【技术实现步骤摘要】
【国外来华专利技术】
本公开一般涉及通信，并且更具体地但不排他地涉及具有神经网络的无线电发射器，以及相关方法和计算机程序。
技术介绍
1、用神经网络实现无线电物理层算法是无线通信领域的新兴概念。这样的神经网络中的至少一些可以使用人工智能(ai)加速器进行高效推理，并减少人工劳动的数量，因为实际算法是从数据中学习的，无需针对算法的显式编程。至少在一些实现中，机器学习(ml)还可以提高整体性能，因为算法可以经由重新训练而适应不断变化的条件。
2、如今，基站通常装配有由多个天线组成的阵列。这样的天线阵列的辐射模式可以通过调谐每个天线信号的振幅和相位来被灵活调整。这使得将无线信号定向到接收设备成为可能。这被称为波束成形。
3、然而，至少在一些情形中，当上行链路和下行链路时隙之间的信道不是静态时，可能难以执行准确的波束成形。例如，当用户设备或用户设备和基站之间的物体正在移动时，信道可能会经历老化。在这样的情况下，波束成形算法的性能可能不是最佳的，或者它可能根本不起作用。此外，当信道估计不准确时，可能难以补偿这样的不准确信道估计中的误差。
技术实现思路
1、本专利技术的各种示例实施例寻求的保护范围由独立权利要求规定。本说明书中描述的不属于独立权利要求的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专利技术的各种示例实施例的示例。
2、无线电发射器设备的示例实施例包括至少一个处理器，包括计算机程序代码的至少一个存储器，以及包括至少两个发射天线的发射天线阵列。至少一个存储
3、接收上行链路ul信道信息；
4、基于所接收的ul信道信息来确定用于下行链路dl信道的资源元素re特定的预编码矩阵；以及
5、基于所确定的re特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列的发射天线特定的输出信号。
6、基于所接收的ul信道信息对用于dl信道的re特定的预编码矩阵的确定是通过将神经网络nn应用到所接收的ul信道信息而被执行的，nn包括至少一个神经网络层，该至少一个神经网络层可执行以处理所接收的ul信道信息以输出用于dl信道的re特定的预编码矩阵。
7、在示例实施例中，备选地或除了上述示例实施例之外，nn包括卷积神经网络、转换器神经网络、或其组合中的至少一者。
8、在示例实施例中，备选地或除了上述示例实施例之外，nn利用残差连接。
9、在示例实施例中，备选地或除了上述示例实施例之外，至少一个神经网络层中的至少一个利用深度可分离卷积。
10、在示例实施例中，备选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与至少一个处理器一起，使无线电发射器设备还通过向nn的输出应用迫零zf变换或zf变换的近似来执行对re特定的预编码矩阵的确定。
11、在示例实施例中，备选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与至少一个处理器一起，使无线电发射器设备还基于预测长度来执行对re特定的预编码矩阵的确定。
12、在示例实施例中，备选地或除了上述示例实施例之外，ul信道信息包括由信道估计器提供的ul信道估计信息。
13、在示例实施例中，备选地或除了上述示例实施例之外，ul信道信息包括由无线电接收器设备提供的ul信道估计信息，无线电接收器设备利用迭代神经网络来生成ul信道估计信息。
14、在示例实施例中，备选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与至少一个处理器一起，使无线电发射器设备通过模拟信道进行差分来执行训练nn。
15、在示例实施例中，备选地或除了上述示例实施例之外，模拟信道基于统计模拟信道、光线跟踪信道或捕获信道中的至少一者。
16、在示例实施例中，备选地或除了上述示例实施例之外，nn的训练还包括应用损失。
17、在示例实施例中，备选地或除了上述示例实施例之外，损失包括一个或多个交叉熵损失之和。
18、在示例实施例中，备选地或除了上述示例实施例之外，nn的训练还包括基于随机梯度下降和反向传播来优化损失。
19、在示例实施例中，备选地或除了上述示例实施例之外，无线电发射器设备包括支持时分双工tdd的无线电发射器设备。
20、在示例实施例中，备选地或除了上述示例实施例之外，无线电发射器设备包括支持多输入和多输出mimo的无线电发射器设备。
21、无线电发射器设备的示例实施例包括用于执行以下操作的部件：
22、使无线电发射器设备接收上行链路ul信道信息；
23、基于所接收的ul信道信息来确定用于下行链路dl信道的资源元素re特定的预编码矩阵；以及
24、基于所确定的re特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列的发射天线特定的输出信号。
25、基于所接收的ul信道信息对用于dl信道的re特定的预编码矩阵的确定是通过将神经网络nn应用到所接收的ul信道信息而被执行的，nn包括至少一个神经网络层，该至少一个神经网络层可执行以处理所接收的ul信道信息以输出用于dl信道的re特定的预编码矩阵。
26、方法的示例实施例包括：
27、在无线电发射器设备处，接收上行链路ul信道信息；
28、由无线电发射器设备，基于所接收的ul信道信息来确定用于下行链路dl信道的资源元素re特定的预编码矩阵；以及
29、由无线电发射器设备，基于所确定的re特定的预编码矩阵和要被发射的符号来生成针对发射天线阵列的发射天线特定的输出信号。
30、其中基于所接收的ul信道信息，对用于dl信道的re特定的预编码矩阵的确定是通过将神经网络nn应用到所接收的ul信道信息而被执行的，nn包括至少一个神经网络层，该至少一个神经网络层可执行以处理所接收的ul信道信息以输出用于dl信道的re特定的预编码矩阵。
31、在示例实施例中，备选地或除了上述示例实施例之外，nn包括卷积神经网络、转换器神经网络或其组合中的至少一者。
32、在示例实施例中，备选地或除了上述示例实施例之外，nn利用残差连接。
33、在示例实施例中，备选地或除了上述示例实施例之外，至少一个神经网络层中的至少一个利用深度可分离卷积。
34、在示例实施例中，备选地或除了上述示例实施例之外，还通过向nn的输出应用迫零zf变换或zf变换的近似来执行re特定的预编码矩阵的确定。
35、在示例实施例中，备选地或除了上述示例实施例之外，还基于预测长度来执行对re特定的预编码矩阵的确定。
36、在示例实施例中，备选地或除了上述示例实施例之外，ul信道信息包括由信道估计器提供的ul信道估计信息。
37、在示例实施例中，备选地或除了上述示例实施例之外，ul信道信息本文档来自技高网...
【技术保护点】
1.一种无线电发射器设备(200)，包括：
2.根据权利要求1所述的无线电发射器设备(200)，其中所述NN(500)包括卷积神经网络、转换器神经网络、或其组合中的至少一者。
3.根据权利要求1或权利要求2所述的无线电发射器设备(200)，其中所述NN(500)利用残差连接。
4.根据权利要求2或权利要求3所述的无线电发射器设备(200)，其中所述至少一个神经网络层(506)中的至少一个利用深度可分离卷积。
5.根据权利要求1至4中任一项所述的无线电发射器设备(200)，其中所述至少一个存储器(204)和所述计算机程序代码还被配置为与所述至少一个处理器(202)一起，使所述无线电发射器设备(200)还通过向所述NN(500)的所述输出应用迫零ZF变换或所述ZF变换的近似来执行对所述RE特定的预编码矩阵的所述确定。
6.根据权利要求1至5中任一项所述的无线电发射器设备(200)，其中所述至少一个存储器(204)和所述计算机程序代码还被配置为与所述至少一个处理器(202)一起，使所述无线电发射器设备(200)还基于预测长度来
7.根据权利要求1至6中任一项所述的无线电发射器设备(200)，其中所述UL信道(410)信息包括由信道估计器(251)提供的UL信道(410)估计信息。
8.根据权利要求1至6中任一项所述的无线电发射器设备(200)，其中所述UL信道(410)信息包括由无线电接收器设备(250B)提供的UL信道(410)估计信息，所述无线电接收器设备(250B)利用迭代神经网络(700)来生成所述UL信道(410)估计信息。
9.根据权利要求1至8中任一项所述的无线电发射器设备(200)，其中所述至少一个存储器(204)和所述计算机程序代码还被配置为与所述至少一个处理器(202)一起，使所述无线电发射器设备(200)通过模拟信道进行差分来执行训练所述NN(500)。
10.根据权利要求9所述的无线电发射器设备(200)，其中所述模拟信道基于统计模拟信道、光线跟踪信道或捕获信道中的至少一者。
11.根据权利要求9或权利要求10所述的无线电发射器设备(200)，其中所述NN(500)的所述训练还包括应用损失。
12.根据权利要求11所述的无线电发射器设备(200)，其中所述损失包括一个或多个交叉熵损失之和。
13.根据权利要求11或权利要求12所述的无线电发射器设备(200)，其中所述NN(500)的所述训练还包括基于随机梯度下降和反向传播来优化所述损失。
14.根据权利要求1至13中任一项所述的无线电发射器设备(200)，其中所述无线电发射器设备(200)包括支持时分双工TDD的无线电发射器设备。
15.根据权利要求1至14中任一项所述的无线电发射器设备(200)，其中所述无线电发射器设备(200)包括支持多输入和多输出MIMO的无线电发射器设备。
16.一种方法(800)，包括：
17.一种计算机程序，包括指令，所述指令用于使无线电发射器设备至少执行以下项：
...【技术特征摘要】
【国外来华专利技术】
1.一种无线电发射器设备(200)，包括：
2.根据权利要求1所述的无线电发射器设备(200)，其中所述nn(500)包括卷积神经网络、转换器神经网络、或其组合中的至少一者。
3.根据权利要求1或权利要求2所述的无线电发射器设备(200)，其中所述nn(500)利用残差连接。
4.根据权利要求2或权利要求3所述的无线电发射器设备(200)，其中所述至少一个神经网络层(506)中的至少一个利用深度可分离卷积。
5.根据权利要求1至4中任一项所述的无线电发射器设备(200)，其中所述至少一个存储器(204)和所述计算机程序代码还被配置为与所述至少一个处理器(202)一起，使所述无线电发射器设备(200)还通过向所述nn(500)的所述输出应用迫零zf变换或所述zf变换的近似来执行对所述re特定的预编码矩阵的所述确定。
6.根据权利要求1至5中任一项所述的无线电发射器设备(200)，其中所述至少一个存储器(204)和所述计算机程序代码还被配置为与所述至少一个处理器(202)一起，使所述无线电发射器设备(200)还基于预测长度来执行对所述re特定的预编码矩阵的所述确定。
7.根据权利要求1至6中任一项所述的无线电发射器设备(200)，其中所述ul信道(410)信息包括由信道估计器(251)提供的ul信道(410)估计信息。
8.根据权利要求1至6中任一项所述的无线电发射器设备(200)，其中所述ul信道(410)信息包括由无线电接收器设备(250b)提供的ul信道(410)...
【专利技术属性】
技术研发人员：J·M·J·胡图宁，M·J·洪卡拉，D·J·科尔皮，
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。