;(iv)所述电信号的小波系数;以及(v)所述电信号到代码的投影。
补充说明:
上面的详细描述包括对形成具体实施方式一部分的附图的参考。附图通过图示的方式示出了可以实践的特定方面。这些方面在本文中也称为“示例”。此种示例可以包括除了所示或描述的元素之外的其他元素。然而,还预期了包括所示或所述的元素的示例。此外,还预期了相对于特定示例(或其一个或多个方面)或本文所示或所述的其他示例(或其一个或多个方面),使用所示或所述的这些元素(或其一个或多个方面)的任意组合或置换的示例。
该文件中引用的出版物、专利和专利文件通过引用整体并入本文,就像通过引用将其单独并入一样。如果本文件与通过引用方式并入的那些文件之间用法不一致,则所并入的引用中的用法是对本文件的补充。对于不可调和的不一致,以本文件中的用法为准。
在本文件中,所使用的术语“一”或“一个”如专利文件中常用的那样,包括一个或多个,独立于“至少一个”或“一个或多个”的任何其他实例或用法。在本文件中,术语“或”用于指非排他性的或,使得“A或B”包括“A但不包括B”、“B但不包括A”和“A和B”,除非另有指示。在所附权利要求书中,术语“包括”和“在其中”被用作相应术语“包含”和“其中”的简明英语等效。此外,在所附权利要求书中,术语“包括”和“包含”是开放式的,即,包括除了权利要求中在该术语之后列出的元件之外的元件的***、设备、物品或过程仍然被认为落入该权利要求的范围。此外,在所附权利要求书中,术语“第一”、“第二”和“第三”等仅用作标签,并且无意暗示其对象的数字顺序。
上面描述旨在是说明性的,而不是限制性的。例如,上述示例(或其一个或多个方面)可以与其他示例结合使用。本领域普通技术人员在阅读以上描述后可以使用其他方面。摘要是为了允许读者能够快速确定技术公开的性质。提交本摘要的前提是,它不会被用来解释或限制权利要求的范围或含义。另外,在以上具体实施方式中,可以将各种特征分组在一起以简化本公开。然而,权利要求书可能未阐述本文公开的每个特征,因为各方面可以以所述特征的子集为特征。此外,各方面可以包括比特定示例中公开的特征更少的特征。因此,所附权利要求书据此被结合到具体实施方式中,其中权利要求本身作为单独的方面。将参考所附权利要求书以及与这些权利要求书所赋予的等效物的全部范围来确定本文所公开的方面的范围。
Claims (60)
1.一种无线通信节点,包括:
天线,所述天线用于将来自第二节点的网络(NET)电路的电磁波转换为电信号;
处理电路,所述处理电路用于实现技术的级联分层,以基于所述电信号确定所述第二节点的物理(PHY)层电路的参数;以及
网络电路,所述网络电路用于基于来自所述处理电路的信号,使所述天线发送与所确定的参数一致的电磁波。
2.根据权利要求1所述的无线通信节点,其中,所述技术的级联分层包括技术层,所述技术层包括具有一个或多个技术的第一层以及具有两个或更多个技术的第二层。
3.根据权利要求2所述的无线通信节点,其中,所述第一层用于基于所述电信号来识别所述PHY层电路的第一参数,并且所述第二层用于基于所述第一参数和所述电信号来识别所述PHY层电路的第二参数,所述第二参数与所述第一参数不同。
4.根据权利要求3所述的无线通信节点,其中,所述技术包括一个或多个机器学习技术。
5.根据权利要求3所述的无线通信节点,其中,所述第一参数是调制方案。
6.根据权利要求5所述的无线通信节点,其中,所述第二参数是调制阶数。
7.根据权利要求6所述的无线通信节点,其中,所述技术层还包括第三层,所述第三层具有用于确定所述PHY层电路的第三参数的技术。
8.根据权利要求7所述的无线通信节点,其中,所述第三参数是前向纠错方案。
9.根据权利要求2所述的无线通信节点,其中,仅所述第二层中的技术子集对所述电信号进行操作,所述技术子集是基于所述第一参数确定的。
10.根据权利要求1所述的无线通信节点,其中,所述处理电路还用于训练所述技术中的技术以识别新参数。
11.一种无线通信节点,包括:
天线,所述天线用于将来自第二节点的网络(NET)电路的电磁波转换为电信号;
处理电路,所述处理电路用于实现机器学习技术,以基于所述电信号确定所述第二节点的第一介质访问控制(MAC)方案的参数,并基于所述参数识别第二MAC方案;以及
网络电路,所述网络电路用于使所述天线发送与所识别的第二MAC方案一致的电磁波。
12.根据权利要求11所述的无线通信节点,其中,所述无线通信节点被配置作为网关,从包括所述无线通信节点的第一组通信节点到第二组通信节点的通信/从所述第二组通信节点到包括所述无线通信节点的所述第一组通信节点的通信必须通过所述网关。
13.根据权利要求12所述的无线通信节点,其中,所述第一组通信节点中的每个通信节点被配置为使用与所述第一MAC方案和所述第二MAC方案不同的第三MAC方案进行通信。
14.根据权利要求11所述的无线通信节点,其中,所述参数包括以下各项中的一项或多项:代码集布置,所述代码集布置指示接入码字如何在码分多址MAC方案中划分成子集;波束成形码字子集,所述波束成形码字子集指示波束成形向量如何针对空间接入MAC方案划分成子集;以及信道带宽接入使用统计。
15.根据权利要求11所述的无线通信节点,其中,所述网络电路被配置为:通过使所述天线发送第二电磁波来实现主动探测,并且向所述处理电路提供来自所述第二节点的与对所述第二电磁波的响应相对应的电信号。
16.根据权利要求11所述的无线通信节点,其中,所述处理电路还用于:确定指示所述无线通信节点与所述第二节点之间的通信质量的性能分数,并且响应于所确定的性能分数低于指定阈值而调整所实现的MAC方案。
