CN113128679A - 在通信***中进行训练 - Google Patents

在通信***中进行训练 Download PDF

Info

Publication number
CN113128679A
CN113128679A CN202110050487.4A CN202110050487A CN113128679A CN 113128679 A CN113128679 A CN 113128679A CN 202110050487 A CN202110050487 A CN 202110050487A CN 113128679 A CN113128679 A CN 113128679A
Authority
CN
China
Prior art keywords
data
channel state
location
loss function
model
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
Application number
CN202110050487.4A
Other languages
English (en)
Inventor
P·科特什瓦·斯里纳斯
J·霍伊迪斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
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 Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN113128679A publication Critical patent/CN113128679A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0246—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving frequency difference of arrival or Doppler measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施例涉及在通信***中进行训练。描述了一种装置、方法和计算机程序，包括：生成第一损失函数分量，包括比较第一位置数据与第一位置估计，第一位置估计基于信道状态数据，第一位置估计使用模型生成，并且模型包括多个可训练参数；生成第二损失函数分量，包括比较第一位置数据与第二位置估计，第二位置估计基于已经经过第一增强的信道状态数据，并且第二位置估计使用模型生成；生成第三损失函数分量，包括比较基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计，第三位置估计和第四位置估计使用模型生成；以及通过使基于第一、第二和第三损失函数分量的组合的损失函数最小化来训练模型的可训练参数。

Description

在通信***中进行训练
相关申请的交叉引用
本申请要求于2020年1月14日提交的芬兰专利申请号20205030的权益，其全部内容通过引用并入本文。
技术领域
本说明书涉及在通信***中进行训练。
背景技术
由于许多原因，可能希望知道诸如用户设备之类的设备在空间中的定位(position)(例如，绝对定位、或者相对于诸如基站之类的通信节点的定位)。在该领域仍然需要进一步发展。
发明内容
在第一方面，本说明书描述了一种装置，该装置包括用于执行以下的部件：生成第一损失函数分量，包括将第一位置(location)数据(例如用户设备的测得位置数据)与第一位置估计(例如用户设备的位置估计)进行比较，其中第一位置估计基于信道状态数据，其中第一位置估计是使用模型生成的，并且其中该模型包括多个可训练参数；生成第二损失函数分量，包括将第一位置数据与第二位置估计进行比较，其中第二位置估计基于已经经过第一增强的信道状态数据，并且其中第二位置估计是使用模型生成的；生成第三损失函数分量，包括将基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计进行比较，其中第三位置估计和第四位置估计是使用模型生成的；以及通过使基于第一损失函数分量、第二损失函数分量和第三损失函数分量的组合的损失函数最小化，来训练模型的可训练参数。所述组合可以包括第一损失函数分量、第二损失函数分量和第三损失函数分量的和(例如加权和)。该模型可以被配置为基于信道状态信息来估计用户设备的定位，以用于用户设备和通信节点之间的通信。
在一些示例实施例中，该部件还被配置为执行：通过组合第一损失函数分量、第二损失函数分量和第三损失函数分量来生成损失函数。
在一些示例实施例中，该部件还被配置为执行：接收、取回或以其他方式获取第一数据集，其中该第一数据集包括经标记的数据，该经标记的数据包括信道状态信息和相关联的位置数据，其中所述第一位置数据是从所述相关联的位置数据得出的(例如所述位置数据可以是位置数据)。该部件还可以被配置为执行：基于第一数据集的至少一些信道状态数据来生成第一位置估计；以及基于第一数据集中已经经过所述第一增强的至少一些信道状态数据来生成第二位置估计。
在一些示例实施例中，该部件还被配置为执行：接收、取回或以其他方式获取第二数据集，其中该第二数据集包括未经标记的数据，该未经标记的数据包括信道状态信息。该部件还可以被配置为执行：基于第二数据集的至少一些信道状态数据来生成第三位置估计；以及基于第二数据集中已经经过所述第二增强的至少一些信道状态数据来生成第四位置估计。
在一些示例实施例中，每个增强包括以下一项或多项：相位旋转；幅度放大；幅度缩小；高斯噪声的添加；滤波或平滑；基于神经网络的增强；或元素替换算法。
每个增强可以提供相关信道状态信息的随机变换或伪随机变换。
在一些示例实施例中，该部件还被配置为执行：通过将第一位置数据与多个第二位置估计进行比较，来生成多个所述第二损失函数分量，该多个第二位置估计基于经过第一增强的不同实例的信道状态数据；和/或通过将第三位置估计与多个第四位置估计进行比较，来生成多个所述第三损失函数分量，该多个第四位置估计基于已经经过第二增强的不同实例的信道状态数据。
该模型可以是机器学习模型。
该模型可以使用神经网络来实现。
该部件可以包括：至少一个处理器；以及至少一个存储器，包括计算机程序代码，该至少一个存储器和计算机程序被配置为与该至少一个处理器一起实现装置的性能。
在第二方面，本说明书描述了一种方法，包括：生成第一损失函数分量，包括将第一位置数据与第一位置估计进行比较，其中第一位置估计基于信道状态数据，其中第一位置估计是使用模型生成的，并且其中该模型包括多个可训练参数；生成第二损失函数分量，包括将第一位置数据与第二位置估计进行比较，其中第二位置估计基于已经经过第一增强的信道状态数据，并且其中第二位置估计是使用模型生成的；生成第三损失函数分量，包括将基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计进行比较，其中第三位置估计和第四位置估计是使用模型生成的；以及通过使基于第一损失函数分量、第二损失函数分量和第三损失函数分量的组合的损失函数最小化来训练模型的可训练参数。所述组合可以包括第一损失函数分量、第二损失函数分量和第三损失函数分量的和(例如加权和)。该模型可以被配置为基于信道状态信息来估计用户设备的定位，以用于用户设备和通信节点之间的通信。
可以通过组合第一损失函数分量、第二损失函数分量和第三损失函数分量来生成损失函数。
该方法可以包括：接收、取回或以其他方式获取第一数据集，其中该第一数据集包括经标记的数据，该经标记的数据包括信道状态信息和相关联的位置数据，其中所述第一位置数据是从所述相关联的位置数据得出的。该方法可以包括：取回或以其他方式获取第二数据集，其中该第二数据集包括未经标记的数据，该未经标记的数据包括信道状态信息。
该方法可以包括：通过将位置数据与多个第二位置估计进行比较，来生成多个所述第二损失函数分量，该多个第二位置估计基于经过第一增强的不同实例的信道状态数据；和/或通过将第三位置估计与多个第四位置估计进行比较，来生成多个所述第三损失函数分量，该多个第四位置估计基于已经经过第二增强的不同实例的信道状态数据。
在第三方面，本说明书描述了一种装置，该装置被配置为执行参照第二方面所描述的任何方法。
在第四方面，本说明书描述了计算机可读指令，该计算机可读指令在由计算装置执行时使该计算装置执行参照第二方面描述的任何方法。
在第五方面，本说明书描述了一种计算机程序，包括用于使装置至少执行以下操作的指令：生成第一损失函数分量，包括将第一位置数据与第一位置估计进行比较，其中第一位置估计基于信道状态数据，其中第一位置估计是使用模型生成的，并且其中该模型包括多个可训练参数；生成第二损失函数分量，包括将第一位置数据与第二位置估计进行比较，其中第二位置估计基于已经经过第一增强的信道状态数据，并且其中第二位置估计是使用模型生成的；生成第三损失函数分量，包括将基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计进行比较，其中第三位置估计和第四位置估计是使用模型生成的；以及通过使基于第一损失函数分量、第二损失函数分量和第三损失函数分量的组合的损失函数最小化来训练模型的可训练参数。
在第六方面，本说明书描述了一种计算机可读介质(诸如非瞬态计算机可读介质)，包括存储在其上的用于执行至少以下操作的程序指令：生成第一损失函数分量，包括将第一位置数据与第一位置估计进行比较，其中第一位置估计基于信道状态数据，其中第一位置估计是使用模型生成的，并且其中该模型包括多个可训练参数；生成第二损失函数分量，包括将第一位置数据与第二位置估计进行比较，其中第二位置估计基于已经经过第一增强的信道状态数据，并且其中第二位置估计是使用模型生成的；生成第三损失函数分量，包括将基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计进行比较，其中第三位置估计和第四位置估计是使用模型生成的；以及通过使基于第一损失函数分量、第二损失函数分量和第三损失函数分量的组合的损失函数最小化来训练模型的可训练参数。
在第七方面，本说明书描述了一种装置，包括：至少一个处理器；以及至少一个存储器，包括计算机程序代码，该计算机程序代码在被该至少一个处理器执行时使装置：生成第一损失函数分量，包括将第一位置数据与第一位置估计进行比较，其中第一位置估计基于信道状态数据，其中第一位置估计是使用模型生成的，并且其中该模型包括多个可训练参数；生成第二损失函数分量，包括将第一位置数据与第二位置估计进行比较，其中第二位置估计基于已经经过第一增强的信道状态数据，并且其中第二位置估计是使用模型生成的；生成第三损失函数分量，包括将基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计进行比较，其中第三位置估计和第四位置估计是使用模型生成的；以及通过使基于第一损失函数分量、第二损失函数分量和第三损失函数分量的组合的损失函数最小化来训练模型的可训练参数。
