提供多输入多输出检测器选择的系统和方法技术方案

这里提供了一种用于选择符号检测器的方法和系统。一种方法包括：针对第k个资源元素(RE)提取第一组特征，其中k是大于一的整数；从第一个RE到第k‑1个RE提取第二组特征；以及基于提取的第一组特征和提取的第二组特征，使用强化学习(RL)神经网络为第k个RE选择符号检测器。

【技术实现步骤摘要】
提供多输入多输出检测器选择的系统和方法相关申请的交叉引用本申请是基于2019年4月23日在美国专利商标局提交的第62/837,499号美国临时专利申请以及2020年1月23日在美国专利商标局提交的第16/750,363号美国非临时专利申请并要求享有其优先权，其全部内容通过引用合并于此。
本公开总体上涉及无线通信系统。具体地，本公开涉及一种通过用强化学习(RL)神经网络来提供多输入多输出(MIMO)检测器选择的系统和方法。
技术介绍
在无线通信系统(例如，长期演进(LTE)、第五代新无线电(5GNR))中，MIMO符号检测器计算MIMO层中的编码比特的对数似然比(LLR)。可以使用各种类型的检测方法来确定LLR。这些检测方法的复杂度的范围从非常高的复杂度(例如，最大似然(ML))到低复杂度(例如，最小均方误差(MMSE))。通常，检测方法的以错误率衡量的性能与复杂度成反比。因此，ML具有最小错误率，而MMSE具有最大错误率。通常，一个检测器用于获得所有资源元素(RE)的LLR，而与RE中的信道条件无关。当选择使用这种静态检测器时，在复杂度和错误率之间存在权衡。如果期望低错误率，则使用高复杂度检测器。另一方面，如果使用低复杂度检测器，则错误率增加。
技术实现思路
根据一个实施例，一种用于选择符号检测器的方法包括：针对第k个RE提取第一组特征，其中k是大于一的整数；从第一个RE到第k-1个RE提取第二组特征；以及基于提取的第一组特征和提取的第二组特征，使用RL神经网络为第k个RE选择符号检测器。根据一个实施例，一种用于选择符号检测器的系统包括存储器和处理器，该处理器被配置为：针对第k个RE提取第一组特征，其中k是大于一的整数；从第一个RE到第k-1个RE提取第二组特征；以及基于提取的第一组特征和提取的第二组特征，使用RL神经网络为第k个RE选择符号检测器附图说明本公开的某些实施例的以上及另外的方面、特征和优点将由以下结合附图的详细描述更加明显，附图中：图1示出了根据实施例的具有符号检测器的用于马尔可夫决策过程(MDP)建立(formulation)的系统的图；图2示出了根据实施例的与单个传输块(TB)相对应的单个情节的图；图3示出了根据实施例的使用RL神经网络的检测器选择的流程图；图4示出了根据一个实施例的与仿真器相关联的RL过程的图；图5示出了根据一个实施例的用于检测器选择的流程图；图6示出了根据一个实施例的用于检测器选择的系统的图；以及图7示出了根据实施例的在网络环境中的电子设备的框图。具体实施方式在下文中，参照附图详细描述本公开的实施例。应当注意，尽管在不同的附图中示出了相同的元件，但是它们将由相同的附图标记表示。在以下描述中，提供诸如详细配置和部件的特定细节仅用于帮助对本公开的实施例的整体理解。因此，对于本领域技术人员应当明显的是，在不脱离本公开的范围的情况下，可以对这里描述的实施例进行各种改变和修改。另外，为了清楚和简洁，省略了对公知功能和构造的描述。以下描述的术语是考虑到本公开中的功能而定义的术语，并且可以根据用户、用户的意图或习惯而不同。因此，应基于整个说明书中的内容来确定术语的定义。本公开可以具有各种变型和各种实施例，其中的实施例在下面参照附图来详细描述。然而，应当理解，本公开不限于所述实施例，而是包括在本公开的范围内的所有修改、等同形式和替代形式。尽管可以使用包括诸如第一、第二等的序数的术语来描述各种元件，但是结构元件不受这些术语的限制。这些术语仅用于将一个元件与另一个元件区分开。例如，在不脱离本公开的范围的情况下，第一结构元件可以被称为第二结构元件。类似地，第二结构元件也可以被称为第一结构元件。如这里所使用地，术语“和/或”包括一个或更多个相关项目的任何及所有组合。这里使用的术语仅用于描述本公开的各种实施例，而不旨在限制本公开。单数形式旨在包括复数形式，除非上下文清楚地另行指示。在本公开中，应当理解，术语“包括”或“具有”指示特征、数字、步骤、操作、结构元件、部分或其组合的存在，并不排除一个或更多个其他特征、数字、步骤、操作、结构元件、部分或其组合的存在或添加的可能性。除非不同地定义，否则这里使用的所有术语具有与本公开所属领域的技术人员所理解的含义相同的含义。诸如通用词典中定义的术语的术语将被解释为具有与相关领域或技术中的语境含义相同的含义，并且将不被解释为具有理想的或过度形式化的含义，除非在本公开中清楚地定义。根据一个实施例的电子设备可以是各种类型的电子设备之一。电子设备可以包括例如便携式通信设备(例如，智能电话)、计算机、便携式多媒体设备、便携式医疗设备、相机、可穿戴设备或家用电器。根据本公开的一个实施例，电子设备不限于上述那些。在本公开中使用的术语并不意图限制本公开，而是意图包括针对对应实施例的各种改变、等同形式或替换形式。关于附图的描述，相似的附图标记可以用于指代相似或相关的元件。与项目相对应的单数形式的名词可以包括一个或更多个事物，除非相关上下文清楚地另行指示。如这里所使用地，诸如“A或B”、“A和B中的至少一个”、“A或B中的至少一个”、“A、B或C”、“A、B和C中的至少一个”以及“A、B或C中的至少一个”的短语中的每个可以包括在短语的对应一个短语中一起列举的项目的所有可能组合。如这里所使用地，诸如“第1”、“第2”、“第一”和“第二”的术语可以用于将一对应部件与另一部件区分开，但无意在其他方面(例如，重要性或顺序)限制这些部件。意图是，如果一元件(例如，第一元件)在带有或不带有术语“操作地”或“通信地”的情况下被称为“与”另一元件(例如，第二元件)“联接”、“联接到”另一元件(例如，第二元件)、“与”另一元件(例如，第二元件)“连接”或“连接到”另一元件(例如，第二元件)，则它指示该元件可以直接地(例如，有线的)、无线地或经由第三元件与所述另一元件联接。如这里所使用地，术语“模块”可以包括以硬件、软件或固件实现的单元，并且可以与例如“逻辑”、“逻辑块”、“部分”和“电路”的其他术语可互换地使用。模块可以是被适配为执行一个或更多个功能的单个一体部件或者其最小单元或部分。例如，根据一个实施例，模块可以以专用集成电路(ASIC)的形式实现。符号检测器块在基带调制解调器内具有相对较高的功耗。符号检测器的功耗水平随着调制阶数(order)或层数增加而增加。符号检测器可以按RE操作。由于符号检测器的高使用频率，期望降低符号检测器的功耗并利用5G支持的全速。在衰落信道中，信道随时间和频率两者波动。这样的波动意味着RE可以在相对良好的信道上需要功率消耗较少的符号检测器，而在相对较差的信道上需要功率消耗较多的符号检测器。本系统和方法包括为每个RE选择期望的符号检测器的学习过程。通过Q学习，将信道和信号的观测转换为状态，并将检测器决策视为动作。将每个检测器的复杂度或等效功耗反映到具有受所有RE的所有决策影响本文档来自技高网...

【技术保护点】
1.一种选择符号检测器的方法，包括：/n针对第k个资源元素(RE)提取第一组特征，其中k是大于一的整数；/n从第一个RE到第k-1个RE提取第二组特征；以及/n基于提取的第一组特征和提取的第二组特征，使用强化学习(RL)神经网络为第k个RE选择符号检测器。/n

【技术特征摘要】
20190423 US 62/837,499;20200123 US 16/750,3631.一种选择符号检测器的方法，包括：
针对第k个资源元素(RE)提取第一组特征，其中k是大于一的整数；
从第一个RE到第k-1个RE提取第二组特征；以及
基于提取的第一组特征和提取的第二组特征，使用强化学习(RL)神经网络为第k个RE选择符号检测器。


2.根据权利要求1所述的方法，其中，第一组特征基于针对第k个RE的信道矩阵。


3.根据权利要求1所述的方法，其中，第二组特征基于累积的对数似然比(LLR)。


4.根据权利要求1所述的方法，其中，第二组特征包括归一化位置、对数似然比(LLR)分布的绝对值或软符号分布。


5.根据权利要求1所述的方法，其中，RL神经网络包括多层感知器(MLP)。


6.根据权利要求1所述的方法，其中，RL神经网络生成与检测器的复杂度相对应的复杂度得分。


7.根据权利要求6所述的方法，其中，基于所生成的复杂度得分来选择符号检测器。


8.根据权利要求1所述的方法，其中，RL神经网络生成指示解码是否将成功的解码惩罚。


9.根据权利要求8所述的方法，其中，解码惩罚基于拉格朗日乘数惩罚参数。


10.根据权利要求1所述的方法，其中，使用深度...

【专利技术属性】
技术研发人员：权赫准，宋基逢，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：韩国;KR