CN116458103A - 一种神经网络的训练方法以及相关装置 - Google Patents

一种神经网络的训练方法以及相关装置 Download PDF

Info

Publication number
CN116458103A
CN116458103A CN202080107089.5A CN202080107089A CN116458103A CN 116458103 A CN116458103 A CN 116458103A CN 202080107089 A CN202080107089 A CN 202080107089A CN 116458103 A CN116458103 A CN 116458103A
Authority
CN
China
Prior art keywords
neural network
information
network
channel
reference 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
Application number
CN202080107089.5A
Other languages
English (en)
Inventor
孙琰
吴艺群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN116458103A publication Critical patent/CN116458103A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • 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
    • H04B7/0619—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 using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • 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
    • H04B7/0619—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 using feedback from receiving side
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2626—Arrangements specific to the transmitter only
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • 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
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • 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
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • H04L5/0051—Allocation of pilot signals, i.e. of signals known to the receiver of dedicated pilots, i.e. pilots destined for a single user or terminal
    • 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
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
    • H04L5/0057—Physical resource allocation for CQI

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种神经网络的训练方法以及相关装置，该方法包括：第一设备从第二设备接收第一信道样本信息；第一设备确定第一神经网络，第一神经网络是根据第一信道样本信息训练得到的，第一神经网络用于根据第一信道样本信息推理得到第二信道样本信息。通过该方法，可以有效减小空口信令开销，同时能适配所处信道环境，提升通信性能。

Description

一种神经网络的训练方法以及相关装置 技术领域
本申请涉及通信技术领域，尤其涉及一种神经网络的训练方法以及相关装置。
背景技术
无线通信***可以包括三部分：发送端(transmitter)、信道(channel)和接收端(receiver)。信道用于传输发送端与接收端之间交互的信号。示例性的，发送端可以是接入网设备，例如：基站(base station，BS)，接收端可以是终端设备。再示例性的，发送端可以是终端设备，接收端可以是接入网设备。
为了优化通信***的性能，可以对上述发送端与接收端进行优化。发送端和接收端均可以有独立的数学模型，因此，通常是基于各自的数学模型进行独立优化。例如可以使用数学信道模型产生信道样本以优化发送端和接收端。
由于数学信道模型是非理想化和非线性的，因此采用协议定义的数学信道模型产生的信道样本难以反映真实的实际信道环境。而发送端和接收端之间传输大量的实际的信道样本时，又会占用过多的空口资源，影响数据的传输效率。
发明内容
本申请实施例第一方面提供了一种神经网络的训练方法，包括：
第一设备从第二设备接收第一信道样本信息；第一设备确定第一神经网络，第一神经网络是根据第一信道样本信息训练得到的，第一神经网络用于推理得到第二信道样本信息。
可选的，以第一设备为接入网设备，第二设备为终端设备为例进行说明。可以理解的是，第一设备可以是接入网设备、用于接入网设备中的芯片或用于接入网设备中的电路等，第二设备可以是终端设备、用于终端设备中的芯片或用于终端设备中的电路等。
一种可能的设计中，该方法包括：第一设备根据第一信道样本信息训练得到第一神经网络。第一神经网络用于生成新的信道样本信息，例如第二信道样本信息。
一种可能的设计中，该方法包括：第一设备从第三设备接收第一神经网络的信息，根据第一神经网络的信息确定第一神经网络。第一神经网络是第三设备根据第一信道样本信息训练得到的。
该方法中，可以根据第一信道样本信息，训练得到第一神经网络。该第一神经网络用于推理得到第二信道样本信息。通过该方法，可以有效减小传输信道样本信息时的空口信令开销。
一种可能的设计中，第二信道样本信息用于训练第二神经网络和/或第三神经网络，所述第二神经网络和/或所述第三神经网络用于所述第一设备与所述第二设备传输目标信息。
一种可能的设计中，该方法包括：第一设备根据该第二信道样本信息，或者根据该第二信道样本信息和第一信道样本信息，训练第二神经网络和/或第三神经网络，第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。
一种可能的设计中，该方法包括：第一设备从第三设备接收第二神经网络的信息和/ 或第三神经网络的信息，第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。第二神经网络和/或第三神经网络是第三设备根据第二信道样本信息，或者根据该第二信道样本信息和第一信道样本信息训练得到的。
通过该方法，可以有效减小空口信令开销，同时能适配所处信道环境，训练得到的第二神经网络与第三神经网络更贴近实际信道环境，提升通信性能。训练第二神经网络与第三神经网络的速度也得到大幅度提升。
一种可能的设计中，该方法还包括：第一设备向第二设备发送第一参考信号。可选的，第一参考信号包括解调参考信号DMRS或者信道状态信息参考信号CSI-RS。可选的，第一参考信号的序列类型包括ZC序列或Glod序列。
一种可能的设计中，该第一信道样本信息包括但不限于第二参考信号和/或信道状态信息(channel state information，CSI)。第二参考信号为经过信道传播的第一参考信号，或者描述为第二参考信号为第二设备从第一设备接收到的第一参考信号。
一种可能的设计中，第一神经网络的信息包括：第一神经网络相对参考神经网络的模型变化量。
一种可能的设计中，第一神经网络的信息包括以下一项或多项：神经网络的权值、神经元的激活函数、神经网络中每层神经元的个数、神经网络的层间级联关系，和神经网络中每层的网络类型。
一种可能的设计中，第一神经网络为生成型神经网络。可选的，第一神经网络为生成对抗网络(Generative Adversarial Network，GAN)或变分自编码器(Variational Auto encoder,VAE)。
通过该方法，可以得到与第一信道样本信息同分布或具有相似分布的第二信道样本信息，使得第二信道样本信息更加贴近实际信道环境。
一种可能的设计中，该方法还包括：第一设备从第二设备接收第二设备的能力信息。该能力信息用于指示以下信息中的一项或多项：
1)第二设备是否支持利用神经网络代替或实现通信模块的功能；
该通信模块包括但不限于：OFDM调制模块、OFDM解调模块、星座映射模块、星座解映射模块、信道编码模块、信道译码模块、预编码模块、均衡模块、交织模块和/或解交织模块。
2)第二设备是否支持第三神经网络的网络类型；
3)第二设备是否支持通过信令接收第三神经网络的信息；
4)第二设备存储的参考神经网络；
5)第二设备可用于存储第三神经网络的内存空间；和，
6)第二设备可用于运行神经网络的算力信息。
通过该方法，第一设备可以接收第二设备发送的能力信息。该能力信息用于向第一设备通知第二设备的相关信息，第一设备可以根据该能力信息进行关于第三神经网络的操作，以确保第二设备可以正常使用该第三神经网络。
一种可能的设计中，该方法还包括：第一设备向第二设备发送第三神经网络的信息。
本实施例中，当第一设备训练完成第三神经网络后，第一设备向第二设备发送第三神经网络的信息。该第三神经网络的信息包括但不限于：神经网络的权值、神经元的激活函数、神经网络中每层神经元的个数、神经网络的层间级联关系，和/或神经网络中每层的网络类型。示例性的，该第三神经网络的信息中可以针对不同的神经元指示不同的激活函数。
一种可能的设计中，当第二设备中预配置(或预定义)了第三神经网络时，该第三神经网络的信息还可以是第三神经网络的模型变化量。该模型变化量包括但不限于：发生变化的神经网络的权值、发生变化的激活函数、发生变化的神经网络中一层或多层神经元的个数、发生变化的神经网络的层间级联关系，和/或发生变化的神经网络中一层或多层的网络类型。示例性的，该预配置可以是接入网络设备通过信令预先配置，该预定义可以是协议预先定义，例如：协议预先定义终端设备中的第三神经网络为神经网络A。
本申请实施例中，第三神经网络的信息可以有多种实现方案，提升了方案的实现灵活性。
第二方面，本申请实施例面提供了一种神经网络的训练方法，包括：第二设备根据从第一设备接收到的第一参考信号进行信道估计，确定第一信道样本信息；第二设备向第一设备发送第一信道样本信息；第二设备从第一设备接收第三神经网络的信息，第三神经网络用于第二设备与第一设备传输目标信息。
在一种可能的设计中，该方法还包括：第二设备向第一设备发送第二设备的能力信息。
关于第一信道样本信息、第三神经网的信息、以及第二设备的能力信息等的介绍请参见第一方面，此处不予赘述。
第三方面，本申请实施例提出一种神经网络的训练方法，包括：
第一设备向第二设备发送第一参考信号；第一设备从第二设备接收第一神经网络的信息；所述第一神经网络用于推理得到第二信道样本信息。
该方法中，第二设备(例如终端设备)根据该第一信道样本信息，训练得到第一神经网络。该第一神经网络用于推理得到第二信道样本信息。通过该方法，可以有效减小传输信道样本信息时的空口信令开销。
一种可能的设计中，第二信道样本信息用于训练第二神经网络和/或第三神经网络，所述第二神经网络和/或所述第三神经网络用于所述第一设备与所述第二设备传输目标信息。
一种可能的设计中，该方法包括：第一设备根据该第二信道样本信息，或者根据该第二信道样本信息和第一信道样本信息，训练第二神经网络和/或第三神经网络，第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。
一种可能的设计中，该方法包括：第一设备从第三设备接收第二神经网络的信息和/或第三神经网络的信息，第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。第二神经网络和/或第三神经网络是第三设备根据第二信道样本信息，或者根据该第二信道样本信息和第一信道样本信息训练得到的。
通过该方法，可以有效减小空口信令开销，同时能适配所处信道环境，训练得到的第二神经网络与第三神经网络更贴近实际信道环境，提升通信性能。训练第二神经网络与第三神经网络的速度也得到大幅度提升。
具体的，第一参考信号、第一神经网络、第一神经网络的信息、第二神经网络和/或第三神经网络等的介绍可以参见第一方面，不予赘述。
一种可能的设计中，该方法还包括：第一设备向第二设备发送第三神经网络的信息。
具体的，第三神经网络的信息的介绍可以参见第一方面，不予赘述。
一种可能的设计中，该方法还包括：
第一设备从第二设备接收能力信息，能力信息用于指示第二设备的以下信息中的一项或多项：
1)是否支持利用神经网络代替或实现通信模块的功能；
2)是否支持第一神经网络的网络类型；
3)是否支持第三神经网络的网络类型；
4)是否支持通过信令接收参考神经网络的信息，所述参考神经网络用于训练所述第一神经网络；
5)是否支持通过信令接收第三神经网络的信息；
6)存储的参考神经网络；
7)可用于存储第一神经网络和/或第三神经网络的内存空间；
8)可用于运行神经网络的算力信息；和，
9)第二设备的位置信息。
第四方面，本申请实施例提出一种神经网络的训练方法，包括：
第二设备根据从第一设备接收的第一参考信号进行信道估计，确定第一信道样本信息；第二设备确定第一神经网络，第一神经网络是根据第一信道样本信息训练得到的；第二设备向第一设备发送第一神经网络的信息。
具体的，第一参考信号、第一神经网络、第一信道样本信息、和第一神经网络的信息等的介绍可以参见第三方面，不予赘述。
一种可能的设计中，该方法还包括：
第二设备从第一设备接收第三神经网络的信息。该第三神经网络的信息请参阅第三方面，此处不作赘述。
一种可能的设计中，该方法还包括：第二设备向第一设备发送能力信息。能力信息请参阅第三方面，此处不作赘述。
第五方面，本申请实施例提出一种神经网络的训练方法，包括：第三设备从第一设备接收第一信道样本信息；所述第三设备根据所述第一信道样本信息训练得到第一神经网络，所述第一神经网络用于推理得到第二信道样本信息。
一种可能的设计中，所述方法还包括：根据所述第二信道样本信息训练第二神经网络和/或第三神经网络，向所述第一设备发送所述第二神经网络和/或所述第三神经网络的信息，所述第二神经网络和/或所述第三神经网络用于所述第一设备与第二设备传输目标信息。
第六方面，提供一种装置，该装置可以是接入网设备，也可以是接入网设备中的装置，或者是能够和接入网设备匹配使用的装置。
一种可能的设计中，该装置可以包括执行第一方面中所描述的方法/操作/步骤/动作所 一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置可以包括处理模块和收发模块。示例性地，
收发模块用于从第二设备接收第一信道样本信息；
处理模块用于确定第一神经网络，第一神经网络是根据第一信道样本信息训练得到的，第一神经网络用于推理得到第二信道样本信息。
关于第一神经网络、第一信道样本信息、第二信道样本信息以及其他操作的介绍请参见第一方面，此处不予赘述。
一种可能的设计中，该装置可以包括执行第三方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置可以包括处理模块和收发模块。示例性地，
收发模块用于向第二设备发送第一参考信号；以及从第二设备接收第一神经网络的信息；所述第一神经网络用于推理得到第二信道样本信息。
关于第一神经网络、第一信道样本信息、第二信道样本信息以及其他操作的介绍请参见第三方面，此处不予赘述。
第七方面，提供一种装置，该装置可以是终端设备，也可以是终端设备中的装置，或者是能够和终端设备匹配使用的装置。
一种可能的设计中，该装置可以包括执行第二方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置可以包括处理模块和收发模块。示例性地，
处理模块，用于根据从第一设备接收到的第一参考信号进行信道估计，确定第一信道样本信息；
收发模块，用于向第一设备发送第一信道样本信息；
收发模块，还用于从第一设备接收第三神经网络的信息，第三神经网络用于第二设备与第一设备传输目标信息。
关于第一参考信号、第一信道样本信息、第三神经网络、以及其他操作的介绍请参见第二方面，此处不予赘述。
一种可能的设计中，该装置可以包括执行第四方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置可以包括处理模块和收发模块。示例性地，
处理模块，用于根据从第一设备接收的第一参考信号进行信道估计，确定第一信道样本信息；
处理模块还用于确定第一神经网络，第一神经网络是根据第一信道样本信息训练得到的；
收发模块用于向第一设备发送第一神经网络的信息。
关于第一参考信号、第一信道样本信息、第一神经网络、以及其他操作的介绍请参见第四方面，此处不予赘述。
第八方面，提供一种装置，该装置可以是AI节点，也可以是AI节点中的装置，或者 是能够和AI节点匹配使用的装置。
一种可能的设计中，该装置可以包括执行第五方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置可以包括处理模块和收发模块。示例性地，
收发模块用于从第一设备接收第一信道样本信息；
处理模块用于根据所述第一信道样本信息训练得到第一神经网络，所述第一神经网络用于推理得到第二信道样本信息。
一种可能的设计中，所述处理模块还用于根据所述第二信道样本信息训练第二神经网络和/或第三神经网络；所述收发模块还用于向所述第一设备发送所述第二神经网络和/或所述第三神经网络的信息，所述第二神经网络和/或所述第三神经网络用于所述第一设备与第二设备传输目标信息。
第九方面，本申请实施例提供一种装置。
一种可能的设计中，所述装置包括处理器，用于实现上述第一方面描述的方法。所述装置还可以包括存储器，用于存储指令和数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的指令时，可以实现上述第一方面描述的方法。所述装置还可以包括通信接口，所述通信接口用于该装置与其它设备进行通信，示例性的，通信接口可以是收发器、电路、总线、模块或其它类型的通信接口。在一种可能的设计中，该装置包括：
存储器，用于存储程序指令；
处理器，用于利用通信接口，从第二设备接收第一信道样本信息；
所述处理器还用于确定第一神经网络，第一神经网络是根据第一信道样本信息训练得到的，第一神经网络用于推理得到第二信道样本信息。
关于第一神经网络、第一信道样本信息、第二信道样本信息以及其他操作的介绍请参见第一方面，此处不予赘述。
一种可能的设计中，所述装置包括处理器，用于实现上述第三方面描述的方法。所述装置还可以包括存储器，用于存储指令和数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的指令时，可以实现上述第三方面描述的方法。所述装置还可以包括通信接口，所述通信接口用于该装置与其它设备进行通信，示例性的，通信接口可以是收发器、电路、总线、模块或其它类型的通信接口。在一种可能的设计中，该装置包括：
存储器，用于存储程序指令；
处理器，用于利用通信接口，向第二设备发送第一参考信号；以及从第二设备接收第一神经网络的信息；所述第一神经网络用于推理得到第二信道样本信息。
关于第一神经网络、第一信道样本信息、第二信道样本信息以及其他操作的介绍请参见第三方面，此处不予赘述。
第十方面，本申请实施例提供一种装置。
一种可能的设计中，所述装置包括处理器，用于实现上述第二方面描述的方法。所述装置还可以包括存储器，用于存储指令和数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的指令时，可以实现上述第二方面描述的方法。所述装置还可以 包括通信接口，所述通信接口用于该装置与其它设备进行通信，示例性的，通信接口可以是收发器、电路、总线、模块或其它类型的通信接口。在一种可能的设计中，该装置包括：
存储器，用于存储程序指令；
处理器，用于利用通信接口，根据从第一设备接收到的第一参考信号进行信道估计，确定第一信道样本信息，向第一设备发送第一信道样本信息，以及从第一设备接收第三神经网络的信息，第三神经网络用于第二设备与第一设备传输目标信息。
关于第一参考信号、第一信道样本信息、第三神经网络、以及其他操作的介绍请参见第二方面，此处不予赘述。
一种可能的设计中，所述装置包括处理器，用于实现上述第四方面描述的方法。所述装置还可以包括存储器，用于存储指令和数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的指令时，可以实现上述第四方面描述的方法。所述装置还可以包括通信接口，所述通信接口用于该装置与其它设备进行通信，示例性的，通信接口可以是收发器、电路、总线、模块或其它类型的通信接口。在一种可能的设计中，该装置包括：
存储器，用于存储程序指令；
处理器，用于利用通信接口，根据从第一设备接收到的第一参考信号进行信道估计，确定第一信道样本信息，确定第一神经网络并向第一设备发送第一神经网络的信息，第一神经网络是根据第一信道样本信息训练得到的；
关于第一参考信号、第一信道样本信息、第一神经网络、以及其他操作的介绍请参见第四方面，此处不予赘述。
第十一方面，本申请实施例提供一种装置。所述装置包括处理器，用于实现上述第五方面描述的方法。所述装置还可以包括存储器，用于存储指令和数据。所述存储器与所述处理器耦合，所述处理器执行所述存储器中存储的指令时，可以实现上述第五方面描述的方法。所述装置还可以包括通信接口，所述通信接口用于该装置与其它设备进行通信，示例性的，通信接口可以是收发器、电路、总线、模块或其它类型的通信接口。在一种可能的设计中，该装置包括：
存储器，用于存储程序指令；
处理器，用于利用通信接口，从第一设备接收第一信道样本信息，根据所述第一信道样本信息训练得到第一神经网络，所述第一神经网络用于推理得到第二信道样本信息。
一种可能的设计中，所述处理器还用于根据所述第二信道样本信息训练第二神经网络和/或第三神经网络；所述处理器还利用所述通信接口向所述第一设备发送所述第二神经网络和/或所述第三神经网络的信息，所述第二神经网络和/或所述第三神经网络用于所述第一设备与第二设备传输目标信息。
第十二方面，本申请实施例还提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行第一方面至第五方面中的任一方法。
第十三方面，本申请实施例还提供一种计算机程序产品，包括指令，当其在计算机上运行时，使得计算机执行第一方面至第五方面中的任一方法。
第十四方面，本申请实施例提供了一种芯片***，该芯片***包括处理器，还可以包 括存储器，用于实现上述第一方面至第五方面中的任一方法。该芯片***可以由芯片构成，也可以包含芯片和其他分立器件。
第十五方面，本申请实施例还提供一种通信***，该通信***中包括：
第六方面的装置和第七方面的装置；
第六方面的装置、第七方面的装置和第八方面的装置；
第九方面的装置和第十方面的装置；
第九方面的装置、第十方面的装置和第十一方面的装置。
附图说明
图1为本申请实施例提供的网络架构示意图；
图2为本申请实施例提供的通信装置的硬件结构示意图；
图3为本申请实施例提供的神经元结构示意图；
图4为本申请实施例提供的神经网络的层关系示意图；
图5为本申请实施例提供的卷积神经网络CNN示意图；
图6为本申请实施例提供的前馈神经网络RNN示意图；
图7为本申请实施例提供的生成对抗网络GAN的示意图；
图8为本申请实施例提供的变分自编码器的示意图；
图9为本申请实施例提供的收发联合优化星座调制/解调的神经网络架构示意图；
图10-图12为本申请实施例提供的神经网络的训练方法的流程示意图；
图13为本申请实施例提供的第一神经网络的一种生成器网络的结构示意图；
图14为本申请实施例提供的第一神经网络的一种判别器网络的结构示意图；
图15a为本申请实施例提供的第一神经网络的一种生成器网络结构示意图；
图15b为本申请实施例提供的第一神经网络的一种判别器网络结构示意图；
图16a和图16b为本申请实施例提供的的网络结构示意图；
图17为本申请实施例提供的一种通信装置示意图。
具体实施方式
在无线通信***中，包括通信设备，通信设备间可以利用无线资源进行无线通信。其中，通信设备可以包括接入网设备和终端设备，接入网设备还可以称为接入侧设备。无线资源可以包括链路资源和/或空口资源。空口资源可以包括时域资源、频域资源、码资源和空间资源中至少一种。在本申请实施例中，至少一种(个)还可以描述为一种(个)或多种(个))，多种(个)可以是两种(个)、三种(个)、四种(个)或者更多种(个)，本申请不做限制。
在本申请实施例中，“/”可以表示前后关联的对象是一种“或”的关系，例如，A/B可以表示A或B；“和/或”可以用于描述关联对象存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。为了便于描述本申请实施例的技术方案，在本申请实施例中，可以采用“第一”、“第二”等字样对功能相同或相似的技术特征进行区分。该“第一”、“第二”等字样并不对数 量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。在本申请实施例中，“示例性的”或者“例如”等词用于表示例子、例证或说明，被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
如图1所示，为本申请实施例适用的网络架构示意图。本申请实施例中的通信***，可以是包括接入网设备(如图1所示的基站)与终端设备的***，也可以是包括两个或两个以上的终端设备的***。该通信***中，接入网设备可以向终端设备发送配置信息，终端设备根据配置信息进行相应配置。接入网设备可以向终端设备发送下行数据，和/或终端设备可以向接入网设备发送上行数据。在包括两个或两个以上的终端设备的通信***(如车联网)中，终端设备1可以向终端设备2发送配置信息，终端设备2根据配置信息进行相应配置，终端设备1可以向终端设备2发送数据，终端设备2也可以向终端设备1发送数据。可选地，图1所示的通信***中，接入网设备可以实现以下人工智能(artificial intelligence，AI)功能中的一种或多种：模型训练、和推理。可选地，图1所示的通信***中，网络侧可以包括独立于接入网设备的节点，用于实现以下AI功能中的一种或多种：模型训练、和推理。该节点可以称为AI节点、模型训练节点、推理节点、无线智能控制器、或其他名称，不予限制。示例性地，可以由接入网设备实现模型训练功能和推理功能；或者，可以由AI节点实现模型训练功能和推理功能；或者，可以由AI节点实现模型训练功能，并将模型的信息发送给接入网设备，由接入网设备实现推理功能。可选地，如果AI节点实现推理功能，AI节点可以将推理结果发送给接入网设备以供接入网设备使用，和/或AI节点可以通过接入网设备将推理结果发送给终端设备以供终端设备使用；如果是接入网设备实现推理功能，接入网设备可以使用推理结果，或者将推理结果发送给终端设备以供终端网设备使用。如果AI节点用于实现模型训练功能和推理功能，AI节点可以分离为两个节点，其中一个节点实现模型训练功能，另一个节点实现推理功能。
本申请实施例不限制所涉及的通信***中的网元的具体个数。
本申请实施例涉及到的终端设备还可以称为终端或接入终端，可以是一种具有无线收发功能的设备。该终端设备可以经接入网设备与一个或多个核心网(core network，CN)进行通信。终端设备可以是用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、用户设备(user equipment，UE)、用户代理或用户装置等。终端设备可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上(如轮船等)；还可以部署在空中(例如飞机、气球和卫星上等)。终端设备可以是蜂窝电话(cellular phone)、无绳电话、会话启动协议(session initiation protocol，SIP)电话、智能电话(smart phone)、手机(mobile phone)、无线本地环路(wireless local loop，WLL)站、个人数字处理(personal digital assistant，PDA)。终端设备也可以是具有无线通信功能的手持设备、计算设备或其它设备、车载设备、可穿戴设备、无人机设备、物联网或车联网中的终端、第五代(fifth generation，5G)移动通信网络中的终端、中继用户设备或者未来演进的移动通信网络(中的终端等。其中，中继用户设备例如可以是5G家庭网关(residential gateway，RG)。再例如，终端设备可以是虚拟现实(virtual reality，VR) 终端、增强现实(augmented reality，AR)终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、或智慧家庭(smart home)中的无线终端等。本申请实施例对此并不限定。本申请实施例中，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***，该装置可以被安装在终端中或者和终端匹配使用。本申请实施例中，芯片***可以由芯片构成，也可以包括芯片和其他分立器件。
接入网设备可以看作是运营商网络的子网络，是运营商网络中业务节点与终端设备之间的实施***。终端设备要接入运营商网络，可以先经过接入网设备，进而可通过接入网设备与运营商网络的业务节点连接。本申请实施例中的接入网设备，是位于(无线)接入网((radio)access network，(R)AN)中，能够为终端设备提供无线通信功能的设备。接入网设备包括基站，例如包括但不限于：5G***中的下一代节点B(next generation node B，gNB)、长期演进(long term evolution，LTE)***中的演进型节点B(evolved node B，eNB)、无线网络控制器(radio network controller，RNC)、节点B(node B，NB)、基站控制器(base station controller，BSC)、基站收发台(base transceiver station，BTS)、家庭基站(例如，home evolved nodeB，或home node B，HNB)、基带单元(base band unit，BBU)、传输点(transmitting and receiving point，TRP)、发射点(transmitting point，TP)、小基站设备(pico)、移动交换中心，或者未来网络中的接入网设备等。采用不同无线接入技术的***中，具备接入网设备功能的设备的名称可能会有所不同。本申请实施例中，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。
本申请实施例提供的技术方案可以应用于各种通信***，例如：LTE***、5G***、无线保真(wireless-fidelity，WiFi)***、未来的第六代移动通信***、或者多种通信***融合的***等，本申请实施例不做限定。其中，5G还可以称为新无线(new radio,NR)。
本申请实施例提供的技术方案可以应用于各种通信场景，例如可以应用于以下通信场景中的一种或多种：增强移动宽带(enhance mobile broadband，eMBB)通信、超可靠低时延通信(ultra-reliable low-latency communication，URLLC)、机器类型通信(machine type communication，MTC)、大规模机器类型通信(massive machine-type communications，mMTC)、设备到设备(device-to-device，D2D)通信、车辆外联(vehicle to everything，V2X)通信、车辆到车辆(vehicle to vehicle，V2V)通信、和物联网(internet of things，IoT)等。在本申请实施例中，术语“通信”还可以描述为“传输”、“信息传输”、“数据传输”、或“信号传输”等。传输可以包括发送和/或接收。本申请实施例中，以接入网设备和终端设备间的通信为例描述技术方案。本领域技术人员也可以将该技术方案用于进行其它调度实体和从属实体间的通信，例如宏基站和微基站之间的通信，和/或终端设备1和终端设备2间的通信等。
此外，本申请描述的网络架构以及业务场景是为了更加清楚的说明本申请的技术方案，并不构成对本申请提供的技术方案的限定，本领域技术人员可知，随着网络架构的演变和新业务场景的出现，本申请提供的技术方案对于类似的技术问题，同样适用。
图2为本申请实施例中通信装置的硬件结构示意图。该通信装置可以是本申请实施例中的AI节点、接入网设备或终端设备的一种可能的实现方式。该通信装置可以是AI节点，可以是AI节点中的装置，或者可以是能和AI节点匹配使用的装置。该通信装置可以是接入网设备，可以是接入网设备中的装置，或者可以是能和接入网设备匹配使用的装置。该通信装置可以是终端设备，可以是终端设备中的装置，或者可以是能和终端设备匹配使用的装置。其中，该装置可以为芯片***。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。本申请实施例中的连接是装置、单元或模块之间的间接耦合或通信连接，可以是电性，机械或其它的形式，用于装置、单元或模块之间的信息交互。
如图2所示，通信装置包括至少一个处理器204，用于实现本申请实施例提供的技术方案。可选地，该通信装置还可以包括存储器203。存储器203用于存储指令2031和/或数据2032。存储器203和处理器204连接。处理器204可以和存储器203协同操作。处理器204可能执行存储器203中存储的指令，用于实现本申请实施例提供的技术方案。该通信装置还可以包括收发器202，用于接收和/或发送信号。可选的，该通信装置还可以包括以下一项或多项：天线206，I/O(输入/输出，Input/Output)接口210和总线212。收发器202进一步包括发射器2021和接收器2022。处理器204，收发器202，存储器203和I/O接口210通过总线212彼此通信连接，天线206与收发器202相连。总线212可以包括地址总线、数据总线和/或控制总线等，图2中仅用一条粗线表示总线212，但并不表示总线212仅有一根总线或一种类型的总线。
处理器204可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列和/或其他可编程逻辑器件，例如：分立门或者晶体管逻辑器件和/或分立硬件组件。通用处理器可以是微处理器或者任何常规的处理器等。处理器204可以实现或者执行本申请实施例公开的各方法、步骤及逻辑框图。结合本申请实施例所公开的方法的步骤可以体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。示例性的，处理器204可以是中央处理器(Central Processing Unit，CPU)，也可以是专用处理器，例如但不限于，数字信号处理器(Digital Signal Processor，DSP)，应用专用集成电路(Application Specific Integrated Circuit，ASIC)和/或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。该处理器204还可以是神经网络处理单元(neural processing unit，NPU)。此外，处理器204还可以是多个处理器的组合。在本申请实施例提供的技术方案中，处理器204可以用于执行后续方法实施例中的相关步骤。处理器204可以是专门设计用于执行上述步骤和/或操作的处理器，也可以是通过读取并执行存储器203中存储的指令2031来执行上述步骤和/或操作的处理器，处理器204在执行上述步骤和/或操作的过程中可能需要用到数据2032。
收发器202包括发射器2021和接收器2022，在一种可选的实现方式中，发射器2021用于通过天线206之中的至少一根天线发送信号。接收器2022用于通过天线206之中的至 少一根天线第二参考信号。
在本申请实施例中，收发器202用于支持通信装置执行接收功能和发送功能。将具有处理功能的处理器视为处理器204。接收器2022也可以称为输入口、接收电路、接收总线或其它实现接收功能的装置等，发射器2021可以称为发射口、发射电路、发射总线或其它实现发射功能的装置等。收发器202也可以称为通信接口。
处理器204可用于执行该存储器203存储的指令，例如以控制收发器202接收消息和/或发送消息，完成本申请方法实施例中通信装置的功能。作为一种实现方式，收发器202的功能可以考虑通过收发电路或者收发专用芯片实现。本申请实施例中，收发器202接收消息可以理解为收发器202输入消息，收发器202发送消息可以理解为收发器202输出消息。
存储器203可以是非易失性存储器，比如硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)等，或者可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码、并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。存储器203具体用于存储指令2031和数据2032，处理器204可以通过读取并执行存储器203中存储的指令2031，来执行本申请方法实施例中的步骤和/或操作，在执行本申请方法实施例中操作和/或步骤的过程中可能需要用到数据2032。
可选的，该通信装置还可以包括I/O接口210，该I/O接口210用于接收来自***设备的指令和/或数据，以及向***设备输出指令和/或数据。
