【技术实现步骤摘要】
【国外来华专利技术】
本公开的各方面整体涉及无线通信，并且涉及用于估计多个参数值的多头机器学习模型的技术和装置。
技术介绍
1、无线通信系统被广泛部署以提供各种电信服务，诸如电话、视频、数据、消息接发和广播。典型的无线通信系统可以采用能够通过共享可用的系统资源(例如，带宽、发送功率等)来支持与多个用户的通信的多址技术。此类多址技术的示例包括码分多址(cdma)系统、时分多址(tdma)系统、频分多址(fdma)系统、正交频分多址(ofdma)系统、单载波频分多址(sc-fdma)系统、时分同步码分多址(td-scdma)系统和长期演进(lte)。lte/高级lte是第三代合作伙伴计划(3gpp)颁布的通用移动电信系统(umts)移动标准的增强集合。
2、无线网络可包括支持用于用户装备(ue)或多个ue的通信的一个或多个基站。ue以经由下行链路通信和上行链路通信与基站进行通信。“下行链路”(或“dl”)是指从基站到ue的通信链路，并且“上行链路”(或“ul”)是指从ue到基站的通信链路。
3、在各种电信标准中已经采用了上述多址技术来提供使不同的ue能够在城市、国家、地区和/或全球层面上进行通信的公共协议。可被称为5g的新无线电(nr)是由3gpp颁布的lte移动标准的增强集合。nr被设计为通过在下行链路上使用具有循环前缀(cp)的正交频分复用(ofdm)(cp-ofdm)、在上行链路上使用cp-ofdm和/或单载波频分复用(sc-fdm)(也被称为离散傅里叶变换扩展ofdm(dft-s-ofdm))以及支持波束成形、多输入多输出
技术实现思路
1、本文所述的一些方面涉及一种用于无线通信的第一网络节点。该第一网络节点可包括：存储器；和一个或多个处理器，该一个或多个处理器耦合到该存储器。一个或多个处理器可被配置为接收与资源集合相关联的信号。一个或多个处理器可被配置为使用具有主体模块和多个头模块的多头机器学习模型来确定对应于资源集合的多个参数的多个估计参数值，其中主体模块至少部分地基于对应于资源集合的模型输入集合来提取公共特征集合，并且其中多个头模块至少部分地基于公共特征集合来生成多个估计参数值。一个或多个处理器可被配置为至少部分地基于多个估计参数值来执行无线通信操作。
2、本文所述的一些方面涉及一种用于无线通信的第一网络节点。该第一网络节点可包括：存储器；和一个或多个处理器，该一个或多个处理器耦合到该存储器。一个或多个处理器可被配置为向第二网络节点发送与具有主体模块和多个头模块的多头机器学习模型相关联的机器学习配置，其中多头机器学习模型被配置为确定对应于资源集合的多个参数的多个估计参数值，其中主体模块被配置为至少部分地基于对应于资源集合的模型输入集合来提取公共特征集合，并且其中多个头模块被配置为至少部分地基于公共特征集合来生成多个估计参数值。一个或多个处理器可被配置为从第二网络节点接收指示多个估计参数值中的至少一个估计参数值的输出报告。
3、本文所述的一些方面涉及一种由第一网络节点执行的无线通信的方法。该方法可包括接收与资源集合相关联的信号。方法可包括使用具有主体模块和多个头模块的多头机器学习模型来确定对应于资源集合的多个参数的多个估计参数值，其中主体模块至少部分地基于对应于资源集合的模型输入集合来提取公共特征集合，并且其中多个头模块至少部分地基于公共特征集合来生成多个估计参数值。方法可包括至少部分地基于多个估计参数值来执行无线通信操作。
4、本文所述的一些方面涉及一种由第一网络节点执行的无线通信的方法。该方法可包括向第二网络节点发送与具有主体模块和多个头模块的多头机器学习模型相关联的机器学习配置，其中多头机器学习模型被配置为确定对应于资源集合的多个参数的多个估计参数值，其中主体模块被配置为至少部分地基于对应于资源集合的模型输入集合来提取公共特征集合，并且其中多个头模块被配置为至少部分地基于公共特征集合来生成多个估计参数值。方法可包括从第二网络节点接收指示多个估计参数值中的至少一个估计参数值的输出报告。
5、本文所述的一些方面涉及一种非暂态计算机可读介质，该非暂态计算机可读介质存储用于由第一网络节点进行无线通信的指令集。指令集在由第一网络节点的一个或多个处理器执行时可使第一网络节点接收与资源集合相关联的信号。指令集在由第一网络节点的一个或多个处理器执行时可使第一网络节点使用具有主体模块和多个头模块的多头机器学习模型来确定对应于资源集合的多个参数的多个估计参数值，其中主体模块至少部分地基于对应于资源集合的模型输入集合来提取公共特征集合，并且其中多个头模块至少部分地基于公共特征集合来生成多个估计参数值。指令集在由第一网络节点的一个或多个处理器执行时可使第一网络节点至少部分地基于多个估计参数值来执行无线通信操作。
6、本文所述的一些方面涉及一种非暂态计算机可读介质，该非暂态计算机可读介质存储用于由第一网络节点进行无线通信的指令集。该指令集在由第一网络节点的一个或多个处理器执行时可使第一网络节点向第二网络节点发送与具有主体模块和多个头模块的多头机器学习模型相关联的机器学习配置，其中多头机器学习模型被配置为确定对应于资源集合的多个参数的多个估计参数值，其中主体模块被配置为至少部分地基于对应于资源集合的模型输入集合来提取公共特征集合，并且其中多个头模块被配置为至少部分地基于公共特征集合来生成多个估计参数值。指令集在由第一网络节点的一个或多个处理器执行时可使第一网络节点从第二网络节点接收指示多个估计参数值中的至少一个估计参数值的输出报告。
7、本文所述的一些方面涉及一种用于无线通信的装置。装置可包括用于接收与资源集合相关联的信号的部件。装置可包括用于使用具有主体模块和多个头模块的多头机器学习模型来确定对应于资源集合的多个参数的多个估计参数值的部件，其中主体模块至少部分地基于对应于资源集合的模型输入集合来提取公共特征集合，并且其中多个头模块至少部分地基于公共特征集合来生成多个估计参数值。装置可包括用于至少部分地基于多个估计参数值来执行无线通信操作的部件。
8、本文所述的一些方面涉及一种用于无线通信的装置。装置可包括用于向网络节点发送与具有主体模块和多个头模块的多头机器学习模型相关联的机器学习配置的部件，其中多头机器学习模型被配置为确定对应于资源集合的多个参数的多个估计参数值，其中主体模块被配置为至少部分地基于对应于资源集合的模型输入集合来提取公共特征集合，并且其中多个头模块被配置为至少部分地基于公共特征集合来生成多个估计参数值。装置可包括用于从网络节点接收指示多个估计参数值中的至少一个估计参数值的输出报告的部件。
9、本文的方面通常包括方法、装置、系统、计算机程序产品、非暂态计算机可读介质、用户装备、基站、无线通本文档来自技高网...
【技术保护点】
1.一种用于无线通信的第一网络节点，所述第一网络节点包括：
2.根据权利要求1所述的第一网络节点，其中所述资源集合包括时域资源、频域资源、角域资源或空间域资源中的至少一者。
3.根据权利要求1所述的第一网络节点，其中所述多个头模块中的每个头模块仅生成所述多个估计参数值中的一个估计参数值。
4.根据权利要求1所述的第一网络节点，其中所述多个估计参数值包括与所述资源集合的当前资源相关联的估计参数值或与所述资源集合的未来资源相关联的预测参数值中的至少一者。
5.根据权利要求1所述的第一网络节点，其中所述多个头模块中的头模块至少部分地基于最小化与所述多个参数中的参数相关联的损失函数来生成所述多个估计参数值中的估计参数值。
6.根据权利要求5所述的第一网络节点，其中所述一个或多个处理器被进一步配置为至少部分地基于与所述多头机器学习模型相关联的总损失函数来训练所述多头机器学习模型，其中所述总损失函数包括所述损失函数和与所述多个参数中的至少一个附加参数相关联的至少一个附加损失函数的加权和。
7.根据权利要求6所述的第一网络
8.根据权利要求1所述的第一网络节点，其中所述多头机器学习模型包括神经网络。
9.根据权利要求8所述的第一网络节点，其中所述多个头模块中的头模块包括单个机器学习神经元、多个机器学习神经元的单个层或每个层包括至少一个机器学习神经元的多个层。
10.根据权利要求1所述的第一网络节点，其中所述多个估计参数值包括与所述资源集合中的多个资源相关联的多个估计干扰分布，其中所述公共特征集合包括所述多个资源所共有的干扰特征集合。
11.根据权利要求1所述的第一网络节点，其中所述多个估计参数值包括：
12.根据权利要求1所述的第一网络节点，其中所述模型输入集合至少部分地基于至少一个参考信号。
13.根据权利要求12所述的第一网络节点，其中所述多个估计参数值包括对应于第一参数的第一估计参数值和对应于不同于所述第一参数的第二参数的第二估计参数值，其中所述第一估计参数值至少部分地基于所述至少一个参考信号，并且其中所述第二估计参数值至少部分地基于所述至少一个参考信号。
14.根据权利要求12所述的第一网络节点，其中所述多个估计参数值包括对应于与第一资源相关的参数的第一估计参数值和对应于与不同于所述第一资源的第二资源相关的所述参数的第二估计参数值，其中所述第一估计参数值至少部分地基于所述至少一个参考信号，并且其中所述第二估计参数值至少部分地基于所述至少一个参考信号。
15.根据权利要求1所述的第一网络节点，其中所述一个或多个处理器被进一步配置为接收机器学习配置，所述机器学习配置配置以下中的至少一者：
16.根据权利要求1所述的第一网络节点，其中所述一个或多个处理器被进一步配置为接收机器学习配置，所述机器学习配置配置在所述多个头模块中的头模块处与所述资源集合相关联的资源粒度。
17.根据权利要求1所述的第一网络节点，其中所述多头机器学习模型包括至少一个附加头模块，其中所述一个或多个处理器被进一步配置为接收与所述至少一个附加头模块相关联的头模块去激活指示，并且其中所述多个头模块不包括所述至少一个附加头模块。
18.根据权利要求1所述的第一网络节点，其中所述一个或多个处理器被进一步配置为：
19.根据权利要求18所述的第一网络节点，其中所述能力报告指示以下中的至少一者：
20.根据权利要求1所述的第一网络节点，其中所述一个或多个处理器被进一步配置为发送指示所述多个估计参数值中的至少一个估计参数值的输出报告。
21.一种用于无线通信的第一网络节点，所述第一网络节点包括：
22.根据权利要求21所述的第一网络节点，其中所述资源集合包括时域资源、频域资源、角域资源或空间域资源中的至少一者。
23.根据权利要求21所述的第一网络节点，其中所述多头机器学习模型包括神经网络。
24.根据权利要求21所述的第一网络节点，其中所述机器学习配置进一步配置以下中的至少一者：
25.根据权利要求21所述的第一网络节点，其中所述多头机器学习模型包括至少一个附加头模块，并且其中所述一个或多个处理器被进一步配置为发送与所述至少一个附加头模块相关联的头模块去激活指示，并且其中所述多个头模块不包括所述至少一个附加头模块。
26.根...
【技术特征摘要】
【国外来华专利技术】
1.一种用于无线通信的第一网络节点，所述第一网络节点包括：
2.根据权利要求1所述的第一网络节点，其中所述资源集合包括时域资源、频域资源、角域资源或空间域资源中的至少一者。
3.根据权利要求1所述的第一网络节点，其中所述多个头模块中的每个头模块仅生成所述多个估计参数值中的一个估计参数值。
4.根据权利要求1所述的第一网络节点，其中所述多个估计参数值包括与所述资源集合的当前资源相关联的估计参数值或与所述资源集合的未来资源相关联的预测参数值中的至少一者。
5.根据权利要求1所述的第一网络节点，其中所述多个头模块中的头模块至少部分地基于最小化与所述多个参数中的参数相关联的损失函数来生成所述多个估计参数值中的估计参数值。
6.根据权利要求5所述的第一网络节点，其中所述一个或多个处理器被进一步配置为至少部分地基于与所述多头机器学习模型相关联的总损失函数来训练所述多头机器学习模型，其中所述总损失函数包括所述损失函数和与所述多个参数中的至少一个附加参数相关联的至少一个附加损失函数的加权和。
7.根据权利要求6所述的第一网络节点，其中所述一个或多个处理器被进一步配置为接收机器学习配置，所述机器学习配置配置与所述损失函数相关联的第一权重和与所述至少一个附加损失函数相关联的第二权重。
8.根据权利要求1所述的第一网络节点，其中所述多头机器学习模型包括神经网络。
9.根据权利要求8所述的第一网络节点，其中所述多个头模块中的头模块包括单个机器学习神经元、多个机器学习神经元的单个层或每个层包括至少一个机器学习神经元的多个层。
10.根据权利要求1所述的第一网络节点，其中所述多个估计参数值包括与所述资源集合中的多个资源相关联的多个估计干扰分布，其中所述公共特征集合包括所述多个资源所共有的干扰特征集合。
11.根据权利要求1所述的第一网络节点，其中所述多个估计参数值包括：
12.根据权利要求1所述的第一网络节点，其中所述模型输入集合至少部分地基于至少一个参考信号。
13.根据权利要求12所述的第一网络节点，其中所述多个估计参数值包括对应于第一参数的第一估计参数值和对应于不同于所述第一参数的第二参数的第二估计参数值，其中所述第一估计参数值至少部分地基于所述至少一个参考信号，并且其中所述第二估计参数值至少部分地基于所述至少一个参考信号。
14.根据权利要求12所述的第一网络节点，其中所述多个估计参数值包括对应于与第一资源相关的参数的第一估计参数值和对应于与不同于所述第一资源的第二资源相关的所述参数的第二估计参数值，其中所述第一估计参数值至少部分地基于所述至少一个参考信号，并且其中所述第二估计参数值至少部分地基...
【专利技术属性】
技术研发人员：M·F·A·梅尔茨班，W·南，骆涛，T·余，
申请(专利权)人：高通股份有限公司，
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。