CN116193585A - 一种通信方法及装置 - Google Patents
一种通信方法及装置 Download PDFInfo
- Publication number
- CN116193585A CN116193585A CN202111404979.5A CN202111404979A CN116193585A CN 116193585 A CN116193585 A CN 116193585A CN 202111404979 A CN202111404979 A CN 202111404979A CN 116193585 A CN116193585 A CN 116193585A
- Authority
- CN
- China
- Prior art keywords
- downlink
- information
- downlink signal
- prediction model
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种通信方法及装置,其中方法包括:确定第一下行信号和第二下行信号,第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息中的Y个下行测量信息确定的,第二下行信号为根据X个下行测量信息确定的;若第一下行信号和第二下行信号满足第一条件,则向接入网设备指示第二下行信号以及Y个下行测量信息。通过该方法,当由于信道环境变化等原因,导致预测到的第一下行信号和终端设备根据实际的下行测量信息确定的第二下行信号不一致时,终端设备可以向接入网设备反馈第二下行信号以及Y个下行测量信息,从而可以根据上述信息对第一预测模型进行更新,能够持续改善预测模型的性能。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种通信方法及装置。
背景技术
在无线通信网络中,例如在移动通信网络中,网络支持的业务越来越多样,因此需要满足的需求越来越多样。例如,网络需要能够支持超高速率、超低时延和/或超大连接。该特点使得网络规划、网络配置和/或资源调度越来越复杂。此外,由于网络的功能越来越强大,例如支持的频谱越来越高、支持高阶多入多出(multiple input multiple output,MIMO) 技术、支持波束赋形、和/或支持波束管理等新技术,使得网络节能成为了热门研究课题。这些新需求、新场景和新特性给网络规划、运维和高效运营带来了前所未有的挑战。为了迎接该挑战,可以将人工智能技术引入无线通信网络中,从而实现网络智能化。基于此,如何在网络中有效地实现人工智能是一个值得研究的问题。
发明内容
本申请提供一种通信方法及装置,用以根据信道环境对预测模型进行更新,以提高通信性能。
第一方面,本申请提供一种通信方法,该方法适用于基于预测模型预测终端设备的波束的场景。该方法的执行主体为终端设备或终端设备中的一个模块,这里以终端设备为执行主体为例进行描述。该方法包括:终端设备根据来自接入网设备的X个下行信号确定X 个下行测量信息,其中,X为大于1的整数;确定第一下行信号和第二下行信号,其中,第一下行信号和第二下行信号为X个下行信号中的下行信号,第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息中的Y个下行测量信息确定的,第二下行信号为根据X个下行测量信息确定的,Y为小于或等于X且大于0的整数;若第一下行信号和第二下行信号满足第一条件,则终端设备向接入网设备发送第一信息,第一信息用于指示第二下行信号以及Y个下行测量信息,或者,第一信息用于指示第一预测模型需要更新。
通过上面的方法,当由于信道环境变化或者预测模型与信道环境失配等原因,导致终端设备确定预测到的第一下行信号和根据实际的下行测量信息确定的第二下行信号满足第一条件时,终端设备可以向接入网设备反馈第一信息,接入网设备从而可以确定第一预测模型需要进行校准,即需要重新进行训练,从而能够持续改善预测模型的性能。
在一种可能的设计中,若第一下行信号和第二下行信号满足第二条件,则向接入网设备发送第二信息,第二信息用于指示第二下行信号,或者,第二信息用于指示第一预测模型不需要更新。
当第一下行信号和第二下行信号满足第二条件时,可以不对第一预测模型进行校准,可以降低终端设备的反馈开销,并保证第一预测模型能够满足通信需求。
第二方面,本申请提供一种通信方法,该方法适用于基于预测模型预测终端设备的波束的场景。该方法的执行主体为终端设备或终端设备中的一个模块,这里以终端设备为执行主体为例进行描述。该方法包括:终端设备根据来自接入网设备的X个下行信号确定X 个下行测量信息,其中,X为大于1的整数;终端设备确定第一下行信号和第二下行信号,其中,第一下行信号和第二下行信号为X个下行信号中的下行信号,第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息中的 Y个下行测量信息确定的,第二下行信号为根据X个下行测量信息确定的,Y为小于或等于X且大于0的整数;根据第一下行信号和第二下行信号,向接入网设备发送第一信息或者第二信息,其中,第一信息用于指示第一预测模型是需要更新的,或者第一信息用于指示第二下行信号以及Y个下行测量信息;第二信息用于指示第一预测模型是可信的,或者,第二信息用于指示第一预测模型不需要更新,或者第二信息用于指示该第二信息不包括Y 个下行测量信息。
通过上面的方法,当由于信道环境变化或者预测模型与信道环境失配等原因,导致终端设备确定预测到的第一下行信号和根据实际的下行测量信息确定的第二下行信号不一致时,终端设备可以向接入网设备反馈第二下行信号以及Y个下行测量信息,接入网设备从而可以确定第一预测模型需要进行校准,即需要重新进行训练,从而能够持续改善预测模型的性能。
在一种可能的设计中,第二信息还用于指示第二下行信号。
在一种可能的设计中,在确定满足第一条件时,发送第一信息;在确定满足第二条件时,发送第二信息。
结合第一方面或第二方面,在一种可能的设计中,X个下行测量信息与X个下行信号一一对应。
结合第一方面或第二方面,在一种可能的设计中,第一条件包括:第一下行信号和第二下行信号之间的差异信息大于第一阈值。
通过上面的方法,在第一下行信号和第二下行信号之间差异信息大于第一阈值时,可以确定第一预测模型预测的结果不准确,不能满足通信需求,从而需要对第一预测模型进行更新。
结合第一方面或第二方面,在一种可能的设计中,第二条件包括:第一下行信号和第二下行信号是同一个下行信号,或者,第一下行信号和第二下行信号不是同一个下行信号,但第一下行信号和第二下行信号之间的差异信息小于或等于第一阈值。
通过上面的方法,在第一下行信号和第二下行信号之间差异信息小于或等于第一阈值时,可以确定第一预测模型预测的结果准确,能够满足通信需求,不需要更新。
结合第一方面或第二方面,在一种可能的设计中,第一下行信号和第二下行信号之间的差异信息包括:第一下行信号对应的第一下行测量信息与第二下行信号对应的第二下行测量信息之间的差值的绝对值。
结合第一方面或第二方面,在一种可能的设计中,第一下行信号和第二下行信号之间的差异信息包括:第一下行信号对应的第一位置信息与第二下行信号对应的第二位置信息之间的差值的绝对值。
结合第一方面或第二方面,在一种可能的设计中,还包括:根据Y个下行测量信息和第二下行信号对第一预测模型进行训练,获得第二预测模型;向接入网设备发送第三信息,第三信息用于指示第二预测模型,或者用于指示第二预测模型的信息。
通过上面的方法,由终端设备进行第一预测模型的更新,可以降低接入网设备的负载。
结合第一方面或第二方面,在一种可能的设计中,向接入网设备发送第三信息,包括:
第二预测模型与第一预测模型之间的变化量信息大于或等于第二阈值时,向接入网设备发送第三信息。
结合第一方面或第二方面,在一种可能的设计中,第二预测模型的信息包括第二预测模型与第一预测模型之间的变化量信息。
结合第一方面或第二方面,在一种可能的设计中,还包括:接收来自接入网设备的第四信息,第四信息用于指示第三预测模型的信息;将第一预测模型更新为第三预测模型。
通过上面的方法,由接入网设备进行第一预测模型的更新,可以保证提高通信效率,避免接入网设备由于长时间无法获取更新的预测模型,导致的通信中断。
结合第一方面或第二方面,在一种可能的设计中,第三预测模型为根据Y个下行测量信息和第二下行信号对第一预测模型进行训练获得的。
结合第一方面或第二方面,在一种可能的设计中,第一预测模型与接入网设备中配置的预测模型相同。
通过在接入网设备和终端设备中配置相同的预测模型,可以使得终端设备能够根据实际测量到的下行测量信息确定接入网设备中配置的预测模型是否准确,从而在不准确时,实现对接入网设备中的预测模型进行实时校准。
结合第一方面或第二方面,在一种可能的设计中,第一预测模型是协议约定的,或者是接入网设备配置的。
第三方面,本申请提供一种通信方法,该方法适用于基于预测模型预测终端设备的波束的场景。该方法的执行主体为接入网设备或接入网设备中的一个模块,这里以接入网设备为执行主体为例进行描述。该方法包括:接入网设备向终端设备发送X个下行信号,X为大于1的整数;接收来自终端设备的第一信息,第一信息用于指示第二下行信号以及X 个下行测量信息中的Y个下行测量信息,或者,第一信息用于指示第一预测模型需要更新;其中,第二下行信号是根据X个下行测量信息确定的(或者,第二下行信号是所述X个下行信号中的最优信号),X个下行测量信息是根据X个下行信号确定的(或者,所述X个下行测量信息对应于所述X个下行信号),Y为小于或等于X且大于0的整数。该方法还可以描述为:接入网设备向终端设备发送X个下行信号,X为大于1的整数;接收来自终端设备的第一信息,第一信息用于指示第二下行信号以及Y个下行测量信息,或者,第一信息用于指示第一预测模型需要更新;其中,第二下行信号是所述X个下行信号中的最优信号,所述Y个下行测量信息对应于所述X个下行信号中的Y个下行信号,Y为小于或等于X且大于0的整数。
在一种可能的设计中,X个下行测量信息与X个下行信号一一对应。
第四方面,本申请提供一种通信方法,该方法适用于基于预测模型预测终端设备的波束的场景。该方法的执行主体为接入网设备或接入网设备中的一个模块,这里以接入网设备为执行主体为例进行描述。该方法包括:接入网设备向终端设备发送X个下行信号,X为大于1的整数;接收来自终端设备的第一信息或第二信息;其中,第一信息用于指示第二下行信号以及X个下行测量信息中的Y个下行测量信息,或者,第一信息用于指示第一预测模型需要更新;第二信息用于指示第二下行信号,或者,第二信息用于指示第一预测模型不需要更新;第二下行信号是根据X个下行测量信息确定的(或者,第二下行信号是所述X个下行信号中的最优信号),X个下行测量信息是根据X个下行信号确定的(或者,所述X个下行测量信息对应于所述X个下行信号),Y为小于或等于X且大于0的整数。该方法还可以描述为:接入网设备向终端设备发送X个下行信号,X为大于1的整数;接收来自终端设备的第一信息或第二信息,第一信息用于指示第二下行信号以及Y个下行测量信息,或者,第一信息用于指示第一预测模型需要更新;第二信息用于指示第二下行信号,或者,第二信息用于指示第一预测模型不需要更新;其中,第二下行信号是所述X个下行信号中的最优信号,所述Y个下行测量信息对应于所述X个下行信号中的Y个下行信号,Y为小于或等于X且大于0的整数。
在一种可能的设计中,X个下行测量信息与X个下行信号一一对应。
在一种可能的设计中,第一下行信号和第二下行信号满足第一条件,第一下行信号和第二下行信号为X个下行信号中的下行信号,第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息中的Y个下行测量信息确定的。
在一种可能的设计中,还包括:接收来自终端设备的第二信息,第二信息用于指示第二下行信号,或者,第二信息用于指示第一预测模型不需要更新。
在一种可能的设计中,第一下行信号和第二下行信号满足第二条件。
结合第三方面或第四方面,在一种可能的设计中,第一条件包括:第一下行信号和第二下行信号之间的差异信息大于第一阈值。
结合第三方面或第四方面,在一种可能的设计中,第二条件包括:第一下行信号和第二下行信号是同一个下行信号,或者,第一下行信号和第二下行信号不是同一个下行信号,但第一下行信号和第二下行信号之间的差异信息小于或等于第一阈值。
结合第三方面或第四方面,在一种可能的设计中,第一下行信号和第二下行信号之间的差异信息包括:第一下行信号对应的第一下行测量信息与第二下行信号对应的第二下行测量信息之间的差值的绝对值。
结合第三方面或第四方面,在一种可能的设计中,第一下行信号和第二下行信号之间的差异信息包括:第一下行信号对应的第一位置信息与第二下行信号对应的第二位置信息之间的差值的绝对值。
结合第三方面或第四方面,在一种可能的设计中,还包括:根据Y个下行测量信息和第二下行信号对第一预测模型进行训练,获得第三预测模型;向终端设备发送第四信息,第四信息用于指示第三预测模型,或者用于指示第三预测模型的信息。
结合第三方面或第四方面,在一种可能的设计中,第三预测模型的信息包括第三预测模型与第一预测模型之间的变化量信息。
结合第三方面或第四方面,在一种可能的设计中,还包括:接收来自终端设备的第三信息,第三信息用于指示第二预测模型的信息;将第一预测模型更新为第二预测模型。
结合第三方面或第四方面,在一种可能的设计中,第一预测模型与终端设备中配置的预测模型相同。
第五方面,本申请提供一种通信方法,该方法适用于基于预测模型预测终端设备的波束的场景。该方法的执行主体为接入网设备或接入网设备中的一个模块,这里以接入网设备为执行主体为例进行描述。该方法包括:接入网设备向终端设备发送X个下行信号,并接收来自终端设备的X个下行测量信息,其中,X个下行测量信息根据X个下行信号确定,X为大于1的整数;确定第一下行信号和第二下行信号,其中,第一下行信号和第二下行信号为X个下行信号中的下行信号,第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息中的Y个下行测量信息确定的,第二下行信号为根据X个下行测量信息确定的,Y为小于或等于X且大于0的整数;若第一下行信号和第二下行信号满足第一条件,则根据Y个下行测量信息和第二下行信号对第一预测模型进行训练,获得第三预测模型;将第一预测模型更新为第三预测模型。
通过上面的方法,可以只在接入网设备中部署第一预测模型,当由于信道环境变化或者预测模型与信道环境失配等原因,导致接入网设备确定预测到的第一下行信号和根据实际的下行测量信息确定的第二下行信号不一致时,接入网设备从而可以根据第二下行信号以及Y个下行测量信息对第一预测模型进行校准,即重新进行训练,获得更新后的预测模型,从而能够持续改善预测模型的性能。
在一种可能的设计中,X个下行测量信息与X个下行信号一一对应。
在一种可能的设计中,若第一下行信号和第二下行信号满足第二条件,则保持第一预测模型不变。
在一种可能的设计中,第一条件包括:第一下行信号和第二下行信号之间的差异信息大于第一阈值。
在一种可能的设计中,第二条件包括:第一下行信号和第二下行信号是同一个下行信号,或者,第一下行信号和第二下行信号不是同一个下行信号,且第一下行信号和第二下行信号之间的差异信息小于或等于第一阈值。
在一种可能的设计中,第一下行信号和第二下行信号之间的差异信息包括:第一下行信号对应的第一下行测量信息与第二下行信号对应的第二下行测量信息之间的差值的绝对值。
在一种可能的设计中,第一下行信号和第二下行信号之间的差异信息包括:第一下行信号对应的第一位置信息与第二下行信号对应的第二位置信息之间的差值的绝对值。
第六方面,本申请提供一种通信方法,该方法适用于基于预测模型预测接入网设备测量的上行测量信息的场景。该方法的执行主体为接入网设备或接入网设备中的一个模块,这里以接入网设备为执行主体为例进行描述。该方法包括:接入网设备接收来自终端设备的X个上行信号,并根据X个上行信号确定X个上行测量信息,X为大于1的整数;确定第一上行信号和第二上行信号,其中,第一上行信号和第二上行信号为X个上行信号中的上行信号,第一上行信号为根据第四预测模型的输出确定的上行信号,第四预测模型的输入是根据X个上行测量信息中的Y个上行测量信息确定的,第二上行信号为根据X个上行测量信息确定的,Y为小于X且大于0的整数;若第一上行信号和第二上行信号满足第三条件,则根据Y个上行测量信息和第二上行信号对第四预测模型进行训练,获得第五预测模型;将第四预测模型更新为第五预测模型。
通过上面的方法,通过接入网设备中部署第四预测模型,当由于信道环境变化或者预测模型与信道环境失配等原因,导致接入网设备确定预测到的第一上行信号和根据实际的上行测量信息确定的第二上行信号不一致时,接入网设备从而可以根据第二上行信号以及 Y个上行测量信息对第四预测模型重新进行训练,获得更新后的预测模型,从而能够持续改善预测模型的性能。
在一种可能的设计中,若第一上行信号和第二上行信号满足第四条件,则保持第四预测模型不变。
在一种可能的设计中,第三条件包括:第一上行信号和第二上行信号之间的差异信息大于第三阈值。
在一种可能的设计中,第四条件包括:第一上行信号和第二上行信号是同一个上行信号,或者,第一上行信号和第二上行信号不是同一个上行信号,但第一上行信号和第二上行信号之间的差异信息小于或等于第三阈值。
在一种可能的设计中,第一上行信号和第二上行信号之间的差异信息包括:第一上行信号对应的第一上行测量信息与第二上行信号对应的第二上行测量信息之间的差值的绝对值。
在一种可能的设计中,第一上行信号和第二上行信号之间的差异信息包括:第一上行信号对应的位置信息与第二上行信号对应的位置信息之间的差值的绝对值。
第七方面,本申请还提供一种通信装置,该通信装置能够实现上述第一方面或第二方面提供的任一方法或任一实现方式。该通信装置可以通过硬件实现,可以通过软件实现,或者可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的单元或模块。
在一种可能的实现方式中,该通信装置包括:处理器,该处理器被配置为支持该通信装置执行以上第一方面或第二方面所示方法。该通信装置还可以包括存储器,该存储可以与处理器耦合,其保存该通信装置必要的程序指令和数据。可选地,该通信装置还包括接口电路,该接口电路用于支持该通信装置与其他通信装置进行通信。
在一种可能的实施方式中,通信装置的结构中包括处理单元和通信单元,这些单元可以执行上述方法示例中相应功能,具体参见第一方面或第二方面中的描述,此处不做赘述。
第八方面,本申请还提供一种通信装置,该通信装置能够实现上述第三方面至第六方面任一方面中提供的任一方法或任一实现方式。该通信装置可以通过硬件实现,可以通过软件实现,或者可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的单元或模块。
在一种可能的实现方式中,该通信装置包括:处理器,该处理器被配置为支持该通信装置执行以上第三方面至第六方面任一方面所示方法。该通信装置还可以包括存储器,该存储可以与处理器耦合,其保存该通信装置必要的程序指令和数据。可选地,该通信装置还包括接口电路,该接口电路用于支持该通信装置与其他通信装置进行通信。
在一种可能的实施方式中,通信装置的结构中包括处理单元和通信单元,这些单元可以执行上述方法示例中相应功能,具体参见第三方面至第六方面任一方面提供的方法中的描述,此处不做赘述。
第九方面,提供了一种通信装置,包括处理器和接口电路,接口电路用于接收来自该通信装置之外的其它通信装置的信号并传输至该处理器或将来自该处理器的信号发送给该通信装置之外的其它通信装置,该处理器用于执行所述存储器中存储的计算机程序或指令,实现前述第一方面或第二方面中任意可能的实现方式中的方法,或者实现前述第三方面至第六方面任一方面中任意可能的实现方式中的方法。可选地,该装置还包括存储器,所述存储器中存储计算机程序或指令。
第十方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得所述计算机实现前述第一方面或第二方面中任意可能的实现方式中的方法,或者使得所述计算机实现前述第三方面至第六方面任一方面中任意可能的实现方式中的方法。
第十一方面,提供了一种包括计算机可读指令的计算机程序产品,当所述计算机可读指令在计算机上运行时,使得所述计算机实现前述第一方面或第二方面中任意可能的实现方式中的方法,或者使得所述计算机实现前述第三方面至第六方面任一方面中任意可能的实现方式中的方法。
第十二方面,提供一种芯片,该芯片包括处理器,还可以包括存储器,所述处理器与存储器耦合,用于执行所述存储器中存储的计算机程序或指令,使得芯片实现前述第一方面或第二方面中任意可能的实现方式中的方法,或者使得芯片实现前述第三方面至第六方面任一方面中任意可能的实现方式中的方法。
第十三方面,提供一种通信***,所述***包括实现第一方面或第二方面所述的装置 (如终端设备)以及实现第三方面所述的装置(如接入网设备)。
第十四方面,提供一种通信***,所述***包括终端设备以及实现第四方面或第五方面所述的装置(如接入网设备)。
附图说明
图1为适用于本公开的一种通信***的架构示意图;
图2为本公开提供的一种神经网络的层关系示意图;
图3为本公开提供的AI在通信***中的应用框架示例图;
图4(a)至图4(d)为本公开提供的方法能够应用的一种网络架构的示例图;
图5为本公开提供的一种能力交互示意图;
图6为本公开提供的一种模型结构示意图;
图7为本公开提供的一种通信方法流程示意图;
图8为本公开提供的一种波束位置示意图;
图9为本公开提供的一种波束位置示意图;
图10为本公开提供的一种模型更新方法流程示意图;
图11为本公开提供的一种通信方法流程示意图;
图12为本公开提供的一种通信方法流程示意图;
图13为本公开提供的一种通信装置结构示意图;
图14为本公开提供的一种通信装置结构示意图。
具体实施方式
下面结合说明书附图对本公开做详细描述。
本公开的技术方案可以应用于各种通信***,例如:长期演进(long termevolution, LTE)***、第五代(5th generation,5G)移动通信***或下一代移动通信***等,在此不做限制。其中,5G***还可以称为新无线(new radio,NR)***。
本公开中,以终端设备与接入网设备之间的交互为例进行描述,需要说明的是,本公开提供的方法,不仅可以应用于终端设备与接入网设备之间的交互,还可以应用于其他两个设备之间的交互中,本公开对此并不限定。
为便于理解本公开,首先以图1中示出的通信***为例详细说明适用于本公开的通信***。图1是本公开可以应用提供的通信***的架构示意图,该通信***中包括接入网设备和终端设备。终端设备可以与接入网设备建立连接,并和接入网设备进行通信。图1只是示意图,本公开对该通信***中包括的接入网设备和终端设备的数量不做限定。
为了在无线网络中支持人工智能(artificial intelligence,AI),网络中还可能引入专门的AI实体(或称为AI模块)。AI实体可以对应一个独立的网元;或者可以位于某个网元内部,该网元可以是核心网设备、接入网设备、或网管(operation,administrationand maintenance,OAM)等。例如,如图1所示,AI实***于接入网设备的外部,可以和接入网设备进行通信。例如,接入网设备可以将终端设备上报的与AI模型相关的数据转发给AI实体,由AI实体执行训练数据集构建与模型训练等操作,并将训练好的人工智能模型发送给接入网设备,和/或将训练好的人工智能模型通过接入网设备转发给各终端设备。本公开中,OAM用于操作、管理和/或维护核心网设备(核心网设备的网管),和/或,用于操作、管理和/或维护接入网设备(接入网设备的网管)。接入网设备的OAM和核心网设备的OAM可以相同或不同,不予限制。例如,本公开中包括第一OAM和第二OAM,第一OAM是核心网设备的网管,第二OAM是接入网设备的网管。第一OAM 和/或第二OAM中可以包括AI实体。再例如,本公开中包括第三OAM,第三OAM 同时是核心网设备和接入网设备的网管。
可选的,为了匹配支持AI,终端或终端芯片中可以集成AI实体。
可选的,本公开中,AI实体可以是软件模型、硬件结构、或者硬件结构结合软件模型,不予限制。AI实体还可以称为其他名称,主要用于实现AI功能(或称为AI相关的操作),本公开不限制其具体名称。
本公开中,AI模型是实现AI功能的具体方法,AI模型表征了模型的输入和输出之间的映射关系。AI模型可以是神经网络、随机森林模型、支持向量机模型、决策树模型或者其他机器学习模型。其中,AI模型可以简称为模型。AI相关的操作可以包括以下至少一项:数据收集、模型训练、模型验证、模型信息发布、模型推断(或称为模型推理、预测)、或推理结果发布等。
本公开中,终端设备可以简称为终端。终端设备可以经无线接入网(radio accessnetwork, RAN)与一个或多个核心网进行通信。
本公开中,终端设备,可以为具有无线收发功能的设备或可设置于该设备中的芯片。终端设备也可以称为用户设备(user equipment,UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置。本公开中的终端设备可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality,VR)终端、增强现实(augmented reality,AR)终端、可穿戴设备、车辆、无人机、直升机、飞机、轮船、机器人、机械臂、或智能家居设等等。本公开中的终端设备可以广泛应用于各种场景中的通信,例如包括但不限于以下至少一个场景:增强移动宽带(enhanced mobile broadband,eMBB)、超可靠低时延通信 (ultra-reliablelow-latency communication,URLLC)、设备到设备(device-to-device,D2D)、车物(vehicle to everything,V2X)、机器类通信(machine-type communication,MTC)、大规模机器类通信(massive machine-type communication,mMTC)、物联网(internet ofthings,IOT)、虚拟现实、增强现实、工业控制、自动驾驶、远程医疗、智能电网、智能家具、智能办公、智能穿戴、智能交通、或智慧城市等。本公开对终端所采用的具体技术和具体设备形态不做限定。
