一种通信方法及相关装置制造方法及图纸

本申请提供了一种通信方法及相关装置。该方法可从一个或多个预训练神经网络模型中确定第一神经网络模型；根据第一设备和第二设备之间进行通信的通信资源信息和/或信道状态信息调整第一神经网络模型，并发送调整后的第一神经网络模型，或者，发送调整后的第一神经网络模型中的子模型，该调整后的第一神经网络模型用于第一设备和第二设备之间进行通信。可见，第一设备和第二设备之间进行通信所采用的神经网络模型，是根据已训练好的预训练神经网络模型进行调整得到的，与第一设备和第二设备重新训练神经网络模型以用于通信的方式相比，可降低确定神经网络模型的复杂度。可降低确定神经网络模型的复杂度。可降低确定神经网络模型的复杂度。

【技术实现步骤摘要】
一种通信方法及相关装置


[0001]本申请涉及通信领域，尤其涉及一种通信方法及相关装置。

技术介绍

[0002]随着人工智能(artificial intelligence,AI)技术的不断发展，AI技术还可应用于网络层和物理层。例如，AI技术可用于实现网络层中的网络优化、移动性管理、资源分配等，还可用于实现物理层中的信道编译码、信道预测、接收机等。
[0003]通信场景中，可以采用AI模型实现通信收发机来实现收发两端之间的通信。例如，发送端可以采用神经网络模型以用于对待发送的信号进行处理以及发送信号，接收端可以采用神经网络模型以用于对接收的信号进行处理。当前的AI收发机只能适配特定的通信场景，当通信场景发送变化后需要重新训练相应的模型，难以在通用的通信系统中部署。如何确定或部署收发两端之间通信时采用的AI模型是一个亟待解决的问题。

技术实现思路

[0004]本申请实施例提供了一种通信方法及相关装置，能够以低复杂度和低信令开销，确定用于收发两端之间通信的神经网络模型。
[0005]第一方面，本申请实施例提供一种通信方法，该方法包括：从一个或多个预训练神经网络模型中确定第一神经网络模型；根据第一信息调整第一神经网络模型，其中，第一信息包括第一设备和第二设备之间进行通信的通信资源信息和/或信道状态信息；发送调整后的第一神经网络模型，或者，发送调整后的第一神经网络模型中的子模型；该调整后的第一神经网络模型用于第一设备和第二设备之间进行通信。
[0006]可见，第一设备和第二设备之间进行通信所采用的神经网络模型，是根据已训练好的预训练神经网络模型进行调整得到的，且得到的神经网络模型适配于第一设备和第二设备的通信场景。与第一设备和第二设备重新训练神经网络模型以用于通信的方式相比，可降低确定神经网络模型的复杂度，还减少了第一设备和第二设备间为确定神经网络模型而交互的信令开销。
[0007]一种可选的实施方式中，第一神经网络模型是根据第一设备的通信系统参数和/或第二设备的通信系统参数，从一个或多个预训练神经网络模型中确定的；第一设备的通信系统参数包括第一设备支持的系统带宽和帧结构，第二设备的通信系统参数包括第二设备支持的系统带宽和帧结构。该实施方式可使得确定的第一神经网络模型能够适配于第一设备和第二设备的通信系统，有利于提高调整后的第一神经网络模型应用于第一设备和第二设备之间通信时的性能，进而可提高第一设备和第二设备之间进行通信的质量。
[0008]一种可选的实施方式中，第一神经网络模型是基于从一个或多个第二神经网络模型中选择的第三神经网络模型确定的；该一个或多个第二神经网络模型是从一个或多个预训练神经网络模型中确定的；其中，一个或多个第二神经网络模型中每个第二神经网络模型的输入维度与其对应的第一输入维度相同，和/或，每个第二神经网络模型的输出维度与
其对应的第一输出维度相同；每个第二神经网络模型对应的第一输入维度和/或第一输出维度，是根据该第二神经网络模型适用的资源片(resource patch，RP)大小，以及第一设备的通信系统参数和/或第二设备的通信系统参数确定的。
[0009]该实施方式可使得第一神经网络模型的输入维度与其对应的第一输入维度相同，和/或，第一神经网络模型的输出维度与其对应的第一输出维度相同，进而可使得第一神经网络模型适配于第一设备和第二设备的通信场景。
[0010]可选的，RP大小是根据RP的时域长度和RP的频域宽度确定的。
[0011]一种可选的实施方式中，第二神经网络模型支持第一业务类型；第一业务类型是第一设备和第二设备需求的业务类型。该实施方式基于业务类型从预训练的神经网络中选择一个或多个第二神经网络模型，使得从一个或多个神经网络模型中确定的第一神经网络模型支持第一设备和第二设备需求的业务类型。
[0012]一种可选的实施方式中，如果第二神经网络模型为多个，第三神经网络模型是多个第二神经网络模型中参数量最大的第二神经网络模型。一般来说，神经网络模型的参数量越大，性能越好，该方式可使得确定的第三神经网络模型是多个第二神经网络模型中性能最好的第二神经网络模型。
[0013]或者，第三神经网络模型是多个第二神经网络模型中运算量与第一运算量之间的绝对差值最小的第二神经网络模型，第一运算量是根据第一设备的算力和时延要求，和/或，第二设备的算力和时延要求确定的。该方式可使得从多个第二神经网络模型中确定的第三神经网络模型的运算量最接近于第一设备和第二设备的运算能力所支持的最大范围。
[0014]或者，第三神经网络模型是多个第二神经网络模型中参数量与第一参数量之间的绝对差值最小的第二神经网络模型，第一参数量是根据第一设备的算力和存储空间，和/或，第二设备的算力和存储空间确定的。该方式可使得从多个第二神经网络模型中确定的第三神经网络模型的参数量最接近于第一设备和第二设备的存储能力所支持的最大范围。
[0015]一种可选的实施方式中，第一神经网络模型是对第三神经网络模型进行蒸馏得到的，该第三神经网络模型的运算量大于第一运算量，和/或，第三神经网络模型的参数量大于第一参数量；其中，第一运算量是根据第一设备的算力和时延要求，和/或，第二设备的算力和时延要求确定的；第一参数量是根据第一设备的算力和存储空间，和/或，第一设备的算力和存储空间确定的。该实施方式可通过减少第三神经网络模型的参数量和/或运算量获得第一神经网络模型，这样，第一神经网络模型的运算量在第一设备和第二设备的运算能力所支持的范围内，参数量在第一设备和第二设备的存储能力所支持的范围内。
[0016]一种可选的实施方式中，第一神经网络模型为第三神经网络模型；第三神经网络模型的运算量小于或等于第一运算量，和/或，第三神经网络模型的参数量小于或等于第一参数量；第一运算量是根据第一设备的算力和时延要求，和/或，第二设备的算力和时延要求确定的；第一参数量是根据第一设备的算力和存储空间，和/或，第二设备的算力和存储空间确定的。可见，该实施方式中，如果第三神经网络模型的运算量和参数量已分别在第一设备和第二设备的运算能力和存储能力所支持的范围内，可直接将第三神经网络模型作为第一神经网络模型。
[0017]一种可选的实施方式中，第一神经网络模型是模型服务器根据接收的模型请求信息确定的；该模型请求信息包括第三神经网络模型的标识，以及第一运算量和/或第一参数
量；其中，第一运算量是根据第一设备的算力和时延要求，和/或，第二设备的算力和时延要求确定的，第一参数量是根据第一设备的算力和存储空间，和/或，第二设备的算力和存储空间确定的。可见，该实施方式可应用于由模型服务器存储一个或多个预训练神经网络模型的情况下，可从模型服务器处获取第一神经网络模型。
[0018]可选的，一个或多个预训练神经网络模型中每个预训练神经网络模型的信息是预定义的，或是从模型服务器获取的；每个预训练神经网络模型的信息包括以下一个或多个：标识、业务类型、RP大小、输入维度、输出维度、参数量和运算量。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通信方法，其特征在于，所述方法包括：从一个或多个预训练神经网络模型中确定第一神经网络模型；根据第一信息调整所述第一神经网络模型；所述第一信息包括第一设备和第二设备之间进行通信的通信资源信息和/或信道状态信息；发送调整后的第一神经网络模型，或者，发送调整后的第一神经网络模型中的子模型；所述调整后的第一神经网络模型用于所述第一设备和所述第二设备之间进行通信。2.一种通信方法，其特征在于，所述方法包括：接收调整后的第一神经网络模型，或者，接收调整后的第一神经网络模型中的子模型；所述调整后的第一神经网络模型用于第一设备和第二设备之间进行通信；所述调整后的第一神经网络模型是基于第一信息对第一神经网络模型调整得到的，所述第一信息包括所述第一设备和所述第二设备之间进行通信的通信资源信息和/或信道状态信息；所述第一神经网络设备是从一个或多个预训练神经网络模型中确定的；基于所述调整后的第一神经网络模型进行通信，或者，基于所述调整后的第一神经网络模型中的子模型进行通信。3.根据权利要求1或2所述的方法，其特征在于，所述第一神经网络模型是根据所述第一设备的通信系统参数和/或所述第二设备的通信系统参数，从一个或多个预训练神经网络模型中确定的；所述第一设备的通信系统参数包括所述第一设备支持的系统带宽和帧结构，所述第二设备的通信系统参数包括所述第二设备支持的系统带宽和帧结构。4.根据权利要求3所述的方法，其特征在于，所述第一神经网络模型是基于从一个或多个第二神经网络模型中选择的第三神经网络模型确定的；所述一个或多个第二神经网络模型是从所述一个或多个预训练神经网络模型中确定的；所述一个或多个第二神经网络模型中每个第二神经网络模型的输入维度与其对应的第一输入维度相同，和/或，所述每个第二神经网络模型的输出维度与其对应的第一输出维度相同；所述每个第二神经网络模型对应的第一输入维度和/或第一输出维度，是根据所述第二神经网络模型适用的资源片RP大小，以及所述第一设备的通信系统参数和/或所述第二设备的通信系统参数确定的。5.根据权利要求4所述的方法，其特征在于，所述RP大小是根据所述RP的时域长度和所述RP的频域宽度确定的。6.根据权利要求4或5所述的方法，其特征在于，所述第二神经网络模型支持第一业务类型；所述第一业务类型是所述第一设备和所述第二设备需求的业务类型。7.根据权利要求4至6任一项所述的方法，其特征在于，所述第一神经网络模型是对所述第三神经网络模型进行蒸馏得到的；所述第三神经网络模型的运算量大于第一运算量，和/或，所述第三神经网络模型的参数量大于第一参数量；所述第一运算量是根据所述第一设备的算力和时延要求，和/或，所述第二设备的算力
和实时延要求确定的；所述第一参数量是根据所述第一设备的算力和存储空间，和/或，所述第二设备的算力和存储空间确定的。8.根据权利要求4至6任一项所述的方法，其特征在于，所述第一神经网络模型为所述第三神经网络模型；所述第三神经网络模型的运算量小于或等于第一运算量，和/或，所述第三神经网络模型的参数量小于或等于第一参数量；所述第一运算量是根据所述第一设备的算力和时延要求，和/或，所述第二设备的算力和实时延要求确定的；所述第一参数量是根据所述第一设备的算力和存储空间，和/或，所述第二设备的算力和存储空间确定的。9.根据权利要求4至6任一项所述的方法，其特征在于，所述第一神经网络模型是模型服务器根据接收的模型请求信息确定的；所述模型请求信息包括所述第三神经网络模型的标识，以及第一运算量和/或第一参数量；所述第一运算量是根据所述第一设备的算力和时延要求，和/或，所述第二设备的算力和实时延要求确定的，所述第一参数量是根据所述两个设备的算力和存储空间，和/或，所述第二设备的算力和存储空间确定的。10.根据权利要求9所述的方法，其特征在于，所述一个或多个预训练神经网络模型中每个预训练神经网络模型的信息是预定义的，或是从所述模型服务器获取的；每个预训练神经网络模型的信息包括以下一个或多个：标识、业务类型、RP大小、输入维度、输出维度、参数量和运算量。11.根据权利要求1至10任一项所述的方法，其特征在于，所述调整后的第一神经网络模型是根据所述第一信息中的所述信道状态信息，对第四神经网络模型进行训练得到的；所述第四神经网络模型是根据所述第一神经网络模型适用的RP大小，以及所述第一信息中的所述通信资源信息，对所述第一神经网络模型的输入维度和/或输出维度进行调整得到的。12.一种通信装置，其特征在于，所述装置包括：处理单元，用于从一个或多个预训练神经网络模型中确定第一神经网络模型；所述处理单元，还用于根据第一信息调整所述第一神经网络模型；所述第一信息包括第一设备和第二设备之间进行通信的通信资源信息和/或信道状态信息；通信单元，用于发送调整后的第一神经网络模型，或者，发送调整后的第一神经网络模型中的子模型；所述调整后的第一神经网络模型...

【专利技术属性】
技术研发人员：王坚，徐晨，张公正，李榕，颜敏，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：