在第八方面，本说明书描述了一种装置，包括：第一损失函数模块，用于通过将第一位置数据与第一位置估计进行比较来生成第一损失函数分量，其中第一位置估计基于信道状态数据，其中第一位置估计是使用模型生成的，并且其中该模型包括多个可训练参数；第二损失函数模块，用于通过将第一位置数据与第二位置估计进行比较来生成第二损失函数分量，其中第二位置估计基于已经经过第一增强的信道状态数据，并且其中第二位置估计是使用模型生成的；第三损失函数模块，用于通过将基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计进行比较来生成第三损失函数分量，其中第三位置估计和第四位置估计是使用模型生成的；以及训练模块，用于通过使基于第一损失函数分量、第二损失函数分量和第三损失函数分量的组合(例如分量的和，诸如加权和)的损失函数最小化来训练模型的可训练参数。
附图说明
现在将参照以下示意图通过非限制性示例的方式描述示例实施例，在附图中：
图1至图4是根据示例实施例的***的框图；
图5是示出了根据示例实施例的算法的流程图；
图6是根据示例实施例的***的框图；
图7是示出了根据示例实施例的算法的流程图；
图8是可以在一些示例实施例中使用的神经网络的框图；
图9至图12是根据示例实施例的绘图(plot)；
图13是根据示例实施例的***的组件的框图；以及
图14A和图14B示出了有形介质，分别是存储计算机可读代码的可移除存储器单元和压缩盘(CD)，该计算机可读代码在由计算机运行时执行根据实施例的操作。
具体实施方式
本发明的各种实施例所寻求的保护范围由独立权利要求阐明。说明书中描述的未落入独立权利要求范围的实施例和特征(如果有的话)将被解释为用于理解本发明的各种实施例的示例。
在说明书和附图中，相同的附图标记始终表示相同的元件。
图1是根据示例实施例的***(通常由附图标记10指示)的框图。***10包括基站12、第一用户设备14和第二用户设备15。由于许多原因，可能希望知道第一用户设备14和/或第二用户设备15的定位(绝对项或相对于基站12的定位)。应当注意，尽管本文描述的实施例通常涉及用户设备和基站，但是原理可以适用于与任何合适的通信节点进行通信的任何设备。
图2是根据示例实施例的用于提供设备的定位的估计的***20的框图。***20包括用于接收信道状态数据(诸如信道状态信息)的输入和用于提供位置数据的输出。举例来说，***20可以被提供在基站12(或某个其他通信节点)处。在接收到与设备(诸如用户设备14)和基站之间的通信有关的信道状态数据时，***20试图提供该设备的位置的估计。
机器学习(ML)是一种用于将信道状态信息转换为设备位置估计的候选技术。然而，许多已知的ML算法都依赖于监督学习，因此出于训练目的需要大量标记的数据。不仅合适的训练数据的可用性受到限制，而且由于信道状态信息(CSI)和用户设备位置之间关系的变化性质，任何这样的模型将需要重复地被重新训练，从而需要生成新的训练数据。
图3是根据示例实施例的***30的框图。***30接收经标记的数据和未经标记的数据两者，以用于训练机器学习(ML)模型。可以使用神经网络来实现ML模型，如下文进一步讨论的。
如下面详细讨论的，经标记的数据包括信道状态数据(诸如信道状态信息)和与信道状态数据相关联的位置数据。未经标记的数据包括信道状态数据(诸如信道状态信息)，但是不包括相关联的位置数据。
图4是根据示例实施例的***(通常由附图标记40指示)的框图。***40提供了根据示例实施例的算法的高级视图。
***40包括第一模块41，其获取原始信道测量(例如信道状态数据)和相关联的用户设备位置数据。由第一模块41获取的数据被组织成包括数据对(x,y)的经标记的数据42，该数据对(x,y)包括信道状态数据x和位置数据y。
***40还包括第二模块43，其获取原始信道测量(例如信道状态数据)，而不获取相关联的用户设备位置数据。由第二模块43获取的数据被组织成包括信道状态数据x的未经标记的数据44。
经标记的数据42和未经标记的数据44是上述***30的输入。如图4所示，***40包括第一数据增强模块46、第二数据增强模块47和训练模块48。
第一数据增强模块46生成第一增强数据，第一增强数据包括经标记的数据42的信道状态数据的增强版本。类似地，第二数据增强模块47生成第二增强数据，第二增强数据包括未经标记的数据44的信道状态数据的增强版本。第一数据增强模块和第二数据增强模块可以实现相同的函数(实际上，在一些实施例中，可以提供单个数据增强模块)，并且可以用于将信道状态数据x转换为增强数据
Figure BDA0002898971300000081
训练模块48基于经标记的数据42、未经标记的数据44、第一增强数据和第二增强数据来生成ML模型(即***30的输出)。
出于用户设备定位的目的，***40接收的原始信道测量可以是在相关通信节点(例如上述基站12)处估计的信道状态信息(CSI)数据。可以在时域或频域中提供的这些CSI数据可以例如表示用户设备处的(多个)发送天线与基站处的接收天线阵列之间的信道。对于一些CSI数据，用户设备的实际定位可能是可用的；如果是这样，则可以将经标记的数据42提供给***40。对于剩余的(未经标记的)数据44，用户设备位置不可用。在许多示例实施例中，仅一小部分可用训练数据是经标记的数据。
如上所述，***40为经标记的数据和未经标记的数据两者生成增强数据。数据增强是指输入数据(例如CSI数据)的变换(例如随机或伪随机变换)，例如不改变该数据与实际用户设备定位的关系。数据增强的使用旨在使ML模型对泛化误差更加鲁棒。
下面列出了数据增强技术的一些示例。技术人员将知道可以使用的替代数据增强技术。
·相位旋转：初始信道状态(例如CSI)向量的一些(例如所有)元素被旋转相同的相位。可以在[-π，π]弧度之间(例如随机地或伪随机地)选择相位。
·幅度放大或缩小：初始信道状态(例如CSI)向量的一些(例如所有)元素的幅度被改变相同的量。可以在[-α，α]之间(例如随机地或伪随机地)选择该量，其中α是小的正数，并且表示初始信道状态向量的所有元素的平均幅度的分数。
·高斯噪声：高斯噪声向量被添加到初始信道状态(例如CSI)向量。该噪声向量的功率可以是初始信道状态向量的平均功率的一小部分。·滤波/平滑：如果信道状态数据在频域中，则可以使用低通滤波器对跨子载波的幅度进行平滑处理。
·基于神经网络的增强：这涉及使用单独的神经网络，该神经网络被训练以为输入信道状态(例如CSI)向量找到合适的增强。
·元素替换：这涉及用来自已知值范围的任意值替换每个信道状态(例如CSI)向量的分量的小部分(例如一小部分)。
图5是示出了根据示例实施例的算法(通常由附图标记50指示)的流程图。
算法50开始于操作51，在操作51中获取数据集。数据集可以包括第一数据集和第二数据集，第一数据集包括上面提到的经标记的数据42，第二数据集包括上面提到的未经标记的数据44。
在操作52中，生成增强数据。增强数据可以包括以下数据：基于第一数据集中已经经过所述第一增强的至少一些信道状态数据和/或基于第二数据集中已经经过所述第二增强的至少一些信道状态数据。
在操作53中，生成位置估计。位置估计可以通过模型(诸如模型30)生成。所述模型可以被用于从信道状态数据和/或增强的信道状态数据生成位置估计，如下面详细讨论的。
在操作51至53中获取或生成的数据可以被用在下面讨论的操作54至58中。然而，应当注意，可以按照某种其他方式来接收、取回或获取数据，使得在一些示例实施例中，操作51至53中的一个或多个操作是可选的。
在操作54中，生成第一损失函数分量。可以通过将测量位置数据与基于信道状态数据的第一位置估计进行比较来生成第一损失函数分量，其中第一位置估计是使用模型生成的(例如在上面讨论的操作53中)。如下面进一步讨论的，模型可以包括多个可训练参数。
在操作55中，生成第二损失函数分量。可以通过将测量位置数据与基于已经经过第一增强的信道状态数据的第二位置估计进行比较来生成第二损失函数分量，其中第二位置估计是使用模型生成的(例如在上面讨论的操作53中)。
在操作56中，生成第三损失函数分量。可以通过将基于信道状态数据的第三位置估计和基于修改后的信道状态数据的第四位置估计进行比较来生成第三损失函数分量，其中修改后的信道状态数据是已经经过第二增强的信道状态数据。第三位置估计和第四位置估计是使用模型生成的(例如在上面讨论的操作53中)。
在可选操作57中，可以通过组合第一损失函数分量、第二损失函数分量和第三损失函数分量来生成组合损失函数。该步骤是可选的，因为在一些示例实施例中，不需要显式的组合操作(或者该操作可以在其他地方执行，诸如在服务器上执行)。
最终，在操作58中，可以通过使基于第一损失函数分量、第二损失函数分量和第三损失函数分量的组合的损失函数最小化(例如通过使操作57中生成的损失函数最小化)来训练模型(例如模型30)的可训练参数。该组合可以是第一损失函数分量、第二损失函数分量和第三损失函数分量的和(例如加权和)。
