在无线网络中解码分组以计算对数似然比的方法和装置制造方法及图纸

本文中的实施例提供了一种在无线网络(1000)中由装置(100)解码用户数据的方法。该方法包括由装置(100)接收与多个网络参数相关联的用户数据。该方法包括由装置(100)使用多个接收到的网络参数训练神经网络(220)。此外，该方法包括由装置(100)使用经训练的神经网络(220)计算LLR。此外，该方法包括由装置(100)使用计算的LLR解码接收到的用户数据。用计算的LLR解码接收到的用户数据。用计算的LLR解码接收到的用户数据。

【技术实现步骤摘要】
【国外来华专利技术】在无线网络中解码分组以计算对数似然比的方法和装置


[0001]本公开涉及无线网络，并且更具体地，涉及用于在无线网络中解码分组以计算基于图形处理单元(GPU)/非GPU的架构的对数似然比(LLR)的方法和装置。

技术介绍

[0002]一般来说，LLR计算是各种无线接收器不可或缺的一部分。LLR值被用作无线接收器中解码模块的输入。然而，最优地计算LLR有指数开销。因此，已经进行了多次尝试来简化LLR计算的过程。现有的方法极其复杂，并且高的计算复杂度会降低效率。
[0003]因此，希望解决上述缺点或其他不足，或者至少提供一种有用的替代方案。

技术实现思路

[0004]技术问题
[0005]本文实施例的主要目的是提供一种使用机器学习技术在无线网络中解码分组以计算基于计算单元的架构(例如，基于图形处理单元(GPU)的架构、基于非GPU的架构、基于中央处理单元(CPU)的架构、基于非CPU的架构等)的LLR值的方法。
[0006]技术方案
[0007]因此，本文中的实施例公开了一种用于在无线网络中由装置解码用户数据的方法。该方法包括由装置接收与多个网络参数相关联的用户数据。该方法包括由装置使用多个接收到的网络参数来训练神经网络。此外，该方法包括由装置使用经训练的神经网络计算LLR。此外，该方法包括由装置使用计算的LLR解码接收到的用户数据。
[0008]在实施例中，多个网络参数包括最小均方误差(MMSE)值、信道增益、调制方案、信道质量指示符(CQI)信息、范围内的用户装备(UE)的数量、UE的位置、UE与装置的距离、天气条件、资源块(RB)信息、操作频率、RB带宽、服务质量(QoS)、QoS类别标识符(QCI)、带宽部分(BWP)、子载波间隔(SCS)、相干带宽(BW)、相干时间、相干干扰、噪声、操作频率、UE的能力、多输入多输出(MIMO)能力、传输模式、实时业务数据、远程无线电头(RRH)BS能力、UE的同相数据和正交数据(I和Q)值、正交幅度调制(QAM)调制细节、同相数据和正交数据(I和Q)向量的大小以及分配给用户的资源块、与BS相关联的业务密度、与BS相关联的业务分布、BS的类别、当天的气候条件、当天与UE的区域相关联的特殊场合的信息、UE的基于事件的日历、与UE相关联的用户的假期细节、UE的类别以及UE的订阅细节。
[0009]在实施例中，由装置使用计算的LLR解码接收到的用户数据包括执行以下之一：I)由装置使用E2接口将计算的LLR传送到物理层，并且由装置使用计算的LLR解码接收到的用户数据；II)由装置顺序接收用户数据向量的大小、QAM信息、MIMO秩细节和指派给用户数据的RB的数量，并且由装置基于顺序地用户数据向量的大小、QAM信息、指派给用户数据的RB的数量和MIMO秩细节，使用计算的LLR来串行解码每分组基础的接收到的用户数据；III)由装置接收QAM信息、每个用户数据的IQ数据的大小和分配给每个用户数据的RB，并且由装置使用基于QAM信息、每个用户数据的IQ数据的大小和分配给每个用户数据的RB计算的LLR来
并行解码每符号基础的接收到的用户数据；以及IV)由装置提供用户数据，直到所有IQ数据被顺序或并行解码，由装置将输入向量的大小作为RB数量的函数指派给用户数据，由装置使用神经网络中的查找表加载权重，以及由装置使用计算的LLR、输入向量的大小和加权函数顺序解码用户数据。为所有分组、串行每个比特、所有用户数据、一次一个比特以及同时一次一个比特和为所有用户数据中的至少一种计算LLR。
[0010]在实施例中，由装置接收与多个网络参数相关联的用户数据包括：由装置在将IQ数据流馈送到神经网络之前分离IQ数据流，由装置确定与QAM方案相关联的信道条件，以及由装置基于分离的IQ数据流和确定的信道条件接收与多个网络参数相关联的用户数据。
[0011]在实施例中，通过创建多批次(batch)训练样本来训练神经网络，其中每个训练样本使用至少一种调制方案，训练QAM方案，其中每个QAM方案包括嵌入在用户数据中的唯一代码，从多批次中为每批次生成混洗训练样本，计算对应于每个混洗训练样本的LLR，以及在训练的同时跨批次混洗计算的LLR。
[0012]在实施例中，该装置是基站、开放式无线接入网络(ORAN)、集中式无线接入网络(CRAN)和虚拟无线接入网络(VRAN)中的至少一种。
[0013]在实施例中，NN在O
‑
RAN和VRAN的RIC模块中实现。
[0014]在实施例中，由装置计算LLR包括接收来自所有层或网络参数子集的RB的数量、操作频率、MCS、独立流的数量、MIMO细节、网络和UE参数以及SINR中的至少一个，并且基于来自所有层或网络参数子集的RB的数量、操作频率、MCS、独立流的数量、MIMO细节、网络和UE参数以及SINR中的至少一个顺序或并行计算LLR。
[0015]因此，本文中的实施例公开了一种用于在无线网络中解码用户数据的装置。该装置包括与存储器耦合的处理器。处理器被配置成接收与多个网络参数相关联的用户数据，并且使用多个接收到的网络参数来训练神经网络。此外，处理器被配置成使用经训练的神经网络计算LLR。此外，处理器被配置成使用计算的LLR来解码接收到的用户数据。
[0016]当结合下面的描述和附图考虑时，将会更好地理解和明白本文中的实施例的这些和其他方面。然而，应该理解的是，尽管下面的描述指示了优选实施例和其中的许多具体细节，但是这些描述是以说明的方式给出的，而不是限制性的。在不脱离本文中的实施例的精神的情况下，可以在本文中的实施例的范围内进行许多改变和修改，并且本文中的实施例包括所有这样的修改。
[0017]有益效果
[0018]本公开的多种实施例可以提供一种使用机器学习技术来解码分组以计算无线网络中的基于计算单元的架构(例如，基于图形处理单元(GPU)的架构、基于非GPU的架构、基于中央处理单元(CPU)的架构、基于非CPU的架构等)的LLR值的方法。这促使提高效率并降低高计算复杂度。
附图说明
[0019]该方法和装置在附图中示出，在所有附图中，相同的附图标记表示各个图中的对应部分。参考附图，从下面的描述中将更好地理解本文中的实施例，其中：
[0020]图1示出了根据本文公开的实施例的其中装置使用ML和AI技术解码用户数据的示例场景；
[0021]图2示出了根据本文公开的实施例的用于在无线网络中解码用户数据的装置的硬件组件图；
[0022]图3示出了根据本文公开的实施例的NN的训练；
[0023]图4示出了根据本文公开的实施例的其中基站解码无线网络中的用户数据示例场景；
[0024]图5示出了根据本文公开的实施例的其中UE解码无线网络中的用户数据示例场景；
[0025]图6示出了根据本文公开的实施例的其中VRAN解码无线网络中的用户数据示例场景；
[0026]图7示出了根据本文公开的实施例的用于解码用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于在无线网络(1000)中由装置(100)解码用户数据的方法，包括：由装置(100)接收与多个网络参数相关联的用户数据；由装置(100)使用所述多个接收到的网络参数训练神经网络(220)；由装置(100)使用经训练的神经网络(220)计算对数似然比(LLR)；以及由装置(100)使用计算的LLR解码接收到的用户数据。2.根据权利要求1所述的方法，其中，所述多个网络参数包括如下中的至少一个：最小均方误差(MMSE)值、信道增益、调制方案、信道质量指示符(CQI)信息、范围内的用户装备(UE)(402)的数量、UE(402)的位置、UE(402)与装置的距离、天气条件、资源块(RB)信息、操作频率、RB带宽、服务质量(QoS)、QoS类别标识符(QCI)、带宽部分(BWP)、子载波间隔(SCS)、相干带宽(BW)、相干时间、相干干扰、噪声、操作频率、UE(402)的能力、多输入多输出(MIMO)能力、传输模式、实时业务数据、远程无线电头(RRH)BS能力、UE(402)的同相数据和正交数据(I和Q)值、正交幅度调制(QAM)调制细节、同相数据和正交数据(I和Q)向量的大小、分配给UE(402)的资源块、与BS(404)相关联的业务密度、与BS(404)相关联的业务分布、BS(404)的类别、当天的气候条件、当天与UE(402)的区域相关联的特殊场合的信息、UE(402)的基于事件的日历、与UE(402)相关联的用户的假期细节、UE(402)的类别、以及UE(402)的订阅细节。3.根据权利要求1所述的方法，其中，由装置(100)使用计算的LLR解码接收到的用户数据包括：执行以下操作之一：由装置(100)使用E2接口将计算的LLR传送到物理层，以及由装置(100)使用计算的LLR解码接收到的用户数据；由装置(100)顺序接收用户数据向量的大小、QAM信息、MIMO秩细节和指派给用户数据的RB的数量，以及由装置(100)使用基于顺序地用户数据向量的大小、QAM信息、MIMO秩细节和指派给用户数据的RB的数量计算的LLR，串行解码每分组基础的接收到的用户数据；由装置(100)接收QAM信息、每个用户数据的IQ数据的大小和分配给每个用户数据的RB，以及由装置(100)使用基于QAM信息、每个用户数据的IQ数据的大小和分配给每个用户数据的RB计算的LLR，并行解码每符号基础的接收到的用户数据；以及由装置(100)提供用户数据，直到所有IQ数据被顺序或并行解码，由装置(100)将输入向量的大小作为RB数量的函数指派给用户数据，由装置(100)使用神经网络(220)中的查找表加载权重，以及由装置(100)使用计算的LLR、输入向量的大小和加权函数顺序解码用户数据，其中，为所有分组、串行每个比特、所有用户数据、一次一个比特以及同时一次一个比特和为所有用户数据中的至少一种计算LLR。4.根据权利要求1所述的方法，其中，由装置(100)接收与所述多个网络参数相关联的用户数据包括：由装置(100)在馈送到神经网络(220)之前分离IQ数据流；由装置(100)确定与QAM方案相关联的信道条件；以及
由装置(100)基于分离的IQ数据流和确定的信道条件接收与所述多个网络参数相关联的用户数据。5.根据权利要求1所述的方法，其中，神经网络(220)通过以下方式训练：创建多批次训练样本，其中，每个训练样本使用至少一种调制方案；训练QAM方案，其中，每个QAM方案包括嵌入在用户数据中的唯一代码；从多个批次中为每个批次生成混洗训练样本；计算对应于每个混洗训练样本的LLR；以及在训练的同时跨批次混洗计算的LLR。6.根据权利要求1所述的方法，其中，所述装置(100)是基站(404)、用户装备(UE)(402)、开放式无线接入网(ORAN)、集中式无线接入网(CRAN)和虚拟无线接入网(VRAN)中的至少一种。7.根据权利要求1所述的方法，其中，由装置(100)计算LLR包括：接收RB的数量、操作频率、MCS、独立流的数量、MIMO细节、与无线网络相关联的层信息、与UE相关联的层信息、网络参数的子集和SINR中的至少一个；以及基于RB的数量、操作频率、MCS、独立流的数量、MIMO细节、与无线网络相关联的层信息...

【专利技术属性】
技术研发人员：SK凡卡雅拉，尹承一，I科莫宁，V亚拉马拉，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：