在本公开中,用于实现终端的功能的装置可以是终端;也可以是能够支持终端实现该功能的装置,例如芯片***、硬件电路、软件模块、或硬件电路加软件模块,该装置可以被安装在终端中或可以与终端匹配使用。
接入网设备可以是基站(base station)、节点B(NodeB)、演进型节点B(evolvedNodeB, eNodeB)、发送接收点(transmission reception point,TRP)、第五代(5thgeneration,5G) 移动通信***中的下一代节点B(next generation NodeB,gNB)、开放无线接入网(open radio access network,O-RAN或open RAN)中的接入网设备、第六代(6thgeneration,6G) 移动通信***中的下一代基站、未来移动通信***中的基站或无线保真(wireless fidelity, WiFi)***中的接入节点等;或者可以是完成基站部分功能的模块或单元,例如,可以是集中式单元(central unit,CU)、分布式单元(distributed unit,DU)、集中单元控制面(CU control plane,CU-CP)模块、或集中单元用户面(CU userplane,CU-UP)模块。接入网设备可以是宏基站,也可以是微基站或室内站,还可以是中继节点或施主节点等。本公开中对接入网设备所采用的具体技术和具体设备形态不做限定。
(1)协议层结构。
接入网设备和终端之间的通信遵循一定的协议层结构。该协议层结构可以包括控制面协议层结构和用户面协议层结构。例如,控制面协议层结构可以包括无线资源控制(radio resource control,RRC)层、分组数据汇聚层协议(packet data convergenceprotocol,PDCP) 层、无线链路控制(radio link control,RLC)层、媒体接入控制(mediaaccess control, MAC)层和物理层等协议层的功能。例如,用户面协议层结构可以包括PDCP层、RLC 层、MAC层和物理层等协议层的功能,在一种可能的实现中,PDCP层之上还可以包括业务数据适配协议(service data adaptation protocol,SDAP)层。
可选的,接入网设备和终端之间的协议层结构还可以包括人工智能(artificialintelligence,AI)层,用于传输AI功能相关的数据。
(2)集中单元(central unit,CU)和分布单元(distributed unit,DU)。
接入网设备可以包括CU和DU。多个DU可以由一个CU集中控制。作为示例,CU 和DU之间的接口可以称为F1接口。其中,控制面(control panel,CP)接口可以为F1-C,用户面(user panel,UP)接口可以为F1-U。本公开不限制各接口的具体名称。CU和DU 可以根据无线网络的协议层划分:比如,PDCP层及以上协议层的功能设置在CU,PDCP 层以下协议层(例如RLC层和MAC层等)的功能设置在DU;又比如,PDCP层以上协议层的功能设置在CU,PDCP层及以下协议层的功能设置在DU,不予限制。
上述对CU和DU的处理功能按照协议层的划分仅仅是一种举例,也可以按照其他的方式进行划分。例如可以将CU或者DU划分为具有更多协议层的功能,又例如将CU或 DU还可以划分为具有协议层的部分处理功能。在一种设计中,将RLC层的部分功能和 RLC层以上的协议层的功能设置在CU,将RLC层的剩余功能和RLC层以下的协议层的功能设置在DU。在另一种设计中,还可以按照业务类型或者其他***需求对CU或者DU 的功能进行划分,例如按时延划分,将处理时间需要满足时延要求的功能设置在DU,不需要满足该时延要求的功能设置在CU。在另一种设计中,CU也可以具有核心网的一个或多个功能。示例性的,CU可以设置在网络侧方便集中管理。在另一种设计中,将DU的无线单元(radio unit,RU)拉远设置。可选的,RU可以具有射频功能。
可选的,DU和RU可以在物理层(physical layer,PHY)进行划分。例如,DU可以实现PHY层中的高层功能,RU可以实现PHY层中的低层功能。其中,用于发送时,PHY 层的功能可以包括以下至少一项:添加循环冗余校验(cyclic redundancy check,CRC)位、信道编码、速率匹配、加扰、调制、层映射、预编码、资源映射、物理天线映射、或射频发送功能。用于接收时,PHY层的功能可以包括以下至少一项:CRC校验、信道解码、解速率匹配、解扰、解调、解层映射、信道检测、资源解映射、物理天线解映射、或射频接收功能。其中,PHY层中的高层功能可以包括PHY层的一部分功能,例如该部分功能更加靠近MAC层,PHY层中的低层功能可以包括PHY层的另一部分功能,例如该部分功能更加靠近射频功能。例如,PHY层中的高层功能可以包括添加CRC码、信道编码、速率匹配、加扰、调制、和层映射,PHY层中的低层功能可以包括预编码、资源映射、物理天线映射、和射频发送功能;或者,PHY层中的高层功能可以包括添加CRC码、信道编码、速率匹配、加扰、调制、层映射和预编码,PHY层中的低层功能可以包括资源映射、物理天线映射、和射频发送功能。例如,PHY层中的高层功能可以包括CRC校验、信道解码、解速率匹配、解码、解调、和解层映射,PHY层中的低层功能可以包括信道检测、资源解映射、物理天线解映射、和射频接收功能;或者,PHY层中的高层功能可以包括CRC校验、信道解码、解速率匹配、解码、解调、解层映射、和信道检测,PHY层中的低层功能可以包括资源解映射、物理天线解映射、和射频接收功能。
示例性的,CU的功能可以由一个实体来实现,或者也可以由不同的实体来实现。例如,可以对CU的功能进行进一步划分,即将控制面和用户面分离并通过不同实体来实现,分别为控制面CU实体(即CU-CP实体)和用户面CU实体(即CU-UP实体)。该CU-CP 实体和CU-UP实体可以与DU相耦合,共同完成接入网设备的功能。
可选的,上述DU、CU、CU-CP、CU-UP和RU中的任一个可以是软件模块、硬件结构、或者软件模块+硬件结构,不予限制。其中,不同实体的存在形式可以是不同的,不予限制。例如DU、CU、CU-CP、CU-UP是软件模块,RU是硬件结构。这些模块及其执行的方法也在本公开的保护范围内。
一种可能的实现中,接入网设备包括CU-CP、CU-UP、DU和RU。例如,本公开中,由DU,或者DU和RU,或者CU-CP、DU和RU,或者CU-UP、DU和RU执行接入网设备的功能,不予限制。各模块所执行的方法也在本公开的保护范围内。
本公开中,用于实现接入网设备的功能的装置可以是接入网设备;也可以是能够支持接入网设备实现该功能的装置,例如芯片***。该装置可以被安装在接入网设备中或者和接入网设备匹配使用。
本公开可以适用于以下场景:接入网设备采用AI模型对终端设备需要测量的信息进行预测,减少接入网设备频繁发送下行信号,并减少终端设备根据下行信号频繁测量该信息,减少了该信息的资源开销并节省了终端设备的计算资源。
举例来说,NR***中引入6吉赫兹(giga hertz,GHz)以上的高频段用于数据通信。高频通信通常采用数量众多的天线做波束赋型,从而可以获取波束增益来补偿高频传播特性导致的传播距离受限。高频无线信道通常具有明显的稀疏性,即信道的主要能量集中在有限个数的径上。如发端和收端间存在无遮挡直射视距(line of sight,LOS)路径时,收端、发端之间的主要能量集中在直射视距路径上;当发端和收端间存在非视距(non-lineof sight,NLOS)的遮挡时,其主要能量多集中在反射一次即可到达的路径上。通常每条径有着不同的入射和出射角度,故高频通信***的发射端和接收端将自己的波束方向对准信道主要径的入射角度和出射角度时,可获取大部分的信道传输能量完成高质量通信。其中,一个波束方向可以视为一个特定的数据传输方向。
可以设计一种简单的波束管理方案。假设所有的候选赋型波束包括于一个码本中,码本中每个码字可以用于对信号做预编码,经过预编码的信号在空间中会按一定的空间指向性进行传播,形成波束赋型的效果,故一个码字对应一个波束。码本中的码字以复数向量的形式表示,每个码字复数向量的元素个数等于天线(或描述为天线端口)的个数,例如码本R包括C个码字,可以表示为R=[w1,w2,…,wC],每个码字wi表示为其中,i的取值为1至C,C为大于等于1的整数,NT为天线个数,复数vj表示第j个天线的权值,j的取值为1至NT,NT为大于等于1的整数。利用码字wi对信号进行预编码时,相当于按照码字wi中每个天线的权值vi去调整相应天线的放大器和/ 或移相器,从而调整该天线中发出或接收的该信号的方向图,使信号的传播具备空间指向性,即产生赋型波束。
码本中不同码字对应的波束可以指向不同的方向,从而尽可能覆盖整个传播空间。每次发射信号时,从码本中选择一个合适的码字以匹配信道的主要径的方向。接入网设备和终端设备各自维护一套自己的码本,以下行方向传输为例,当需要通信时,接入网设备按一定顺序扫描码本中的候选码字:接入网设备采用码本中的候选码字对应的波束发射参考信号;终端设备接收参考信号,并反馈接收信号强度最高或者超过一定门限的接收波束对应的参考信号的信息,例如反馈该参考信号的索引或在该参考信号对应的资源上进行反馈等;接入网设备根据终端设备的反馈信息确定最优波束,例如确定接收信号强度最高的发送波束作为最优波束,并采用该最优波束向终端设备发送下行数据。该过程还可以称为波束对准。但因需扫描整个码本来选择最优码字,空口开销较大,对于固定长度的时隙而言,大量时间资源用于波束对准,制约了数据传输的最大容量;另外,在高速移动性场景下,信道变化快信道相关时间较短,收发端可能难以完成有效的波束对准,导致通信无法建立。
本公开中,采用机器学习技术做波束预测,可以降低波束扫描的开销。具体的,对于一个码本,发端不再扫描码本对应的全部码字,而是按照一定规律扫描其中的部分码字,即只选取码本中的部分码字发送参考信号。收端根据接收的参考信号进行测量,获得测量信息,并将测量信息反馈至发端。发端根据接收的测量信息预测全码本中最优的码字索引(或者波束索引),预测功能由AI模型实现。因为只需扫描码本中的部分码字,故可以降低波束对准的空口开销。进一步的,本公开中,接入网设备和终端设备可以部署相同的AI 模型,终端设备可以根据AI模型预测最优码字索引,终端设备还可以通过测量参考信号获得真实的最优码字索引;当预测最优码字索引和真实的最优码字索引不一致时,接入网设备或终端设备可以对AI模型进行重新训练,从而实现校验AI模型,后面将详细描述。该重新训练包括但不限于:利用初始模型进行训练,或者利用当前模型进行更新训练。
在描述本公开的方法之前,先简单介绍一些关于人工智能的相关知识。人工智能,可以让机器具有人类的智能,例如可以让机器应用计算机的软硬件来模拟人类某些智能行为。为了实现人工智能,可以采取机器学习方法或很多其他方法。例如,机器学习包括神经网络(neural network,NN)。神经网络是机器学习的一种具体实现方式。根据通用近似定理,神经网络理论上可以逼近任意连续函数,从而使得神经网络具备学习任意映射的能力。因此神经网络可以对复杂的高维度问题进行准确地抽象建模。神经网络的思想来源于大脑组织的神经元结构。每个神经元都对其输入值做加权求和运算,将加权求和结果通过一个激活函数产生输出。假设神经元的输入为x=[x0,…,xn],与输入对应的权值为w= [w0,…,wn],加权求和的偏置为b。激活函数的形式可以多样化。假设一个神经元的激活函数为:y=f(z)=max(0,z),则该神经元的输出为:再例如一个神经元的激活函数为: y=f(z)=z,则该神经元的输出为:/>wi、xi、和 b可以为小数、整数(包括0、正整数或负整数等)、或复数等各种可能的取值。神经网络中不同神经元的激活函数可以相同或不同。
神经网络一般包括多层结构,每层可包括一个或多个神经元。增加神经网络的深度和 /或宽度可以提高该神经网络的表达能力,为复杂***提供更强大的信息提取和抽象建模能力。其中,神经网络的深度可以指神经网络包括的层数,每层包括的神经元个数可以称为该层的宽度。如图2所示,为神经网络的层关系示意图。一种实现中,神经网络包括输入层和输出层。神经网络的输入层将接收到的输入经过神经元处理后,将结果传递给输出层,由输出层得到神经网络的输出结果。另一种实现中,神经网络包括输入层、隐藏层和输出层。神经网络的输入层将接收到的输入经过神经元处理后,将结果传递给中间的隐藏层,隐藏层再将计算结果传递给输出层或者相邻的隐藏层,最后由输出层得到神经网络的输出结果。一个神经网络可以包括一层或多层依次连接的隐藏层,不予限制。神经网络的训练过程中,可以定义损失函数。损失函数描述了神经网络的输出值和理想目标值之间的差距或差异,本公开不限制损失函数的具体形式。神经网络的训练过程就是通过调整神经网络参数,如神经网络的层数、宽度、神经元的权值、和/或神经元的激活函数中的参数等,使得损失函数的值小于阈值门限值或者满足目标需求的过程,即使得神经网络的输出与理想目标值之间的差异最小。
