深度学习辅助的基于指纹的波束对准制造技术

一种方法的一些实施方案可包括：获得包括用户设备位置、用户设备的数量和期望的接收信号强度的输入数据；用具有从训练阶段确定的权重的神经网络处理该输入数据，以生成一个或多个波束对索引的集合；对该波束对索引的集合的至少一个子集执行波束搜索；以及从车辆接收提供期望的接收信号强度的至少一个波束对索引。供期望的接收信号强度的至少一个波束对索引。供期望的接收信号强度的至少一个波束对索引。

【技术实现步骤摘要】
【国外来华专利技术】深度学习辅助的基于指纹的波束对准
[0001]相关申请的交叉引用
[0002]本申请为2019年8月30日提交的名称为“Deep Learning Aided Fingerprint based Beam Alignment”的美国临时专利申请序列号62/894,666的非临时提交，并且根据35U.S.C.
§
119(e)要求该专利申请的权益，该专利申请据此全文以引用方式并入本文。

技术介绍

[0003]由于在毫米波频率下观察到高传播损耗，因此使用定向传输。由于窄波束和毫米波频率对阻塞的高度敏感性，针对离开和到达对准波束可具有挑战性。
[0004]建立良好的波束对准使用到达角(AoA)和离开角(AoD)两者的知识。AoA
‑
AoD对可被确定为信道估计的一部分。然而，在波束对准之前执行信道估计无法使用波束成形增益，该波束成形增益用于实现通过毫米波链路的可靠通信。因此，为了规避这个问题，常规的波束对准使用穷举波束扫描来执行，其中基站和用户终端在所有波束方向上针对所有360
°×
360
°
波束对执行波束搜索。由于选择期望的波束方向的搜索复杂性，这种对所有波束对的穷举搜索可能会带来显著的开销。为了减少涉及波束扫描的全面搜索，已经提出了层级波束对准。许多此类技术依赖于在不同级别使用的多分辨率码本。这种让人想起二分搜索算法的技术可以在与较宽波束相关联的低级码本上执行波束搜索，并且在高级码本上执行另一个波束搜索，该高级码本是从低级码本中选择的宽波束的子集。遗憾的是，许多基于层级码本的波束对准技术并未显著降低搜索复杂性。旨在降低搜索复杂性的其他操作通常涉及优化技术。然而，这些方法可能只有在目标函数表现出平滑度时才有用。这些技术可能只适用于没有局部最优的目标函数。
[0005]为了降低波束对准所涉及的开销和搜索复杂性，提出了依赖于准确位置信息的盲波束控制。提出了一种用于推断通信设备之间的视线(LOS)方向的技术。此外，提出了一种波束切换策略，在假设信道始终表现出单一的主要LOS路径的情况下，通过调用经典的梯度下降方法来最大化速率。然而，当LOS路径不复存在时，这些方法在实践中可能不可行，在主要LOS路径被障碍物阻挡的交通繁忙期间通常如此。

技术实现思路

[0006]根据一些实施方案的示例性方法可包括：获得包括用户设备位置、用户设备(UE)的数量和期望的接收信号强度的输入数据；用具有从训练阶段确定的权重的神经网络处理输入数据，以生成一个或多个波束对索引的集合；对波束对索引的集合的至少一个子集执行波束搜索；以及从用户设备接收提供期望的接收信号强度的至少一个波束对索引。
[0007]对于示例性方法的一些实施方案，可以使用带外信令信道将用户设备位置从用户设备传送到基站。
[0008]对于示例性方法的一些实施方案，基站可以根据车辆密度已知UE的数量。
[0009]对于示例性方法的一些实施方案，可以使用softmax算法进一步生成一个或多个波束对索引的集合。
[0010]对于示例性方法的一些实施方案，softmax算法可以生成与波束对索引的集合相关联的概率。
[0011]对于示例性方法的一些实施方案，一个或多个波束对索引的集合可以在训练阶段期间存储在数据库中。
[0012]对于示例性方法的一些实施方案，训练阶段可包括：获得每个训练位置的训练样本；将权重向量初始化为随机值；以及迭代地执行以下步骤，直到达到收敛度量阈值：使用相应的权重向量来计算每一层的神经元输出；应用softmax函数来获得类别概率；计算权重矩阵和偏置向量；以及执行误差反向传播。
[0013]对于示例性方法的一些实施方案，用神经网络处理输入数据可包括：获得在用户设备位置处的不同交通状况的多个指纹；并且使用与softmax分类器耦合的神经网络，基于用户设备位置处的交通状况来选择多个指纹中的一个指纹，其中选择多个指纹中的一个指纹可以生成一个或多个波束对索引的集合，并且使用神经网络可以使用从训练阶段确定的权重。
[0014]对于示例性方法的一些实施方案，交通状况可包括用户设备位置处的UE数量。
[0015]对于示例性方法的一些实施方案，神经网络可以为深度学习前馈神经网络。
[0016]对于示例性方法的一些实施方案，执行波束搜索可包括：向用户设备发送包括一个或多个波束对索引的集合的指纹信息；以及至少在波束对索引的集合的子集上执行波束训练过程以从一个或多个波束对索引的集合中选择满足期望的接收信号强度的所选择的波束对。
[0017]示例性方法的一些实施方案还可包括：获得至少一个训练位置的训练样本；将权重向量初始化为随机值；以及迭代地执行以下步骤，直到达到收敛度量阈值：使用相应的权重向量来计算神经网络的至少一层的神经元输出；将softmax函数应用于神经网络的输出层以获得类别概率；更新权重矩阵和偏置向量；以及执行误差反向传播。
[0018]示例性方法的一些实施方案还可包括确定预测的类别概率和真实类别概率之间的损失函数，其中如果损失函数小于收敛度量阈值，则达到收敛度量阈值。
[0019]示例性方法的一些实施方案还可包括从波束对索引的集合中选择至少一个波束对索引以用于将数据传输到接收器。
[0020]对于示例性方法的一些实施方案，选择至少一个波束对索引可包括使用多功能波束传输方案。
[0021]对于示例性方法的一些实施方案，选择至少一个波束对索引可以被周期性地重复。
[0022]对于示例性方法的一些实施方案，可以在触发事件时执行选择至少一个波束对索引，并且触发事件可以是检测到用户设备的参数的变化。
[0023]根据一些实施方案的示例性装置可包括：处理器；以及非暂态计算机可读介质，该非暂态计算机可读介质存储指令，这些指令在由处理器执行时可操作以执行示例性方法的任何一个实施方案。
[0024]根据一些实施方案的附加示例性方法可包括：基于初始网络接入过程从用户设备获得位置信息；使用神经网络处理位置信息以生成具有相关联的波束对的集合的指纹输出；以及使用波束对的集合进行波束训练。
[0025]附加示例性方法的一些实施方案还可包括基于波束对的集合向用户设备通知候选波束对。
[0026]对于附加示例性方法的一些实施方案，候选波束对可以为相关联的波束对的子集。
[0027]根据一些实施方案的附加示例性装置可包括：处理器；以及非暂态计算机可读介质，该非暂态计算机可读介质存储指令，这些指令在由处理器执行时可操作以执行附加示例性方法的任何一个实施方案。
[0028]根据一些实施方案的另外的示例性方法可包括：在基站处使特定于位置的波束对指纹适应交通状况；以及使用波束对指纹进行波束训练。
[0029]根据一些实施方案的另一个示例性装置可包括：处理器；以及非暂态计算机可读介质，该非暂态计算机可读介质存储指令，这些指令在由处理器执行时可操作以进行以下操作：在基站处使特定于位置的波束对指纹适本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：获得包括用户设备位置、用户设备(UE)的数量和期望的接收信号强度的输入数据；用具有从训练阶段确定的权重的神经网络处理所述输入数据，以生成一个或多个波束对索引的集合；对所述波束对索引的集合的至少一个子集执行波束搜索；以及从用户设备接收提供所述期望的接收信号强度的至少一个波束对索引。2.根据权利要求1所述的方法，其中使用带外信令信道将所述用户设备位置从用户设备传送到基站。3.根据权利要求1至2中任一项所述的方法，其中基站根据车辆密度已知所述UE的数量。4.根据权利要求1至3中任一项所述的方法，其中使用softmax算法进一步生成所述一个或多个波束对索引的集合。5.根据权利要求4所述的方法，其中所述softmax算法生成与波束对索引的集合相关联的概率。6.根据权利要求1至5中任一项所述的方法，其中所述一个或多个波束对索引的集合在训练阶段期间存储在数据库中。7.根据权利要求6所述的方法，其中所述训练阶段包括：获得每个训练位置的训练样本；将权重向量初始化为随机值；以及迭代地执行以下步骤，直到达到收敛度量阈值：使用相应的权重向量来计算每一层的神经元输出；应用softmax函数来获得类别概率；计算权重矩阵和偏置向量；以及执行误差反向传播。8.根据权利要求1所述的方法，其中用所述神经网络处理所述输入数据包括：获得在所述用户设备位置处的不同交通状况的多个指纹；以及使用与softmax分类器耦合的所述神经网络，以基于所述用户设备位置处的交通状况来选择所述多个指纹中的一个指纹，其中选择所述多个指纹中的一个指纹生成所述一个或多个波束对索引的集合，并且其中使用所述神经网络使用从所述训练阶段确定的所述权重。9.根据权利要求8所述的方法，其中所述交通状况包括在所述用户设备位置处的所述UE的数量。10.根据权利要求8所述的方法，其中所述神经网络为深度学习前馈神经网络。11.根据权利要求1至10中任一项所述的方法，其中执行所述波束搜索包括：向所述用户设备发送包括所述一个或多个波束对索引的集合的指纹信息；以及至少在所述波束对索引的集合的所述子集上执行波束训练过程以从所述一个或多个波束对索引的集合中选择满足所述期望的接收信号强度的所选择的波束对。12.根据权利要求1至11中任一项所述的方法，还包括：
获得至少一个训练位置的训练样本；将权重向量初始化为随机值；以及迭代地执行以下步骤，直到达到收敛度量阈值：使用所述相应的权重向量来计算所述神经网络的至少一层的神经元输出；将softmax函数应用于所述神经网络的输出层以获得类别概率；更新权重矩阵和偏置向量；以及执行误差反向传播。13.根据权利要求12所述的方法，还包括：确定预测的类别概率和真实类别概率之间的损失函数，其中如果所述损失函数小于所述收敛度量阈值，则达到所述收敛度量阈值。14.根据...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：IDAC控股公司，
类型：发明
国别省市：