【技术实现步骤摘要】
【国外来华专利技术】
本申请一般涉及无线通信领域。特别地，本申请涉及一种用于无线通信的无线电发射机，以及相关的方法和计算机程序。
技术介绍
1、各种基于深度学习的解决方案可以增强无线通信系统的物理层性能。然而，由于非线性功率放大，经学习的波形可能是有问题的。例如，接近饱和运行的功率放大器会导致带内失真，其特征是误差矢量幅度(evm)，其会阻碍检测精度，从而阻碍通信链路的吞吐量以及带外发出(out-of-band emission)，其特征是相邻信道泄漏比(aclr)，这可能导致对在相邻频带运行的链路的干扰。
技术实现思路
1、本公开的各个示例实施例寻求的保护范围由独立权利要求设定。本说明书中描述的不属于独立权利要求范围的示例实施例和特征(如果有的话)应被解释为有助于理解本公开的各个示例实施例的示例。
2、一种无线电发射机的示例实施例包括至少一个处理器和至少一个包括计算机程序代码的存储器。至少一个存储器和计算机程序代码被配置为，利用至少一个处理器，使无线电发射机：获取待发射的比特；将比特映射到时频域中的符号网格中；将符号网格调制为第一时域波形；将第一时域波形输入机器学习模型，产生第二时域波形；功率放大第二时域波形，产生经放大的时域波形；以及发射经放大的时域波形。例如，无线电发射机可以使用机器学习模型减轻由功率放大引起的时域波形的不希望的变化。
3、无线电发射机的示例实施例包括用于执行以下操作的部件：获取待发射的比特；将比特映射到时频域中的符号网格中；将符号网格调制为第一时域波形；将
4、在示例实施例中，替代地或除了上述示例实施例之外，机器学习模型被配置为使得第一时域波形更加抵抗由功率放大引起的非线性失真。例如，无线电发射机可以使用机器学习模型来减轻由功率放大引起的时域波形的失真。
5、在示例实施例中，替代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，利用至少一个处理器，使无线电发射机使用正交频分复用将符号网格调制为第一时域波形。例如，无线电发射机可以利用正交频分复用的技术优势。
6、在示例实施例中，替代地或除了上述示例实施例之外，机器学习模型是第二机器学习模型，并且至少一个存储器和计算机程序代码还被配置为，利用至少一个处理器，使无线电发射机使用第一机器学习模型(401)将比特映射到在时频域中的符号网格中。例如，无线电发射机可以使用第一机器学习模型将比特有效地映射到时频域中的符号网格中。
7、在示例实施例中，替代地或除了上述示例实施例之外，第一机器学习模型包括具有至少一个残差神经网络块的神经网络。例如，无线电发射机可以利用用于第一机器学习模型的一个残差神经网络块结构。
8、在示例实施例中，替代地或除了上述示例实施例之外，第一机器学习模型和/或第二机器学习模型包括神经网络和/或卷积神经网络。例如，无线电发射机可以利用用于第一机器学习模型/第二机器学习模型的神经网络结构。
9、在示例实施例中，替代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，利用至少一个处理器，使无线电发射机对第一时域波形和/或第二时域波形上采样。例如，无线电发射机可以使用上采样控制带外发出。
10、无线通信设备的示例实施例包括根据上述任一示例实施例的无线电发射机。
11、一种用于使用多次连续迭代训练无线电发射机的至少一个机器学习模型和对应的无线电接收机的至少一个机器学习模型的方法的示例实施例，每次迭代包括：获取训练数据；将训练比特输入无线电发射机的模型，其中无线电发射机的模型包括功率放大器的模型，并且作为响应，获取输出波形作为无线电发射机的模型的输出；基于输出波形计算第一值；将输出波形输入无线电接收机的模型，并且作为响应，获取所接收的数据作为无线电接收机的模型的输出；基于训练数据和所接收的数据计算第二值；基于第一值和第二值计算总损失值；以及基于总损失值调整无线电发射机的至少一个机器学习模型的参数和无线电接收机的至少一个机器学习模型的参数。例如，该方法可以有效地训练整个发射机-接收机对以抵抗功率放大引起的不希望的现象。
12、在示例实施例中，替代地或除了上述示例实施例之外，功率放大器的模型包括用于每次迭代的不同随机功率放大器模型和/或训练数据包括用于每次迭代的不同随机训练数据。例如，该方法可以以这样的方式执行训练，即机器学习模型不太可能专门用于任何特定的功率放大器模型或输入数据。
13、在示例实施例中，替代地或除了上述示例实施例之外，无线电发射机的模型的总发射功率是通过缩放功率放大器的模型的输入波形归一化的，以在功率放大器的模型的输出处实现预配置功率。例如，该方法可以以这样的方式执行训练，即发射机器学习模型不会经由回退发射功率来学习控制发出。
14、在示例实施例中，替代地或除了上述示例实施例之外，第一值包括加权发出功率(emission power)和/或第二值包括训练数据与所接收的数据之间的二元交叉熵。例如，该方法可以在训练期间考虑发出功率和交叉熵两者。
15、在示例实施例中，替代地或除了上述示例实施例之外，加权发出功率在总损失值中以对数标度和/或交叉熵在总损失值中由对应的信噪比值加权。例如，该方法可以以这样的方式执行训练，即强调高信噪比样本。
16、在示例实施例中，替代地或除了上述示例实施例之外，功率放大器的模型包括所测量的功率放大器响应和随机抖动项。例如，该方法可以有效地生成用于训练的不同功率放大器模型。
17、计算机程序产品的示例实施例包括程序代码，被配置为在计算机上执行计算机程序产品时执行根据上述示例实施例中任一项的方法。
本文档来自技高网...【技术保护点】
1.一种无线电发射机(100)，包括：
2.根据权利要求1所述的无线电发射机(100)，其中所述机器学习模型被配置为使得所述第一时域波形更加抵抗由功率放大引起的非线性失真。
3.根据权利要求1或权利要求2所述的无线电发射机(100)，其中所述至少一个存储器和所述计算机程序代码还被配置为，利用所述至少一个处理器，使所述无线电发射机使用正交频分复用将所述符号网格调制为所述第一时域波形。
4.根据前述权利要求中任一项所述的无线电发射机(100)，其中所述机器学习模型是第二机器学习模型，并且所述至少一个存储器和所述计算机程序代码还被配置为，利用所述至少一个处理器，使所述无线电发射机使用第一机器学习模型(401)将所述比特映射到在时频域中的所述符号网格中。
5.根据权利要求4所述的无线电发射机(100)，其中所述第一机器学习模型包括具有至少一个残差神经网络块的神经网络。
6.根据权利要求4或权利要求5所述的无线电发射机(100)，其中所述第一机器学习模型和/或所述第二机器学习模型包括神经网络和/或卷积神经网络。
7.根
8.一种无线通信设备，包括根据前述权利要求中任一项所述的无线电发射机。
9.一种用于使用多次连续迭代训练无线电发射机的至少一个机器学习模型和对应的无线电接收机的至少一个机器学习模型的方法(800)，每次迭代包括：
10.根据权利要求9所述的方法(800)，其中所述功率放大器的所述模型包括用于每次迭代的不同随机功率放大器模型和/或所述训练数据包括用于每次迭代的不同随机训练数据。
11.根据权利要求9或权利要求10所述的方法(800)，其中所述无线电发射机的所述模型的总发出功率是通过缩放所述功率放大器的所述模型的输入波形归一化的，以在所述功率放大器的所述模型的输出处实现预配置功率。
12.根据权利要求9至11中任一项所述的方法(800)，其中所述第一值包括加权发出功率和/或所述第二值包括所述训练数据与所接收的所述数据之间的二元交叉熵。
13.根据权利要求12所述的方法(800)，其中所述加权发出功率在所述总损失值中以对数标度和/或所述交叉熵在所述总损失值中由对应的信噪比值加权。
14.根据权利要求9至13中任一项所述的方法(800)，其中所述功率放大器的所述模型包括所测量的功率放大器响应和随机抖动项。
15.一种计算机程序产品，包括程序代码，被配置为在计算机上执行所述计算机程序产品时执行根据权利要求9至14中任一项所述的方法。
...【技术特征摘要】
【国外来华专利技术】
1.一种无线电发射机(100)，包括：
2.根据权利要求1所述的无线电发射机(100)，其中所述机器学习模型被配置为使得所述第一时域波形更加抵抗由功率放大引起的非线性失真。
3.根据权利要求1或权利要求2所述的无线电发射机(100)，其中所述至少一个存储器和所述计算机程序代码还被配置为，利用所述至少一个处理器，使所述无线电发射机使用正交频分复用将所述符号网格调制为所述第一时域波形。
4.根据前述权利要求中任一项所述的无线电发射机(100)，其中所述机器学习模型是第二机器学习模型，并且所述至少一个存储器和所述计算机程序代码还被配置为，利用所述至少一个处理器，使所述无线电发射机使用第一机器学习模型(401)将所述比特映射到在时频域中的所述符号网格中。
5.根据权利要求4所述的无线电发射机(100)，其中所述第一机器学习模型包括具有至少一个残差神经网络块的神经网络。
6.根据权利要求4或权利要求5所述的无线电发射机(100)，其中所述第一机器学习模型和/或所述第二机器学习模型包括神经网络和/或卷积神经网络。
7.根据前述权利要求中任一项所述的无线电发射机(100)，其中所述至少一个存储器和所述计算机程序代码还被配置为，利用所述至少一个处理器，使所述无线电发射机对所述第一时域波形和/或所述第二时域波形上采样。
8.一种无...
【专利技术属性】
技术研发人员：D·J·科尔皮，M·J·洪卡拉，J·M·J·胡图宁，F·艾特·奥迪亚，J·霍伊迪斯，
申请(专利权)人：诺基亚通信公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。