如图3所示为AI在通信***中的第一种应用框架的示例图。在图3中,数据源(datasource)用于存储训练数据和推理数据。模型训练节点(model trainning host)通过对数据源提供的训练数据(training data)进行分析或训练,得到AI模型,且将AI模型部署在模型推理节点(model inference host)中。其中,AI模型表征了模型的输入和输出之间的映射关系。通过模型训练节点学习得到AI模型,相当于由模型训练节点利用训练数据学习得到模型的输入和输出之间的映射关系。模型推理节点使用AI模型,基于数据源提供的推理数据进行推理,得到推理结果。该方法还可以描述为:模型推理节点将推理数据输入到AI模型,通过AI模型得到输出,该输出即为推理结果。该推理结果可以指示:由执行对象使用(执行)的配置参数、和/或由执行对象执行的操作。推理结果可以由执行(actor) 实体统一规划,并发送给一个或多个执行对象(例如,网元)去执行。
在本公开中,图3所示的应用框架可以部署在图1中所示的网元,例如,图3的应用框架可以部署在图1的接入网设备或者AI实体。例如在接入网设备中,模型训练节点可对数据源提供的训练数据(training data)进行分析或训练,得到一个模型。模型推理节点可以使用该模型和数据源提供的推理数据进行推理,得到模型的输出。即该模型的输入包括推理数据,该模型的输出即为该模型所对应的推理结果。例如,模型训练节点是CU,模型推理节点是CU或DU;或,模型训练节点是DU,模型推理节点是DU;或,模型训练节点是下文描述的近实时RIC,模型推理节点是近实时RIC、CU或DU。例如,将终端设备视为图3中的执行对象,接入网设备可以将模型对应的推理数据和/或推理结果发送给终端设备,终端设备可以根据推理数据和/或推理结果进行相应的操作。
下面结合图4(a)~图4(d)对本公开提供的通信方案能够应用的网络架构进行介绍。
如图4(a)所示,第一种可能的实现中,接入网设备中包括近实时接入网智能控制(RAN intelligent controller,RIC)模块,用于进行模型学习和/或推理。例如,近实时RIC可以从 CU、DU和RU中的至少一个获得网络侧和/或终端侧的信息,该信息可以作为训练数据或者推理数据。可选的,近实时RIC可以将推理结果递交至CU、DU和RU中的至少一个。可选的,CU和DU之间可以交互推理结果。可选的,DU和RU之间可以交互推理结果,例如近实时RIC将推理结果递交至DU,由DU递交给RU。例如,近实时RIC可以用于训练AI模型,利用该AI模型进行推理。
如图4(a)所示,第二种可能的实现中,接入网之外包括非实时RIC(可选的,非实时RIC可以位于OAM中或者核心网设备中),用于进行模型学习和推理。例如,非实时 RIC可以从CU、DU和RU中的至少一个获得网络侧和/或终端侧的信息,该信息可以作为训练数据或者推理数据,该推理结果可以被递交至CU、DU和RU中的至少一个。可选的, CU和DU之间可以交互推理结果。可选的,DU和RU之间可以交互推理结果,例如非实时RIC将推理结果递交至DU,由DU递交给RU。例如,非实时RIC用于训练AI模型,利用该模型进行推理。
如图4(a)所示,第三种可能的实现中,接入网设备中包括近实时RIC,接入网设备之外包括非实时RIC(可选的,非实时RIC可以位于OAM中或者核心网设备中)。同上述第二种可能的实现,非实时RIC可以用于进行模型学习和/或推理;和/或,同上述第一种可能的实现,近实时RIC可以用于进行模型学习和/或推理;和/或,近实时RIC可以从非实时RIC获得AI模型信息,并从CU、DU和RU中的至少一个获得网络侧和/或终端侧的信息,利用该信息和该AI模型得到推理结果,可选的,近实时RIC可以将推理结果递交至CU、DU和RU中的至少一个,可选的,CU和DU之间可以交互推理结果,可选的, DU和RU之间可以交互推理结果,例如近实时RIC将推理结果递交至DU,由DU递交给 RU。例如,近实时RIC用于训练模型A,利用模型A进行推理。例如,非实时RIC用于训练模型B,利用模型B进行推理。例如,非实时RIC用于训练模型C,将模型C的信息递交给近实时RIC,近实时RIC利用模型C进行推理。
图4(b)所示为本公开提供的方法能够应用的一种网络架构的示例图。相对图4(a),图4(a)中将CU分离为了CU-CP和CU-UP。
图4(c)所示为本公开提供的方法能够应用的一种网络架构的示例图。如图4(c)所示,可选的,接入网设备中包括一个或多个AI实体,该AI实体的功能类似上述近实时 RIC。可选的,OAM中包括一个或多个AI实体,该AI实体的功能类似上述非实时RIC。可选的,核心网设备中包括一个或多个AI实体,该AI实体的功能类似上述非实时RIC。当OAM和核心网设备中都包括AI实体时,他们各自的AI实体所训练得到的模型不同,和/或用于进行推理的模型不同。
本公开中,模型不同包括但不限于以下至少一项不同:模型的结构参数(例如模型的层数、层间的连接关系、各层包括的神经元个数、神经元的激活函数、神经元的权值、和 /或神经元的偏置等)、模型的输入参数、或模型的输出参数。
图4(d)所示为本公开提供的方法能够应用的一种网络架构的示例图。相对图4(c),图4(d)中的接入网设备分离为CU和DU。可选的,CU中可以包括AI实体,该AI实体的功能类似上述近实时RIC。可选的,DU中可以包括AI实体,该AI实体的功能类似上述近实时RIC。当CU和DU中都包括AI实体时,他们各自的AI实体所训练得到的模型不同,和/或,用于进行推理的模型不同。可选的,还可以进一步将图4(d)中的CU拆分为CU-CP和CU-UP。可选的,CU-CP中可以部署有一个或多个AI模型。可选的,CU-UP 中可以部署有一个或多个AI模型。可选的,图4(c)或图4(d)中,接入网设备的OAM 和核心网设备的OAM可以分开独立部署。
本公开中,一个模型可以推理得到一个参数,或者推理得到多个参数。不同模型的学习过程可以部署在不同的设备或节点中,也可以部署在相同的设备或节点中。不同模型的推理过程可以部署在不同的设备或节点中,也可以部署在相同的设备或节点中。
可以理解的是,本公开中,AI实体或接入网设备等可以执行本公开中的部分或全部步骤,这些步骤或操作仅是示例,本公开还可以执行其它操作或者各种操作的变形。此外,各个步骤可以按照本公开呈现的不同的顺序来执行,并且有可能并非要执行本公开中的全部操作。
本公开中,在使用“小于”或“大于”进行比较时,“小于”也可以替换为“小于或等于”,“大于”也可以替换为“大于或等于”。
在本公开的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的示例之间的术语和/或描述具有一致性、且可以相互引用,不同的示例中的技术特征根据其内在的逻辑关系可以组合形成新的示例。
可以理解的是,在本公开的示例中涉及的各种编号仅为描述方便进行的区分,并不用来限制本公开的示例的范围。上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定。
本公开描述的网络架构以及业务场景是为了更加清楚的说明本公开的技术方案,并不构成对于本公开提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本公开提供的技术方案对于类似的技术问题,同样适用。
本公开中将对上行方向和下行方向分别进行描述,具体的,图5至图11所示的流程涉及下行方向,图12所示的流程涉及上行方向。
可选的,在执行本公开提供的方法之前,终端设备与接入网设备之间还可以进行能力交互和/或模型信息交互,具体可以如图5所示。图5为本公开提供的一种能力交互和/或模型信息交互流程示意图,包括:
S501:终端设备向接入网设备上报能力信息。
能力信息可以包括但不限于以下至少一项信息:该终端设备是否支持运行人工智能模型;支持的人工智能模型类型(如卷积神经网络(convolutional neural network,CNN)、递归神经网络(recursive neural network,RNN)、或随机森林模型等);终端设备可用于存储人工智能模型的内存空间大小;终端设备的算力信息,可以为运行人工智能模型的计算能力,比如包括处理器的运算速度、和/或处理器能够处理的数据量大小等信息;终端设备的能耗信息,如芯片的运行功耗、和/或电池容量;或者,终端设备的硬件信息,包括但不限于天线的配置信息(天线个数、和/或极化方向等)、和/或射频通道数等。
终端设备可以主动上报能力信息,也可以在接收到来自接入网设备的请求消息时,上报能力信息,本公开对此并不限定。
S501为可选操作,例如终端设备的能力为协议约定时,图5所示的方法中无需包括S501。
S502:接入网设备向终端设备发送第一预测模型的信息。
接入网设备可以在确定终端设备支持运行人工智能模型时,发送第一预测模型的信息。接入网设备也可以不发送第一预测模型的信息,即S502为可选操作,例如第一预测模型可以是协议约定的,或者接入网设备与终端设备通过同一个下载地址下载第一预测模型。
第一种可能的实现方式中,第一预测模型的信息,可以是指用于描述第一预测模型的模型参数、模型结构、级联关系以及激活函数等信息,终端设备可以根据第一预测模型的信息确定第一预测模型;第二种可能的实现方式中,也可以是指描述第一预测模型的计算机代码,终端设备可以根据该计算机代码进行编译,获得第一预测模型;第三种可能的实现方式中,第一预测模型的信息可以为下载第一预测模型的下载地址,终端设备可以根据该下载地址,下载第一预测模型。
本公开中,预测模型,例如下文描述的第一预测模型、第二预测模型、第三预测模型或第四预测模型等,可以为人工智能模型。具体的,预测模型可以为经过训练的人工智能模型。预测模型可以用于预测终端设备接收到的信号质量最优的下行信号。例如,信号质量最优可以是指信号的参考信号接收功率(reference signal receiving power,RSRP)最大或者可以是指信号的接收信噪比最大等,不予限制。
举例来说,如图6所示,为本公开提供的一种人工智能模型结构示意图。该人工智能模型的类型可以神经网络模型或者随机森林或者线性回归模型等,本公开并不限定。该人工智能模型包括5层卷积层网络和2层全连接层网络,这里只是示例,不代表对卷积层网络和全连接层网络的数量以及连接关系做任何限定。卷积层网络将获得的输入进行处理,传递至全连接层网络,全连接层网络最终将结果输出。例如,人工智能模型的输入可以为根据无线信号获得的测量信息,输出为预测的最优无线信号对应的码字索引或波束索引。以频域为例,无线信号在信道中的传播形式为Yi=Hi×xi+N,其中Hi为发射第i个波束时的频域信道响应,xi为用第i个波束发射的无线信号,N为噪声,Yi为接收信号。i为整数。人工智能模型可以利用多个接收信号Yi的测量信息,预测出哪个波束发射的无线信号的信号质量最优或信号强度最高,即确定哪个波束是最优波束。接收信号Yi的测量信息可以是Yi的参考信号接收功率、对Hi的信道估计和/或接收信号Yi本身。以时域为例,无线信号在信道中的传播形式为其中hi为发射第i个波束时的时域信道响应,xi为用第i个波束发射的无线信号,n0为噪声,yi为接收信号,i为整数,/>代表时域卷积。人工智能模型可以利用多个接收信号yi的测量信息,预测出哪个波束发射的无线信号的信号质量最优或信号强度最高,即确定哪个波束是最优波束。接收信号yi的测量信息可以是yi的参考信号接收功率、对hi的信道估计和/或接收信号yi本身。
假设接入网设备的一个码本中有C个码字,还可以称为全码本包括个C码字,对应C个波束,本公开中,接入网设备的扫描图样中包括该码本中的M个码字 (M≤C,且M大于0),g(Yi)是对接收信号Yi的测量信息,则预测模型输入的格式可以为即输入信息的维度为M维信息,预测模型输出为预测的最优无线信号对应的码字索引或波束索引,输出信息的维度可以为一维标量。可选地,该方法中,可以对/>进行预处理后作为预测模型的输入,输出为预测的最优无线信号对应的码字索引或波束索引,输出信息的维度可以为一维标量。其中,该预处理可以包括以下至少以下:实部和虚部分离后分别作为输入、实部和虚部分离后拼接为2M维信息、幅度和相位分离后分别作为输入、幅度和相位分离后拼接为2M维信息、利用尺度因子进行缩放、量化、或滤波等,不予限制。
本公开中,由网络侧训练的模型,例如第一预测模型、第三预测模型或第四预测模型等,可以由接入网设备进行训练,例如由接入网设备的近实时RIC、CU或DU进行训练;或者从第三方网络实体获取预训练的预测模型,例如由AI实体进行训练,接入网设备从 AI实体获取训练好的第一预测模型。可选的,该AI实***于OAM或者核心网设备中的。预测模型的具体训练过程,本公开并不限定。例如,对于第一预测模型,训练预测模型所需的训练数据为测量信息,该训练数据可以根据Yi=Hi×Xi+N生成,其中信道响应Hi可以由满足第三代伙伴计划(the 3rd generation partnership project,3GPP)定义的信道模型生成、或者在实际环境中采集、或者由其他仿真平台产生,如射线跟踪信道仿真平台,本公开对此并不限定。
本公开中,可以训练多个预测模型,每个预测模型与一个扫描图样对应,接入网设备可以根据为终端设备配置的扫描图样,为终端设备配置与之对应的预测模型。
本公开中,接入网设备和终端设备中可以部署相同的人工智能模型。
一种实现方式中,接入网设备中也部署第一预测模型,或者接入网设备和终端设备中部署参数相同的人工智能模型。接入网设备和终端设备中部署参数相同的人工智能模型,可以是指接入网设备和终端设备中部署的人工智能模型的模型参数、模型结构、级联关系以及激活函数等都完全相同。
另一种实现方式中,接入网设备中的人工智能模型和终端设备中的人工智能模型的模型结构等信息可以不同,但是在输入的信息相同的情况下,输出的信息相同或者输出的信息的差异小于或等于阈值。也就是说,若接入网设备和终端设备约定相同的模型输入数据格式、输入相同的测量信息,即可通过各自的人工智能模型输出相同的预测结果。
当终端设备中部署第一预测模型之后,接入网设备可以向终端设备发送下行信号,终端设备从而可以将估计下行信号测量获得的下行测量信息输入第一预测模型,从而确定第一预测模型预测的结果是否准确,下面将详细描述。
如图7所示,为本公开提供的一种通信方法流程示意图,该流程以终端设备与接入网设备之间交互为例进行说明,图7所示的流程中,终端设备和接入网设备中可以部署相同的预测模型,接入网设备可以采用预测模型预测终端设备接收到的下行信号中,接收信号强度最高的下行信号,终端设备可以对部署的预测模型的预测结果进行校验,当预测结果不准确时,可以向接入网设备进行反馈,具体的,该方法包括:
可选的,S700:接入网设备向终端设备发送指示信息。
其中,指示信息可以用于指示以下至少一项信息:
(1)扫描图样信息,用于指示扫描图样。扫描图样指示接入网设备从码本中选择的一个或多个码字,以及选择码字的顺序。由于一个码字对应一个波束,扫描图样也可以指示接入网设备所使用的一个或多个波束,以及波束的发送顺序。通过扫描图样,可以确定接入网设备使用了码本中的哪些码字,码字的使用顺序是什么,使用了哪些波束,波束的发送顺序是什么等信息。可选的,指示信息可以不包括扫描图样信息,例如扫描图样信息可以为协议约定的或者通过其他方式设置的,本公开并不限定。
(2)预测模型输入输出的格式信息,用于指示预测模型的输入信息的维度以及输出信息的维度等信息。例如,当扫描图样指示M个码字,输出为最优下行信号对应的码字索引时,即输入信息的维度为M、输出信息的维度为1。可选的,指示信息可以不包括预测模型输入输出的格式信息,例如预测模型输入输出的格式信息可以为协议约定的或者通过其他方式设置的,本公开并不限定。
(3)校验模式信息,用于指示终端设备是否进入校验模式,或者用于指示接入网设备发送下行信号所采用的模式。
本公开中,接入网设备可以采用两种模式发送下行信号,第一模式和第二模式,第一模式也可以称为校验模式,第二模式也可以称为非校验模式。一种可能的实现方式中,接入网设备采用第一模式发送下行信号时,可以通过校验模式信息指示终端设备进入校验模式;接入网设备采用第二模式发送下行信号时,可以通过校验模式信息指示终端设备进入非校验模式。另一种可能的实现方式中,接入网设备还可以通过配置校验模式或非校验模式的资源,使得终端设备进入校验模式或非校验模式。例如,校验模式的资源是周期性地或者非周期性地,接入网设备周期性或者非周期地扫描码本中的全部码本对应的波束时,终端设备进入校验模式;接入网设备扫描码本中的部分码本对应的波束时,终端设备进入非校验模式。
本公开中,接入网设备中包括一套码本,码本中包括一个或多个码字,每个码字可以对信号做预编码,经过预编码的信号在空间中会按一定的空间指向性进行传播,形成波束赋型的效果,也就是说一个码字对应一个波束或一个数据传输方向。
在校验模式中,码本中的所***字都会被接入网设备选择,也就是说,码本中的所***字都会被用来发送下行信号,码本中的所***字对应的波束都会被发送。
在非校验模式中,接入网设备可以根据扫描图样从码本中选择部分码字,也就是说,码本中被扫描图样指示的码字会被用来发送下行信号,其他码字不会被用来发送下行信号。
举例来说,如图8所示,以码本中包括64个码字为例,图8中的一个方格代表一个波束,一个波束对应一个码字,一共有64个波束,不同波束在空间中的指向不同。
在校验模式中,接入网设备可以依次按照先水平角度,后垂直角度的顺序,依次采用这64个波束分别发送64个下行信号,其中一个波束用于发送一个下行信号。相应的,终端设备按照相同的顺序,依次接收通过这64个波束发送的64个下行信号。
图8中以扫描图样指示16个码字对应的16个波束为例进行说明,这16个波束在图8中用黑色的小方格表示,当以水平角度为x轴,以垂直角度为y轴建立坐标系,这16个波束的位置坐标分别为(1,1),(1,3),(1,5),(1,7),(3,1),(3,3),(3,5),(3,7),(5,1), (5,3),(5,5),(5,7),(7,1),(7,3),(7,5),(7,7)。在非校验模式中,接入网设备可以依次按照先水平角度,后垂直角度的顺序,依次采用扫描图样指示的一个或多个波束分别发送下行信号。相应的,终端设备按照相同的顺序,依次接收下行信号。
上面的例子中,接入网设备发送波束的顺序只是示例,并不代表对其进行限定。接入网设备和终端设备还可以采取其他顺序,不予限制。
S701:接入网设备向终端设备发送X个下行信号,相应的,终端设备接收来自接入网设备的X个下行信号。
其中,X可以为大于1的整数。可选的,这X个下行信号中的不同下行信号可以是以时分方式发送的;和/或,该X个下行信号中的不同下行信号可以是以频分方式发送的,例如接入网设备采用不同波束、通过不同的天线面板在不同频率上发送不同下行信号。
下行信号的类型并不限定,下行信号可以为下行参考信号,例如可以为信道状态信息下行信号(channel state information reference signal,CSI-RS)。下行信号也可以为其他类型的信号,例如同步信号/物理广播信道块(synchronizing signal/physicalbroadcast channel block,SSB)等,本公开对此并不限定。可选地,同步信号可以包括主同步信号(primary synchronization signal,PSS)和辅同步信号(secondarysynchronization signal,SSS)。SSB 包括PSS、SSS和PBCH。SSB还可以包括PBCH的解调参考信号(demodulation reference signal,DMRS)。
对于X个下行信号中的任一下行信号,接入网设备发送该下行信号时,会采用一个码字对该下行信号进行预编码,即该下行信号对应一个波束或一个数据传输方向。对于终端设备,可以采用一个码字接收该下行信号。终端设备接收下行信号所使用的码字可以为终端设备自主确定的,具体如何确定,本公开并不限定。
接入网设备采用校验模式发送下行信号时,X的取值可以等于接入网设备的码本中包括的码字数量;接入网设备采用非校验模式发送下行信号时,X的取值可以等于扫描图样指示的码字数量(或波束数量)。
S702:终端设备根据X个下行信号确定X个下行测量信息。
终端设备可以根据一个下行信号获得一个下行测量信息,下行测量信息可以为通过测量该下行信号获得的RSRP,也可以为该下行信号的接收值,还可以为测量下行信号获得的其他信息。
如果S700中的指示信息指示终端设备进入非校验模式,则可以执行S703至S704。
S703:终端设备向接入网设备发送X个下行测量信息,相应的,接入网设备接收X个下行测量信息。
S704:接入网设备根据X个下行测量信息确定第一最优下行信号。
其中,第一最优下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息确定的。
假设接入网设备的码本中包括C个码字,接入网设备可以通过C个码字发送C个不同方向的波束,C为大于0的整数。由于接入网设备采用非校验模式发送下行信号,此时的X小于或等于C。
在该步骤中,第一最优下行信号可以是指预测出的终端设备接收到的信号质量最好的下行信号,不是实际测量出的信号质量最好的下行信号。也就是说,接入网设备没有实际发送C个下行信号,只发送X个下行信号,接入网设备通过第一预测模型预测的第一最优下行信号,可能是X个下行信号中的一个下行信号,也可能不是X个下行信号中的一下行信号。所预测出的第一最优下行信号是上述C个下行信号中的一个信号。
举例来说,结合前面图8的例子,假设接入网设备发送的X个下行信号,为通过扫描图样指示的16个波束发送的。接入网设备实际预测获得的第一最优下行信号对应的第一最优波束,可能不是这16个波束中的任一个波束,例如预测的第一最优波束可以为图8 中位置坐标为(6,5)的波束,即图8中箭头指示的波束。
确定第一最优下行信号之后,接入网设备可以通过第一最优下行信号对应的第一最优波束向终端设备发送下行数据。
S704还可以理解为:接入网设备根据X个下行测量信息确定第一最优码字(或第一最优波束),接入网设备可以通过第一最优码字(或第一最优波束)向终端设备发送下行数据。即,接入网设备通过模型预测出的可以是信号质量最好的下行信号对应的码字。
通过上面的方法,接入网设备只需要发送很少的下行信号,从而可以根据下行测量信息预测出最优的下行信号,从而确定进行通信所使用的最优波束,实现以较小空口开销、快速完成波束对准。
如果S700中的指示信息指示终端设备进入校验模式,可以执行以下流程。
S705:终端设备确定第一下行信号和第二下行信号。
其中,第一下行信号和第二下行信号为X个下行信号中的下行信号。第一下行信号是根据X个下行测量信息中的部分下行测量信息预测出的下行信号,第二下行信号根据X个下行测量信息确定的下行信号。
具体的,第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息中的Y个下行测量信息确定的,Y为小于或等于X且大于0的整数。可选的,Y个下行测量信息可以为根据扫描图样确定的,例如Y个下行测量信息对应的Y个下行信号,为通过扫描图样指示的Y个波束发送的下行信号,此时Y的取值等于扫描图样指示的波束数量。
本公开中,下行信号、码字和波束是对应的,一个下行信号对应一个码字,该码字用于对该下行信号进行预编码,预编码后信号的传输方向为该波束指示的方向。预测模型预测出下行信号可以被替换为预测出码字或者预测出波束。类似的,扫描图样指示扫描的信号还可以被替换为指示扫描的码字或扫描的波束。
第二下行信号为X个下行测量信息中,对应的信号质量最优的下行测量信息对应的下行信号。例如,下行测量信息为RSRP,那么可以将X个RSRP中,取值最大的RSRP对应的下行信号作为第二下行信号。
终端设备可以根据第二下行信号确定第一预测模型预测的第一下行信号是否准确,具体可以参考下面的描述。
S706:若第一下行信号和第二下行信号满足第一条件,终端设备向接入网设备发送第一信息,相应的,接入网设备接收来自终端设备的第一信息。
当第一下行信号和第二下行信号满足第一条件时,终端设备可以认为第一预测模型预测的结果不准确,第一预测模型是需要更新的。此时,一种可能的实现方式中,第一信息指示第二下行信号以及Y个下行测量信息,上述信息可以用于更新第一预测模型。具体如何更新第一预测模型将在后面详细描述。另一种可能的实现方式中,第一信息指示第一预测模型是需要更新的。
其中,第一条件可以包括以下任一项:
第一下行信号和第二下行信号不是同一个下行信号;
第一下行信号和第二下行信号不是同一个下行信号,且第一下行信号和第二下行信号之间的差异信息大于第一阈值。第一阈值可以为接入网设备配置的,也可以为协议约定的,还可以为终端设备自主确定的。
本公开中,第一种实现方式中,第一下行信号和第二下行信号之间的差异信息为:第一下行信号对应的第一下行测量信息与第二下行信号对应的第二下行测量信息之间的差值的绝对值。例如,第一下行测量信息的取值为R1,第二下行测量信息的取值为R2,那么差异信息可以为|R1-R2|。
第二种实现方式中,第一下行信号和第二下行信号之间的差异信息为:第一下行信号对应的第一位置信息与第二下行信号对应的第二位置信息之间的差值的绝对值。
本公开中,可以将第一位置信息与第二位置信息之间的差值,可以是指第一位置信息与第二位置信息之间的欧式距离。
举例来说,如图9所示,以码本中包括64个码字为例,一个波束对应一个码字,一共有64个波束。由于一个波束指向一个传输方向,64个波束可以代表64个传输方向。假设这64个波束近似排成网格形状,水平角度包括8行,垂直角度包括8列,从传输方向横剖面的角度看,这64个波束可以近似构成图9所示的64个方格,图9中的一个方格代表一个波束。以水平角度为x轴,垂直角度为y轴建立坐标系,图9中,以第一下行信号的位置信息为(6,6),第二下行信号的位置信息为(8,8)为例进行说明。此时,第一下行信号对应的第一位置信息与第二下行信号对应的第二位置信息之间的欧式距离可以满足以下形式:
下行信号对应的位置信息,可以由接入网设备向终端设备指示的,也可以预先约定。
S707:若第一下行信号和第二下行信号满足第二条件,终端设备向接入网设备发送第二信息,相应的,接入网设备接收来自终端设备的第二信息。
当第一下行信号和第二下行信号满足第二条件时,终端设备可以认为第一预测模型预测的结果准确,第一预测模型不需要更新。此时一种可能的实现方式中,第二信息可以用于指示第二下行信号;另一种可能的实现方式中,第二信息可以用于指示第一预测模型是可信的,或者第一预测模型不需要更新。
其中,第二条件可以包括以下任一项:
第一下行信号和第二下行信号是同一个下行信号;
第一下行信号和第二下行信号不是同一个下行信号,但第一下行信号和第二下行信号之间的差异信息小于或等于第一阈值。
本公开中,S706和S707还可以采用以下步骤A或步骤B替换:
步骤A:终端设备根据第一下行信号和第二下行信号向接入网设备发送第一信息或者第二信息,相应的,接入网设备接收来自终端设备的第一信息或者第二信息。
其中,第一信息可以是第一下行信号和第二下行信号满足第一条件时发送的,第二信息可以是第一下行信号和第二下行信号满足第二条件时发送的。
第一信息用于指示第一预测模型是需要更新的,或者用于指示第二下行信号以及所述 Y个下行测量信息;第二信息用于指示第一预测模型是可信的,或者,第二信息用于指示第一预测模型不需要更新,或者用于指示该第二信息不包括Y个下行测量信息。第二信息还可以用于指示第二下行信号。
步骤B:终端设备根据第一下行信号和第二下行信号向接入网设备发送第一信息或者不发送第一信息,相应的,接入网设备检测来自终端设备的第一信息。
第一信息的介绍同上述步骤A。接入网设备检测到第一信息后,认为第一预测模型需要更新;否则,认为第一预测模型不需要更新。
本公开中,可以由终端设备对第一预测模型进行更新,也可以由接入网设备对第一预测模型进行更新,下面分别进行描述。
当由终端设备对第一预测模型进行更新时,可以执行以下流程:
S708:终端设备根据Y个下行测量信息和第二下行信号对第一预测模型进行训练,获得第二预测模型。
终端设备可以将Y个下行测量信息和第二下行信号可以作为一组训练数据,对第一预测模型进行更新训练,训练后的模型记为第二预测模型。终端设备可以将第一预测模型更新为第二预测模型。将第一预测模型更新为第二预测模型的具体方法,本公开并不限定,例如可以为反向传播梯度更新算法等。
终端设备获得第二预测模型之后,可能通过多种方式指示第二预测模型。
S709:终端设备向接入网设备发送第三信息,相应的,接入网设备接收来自终端设备的第三信息。
一种可能的实现方式,第三信息用于指示第二预测模型。具体的,第三信息可以包括用于描述第二预测模型的模型参数、模型结构、级联关系以及激活函数等信息,接入网设备可以根据第三信息确定第二预测模型。例如,第二预测模型包括多层卷积层网络和多层全连接层网络,每层可包括一个或多个神经元,相应的,模型参数可以包括第二预测模型中每个神经元对应的权值等信息;模型结构可以包括第二预测模型中卷积层网络和全连接层网络的数量,以及卷积层网络和全连接层网络之间的连接关系等。
第三信息也可以包括描述第二预测模型的计算机代码,接入网设备可以根据该计算机代码进行编译,获得第二预测模型。
另一种可能的实现方式,第三信息用于指示第二预测模型的信息,第二预测模型的信息包括第二预测模型与第一预测模型之间的变化量信息。具体的,第三信息可以包括变化量信息,该变化量信息用于描述第二预测模型的模型参数、模型结构、级联关系以及激活函数等信息,与用于描述第一预测模型的模型参数、模型结构、级联关系以及激活函数等信息之间的变化量。
另一种可能的实现方式,第三信息用于指示第二预测模型的信息,第二预测模型的信息包括第二预测模型梯度信息。具体的,第三信息可以包括当采用梯度下降法将第一预测模型更新为第二预测模型时的梯度计算值。
S710:接入网设备根据第三信息将第一预测模型更新为第二预测模型。
通过上面的方法,终端设备可以采用本地配置的第一预测模型进行预测,当由于信道环境变化或者预测模型与信道环境失配等原因,导致终端设备确定预测到的第一下行信号和根据实际的下行测量信息确定的第二下行信号不一致时,可以对第一预测模型进行校准,即重新进行训练,获得更新后的预测模型,从而能够持续改善预测模型的性能。
本公开中,第一种场景中,只要对第一信道预测模型进行了更新,终端设备就向接入网设备指示第二信道预测模型,即执行S709。
第二种场景中,终端设备可以确定第二预测模型与第一预测模型之间的变化量信息是否大于第二阈值,在变化量信息大于或等于第二阈值时发送第三信息,否则可以不发送第三信息。为了不失一般性,本公开以图10所示的流程为例,描述终端设备如何判断是否发送第三信息。
S1001:终端设备对待更新预测模型进行训练,获得已更新预测模型。
待更新预测模型的初始值为第一预测模型,待更新预测模型为终端设备当前部署的预测模型。已更新预测模型是指S708中经过训练获得的。假设待更新预测模型为第一预测模型,那么此时获得的已更新预测模型为第二预测模型。
假设有若干终端设备他们的待更新预测模型是一样的,这些终端设备对待更新预测模型进行训练,并将训练的梯度信息、或已更新的预测模型、或者已更新的预测模型与待更新预测模型的变化量反馈给接入网设备,接入网设备根据终端设备的反馈量生成融合的新预测模型,再将融合的新预测模型发送给这些终端设备用于更新第一预测模型。
S1002:终端设备确定已更新预测模型与初始更新预测模型之间的变化量信息。
初始更新预测模型的初始值为第一预测模型,初始更新预测模型可以为最近一次通过第三信息向接入网设备指示的预测模型。
假设已更新预测模型为第二预测模型,这里的初始更新预测模型为第一预测模型。
S1003:若该变化量信息大于或等于第二阈值,终端设备向接入网设备发送第三信息。
其中,第二阈值可以为接入网设备配置的,也可以为协议约定的,还可以为终端设备自主确定的。
S1004:若该变化量信息小于第二阈值,终端设备不发送第三信息。
当下一次终端设备对待更新预测模型进行训练时,可以再次执行S1001至S1004的流程。
由于变化量信息小于第二阈值,可以认为更新之后的预测模型与更新之前的预测模型相差不大,两者之间的性能接近,预测的结果接近,从而可以不接入网设备指示更新的预测模型。
结合图10所示流程的描述,举例来说,假设第一预测模型为预测模型A。终端设备可以执行以下流程:
步骤一:对预测模型A进行训练,获得预测模型B。
步骤二:确定预测模型A与预测模型B之间的变化量信息是否大于或等于第二阈值,如果大于或等于第二阈值,则转至步骤三;如果小于第二阈值,则转至步骤四。
步骤三:发送第三信息,此步骤中的第三信息用于指示预测模型B的信息。
步骤四:不发送第三信息。
假设步骤二中变化量信息小于第二阈值,那么此次终端设备不发送第三信息。
进一步的,假设终端设备又需要对预测模型B进行训练,获得预测模型C,那么终端设备可以再一次执行图10所示的流程:
步骤五:对预测模型B进行训练,获得预测模型C。
步骤六:确定预测模型C与预测模型A之间的变化量信息是否大于或等于第二阈值,如果大于或等于第二阈值,则转至步骤七;如果小于第二阈值,则转至步骤八。
其中,虽然预测模型C是通过训练预测模型B获得的,但是由于接入网设备中部署的是预测模型A,且终端设备没有向接入网设备指示预测模型A,因此需要判断的是终端设备中最新的预测模型与接入网设备中的预测模型之间的变化量信息是否大于或等于第二阈值。
步骤七:发送第三信息,此步骤中的第三信息用于指示预测模型C的信息。
步骤八:不发送第三信息。
通过上面的流程,可以实现在更新的预测模型与上一次向接入网设备指示的预测模型之间的变化量信息小于第二阈值时,不向接入网设备指示更新的预测模型,避免频繁的向接入网设备指示更新的预测模型,降低信令开销,提高***效率。
本公开中,也可以由接入网设备对第一预测模型进行更新。当由接入网设备对第一预测模型进行更新时,可以执行以下流程:
步骤一:接入网设备根据Y个下行测量信息和第二下行信号对第一预测模型进行训练,获得第三预测模型。
接入网设备可以将Y个下行测量信息和第二下行信号可以作为一组训练数据,对第一预测模型进行更新训练,训练后的模型就是第三预测模型。S708中终端设备训练获得的第二预测模型,和步骤一中接入网设备训练获得的第三预测模型可以为相同或不同的模型,本公开中,为了描述方便,将其进行区分,不代表两者一定是不同的模型。
接入网设备可以将第一预测模型更新为第三预测模型。
接入网设备获得第三预测模型之后,可能通过多种方式指示第三预测模型。
第一种实现方式中,接入网设备可以直接向终端设备指示第三预测模型,即执行步骤二。
步骤二:接入网设备向终端设备发送第四信息,相应的,终端设备接收来自接入网设备的第四信息。
第四信息用于指示第三预测模型,或者用于指示第三所述预测模型的信息,第三预测模型的信息包括第三预测模型与第一预测模型之间的变化量信息。第四信息的具体内容,可以参考第三信息的描述,在此不再赘述。
第二种实现方式中,接入网设备可以确定第三预测模型与第一预测模型之间的变化量信息是否大于第二阈值,在变化量信息大于或等于第二阈值时发送第四信息,否则可以不发送第四信息。具体过程类似图10所示的流程,在此不再赘述。
可选地,接入网设备也可以不发送第四信息,当终端设备的第一下行信号和第二下行信号满足第一条件时,终端设备可以与接入网设备分别采用第二下行信号以及Y个下行测量信息对第一预测模型重新进行训练。该方法可以通过较少的信令开销保持两者存储的预测模型一致。
通过上面的方法,当由于信道环境变化或者预测模型与信道环境失配等原因,导致终端设备确定预测到的第一下行信号和根据实际的下行测量信息确定的第二下行信号不一致时,终端设备可以向接入网设备反馈第二下行信号以及Y个下行测量信息,接入网设备从而可以根据第二下行信号以及Y个下行测量信息对第一预测模型进行校准,即重新进行训练,获得更新后的预测模型,从而能够持续改善预测模型的性能。
本公开中,终端设备也可以不部署预测模型,仅在接入网设备中部署预测模型,接入网设备根据终端设备反馈的信息对预测模型进行校验,具体的,如图11所示,为本公开提供的一种通信方法流程示意图,该方法包括:
可选的,S1100:接入网设备向终端设备发送指示信息。
指示信息的具体内容可以参考S700中的描述,在此不再赘述。
S1101:接入网设备向终端设备发送X个下行信号。
S1102:接入网设备接收来自终端设备的X个下行测量信息。
其中,所述X个下行测量信息根据X个下行信号确定。
S1103:接入网设备确定第一下行信号和第二下行信号。
其中,第一下行信号和第二下行信号为X个下行信号中的下行信号,所述第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据所述X个下行测量信息中的Y个下行测量信息确定的,所述第二下行信号为根据所述X个下行测量信息确定的。
关于S1103的具体内容,可以参考S705中的描述,在此不再赘述。
S1104:若第一下行信号和第二下行信号满足第一条件,接入网设备根据Y个下行测量信息和第二下行信号对第一预测模型进行训练,获得第三预测模型。
关于S1104的具体内容,可以参考S706中的描述,在此不再赘述。
进一步的,接入网设备可以将第一预测模型更新为第三预测模型。
S1105:若第一下行信号和第二下行信号满足第二条件,接入网设备保持第一预测模型不变。
关于S1105的具体内容,可以参考S707中的描述,在此不再赘述。
通过上面的方法,只需要在接入网设备中部署第一预测模型,当由于信道环境变化或者预测模型与信道环境失配等原因,导致接入网设备确定预测到的第一下行信号和根据实际的下行测量信息确定的第二下行信号不一致时,接入网设备从而可以根据第二下行信号以及Y个下行测量信息对第一预测模型进行校准,即重新进行训练,获得更新后的预测模型,从而能够持续改善预测模型的性能。
本公开提供的方法,还适用于上行方向的信号传输。例如,在上行方向中,当需要通信时,接入网设备按一定顺序扫描码本中的候选码字:接入网设备采用码本中的候选码字对应的波束接收来自终端设备的上行信号。接入网设备最后选取接收信号强度最高的上行信号对应的波束作为最优波束,并采用该波束接收来自终端设备的上行数据。
本公开中,接入网设备中可以部署预测模型,可以只根据少量的上行信号,预测接收信号强度最高的上行信号,从而避免需要终端设备发送大量的上行信号,才能确定信号强度最高的上行信号,减少资源开销,降低终端能耗,提高通信效率。
如图12所示,为本公开提供的一种通信方法流程示意图,该方法包括:
可选的,S1200:接入网设备向终端设备发送模式指示信息。
本公开中,终端设备可以采用两种模式发送上行信号,第三模式和第四模式,第三模式也可以称为校验模式,第四模式也可以称为非校验模式。
一种可能的实现方式中,接入网设备可以通过模式指示信息指示终端设备是否进入校验模式。另一种可能的实现方式中,可以由协议约定或者由接入网设备和终端设备通过信令预先约定终端设备进入校验模式的时间段,终端设备在该时间段采用校验模式发送上行信号,在其它时间段采用非校验模式发送上行信号。或者,可以由协议约定或者由接入网设备和终端设备通过信令预先约定终端设备进入非校验模式的时间段,终端设备在该时间段采用非校验模式发送上行信号,在其它时间段采用校验模式发送上行信号。
终端设备采用第一模式发送上行信号前,接入网设备可以通过校验模式信息指示终端设备进入校验模式;终端设备采用第二模式发送下行信号前,接入网设备可以通过校验模式信息指示终端设备进入非校验模式。
如果终端设备进入校验模式,那么终端设备需要在一个发送周期中发送X个上行信号;如果终端设备不进入校验模式,即进入非校验模式,那么终端设备需要在一个发送周期中发送Y个上行信号。
其中,上行信号可以为上行参考信号,具体信号类型,本公开并不限定。X为大于1的整数,Y为小于X且大于0的整数。X的取值可以等于接入网设备中的码本包括的码字数量。为了便于理解,本公开在上行过程和下行过程中均采用X和Y进行描述。实际中,当上行和下行都采用本公开的方法时,上行过程中的X和下行过程中的X的取值可以相同,可以不同,不予限制。类似的,上行过程中的Y和下行过程中的Y的取值可以相同,可以不同,不予限制。其他类似的情况同样适用该规则,不再赘述。
如果终端设备进入非校验模式,那么终端设备在一个发送周期向接入网设备发送Y个上行信号。相应的,接入网设备根据Y个上行信号确定Y个上行测量信息,从而根据Y 个上行测量信息预测最优的上行信号,具体过程不再赘述。
如果终端设备进入校验模式,那么可以执行以下流程:
S1201:终端设备向接入网设备发送X个上行信号。
S1202:接入网设备接收来自终端设备的X个上行信号,并根据X个上行信号确定X个上行测量信息。
接入网设备可以根据一个上行信号获得一个上行测量信息,上行测量信息可以为通过测量该上行信号获得的RSRP,也可以为该上行信号本身,还可以为测量上行信号获得的其他信息。
S1203:接入网设备确定第一上行信号和第二上行信号。
其中,第一上行信号和第二上行信号为X个上行信号中的上行信号,第一上行信号是根据X个上行测量信息中的部分下行测量信息预测出的上行信号,第二上行信号根据X个上行测量信息确定的上行信号。
具体的,第一上行信号为根据第四预测模型的输出确定的上行信号,所述第四预测模型的输入是根据所述X个上行测量信息中的Y个上行测量信息确定的,所述第二上行信号为根据所述X个上行测量信息确定的。
S1204:若第一上行信号和第二上行信号满足第三条件,接入网设备根据Y个上行测量信息和第二上行信号对所述第四预测模型进行训练,获得第五预测模型。
进一步的,接入网设备可以将第四预测模型更新为第五预测模型。
其中,第三条件可以包括以下任一项:
第一上行信号和第二上行信号不是同一个上行信号;
第一上行信号和第二上行信号不是同一个上行信号,且第一上行信号和第二上行信号之间的差异信息大于第三阈值。第三阈值可以为接入网设备配置的,也可以为协议约定的,还可以为终端设备自主确定的。
其中,一种可能的实现方式中,第一上行信号和第二上行信号之间的差异信息为:第一上行信号对应的第一上行测量信息与第二上行信号对应的第二上行测量信息之间的差值的绝对值。
另一种可能的实现方式中,第一上行信号和第二上行信号之间的差异信息为:第一上行信号对应的位置信息与第二上行信号对应的位置信息之间的差值的绝对值。
上述差异信息的具体内容可以参考S707中的描述,在此不再赘述。
S1205:若第一上行信号和第二上行信号满足第二条件,接入网设备保持第四预测模型不变。
其中,第四条件可以包括以下任一项:
第一上行信号和第二上行信号是同一个上行信号;
第一上行信号和第二上行信号不是同一个上行信号,且第一上行信号和第二上行信号之间的差异信息小于或等于第三阈值。
通过上面的方法,通过接入网设备中部署第四预测模型,当由于信道环境变化或者预测模型与信道环境失配等原因,导致接入网设备确定预测到的第一上行信号和根据实际的上行测量信息确定的第二上行信号不一致时,接入网设备从而可以根据第二上行信号以及 Y个上行测量信息对第四预测模型重新进行训练,获得更新后的预测模型,从而能够持续改善预测模型的性能。
上述本申请提供的实施例中,分别从各个设备之间交互的角度对本申请实施例提供的方法进行了介绍。为了实现上述本申请实施例提供的方法中的各功能,接入网设备或终端设备可以包括硬件结构和/或软件模块,以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行,取决于技术方案的特定应用和设计约束条件。
本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
与上述构思相同,如图13所示,本申请实施例还提供一种通信装置1300用于实现上述方法中接入网设备或终端设备的功能。该通信装置的形式不受限,可以是硬件结构、软件模块、或硬件结构加软件模块。例如,该装置可以为软件模块或者芯片***。本申请实施例中,芯片***可以由芯片构成,也可以包含芯片和其他分立器件。该装置1300可以包括:处理单元1301和通信单元1302。
本申请实施例中,通信单元也可以称为收发单元,可以包括发送单元和/或接收单元,分别用于执行上文方法实施例中接入网设备、AI实体或终端设备执行的发送和接收的步骤。
以下,结合图13至图14详细说明本申请实施例提供的通信装置。应理解,装置实施例的描述与方法实施例的描述相互对应,因此,未详细描述的内容可以参见上文方法实施例,为了简洁,这里不再赘述。
通信单元也可以称为收发装置。处理单元也可以称为处理模块、或处理装置等。可选的,可以将通信单元1302中用于实现接收功能的器件视为接收单元,将通信单元1302中用于实现发送功能的器件视为发送单元,即通信单元1302包括接收单元和发送单元。通信单元有时可以实现为管脚、收发机、收发器、或收发电路等。处理单元有时可以实现为处理器、或处理单板等。接收单元有时可以实现为管脚、接收机、接收器或接收电路等。发送单元有时可以实现为管脚、发射机、发射器或者发射电路等。
通信装置1300执行上面实施例中图7所示的流程中终端设备的功能时:
处理单元,用于根据来自接入网设备的X个下行信号确定X个下行测量信息,其中,X为大于1的整数;确定第一下行信号和第二下行信号,其中,第一下行信号和第二下行信号为X个下行信号中的下行信号,第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息中的Y个下行测量信息确定的,第二下行信号为根据X个下行测量信息确定的,Y为小于或等于X且大于0的整数;
通信单元,用于若第一下行信号和第二下行信号满足第一条件,则向接入网设备发送第一信息,第一信息用于指示第二下行信号以及Y个下行测量信息,或者,第一信息用于指示第一预测模型需要更新。
通信装置1300执行上面实施例中图7所示的流程中接入网设备的功能时:
处理单元,用于通过通信单元向终端设备发送X个下行信号,X为大于1的整数;接收来自终端设备的第一信息,第一信息用于指示第二下行信号以及X个下行测量信息中的Y个下行测量信息,或者,第一信息用于指示第一预测模型需要更新;
其中,第二下行信号是根据X个下行测量信息确定的,X个下行测量信息是根据X个下行信号确定的,Y为小于或等于X且大于0的整数。
通信装置1300执行上面实施例中图11所示的流程中接入网设备的功能时:
通信单元,用于向终端设备发送X个下行信号,并接收来自终端设备的X个下行测量信息,其中,X个下行测量信息根据X个下行信号确定,X为大于1的整数;
处理单元,用于确定第一下行信号和第二下行信号,其中,第一下行信号和第二下行信号为X个下行信号中的下行信号,第一下行信号为根据第一预测模型的输出确定的下行信号,第一预测模型的输入是根据X个下行测量信息中的Y个下行测量信息确定的,第二下行信号为根据X个下行测量信息确定的,Y为小于或等于X且大于0的整数;若第一下行信号和第二下行信号满足第一条件,则根据Y个下行测量信息和第二下行信号对第一预测模型进行训练,获得第三预测模型;将第一预测模型更新为第三预测模型。
通信装置1300执行上面实施例中图12所示的流程中接入网设备的功能时:
通信单元,用于接收来自终端设备的X个上行信号,并根据X个上行信号确定X个上行测量信息,X为大于1的整数;
处理单元,用于确定第一上行信号和第二上行信号,其中,第一上行信号和第二上行信号为X个上行信号中的上行信号,第一上行信号为根据第四预测模型的输出确定的上行信号,第四预测模型的输入是根据X个上行测量信息中的Y个上行测量信息确定的,第二上行信号为根据X个上行测量信息确定的,Y为小于X且大于0的整数;若第一上行信号和第二上行信号满足第三条件,则根据Y个上行测量信息和第二上行信号对第四预测模型进行训练,获得第五预测模型;将第四预测模型更新为第五预测模型。
以上只是示例,处理单元1301和通信单元1302还可以执行其他功能,更详细的描述可以参考图7或图11或图12所示的方法实施例中相关描述,这里不加赘述。
如图14所示为本申请实施例提供的通信装置1400,图14所示的装置可以为图13所示的装置的一种硬件电路的实现方式。该通信装置可适用于前面所示出的流程图中,执行上述方法实施例中终端设备或者接入网设备的功能。为了便于说明,图14仅示出了该通信装置的主要部件。
如图14所示,通信装置1400包括处理器1410和接口电路1420。处理器1410和接口电路1420之间相互耦合。可以理解的是,接口电路1420可以为收发器、管脚、接口电路或输入输出接口。可选的,通信装置1400还可以包括存储器1430,用于存储处理器1410 执行的指令或存储处理器1410运行指令所需要的输入数据或存储处理器1410运行指令后产生的数据。可选地,存储器1430的部分或全部可以位于处理器1410中。
当通信装置1400用于实现图7或图11或图12所示的方法时,处理器1410用于实现上述处理单元1301的功能,接口电路1420用于实现上述通信单元1302的功能。
当上述通信装置为应用于终端设备的芯片时,该终端设备芯片实现上述方法实施例中终端设备的功能。该终端设备芯片从终端设备中的其它模块(如射频模块或天线)接收信息,该信息是接入网设备发送给终端设备的;或者,该终端设备芯片向终端设备中的其它模块(如射频模块或天线)发送信息,该信息是终端设备发送给接入网设备的。
当上述通信装置为应用于接入网设备的芯片时,该接入网设备芯片实现上述方法实施例中接入网设备的功能。该接入网设备芯片从接入网设备中的其它模块(如射频模块或天线)接收信息,该信息是终端设备发送给接入网设备的;或者,该接入网设备芯片向接入网设备中的其它模块(如射频模块或天线)发送信息,该信息是接入网设备发送给终端设备的。
如前文所述,图7或图11或图12的方法以接入网设备与终端设备之间交互为例,当AI实***于接入网设备之外,是一个独立的模块或网元时,终端设备或接入网设备可以将第二下行信号以及Y个下行测量信息转发至AI实体,由AI实体根据第二下行信号以及Y 个下行测量信息对第一预测模型进行训练;AI实体可以向终端设备或接入网设备指示训练好的第二预测模型的信息,其他过程都和图7或图11或图12的流程类似。因此,上述关于接入网设备的介绍可以应用于AI实体。
可以理解的是,本公开中的处理器可以是中央处理单元,还可以是其它通用处理器、数字信号处理器、专用集成电路或者其它可编程逻辑器件、晶体管逻辑器件,硬件部件或者其任意组合。通用处理器可以是微处理器,也可以是任何常规的处理器。
本公开中的存储器可以是随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、寄存器、硬盘、移动硬盘或者本领域熟知的任何其它形式的存储介质中。
本领域内的技术人员可以理解,本公开可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (31)
1.一种通信方法,其特征在于,包括:
根据来自接入网设备的X个下行信号确定X个下行测量信息,其中,X为大于1的整数;
确定第一下行信号和第二下行信号,其中,所述第一下行信号和所述第二下行信号为所述X个下行信号中的下行信号,所述第一下行信号为根据第一预测模型的输出确定的下行信号,所述第一预测模型的输入是根据所述X个下行测量信息中的Y个下行测量信息确定的,所述第二下行信号为根据所述X个下行测量信息确定的,Y为小于或等于X且大于0的整数;
若所述第一下行信号和所述第二下行信号满足第一条件,则向所述接入网设备发送第一信息,所述第一信息用于指示所述第二下行信号以及所述Y个下行测量信息,或者,所述第一信息用于指示所述第一预测模型需要更新。
2.根据权利要求1所述的方法,其特征在于,若所述第一下行信号和所述第二下行信号满足第二条件,则向所述接入网设备发送第二信息,所述第二信息用于指示所述第二下行信号,或者,所述第二信息用于指示所述第一预测模型不需要更新。
3.根据权利要求1或2所述的方法,其特征在于,所述第一条件包括:
所述第一下行信号和所述第二下行信号之间的差异信息大于第一阈值。
4.根据权利要求2或3所述的方法,其特征在于,所述第二条件包括:
所述第一下行信号和所述第二下行信号是同一个下行信号,或者,
所述第一下行信号和所述第二下行信号不是同一个下行信号,但所述第一下行信号和所述第二下行信号之间的差异信息小于或等于第一阈值。
5.根据权利要求3或4所述的方法,其特征在于,所述第一下行信号和所述第二下行信号之间的差异信息包括:所述第一下行信号对应的第一下行测量信息与所述第二下行信号对应的第二下行测量信息之间的差值的绝对值。
6.根据权利要求1至5任一所述的方法,其特征在于,所述方法还包括:
根据所述Y个下行测量信息和所述第二下行信号对所述第一预测模型进行训练,获得第二预测模型;
向所述接入网设备发送第三信息,所述第三信息用于指示所述第二预测模型,或者用于指示所述第二预测模型的信息。
7.根据权利要求6所述的方法,其特征在于,所述向所述接入网设备发送第三信息,包括:
所述第二预测模型与所述第一预测模型之间的变化量信息大于或等于第二阈值时,向所述接入网设备发送所述第三信息。
8.根据权利要求6或7所述的方法,其特征在于,所述第二预测模型的信息包括所述第二预测模型与所述第一预测模型之间的变化量信息。
9.根据权利要求1至5任一所述的方法,其特征在于,所述方法还包括:
接收来自所述接入网设备的第四信息,所述第四信息用于指示第三预测模型的信息;
将所述第一预测模型更新为所述第三预测模型。
10.根据权利要求9所述的方法,其特征在于,所述第三预测模型为根据所述Y个下行测量信息和所述第二下行信号对所述第一预测模型进行训练获得的。
11.根据权利要求1至10任一所述的方法,其特征在于,所述第一预测模型与所述接入网设备中配置的预测模型相同。
12.根据权利要求1至11任一所述的方法,其特征在于,所述第一预测模型是协议约定的,或者是所述接入网设备配置的。
13.一种通信方法,其特征在于,包括:
向终端设备发送X个下行信号,X为大于1的整数;
接收来自所述终端设备的第一信息,所述第一信息用于指示第二下行信号以及X个下行测量信息中的Y个下行测量信息,或者,所述第一信息用于指示第一预测模型需要更新;
其中,所述第二下行信号是根据所述X个下行测量信息确定的,所述X个下行测量信息是根据所述X个下行信号确定的,Y为小于或等于X且大于0的整数。
14.根据权利要求13所述的方法,其特征在于,
第一下行信号和所述第二下行信号满足第一条件,所述第一下行信号和所述第二下行信号为所述X个下行信号中的下行信号,所述第一下行信号为根据第一预测模型的输出确定的下行信号,所述第一预测模型的输入是根据所述X个下行测量信息中的Y个下行测量信息确定的。
15.根据权利要求13或14所述的方法,其特征在于,包括:
接收来自所述终端设备的第二信息,所述第二信息用于指示所述第二下行信号,或者,所述第二信息用于指示所述第一预测模型不需要更新。
16.根据权利要求15所述的方法,其特征在于,所述第一下行信号和所述第二下行信号满足第二条件。
17.根据权利要求14所述的方法,其特征在于,所述第一条件包括:
所述第一下行信号和所述第二下行信号之间的差异信息大于第一阈值。
18.根据权利要求16所述的方法,其特征在于,所述第二条件包括:
所述第一下行信号和所述第二下行信号是同一个下行信号,或者,
所述第一下行信号和所述第二下行信号不是同一个下行信号,但所述第一下行信号和所述第二下行信号之间的差异信息小于或等于第一阈值。
19.根据权利要求17或18所述的方法,其特征在于,所述第一下行信号和所述第二下行信号之间的差异信息包括:所述第一下行信号对应的第一下行测量信息与所述第二下行信号对应的第二下行测量信息之间的差值的绝对值。
20.根据权利要求13至19任一所述的方法,其特征在于,所述方法还包括:
根据所述Y个下行测量信息和所述第二下行信号对所述第一预测模型进行训练,获得第三预测模型;
向所述终端设备发送第四信息,所述第四信息用于指示所述第三预测模型,或者用于指示所述第三所述预测模型的信息。
21.根据权利要求20所述的方法,其特征在于,所述第三预测模型的信息包括所述第三预测模型与所述第一预测模型之间的变化量信息。
22.根据权利要求13至19任一所述的方法,其特征在于,所述方法还包括:
接收来自所述终端设备的第三信息,所述第三信息用于指示第二预测模型的信息;
将所述第一预测模型更新为所述第二预测模型。
23.根据权利要求13至22任一所述的方法,其特征在于,所述第一预测模型与所述终端设备中配置的预测模型相同。
24.一种通信方法,其特征在于,包括:
向终端设备发送X个下行信号,并接收来自终端设备的X个下行测量信息,其中,所述X个下行测量信息根据所述X个下行信号确定,X为大于1的整数;
确定第一下行信号和第二下行信号,其中,所述第一下行信号和所述第二下行信号为所述X个下行信号中的下行信号,所述第一下行信号为根据第一预测模型的输出确定的下行信号,所述第一预测模型的输入是根据所述X个下行测量信息中的Y个下行测量信息确定的,所述第二下行信号为根据所述X个下行测量信息确定的,Y为小于或等于X且大于0的整数;
若所述第一下行信号和所述第二下行信号满足第一条件,则根据所述Y个下行测量信息和所述第二下行信号对所述第一预测模型进行训练,获得第三预测模型;
将所述第一预测模型更新为所述第三预测模型。
25.一种通信方法,其特征在于,包括:
接收来自终端设备的X个上行信号,并根据所述X个上行信号确定X个上行测量信息,X为大于1的整数;
确定第一上行信号和第二上行信号,其中,所述第一上行信号和所述第二上行信号为所述X个上行信号中的上行信号,所述第一上行信号为根据第四预测模型的输出确定的上行信号,所述第四预测模型的输入是根据所述X个上行测量信息中的Y个上行测量信息确定的,所述第二上行信号为根据所述X个上行测量信息确定的,Y为小于X且大于0的整数;
若所述第一上行信号和所述第二上行信号满足第三条件,则根据所述Y个上行测量信息和所述第二上行信号对所述第四预测模型进行训练,获得第五预测模型;
将所述第四预测模型更新为所述第五预测模型。
26.一种通信装置,其特征在于,用于实现权利要求1至12中任一项所述的方法。
27.一种通信装置,其特征在于,用于实现权利要求13至25中任一项所述的方法。
28.一种通信装置,其特征在于,包括处理器,所述处理器和存储器耦合;
所述处理器,用于执行所述存储器中存储的计算机程序或指令,使得所述通信装置实现权利要求1至12中任意一项所述的方法。
29.一种通信装置,其特征在于,包括处理器,所述处理器和存储器耦合;
所述处理器,用于执行所述存储器中存储的计算机程序或指令,使得所述通信装置实现权利要求13至25中任意一项所述的方法。
30.一种计算机可读存储介质,其特征在于,存储有计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得所述计算机实现如权利要求1至12中任意一项所述的方法,或者使得所述计算机实现如权利要求13至25中任意一项所述的方法。
31.一种计算机程序产品,其特征在于,包括指令,当所述指令在计算机上运行时,使得所述计算机实现如权利要求1至12中任意一项所述的方法,或者使得所述计算机实现如权利要求13至25中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404979.5A CN116193585A (zh) | 2021-11-24 | 2021-11-24 | 一种通信方法及装置 |
PCT/CN2022/133822 WO2023093777A1 (zh) | 2021-11-24 | 2022-11-23 | 一种通信方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404979.5A CN116193585A (zh) | 2021-11-24 | 2021-11-24 | 一种通信方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116193585A true CN116193585A (zh) | 2023-05-30 |
Family
ID=86442715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111404979.5A Pending CN116193585A (zh) | 2021-11-24 | 2021-11-24 | 一种通信方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116193585A (zh) |
WO (1) | WO2023093777A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111953448B (zh) * | 2019-05-17 | 2024-04-30 | 株式会社Ntt都科摩 | 无线通信***中的终端和基站 |
EP4014166A1 (en) * | 2019-08-14 | 2022-06-22 | Google LLC | Base station-user equipment messaging regarding deep neural networks |
CN112886996A (zh) * | 2019-11-29 | 2021-06-01 | 北京三星通信技术研究有限公司 | 信号接收方法、用户设备、电子设备及计算机存储介质 |
CN113055981A (zh) * | 2019-12-26 | 2021-06-29 | 索尼公司 | 无线通信***中的电子设备、通信方法和存储介质 |
-
2021
- 2021-11-24 CN CN202111404979.5A patent/CN116193585A/zh active Pending
-
2022
- 2022-11-23 WO PCT/CN2022/133822 patent/WO2023093777A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023093777A1 (zh) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112054863B (zh) | 一种通信方法及装置 | |
Huang et al. | True-data testbed for 5G/B5G intelligent network | |
US20240211770A1 (en) | Communication method and apparatus | |
CN116419257A (zh) | 一种通信方法及装置 | |
WO2023098860A1 (zh) | 通信方法和通信装置 | |
WO2023093777A1 (zh) | 一种通信方法及装置 | |
CN116436551A (zh) | 信道信息传输方法及装置 | |
Yerrapragada et al. | An IoT self organizing network for 5G dense network interference alignment | |
WO2023093725A1 (zh) | 一种校准方法及装置 | |
KR20240114286A (ko) | 통신 방법 및 장치 | |
KR102547010B1 (ko) | 무선 통신 시스템에서의 다중 연결 제어 방법 및 장치 | |
WO2024109682A9 (zh) | 一种用于定位的方法及装置 | |
WO2023125996A1 (zh) | 一种上行预编码方法及装置 | |
WO2023016503A1 (zh) | 一种通信方法及装置 | |
CN116418686A (zh) | 模型的数据处理方法及装置 | |
CN116260552A (zh) | 一种csi发送和接收方法及装置 | |
WO2024051789A1 (zh) | 一种波束管理方法 | |
KR20240117116A (ko) | 통신 방법 및 통신 장치 | |
CN115827337A (zh) | 一种模型测试方法及装置 | |
CN117220728A (zh) | 一种模型应用方法及装置 | |
KR20240024775A (ko) | 무선 통신 시스템에서 반사판을 통해 신호를 전송하는방법 및 장치 | |
CN116801269A (zh) | 通信方法与通信装置 | |
CN116055012A (zh) | 一种通信方法及装置 | |
CN117220737A (zh) | 一种通信方法及装置 | |
Rodrigues | Efficient receivers for cellular massive mimo systems and random access in cell-free networks. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |