CN114501353A - 通信信息的发送、接收方法及通信设备 - Google Patents
通信信息的发送、接收方法及通信设备 Download PDFInfo
- Publication number
- CN114501353A CN114501353A CN202011149923.5A CN202011149923A CN114501353A CN 114501353 A CN114501353 A CN 114501353A CN 202011149923 A CN202011149923 A CN 202011149923A CN 114501353 A CN114501353 A CN 114501353A
- Authority
- CN
- China
- Prior art keywords
- sub
- information
- module
- modules
- communication
- 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 248
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000013473 artificial intelligence Methods 0.000 claims description 94
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000011664 signaling Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/18—Information format or content conversion, e.g. adaptation by the network of the transmitted or received information for the purpose of wireless delivery to users or terminals
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0001—Arrangements for dividing the transmission path
- H04L5/0003—Two-dimensional division
- H04L5/0005—Time-frequency
- H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
- H04L5/001—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT the frequencies being arranged in component carriers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0091—Signaling for the administration of the divided path
- H04L5/0094—Indication of how sub-channels of the path are allocated
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种通信信息的发送、接收方法及通信设备,属于无线通信技术领域。其中,一种通信信息的发送方法包括:第一通信设备将第一通信信息划分为一个或多个子带信息;将所述第一通信信息的宽带信息和/或所述一个或多个子带信息输入到第一人工智能网络模型,发送所述第一人工智能网络模型输出的第二通信信息。
Description
技术领域
本申请属于无线通信技术领域,具体涉及一种通信信息的发送、接收方法及通信设备。
背景技术
目前,人工智能(Artificial Intelligence,AI)网络(也可以称为神经网络)在各个领域获得了广泛的应用。
然而,关于在通信信息的传输中使用AI网络,目前尚未给出比较好的解决方案。
发明内容
本申请实施例提供一种通信信息的发送、接收方法及通信设备,能够解决如何在通信信息的传输中使用AI网络的问题。
第一方面,提供了一种通信信息的发送方法,该方法包括:第一通信设备将第一通信信息划分为一个或多个子带信息;将所述第一通信信息的宽带信息和/或所述一个或多个子带信息输入到第一人工智能网络模型,并发送所述第一人工智能网络模型输出的第二通信信息。
第二方面,提供了一种通信信息的发送装置,包括:预处理模块,用于将第一通信信息划分为一个或多个子带信息;第一输入模块,用于将所述第一通信信息的宽带信息和/或所述一个或多个子带信息输入到第一人工智能网络模型;发送模块,用于发送所述第一人工智能网络模型输出的第二通信信息。
第三方面,提供了一种通信信息的接收方法,该方法包括:第二通信设备接收第一通信设备发送的第二通信信息;将所述第二通信信息输入到第二人工智能网络模型,以得到第一通信信息的宽带信息和/或一个或多个子带信息。
第四方面,提供了一种通信信息的接收装置,包括:接收模块,用于接收第一通信设备发送的第二通信信息;第二输入模块,用于将所述第二通信信息输入到第二人工智能网络模型,以得到第一通信信息的宽带信息和/或一个或多个子带信息。
第五方面,提供了一种通信设备,该终端包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤,或者实现如第三方面所述的方法的步骤。
第六方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤,或者实现如第三方面所述的方法的步骤。
第七方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行通信设备程序或指令,实现如第一方面所述的方法,或实现如第三方面所述的方法。
第八方面,提供了一种计算机程序产品,该计算机程序产品包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤,或实现如第三方面所述的方法的步骤。
在本申请实施例中,第一通信设备在将第一通信信息划分为一个或多个子带信息,将所述第一通信信息的宽带信息和/或所述一个或多个子带信息作为第一人工智能网络模型的输入信息,输入到第一人工智能网络模型,从而得到待发送的第二通信信息,并发送第二通信信息。从而实现利用第一人工智能网络模型将原始的第一通信信息转换为待发送的第二通信信息,提升了通信***的性能。
附图说明
图1示出本申请实施例可应用的一种无线通信***的框图;
图2示出本申请实施例提供的一种通信信息的发送方法的流程图;
图3示出本申请实施例中的一种第一人工智能网络模型的结构示意图;
图4示出本申请实施例中的另一种第一人工智能网络模型的结构示意图;
图5示出本申请实施例中的又一种第一人工智能网络模型的结构示意图;
图6示出本申请实施例中的又一种第一人工智能网络模型的结构示意图;
图7示出本申请实施例提供的一种通信信息的接收方法的流程图;
图8示出本申请实施例中的一种第二人工智能网络模型的结构示意图;
图9示出本申请实施例提供的一种通信信息的发送装置的结构示意图;
图10示出本申请实施例提供的一种通信信息的接收装置的结构示意图;
图11示出本申请实施例提供的一种通信设备的结构示意图;
图12示出本申请实施例提供的一种终端的硬件结构示意图;
图13示出本申请实施例提供的一种网络侧设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)***,还可用于其他无线通信***,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency-Division Multiple Access,SC-FDMA)和其他***。本申请实施例中的术语“***”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的***和无线电技术,也可用于其他***和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)***,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR***应用以外的应用,如第6代(6th Generation,6G)通信***。
图1示出本申请实施例可应用的一种无线通信***的框图。无线通信***包括终端11和网络侧设备12。其中,终端11也可以称作终端设备或者用户终端(User Equipment,UE),终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(LaptopComputer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer,UMPC)、移动上网装置(Mobile Internet Device,MID)、可穿戴式设备(Wearable Device)或车载设备(VUE)、行人终端(PUE)等终端侧设备,可穿戴式设备包括:手环、耳机、眼镜等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以是基站或核心网,其中,基站可被称为节点B、演进节点B、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set,BSS)、扩展服务集(ExtendedService Set,ESS)、B节点、演进型B节点(eNB)、家用B节点、家用演进型B节点、WLAN接入点、WiFi节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR***中的基站为例,但是并不限定基站的具体类型。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的通信信息的发送方法进行详细地说明。
图2示出本申请实施例中的通信信息的发送方法的一种流程示意图,该方法200可以由通信设备执行。换言之,所述方法可以由安装在通信设备上的软件或硬件来执行。在本申请实施例中,通信设备可以为终端也可以为网络侧设备。如图2所示,该方法可以包括以下步骤。
S210,第一通信设备将第一通信信息划分为一个或多个子带信息。