17.根据权利要求16所述的无线通信节点,其中,对所述MAC方案的所述调整包括:对用于清晰信道评估的时间的调整、对退避过程的调整或对分组大小/片段的调整。
18.根据权利要求11所述的无线通信节点,其中,所述处理电路使用神经网络实现所述机器学习技术。
19.根据权利要求11所述的无线通信节点,其中,所述MAC方案包括随机接入方案或无冲突MAC方案。
20.根据权利要求11所述的无线通信节点,其中,所述机器学习技术的输入包括以下各项中的至少一项:(i)所述电信号的I值和Q值的幅度值;(ii)与所述电信号的I值和Q值相对应的复数值;(iii)所述电信号的快速傅里叶变换;(iv)所述电信号的小波系数;以及(v)所述电信号到代码的投影。
21.至少一种非暂态机器可读介质,包括指令,所述指令在由第一节点执行时将所述第一节点配置为执行用于确定物理(PHY)层电路参数的操作,所述操作包括:
实现技术的级联分层,以基于来自第二节点的电信号确定所述第二节点的PHY层电路的参数;以及
使所述第一节点的天线发送与所确定的参数一致的电磁波。
22.根据权利要求21所述的至少一种非暂态机器可读介质,
其中,所述技术的级联分层包括技术层,所述技术层包括具有一个或多个技术的第一层以及具有两个或更多个技术的第二层。
23.根据权利要求22所述的至少一种非暂态机器可读介质,
其中,所述第一层用于基于所述电信号来识别所述PHY层电路的第一参数,并且所述第二层用于基于所述第一参数和所述电信号来识别所述PHY层电路的第二参数,所述第二参数与所述第一参数不同。
24.根据权利要求23所述的至少一种非暂态机器可读介质,
其中,所述技术包括一个或多个机器学习技术。
25.根据权利要求24所述的至少一种非暂态机器可读介质,
其中,所述第一参数是调制方案。
26.根据权利要求25所述的至少一种非暂态机器可读介质,
其中,所述第二参数是调制阶数。
27.根据权利要求26所述的至少一种非暂态机器可读介质,
其中,所述技术层还包括第三层,所述第三层具有用于确定所述PHY层电路的第三参数的技术。
28.根据权利要求27所述的至少一种非暂态机器可读介质,
其中,所述第三参数是前向纠错方案。
29.根据权利要求22所述的至少一种非暂态机器可读介质,
其中,仅所述第二层中的技术子集对所述电信号进行操作,所述技术子集是基于所述第一参数确定的。
30.根据权利要求21所述的至少一种非暂态机器可读介质,
其中,所述操作还包括训练所述技术中的技术以识别新参数。
31.至少一种非暂态机器可读介质,包括指令,所述指令在由第一节点执行时将所述第一节点配置为执行用于确定介质访问控制(MAC)方案的操作,所述操作包括:
实现机器学习技术以基于来自第二节点的电信号确定所述第二节点的第一MAC方案的参数,并基于所述参数识别第二MAC方案;以及
使所述第一节点的天线发送与所识别的第二MAC方案一致的电磁波。
32.根据权利要求31所述的至少一种非暂态机器可读介质,
其中,所述至少一种非暂态机器可读介质是被配置作为网关的节点的一部分,从包括所述第一节点的第一组通信节点到第二组通信节点的通信/从所述第二组通信节点到包括所述第一节点的所述第一组通信节点的通信必须通过所述网关。
33.根据权利要求32所述的至少一种非暂态机器可读介质,
其中,所述第一组通信节点中的每个通信节点被配置为使用与所述第一MAC方案和所述第二MAC方案不同的第三MAC方案进行通信。
34.根据权利要求31所述的至少一种非暂态机器可读介质,
其中,所述参数包括以下各项中的一项或多项:代码集布置,所述代码集布置指示接入码字如何在码分多址MAC方案中划分成子集;波束成形码字子集,所述波束成形码字子集指示波束成形向量如何针对空间接入MAC方案划分成子集;以及信道带宽接入使用统计。
35.根据权利要求31所述的至少一种非暂态机器可读介质,
其中,所述操作还包括:通过使所述天线发送第二电磁波来实现主动探测,并且从所述第二节点接收与对所述第二电磁波的响应相对应的电信号。
36.根据权利要求31所述的至少一种非暂态机器可读介质,
其中,所述操作还包括:确定指示所述第一节点与所述第二节点之间的通信质量的性能分数,并且响应于所确定的性能分数低于指定阈值而调整所实现的MAC方案。
37.根据权利要求36所述的至少一种非暂态机器可读介质,
其中,对所述MAC方案的所述调整包括:对用于清晰信道评估的时间的调整、对退避过程的调整或对分组大小/片段的调整。
38.根据权利要求31所述的至少一种非暂态机器可读介质,
其中,所述机器学习技术是使用神经网络来实现的。
39.根据权利要求31所述的至少一种非暂态机器可读介质,
其中,所述MAC方案包括随机接入方案或无冲突MAC方案。
40.根据权利要求31所述的至少一种非暂态机器可读介质,
其中,所述机器学习技术的输入包括以下各项中的至少一项:(i)所述电信号的I值和Q值的幅度值;(ii)与所述电信号的I值和Q值相对应的复数值;(iii)所述电信号的快速傅里叶变换;(iv)所述电信号的小波系数;以及(v)所述电信号到代码的投影。
41.一种由第一节点执行的用于确定第二节点的物理(PHY)层电路的参数的方法,所述方法包括:
实现技术的级联分层,以基于来自所述第二节点的电信号确定所述第二节点的PHY层电路的参数;以及
使所述第一节点的天线发送与所确定的参数一致的电磁波。
42.根据权利要求41所述的方法,其中,所述技术的级联分层包括技术层,所述技术层包括具有一个或多个技术的第一层以及两个或更多个技术的第二层。
43.根据权利要求42所述的方法,其中,所述第一层用于基于所述电信号来识别所述PHY层电路的第一参数,并且所述第二层用于基于所述第一参数和所述电信号来识别所述PHY层电路的第二参数,所述第二参数与所述第一参数不同。