当然，尽管以特定顺序将操作54至56示出为三个单独的操作，但是可以改变这些操作的顺序；此外，可以将这些操作中的一个或多个操作合并为单个操作，或者可以并行执行一些或所有操作。
图6是根据示例实施例的***(通常由附图标记60指示)的框图。***60可以被用于实现上述算法50。
***60包括上述***40的经标记的数据42、未经标记的数据44、第一数据增强模块46和第二数据增强模块47。***60还包括第一函数块61、第二函数块62、第三函数块63、第四函数块64、第一MSE损失模块66、第二MSE损失模块67、第三MSE损失模块68和总损失模块69。第一函数块至第四函数块61至64可以在函数上相同，并且可以例如实现上述模型30。类似地，如上所述，第一数据增强模块46和第二数据增强模块47可以在函数上相同。
如上所述，经标记的数据42包括数据对(x，y)，数据对(x，y)包括信道状态数据x和位置数据y，而未经标记的数据44包括信道状态数据x。
第一函数块61接收信道状态数据x，并基于信道状态数据x生成位置估计
Figure BDA0002898971300000111
第二函数块62也基于信道状态数据x生成位置估计
Figure BDA0002898971300000112
因此，第一函数块和第二函数块可能仅在信道状态数据的源上不同(并且可以被实现为单个函数块)。
第三函数块63接收增强信道状态数据
Figure BDA0002898971300000113
并基于该增强信道状态数据
Figure BDA0002898971300000114
生成位置估计
Figure BDA0002898971300000115
第四函数块64也基于增强信道状态数据
Figure BDA0002898971300000116
生成位置估计
Figure BDA0002898971300000117
因此，第三函数块和第四函数块可能仅在增强信道状态数据的源上不同(并且可以由单个函数块实现，实际上第一函数块至第四函数块可以由单个函数块实现)。
第一MSE损失模块66生成第一损失函数分量，从而实现上述算法50的操作54。第一MSE损失模块66基于位置数据y(从经标记的数据42获取)和位置估计
Figure BDA0002898971300000118
(由第一函数块61生成)来生成第一损失函数分量，其中位置估计
Figure BDA0002898971300000119
是使用模型(诸如上述模型30)生成的。
第二MSE损失模块67生成第二损失函数分量，从而实现上述算法50的操作55。第二MSE损失模块67基于位置数据y(从经标记的数据42获取)和位置估计
Figure BDA00028989713000001110
(由第三函数块63生成)来生成第二损失函数分量，其中位置估计
Figure BDA00028989713000001111
是使用模型(诸如模型30)生成的。
第三MSE损失模块68生成第三损失函数分量，从而实现上述算法50的操作56。第三MSE损失模块68基于定位估计值
Figure BDA00028989713000001112
(由第二函数块62生成)和定位估计值
Figure BDA00028989713000001113
(由第四函数块64生成)来生成第三损失函数分量。
总损失模块69基于第一MSE损失模块、第二MSE损失模块和第三MSE损失模块66至68的输出来生成组合损失函数，从而实现上述算法50的操作57。因此，总损失模块69的输出可以被用于训练模型(例如模型30)的参数，从而实现算法50的操作58。
图7是示出了根据示例实施例的算法(通常由附图标记70指示)的流程图。
算法70开始于操作71，并且移至操作72。
操作72是数据准备步骤，在该数据准备步骤中生成经标记的数据42和未经标记的数据44。因此，操作72是算法50的操作51的示例。
用数学表示，令
Figure BDA0002898971300000121
表示经标记的数据集42。因此，
Figure BDA0002898971300000122
的每个元素都是对(x，y)，其中x表示信道状态数据(CSI)，而y表示其关联的定位(例如在欧几里得空间中，相对于作为原点的某个参照点)。此外，令
Figure BDA0002898971300000123
表示未经标记的数据集44，这意味着实际定位对于任何
Figure BDA0002898971300000124
都不可用。此外，令fθ表示具有可训练参数{θ}的机器学习模型(例如上述模块61至64)，并且g表示数据增强函数(例如上述模块46和47)。如上所述，数据增强函数可以生成输入的随机变换，而不改变其与实际UE定位的关系。
在操作73中，训练时段开始。算法70然后移至操作74。
在操作74中，获取输入特征xa。输入特征xa包括信道状态数据，该信道状态数据是经标记的数据或未经标记的数据的一部分。输入特征xa被传递到下面进一步描述的操作75和78。
在操作75中，对xa应用g增强得到g(xa)。取决于输入特征是经标记的数据的一部分还是未经标记的数据的一部分，可以将增强应用于数据增强模块46或数据增强模块47。当然，在示例实现中，数据增强模块46和47可以由相同的模块实现，因此***60可以是功能的，而不是提供电路示意图。
从操作75，将增强数据g(xa)提供给操作76，在操作76中，将该增强数据应用于模型以生成输出fθ(g(xa)。将该输出提供给下述操作77和操作80两者。
在操作78中，确定输入xa(在操作78中从操作74接收到的)是否来自经标记的数据集。如果是，则算法70移至下面进一步描述的操作80和81。如果不是(指示输入xa来自未经标记的数据)，则算法70移至操作79。
在操作79中，将数据xa应用于模型以生成输出fθ(xa)。将该输出被提供给操作77。
在操作77中，已经确定数据xa是未经标记的数据。在操作77中接收到两个输入：函数fθ(g(xa)(从操作76接收到的，例如从上述***60的第四函数块64接收到的)和函数fθ(xa)(从函数79接收到的，例如从上述***60的第二函数块62接收到的)。
操作77计算平方误差||fθ(xa)-fθ(g(xa))||。操作77是上述算法50的操作56的示例，并且可以由上述***60的第三MSE损失模块68来实现。将操作77的输出提供给下面进一步描述的操作83。
操作80(在数据xa来自经标记集的情况下，从上述操作78开始)基于信道状态数据xa及其相关联的定位ya生成输出。操作80计算平方误差||ya-fθ(g(xa))||。操作80是上述算法50的操作55的示例，并且可以由上述***60的第二MSE损失模块67来实现。将操作80的输出提供给操作83。
在操作81中，将数据xa应用于模型以生成输出fθ(xa)。将该输出提供给操作82。操作82计算平方误差||ya-fθ(xa)||2。操作82是上述算法50的操作54的示例，并且可以由上述***60的第一MSE损失模块66来实现。将操作81的输出提供给操作83。
因此，操作83从上述操作77、80和82接收输入。操作83根据操作77、80和82的平方误差输出计算损失函数，因此是上述算法50的操作57的示例，并且可以由上述***的总损失模块69来实现。
在操作83中生成的损失函数可以由下式给出：
Figure BDA0002898971300000131
在操作83中生成的损失函数被用于更新模型30的参数θ。
算法从操作83移至操作84，在操作84中确定是否已达到停止标准(例如模型30的训练是否完成)。停止标准可以采取多种形式：是否已经完成这种迭代次数的操作73至83、是否损失已经达到或低于某个值、是否在固定迭代次数期间损失尚未降低等。技术人员会知道用于实现操作84的其他选项。
如果已经达到停止标准，则算法在操作85处终止。否则，算法返回至操作73，在操作73中实现另一模型训练时段。(在一些示例实施例中，在一个时段中考虑了多个样本，并且在这些样本上对损失进行平均。)
在算法70中，第一MSE项与经标记的数据有关。该项使得模型能够以模拟带有大的经标记的数据集的监督学习的方式来学习输入信道状态数据和实际设备定位之间的隐藏关系。
第二MSE项基于预测定位，该预测定位基于增强数据和相关联的设备定位。第三MSE基于未经标记的数据及其增强对应项的预测定位。增强数据的使用试图使模型对泛化误差更鲁棒。要注意的是，在每个训练时段，由于增强的随机性，模型看到的增强数据与较早时段中看到的数据不同。由于所提出的训练过程的性质，对于相同数量的标记训练数据，可以期望所学习的模型对于看不见的数据的预测比传统ML技术更准确。