在本申请实施例的一个可能的实现方式中,子带划分可以根据频域资源划分、时域资源划分、空域资源划分、码域资源划分等。因此,在该可能的实现方式中,S210可以包括:根据所述第一通信信息的目标资源,将所述第一通信信息划分为一个或多个子带信息,其中,所述目标资源包括以下至少之一:频域资源、时域资源、空域资源和码域资源。
在具体应用中,可选的,可以以预定的资源大小为单位,参考将第一通信信息划分为一个或多个子带信息。因此,在一个可能的实现方式中,第一通信设备将第一通信信息划分为一个或多个子带信息,包括以下至少之一:
(1)以频域单位资源为单位,在所述频域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述频域单位资源包括以下至少之一:资源块(Resource Block,RB)、物理资源块(Physical Resource Block,PRB、子带、预编码资源块组(PrecodingResource block Group,PRG)、以及带宽部分(Bandwidth Part,BWP)。也就是说,在该可能的实现方式中,可以将第一通信信息按照RB、PRB、PRG、子带或BWP进行划分,将第一通信信息的每一个或多个RB、PRB、PRG、子带或BWP上的信息划分为一个子带。
(2)以时域单位资源为单位,在所述时域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述时域单位资源包括以下至少之一:子载波、正交频分复用(Orthogonal frequency division multiplex,OFDM)符号、时隙、以及半时隙。也就是说,在该可能的实现方式中,可以将第一通信信息按照子载波、OFDM符号、时隙或半时隙进行划分,将第一通信信息的每一个或多个载波、OFDM符号、时隙或半时隙上的信息划分为一个子带。
(3)以空域单位资源为单位,在所述空域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述空域单位资源包括以下至少之一:天线、天线元、天线面板、发送接收单元、波束(包括模拟波束和数字波束)、层(Layer)、秩(Rank)、以及天线角度(例如,倾角)。也就是说,在该可能的实现方式中,可以将第一通信信息按照天线、天线元、天线面板、发送接收单元、波束(包括模拟波束和数字波束)、层(Layer)、秩(Rank)、以及天线角度(例如,倾角)进行划分。
(4)以码域单位资源为单位,在所述码域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述码域单位资源包括以下至少之一:正交码、准正交码、以及半正交码。也就是说,在该可能的实现方式中,可以将第一通信信息按照正交码、准正交码、以及半正交码进行划分。
S212,将所述第一通信信息的宽带信息和/或所述一个或多个子带信息输入到第一人工智能网络模型,并发送所述第一人工智能网络模型输出的第二通信信息。
在本申请实施例中,第一人工智能网络(或者也可以称之为神经网络)模型用于对输入的第一通信信息的宽带信息和/或所述一个或多个子带信息进行处理,以输出与第一通信信息对应的第二通信信息,即待发送的信息。例如,第一人工智能网络模型可以根据第一通信信息的宽带信息对一个或多个子带信息编码,输出子带编码数据流(即第二通信信息),其中,第一通信信息可以为原始信号。其中,第一通信信息的宽带信息可以为表征第一通信信息的整体特征的信息。
在具体应用中,第一人工智能网络模型可以是预先建立好的网络模型,并通过训练可以输出与输入信息对应的数据流。
在一个可能的实现方式中,第一人工智能网络模型可以包括至少一级子模块,每一级子模块可以包括一个或多个子模块。
例如,在图3所示的第一人工智能网络模型的结构中,第一人工智能网络模型包括一级子模块,该级子模块中包括N个子模块,即子模块A-1至A-N,其中,N为输入的宽带信息和/或子带的数量,具体的,在图3中,输入的为N个子带,当然,并不限于此,在实际应用中,输入的还可以为一个宽带信息和N-1个子带信息。
或者,在图4所示的第一人工智能网络模型的结构中,第一人工智能网络模型包括两级子模块,其中,第一级子模块包括N个模块,即子模块A-1至A-N,第二级子模块包括一个子模块,即子模块B。可选地,第一人工智能网络模型包括多级子模块,比如子模块B后面还有子模块C、子模块D等。
在一个可能的实现方式,所述子模块可以包括以下至少之一:
(1)全连接神经网络模块;也就是说,子模块采用的人工智能网络类型为全连接神经网络。
(2)卷积神经网络模块;也就是说,子模块采用的人工智能网络类型为卷积神经网络。
(3)循环神经网络模块;也就是说,子模块采用的人工智能网络类型为循环神经网络。
(4)残差神经网络模块;也就是说,子模块采用的人工智能网络类型为残差神经网络。
(5)预设算法模块。例如,根据输入信息求时间相关性和/或频率相关性、特征值分解、求特征值、求特征向量、计算信道容量、滤波、均衡等的算法模块。
在具体应用中,一个子模块可以包括多个小网络,每个小网络均可以采用上述之一的模块,不同小网络可以采用上述不同的模块,具体本申请实施例中不作限定。
在具体应用中,第一人工智能网络模型中的部分子模块可以采用相同的人工智能网络结构和/或采用相同的人工智能网络参数。
例如,在图4中,子模块A-i和子模块A-j采用相同的AI网络结构,但具体的权值、偏置的数值不同。或者,子模块A-i和子模块A-j采用相同的AI网络结构,并且具体的权值、偏置的数值相同。又或者,子模块A-i和子模块B,AI网络结构不同,而且具体的权值、偏置的数值也不同。其中,i=1,2,3,…,N,j=1,2,3,…,N,且i≠j。
在本申请实施例中,所述子模块采用的人工智能网络结构由以下至少之一确定:
(1)人工智能网络类型;例如,全连接神经网络、卷积神经网络、循环神经网络、或残差网络。
(2)包括的多个子网络的组合方式;即一个子模块包括多个小网络的情况下,各个小网络的组合方式。例如,全连接+卷积,卷积+残差等。
(3)隐藏层的层数;
(4)输入层与隐藏层的连接方式;
(5)多个隐藏层之间的连接方式;
(6)隐藏层与输入层的连接方式;
(7)每层神经元的数目。其中,不同层的神经元数目一般不同,也可能相同。
在一个可能的实现方式中,所述第一人工智能网络模型的一个目标子模块本次的输入信息包括以下至少之一:
(1)与所述目标子模块同级的其它子模块本次的输入信息;即目标子模块的输入信息可以包括同级的除所述目标子模块之外的其它子模块本次的输入信息,也就是说,该输入信息同时为目标子模块和与目标子模块同级的其它一个或多个子模块的输入。
(2)与所述目标子模块同级的其它子模块之前时刻的输入信息;其中,之前时刻的输入信息是指本次之前的输入信息,例如,上一次的输入信息。
(3)与所述目标子模块同级的其它子模块本次的中间信息。
(4)与所述目标子模块同级的其它子模块之前时刻的中间信息;
(5)与所述目标子模块同级的其它子模块的本次的输出信息;
(6)与所述目标子模块同级的其它子模块的之前时刻的输出信息;其中,之前时刻的输出信息是指本次之前的输出信息,例如,上一次的输出信息。
(7)所述目标子模块上一级的多个子模块输出信息的组合。
在上述可能的实现方式中,其他同级子模块为与目标子模块相邻的M个子模块,M为正整数。或者,其他同级子模块为跳过部分子模块与目标子模块相邻的M个子模块,例如,目标子模块为A-5,则其它同级子模块为A-7和A-3,或A-1和A-3和A-7和A-9和A-11,M为正整数。或者其他同级子模块包括除了目标子模块的所有其它同级子模块。
例如,在图4中,子模块A-i的输入信息包括本级子模块A-j的上次的中间信息,或还包括本级子模块A-j的本次的输入信息。其中,i=1,2,3,…,N,j=1,2,3,…,N,且i≠j。
在本申请实施例中,可选的,第一人工智能网络模型的最后一级的子模块可以为一个或多个,对应的,第二通信信息可以为所述第一人工智能网络模型的最后一级的子模块的输出信息;或所述第一人工智能网络模型的最后一级的多个子模块输出信息的组合。
在本申请实施例的一个可选实施方式中,所述多个子模块输出信息的组合可以包括:所述多个子模块的输出信息合并后得到的一维向量或二维矩阵或多维矩阵;例如,在图3中,可以将多个子模块A-i的输出信息,合并为一个大的一维向量,或者二维矩阵,或者多维矩阵直接输入。又例如,在图4中,可以将多个子模块A-i的输出信息,合并为一个大的一维向量,或者二维矩阵,或者多维矩阵直接输入作为下一级的输入,例如作为子模块B的输入。
在本申请实施例的另一个可选实施方式中,所述多个子模块输出信息的组合可以包括:所述多个子模块的输出信息按照预设算法进行计算后得到的结果其中,预设算法包括但不限于加权和/或其它数学操作。例如,加权可以包括线性平均、乘性平均及其它常见平均方法的组合。数学操作可以包括加减乘数、N次方、n次开根号、对数、求导、求偏导等各种常见数学操作的组合。n为任意数。例如,n可以为正数或负数或0,或者也可以为实数或复数,具体本实施例中不作限定。
在一个可能的实现方式中,所述第一人工智能网络模型包括第一级子模块和第二级子模块,其中,第一级子模块包括一个或多个第一子模块,所述第二级子模块位于所述第一级子模块的前一级,且所述第二级子模块包括N个第二子模块,其中,N为输入所述第一人工智能网络模型的宽带信息和/或子带的数量。
例如,在图4中,所述第一人工智能网络模型包括第一级子模块(包括子模块B)和第二级子模块(包括子模块A-1,A-2,…,A-N)。
或者,在图5中,所述第一人工智能网络模型包括第一级子模块(包括子模块B-1和B-2)和第二级子模块(包括子模块A-1,A-2,…,A-N)。
在一个可能的实现方式中,所述第一级子模块包括多个第一子模块,多个所述第一子模块中的至少一个第一子模块表示带宽信息,多个所述第一子模块中的其它第一子模块表示子带信息,其中,所述其它第一子模块为所述多个第一子模块中除所述至少一个第一子模块之外的部分或全部第一子模块。
例如,若第二通信信息是预编码矩阵指示(Precoding matrix indicator,PMI)则PMI分为宽带PMI和子带PMI,或者,也可以称为PMI的宽带信息或宽带部分、PMI的子带信息或子带部分。
例如,在图5中,子模块B-1表示宽带信息,子模块B-2表示子带信息。可选地,子模块B-2可以继续划分为多个子模块,例如子模块B-2-1、子模块B-2-2、…、子模块B-2-L,其中L为正整数。可选地,L等于子带数目N。
可选地,通过所述至少一个第一子模块得到所述第二通信信息的宽带信息。例如,在图5中,通过子模块B-1的输出(不需要子模块B-2的输出),可以得到第二通信信息的全宽带信息。即第二通信信息的全宽带特征。
