【技术实现步骤摘要】
本专利技术总体上涉及无线通信，并且更具体地涉及信道状态信息(channel stateinformation，csi)压缩与处理。
技术介绍
1、除非本文另有说明，否则在本部分中描述的方法不是针对下面列出的权利要求的现有技术，并且不因被包括在本部分中作为现有技术。在无线通信中，信道状态信息(channel state information，csi)包括通信链路的链路属性。csi可以由用户设备(userequipment，ue)报告给基站节点，例如，无线运营商网络的gnodeb(gnb)。在用于csi压缩的双侧人工智能(artificial intelligence，ai)/机器学习(machine-learning，ml)架构中，架构的第一部分在ue上实现，并且架构的第二部分在基站节点上实现。在架构的第一部分中，ue将csi输入预处理成适合于压缩的形式，然后使用基于ml的编码器将预处理的csi压缩成抽象表示。在架构的第二部分中，基站节点接收作为来自ue的反馈的csi的抽象表示。然后，基站节点使用基于ml的解码器来解压缩该抽象表示以重构csi。在一些情况下，可以在解压缩之后由基站节点进一步应用后处理以重构csi。重构的csi由基站节点用于各种应用，诸如用于基站节点的天线的调度波束成形等。
2、一般而言，存在可以由ue执行的两种形式的预处理，它们是样本变化预处理和样本不变预处理。在样本变化预处理中，csi预处理框架将基于输入到基于ml的编码器中的每个csi样本而改变。换言之，ue的预处理函数f(·)可以根据csi样本信
3、在样本不变预处理中，ue的预处理函数f(·)和基站节点的后处理函数f-1(·)对于所有csi样本可以保持相同。结果，可以在不招致与样本变化处理相关联的附加反馈开销的情况下完成ue处的基于ml的编码器对csi的压缩和在基站节点处对解压缩的csi的后处理。
技术实现思路
1、下面的
技术实现思路
仅仅是例示性的，而非旨在以任何方式进行限制。即，提供下面的
技术实现思路
来引入本文所描述的新颖且非显而易见的技术的概念、亮点、益处以及优点。在具体实施方式中进一步描述选择的实现方式。因此，下面的
技术实现思路
并非旨在标识所要求保护的主题的必要特征，也并非旨在用于确定所要求保护的主题的范围。
2、本专利技术的目的是提出解决本文描述的问题的解决方案或方案。更具体地，本专利技术中提出的各种方案被认为是提供由ue增强csi的样本不变预处理以提升压缩csi的基于ml的编码器的性能的解决方案。这是因为如果csi的预处理被优化，则基于ml的编码器可以容易地捕获csi的语义特征，并且可以改进csi到抽象表示中的压缩。因此，相信根据本专利技术的各种提出的方案的实现可以改进无线通信中用于csi压缩的ai/ml模型(在本文中也称为ml模型)的操作。
3、在一个方面，一种方法可以包括：由与基站节点进行无线通信的ue的处理器从ue获取(例如，测量、估计和/或计算)的原始csi中提取本征向量(eigenvector，ev)。方法还包括：由处理器至少通过对ev执行相位不连续补偿(phase discontinuity compensation，pdc)、具有重新排序的一步偏振分离、或两步偏振分离中的一项或多项来生成经预处理的csi，以供ue的基于ml的编码器压缩成针对基站节点的csi反馈，其中，所述两步偏振分离包括基于偏振类型的分离和按位置分离。
4、在另一方面，一种方法可以包括：在基站节点处从ue接收csi反馈。该csi反馈是根据本征向量ev生成的，所述ev是根据所述ue获取的原始csi提取的，是使用相位不连续补偿pdc、具有重新排序的一步偏振分离、或两步偏振分离中的一个或多者预处理的，并且是由所述ue的基于机器学习ml的编码器压缩的，其中，所述两步偏振分离包括基于偏振类型的分离和按位置分离。该方法还包括至少通过经由所述基站节点的基于ml的解码器对所述csi反馈进行解压缩来生成重构csi。
5、在又一方面中，一种装置包括可以包括经配置以无线地通信的收发器和耦接到所述收发器的处理器。处理器可以从由装置或在ue中实现的另一装置获取的原始csi的csi样本中提取ev。处理器还可以通过对所述ev至少执行具有重新排序的一步偏振分离或两步偏振分离来生成用于训练ml模型的训练数据，其中，所述两步偏振分离包括基于偏振类型的分离和按位置分离，其中，所述ml模型被包括在基于ml的编码器中以根据多个原始csi生成csi反馈，或者被包括在基于ml的解码器中以根据所述csi反馈生成多个重构csi。
6、值得注意的是，尽管本文所提供的描述可以是在某些无线电接入技术、网络以及网络拓扑(诸如5g/nr移动通信)的背景下，但是所提出的概念、方案及其任何变型/衍生型可以在其它类型的无线电接入技术、网络以及网络拓扑中实现、用于其它类型的无线电接入技术、网络以及网络拓扑以及由其它类型的无线电接入技术、网络以及网络拓扑来实现，所述无线电接入技术、网络以及网络拓诸如(例如但不限于)：演进分组系统(evolvedpacket system，eps)、长期演进(long-term evolution，lte)、lte-advanced、lte-advanced pro、物联网(internet-of-thing，iot)、窄带物联网(narrow band internet ofthing，nb-iot)、工业物联网(industrial internet of thing，iiot)、车联网(vehicle-to-everything，v2x)、以及非地面网络(non-terrestrial network，ntn)通信。因此，本公开的范围不限于本文所描述的示例。
本文档来自技高网...【技术保护点】
1.一种方法，所述方法包括：
2.根据权利要求1所述的方法，其中，执行所述PDC包括：
3.根据权利要求1所述的方法，其中，执行所述两步偏振分离包括：
4.根据权利要求3所述的方法，其中，所述多个子样本处于天线频域中，并且其中，生成所述经预处理的CSI还包括：将所述多个子样本中的每一者从所述天线频域转换到波束延迟域中，以生成对应稀疏表示。
5.根据权利要求1所述的方法，其中，执行所述具有重新排序的一步偏振分离包括：
6.根据权利要求5所述的方法，其中，所述多个子样本处于天线频域中，并且其中，生成所述经预处理的CSI还包括：将所述多个子样本中的每一者从所述天线频域转换到所述波束延迟域中，以生成对应稀疏表示。
7.根据权利要求1所述的方法，所述方法还包括：
8.根据权利要求1所述的方法，其中，所述基于ML的编码器包括经训练的基于卷积神经网络CNN的模型或经训练的基于变换器的模型。
9.一种方法，所述方法包括：
10.根据权利要求9所述的方法，所述方法还包括：由所述基站节点的所述
11.根据权利要求10所述的方法，其中，所述一个或多个任务包括针对所述基站节点的一个或多个天线的调度波束成形。
12.根据权利要求9所述的方法，其中，所述基站节点是无线运营商网络的gNodeB。
13.根据权利要求9所述的方法，其中，所述基于ML的编码器包括经训练的基于卷积神经网络CNN的模型或经训练的基于变换器的模型。
14.一种装置，所述装置包括：
15.根据权利要求14所述的装置，其中，执行具有重新排序的一步偏振分离包括：
16.根据权利要求15所述的装置，其中，生成所述训练数据还包括：
17.根据权利要求14所述的装置，其中，执行所述两步偏振分离包括：
18.根据权利要求17所述的装置，其中，生成所述训练数据还包括：
19.根据权利要求17所述的装置，其中，生成所述训练数据还包括：在执行具有重新排序的所述一步偏振分离或所述两步偏振分离之前，对所述EV执行相位不连续补偿PDC。
20.根据权利要求19所述的装置，其中，对所述EV执行所述PDC包括：
...【技术特征摘要】
1.一种方法，所述方法包括：
2.根据权利要求1所述的方法，其中，执行所述pdc包括：
3.根据权利要求1所述的方法，其中，执行所述两步偏振分离包括：
4.根据权利要求3所述的方法，其中，所述多个子样本处于天线频域中，并且其中，生成所述经预处理的csi还包括：将所述多个子样本中的每一者从所述天线频域转换到波束延迟域中，以生成对应稀疏表示。
5.根据权利要求1所述的方法，其中，执行所述具有重新排序的一步偏振分离包括：
6.根据权利要求5所述的方法，其中，所述多个子样本处于天线频域中，并且其中，生成所述经预处理的csi还包括：将所述多个子样本中的每一者从所述天线频域转换到所述波束延迟域中，以生成对应稀疏表示。
7.根据权利要求1所述的方法，所述方法还包括：
8.根据权利要求1所述的方法，其中，所述基于ml的编码器包括经训练的基于卷积神经网络cnn的模型或经训练的基于变换器的模型。
9.一种方法，所述方法包括：
10.根据权利要求9所述的方法，所述方法还包括：由所述基站节点的所述处理器基于所述重构c...
【专利技术属性】
技术研发人员：佩德拉姆·海雷哈·桑格德，庆奎范，叶海亚·艾哈迈德·马哈茂德·马哈茂德·沙巴拉，桂建卿，
申请(专利权)人：联发科技股份有限公司，
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。