44.根据权利要求43所述的方法,其中,所述技术包括一个或多个机器学习技术。
45.根据权利要求44所述的方法,其中,所述第一参数是调制方案。
46.根据权利要求45所述的方法,其中,所述第二参数是调制阶数。
47.根据权利要求46所述的方法,其中,所述技术层还包括第三层,所述第三层具有用于确定所述PHY层电路的第三参数的技术。
48.根据权利要求47所述的方法,其中,所述第三参数是前向纠错方案。
49.根据权利要求42所述的方法,其中,仅所述第二层中的技术子集对所述电信号进行操作,所述技术子集是基于所述第一参数确定的。
50.根据权利要求41所述的方法,还包括:训练所述技术中的技术以识别新参数。
51.一种由第一节点执行的用于确定介质访问控制(MAC)方案的方法,所述方法包括:
实现机器学习技术,以基于来自第二节点的电信号确定所述第二节点的第一MAC方案的参数,并基于所述参数识别第二MAC方案;以及
使所述第一节点的天线发送与所识别的第二MAC方案一致的电磁波。
52.根据权利要求51所述的方法,其中,所述第一节点被配置作为网关,从包括所述第一节点的第一组通信节点到第二组通信节点的通信/从所述第二组通信节点到包括所述第一节点的所述第一组通信节点的通信必须通过所述网关。
53.根据权利要求52所述的方法,其中,所述第一组通信节点中的每个通信节点被配置为使用与所述第一MAC方案和所述第二MAC方案不同的第三MAC方案进行通信。
54.根据权利要求51所述的方法,其中,所述参数包括以下各项中的一项或多项:代码集布置,所述代码集布置指示接入码字如何在码分多址MAC方案中划分成子集;波束成形码字子集,所述波束成形码字子集指示波束成形向量如何针对空间接入MAC方案划分成子集;以及信道带宽接入使用统计。
55.根据权利要求51所述的方法,还包括:通过使所述天线发送第二电磁波来实现主动探测,并且从所述第二节点接收与对所述第二电磁波的响应相对应的电信号。
56.根据权利要求51所述的方法,还包括:确定指示所述第一节点与所述第二节点之间的通信质量的性能分数,并且响应于所确定的性能分数低于指定阈值而调整所实现的MAC方案。
57.根据权利要求56所述的方法,其中,对所述MAC方案的所述调整包括:对用于清晰信道评估的时间的调整、对退避过程的调整或对分组大小/片段的调整。
58.根据权利要求51所述的方法,其中,所述机器学习技术是使用神经网络来实现的。
59.根据权利要求51所述的方法,其中,所述MAC方案包括随机接入方案或无冲突MAC方案。
60.根据权利要求51所述的方法,其中,所述机器学习技术的输入包括以下各项中的至少一项:(i)所述电信号的I值和Q值的幅度值;(ii)与所述电信号的I值和Q值相对应的复数值;(iii)所述电信号的快速傅里叶变换;(iv)所述电信号的小波系数;以及(v)所述电信号到代码的投影。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2018/053125 WO2020068084A1 (en) | 2018-09-27 | 2018-09-27 | Feature detection in collaborative radio networks |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112956146A true CN112956146A (zh) | 2021-06-11 |
Family
ID=69952743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880094094.XA Pending CN112956146A (zh) | 2018-09-27 | 2018-09-27 | 协作无线电网络中的特征检测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US12047167B2 (zh) |
EP (1) | EP3857956A4 (zh) |
CN (1) | CN112956146A (zh) |
WO (1) | WO2020068084A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114302416A (zh) * | 2021-12-30 | 2022-04-08 | 陕西天基通信科技有限责任公司 | 一种馈电接入单元及基于其的室内覆盖*** |
US12047167B2 (en) | 2018-09-27 | 2024-07-23 | Intel Corporation | Feature detection in collaborative radio networks |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12045726B2 (en) * | 2019-02-08 | 2024-07-23 | DeepSig Inc. | Adversarially generated communications |
CN117614784B (zh) * | 2023-11-15 | 2024-06-07 | 浙江恒业电子股份有限公司 | 基于载波的无线通信模块 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7097973B1 (en) * | 1999-06-14 | 2006-08-29 | Alpha Mos | Method for monitoring molecular species within a medium |
US9275093B2 (en) | 2011-01-28 | 2016-03-01 | Cisco Technology, Inc. | Indexing sensor data |
US11624822B2 (en) * | 2011-10-26 | 2023-04-11 | Teledyne Flir, Llc | Pilot display systems and methods |
US8953474B2 (en) * | 2012-04-09 | 2015-02-10 | Blackberry Limited | Optimized uplink performance via antenna selection |
WO2014150702A1 (en) * | 2013-03-15 | 2014-09-25 | Waveconnex, Inc., A Delaware Corporation | Physical layer and virtualized physical layer adapted for ehf contactless communication |
US9450978B2 (en) | 2014-01-06 | 2016-09-20 | Cisco Technology, Inc. | Hierarchical event detection in a computer network |
HUE055490T2 (hu) | 2015-01-20 | 2021-11-29 | Saint Gobain | Rétegelt üveglap kapacitív kapcsolási tartománnyal |
US9729562B2 (en) * | 2015-03-02 | 2017-08-08 | Harris Corporation | Cross-layer correlation in secure cognitive network |
US9704097B2 (en) | 2015-05-29 | 2017-07-11 | Sas Institute Inc. | Automatically constructing training sets for electronic sentiment analysis |
US10878320B2 (en) | 2015-07-22 | 2020-12-29 | Qualcomm Incorporated | Transfer learning in neural networks |
US10966097B2 (en) | 2016-02-05 | 2021-03-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Monitor and predict Wi-Fi utilization patterns for dynamic optimization of the operating parameters of nearby ENBS using the same unlicensed spectrum |
CN106485209B (zh) | 2016-09-23 | 2019-10-25 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
US20180091981A1 (en) * | 2016-09-23 | 2018-03-29 | Board Of Trustees Of The University Of Arkansas | Smart vehicular hybrid network systems and applications of same |
US20220167133A1 (en) * | 2017-02-19 | 2022-05-26 | Transportation Ip Holdings, Llc | Vehicle communication system |
US10983206B2 (en) * | 2017-11-07 | 2021-04-20 | FLIR Belgium BVBA | Low cost high precision GNSS systems and methods |
CN112956146A (zh) | 2018-09-27 | 2021-06-11 | 英特尔公司 | 协作无线电网络中的特征检测 |
-
2018
- 2018-09-27 CN CN201880094094.XA patent/CN112956146A/zh active Pending
- 2018-09-27 US US17/253,062 patent/US12047167B2/en active Active
- 2018-09-27 EP EP18935170.3A patent/EP3857956A4/en active Pending
- 2018-09-27 WO PCT/US2018/053125 patent/WO2020068084A1/en active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12047167B2 (en) | 2018-09-27 | 2024-07-23 | Intel Corporation | Feature detection in collaborative radio networks |
CN114302416A (zh) * | 2021-12-30 | 2022-04-08 | 陕西天基通信科技有限责任公司 | 一种馈电接入单元及基于其的室内覆盖*** |
CN114302416B (zh) * | 2021-12-30 | 2024-04-05 | 陕西天基通信科技有限责任公司 | 一种馈电接入单元及基于其的室内覆盖*** |
Also Published As
Publication number | Publication date |
---|---|
EP3857956A1 (en) | 2021-08-04 |
US12047167B2 (en) | 2024-07-23 |
EP3857956A4 (en) | 2022-06-22 |
WO2020068084A1 (en) | 2020-04-02 |
US20210281356A1 (en) | 2021-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12047167B2 (en) | Feature detection in collaborative radio networks | |
US11716714B2 (en) | Enhanced tone mapping for trigger-based null data packet feedback | |
Davaslioglu et al. | DeepWiFi: Cognitive WiFi with deep learning | |
CN115152190B (zh) | 使用峰值降低音调的基于机器学习的上行链路覆盖增强 | |
CN113853763A (zh) | 用于区分多个物理下行链路共享信道(pdsch)传输方案的方法 | |
EP3571797B1 (en) | Transmitting device, receiving device and methods thereof | |
CN106856670A (zh) | 窄带***中解码dl物理信道的方法以及装置 | |
US11477807B2 (en) | Enhanced signal detection for wireless communications | |
US20170280444A1 (en) | Access point (ap), station (sta) and method for usage of a frame format based on a phase noise measurement | |
CN115039441B (zh) | 第一频带上的测量适用于第二频带上的过程 | |
US20210067285A1 (en) | Enhanced bandwidth selection for wireless communication devices | |
CN112311514B (zh) | 控制信息传输方法及装置 | |
US11653208B2 (en) | Invalid measurement indication in location measurement report | |
US10129758B2 (en) | Regulating operation of 60 GHz devices | |
CN111465109A (zh) | 一种被用于无线通信的用户设备、基站中的方法和装置 | |
CN111052806B (zh) | 增强型唤醒接收器前导 | |
Lee et al. | Frequency diversity-aware Wi-Fi using OFDM-based Bloom filters | |
TW202410726A (zh) | 用於無線區域網路(wlan)的機器學習框架 | |
US20230199746A1 (en) | Methods and devices for a semantic communication framework | |
WO2018200128A1 (en) | Enhanced detection of adversary attacks for wireless communications | |
US10986669B2 (en) | Physical random access channel scheme for wireless networks using an analog bloom filter | |
Cai et al. | Wideband distributed spectrum sharing with multichannel immediate multiple access | |
US9271264B2 (en) | Base station for allocating downlink radio resource for directivity transmission | |
US11553410B2 (en) | Method and apparatus for access point discovery in dense WiFi networks | |
EP4383802A1 (en) | Electronic device and method for dynamic spectrum sharing in wireless communication system |
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 |