在备选实施例中，代替每个时段每个数据样本一次增强(如上面参照图7所述)，每个时段每个数据样本可以具有多次增强。例如，在每个时段中，对于来自经标记集的每个样本，可以具有k次增强，而对于来自未经标记的数据集的每个样本，可以具有l次增强，其中k、l是正整数。k和l的值可以通过实验确定。
图8是可以在一些示例实施例中使用的神经网络(通常由附图标记90指示)的框图。例如，模型30可以是机器学习模型，其可以使用诸如神经网络90之类的神经网络来实现。
神经网络90包括输入层91、一个或多个隐藏层92和输出层93。在神经网络90的使用期间，在输入层91处，可以接收诸如信道状态数据之类的输入。隐藏层92可以包括多个隐藏节点，其中可以基于接收到的输入(例如信道状态数据)来执行处理。在输出层93处，可以提供与输入相关的一个或多个输出(例如位置数据)。
可以利用输入来训练神经网络90，该输入包括上述经标记的数据42和未经标记的数据44。可以在基站12或其他地方(诸如在服务器上)执行训练。神经网络90可以离线训练(例如在开始使用模型之前进行预训练)和/或可以在线训练(例如训练可以继续，并且可以基于新数据更新神经网络90)。
图9是根据示例实施例的绘图(通常由附图标记100指示)。绘图100示出了布置在六个集群中的24576个用户设备(UE)(通常分别由附图标记101至106指示)。与24576个UE通信的基站位于该绘图的原点，并且配备有16个接收天线。每个UE具有单个发送天线。下面讨论的模拟结果考虑了***的视线(LoS)模型。
训练数据(带有标签)由2213个样本(不到所有样本的10％)组成。我们使用了具有两个隐藏层的深度神经网络。第一隐藏层具有256个神经元，而第二层具有32个神经元。输入是32实数维度的CSI向量(因为在这种情况下，由于基站处有16个接收天线，所以CSI向量为16复数维度的)。除了在输出层使用“线性”激活外，我们一直使用“relu”激活函数。我们使用均方误差损失函数对模型进行了1000个时段的训练。
图10是根据示例实施例的绘图(通常由附图标记110指示)。绘图110示出了初始集群101至106(在左侧)，并且示出了所有24576个UE的重构定位(在右侧)。由于训练样本大小较小，因此重构误差(实际定位与估计定位之间的绝对欧几里德距离的平均值)较大(在该特定示例中为14.26m)。
接下来，我们训练了相同的模型，但是使用了上述数据增强。出于数据增强的目的，我们使用了随机相位旋转。在每个时段中并且针对每个小批量(由经标记的样本和未经标记的样本组成)，选择一个任意相位，并将该批次中所有样本的所有向量元素旋转该相位角。和以前一样，我们认为经标记的数据的大小为2213，并且训练进行了1000个时段。
图11是根据示例实施例的绘图(通常由附图标记120指示)。绘图120示出了初始集群101至106(在左侧)，并且示出了所有24576个UE的重构定位(在右侧)。所达到的重构误差为4.86m(即，比绘图110中的重构误差好得多)。
接下来，我们仅在222个经标记的数据样本上对模型进行训练。图12是根据示例实施例的绘图(通常由附图标记130指示)。再次，图130示出了初始集群(在左侧)和所有样本的估计定位(在右侧)。尽管经标记的数据的量很少，但所达到的重构误差为6.67m。
在上述示例实施例中，基于信道状态信息生成增强数据。在一些示例实施例中，可以为至少一些信道状态信息生成多个增强数据。例如，这可能会增加可用于训练机器学习模型的增强数据的量。
出于完整性，图13是先前描述的一个或多个示例实施例的组件的示意图，其在下文中被一般地称为处理***300。处理***300例如可以是以下权利要求中所指的装置。
处理***300可以包括以下一项或多项：处理器302、紧密耦合到处理器并由RAM314和ROM 312组成的存储器304、用户输入310(诸如触摸屏输入、硬件键和/或语音输入机构)和显示器318(在一些示例实施例中，可以省略这些组件中的至少一些组件)。处理***300可以包括一个或多个网络/装置接口308，用于连接到网络/装置，例如可以是有线或无线的调制解调器。接口308还可以作为与其他装置(诸如不是网络侧装置的设备/装置)的连接而操作。因此，设备/装置之间无需网络参与的直接连接是可能的。
处理器302被连接到每个其他组件，以便控制该组件的操作。
存储器304可以包括非易失性存储器，诸如硬盘驱动器(HDD)或固态驱动器(SSD)。除了别的以外，存储器304的ROM 312还存储操作***315，并且可以存储软件应用316。存储器304的RAM 314被处理器302用于数据的临时存储。操作***315可以包含代码，该代码在由处理器执行时实现上述算法50和70的各个方面。注意，在小型设备/装置的情况下，存储器可能最适合小尺寸使用，即，并非总是使用硬盘驱动器(HDD)或固态驱动器(SSD)。存储器304可以包括计算机程序代码，使得该至少一个存储器304和计算机程序可以被配置为与该至少一个处理器302一起可以实现装置的性能。
处理器302可以采取任何合适的形式。例如，它可以是微控制器、多个微控制器、处理器或多个处理器。
处理***300可以是独立的计算机、服务器、控制台或其网络。处理***300和所需的结构部件可以全部在诸如IoT设备/装置之类的设备/装置内部，即以非常小的大小嵌入。
在一些示例实施例中，处理***300还可以与外部软件应用相关联。这些可以是存储在远程服务器设备/装置上的应用，并且可以部分或专门在远程服务器设备/装置上运行。这些应用可以称为云托管应用。处理***300可以与远程服务器设备/装置通信，以便利用存储在其中的软件应用。
图14A和图14B示出了有形介质，分别是可移除存储器单元365和压缩盘(CD)368，存储计算机可读代码，该计算机可读代码在由计算机运行时可以执行根据上述示例实施例的方法。可移除存储器单元365可以是记忆棒，例如USB记忆棒，其具有存储计算机可读代码的内部存储器366。内部存储器366可以由计算机***经由连接器367访问。CD 368可以是CD-ROM或DVD或类似物。可以使用其他形式的有形存储介质。有形介质可以是能够存储数据/信息的任何设备/装置，该数据/信息可以在设备/装置/网络之间交换。
本发明的实施例可以被实现在软件、硬件、应用逻辑或者软件、硬件和应用逻辑的组合中。软件、应用逻辑和/或硬件可以驻留在存储器或者任何计算机介质上。在示例性实施例中，应用逻辑、软件或者指令集被保持在各种常规计算机可读介质中的任何一种计算机可读介质上。在本文的上下文中，“存储器”或者“计算机可读介质”可以是可以包含、存储、传送、传播或者传输指令的任何非瞬态介质或者部件，该指令用于由指令执行***、装置或者设备(诸如计算机)使用或者结合指令执行***、装置或者设备(诸如计算机)而被使用。
在相关的情况下，对“计算机可读存储介质”、“计算机程序产品”、“有形地实施的计算机程序”等或“处理器”、“处理电路装置”等的引用应该被理解为不仅涵盖了具有不同架构的计算机，诸如单处理器/多处理器架构以及串行/并行架构，而且还涵盖了专用电路，诸如现场可编程门阵列FPGA、专用电路ASIC、信号处理设备/装置和其他设备/装置。对计算机程序、指令、代码等的引用应该被理解为表示用于可编程处理器固件的软件，诸如硬件设备/装置的可编程内容，作为用于处理器的指令或被配置用于固定功能设备/装置、门阵列、可编程逻辑设备/装置等或用于其的配置设置。
若需要，本文讨论的不同函数可以按照不同的顺序执行和/或彼此并行地执行。此外，若需要，上述函数中的一种或者多种函数可以是可选的或者可以被组合。类似地，还要了解，图5和图7中的流程图仅仅是示例，并且本文描绘的各种操作可以被省略、重新排序和/或组合。
要了解，上述示例实施例仅是说明性的，并且不限制本发明的范围。在阅读本说明书之后，其他变化和修改对于本领域技术人员将是明显的。
此外，应理解本申请的公开内容包括本文中明确或隐含公开的任何新颖特征或特征的任何新颖组合，或其任何泛化，并且在本申请或由此衍生出来的任何申请的起诉期间，可以提出新的权利要求以覆盖任何这样的特征和/或这种特征的组合。
虽然在独立权利要求中阐述了本发明的各个方面，但是本发明的其他方面包括来自所描述的示例实施例和/或附属权利要求的特征与独立权利要求的特征的其他组合，不仅仅包括在权利要求书中明确阐述的组合。
在本文中还要注意，虽然上面描述了各种示例，但不应该以限制的意义来看待这些描述。相反，在不脱离所附权利要求书所限定的本发明的范围的情况下，可以进行多种变型和修改。

