CN117256128A - 对抗不同多普勒效应的用于信道估计的机器学习 - Google Patents
对抗不同多普勒效应的用于信道估计的机器学习 Download PDFInfo
- Publication number
- CN117256128A CN117256128A CN202180097090.9A CN202180097090A CN117256128A CN 117256128 A CN117256128 A CN 117256128A CN 202180097090 A CN202180097090 A CN 202180097090A CN 117256128 A CN117256128 A CN 117256128A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- channel
- user data
- information
- speed
- 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
- 238000010801 machine learning Methods 0.000 title abstract description 12
- 230000000694 effects Effects 0.000 title abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 83
- 238000000034 method Methods 0.000 claims description 51
- 230000015654 memory Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 230000006854 communication Effects 0.000 description 26
- 238000004891 communication Methods 0.000 description 26
- 230000011664 signaling Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000026058 directional locomotion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000008407 joint function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
- H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
-
- 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
- H04L25/0226—Channel estimation using sounding signals sounding signals per se
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开的实施例涉及对抗不同多普勒效应的用于信道估计的机器学习。在该解决方案中,第一设备经由第一设备与第二设备之间的信道,在时隙中从第二设备接收用户数据,用户数据包括参考符号。然后,第一设备利用NN基于关于第二设备的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计。第二信道估计基于所接收的参考符号被执行。之后,第一设备向第二设备发送第一信道估计的结果的指示。利用该解决方案,能够在不同场景(例如,不同多普勒场景、高速场景等)中以低参考信号开销(例如,1个DMRS)执行信道估计,从而减少网络消耗。
Description
技术领域
本公开的实施例总体上涉及电信领域,并且具体地,涉及一种用于对抗不同多普勒效应的用于信道估计的机器学习的方法、设备、装置和计算机可读存储介质。
背景技术
人工智能(AI)/机器学习(ML)技术在下一代(NG)通信中显示出巨大的潜力。这些技术已经被研究并且用于通信***,诸如故障检测、故障监测等。特别是在过去的几年里,在物理(PHY)层提出了基于AI/ML的方法来优化PHY功能,或者解决常规方法不能很好地解决的问题。这些解决方案要么是通过单一功能模型,要么是通过联合功能模型,或者是通过端到端解决方案。
发明内容
总体上,本公开的示例实施例提供了一种对抗不同多普勒效应的用于信道估计的机器学习解决方案。
在第一方面,提供了一种第一设备。第一设备包括至少一个处理器;以及包括计算机程序代码的至少一个存储器;该至少一个存储器和计算机程序代码被配置为与该至少一个处理器一起,使该设备:经由第一设备与第二设备之间的信道在时隙中从第二设备接收用户数据,其中用户数据包括参考符号。然后,第一设备利用神经网络,基于关于第二设备的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计,其中第二信道估计基于所接收的参考符号被执行。之后,第一设备向第二设备发送第一信道估计的结果的指示。
在第二方面,提供了一种第二设备。第二设备包括至少一个处理器;以及包括计算机程序代码的至少一个存储器;该至少一个存储器和计算机程序代码被配置为与该至少一个处理器一起,使该设备:经由第一设备与第二设备之间的信道在时隙中向第一设备发送用户数据,其中用户数据包括参考符号,使得第一设备利用神经网络基于关于第二设备的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计,第二信道估计基于所接收的参考符号被执行;从第一设备接收第一信道估计的结果的指示。
在第三方面,提供了一种方法。该方法包括:在第一设备处,经由第一设备与第二设备之间的信道在时隙中从第二设备接收用户数据,用户数据包括参考符号;利用神经网络,基于关于第二设备的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计,第二信道估计基于所接收的参考符号被执行;以及向第二设备发送第一信道估计的结果的指示。
在第四方面,提供了一种方法。该方法包括:在第二设备处,经由第一设备与第二设备之间的信道在时隙中向第一设备发送用户数据,用户数据包括参考符号,使得第一设备利用神经网络,基于关于第二设备的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计,第二信道估计基于所接收的参考符号被执行;以及从第一设备接收第一信道估计的结果的指示。
在第五方面,提供了一种第一装置。第一装置包括:用于经由第一装置与第二装置之间的信道在时隙中从第二装置接收用户数据的部件,用户数据包括参考符号;用于利用神经网络基于关于第二装置的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计的部件,第二信道估计基于所接收的参考符号被执行;以及用于向第二装置发送第一信道估计的结果的指示的部件。
在第六方面,提供了一种第二装置。第二装置包括:用于在第二装置处经由第一装置与第二装置之间的信道在时隙中向第一装置发送用户数据的部件,用户数据包括参考符号,使得第一装置利用神经网络基于关于第二装置的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计,第二信道估计基于所接收的参考符号被执行;以及用于从第一装置接收第一信道估计的结果的指示的部件。
在第七方面,提供了一种计算机可读介质,该计算机可读介质包括用于使装置至少执行根据上述第三方面至第四方面中的任一方面的方法的程序指令。
应当理解,发明内容部分不旨在确定本公开的实施例的关键或基本特征,也不旨在用于限制本公开的范围。通过以下描述,本公开的其他特征将变得容易理解。
附图说明
现在将参考附图描述一些示例实施例,在附图中:
图1示出了可以在其中实现本公开的示例实施例的示例通信环境;
图2示出了在高多普勒场景中的星座图旋转;
图3示出了根据本公开的一些示例实施例的用于信道估计的信令流程;
图4示出了根据本公开的一些示例实施例的一个时隙中的示例用户数据;
图5A至图5B示出了根据本公开的一些示例实施例的神经网络(NN)的示例结构;
图5C示出了根据本公开的一些示例实施例的用于信道估计的示例结构;
图6示出了根据本公开的一些示例实施例的用于信道估计的信令流程;
图7示出了根据本公开的一些示例实施例的用于信道估计的信令流程;
图8A示出了根据本公开的一些实施例的多径中的定向移动速度和射线;
图8B至图8C示出了根据本公开的一些实施例的对抗多普勒的NN的性能;
图9示出了根据本公开的一些实施例的在第一设备处实现的方法的流程图;
图10示出了根据本公开的一些实施例的在第二设备处实现的方法的流程图;
图11示出了适合于实现本公开的示例实施例的设备的简化框图;以及
图12示出了根据本公开的一些实施例的示例计算机可读介质的框图。
在整个附图中,相同或相似的附图标记表示相同或相似的元素。
具体实施方式
现在将参考一些示例实施例来描述本公开的原理。应当理解,描述这些实施例仅是为了说明和帮助本领域技术人员理解和实现本公开,并不表示对本公开的范围的任何限制。本文中描述的公开内容可以以除了下面描述的方式之外的各种其他方式来实现。
在以下描述和权利要求中,除非另有定义,否则本文中使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常理解的相同的含义。
在本公开中,对“一个实施例”、“实施例”和“示例实施例”等的引用表明所描述的实施例可以包括特定特征、结构或特性,但并非每个实施例都必须包括特定特征、结构或特性。此外,这样的短语不一定是指同一实施例。此外,当结合实施例描述特定特征、结构或特性时,本领域技术人员认为,无论是否明确描述,与其他实施例相结合来影响这样的特征、结构或特性都在本领域技术员的知识范围内。
应当理解,尽管术语“第一”和“第二”等可以在本文中用于描述各种元素,但这些元素不应受到这些术语的限制。这些术语仅用于将一个元素与另一元素区分开来。例如,在不脱离示例实施例的范围的情况下,第一元素可以称为第二元素,并且类似地,第二元素可以称为第一元素。如本文中使用的,术语“和/或”包括所列术语中的一个或多个术语的任何和所有组合。
本文中使用的术语仅用于描述特定实施例,而非旨在限制示例实施例。如本文中使用的,单数形式“一”、“一个”和“该”也包括复数形式,除非上下文另有明确说明。进一步理解,术语“包含”、“包含……的”、“具有”、“具有……的”、“包括”和/或“包括……的”当在本文中使用时指定所述特征、元素和/或组件等的存在,但不排除一个或多个其他特征、元素、组件和/或其组合的存在或添加。
如本申请中使用的,术语“电路***”可以指代以下一项或多项或全部:
(a)纯硬件电路实现(诸如仅使用模拟和/或数字电路***的实现),以及
(b)硬件电路和软件的组合,诸如(如适用):
(i)(多个)模拟和/或数字硬件电路与软件/固件的组合,以及
(ii)具有软件的(多个)硬件处理器的任何部分(包括(多个)数字信号处理器、软件和(多个)存储器,其一起工作以使装置(诸如移动电话或服务器)执行各种功能),以及
(c)(多个)硬件电路和/或(多个)处理器,诸如(多个)微处理器或(多个)微处理器的一部分,其需要软件(例如,固件)进行操作,但在不需要操作时软件可以不存。
该电路***的定义适合于该术语在本申请中的所有使用,包括在任何权利要求中的使用。作为另一示例,如在本申请中使用的,术语电路***还涵盖仅硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及其随附软件和/或固件的实现。例如,如果适用于特定权利要求元素,则术语电路***还涵盖用于移动设备的基带集成电路或处理器集成电路、或者服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。
如本文中使用的,术语“网络设备”是指通信网络中的节点,终端设备经由该节点能够接入网络并且从中接收服务。网络设备可以是指基站(BS)或接入点(AP),例如,节点B(NodeB或NB)、演进型NodeB(eNodeB或eNB)、NR NB(也称为gNB)、远程无线电单元(RRU)、无线电报头(RH)、远程无线电头(RRH)、集成接入和回程(IAB)节点、中继器、低功率节点(诸如毫微微、微微)等,具体取决于所应用的术语和技术。
术语“终端设备”是指能够进行无线通信的任何终端设备。作为示例而非限制,终端设备也可以称为通信设备、用户设备(UE)、订户站(SS)、便携式订户站、移动站(MS)或接入终端(AT)。终端设备可以包括但不限于移动电话、蜂窝电话、智能电话、IP语音(VoIP)电话、无线本地环路电话、平板电脑、可穿戴终端设备、个人数字助理(PDA)、便携式计算机、台式计算机、诸如数码相机等图像捕获终端设备、游戏终端设备、音乐存储和播放设备、车载无线终端设备、无线端点、移动站、笔记本电脑嵌入式设备(LEE)、笔记本电脑安装式设备(LME)、USB加密狗、智能设备、无线客户驻地设备(CPE)、物联网(IoT)设备、手表或其他可穿戴设备、头戴式显示器(HMD)、车辆、无人机、医疗设备和应用(例如,远程手术)、工业设备和应用(例如,在工业和/或自动化处理链情境中操作的机器人和/或其他无线设备)、消费电子设备、在商业和/或工业无线网络上操作的设备等。在以下描述中,术语“终端设备”、“通信设备”、“终端”、“用户设备”和“UE”可以互换使用。
如本文中使用的,术语“第一”、“第二”等可以用于描述各种元素,这些元素不应当受到这些术语的限制。这些术语仅用于将一个元素与另一元素区分开来。例如,在不脱离示例实施例的范围的情况下,第一元素可以称为第二元素,并且类似地,第二元素可以被称为第一元素。如本文中使用的,术语“和/或”包括所列术语中的一个或多个的任何和所有组合。
图1示出了可以在其中实现本公开的示例实施例的示例通信环境100。通信环境100(其可以是通信网络的一部分)包括第一设备110(也可以称为网络设备)和一组第二设备120-1……120-N(其中N表示任何合适的正整数)(也可以称为终端设备)。出于讨论的目的,第二设备120-1……120-N将被统称为或单独称为第二设备120。
第一设备110与第二设备120之间以及第一设备110与第一设备110之间经由第二设备120的通信可以遵循任何合适的通信标准或协议(已经存在或将在未来开发,诸如通用移动电信***(UMTS)、长期演进(LTE)、高级LTE(LTE-A)、第五代(5G)新无线电(NR)、无线保真(Wi-Fi)和全球微波接入互操作性(WiMAX)标准),并且采用任何合适的通信技术,包括例如多输入多输出(MIMO)、正交频分复用(OFDM)、时分复用(TDM)、频分复用(FDM)、码分复用(CDM)、蓝牙、ZigBee和机器类型通信(MTC)、增强型移动宽带(eMBB)、大规模机器类型通信(mMTC)、超可靠低延迟通信(URLLC)、载波聚合(CA)、双连接(DC)和新无线电免许可(NR-U)技术。
信道估计是无线通信中一个具有挑战性的问题。发送的信号通常被反射和散射,以沿着多个路径到达接收器。当这些路径具有类似的延迟时,它们要么建设性地相加,要么破坏性地相加,从而产生衰减。当这些路径具有非常不同的延迟时,它们表现为信号回波。由于发送器、接收器或散射物体的移动性,信道会随时间变化。
此外,第二设备120(例如,UE)的移动性是对多普勒频率偏移的重要贡献中的一个,多普勒频率偏移可以在接收信号中在变换到频域之后通过以下等式(1)建模:
其中δf表示速度的函数,TS是基本时间单位,是OFDM符号i与OFDM符号0之间的样本数,/>表示时隙报头与OFDM符号i之间的OFDM间相位旋转,表示OFDM内相位旋转,yi(n)表示接收信号,FFT()表示执行傅立叶变换,NFFT表示FFT大小。
因此,除了一个OFDM符号内的子载波之间的干扰之外,不同OFDM符号之间也存在相位旋转。在非视距场景中,δf将更加复杂,因为复杂无线环境中的多径传输非常难以理解,并且难以补偿。
因此,当第二设备120(例如,UE)正在高速移动并且多普勒效应不可忽略时,由于未知的OFDM符号间相位旋转,信道估计将在仅具有1个解调参考信号(DMRS)的情况下失败。图2示出了当第二设备120(例如,运行中的车辆或火车等)高速移动时,高多普勒场景200中的星座图旋转。
为了克服复杂的相位旋转,在常规解决方案中,通过估计OFDM符号之间的相位旋转来使用两个或更多个DMRS来补偿不期望的多普勒效应。然而,常规解决方案持基于插值线性变化的主观假定,这在高速场景中尤其不适合。除此之外,多个DMRS在实践中牺牲了传输效率。
此外,如上所述,AI/ML技术在下一代(NG)通信中显示出巨大的潜力。这些技术已经在通信***中得到了研究和应用,诸如故障检测、故障监测等。特别是在过去几年中,在PHY层提出了基于AI/ML的方法来优化PHY功能,或解决常规方法无法很好地解决的问题。这些解决方案是通过针对单个功能的模型、针对联合功能的模型或端到端解决方案,包括各种主题,如信道编码/解码、信道状态信息反馈、调制识别和星座学习等。AI/ML技术可以节省很多精力,用一个模型提供不同的“定制”解决方案来解决特定问题。PHY层中的一个主题是信道估计,其可以定制算法本身以适应各种条件。
为了解决上述问题中的至少一部分,提供了一种对抗不同多普勒效应的用于信道估计的机器学习解决方案。在该解决方案中,第一设备110经由第一设备110与第二设备120之间的信道在时隙中从第二设备120接收用户数据。用户数据包括参考符号(例如,DMRS)。然后,第一设备110利用NN,基于关于第二设备120的速度的信息和针对信道的原始信道估计(也可以称为第二信道估计)的结果来执行针对信道的信道估计(也可以称为第一信道估计)。原始信道估计基于所接收的参考符号被执行。之后,第一设备110向第二设备120发送第一信道估计的结果的指示。
因此,提供了一种基于下行链路技术的信道估计方法(例如,信道估计)。利用这种方法,能够在不同场景(例如,不同多普勒场景、高速场景等)中以低参考信号开销(例如,1个DMRS)执行信道估计,从而减少网络消耗。此外,上述解决方案提供了基于线性变化假定的信道估计的恢复,从而产生精确的插值。
下面将参考附图3至图7详细描述本公开的示例实施例。现在参考图3,图3示出了根据本公开的一些示例实施例的用于信道估计的信令流程300。为了便于讨论,将参考图1描述信令流程300。信令流程300涉及如图1所示的第一设备110和第二设备120。
如信令流程300所示,第二设备120经由第一设备110与第二设备120之间的信道在时隙中向第一设备110发送305用户数据。用户数据包括参考符号。在一些示例中,信道可以是无线信道。
在一些实施例中,用户数据可以在一个时隙中包括一个DMRS。例如,图4示出了根据本公开的一些示例实施例的一个时隙中的示例用户数据400。应当理解,图4中的一个时隙中的用户数据400被示出仅用于说明目的,并且本申请的范围在这方面不受限制。
如图4所示,用户数据400可以包括频率时间网格时隙中的资源元素。在资源元素中,其中的一些是参考信号(即,DMRS导频),其余是数据。具体地,如图4所示,时域中可以有Nt个(例如,14个)符号(例如,OFDM符号),并且频域中可以有Ns个(例如,12个)子载波。Nt和Ns都可以是正整数。因此,每个符号中存在N个(例如,12个)资源元素。此外,一个符号中存在用于DMRS导频的Np个(例如,4个)资源元素,并且DMRS中存在用于数据的Nd个(例如,8个)资源元素。Np和Nd都可以是正整数。
应当理解,除了图4所示的数目之外,一个时隙中的用户数据400还可以包括其他数目的符号、子载波或DMRS导频,并且本公开的范围在这方面不受限制。
现在返回图3,相应地,第一设备110经由信道在时隙中从第二设备120接收310用户数据。然后,第一设备110利用NN基于关于第二设备120的速度的信息和针对信道的原始信道估计的结果来执行320针对信道的第一信道估计。原始信道估计是基于所接收的参考符号来执行的。在一个示例中,第一信道估计的输出可以用于用户数据中的所有数据。第一信道估计的输出的更多细节示例将在后面的部分中参考图5A来提供。
在一些实施例中,关于速度的信息可以是最近的信息。在一些实施例中,关于速度的信息可以包括第二设备120的移动速度。在这样的实施例中,例如,关于速度的信息可以是60公里/小时(km/h)等。在另一示例中,关于速度的信息(例如,第二设备120的移动速度)可以是包括方向的关于速度的信息的矢量(即,关于速度的信息是定向的)。因此,例如,关于速度的信息可以是三个方向上(例如,沿着x、y和z轴)的
在一些其他实施例中,关于速度的信息可以包括关于第二设备120的位置的信息。在这样的实施例中,该信息可以是第二设备120的不同位置,其可以通过全球定位***(GPS)或其他***来获取。利用这样的信息,第一设备110可以推断出关于第二设备120的速度的信息。例如,第一设备110可以基于第二设备120在不同时间点所处的位置来预测第二设备120的移动速度。应当理解,关于如何基于关于第二设备120的位置的信息来计算关于第二设备120的速度的信息的方法可以变化,并且本公开的范围在这方面不受限制。
在一些实施例中,第一设备110可以向第二设备120发送用于通知第二设备120发送关于速度的信息的消息。在这样的实施例中,例如,该消息可以经由专用消息以广播方式被发出。例如,该消息可以是***信息块(SIB)消息,该SIB消息包括关于第二设备120发送关于速度的信息的通知的信息。该消息也可以是3GPP标准中的其他类型的现有消息,或者也可以是单独发送的新消息,并且本公开的范围在这方面不受限制。
在接收到该消息时,第二设备120可以向第一设备110发送关于速度的信息。因此,第一设备110可以直接从第一设备接收关于速度的信息。
在一些其他实施例中,第一设备110还可以从其他设备(例如,GPS平台/服务器等)获取关于速度的信息,并且本公开的保护范围在这方面不受限制。
在一些实施例中,NN可以包括超分辨率NN(SRNN)和另外的NN。另外的NN在本公开中也可以称为子神经网络(SubNN)。在这样的实施例中,原始信道估计的结果可以被输入到SRNN,并且关于速度的信息可以被输入到另外的NN。根据这些实施例的神经网络将在图5中被详细介绍。在一些其他实施例中,NN还可以包括其他种类的NN,并且本公开的保护范围在这方面不受限制。
现在返回图3,如图3所示,第一设备110然后向第二设备120发送330第一信道估计的结果的指示,相应地,第二设备120接收335该指示。在一些实施例中,第二设备120可以基于该指示来执行其他动作,其细节将分别参考图6和图7在后面的部分中说明。
图5A至图5B示出了根据本公开的一些示例实施例的NN的示例结构。应当理解,图5A至图5B中的NN 500A和500B仅用于说明目的,而不限制本公开的范围。
图5A示出了根据本公开的一些示例实施例的NN 500A的结构。图5所示的NN也可以称为子残差信道注意力网络(SubRCAN)。如图5A所示,在一些实施例中,NN 500A可以包括SRNN 510、SubNN 520、组合模块530和输出神经网络(OutNN)540,其细节将在下面的部分中描述。
在一些示例中,SRNN 510可以主要负责在频域中恢复信道估计。它可以根据DMRS导频从低分辨率原始信道估计(即,第二信道估计)恢复高分辨率信道估计。在一个示例中,SRNN 510可以包括残差信道注意力网络(RCAN),其细节将在后面部分中在图5B中说明。
在这样的示例中,SRNN 510的输入可以是来自1个符号DMRS的原始信道估计。输入的示例可以是2*Np*1矩阵,其中输入使用一个符号中的Np个DMRS导频被拆分为实部和虚部,即,两个Np*1矩阵。因此,SRNN 510的输出在放大之后可以是2*Ns*Nt个矩阵。
在其他示例中,SRNN 510也可以是其他类型的SRNN,例如,超分辨率卷积神经网络(SRCNN)、卷积神经网络等,并且本公开的范围在这方面不受限制。
在一些示例中,SubNN 520可以用于通过提取OFDM符号间差异来帮助SRNN 510处理高多普勒场景,并且用比常规解决方案中更少的DMRS(例如,1个DMRS)很好地恢复信道估计。SubNN 520的输入可以是包括方向的关于速度的信息的矢量。
因此,SubNN 520可以从关于速度的信息中提取低维特征,该低维特征可以表示信道特征(可以不是人类的直觉),并且可以稍后与上述SRNN 510的输出合并,以在时域中补偿多普勒引起的星座图劣化。
在一个示例中,SubNN 520可以只有两个或三个完全连接层,最大输出长度为2*1*Nt。然后,它可以被重复以具有与SRNN 510相同的尺寸2*Ns*Nt。SubNN 520在学习符号间差异和校正相位旋转方面起着关键作用,如前一部分中的图2中的星座图所示。此外,近似线性映射也有利于快速训练以捕捉多普勒影响。
在一些实施例中,SRNN 510和SubNN 520的输出被输入到组合模块530中。在一个示例中,组合模块530可以是级联操作。在另一示例中,组合模块530也可以是直接逐元素生成。组合模块530也可以是其他形式(例如,对来自SRNN 510和SubNN 520的输出的两个矩阵级联),并且本申请的保护范围在这方面不受限制。
在一些实施例中,来自组合模块530的结果可以被进一步输入到具有进一步优化的OutNN 540。然后,在一个时隙中恢复的信道估计(即,第一信道估计)可以被输出。输出可以是2*Ns*Nt,这是针对所有数据的信道估计。
上述NN 500A收敛速度快,并且对训练数据的要求低,从而节省了第一设备110的处理资源和网络资源。在具有较少参考信号(例如,1个DMRS)的高多普勒场景中,能够使用NN 500A来执行信道估计。
图5B示出了根据本公开的一些示例实施例的NN(例如,SubRCAN)500B的更详细的结构。如图5B所示,NN 500B可以包括如图5A所示的SRNN 510、SubNN 520、组合模块530和OutNN 540。如图5B所示,原始信道估计551和信息速度(即,图5B所示的GPS/速度)552分别被输入到SRNN 510和SubNN 520。
在一些实施例中,SRNN 510可以包括RCAN 512和放大网络514,如图5B所示。RCAN512收敛速度快,并且在恢复工作中具有高精度。RCAN 512可以具有残差结构的残差,包括例如残差组RG(例如,RG-1 516-1……RG3 516-3,其可以单独或统称为RG 516),如图5所示,从而有助于减轻训练困难。
上述NN(例如,NN 500A)提供了基于线性变化假定的信道估计的恢复,从而产生精确的插值。此外,诸如SubRCAN的NN收敛快,并且对训练数据的需求低,从而节省了第一设备110的处理资源和网络消耗。
在一些示例中,如图5B所示,每个RG 516可以包括残差信道注意力块(RCAB),例如RCAB-1 518-1……RCAB-6 518-6,其可以单独或统称为RCAB 518。RCAB 518可以包括信道注意力机制(例如,使用信道注意力功能519),从而使NN 500B关注更多信息特征。
应当理解,图5B所示的一些模块可以被跳过,并且可以添加附加模块,并且本公开的范围在这方面不受限制。
如图5B所示,在一些示例中,子NN 520可以具有两个完全连接(FC)层。此外,OutNN560可以包括两个卷积层。然而,应当理解,SubNN 520和OutNN 560中层的数目可以是其他数目,并且本公开的范围在这方面不受限制。
图5C示出了根据本公开的一些示例实施例的用于信道估计的示例结构500C。如图5C所示,在一些实施例中,在通过空中接口接收用户数据并且获取关于第二设备120的速度的信息(例如,移动速度或关于位置的信息)之后,第一设备110可以利用信道估计模块570执行信道估计。
在这样的实施例中,第一设备110可以确定使用常规估计模块582或SubRCAN 583(例如,NN 500A)来执行信道估计。例如,当SubRCAN被良好地训练时,第一设备110可以使用SubRCAN 583;否则,它可以回退到使用常规估计模块582。也就是说,第一设备可以相应地确定SubRCAN信道估计模块(即,第一信道估计)584的激活和停用。一旦SubRCAN 583被激活,来自参考信号(例如,DMRS导频)的原始信道估计(即,第二信道估计)和关于速度的信息将被馈送,以利用SubRCAN 582执行第一信道估计。
在一些实施例中,第一设备110可以激活信道估计更新过程(例如,使用图5C所示的训练和更新模块586)。当更新过程被激活时,定义的数据(例如,第一设备110和第二设备120都已知的数据序列)和关于速度的信息可以被馈送到训练和更新模块586以执行模型训练。在训练结束之后,将更新SubRCAN。在下面的部分中,将参考图6和图7介绍详细的更新过程。
在下面的部分中,将参考图6至图7提供信道估计过程的更多细节示例。应当理解,参考图6至图7提供的示例实施例仅被提供用于说明目的,而不限制本公开的范围。
现在参考图6,图6示出了根据本公开的一些示例实施例的用于信道估计的信令流程600。为了便于讨论,将参考图1描述信令流程600。信令流程600涉及如图1所示的第一设备110和第二设备120。
如图6所示,在一些实施例中,第一设备110可以对NN执行初始化以进行模型训练。考虑到在一些场景中,即使关于速度的信息是明确已知的,由于接收器传统上缺乏射线信息,归因于多径传输的相位旋转的总体影响可能难以被表示和补偿。
因此,例如,第一设备110可以针对NN利用射线追踪信道执行605初始化,以实现更快的传输。因此,可以更好地表示和补偿归因于多径传输的相位旋转的总体影响,从而提高信道估计的性能。应当理解,对NN的初始化也可以用其他信道模型来进行,并且本公开的范围在这方面不受限制。
在一些实施例中,在接入阶段(即,当第二设备120接入第二网络时),第一设备110可以向第二设备120发送610用于通知第二设备120在用于用户数据传输的时隙中使用单个参考符号的消息。
在这样的实施例中,例如,该消息可以以广播方式或经由专用消息被发出。例如,该消息可以是***信息块(SIB)消息,该SIB消息包括关于第二设备120发送关于速度的信息的通知的信息。该消息也可以是3GPP标准中的其他类型的现有消息,或者也可以是单独发送的新消息,并且本公开的范围在这方面不受限制。
在这样的实施例中,例如,第一设备110还可以通知第二设备120用相同的消息发送关于速度的信息。然而,应当理解,用于第二设备120发送关于速度的信息的通知也可以用不同的消息被发送到第二设备120,并且本公开的保护范围在这方面不受限制。
在一些示例实施例中,在接收到615消息时,第二设备120可以开始发送625用户数据和关于速度的信息。在这样的实施例中,用户数据可以被连续地发送。在一些示例中,关于速度的信息可以以更长的周期被发送或报告给第一设备110。
在这样的示例中,发送或报告速度信息的周期可以是预先确定的。例如,该周期可以设置为具有相对较长的时间,使得可以在这方面节省传输资源。
备选地,该周期也可以由第一设备110通过向第二设备120发送配置消息来动态地配置。
在一些实施例中,因此,第一设备110可以接收630用户数据,并且利用NN执行640第一信道估计,其过程可以与上述步骤310和320相同。因此,这里将不再重复这些步骤的细节。
在一些示例中,第一设备110可以确定650第一信道估计的结果是否令人满意。例如,第一设备110可以基于阈值来确定结果是否令人满意。在这样的示例中,阈值可以是例如编码之后的预定误码率(BER)。
因此,例如,当确定BER低于阈值(例如,0.002%)时,第一设备110可以确定第一信道估计的结果令人满意。当确定BER超过或等于阈值时,第一设备110可以确定第一信道估计的结果不令人满意。
因此,在一些示例中,第一设备110可以基于步骤650的确定结果来执行动作,如图6所示(例如,分别为框655和657)。
在一些示例实施例中,如果确定第一信道估计的结果令人满意,如框655所示,则第一设备110可以向第二设备120发送660指示第一信道估计成功的指示。响应于接收到665该指示,第二设备120可以继续向第一设备110发送675用户数据,如步骤625中所述。因此,第一设备110可以从第二设备120接收另外的用户数据。
备选地,如果确定第一信道估计的结果不令人满意,如框657所示,则第一设备110可以向第二设备120发送680指示对用于训练NN(例如,SubRCAN)的更新过程的激活的指示。
响应于接收到690该指示,可以在第一设备110与第二设备120之间执行用于模型更新的过程。因此,例如,可以对NN执行进一步的训练以更新NN的参数。在下面的部分中,将参考图7说明用于更新NN的模型的详细过程。
现在参考图7,图7示出了根据本公开的一些示例实施例的用于信道估计的信令流程700。为了便于讨论,将参考图1描述信令流程700。信令流程700涉及如图1所示的第一设备110和第二设备120。应当理解,图7中用于更新NN的信令流程700仅用于说明目的,并且本公开的范围在这方面不受限制。
如图7所示,在一些实施例中,在接收到上述图6的步骤690中的指示之后,第二设备120可以向第一设备110发送705用户数据序列。用户数据序列可以是预定的、并且对于第一设备110和第二设备120是已知的。这样,用户数据序列可以用于训练数据收集并且用于在第一设备110处训练NN。
在这样的实施例中,例如,关于第二设备120的速度的信息也可以同时被发送到第一设备110。备选地,第一设备110也可以从网络中的其他节点(诸如定位平台/服务器(例如,GPS))获取关于第二设备120的速度的信息,并且本公开的范围在这方面不受限制。
在一些实施例中,在接收到710用户数据序列之后,第一设备可以基于该序列和关于第二设备120的速度的信息来执行720对NN的训练。输入和输出数据可以是如图5A至图5B所描述的,这里不再重复其细节。
在一些实施例中,在完成训练之后,第一设备110可以相应地更新730NN。在更新NN之后,第一设备110可以重复740图7中的过程。例如,如步骤625中所述,第二设备120可以继续向第一设备110发送用户数据,这里不再重复其细节。
利用上述解决方案,可以通过训练和更新模块586简单地更新NN,例如使用参考上述图7所示的过程。此外,在针对不同场景(例如,不同多普勒场景)的训练中,只需要少量数据集(例如,若干时隙中的用户数据序列),从而节省了网络消耗。
在下面的部分中,将参考图8A至图8B来说明根据本公开的一些实施例的一些仿真结果。图8A示出了根据本公开的一些实施例的多径800中的定向移动速度和射线。为了评估所提出的解决方案的性能,在射线追踪中在不同多普勒场景中进行了仿真。
在生成训练时的信道模型是来自仿真软件MATLAB的射线追踪模型。高多普勒的分集由当第二设备120以速度[0,0,0]、 移动时收集的7组不同数据来表示,其中角度表示仿真中第二设备120的移动方向。
如图8A所示,通过从第二设备120移动方向分别投影到每个入射射线来应用多普勒。信噪比(SNR)的范围从0dB到20dB,间隔为2dB。在每种条件下收集1000个样本以进行训练。在上述相同条件下利用另一新数据集来验证NN。
图8B至图8C示出了根据本公开的一些实施例的对抗多普勒的NN的性能。图8B是解码之后的平均误码率(BER)曲线。带有正方形的短划线示出了在已知信道下从完美信道估计得到的BER。带有三角形的短划线是通过执行线性插值的常规真实信道估计来获取的。带有菱形的实心曲线示出了没有SubNN的RCAN的性能,而带有点的实心曲线示出了SubRCAN的性能。从800B中可以看出,SubRCAN优于仅RCAN和常规真实信道估计,并且近似于完美信道估计。
图8C分别示出了RCAN(其结果用点表示)和SubRCAN(其结果用星表示)的星座图。可以看出,在高多普勒场景中,RCAN信道估计中仍然存在旋转。利用用关于速度的信息辅助的SubNN,通过SubRCAN可以很好地校正旋转。结果表明,SubRCAN具有较强的高多普勒场景处理能力。
图9示出了根据本公开的一些实施例的在第一设备110处实现的方法900的流程图。应当理解,方法900可以包括未示出的附加框和/或可以省略所示的一些框,并且本公开的范围在这方面不受限制。为了便于讨论,将参考图1从第一设备110的角度描述方法900。
在框910,第一设备经由第一设备与第二设备之间的信道在时隙中从第二设备接收用户数据,用户数据包括参考符号(例如,DMRS)。在框920,第一设备然后利用NN,基于关于第二设备的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计。第二信道估计基于所接收的参考符号被执行。之后,在框930,第一设备向第二设备发送第一信道估计的结果的指示。
在一些实施例中,NN可以包括超分辨率NN(SRNN)和另外的NN,第二信道估计的结果被输入到SRNN,并且关于速度的信息被输入到另外的NN。
在一些实施例中,关于速度的信息可以包括以下至少一项:第二设备的移动速度、以及关于第二设备的位置的信息。
在一些实施例中,第一设备可以通过以下方式发送指示:根据确定第一信道估计的结果令人满意,向第二设备发送指示第一信道估计成功的指示,并且第一设备还可以从第二设备接收另外的用户数据。
在一些实施例中,第一设备可以通过以下方式发送指示:根据确定第一信道估计的结果不令人满意,向第二设备发送指示对用于训练NN的更新过程的激活的指示;并且第一设备还可以从第二设备接收用户数据序列,用户数据序列是预定的、并且对于第一设备和第二设备是已知的;基于关于第二设备的速度的另外的信息和上述序列来执行对NN的训练;并且在训练完成时更新NN。
在一些实施例中,第一设备还可以向第二设备发送用于通知第二设备在用于用户数据传输的时隙中使用一个参考符号的消息。
在一些实施例中,第一设备还可以向第二设备发送用于通知第二设备发送关于速度的信息的消息;以及从第二设备接收关于速度的信息。
在一些实施例中,NN可以利用基于射线追踪的信道被初始化。
图10示出了根据本公开的一些实施例的在第二设备120处实现的方法1000的流程图。应当理解,方法900可以包括未示出的附加框和/或可以省略所示的一些框,并且本公开的范围在这方面不受限制。为了便于讨论,将参考图1从第二设备120的角度描述方法1000。
在框1010,第二设备120经由第一设备与第二设备之间的信道在时隙中向第一设备发送用户数据。用户数据包括参考符号,使得第一设备利用NN,基于关于第二设备的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计。第二信道估计基于所接收的参考符号被执行。在框1020,第二设备120然后从第一设备接收第一信道估计的结果的指示。
在一些实施例中,关于速度的信息可以包括以下至少一项:第二设备的移动速度、以及关于第二设备的位置的信息。
在一些实施例中,该指示可以指示第一信道估计成功,并且第二设备还可以响应于接收到该指示而向第一设备传输另外的用户数据。
在一些实施例中,该指示可以指示对用于训练NN的更新过程的激活。第二设备还可以响应于接收到该指示而向第一设备发送用户数据序列,用户数据序列是预定的、并且对于第一设备和第二设备是已知的。
在一些实施例中,第二设备还可以从第一设备接收用于通知第二设备在用于用户数据传输的时隙中使用一个参考符号的消息。
在一些实施例中,第二设备可以从第一设备接收用于通知第二设备发送关于速度的信息的消息;以及响应于接收到该消息而向第一设备发送关于速度的信息。
在一些实施例中,NN可以利用基于射线追踪的信道被初始化。
在一些实施例中,能够执行任何方法900的第一装置(例如,第一设备110)可以包括用于执行方法900的相应步骤的部件。该部件可以以任何合适的形式实现。例如,该部件可以在电路***或软件模块中实现。
在一些示例实施例中,第一装置包括:用于经由第一装置与第二装置之间的信道在时隙中从第二装置接收用户数据的部件,用户数据包括参考符号;用于利用NN,基于关于第二装置的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计的部件,第二信道估计基于所接收的参考符号被执行;以及用于向第二装置发送第一信道估计的结果的指示的部件。
在一些示例实施例中,NN包括超分辨率NN(SRNN)和另外的NN,第二信道估计的结果被输入到SRNN,并且关于速度的信息被输入到另外的NN。
在一些示例实施例中,关于速度的信息包括以下至少一项:第二装置的移动速度、以及关于第二装置的位置的信息。
在一些示例实施例中,用于传发送指示的部件包括:用于根据确定第一信道估计的结果令人满意而向第二装置发送指示第一信道估计成功的指示的部件,并且第一装置还包括:用于从第二装置接收另外的用户数据的部件。
在一些示例实施例中,用于发送指示的部件包括:用于根据确定第一信道估计的结果不令人满意而向第二装置发送指示对用于训练NN的更新过程的激活的指示的部件;并且第一装置还包括用于从第二装置接收用户数据序列的部件,用户数据序列是预定的、并且对于第一装置和第二装置是已知的;用于基于关于第二装置的速度的另外的信息和上述序列来执行对NN的训练的部件;以及用于在训练完成时更新NN的部件。
在一些示例实施例中,第一装置还包括:用于向第二装置发送用于通知第二装置在用于用户数据传输的时隙中使用一个参考符号的消息的部件。
在一些示例实施例中,第一装置还包括:用于向第二装置发送用于通知第二装置发送关于速度的信息的消息的部件;以及用于从第二装置接收关于速度的信息的部件。
在一些示例实施例中,NN利用基于射线追踪的信道被初始化。
在一些实施例中,能够执行任何方法1000的第二装置(例如,第二设备120)可以包括用于执行方法1000的相应步骤的部件。该部件可以以任何合适的形式实现。例如,该部件可以在电路***或软件模块中实现。
在一些实施例中,第二装置包括:用于经由第一装置与第二装置之间的信道在时隙中向第一装置发送用户数据的部件,用户数据包括参考符号,使得第一装置利用NN,基于关于第二装置的速度的信息和针对信道的第二信道估计的结果来执行针对信道的第一信道估计,第二信道估计基于所接收的参考符号被执行;以及用于从第一装置接收第一信道估计的结果的指示的部件。
在一些示例实施例中,关于速度的信息可以包括以下至少一项:第二装置的移动速度、以及关于第二装置的位置的信息。
在一些示例实施例中,该指示可以指示第一信道估计成功,并且第二装置还包括:用于响应于接收到该指示而向第一装置发送另外的用户数据的部件。
在一些示例实施例中,该指示可以指示对用于训练NN的更新过程的激活,并且第二装置还可以包括:用于响应于接收到该指示而向第一装置发送用户数据序列的部件,用户数据序列是预定的、并且对于第一装置和第二装置是已知的。
在一些示例实施例中,第二装置还可以包括:用于从第一装置接收用于通知第二装置在用于用户数据传输的时隙中使用一个参考符号的消息的部件。
在一些示例实施例中,第二装置还可以包括:用于从第一装置接收用于通知第二装置传输关于速度的信息的消息的部件;以及用于响应于接收到该消息而向第一装置发送关于速度的信息的部件。
在一些示例实施例中,NN可以利用基于射线追踪的信道被初始化。
图11是适合于实现本公开的实施例的设备1100的简化框图。可以提供设备1100来实现通信设备,例如,如图1所示的第一设备110、第二设备120。如图所示,设备1100包括一个或多个处理器1110、耦合到处理器1110的一个或多个存储器1120、以及耦合到处理器1110的一个或多个通信模块1140。
通信模块1140用于双向通信。通信模块1140具有至少一个天线以便于通信。通信接口可以表示与其他网络元件的通信所必需的任何接口。
处理器1110可以是适合本地技术网络的任何类型,并且作为非限制性示例,可以包括以下一种或多种:通用计算机、专用计算机、微处理器、数字信号处理器(DSP)和基于多核处理器架构的处理器。设备1100可以具有多个处理器,诸如在时间上从属于与主处理器同步的时钟的专用集成电路芯片。
存储器1120可以包括一个或多个非易失性存储器和一个或多个易失性存储器。非易失性存储器的示例包括但不限于只读存储器(ROM)1124、电可编程只读存储器(EPROM)、闪存、硬盘、压缩盘(CD)、数字视频磁盘(DVD)和其他磁性存储装置和/或光学存储装置。易失性存储器的示例包括但不限于随机存取存储器(RAM)1122和不会在断电期间持续的其他易失性存储器。
计算机程序1130包括由相关联的处理器1110执行的计算机可执行指令。程序1130可以存储在ROM 1124中。处理器1110可以通过将程序1130加载到RAM 1122中来执行任何合适的动作和处理。
本公开的实施例可以通过程序1130来实现,使得设备1100可以执行参考图2至图10讨论的本公开的任何过程。本公开的实施例也可以通过硬件或软件和硬件的组合来实现。
在一些实施例中,程序1130可以有形地包含在计算机可读介质中,该计算机可读介质可以被包括在设备1100中(诸如存储器1120中)或设备1100可以访问的其他存储设备中。设备1100可以将程序1130从计算机可读介质加载到RAM 1122以供执行。计算机可读介质可以包括任何类型的有形非易失性存储器,诸如ROM、EPROM、闪存、硬盘、CD、DVD等。图10示出了CD或DVD形式的计算机可读介质1200的示例。计算机可读介质上存储有程序1130。
通常,本公开的各种实施例可以使用硬件或专用电路、软件、逻辑或其任何组合来实现。一些方面可以使用硬件实现,而其他方面可以使用可以由控制器、微处理器或其他计算设备执行的固件或软件来实现。尽管本公开的实施例的各个方面被图示和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的框、设备、***、技术或方法可以使用硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备、或其某种组合来实现。
本公开还提供有形地存储在非暂态计算机可读存储介质上的至少一种计算机程序产品。计算机程序产品包括计算机可执行指令,诸如程序模块中包括的指令,该指令在目标真实或虚拟处理器上的设备中执行,以执行上面参考图2至图10描述的方法900至1000。通常,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、库、对象、类、组件、数据结构等。在各种实施例中,程序模块的功能可以根据需要在程序模块之间组合或拆分。程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中,程序模块可以位于本地和远程存储介质两者中。
用于执行本公开的方法的程序代码可以以一种或多种编程语言的任何组合来编写。这些程序代码可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码在由处理器或控制器执行时引起在流程图和/或框图中指定的功能/操作被实现。程序代码可以完全在机器上、部分在机器上、作为独立软件包、部分在机器上和部分在远程机器上、或完全在远程机器或服务器上执行。
在本公开的上下文中,计算机程序代码或相关数据可以由任何合适的载体承载,以使得设备、装置或处理器能够执行如上所述的各种过程和操作。载体的示例包括信号、计算机可读介质等。
计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电子、磁性、光学、电磁、红外线或半导体***、装置或设备、或前述各项的任何合适的组合。计算机可读存储介质的更具体示例将包括具有一根或多根电线的电连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光学存储设备、磁性存储设备、或前述各项的任何合适的组合。
此外,虽然以特定顺序描述操作,但这不应当被理解为需要以所示特定顺序或按顺序执行这样的操作或者执行所有所示操作以获取期望结果。在某些情况下,多任务和并行处理可能是有利的。同样,虽然在上述讨论中包含了若干具体实现细节,但这些不应当被解释为对本公开的范围的限制,而是对可能特定于特定实施例的特征的描述。在单独实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。相反,在单个实施例的上下文中描述的各种特征也可以在多个实施例中单独或以任何合适的子组合来实现。
尽管本公开已经以特定于结构特征和/或方法动作的语言进行了描述,但是应当理解,在所附权利要求中定义的本公开不一定限于上述特定特征或动作。相反,上述特定特征和动作被公开作为实现权利要求的示例形式。
Claims (20)
1.一种第一设备,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,使所述第一设备:
经由所述第一设备与第二设备之间的信道,在时隙中从所述第二设备接收用户数据,所述用户数据包括参考符号;
利用神经网络,基于关于第二设备的速度的信息、以及针对所述信道的第二信道估计的结果,执行针对所述信道的第一信道估计,所述第二信道估计是基于所接收的参考符号来执行的;以及
向所述第二设备发送所述第一信道估计的结果的指示。
2.根据权利要求1所述的第一设备,其中所述神经网络包括:超分辨率神经网络SRNN以及另外的神经网络,所述第二信道估计的所述结果被输入到所述SRNN,并且所述关于速度的信息被输入到所述另外的神经网络。
3.根据权利要求1所述的第一设备,其中所述关于速度的信息包括以下至少一项:
所述第二设备的移动速度,以及
关于所述第二设备的位置的信息。
4.根据权利要求1所述的第一设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,使所述第一设备通过以下方式发送所述指示:
根据确定所述第一信道估计的所述结果令人满意,向所述第二设备发送指示所述第一信道估计成功的所述指示,以及
其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,还使所述第一设备:
从所述第二设备接收另外的用户数据。
5.根据权利要求1所述的第一设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,使所述第一设备通过以下方式发送所述指示:
根据确定所述第一信道估计的所述结果不令人满意,向所述第二设备发送指示对用于训练所述神经网络的更新过程的激活的指示;
其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,还使所述第一设备:
从所述第二设备接收用户数据序列,所述用户数据序列是预定的、并且对于所述第一设备和所述第二设备是已知的;
基于关于所述第二设备的速度的另外的信息、以及所述序列,执行对所述神经网络的训练;以及
在所述训练完成时更新所述神经网络。
6.根据权利要求1所述的第一设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,还使所述第一设备:
向所述第二设备发送用于通知所述第二设备在用于用户数据传输的时隙中使用一个参考符号的消息。
7.根据权利要求1所述的第一设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,还使所述第一设备:
向所述第二设备发送用于通知所述第二设备发送所述关于速度的信息的消息;以及
从所述第二设备接收所述关于速度的信息。
8.根据权利要求1所述的第一设备,其中所述神经网络利用基于射线追踪的信道被初始化。
9.一种第二设备,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,使所述第二设备:
经由第一设备与所述第二设备之间的信道,在时隙中向所述第一设备发送用户数据,所述用户数据包括参考符号,使得所述第一设备利用神经网络,基于关于所述第二设备的速度的信息、以及针对所述信道的第二信道估计的结果,执行针对所述信道的第一信道估计,所述第二信道估计基于所接收的参考符号被执行;以及
从所述第一设备接收所述第一信道估计的结果的指示。
10.根据权利要求9所述的第二设备,其中所述关于速度的信息包括以下至少一项:
所述第二设备的移动速度,以及
关于所述第二设备的位置的信息。
11.根据权利要求9所述的第二设备,其中所述指示用于指示所述第一信道估计成功,并且
其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,还使所述第二设备:
响应于接收到所述指示,向所述第一设备发送另外的用户数据。
12.根据权利要求9所述的第二设备,其中所述指示用于指示对用于训练所述神经网络的更新过程的激活,以及
其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,还使所述第二设备:
响应于接收到所述指示,向所述第一设备发送用户数据序列,所述用户数据序列是预定的、并且对于所述第一设备和所述第二设备是已知的。
13.根据权利要求9所述的第二设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,还使所述第二设备:
从所述第一设备接收用于通知所述第二设备在用于用户数据传输的时隙中使用一个参考符号的消息。
14.根据权利要求9所述的第二设备,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起,还使所述第二设备:
从所述第一设备接收用于通知所述第二设备发送所述关于速度的信息的消息;以及
响应于接收到所述消息,向所述第一设备发送所述关于速度的信息。
15.根据权利要求9所述的第二设备,其中所述神经网络利用基于射线追踪的信道被初始化。
16.一种方法,包括:
在第一设备处,经由所述第一设备与第二设备之间的信道,在时隙中从所述第二设备接收用户数据,所述用户数据包括参考符号;
利用神经网络,基于关于第二设备的速度的信息、以及针对所述信道的第二信道估计的结果,执行针对所述信道的第一信道估计,所述第二信道估计基于所接收的参考符号被执行;以及
向所述第二设备发送所述第一信道估计的结果的指示。
17.一种方法,包括:
在第二设备处,经由第一设备与所述第二设备之间的信道,在时隙中向所述第一设备发送用户数据,所述用户数据包括参考符号,使得所述第一设备利用神经网络基于关于所述第二设备的速度的信息、以及针对所述信道的第二信道估计的结果,执行针对所述信道的第一信道估计,所述第二信道估计基于所接收的参考符号被执行;以及
从所述第一设备接收所述第一信道估计的结果的指示。
18.一种第一装置,包括:
用于经由所述第一装置与第二装置之间的信道而在时隙中从所述第二装置接收用户数据的部件,所述用户数据包括参考符号;
用于利用神经网络基于关于第二装置的速度的信息和针对所述信道的第二信道估计的结果来执行针对所述信道的第一信道估计的部件,所述第二信道估计基于所接收的参考符号被执行;以及
用于向所述第二装置发送所述第一信道估计的结果的指示的部件。
19.一种第二装置,包括:
用于经由第一装置与所述第二装置之间的信道而在时隙中向所述第一装置发送用户数据的部件,所述用户数据包括参考符号,使得所述第一装置利用神经网络基于关于所述第二装置的速度的信息、以及针对所述信道的第二信道估计的结果,执行针对所述信道的第一信道估计,所述第二信道估计基于所接收的参考符号被执行;以及
用于从所述第一装置接收所述第一信道估计的结果的指示的部件。
20.一种计算机可读介质,包括用于使装置至少执行根据权利要求16或17所述的方法的程序指令。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/087592 WO2022217553A1 (en) | 2021-04-15 | 2021-04-15 | Machine learning for channel estimation against diverse doppler effects |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117256128A true CN117256128A (zh) | 2023-12-19 |
Family
ID=83640006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180097090.9A Pending CN117256128A (zh) | 2021-04-15 | 2021-04-15 | 对抗不同多普勒效应的用于信道估计的机器学习 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240187285A1 (zh) |
EP (1) | EP4324167A1 (zh) |
CN (1) | CN117256128A (zh) |
WO (1) | WO2022217553A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106060852A (zh) * | 2016-07-08 | 2016-10-26 | 北京全路通信信号研究设计院集团有限公司 | 一种参数调整方法、基站和移动终端 |
CN111344983B (zh) * | 2017-11-13 | 2022-06-07 | Lg电子株式会社 | 在无线通信***中发送和接收数据的方法及其装置 |
US10951282B2 (en) * | 2019-02-15 | 2021-03-16 | At&T Intellectual Property I, L.P. | Facilitating selection of demodulation reference signal ports in advanced networks |
-
2021
- 2021-04-15 WO PCT/CN2021/087592 patent/WO2022217553A1/en active Application Filing
- 2021-04-15 EP EP21936434.6A patent/EP4324167A1/en active Pending
- 2021-04-15 US US18/286,276 patent/US20240187285A1/en active Pending
- 2021-04-15 CN CN202180097090.9A patent/CN117256128A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022217553A1 (en) | 2022-10-20 |
EP4324167A1 (en) | 2024-02-21 |
US20240187285A1 (en) | 2024-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581965B2 (en) | Processing communications signals using a machine-learning network | |
US10892929B2 (en) | Multi-antenna processing for reference signal | |
US9331763B2 (en) | Communication system, communication method, base station apparatus, and mobile station apparatus | |
WO2017024558A1 (zh) | 信道估计方法、基站、用户设备和*** | |
CN113785630B (zh) | 用于频移补偿的机制 | |
WO2016141529A1 (zh) | 一种数据传输设备、方法及*** | |
US20220408446A1 (en) | Efficient beam management for wireless networks | |
WO2017132806A1 (zh) | 配置导频信号的方法及第一设备 | |
US11233684B2 (en) | Non-coherent backscatter communications over ambient-based wireless source | |
CN112291851A (zh) | 一种被用于无线通信的节点中的方法和装置 | |
CN110535604A (zh) | 一种速率匹配方法和装置 | |
CN110611628A (zh) | 信号处理方法、网络设备及计算机可读存储介质 | |
US10148471B2 (en) | Communication apparatus, communication method and communication system | |
CN113676234B (zh) | 具有长传播延迟的ntn中的增强csi反馈 | |
CN117256128A (zh) | 对抗不同多普勒效应的用于信道估计的机器学习 | |
CN112423260B (zh) | 一种被用于无线通信的节点中的方法和装置 | |
CN114828035A (zh) | 一种被用于无线通信的节点中的方法和装置 | |
KR101940749B1 (ko) | 채널 추정 방법 및 이를 위한 장치 | |
KR101943984B1 (ko) | Lte 기반 사이드링크 시스템에서의 채널 추정 방법 및 이를 위한 장치 | |
WO2020052765A1 (en) | Apparatus, method and computer program | |
US20240073658A1 (en) | Method and Apparatus for Estimating V2X Communication Channel | |
WO2024007109A1 (en) | Apparatus, method and computer program | |
CN103368696A (zh) | 一种下行传输方法和装置 | |
WO2023061352A1 (zh) | 一种被用于无线通信的节点中的方法和装置 | |
WO2022052073A1 (zh) | 信道估计的方法、装置、通信设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |