CN116801280A - Ai模型的处理方法及设备 - Google Patents
Ai模型的处理方法及设备 Download PDFInfo
- Publication number
- CN116801280A CN116801280A CN202210271191.XA CN202210271191A CN116801280A CN 116801280 A CN116801280 A CN 116801280A CN 202210271191 A CN202210271191 A CN 202210271191A CN 116801280 A CN116801280 A CN 116801280A
- Authority
- CN
- China
- Prior art keywords
- communication device
- model
- mobile communication
- azimuth
- data
- 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
- 238000003672 processing method Methods 0.000 title abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 387
- 238000012549 training Methods 0.000 claims abstract description 129
- 238000010295 mobile communication Methods 0.000 claims description 168
- 238000000034 method Methods 0.000 claims description 102
- 238000007906 compression Methods 0.000 claims description 44
- 230000006835 compression Effects 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 25
- 230000006870 function Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 16
- 230000000737 periodic effect Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000011664 signaling Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000009365 direct transmission Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例公开了一种AI模型的处理方法及设备,属于通信技术领域,本申请实施例的AI模型的处理方法包括:第一通信设备确定第一方位;所述第一通信设备执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
Description
技术领域
本申请属于通信技术领域,具体涉及一种人工智能(Artificial Intelligence,AI)模型的处理方法及设备。
背景技术
AI目前在各个领域获得了广泛的应用。通过将AI融入到无线通信领域,可以显著提升吞吐量、降低时延、提升用户容量。然而,在现实网络中,由于网络复杂度的限制、模型传输的限制以及终端不可预测性等原因,使得网络很难实现针对每个终端训练AI模型,网络通常是针对所有终端提供泛化的和蜂窝小区相关的AI模型。但是,泛化的AI模型很难有效地进一步提升通信***性能,例如,难以提升多输入多输出-信道状态信息(MIMO-CSI)的反馈性能。
发明内容
本申请实施例提供一种AI模型的处理方法及设备,能够解决因AI模型泛化,很难有效地进一步提升通信***性能的问题。
第一方面,提供了一种AI模型的处理方法,包括:第一通信设备确定第一方位;所述第一通信设备执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
第二方面,提供了一种第一通信设备,包括:确定模块,用于确定第一方位;执行模块,用于执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
第三方面,提供了一种通信设备,该通信设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,提供了一种通信设备,包括处理器及通信接口,其中,所述处理器用于确定第一方位;以及,执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
第五方面,提供了一种AI模型的处理***,包括:终端及网络侧设备,所述终端可用于执行如第一方面所述的方法的步骤,所述网络侧设备可用于执行如第一方面所述的方法的步骤。
第六方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第七方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法的步骤。
第八方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的方法的步骤。
在本申请实施例中,第一通信设备确定第一方位,并执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征,由于AI模型与方位特征相对应,使得可以根据不同方位进行特征训练和更新,有利于提高AI模型使用的准确性和有效性,进一步提升通信***性能。
附图说明
图1是根据本申请实施例的无线通信***的示意图;
图2是根据本申请实施例的AI模型的处理方法的示意性流程图;
图3是根据本申请实施例中划分的方位示意图;
图4是根据本申请实施例中UE在不同场景下的行为示意图;
图5是根据本申请实施例的AI模型的处理方法的示意性流程图;
图6是根据本申请实施例的AI模型的处理方法的示意性流程图;
图7是根据本申请实施例的第一通信设备的结构示意图;
图8是根据本申请实施例的通信设备的结构示意图;
图9是根据本申请实施例的终端的结构示意图;
图10是根据本申请实施例的网络侧设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)***,还可用于其他无线通信***,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access,SC-FDMA)和其他***。本申请实施例中的术语“***”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的***和无线电技术,也可用于其他***和无线电技术。以下描述出于示例目的描述了新空口(NewRadio,NR)***,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR***应用以外的应用,如第6代(6thGeneration,6G)通信***。
图1示出本申请实施例可应用的一种无线通信***的框图。无线通信***包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、移动上网装置(Mobile Internet Device,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set,BSS)、扩展服务集(Extended Service Set,ESS)、家用B节点、家用演进型B节点、发送接收点(TransmittingReceivingPoint,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR***中的基站为例进行介绍,并不限定基站的具体类型。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的AI模型的处理方法进行详细地说明。
如图2所示,本申请实施例提供一种AI模型的处理方法200,该方法可以由第一通信设备执行,换言之,该方法可以由安装在第一通信设备的软件或硬件来执行,该方法包括如下步骤。
S202:第一通信设备确定第一方位。
本申请各个实施例中,第一通信设备可以是移动通信设备,如终端等;还可以是固定通信设备,如网络侧设备,位置固定的终端等。
可选地,所述第一方位包括:所述第一通信设备相对于第二通信设备的方位;其中,所述第一通信设备包括移动通信设备,所述第二通信设备包括固定通信设备。
关于第一方位可以参见图3,如图3所示,网络所覆盖的区域被分为K个方位或方向,每个方位形成一个饼状子区域(也称为扇形区域),即每个方位对应一个方向角,所有方位对应的方向角之和为360°。饼状子区域,可以用表示,其中n是gNB的标识(ID),即固定通信设备的标识,k是方位索引。每个方位形成的饼状子区域宽度可以是相同的,也可以是不同;可选地,每个网络所覆盖的区域被分割的方位数量K可以是相同的,也可以是不同,可以由高层配置决定。
可选地,所述第一通信设备包括移动通信设备,所述第一通信设备确定第一方位包括:1)所述移动通信设备确定所述移动通信设备的位置信息,所述移动通信设备根据所述位置信息确定所述第一方位;或者,2)所述移动通信设备根据固定通信设备的到达角(Angle of Arrival,AoA)或到达方向(Directionof Arrival,DoA)确定所述第一方位,所述移动通信设备处于所述第一方位内。
可选地,所述第一通信设备包括固定通信设备,所述第一通信设备确定第一方位包括:1)所述固定通信设备确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;所述固定通信设备根据所述位置信息确定所述第一方位,所述移动通信设备处于所述第一方位内;或者,2)所述固定通信设备根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内。
