具有神经网络的无线电发射器及相关方法和计算机程序 |
|||||||
| 申请号 | CN202180102262.7 | 申请日 | 2021-09-10 | 公开(公告)号 | CN117981236A | 公开(公告)日 | 2024-05-03 |
| 申请人 | 诺基亚通信公司; | 发明人 | J·M·J·胡图宁; M·J·洪卡拉; D·J·科尔皮; | ||||
| 摘要 | 公开了无线电发射器设备及相关方法和 计算机程序 。在无线电发射器设备处接收到上行链路(UL)信道信息。无线电发射器设备基于所接收的UL信道信息来确定用于下行链路(DL)信道的资源元素(RE)特定的预编码矩阵。无线电发射器设备基于所确定的RE特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列的发射天线特定的输出 信号 。基于所接收的UL信道信息对用于DL信道的RE特定的预编码矩阵的确定是通过将神经网络(NN)应用到所接收的UL信道信息而被执行的。NN包括至少一个神经网络层，该至少一个神经网络层可执行以处理所接收的UL信道信息以输出用于DL信道的RE特定的预编码矩阵。 | ||||||
| 权利要求 | 1.一种无线电发射器设备(200)，包括： |
||||||
| 说明书全文 | 具有神经网络的无线电发射器及相关方法和计算机程序技术领域[0001] 本公开一般涉及通信，并且更具体地但不排他地涉及具有神经网络的无线电发射器，以及相关方法和计算机程序。 背景技术[0002] 用神经网络实现无线电物理层算法是无线通信领域的新兴概念。这样的神经网络中的至少一些可以使用人工智能(AI)加速器进行高效推理，并减少人工劳动的数量，因为实际算法是从数据中学习的，无需针对算法的显式编程。至少在一些实现中，机器学习(ML)还可以提高整体性能，因为算法可以经由重新训练而适应不断变化的条件。 [0004] 然而，至少在一些情形中，当上行链路和下行链路时隙之间的信道不是静态时，可能难以执行准确的波束成形。例如，当用户设备或用户设备和基站之间的物体正在移动时，信道可能会经历老化。在这样的情况下，波束成形算法的性能可能不是最佳的，或者它可能根本不起作用。此外，当信道估计不准确时，可能难以补偿这样的不准确信道估计中的误差。发明内容 [0006] 无线电发射器设备的示例实施例包括至少一个处理器，包括计算机程序代码的至少一个存储器，以及包括至少两个发射天线的发射天线阵列。至少一个存储器和计算机程序代码被配置为与至少一个处理器一起，使无线电发射器设备至少执行： [0007] 接收上行链路UL信道信息； [0008] 基于所接收的UL信道信息来确定用于下行链路DL信道的资源元素RE特定的预编码矩阵；以及 [0009] 基于所确定的RE特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列的发射天线特定的输出信号。 [0010] 基于所接收的UL信道信息对用于DL信道的RE特定的预编码矩阵的确定是通过将神经网络NN应用到所接收的UL信道信息而被执行的，NN包括至少一个神经网络层，该至少一个神经网络层可执行以处理所接收的UL信道信息以输出用于DL信道的RE特定的预编码矩阵。 [0012] 在示例实施例中，备选地或除了上述示例实施例之外，NN利用残差连接。 [0013] 在示例实施例中，备选地或除了上述示例实施例之外，至少一个神经网络层中的至少一个利用深度可分离卷积。 [0014] 在示例实施例中，备选地或除了上述示例实施例之外，至少一个存储器和计算机程序代码还被配置为与至少一个处理器一起，使无线电发射器设备还通过向NN的输出应用迫零ZF变换或ZF变换的近似来执行对RE特定的预编码矩阵的确定。 [0015] 在示例实施例中，备选地或除了上述示例实施例之外，至少一个存储器和计算机程序代码还被配置为与至少一个处理器一起，使无线电发射器设备还基于预测长度来执行对RE特定的预编码矩阵的确定。 [0016] 在示例实施例中，备选地或除了上述示例实施例之外，UL信道信息包括由信道估计器提供的UL信道估计信息。 [0017] 在示例实施例中，备选地或除了上述示例实施例之外，UL信道信息包括由无线电接收器设备提供的UL信道估计信息，无线电接收器设备利用迭代神经网络来生成UL信道估计信息。 [0018] 在示例实施例中，备选地或除了上述示例实施例之外，至少一个存储器和计算机程序代码还被配置为与至少一个处理器一起，使无线电发射器设备通过模拟信道进行差分来执行训练NN。 [0020] 在示例实施例中，备选地或除了上述示例实施例之外，NN的训练还包括应用损失。 [0021] 在示例实施例中，备选地或除了上述示例实施例之外，损失包括一个或多个交叉熵损失之和。 [0022] 在示例实施例中，备选地或除了上述示例实施例之外，NN的训练还包括基于随机梯度下降和反向传播来优化损失。 [0023] 在示例实施例中，备选地或除了上述示例实施例之外，无线电发射器设备包括支持时分双工TDD的无线电发射器设备。 [0024] 在示例实施例中，备选地或除了上述示例实施例之外，无线电发射器设备包括支持多输入和多输出MIMO的无线电发射器设备。 [0025] 无线电发射器设备的示例实施例包括用于执行以下操作的部件： [0026] 使无线电发射器设备接收上行链路UL信道信息； [0027] 基于所接收的UL信道信息来确定用于下行链路DL信道的资源元素RE特定的预编码矩阵；以及 [0028] 基于所确定的RE特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列的发射天线特定的输出信号。 [0029] 基于所接收的UL信道信息对用于DL信道的RE特定的预编码矩阵的确定是通过将神经网络NN应用到所接收的UL信道信息而被执行的，NN包括至少一个神经网络层，该至少一个神经网络层可执行以处理所接收的UL信道信息以输出用于DL信道的RE特定的预编码矩阵。 [0030] 方法的示例实施例包括： [0031] 在无线电发射器设备处，接收上行链路UL信道信息； [0032] 由无线电发射器设备，基于所接收的UL信道信息来确定用于下行链路DL信道的资源元素RE特定的预编码矩阵；以及 [0033] 由无线电发射器设备，基于所确定的RE特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列的发射天线特定的输出信号。 [0034] 其中基于所接收的UL信道信息，对用于DL信道的RE特定的预编码矩阵的确定是通过将神经网络NN应用到所接收的UL信道信息而被执行的，NN包括至少一个神经网络层，该至少一个神经网络层可执行以处理所接收的UL信道信息以输出用于DL信道的RE特定的预编码矩阵。 [0035] 在示例实施例中，备选地或除了上述示例实施例之外，NN包括卷积神经网络、转换器神经网络或其组合中的至少一者。 [0036] 在示例实施例中，备选地或除了上述示例实施例之外，NN利用残差连接。 [0037] 在示例实施例中，备选地或除了上述示例实施例之外，至少一个神经网络层中的至少一个利用深度可分离卷积。 [0038] 在示例实施例中，备选地或除了上述示例实施例之外，还通过向NN的输出应用迫零ZF变换或ZF变换的近似来执行RE特定的预编码矩阵的确定。 [0039] 在示例实施例中，备选地或除了上述示例实施例之外，还基于预测长度来执行对RE特定的预编码矩阵的确定。 [0040] 在示例实施例中，备选地或除了上述示例实施例之外，UL信道信息包括由信道估计器提供的UL信道估计信息。 [0041] 在示例实施例中，备选地或除了上述示例实施例之外，UL信道信息包括由无线电接收器设备提供的UL信道估计信息，无线电接收器设备利用迭代神经网络来生成UL信道估计信息。 [0042] 在示例实施例中，备选地或除了上述示例实施例之外，方法还包括通过模拟信道进行差分来训练NN。 [0043] 在示例实施例中，备选地或除了上述示例实施例之外，模拟信道基于统计模拟信道、光线跟踪信道或捕获信道中的至少一者。 [0044] 在示例实施例中，备选地或除了上述示例实施例之外，NN的训练还包括应用损失。 [0045] 在示例实施例中，备选地或除了上述示例实施例之外，损失包括一个或多个交叉熵损失之和。 [0046] 在示例实施例中，备选地或除了上述示例实施例之外，NN的训练还包括基于随机梯度下降和反向传播来优化损失。 [0047] 在示例实施例中，备选地或除了上述示例实施例之外，无线电发射器设备包括支持时分双工TDD的无线电发射器设备。 [0048] 在示例实施例中，备选地或除了上述示例实施例之外，无线电发射器设备包括支持多输入和多输出MIMO的无线电发射器设备。 [0049] 计算机程序的示例实施例包括指令，该指令用于使无线电发射器设备至少执行以下项： [0050] 接收上行链路UL信道信息； [0051] 基于所接收的UL信道信息来确定用于下行链路DL信道的资源元素RE特定的预编码矩阵；以及 [0052] 基于所确定的RE特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列的发射天线特定的输出信号， [0053] 其中基于所接收的UL信道信息对用于DL信道的RE特定的预编码矩阵的确定是通过将神经网络NN应用到所接收的UL信道信息而被执行的，NN包括至少一个神经网络层，该至少一个神经网络层可执行以处理所接收的UL信道信息以输出用于DL信道的RE特定的预编码矩阵。附图说明 [0054] 附图被包括以提供对实施例的进一步理解，并构成本说明书的一部分，器说明了实施例，并与描述一起有助于解释实施例的原理。在附图中： [0055] 图1显示了本文所述主题的示例实施例，其示出了其中可以实现本公开的各种实施例的示例系统； [0056] 图2显示了本文所述主题的示例实施例，其示出了无线电发射器设备； [0057] 图3示出了频域中所示的时分双工； [0058] 图4A显示了本文所述主题的示例实施例，其示出了具有无线电发射器设备和无线电接收器设备的网络节点设备； [0059] 图4B显示了本文所述主题的另一示例实施例，其示出了具有无线电发射器设备和无线电接收器设备的另一网络节点设备； [0060] 图5显示了本文所述主题的示例实施例，其示出了由无线电发射器设备应用的神经网络； [0061] 图6显示了本文所述主题的示例实施例，其示出了由无线电发射器设备应用的神经网络的训练； [0062] 图7显示了本文所述主题的另一示例实施例，其示出了由无线电接收器设备应用的神经网络；以及 [0063] 图8显示了本文所述主题的示例实施例，其示出了一种方法。 [0064] 类似的附图标记用于在附图中表示类似的部分。 具体实施方式[0065] 现在将详细参考实施例，实施例的示例在附图中示出。下面结合所附附图提供的详细描述旨在作为对本示例的描述，而不是旨在表示可以构建或利用本示例的唯一形式。描述阐述了示例的功能以及用于构建和操作示例的步骤序列。然而，相同或等效的功能和序列可以由不同的示例来完成。 [0066] 图1示出了示例系统100，其中可以实现本公开的各种实施例。系统100可以包括第五代(5G)新无线电(NR)网络110。系统100的示例表示显示了描绘客户端设备130A、130B、130C和网络节点设备120。至少在一些实施例中，5G NR网络110可以包括一个或多个大规模机器对机器(M2M)网络、(多个)大规模机器类型通信(mMTC)网络、(多个)物联网(IoT)网络、(多个)工业物联网(IIoT)网络、(多个)增强型移动宽带(eMBB)网络、(多个)超可靠低延迟通信(URLLC)网络、和/或类似物。换言之，5G NR网络110可以被配置为服务于不同的服务类型和/或用例，并且其可以在逻辑上被看作包括一个或多个网络。 [0067] 客户端设备130A、130B、130C可以包括例如移动电话、智能手机、平板电脑、智能手表或任何手持、便携式和/或可穿戴设备。客户端设备130A、130B、130C也可以被称为用户设备(UE)。网络节点设备120可以是基站。基站可以包括例如第五代基站(gNB)或适合于为客户端设备提供空中接口以经由无线传输连接到无线网络的任何这样的设备。网络节点设备120可以包括图2的无线电发射器设备200。 [0068] 图3的图300示出了在频域中显示的时分双工(TDD)。 [0069] 波束成形在数学上可以在频域中表示如下。NR表示基站中天线的数目，并且NT表示MIMO层的数目(例如，如果每个UE只有一个天线，则UE的数目)。 表示符号向量(即，要发射到UE的数据，使用例如正交幅度调制(QAM)来调制)。对天线的输出信号(每个资源元素)可以被表示为 [0070] x＝Ws [0071] 其中W是NR×NT复值预编码矩阵。由于这是复数矩阵，天线信号的幅度和相位变化由复数元素的绝对值和角度表示。UE接收到的信号(堆叠为向量y的所有信号)可以写成[0072] y＝Hx+z＝HWs+z [0073] 其中H是NR×NT(复数)矩阵，其表示信道，并且z是噪声信号。对于完美的无线传输，理想的是 即接收器将接收预期的信号加上白噪声。实现这一点的一种方式(至少近似地)是选择W使得HW变成单位矩阵。这导致 的选择(H的伪逆矩阵，H 其中() 代表埃尔米特(Hermitian)转置)，其被称为迫零(ZF)波束成 形。还可以采用用于选择预编码矩阵W的其他技术。 [0074] 然而，至少在一些情形下可能难以获得信道信息(H)。