可选的,通过所述至少一个第一子模块和所述其它第一子模块得到所述第二通信信息的子带信息。也就是说,没有所述至少一个第一子模块的输出,仅靠所述其它第一子模块,无法得到第二通信信息的子带信息。例如,在图5中,没有子模块B-1的输出,仅靠子模块B-2,无法得到第二通信信息的子带信息。
可选地,通过所述其它第一子模块得到所述第二通信信息的子带信息。也就是说,仅靠所述其它第一子模块,可以得到第二通信信息的子带信息。例如,在图5中,没有子模块B-1的输出,仅靠子模块B-2,可以得到第二通信信息的子带信息。
在一个可能的实现方式中,所述至少一个第一子模块的输入信息为部分或全部所述第二子模块的输出信息;所述其它第一子模块的输入信息为部分或全部所述第二子模块的输出信息。可选的,所述至少一个第一子模块的输入信息与所述其它第一子模块的输入信息可以不同。例如,在图5中,子模块B-1的输入信息可以为部分子模块A(即A-1至A-N中的部分子模块)的输出信息,子模块B-2的输入信息可以为部分子模块A(即A-1至A-N中的部分子模块)的输出信息。其中,子模块B-1的输入信息与子模块B-2的输入信息可以相同,也可以不同。例如,子模块B-1的输入信息可以为全部子模块A(即A-1至A-N中的全部子模块)的输出信息,而当子模块B-2可以继续划分为多个子模块时,例如子模块B-2-1、子模块B-2-2、…、子模块B-2-L,子模块B-2-i的输入信息为子模块A-i,其中i=1,2,3,…,N。
在上述可能的实现方式中,可选的所述第一人工智能网络模型还包括第三级子模块,所述第三级子模块位于所述第二级子模块的前一级。
例如,在图6中,所述第一人工智能网络模型还包括子模块C,子模块C位于子模块A-1至A-N的前一级。
可选的,所述第三级子模块包括一个第三子模块,所述第三子模块的输入信息为所述第一通信信息的宽带信息和/或所述一个或多个子带信息。例如,在图6中,子模块C的输入信息为第一通信信息的N个子带信息)。也就是说,在该可能的实现方式中,所述第一通信信息的宽带信息和/或所述一个或多个子带信息先进入第三子模块进行统一处理,然后再输出进入第二级子模块。
在该可能的实现方式中,第二级子模块中的各个第二子模块的输入信息可以相同,也可以不同。或者,第二级子模块中的一个第二子模块的输入信息可以为第三子模块的全部输出信息,或者,第二级子模块中的一个第二子模块的输入信息可以为第三子模块的部分输出信息。
可选的,一个所述第二子模块的输入信息为所述第三子模块全部输出信息。也就是说,第三子模块的输出信息作为其后一级的各个第二子模块的输入信息。
或者,一个所述第二子模块的输入信息为所述第三子模块部分输出信息,且不同所述第二子模块的输入信息不同。例如,在图6中,子模块C的输入信息信息包括N部分,每部分作为一个子模块A-i的输入信息。可选的,一个子模块A-i对应一个子带信息i。
或者,在另一个可能的实现方式中,在图6第一人工智能网络模型也可以不包括第一级子模块,即不包括子模块B,或不包括子模块B-1和子模块B-2)。
在本申请实施例的一个可能的实现方式中,所述第二通信信息包括以下之一:
(1)参考信号;即用于信号处理的参考信号。例如,可以包括用于信号检测、滤波、均衡等的参考信号。所述参考信号包括但不限于:解调参考信号(Demodulation ReferenceSignal,DMRS)、探测参考信号(Sounding Reference Signal,SRS)、同步信号/物理广播信道信号块(或同步信号块)(Synchronization Signal and PBCH block,SSB)、跟踪参考信号(Tracking Reference Signal,TRS)、相位TRS(Phase-TRS,PTRS)、信道状态信息(Channel State Information,CSI)参考信号(CSI Reference Signal,CSI-RS)等。
(2)信道承载的信号;其中,信道包括但不限于物理下行控制信道(Physicaldownlink control channel,PDCCH)、物理下行共享信道(Physical downlink sharedchannel,PDSCH)、物理上行控制信道(Physical Uplink Control Channel,PUCCH)、物理上行共享信道(Physical Uplink Shared Channel,PUSCH)、物理随机接入信道(PhysicalRandom Access Channel,PRACH)、物理广播信道(Physical broadcast channel,PBCH)等。
(3)信道状态信息。
例如,可以包括:
(3-1)、信道状态信息反馈信息。包括但不限于信道相关信息、信道矩阵相关信息、信道特征信息、信道矩阵特征信息、PMI、秩指示(Rank indicator,RI)、CSI-RS资源指示(CSI-RS Resource Indicator,CRI)、信道质量指示(Channel quality indicator,CQI)、层指示(Layer Indicator,LI)等。
(3-2)、频分复用(Frequency Division Duplex,FDD)上下行部分互易性的信道状态信息。
其中,对于FDD***,根据部分互异性,基站根据上行信道获取角度和时延信息,可以通过CSI-RS预编码或者直接指示的方法,将角度信息和时延信息通知UE,UE根据基站的指示上报或者在基站的指示范围内选择并上报,从而减少UE的计算量和CSI上报的开销。
(4)波束信息;包括但不限于:波束质量、波束的指示信息(例如,参考信号ID)、波束失败指示信息、波束失败恢复中的新波束指示信息。还可以用于波束管理的波束信息,包括:波束测量、波束上报、波束预测、波束失败检测、波束失败恢复、波束失败恢复中的新波束指示。
(5)信道预测信息;可以包括信道状态信息的预测、波束预测等。
(6)干扰信息;包括但不限于小区内干扰、小区间干扰、带外干扰、交调干扰等信息。
(7)定位信息;
(8)轨迹信息;
网络侧设备可以通过参考信号(例如SRS),估计出的UE的具***置(包括水平位置和或垂直位置)或未来可能的轨迹,或辅助位置估计或轨迹估计的信息。
(9)高层业务和参数的预测信息,以及高层业务和参数的管理信息;包括但不限于:吞吐量、所需数据包大小、业务需求、移动速度、噪声信息等。
(10)控制信令。例如,功率控制的相关信令以及波束管理的相关信令等。
在本申请实施例中,可以通过第一人工智能网络模型获取待发送的第二通信信息,并且,第一人工智能网络模型的结构比较简单,能够有效降低AI网络的复杂度,从而提升通信***的性能。
图7示出本申请实施例中的通信信息的接收方法的一种流程示意图,该方法700可以由通信设备执行。换言之,所述方法可以由安装在通信设备上的软件或硬件来执行。在本申请实施例中,通信设备可以为终端也可以为网络侧设备。如图7所示,该方法可以包括以下步骤。
S710,第二通信设备接收第一通信设备发送的第二通信信息。
在本申请实施例中,第一通信设备可以采用上述方法200发送第二通信信息,或者,第一通信设备也可以采用其它的方式发送第二通信信息,具体本实施例中不作限定。
在本申请实施例中,第二通信信息可以为编码数据流。
S712,将所述第二通信信息输入到第二人工智能网络模型,以得到第一通信信息的宽带信息和/或一个或多个子带信息。
在本申请实施例中,第二人工智能网络模型用于对接收到的第二通信信息进行解码,以得到第一通信信息的宽带信息和/或一个或多个子带信息。第二人工智能网络模型可以预先进行训练,从而使得第二人工智能网络模型可以输出与输入的第二通信信息对应的宽带信息和/或一个或多个子带信息。
在一个可能的实现方式中,在得到第一通信信息的宽带信息和/或一个或多个子带信息之后,第二通信设备还可以根据宽带信息和/或一个或多个子带信息,恢复子带信息的分布状态,通过时频转换,恢复原始信息,即第一通信信息。
在本申请实施例中,第二人工智能网络模型可以采用与第一人工智能网络模型相似的人工智能网络模型。下面主要对第二人工智能网络模型的部分内容进行描述,其它部分与第一人工智能网络模型相似或对应,具体可以参见方法200中对第一人工智能网络模型的描述,在此不再赘述。
在一个可能的实现方式中,所述第二人工智能网络模型包括至少一级子模块,每级包括一个或多个子模块。
例如,在图8中,所述第二人工智能网络模型包括两级子模块,其中,第一级子模块包括一个子模块B,第二级子模块包括N个子模块A,即A-1至A-N,其中,N为第一通信信息的宽带信息和/或一个或多个子带信息的数量。
在一个可能的实现方式中,所述子模块可以包括以下至少之一:
(1)全连接神经网络模块;
(2)卷积神经网络模块;
(3)循环神经网络模块;
(4)残差神经网络模块;
(5)预设算法模块。
在一个可能的实现方式中,所述第二人工智能网络模型的部分所述子模块可以采用相同的人工智能网络结构和/或采用相同的人工智能网络参数。
在一个可能的实现方式中,所述子模块采用的人工智能网络结构由以下至少之一确定:
(1)人工智能网络类型;
(2)包括的多个子网络的组合方式;
(3)隐藏层的层数;
(4)输入层与隐藏层的连接方式;
(5)多个隐藏层之间的连接方式;
(6)隐藏层与输入层的连接方式;
(7)每层神经元的数目。
在一个可能的实现方式中,所述第二人工智能网络模型的一个目标子模块本次的输入信息包括以下至少之一:
(1)与所述目标子模块同级的其它子模块本次的输入信息;
(2)与所述目标子模块同级的其它子模块之前时刻的输入信息;
(3)与所述目标子模块同级的其它子模块本次的中间信息;
(4)与所述目标子模块同级的其它子模块之前时刻的中间信息;
(5)与所述目标子模块同级的其它子模块的本次的输出信息;
(6)与所述目标子模块同级的其它子模块的之前时刻的输出信息;
(7)所述目标子模块上一级的多个子模块输出信息的组合。
在一个可能的实现方式中,所述多个子模块输出的组合包括:
(1)所述多个子模块的输出信息合并后得到的一维向量或二维矩阵或多维矩阵;或,
(2)所述多个子模块的输出信息按照预设算法进行计算后得到的结果。具体可以参见方法200中的相关描述。
在一个可能的实现方式中,所述第二人工智能网络模型可以包括第一级子模块和第二级子模块,其中,第一级子模块包括至少一个第一子模块,所述第二级子模块位于所述第一级子模块的后一级,且所述第二级子模块包括N个第二子模块,其中,N为所述第二人工智能网络模型输出的宽带信息和/或子带信息的数量。
在上述可能的实现方式中,可选的,所述第一级子模块包括多个第一子模块,多个所述第一子模块中的至少一个第一子模块表示带宽信息,多个所述第一子模块中的其它第一子模块表示子带信息,其中,所述其它第一子模块为所述多个第一子模块中除所述至少一个第一子模块之外的部分或全部第一子模块。
例如,至少一个第一子模块的输入信息可以为第二通信信息的全宽带信息,即全部的宽带特征,所述其它第一子模块的输入信息可以包括第二通信信息的全宽带信息以及所述第二通信信息的子带信息。
在一个可能的实现方式中,一个所述第二子模块的输入信息包括所述至少一个第一子模块的输出信息和/或所述其它第一子模块的输出信息。
例如,所述至少一个第一子模块的输出信息为N个部分,分别输入到各个第二子模块,所述其它第一子模块的输出信息为N个部分,分别输入到各个第二子模块。
在一个可能的实现方式,所述第二人工智能网络模型还包括第三级子模块,所述第三级子模块位于所述第二级子模块的后一级。通过第三级子模块,可以对第二级子模块中的各个第二子模块的输出信息进行统一处理后输出。
在上述可能的实现方式中,可选的,所述第三级子模块可以包括一个第三子模块,所述第三子模块的输出信息为所述第一通信信息的宽带信息和/或一个或多个子带信息。
在上述可能的实现方式中,可选的,所述第三子模块的输入信息为多个所述第二子模块输出信息的组合。例如,第三子模块的输入信息可以为各个第二子模块的输出信息合并后得到的一维向量或二维矩阵或多维矩阵,或者,各个第二子模块的输出信息进行加权平均后得到的信息。
在一个可能的实现方式中,与方法200相似,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
具体可以参见方法200中的相关描述。
需要说明的是,本申请实施例提供的通信信息的发送方法,执行主体可以为通信信息的发送装置,或者,该通信信息的发送装置中的用于执行通信信息的发送方法的控制模块。本申请实施例中以通信信息的发送装置执行通信信息的发送方法为例,说明本申请实施例提供的通信信息的发送装置。
图9示出本申请实施例提供的一种通信信息的发送装置的结构示意图,如图9所示,该通信信息的发送装置900可以包括:预处理模块901用于将第一通信信息划分为一个或多个子带信息;第一输入模块902,用于将所述第一通信信息的宽带信息和/或所述一个或多个子带信息输入到第一人工智能网络模型;发送模块903,用于发送所述第一人工智能网络模型输出的第二通信信息。
在一个可能的实现方式中,所述预处理模块901将第一通信信息划分为一个或多个子带信息,包括
根据所述第一通信信息的目标资源,将所述第一通信信息划分为一个或多个子带信息,其中,所述目标资源包括以下至少之一:频域资源、时域资源、空域资源和码域资源。
在一个可能的实现方式中,所述预处理模块901将第一通信信息划分为一个或多个子带信息,包括以下至少之一:
以频域单位资源为单位,在所述频域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述频域单位资源包括以下至少之一:资源块RB、物理资源块PRB、子带、预编码资源块组PRG、以及带宽部分BWP;
以时域单位资源为单位,在所述时域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述时域单位资源包括以下至少之一:子载波、OFDM符号、时隙、以及半时隙;
以空域单位资源为单位,在所述空域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述空域单位资源包括以下至少之一:天线、天线元、天线面板、发送接收单元、波束、层、秩、以及天线角度;
以码域单位资源为单位,在所述码域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述码域单位资源包括以下至少之一:正交码、准正交码、以及半正交码。
在一个可能的实现方式中,所述第一人工智能网络模型包括至少一级子模块,每级包括一个或多个子模块。
在一个可能的实现方式中,所述子模块包括以下至少之一:全连接神经网络模块;卷积神经网络模块;循环神经网络模块;残差神经网络模块;预设算法模块。
在一个可能的实现方式中,部分所述子模块采用相同的人工智能网络结构和/或采用相同的人工智能网络参数。
在一个可能的实现方式中,所述子模块采用的人工智能网络结构由以下至少之一确定:
人工智能网络类型;
包括的多个子网络的组合方式;
隐藏层的层数;
输入层与隐藏层的连接方式;
多个隐藏层之间的连接方式;
隐藏层与输入层的连接方式;
每层神经元的数目。
在一个可能的实现方式中,所述第一人工智能网络模型的一个目标子模块本次的输入信息包括以下至少之一:
与所述目标子模块同级的其它子模块本次的输入信息;
与所述目标子模块同级的其它子模块之前时刻的输入信息;
与所述目标子模块同级的其它子模块本次的中间信息;
与所述目标子模块同级的其它子模块之前时刻的中间信息;
与所述目标子模块同级的其它子模块的本次的输出信息;
与所述目标子模块同级的其它子模块的之前时刻的输出信息;
所述目标子模块上一级的多个子模块输出信息的组合。
在一个可能的实现方式中,所述第二通信信息包括:所述第一人工智能网络模型的最后一级的子模块的输出信息;或所述第一人工智能网络模型的最后一级的多个子模块输出信息的组合。
在一个可能的实现方式中,所述多个子模块输出信息的组合包括:
所述多个子模块的输出信息合并后得到的一维向量或二维矩阵或多维矩阵;或,
所述多个子模块的输出信息按照预设算法进行计算后得到的结果。
在一个可能的实现方式中,所述第一人工智能网络模型包括第一级子模块和第二级子模块,其中,第一级子模块包括一个或多个第一子模块,所述第二级子模块位于所述第一级子模块的前一级,且所述第二级子模块包括N个第二子模块,其中,N为输入所述第一人工智能网络模型的宽带信息和/或子带的数量。
在一个可能的实现方式中,所述第一级子模块包括多个第一子模块,多个所述第一子模块中的至少一个第一子模块表示带宽信息,多个所述第一子模块中的其它第一子模块表示子带信息,其中,所述其它第一子模块为所述多个第一子模块中除所述至少一个第一子模块之外的部分或全部第一子模块。
在一个可能的实现方式中,通过所述至少一个第一子模块得到所述第二通信信息的宽带信息;和/或,通过所述至少一个第一子模块和所述其它第一子模块得到所述第二通信信息的子带信息。
在一个可能的实现方式中,所述至少一个第一子模块的输入信息为部分或全部所述第二子模块的输出信息;所述其它第一子模块的输入信息为部分或全部所述第二子模块的输出信息。
在一个可能的实现方式中,所述第一人工智能网络模型还包括第三级子模块,所述第三级子模块位于所述第二级子模块的前一级。
在一个可能的实现方式中,所述第三级子模块包括一个第三子模块,所述第三子模块的输入信息为所述第一通信设备的宽带信息和/或所述一个或多个子带信息。
在一个可能的实现方式中,一个所述第二子模块的输入信息为所述第三子模块全部输出信息。
在一个可能的实现方式中,一个所述第二子模块的输入信息为所述第三子模块部分输出信息,且不同所述第二子模块的输入信息不同。
在一个可能的实现方式中,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
本申请实施例中的通信信息的发送装置可以是装置,也可以是终端或网络侧设备中的部件、集成电路、或芯片。该装置可以是移动终端,也可以为非移动终端。示例性的,移动终端可以包括但不限于上述所列举的终端11的类型,非移动终端可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的通信信息的发送装置可以为具有操作***的装置。该操作***可以为安卓(Android)操作***,可以为ios操作***,还可以为其他可能的操作***,本申请实施例不作具体限定。
本申请实施例提供的通信信息的发送装置能够实现图2的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
图10示出本申请实施例提供的一种通信信息的接收装置的结构示意图,如图10所示,该通信信息的接收装置1000可以包括:接收模块1001,用于接收第一通信设备发送的第二通信信息;第二输入模块1002,用于将所述第二通信信息输入到第二人工智能网络模型,以得到第一通信信息的宽带信息和/或一个或多个子带信息。
在一个可能的实现方式中,所述第二人工智能网络模型包括至少一级子模块,每级包括一个或多个子模块。
在一个可能的实现方式中,所述子模块包括以下至少之一:
全连接神经网络模块;
卷积神经网络模块;
循环神经网络模块;
残差神经网络模块;
预设算法模块。
在一个可能的实现方式中,部分所述子模块采用相同的人工智能网络结构和/或采用相同的人工智能网络参数。
在一个可能的实现方式中,所述子模块采用的人工智能网络结构由以下至少之一确定:
人工智能网络类型;
包括的多个子网络的组合方式;
隐藏层的层数;
输入层与隐藏层的连接方式;
多个隐藏层之间的连接方式;
隐藏层与输入层的连接方式;
每层神经元的数目。
在一个可能的实现方式中,所述第二人工智能网络模型的一个目标子模块本次的输入信息包括以下至少之一:
与所述目标子模块同级的其它子模块本次的输入信息;
与所述目标子模块同级的其它子模块之前时刻的输入信息;
与所述目标子模块同级的其它子模块本次的中间信息;
与所述目标子模块同级的其它子模块之前时刻的中间信息;
与所述目标子模块同级的其它子模块的本次的输出信息;
与所述目标子模块同级的其它子模块的之前时刻的输出信息;
所述目标子模块上一级的多个子模块输出信息的组合。
在一个可能的实现方式中,所述多个子模块输出信息的组合包括:
所述多个子模块的输出信息合并后得到的一维向量或二维矩阵或多维矩阵;或,
所述多个子模块的输出信息按照预设算法进行计算后得到的结果。
在一个可能的实现方式中,所述第二人工智能网络模型包括第一级子模块和第二级子模块,其中,第一级子模块包括至少一个第一子模块,所述第二级子模块位于所述第一级子模块的后一级,且所述第二级子模块包括N个第二子模块,其中,N为所述第二人工智能网络模型输出的宽带信息和/或子带信息的数量。
在一个可能的实现方式中,所述第一级子模块包括多个第一子模块,多个所述第一子模块中的至少一个第一子模块表示带宽信息,多个所述第一子模块中的其它第一子模块表示子带信息,其中,所述其它第一子模块为所述多个第一子模块中除所述至少一个第一子模块之外的部分或全部第一子模块。
在一个可能的实现方式中,一个所述第二子模块的输入信息包括所述至少一个第一子模块的输出信息和/或所述其它第一子模块的输出信息。
在一个可能的实现方式中,所述第二人工智能网络模型还包括第三级子模块,所述第三级子模块位于所述第二级子模块的后一级。
在一个可能的实现方式中,所述第三级子模块包括一个第三子模块,所述第三子模块的输出信息为所述第一通信信息的宽带信息和/或一个或多个子带信息。
在一个可能的实现方式中,所述第三子模块的输入为多个所述第二子模块输出信息的组合。
在一个可能的实现方式中,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
本申请实施例中的通信信息的接收装置可以是装置,也可以是终端或网络侧设备中的部件、集成电路、或芯片。该装置可以是移动终端,也可以为非移动终端。示例性的,移动终端可以包括但不限于上述所列举的终端11的类型,非移动终端可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的通信信息的接收装置可以为具有操作***的装置。该操作***可以为安卓(Android)操作***,可以为ios操作***,还可以为其他可能的操作***,本申请实施例不作具体限定。
本申请实施例提供的通信信息的接收装置能够实现图2的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图11所示,本申请实施例还提供一种通信设备1100,包括处理器1101,存储器1102,存储在存储器1102上并可在所述处理器1101上运行的程序或指令,例如,该通信设备1100为终端或网络侧设备时,该程序或指令被处理器1101执行时实现上述的通信信息的发送方法实施例的各个过程,或者,实现上述的通信信息的接收方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
图12为实现本申请实施例的一种终端的硬件结构示意图。
该终端1200包括但不限于:射频单元1201、网络模块1202、音频输出单元1203、输入单元1204、传感器1205、显示单元1206、用户输入单元1207、接口单元1208、存储器1209、以及处理器1210等部件。
本领域技术人员可以理解,终端1200还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理***与处理器1210逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。图12中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元1204可以包括图形处理器(GraphicsProcessing Unit,GPU)12041和麦克风12042,图形处理器12041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1206可包括显示面板12061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板12061。用户输入单元1207包括触控面板12071以及其他输入设备12072。触控面板12071,也称为触摸屏。触控面板12071可包括触摸检测装置和触摸控制器两个部分。其他输入设备12072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元1201将来自网络侧设备的下行数据接收后,给处理器1210处理;另外,将上行的数据发送给网络侧设备。通常,射频单元1201包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1209可用于存储软件程序或指令以及各种数据。存储器1209可主要包括存储程序或指令区和存储数据区,其中,存储程序或指令区可存储操作***、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器1209可以包括高速随机存取存储器,还可以包括非易失性存储器,其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
处理器1210可包括一个或多个处理单元;可选的,处理器1210可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序或指令等,调制解调处理器主要处理无线通信,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器1210中。
处理器1210,用于第一通信设备将第一通信信息划分为一个或多个子带信息,将所述第一通信信息的宽带信息和/或所述一个或多个子带信息输入到第一人工智能网络模型。
射频单元1201,用于发送所述第一人工智能网络模型输出的第二通信信息。
或者,
射频单元1201,用于接收第一通信设备发送的第二通信信息。
处理器1210,用于将所述第二通信信息输入到第二人工智能网络模型,以得到第一通信信息的宽带信息和/或一个或多个子带信息。
具体地,本申请实施例还提供了一种网络侧设备。如图13所示,该网络设备1300包括:天线1301、射频装置1302、基带装置1303。天线1301与射频装置1302连接。在上行方向上,射频装置1302通过天线1301接收信息,将接收的信息发送给基带装置1303进行处理。在下行方向上,基带装置1303对要发送的信息进行处理,并发送给射频装置1302,射频装置1302对收到的信息进行处理后经过天线1301发送出去。
上述频带处理装置可以位于基带装置1303中,以上实施例中网络侧设备执行的方法可以在基带装置1303中实现,该基带装置1303包括处理器1304和存储器1305。
基带装置1303例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图13所示,其中一个芯片例如为处理器1304,与存储器1305连接,以调用存储器1305中的程序,执行以上方法实施例中所示的网络设备操作。
该基带装置1303还可以包括网络接口1306,用于与射频装置1302交互信息,该接口例如为通用公共无线接口(common public radio interface,简称CPRI)。
具体地,本申请实施例的网络侧设备还包括:存储在存储器1305上并可在处理器1304上运行的指令或程序,处理器1304调用存储器1305中的指令或程序执行图9或10所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述图2至图8所示的通信信息的发送方法实施例的各个过程,或实现上述图2至图8所示的通信信息的接收方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行网络侧设备程序或指令,实现上述图2至图8所示的通信信息的发送方法实施例的各个过程,或实现上述图2至图8所示的通信信息的接收方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为***级芯片,***芯片,芯片***或片上***芯片等。
本申请实施例另提供了一种计算机程序产品,该计算机程序产品包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现上述图2至图8所示的通信信息的发送方法实施例的各个过程,或实现上述图2至图8所示的通信信息的接收方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为***级芯片,***芯片,芯片***或片上***芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (44)
1.一种通信信息的发送方法,其特征在于,包括:
第一通信设备将第一通信信息划分为一个或多个子带信息;
将所述第一通信信息的宽带信息和/或所述一个或多个子带信息输入到第一人工智能网络模型,并发送所述第一人工智能网络模型输出的第二通信信息。
2.根据权利要求1所述的方法,其特征在于,第一通信设备将第一通信信息划分为一个或多个子带信息,包括:
根据所述第一通信信息的目标资源,将所述第一通信信息划分为一个或多个子带信息,其中,所述目标资源包括以下至少之一:频域资源、时域资源、空域资源和码域资源。
3.根据权利要求2所述的方法,其特征在于,第一通信设备将第一通信信息划分为一个或多个子带信息,包括以下至少之一:
以频域单位资源为单位,在所述频域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述频域单位资源包括以下至少之一:资源块RB、物理资源块PRB、子带、预编码资源块组PRG、以及带宽部分BWP;
以时域单位资源为单位,在所述时域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述时域单位资源包括以下至少之一:子载波、正交频分复用OFDM符号、时隙、以及半时隙;
以空域单位资源为单位,在所述空域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述空域单位资源包括以下至少之一:天线、天线元、天线面板、发送接收单元、波束、层、秩、以及天线角度;
以码域单位资源为单位,在所述码域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述码域单位资源包括以下至少之一:正交码、准正交码、以及半正交码。
4.根据权利要求1所述的方法,其特征在于,所述第一人工智能网络模型包括至少一级子模块,每级包括一个或多个子模块。
5.根据权利要求4所述的方法,其特征在于,所述子模块包括以下至少之一:
全连接神经网络模块;
卷积神经网络模块;
循环神经网络模块;
残差神经网络模块;
预设算法模块。
6.根据权利要求4所述的方法,其特征在于,部分所述子模块采用相同的人工智能网络结构和/或采用相同的人工智能网络参数。
7.根据权利要求4所述的方法,其特征在于,所述子模块采用的人工智能网络结构由以下至少之一确定:
人工智能网络类型;
包括的多个子网络的组合方式;
隐藏层的层数;
输入层与隐藏层的连接方式;
多个隐藏层之间的连接方式;
隐藏层与输入层的连接方式;
每层神经元的数目。
8.根据权利要求4所述的方法,其特征在于,所述第一人工智能网络模型的一个目标子模块本次的输入信息包括以下至少之一:
与所述目标子模块同级的其它子模块本次的输入信息;
与所述目标子模块同级的其它子模块之前时刻的输入信息;
与所述目标子模块同级的其它子模块本次的中间信息;
与所述目标子模块同级的其它子模块之前时刻的中间信息;
与所述目标子模块同级的其它子模块的本次的输出信息;
与所述目标子模块同级的其它子模块的之前时刻的输出信息;
所述目标子模块上一级的多个子模块输出信息的组合。
9.根据权利要求4所述的方法,其特征在于,所述第二通信信息包括:所述第一人工智能网络模型的最后一级的子模块的输出信息;或所述第一人工智能网络模型的最后一级的多个子模块输出信息的组合。
10.根据权利要求8或9所述的方法,其特征在于,所述多个子模块输出信息的组合包括:
所述多个子模块的输出信息合并后得到的一维向量或二维矩阵或多维矩阵;或,
所述多个子模块的输出信息按照预设算法进行计算后得到的结果。
11.根据权利要求4所述的方法,其特征在于,所述第一人工智能网络模型包括第一级子模块和第二级子模块,其中,第一级子模块包括一个或多个第一子模块,所述第二级子模块位于所述第一级子模块的前一级,且所述第二级子模块包括N个第二子模块,其中,N为输入所述第一人工智能网络模型的宽带信息和/或子带的数量。
12.根据权利要求11所述的方法,其特征在于,所述第一级子模块包括多个第一子模块,多个所述第一子模块中的至少一个第一子模块表示带宽信息,多个所述第一子模块中的其它第一子模块表示子带信息,其中,所述其它第一子模块为所述多个第一子模块中除所述至少一个第一子模块之外的部分或全部第一子模块。
13.根据权利要求12所述的方法,其特征在于,
通过所述至少一个第一子模块得到所述第二通信信息的宽带信息;和/或,
通过所述至少一个第一子模块和所述其它第一子模块得到所述第二通信信息的子带信息。
14.根据权利要求12所述的方法,其特征在于,所述至少一个第一子模块的输入信息为部分或全部所述第二子模块的输出信息;所述其它第一子模块的输入信息为部分或全部所述第二子模块的输出信息。
15.根据权利要求11所述的方法,其特征在于,所述第一人工智能网络模型还包括第三级子模块,所述第三级子模块位于所述第二级子模块的前一级。
16.根据权利要求15所述的方法,其特征在于,所述第三级子模块包括一个第三子模块,所述第三子模块的输入信息为所述第一通信设备的宽带信息和/或所述一个或多个子带信息。
17.根据权利要求16所述的方法,其特征在于,一个所述第二子模块的输入信息为所述第三子模块全部输出信息。
18.根据权利要求17所述的方法,其特征在于,一个所述第二子模块的输入信息为所述第三子模块部分输出信息,且不同所述第二子模块的输入信息不同。
19.根据权利要求1至18任一项所述的方法,其特征在于,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
20.根据权利要求1至18任一项所述的方法,其特征在于,所述第一通信设备为终端或网络侧设备。
21.一种通信信息的接收方法,其特征在于,包括:
第二通信设备接收第一通信设备发送的第二通信信息;
将所述第二通信信息输入到第二人工智能网络模型,以得到第一通信信息的宽带信息和/或一个或多个子带信息。
22.根据权利要求21所述的方法,其特征在于,所述第二人工智能网络模型包括至少一级子模块,每级包括一个或多个子模块。
23.根据权利要求22所述的方法,其特征在于,所述子模块包括以下至少之一:
全连接神经网络模块;
卷积神经网络模块;
循环神经网络模块;
残差神经网络模块;
预设算法模块。
24.根据权利要求22所述的方法,其特征在于,部分所述子模块采用相同的人工智能网络结构和/或采用相同的人工智能网络参数。
25.根据权利要求22所述的方法,其特征在于,所述子模块采用的人工智能网络结构由以下至少之一确定:
人工智能网络类型;
包括的多个子网络的组合方式;
隐藏层的层数;
输入层与隐藏层的连接方式;
多个隐藏层之间的连接方式;
隐藏层与输入层的连接方式;
每层神经元的数目。
26.根据权利要求22所述的方法,其特征在于,所述第二人工智能网络模型的一个目标子模块本次的输入信息包括以下至少之一:
与所述目标子模块同级的其它子模块本次的输入信息;
与所述目标子模块同级的其它子模块之前时刻的输入信息;
与所述目标子模块同级的其它子模块本次的中间信息;
与所述目标子模块同级的其它子模块之前时刻的中间信息;
与所述目标子模块同级的其它子模块的本次的输出信息;
与所述目标子模块同级的其它子模块的之前时刻的输出信息;
所述目标子模块上一级的多个子模块输出信息的组合。
27.根据权利要求26所述的方法,其特征在于,所述多个子模块输出信息的组合包括:
所述多个子模块的输出信息合并后得到的一维向量或二维矩阵或多维矩阵;或,
所述多个子模块的输出信息按照预设算法进行计算后得到的结果。
28.根据权利要求22所述的方法,其特征在于,所述第二人工智能网络模型包括第一级子模块和第二级子模块,其中,第一级子模块包括至少一个第一子模块,所述第二级子模块位于所述第一级子模块的后一级,且所述第二级子模块包括N个第二子模块,其中,N为所述第二人工智能网络模型输出的宽带信息和/或子带信息的数量。
29.根据权利要求28所述的方法,其特征在于,所述第一级子模块包括多个第一子模块,多个所述第一子模块中的至少一个第一子模块表示带宽信息,多个所述第一子模块中的其它第一子模块表示子带信息,其中,所述其它第一子模块为所述多个第一子模块中除所述至少一个第一子模块之外的部分或全部第一子模块。
30.根据权利要求28所述的方法,其特征在于,一个所述第二子模块的输入信息包括所述至少一个第一子模块的输出信息和/或所述其它第一子模块的输出信息。
31.根据权利要求28所述的方法,其特征在于,所述第二人工智能网络模型还包括第三级子模块,所述第三级子模块位于所述第二级子模块的后一级。
32.根据权利要求31所述的方法,其特征在于,所述第三级子模块包括一个第三子模块,所述第三子模块的输出信息为所述第一通信信息的宽带信息和/或一个或多个子带信息。
33.根据权利要求31所述的方法,其特征在于,所述第三子模块的输入为多个所述第二子模块输出信息的组合。
34.根据权利要求21至33任一项所述的方法,其特征在于,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
35.根据权利要求21至33任一项所述的方法,其特征在于,所述第二通信设备为终端或网络侧设备。
36.一种通信信息的发送装置,其特征在于,包括:
预处理模块,用于将第一通信信息划分为一个或多个子带信息;
第一输入模块,用于将所述第一通信信息的宽带信息和/或所述一个或多个子带信息输入到第一人工智能网络模型;
发送模块,用于发送所述第一人工智能网络模型输出的第二通信信息。
37.根据权利要求36所述的装置,其特征在于,所述预处理模块将第一通信信息划分为一个或多个子带信息,包括:
根据所述第一通信信息的目标资源,将所述第一通信信息划分为一个或多个子带信息,其中,所述目标资源包括以下至少之一:频域资源、时域资源、空域资源和码域资源。
38.根据权利要求37所述的装置,其特征在于,所述预处理模块将第一通信信息划分为一个或多个子带信息,包括以下至少之一:
以频域单位资源为单位,在所述频域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述频域单位资源包括以下至少之一:资源块RB、物理资源块PRB、子带、预编码资源块组PRG、以及带宽部分BWP;
以时域单位资源为单位,在所述时域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述时域单位资源包括以下至少之一:子载波、OFDM符号、时隙、以及半时隙;
以空域单位资源为单位,在所述空域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述空域单位资源包括以下至少之一:天线、天线元、天线面板、发送接收单元、波束、层、秩、以及天线角度;
以码域单位资源为单位,在所述码域资源上将所述第一通信信息划分为一个或多个子带信息,其中,所述码域单位资源包括以下至少之一:正交码、准正交码、以及半正交码。
39.一种通信信息的接收装置,其特征在于,包括:
接收模块,用于接收第一通信设备发送的第二通信信息;
第二输入模块,用于将所述第二通信信息输入到第二人工智能网络模型,以得到第一通信信息的宽带信息和/或一个或多个子带信息。
40.根据权利要求39所述的装置,其特征在于,所述第二人工智能网络模型包括至少一级子模块,每级包括一个或多个子模块。
41.根据权利要求40所述的装置,其特征在于,所述第二人工智能网络模型的一个目标子模块本次的输入信息包括以下至少之一:
与所述目标子模块同级的其它子模块本次的输入信息;
与所述目标子模块同级的其它子模块之前时刻的输入信息;
与所述目标子模块同级的其它子模块本次的中间信息;
与所述目标子模块同级的其它子模块之前时刻的中间信息;
与所述目标子模块同级的其它子模块的本次的输出信息;
与所述目标子模块同级的其它子模块的之前时刻的输出信息;
所述目标子模块上一级的多个子模块输出信息的组合。
42.根据权利要求39至41任一项所述的装置,其特征在于,所述第二通信信息包括以下之一:
参考信号;
信道承载的信号;
信道状态信息;
波束信息;
信道预测信息;
干扰信息;
定位信息;
轨迹信息;
高层业务和参数的预测信息;
高层业务和参数的管理信息;
控制信令。
43.一种通信设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至20任一项所述的通信信息的发送方法的步骤,或者实现如权利要求21至35任一项所述的通信信息的接收方法的步骤。
44.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至20任一项所述的通信信息的发送方法的步骤,或者实现如权利要求21至35任一项所述的通信信息的接收方法的步骤。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149923.5A CN114501353B (zh) | 2020-10-23 | 2020-10-23 | 通信信息的发送、接收方法及通信设备 |
EP21882034.8A EP4220486A4 (en) | 2020-10-23 | 2021-10-20 | METHOD FOR SENDING COMMUNICATION INFORMATION, METHOD FOR RECEIVING COMMUNICATION INFORMATION, AND COMMUNICATION DEVICE |
JP2023524933A JP2023550690A (ja) | 2020-10-23 | 2021-10-20 | 通信情報の送信、受信方法及び通信機器 |
PCT/CN2021/124911 WO2022083619A1 (zh) | 2020-10-23 | 2021-10-20 | 通信信息的发送、接收方法及通信设备 |
US18/137,807 US20230261815A1 (en) | 2020-10-23 | 2023-04-21 | Communication Information Sending Method, Communication Information Receiving Method, and Communication Device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149923.5A CN114501353B (zh) | 2020-10-23 | 2020-10-23 | 通信信息的发送、接收方法及通信设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114501353A true CN114501353A (zh) | 2022-05-13 |
CN114501353B CN114501353B (zh) | 2024-01-05 |
Family
ID=81291585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011149923.5A Active CN114501353B (zh) | 2020-10-23 | 2020-10-23 | 通信信息的发送、接收方法及通信设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230261815A1 (zh) |
EP (1) | EP4220486A4 (zh) |
JP (1) | JP2023550690A (zh) |
CN (1) | CN114501353B (zh) |
WO (1) | WO2022083619A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024032701A1 (zh) * | 2022-08-12 | 2024-02-15 | 大唐移动通信设备有限公司 | 信道状态信息处理方法及装置 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100027502A1 (en) * | 2006-11-01 | 2010-02-04 | Qualcomm Incorporated | Sub-band dependent resource management |
CN102243140A (zh) * | 2011-04-18 | 2011-11-16 | 杨彦利 | 一种基于子带信号分析的机械设备状态监测方法 |
CN104954142A (zh) * | 2015-06-11 | 2015-09-30 | 哈尔滨工程大学 | 一种子带拼接的宽带数据采集装置 |
CN105070293A (zh) * | 2015-08-31 | 2015-11-18 | 武汉大学 | 基于深度神经网络的音频带宽扩展编码解码方法及装置 |
CN107203807A (zh) * | 2016-03-16 | 2017-09-26 | 中国科学院计算技术研究所 | 神经网络的计算方法、***及其装置 |
CN107347208A (zh) * | 2017-06-27 | 2017-11-14 | 阳光凯讯(北京)科技有限公司 | 基于人工智能技术的基站对终端高效定时调整方法及*** |
CN108449286A (zh) * | 2018-03-01 | 2018-08-24 | 北京邮电大学 | 网络带宽资源分配方法及装置 |
WO2018202012A1 (zh) * | 2017-05-02 | 2018-11-08 | 华为技术有限公司 | 确定时隙格式的方法、终端设备和网络设备 |
US20190066346A1 (en) * | 2017-08-30 | 2019-02-28 | Korea Advanced Institute Of Science And Technology | Apparatus and method for reconstructing image using extended neural network |
CN109643388A (zh) * | 2016-06-21 | 2019-04-16 | 维凯睿思Fpc公司 | 用于递归皮层网络的***和方法 |
US10283140B1 (en) * | 2018-01-12 | 2019-05-07 | Alibaba Group Holding Limited | Enhancing audio signals using sub-band deep neural networks |
CN109754073A (zh) * | 2018-12-29 | 2019-05-14 | 北京中科寒武纪科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN109919315A (zh) * | 2019-03-13 | 2019-06-21 | 科大讯飞股份有限公司 | 一种神经网络的前向推理方法、装置、设备及存储介质 |
WO2019134802A1 (en) * | 2018-01-03 | 2019-07-11 | Signify Holding B.V. | System and methods to share machine learning functionality between cloud and an iot network |
US20190349943A1 (en) * | 2017-01-25 | 2019-11-14 | Huawei Technologies Co., Ltd. | Resource Allocation Method and Device in Communications System |
WO2020035683A1 (en) * | 2018-08-15 | 2020-02-20 | Imperial College Of Science, Technology And Medicine | Joint source channel coding for noisy channels using neural networks |
US20200154437A1 (en) * | 2017-07-17 | 2020-05-14 | Huawei Technologies Co., Ltd. | Communication method and communications apparatus |
CN111223493A (zh) * | 2020-01-08 | 2020-06-02 | 北京声加科技有限公司 | 语音信号降噪处理方法、传声器和电子设备 |
CN111277389A (zh) * | 2020-01-14 | 2020-06-12 | 北京紫光展锐通信技术有限公司 | 探测参考信号传输方法及相关产品 |
CN111458676A (zh) * | 2020-03-05 | 2020-07-28 | 北京邮电大学 | 一种基于级联神经网络的波达方向估计方法及装置 |
CN111508519A (zh) * | 2020-04-03 | 2020-08-07 | 北京达佳互联信息技术有限公司 | 一种音频信号人声增强的方法及装置 |
CN111524536A (zh) * | 2019-02-01 | 2020-08-11 | 富士通株式会社 | 信号处理方法和信息处理设备 |
CN111582461A (zh) * | 2020-05-21 | 2020-08-25 | 中国人民解放军国防科技大学 | 神经网络训练方法、装置、终端设备和可读存储介质 |
CN111614439A (zh) * | 2020-05-20 | 2020-09-01 | 北京邮电大学 | 一种信息传输方法、***、装置及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3759654A4 (en) * | 2018-03-02 | 2021-09-08 | Deepsig Inc. | LEARNING COMMUNICATION SYSTEMS USING CHANNEL PROXIMITY |
CN109245861A (zh) * | 2018-10-29 | 2019-01-18 | 广州海格通信集团股份有限公司 | 一种采用深层人工神经网络的物理层通信方法 |
CN112446463B (zh) * | 2019-08-31 | 2023-06-02 | 安徽寒武纪信息科技有限公司 | 一种神经网络全连接层运算方法、装置以及相关产品 |
CN110995327B (zh) * | 2019-12-17 | 2021-05-04 | 电子科技大学 | 一种多载波mimo***的混合波束成形优化方法及*** |
-
2020
- 2020-10-23 CN CN202011149923.5A patent/CN114501353B/zh active Active
-
2021
- 2021-10-20 WO PCT/CN2021/124911 patent/WO2022083619A1/zh active Application Filing
- 2021-10-20 JP JP2023524933A patent/JP2023550690A/ja active Pending
- 2021-10-20 EP EP21882034.8A patent/EP4220486A4/en active Pending
-
2023
- 2023-04-21 US US18/137,807 patent/US20230261815A1/en active Pending
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100027502A1 (en) * | 2006-11-01 | 2010-02-04 | Qualcomm Incorporated | Sub-band dependent resource management |
CN102243140A (zh) * | 2011-04-18 | 2011-11-16 | 杨彦利 | 一种基于子带信号分析的机械设备状态监测方法 |
CN104954142A (zh) * | 2015-06-11 | 2015-09-30 | 哈尔滨工程大学 | 一种子带拼接的宽带数据采集装置 |
CN105070293A (zh) * | 2015-08-31 | 2015-11-18 | 武汉大学 | 基于深度神经网络的音频带宽扩展编码解码方法及装置 |
CN107203807A (zh) * | 2016-03-16 | 2017-09-26 | 中国科学院计算技术研究所 | 神经网络的计算方法、***及其装置 |
CN109643388A (zh) * | 2016-06-21 | 2019-04-16 | 维凯睿思Fpc公司 | 用于递归皮层网络的***和方法 |
US20190349943A1 (en) * | 2017-01-25 | 2019-11-14 | Huawei Technologies Co., Ltd. | Resource Allocation Method and Device in Communications System |
WO2018202012A1 (zh) * | 2017-05-02 | 2018-11-08 | 华为技术有限公司 | 确定时隙格式的方法、终端设备和网络设备 |
CN107347208A (zh) * | 2017-06-27 | 2017-11-14 | 阳光凯讯(北京)科技有限公司 | 基于人工智能技术的基站对终端高效定时调整方法及*** |
US20200154437A1 (en) * | 2017-07-17 | 2020-05-14 | Huawei Technologies Co., Ltd. | Communication method and communications apparatus |
US20190066346A1 (en) * | 2017-08-30 | 2019-02-28 | Korea Advanced Institute Of Science And Technology | Apparatus and method for reconstructing image using extended neural network |
WO2019134802A1 (en) * | 2018-01-03 | 2019-07-11 | Signify Holding B.V. | System and methods to share machine learning functionality between cloud and an iot network |
US10283140B1 (en) * | 2018-01-12 | 2019-05-07 | Alibaba Group Holding Limited | Enhancing audio signals using sub-band deep neural networks |
CN108449286A (zh) * | 2018-03-01 | 2018-08-24 | 北京邮电大学 | 网络带宽资源分配方法及装置 |
WO2020035683A1 (en) * | 2018-08-15 | 2020-02-20 | Imperial College Of Science, Technology And Medicine | Joint source channel coding for noisy channels using neural networks |
CN109754073A (zh) * | 2018-12-29 | 2019-05-14 | 北京中科寒武纪科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN111524536A (zh) * | 2019-02-01 | 2020-08-11 | 富士通株式会社 | 信号处理方法和信息处理设备 |
CN109919315A (zh) * | 2019-03-13 | 2019-06-21 | 科大讯飞股份有限公司 | 一种神经网络的前向推理方法、装置、设备及存储介质 |
CN111223493A (zh) * | 2020-01-08 | 2020-06-02 | 北京声加科技有限公司 | 语音信号降噪处理方法、传声器和电子设备 |
CN111277389A (zh) * | 2020-01-14 | 2020-06-12 | 北京紫光展锐通信技术有限公司 | 探测参考信号传输方法及相关产品 |
CN111458676A (zh) * | 2020-03-05 | 2020-07-28 | 北京邮电大学 | 一种基于级联神经网络的波达方向估计方法及装置 |
CN111508519A (zh) * | 2020-04-03 | 2020-08-07 | 北京达佳互联信息技术有限公司 | 一种音频信号人声增强的方法及装置 |
CN111614439A (zh) * | 2020-05-20 | 2020-09-01 | 北京邮电大学 | 一种信息传输方法、***、装置及电子设备 |
CN111582461A (zh) * | 2020-05-21 | 2020-08-25 | 中国人民解放军国防科技大学 | 神经网络训练方法、装置、终端设备和可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024032701A1 (zh) * | 2022-08-12 | 2024-02-15 | 大唐移动通信设备有限公司 | 信道状态信息处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20230261815A1 (en) | 2023-08-17 |
EP4220486A4 (en) | 2024-04-17 |
JP2023550690A (ja) | 2023-12-05 |
EP4220486A1 (en) | 2023-08-02 |
CN114501353B (zh) | 2024-01-05 |
WO2022083619A1 (zh) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114363921B (zh) | Ai网络参数的配置方法和设备 | |
US10911266B2 (en) | Machine learning for channel estimation | |
US20230262506A1 (en) | Beam reporting method, beam information determining method, and related device | |
CN112136334A (zh) | 蜂窝网络中基于机器学习的宽波束优化的方法和装置 | |
US20220247469A1 (en) | Method and device for transmitting channel state information | |
US11968005B2 (en) | Provision of precoder selection policy for a multi-antenna transmitter | |
CN108141777A (zh) | 基于通信***的干扰特性控制用户设备操作的装置和方法 | |
US20230291517A1 (en) | Communication method, communications apparatus, and communications device | |
US20230261815A1 (en) | Communication Information Sending Method, Communication Information Receiving Method, and Communication Device | |
US20230299910A1 (en) | Communications data processing method and apparatus, and communications device | |
US20230291658A1 (en) | Method for Processing Partial Input Missing of AI Network, and Device | |
US11411600B2 (en) | Processing of uplink data streams | |
Vankayala et al. | A neural network for estimating CQI in 5G communication systems | |
US20220374685A1 (en) | Provision of Optimized Action for Application in a Wireless Communication Network to Affect Data Transmission Over a Communication Channel | |
CN108282201B (zh) | 一种用户终端调度方法及装置、通信*** | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
CN114598365A (zh) | 传输方法、装置、设备及可读存储介质 | |
Orhan et al. | Graph Neural Networks to Enable Scalable MAC for Massive MIMO Wireless Infrastructure | |
WO2024125770A1 (en) | Transmission channel representation | |
KR20240108433A (ko) | 채널 상태 정보를 전송하는 방법, 전송 기기, 프로세싱 장치 및 저장 매체, 그리고 채널 상태 정보를 수신하는 방법, 및 수신 기기 | |
CN117356050A (zh) | 神经网络辅助的通信技术 | |
CN116488689A (zh) | 波束信息交互方法、装置、设备及存储介质 | |
Khan | 5G PUSCH Statistical Analysis for SionnaTM GPU link-level Simulator |
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 |