S204:第一通信设备执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
可选地,所述第一方位的特征包括:第二通信设备与处于所述第一方位内的一个或多个所述第一通信设备之间的信道数据;其中,所述第一通信设备包括移动通信设备,所述第二通信设备包括固定通信设备。在图3所示的例子中,第一通信设备包括UE,第二通信设备包括gNB,第一方位的特征包括:gNB与处于第一方位内的一个或多个UE之间的信道数据。
可选地,进行AI模型训练的范围包括:与固定通信设备的最大通信范围相关的方位。在图3所示的例子中,进行AI模型训练的范围可以是:以gNB为圆心,半径为Dmax的范围,其中,Dmax为gNB与UE的最大通信距离。
可选地,在一个例子中,所述第一通信设备包括移动通信设备,如UE,处于第一方位内的移动通信设备可以使用具有所述第一方位的特征的数据进行AI模型训练,还可以选择与所述第一方位匹配的AI模型执行目标通信业务,该目标通信业务例如,信道预测,信道压缩等。
可选地,在一个例子中,所述第一通信设备包括固定通信设备,如gNB,固定通信设备可以使用具有所述第一方位的特征的数据进行AI模型训练,还可以选择与所述第一方位匹配的AI模型执行目标通信业务,该目标通信业务例如,信道预测,信道压缩等。
在图3所示的例子中,如果gNB使用具有所述第一方位的特征的数据进行AI模型训练,则每个方位可以对应一个训练完成的AI模型;如果UE使用具有所述第一方位的特征的数据进行AI模型训练,由于第一方位内可能存在多个UE,则每个方位可以对应一个或多个训练完成的AI模型,例如,每个UE独立训练完成一个AI模型;又例如,多个UE联合训练出一个AI模型。
本申请实施例可以基于方位进行AI模型的训练,这样,被训练出的AI模型具有方位的限制,只有当移动通信设备(如接收端或发送端)进入相关方位的时候,与此方位相关的AI模型被接收端或发送端所使用,从而提高对AI模型使用的准确性和有效性。
本申请实施例提供的AI模型的处理方法,第一通信设备确定第一方位,并执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征,由于AI模型具有方位特征的限制,有利于提高AI模型使用的准确性和有效性,进一步提升通信***性能。
实施例200主要介绍了本申请实施例的核心思想,以下将分多个方案,对本申请实施例的实施细节进行详细说明。
方案一:AI模型的训练方法
在大多数情况下,AI监督学习(Supervised Learning)模型(简称AI模型)可以通过一个概率分布函数p(y|x;w)来表示,其中,x是已知数据向量(也可以被称为数据标签,即,Label),y是AI模型的输入数据,w是AI模型权值向量或系数向量,需要通过AI模型训练获取。
值得注意的是,(y,x)可以被视为AI模型训练的训练数据,被表示为
其中,(yn,xn)是第n对输入输出数据,N是训练数据集中的训练数据总数。
通过简单地使用最大似然原理(Maximum Likelihood),即,使用训练数据和模型预测之间的交叉熵(Cross-Entropy)作为成本函数(Cost Function),AI神经网参数w的训练可以通过求解成本函数J(w)的最小值来获取,其中,成本函数J(w)被表示为
如果假设训练数据集可以被划分为训练数据子集,并且第k个数据子集与参数zk相关联,那么训练数据集可以被表示为
其中,z可以被视为辅助参数向量,z={z1,z2,…,zK},训练数据子集(Xk,Yk)可以被表示为
其中,
当数据子集(Xk,Yk)与数据子集(Xi,Yi)完全独立的情况下,即,其中k≠i,概率分布函数p(y|x;w)可以被表示为
因此,训练数据和训练模型之间的交叉熵可以被表示为
如果辅助参数向量z是已知的或可以被估计的,则与辅助参数zk相对应的AI模型可以被独立训练,其成本函数可以被简化为
其中,k=1,2,…,K,K是独立AI模型的总数。
值得注意的是,使用公式(0)来训练的AI模型方法要简单的多,且AI模型的训练会更加准确,推理性能也会大幅提高。
方案二:根据方位信息区分AI模型的方法
无线信道受UE端的影响远远大于网络端(如,gNB)的影响。一般情况下,UE端的行为是不可预测的。当UE端从一个位置移动到另一个位置,UE端与网络端间的多输入多输出(MIMO)信道会产生变化,且移动距离越远MIMO信道变化越大。如图4中的场景-1,UE端与网络端收发天线的入射角和发射角发生变化,从而造成MIMO信道产生变化。另外,如图4中的场景-2,在同样的地理位置,UE端由于天线方向旋转或摇摆的原因,UE端的入射角和发射角也会发生变化,从而造成MIMO信道产生变化。因此,MIMO信道受UE端影响因素将远远大于受网络端影响因素。
空间信道模型(Space Channel Model,SCM)的生成过程分为多个步骤,前几个步骤主要产生静态或半静态的与MIMO信道相关联的参数,即,在一定时间范围内,不会由于时间或环境的变化,MIMO信道产生变化。最后几个步骤针对簇n以及第u个接收天线单元和第s个发射天线单元对生成相关信道系数。在相关信道系数生成过程中,对于第n簇和第m射线,MIMO信道系数由下公式给出:
其中,Frx,u,θ和Frx,u,φ分别为接收天线单元u在球面基矢量方向上和/>的场模式,Ftx,s,θ和Ftx,s,φ分别为发射天线单元s在球面基矢量方向上/>和/>的场模式。/>是接收天线单元u的位置向量,/>是发射天线单元s的位置向量,κn,m是线性尺度的交叉极化功率比(Cross PolarisationPower Ratio)。
值得注意的是,第二项与初始值相关联,可以通过对AI模型的训练简单且很有效地获取。第一项,第四项和第六项与UE端相关联,直接与UE端行为有关,必须通过收集大量的AI训练数据集,才能对AI模型进行有效的训练。最后,第三项和第五项与网络端相关联,其行为相对比较稳定,可以通过UE的方位辅助信息,对AI模型进行区分。
可选的,第六项与多普勒效应相关联,在终端发生运动的情况下,可能会产生多普勒效应,通过第六项可以对多普勒效应的影响进行预测和修正。
本申请实施例通过对网络的不同方位进行划分,即对AI模型在一定程度上进行方位的限制和区分,从而达到简化每个AI模型的复杂度,并提高对AI模型使用的准确性和有效性。
具体地,如图3所示,网络所覆盖的区域被分为K方位或方向,每个方位形成一个饼状子区域,用表示,其中n是gNB的ID,k是方位索引。
可选地,每个方位形成的饼状子区域宽度可以是相同的,也可以是不同;可选地,每个网络所覆盖的区域被分割的方位数量K可以是相同的,也可以是不同,可以由高层配置决定。
更具体地,每个方位可以看作是一个方位波束(即,DirectionBeamforming),其中,方位波束宽度为2π/K。在AI模型训练过程中,如果gNB或UE能够大致获取UE的地理位置或UE和gNB相关的到达角(Angle of Arrival,AoA)/到达方向(Direction-of-arrival,DOA)信息,则AI训练数据集可以通过每个方位来区分。在这种情况下,gNB或UE仅仅使用方位相关的数据来训练AI模型,被训练而获取的AI模型将拥有方位特征,被称为方位辅助AI模型(或Direction-assistedAIModel)。
值得注意的是,AI模型训练过程可以由UE端完成,也可以由网络侧设备完成。
在蜂窝小区中,由于频谱的不同(如,FDD机制的场景),发送和接收电路的差异,上行链路(即,Up-Link)和下行链路(即,Down-Link)的MIMO信道是由区别的。可选地,AI模型可以被细分为上行链路和下行链路AI模型。
值得注意的是,如果蜂窝小区采用TDD机制,则AI模型就没有必要被细分,即,上下行链路泛化的AI模型即可。
在此,我们假设UE端或网络端获取AI训练数据集(TrainingData Set),即,{D}n。根据上下行链路和蜂窝小区方位,训练数据集被区分为相应的数据子集,即
其中,上标UL和DL分别表示上行链路和下行链路,n是gNB的ID或网络蜂窝小区的ID,k是覆盖方位的索引,索引k由网络蜂窝小区的ID映射转换而来,即,
其中,是蜂窝小区覆盖方位的索引映射转换函数,由高层配置决定。
另外,值得注意的是,整个数据集可以被表示为
因此,通过相应的数据子集或/>分别获取的上下行链路的训练AI模型为
或
其中,
或
是AI神经网函数。
根据最大通信范围Dmax,如果每个蜂窝小区覆盖K个方位作为AI模型训练的话,UE端第n个网络小区所要求的AI模型可以由表1示。
表1:针对第n个网络小区的AI模型表
方案三:AI模型训练过程
在实施例200的基础上,S204中第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练可以分以下四个例子。
可选地,在一个例子中,所述第一通信设备包括移动通信设备,所述AI模型包括下行链路AI模型,所述第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练包括:所述移动通信设备在所述第一方位内接收下行参考信号,并根据所述下行参考信号得到具有所述第一方位的特征的数据;所述移动通信设备使用所述具有所述第一方位的特征的数据进行AI模型训练。该实施例可以参见后续选项一的介绍。
可选地,在一个例子中,所述第一通信设备包括固定通信设备,所述AI模型包括上行链路AI模型,所述第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练包括:所述固定通信设备接收上行参考信号,并根据所述上行参考信号得到具有所述第一方位的特征的数据,所述上行参考信号是处于所述第一方位内的第二通信设备发送的,所述第二通信设备包括移动通信设备;所述固定通信设备使用所述具有所述第一方位的特征的数据进行AI模型训练。该实施例可以参见后续选项二的介绍。
可选地,在一个例子中,所述第一通信设备包括固定通信设备,所述AI模型包括下行链路AI模型,所述第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练包括:所述固定通信设备接收具有所述第一方位的特征的数据,所述具有所述第一方位的特征的数据是处于所述第一方位内的第二通信设备发送的,所述第二通信设备包括移动通信设备;所述固定通信设备使用所述具有所述第一方位的特征的数据进行AI模型训练。该实施例可以参见后续选项三的介绍。
可选地,在一个例子中,所述第一通信设备包括固定通信设备,所述AI模型包括下行链路AI模型,所述第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练包括:所述固定通信设备接收第一数据,所述第一数据是第二通信设备发送的,所述第二通信设备包括移动通信设备;所述固定通信设备根据所述移动通信设备的位置信息确定所述第一数据具有所述第一方位的特征;所述固定通信设备使用所述具有所述第一方位的特征的数据进行AI模型训练。该实施例可以参见后续选项四的介绍。
AI模型既可以通过UE端训练获取,也可以通过网络端训练获取,如表2所示。
表2:AI模型训练类型
选项一:UE端执行AI模型训练过程
UE端执行AI模型训练过程一般只是针对下行链路MIMO信道的。
UE端会根据全球导航卫星***(Global Navigation Satellite System,GNSS)或5G-NR定位(即,5G-NRPositioning)等方法对UE端进行时时定位和跟踪。从而,UE端获取自己的位置坐标信息。
可选地,网络端对UE端进行时时定位和跟踪,并把定位结果通知UE端,让UE端获取自己的位置坐标信息。
可选地,UE端测量AoA或DoA获取与网络端的方位信息。
UE端根据UE端的位置坐标信息,或测量量AoA或DoA信息,UE端评估UE端与网络端相关的方位索引k。UE端通过方位索引k相关的数据子集,训练与方位索引k相关的AI模型。
具体地,当UE端进入连接态(ConnectedMode),UE端接收下行参考信号(即,ReferenceSignal),通过最小均方误差(MMSE)等手段对MIMO信道数据进行估计并储存。
可选地,下行参考信号可以是高层配置的周期性信号,也可以是高层配置但通过媒体接入控制控制单元(Media Access Control Control Element,MAC CE)或L1信令触发的周期性或非周期性信号,也可以是直接发送非周期的L1参考信号,如,信道状态信息参考信号(Channel State Information-Reference Signal,CSI-RS)。
值得注意的是,UE端储存MIMO信道数据主要目的是为了决定AI训练数据即,
其中,是与第n个gNB相关的下行链路的MIMO信道响应(即,ChannelResponse)矩阵,t是信道响应的时间,可以使用OFDM符号(即,OFDMSymbol)也可以通过时隙(即,TimeSlot)参数来代替,k是覆盖方位的索引,l是AI训练数据子集中的第l个数据。
因此,下行链路的数据子集可以被表示为
其中,L是针对第k个覆盖方位的AI训练数据总数。
UE端通过所收集的AI训练数据子集来训练下行与索引k相关的AI模型
以下将介绍网络端执行AI模型训练过程,网络端执行AI模型训练过程可以针对上行链路MIMO信道,也可以针对下行链路MIMO信道,分以下选项二,选项三和选项四。
选项二:网络端执行AI模型训练过程,针对上行链路MIMO信道的场景。
UE端会根据GNSS或5G-NR定位(即,5G-NRPositioning)等方法对UE端进行时时定位和跟踪,并把定位结果通知网络端,让网络端获取UE端的位置坐标信息。
可选地,网络端会通过5G-NR定位等方法对UE端进行时时定位和跟踪,从而,网络端直接获取UE端的位置坐标信息。
可选地,网络端通过测量AoA或DoA获取与UE端的方位信息。
网络端根据UE端的位置坐标信息,或测量量AoA或DoA信息,网络端评估UE端与网络端相关的方位索引k。网络端通过方位索引k相关的数据子集,训练与方位索引k相关的AI模型。
可选地,网络端会通过高层针对UE端配置上行链路的参考信号,如探测参考信号(Sounding Reference Signal,SRS)。上行参考信号可以是高层配置的周期性信号,也可以是高层配置但通过MAC-CE或L1信令触发的周期性或非周期性信号,也可以是直接发送非周期的L1参考信号。
网络端接收参考信号,通过MMSE等手段对MIMO信道数据进行估计并储存。
值得注意的是,网络端储存MIMO信道数据主要目的是为了决定AI训练数据即,
其中,是与第n个gNB相关的上行链路的信道响应矩阵,t是信道响应的时间,可以使用正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)符号(即,OFDMSymbol)也可以通过时隙(即,TimeSlot)参数来代替,k是覆盖方位的索引,l是AI训练数据子集中的第l个数据。
值得注意的是,上行链路的数据子集可以被表示为
其中,L是针对第k个覆盖方位的AI训练数据总数。
UE端通过所收集的AI训练数据子集来训练上行AI模型/>
以下将介绍网络端执行AI模型训练过程针对下行链路MIMO信道的场景,这种情况下,AI模型训练过程可以由以下两个选项来完成。
选项三:UE端会根据GNSS或5G-NR定位(即,5G-NRPositioning)等方法对UE端进行时时定位和跟踪,从而,UE端获取自己的位置坐标信息。
可选地,UE端测量AoA或DoA获取与网络端的方位信息。
UE端根据UE端的位置坐标信息,或测量量AoA或DoA信息,UE端评估UE端与网络端相关的方位索引k。UE端收集方位索引k相关的数据子集,并报告给网络端。网络端通过方位索引k相关的数据子集,训练与方位索引k相关的AI模型。
同样地,当UE端进入连接态(ConnectedMode),UE端接收下行参考信号(即,ReferenceSignal),通过MMSE等手段对MIMO信道数据进行估计并储存。
可选地,下行参考信号可以是高层配置的周期性信号,也可以是高层配置但通过MAC-CE或L1信令触发的周期性或非周期性信号,也可以是直接发送L1参考信号,如,CSI-RS。
值得注意的是,UE端在储存MIMO信道数据的同时,会决定AI训练数据由公式(2)表示。
同样地,下行链路的数据子集可以被公式(3)表示。
UE端通过网络端指示的上行信道资源,如,物理上行共享信道(Physical UplinkShared Channel,PUSCH),将下行链路的数据子集汇报给网络端。
网络端通过所收集的AI训练数据子集来训练下行AI模型/>
选项四:网络端会通过5G-NR定位等方法对UE端进行时时定位和跟踪。从而,网络端获取UE端的位置坐标信息。
可选地,网络端通过测量AoA或DoA获取与UE端的方位信息。
网络端根据UE端的位置坐标信息,或测量量AoA或DoA信息,网络端评估UE端与网络端相关的方位索引k。网络端通过方位索引k相关的数据子集,训练与方位索引k相关的AI模型。
当UE端进入连接态(ConnectedMode),UE端接收下行参考信号(即,ReferenceSignal),通过MMSE等手段对MIMO信道数据进行估计并储存。
可选地,下行参考信号可以是高层配置的周期性信号,也可以是高层配置但通过MAC-CE或L1信令触发的周期性或非周期性信号,也可以是直接发送L1参考信号,如CSI-RS。
值得注意的是,UE端在储存MIMO信道同时,会决定AI训练数据即,
其中,是与第n个网络端相关的下行链路的信道响应(即,ChannelResponse)矩阵,t是信道响应的时间,可以使用OFDM符号(即,OFDMSymbol)也可以通过时隙(即,TimeSlot)参数来代替,l是AI训练数据子集中的第l个数据。
值得注意的是,由于UE端没有相关的方位索引k信息,UE端不区分方位相关的数据子集。下行链路的数据子集可以被表示为
其中,L是针对第n个gNB相关的AI训练数据总数。
UE端通过网络端指示的上行信道资源(如,PUSCH),将下行链路的数据子集汇报给网络端。
由于网络端已知UE端ID和其方位,网络端根据与UE端的方位区分与第k方位相关的AI训练数据子集同样地,数据子集/>可以被公式(3)表示。
网络端通过所收集的AI训练数据子集来训练下行AI模型/>/>
方案四:AI模型选择过程
AI模型选择过程与AI模型使用场景直接关联。可选地,根据信道预测(如,根据CSI信号对信道预测)的数据集训练的AI模型仅仅涉及到UE端或网络端。可选地,根据信道压缩(如,根据CSI信号估计的信道压缩)的数据集训练的AI模型会同时涉及到UE端和网络端。
以下将介绍AI模型应用在信道预测中的场景。
信道预测的定义是,UE端或网络端通过现有时间t获取的信道(如,UE端根据CSI-RS信号估计下行信道或网络端根据SRS信号估计上行信道/>)来预测时间t+Δ获取的信道,其中,Δ是信道预测的时间长度。
可选地,UE端通过时间t的下行信道来预测时间t+Δ的下行信道UE端会把预测的下行信道/>使用上行链路的信道资源,如,物理上行控制信道(Physical Uplink Control Channel,PUCCH),PUSCH等汇报给网络端,从而网络端能够有效地决定下行链路的大规模(Massive)MIMO传输方式。
可选地,网络端通过UE端在时间t使用上行链路的信道资源,如,PUCCH,PUSCH等,汇报的下行信道来预测时间t+Δ的下行信道/>网络端根据预测的信道能够有效地决定下行链路的MassiveMIMO传输方式。
可选地,网络端通过时间t的上行信道来预测时间t+Δ的上行信道网络端根据预测的上行信道/>来决定上行链路的MassiveMIMO传输方式,并使用信令,如,物理下行控制信道(Physical Downlink Control Channel,PDCCH),物理下行共享信道(Physical Downlink Shared Channel,PDSCH)等,通过UE端进行上行链路的MassiveMIMO传输。
在实施例200的基础上,S204中第一通信设备确定第一方位,并选择与所述第一方位匹配的AI模型执行目标通信业务可以分以下两个例子。
可选地,在一个例子中,所述第一通信设备包括移动通信设备,所述第一通信设备确定第一方位;所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:所述移动通信设备确定所述移动通信设备的位置信息;所述移动通信设备根据所述位置信息确定所述第一方位;或者,所述移动通信设备根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;所述移动通信设备根据所述第一方位的索引k,在训练完成的K个AI模型中选择与所述索引k对应的AI模型进行信道预测,K是正整数。
可选地,所述AI模型包括上行链路AI模型,所述信道预测包括预测时刻t+Δ的信道,所述方法还包括:所述移动通信设备接收时刻t的信道,所述时刻t的信道是第二通信设备发送的,所述第二通信设备包括固定通信设备。
可选地,所述AI模型包括上行链路AI模型或下行链路AI模型。该实施例可以参见后续选项一和选项三的介绍。
可选地,在一个例子中,所述第一通信设备包括固定通信设备,所述第一通信设备确定第一方位;所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:所述固定通信设备确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;所述固定通信设备根据所述位置信息确定所述第一方位;所述移动通信设备处于所述第一方位内;或者,所述固定通信设备根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;所述固定通信设备根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI模型进行信道预测,K是正整数。
可选地,所述AI模型包括上行链路AI模型,所述信道预测包括预测时刻t+Δ的信道,所述方法还包括:所述固定通信设备接收时刻t的信道,所述时刻t的信道是所述移动通信设备发送的。
可选地,所述AI模型包括上行链路AI模型或下行链路AI模型。该实施例可以参见后续选项二和选项四的介绍。
AI模型在信道预测的场景中,UE端或网络端选择上行和下行链路的AI模型的方法有四种选项,如表3所示。
表3:针对信道预测场景中的AI模型选择方法
类型 | 上行链路 | 下行链路 |
UE端执行AI模型选择 | 选项一 | 选项三 |
网络端执行AI模型选择 | 选项二 | 选项四 |
选项一:UE端对自己进行定位或测量AoA/DoA,或通过网络端的获取UE端与网络端的方位;UE端根据方位,通过公式(1)获取AI模型对应方位索引k。UE端在训练好的K个上行AI模型中,即,中,选择第k个AI模型。根据AI模型/>UE端预测信道/>
值得注意的是,选项一的应用场景是,网络端还可以将上行信道告诉UE端,根据AI模型/>UE端预测信道/>
选项二:网络端对UE端进行定位或测量AoA/DoA,或通过UE端的获取UE端与网络端的方位;网络端根据方位,通过公式(1)获取AI模型对应方位索引k;网络端在训练好的K个上行AI模型中,即,中,选择第k个AI模型。根据AI模型/>网络端预测信道
选项三:UE端对自己进行定位或测量AoA/DoA,或通过网络端的获取UE端与网络端的方位;UE端根据方位,通过公式(1)获取AI模型对应方位索引k。UE端在训练好的K个下行AI模型中,即,中,选择第k个AI模型。根据AI模型/>UE端预测信道/>
选项四:网络端对UE端进行定位或测量AoA/DoA,或通过UE端的获取UE端与网络端的方位;网络端根据方位,通过公式(1)获取AI模型对应方位索引k;网络端在训练好的K个下行AI模型中,即,中,选择第k个AI模型。根据AI模型/>网络端预测信道
值得注意的是,选项四的应用场景是,UE端可以将下行信道告诉网络端,根据AI模型/>网络端预测信道/>/>
以下将介绍AI模型应用在信道压缩中的场景。
信道压缩的定义是,UE端通过现有时间t获取的信道(如,UE端根据CSI-RS信号估计下行信道)。UE端通过AI神经网的编码器(即,Encoder)对信道进行压缩,并报告给网络端。网络端通过AI神经网的解码器(即,Decoder)对接收信号进行解码,恢复信道。
有效地,AI模型由AI编码器模型和AI解码器模型组成,分别由和或/>和/>表示,其中
或
在实施例200的基础上,S204中第一通信设备确定第一方位,并选择与所述第一方位匹配的AI模型执行目标通信业务可以分以下两个例子。
可选地,在一个例子中,所述第一通信设备包括移动通信设备,第一通信设备确定第一方位;所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:所述移动通信设备确定所述移动通信设备的位置信息;所述移动通信设备根据所述位置信息确定所述第一方位;或者,所述移动通信设备根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;所述移动通信设备根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI压缩模型对信道进行压缩,得到压缩信道数据,K是正整数;所述移动通信设备向第二通信设备发送所述压缩信道数据,所述第二通信设备包括固定通信设备。
可选地,所述方法还包括:所述移动通信设备向所述固定通信设备发送所述AI压缩模型对应的AI解码模型;其中,所述AI解码模型用于解压所述压缩信道数据。
可选地,所述移动通信设备确定所述移动通信设备的位置信息包括:所述移动通信设备自主确定所述移动通信设备的位置信息;或者,所述移动通信设备接收所述移动通信设备的位置信息,所述位置信息所述固定通信设备确定的。该实施例可以参见后续选项一和选项二的介绍。
可选地,在一个例子中,所述第一通信设备包括固定通信设备,第一通信设备确定第一方位;所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:所述固定通信设备确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;所述固定通信设备根据所述位置信息确定所述第一方位;所述移动通信设备处于所述第一方位内;或者,所述固定通信设备根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;所述固定通信设备根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI压缩模型对信道进行压缩,得到压缩信道数据,K是正整数;所述固定通信设备向所述移动通信设备发送所述压缩信道数据。
可选地,所述方法还包括:所述固定通信设备向所述移动通信设备发送所述AI压缩模型对应的AI解码模型;其中,所述AI解码模型用于解压所述压缩信道数据。
可选地,所述固定通信设备确定第二通信设备的位置信息包括:所述固定通信设备自主确定所述第二通信设备的位置信息;或者,所述固定通信设备接收所述第二通信设备的位置信息,所述位置信息所述第二通信设备确定的。该实施例可以参见后续选项三和选项四的介绍。
在信道压缩中的场景中,AI模型的选择是根据UE端执行信道压缩还是网络端执行信道压缩决定的。AI模型的选择方法有四种选项,如表4所示。
表4:针对信道压缩场景中的AI模型选择方法
类型 | UE端执行下行链路信道压缩 | 网络端执行上行链路信道压缩 |
UE端定位 | 选项一 | 选项三 |
网络端定位 | 选项二 | 选项四 |
选项一:UE端对自己进行定位或测量AoA/DoA,或更新UE端自身地理位置或测量AoA/DoA;UE端获取与网络端相关的方位;UE端根据方位,通过公式(1)获取AI模型对应方位索引k。UE端选择相应方位的AI编码器模型,即对信道进行压缩。UE端通过物理信道(如,PUCCH或PUSCH)发送压缩信道数据包给网络端,同时可以通知网络端对应的AI解码器模型/>网络端通过AI解码器模型/>对接收的数据包进行解码恢复在时间t的信道。
可选地,在选项一中,UE端发送压缩信道数据包给网络端之前或之后,UE端可以通知网络端对应的AI解码器模型
可选地,在选项一中,UE端可以通过AI模型的索引k通知网络端对应的AI解码器模型。
选项二:网络端对UE端定进行定位或测量AoA/DoA,或更新UE端的地理位置或测量AoA/DoA;网络端获取与UE端相关的方位;网络端通知UE端,更新UE端的方位;UE端根据方位,通过公式(1)获取AI模型对应方位索引k。UE端选择相应方位的AI编码器模型,即对信道进行压缩。UE端通过物理信道(如,PUCCH或PUSCH)发送压缩信道数据包给网络端,同时可以通知网络端对应的AI解码器模型,即/>网络端通过AI解码器模型对接收的数据包进行解码恢复在时间t的信道。
可选地,在选项二中,UE端发送压缩信道数据包给网络端之前或之后,通知网络端对应的AI解码器模型
可选地,在选项二中,UE端可以通过AI模型的索引k通知网络端对应的AI解码器模型。
选项三:UE端自身进行定位或测量AoA/DoA,或更新UE端的地理位置或测量AoA/DoA;UE端获取与网络端相关的方位;UE端通知网络端,更新网络端的方位;网络端根据方位,通过公式(1)获取AI模型对应方位索引k。网络端选择相应方位的AI编码器模型,即对信道进行压缩。网络端通过物理信道(如,PDCCH或PDSCH)发送压缩信道数据包给UE端,同时可以通知UE端对应的AI解码器模型,即/>UE端通过AI解码器模型对接收的数据包进行解码恢复在时间t的信道。
可选地,在选项三中,网络端发送压缩信道数据包给UE端之前或之后,通知UE端对应的AI解码器模型
可选地,在选项三中,网络端可以通过AI模型的索引k通知UE端对应的AI解码器模型。
选项四:网络端对UE端定进行定位或测量AoA/DoA,或更新UE端的地理位置或测量AoA/DoA;网络端获取与UE端相关的方位;网络端选择相应方位的AI编码器模型,即对信道进行压缩。网络端通过物理信道(如,PDCCH或PDSCH)发送压缩信道数据包给UE端,同时可以通知UE端对应的AI解码器模型,即/>UE端通过AI解码器模型对接收的数据包进行解码恢复在时间t的信道。
可选地,在选项四中,网络端发送压缩信道数据包给UE端之前或之后,通知UE端对应的AI解码器模型
可选地,在选项四中,网络端可以通过AI模型的索引k通知UE端对应的AI解码器模型。
以下将介绍AI模型在信道预测和信道压缩中的场景。更有效地,UE端或网络端可以根据UE端具体方位,同时对两个以上不同类型的AI模型进行选择。
在实施例200的基础上,所述AI模型包括AI预测模型以及AI压缩模型,所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:所述第一通信设备选择所述AI预测模型预测时刻t+Δ的信道;所述第一通信设备选择所述AI压缩模型对所述时刻t+Δ的信道进行压缩,得到压缩信道数据;所述第一通信设备向第二通信设备发送所述压缩信道数据。
可选地,所述方法还包括:所述第一通信设备向所述第二通信设备发送所述AI压缩模型对应的AI解码模型;其中,所述AI解码模型用于解压所述压缩信道数据。
可选地,所述第一通信设备包括固定通信设备,所述第二通信设备包括移动通信设备;或者,所述第一通信设备包括移动通信设备,所述第二通信设备包括固定通信设备。该实施例可以参见后续选项一和选项二的介绍。
选项一:UE端根据与网络端的方位,选择针对下行信道预测场景中的AI模型,即同时UE端还可以选择针对下行信道压缩场景中的AI编码器模型,即/>UE端通过下行信道预测相关的AI模型/>根据下行信道/>对信道/>进行预测。
可选地,UE端通过下行信道压缩相关的AI编码器模型对预测信道进行压缩。UE端通过上行物理信道(如,PUCCH或PUSCH)发送压缩信道数据包给网络端,同时可以通知网络端对应的AI解码器模型,即/>网络端通过AI解码器模型对接收的数据包进行解码恢复在时间t+Δ的下行信道/>
可选地,在选项一中,UE端发送压缩信道数据包给网络端之前或之后,UE端可以通知网络端对应的AI解码器模型
可选地,在选项一中,UE端可以通过AI模型的索引k通知网络端对应的AI解码器模型。
选项二:网络端根据与UE端的方位,选择针对上行信道预测场景中的AI模型,即同时网络端还选择针对上行信道压缩场景中的AI编码器模型,即/>网络端通过上行信道预测相关的AI模型/>根据上行信道/>对信道/>进行预测。
可选地,网络端通过上行信道压缩相关的AI编码器模型对预测信道进行压缩。网络端通过下行物理信道(如,PDCCH或PDSCH)发送压缩信道数据包给UE端,同时可以通知UE端对应的AI解码器模型,即/>UE端通过AI解码器模型对接收的数据包进行解码恢复在时间t+Δ的上行信道/>
可选地,在选项二中,网络端发送压缩信道数据包给UE端之前或之后,通知UE端对应的AI解码器模型
可选地,在选项二中,网络端可以通过AI模型的索引k通知UE端对应的AI解码器模型。
可选地,UE端或网络端可以自由地选择信道预测相关的AI模型和信道压缩相关的AI模型进行搭配,从而有效地实现信道预测和信道压缩相关过程。
为详细说明本申请实施例提供的AI模型的处理方法,以下将结合几个具体的实施例进行说明。
实施例一
该实施例是关于由UE执行AI模型训练,信道预测和信道压缩过程,如图5所示,该实施例包括如下步骤:
步骤1:UE端训练下行信道预测AI模型UE端训练下行信道压缩AI编码器模型/>和AI解码器模型/>
步骤2:UE端将AI解码器模型报告给gNB。
步骤3:UE端自身进行定位或测量AoA/DoA,获取与gNB相关的方位。
步骤4:UE端根据与gNB相关的方位,并通过公式(1)获取AI模型对应方位索引k;UE端在训练好的K个AI模型中,即,中,选择第k个AI模型/>
步骤5:根据AI模型和时间t以前的p个下行信道,即/>/>UE端预测在时间t+Δ的信道,即HnDLt+Δ。
步骤6:UE端根据与gNB相关的方位,并通过公式(1)获取AI模型对应方位索引k;UE端在训练好的K个AI模型中,即,中,选择第k个AI编码器模型/>
步骤7:根据AI编码器模型UE端对预测的下行信道/>进行压缩,生成预测信道数据包。其中包括AI解码器模型/>相关的索引k。
步骤8:UE端通过PUCCH或PUSCH发送预测信道数据包给gNB。
步骤9:根据相关的索引k,gNB使用AI解码器模型对预测信道数据包进行解码,获取预测信道/>
实施例二
本实施例是关于由gNB执行AI模型训练,信道预测和信道压缩过程,如图6所示,该实施例包括如下步骤:
步骤1:gNB训练下行信道预测AI模型gNB训练下行信道压缩AI编码器模型和AI解码器模型/>
步骤2:gNB将下行信道预测AI模型和AI编码器模型/>告诉给UE端。
步骤3:UE端自身进行定位或测量AoA/DoA,获取与gNB相关的方位。
步骤4:UE端根据与gNB相关的方位,并通过公式(1)获取AI模型对应方位索引k;UE端在训练好的K个AI模型中,即,中,选择第k个AI模型/>
步骤5:根据AI模型和时间t以前的p个下行信道,即/> UE端预测在时间t+Δ的信道,即HnDLt+Δ。
步骤6:UE端根据与gNB相关的方位,并通过公式(1)获取AI模型对应方位索引k;UE端在训练好的K个AI模型中,即,中,选择第k个AI编码器模型/>
步骤7:根据AI编码器模型UE端对预测的下行信道/>进行压缩,生成预测信道数据包。其中包括AI解码器模型/>相关的索引k。
步骤8:UE端通过PUCCH或PUSCH发送预测信道数据包给gNB。
步骤9:根据相关的索引k,gNB使用AI解码器模型对预测信道数据包进行解码,获取预测信道/>
图7是根据本申请实施例的第一通信设备的结构示意图,该第一通信设备可以对应于其他实施例中的终端或网络侧设备。如图7所示,第一通信设备700包括如下模块。
确定模块702,可以用于确定第一方位。
执行模块704,可以用于执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
在本申请实施例中,第一通信设备确定第一方位,并执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征,由于AI模型具有方位特征的限制,有利于提高AI模型使用的准确性和有效性,进一步提升通信***性能。
可选地,作为一个实施例,所述第一通信设备700包括移动通信设备,所述确定模块702,用于:确定所述移动通信设备的位置信息,根据所述位置信息确定所述第一方位;或者,根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内。
可选地,作为一个实施例,所述第一通信设备700包括固定通信设备,所述确定模块702,用于:确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;根据所述位置信息确定所述第一方位,所述移动通信设备处于所述第一方位内;或者,根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内。
可选地,作为一个实施例,所述第一通信设备700包括移动通信设备,所述AI模型包括下行链路AI模型,所述执行模块704,用于:在所述第一方位内接收下行参考信号,并根据所述下行参考信号得到具有所述第一方位的特征的数据;使用所述具有所述第一方位的特征的数据进行AI模型训练。
可选地,作为一个实施例,所述第一通信设备700包括固定通信设备,所述AI模型包括上行链路AI模型,所述执行模块704,用于:接收上行参考信号,并根据所述上行参考信号得到具有所述第一方位的特征的数据,所述上行参考信号是处于所述第一方位内的第二通信设备发送的,所述第二通信设备包括移动通信设备;使用所述具有所述第一方位的特征的数据进行AI模型训练。
可选地,作为一个实施例,所述第一通信设备700包括固定通信设备,所述AI模型包括下行链路AI模型,所述执行模块704,用于:接收具有所述第一方位的特征的数据,所述具有所述第一方位的特征的数据是处于所述第一方位内的第二通信设备发送的,所述第二通信设备包括移动通信设备;使用所述具有所述第一方位的特征的数据进行AI模型训练。
可选地,作为一个实施例,所述第一通信设备700包括固定通信设备,所述AI模型包括下行链路AI模型,所述执行模块704,用于:接收第一数据,所述第一数据是第二通信设备发送的,所述第二通信设备包括移动通信设备;根据所述移动通信设备的位置信息确定所述第一数据具有所述第一方位的特征;使用所述具有所述第一方位的特征的数据进行AI模型训练。
可选地,作为一个实施例,所述第一通信设备700包括移动通信设备;所述确定模块702,用于确定所述移动通信设备的位置信息;根据所述位置信息确定所述第一方位;或者,根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;所述执行模块704,用于根据所述第一方位的索引k,在训练完成的K个AI模型中选择与所述索引k对应的AI模型进行信道预测,K是正整数。
可选地,作为一个实施例,所述第一通信设备700包括固定通信设备;所述确定模块702,用于确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;根据所述位置信息确定所述第一方位;所述移动通信设备处于所述第一方位内;或者,根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;所述执行模块704,用于根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI模型进行信道预测,K是正整数。
可选地,作为一个实施例,所述第一通信设备700包括移动通信设备;所述确定模块702,用于确定所述移动通信设备的位置信息;根据所述位置信息确定所述第一方位;或者,根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;所述执行模块704,用于根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI压缩模型对信道进行压缩,得到压缩信道数据,K是正整数;向第二通信设备发送所述压缩信道数据,所述第二通信设备包括固定通信设备。
可选地,作为一个实施例,所述第一通信设备700包括固定通信设备;所述确定模块702,用于确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;根据所述位置信息确定所述第一方位;所述移动通信设备处于所述第一方位内;或者,根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;所述执行模块704,用于根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI压缩模型对信道进行压缩,得到压缩信道数据,K是正整数;向所述移动通信设备发送所述压缩信道数据。
可选地,作为一个实施例,所述AI模型包括AI预测模型以及AI压缩模型,所述执行模块704,用于:选择所述AI预测模型预测时刻t+Δ的信道;选择所述AI压缩模型对所述时刻t+Δ的信道进行压缩,得到压缩信道数据;向第二通信设备发送所述压缩信道数据。
根据本申请实施例的第一通信设备700可以参照对应本申请实施例的方法200的流程,并且,该第一通信设备700中的各个单元/模块和上述其他操作和/或功能分别为了实现方法200中的相应流程,并且能够达到相同或等同的技术效果,为了简洁,在此不再赘述。
本申请实施例中的第一通信设备可以是电子设备,例如具有操作***的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于上述所列举的终端11的类型,其他设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例提供的第一通信设备能够实现图2至图6的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图8所示,本申请实施例还提供一种通信设备800,包括处理器801和存储器802,存储器802上存储有可在所述处理器801上运行的程序或指令,例如,该通信设备800为终端时,该程序或指令被处理器801执行时实现上述AI模型的处理方法实施例的各个步骤,且能达到相同的技术效果。该通信设备800为网络侧设备时,该程序或指令被处理器801执行时实现上述AI模型的处理方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种终端,包括处理器和通信接口,所述处理器用于确定第一方位;以及,执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。该终端实施例与上述终端侧方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中,且能达到相同的技术效果。具体地,图9为实现本申请实施例的一种终端的硬件结构示意图。
该终端900包括但不限于:射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909以及处理器910等中的至少部分部件。
本领域技术人员可以理解,终端900还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理***与处理器910逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。图9中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元904可以包括图形处理单元(GraphicsProcessing Unit,GPU)9041和麦克风9042,图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元906可包括显示面板9061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072中的至少一种。触控面板9071,也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元901接收来自网络侧设备的下行数据后,可以传输给处理器910进行处理;另外,射频单元901可以向网络侧设备发送上行数据。通常,射频单元901包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器909可用于存储软件程序或指令以及各种数据。存储器909可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作***、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器909可以包括易失性存储器或非易失性存储器,或者,存储器909可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本申请实施例中的存储器909包括但不限于这些和任意其它适合类型的存储器。
处理器910可包括一个或多个处理单元;可选的,处理器910集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作***、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器910中。
其中,处理器910,可以用于确定第一方位;以及,执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
在本申请实施例中,终端确定第一方位,并执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征,由于AI模型具有方位特征的限制,有利于提高AI模型使用的准确性和有效性,进一步提升通信***性能。
本申请实施例提供的终端900还可以实现上述AI模型的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种网络侧设备,包括处理器和通信接口,所述处理器用于确定第一方位;以及,执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。该网络侧设备实施例与上述网络侧设备方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中,且能达到相同的技术效果。
具体地,本申请实施例还提供了一种网络侧设备。如图10所示,该网络侧设备1000包括:天线101、射频装置102、基带装置103、处理器104和存储器105。天线101与射频装置102连接。在上行方向上,射频装置102通过天线101接收信息,将接收的信息发送给基带装置103进行处理。在下行方向上,基带装置103对要发送的信息进行处理,并发送给射频装置102,射频装置102对收到的信息进行处理后经过天线101发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置103中实现,该基带装置103包括基带处理器。
基带装置103例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图10所示,其中一个芯片例如为基带处理器,通过总线接口与存储器105连接,以调用存储器105中的程序,执行以上方法实施例中所示的网络设备操作。
该网络侧设备还可以包括网络接口106,该接口例如为通用公共无线接口(commonpublic radio interface,CPRI)。
具体地,本发明实施例的网络侧设备1000还包括:存储在存储器105上并可在处理器104上运行的指令或程序,处理器104调用存储器105中的指令或程序执行图7所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述AI模型的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述AI模型的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为***级芯片,***芯片,芯片***或片上***芯片等。
本申请实施例另提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现上述AI模型的处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种AI模型的处理***,包括:终端及网络侧设备,所述终端可用于执行如上所述的AI模型的处理方法的步骤,所述网络侧设备可用于执行如上所述的AI模型的处理方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (39)
1.一种人工智能AI模型的处理方法,其特征在于,包括:
第一通信设备确定第一方位;
所述第一通信设备执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
2.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括移动通信设备,所述第一通信设备确定第一方位包括:
所述移动通信设备确定所述移动通信设备的位置信息,所述移动通信设备根据所述位置信息确定所述第一方位;或者,
所述移动通信设备根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内。
3.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括固定通信设备,所述第一通信设备确定第一方位包括:
所述固定通信设备确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;所述固定通信设备根据所述位置信息确定所述第一方位,所述移动通信设备处于所述第一方位内;或者,
所述固定通信设备根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内。
4.根据权利要求1所述的方法,其特征在于,所述第一方位包括:所述第一通信设备相对于第二通信设备的方位;
其中,所述第一通信设备包括移动通信设备,所述第二通信设备包括固定通信设备。
5.根据权利要求1所述的方法,其特征在于,所述第一方位的特征包括:
第二通信设备与处于所述第一方位内的一个或多个所述第一通信设备之间的信道数据;
其中,所述第一通信设备包括移动通信设备,所述第二通信设备包括固定通信设备。
6.根据权利要求1所述的方法,其特征在于,进行AI模型训练的范围包括:与固定通信设备的最大通信范围相关的方位。
7.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括移动通信设备,所述AI模型包括下行链路AI模型,所述第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练包括:
所述移动通信设备在所述第一方位内接收下行参考信号,并根据所述下行参考信号得到具有所述第一方位的特征的数据;
所述移动通信设备使用所述具有所述第一方位的特征的数据进行AI模型训练。
8.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括固定通信设备,所述AI模型包括上行链路AI模型,所述第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练包括:
所述固定通信设备接收上行参考信号,并根据所述上行参考信号得到具有所述第一方位的特征的数据,所述上行参考信号是处于所述第一方位内的第二通信设备发送的,所述第二通信设备包括移动通信设备;
所述固定通信设备使用所述具有所述第一方位的特征的数据进行AI模型训练。
9.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括固定通信设备,所述AI模型包括下行链路AI模型,所述第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练包括:
所述固定通信设备接收具有所述第一方位的特征的数据,所述具有所述第一方位的特征的数据是处于所述第一方位内的第二通信设备发送的,所述第二通信设备包括移动通信设备;
所述固定通信设备使用所述具有所述第一方位的特征的数据进行AI模型训练。
10.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括固定通信设备,所述AI模型包括下行链路AI模型,所述第一通信设备使用具有所述第一方位的特征的数据进行AI模型训练包括:
所述固定通信设备接收第一数据,所述第一数据是第二通信设备发送的,所述第二通信设备包括移动通信设备;
所述固定通信设备根据所述移动通信设备的位置信息确定所述第一数据具有所述第一方位的特征;
所述固定通信设备使用所述具有所述第一方位的特征的数据进行AI模型训练。
11.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括移动通信设备,所述第一通信设备确定第一方位;所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:
所述移动通信设备确定所述移动通信设备的位置信息;所述移动通信设备根据所述位置信息确定所述第一方位;或者,所述移动通信设备根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;
所述移动通信设备根据所述第一方位的索引k,在训练完成的K个AI模型中选择与所述索引k对应的AI模型进行信道预测,K是正整数。
12.根据权利要求11所述的方法,其特征在于,所述AI模型包括上行链路AI模型或下行链路AI模型。
13.根据权利要求11所述的方法,其特征在于,所述AI模型包括上行链路AI模型,所述信道预测包括预测时刻t+Δ的信道,所述方法还包括:
所述移动通信设备接收时刻t的信道,所述时刻t的信道是第二通信设备发送的,所述第二通信设备包括固定通信设备。
14.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括固定通信设备,所述第一通信设备确定第一方位;所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:
所述固定通信设备确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;所述固定通信设备根据所述位置信息确定所述第一方位;所述移动通信设备处于所述第一方位内;或者,所述固定通信设备根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;
所述固定通信设备根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI模型进行信道预测,K是正整数。
15.根据权利要求14所述的方法,其特征在于,所述AI模型包括上行链路AI模型或下行链路AI模型。
16.根据权利要求15所述的方法,其特征在于,所述AI模型包括上行链路AI模型,所述信道预测包括预测时刻t+Δ的信道,所述方法还包括:
所述固定通信设备接收时刻t的信道,所述时刻t的信道是所述移动通信设备发送的。
17.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括移动通信设备,第一通信设备确定第一方位;所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:
所述移动通信设备确定所述移动通信设备的位置信息;所述移动通信设备根据所述位置信息确定所述第一方位;或者,所述移动通信设备根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;
所述移动通信设备根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI压缩模型对信道进行压缩,得到压缩信道数据,K是正整数;
所述移动通信设备向第二通信设备发送所述压缩信道数据,所述第二通信设备包括固定通信设备。
18.根据权利要求17所述的方法,其特征在于,所述方法还包括:
所述移动通信设备向所述固定通信设备发送所述AI压缩模型对应的AI解码模型;
其中,所述AI解码模型用于解压所述压缩信道数据。
19.根据权利要求17所述的方法,其特征在于,所述移动通信设备确定所述移动通信设备的位置信息包括:
所述移动通信设备自主确定所述移动通信设备的位置信息;或者,
所述移动通信设备接收所述移动通信设备的位置信息,所述位置信息所述固定通信设备确定的。
20.根据权利要求1所述的方法,其特征在于,所述第一通信设备包括固定通信设备,第一通信设备确定第一方位;所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:
所述固定通信设备确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;所述固定通信设备根据所述位置信息确定所述第一方位;所述移动通信设备处于所述第一方位内;或者,所述固定通信设备根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;
所述固定通信设备根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI压缩模型对信道进行压缩,得到压缩信道数据,K是正整数;
所述固定通信设备向所述移动通信设备发送所述压缩信道数据。
21.根据权利要求20所述的方法,其特征在于,所述方法还包括:
所述固定通信设备向所述移动通信设备发送所述AI压缩模型对应的AI解码模型;
其中,所述AI解码模型用于解压所述压缩信道数据。
22.根据权利要求20所述的方法,其特征在于,所述固定通信设备确定第二通信设备的位置信息包括:
所述固定通信设备自主确定所述第二通信设备的位置信息;或者,
所述固定通信设备接收所述第二通信设备的位置信息,所述位置信息所述第二通信设备确定的。
23.根据权利要求1所述的方法,其特征在于,所述AI模型包括AI预测模型以及AI压缩模型,所述第一通信设备选择与所述第一方位匹配的AI模型执行目标通信业务包括:
所述第一通信设备选择所述AI预测模型预测时刻t+Δ的信道;
所述第一通信设备选择所述AI压缩模型对所述时刻t+Δ的信道进行压缩,得到压缩信道数据;
所述第一通信设备向第二通信设备发送所述压缩信道数据。
24.根据权利要求23所述的方法,其特征在于,所述方法还包括:
所述第一通信设备向所述第二通信设备发送所述AI压缩模型对应的AI解码模型;
其中,所述AI解码模型用于解压所述压缩信道数据。
25.根据权利要求23所述的方法,其特征在于,
所述第一通信设备包括固定通信设备,所述第二通信设备包括移动通信设备;或者,
所述第一通信设备包括移动通信设备,所述第二通信设备包括固定通信设备。
26.一种第一通信设备,其特征在于,包括:
确定模块,用于确定第一方位;
执行模块,用于执行如下至少之一:使用具有所述第一方位的特征的数据进行AI模型训练;选择与所述第一方位匹配的AI模型执行目标通信业务,其中,所述AI模型具有所述第一方位的特征。
27.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括移动通信设备,所述确定模块,用于:
确定所述移动通信设备的位置信息,根据所述位置信息确定所述第一方位;或者,
根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内。
28.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括固定通信设备,所述确定模块,用于:
确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;根据所述位置信息确定所述第一方位,所述移动通信设备处于所述第一方位内;或者,
根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内。
29.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括移动通信设备,所述AI模型包括下行链路AI模型,所述执行模块,用于:
在所述第一方位内接收下行参考信号,并根据所述下行参考信号得到具有所述第一方位的特征的数据;
使用所述具有所述第一方位的特征的数据进行AI模型训练。
30.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括固定通信设备,所述AI模型包括上行链路AI模型,所述执行模块,用于:
接收上行参考信号,并根据所述上行参考信号得到具有所述第一方位的特征的数据,所述上行参考信号是处于所述第一方位内的第二通信设备发送的,所述第二通信设备包括移动通信设备;
使用所述具有所述第一方位的特征的数据进行AI模型训练。
31.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括固定通信设备,所述AI模型包括下行链路AI模型,所述执行模块,用于:
接收具有所述第一方位的特征的数据,所述具有所述第一方位的特征的数据是处于所述第一方位内的第二通信设备发送的,所述第二通信设备包括移动通信设备;
使用所述具有所述第一方位的特征的数据进行AI模型训练。
32.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括固定通信设备,所述AI模型包括下行链路AI模型,所述执行模块,用于:
接收第一数据,所述第一数据是第二通信设备发送的,所述第二通信设备包括移动通信设备;
根据所述移动通信设备的位置信息确定所述第一数据具有所述第一方位的特征;
使用所述具有所述第一方位的特征的数据进行AI模型训练。
33.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括移动通信设备;
所述确定模块,用于确定所述移动通信设备的位置信息;根据所述位置信息确定所述第一方位;或者,根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;
所述执行模块,用于根据所述第一方位的索引k,在训练完成的K个AI模型中选择与所述索引k对应的AI模型进行信道预测,K是正整数。
34.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括固定通信设备;
所述确定模块,用于确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;根据所述位置信息确定所述第一方位;所述移动通信设备处于所述第一方位内;或者,根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;
所述执行模块,用于根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI模型进行信道预测,K是正整数。
35.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括移动通信设备;
所述确定模块,用于确定所述移动通信设备的位置信息;根据所述位置信息确定所述第一方位;或者,根据固定通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;
所述执行模块,用于根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI压缩模型对信道进行压缩,得到压缩信道数据,K是正整数;向第二通信设备发送所述压缩信道数据,所述第二通信设备包括固定通信设备。
36.根据权利要求26所述的第一通信设备,其特征在于,所述第一通信设备包括固定通信设备;
所述确定模块,用于确定第二通信设备的位置信息,所述第二通信设备包括移动通信设备;根据所述位置信息确定所述第一方位;所述移动通信设备处于所述第一方位内;或者,根据移动通信设备的到达角或到达方向确定所述第一方位,所述移动通信设备处于所述第一方位内;
所述执行模块,用于根据所述第一方位的索引k,在训练完成的K个AI模型中选择所述索引k对应的AI压缩模型对信道进行压缩,得到压缩信道数据,K是正整数;向所述移动通信设备发送所述压缩信道数据。
37.根据权利要求26所述的第一通信设备,其特征在于,所述AI模型包括AI预测模型以及AI压缩模型,所述执行模块,用于:
选择所述AI预测模型预测时刻t+Δ的信道;
选择所述AI压缩模型对所述时刻t+Δ的信道进行压缩,得到压缩信道数据;
向第二通信设备发送所述压缩信道数据。
38.一种通信设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至25任一项所述的方法的步骤。
39.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至25任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210271191.XA CN116801280A (zh) | 2022-03-18 | 2022-03-18 | Ai模型的处理方法及设备 |
PCT/CN2023/081589 WO2023174325A1 (zh) | 2022-03-18 | 2023-03-15 | Ai模型的处理方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210271191.XA CN116801280A (zh) | 2022-03-18 | 2022-03-18 | Ai模型的处理方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116801280A true CN116801280A (zh) | 2023-09-22 |
Family
ID=88022378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210271191.XA Pending CN116801280A (zh) | 2022-03-18 | 2022-03-18 | Ai模型的处理方法及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116801280A (zh) |
WO (1) | WO2023174325A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112105046B (zh) * | 2019-06-18 | 2023-03-31 | ***通信有限公司研究院 | 模型训练方法及***、异频测量估计方法及*** |
CN113747462B (zh) * | 2020-05-30 | 2024-07-19 | 华为技术有限公司 | 一种信息处理方法及相关设备 |
CN113938232A (zh) * | 2020-07-13 | 2022-01-14 | 华为技术有限公司 | 通信的方法及通信装置 |
-
2022
- 2022-03-18 CN CN202210271191.XA patent/CN116801280A/zh active Pending
-
2023
- 2023-03-15 WO PCT/CN2023/081589 patent/WO2023174325A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023174325A1 (zh) | 2023-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116057853A (zh) | 融合射频和传感器测量结果以进行波束管理的方法和设备 | |
CN116055015A (zh) | 感知信号的处理方法、装置及通信设备 | |
US20240088970A1 (en) | Method and apparatus for feeding back channel information of delay-doppler domain, and electronic device | |
WO2023066288A1 (zh) | 模型请求方法、模型请求处理方法及相关设备 | |
CN116801280A (zh) | Ai模型的处理方法及设备 | |
CN116567806A (zh) | 基于人工智能ai模型的定位方法及通信设备 | |
CN116806029A (zh) | Ai模型的处理方法及设备 | |
CN116415476A (zh) | 模型的构建方法、装置及通信设备 | |
CN116488747A (zh) | 信息交互方法、装置及通信设备 | |
WO2024027576A1 (zh) | 一种ai网络模型的性能监督方法、装置和通信设备 | |
WO2024093997A1 (zh) | 确定模型适用性的方法、装置及通信设备 | |
WO2023088387A1 (zh) | 信道预测方法、装置、ue及*** | |
WO2023151657A1 (zh) | 信息处理方法及通信设备 | |
WO2023040888A1 (zh) | 数据传输方法及装置 | |
US20240064724A1 (en) | Refined beam prediction with wide beam measurements | |
CN117060959A (zh) | 信道特征信息的获取方法、终端及网络侧设备 | |
CN117938689A (zh) | Ai模型配置方法、终端及网络侧设备 | |
CN117676687A (zh) | 测量反馈处理方法、装置、终端及网络侧设备 | |
CN116963099A (zh) | 模型输入的确定方法及通信设备 | |
CN117835262A (zh) | Ai模型的处理方法、装置及通信设备 | |
CN116846493A (zh) | 信道预测方法、装置及无线通信设备 | |
CN116233906A (zh) | 测量方法、装置、设备及存储介质 | |
CN118282899A (zh) | 功能性生命周期管理的模型监测方法、装置、通信设备、***及存储介质 | |
CN117692954A (zh) | 测量反馈处理方法、装置、终端及网络侧设备 | |
CN116234000A (zh) | 定位方法及通信设备 |
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 |