Claims (15)

1.一种用于在通信***中进行训练的装置，包括用于执行以下的部件：
生成第一损失函数分量，包括将第一位置数据与第一位置估计进行比较，其中所述第一位置估计基于信道状态数据，其中所述第一位置估计是使用模型生成的，并且其中所述模型包括多个可训练参数；
生成第二损失函数分量，包括将所述第一位置数据与第二位置估计进行比较，其中所述第二位置估计基于已经经过第一增强的信道状态数据，并且其中所述第二位置估计是使用所述模型生成的；
生成第三损失函数分量，包括将基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计进行比较，其中所述第三位置估计和所述第四位置估计是使用所述模型生成的；以及
通过使基于所述第一损失函数分量、所述第二损失函数分量和所述第三损失函数分量的组合的损失函数最小化，来训练所述模型的所述可训练参数。
2.根据权利要求1所述的装置，其中所述部件还被配置为执行：
通过组合所述第一损失函数分量、所述第二损失函数分量和所述第三损失函数分量来生成所述损失函数。
3.根据权利要求2所述的装置，其中所述组合包括所述第一损失函数分量、所述第二损失函数分量和所述第三损失函数分量的和。
4.根据权利要求3所述的装置，其中所述和是加权和。
5.根据权利要求1所述的装置，其中所述部件还被配置为执行：
接收、取回或以其他方式获取第一数据集，其中所述第一数据集包括经标记的数据，所述经标记的数据包括信道状态信息和相关联的位置数据，其中所述第一位置数据是从所述相关联的位置数据得出的。
6.根据权利要求5所述的装置，其中所述部件还被配置为执行：
基于所述第一数据集的所述信道状态数据中的至少一些信道状态数据来生成所述第一位置估计；以及
基于所述第一数据集中已经经过所述第一增强的所述信道状态数据中的至少一些信道状态数据来生成所述第二位置估计。
7.根据权利要求1所述的装置，其中所述部件还被配置为执行：
接收、取回或以其他方式获取第二数据集，其中所述第二数据集包括未经标记的数据，所述未经标记的数据包括信道状态信息。
8.根据权利要求7所述的装置，其中所述部件还被配置为执行：
基于所述第二数据集的所述信道状态数据中的至少一些信道状态数据来生成所述第三位置估计；以及
基于所述第二数据集中已经经过所述第二增强的所述信道状态数据中的至少一些信道状态数据来生成所述第四位置估计。
9.根据权利要求1所述的装置，其中每个增强包括以下一项或多项：
相位旋转；
幅度放大；
幅度缩小；
高斯噪声的添加；
滤波或平滑；
基于神经网络的增强；或者
元素替换算法。
10.根据权利要求1所述的装置，其中每个增强提供相关信道状态信息的随机变换或伪随机变换。
11.根据权利要求1所述的装置，其中所述部件还被配置为执行：
通过将所述第一位置数据与多个第二位置估计进行比较，来生成多个所述第二损失函数分量，所述多个第二位置估计基于已经经过所述第一增强的不同实例的信道状态数据；和/或
通过将所述第三位置估计与多个第四位置估计进行比较，来生成多个所述第三损失函数分量，所述多个第四位置估计基于已经经过所述第二增强的不同实例的信道状态数据。
12.根据权利要求1所述的装置，其中所述模型是机器学习模型。
13.根据权利要求1所述的装置，其中所述模型使用神经网络来实现。
14.根据前述权利要求中任一项所述的装置，其中所述模型被配置为基于用于用户设备和通信节点之间的通信的信道状态信息来估计所述用户设备的定位。
15.一种用于在通信***中进行训练的方法，包括：
生成第一损失函数分量，包括将第一位置数据与第一位置估计进行比较，其中所述第一位置估计基于信道状态数据，其中所述第一位置估计是使用模型生成的，并且其中所述模型包括多个可训练参数；
生成第二损失函数分量，包括将所述第一位置数据与第二位置估计进行比较，其中所述第二位置估计基于已经经过第一增强的信道状态数据，并且其中所述第二位置估计是使用所述模型生成的；
生成第三损失函数分量，包括将基于信道状态数据的第三位置估计和基于已经经过第二增强的信道状态数据的第四位置估计进行比较，其中所述第三位置估计和所述第四位置估计是使用所述模型生成的；以及
通过使基于所述第一损失函数分量、所述第二损失函数分量和所述第三损失函数分量的组合的损失函数最小化，来训练所述模型的所述可训练参数。
CN202110050487.4A 2020-01-14 2021-01-14 在通信***中进行训练 Pending CN113128679A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FI20205030 2020-01-14
FI20205030 2020-01-14

Publications (1)

Publication Number Publication Date
CN113128679A true CN113128679A (zh) 2021-07-16

Family

ID=74175614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110050487.4A Pending CN113128679A (zh) 2020-01-14 2021-01-14 在通信***中进行训练

Country Status (3)

Country Link
US (1) US11736899B2 (zh)
EP (1) EP3852451B1 (zh)
CN (1) CN113128679A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114710235A (zh) * 2022-03-01 2022-07-05 丝路梵天(甘肃)通信技术有限公司 一种通信质量增强***及通信***
WO2024011456A1 (zh) * 2022-07-13 2024-01-18 Oppo广东移动通信有限公司 数据处理方法、通信方法及装置、终端设备和网络设备

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11502915B2 (en) * 2020-09-11 2022-11-15 Qualcomm Incorporated Transmission of known data for cooperative training of artificial neural networks
JPWO2023026471A1 (zh) * 2021-08-27 2023-03-02
WO2024032895A1 (en) * 2022-08-11 2024-02-15 Nokia Technologies Oy Data augmentation for machine learning training in positioning

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1602097A (zh) * 1999-07-05 2005-03-30 诺基亚网络有限公司 在通信***中标识发往用户的信息的方法以及通信***
CN103518415A (zh) * 2011-02-11 2014-01-15 交互数字专利控股公司 用于增强型控制信道的***和方法
CN108023672A (zh) * 2016-10-28 2018-05-11 上海诺基亚贝尔股份有限公司 用于通信***中的数据处理的方法和装置
CN108832972A (zh) * 2018-09-11 2018-11-16 上海交通大学 面向无线通信增强的多点联合传输方法与***
CN109212472A (zh) * 2018-07-11 2019-01-15 中国科学院信息工程研究所 一种面向噪声环境下的室内无线定位方法及装置
CN109359664A (zh) * 2018-08-23 2019-02-19 广州市心鉴智控科技有限公司 自我学习更新训练样本的高效质检模型构建方法及***
US20190097865A1 (en) * 2012-12-05 2019-03-28 Origin Wireless, Inc. Apparatus, systems and methods for event recognition based on a wireless signal
CN109981498A (zh) * 2019-03-12 2019-07-05 上海大学 基于超分辨率图像恢复技术的Wi-Fi标准***信道估计方法
CN110390950A (zh) * 2019-08-17 2019-10-29 杭州派尼澳电子科技有限公司 一种基于生成对抗网络的端到端语音增强方法
US20190362237A1 (en) * 2019-03-15 2019-11-28 Intel Corporation Machine learning techniques for precise position determination
CN110636020A (zh) * 2019-08-05 2019-12-31 北京大学 一种自适应通信***神经网络均衡方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI105384B (fi) 1997-10-03 2000-07-31 Nokia Networks Oy Menetelmä päätelaitteen sijainnin määrittämiseksi ja solukkoradiojärjestelmä
JP5203670B2 (ja) 2007-10-25 2013-06-05 インターナショナル・ビジネス・マシーンズ・コーポレーション 位置推定システム、方法及びプログラム
CA3044480C (en) 2016-11-22 2024-01-02 Aerial Technologies Device-free localization methods within smart indoor environments
US10820181B2 (en) 2018-02-09 2020-10-27 Rapidsos, Inc. Emergency location analysis system
WO2019165000A1 (en) 2018-02-20 2019-08-29 Jackson James R Systems and methods for generating a relationship among a plurality of data sets to generate a desired attribute value
GB2576499A (en) * 2018-08-15 2020-02-26 Imperial College Sci Tech & Medicine Joint source channel coding for noisy channels using neural networks
WO2020170221A1 (en) * 2019-02-22 2020-08-27 Aerial Technologies Inc. Handling concept drift in wi-fi-based localization