在本公开中，可以考虑时分双工(TDD)，其中上行链路和下行链路传输在不同的时隙中实行，但在相同的频带上，如图3所示。在TDD中，可以利用信道的互易性，因为上行链路(UL)方向的信道(即UE‑>BS)等于下行链路(DL)方向的信道(即BS‑>UE)。矩阵H仅被转置。因此，下行链路波束成形算法可以利用针对H的上行链路信道估计，并假设信道在上行链路时隙和下行链路时隙之间没有显著变化。 [0075] 如本文所公开的，术语“卷积神经网络”指示网络采用称为卷积的数学运算。卷积网络是一种神经网络，其在神经网络层的至少一个中使用卷积来代替一般矩阵乘法。 [0077] 换言之，神经网络中的每个神经元通过将特定函数应用于从前一层的感受野接收的输入值来计算输出值。应用于输入值的函数由权重向量和偏差确定。学习包括迭代调整这些偏差和权重。权重向量和偏差称为过滤器并且表示输入的特定特征。 [0078] 可以用特定架构训练机器学习模型，然后使用诸如编译、剪枝、量化或蒸馏等过程从该机器学习模型得到另一机器学习模型。机器学习模型可以使用任何合适的装置执行，例如CPU、GPU、ASIC、FPGA、内存计算、模拟或数字或光学装置。也可以在结合了来自任意数量的特征的装置中执行机器学习模型，例如数字‑光学或模拟‑数字混合。在一些示例中，这些系统中的权重和所需计算可以被编程为对应于机器学习模型。在一些示例中，装置可以被设计和制造，以便执行由机器学习模型定义的任务，使得该装置在被制造时就被配置为执行该任务，而无需对装置这样编程。 [0079] 在下文中，将讨论各种示例实施例。这些示例实施例中的至少一些可以允许基于机器学习(ML)的无线电发射器架构以及针对该架构的训练方法。第一种公开的方法允许基于神经网络的波束成形/预编码，其中神经网络波束成形器(DeepTx)500可以将来自单独的信道估计器251的信道估计作为输入并且对其进行处理以形成发射信号。第二种公开的方法将DeepRx 700型神经网络接收器250B与神经网络波束成形器500相结合。在这种方法中，DeepTx500可以与DeepRx 700一起训练，使得后者学习向前者提供信道估计的准确表示。因此，这种方法可以利用DeepRx 700的高信道估计精度，结合所学的方式在无线电接收机设备250B与无线电发射器设备200之间传送数据。 [0080] 图2是根据示例实施例的无线电发射器设备200的框图。至少在一些实施例中，无线电发射器设备200可以包括支持时分双工(TDD)和/或多输入多输出(MIMO)的无线电发射器设备。 [0081] 无线电发射器设备200包括一个或多个处理器202和包括计算机程序代码的一个或多个存储器204。无线电发射器设备200还包括发射天线阵列206，发射天线阵列206包括至少两个发射天线。无线电发射器设备200可以被配置为向其他设备发射信息。在一个示例中，无线电发射器设备200可以根据至少一个蜂窝通信协议发射信令信息和数据。无线电发射器设备200可以被配置为提供至少一个无线无线电连接，诸如3GPP移动宽带连接(例如，5G)。 [0082] 尽管无线电发射器设备200被描绘为仅包括一个处理器202，但无线电发射器设备200可以包括更多处理器。在实施例中，存储器204能够存储指令，诸如操作系统和/或各种应用。此外，存储器204可以包括可用于存储，例如在所公开的实施例中使用的信息和数据中的至少一些(诸如，神经网络500)的存储装置。 [0083] 此外，处理器202能够执行所存储的指令。在实施例中，处理器202可以体现为多核处理器、单核处理器或一个或多个多核处理器与一个或多个单核处理器的组合。例如，处理器202可以体现为各种处理设备中的一个或多个，诸如协处理器、微处理器、控制器、数字信号处理器(DSP)、具有或不具有伴随DSP的处理电路或包括集成电路的各种其他处理设备，集成电路诸如是专用集成电路(ASIC)、现场可编程门阵列(FPGA)、微控制器单元(MCU)、硬件加速器、专用计算机芯片、神经网络芯片、人工智能(AI)加速器等等。在实施例中，处理器202可以被配置为执行硬编码的功能。在实施例中，处理器202被体现为软件指令的执行器，其中指令可以具体地将处理器202配置为在指令被执行时执行本文描述的算法和/或操作。 [0084] 存储器204可以体现为一个或多个易失性存储器设备、一个或多个非易失性存储器设备、和/或一个或多个易失性存储器设备与非易失性存储器设备的组合。