接下来，介绍本申请实施例涉及的一些概念：
机器学习(machine learning，ML)在近年来引起了学术界和工业界的广泛关注。由于机器学习在面对结构化信息与海量数据时的巨大优势，诸多通信领域的研究者也将目光投向机器学习。基于机器学习的通信技术在信号分类、信道估计、和/或性能优化等方面有着巨大的潜力。大多数通信***都是逐块设计的，这意味着这些通信***由多个模块组成。对于这种基于模块设计的通信体系结构，可以开发许多技术来优化每个模块的性能。但是每个模块的性能达到最佳，并不一定意味着整个通信***的性能达到最佳。端到端优化(即优化整个通信***)可能优于优化单个模型。机器学习为实现端到端性能尽可能地最大化提供了一种先进且强力的工具。在无线通信***中，在复杂、大规模的通信场景下，信道状况变化迅速。许多传统的通信模型，如大规模多输入多输出(multiple input multiple output，MIMO)模型严重依赖信道状态信息，这些模型的性能在非线性时变信道下会发生恶化。因此，准确获取时变信道的信道状态信息(channel state information，CSI)对***性能至关重要。通过利用机器学习技术，有可能使通信***可以学习突变的信道模型，并及时反馈信道状态。
基于上述考虑，在无线通信中使用机器学习技术，可以适应未来无线通信场景中的新需求。
机器学习是实现人工智能的一种重要技术途径。机器学习可以包括监督学习、无监督 学习、和强化学习。
监督学习依据已采集到的样本值和样本标签，利用机器学习算法学习样本值到样本标签的映射关系，并用机器学习模型来表达学到的映射关系。其中，样本标签还可以简称为标签。训练机器学习模型的过程就是学习这种映射关系的过程。如信号检测中，含噪声的接收信号即为样本，该信号对应的真实星座点即为标签，机器学习期望通过训练学到样本值与标签之间的映射关系，即，使机器学习模型学到一种信号检测器。在训练时，通过计算模型的预测值与真实标签的误差来优化模型参数。映射关系学习完成后，可以利用学到的映射来预测新的样本的样本标签。监督学习学到的映射关系可以包括线性映射、或非线性映射。根据标签的类型可将学习的任务分为分类任务和回归任务。
无监督学习依据采集到的样本值，利用算法自行发掘样本的内在模式。无监督学习中有一类算法将样本自身作为监督信号，即模型学习从样本到样本的映射关系，也称为自监督学习。训练时，通过计算模型的预测值与样本本身之间的误差来优化模型参数。例如，自监督学习可用于信号压缩及解压恢复的应用，常见的算法包括自编码器和对抗生成网络等。
强化学习不同于监督学习，是一类通过与环境进行交互来学习解决问题的策略的算法。与监督、无监督学习不同，强化学习问题并没有明确的“正确的”动作标签数据，算法需要与环境进行交互，获取环境反馈的奖励信号，进而调整决策动作以获得更大的奖励信号数值。如下行功率控制中，强化学习模型根据无线网络反馈的***总吞吐率，调整各个用户的下行发送功率，进而期望获得更高的***吞吐率。强化学习的目标也是学习环境状态与最优决策动作之间的映射关系。但因为无法事先获得“正确动作”的标签，所以不能通过计算动作与“正确动作”之间的误差来优化网络。强化学习的训练是通过与环境的迭代交互而实现的。
深度神经网络(deep neural network,DNN)是机器学习的一种具体实现形式。根据通用近似定理，DNN理论上可以逼近任意连续函数，从而使得DNN具备学习任意映射的能力。传统通信***需要借助丰富的专家知识来设计通信模块，而基于DNN的深度学习通信***可以从大量的数据集中自动发现隐含的模式结构，建立数据之间的映射关系，获得优于传统建模方法的性能。
DNN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。如图3所示，图3为神经元结构示意图。假设神经元的输入为x＝[x 0,x 1,…x n],与输入对应的权值为w＝[w 0,w 1,…w n],加权求和的偏置为b，激活函数的形式可以多样化，作为示例，如果一个神经元的激活函数为：y＝f(x)＝max{0,x}，则一个神经元的执行的输出为： 其中，w ix i表示w i与x i的乘积，b的数据类型为整数或浮点数，w i的数据类型为整数或浮点数。DNN一般具有多层结构，DNN的每一层都可包含一个或多个神经元。DNN的输入层将接收到的数值经过神经元处理后，传递给中间的隐藏层。类似的，隐藏层再将计算结果传递给相邻的下一层隐藏层或者相邻的输出层，产生DNN的最后输出。如图4所示，图4为神经网络的层关系示意图。
DNN一般具有一个或多个隐藏层，隐藏层可以影响提取信息和拟合函数的能力。增加DNN的隐藏层数或扩大每一层的神经元的个数都可以提高DNN的函数拟合能力。每个神经元的参数包括权值、偏置和激活函数，DNN中所有神经元的参数构成的集合称为DNN参数(或称为神经网络参数)。神经元的权值和偏置可以通过训练过程得到优化，从而使得DNN具备提取数据特征、和表达映射关系的能力。DNN一般使用监督学习或非监督学习策略来优化神经网络参数。
根据网络的构建方式，DNN可包括前馈神经网络(feedforward neural network,FNN)、卷积神经网络(convolutional neural networks,CNN)和递归神经网络(recurrent neural network,RNN)。
图4所示即为一种FNN，其特点为相邻层的神经元之间两两完全相连，这使得FNN通常需要大量的存储空间、导致较高的计算复杂度。
如图5所示，图5为CNN示意图。CNN是一种用于处理具有类似网格结构的数据的神经网络。例如，时间序列数据(时间轴离散采样)和图像数据(二维离散采样)都可以认为是类似网格结构的数据。CNN不是一次性利用全部的输入信息做运算，而是采用一个窗(例如固定大小的窗)截取部分信息做卷积运算，这就大大降低了神经网络参数的计算量。另外根据窗截取的信息类型的不同(如同一副图中的人和物为不同类型信息)，每个窗可以采用不同的卷积核运算，这使得CNN能更好的提取输入数据的特征。其中，卷积层用于进行特征提取,得到特征图。池化层用于对输入的特征图进行压缩，使特征图变小，简化网络计算复杂度。全连接层用于将学到的“分布式特征表示”映射到样本标记空间。示例性的，图5中，判断该图像为太阳的概率为0.7，为月亮的概率是0.1，为汽车的概率是0.05，为房子的概率为0.02。
如图6所示，图6为RNN示意图。RNN是一类利用反馈时间序列信息的DNN，它的输入包括当前时刻的新的输入值和自身在前一时刻的输出值。RNN适合获取在时间上具有相关性的序列特征，特别适用于语音识别、信道编译码等应用。参考图6，一个神经元在多个时刻的输入产生多个输出。比如在第0时刻，输入是x 0和s 0，输出是y 0和s 1，在第1时刻，输入是x 1和s 1，输出是y 1和s 2，……，在第t时刻，输入是x t和s t，输出是y t和s t+1。
生成型神经网络(generative neural network)是一类特殊的深度学习神经网络，不同于一般神经网络主要执行的分类任务和预测任务，生成型神经网络可以学习一组训练样本所服从的概率分布函数，从而可以用来对随机变量进行建模，也可以用来建立变量间的条件概率分布。常见的生成型神经网络包括生成对抗网络(generative adversarial network，GAN)和变分自编码器(variational autoencoder,VAE)。
请参阅图7，图7为生成对抗网络GAN的示意图。GAN网络按照功能可以包括两部分：生成器网络(简称为生成器)与判别器网络(简称为判别器)。具体的，生成器网络对输入的随机噪声进行加工处理，输出生成样本。判别器网络将生成器网络输出的生成样本与训练集中的训练样本进行比对，判断生成样本与训练样本是否近似服从相似的概率分布，输出真假的判断。例如：以生成样本和训练样本服从正态分布为例，当生成样本的均值与训练样本的均值一致，当生成样本的方差与训练样本的方差之间的差值小于阈值(如0.01) 时，认为该生成样本和训练样本服从相似的概率分布。生成器网络与判别器网络间存在博弈的关系：生成器网络希望尽可能生成服从训练集分布的样本，判别器网络希望尽可能分辨出生成样本与训练集的区别。通过联合训练生成器网络和判别器网络，可使二者达到均衡状态，即生成器网络输出的生成样本服从的概率分布与训练样本服从的概率分布相似，判别器网络认为生成样本与训练集服从相似分布。可选地，该相似分布可以被称为同分布。
请参阅图8，图8为变分自编码器的示意图。VAE按照功能可以包括三部分：编码器网络(简称为编码器)、解码器网络(简称为解码器)和判别器网络(简称为判别器)。编码器网络将输入的训练集中的样本压缩成中间变量，解码器网络试图将中间变量还原成训练集中的样本。同时，还可以对中间变量的形式做一定的约束，类似于GAN中的判别网络，VAE中也可以使用一个判别网络，判断中间变量是否服从随机噪声的分布。通过联合训练编码器网络、解码器网络和判别器网络，解码器网络可利用输入的随机噪声生成符合训练集分布的生成样本。
上述FNN、CNN、RNN、GAN与VAE为神经网络结构，这些网络结构都是以神经元为基础而构造的。
得益于机器学习在建模和提取信息特征的优势，可以设计基于机器学习的通信方案，能够取得较好性能。这包括但不限于CSI压缩反馈、自适应星座点设计、和/或鲁棒预编码等。这些方案通过将原有通信***中的发送或接收模块替换成神经网络模型，优化传输性能或者降低处理复杂度。为了支持不同的应用场景，可以预先定义或者配置不同的神经网络模型信息，使得神经网络模型可以适应不同场景的要求。
本申请实施例中，基于神经网络的通信***中，接入网设备和/或终端设备的部分通信模块可以采用神经网络模型。如图9所示，图9为收发联合优化星座调制/解调的神经网络架构示意图。其中，发送端(也称为发端)的星座映射神经网络和接收端(也称为收端)的星座解映射神经网络均采用神经网络模型。发端的星座映射神经网络将比特流映射成星座符号，星座解映射神经网络将接收到的星座符号解映射(或解调)成比特信息的对数似然比。通过采集信道数据训练神经网络，可以实现较优的端到端通信性能。在通信***中，发端对待发送的比特流进行一系列处理，可以包括以下一项或多项：信道编码、星座符号映射调制、正交频分复用(orthogonal frequency division multiplexing,OFDM)调制、层映射、预编码、和上变频等。为表述方便，图9中仅列出了星座映射符号调制和OFDM调制。
需要说明的是，本申请实施例涉及的神经网络，不限于任何特定的应用场景，而是可以应用于任意通信的场景，如CSI压缩反馈、自适应星座点设计、和/或鲁棒预编码等。
上述神经网络需要进行适应性训练，以保证通信性能。例如，针对每一种不同的无线***参数(包括无线信道类型、带宽、收端天线数、发端天线数、调制阶数、配对用户数、信道编码方法、和编码码率中的一个或多个)，定义一套与之相应的神经网络模型信息(包括神经网络结构信息和神经网络参数)。以基于人工智能(artificial intelligence，AI)的自适应调制星座设计为例，当发端天线数为1，收端天线数为2时，需要一套神经网络模型信息，以生成对应的调制星座；当发端天线数为1，收端天线数为4时，需要另外一 套神经网络模型信息，以生成对应的调制星座。类似地，不同的无线信道类型、带宽、调制阶数、配对用户数、信道编码方法、和/或编码码率，对应的神经网络模型信息都可能不同。
为了使得(收发端)神经网络在实际信道情况下都取得较好的性能，在训练神经网络时需要使用实际的信道样本信息进行联合训练。通常来说，训练时使用的信道样本信息的数量越大，则训练效果越好。该信道样本信息的来源包括：1、收端根据实际测量得到；2、使用数学(信道)模型生成得到。
具体如下：1、信号(例如参考信号、或同步信号等)的接收端(例如UE)对真实的信道进行测量，得到信道样本信息。该信道样本信息能较准确的反映信道环境。如果用于利用信道样本信息来训练神经网络的网元为信号的发送端，接收端测量得到信道样本信息后，将该信道样本信息反馈给发送端(例如基站)。发送端根据该信道样本信息训练神经网络。而为了提升训练效果，使得训练得到的神经网络性能更好，信号的接收端需要向信号的发送端反馈大量的信道样本信息。而反馈大量的信道样本信息，会占用大量的空口资源，影响收发两端之间数据的传输效率。
2、一种可能的实现中，针对不同的信道类型，可以使用数学表达式对信道模型进行建模。即使用数学(信道)模型模拟真实的信道。例如：协议中可以定义抽头延迟线(tapped delay line,TDL)、簇延迟线(clustered delay line，CDL)等数学信道模型。每一种信道类型又可以细分为多个子类别，如TDL和CDL信道分别包括A、B、C、D、E五个子类；每种子类又根据具体参数再次细分出多个典型信道场景，如根据多径时延间隔细分为10纳秒(ns)、30ns、100ns、300ns或1000ns等多种典型场景。因此，在训练收发端神经网络时，可以选择与实际环境较相似的数学信道模型产生大量与实际信道近似的信道样本信息，并使用该信道样本信息进行训练。
虽然采用数学信道模型可以极大的减小获取信道样本的信令开销，但也存在数学信道模型与实际信道模型失配的缺点。例如，TDL信道模型假设了有限的反射径数目，且每个径的信道系数服从简单的瑞丽分布。而实际信道的反射径数目在不同环境中不尽相同，且瑞丽分布也不能准确的刻画每径信道系数的分布，另外多径时延间隔也往往因场景而异，粗颗粒地划分成几个典型数值必然引起建模误差。故数学信道建模方法难以准确刻画实际信道模型，进而影响神经网络的训练效果。即存在数据模型失配的问题。
综上，如何在节约空口资源的前提下，生成贴近实际信道场景的信道样本信息，成了目前亟待解决的问题。
接下来，结合附图介绍本申请提出的技术方案。请参阅图10，图10为本申请实施例提出的一种神经网络的训练方法的流程示意图。本申请实施例提出的一种神经网络的训练方法包括：
可选的，1001、第一设备向第二设备发送第一参考信号。
本实施例中，以第一设备为接入网设备，第二设备为终端设备为例进行说明。可以理解的是，第一设备可以是接入网设备或接入网设备中的芯片，第二设备可以是终端设备或终端设备中的芯片。第一设备也可以是终端设备或终端设备中的芯片，第二设备也可以是 接入网设备或接入网设备中的芯片，此处不作限制。
第一设备向第二设备发送第一参考信号，该第一参考信号可以是同步信号、同步信号块(synchronization signal and PBCH block，SSB)、解调参考信号(demodulation reference signal，DMRS)或信道状态信息参考信号(channel state information reference signal，CSI-RS)等。第一参考信号还可以称为第一信号。该第一参考信号也可以是新定义的参考信号，此处不作限制。该第一参考信号的序列类型包括但不限于：ZC(zadoff-chu)序列或黄金(glod)序列。可选的，DMRS可以是物理下行控制信道(physical downlink control channel，PDCCH)的DMRS或物理下行共享信道(physical downlink shared channel，PDSCH)的DMRS。
可选的，步骤1001之前，第二设备需要使用神经网络(第二设备使用的神经网络称为第三神经网络)时，第二设备向第一设备发送能力信息。该能力信息用于指示第二设备的以下信息中的一项或多项：
1)是否支持利用神经网络代替或实现通信模块的功能；
该通信模块包括但不限于：OFDM调制模块、OFDM解调模块、星座映射模块、星座解映射模块、信道编码模块、信道译码模块、预编码模块、均衡模块、交织模块和/或解交织模块。
2)是否支持第三神经网络的网络类型，或者指示所支持的第三神经网络的网络类型；
其中，第三神经网络的网络类型包括以下一项或多项：全连接神经网络、径向基神经网络、卷积神经网络、循环神经网络、霍普菲尔德神经网络、受限玻尔兹曼机或深度置信网络等。该第三神经网络可以是上述的任一种神经网络，该第三神经网络也可以是上述多种神经网络的结合，此处不做限制。
3)是否支持通过信令接收第三神经网络的信息；
4)存储的预配置的第三神经网络；
例如：若第二设备中已经存在预定义或预配置的第三神经网络，则在能力信息中可以携带第三神经网络的标识或者索引。
可选的，在能力信息中还可以携带第二设备中已经存在的预定义或预配置的其它神经网络的标识或者索引。
5)可用于存储第三神经网络的内存空间；
6)可用于运行神经网络的算力信息；
该算力信息指的是运行神经网络的计算能力信息，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。
可选的，1002、第二设备根据接收到的来自第一设备的第一参考信号进行信道估计，确定第一信道样本信息。
本实施例中，第二设备接收第一参考信号后，对该第一参考信号进行信道估计，确定第一信道样本信息。
具体的，为了便于描述，第一参考信号经过信道传输后，在第二设备处接收到的信号称为第二参考信号。设第一参考信号为x，第二参考信号为y，则传播该第一参考信号的信 道可以理解为具有转移概率P(y|x)的函数。
第二设备可以预先通过信令为第一设备配置第一参考信号的信息，或者，可以由协议约定第一参考信号的信息，不予限制。本申请实施例中，信令的类型不予限制，例如可以是广播消息、***信息、无线资源控制(radio resource control，RRC)信令、媒体接入控制(media access control,MAC)控制元素(control element，CE))、或下行控制信息(downlink control information，DCI)。
由于第二设备已提前知道第一设备发送的第一参考信号x的信息，当第二设备接收到第二参考信号y后，第二设备根据该第二参考信号y和被发送的第一参考信号x，进行信道估计，确定第一信道样本信息。此时，可以估计出第一参考信号从被发送到被接收之间所经历的信道，例如所经历的幅度变化和相位旋转。该第一信道样本信息包括但不限于该第二参考信号和/或信道状态信息(channel state information，CSI)。
第二设备进行信道估计时使用的信道估计算法包括但不限于：最小二乘估计法(least square,LS)或线性最小均方误差估计法(linear minimum mean square error,LMMSE)。
1003、第二设备向第一设备发送第一信道样本信息。
本实施例中，第二设备向第一设备发送该第一信道样本信息。
1004、第一设备根据第一信道样本信息训练得到第一神经网络。
本实施例中，第一设备根据第一信道样本信息训练得到第一神经网络。第一神经网络用于生成新的信道样本信息。
可选的，第一神经网络为生成型神经网络。本申请实施例中，以第一神经网络为GAN为例进行说明，可以理解的是，第一神经网络可以是其它类型的神经网络，例如VAE等，此处不作限制。按照功能划分，第一神经网络包括生成器网络和判别器网络，其中，生成器网络用于产生第二信道样本信息，判别器网络用于判断新产生的第二信道样本信息与来自第二设备的第一信道样本信息是否服从相似的概率统计特征。利用机器学习的方法，联合训练第一神经网络的生成器网络和判别器网络，可以使生成器网络输出的第二信道样本信息收敛到来自第二设备的第一信道样本信息的概率分布。下面分别进行示例说明。
示例性的，当第一信道样本信息为CSI(记CSI为h)时，第一神经网络的结构示意图请参阅图13-14。图13为本申请实施例中第一神经网络的一种生成器网络的结构示意图。图14为本申请实施例中第一神经网络的一种判别器网络的结构示意图。图13-14所示的第一神经网络中，生成器网络包括5层卷积层网络。该生成器网络的输入为随机噪声z，该随机噪声包括但不限于高斯白噪声。该生成器网络的输出为第二信道样本信息 判别器网络包括3层卷积层网络和3层全连接层网络。判别器网络的一部分输入为生成器网络的输出信息 该判别器网络的另一部分输入信号包括来自第二设备的第一信道样本信息h。该判别器网络的输出c是二值变量，表征生成器网络输出第二信道样本信息是否服从第一信道样本的概率分布，即 是否服从h的概率分布。
示例性的，当第一信道样本信息为前文介绍的第二参考信号(y)时，第一神经网络的结构示意图请参阅图15a-15b。图15a为本申请实施例中第一神经网络的一种生成器网络结构示意图。图15b为本申请实施例中第一神经网络的一种判别器网络结构示意图。
图15a-15b所示的第一神经网络中生成器网络由7层卷积层网络构成，该生成器网络的输入包括随机噪声z和训练序列x，输出为样本 判别器网络包括4层卷积层网络和4层全连接层网络，输入包括生成器网络产生的样本 来自第二设备的样本第二参考信号y、和对应的第一参考信号x。判别器网络的输出c是二值变量，表征 是否服从P(y|x)的概率分布。
假设第一设备发送的第一参考信号为x，经过信道传播后，在第二设备处接收的第二参考信号为y，则该信道可以理解成具有转移概率P(y|x)的函数。第一神经网络希望学到信道的这种概率转移特征，对于每个输入x，都能以P(y|x)的概率产生输出y，即第一神经网络模拟了信号经由信道传播的过程。
具体的，第一设备使用第一信道样本信息，对参考神经网络进行训练。训练完成后得到的神经网络称为第一神经网络。本申请实施例中，为了便于描述，可以将使用第一信道样本信息训练前的神经网络称为参考神经网络。示例性的，第一设备使用来自第二设备的包括5000个样本的第一信道样本信息训练参考神经网络，从而训练得到第一神经网络。
在一种可选的实现方式中，该参考神经网络可以预配置部分神经元的参数或神经网络的结构。该参考神经网络还可以预配置其它神经网络的信息，此处不作限制。例如：该参考神经网络可以是在预定义的信道环境下训练得到的用于生成信道样本信息(例如CSI或第二参考信号等)的神经网络。第一设备使用第一信道样本信息对该参考神经网络进行进一步训练，训练得到第一神经网络。
在另一种可选的实现方式中，该参考神经网络可以是初始化的神经网络。例如：该参考神经网络中各神经元的参数为零、随机值或者被约定的其它值，和/或神经网络的结构为随机的或者约定的初始结构等，此处不作限制。第一设备使用第一信道样本信息对该参考神经网络开始进行训练，从而训练得到第一神经网络。
1005、第一设备使用第一神经网络推理得到第二信道样本信息。
本实施例中，当第一设备获得训练完成的第一神经网络后，使用第一神经网络推理得到第二信道样本信息。
示例性地，第一设备将随机噪声输入第一神经网络，可以由第一神经网络推理得到第二信道样本信息。示例性地，第一神经网络为GAN时，将随机噪声输入第一神经网络的生成器网络，可以得到第二信道样本信息。再示例性地，第一神经网络为VAE时，将随机噪声输入第一神经网络的解码器网络，可以得到第二信道样本信息。
第二信道样本信息的形式与第一信道样本信息的形式相同。例如，当第一信道样本信息为CSI(h)时，第二信道样本信息为CSI 当第一信道样本信息为第二参考信号(y)时，第二信道样本信息为第二参考信号
可选的，1006、第一设备根据第二信道样本信息训练第二神经网络和/或第三神经网络。
示例性的，当第一信道样本信息为CSI(记CSI为h)时，第一设备根据第二信道样本信息训练第二神经网络和/或第三神经网络的一种结构示意图参见图16a。第一神经网络(GAN的生成器网络)的输入为高斯白噪声，输出为第二信道样本信息 该第二样本信息 和高斯白噪声输入到信号过信道模块。示例性的，在图16a的信号过信道模块中，发端信 号与第二样本信息 相乘，乘积结果再与高斯白噪声相加，其结果作为接收端的输入。通过机器学习方法，可以端到端地训练接收端神经网络(例如：星座解映射神经网络)和发送端神经网络(星座映射神经网络)。
示例性的，当第一信道样本信息为前文介绍的第二参考信号(y)时，第一设备根据第二信道样本信息训练第二神经网络和/或第三神经网络的一种结构示意图参见图16b。第一神经网络(GAN的生成器网络)的输入高斯白噪声和发送信号x，该第一神经网络的输出为第二参考信号 将第一神经网络连接在接收端与发送端之间，通过机器学习方法，即可端到端地训练接收端神经网络(例如：星座解映射神经网络)和发送端神经网络(星座映射神经网络)。
本实施例中，第一设备根据第一神经网络生成第二信道样本信息后，第一设备根据第二信道样本信息训练第二神经网络和/或第三神经网络。第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。
可选的，第一设备根据第一信道样本信息和第二信道样本信息，训练第二神经网络和/或第三神经网络。
关于第二神经网络与第三神经网络下面分别进行描述：
本申请实施例中，第二神经网络应用于发送端，可以理解为第二神经网络执行对数据的发送处理，例如：如图9所示的星座映射神经网络。可选地，第二神经网络可以执行速率匹配(Rate matching)和/或OFDM调制等操作。其中，速率匹配(Rate matching)是指待发送的比特被重复和/或被打孔(punctured)，以匹配物理信道的承载能力，使得信道映射时达到传输格式所要求的比特速率。OFDM调制主要实现把基带频谱搬移到射频频段，从而实现无线发送功能。示例性的，第二神经网络可以执行信源编码(如加扰、和/或信号压缩等)、信道编码、星座映射、OFDM调制、预编码和/或滤波中的一种或多种功能。
该第二神经网络的网络类型包括但不限于：全连接神经网络、径向基(radial basis function，RBF)神经网络、CNN、循环神经网络、霍普菲尔德神经网络、受限玻尔兹曼机或深度置信网络等。该第二神经网络可以是上述的任一种神经网络，该第二神经网络也可以是上述多种神经网络的结合，此处不做限制。
本申请实施例中，为了便于描述，以第一设备为发送端进行说明，即第二神经网络应用于第一设备中。可以理解的是，第二设备也可以作为发送端，即第二神经网络应用于第二设备中。
本申请实施例中，第三神经网络应用于接收端，可以理解为第三神经网络对来自发送端的数据进行接收处理。例如：如图9所示的星座解映射神经网络。具体的，第三神经网络可以执行信源译码(如解扰、和/或信号解压缩)、信道译码、解星座映射、OFDM解调、信号检测和/或均衡(equalization)等处理。
该第三神经网络的网络类型包括但不限于：全连接神经网络、径向基神经网络、卷积神经网络、循环神经网络、霍普菲尔德神经网络、受限玻尔兹曼机或深度置信网络等。该第三神经网络可以是上述的任一种神经网络，该第三神经网络也可以是上述多种神经网络的结合，此处不做限制。
需要说明的是，该第二神经网络可以与第三神经网络采用相同的神经网络，也可以采用不同的神经网络，还可以采用部分相同的神经网络，此处不做限制。
本申请实施例中，为了便于描述，以第二设备为接收端进行说明，即第三神经网络应用于第二设备中。可以理解的是，第一设备也可以作为接收端，即第三神经网络应用于第一设备中。
第二神经网络和/或第三神经网络用于第一设备与第二设备间传输目标信息。基于上述描述，可以理解的是，第二神经网络与第三神经网络进行不同处理时，该目标信息存在不同。
示例性的，当第二神经网络为星座映射神经网络，第三神经网络为星座解映射神经网络时，该目标信息为调制符号序列。
示例性的，当第二神经网络为CSI压缩神经网络，第三神经网络为CSI解压缩神经网络，该目标信息为被压缩的CSI或者CSI。
示例性的，当第二神经网络为信道编码神经网络，第三神经网络为信道译码神经网络时，该目标信息为编码前的待发送的比特信息或者编码后的待发送的比特信息。
示例性的，当第二神经网络为OFDM调制神经网络，第三神经网络为OFDM解调神经网络时，该目标信息为OFDM符号。
示例性的，当第二神经网络为预编码神经网络，第三神经网络为均衡神经网络时，该目标信息为发送信号，该发送信号通过信道传输后到达接收端。
第一设备可以单独训练第二神经网络，第一设备也可以单独训练第三神经网络，第一设备还可以联合训练第二神经网络与第三神经网络。
示例性的，第二神经网络为发送端(例如第一设备)的预编码神经网络时，第一设备可以单独训练该第二神经网络。该预编码神经网络的作用是根据信道的空间特征，产生各发射天线的发射加权系数从而可以将多个发送数据流在空间上隔离，提高信号的接收信干噪比。该预编码神经网络的输入为信道的CSI，输出为各发射天线上的预编码权值。即第二神经网络的目标信息为各发射天线上的预编码权值。
示例性的，当第三神经网络为接收端(例如第二设备)的均衡器神经网络时，第一设备可以单独训练该第三神经网络。该均衡器神经网络的作用时抵消信道对传播信号造成的扭曲效果，恢复发送端发射出的信号。均衡器神经网络的输入为信道的CSI和接收端的第二参考信号，输出为均衡后恢复的信号。即第三神经网络的目标信息为均衡后恢复的信号。
第一设备可以利用第一神经网络产生的第二信道样本信息单独训练第二神经网络，也可以利用第二信道样本信息和本地产生的发送数据，单独训练第三神经网络，并将训练好的第三神经网络的信息发送给第二设备使用。第一设备还可以联合训练第二、第三神经网络，以达到最优的端到端通信性能。
当第一设备训练完成第三神经网络后，可以执行步骤1007。其中，第三神经网络的训练完成包括但不限于：训练使用的训练样本数量达到预设阈值，例如：训练第三神经网络的第二信道样本信息的数量达到45000个，则将该第三神经网络视为训练完成。或者，训练的次数达到预设阈值，例如：训练第三神经网络的次数达到30000次，则将该第三神经 网络视为训练完成。
可选的，1007、第一设备向第二设备发送第三神经网络的信息。
本实施例中，当第一设备训练完成第三神经网络后，第一设备向第二设备发送第三神经网络的信息。该第三神经网络的信息包括但不限于：神经网络的权值、神经元的激活函数、神经网络中每层神经元的个数、神经网络的层间级联关系，和/或神经网络中每层的网络类型。示例性的，该第三神经网络的信息中可以针对不同的神经元指示相同或不同的激活函数，不予限制。
可选的，当第二设备中预配置(或预定义)了第三神经网络时，该第三神经网络的信息还可以是第三神经网络的模型变化量。该模型变化量包括但不限于：发生变化的神经网络的权值、发生变化的激活函数、发生变化的神经网络中每层神经元的个数、发生变化的神经网络的层间级联关系，和/或发生变化的神经网络中每层的网络类型。示例性的，该预配置可以是接入网络设备通过信令预先为终端设备配置，该预定义可以是协议预先定义，例如：协议预先定义终端设备中的第三神经网络为神经网络A。
第一设备通过信令向第二设备发送第三神经网络的信息。
在本申请实施例中，信令包括但不限于：广播消息(如主信息块(master information block，MIB))、***消息(如***信息块(system information block，SIB))、无线资源控制(radio resource control，RRC)信令、媒体接入控制控制单元(medium access control control element，MAC CE)和/或下行控制信息(downlink control information，DCI)。其中，MAC CE和/或DCI可以是多个设备的公共消息，也可以是特定于某个设备(如第二设备)的特定消息。
第二设备根据该第三神经网络的信息，在第二设备中应用该第三神经网络。
第一设备训练完成第二神经网络后，第一设备应用该第二神经网络。
当第一设备中预配置(或预定义)了第二神经网络，第一设备根据步骤1006的训练结果更新本地的第二神经网络。当第二设备中预配置了第三神经网络，则第二设备根据步骤1007的第三神经网络的信息更新本地第三神经网络。当第二设备中无第三神经网络时，步骤1007的第三神经网络的信息可以包括完整的第三神经网络。第二设备根据该第三神经网络的信息，在本地配置经过训练的第三神经网络。
之后，如果目标为下行信息，第一设备可以利用第二神经网络处理目标信息(即第二神经网络的输入)或者得到目标信息(即第二神经网络的输出)。第二设备可以利用第三神经网络处理目标信息(即第三神经网络的输入)或者恢复目标信息(即第三神经网络的输出)。示例性地，第一设备利用第二神经网络得到调制符号，第二设备利用第三神经网络从接收到的调制符号恢复出比特。
如果目标为上行信息，第二设备可以利用第三神经网络处理目标信息(即第三神经网络的输入)或者得到目标信息(即第三神经网络的输出)。第一设备可以利用第二神经网络处理目标信息(即第二神经网络的输入)或者恢复目标信息(即第二神经网络的输出)。示例性地，第二设备利用第三神经网络压缩CSI，得到压缩CSI；第一设备利用第二神经网络从接收到的压缩CSI恢复出CSI。
本申请实施例中，第二设备(例如终端设备)可以向第一设备(例如接入网设备)发送相对少量的第一信道样本信息。第一设备根据该第一信道样本信息，训练得到第一神经网络。该第一神经网络用于推理得到第二信道样本信息。第一设备根据该第二信道样本信息，或者根据该第二信道样本信息和第一信道样本信息，训练第二神经网络和/或第三神经网络，第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。通过该方法，可以有效减小空口信令开销，同时能适配所处信道环境，训练得到的第二神经网络与第三神经网络更贴近实际信道环境，提升通信性能。训练第二神经网络与第三神经网络的速度也得到大幅度提升。
类似上述图10，训练得到第一神经网络的相关步骤，第二神经网络的相关训练步骤和/或第三神经网络的相关训练步骤，可替换地可以由独立于该第一设备的其它设备实现。本申请实施例中为了便于描述，将该其它设备称为第三设备。第三设备可以是前文所述的AI节点、移动边缘计算(mobile edge computing)设备、或者云服务器等，不予限制。第三设备学习出的参考信号池可以是离线学习后约定于协议中，或者是通过第三设备和第一设备之间的接口发送给第一设备，或者是通过其他网元转发给第一设备，不予限制。第三设备执行模型训练时需要用到的样本，例如第一信道样本信息可以是由第一设备直接或间接地发送给第三设备，或者是由第二设备直接或间接地发送给第三设备，不予限制。
请参阅图11，图11为本申请实施例提出的一种神经网络的训练方法的又一种流程示意图。本申请实施例提出的一种神经网络的训练方法包括：
可选的，1101、第一设备向第二设备发送第一参考信号。
1102、第二设备根据接收到的来自第一设备的第一参考信号进行信道估计，确定第一信道样本信息。
可选的，1103、第二设备向第一设备发送第一信道样本信息。
步骤1101-1103同前述步骤1001-1003，此处不作赘述。
1104、第一设备向第三设备发送第一信道样本信息。
本实施例中，当第一设备从第二设备接收第一信道样本信息后，第一设备向第三设备发送该第一信道样本信息。
1105、第三设备根据第一信道样本信息训练得到第一神经网络。
1106、第三设备使用第一神经网络推理得到第二信道样本信息。
可选的，1106可以被替换为：第三设备向第一设备发送第一神经网络的信息。第一设备使用第一神经网络推理得到第二信道样本信息。可选的，第一设备将第二信道样本信息发送给第三设备。
1107、第三设备根据第二信道样本信息训练第二神经网络和/或第三神经网络。
步骤1105-1107与前述步骤1004-1006类似，此处不作赘述。
1108、第三设备向第一设备发送第二神经网络的信息和/或第三神经网络的信息。
本实施例中，当第三设备训练得到第三神经网络后，第三设备可以通过第一设备向第二设备发送第三神经网络的信息。可选的，第三设备也可以通过其它的设备(例如其它接入网设备)向第一设备发送第三神经网络的信息。可选的，若第三设备与第一设备之间存 在直连通信链路时，第三设备还可以直接向第一设备发送该第三神经网络的信息。
当第三设备训练得到第二神经网络后，第三设备可以向第二设备发送该第二神经网络的信息。
1109、第一设备向第二设备发送第三神经网络的信息。
步骤1109与前述步骤1007相同，此处不再赘述。
可选的，图11所示的实施例可以被替换为：用于训练第一神经网络的主体与用于训练第二神经网络和/或第二神经网络的主体不同。例如，前者为第一设备，后者为第三设备；或者，前者为第三设备，后者为第一设备。
本申请实施例中，通过上述方式训练神经网络，有效减小空口信令开销，同时能适配所处信道环境，训练得到的第二神经网络与第三神经网络更贴近实际信道环境，提升通信性能。训练第二神经网络与第三神经网络的速度也得到大幅度提升。涉及神经网络训练的步骤可以由其他设备(第三设备)执行，有效降低第一设备(例如接入网设备)的计算负载与功耗。
类似上述图10或图11，训练得到第一神经网络的相关步骤可替换地可以由第二设备(例如终端设备)实现。
请参阅图12，图12为本申请实施例提出的一种神经网络的训练方法的又一种流程示意图。在该方法中，第一神经网络是由第二设备训练的。本申请实施例提出的一种神经网络的训练方法包括：
可选的，1201、第二设备向第一设备发送能力信息。
本实施例中，与前述图10-11所示的实施例类似，以第一设备为接入网设备，第二设备为终端设备为例进行说明。第一设备可以是接入网设备、接入网设备中的芯片、接入网设备中的模块或电路等，第二设备可以是终端设备、终端设备中的芯片、终端中的模块或电路等。第一设备也可以是终端设备、终端设备中的芯片、终端中的模块或电路等，第二设备也可以是接入网设备或接入网设备中的芯片、接入网设备中的模块或电路等，此处不作限制。
本申请实施例中，为了便于描述，可以将未使用第一信道样本信息训练的第一神经网络、或者更新前的第一神经网络称为参考神经网络。使用第一信道样本信息训练参考神经网络后，得到第一神经网络。
该参考神经网络与前述步骤1004中的参考神经网络类似，第二设备使用第一信道样本信息对该参考神经网络开始进行训练，从而训练得到第一神经网络。
在步骤1201中，第二设备向第一设备发送能力信息，该能力信息用于指示以下信息中的一项或多项：
1)是否支持利用神经网络代替或实现通信模块的功能；
该通信模块包括但不限于：OFDM调制模块、OFDM解调模块、星座映射模块、星座解映射模块、信道编码模块、信道译码模块、预编码模块、均衡模块、交织模块和/或解交织模块。
2)是否支持第一神经网络的网络类型，或者所支持的第一神经网络的网络类型；
例如：能力信息指示第二设备是否支持VAE或是否支持GAN。再例如，能力信息指示第二设备支持GAN、支持VAE、支持GAN和VAE、或者GAN和VAE都不支持。
3)是否支持第三神经网络的网络类型，或者指示所支持的第三神经网络的网络类型；
其中，第三神经网络的网络类型包括以下一项或多项：全连接神经网络、径向基神经网络、卷积神经网络、循环神经网络、霍普菲尔德神经网络、受限玻尔兹曼机或深度置信网络等。该第三神经网络可以是上述的任一种神经网络，该第三神经网络也可以是上述多种神经网络的结合，此处不做限制。
4)是否支持通过信令接收参考神经网络的信息，该参考神经网络为未经第一信道样本信息训练的第一神经网络或者用于训练第一神经网络；
5)是否支持通过信令接收第三神经网络的信息；
6)存储的预配置的参考神经网络；
例如：若第二设备中已经存在预定义或预配置的参考神经网络，则在能力信息中可以携带参考神经网络的标识或者索引。
可选的，在能力信息中还可以携带第二设备中已经存在的预定义或预配置的其它神经网络的标识或者索引。
7)可用于存储第一神经网络和/或第三神经网络的内存空间；
8)可用于运行神经网络的算力信息；
该算力信息指的是运行神经网络的计算能力信息，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。
9)第二设备的位置信息。
比如，上报第二设备所述的经度、纬度、和/或海拔高度。再比如，上报第二设备所述的信道环境，例如：办公室、地铁站、公园、或街道。
该能力信息包括但不限于上述信息，例如该能力信息还可以包括：第二设备支持的用于训练得到第一神经网络的信道样本信息的类型。示例性的：第二设备(终端设备)支持的用于训练得到第一神经网络的信道样本信息为CSI，或者，第二设备支持的用于训练得到第一神经网络的信道样本信息为第二参考信号(y)。
步骤1201为可选步骤。当步骤1201执行时，第二设备可以在初次接入第一设备时发送该能力信息，第二设备也可以周期性向第一设备发送该能力信息，此处不作限制。
可选的，第一设备接收来自第二设备的该能力信息后，当该能力信息中指示第二设备中未配置(未存储)参考神经网络。则第一设备可以向该第二设备发送该参考神经网络的信息。该参考神经网络的信息包括：神经网络的权值、神经元的激活函数、神经网络中每层神经元的个数、神经网络的层间级联关系，和/或神经网络中每层的网络类型。该参考神经网络的信息可以称为参考神经网络的具体信息。其中，不同神经元的激活函数可以相同，也可以不同，不予限制。
可选的，1202、第一设备向第二设备发送第一参考信号。
同上述步骤1001，此处不作赘述。
可选的，1203、第二设备根据接收到的来自第一设备的第一参考信号进行信道估计， 确定第一信道样本信息。
同步骤1002，此处不作赘述。
1204、第二设备根据第一信道样本信息，训练得到第一神经网络。
第二设备根据第一信道样本信息训练得到第一神经网络的方法类似1004中第一设备根据第一信道样本信息训练得到第一神经网络的方法。此处不予赘述。
示例性地，第二设备根据第一信道样本信息和参考神经网络，训练得到第一神经网络。
可选的，第二设备可以根据以下方式一至方式三中的任一项方式，确定参考神经网络：
方式一：参考神经网络的信息是协议约定的，或者第二设备确定参考神经网络的信息。
一种可能的实现中，协议约定(预定义)一个参考神经网络的信息，即约定该参考神经网络的具体信息。
本申请实施例中，参考神经网络的信息包括：神经网络的权值、神经元激活函数、神经网络中每层神经元的个数、神经网络的层间级联关系，和/或神经网络中每层的网络类型。该参考神经网络的信息还可以称为参考神经网络的具体信息。其中，不同神经元的激活函数可以相同，也可以不同，不予限制。
一种可能的实现中，协议约定多个参考神经网络的信息。每个参考神经网络对应于一种信道环境。其中，信道环境包括以下一种或多种：办公室、商场室内、地铁站、城市街道、广场、和郊区等。如前文所述，第二设备向第一设备上报第二设备的位置信息，则第一设备可以确定出第二设备所处的信道环境，从而得到该信道环境对应的参考神经网络。例如，接入网设备可以维护一份地图信息，该地图信息中对应不同位置信息标记对应的信道环境。例如：该地图信息如表1所示：
表1
位置信息/{经度，纬度，海拔高度} 信道环境
{x1，y1，z1} 办公室
{x2，y2，z2} 地铁站
{x3，y3，z3} 公园
{x4，y4，z4} 街道
可选的，如果第二设备通过能力信息向第一设备上报了第二设备的位置信息，即第二设备的信道环境，则第一设备可以确定出该信道环境对应的参考神经网络的信息。
一种可能的实现中，第二设备确定参考神经网络的信息，即确定参考神经网络的具体信息。如前文所述，第二设备可以通过能力信息向第一设备上报该参考神经网络的信息。
方式二：参考神经网络是由第一设备为第二设备指示的。
一种可能的实现中，第一设备为第二设备发送参考神经网络的信息，即第一设备为第二设备发送参考神经网络的具体信息。
一种可能的实现中，协议约定多个候选参考神经网络的信息，每个候选参考神经网络对应唯一的索引。第一设备通过信令为第二设备发送标识，该标识用于指示该多个候选参考神经网络中为第二设备配置的参考神经网络的索引。
一种可能的实现中，第一设备通过第一信令为第二设备配置多个候选参考神经网络的 信息，即配置该多个候选参考神经网络的具体信息。其中，每个候选参考神经网络对应唯一的索引。第一设备通过第二信令为第二设备发送标识，该标识用于指示该多个候选参考神经网络中为第二设备配置的参考神经网络的索引。
一种可能的实现中，如前文所述，第二设备可以通过能力信息向第一设备发送第二设备存储或具有的多个候选参考神经网络的信息。其中，每个候选参考神经网络对应唯一的索引。第一设备通过信令为第二设备发送标识，该标识用于指示该多个候选参考神经网络中为第二设备配置的参考神经网络的索引。
一种可能的实现中，第一设备通过信令为第二设备发送参考神经网络的类型。协议约定各种类型的参考神经网络的信息，或者第二设备自主确定各种类型的参考神经网络的信息。
1205、第二设备向第一设备发送第一神经网络的信息。
当第二设备训练得到第一神经网络后，第二设备向第一设备发送第一神经网络的信息。
可选的，该第一神经网络的信息可以是第一神经网络的具体信息。该具体信息可以包括：神经网络的权值、神经元的激活函数、神经网络中每层神经元的个数、神经网络的层间级联关系，和/或神经网络中每层的网络类型。其中，不同神经元的激活函数可以相同，也可以不同，不予限制。
可选的，该第一神经网络的信息还可以是第一神经网络相对于参考神经网络的模型变化量。该模型变化量包括但不限于：发生变化的神经网络的权值、发生变化的激活函数、发生变化的神经网络中一层或多层神经元的个数、发生变化的神经网络的层间级联关系，和/或发生变化的神经网络中一层或多层的网络类型。当第一神经网络的信息为模型变化量时，可以有效减少空口信令的开销。
1206、第一设备根据第一神经网络的信息，确定第一神经网络。
第一设备根据来自第二设备的第一神经网络的信息，确定第一神经网络。
可选的，当第一神经网络的信息为第一神经网络的具体信息时，第一设备根据该具体信息确定第一神经网络。
可选的，当第一神经网络的信息是模型变化量时，第一设备根据该模型变化量和参考神经网络，确定第一神经网络。
1207、第一设备根据第一神经网络推理得到第二信道样本信息。
1208、第一设备根据第二信道样本信息训练第二神经网络和/或第三神经网络。
1209、第一设备向第二设备发送第三神经网络的信息。
步骤1207-1209同前述步骤1005-1007，此处不作赘述
本实施例中，第二设备根据第一信道样本信息和参考神经网络，训练得到第一神经网络。
本实施例中，第二设备(例如终端设备)根据该第一信道样本信息，训练得到第一神经网络。该第一神经网络用于推理得到第二信道样本信息。第一设备根据该第二信道样本信息，训练第二神经网络和/或第三神经网络，第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。有效减小空口信令开销，同时能适配所处信道环境，训练 得到的第二神经网络与第三神经网络更贴近实际信道环境，提升通信性能。训练第二神经网络与第三神经网络的速度也得到大幅度提升。将训练第一神经网络的计算任务，分配至第二设备，有效减轻第一设备(如接入网设备)的计算负担，提升通信性能。
上述本申请提供的实施例中，分别从第一设备、第二设备、第三设备、以及它们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，第一设备、第二设备、和第三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。
请参阅图17，图17为本申请实施例提供的一种通信装置示意图，该通信装置1700包括收发模块1710和处理模块1720，其中：
可选的，该通信装置1700用于实现上述方法实施例中第一设备的功能。
在一种可能的实现中，收发模块1710，用于向第二设备发送第一参考信号；
收发模块1710，还用于从第二设备接收第一信道样本信息；
处理模块1720，用于确定第一神经网络，第一神经网络是根据第一信道样本信息训练得到的，第一神经网络用于推理得到第二信道样本信息，第二信道样本信息用于训练第二神经网络和/或第三神经网络，第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。
在一种可能的实现中，收发模块1710，用于向第二设备发送第一参考信号；
收发模块1710，还用于从所述第二设备接收第一神经网络的信息；
处理模块1720，用于确定第二神经网络和/或第三神经网络，所述第二神经网络和/或所述第三神经网络用于所述第一设备与所述第二设备传输目标信息，所述第二神经网络和/或所述第三神经网络是根据所述第二信道样本信息训练得到的，所述第二信道样本信息是通过所述第一神经网络推理得到的。
可选的，该通信装置1700用于实现上述方法实施例中第二设备的功能。
在一种可能的实现中，处理模块1720，用于根据从第一设备接收到的第一参考信号进行信道估计，确定第一信道样本信息；
收发模块1710，用于向第一设备发送第一信道样本信息；
收发模块1710，还用于从第一设备接收第三神经网络的信息，第三神经网络用于第二设备与第一设备传输目标信息。
在一种可能的实现中，处理模块1720，用于根据从第一设备接收到的第一参考信号进行信道估计，确定第一信道样本信息；
处理模块1720，还用于确定第一神经网络，所述第一神经网络是根据所述第一信道样本信息训练得到的；
收发模块1710，用于向第一设备发送所述第一神经网络的信息。
可选的，该通信装置1700用于实现上述方法实施例中第三设备的功能。
在一种可能的实现中，收发模块1710，用于从第一设备接收第一信道样本信息；
处理模块1720，用于确定第一神经网络，第一神经网络是根据第一信道样本信息训练得到的，第一神经网络用于推理得到第二信道样本信息，第二信道样本信息用于训练第二神经网络和/或第三神经网络，第二神经网络和/或第三神经网络用于第一设备与第二设备传输目标信息。
可选地，上述通信装置还可以包括存储单元，该存储单元用于存储数据和/或指令(也可以称为代码或者程序)。上述各个单元可以和存储单元交互或者耦合，以实现对应的方法或者功能。例如，处理单元1720可以读取存储单元中的数据或者指令，使得通信装置实现上述实施例中的方法。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接，可以是电性，机械或其它的形式，用于装置、单元或模块之间的信息交互。
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。
在一个例子中，以上任一通信装置中的单元可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital singnal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)，或这些集成电路形式中至少两种的组合。再如，当通信装置中的单元可以通过处理元件调度程序的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，CPU)或其它可以调用程序的处理器。再如，这些单元可以集成在一起，以片上***(system-on-a-chip，SOC)的形式实现。
本申请实施例提供的技术方案可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、AI节点、接入网设备、终端设备或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，数字视频光盘(digital video disc，DVD))、或者半导体介质等。
在本申请实施例中，在无逻辑矛盾的前提下，各实施例之间可以相互引用，例如方法实施例之间的方法和/或术语可以相互引用，例如装置实施例之间的功能和/或术语可以相互引用，例如装置实施例和方法实施例之间的功能和/或术语可以相互引用。
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 (42)

  1. 一种神经网络的训练方法，其特征在于，包括：
    第一设备向第二设备发送第一参考信号；
    所述第一设备从所述第二设备接收第一信道样本信息；
    所述第一设备确定第一神经网络，所述第一神经网络是根据所述第一信道样本信息训练得到的，所述第一神经网络用于推理得到第二信道样本信息，所述第二信道样本信息用于训练第二神经网络和/或第三神经网络，所述第二神经网络和/或所述第三神经网络用于所述第一设备与所述第二设备传输目标信息。
  2. 根据权利要求1所述的方法，其特征在于，所述第一信道样本信息还用于训练所述第二神经网络和/或所述第三神经网络。
  3. 根据权利要求1-2中任一项所述的方法，其特征在于，所述方法还包括：
    所述第一设备向所述第二设备发送所述第三神经网络的信息。
  4. 根据权利要求1-3中任一项所述的方法，其特征在于，所述第一信道样本信息包括信道状态信息CSI和/或第二参考信号，所述第二参考信号为经过信道传播的所述第一参考信号。
  5. 根据权利要求1-4中任一项所述的方法，其特征在于，所述第一神经网络为生成对抗网络或变分自编码器。
  6. 根据权利要求1-5中任一项所述的方法，其特征在于，所述第一参考信号包括解调参考信号DMRS或者信道状态信息参考信号CSI-RS。
  7. 根据权利要求1-6中任一项所述的方法，其特征在于，所述第一参考信号的序列类型包括ZC序列或黄金序列。
  8. 一种神经网络的训练方法，其特征在于，包括：
    第二设备根据从第一设备接收到的第一参考信号进行信道估计，确定第一信道样本信息；
    所述第二设备向所述第一设备发送所述第一信道样本信息；
    所述第二设备从所述第一设备接收第三神经网络的信息，所述第三神经网络用于所述第二设备与所述第一设备传输目标信息。
  9. 根据权利要求8所述的方法，其特征在于，所述第一信道样本信息包括信道状态信息CSI和/或第二参考信号，所述第二参考信号为所述第二设备接收到的第一参考信号。
  10. 根据权利要求8-9中任一项所述的方法，其特征在于，所述第一神经网络为生成对抗网络或变分自编码器。
  11. 根据权利要求8-10中任一项所述的方法，其特征在于，所述第一参考信号包括解调参考信号DMRS或者信道状态信息参考信号CSI-RS。
  12. 根据权利要求8-11中任一项所述的方法，其特征在于，所述第一参考信号的序列类型包括ZC序列或黄金序列。
  13. 一种神经网络的训练方法，其特征在于，包括：
    第一设备向第二设备发送第一参考信号；
    所述第一设备从所述第二设备接收第一神经网络的信息；
    所述第一设备确定第二神经网络和/或第三神经网络，所述第二神经网络和/或所述第三神经网络用于所述第一设备与所述第二设备传输目标信息，所述第二神经网络和/或所述第三神经网络是根据所述第二信道样本信息训练得到的，所述第二信道样本信息是通过所述第一神经网络推理得到的。
  14. 根据权利要求13所述的方法，其特征在于，所述第一神经网络的信息包括：所述第一神经网络相对参考神经网络的模型变化量，所述参考神经网络用于训练所述第一神经网络。
  15. 根据权利要求13所述的方法，其特征在于，所述第一神经网络的信息包括以下一项或多项：神经网络的权值、神经元的激活函数、神经网络中每层神经元的个数、神经网络的层间级联关系，和神经网络中每层的网络类型。
  16. 根据权利要求13-15中任一项所述的方法，其特征在于，所述方法还包括：
    所述第一设备向所述第二设备发送所述第三神经网络的信息。
  17. 根据权利要求13-16中任一项所述的方法，其特征在于，所述方法还包括：
    所述第一设备从所述第二设备接收能力信息，所述能力信息用于指示所述第二设备的以下信息中的一项或多项：
    是否支持利用神经网络代替或实现通信模块的功能；
    是否支持所述第一神经网络的网络类型；
    是否支持所述第三神经网络的网络类型；
    是否支持通过信令接收参考神经网络的信息，所述参考神经网络用于训练所述第一神经网络；
    是否支持通过信令接收所述第三神经网络的信息；
    存储的所述参考神经网络；
    可用于存储所述第一神经网络和/或所述第三神经网络的内存空间；
    可用于运行神经网络的算力信息；和，
    所述第二设备的位置信息。
  18. 根据权利要求13-17中任一项所述的方法，其特征在于，所述第一神经网络为生成对抗网络或变分自编码器。
  19. 根据权利要求13-18中任一项所述的方法，其特征在于，所述第一参考信号包括解调参考信号DMRS或者信道状态信息参考信号CSI-RS。
  20. 根据权利要求13-19中任一项所述的方法，其特征在于，所述第一参考信号的序列类型包括ZC序列或黄金序列。
  21. 一种神经网络的训练方法，其特征在于，包括：
    所述第二设备根据从第一设备接收的第一参考信号进行信道估计，确定第一信道样本信息；
    所述第二设备确定第一神经网络，所述第一神经网络是根据所述第一信道样本信息训练得到的；
    所述第二设备向所述第一设备发送所述第一神经网络的信息。
  22. 根据权利要求21所述的方法，其特征在于，所述第一神经网络的信息包括：所述第一神经网络相对参考神经网络的模型变化量，所述参考神经网络用于训练所述第一神经网络。
  23. 根据权利要求21所述的方法，其特征在于，所述第一神经网络的信息包括以下一项或多项：神经网络的权值、神经元的激活函数、神经网络中每层神经元的个数、神经网络的层间级联关系，和/或神经网络中每层的网络类型。
  24. 根据权利要求21-23中任一项所述的方法，其特征在于，所述方法还包括：
    所述第二设备从所述第一设备接收所述第三神经网络的信息。
  25. 根据权利要求21-24中任一项所述的方法，其特征在于，所述方法还包括：
    所述第二设备向所述第一设备发送能力信息，所述能力信息用于指示所述第二设备的以下信息中的一项或多项：
    是否支持利用神经网络代替或实现通信模块的功能；
    是否支持所述第一神经网络的网络类型；
    是否支持所述第三神经网络的网络类型；
    是否支持通过信令接收参考神经网络的信息，所述参考神经网络用于训练所述第一神经网络；
    是否支持通过信令接收所述第三神经网络的信息；
    存储的所述参考神经网络；
    可用于存储所述第一神经网络和/或所述第三神经网络的内存空间；
    可用于运行神经网络的算力信息；和，
    所述第二设备的位置信息。
  26. 根据权利要求21-25中任一项所述的方法，其特征在于，所述第一神经网络为生成对抗网络或变分自编码器。
  27. 根据权利要求21-26中任一项所述的方法，其特征在于，所述第一参考信号包括解调参考信号DMRS或者信道状态信息参考信号CSI-RS。
  28. 根据权利要求21-26中任一项所述的方法，其特征在于，所述第一参考信号的序列类型包括ZC序列或黄金序列。
  29. 一种神经网络的训练方法，其特征在于，包括：
    第三设备从第一设备接收第一信道样本信息；
    所述第三设备根据所述第一信道样本信息训练得到第一神经网络，所述第一神经网络用于推理得到第二信道样本信息，所述第二信道样本信息用于训练第二神经网络和/或第三神经网络，所述第二神经网络和/或所述第三神经网络用于所述第一设备与第二设备传输目标信息。
  30. 一种通信装置，其特征在于，用于实现权利要求1-7任一项所述的方法。
  31. 一种通信装置，其特征在于，包括处理器和存储器，所述存储器和所述处理器耦合，所述处理器用于执行权利要求1-7任一项所述的方法。
  32. 一种通信装置，其特征在于，用于实现权利要求8-12任一项所述的方法。
  33. 一种通信装置，其特征在于，包括处理器和存储器，所述存储器和所述处理器耦合，所述处理器用于执行权利要求8-12任一项所述的方法。
  34. 一种通信装置，其特征在于，用于实现权利要求29所述的方法。
  35. 一种通信装置，其特征在于，包括处理器和存储器，所述存储器和所述处理器耦合，所述处理器用于执行权利要求29所述的方法。
  36. 一种通信装置，其特征在于，用于实现权利要求13-20任一项所述的方法。
  37. 一种通信装置，其特征在于，包括处理器和存储器，所述存储器和所述处理器耦合，所述处理器用于执行权利要求13-20任一项所述的方法。
  38. 一种通信装置，其特征在于，用于实现权利要求21-28任一项所述的方法。
  39. 一种通信装置，其特征在于，包括处理器和存储器，所述存储器和所述处理器耦合，所述处理器用于执行权利要求21-28任一项所述的方法。
  40. 一种通信***，其特征在于，包括：
    权利要求30或31所述的通信装置、和权利要求32或33所述的通信装置；
    权利要求30或31所述的通信装置、权利要求32或33所述的通信装置、和权利要求34或35所述的通信装置；或，
    权利要求36或37所述的通信装置、和权利要求38或39所述的通信装置。
  41. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得计算机执行权利要求1-29任一项所述的方法。
  42. 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，使得计算机执行权利要求1-29任一项所述的方法。
CN202080107089.5A 2020-12-31 2020-12-31 一种神经网络的训练方法以及相关装置 Pending CN116458103A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/142103 WO2022141397A1 (zh) 2020-12-31 2020-12-31 一种神经网络的训练方法以及相关装置

Publications (1)

Publication Number Publication Date
CN116458103A true CN116458103A (zh) 2023-07-18

Family

ID=82258815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080107089.5A Pending CN116458103A (zh) 2020-12-31 2020-12-31 一种神经网络的训练方法以及相关装置

Country Status (4)

Country Link
US (1) US20230342593A1 (zh)
EP (1) EP4262121A4 (zh)
CN (1) CN116458103A (zh)
WO (1) WO2022141397A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230031702A1 (en) * 2021-07-14 2023-02-02 Google Llc Neural Networks based Multimodal Transformer for Multi-Task User Interface Modeling
CN117692032A (zh) * 2022-08-12 2024-03-12 维沃移动通信有限公司 信息传输方法、装置、设备、***及存储介质
CN117715106A (zh) * 2022-09-07 2024-03-15 维沃移动通信有限公司 信息传输方法、ai网络模型训练方法、装置和通信设备
CN116404760B (zh) * 2023-06-09 2023-10-20 西安新视空间信息科技有限公司 基于数字孪生地图的分布式电网暂稳态运行方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180367192A1 (en) * 2017-06-19 2018-12-20 Virginia Tech Intellectual Properties, Inc. Encoding and decoding of information for wireless transmission using multi-antenna transceivers
CN110661734A (zh) * 2019-09-20 2020-01-07 西安交通大学 基于深度神经网络的信道估计方法、设备和可读存储介质
CN111954309A (zh) * 2019-05-17 2020-11-17 株式会社Ntt都科摩 终端和基站

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110198282B (zh) * 2018-02-27 2020-06-23 上海诺基亚贝尔股份有限公司 用于信道均衡的方法、设备和计算机可读介质
EP3759654A4 (en) * 2018-03-02 2021-09-08 Deepsig Inc. LEARNING COMMUNICATION SYSTEMS USING CHANNEL PROXIMITY
US10637551B2 (en) * 2018-08-09 2020-04-28 At&T Intellectual Property I, L.P. Generic reciprocity based channel state information acquisition frameworks for advanced networks
CN111628946B (zh) * 2019-02-28 2021-10-26 华为技术有限公司 一种信道估计的方法以及接收设备
US11533115B2 (en) * 2019-05-15 2022-12-20 Huawei Technologies Co., Ltd. Systems and methods for wireless signal configuration by a neural network
CN111342867A (zh) * 2020-02-28 2020-06-26 西安交通大学 一种基于深度神经网络的mimo迭代检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180367192A1 (en) * 2017-06-19 2018-12-20 Virginia Tech Intellectual Properties, Inc. Encoding and decoding of information for wireless transmission using multi-antenna transceivers
CN111954309A (zh) * 2019-05-17 2020-11-17 株式会社Ntt都科摩 终端和基站
CN110661734A (zh) * 2019-09-20 2020-01-07 西安交通大学 基于深度神经网络的信道估计方法、设备和可读存储介质

Also Published As

Publication number Publication date
US20230342593A1 (en) 2023-10-26
WO2022141397A1 (zh) 2022-07-07
EP4262121A4 (en) 2024-03-13
EP4262121A1 (en) 2023-10-18

Similar Documents

Publication Publication Date Title
Zhang et al. Beyond D2D: Full dimension UAV-to-everything communications in 6G
CN116458103A (zh) 一种神经网络的训练方法以及相关装置
JP2022544096A (ja) ディープニューラルネットワークに関する基地局とユーザ機器とのメッセージング
US20210264255A1 (en) Gradient feedback framework for joint transceiver neural network training
US11956031B2 (en) Communication of measurement results in coordinated multipoint
CN112118203A (zh) 具有可配置调制阶数的通信***以及相关联的方法和装置
Zhang et al. An intelligent wireless transmission toward 6G
CN115136730A (zh) 广播已知数据来训练人工神经网络
WO2023125660A1 (zh) 一种通信方法及装置
JP2023514706A (ja) 送信（Ｔｘ）非線形性に対処するための機械学習
Deka et al. Hybrid NOMA for future radio access: Design, potentials and limitations
US11929853B2 (en) Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders
CN114219354A (zh) 一种基于联邦学习资源分配优化方法及***
CN117813913A (zh) 使用神经网络进行信源编码的方法和***
US11456834B2 (en) Adaptive demodulation reference signal (DMRS)
CN115118566B (zh) 改进无线通信中信息的发送
Sanjana et al. Deep learning approaches used in downlink MIMO-NOMA system: a survey
TW202308343A (zh) 經由基於模型的神經網路的通道特徵提取
TW202201935A (zh) 用於無線通道估計和追蹤的神經網路增強
CN115136534A (zh) 用于训练人工神经网络的已知数据的指示触发传输
WO2022082463A1 (zh) 通信方法、装置及***
US11700070B2 (en) Hypernetwork Kalman filter for channel estimation and tracking
EP4283935A1 (en) Interference rejection combining with reduced complexity
US11617183B2 (en) Demapping received data
US20230021835A1 (en) Signaling for additional training of neural networks for multiple channel conditions

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