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1602097A (zh) * 1999-07-05 2005-03-30 诺基亚网络有限公司 在通信***中标识发往用户的信息的方法以及通信***
CN103518415A (zh) * 2011-02-11 2014-01-15 交互数字专利控股公司 用于增强型控制信道的***和方法
US20190097865A1 (en) * 2012-12-05 2019-03-28 Origin Wireless, Inc. Apparatus, systems and methods for event recognition based on a wireless signal
CN108023672A (zh) * 2016-10-28 2018-05-11 上海诺基亚贝尔股份有限公司 用于通信***中的数据处理的方法和装置
CN109212472A (zh) * 2018-07-11 2019-01-15 中国科学院信息工程研究所 一种面向噪声环境下的室内无线定位方法及装置
CN109359664A (zh) * 2018-08-23 2019-02-19 广州市心鉴智控科技有限公司 自我学习更新训练样本的高效质检模型构建方法及***
CN108832972A (zh) * 2018-09-11 2018-11-16 上海交通大学 面向无线通信增强的多点联合传输方法与***
CN109981498A (zh) * 2019-03-12 2019-07-05 上海大学 基于超分辨率图像恢复技术的Wi-Fi标准***信道估计方法
US20190362237A1 (en) * 2019-03-15 2019-11-28 Intel Corporation Machine learning techniques for precise position determination
CN110636020A (zh) * 2019-08-05 2019-12-31 北京大学 一种自适应通信***神经网络均衡方法
CN110390950A (zh) * 2019-08-17 2019-10-29 杭州派尼澳电子科技有限公司 一种基于生成对抗网络的端到端语音增强方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DE BACKER 等: "High precision measurements of atom column positions using model-based exit wave reconstruction", 《ULTRAMICROSCOPY》, vol. 111, 31 December 2011 (2011-12-31), pages 1475 - 1482, XP028295659, DOI: 10.1016/j.ultramic.2011.07.002 *
ERIC LEI 等: "Siamese Neural Networks for Wireless Positioning and Channel Charting", 《2019 57TH ANNUAL ALLERTON CONFERENCE ON COMMUNICATION, CONTROL, AND COMPUTING (ALLERTON)》, 5 December 2019 (2019-12-05), pages 200 - 207 *
周伟: "基于CSI的无人机检测与3D定位研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2019, no. 2, 15 February 2019 (2019-02-15), pages 140 - 145 *
肖亚龙 等: "一种基于多维标度和区域细化的无线室内定位方法", 《计算机学报》, vol. 40, no. 8, 31 December 2016 (2016-12-31), pages 1918 - 1932 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114710235A (zh) * 2022-03-01 2022-07-05 丝路梵天(甘肃)通信技术有限公司 一种通信质量增强***及通信***
CN114710235B (zh) * 2022-03-01 2022-11-04 丝路梵天(甘肃)通信技术有限公司 一种通信质量增强***及通信***
WO2024011456A1 (zh) * 2022-07-13 2024-01-18 Oppo广东移动通信有限公司 数据处理方法、通信方法及装置、终端设备和网络设备

Also Published As

Publication number Publication date
EP3852451A1 (en) 2021-07-21
US11736899B2 (en) 2023-08-22
EP3852451B1 (en) 2023-08-30
US20210219099A1 (en) 2021-07-15

Similar Documents

Publication Publication Date Title
CN113128679A (zh) 在通信***中进行训练
Liang et al. An iterative BP-CNN architecture for channel decoding
Kang et al. Forget-free continual learning with winning subnetworks
JP6647632B2 (ja) 機械学習用訓練データの生成
CN112166567B (zh) 通信***中的学习
JP2020508522A (ja) 監視されていないクロスドメイン画像生成のための周期的敵対的生成ネットワーク
KR102494797B1 (ko) 통신 시스템들에서의 단-대-단 학습
Zhang et al. Genetic pattern search and its application to brain image classification
Li et al. Joint design of measurement matrix and sparse support recovery method via deep auto-encoder
CN110942151B (zh) 一种量子态层析方法及装置
Gupta et al. A geometric mixed norm approach to shallow water acoustic channel estimation and tracking
Naderahmadian et al. Correlation based online dictionary learning algorithm
Xing‐Yuan et al. Fractal image coding algorithm using particle swarm optimisation and hybrid quadtree partition scheme
Zhang et al. Computationally efficient DOA estimation for monostatic MIMO radar based on covariance matrix reconstruction
Aziz et al. Optimising compressive sensing matrix using Chicken Swarm Optimisation algorithm
Huang et al. Heterogeneous Bayesian compressive sensing for sparse signal recovery
CN113792753A (zh) 动态超图神经网络分类方法和***
CN114745233B (zh) 一种基于导频设计的联合信道估计方法及装置
TWI422182B (zh) 基於幾何方法欠定多輸入多輸出系統之高效率解碼器及其解碼方法
Wu et al. A holistic approach to reconstruct data in ocean sensor network using compression sensing
CN108810551B (zh) 一种视频帧预测方法、终端及计算机存储介质
Muralidhar et al. Multivariate long-term state forecasting in cyber-physical systems: A sequence to sequence approach
Liquan et al. Improved generalized sparsity adaptive matching pursuit algorithm based on compressive sensing
CN114630207B (zh) 基于降噪自编码器的多传感节点感知数据收集方法
CN116070437A (zh) 锂电池表面温度建模方法、装置、计算机设备和存储介质

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