例如，存储器204可以体现为半导体存储器(诸如，掩模ROM、PROM(可编程ROM)、EPROM(可擦除PROM)、闪存ROM、RAM(随机存取存储器)等)。 [0085] 无线电发射器设备200可以包括能够在无线网络中发射无线电通信的各种类型的数字设备中的任何一种。至少在一些实施例中，无线电发射器设备200可以包括在基站中，诸如，第五代基站(gNB)或任何此类为客户端设备提供空中接口以经由无线传输连接到无线网络的设备。 [0086] 至少一个存储器204和计算机程序代码被配置为与至少一个处理器202一起，使无线电发射器设备200至少执行接收上行链路(UL)信道410信息。 [0087] 至少一个存储器204和计算机程序代码还被配置为与至少一个处理器202一起，使无线电发射器设备200基于所接收的UL信道410信息来执行确定用于下行链路(DL)信道420的资源元素(RE)特定的预编码矩阵。 [0088] 基于所接收的UL信道410信息对用于DL信道420的RE特定的预编码矩阵的确定是通过将神经网络(NN)500应用于所接收的UL信道410信息而被执行的。NN 500包括至少一个神经网络层506，该至少一个神经网络层506可执行以处理所接收的UL信道410信息以输出用于DL信道420的RE特定的预编码矩阵。NN 500可以包括卷积神经网络、转换器神经网络或其组合中的至少一者。 [0089] 例如，NN 500可以利用残差连接。在至少一些实施例中，至少一个神经网络层506中的至少一个可以利用深度可分离卷积。至少在一些实施例中，至少一个神经网络层506中的至少一个可以包括深度残差学习网络(ResNet)块。 [0090] 至少一个存储器204和计算机程序代码还可以被配置为与至少一个处理器202一起，使无线电发射器设备200还通过向NN 500的输出应用迫零(ZF)变换或ZF变换的近似来执行对RE特定的预编码矩阵的确定。 [0091] 至少一个存储器204和计算机程序代码还可以被配置为与至少一个处理器202一起，使无线电发射器设备200还基于预测长度401来执行对RE特定的预编码矩阵的确定。 [0092] 至少一个存储器204和计算机程序代码还被配置为与至少一个处理器202一起，使无线电发射器设备200基于所确定的RE特定的预编码矩阵和要被发射的符号403来执行生成针对发射天线阵列206的发射天线特定的输出信号404。发射天线特定的输出信号404的生成还可以包括应用功率归一化。 [0093] UL信道410信息可以包括由信道估计器251提供的UL信道410估计信息，图4A的图400A示出了其示例实施例。 [0094] 图4A的示例实施例可以使用，例如基于最小二乘(LS)的信道估计。可以使用客户端设备130A、130B、130C(为了清楚起见，在图4A和图4B中，被分开为发射(Tx)侧和接收(Rx)侧)的性能(例如，线性最小均方误差(LMMSE)接收器输出)来训练和评估NN 500。 [0095] 在图4A、图4B、图5、图6和图7中，F表示子载波的数目，S表示时隙中的符号的数目，NR表示基站120A、120B中的天线的数目，NT表示MIMO层的数目，以及Nb表示每个符号的比特数目。 [0096] 图4A的示例实施例可以实现，例如以下操作： [0097] 1A.在UL时隙期间，无线电接收器设备250A可以将与导频位置对应的接收数据(RxData)馈送到LS信道估计器251，LS信道估计器251可以形成信道估计Hest。这可以被内插以覆盖所有资源元素(RE)。 [0098] 2A.Hest可以被传送到无线电发射器设备200。 [0099] 3A.无线电发射器设备200可以处理要被发射的比特402并且针对每个RE(NT个元素的向量)形成符号sij403。索引i和j覆盖携带数据的RE。 [0100] 4A.Hest和预测长度(例如，UL和DL之间的时隙的数目)401可以被馈送到NN 500以形成针对每个RE的预编码矩阵Wij。 [0101] 5A.无线电发射器设备200可以将预编码符号404计算为xij＝Wijsij。 [0102] 6A.无线电发射器设备200还可以应用功率归一化：将x缩放为 其中a是常数，将TX信号x缩放为所期望的发射功率。其他归一化也是可能的，诸如用符号x的标准差而不是上述使用的L2范数进行归一化。在本文中，L2范数是指计算欧几里得空间中向量的长度的方法。 [0103] 在本文中，下标ij是指RE(i＝1…F，j＝1…S)，并且下标r是指天线的索引。完整的预编码信号x可以看作是FxSxNR阵列，并且xij是具有NR个元素的向量。 [0104] 深度可分离卷积中的至少一个可以包括二维(2D)深度可分离3x3卷积。 [0105] NN 500还可以包括两个ResNet块之间的乘法层。这样的乘法层可以帮助NN 500近似输入之间的乘法(例如，在计算ZF解时可能涉及乘法)。 [0106] 图5显示了本文描述的主题的示例实施例，其示出了由无线电发射器设备200应用的NN 500。图5的NN 500的示例实施例可以包括表示上文结合图4A描述的Hest的块501，以及表示上文也结合图4A的Hest描述的预测长度401的块502。图5的NN 500的示例实施例还可以包括表示重塑函数的块503、表示乘法函数的块504和表示连接函数的块505。图5的NN 500的示例实施例还可以包括至少一个神经网络层506，至少一个神经网络层506中的至少一个可以包括ResNet块。至少一些实施例可以包括M个堆叠的神经网络层/ResNet块，神经网络层/ResNet块可以被称为子网。图5的NN 500的示例实施例还可以包括表示另一重塑函数的块507。图5的NN 500的示例实施例还可以包括表示所形成的预编码矩阵的块508。 [0107] 至少一个存储器204和计算机程序代码还可以被配置为与至少一个处理器202一起，使无线电发射器设备200通过模拟信道进行差分来执行训练NN 500。模拟信道可以基于统计模拟信道、光线跟踪信道和/或捕获信道。 [0108] 换言之，无线电发射器设备200的训练可以通过使用模拟数据来实行，该模拟数据可以使用链路级别模拟器生成。至少在一些实施例中，可以模拟UL和DL二者以及UL与DL之间信道的演进。链路级别模拟的某些部分可以以在线方式实行，即在训练期间。至少在一些实施例中，信道可以被实现以使得相对于输入可差分。至少在一些实施例中，接收器算法实现可以用于以相同方式可差分的UE。 [0109] 图6的图600示出了由无线电发射器设备200应用的NN 500的训练的示例，其中样本生成和在训练(前向传递)中应用至少一个神经网络层506(至少一个神经网络层中的至少一个可以包括ResNet块)可以使用，例如以下过程来完成。 [0110] 操作601[CH EVOL]：针对包括UL时隙和DL时隙的多个时隙模拟信道的演进。存储关于信道(抽头/信道矩阵)的信息。 [0111] 操作602[UL UE‑Tx]：用随机参数模拟UE 130A、130B、130C：生成所传输的比特(可能包括使用，例如低密度奇偶校验(LDPC)的编码)，应用调制(例如，QAM)并且形成频率时间UL RE网格。 [0112] 操作603[UL信道]：评估信道并且在基站120A处形成接收天线信号RxData。 [0113] 操作604[UL BS‑Rx]：将信道估计算法(例如，LS)应用于导频位置中的RxData，在所有RE上内插，并且保存信道估计。 [0114] 操作605[DL BS‑Tx1]：用随机参数模拟：生成所传输的比特(可能包括使用，例如LDPC的编码)并且应用调制来形成s。 [0115] 操作606[DL BS‑Tx2]：将UL信道410估计传递给NN 500，NN 500输出W。 [0116] 操作607[DL BS‑Tx3]：计算x＝Ws并且归一化。 [0117] 操作608[DL信道]：评估信道并且在UE 130A、130B、130C处形成所接收的天线信号(RxData)。 [0118] 操作609[UL BS‑Rx]：针对每个UE 130A、130B、130C，应用信道估计算法，均衡RX信号，并且计算针对输出比特的对数似然比(LLR)。 [0119] 操作610：计算交叉熵损失。 [0120] 操作611：执行后向传递，并且更新模型参数。 [0121] 操作601至605可以通过保存相关变量来离线执行。可选地，如果希望使用几个UE时隙作为输入数据，则可以针对每个时隙和组合的信道估计重复操作602至6044。 [0122] NN 500的训练还可以包括应用损失。损失可以包括一个或多个交叉熵损失之和。 [0124] [0125] 其中D是与携带数据的RE对应的索引集，#D是这样的RE的数目，B是样本批次中的样本数目，并且 是定义为 的所预测的比特概率，其中Lijl是UE接收器算法(在可能的LDPC解码之前)的估计对数似然比。 [0126] NN 500的训练还可以包括基于随机梯度下降和反向传播来优化损失。例如，相关的监督学习任务可以通过使用随机梯度下降或其扩展(例如，亚当优化器)和反向传播优化损失来解决。 [0127] 至少在一些实施例中，多用户模型可以通过使用单用户模型初始化模型权重来训练。至少在一些实施例中，可以首先使用指数损失执行训练，然后可以执行切换到使用交叉熵损失(例如，在训练期间以线性方式)。 [0128] 作为UL信道410信息包括由信道估计器251提供的UL信道410估计信息的替代，UL信道410信息可以代替地包括由无线电接收器设备250B提供的UL信道410估计信息，无线电接收器设备250B利用迭代神经网络700来生成UL信道410估计信息。图4B的图400B显示了其示例实施例。 [0129] 在图4B的实施例中，NN 500被布置为与基于神经网络700的无线电接收器设备250B或基于另一类型的基于神经网络的接收器连接。 [0130] 在图4B的示例中，神经网络700能够输出信道信息。在该示例实施例中，从神经网络700传递到NN 500的信道信息不需要是任何显式格式(诸如，频率呈现H)。而是可以在训练过程期间学习数据格式。 [0131] 图4B的示例实施例可以实现，例如以下操作： [0132] 1B.在UL时隙期间，NN 700可以获取与导频位置对应的接收数据(RxData)并且形成针对UL和信道信息H^的LLR。 [0133] 2B.H^可以被传送到无线电发射器设备200。 [0134] 3B.无线电发射器设备200可以处理要被发射的比特402并且形成与所使用的调制方案对应的符号s(NT个元素的向量)。 [0135] 4B.H^和预测长度401可以被馈送到NN 500以形成预编码矩阵Wij。 [0136] 5B.预编码符号可以计算为xij＝Wijsij。 [0137] 6B.功率归一化可以被应用：将x缩放为 [0138] 这里，操作2B至6B类似于上文结合图4A的示例实施例所描述的操作2A至6A。 [0139] 图7显示了本文描述的主题的另一示例实施例，其示出了由无线电接收器设备250B应用的NN 700。图7的NN 700的示例实施例可以包括表示接收数据的块701、表示发射导频的块702和表示原始信道信息的块703。图7的NN 700的示例实施例还可以包括表示堆叠函数的块704。图7的NN 700的示例实施例还可以包括至少一个神经网络层705，至少一个神经网络层705中的至少一个可以包括ResNet块。至少一些实施例可以包括M个堆叠的神经网络层/ResNet块，M个堆叠的神经网络层/ResNet块可以被称为子网。神经网络层705的输出可以被馈送到表示3x3二维卷积(Conv2D)层的块706、707，其中一个输出LLR 708，另一个形成信道信息709。至少在一些实施例中，信道信息的维数可以被选择为与信道估计的维数相同。 [0140] 图4B和图7的示例实施例的训练可以使用例如以下过程来完成。 [0141] [CH EVOL]：针对包括UL时隙和DL时隙的多个时隙模拟信道的演进。存储关于信道的信息(抽头/信道矩阵)。 [0142] [UL UE‑Tx]：用随机参数模拟UE 130A、130B、130C：生成发射比特(可能包括使用，例如LDPC的编码)、应用调制(例如QAM)并且形成频率时间UL RE网格。 [0143] [UL信道]：评估信道并且在基站120B处形成接收天线信号RxData。 [0144] [UL BS‑Rx]：将NN 700应用于导频位置中的RxData，并且保存LLR和通道输出。 [0145] [DL BS‑Tx1]：用随机参数模拟DL：生成发射比特(可能包括使用，例如LDPC编码)并且应用调制来形成s。 [0146] [DL BS‑Tx2]：将UL信道410估计传递给NN 500以形成W。 [0147] [DL BS‑Tx3]：计算x＝Ws，并且归一化。 [0148] [DL信道]：评估信道并且在UE 130A、130B、130C处形成所接收的天线信号(RxData)。 [0149] [UL BS‑Rx]：针对每个UE 130A、130B、130C，应用信道估计算法，均衡RX信号，并且解码比特。 [0150] 可以同时训练NN 700和NN 500二者。损失可以是，例如NN 700和NN 500的交叉熵损失的组合： [0151] L＝CEUL+αCEDL [0152] 其中α是常数，α可以被调整以使得NN 700和NN 500都不超过另一个。 [0153] 图8示出了根据示例实施例的方法800的示例流程图。 [0154] 在可选操作801，无线电发射器设备200可以通过模拟信道进行差分来执行NN 500的训练。 [0155] 在操作802，无线电发射器设备200接收UL信道410信息。 [0156] 在操作803，无线电发射器设备200基于所接收的UL信道410信息确定用于DL信道420的RE特定的预编码矩阵。如结合图2更详细地描述的，基于所接收的UL信道信息对用于DL信道的RE特定的预编码矩阵的确定是通过将NN 500应用于所接收的UL信道410信息而被执行的，NN 500包括至少一个神经网络层506，该至少一个神经网络层506可执行以处理所接收的UL信道410信息以输出用于DL信道420的RE特定的预编码矩阵。 [0157] 在操作804，无线电发射器设备200基于所确定的RE特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列206的发射天线特定的输出信号。 [0158] 方法800可以由图2的无线电发射器设备200执行。操作801至804可以例如由至少一个处理器202和至少一个存储器204执行。方法800的其他特征直接来自无线电接收器设备200的功能和参数，因此在此不再重复。方法800可以由(多个)计算机程序执行。 [0159] 本文描述的至少一些实施例可以允许基于信道估计来生成完整预编码矩阵的基于神经网络的无线电发射器设备。本文描述的至少一些实施例可以允许将基于神经网络的无线电发射器设备与基于神经网络的无线电接收器设备联合训练的方式。本文描述的至少一些实施例可以允许通过模拟信道进行差分来训练基于神经网络的无线电发射器设备的方式，模拟信道的底层信道实现可以基于统计模拟、光线跟踪或捕获信道。本文描述的至少一些实施例可以允许由于以下原因而改进的波束成形性能：未来信道的更好的预测，基于神经网络的无线电发射器设备和基于神经网络的无线电接收器设备之间的最佳信息传送，使用AI加速器的有效推理，和/或易于集成到产品中的现有处理。 [0160] 无线电发射器设备200可以包括用于执行本文所述的至少一种方法的部件。在一个示例中，部件可以包括至少一个处理器202和至少一个存储器204，该至少一个存储器204包括程序代码，程序代码被配置为当由至少一个处理器执行时，使无线电发射器设备200执行该方法。 [0161] 本文描述的功能可以至少部分地由诸如软件组件的一个或多个计算机程序产品组件来执行。根据实施例，无线电发射器设备200可以包括由程序代码配置的处理器或处理器电路，诸如微控制器，程序代码在被执行时执行所描述的操作和功能的实施例。备选地，或附加地，本文描述的功能可以至少部分地由一个或多个硬件逻辑组件来执行。例如，但不限于，可以使用的说明性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、程序特定集成电路(ASIC)、程序特定标准产品(ASSP)、片上系统(SOCs)、复杂可编程逻辑设备(CPLD)、和图形处理单元(GPU)。 [0162] 本文给出的任何范围或设备值都可以扩展或改变，而不会失去所寻求的效果。此外，除非明确禁止，任何实施例都可以与另一实施例相结合。 [0163] 尽管已经用特定于结构特征和/或动作的语言描述了主题，但是应当理解，在所附权利要求中定义的主题不一定限于上述特定特征或动作。相反，上述特定特征和行为是作为实现权利要求的示例公开的，并且其他等效特征和动作旨在在权利要求的范围内。 [0164] 应当理解的是，上述益处和优点可以涉及一个实施例，也可以涉及几个实施例。实施例不限于解决任何或所有所述问题的那些实施例，也不限于具有任何或所有所述益处和优点的那些实施例。还应当理解的是，对“一个”项目的指代可以指这些项目中的一个或多个。 [0165] 本文所述方法的步骤可以以任何合适的顺序实行，或者在适当的情况下同时实行。此外，可以在不脱离本文所述的主题的精神和范围的情况下从任何方法中删除单个块。上述任何实施例的方面可以与所描述的任何其他实施例的方面组合以形成另外的实施例，而不失去所寻求的效果。 [0166] 术语“包括”在本文中用于表示包括所标识的方法、块或元素，但是这样的块或元素不包括排他列表，并且方法或装置可以包含附加的块或元素。 [0167] 可以理解的是，以上描述仅作为示例给出，并且本领域技术人员可以进行各种修改。以上说明书、示例和数据提供了示例性实施例的结构和使用的完整描述。尽管上面已经以一定程度的特殊性或参考一个或多个单独的实施例描述了各种实施例，但本领域技术人员可以在不脱离本说明书的精神或范围的情况下对所公开的实施例进行许多改变。 |
||||||
QQ群二维码
意见反馈
意见反馈